<\/p>\n
Este tutorial explica como ajustar uma distribui\u00e7\u00e3o gama<\/strong> a um conjunto de dados em R.<\/span><\/p>\n Suponha que voc\u00ea tenha um conjunto de dados z<\/em> gerado usando a abordagem abaixo:<\/span><\/p>\n Para ver qu\u00e3o bem uma distribui\u00e7\u00e3o gama se ajusta a este conjunto de dados z<\/em> , podemos usar o pacote fitdistrplus<\/strong> em R:<\/span><\/p>\n A sintaxe geral a ser usada para adaptar uma distribui\u00e7\u00e3o usando este pacote \u00e9:<\/span><\/p>\n fitdist(dataset, distr = \u201csua escolha de distribui\u00e7\u00e3o\u201d, m\u00e9todo = \u201cseu m\u00e9todo de ajuste de dados\u201d)<\/span><\/strong><\/p>\n Nesse caso, ajustaremos o conjunto de dados z<\/em> que geramos anteriormente usando a distribui\u00e7\u00e3o gama e a abordagem de estimativa de m\u00e1xima verossimilhan\u00e7a para ajustar os dados:<\/span><\/p>\n Isso produz o seguinte resultado:<\/span><\/p>\n Ent\u00e3o podemos produzir gr\u00e1ficos que mostram qu\u00e3o bem a distribui\u00e7\u00e3o gama se ajusta ao conjunto de dados usando a seguinte sintaxe:<\/span><\/p>\n Isso produz os seguintes gr\u00e1ficos:<\/span><\/p>\n Aqui est\u00e1 o c\u00f3digo completo que usamos para ajustar uma distribui\u00e7\u00e3o gama a um conjunto de dados em R:<\/span><\/p>\n Este tutorial explica como ajustar uma distribui\u00e7\u00e3o gama a um conjunto de dados em R. Ajustando uma distribui\u00e7\u00e3o gama em R Suponha que voc\u00ea tenha um conjunto de dados z gerado usando a abordagem abaixo: #generate 50 random values that follow a gamma distribution with shape parameter = 3 #and shape parameter = 10 combined […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-454","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Ajustando uma distribui\u00e7\u00e3o gama em R<\/span><\/strong><\/h2>\n
#generate 50 random values that follow a gamma distribution with shape parameter = 3<\/span>\n#and shape parameter = 10 combined with some gaussian noise<\/span>\nz <- rgamma(50, 3, 10) + rnorm(50, 0, .02)\n\n#view first 6 values<\/span>\nhead(z)\n[1] 0.07730 0.02495 0.12788 0.15011 0.08839 0.09941<\/strong><\/pre>\n #install 'fitdistrplus' package if not already installed<\/span>\ninstall. packages<\/span> ('fitdistrplus')\n\n#load package<\/span>\nlibrary(fitdistrplus)<\/strong><\/pre>\n #fit our dataset to a gamma distribution using mle<\/span>\nfit <- fitdist(z, distr = \"gamma\", method = \"male\")\n\n#view the summary of the fit<\/span>\nsummary(fit)<\/strong><\/pre>\n #produce plots<\/span>\nplot(fit)<\/strong><\/pre>\n #install 'fitdistrplus' package if not already installed\n<\/span>install. packages<\/span> ('fitdistrplus')\n\n#load package\n<\/span>library(fitdistrplus)\n\n#generate 50 random values that follow a gamma distribution with shape parameter = 3\n<\/span>#and shape parameter = 10 combined with some gaussian noise\n<\/span>z <- rgamma(50, 3, 10) + rnorm(50, 0, .02)\n\n#fit our dataset to a gamma distribution using mle\n<\/span>fit <- fitdist(z, distr = \"gamma\", method = \"male\")\n\n#view the summary of the fit\n<\/span>summary(fit)\n\n#produce plots to visualize the fit\n<\/span>plot(fit)\n<\/strong><\/pre>\n","protected":false},"excerpt":{"rendered":"