Я пытаюсь подогнать гистограммы к экспоненциальному распределению, используя два разных метода на основе ответов, которые я прочитал здесь. Я заинтересован в получении обратного параметра шкалы распределения.
Следуя приведенному здесь ответу ( Гистограмма соответствует python), я использую метод fit scipy.stats.expon распределение.
import glob
import numpy as np
import scipy.stats as ss
import matplotlib.pyplot as plt
import seaborn as sns
fig, ax = plt.subplots(5, 1, sharex = True)
j = 0
for files in glob.glob("data_*"):
time = []
hist = []
with open(files, 'r') as f:
for line in f:
line = line.split(' ')
time.append(float(line[0]))
H.append(float(line[1]))
P = ss.expon.fit(H, floc = 0)
T = np.linspace(0,200, 1000)
rP = ss.expon.pdf(T, *P)
ax[j].plot(T, rP, lw = 3.0)
ax[j].hist(H,bins = 30, alpha = 0.6, label = r"$\lambda = $" + str(1/P[1]), density = True, stacked = True)
ax[j].set_yticks([])
ax[j].legend()
j = j +1
sns.despine(top = True, left = True, right = True)
plt.xlabel("Time")
plt.show()
Таким образом, я получаю следующий график:
Подгонка выглядит хорошо, но я хотел бы знать значение лямбды неопределенности / ошибки. Нет информации о том, как получить это в документации stats.expon.
Этот вопрос уже задавался здесь ( Есть ли способ получить ошибку при подборе параметров из scipy.stats.norm .Поставить ). В принятом ответе предложено использовать кривую_картины вместо гистограммы. Поэтому, следуя инструкции (https://riptutorial.com/scipy/example/31081/fitting-a-function-to-data-from-a-histogram), я попытался использовать curve_fit. Вот модифицированный код (я вставил эти строки вместо использования scipy.stats.expon):
def func(x, a):
return a*np.exp(-a*x)
bins = np.linspace(0, 200, 201)
data_entries, bins = np.histogram(np.array(H), bins = bins)
binscenters = np.array([0.5 * (bins[i] + bins[i + 1]) for i in range (len(bins)-1)])
popt, pcov = curve_fit(func, xdata = binscenters, ydata = data_entries)
ax[j].plot(T, func(T, *popt))
ax[j].hist(H, bins = 30, alpha = 0.6, label = r"$\lambda = $" + str(popt[0]), density = True, stacked = True)
Эта подгонка дает результаты, которые сильно отличаются от stats.expon.fit, и, кажется, (по крайней мере, качественно) хуже соответствуют данным.
Я неправильно использую Curve_fit? Я считаю, что в некоторых пределах curve_fit и expon.fit должны давать одинаковые результаты. Есть ли способ получить ошибку в оценочной лямбда от expon.fit? Я имею в виду вычисление относительной погрешности между средним значением данных и лямбда-выражением, оцененным из начального соответствия, но я не знаю, будет ли это правильно. Любая подсказка будет принята с благодарностью.