Подберите кумулятивное распределение Вейбулла для передачи данных массой в R - PullRequest
Новая
       61

Подберите кумулятивное распределение Вейбулла для передачи данных массой в R

1 голос
/ 16 апреля 2019

У меня есть некоторые кумулятивные данные о массовом пропускании по размеру частиц для материала щебня, к которым я хотел бы приспособить распределение Вейбулла, используя R. Мне удалось сделать это в Excel, используя функцию WEIBULL.DIST (), используя набор кумулятивных переключателей.TRUE.
Затем я использовал Excel SOLVER, чтобы получить альфа- и бета-параметры, используя RMSE для наилучшего соответствия.Я хотел бы воспроизвести результат в R.

(см. Прилагаемую электронную таблицу здесь )

Данные частиц и совокупная масса, проходящие в%, представляют собой следующие векторы 

d.mm <- c(20.001,6.964,4.595,2.297,1.741,1.149,
          0.871,0.574,0.287,0.082,0.062,0.020)
m.pct <- c(1.00,0.97,0.78,0.49,0.27,0.20,0.14,
         0.11,0.07,0.03,0.025,0.00)

Это график, к которому я хотел бы привести результат Вейбулла: 

plot(log10(d.mm),m.pct)

... вычисление функции для вектора значений диаметра согласно электронной таблице 

   d.wei <- c(seq(0.01,0.1,0.01),seq(0.2,1,0.1),seq(2,30,1))

Значения, которые я определил как наилучшие для альфа и бета Вейбулла в Excel с использованием Солвера, составляют 1,41 и 3,31 соответственно. Поэтому мой вопрос заключается в том, как воспроизвести этот анализ в R (не обязательно в части Солвера), но подгоняя Вейбуллак этому набору данных?

1 Ответ

1 голос
/ 16 апреля 2019

Нелинейная функция наименьших квадратов nls - это версия R решателя Execl.

pweibull вычислит распределение вероятностей для распределения Вейбулла.Комментарии в коде должны объяснять пошаговое решение 

d.mm <- c(20.001,6.964,4.595,2.297,1.741,1.149,
          0.871,0.574,0.287,0.082,0.062,0.020)
m.pct <- c(1.00,0.97,0.78,0.49,0.27,0.20,0.14,
           0.11,0.07,0.03,0.025,0.00)

#create data frame store data
df<-data.frame(m.pct, d.mm)

#data for prediction
d.wei <- c(seq(0.01,0.1,0.01),seq(0.2,1,0.1),seq(2,30,1))

#solver (provided starting value for solution)
# alpha is used for shape and beta is used for scale
fit<-nls(m.pct~pweibull(d.mm, shape=alpha, scale=beta), data=df, start=list(alpha=1, beta=2))
print(summary(fit))

#extract out shape and scale
print(summary(fit)$parameters[,1])

#predict new values base on model
y<-predict(fit, newdata=data.frame(d.mm=d.wei))

#Plot comparison
plot(log10(d.mm),m.pct)
lines(log10(d.wei),y, col="blue")

enter image description here

...