SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Probability Model Fitting Steps

kiral avatar
kiral
6 diapositives · 189 Views · Aug 17, 2014

This guide outlines the process of fitting probability density functions (PDFs) to a given dataset. Begin with plotting a histogram and boxplot to visually inspect the data. Next, select candidate PDFs based on these visualizations and compute their parameters. Evaluate the fit using both visual and quantitative goodness-of-fit methods, including overlaying the fitted PDFs on the histogram and performing Kolmogorov-Smirnov tests. The approach aids in determining the best model to represent the underlying distribution of the data.

Probability Model Fitting Steps - slide 1
01 / 6Probability Model Fitting Steps
1 / 17

Télécharger la présentation

Probability Model Fitting Steps
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Probability Model Fitting Steps • For a given data x1, x2, …, xN • Plot the histogram with the default bin width • >hist(x, probability=T, …, …) • Also plot the boxplot • Select candidate PDFs based on the histogram and boxplot • Fit the PDFs – i.e., compute the parameters of the PDFs • Evaluate the PDF at the observational points or on a finer grid (for better plotting) • E.g., to fit a Normal PDF to the data • >theta1 = mean(x) • >theta2 = sd(x) • >fitnormpdf = dnorm(sort(x), theta1, theta2) • Similarly fit all the candidate PDFs to the data – using the appropriate commands

  2. Goodness of Fit • The goodness of the fitted probability model can be evaluated in two ways – visual and Quantitative • Visual • Overlay the fitted PDF on the histogram • >lines(sort(x), fitnormpdf, col=“red”) • Quantile plots • Compute the quantiles from the fitted PDFs and • plot them agains the empirical quantiles. • If they fall on a straight line then the model is a good fit. • Empirical quantile P_i = (i- a)/(N + 1 – 2a) • i is the ‘rank’ of the observation x_i and a = 0 • If the observations are sorted then their ranks are simply the • sequential order • >N = length(x) • >empquant = (1:N)/(N+1) • >fitnormquant = qnorm(empquant, theta1, theta2) • >plot(fitnormquant, sort(x), xlab=“Model Quantiles”, ylab= “Empirical Quantiles”)

  3. Goodness of Fit • Quantitative • Perform a Kolmogrov-Smirnov (K-S) test on the empirical CDF and the fitted model CDF • >ksnorm = ks.test(x, “pnorm”, mean=theta1, sd=theta2) • This compares the empirical CDF with the fitted Normal PDF • If ksnorm$p.value is ‘greater than or equal’ to 0.05 it implies that • At 95% confidence level the empirical and the fitted distribution are not different • Use the quantitative and visual metrics to decide on the best model

  4. Boxplot IQR = 33 –26 = 7 °F One step = 1.5*7 = 10.5 °F Lower inner fence = 26 – 10.5 = 15.5 °F Upper inner fence = 33 + 10.5 = 43.5 °F The whiskers are drawn to the most extreme temperatures inside the inner fences, 37 and 17 °F. The whiskers are therefore shortened to extend only to the last observation within one step beyond either end of the box (“adjacent values”). One step = 1.5*IQR

  5. Histogram Histogram of Ithaca temperature, January 1987.

  6. Histogram and Probability Density Function