আমার ডেটা কোন বিতরণ অনুসরণ করে?

Question

আসুন আমরা বলি যে আমার 1000 টি উপাদান রয়েছে এবং আমি কতবার এই ব্যর্থতা লগ করেছি এবং প্রতিবার তারা কোনও ব্যর্থতা লগ করেছে তার তথ্য সংগ্রহ করেছি, সমস্যাটি সমাধান করতে আমার দলকে কতটা সময় লেগেছে তাও আমি পর্যবেক্ষণ করছি। সংক্ষেপে, আমি এই 1000 টি উপাদানগুলির প্রতিটি মেরামত করার জন্য (সেকেন্ডে) রেকর্ড করছি। এই প্রশ্নের শেষে ডেটা দেওয়া হয়েছে।

আমি এই সমস্ত মানটি descdistনিয়েছি এবং fitdistrplusপ্যাকেজটি ব্যবহার করে আর একটি কুলেন এবং ফ্রে গ্রাফ আঁকছি । আমার আশাটি বোঝার ছিল যে মেরামতের সময় যদি কোনও নির্দিষ্ট বিতরণ অনুসরণ করে। boot=500বুটস্ট্র্যাপযুক্ত মানগুলি পেতে এখানে প্লটটি রয়েছে :

আমি দেখতে পাচ্ছি যে এই প্লটটি আমাকে বলে দিচ্ছে যে পর্যবেক্ষণটি বিটা বিতরণে পড়েছে (বা সম্ভবত তা নয়, এটি কোনটি প্রকাশ করছে?) এখন বিবেচনা করেই যে আমি একটি সিস্টেমের স্থপতি এবং কোনও পরিসংখ্যানবিদ নই, এই প্লটটি কী প্রকাশ করছে? ? (আমি এই ফলাফলগুলির পিছনে একটি বাস্তব বাস্তব-বিশ্ব অন্তর্নিহিতের সন্ধান করছি)।

সম্পাদনা করুন:

qqPlotপ্যাকেজে ফাংশনটি ব্যবহার করে কিউকিপ্লট car। আমি প্রথমে fitdistrফাংশনটি ব্যবহার করে আকার এবং স্কেল পরামিতিগুলি অনুমান করেছি ।

> fitdistr(Data$Duration, "weibull")
      shape          scale    
  3.783365e-01   5.273310e+03 
 (6.657644e-03) (3.396456e+02)

তারপরে, আমি এটি করেছি:

qqPlot(LB$Duration, distribution="weibull", shape=3.783365e-01, scale=5.273310e+03)

সম্পাদনা 2:

লগনরমাল কিউকিউপ্লট দিয়ে আপডেট করা হচ্ছে।

এখানে আমার ডেটা:

c(1528L, 285L, 87138L, 302L, 115L, 416L, 8940L, 19438L, 165820L, 
540L, 1653L, 1527L, 974L, 12999L, 226L, 190L, 306L, 189L, 138542L, 
3049L, 129067L, 21806L, 456L, 22745L, 198L, 44568L, 29355L, 17163L, 
294L, 4218L, 3672L, 10100L, 290L, 8341L, 128L, 11263L, 1495243L, 
1699L, 247L, 249L, 300L, 351L, 608L, 186684L, 524026L, 1392L, 
396L, 298L, 1063L, 11102L, 6684L, 6546L, 289L, 465L, 261L, 175L, 
356L, 61652L, 236L, 74795L, 64982L, 294L, 95221L, 322L, 38892L, 
2146L, 59347L, 2118L, 310801L, 277964L, 205679L, 5980L, 66102L, 
36495L, 580277L, 27600L, 509L, 21795L, 21795L, 301L, 617L, 331L, 
250L, 123501L, 144L, 347L, 121443L, 211L, 232L, 445783L, 9715L, 
10308L, 1921L, 178L, 168L, 291L, 6915L, 6735L, 1008478L, 274L, 
20L, 3287L, 591208L, 797L, 586L, 170613L, 938L, 3121L, 249L, 
1497L, 24L, 1407L, 1217L, 1323L, 272L, 443L, 49466L, 323L, 323L, 
784L, 900L, 26814L, 2452L, 214713L, 3668L, 325L, 20439L, 12304L, 
261L, 137L, 379L, 2273L, 274L, 17760L, 920699L, 13L, 485644L, 
1243L, 226L, 20388L, 584L, 17695L, 1477L, 242L, 280L, 253L, 17964L, 
7073L, 308L, 260692L, 155L, 58136L, 16644L, 29353L, 543L, 276L, 
2328L, 254L, 1392L, 272L, 480L, 219L, 60L, 2285L, 2676L, 256L, 
234L, 1240L, 219714L, 102174L, 258L, 266L, 33043L, 530L, 6334L, 
94047L, 293L, 536L, 48557L, 4141L, 39079L, 23259L, 2235L, 17673L, 
28268L, 112L, 64824L, 127992L, 5291L, 51693L, 762L, 1070735L, 
179L, 189L, 157L, 157L, 122L, 1045L, 1317L, 186L, 57901L, 456126L, 
674L, 2375L, 1782L, 257L, 23L, 248L, 216L, 114L, 11662L, 107890L, 
203022L, 513L, 2549L, 146L, 53331L, 1690L, 10752L, 1648611L, 
148L, 611L, 198L, 443L, 10061L, 720L, 10L, 24L, 220L, 38L, 453L, 
10066L, 115774L, 97713L, 7234L, 773L, 90154L, 151L, 1560L, 222L, 
51558L, 214L, 948L, 208L, 1127L, 221L, 169L, 1528L, 78959L, 61566L, 
88049L, 780L, 6196L, 633L, 214L, 2547L, 19088L, 119L, 561L, 112L, 
17557L, 101086L, 244L, 257L, 94483L, 6189L, 236L, 248L, 966L, 
117L, 333L, 278L, 553L, 568L, 356L, 731L, 25258L, 127931L, 7735L, 
112717L, 395L, 12960L, 11383L, 16L, 229067L, 259076L, 311L, 366L, 
2696L, 7265L, 259076L, 3551L, 7782L, 4256L, 87121L, 4971L, 4706L, 
245L, 34457L, 4971L, 4706L, 245L, 34457L, 258L, 36071L, 301L, 
2214L, 2231L, 247L, 537L, 301L, 2214L, 230L, 1076L, 1881L, 266L, 
4371L, 88304L, 50056L, 50056L, 232L, 186336L, 48200L, 112L, 48200L, 
48200L, 6236L, 82158L, 6236L, 82158L, 1331L, 713L, 89106L, 46315L, 
220L, 5634L, 170601L, 588L, 1063L, 2282L, 247L, 804L, 125L, 5507L, 
1271L, 2567L, 441L, 6623L, 64781L, 1545L, 240L, 2921L, 777L, 
697L, 2018L, 24064L, 199L, 183L, 297L, 9010L, 16304L, 930L, 6522L, 
5717L, 17L, 20L, 364418L, 58246L, 7976L, 304L, 4814L, 307L, 487L, 
292016L, 6972L, 15L, 40922L, 471L, 2342L, 2248L, 23L, 2434L, 
23342L, 807L, 21L, 345568L, 324L, 188L, 184L, 191L, 188L, 198L, 
195L, 187L, 185L, 33968L, 1375L, 121L, 56872L, 35970L, 929L, 
151L, 5526L, 156L, 2687L, 4870L, 26939L, 180L, 14623L, 265L, 
261L, 30501L, 5435L, 9849L, 5496L, 1753L, 847L, 265L, 280L, 1840L, 
1107L, 2174L, 18907L, 14762L, 3450L, 9648L, 1080L, 45L, 6453L, 
136351L, 521L, 715L, 668L, 14550L, 1381L, 13294L, 13100L, 6354L, 
6319L, 84837L, 84726L, 84702L, 2126L, 36L, 572L, 1448L, 215L, 
12L, 7105L, 758L, 4694L, 29369L, 7579L, 709L, 121L, 781L, 1391L, 
2166L, 160403L, 674L, 1933L, 320L, 1628L, 2346L, 2955L, 204852L, 
206277L, 2408L, 2162L, 312L, 280L, 243L, 84050L, 830L, 290L, 
10490L, 119392L, 182960L, 261791L, 92L, 415L, 144L, 2006L, 1172L, 
1886L, 233L, 36123L, 7855L, 554L, 234L, 2292L, 21L, 132L, 142L, 
3848L, 3847L, 3965L, 3431L, 2465L, 1717L, 3952L, 854L, 854L, 
834L, 14608L, 172L, 7885L, 75303L, 535L, 443347L, 5478L, 782L, 
9066L, 6733L, 568L, 611L, 533L, 1022L, 334L, 21628L, 295362L, 
34L, 486L, 279L, 2530L, 504L, 525L, 367L, 293L, 258L, 1854L, 
209L, 152L, 1139L, 398L, 3275L, 284178L, 284127L, 826L, 751L, 
1814L, 398L, 1517L, 255L, 13745L, 43L, 1463L, 385L, 64L, 5279L, 
885L, 1193L, 190L, 451L, 1093L, 322L, 453L, 680L, 452L, 677L, 
295L, 120L, 12184L, 250L, 1165L, 476L, 211L, 4437L, 7310L, 778L, 
260L, 855L, 353L, 97L, 34L, 87L, 137L, 101L, 416L, 130L, 148L, 
832L, 187L, 291L, 4050L, 14569L, 271L, 1968L, 6553L, 2535L, 227L, 
202L, 647L, 266L, 2681L, 106L, 158L, 257L, 234L, 1726L, 34L, 
465L, 436L, 245L, 245L, 2790L, 104L, 1283L, 44416L, 142L, 13617L, 
232L, 171L, 221L, 719L, 176L, 5838L, 37488L, 12214L, 3780L, 5556L, 
5368L, 106L, 246L, 101L, 158L, 10743L, 5L, 46478L, 5286L, 9866L, 
32593L, 174L, 298L, 19617L, 19350L, 230L, 78449L, 78414L, 78413L, 
78413L, 6260L, 6260L, 209L, 2552L, 522L, 178L, 140L, 173046L, 
299L, 265L, 132360L, 132252L, 4821L, 4755L, 197L, 567L, 113L, 
30314L, 7006L, 10L, 30L, 55281L, 8263L, 8244L, 8142L, 568L, 1592L, 
1750L, 628L, 60304L, 212553L, 51393L, 222L, 13471L, 3423L, 306L, 
325L, 2650L, 74796L, 37807L, 103751L, 6924L, 6727L, 667L, 657L, 
752L, 546L, 1860L, 230L, 217L, 1422L, 347L, 341055L, 4510L, 4398L, 
179670L, 796L, 1210L, 2579L, 250L, 273L, 407L, 192049L, 236L, 
96084L, 5808L, 7546L, 10646L, 197L, 188L, 19L, 167877L, 200509L, 
429L, 632L, 495L, 471L, 2578L, 251L, 198L, 175L, 19161L, 289L, 
20718L, 201L, 937L, 283L, 4829L, 4776L, 5949L, 856907L, 2747L, 
2761L, 3150L, 3142L, 68031L, 187666L, 255211L, 255231L, 6581L, 
392991L, 858L, 115L, 141L, 85629L, 125433L, 6850L, 6684L, 23L, 
529L, 562L, 216L, 1450L, 838L, 3335L, 1446L, 178L, 130101L, 239L, 
1838L, 286L, 289L, 68974L, 757L, 764L, 218L, 207L, 3485L, 16597L, 
236L, 1387L, 2121L, 2122L, 957L, 199899L, 409803L, 367877L, 1650L, 
116710L, 5662L, 12497L, 613889L, 10182L, 260L, 9654L, 422947L, 
294L, 284L, 996L, 1444L, 2373L, 308L, 1522L, 288L, 937L, 291L, 
93L, 17629L, 5151L, 184L, 161L, 3273L, 1090L, 179840L, 1294L, 
922L, 826L, 725L, 252L, 715L, 6116L, 259L, 6171L, 198L, 5610L, 
5679L, 862L, 332L, 1324L, 536L, 98737L, 316L, 5608L, 5526L, 404L, 
255L, 251L, 14067L, 3360L, 3623L, 8920L, 288L, 447L, 453L, 1604687L, 
115L, 127L, 127L, 2398L, 2396L, 2396L, 2398L, 2396L, 2397L, 154L, 
154L, 154L, 154L, 887L, 636L, 227L, 227L, 354L, 7150L, 30227L, 
546013L, 545979L, 251L, 171647L, 252L, 583L, 593L, 10222L, 2660L, 
1864L, 2884L, 1577L, 1304L, 337L, 2642L, 2462L, 280L, 284L, 3463L, 
288L, 288L, 540L, 287L, 526L, 721L, 1015L, 74071L, 6338L, 1590L, 
582L, 765L, 291L, 983L, 158L, 625L, 581L, 350L, 6896L, 13567L, 
20261L, 4781L, 1025L, 722L, 721L, 1618L, 1799L, 987L, 6373L, 
733L, 5648L, 987L, 1010L, 985L, 920L, 920L, 4696L, 1154L, 1132L, 
927L, 4546L, 692L, 702L, 301L, 305L, 316L, 313L, 801L, 788L, 
14624L, 14624L, 9778L, 9778L, 9778L, 9778L, 757L, 275L, 1480L, 
610L, 68495L, 1152L, 1155L, 323L, 312L, 303L, 298L, 1641L, 1607L, 
1645L, 616L, 1002L, 1034L, 1022L, 1030L, 1030L, 1027L, 1027L, 
934L, 960L, 47L, 44L, 1935L, 1925L, 43L, 47L, 1933L, 1898L, 938L, 
830L, 286L, 287L, 807L, 807L, 741L, 628L, 482L, 500L, 480L, 431L, 
287L, 298L, 227L, 968L, 961L, 943L, 932L, 704L, 420L, 548L, 3612L, 
1723L, 780L, 337L, 780L, 527L, 528L, 499L, 679L, 308L, 1104L, 
314L, 1607L, 990L, 1156L, 562L, 299L, 16L, 20L, 287L, 581L, 1710L, 
1859L, 988L, 962L, 834L, 1138L, 363L, 294L, 2678L, 362L, 539L, 
295L, 996L, 977L, 988L, 39L, 762L, 579L, 595L, 405L, 1001L, 1002L, 
555L, 1102L, 54L, 1283L, 347L, 1384L, 603L, 307L, 306L, 302L, 
302L, 288L, 288L, 286L, 292L, 529L, 56844L, 1986L, 503L, 751L, 
3977L, 367L, 4817L, 4631L, 4609L, 4579L, 937L, 402L, 257L, 570L, 
1156L, 3297L, 3948L, 4527L, 3119L, 15227L, 3893L, 538L, 802L, 
5128L, 595L, 522L, 1346L, 449L, 443L, 323L, 372L, 369L, 307L, 
246L, 260L, 342L, 283L, 963L, 751L, 108L, 280L, 320L, 287L, 285L, 
283L, 529L, 536L, 298L, 29427L, 29413L, 761L, 249L, 255L, 304L, 
297L, 256L, 119L, 288L, 564L, 234L, 226L, 530L, 766L, 223L, 5858L, 
5568L, 481L, 462L, 8692L, 498L, 330L, 7604L, 15L, 121738L, 121833L, 
826L, 760L, 208937L, 1598L, 1166L, 446L, 85598L, 513L, 84897L, 
50239L, 308L, 1351L, 283L, 7100L, 7101L, 321L, 1019L, 287L, 253L, 
634L, 629L, 628L, 678L, 1391L, 1147L, 853L, 287L, 1174L, 287L, 
197145L, 197116L, 147L, 147L, 712L, 274L, 283L, 907L, 434L, 1164L, 
30L, 599L, 577L, 315L, 1423L, 1250L, 30L, 1502L, 296L, 348L, 
617L, 339L, 328L, 123L, 338L, 332L, 47133L, 288L, 340L, 1524L, 
1049L, 1072L, 1031L, 1059L, 1038L, 989L, 52L, 54L, 986L, 46L, 
1202L, 1272L, 43L, 785L, 761L, 16924L, 289L, 264L, 453L, 365L, 
356L, 280L, 16520L, 281L, 255L, 244L, 642L, 1003L, 951L, 921L, 
1011L, 45L, 932L, 973L, 39L, 40L, 159L, 566L, 49L, 1161L, 50L, 
200L, 215L, 361L, 377L, 980L, 935L, 882L, 281L, 280L, 1025L, 
319L, 690L, 284L, 271L, 276L, 286L, 371L, 324L, 304L, 311L, 341L, 
603L, 11566L, 270L, 286L, 342L, 326L, 11018L, 282L, 271L, 286L, 
586L, 604L, 750L, 608L, 523L, 506L, 3303L, 1079797L, 1079811L, 
530L, 2631L, 882L, 628L, 30L, 11905L, 12966L, 390995L, 322353L, 
1763L, 1755L, 709L, 713L, 365L, 351L, 205L, 393L, 284L, 39417L, 
320L, 322L, 8039L, 995L, 625L, 785L, 298L, 518L, 467L, 1050L, 
329L, 141345L, 55566L, 40318L, 287L, 220L, 309346L, 220L, 215314L, 
304L, 296L, 4301L, 4311L, 1543L, 1549L, 2876L, 2894L, 287L, 290L, 
215L, 605L, 577L, 254L, 1330L, 1863L, 140L, 328L, 284L, 291L, 
283L, 1701L, 1696L, 519L, 499L, 2440007L, 289L, 294L, 311L, 324L, 
4793L, 4808L, 249L, 205L, 219L, 638L, 2653L, 2648L, 351L, 323L, 
1056L, 327L, 794L, 1491L, 284L, 289L, 220L, 765L, 565L, 808L, 
832L, 772L, 41668L, 42307L, 6843L, 6612L, 6598L, 241164L, 531L, 
554L, 1246L, 459L, 971504L, 805L, 2615L, 2290L, 2086L, 2063L, 
2685L, 2704L, 275L, 461L, 458L, 317L, 889L, 335L, 974L, 959L, 
253142L, 257L, 250L, 282L, 293L, 666L, 4991L, 287L, 588L, 555L, 
3585L, 3195L, 481L, 2405L, 135266L, 571L, 1805L, 365L, 340L, 
232L, 224L, 298L, 3682L, 3677L, 577L, 571L, 288L, 297L, 293L, 
291L, 256L, 214L, 1257L, 1271L, 65471L, 65471L, 65476L, 65476L, 
4680L, 4675L, 339L, 329L, 284L, 288L, 4859L, 4851L, 2534L, 24222L, 
330684L, 330684L, 2116L, 282L, 412L, 429L, 2324L, 1978L, 502L, 
286L, 943149L, 256L, 288L, 286L, 1098L, 1125L, 442L, 240L, 182L, 
2617L, 1068L, 25204L, 170L, 418L, 1867L, 8989L, 1804L, 1240L, 
6610L, 1237L, 1750L, 1565L, 1565L, 3662L, 1803L, 218L, 172L, 
780L, 1418L, 2390L, 7514L, 23214L, 1464L, 1060L, 1503L, 308802L, 
308357L, 21691L, 298817L, 289875L, 4442L, 289284L, 235L, 456L, 
676L, 897L, 289109L, 1865L, 288030L, 287899L, 287767L, 287635L, 
286639L, 286509L, 286157L, 1427L, 2958L, 4340L, 5646L, 282469L, 
7016L, 279353L, 278568L, 316L, 558L, 3501L, 1630L, 278443L, 1360L, 
828L, 1089L, 278430L, 278299L, 278169L, 278035L, 277671L, 277541L, 
277400L, 277277L, 276567L, 285L, 555L, 834L, 1084L, 1355L, 5249L, 
14776L, 1441L, 755L, 755L, 70418L, 3135L, 1026L, 1497L, 949663L, 
68L, 526058L, 1692L, 150L, 48370L, 4207L, 4088L, 197551L, 197109L, 
196891L, 196634L, 2960L, 194319L, 194037L, 3008L, 3927L, 178762L, 
178567L, 403L, 178124L, 2590L, 177405L, 177179L, 301L, 328L, 
390685L, 390683L, 575L, 1049L, 819L, 367L, 289L, 277L, 390L, 
301L, 318L, 3806L, 3778L, 3699L, 3691L)

Comments

সেই চিত্রটি আপনাকে বলে না যে আপনার বিতরণটি বিটা। এটি বলেছে যে স্নিগ্ধতা এবং কুর্তোসিস একটি বিটার সাথে সামঞ্জস্যপূর্ণ - এটি সহজেই লগমনরমাল হতে পারে, উদাহরণস্বরূপ, তবে সম্ভবত এটি চিত্রটির উপর ভিত্তি করে কোনও বিতরণ নয়।

— গ্লেন_বি -রিনস্টেট মনিকা

@ গ্লেন_ বি: আপনাকে ধন্যবাদ আমি লগনরমালের জন্য কেবল একটি কিউকিপ্লটকে অন্তর্ভুক্ত করেছি তবে এটিও ভাল ফিট বলে মনে হচ্ছে না। আপনারা আরও কিছু প্রস্তাব দিয়েছেন যা আমি চেষ্টা করে দেখি? আমি প্রশ্নটিতে আমার ডেটা অন্তর্ভুক্ত করেছি।

— কিংবদন্তি

আমি কৌতূহল যে আপনি কেন এটিকে "কুলেন ফ্রে" প্লট বলছেন, যখন এটি কলিন এবং ফ্রে একসাথে কিছু লেখার 90 বছর আগে ১৯০৯ সালে রিন্ডের দ্বারা প্রবর্তিত হয়েছিল (এবং পরবর্তী প্রজন্মের জন্য এটি সুপরিচিত)! উইকিপিডিয়া নিবন্ধটি দেখুনবিতরণ পিয়ারসন সিস্টেমের ।

— whuber

আমরা স্টপিলারস অফ এপোনিমি দেখছি ক্রিয়াটি। :-)

— হোবার

@ শুভর এটি একটি কুলেন এবং ফ্রে প্লট, রিন্ডের পিয়ারসন জায়গার দৃশ্যায়ন নয়। এটির আলাদা আলাদা বৈশিষ্ট্য রয়েছে যেমন বুস্ট্রাপড মানগুলির চিত্রণ, অভিন্ন বিতরণের ওভারলে ইত্যাদি ইত্যাদি It এটি রিহিন্ডের গ্রাফে তৈরি করে, তবে বিজ্ঞানের সমস্ত কিছুই এর আগে কিছু তৈরি করে (এবং আমাদের থাকতে হবে না) আগুনের চাকা, অজানা উদ্ভাবক এবং চাকা ...) এর সাথে সমস্ত কিছুকে দান করুন।

— হ্যাক-আর

Answer 1

জিনিসটি হ'ল আসল ডেটা প্রয়োজনীয় কোনও নির্দিষ্ট বিতরণকে অনুসরণ করতে পারে না যার নাম আপনি দিতে পারেন ... এবং এটি যদি তা করে তবে অবাক করা হবে।

সুতরাং আমি যখন এক ডজন সম্ভাবনার নাম রাখতে পারলাম, তবে এই পর্যবেক্ষণগুলি উত্পন্ন করার প্রকৃত প্রক্রিয়া সম্ভবত এমন কিছু হবে না যা আমি প্রস্তাব দিতে পারি। নমুনার আকার বাড়ার সাথে সাথে আপনি সম্ভবত কোনও সুপরিচিত বিতরণ প্রত্যাখ্যান করতে সক্ষম হবেন।

প্যারামেট্রিক বিতরণ প্রায়শই একটি দরকারী কল্পকাহিনী, একটি নিখুঁত বিবরণ নয়।

কমপক্ষে লগ-ডেটাটি দেখে নেওয়া যাক, প্রথমে একটি সাধারণ কিউকিপ্লোতে এবং তারপরে এটি কীভাবে প্রদর্শিত হয় তা দেখার জন্য কার্নেল ঘনত্বের অনুমান হিসাবে:

মনে রাখবেন যে এইভাবে প্রায় কোনও কিউকিউ প্লট করা হয়েছে, opeালের সর্বাধিক প্রশস্ত বিভাগগুলি যেখানে আপনি শিখর দেখতে চান। এটি 6 এর কাছাকাছি একটি শিখর এবং 12.3.3 এর আরও একটি স্পষ্ট পরামর্শ রয়েছে। লগের কার্নেল ঘনত্বের প্রাক্কলন একই জিনিসটি দেখায়:

উভয় ক্ষেত্রেই, ইঙ্গিতটি হ'ল লগ সময় বিতরণটি সঠিক স্কিউ, তবে এটি স্পষ্টতই সর্বমোটিক নয়। স্পষ্টতই মূল চূড়াটি কোথাও 5 মিনিটের চিহ্নের কাছাকাছি। এটি হতে পারে যে লগ-সময় ঘনত্বের মধ্যে একটি দ্বিতীয় ছোট চূড়া রয়েছে, এটি সম্ভবত 60 ঘন্টা অঞ্চলের কোথাও উপস্থিত রয়েছে। সম্ভবত মেরামতির দুটি খুব গুণগতভাবে পৃথক "ধরণের" রয়েছে এবং আপনার বিতরণটি দুই প্রকারের মিশ্রণকে প্রতিফলিত করছে। অথবা কেবলমাত্র কোনও মেরামতের পুরো দিনের পুরো দিনটি হিট হয়ে গেলে, এটি কেবল আরও দীর্ঘ সময় নেয় (যা কেবল এক সপ্তাহের মধ্যে একটি শীর্ষকে প্রতিফলিত করার পরিবর্তে, এটি কেবলমাত্র এক দিনের মধ্যে একটি এন্টি-পিক প্রতিফলিত করতে পারে - একবার আপনি মেরামত করতে কেবল এক দিনের চেয়ে বেশি সময় পান, চাকরিগুলি 'ধীরগতিতে' ঝোঁক করে)।

লগতে লগতেও সেই সময়ত কিছুটা সঠিক স্কু। আসুন একটি শক্তিশালী রূপান্তরটি দেখুন, যেখানে দ্বিতীয় শিখরটি বেশ স্পষ্ট - সময়ের চতুর্থ মূলের বিয়োগ বিয়োগ করে:

চিহ্নিত লাইনগুলি 5 মিনিটে (নীল) এবং 60 ঘন্টা (ড্যাশড সবুজ) হয়; যেমন আপনি দেখতে পাচ্ছেন, এখানে একটি শীর্ষ মাত্র 5 মিনিটের নীচে এবং অন্য কোথাও 60 ঘন্টার উপরে। নোট করুন যে উপরের "শিখর" প্রায় 95 তম পারসেন্টাইল এ বেরিয়ে গেছে এবং অপ্রত্যাশিত বিতরণে অস্তিত্বের সাথে চূড়ান্তভাবে অদৃশ্য হবে না।

এছাড়াও 10 থেকে 20 মিনিটের মধ্যে প্রশস্ত শিখর সহ 7.5 মিনিটের কাছাকাছি সময়ে আরও একটি ডুব দেওয়ার পরামর্শ রয়েছে, যা সম্ভবত এই অঞ্চলে 'বৃত্তাকার' হওয়ার খুব সামান্য প্রবণতা প্রস্তাব করতে পারে (অগত্যা খারাপ কিছু চলছে না এমনও নয়; এমনকি ডুব না থাকলেও / সেখানে অন্তর্নিহিত কাজের সময় শীর্ষ, এটি কিছুটা মিনিটেরও বেশি সময় ধরে এক অটুট সময়কালে মনোনিবেশ করার মতো মানুষের দক্ষতার কাজ হিসাবে সহজ কিছু হতে পারে))

এটি আমার কাছে দ্বি-উপাদান (দুটি শীর্ষ) বা ডান-স্কিউ বিতরণের তিনটি উপাদান মিশ্রণের মতো প্রক্রিয়াটি যথাযথভাবে বর্ণনা করবে তবে একটি নিখুঁত বিবরণ হবে না।

প্যাকেজটি logsplineলগ (সময়) এ চারটি শৃঙ্গ চয়ন করবে বলে মনে হচ্ছে:

30, 270, 900 এবং 270K সেকেন্ডের (30s, 4.5m, 15m এবং 75h) এর নিকটে শিখরগুলি।

অন্যান্য রূপান্তরগুলির সাথে লগস্প্লাইন ব্যবহার করে সাধারণত 4 টি শৃঙ্গগুলি পাওয়া যায় তবে কিছুটা ভিন্ন কেন্দ্রের সাথে (যখন মূল ইউনিটে অনুবাদ করা হয়); এটি রূপান্তরগুলির সাথে প্রত্যাশিত।

Comments

+1 এটি আমার তথ্যের একটি সোনার খনি। আপনার লেখা সমস্ত কিছুই হজম করার চেষ্টা করছি এবং এখন পর্যন্ত এটি আমাকে শিখিয়েছে কীভাবে আসলে এই ধরণের সমস্যার দিকে যাওয়া যায়। শক্তিশালী রূপান্তরের বিষয়টি কী? আমি জিজ্ঞাসা করতে পারি যে আপনি কিভাবে এটি নিয়ে এসেছেন? এটি কি অভিজ্ঞতার সাথে রয়েছে বা এইরকম অপ্রচলিত রূপান্তর চয়ন করার আরও একটি আনুষ্ঠানিক উপায় আছে? যদি এই পরিসংখ্যান সম্প্রদায়ের সাধারণ জ্ঞান হয় তবে দয়া করে আমার অজ্ঞতা ক্ষমা করুন। তবে আপনি কৃতজ্ঞ হবেন যদি আপনি আমাকে এই ধরণের "গোয়েন্দা" কাজ শিখতে একটি ভাল রেফারেন্সের দিকে নির্দেশ করতে পারেন যা আমার কাছে দুর্দান্ত লাগে।

— কিংবদন্তি

ইডিএর যথাযথ রেফারেন্স: টুকি, জেডাব্লু (1977)। অনুসন্ধানের ডেটা বিশ্লেষণ । অ্যাডিসন-ওয়েসলি, পড়া, এমএ।

— গ্লেন_বি -রিনস্টেট মনিকা

উপরের উত্তরে উল্লিখিত হিসাবে, আপনি একটি মিশ্রণ বিতরণ ফিট করার চেষ্টা করতে পারেন। এখানে এমন একটি কাগজ রয়েছে যা বাতাসের গতির জন্য এই সংকরগুলি ব্যবহার করে - আমি মনে করি যে বিতরণের কিছুগুলি 3 টি অন্যান্য বিতরণের সংমিশ্রণ। journal-ijeee.com/content/3/1/27

— rbatt

একটি মিশ্রণের জন্য আপনি কতগুলি উপাদান চান, কোন বিতরণ বা বিতরণ আপনি মিশ্রণ নিতে যাচ্ছেন তা নির্ধারণ করার বিষয় (যা আপনি মূলত পোস্ট করেছেন) এবং তারপরে আপনি কীভাবে উপাদানগুলির পরামিতিগুলি সনাক্ত করবেন এবং উপাদান অনুপাত। এমন অনেকগুলি প্যাকেজ রয়েছে যা সেই কাজগুলিতে সহায়তা করতে পারে; এখানে তাদের একটিতে একটি কাগজ (পিডিএফ) রয়েছে। মিশ্রণ-মডেলিংয়ের প্যাকেজগুলির মধ্যে কয়েকটি ক্লাস্টার অ্যানালাইসিস এবং সীমাবদ্ধ মিশ্রণ মডেলিংয়ের টাস্ক ভিউতে বর্ণিত হয়েছে ... (সিটিডি)

— গ্লেন_বি -রিনস্টেট মনিকা

(ctd) ... আরেকটি উদাহরণ প্যাকেজ rebmix । উপরের আমার নিজস্ব বিশ্লেষণ সহজ অনুসন্ধানের পদ্ধতির উপর ভিত্তি করে তৈরি হয়েছিল তবে এটি বর্তমানে উপস্থিত হিসাবে এখনও একটি সম্পূর্ণরূপে চিহ্নিত মিশ্রণ মডেল নয়; এটি পরামর্শ দেয় যে একটি 4-উপাদান মিশ্রণের প্রয়োজন হতে পারে। আমার উত্তরের চূড়ান্ত অংশ - লগ-স্প্লাইন সহ অংশটি জটিল ঘনত্বের মডেলিংয়ের জন্য একটি ভিন্ন (ননপ্রেমেট্রিক) পদ্ধতি is

— গ্লেন_বি -রিনস্টেট মনিকা

Answer 2

প্লট করা প্রাক্কলনের সাথে যুক্ত নির্ভুলতার অনুধাবন করার জন্য ডেস্কিস্ট ফাংশনে আপনার বিতরণটি বুটস্ট্র্যাপ করার বিকল্প রয়েছে। আপনি এটি চেষ্টা করতে পারেন।

descdist(time_to_repair, boot=1000)

আমার অনুমান যে আপনার ডেটা কেবল বিটা বিতরণের চেয়েও সামঞ্জস্য।

সাধারণভাবে, বিটা বিতরণ হ'ল অবিচ্ছিন্ন অনুপাত বা সম্ভাবনার বিতরণ। উদাহরণস্বরূপ, টি-পরীক্ষা থেকে পি-মানগুলির বন্টন নাল অনুমানটি সত্য এবং আপনার বিশ্লেষণে কতটা শক্তি রয়েছে তার উপর নির্ভর করে বিটা বিতরণের কিছু নির্দিষ্ট ক্ষেত্রে হবে।

আমি এটি অত্যন্ত অসম্ভব বলে মনে করি যে আপনার সময়ের মেরামত করার জন্য বিতরণটি আসলে বিটা হবে। নোট করুন যে গ্রাফটি কেবলমাত্র আপনার ডেটাটির স্কিউ এবং কুর্তোসিসকে নির্দিষ্ট বিতরণের সাথে তুলনা করছে। বিটা 0 এবং 1 দ্বারা আবদ্ধ; আমি বাজি দেব যে আপনার ডেটা নেই, তবে সেই গ্রাফটি সেই সত্যটি পরীক্ষা করছে না।

অন্যদিকে, ওয়েইবুল বিতরণ পিছনের সময়ের জন্য সাধারণ। চিত্রটি চোখের সামনে থেকে (বুটসাম্পগুলি ছাড়াই অনিশ্চয়তা দূর করার চক্রান্ত করা হয়েছে), আমি সন্দেহ করি যে আপনার ডেটা একটি ওয়েবুলের সাথে সামঞ্জস্যপূর্ণ।

আপনার ডেটা ওয়েইবুল কিনা তাও আপনি পরীক্ষা করতে পারেন, আমার বিশ্বাস, কিউকি প্লট তৈরির জন্য গাড়ী প্যাকেজ থেকে কিউকিপ্লট ব্যবহার করে ।

Comments

+1 আপনাকে ধন্যবাদ। আপনার উত্তরটি বুঝতে পারার সময় আমি ফাংশনে bootstrapপ্যারামিটার সেট করে আমার প্রশ্নটি আপডেট করেছি descdist। এবং হ্যাঁ, আপনি ঠিক বলেছেন যে আমার মানগুলি [0,1] এ নেই। এই গ্রাফটি ব্যবহার করে আমি সেই সত্যটি (ওয়েইবুলের অন্তর্গত) দেখানোর কোনও উপায় আছে কি? আমি খুব শীঘ্রই একটি QQPlot সঙ্গে আমার প্রশ্ন আপডেট করার চেষ্টা করব।

— কিংবদন্তি

প্যাকেজটি qqPlotথেকে আমার প্রশ্নটি সবেমাত্র আপডেট করেছে car।

— কিংবদন্তি

হুম। ওয়েল, কিউকিউ প্লটটি ওয়েবুল বিতরণটি ভাল ফিটের মতো দেখায় না।

— গুং - মনিকা পুনরায়

এবং লগনারাল বিতরণের জন্য আরও একটি। আপনি কি ডেটা নিয়ে আমার উচিত এমন কোনও প্রাক-প্রসেসিংয়ের পরামর্শ দেন? বা সেরা-ফিটের অনুমান করার আরও ভাল উপায় আছে কি? আমি এখনও ভাবছি যে আমি কীভাবে আমার প্রসঙ্গে কুলেন / ফ্রেই গ্রাফটি ব্যবহার করতে পারি।

— কিংবদন্তি

এছাড়াও, আমার প্রশ্নটি ডেটা দিয়ে আপডেট করে যা শেষ পর্যন্ত ব্যবহার করে যদি এটি সহায়তা করে।

— কিংবদন্তি

Answer 3

ম্যাথমেটিকার ফাইন্ডড্রিট্রিবিউশন রুটিন ব্যবহার করে এটি মূল্যবান, লগারিদমগুলি প্রায় দুটি সাধারণ বিতরণের মিশ্রণ,

এটাই, $x=\ln(\text{data})$, এবং

$$f(x)=0.0585522 e^{-0.33781 (x-11.7025)^2}+0.229776 e^{-0.245814 (x-6.66864)^2}$$

মিশ্রণ বিতরণ করতে 3 টি বিতরণ ব্যবহার করে এটি হতে পারে

$$f(x)=0.560456\text{ Laplace}(5.85532,0.59296)+0.312384\text{ LogNormal}(2.08338,0.122309)+0.12716\text{ Normal}(11.6327,1.02011) \,,$$ যা সংখ্যাগতভাবে হয় $$\begin{array}{cc} \Bigg\{ & \begin{array}{ll} 0.472592 e^{-1.68646 (5.85532\, -x)}\, +0.0497292 e^{-0.480476 (x-11.6327)^2} & x\leq 0 \\ 0.472592 e^{-1.68646 (5.85532\, -x)}+0.0497292 e^{-0.480476 (x-11.6327)^2}+\frac{1.01893 }{x}e^{-33.4238 (\ln (x)-2.08338)^2} & 0<x<5.85532 \\ 0.472592 e^{-1.68646 (x-5.85532)}+0.0497292 e^{-0.480476 (x-11.6327)^2}+\frac{1.01893 }{x}e^{-33.4238 (\ln (x)-2.08338)^2} & \text{Otherwise} \\ \end{array} \\ \end{array}$$

আরও অনেক সম্ভাবনা রয়েছে। উদাহরণস্বরূপ, 1-10 তে তিনটি সাধারণ বিতরণ ফিটিং করা$^\text{th}$তথ্য শক্তি গাণিতিক কোডের জন্য, আরও লিঙ্কগুলি এই লিঙ্ক অনুসারে ।