현미경 이미지에서 수집 한 일부 데이터에 분포를 맞추려고합니다. 약 152의 최고점은 푸 아송 과정 때문이라는 것을 알고 있습니다. 고강도 데이터를 무시하면서 이미지 중심의 큰 농도에 분포를 맞추고 싶습니다. 데이터에 정규 분포를 적용하는 방법을 알고 있지만 (빨간색 곡선) 오른쪽에있는 무거운 꼬리를 잡아 내지 못합니다. 포아송 분포가 오른쪽으로 꼬리를 모델링 할 수 있어야하지만 분포의 모드는 152데이터 분포를 피팅 - MATLAB
PD = fitdist(data, 'poisson');
포아송 분포를 유사하므로, 중 (녹색 곡선) 아주 좋은 일을하지 않습니다 람다 = 152는 매우 가우스처럼 보입니다.
데이터의 오른쪽 꼬리를 캡처하는 좋은 방법을 제공하는 배포판을 만드는 방법을 알고있는 사람이 있습니까?
는
를 (참조 첫 번째 위키 백과 그림에서 녹색 선), 즉 정규 및 지수 임의 변수의 혼합 모델입니다.
포아송 프로세스의 이벤트가 포아송 배포 되어도 이벤트 사이의 대기 시간이 기하 급수적으로 분배된다는 것을 알고 있습니까? 측정에 가우스 노이즈가 추가 되었다면 전 가우스 분포가 이론적으로 가능할 수 있습니다. (물론 이것은이도 그럴듯 것을 의미하지 않는다.)
튜토리얼을 피팅에 전 가우스 매트랩와 함께
에서 찾을 수 있습니다Lacouture Y, Cousineau D. (2008) 방법 전 가우스와 다른 확률 함수를 응답 시간의 분포에 맞추기 위해 MATLAB을 사용하십시오. Quantitative Methods for Psychology 4 (1), p. 35-45. http://www.tqmp.org/Content/vol04-1/p035/p035.pdf
Link to an image showing the data and my attempts at distribution fitting. 이것 좀보세요 : http://blogs.mathworks.com/pick/2012/02/10/finding-the-best/
는 피팅 분포에 대한 다음 FEX 제출 리뷰 : 분포가 Ex-Gaussian처럼 조금 보이는 http://www.mathworks.com/matlabcentral/fileexchange/34943
고마워요! 이것에 따르면, 일반화 된 극한 값 분포는 잘 맞는 것처럼 보입니다. :) –
감사. [allfitdist] (http://blogs.mathworks.com/pick/2012/02/10/finding-the-best/) 정말 멋진 도구입니다! – Isaac
와우, 정말 통찰력있는 의견입니다. 이전 가우시안은 배경 강도를 모델링하기위한 이론적으로 정확한 분포 일 수 있습니다. –