有了数据之后,你需要用到图层工具。
在原图中左上角有一个带数字的灰色小正方形,这个就是图层的标志。
数字1代表第一个图层,以此类推。当然,你现在可能只有这一个图层。
曲线拟合一般方法包括:
1、用解析表达式逼近离散数据的方法
2、最小二乘法
拓展资料:
实际工作中,变量间未必都有线性关系,如服药后血药浓度与时间的关系疾病疗效与疗程长短的关系毒物剂量与致死率的关系等常呈曲线关系。曲线拟合(curve fitting)是指选择适当的曲线类型来拟合观测数据,并用拟合的曲线方程分析两变量间的关系。
最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
首先可以利用fitdistr函数求得weibull分布的形状参数和尺寸参数,假设数据为x:
library(MASS) #fitdistr需要利用MASS包fitdistr(x, densfun = "weibull",lower=0)
得到形状参数shape与尺度参数scale
然后利用ks.test进行检验:
ks.test(jitter(x),"pweibull",shape,scale)上边的jitter用来做小扰动,因为如果x中有重复数据的话ks.test会报错,如果x中没有重复数据则不需要jitter。shape是得到的形状参数,scale是得到的尺度参数。
ks.test得到两个结果,一个是D,越小越好,一个是p-value,这个值要大于0.05