Generowanie stochastycznych losowych odbiega od obiektu gęstości R

Question

Mam obiekt gęstość dd stworzony tak:

x1 <- rnorm(1000) 
x2 <- rnorm(1000, 3, 2) 
x <- rbind(x1, x2) 
dd <- density(x) 
plot(dd) 

która produkuje tego bardzo nie-Gaussa dystrybucji:

alt text http://www.cerebralmastication.com/wp-content/uploads/2009/09/nongaus.png

bym w końcu lubię losowe odchylenia od tej dystrybucji podobne do tego, w jaki sposób rnorm odbiega od normalnego rozkładu.

Sposób, w jaki próbuję to złamać, polega na uzyskaniu CDF z mojego jądra, a następnie pobraniu go, aby poinformować mnie o wariancie, jeśli przekażę mu skumulowane prawdopodobieństwo (odwrotne CDF). W ten sposób mogę przekształcić wektor jednolitych losowych zmienności w rysunki od gęstości.

Wygląda na to, co staram się zrobić coś powinno być podstawową że inni zrobili przede mną. Czy istnieje prosty sposób lub prosta funkcja, aby to zrobić? Nienawidzę wymyślania koła.

FWIW Znalazłem this R Help article, ale nie mogę zrozumieć, co robią, a ostateczny wynik nie wydaje się produkować tego, co chcę. Ale może to być krok po drodze, którego po prostu nie rozumiem.

Zastanawiałem się, czy po prostu pójść z Johnson distribution from the suppdists package, ale Johnson nie da mi miły bimodalny garb, który ma moje dane.

Answer 1

To tylko mieszanina normalnych. Dlaczego więc nie coś takiego:

rmnorm <- function(n,mean, sd,prob) { 
    nmix <- length(mean) 
    if (length(sd)!=nmix) stop("lengths should be the same.") 
    y <- sample(1:nmix,n,prob=prob, replace=TRUE) 
    mean.mix <- mean[y] 
    sd.mix <- sd[y] 
    rnorm(n,mean.mix,sd.mix) 
} 
plot(density(rmnorm(10000,mean=c(0,3), sd=c(1,2), prob=c(.5,.5)))) 

Powinno być dobrze, jeśli potrzebujesz tylko próbek z tego rozkładu mieszanin.

Answer 2

Alternatywne podejście:

sample(x, n, replace = TRUE)