R Language
Generatore di numeri casuali
Ricerca…
Permutazioni casuali
Per generare permutazione casuale di 5 numeri:
sample(5)
# [1] 4 5 3 1 2
Per generare permutazione casuale di qualsiasi vettore:
sample(10:15)
# [1] 11 15 12 10 14 13
Si potrebbe anche usare il pacchetto pracma
randperm(a, k)
# Generates one random permutation of k of the elements a, if a is a vector,
# or of 1:a if a is a single integer.
# a: integer or numeric vector of some length n.
# k: integer, smaller as a or length(a).
# Examples
library(pracma)
randperm(1:10, 3)
[1] 3 7 9
randperm(10, 10)
[1] 4 5 10 8 2 7 6 9 3 1
randperm(seq(2, 10, by=2))
[1] 6 4 10 2 8
Riproducibilità del generatore di numeri casuali
Quando si aspetta che qualcuno riproduca un codice R con elementi casuali, la funzione set.seed()
diventa molto utile. Ad esempio, queste due linee produrranno sempre output diversi (perché questo è l'intero punto dei generatori di numeri casuali):
> sample(1:10,5)
[1] 6 9 2 7 10
> sample(1:10,5)
[1] 7 6 1 2 10
Questi due produrranno anche diversi output:
> rnorm(5)
[1] 0.4874291 0.7383247 0.5757814 -0.3053884 1.5117812
> rnorm(5)
[1] 0.38984324 -0.62124058 -2.21469989 1.12493092 -0.04493361
Tuttavia, se impostiamo il seme su qualcosa di identico in entrambi i casi (la maggior parte delle persone usa 1 per semplicità), otteniamo due campioni identici:
> set.seed(1)
> sample(letters,2)
[1] "g" "j"
> set.seed(1)
> sample(letters,2)
[1] "g" "j"
e lo stesso con, diciamo, rexp()
disegna:
> set.seed(1)
> rexp(5)
[1] 0.7551818 1.1816428 0.1457067 0.1397953 0.4360686
> set.seed(1)
> rexp(5)
[1] 0.7551818 1.1816428 0.1457067 0.1397953 0.4360686
Generazione di numeri casuali usando varie funzioni di densità
Di seguito sono riportati esempi di generazione di 5 numeri casuali utilizzando varie distribuzioni di probabilità.
Distribuzione uniforme tra 0 e 10
runif(5, min=0, max=10)
[1] 2.1724399 8.9209930 6.1969249 9.3303321 2.4054102
Distribuzione normale con media 0 e deviazione standard di 1
rnorm(5, mean=0, sd=1)
[1] -0.97414402 -0.85722281 -0.08555494 -0.37444299 1.20032409
Distribuzione binomiale con 10 studi e probabilità di successo di 0,5
rbinom(5, size=10, prob=0.5)
[1] 4 3 5 2 3
Distribuzione geometrica con probabilità di successo 0.2
rgeom(5, prob=0.2)
[1] 14 8 11 1 3
Distribuzione ipergeometrica con 3 palline bianche, 10 palline nere e 5 pareggi
rhyper(5, m=3, n=10, k=5)
[1] 2 0 1 1 1
Distribuzione binomiale negativa con 10 studi e probabilità di successo di 0,8
rnbinom(5, size=10, prob=0.8)
[1] 3 1 3 4 2
Distribuzione di Poisson con media e varianza (lambda) di 2
rpois(5, lambda=2)
[1] 2 1 2 3 4
Distribuzione esponenziale con il tasso di 1.5
rexp(5, rate=1.5)
[1] 1.8993303 0.4799358 0.5578280 1.5630711 0.6228000
Distribuzione logistica con posizione 0 e scala 1
rlogis(5, location=0, scale=1)
[1] 0.9498992 -1.0287433 -0.4192311 0.7028510 -1.2095458
Distribuzione del chi quadrato con 15 gradi di libertà
rchisq(5, df=15)
[1] 14.89209 19.36947 10.27745 19.48376 23.32898
Distribuzione beta con parametri di forma a = 1 eb = 0,5
rbeta(5, shape1=1, shape2=0.5)
[1] 0.1670306 0.5321586 0.9869520 0.9548993 0.9999737
Distribuzione gamma con parametro di forma 3 e scala = 0,5
rgamma(5, shape=3, scale=0.5)
[1] 2.2445984 0.7934152 3.2366673 2.2897537 0.8573059
Distribuzione di Cauchy con posizione 0 e scala di 1
rcauchy(5, location=0, scale=1)
[1] -0.01285116 -0.38918446 8.71016696 10.60293284 -0.68017185
Log- distribuzione normale con media 0 e deviazione standard di 1 (su scala di registro)
rlnorm(5, meanlog=0, sdlog=1)
[1] 0.8725009 2.9433779 0.3329107 2.5976206 2.8171894
Distribuzione di Weibull con parametro di forma di 0,5 e scala di 1
rweibull(5, shape=0.5, scale=1)
[1] 0.337599112 1.307774557 7.233985075 5.840429942 0.005751181
Distribuzione di Wilcoxon con 10 osservazioni nel primo campione e 20 in secondi.
rwilcox(5, 10, 20)
[1] 111 88 93 100 124
Distribuzione multinomiale con 5 oggetti e 3 caselle usando le probabilità specificate
rmultinom(5, size=5, prob=c(0.1,0.1,0.8))
[,1] [,2] [,3] [,4] [,5]
[1,] 0 0 1 1 0
[2,] 2 0 1 1 0
[3,] 3 5 3 3 5