R Language
Функции распределения
Поиск…
Вступление
?Distributions
.
замечания
Как правило, четыре префикса:
- d - Функция плотности для данного распределения
- p - Функция кумулятивного распределения
- q -Вставить квантиль, связанный с данной вероятностью
- r - Получить случайную выборку
Распределения, встроенные в базовую установку R, см. В разделе « ?Distributions
.
Нормальное распределение
Давайте используем *norm
в качестве примера. Из документации:
dnorm(x, mean = 0, sd = 1, log = FALSE)
pnorm(q, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE)
qnorm(p, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE)
rnorm(n, mean = 0, sd = 1)
Поэтому, если бы я хотел знать значение стандартного нормального распределения в 0, я бы сделал
dnorm(0)
Это дает нам 0.3989423
, разумный ответ.
Точно так же pnorm(0)
дает .5
. Опять же, это имеет смысл, потому что половина распределения находится слева от 0.
qnorm
будет по существу делать противоположность pnorm
. qnorm(.5)
дает 0
.
Наконец, существует функция rnorm
:
rnorm(10)
Будет генерировать 10 образцов из стандартного нормального.
Если вы хотите изменить параметры данного дистрибутива, просто измените их так
rnorm(10, mean=4, sd= 3)
Биномиальное распределение
Теперь проиллюстрируем функции dbinom
, pbinom
, qbinom
и rbinom
определенные для биномиального распределения .
Функция dbinom()
дает вероятности для различных значений биномиальной переменной. Минимально это требует трех аргументов. Первым аргументом для этой функции должен быть вектор квантилей (возможные значения случайной величины X
). Второй и третий аргументы являются defining parameters
распределения, а именно n
(количество независимых испытаний) и p
(вероятность успеха в каждом испытании). Например, для биномиального распределения с n = 5
, p = 0.5
возможные значения для X составляют 0,1,2,3,4,5
. То есть dbinom(x,n,p)
дает значения вероятности P( X = x )
для x = 0, 1, 2, 3, 4, 5
.
#Binom(n = 5, p = 0.5) probabilities
> n <- 5; p<- 0.5; x <- 0:n
> dbinom(x,n,p)
[1] 0.03125 0.15625 0.31250 0.31250 0.15625 0.03125
#To verify the total probability is 1
> sum(dbinom(x,n,p))
[1] 1
>
График распределения биномиальной вероятности можно отобразить, как показано на следующем рисунке:
> x <- 0:12
> prob <- dbinom(x,12,.5)
> barplot(prob,col = "red",ylim = c(0,.2),names.arg=x,
main="Binomial Distribution\n(n=12,p=0.5)")
Заметим, что биномиальное распределение симметрично при p = 0.5
. Чтобы продемонстрировать, что биномиальное распределение отрицательно искажено, когда p
больше 0.5
, рассмотрим следующий пример:
> n=9; p=.7; x=0:n; prob=dbinom(x,n,p);
> barplot(prob,names.arg = x,main="Binomial Distribution\n(n=9, p=0.7)",col="lightblue")
Когда p
меньше 0.5
биномиальное распределение положительно перекошено, как показано ниже.
> n=9; p=.3; x=0:n; prob=dbinom(x,n,p);
> barplot(prob,names.arg = x,main="Binomial Distribution\n(n=9, p=0.3)",col="cyan")
Теперь мы проиллюстрируем использование кумулятивной функции распределения pbinom()
. Эта функция может быть использована для вычисления вероятностей, таких как P( X <= x )
. Первым аргументом этой функции является вектор квантилей (значения х).
# Calculating Probabilities
# P(X <= 2) in a Bin(n=5,p=0.5) distribution
> pbinom(2,5,0.5)
[1] 0.5
Вышеуказанная вероятность также может быть получена следующим образом:
# P(X <= 2) = P(X=0) + P(X=1) + P(X=2)
> sum(dbinom(0:2,5,0.5))
[1] 0.5
Для вычисления вероятностей типа: P( a <= X <= b )
# P(3<= X <= 5) = P(X=3) + P(X=4) + P(X=5) in a Bin(n=9,p=0.6) dist
> sum(dbinom(c(3,4,5),9,0.6))
[1] 0.4923556
>
Представление биномиального распределения в виде таблицы:
> n = 10; p = 0.4; x = 0:n;
> prob = dbinom(x,n,p)
> cdf = pbinom(x,n,p)
> distTable = cbind(x,prob,cdf)
> distTable
x prob cdf
[1,] 0 0.0060466176 0.006046618
[2,] 1 0.0403107840 0.046357402
[3,] 2 0.1209323520 0.167289754
[4,] 3 0.2149908480 0.382280602
[5,] 4 0.2508226560 0.633103258
[6,] 5 0.2006581248 0.833761382
[7,] 6 0.1114767360 0.945238118
[8,] 7 0.0424673280 0.987705446
[9,] 8 0.0106168320 0.998322278
[10,] 9 0.0015728640 0.999895142
[11,] 10 0.0001048576 1.000000000
>
rbinom()
используется для генерации случайных выборок заданных размеров с заданными значениями параметров.
# Simulation
> xVal<-names(table(rbinom(1000,8,.5)))
> barplot(as.vector(table(rbinom(1000,8,.5))),names.arg =xVal,
main="Simulated Binomial Distribution\n (n=8,p=0.5)")