R统计模拟

最新推荐文章于 2024-09-27 23:25:40 发布

原创最新推荐文章于 2024-09-27 23:25:40 发布 · 2.6k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

R 专栏收录该内容

11 篇文章

订阅专栏

本文通过二项分布模拟验证了中心极限定理，并利用正态概率图来判断随机数是否符合正态分布。首先，使用R语言生成大量二项分布随机数并标准化，展示其与标准正态分布的逼近情况；接着，通过不同分布类型的正态概率图进行直观比较。

统计模拟

1.用二项分布检验中心极限定理

假如

z \sim B n o m i a l (n, p)

$z\sim Bnomial(n,p)$
则

x = z - n p n p ( 1 - p ) ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ \sqrt 依 概 率 收 敛 于 标 准 正 态 分 布

$x=\frac{z-np}{\sqrt{np(1-p)}}依概率收敛于标准正态分布$

n <- 15;p <- 0.45  # 给定n p
z <- rbinom(10000,n,p) # 产生10000个二项分布随机数
x <- (z-n*p)/sqrt(n*p*(1-p)) # 标准化
hist(x,probability = T,col=gray(.9))  # 绘制x的概率直方图
curve(dnorm(x,0,1),add=T) #添加标准正态分布曲线

结果如下图：
两者还是很接近的

这里写图片描述

2.正态概率模拟

正态概率图能比直方图更好的判定随机数是否近似服从正态分布。

R中使用qqnorm()绘制正态概率图使用qqline()添加参考线

> par(mfrow=c(2,2))
> x=rnorm(100,0,1);qqnorm(x,main="N(0,1)");qqline(x)
> x=rnorm(100,10,25);qqnorm(x,main="N(10,25)");qqline(x)
> x=rexp(100,1/10);qqnorm(x,main="exp(0.1)");qqline(x)
> x=runif(100,0,1); qqnorm(x,main="U(0,1)");qqline(x)
> 结果如下图：