可用于多元正态的参数估计 及 均值向量和协差阵检验 的R语言函数总结

最新推荐文章于 2024-04-27 13:07:04 发布
最新推荐文章于 2024-04-27 13:07:04 发布
阅读量1.3w 收藏 278
点赞数 43
文章标签： r语言 统计学
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LuKenkazia/article/details/122137563
版权

一、多元正态的参数估计

1.1 样本均值

        在R语言中，均值通常用函数mean()得到，但是mean()只能计算一维变量的样本均值，在面对多元随机变量的样本时，假设我们以数据框的形式保存样本，我们有以下方法可以得到样本均值：

  1. 对多元样本的每一个分量用mean()函数，可以用apply()或sapply()函数
  2. 以数据框类型保存的样本，可以用summary()函数返回各个变量的各项描述性数据，其中包括均值

例1.1：

        计算有割草机家庭的样本均值向量

有割草机家庭无割草机家庭
x1x2x1x2
20.09.225.09.8
28.58.417.610.4
21.610.821.68.6
20.510.414.410.2
29.011.828.08.8
36.79.616.48.8
36.08.819.88.0
27.611.222.09.2
23.010.015.88.2
31.010.411.09.4
17.011.017.07.0
27.010.021.07.4

 注：在输入数据时，通常会用一个新的变量(假设命名为Y)来表示每个观测所属的组，称为分组变量，这个变量在R中通常要转换成因子

> data4.1=read.csv('Table4-1.csv')
> head(data4.1)
###                y是分组变量，y=1表示有割草机家庭
     x1   x2 y
1  20.0  9.2 1
2  28.5  8.4 1
3  21.6 10.8 1
4  20.5 10.4 1
5  29.0 11.8 1
6  36.7  9.6 1
###
> apply(data4.1[data4.1$y==1,],2,mean)[1:2]    #用apply()函数运算
###
      x1       x2 
26.49167 10.13333 
###
> summary(data4.1[data4.1$y==1,])           #用summary()获取各分量的样本均值
###
       x1              x2              y    
 Min.   :17.00   Min.   : 8.40   Min.   :1  
 1st Qu.:21.32   1st Qu.: 9.50   1st Qu.:1  
 Median :27.30   Median :10.20   Median :1  
 Mean   :26.49   Mean   :10.13   Mean   :1   #该行为均值
 3rd Qu.:29.50   3rd Qu.:10.85   3rd Qu.:1  
 Max.   :36.70   Max.   :11.80   Max.   :1 
###
  • apply()用法：apply(A,margin,fun,...) 

        apply()函数用来对矩阵或数据框的每行或每列进行指定函数的运算。其中A为矩阵或数据框；margin指定对行或对列进行运算，当margin=1时对行进行运算，当margin=2时对列进行运算；fun是指定的函数 

  • summary()用法：summary(object,...)

        summary()多用于获取项目的摘要，包含部分信息。当object为数据框时，会返回各个变量的五数（最小值，下四分位数，中位数，上四分为数，最大值）和均值

1.2 样本协差阵

        在R中，样本协差阵的获取非常简便， 对数据框使用cov()函数即可

例1.2：

        继上题，计算有割草机组的样本协差阵

> cov(data4.1[data4.1$y==1,][,1:2])
###
          x1        x2
x1 39.182652 -1.969697
x2 -1.969697  1.020606
###
  • cov()用法：cov(x,y=NULL,...)

        当指定cov()的参数x和y，且两者都为一维向量时，会返回两个向量的样本协方差；而未指定参数y，且x为矩阵或数据框时，会返回以x每一列作为变量样本的协差阵

1.3  样本相关阵

        获取样本相关阵的函数是cor()，其用法与cov()相同，两个一维向量返回相关系数；数据框返回相关阵

二、各类检验

2.1 正态性检验

        正态性检验即检验样本是否来自正态总体的检验，原假设都为来自正态总体。正态性的检验方法有许多种，此处介绍小样本量(3~50)时所用的夏皮洛-威尔克检验。R中的夏皮洛-威尔克检验的函数为shapiro.test()

        shapiro.test()一次只能对一维变量进行正态性检验，当面对多元随机变量的样本时，有以下方法

  1. 我们可以对其每一个分量都进行一次正态性检验，当所有分量都检验得出服从正态分布后，可以认为该多元随机变量服从多元正态分布
  2. 运用mvnormtest包内的mshapiro.test()函数进行多元正态性检验

        实现时可能会用到的函数有：

  • sapply()，对每个分量进行指定的检验
  • tapply()，对以分组变量指定的不同组别分别进行指定的检验

例2.1：

        继上题，对不同类型家庭的随机向量数据进行正态性检验

> sapply(data4.1[,-3],shapiro.test)    #对各分量进行正态性检验，但是未分组
###
          x1                            x2                           
statistic 0.9654387                     0.9880936                    
p.value   0.5568611                     0.9897171                    
method    "Shapiro-Wilk normality test" "Shapiro-Wilk normality test"
data.name "X[[i]]"                      "X[[i]]" 
###
> tapply(data4.1[,1],data4.1$y,shapiro.test)
###                            对分组后的x1进行正态性检验
$`0`

        Shapiro-Wilk normality test

data:  X[[i]]
W = 0.98551, p-value = 0.9971


$`1`

        Shapiro-Wilk normality test

data:  X[[i]]
W = 0.95332, p-value = 0.6859

###
> tapply(data4.1[,2],data4.1$y,shapiro.test)
###                            对分组后的x2进行正态性检验
$`0`

        Shapiro-Wilk normality test

data:  X[[i]]
W = 0.97557, p-value = 0.9596


$`1`

        Shapiro-Wilk normality test

data:  X[[i]]
W = 0.98262, p-value = 0.992
###
##对有割草机家庭的随机向量数据进行正态性检验
> mshapiro.test(t(as.matrix(data4.1[data4.1$y==1,-3])))

        Shapiro-Wilk normality test

data:  Z
W = 0.96877, p-value = 0.8975

##对无割草机家庭的随机向量数据进行正态性检验
> mshapiro.test(t(as.matrix(data4.1[data4.1$y==0,-3])))

        Shapiro-Wilk normality test

data:  Z
W = 0.98001, p-value = 0.9837

         检验结果为均服从正态分布

  • sapply()：sapply(X,Fun,...)

        sapply()用于对X的每个分量进行Fun函数运算，X应该是矩阵或数据框

  • tapply()：tapply(X,Index,Fun=NULL,...)

        tapply()用于对以分组变量Index指示的每个组中对应的X的数据进行Fun函数运算

  • mshapiro.test()：mshapiro.test(U)

        mshapiro.test()用于进行多元的夏皮洛-威尔克正态性检验，需要注意U只能是数据矩阵，当遇到用数据框存储的数据时要用as.matrix()转化为矩阵，且这个函数默认变量的数据按行排放，通常我们需要对矩阵再进行一次转置

        另外，可以画出Q-Q图查看样本的正态性，常用的函数有qqnorm()和qqline()

  • qqnorm(x)，其中x为一维变量的样本，当画出的散点图越接近一条斜线，其正态性越强
  • qqline(x)，其中x为一维变量的样本，当画出散点的Q-Q图后，添加点所靠近的斜线，该斜线的斜率为标准差,截距为均值

2.2  均值向量的检验

        一维的均值检验有很多，若样本服从正态分布我们可以用t.test()单个总体或双总体的t检验；若不服从正态分布，我们可以用wilcox.test()进行秩和检验，用法与t.test()类似；当遇到多个总体时，若各个变量的方差相差不大，我们可以用将各个变量的数据放到一列，然后用一个分组变量表示数据属于哪个变量，运用aov()进行方差分析，从而进行多总体的均值检验

        当遇到多元随机变量的均值检验时，我们有以下方法：

  1. 对每个分量进行均值检验，通过正态性检验的用t检验，未通过正态性检验的用秩和检验
  2. 对通过多元正态检验的数据，运用ICSNP包中的HotellingsT2()函数进行均值向量的检验
  3. 多总体时，若协差阵齐性检验通过，可以用manova()进行多元方差分析

 例2.2.1：

        继上题，检验有割草机家庭和无割草机家庭的向量均值是否相同

#上题已得出各类家庭的数据均通过正态检验

> t.test(x1~y,data=data4.1)            #对x1分量进行t检验

        Welch Two Sample t-test

data:  x1 by y
t = -3.2508, df = 20.458, p-value = 0.003919
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 -12.073229  -2.643437
sample estimates:
mean in group 0 mean in group 1 
       19.13333        26.49167 

> t.test(x2~y,data=data4.1)            #对x2分量进行t检验

        Welch Two Sample t-test

data:  x2 by y
t = -3.1203, df = 21.956, p-value = 0.004991
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 -2.1918725 -0.4414609
sample estimates:
mean in group 0 mean in group 1 
       8.816667       10.133333 

> library(ICSNP)
> attach(data4.1)
> HotellingsT2(cbind(x1,x2)~y)            #霍特林T方检验，用于多元正态向量

        Hotelling's two sample T2-test

data:  cbind(x1, x2) by y
T.2 = 12.257, df1 = 2, df2 = 21, p-value = 0.000297
alternative hypothesis: true location difference is not equal to c(0,0)

        对各分量进行t检验的结果是：有割草机家庭与无割草机家庭的两个分量都不相等 

        对向量整体进行霍特林T方检验的结果是：有割草机家庭与无割草机家庭的向量均值不相等

         该题也可以用多元方差分析，只是水平数为2，其实也是通过对每个分量进行检验

例2.2.2：

        现有如下表所示各省统计数据，试检验它们的均值向量是否等于  (1081,1822,115,179)

序号

省份

工资性收入

家庭性收入

财产性收入

转移性收入

1

北京

4524.25

1778.33

588.04

455.64

2

天津

2720.85

2626.46

152.88

79.64

3

河北

1293.50

1988.58

93.74

105.81

4

山西

1177.94

1563.52

62.70

86.49

5

内蒙古

504.46

2223.26

73.05

188.10

6

辽宁

1212.20

2163.49

113.24

201.28

注：以上为部分表格，表格全部内容在此不展示

> data3=read.csv('Table_0.csv',encoding='UTF-8')    #读取数据
> mu_bar=c(1081,1882,115,179)
> rownames(data3)=data3[,1]            #将省名赋给数据框行名
> data3=data3[,-1]                     #去除省名一列
###
假设通过了正态性检验
###
> HotellingsT2(data3,mu=mu_bar)

        Hotelling's one sample T2-test

data:  data3
T.2 = 1.8443, df1 = 4, df2 = 27, p-value = 0.1494
alternative hypothesis: true location is not equal to c(1081,1882,115,179)

        检验结果为各省统计数据的均值向量等于(1081,1822,115,179)

例2.2.3：

在数据New drug.xls中，各变量的意义为drug（药），取值1表示对病人给以新药，取值2表示对病人给以安慰剂，resp1-resp3是治疗后病人三个时点的呼吸状况，pulse1-pulse3是病人三个时点的脉搏。试分析这两方法的各次重复测定均值向量是否有显著差异？

drugresp1resp2resp3pulse1pulse2pulse3
13.43.33.32.22.12.1
13.43.43.32.22.12.2
13.33.43.42.32.42.3
23.33.33.32.82.92.7
23.23.33.42.62.72.7
23.23.23.22.72.92.7

 注：以上为部分表格，表格全部内容在此不展示

        题目要求检验不用用药的组之间，向量(resp1,resp2,resp3,pulse1,pulse2,pulse3)的均值是否相等。因为drug只有2个水平，可以对每个分量进行t检验，但是分量比较多会比较麻烦；也可以用多元方差分析，查看结果也是对每个分量的检验，不过需要先进行协差阵检验；用霍特林T2检验会比较简单。

> data_drug=read.csv('new drug.csv',encoding='UTF-8')
> names(data_drug)[1]='drug'        #UTF-8格式的csv文件读取后，第一列的名字会有变动，此处改回
> attach(data_drug)
###
对每个变量进行正态性检验后
得知随机向量不服从多元正态分布
因此不能用t检验和霍特林T方检验，不过可以对每个分量进行秩和检验
假设数据通过了协差阵检验
接下来进行多元方差分析
###
> modle_drug=manova(cbind(resp1,resp2,resp3,pulse1,pulse2,pulse3)~drug,data=data_drug)
> summary.aov(modle_drug)
 Response resp1 :
            Df   Sum Sq  Mean Sq F value   Pr(>F)   
drug         1 0.040833 0.040833  14.412 0.003507 **
Residuals   10 0.028333 0.002833                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

 Response resp2 :
            Df   Sum Sq  Mean Sq F value   Pr(>F)   
drug         1 0.040833 0.040833  14.412 0.003507 **
Residuals   10 0.028333 0.002833                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

 Response resp3 :
            Df   Sum Sq   Mean Sq F value Pr(>F)
drug         1 0.020833 0.0208333  3.0488 0.1114
Residuals   10 0.068333 0.0068333               

 Response pulse1 :
            Df  Sum Sq Mean Sq F value    Pr(>F)    
drug         1 0.65333 0.65333      70 7.936e-06 ***
Residuals   10 0.09333 0.00933                      
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

 Response pulse2 :
            Df  Sum Sq Mean Sq F value    Pr(>F)    
drug         1 1.08000 1.08000  79.024 4.623e-06 ***
Residuals   10 0.13667 0.01367                      
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

 Response pulse3 :
            Df  Sum Sq Mean Sq F value    Pr(>F)    
drug         1 0.75000 0.75000  64.286 1.155e-05 ***
Residuals   10 0.11667 0.01167                      
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

        只有resp3的检验结果为相同，其他都为不同，所以认为两方法的各次重复测定均值向量有显著差异

  • t.test()用法:

t.test(x,y=NULL,alternative=c("two.sided","less","greater"),mu=0,...)或

t.test(formula,data,...)

指定x未指定y时，进行单总体的t检验，可以指定mu检验其是否与mu相同

alternative指定双边检验或左尾检验或右尾检验

也可以用formula类的参数，即x~y的类型，y是分组变量，会对不同组的x进行双总体t检验

  • wilcox.test()用法：

wilcox.test()用法与t.test()相同，此处不赘述

  • HotellingsT2()用法:

HotellingsT2(X,Y=NULL,mu=NULL,test="f",...)或

HotellingsT2(formula,...)

X与Y为矩阵或数据框，未指定Y时进行单总体的检验，可以指定mu检验其是否与mu相同

test参数指定近似统计量，默认为f，即F近似，可以指定"chi"，即卡方近似

可以用formula类参数，与先前用法相同，但是HotellingsT2()没有data参数

  • manova()用法:

manova(formula,data,...)

manova()的formula参数用法aov()类似，manova()返回的是多元方差分析的模型，将其赋给某个变量，然后用aov.summary()函数可以看每个变量的检验

2.3  协差阵检验

        在进行多元方差分析前需要进行协差阵齐性检验，协差阵检验可以用heplots包内的boxM()函数。

例2.3：

        继有无割草机家庭数据，检验两组的协差阵是否有差异

> boxM(data4.1[,-3],group=data4.1[,3])

        Box's M-test for Homogeneity of Covariance Matrices

data:  data4.1[, -3]
Chi-Sq (approx.) = 0.99346, df = 3, p-value = 0.8028

        检验结果为两组协差阵相同

  • boxM()用法：

boxM(formula,data,...)或

boxM(Y,group,...)

formula类参数的用法与之前的函数相同

Y是数据矩阵或数据框，group是指定的分组变量

boxM()函数进行的是协差阵齐性检验，在分组变量的水平数大于2时也可以使用

三、小结

总结本文提到的函数和应用场景

参数估计正态性检验
函数应用场景函数应用场景
mean()计算一维变量的样本均值shapiro.test()小样本正态性检验
apply()对矩阵或数据框的行或列进行运算mshapiro.test()多元小样本正态性检验
sapply()对矩阵或数据框的每个变量进行运算sapply()对每个变量进行指定运算或检验
summary()对数据框使用时返回每个变量的统计描述tapply()对以分组变量指定的不同组别分别进行指定的运算或检验
cov()获取协方差或协差阵qqnorm()画Q-Q图
cor()获取相关系数或相关阵qqline()在Q-Q图中添加正态标准线
均值向量检验协差阵检验
函数应用场景函数应用场景
t.test()正态样本的单双总体均值检验boxM()协差阵齐性检验
wilcox.test()非正态样本的单双总体均值检验
HotellingsT2()多元正态样本的单双总体均值检验
aov()方差齐性情况下的方差分析
manova()协差阵齐性下的多元方差分析
aov.summary()获取方差分析模型的检验结果
摸鱼的Kaz哥
关注
  • 43
    点赞
  • 踩
  • 278
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
多元正态分布均值向量和协差阵的检验.pptx
10-14
多元正态分布均值向量和协差阵的检验.pptx
多元正态分布的参数估计
欢迎来到道的世界
10-04 1338
引言  在实际应用中，多元正态分布中均值向量，和协差阵。通常是未知的，需由样本来估计，而参数的估计方法很多，这里用最常见的最大似然估计法给出其估计量，并借助一元统计中学过的估计量性质指出这里给出的估计量也满足通常要求的性质。 多元样本的概念及表示法  多元分析研究的总体是多元总体，从多元总体中随机抽取nnn个个体X(1),X(2),⋯ ,X(n)X_{(1)},X_{(2)},\cdots,X_{(n)}X(1)​,X(2)​,⋯,X(n)​，若X(1),X(2),⋯ ,X(n)X_{(1)},X_{(2)
R语言 数据分组汇总：求平均值、标准差、标准误
最新发布
yangyulu1998的博客
04-27 2982
有时，汇总数据框中会出现空的因子组合，即有可能出现的因素组合，但实际上并没有出现在原始数据框架中。由性别和条件的组合来分组：F-安慰剂、F-阿司匹林、M-安慰剂和 M-阿司匹林。4） standard error of the mean （均值标准误差）不同性别受试者，服用阿斯匹林或安慰剂前后的观测值以及变化差值。扩充：安排一步得出均值、计数、标准差、标准误和置信区间的函数。当你想按组对数据进行汇总（包括平均值、标准差等）如果数据中有NA值并希望忽略它们，设置。调用的每个函数，除了。
graphpad prism显著性差异分析_spss数据分析之均值比较分析
weixin_39538687的博客
11-21 9692
1.统计推断与假设检验：统计推断就是根据随机样本的实际数据，对总体的数量特征做出具有一定可靠程度的估计和推断。统计推断的基本内容有参数估计和假设检验两方面。研究一个随机变量，推断它具有什么样的数量特征，按什么样的模式来变动，这属于估计理论。而推测这些随机变量的数量特征和变动模式是否符合事先所做的假设，这属于检验理论。参数估计和假设检验的异同点：参数估计和假设检验的共同点是他们都对总体物质或不是很了...
机器学习|双正态总体的区间估计（均值、方差的置信区间求法）+ 最优置信区间取法| 15mins 入门 |概统学习笔记（二十九）
用途：中英文学习笔记，如有侵权，可评论留言，及时清理；学历：NUS计算机硕士；SYSU地球物理学士
04-03 3297
双正态总体N(μi,σi2)N(\mu_i, \sigma_i^2)N(μi​,σi2​)的区间估计 两个总体均值差μ1−μ2\mu_1-\mu_2μ1​−μ2​的置信区间 （1）σ12、σ22\sigma_1^2、\sigma_2^2σ12​、σ22​均为已知 因为X‾、Y‾\overline X、\overline YX、Y分别为μ1、μ2\mu_1、\mu_2μ1​、μ2​的无偏估计，故...
矩阵分析与应用+张贤达
m0_45085885的博客
06-20 982
随机向量的最重要统计运算为数学期望。考查m x1随机向量x(ξ)=[x1(ξ)，x2(ξ),…,xm(ξ)]Tx(ξ)=[x_1(ξ)，x_2(ξ),…, x_m(ξ)]^Tx(ξ)=[x1​(ξ)，x2​(ξ),…,xm​(ξ)]T。令随机变量xi(ξ)x_i(ξ)xi​(ξ)的均值Exi(ξ)=μiE{x_i(ξ)}=μ_iExi​(ξ)=μi​，则随机向量的数学期望称为均值向量，记作μxμ_xμx​，定义为 式中，数学期望定义为 均值向量的元素是随机向量各个元素的均值。均值向量是随机向量的一阶矩，
Hotelling‘s T^2统计量（霍特林统计量）
千行百行的博客
01-14 7894
Hotelling’s T^2统计量 待续
beiyesi.rar_beiyesi _multivariate rate_正态 参数估计_正态分布_贝叶斯
09-19
在IT领域，尤其是在统计学和机器学习中，"beiyesi.rar_beiyesi _multivariate rate_正态 参数估计_正态分布_贝叶斯"这个标题涉及到一系列关键概念，包括多元正态分布、参数估计、最大似然估计、最小错误率的贝叶斯...
多元统计分析(1):多元分布(均值、协方差、统计距离)、多元正态分布(密度函数、性质、条件分布)、估计、常用多元分布及抽样分布
01-07
多元分布的基本概念包括随机向量、分布函数、密度函数、独立性、均值向量、协方差阵等。 * 随机向量是一个含有多个随机变量的向量。 * 分布函数是描述随机向量的分布规律的函数。 * 密度函数是描述随机向量的概率...
mvncond2(Mean, Sigma, ind, values)：多元正态分布条件均值和协方差矩阵的向量估计。-matlab开发
05-29
在MATLAB编程环境中，`mvncond2`函数是一个用于计算多元正态分布条件下特定变量取值时，其他变量期望值（均值）和协方差矩阵的工具。这个函数对于进行统计推断、模拟或者在概率论和统计学中有广泛应用的场景中尤其...
R语言与函数估计学习笔记共46页.pdf.zip
10-30
1. R语言基础：首先，笔记可能会介绍R语言的基础知识，包括R的工作环境、数据类型（如向量、矩阵、数据框和列表）、控制结构（如if语句和for循环）、函数定义以及加载和保存数据。 2. 统计基础：笔记可能涵盖基本的...
使用R完成均值检验
不是码农
04-13 1万+
t检验和Z检验都可用于均值检验。 单样本均值检验 当样本容量小于30时使用t检验，当样本容量大于30时使用Z检验 Z检验使用例子: library(UsingR) x<-rnorm(50,0,5) simple.z.test(x,5)运行结果: [1] -2.947929 3.250022 结果说明在置信度为95%的情况下总体的均值区间为[-2.947929 3.250022]
R语言使用mean函数计算向量数据的均值、自定义设置均值计算的trim参数、表示在计算均值前需要去掉的异常值的比例
statistics+insight+vista+power
03-01 1393
R语言使用mean函数计算向量数据的均值、自定义设置均值计算的trim参数、表示在计算均值前需要去掉的异常值的比例
【多元统计分析】08.协方差阵的假设检验
jingye333的博客
11-02 5039
本文探讨协方差阵的假设检验问题。
r语言平均值显著性检验_用R语言解读统计检验-F检验
weixin_29771573的博客
12-30 1万+
R的极客理想系列文章，涵盖了R的思想，使用，工具，创新等的一系列要点，以我个人的学习和体验去诠释R的强大。R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。要成为有理想的极客，我们不能停留在语法上，要掌握牢固...
r语言平均值显著性检验_R语言：常用统计检验方法（一）数据分析师
weixin_30069113的博客
12-30 3441
写在前面R已经成为当前国际学术界最流行的统计和绘图软件之一，该语言较为简单易学，统计分析功能强大，且具有很强的绘图功能，能够绘制学术出版要求的多种图表.在生物信息学，进化生物学、生态学与环境、经济学、语言学等领域有着极为广泛的应用。R软件是跨平台的，可以在Linux， MacOs， Windows等多种系统上运行。针对每个研究方向，有大量的科研人员编写了相关的程序包，可以导入到基本的程序平台上运行...
R语言与多元统计分析 —— 多元正态分布
热门推荐
cleverbegin的专栏
03-20 2万+
1、如何用R语言画二元正态分布的曲面图形 下面主要用两种技术来实现： 注意：z 的列维是 y 的长度，行维是 x 的长度（即 z 包含每一种可能的 (x, y) 点 的值）         第一种使用 persp(x, y, z)函数:下面看代码 fn = function(x, y) { sigma <- matrix(c(20,0,0,20), c(2,2)) u <- c
R语言 协方差分析
KopWelkin的博客
04-29 1万+
我们使用回归分析创建模型，描述变量在预测变量对响应变量的影响。 有时，如果我们有一个类别变量，如Yes / No或Male / Female等。简单的回归分析为分类变量的每个值提供多个结果。 在这种情况下，我们可以通过将分类变量与预测变量一起使用并比较分类变量的每个级别的回归线来研究分类变量的效果。 这样的分析被称为协方差分析，也称为ANCOVA。 例 考虑在数据集mtcars中内置的R语...
R语言使用var函数计算dataframe中多个数值数据列之间的协方差矩阵（covariance matrix）
statistics+insight+vista+power
04-17 2375
R语言使用var函数计算dataframe中多个数值数据列之间的协方差矩阵（covariance matrix）
r语言 正态分布的极大似然估计
10-16
好的，针对你的问题，我们可以先来了解一下正态分布的极大似然估计。 对于正态分布 $N(\mu,\sigma^2)$，其概率密度函数为： $$f(x;\mu,\sigma^2)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$ 其中，$\mu$ 是均值，$\sigma^2$ 是方差。 假设我们有 $n$ 个独立同分布的样本 $x_1,x_2,\cdots,x_n$，那么它们的联合概率密度函数为： $$L(\mu,\sigma^2;x_1,x_2,\cdots,x_n)=\prod_{i=1}^{n}f(x_i;\mu,\sigma^2)$$ 对数似然函数为： $$\ln L(\mu,\sigma^2;x_1,x_2,\cdots,x_n)=\sum_{i=1}^{n}\ln f(x_i;\mu,\sigma^2)=-\frac{n}{2}\ln(2\pi)-n\ln\sigma-\frac{1}{2\sigma^2}\sum_{i=1}^{n}(x_i-\mu)^2$$ 极大似然估计就是要找到使得对数似然函数取最大值的参数 $\hat{\mu}$ 和 $\hat{\sigma}^2$。我们可以通过求导数为 0 的方式求解，得到： $$\hat{\mu}=\frac{1}{n}\sum_{i=1}^{n}x_i$$ $$\hat{\sigma}^2=\frac{1}{n}\sum_{i=1}^{n}(x_i-\hat{\mu})^2$$ 这就是正态分布的极大似然估计。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值