统计计算基于R——基本概念（附代码）

一、问题适定性与算法稳定性

适定性定义为输入微小变化对输出量的影响。在实际过程中我们希望初值的测量的一定误差不会给最终结果带来太大的影响，因此为了问题的适定性，定义条件数如下 

   一元可微函数时成立

当条件数较小比如 的时候可以设计算法给出问题的精确解。条件数大的问题成为病态问题，条件数为无穷或者不存在的时候成为不适定问题。

二、描述统计量

       方便起见，我们将一个变量的多个独立观测值记作，称其为总体的简单随机独立样本。则经验分布的函数定义如下。在样本量足够大的时候可以通过经验分布函数对改变量的性质作估计。

        在对数据建模分析之前，我们需要预先排除数据中的错误，了解数据特点，考察数据是否符合模型假定的前提条件，这些前期工作统称为探索性数据分析（EDA）。为了概括地描述数值型的随机变量分布，可以使用以下常用的数字特征

位置特征量

样本平均数           样本中位数

分散程度（变异性）特征量

标准差         方差            变异系数 、极差   四分位间距

分布形状特征量

偏度和峰度

多个随机变量

相关系数 (衡量线性相关性)      

 三、统计图形

hist(x,freq=FALSE)#等距直方图
hist(y,break=c(-30,0,1,2,3,4,30))#自定义距离直方图
density(x)#数据核密度计算
res<-desity(x);lines(res,col='black')#绘制核密度曲线
boxplot(x)#盒形图
stem(x)#茎叶图
qqnorm(x);qqline(x)#qq图：用于判断数据是否为正态分布，截距为μ，斜率为方差
plot(x,y)#散点图绘制;jitter(x,amount)#对数据进行正负amount的扰动
plot(x,y,type="1")#曲线图;line(x,y)#加线;points(x,y)#加点;abline(h=..,v=..)#加横竖线;matplot()#同一坐标内绘制多组数据
surface(x,y,z)#曲面图;contour(x,y,z)#等值图;image(x,y,z)#作栅格图;outer(x,y,f)#输出函数值矩阵;persp(theta,phi,r)#图形参数调整

set.seed(1);n<-100;tt<-seq(n)
> m<-2;lam<-2*pi/c(4,7);A<-c(1,1.2)
> y<-A[1]*cos(lam[1]*tt)+A[2]*cos(lam[2]*tt)+rnorm(n)#生成随机数
> hist(y)#绘制直方图
> f<-function(y,w) 1/(2*pi*sqrt(y))*exp(0.5*w)#定义函数
> x<-seq(y)
> y<-tt
> z<-outer(x,y,f)#记录函数值矩阵
> persp(x,y,z,theta=-20,phi=30,r=3)#绘制三维散点图