R语言程序-CSDN博客

相信很多都对前面我说的R语言感兴趣吧，分享一下我的资料吧。这是关于验证中心极限定理的R程序！

######验证：无论随机变量原来服从哪种分布，只要样本容量足够大，

#########其均数都会服从正态分布

###1.正态分布####

a<-rnorm(10000,0,1) #生成一个数据量很大的正态分布的数据

x<-1:100 #生成一个向量用来存放样本均数的向量

a<-data.frame(a) #将这两个向量存放在数据框中

x<-data.frame(x)

windows(1280,720);par(mfrow=c(2,2))

plot(density(a$a),main = "这是原来的分布")

hist(a$a,main = "这是原来的分布")

for(i in 1:100){ #设置循环，循环抽取100个样本，并将计算出来的均值赋值给数据框中的x变量

c<-a[sample(nrow(a),1000),]

m=mean(c)

# print(m) #验证该循环可以正常工作

x$x[i]<-m

}

plot(density(x$x),main = "这是抽取的样本的均数的分布") #绘制抽取样本的均值的分布概率密度图

hist(a$a,main = "这是抽取的样本的均数的分布")

##将上面的程序加以改造，以验证其它形式的分布

### 2.0 指数分布####

a<-rexp(100000,1) #生成一个数据量很大的指数分布的数据

x<-1:100 #生成一个用来存放样本均数的数据框

a<-data.frame(a) #将这两个向量存放在数据框中

x<-data.frame(x)

windows(1280,720);par(mfrow=c(1,2))

plot(density(a$a),main = "这是原来的分布")

for(i in 1:10000){ #设置循环，循环抽取100个样本，并将计算出来的均值赋值给数据框中的x变量

c<-a[sample(nrow(a),1000),]

m=mean(c)

# print(m) #验证该循环可以正常工作

x$x[i]<-m

}

plot(density(x$x),main = "这是抽取的样本的均数的分布") #绘制抽取样本的均值的分布概率密度图

### 3.0 t分布####

a<-rt(100,2) #生成一个数据量很大的t分布的数据

x<-1:1000 #生成一个用来存放样本均数的数据框

a<-data.frame(a) #将这两个向量存放在数据框中

x<-data.frame(x)

windows(1280,720);par(mfrow=c(1,2))

plot(density(a$a),main = "这是原来的分布") #查看原始数据的分布状态

for(i in 1:1000){ #设置循环，循环抽取1000个样本，并将计算出来的均值赋值给数据框中的x变量

c<-a[sample(nrow(a),10),]

m=mean(c)

# print(m) #验证该循环可以正常工作

x$x[i]<-m

}

plot(density(x$x),main = "这是抽取的样本的均数的分布") #绘制抽取样本的均值的分布概率密度图

###4.0 F分布####

a<-rf(10000,1,5) #生成一个数据量很大的F分布的数据

x<-1:1000 #生成一个用来存放样本均数的数据框

a<-data.frame(a) #将这两个向量存放在数据框中

x<-data.frame(x)

windows(1280,720);par(mfrow=c(1,2))

plot(density(a$a),main = "这是原来的分布")

for(i in 1:1000){ #设置循环，循环抽取1000个样本，并将计算出来的均值赋值给数据框中的x变量

c<-a[sample(nrow(a),1000),]

m=mean(c)

# print(m) #验证该循环可以正常工作

x$x[i]<-m

}

plot(density(x$x),main = "这是抽取的样本的均数的分布") #绘制抽取样本的均值的分布概率密度图

###5.0卡方分布 ####

a<-rchisq(100000,1) #生成一个数据量很大的卡方分布的数据

x<-1:1000 #生成一个用来存放样本均数的数据框

a<-data.frame(a) #将这两个向量存放在数据框中

x<-data.frame(x)

windows(400,400);par(mfrow=c(1,2))

plot(density(a$a),main = "这是一组呈卡方分布的数据")

for(i in 1:1000){ #设置循环，循环抽取100个样本，并将计算出来的均值赋值给数据框中的x变量

c<-a[sample(nrow(a),1000),]

m=mean(c)

# print(m) #验证该循环可以正常工作

x$x[i]<-m

}

plot(density(x$x),main = "这是从上述卡方分布的数据中抽取的1000个样本的均值分布")

#绘制抽取样本的均值的分布概率密度图

### 6.0 函数解决方案####

myfun<-function(a){

x<-1:100 #先生成一个1到100的序列，后面可以更改这些值，相当于覆盖掉原来的值

x<-data.frame(x)

a<-data.frame(a)

for(i in 1:100){ #设置循环，循环抽取100个样本，并将计算出来的均值赋值给数据框中的x变量

c<-a[sample(nrow(a),1000),]

m=mean(c)

x$x[i]<-m

}

windows(1280,720);par(mfrow=c(2,2))

plot(density(a$a),main = "这是原来的分布")

hist(a$a,main = "这是原来的分布",col='skyblue')

plot(density(x$x),main = "这是抽取的样本的均数的分布")

hist(a$a,main = "这是抽取的样本的均数的分布",col='skyblue')

}

###6.1正态分布####

a<-rnorm(10000,0,1)

myfun(a)

###6.2指数分布####

b<-rexp(100000,1)

myfun(b)

###6.3 t分布####

c<-rt(1000,3)

myfun(c)

###6.4 F分布####

d<-rchisq(100000,1)

myfun(d)

本文转自寂岚峰 51CTO博客，原文链接：http://blog.51cto.com/13271983/1970262，如需转载请自行联系原作者