6. R语言之dpqr概率函数 + 生成随机数runif（）

在R中，概率分布函数使用第一个字母(d, p, q, r)表示所知分布的某一方面：

d表示密度函数。
p表示累积密度函数。
q为分位数函数，即已知某一点x的概率值是多少，反求x
r为随机函数。可用于分布检验

R中有如下概率分布函数：

以正态分布norm为例，共有：dnorm，pnorm，qnorm 和 rnorm。

1. 正态分布的密度函数 ：dnorm

概率密度函数（PDF，简称：密度）表示观察具有特定值的测量值的概率，因此密度上的积分始终为1。
正常密度定义为

使用密度，可以确定事件的概率。例如，您可能想知道： 一个人的IQ恰好为140的可能性是多少？
在这种情况下，您将需要检索IQ分布在值140处的密度。可以用100的平均值和15的标准差对IQ分布进行建模。
相应的密度为：

sample.range <- 50:150
iq.mean <- 100
iq.sd <- 15
iq.dist <- dnorm(sample.range, mean = iq.mean, sd = iq.sd)
iq.df <- data.frame("IQ" = sample.range, "Density" = iq.dist)

library(ggplot2)
ggplot(iq.df, aes(x = IQ, y = Density)) + geom_point()

通过这些数据，我们现在可以回答初始问题以及其他问题：

likelihood of IQ == 140?
pp(iq.df$Density[iq.df$IQ == 140])
[1] "0.076%"

likelihood of IQ >= 140?
[1] "0.384%"

likelihood of 50 < IQ <= 90?
[1] "26.284%"

---

2. 累积密度函数 ：pnorm

累积密度（CDF）函数是单调增加的函数，因为它通过

为了直观了解CDF，让我们为IQ数据创建一个图：

ggplot(iq.df, aes(x = IQ, y = CDF_LowerTail)) + geom_point()

如我们所见，所描绘的CDF显示了IQ小于或等于给定值的可能性。
利用这些知识，我们可以获得一些先前问题的答案：

likelihood of 50 < IQ <= 90?
[1] "25.249%"

---

3. 分位数功能 ：qnorm

分位数函数是累积密度函数（CDF）的反函数。因此，分位数函数从概率映射到值。

ggplot(icdf.df, aes(x = Probability, y = IQ)) + geom_point()

使用分位数函数，我们可以回答与分位数有关的问题：

what is the 25th IQ percentile?
[1] 89.88265


what is the 75 IQ percentile?
[1] 110.1173

  0%       25%         50%       75%      100% 
-Inf  89.88265   100.00000   110.11735     Inf

---

4. 随机采样函数 ：rnorm

当您想从正态分布中抽取随机样本时，可以使用rnorm。例如，我们可以rnorm用来模拟IQ分布中的随机样本。

ggplot() + geom_histogram(data = my.df, aes(x = IQ)) + facet_wrap(.~SampleSize, scales = "free_y")

ggplot(my.sample.df, aes(x = IQ)) + geom_histogram()

请注意，我们进行调用set.seed（）是为了确保随机数生成器始终生成相同的数字序列以实现可重复性。

---

5. 生成随机数runif（）

每个Set.seed()号码对应的随机数是相同的