R语言之随机数与抽样模拟篇
2014-11-17 21:48
169 查看
转载自:http://blog.csdn.net/lilanfeng1991/article/details/18505723
3.1 随机数的产生
3.1.1 均匀分布随机数
R语言生成均匀分布随机数的函数是runif()
句法是:runif(n,min=0,max=1) n表示生成的随机数数量,min表示均匀分布的下限,max表示均匀分布的上限;若省略参数min、max,则默认生成[0,1]上的均匀分布随机数。
例1:
> runif(5,0,1) # 生成5个[0,1]的均匀分布的随机数
[1] 0.5993 0.7391 0.2617 0.5077 0.7199
> runif(5) # 默认生成5个[0,1]上的均匀分布随机数
[1] 0.2784 0.7755 0.4107 0.8392 0.7455
例2
随机产生100个均匀分布随机数,作其概率直方图,再添加均匀分布的密度函数线,程序如下:
> x=runif(100)
> hist(x,prob=T,col=gray(.9),main="uniform on [0,1]")
> curve(dunif(x,0,1),add=T) #添加均匀分布的密度函数线
3.1.2 正态分布随机数
正态分布随机数的生成函数是 rnorm()
句法是:rnorm(n,mean=0,sd=1) 其中n表示生成的随机数数量,mean是正态分布的均值,默认为0,sd是正态分布的标准差,默认时为1;
例:
随机产生100个正态分布随机数,作其概率直方图,再添加正态分布的密度函数线
> x=rnorm(100)
> hist(x,prob=T,main="normal mu=0,sigma=1")
> curve(dnorm(x),add=T)
3.1.3 二项分布随机数
二项分布是指n次独立重复贝努力试验成功的次数的分布,每次贝努力试验的结果只有两个,成功和失败,记成功的概率为p
生成二项分布随机数的函数是:rbinom()
句法是:rbinom(n,size,prob) n表示生成的随机数数量,size表示进行贝努力试验的次数,prob表示一次贝努力试验成功的概率
例:
产生100个n为10,15,50,概率p为0.25的二项分布随机数:
> par(mfrow=c(1,3))
> p=0.25
> for( n in c(10,20,50))
{ x=rbinom(100,n,p)
hist(x,prob=T,main=paste("n =",n))
xvals=0:n
points(xvals,dbinom(xvals,n,p),type="h",lwd=3)
}
> par(mfrow=c(1,1))
3.1.4 指数分布随机数
R生成指数分布随机数的函数是:rexp()
其句法是:rexp(n,lamda=1) n表示生成的随机数个数,lamda=1/mean
例:
>x=rexp(100,1/10) # 生成100个均值为10的指数分布随机数
>hist(x,prob=T,col=gray(0.9),main=“均值为10的指数分布随机数”)
>curve(dexp(x,1/10),add=T) #添加指数分布密度线
3.1.5 常见的分布函数
产生分布的随机数,只需要在相应的分布前加r就行
表 3-1 常见分布函数表
分布 中文名称 R中的表达 参数
Beta 贝塔分布 beta(a,b) shape1, shape2
Binomial 二项分布 binom(n,p) size, prob
Cauchy 柯西分布 cauchy( ) location, scale Chi-square 卡方分布 chisq(df) df Exponential 指数分布 exp(lamda) rate F F分布 f(df1,df2) df1 df2
Gamma 伽玛分布 gamma() shape rate
Geometric 几何分布 geom() prob Hypergeometric 超几何分布 hyper() m,n,k
Logistic 逻辑分布 logis() location scale
Negative binomial 负二项分布 nbinom() size prob
Normal 正态分布 norm() mean, sd Multivariate normal 多元正态分布 mvnorm() mean,cov
Poisson 泊松分布 pois() lambda T t 分布 t() df
Uniform 均匀分布 unif() min, max Weibull 威布儿分布 weibull() shape, scale
Wilcoxon 威尔考可森分布 wilcox() m, n
表 3-2 与分布相关的函数及代号
函数代号 函数作用
r- 生成相应分布的随机数
d- 生成相应分布的密度函数
p- 生成相应分布的累积概率密度函数
q- 生成相应分布的分位数函数
例:
dnorm表示正态分布密度函数
pnorm表示正态分布累积概率密度函数
qnorm表示正态分布分位数函数(即正态累积概率密度函数的逆函数)
3.2 随机抽样
3.2.1 放回与无放回抽样
R可以进行有放回、无放回抽样
sample()函数即可以实现
句法为:sample(x,n,replace=F,prob=NULL)
3.3 统计模拟
3.3.1 几种常见的模拟方法
1 中心极限定理:
2 二项分布模拟中心极限定理
3 用函数进行模拟
指定模拟次数m=100,样本量n=10,概率=0.25,如果要改变这些参数来重新进行模拟将会很麻烦,下面将展示如何将上面的程序形成一个模拟函数再进行模拟。
> sim.clt <- function (m=100,n=10,p=0.25)
{ z = rbinom(m,n,p)
x = (z-n*p)/sqrt(n*p*(1-p))
hist(x,prob=T,breaks=20,main=paste("n =",n,”p =”,p))
curve(dnorm(x),add=T)
}
> sim.clt() # 默认 m=100,n=10,p=0.25
> sim.clt(1000) # 取 m=1000,n=10,p=0.25
> sim.clt(1000,30) # 取 m=1000,n=30,p=0.25
> sim.clt(1000,30,0.5) # 取 m=1000,n=30,p=0.5
4 正态概率模拟
能比直方图更好判定随机数是否近似服从正态分布的是正态概率图。
其基本思想是:作实际数据的分位数与正态分布数据的分位数的散点图,也就是作样本分位数与理论分位数的散点图。
3.3.2 模拟函数的建立方法
若每次模拟都要编写一个循环,非常麻烦.
sim.fun()就是专门用来解决这类问题的
只需要编写一个用来生成随机数的函数,剩下的工作就交给sim.fun来完成
sim.fun <-function (m,f,...) # m 模拟样本次数,f需模拟的函数
{
sample <-1:m
for (i in 1:m) {
sample[i] <-f(...)
}
sample
}
例:
二项分布:
先编写一个函数用来生成一个二项分布随机的标准化值
>f<-function(n=10,p=0.5){s=rbinom(1,n,p);(s-n*p)/sqrt(n*p*(1-p)) }
> x=sim.fun(1000,f) # 模拟1000个二项随机数
> hist(x,prob=T)
均匀分布来模拟中心极限定理:
> f = function(n=10) (mean(runif(n)-1/2)/(1/sqrt(12*n))
> x=sim.fun(1000,f) # 模拟1000个均匀随机数
> hist(x,prob=T)
正态分布:
>f=function(n=10,mu=0,sigma=1){r=rnorm(n,mu,sigma);(mean(r)-m
u)/(sigma/sqrt(n)) }
> x = sim.fun(1000,f) #模拟1000个样本量为10的N(0,1)随机数
> hist(x,breaks=10,prob=T)
> x = sim.fun(1000,f,30,5,2) # 模拟1000个样本量为30的N(5,4)随机数
> hist(x,breaks=10,prob=T)
3.1 随机数的产生
3.1.1 均匀分布随机数
R语言生成均匀分布随机数的函数是runif()
句法是:runif(n,min=0,max=1) n表示生成的随机数数量,min表示均匀分布的下限,max表示均匀分布的上限;若省略参数min、max,则默认生成[0,1]上的均匀分布随机数。
例1:
> runif(5,0,1) # 生成5个[0,1]的均匀分布的随机数
[1] 0.5993 0.7391 0.2617 0.5077 0.7199
> runif(5) # 默认生成5个[0,1]上的均匀分布随机数
[1] 0.2784 0.7755 0.4107 0.8392 0.7455
例2
随机产生100个均匀分布随机数,作其概率直方图,再添加均匀分布的密度函数线,程序如下:
> x=runif(100)
> hist(x,prob=T,col=gray(.9),main="uniform on [0,1]")
> curve(dunif(x,0,1),add=T) #添加均匀分布的密度函数线
3.1.2 正态分布随机数
正态分布随机数的生成函数是 rnorm()
句法是:rnorm(n,mean=0,sd=1) 其中n表示生成的随机数数量,mean是正态分布的均值,默认为0,sd是正态分布的标准差,默认时为1;
例:
随机产生100个正态分布随机数,作其概率直方图,再添加正态分布的密度函数线
> x=rnorm(100)
> hist(x,prob=T,main="normal mu=0,sigma=1")
> curve(dnorm(x),add=T)
3.1.3 二项分布随机数
二项分布是指n次独立重复贝努力试验成功的次数的分布,每次贝努力试验的结果只有两个,成功和失败,记成功的概率为p
生成二项分布随机数的函数是:rbinom()
句法是:rbinom(n,size,prob) n表示生成的随机数数量,size表示进行贝努力试验的次数,prob表示一次贝努力试验成功的概率
例:
产生100个n为10,15,50,概率p为0.25的二项分布随机数:
> par(mfrow=c(1,3))
> p=0.25
> for( n in c(10,20,50))
{ x=rbinom(100,n,p)
hist(x,prob=T,main=paste("n =",n))
xvals=0:n
points(xvals,dbinom(xvals,n,p),type="h",lwd=3)
}
> par(mfrow=c(1,1))
3.1.4 指数分布随机数
R生成指数分布随机数的函数是:rexp()
其句法是:rexp(n,lamda=1) n表示生成的随机数个数,lamda=1/mean
例:
>x=rexp(100,1/10) # 生成100个均值为10的指数分布随机数
>hist(x,prob=T,col=gray(0.9),main=“均值为10的指数分布随机数”)
>curve(dexp(x,1/10),add=T) #添加指数分布密度线
3.1.5 常见的分布函数
产生分布的随机数,只需要在相应的分布前加r就行
表 3-1 常见分布函数表
分布 中文名称 R中的表达 参数
Beta 贝塔分布 beta(a,b) shape1, shape2
Binomial 二项分布 binom(n,p) size, prob
Cauchy 柯西分布 cauchy( ) location, scale Chi-square 卡方分布 chisq(df) df Exponential 指数分布 exp(lamda) rate F F分布 f(df1,df2) df1 df2
Gamma 伽玛分布 gamma() shape rate
Geometric 几何分布 geom() prob Hypergeometric 超几何分布 hyper() m,n,k
Logistic 逻辑分布 logis() location scale
Negative binomial 负二项分布 nbinom() size prob
Normal 正态分布 norm() mean, sd Multivariate normal 多元正态分布 mvnorm() mean,cov
Poisson 泊松分布 pois() lambda T t 分布 t() df
Uniform 均匀分布 unif() min, max Weibull 威布儿分布 weibull() shape, scale
Wilcoxon 威尔考可森分布 wilcox() m, n
表 3-2 与分布相关的函数及代号
函数代号 函数作用
r- 生成相应分布的随机数
d- 生成相应分布的密度函数
p- 生成相应分布的累积概率密度函数
q- 生成相应分布的分位数函数
例:
dnorm表示正态分布密度函数
pnorm表示正态分布累积概率密度函数
qnorm表示正态分布分位数函数(即正态累积概率密度函数的逆函数)
3.2 随机抽样
3.2.1 放回与无放回抽样
R可以进行有放回、无放回抽样
sample()函数即可以实现
句法为:sample(x,n,replace=F,prob=NULL)
3.3 统计模拟
3.3.1 几种常见的模拟方法
1 中心极限定理:
2 二项分布模拟中心极限定理
3 用函数进行模拟
指定模拟次数m=100,样本量n=10,概率=0.25,如果要改变这些参数来重新进行模拟将会很麻烦,下面将展示如何将上面的程序形成一个模拟函数再进行模拟。
> sim.clt <- function (m=100,n=10,p=0.25)
{ z = rbinom(m,n,p)
x = (z-n*p)/sqrt(n*p*(1-p))
hist(x,prob=T,breaks=20,main=paste("n =",n,”p =”,p))
curve(dnorm(x),add=T)
}
> sim.clt() # 默认 m=100,n=10,p=0.25
> sim.clt(1000) # 取 m=1000,n=10,p=0.25
> sim.clt(1000,30) # 取 m=1000,n=30,p=0.25
> sim.clt(1000,30,0.5) # 取 m=1000,n=30,p=0.5
4 正态概率模拟
能比直方图更好判定随机数是否近似服从正态分布的是正态概率图。
其基本思想是:作实际数据的分位数与正态分布数据的分位数的散点图,也就是作样本分位数与理论分位数的散点图。
3.3.2 模拟函数的建立方法
若每次模拟都要编写一个循环,非常麻烦.
sim.fun()就是专门用来解决这类问题的
只需要编写一个用来生成随机数的函数,剩下的工作就交给sim.fun来完成
sim.fun <-function (m,f,...) # m 模拟样本次数,f需模拟的函数
{
sample <-1:m
for (i in 1:m) {
sample[i] <-f(...)
}
sample
}
例:
二项分布:
先编写一个函数用来生成一个二项分布随机的标准化值
>f<-function(n=10,p=0.5){s=rbinom(1,n,p);(s-n*p)/sqrt(n*p*(1-p)) }
> x=sim.fun(1000,f) # 模拟1000个二项随机数
> hist(x,prob=T)
均匀分布来模拟中心极限定理:
> f = function(n=10) (mean(runif(n)-1/2)/(1/sqrt(12*n))
> x=sim.fun(1000,f) # 模拟1000个均匀随机数
> hist(x,prob=T)
正态分布:
>f=function(n=10,mu=0,sigma=1){r=rnorm(n,mu,sigma);(mean(r)-m
u)/(sigma/sqrt(n)) }
> x = sim.fun(1000,f) #模拟1000个样本量为10的N(0,1)随机数
> hist(x,breaks=10,prob=T)
> x = sim.fun(1000,f,30,5,2) # 模拟1000个样本量为30的N(5,4)随机数
> hist(x,breaks=10,prob=T)
相关文章推荐
- R语言之随机数与抽样模拟篇
- python编程练习---模拟产生随机数及抽取随机数
- 应用统计学与R语言实现学习笔记(四)——抽样方法与抽样分布
- R语言实现数据抽样&创建训练集和测试集
- 【模拟】明明的随机数
- 随机数模拟足球淘汰赛抽签及过程
- 算法:关于生成抽样随机数的这些算法
- R语言实现两服务员并联服务系统简单随机模拟
- R语言实现数据抽样&创建训练集和测试集
- 应用统计学与R语言实现学习笔记(四)——抽样方法与抽样分布
- 算法:关于生成抽样随机数的这些算法
- 随机化算法(随机数产生并模拟抛硬币实验)
- 用C语言模拟随机数的生成
- C#基础-041 设计一个玩家类,一个敌人类, 玩家可以攻击敌人,敌人可以攻击玩家,攻击点合理设计,可以通过随机数产生,模拟战斗过程
- NYOJ-255C小加之随机数【模拟】
- R语言--数据抽样的实现
- python 模拟按照指定概率进行抽样
- [NOI2014]随机数生成器(模拟+贪心)
- c++实现模拟产生随机数
- R语言与抽样技术学习笔记(Randomize)