常態機率圖和常態性檢定、各式次數分配表.ppt

常態分配常用函數 rnorm(n,0,1): 產生n個N(0,1)的隨機亂數 dnorm(x,0,1): 計算N(0,1)在x的機率密度函數值 pnorm(x,0,1): 計算p=P(Z=x)的累積機率值 qnorm(p,0,1): 計算岀使P(Z=x)=p的x值，是pnorm的反函數 以dnorm和pnorm分別計算機率密度函數值(pdf)和累積機率密度函數值(cdf) 同理以均等分配U(0,1)為例，相關的函數名稱為runif、dunif、punif、qunif 常態分配常用函數 pdf、cdf函數圖形 curve(dnorm(x),-3.5, 3.5,main=N(0,1) pdf) curve(pnorm(x),-3.5, 3.5,main=N(0,1) cdf) 亂數與隨機抽樣 常態機率圖和常態性檢定 常態機率圖: qqnorm(Sepal.Length) 最佳斜線: qqline(Sepal.Length,col=red) Shapiro-Wilk檢定:基本套組stats的shapiro.test函數 Anderson-Darling檢定:套組nortest的ad.test函數 Kolmogorov-Smirnov檢定:基本套組stats的ks.test函數 範例height:檢查資料有否偏離值 範例height:以圖形呈現資料分佈 範例height:以機率密度畫直方圖和曲線 範例height:常態機率圖和常態性檢定 範例iris:直方圖和常態曲線 範例iris:常態機率圖和常態性檢定 各種次數分配表的函數 xtab 計算分組次數 tapply 、aggregate彙整函數 prop.table計算分組百分比 tabulate、table(2D) 、table(3D)函數 ftable(data.frame(gender,area,cards))分層 hist計算分組次數 library(xtable): print(xtable(dataframe, caption=“html table),TYPE=HTML) xtab 計算分組次數 自訂順序的次數分配表 tapply 、aggregate彙整函數 prop.table計算分組百分比 tabulate、table函數(2D) Table函數(3D) hist計算分組次數 brain範例:敘述統計一 brain範例:敘述統計二 brain範例: table和ftable分組次數 程式範例1:以平均數取代NA test=read.csv(d:/stella/R/test.csv) for (j in 2:4) { m=mean(test[,j],na.rm=TRUE) for (i in 1:nrow(test)) if (is.na(test[i,j])) test[i,j]=m } write.csv(test,d:/stella/R/test1.csv, row.names=F) 程式範例2:計算不為NA的筆數 test=read.table(d:/R/data/txt/cancers.txt) cnt=rep(0,5) for (i in 2:nrow(test)) { for (j in 1:ncol(test)) { if (!(is.na(test[i,j]))) cnt[j]=cnt[j]+1 } } write(cnt,file=d:/R/data/txt/can.txt) 假設檢定概說 在進行各種統計假設檢定時，我們通常將要否定（棄卻）之事實當作虛無假設（以H0代表）。既然希望它是不對，欲將其否定，那就表示會有一個希望它是對的對立假設（以H1代表）。 當檢定結果，得否定該虛無假設時，就等於接受對立假設。虛無假設與對立假設間必須是週延且互斥，其間絕無重疊的模糊地帶；也無任何無法涵蓋的真空地帶。 等於與不等於之雙尾檢定 H0：μ1＝μ2 檢定統計量之觀察值落在左側或 H1：μ1≠μ2 右側之危險域，均表示μ1≠μ2 (若落在左側，表示μ1＜μ2； 若落在右側，表示μ1＞μ2。) 右側單尾檢定 左側單尾檢定 H0：μ1≦μ2 H1：μ1＞μ2 H0：μ1≧μ2 H1：μ1＜μ2 檢定的步驟 設定虛無假設H0 設定對立假設H1 決定顯著水準（α） 選擇適當的檢定統計量（z、t、F、…），以及決定危險域（棄卻域之臨界點） 計算所選之檢定統計量的觀察值 結論：當檢定統計量的觀察值落入危險域，棄卻虛無假設H0；反之，無法棄卻虛無假設H0（接受虛無假設） 母體平均數μ的Z檢定 大樣本(n30)時用Z檢定，若母體標準差σ未知，則可使用樣本標準差S來替代 母體平均數