《统计与数据分析》数据分析实验作业.PDFVIP

《统计与数据分析》 数据分析实验作业 数据来源于大肠杆菌Escherichia coli K-12 MG1655 注释的4289 个编码蛋白基因的长度 l （单位：核苷酸，NT ）及其GC 含量r （% ）。其中，第1 列为基因序号，第2 列为基因的 长度l （单位：核苷酸，NT ），第3 列为基因的GC 含量r （% ）。试针对这一组数据完成下 列数据分析工作： 一. 将全部4289 个基因视为总体Y ，请完成如下工作： 1. 严格按照要求（注意：软件自动生成的结果视为无效作业），分别画出基因长度l 和 基因GC 含量r 的频率直方图和箱线图，并对这两类数据的异常值进行分析； 2. 分别求出基因长度l 和基因GC 含量r 的均值、标准差、极差、中位数、众数、变异 系数，并在k ≤10 范围内依次、完整地检验Chebyshev 定理； 3. 基于总体Y ，考察l 与GC 含量r 比值l/r，请设计抽样对l/r 进行比值估计与单随机 变量估计的抽样效率的比较分析，并以合适的图示表示比较结果； 4. 基于总体Y ，根据中心极限定理构造一个基于GC 含量r 值的模拟总体数据X ，并以 合适的图示表示，要求总体X 为经过显著性水平α=0.01 下的K-S 检验的标准正态分布，且 X 的个体数目也为4289 ，取值可表示为R 。（提示：简单随机抽样的样本均值R 近似服从正态分布， 样本容量n 自定。） 二. 基于服从标准正态分布的总体X ，请完成如下工作： 1. 从中进行1 次简单随机抽样（容量n=277 ），求出样本均值和样本标准差，并画出这 一样本的频率直方图和箱线图；由此估计总体 X 的正态分布参数（方法不限，需写出具体 求解过程），并分别采用自举法（Bootstrap ）重复抽样1000 次，分别确定该样本均值和该样 本标准差是否处于 90%的置信区间（以上下5%分位数来定义 90%的置信区间），并以合适 的图示表示自举法重复抽样1000 次以及该置信区间的结果； 2. 进一步地，进行 100 次容量为n=61 的简单随机抽样，分别画出样本均值、样本标准 差的频率直方图，考察同样参数估计方法所估计参数的 90%置信区间的情况，并以合适的 图示表示（提示：（1 ）相关分布的分位数表可参考本课程讲义；（2 ）请参考本课程讲义的表示方式。）。 三. 对于总体Y ，将全部4289 个基因视为从某一总体中进行 1 次简单随机抽样的样本 （容量n=4289 ），给定显著性水平为10%，试考察基因长度l 与GC 含量r 是否相互独立。 要求写出具体的分析过程。（提示：相关分布的分位数表可参考本课程讲义。） 要求： （1）本次数据分析以实验报告形式打印、装订提交，请在第一页注明学号、姓名； （2 ）请保证独立完成本作业，鼓励自行编程完成上述数据分析，也可使用相关软件（不限）； （3 ）本作业占课程总成绩15%。