非参第八次作业.docxVIP

非参数统计第8次作业刘雪莹20102019442012.11.14【课堂实验】x=scan(nerve.txt)median.nerve=median(x)TBoot=NULLsd.nerve=NULLtotal=NULLxsample=matrix(nrow=1000,ncol=20)n=20B=1000for(i in 1:B){xsample=sample(x,n,T)total=c(total,xsample)Tboot=median(xsample)TBoot=c(TBoot,Tboot)sd.nerve=c(sd.nerve,sd(TBoot))}plot(1:B,sd.nerve)考察“覆盖率”：count=c()for(i in 1:length(x)){a=x[i]b=total[total==a]count[i]=length(b)}count/1000（输出结果略）【3.9】关于LSAT成绩和GPA成绩的相关性（1）Y和Z的相关系数：Y-c(576,635,558,578,666,580,555,661,651,605,653,575,545,572,594)Z-c(3.39,3.30,2.81,3.03,3.44,3.07,3.00,3.43,3.36,3.13,3.12,2.74,2.76,2.88,3.96)X=cor(Y,Z) X[1] 0.5459189（2）用Bootstrap方法估计相关系数的标准误差：cor=NULLsdcor=NULLsd.cor=NULLa=seq(1,length(Y),by=1)for(i in 1:1000){sample=sample(a,5,T)Ysample=Y[sample]Zsample=Z[sample]cor0=cor(Ysample,Zsample)cor=c(cor,cor0)sdcor=c(sdcor,sd(cor))}plot(1:1000,sdcor)sd.cor=sdcor[1000] sd.cor[1] 0.336767（3）利用（1）和（2）已计算出的相关系数点估计和标准误差估计，结合pivotal置信区间估计方法，可得：Lcl=2*x-quantile(cor,0.975)Ucl=2*x-quantile(cor,0.025)pivotal.interval=c(Lcl,Ucl) pivotal.interval 97.5% 2.5% 013.10】比较三种Bootstrap置信区间的方法#先下载程序包moments，利用其中的skewness函数计算偏度y=rnorm(50,0,1)x=exp(y)sk.x=skewness(x)sk=NULLsdsk=NULLsd.sk=NULLfor(i in 1:1000){xsample=sample(x,20,T)sk0=skewness(xsample)sk=c(sk,sk0)sdsk=c(sdsk,sd(sk))}alpha=0.05##normnLcl=sk.x-qnorm(0.975,0,1)*sd(sk)nUcl=sk.x+qnorm(0.975,0,1)*sd(sk)norm.inverval=c(nLcl,nUcl)##pivotalpLcl=2*sk.x-quantile(sk,0.975)pUcl=2*sk.x-quantile(sk,0.025)pivotal.interval=c(pLcl,pUcl)##quantileqLcl=quantile(sk,0.025)qUcl=quantile(sk,0.975) norm.interval——正态置信区间[1] 0.4706971 2.7771754 pivotal.interval——枢轴量置信区间 97.5% 2.5% 0.7257985 3.0148721 quantile.interval——分位数置信区间 2.5% 97.5% 0.2330004 2.5220740【3.12】鱼的长度的中位数置信区间用Walsh平均法求所给长度样本的中位数95%置信区间：long-c(64,65,65,66,67,rep(68,4),rep(69,3),rep(70,4),rep(71,5),rep(72,3),rep(73,3),75,rep(77,6),78,83)walsh.long-c()for(i in 1:length(long)-1){for(j in (i+1):length(long)){walsh.long-c(walsh.long,(long[i]+long[j])/2)}}walsh.long-c(walsh