2013统计软件统计方法_第5章.pptVIP

第5章：统计模拟 5.1 随机数 5.1 随机数—R提供的各种函数 5.1 随机数—R提供的各种函数 5.1 随机数—一个定理 5.2 离散抽样-简单随机样本 5.2 离散抽样-简单随机样本 5.2 离散抽样-简单随机样本 5.2 离散抽样-简单随机样本 5.3 bootstrap方法 5.3 bootstrap方法—区间估计 5.3 bootstrap方法 5.3 bootstrap方法 5.3 bootstrap方法 5.3 bootstrap方法 5.4 Monte carlo方法 5.4 Monte carlo方法 5.4 Monte carlo方法 5.4 Monte carlo方法 5.4 Monte carlo方法 5.4 Monte carlo方法 5.4 Monte carlo方法 5.4 Monte carlo方法 5.4 Monte carlo方法 5.4 Monte carlo方法 5.4 Monte carlo方法 第5章：作业1 第5章：作业2 * * 1、随机抽样 2、bootstrap方法 3、monte carlo方法 采用计算机进行模拟抽样时，最重要的就是要有性质优良的随机数。 从概率统计中学到的知识可知，对于随机现象的认识总是希望与某种分布联系起来。因此研究各种分布的随机数产生方法成了概率统计中的一个基本问题。这个工作还有待继续深入。 问题： 如何产生各种分布的随机数？ 如何确定随机数序列的统计性质？ 如何产生多维分布的随机数？ 针对各种分布，R提供了比较详细的生成函数： rbinom(n, size,prob) runif(n, a, b) rpois(n, lamda) rnorm(n, mu,xigma) rgeom(n,prob) rexp(n, rate) rnbinom(n,size,prob,mu) rt(n,df) rchisq(n,df) rf(n,df1,df2) rlnorm(n,logmu,logxigma) … 共同的特点：以r作为前缀 针对多维正态分布，MASS包提供mvrnorm mvrnorm(n, mu,xigma) 其中mu是p维均值向量，xigma是pxp协方差矩阵，n是产生的随机数个数；返回nxp矩阵 dmvnorm(x,mu,xigma) [mvtnorm包] 生成多维正态分布的密度值 还有 pmvnorm, qmvnorm, pmvt, qmvt 等。 问题：研究代码mvrnorm给出生成公式。 如果通过均匀随机数产生其它各种分布随机数 注意：并非所有分布的随机数都能如此产生。 有限总体的抽样是实际生活中常用的一种抽样调查形式。如何在有限总体中抽样呢？ R提供了sample函数实现有限总体抽样。 sample(x,n,replace=TRUE,prob=NULL) 功能: 从向量x中随机抽取n个元素构成一个样本 其中：x可以使任意类型的向量； replace=TRUE,有放回抽样,否则无放回； prob=NULL表示等可能抽样，否则必须指定x中每个元素被抽取的概率，总和为1。 问题：若只是0-1总体中抽样是否可用rbinom 例1：按概率(0.3,0.5,0.2)产生(‘A’,’B’,’C’)三个的100个抽样。 x=c(A,B,C); prob=c(0.3,0.5,0.2) Re=sample(x,100,replace=TRUE,prob=prob) A=table(Re) A/100 plot(A) 例2：0-1抽样10000次,比较sample和rbinom 为了能够重现抽样数据，通过set.seed(seed)来固定随机序列。 set.seed(10) a=sample(c(0,1),10000,replace=TRUE) set.seed(20) b=rbinom(10000,1,0.5) sa=c(mean(a),median(a),sd(a)) sb=c(mean(b),median(b),sd(b)) rbind(statis_a=sa,statis_b=sb) 例2：作1000组[ 0-1抽样10000次 ]的算法 m=1000; N=10000; t1=proc.time(); y=matrix(rep(N,m),ncol=m) sa=t(apply(y,2,function(x) {a=rbinom(x,1,0.5)