r语言做数据的描述性统计分析（R语言学习笔记六）

导语：最近一直在学习一份R语言资料，是斯坦福大学的老师写的。可以直接在线学习，https://web.stanford.edu/class/bios221/book/index.html。里面有配套的R代码，小编在这里写一点读书笔记。本章介绍常见的离散分布及其应用。

1. 伯努利试验和二项分布

1.1 定义

若试验E只有两个结果A和Ā，概率分别为p和1-p，则称E为伯努利试验，将E独立重复n次称为n重伯努利试验。最典型的伯努利试验就是抛硬币的例子，比如抛3次硬币，观察到2次正面向上的概率为：（下图）。

用X表示n重伯努利试验中A发生的次数，则称随机变量X服从二项分布，记为X~b(n, p)，其分布律为：

二项分布的期望和方差分别E(X) = np和D(X) = np(1-p).

1.2 R语言实例

在R中常用的分布通常有对应的4个函数，分别以p(probobility，概率)，d(distribution，分布)，r(random，随机数)，q(quantile，分位数)这四个字母开头。以二项分布为例，有如下4个函数：

pbinom(q, size, prob): 计算累积概率

dbinom(x, size, prob): 计算取某个值x的特定概率

rbinom(n, size, prob): 产生n个b(size, prob)的二项分布随机数

qbinom(p, size, prob): 分位数函数

其中size和prob两个参数分别表示伯努利试验的次数和每次试验成功的概率，即分别对应二项分布中的两个参数n和p。假如碱基突变的概率为5×10-4，我们模拟10000个位点发生突变的碱基数，并绘制条形图。

> simulations = rbinom(n = 300000, prob = 5e-4, size = 10000) > barplot(table(simulations), col = "lavender")

再比如要生成10000个服从b(100, 0.2)的随机数，画出概率密度直方图，并添加正态分布拟合曲线。

> library(dplyr) > library(ggplot2) > tibble(x = rbinom(10000, size=100, prob=0.2))%>% ggplot(aes(x= x)) geom_histogram(aes(y=..density..)) stat_function( fun =dnorm, args =list(mean = 20, sd = 4), color ="red" )

上述代码中使用了一种特殊的数据框tibble，这是R语言大神Hadley Wickham在tidyverse包中新定义的一种数据类型，是弱类型的data.frame，与data.frame有相同的语法，但使用起来更加灵活。如果要了解更多内容，可以参考R for Data Science这本书

（https://r4ds.had.co.nz/）。

模拟数据的期望和方差分别为20和0.4，根据中心极限定理，当n取很大值的时候，二项分布趋近于正态分布。因此我们的模拟数据能够与上图中的正态分布N(20, 0.4)拟合。

2. 泊松分布

2.1 定义

泊松分布适合于描述单位时间内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，汽车站台的候客人数，机器出现的故障数，自然灾害发生的次数，DNA突变的碱基个数等等。泊松分布只有一个参数λ，记为X~π(λ)，其分布律为：

泊松分布的期望和方差都等于λ，即E(X) = D(X)= λ。当二项分布的n较大时，可以用泊松分布逼近二项分布，其中λ = np.

2.2 R语言示例

我们分别生成1000个服从二项分布b(10000, 0.01)和泊松分布π(100)的随机数，并画图。

> library(tidyverse) > tibble(x = rbinom(1000, size = 10000, prob =0.01), y = rpois(1000, 100)) %>% pivot_longer(cols = c(x, y)) %>% ggplot(aes(x= value)) geom_density(aes(col = name))

这里先解释一下上述代码，首先我们创建了一个tibble类型的数据框，包含x和y两列，分别服从b(10000, 0.01)和π(100)。再用pivot_longer()函数将数据框转换成长数据，最后作出直方图。

从图中我们可以看到两条曲线能够很好地重合，这也说明了我们上述的结论正确，即泊松分布可以看做是n很大p很小的二项分布。

3. 蒙特卡洛方法（Monte Carlo）

蒙特卡洛方法是指通过产生大量的随机数，来用于数值统计计算以获得问题的近似解。一个经典的例子是用蒙特卡洛模拟计算圆周率π，如下图所示，在正方形内产生足够多的随机点，这些点落在圆内的概率就是圆面积和正方形面积的比值，所以落在圆内的点的个数比上所有的点的个数（在正方形内的点）就等于落在圆内的概率。据此即可计算出π = 4*圆面积/正方形面积，下面用代码说明。

> calpi <- function(n){ x <- matrix(runif(2 * n), ncol = 2) return(4*mean(rowSums(x^2)<=1)) } > pi_new <- c() > for (i in 1:1000){ pi_new[i] <- calpi(i) } > plot(pi_new) > abline(h=pi, col = 2 )

可以看到当随机数的个数n越来越大的时候，通过蒙特卡洛计算出的π逐渐接近真实值。

最后再看一个例子，假如X~π(0.5)中，X样本数为100。我们想知道X≥7的概率。我们当然能够用理论公式计算，p = 1- p(X≤6) = 1-。但这样计算显然是很复杂的，我们可以用蒙特卡洛模拟，生成大量的符合泊松分布的样本，然后计算概率。具体代码如下：

> maxes = replicate(100000, { max(rpois(100, 0.5)) }) > table(maxes) maxes 1 2 3 4 5 6 7 8 23430 60446 14469 1530 110 7 > mean( maxes >= 7 ) [1] 0.00011

最后算出的p值为0.00011，也就是在这些样本中几乎不可能观察到大于7的值。蒙特卡洛模拟的限制在于其精度≤1/n，其中n表示产生的随机数。这也就是说要想得到足够精确的结果，必须产生足够数量的随机数，也对计算机的性能提出了很高的要求。

R语言学习笔记系列

R语言学习笔记（二）

R语言学习笔记（三）——实用的内置函数

R语言学习笔记（四）—pheatmap

​​​R语言学习笔记（五）——曼哈顿图

手握这些网站，分分钟搞定R语言自学

关注【投必得论文编译】获取每天最新科研/论文写作干货！

得SCI写作神器大集合！

• 科研笔记神器：拆书神器，一分钟建立一个知识图谱
• 一入科研深似海，这些科研工具让你如有神助
• PDF阅读器具备谷歌翻译功能了，效率值拉满
• 学术写作 - 文献综述高分模版
• SCI英文润色软件推荐-StyleWriter，一款可定制的润色工具

,