Cara menghasilkan distribusi normal di r (dengan contoh)

Anda dapat dengan cepat menghasilkan distribusi normal di R menggunakan fungsi rnorm() , yang menggunakan sintaks berikut:

 rnorm(n, mean=0, sd=1)

Emas:

• n : Jumlah observasi.
• mean: rata-rata dari distribusi normal. Nilai defaultnya adalah 0.
• sd : simpangan baku dari distribusi normal. Nilai defaultnya adalah 1.

Tutorial ini menunjukkan contoh penggunaan fungsi ini untuk menghasilkan distribusi normal di R.

Terkait: Panduan untuk dnorm, pnorm, qnorm dan rnorm di R

Contoh: menghasilkan distribusi normal di R

Kode berikut menunjukkan cara menghasilkan distribusi normal di R:

 #make this example reproducible
set.seed(1)

#generate sample of 200 obs. that follows normal dist. with mean=10 and sd=3
data <- rnorm(200, mean=10, sd=3)

#view first 6 observations in sample
head(data)

[1] 8.120639 10.550930 7.493114 14.785842 10.988523 7.538595

Kita dapat dengan cepat menemukan mean dan deviasi standar dari distribusi ini:

 #find mean of sample
mean(data)

[1] 10.10662

#find standard deviation of sample
sd(data)

[1] 2.787292

Kita juga dapat membuat histogram cepat untuk memvisualisasikan distribusi nilai data:

 hist(data, col=' steelblue ')

Kami bahkan dapat melakukan tes Shapiro-Wilk untuk melihat apakah kumpulan data tersebut berasal dari populasi normal:

 shapiro.test(data)

	Shapiro-Wilk normality test

data:data
W = 0.99274, p-value = 0.4272

Nilai p dari tes tersebut ternyata 0,4272 . Karena nilai ini tidak kurang dari 0,05, maka kita dapat berasumsi bahwa data sampel berasal dari populasi yang berdistribusi normal.

Hasil ini seharusnya tidak mengejutkan karena kami menghasilkan data menggunakan fungsi rnorm() , yang secara alami menghasilkan sampel data acak dari distribusi normal.

Sumber daya tambahan

Cara memplot distribusi normal di R
Panduan untuk dnorm, pnorm, qnorm dan rnorm di R
Cara melakukan uji normalitas Shapiro-Wilk di R