R တွင် bivariate ပုံမှန်ဖြန့်ဝေမှုကို ပုံတူအောင်ပြုလုပ်နည်း

ကိန်းဂဏန်းစာရင်းဇယားများတွင်၊ ကိန်းရှင်နှစ်ခုသည် ပေါင်းစပ်ထည့်သွင်းသောအခါတွင် ပုံမှန်ဖြန့်ဝေမှုတစ်ခု ရှိလျှင် ၎င်းတို့တွင် ပုံမှန်ဖြန့်ဝေမှုတစ်ခု၏ ကွဲပြားမှုနောက်ဆက်တွဲဖြစ်သည်။

ဤသင်ခန်းစာတွင် အောက်ပါတာဝန်များကို R တွင် မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။

• ပုံမှန်ဖြန့်ဖြူးမှု bivariate ကို အတုယူပါ။
• ကွန်တိုဆွဲကွက် (2D ကွက်ကွက်) ကို အသုံးပြု၍ ပုံမှန်ဖြန့်ဝေမှုတစ်ခုကို ပုံဖော်ပါ
• မျက်နှာပြင်ကွက်ကွက် (3D ကွက်ကွက်) ကို အသုံးပြု၍ ပုံမှန်ဖြန့်ဝေမှုကို bivariate တစ်ခုဆွဲပါ

သွားကြရအောင်!

ဥပမာ 1- R တွင် bivariate ပုံမှန်ဖြန့်ဖြူးမှုကို အတုယူပါ။

R တွင် bivariate ပုံမှန်ဖြန့်ဝေမှုကို အတုယူရန် အရိုးရှင်းဆုံးနည်းလမ်းမှာ MASS ပက်ကေ့ခ်ျမှ mvrnorm() လုပ်ဆောင်ချက်ကို အသုံးပြုခြင်းဖြစ်သည်။

အောက်ပါကုဒ်သည် လက်တွေ့တွင် bivariate ပုံမှန်ဖြန့်ဝေမှုကို အတုယူရန် ဤလုပ်ဆောင်ချက်ကို အသုံးပြုပုံကို ပြသသည်-

 library (MASS)

#make this example reproducible
set. seed ( 0 )

#simulate bivariate normal distribution
bivariate_data <- as. data . frame (mvrnorm(n= 100 ,
                                        mu=c(0, 0),
                                        Sigma=matrix(c(5, 3, 4, 4), ncol= 2 )))

#view first six rows of bivariate dataset
head(bivariate_data)

           V1 V2
1 -2.03600343 -2.9623059
2 0.07719131 1.2948982
3 -3.26729701 -1.7928069
4 -2.62985132 -2.3015471
5 -1.75126215 0.3056698
6 3.67698436 2.2020238

mvrnorm() လုပ်ဆောင်ချက်အတွက် အကြောင်းပြချက်တစ်ခုစီသည် ဤအရာဖြစ်သည်-

• n : နမူနာအရွယ်အစားကို သတ်မှတ်သည်။
• mu : ကိန်းရှင်တစ်ခုစီ၏ ပျမ်းမျှအား သတ်မှတ်သည်။
• Sigma : ကိန်းရှင်နှစ်ခု၏ ကွဲပြားသော matrix ကို သတ်မှတ်သည်။

နောက်ဆုံးရလဒ်သည် ပေါင်းစပ်ထည့်သွင်းသောအခါ ပုံမှန်ဖြန့်ဝေမှုနောက်ဆက်တွဲဖြစ်သော ကိန်းရှင်နှစ်ခုပါသည့် ဒေတာဘောင်တစ်ခုဖြစ်သည်။

ဥပမာ 2- Bivariate ပုံမှန်ဖြန့်ဝေမှုကို ကြံစည်ခြင်း။

R တွင် bivariate ပုံမှန်ဖြန့်ဝေမှုကို ကြံစည်ရန် အလွယ်ဆုံးနည်းလမ်းမှာ mnormt() ပက်ကေ့ခ်ျရှိ လုပ်ဆောင်ချက်များကို အသုံးပြုရန်ဖြစ်သည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် bivariate ပုံမှန်ဖြန့်ဝေမှုကို 2D အမြင်အာရုံကို ပံ့ပိုးပေးသည့် ကွန်တိုကွက်ကွက်ဖန်တီးရန် ဤပက်ကေ့ခ်ျ၏ contour() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။

 library (mnormt)

#make this example reproducible
set. seed ( 0 )

#create bivariate normal distribution
x <- seq(-3, 3, 0.1) 
y <- seq(-3, 3, 0.1)
mu <- c(0, 0)
sigma <- matrix(c(2, -1, -1, 2), nrow= 2 )
f <- function(x, y) dmnorm(cbind(x, y), mu, sigma)
z <- outer(x, y, f)

#create contour plot
contour(x, y, z)

bivariate ပုံမှန်ဖြန့်ဝေမှုကို 3D အမြင်ဖြင့် ပံ့ပိုးပေးသည့် မျက်နှာပြင်ကွက်ကွက်ဖန်တီးရန် persp() လုပ်ဆောင်ချက်ကိုလည်း အသုံးပြုနိုင်သည်။

 library (mnormt)

#make this example reproducible
set. seed ( 0 )

#create bivariate normal distribution
x <- seq(-3, 3, 0.1) 
y <- seq(-3, 3, 0.1)
mu <- c(0, 0)
sigma <- matrix(c(2, -1, -1, 2), nrow= 2 )
f <- function(x, y) dmnorm(cbind(x, y), mu, sigma)
z <- outer(x, y, f)

#create surface plot
persp(x, y, z, theta= -30 , phi= 25 , expand= 0.6 , ticktype=' detailed ')

ဤသည်မှာ persp() function အတွက် argument တစ်ခုစီ လုပ်ဆောင်သည်-

• theta၊ phi : ကြည့်ရှုမှုလမ်းကြောင်းထောင့်များကို သတ်မှတ်သည်။
• ချဲ့ရန် – z ဝင်ရိုး၏ အရွယ်အစားကို ထိန်းချုပ်သည်။
• ticktype : axes ပေါ်ရှိ tick များ၏ အသွင်အပြင်ကို ထိန်းချုပ်သည်။

နောက်ဆုံးရလဒ်မှာ bivariate ပုံမှန်ဖြန့်ဖြူးမှု၏ 3D မျက်နှာပြင်ကွက်ကွက်တစ်ခုဖြစ်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် R တွင် အခြားဖြစ်နိုင်ခြေဖြန့်ဝေမှုများကို မည်သို့အသုံးပြုရပုံကို ရှင်းပြသည်-

R တွင် ပုံမှန်ဖြန့်ဝေနည်းကို အသုံးပြုနည်း
R တွင် binomial distribution ကိုအသုံးပြုနည်း
R တွင် Poisson ဖြန့်ဖြူးမှုကိုအသုံးပြုနည်း
R တွင် နာမ်ခွဲဝေခြင်းကို မည်သို့အသုံးပြုရမည်နည်း။