Как создать нормальное распределение в r (с примерами)

Вы можете быстро сгенерировать нормальное распределение в R, используя функцию rnorm() , которая использует следующий синтаксис:

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

Золото:

• n: Количество наблюдений.
• среднее значение: среднее нормального распределения. Значение по умолчанию — 0.
• sd: стандартное отклонение нормального распределения. Значение по умолчанию — 1.

В этом руководстве показан пример использования этой функции для создания нормального распределения в R.

Связанный: Руководство по dnorm, pnorm, qnorm и rnorm в R.

Пример: создание нормального распределения в R

Следующий код показывает, как создать нормальное распределение в 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

Мы можем быстро найти среднее и стандартное отклонение этого распределения:

 #find mean of sample
mean(data)

[1] 10.10662

#find standard deviation of sample
sd(data)

[1] 2.787292

Мы также можем создать быструю гистограмму для визуализации распределения значений данных:

 hist(data, col=' steelblue ')

Мы даже можем выполнить тест Шапиро-Уилка, чтобы проверить, получен ли набор данных из нормальной популяции:

 shapiro.test(data)

	Shapiro-Wilk normality test

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

P-значение теста оказалось равным 0,4272 . Поскольку это значение не меньше 0,05, можно предположить, что данные выборки взяты из нормально распределенной совокупности.

Этот результат не должен вызывать удивления, поскольку мы сгенерировали данные с помощью функции rnorm() , которая естественным образом генерирует случайную выборку данных из нормального распределения.

Дополнительные ресурсы

Как построить нормальное распределение в R
Руководство по dnorm, pnorm, qnorm и rnorm в R
Как выполнить тест Шапиро-Уилка на нормальность в R