统计与数据分析数据分析作业

《统计与数据分析》

数据分析实验作业

数据来源于大肠杆菌Escherichia coli K-12 MG1655注释的4289个编码蛋白基因的长度l（单位：核苷酸，NT）及其GC含量r（%）。其中，第1列为基因序号，第2列为基因的长度l（单位：核苷酸，NT），第3列为基因的GC含量r（%）。试针对这一组数据完成下列数据分析工作：

一. 将全部4289个基因视为总体Y，请完成如下工作：

1. 严格按照要求（注意：软件自动生成的结果视为无效作业），分别画出基因长度l和基因GC含量r的频率直方图和箱线图，并对这两类数据的异常值进行分析；

2. 分别求出基因长度l和基因GC含量r的均值、标准差、极差、中位数、众数、变异系数，并在k≤10范围内依次、完整地检验Chebyshev定理；

3. 基于总体Y，考察l与GC含量r比值l/r，请设计抽样对l/r进行比值估计与单随机变量估计的抽样效率的比较分析，并以合适的图示表示比较结果；

4. 基于总体Y，根据中心极限定理构造一个基于GC含量r值的模拟总体数据X，并以合适的图示表示，要求总体X为经过显著性水平α=0.01下的K-S检验的标准正态分布，且X的个体数目也为4289，取值可表示为R。（提示：简单随机抽样的样本均值R近似服从正态分布，样本容量n自定。）

二. 基于服从标准正态分布的总体X，请完成如下工作：

1. 从中进行1次简单随机抽样（容量n=277），求出样本均值和样本标准差，并画出这一样本的频率直方图和箱线图；由此估计总体X的正态分布参数（方法不限，需写出具体求解过程），并分别采用自举法（Bootstrap）重复抽样1000次，分别确定该样本均值和该样本标准差是否处于90%的置信区间（以上下5%分位数来定义90%的置信区间），并以合适的图示表示自举法重复抽样1000次以及该置信区间的结果；

2. 进一步地，进行100次容量为n=61的简单随机抽样，分别画出样本均值、样本标准差的频率直方图，考察同样参数估计方法所估计参数的90%置信区间的情况，并以合适的图示表示（提示：（1）相关分布的分位数表可参考本课程讲义；（2）请参考本课程讲义的表示方式。）。

三. 对于总体Y，将全部4289个基因视为从某一总体中进行1次简单随机抽样的样本（容量n=4289），给定显著性水平为10%，试考察基因长度l与GC含量r是否相互独立。要求写出具体的分析过程。（提示：相关分布的分位数表可参考本课程讲义。）

要求：

（1）本次数据分析以实验报告形式打印、装订提交，请在第一页注明学号、姓名；

（2）请保证独立完成本作业，鼓励自行编程完成上述数据分析，也可使用相关软件（不限）；（3）本作业占课程总成绩15%。