【最新】R语言假设检验 PPT课件教案讲义(附代码数据)图文

sort(x) [1] -5.6 -1.6 -1.4 -0.7 -0.5 0.4 0.7 1.7 2.0 2.5 2.5 2.8 3.0 3.5 4.0 [16] 4.5 4.6 5.8 6.0 7.1 x1<-table(cut(x,br=c(-6,-3,0,3,6,9))) p<-pnorm(c(Baidu Nhomakorabea3,0,3,6,9),mean(x),sd(x)) p [1] 0.04894712 0.24990009 0.62002288 0.90075856 0.98828138 p<-c(p[1],p[2]-p[1],p[3]-p[2],p[4]-p[3],1-p[4]);p [1] 0.04894712 0.20095298 0.37012278 0.28073568 0.09924144 chisq.test(x1,p=p) Chi-squared test for given probabilities data: x1 X-squared = 0.5639, df = 4, p-value = 0.967 警告信息： In chisq.test(x1, p = p) : Chi-squared 近似算法有可能不准 p 值为 0.967，接受原假设，x 符合正态分布。 再以 y 为例。 sort(y) [1] -2.0 -1.1 0.2 0.6 0.8 1.2 1.6 1.7 2.0 2.0 2.2 3.1 [15] 3.8 5.0 5.2 6.0 6.5 6.6 y1<-table(cut(y,br=c(-6,-3, 0,3,6,9))) p<-pnorm(c(-3,0,3,6,9),mean(y),sd(y)) p [1] 0.01006540 0.13907444 0.56156046 0.91839260 0.99577767 p<-c(p[1],p[2]-p[1],p[3]-p[2],p[4]-p[3],1-p[4]);p [1] 0.01006540 0.12900904 0.42248601 0.35683214 0.08160740 chisq.test(y1,p=p) Chi-squared test for given probabilities data: y1 X-squared = 0.4531, df = 4, p-value = 0.9779 警告信息： In chisq.test(y1, p = p) : Chi-squared 近似算法有可能不准 p 值为 0.9779，接受原假设，y 符合正态分布。 （2） 方差相同模型 t 检验： t.test(x,y,var.equal=TRUE) Two Sample t-test
（1） 正态性 W 检验： x<-c(-0.7,-5.6,2,2.8,0.7,3.5,4,5.8,7.1,-0.5,2.5,-1.6,1.7,3,0.4,4.5,4.6,2.5,6,-1.4) y<-c(3.7,6.5,5,5.2,0.8,0.2,0.6,3.4,6.6,-1.1,6,3.8,2,1.6,2,2.2,1.2,3.1,1.7,-2) shapiro.test(x) Shapiro-Wilk normality test data: x W = 0.9699, p-value = 0.7527 shapiro.test(y) Shapiro-Wilk normality test data: y W = 0.971, p-value = 0.7754 无论是对照组，还是实验组，p 值均大于 0.05，于是接受原假设，即这两组数据均来自正态 分布总体。 ks 检验： ks.test(x,"pnorm",mean(x),sd(x)) One-sample Kolmogorov-Smirnov test data: x D = 0.1065, p-value = 0.977 alternative hypothesis: two-sided 警告信息： In ks.test(x, "pnorm", mean(x), sd(x)) : 在有连结的情况下无法正确計算 p 值 ks.test(y,"pnorm",mean(y),sd(y)) One-sample Kolmogorov-Smirnov test data: y D = 0.1197, p-value = 0.9368 alternative hypothesis: two-sided 警告信息： In ks.test(y, "pnorm", mean(y), sd(y)) : 在有连结的情况下无法正确計算 p 值 无论是对照组，还是实验组，p 值均大于 0.05，于是接受原假设，即这两组数据均来自正态 分布总体。 pearson 拟合优度检验，以 x 为例。
第五章习题 5.1 依题意，应选择双侧检验，于是可写出原假设和备择假设如下： 原假设：油漆工人的血小板计数与正常成年男子无差异。 备择假设：油漆工人的血小板计数与正常成年男子有差异。 x<-c(220, 188, 162, 230, 145, 160, 238, 188, 247, 113, 126, 245, 164, 231, 256, 183, 190, 158, 224, 175) t.test(x,mu=225) One Sample t-test data: x t = -3.4783, df = 19, p-value = 0.002516 alternative hypothesis: true mean is not equal to 225 95 percent confidence interval: 172.3827 211.9173 sample estimates: mean of x 192.15 由于 p 值小于 0.05，拒绝原假设，认为油漆工人的血小板计数与正常成年男子有差异。 5.2 x<-c(1067,919,1196,785,1126,936,918,1156,920,948) pnorm(1000,mean(x),sd(x)) [1] 0.5087941 由此看出，x 1000的概率为 0.509，因此x 1000 的概率为 0.491. 5.3 A<-c(113,120,138,120,100,118,138,123) B<-c(138,116,125,136,110,132,130,110) t.test(A,B,paired=TRUE) Paired t-test data: Aand B t = -0.6513, df = 7, p-value = 0.5357 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: -15.62889 8.87889 sample estimates: mean of the differences -3.375 p 值大于 0.05，接受原假设，两种方法治疗无差异。 5.4