本篇内容介绍了“R语言中的概率分布函数怎么使用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
R中拥有众多的概率函数，既有概率密度函数，也有概率分布函数，可以调用函数，也可以产生随机数，其使用规则如下所示：
[dpqr]distribution_abbreviation()
其中前面字母为函数类型，含义如下：
d=密度函数（density）
p=分布函数（distributionfunction）
q=分位数函数（quantilefunction）
r=生成随机数（随机偏差）
distribution_abbreviation为概率分布名称的缩写，R中的概率分布类型如下所示：
对于概率密度函数和分布函数，其使用方法举例如下：例如正态分布概率密度函数为dnorm()，概率分布函数pnorm()，生成符合正态分布的随机数rnorm()。
x=pretty(c(-3,3),100)y=dnorm(x)plot(x, y)
作图结果如下所示：
对于生成随机数，其使用方法举例如下：
rnorm(n, mean=0, sd=1) #产生n个正态分布的数，mena平均值，sd标准差runif(n, min=0, max=1) #产生n个均匀分布的数，min最小值，max最大值
接下来我们产生符合正态分布的随机数并作图：
library(ggplot2)y=rnorm(10000, mean=0, sd=1)x=1:10000data=data.frame(x=x, y=y)ggplot(data, aes(x=y)) + geom_histogram(position='identity', alpha=0.5, binwidth=0.1, aes(y=..density..), fill="cyan") + stat_density(geom='line', position='identity', color="cyan4")
作图结果如下所示：
可以看到数据分布图像与正态函数图像基本相同。R也可以产生多维随机变量，例如MASS包中的mvrnorm()函数可以产生一维或者多维正态分布的随机变量，其使用方法如下所示：
mvrnorm(n=1, mu, Sigma...)
其中n为随机数的个数，mu为数值向量，给出均值，Sigma为对称的数值矩阵给出协方差矩阵。
当有多个随机变量都服从正态分布时，为多元正态性。接下来我们产生相关系数不同（1、0.75、0.25、0）的二维正太随机变量，并绘制其密度图，来观察区别，具体如下：
library(MASS) #相关系数1Sigma1=matrix(c(1, 1, 1, 1), 2, 2) X1=mvrnorm(n=1000, c(0, 0), Sigma1) #总共1000个点K1=kde2d(X1[,1], X1[,2], n=100) #n为估计密度所用点数，不能太大col.palette=colorRampPalette(c("white","red")) #自定义颜色filled.contour(K1, color=col.palette)#相关系数0.75Sigma2=matrix(c(1, 0.75, 0.75, 1), 2, 2) X2=mvrnorm(n=1000, c(0, 0), Sigma2)K2=kde2d(X2[,1], X2[,2], n=100)filled.contour(K2, color=col.palette)#相关系数0.25Sigma3=matrix(c(1, 0.25, 0.25, 1), 2, 2) X3=mvrnorm(n=1000, c(0, 0), Sigma3)K3=kde2d(X3[,1], X3[,2], n=100)filled.contour(K3, color=col.palette)#相关系数0Sigma4=matrix(c(1, 0, 0, 1), 2, 2) X4=mvrnorm(n=1000, c(0, 0), Sigma4)K4=kde2d(X4[,1], X4[,2], n=100)filled.contour(K4, color=col.palette)
作图结果如下所示：
上面程序中kde2d()函数根据二维坐标来估计数据点的分布密度，并画出等密度线（可以使用contour(K4, lwd=1,add=T, xlim, ylim...)函数添加边界线并标注数据比例），然后自定义颜色并并填充进去形成图像，实际上展示了三维信息。但是我们仍可以用persp()函数来展示出3D图：
persp(K1, col="orange", theta=95, phi=30, d=2)
“R语言中的概率分布函数怎么使用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
