R - 二项分布：初学者指南

你好，未来的R语言程序员！今天，我们将深入探索R语言中迷人的二项分布世界。如果你之前从未编写过代码，也不用担心——我会成为你这次旅行的友好向导。在本教程结束时，你将能够像专业人士一样操作二项分布！

什么是二项分布？

在编写代码之前，让我们先了解一下什么是二项分布。想象你抛一枚硬币10次。二项分布将帮助你计算得到特定数量正面的概率。这关乎于计算在固定次数的独立试验中成功的概率。

现在，让我们探索R语言提供的四个主要函数，用于处理二项分布。

R语言中二项分布的四大函数

R语言为我们提供了四个强大的函数来处理二项分布。让我们来认识它们：

函数	目的
dbinom()	计算概率密度
pbinom()	计算累积概率
qbinom()	计算分位数
rbinom()	生成随机数

让我们详细探索每一个函数。

dbinom()：概率大师

dbinom()做什么？

dbinom()函数计算在n次试验中得到恰好k次成功的概率。就像问：“当我抛5次硬币时，得到恰好3次正面的概率是多少？”

语法和参数

dbinom(x, size, prob)

• x：我们感兴趣的成功次数
• size：试验次数
• prob：每次试验成功的概率

示例：硬币抛掷

让我们计算在5次硬币抛掷中得到恰好3次正面的概率：

probability <- dbinom(3, size = 5, prob = 0.5)
print(probability)

运行这段代码，你会看到：

[1] 0.3125

这意味着在5次硬币抛掷中得到恰好3次正面的概率是31.25%。

pbinom()：累积概率计算器

pbinom()做什么？

pbinom()函数计算累积概率——在n次试验中得到至多k次成功的概率。就像问：“当我抛5次硬币时，得到3次或更少正面的概率是多少？”

语法和参数

pbinom(q, size, prob, lower.tail = TRUE)

• q：我们感兴趣的成功次数
• size：试验次数
• prob：每次试验成功的概率
• lower.tail：如果为TRUE（默认），计算P(X ≤ x)；如果为FALSE，计算P(X > x)

示例：考试成绩

想象一个有10个问题的多项选择题考试，每个问题有4个选项。猜答案得到6个或更少问题的正确答案的概率是多少？

probability <- pbinom(6, size = 10, prob = 0.25)
print(probability)

运行这段代码，你会得到：

[1] 0.9803073

这意味着通过纯粹的猜测，有98.03%的概率得到6个或更少的正确答案！

qbinom()：分位数探索

qbinom()做什么？

qbinom()函数像是pbinom()的反函数。它为给定的累积概率找到最小成功次数。

语法和参数

qbinom(p, size, prob, lower.tail = TRUE)

• p：累积概率
• size：试验次数
• prob：每次试验成功的概率
• lower.tail：如果为TRUE（默认），使用P(X ≤ x)；如果为FALSE，使用P(X > x)

示例：质量控制

一个工厂生产灯泡。他们想知道在一批100个灯泡中最多可以有缺陷的灯泡数量，以保持95%的质量标准。

max_defects <- qbinom(0.05, size = 100, prob = 0.03, lower.tail = FALSE)
print(max_defects)

这段代码将输出：

[1] 6

这意味着为了保持95%的质量标准，他们最多可以有6个有缺陷的灯泡。

rbinom()：随机数生成器

rbinom()做什么？

rbinom()函数从二项分布生成随机数。这就像模拟实际的试验！

语法和参数

rbinom(n, size, prob)

• n：要生成的随机值的数量
• size：试验次数
• prob：每次试验成功的概率

示例：模拟硬币抛掷

让我们模拟抛掷硬币10次，我们将进行5次这样的实验：

simulations <- rbinom(5, size = 10, prob = 0.5)
print(simulations)

你可能会得到如下输出：

[1] 4 6 5 3 7

每个数字代表在一组10次硬币抛掷中正面的计数。正如你所见，每次都是随机的！

所有内容整合在一起

现在我们已经探索了每个函数，让我们在一个实际场景中使用它们。想象你是一名天气预报员，正在预测雨天。

# 在一周7天中，恰好有3天降雨的概率
exactly_three <- dbinom(3, size = 7, prob = 0.3)

# 在一周7天中，3天或更少降雨的概率
three_or_fewer <- pbinom(3, size = 7, prob = 0.3)

# 有80%概率的降雨天数
days_with_80_percent <- qbinom(0.8, size = 7, prob = 0.3)

# 模拟10周的降雨
rain_simulations <- rbinom(10, size = 7, prob = 0.3)

print(paste("恰好3天降雨的概率:", exactly_three))
print(paste("3天或更少降雨的概率:", three_or_fewer))
print(paste("80%概率的降雨天数:", days_with_80_percent))
print("10周的模拟降雨天数:")
print(rain_simulations)

这个综合示例展示了这些函数如何一起工作来分析和预测降雨模式。

结论

恭喜你！你刚刚迈出了进入R语言二项分布世界的第一步。记住，熟能生巧。尝试改变这些示例中的数字，看看会发生什么。很快，你将像经验丰富的数据科学家一样使用这些函数！

快乐编程，愿概率永远在你这边！

Credits: Image by storyset