最全的R语言统计检验方法_数据挖掘中R语言的运用

统计检验是将抽样结果和抽样分布相对照而作出判断的工作。主要分5个步骤：建立假设

求抽样分布

选择显著性水平和否定域

计算检验统计量

判定

假设检验(hypothesis test)亦称显著性检验(significant test)，是统计推断的另一重要内容，其目的是比较总体参数之间有无差别。假设检验的实质是判断观察到的“差别”是由抽样误差引起还是总体上的不同，目的是评价两种不同处理引起效应不同的证据有多强，这种证据的强度用概率P来度量和表示。除t分布外，针对不同的资料还有其他各种检验统计量及分布，如F分布、X2分布等，应用这些分布对不同类型的数据进行假设检验的步骤相同，其差别仅仅是需要计算的检验统计量不同。正态总体均值的假设检验t检验

t.test() => Student’s t-Testrequire(graphics)t.test(1:10, y = c(7:20))      # P = .00001855t.test(1:10, y = c(7:20, 200)) # P = .1245    -- 不在显著## 经典案例: 学生犯困数据plot(extra ~ group, data = sleep)

## 传统表达式with(sleep, t.test(extra[group == 1], extra[group == 2]))    Welch Two Sample t-testdata:  extra[group == 1] and extra[group == 2]t = -1.8608, df = 17.776, p-value = 0.07939alternative hypothesis: true difference in means is not equal to 095 percent confidence interval: -3.3654832  0.2054832sample estimates:mean of x mean of y      0.75      2.33 ## 公式形式t.test(extra ~ group, data = sleep)    Welch Two Sample t-testdata:  extra by groupt = -1.8608, df = 17.776, p-value = 0.07939alternative hypothesis: true difference in means is not equal to 095 percent confidence interval: -3.3654832  0.2054832sample estimates:mean in group 1 mean in group 2            0.75            2.33

单个总体某种元件的寿命X(小时)服从正态分布N(mu,sigma^2)，其中mu、sigma^2均未知，16只元件的寿命如下；问是否有理由认为元件的平均寿命大于255小时。X

两个总体X为旧炼钢炉出炉率，Y为新炼钢炉出炉率，问新的操作能否提高出炉率？X

成对数据t检验对每个高炉进行配对t检验X

var.test() => F Test to Compare Two Variancesx

A 210

B 312

C 170

D 85

E 223

问不同品牌啤酒爱好者人数之间有没有差异？X

大麦的杂交后代芒性状的比例 无芒：长芒： 短芒=9：3：4,而实际观测值为335：125：160 ,检验观测值是否符合理论假设？chisq.test(c(335, 125, 160), p=c(9,3,4)/16)    Chi-squared test for given probabilitiesdata:  c(335, 125, 160)X-squared = 1.362, df = 2, p-value = 0.5061现有42个数据，分别表示某一时间段内电话总机借到呼叫的次数，

接到呼叫的次数 0   1   2   3   4   5   6

出现的频率     7   10  12  8   3   2   0

问：某个时间段内接到的呼叫次数是否符合Possion分布？x

P值越小越有理由拒绝无效假设，认为总体之间有差别的统计学证据越充分。需要注意：不拒绝H0不等于支持H0成立，仅表示现有样本信息不足以拒绝H0。

传统上，通常将P＞0.05称为“不显著”，0.0l