常用连续型分布介绍及R语言实现

R的极客理想系列文章,涵盖了R的思想,使用,工具,创新等的一系列要点,以我个人的学习和体验去诠释R的强大。

R语言作为统计学一门语言,一直在小众领域闪耀着光芒。直到大数据的爆发,R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入,R语言的社区在迅速扩大成长。现在已不仅仅是统计领域,教育,银行,电商,互联网….都在使用R语言。

要成为有理想的极客,我们不能停留在语法上,要掌握牢固的数学,概率,统计知识,同时还要有创新精神,把R语言发挥到各个领域。让我们一起动起来吧,开始R的极客理想。

关于作者:

  • 张丹(Conan), 程序员Java,R,PHP,Javascript
  • weibo:@Conan_Z
  • blog: http://blog.fens.me
  • email: bsspirit@gmail.com

转载请注明出处:
http://blog.fens.me/r-density/

r-density

前言

随机变量在我们的生活中处处可见,如每日天气,股价涨跌,彩票中奖等,这些事情都是事前不可预言其结果的,就算在相同的条件下重复进行试验,其结果未必相同。数学家们总结了这种规律,用概率分布来描述随机变量取值。

就算股价不能预测,但如果我们知道它的概率分布,那么有90%的可能我们可以猜出答案。

目录

  1. 正态分布
  2. 指数分步
  3. γ(伽玛)分布
  4. weibull分布
  5. F分布
  6. T分布
  7. β(贝塔)分布
  8. χ²(卡方)分布
  9. 均匀分布

1. 正态分布

正态分布(Normal distribution)又名高斯分布(Gaussian distribution),是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。

若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布,记为N(μ,σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。因其曲线呈钟形,因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是μ = 0,σ = 1的正态分布。

1). 概率密度函数

norm-distribution


set.seed(1)
x 

norm

2). 累积分布函数

norm-distribution-cum


set.seed(1)
x 

norm2

3). 分布检验

Shapiro-Wilk正态分布检验: 用来检验是否数据符合正态分布,类似于线性回归的方法一样,是检验其于回归曲线的残差。该方法推荐在样本量很小的时候使用,样本在3到5000之间。

该检验原假设为H0:数据集符合正态分布,统计量W为:

shapiro-wilk-test

  • 统计量W 最大值是1,越接近1,表示样本与正态分布匹配
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

R语言程序


> set.seed(1)
> S shapiro.test(S)
	Shapiro-Wilk normality test
data:  S
W = 0.9988, p-value = 0.7256

结论: W接近1,p-value>0.05,不能拒绝原假设,所以数据集S符合正态分布!

Kolmogorov-Smirnov连续分布检验:检验单一样本是不是服从某一预先假设的特定分布的方法。以样本数据的累计频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。

该检验原假设为H0:数据集符合正态分布,H1:样本所来自的总体分布不符合正态分布。令F0(x)表示预先假设的理论分布,Fn(x)表示随机样本的累计概率(频率)函数.

统计量D为: D=max|F0(x) - Fn(x)|

  • D值越小,越接近0,表示样本数据越接近正态分布
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

> set.seed(1)
> S ks.test(S, "pnorm")
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.0211, p-value = 0.7673
alternative hypothesis: two-sided

结论: D值很小, p-value>0.05,不能拒绝原假设,所以数据集S符合正态分布!

2. 指数分布

指数分布(Exponential distribution)用来表示独立随机事件发生的时间间隔,比如旅客进机场的时间间隔、中文维基百科新条目出现的时间间隔等等。

许多电子产品的寿命分布一般服从指数分布。有的系统的寿命分布也可用指数分布来近似。它在可靠性研究中是最常用的一种分布形式。指数分布是伽玛分布和weibull分布的特殊情况,产品的失效是偶然失效时,其寿命服从指数分布。

指数分布可以看作当weibull分布中的形状系数等于1的特殊分布,指数分布的失效率是与时间t无关的常数,所以分布函数简单。

1). 概率密度函数

Exponential-distribution

其中λ > 0是分布的一个参数,常被称为率参数(rate parameter)。即每单位时间发生该事件的次数。指数分布的区间是[0,∞)。 如果一个随机变量X 呈指数分布,则可以写作:X ~ Exponential(λ)。


set.seed(1)
x

exp

2). 累积分布函数

Exponential-distribution-cum


set.seed(1)
x

exp2

3). 分布检验

Kolmogorov-Smirnov连续分布检验:检验单一样本是不是服从某一预先假设的特定分布的方法。以样本数据的累计频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。

该检验原假设为H0:数据集符合指数分布,H1:样本所来自的总体分布不符合指数分布。令F0(x)表示预先假设的理论分布,Fn(x)表示随机样本的累计概率(频率)函数.

统计量D为: D=max|F0(x) - Fn(x)|

  • D值越小,越接近0,表示样本数据越接近指数分布
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

> set.seed(1)
> S ks.test(S, "pexp")
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.0387, p-value = 0.1001
alternative hypothesis: two-sided

结论: D值很小, p-value>0.05,不能拒绝原假设,所以数据集S符合指数分布!

3. γ(伽玛)分布

伽玛分布(Gamma)是著名的皮尔逊概率分布函数簇中的重要一员,称为皮尔逊Ⅲ型分布。它的曲线有一个峰,但左右不对称。

伽玛分布中的参数α,称为形状参数,β称为尺度参数。

gamma0

伽玛函数为:

gamma-fo

伽玛函数是阶乘在实数上的泛化。

1). 概率密度函数

gamma


set.seed(1)
x

gamma

2). 累积分布函数

gamma2


set.seed(1)
x

gamma2

3). 分布检验

Kolmogorov-Smirnov连续分布检验: 检验单一样本是不是服从某一预先假设的特定分布的方法。以样本数据的累计频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。

该检验原假设为H0:数据集符合伽玛分布,H1:样本所来自的总体分布不符合伽玛分布。令F0(x)表示预先假设的理论分布,Fn(x)表示随机样本的累计概率(频率)函数.

统计量D为: D=max|F0(x) - Fn(x)|

  • D值越小,越接近0,表示样本数据越接近伽玛分布
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

> set.seed(1)
> S ks.test(S, "pgamma", 1)
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.0363, p-value = 0.1438
alternative hypothesis: two-sided

结论: D值很小, p-value>0.05,不能拒绝原假设,所以数据集S符合shape=1伽玛分布!

检验失败:


> ks.test(S, "pgamma", 2)
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.3801, p-value < 2.2e-16
alternative hypothesis: two-sided

结论:D值不够小, p-value<0.05,拒绝原假设,所以数据集S符合shape=2伽玛分布!

4. weibull分布

weibull(韦伯)分布,又称韦氏分布或威布尔分布,是可靠性分析和寿命检验的理论基础。Weibull分布能被应用于很多形式,分布由形状、尺度(范围)和位置三个参数决定。其中形状参数是最重要的参数,决定分布密度曲线的基本形状,尺度参数起放大或缩小曲线的作用,但不影响分布的形状。

Weibull分布通常用在故障分析领域( field of failure analysis)中;尤其是它可以模拟(mimic) 故障率(failture rate)持续( over time)变化的分布。故障率为:

  • 一直为常量(constant over time), 那么 α = 1, 暗示在随机事件中发生
  • 一直减少(decreases over time),那么α < 1, 暗示"早期失效(infant mortality)"
  • 一直增加(increases over time),那么α > 1, 暗示"耗尽(wear out)" - 随着时间的推进,失败的可能性变大

1). 概率密度函数

weibull


set.seed(1)
x

weibull

2). 累积分布函数

weibull2


set.seed(1)
x

weibull2

3). 分布检验

Kolmogorov-Smirnov连续分布检验: 检验单一样本是不是服从某一预先假设的特定分布的方法。以样本数据的累计频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。

该检验原假设为H0:数据集符合weibull分布,H1:样本所来自的总体分布不符合weibull分布。令F0(x)表示预先假设的理论分布,Fn(x)表示随机样本的累计概率(频率)函数.

统计量D为: D=max|F0(x) - Fn(x)|

  • D值越小,越接近0,表示样本数据越接近weibull分布
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

> set.seed(1)
> S ks.test(S, "pweibull",1)
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.0244, p-value = 0.5928
alternative hypothesis: two-sided

结论: D值很小, p-value>0.05,不能拒绝原假设,所以数据集S符合shape=1的weibull分布!

5. F分布

F-分布(F-distribution)是一种连续概率分布,被广泛应用于似然比率检验,特别是ANOVA中。F分布定义为:设X、Y为两个独立的随机变量,X服从自由度为k1的卡方分布,Y服从自由度为k2的卡方分布,这2 个独立的卡方分布被各自的自由度除以后的比率这一统计量的分布。即: 上式F服从第一自由度为k1,第二自由度为k2的F分布。

F分布的性质

  • 它是一种非对称分布
  • 它有两个自由度,即n1 -1和n2-1,相应的分布记为F( n1 –1, n2-1), n1 –1通常称为分子自由度, n2-1通常称为分母自由度
  • F分布是一个以自由度n1 –1和n2-1为参数的分布族,不同的自由度决定了F 分布的形状
  • F分布的倒数性质:Fα,df1,df2=1/F1-α,df1,df2[1]

1). 概率密度函数

f

B是Beta函数(beta function)


set.seed(1)
x

f

2). 累积分布函数

f2

I是不完全Beta函数


set.seed(1)
x

f2

3). 分布检验

Kolmogorov-Smirnov连续分布检验: 检验单一样本是不是服从某一预先假设的特定分布的方法。以样本数据的累计频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。

该检验原假设为H0:数据集符合F分布,H1:样本所来自的总体分布不符合F分布。令F0(x)表示预先假设的理论分布,Fn(x)表示随机样本的累计概率(频率)函数.

统计量D为: D=max|F0(x) - Fn(x)|

  • D值越小,越接近0,表示样本数据越接近F分布
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

> set.seed(1)
> S ks.test(S, "pf", 1,1,2)
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.0113, p-value = 0.9996
alternative hypothesis: two-sided

结论: D值很小, p-value>0.05,不能拒绝原假设,所以数据集S符合df1=1, df2=1, ncp=2的F分布!

6. T分布

学生t-分布(Student's t-distribution),可简称为t分布。应用在估计呈正态分布的母群体之平均数。它是对两个样本均值差异进行显著性测试的学生t检定的基础。学生t检定改进了Z检定(Z-test),因为Z检定以母体标准差已知为前提。虽然在样本数量大(超过30个)时,可以应用Z检定来求得近似值,但Z检定用在小样本会产生很大的误差,因此必须改用学生t检定以求准确。

在母体标准差未知的情况下,不论样本数量大或小皆可应用学生t检定。在待比较的数据有三组以上时,因为误差无法压低,此时可以用变异数分析(ANOVA)代替学生t检定。

1). 概率密度函数

t

v 等于n − 1。 T的分布称为t-分布。参数\nu 一般被称为自由度。
γ 是伽玛函数。


set.seed(1)
x

t

2). 累积分布函数

t2

v 等于n − 1。 T的分布称为t-分布。参数\nu 一般被称为自由度。
γ 是伽玛函数。


set.seed(1)
x

t2

3). 分布检验

Kolmogorov-Smirnov连续分布检验: 检验单一样本是不是服从某一预先假设的特定分布的方法。以样本数据的累计频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。

该检验原假设为H0:数据集符合T分布,H1:样本所来自的总体分布不符合T分布。令F0(x)表示预先假设的理论分布,Fn(x)表示随机样本的累计概率(频率)函数.

统计量D为: D=max|F0(x) - Fn(x)|

  • D值越小,越接近0,表示样本数据越接近T分布
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

> set.seed(1)
> S ks.test(S, "pt", 1, 2)
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.0253, p-value = 0.5461
alternative hypothesis: two-sided

结论: D值很小, p-value>0.05,不能拒绝原假设,所以数据集S符合df1=1, ncp=2的T分布!

7. β(贝塔Beta)分布

贝塔分布(Beta Distribution)是指一组定义在(0,1)区间的连续概率分布,Beta分布有α和β两个参数α,β>0,其中α为成功次数加1,β为失败次数加1。

Beta分布的一个重要应该是作为伯努利分布和二项式分布的共轭先验分布出现,在机器学习和数理统计学中有重要应用。贝塔分布中的参数可以理解为伪计数,伯努利分布的似然函数可以表示为,表示一次事件发生的概率,它为贝塔有相同的形式,因此可以用贝塔分布作为其先验分布。

1). 概率密度函数

beta

随机变量X服从参数为a, β,服从Beta分布
γ 是伽玛函数


set.seed(1)
x

beta

2). 累积分布函数

beta2

I是正则不完全Beta函数


set.seed(1)
x

beta2

3). 分布检验

Kolmogorov-Smirnov连续分布检验: 检验单一样本是不是服从某一预先假设的特定分布的方法。以样本数据的累计频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。

该检验原假设为H0:数据集符合Beta分布,H1:样本所来自的总体分布不符合Beta分布。令F0(x)表示预先假设的理论分布,Fn(x)表示随机样本的累计概率(频率)函数.

统计量D为: D=max|F0(x) - Fn(x)|

  • D值越小,越接近0,表示样本数据越接近Beta分布
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

> set.seed(1)
> S ks.test(S, "pbeta",1,2)
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.0202, p-value = 0.807
alternative hypothesis: two-sided

结论: D值很小, p-value>0.05,不能拒绝原假设,所以数据集S符合shape1=1, shape2=2的Beta分布!

8. χ²(卡方)分布

若n个相互独立的随机变量ξ₁、ξ₂、……、ξn ,均服从标准正态分布(也称独立同分布于标准正态分布),则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量,其分布规律称为χ²分布(chi-square distribution)。其中参数n称为自由度,自由度不同就是另一个χ²分布,正如正态分布中均值或方差不同就是另一个正态分布一样。

1). 概率密度函数

chi-square

γ 是伽玛函数


set.seed(1)
x

x2

2). 累积分布函数

chi-square2

γ 是伽玛函数


set.seed(1)
x

x22

3). 分布检验

Kolmogorov-Smirnov连续分布检验: 检验单一样本是不是服从某一预先假设的特定分布的方法。以样本数据的累计频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。

该检验原假设为H0:数据集符合卡方分布,H1:样本所来自的总体分布不符合卡方分布。令F0(x)表示预先假设的理论分布,Fn(x)表示随机样本的累计概率(频率)函数.

统计量D为: D=max|F0(x) - Fn(x)|

  • D值越小,越接近0,表示样本数据越接近卡方分布
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

> set.seed(1)
> S ks.test(S, "pchisq",1)
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.0254, p-value = 0.5385
alternative hypothesis: two-sided

结论: D值很小, p-value>0.05,不能拒绝原假设,所以数据集S符合df=1的卡方分布!

9. 均匀分布

均匀分布(Uniform distribution)是均匀的,不偏差的一种简单的概率分布,分为:离散型均匀分布与连续型均匀分布。

1). 概率密度函数

uniform


set.seed(1)
x

unif

2). 累积分布函数

uniform2


set.seed(1)
x

unif2

3). 分布检验

Kolmogorov-Smirnov连续分布检验: 检验单一样本是不是服从某一预先假设的特定分布的方法。以样本数据的累计频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。

该检验原假设为H0:数据集符合均匀分布,H1:样本所来自的总体分布不符合均匀分布。令F0(x)表示预先假设的理论分布,Fn(x)表示随机样本的累计概率(频率)函数.

统计量D为: D=max|F0(x) - Fn(x)|

  • D值越小,越接近0,表示样本数据越接近均匀分布
  • p值,如果p-value小于显著性水平α(0.05),则拒绝H0

> set.seed(1)
> S ks.test(S, "punif")
	One-sample Kolmogorov-Smirnov test
data:  S
D = 0.0244, p-value = 0.5928
alternative hypothesis: two-sided

结论: D值很小, p-value>0.05,不能拒绝原假设,所以数据集S符合均匀分布!

在我们掌握了,这几种常用的连续型分布后,我们就可以基于这些分布来建模了,很多的算法模型就能解释通了!!

参考资料

转载请注明出处:
http://blog.fens.me/r-density/

打赏作者

This entry was posted in R语言实践

概率分布与R语言 阅读详情

相关推荐

R语言绘图及检验——正态分布曲线

画出在-5-5区间,随机变量X服从N(0,1)的概率密 度函数曲线 知识点说明: dnorm()是正态分布的概率密度函数 rnorm是生成正态分布的随机数 pnorm是分布函数 > x<-seq(-5,5,length.out=100) > y<-dnorm(x,0,1) > plot(x,y,type="l") 注释::生成-5到5区间,等间隔距离共100个点,dnorm()是R生成正态分布的概率密度函数,type="l"表示的是划线,最后得到的图形如下: 在一幅

咕噜君的博客 4万+

R语言中的四类统计分布函数

R语言中提供了四类有关统计分布的函数(密度函数,累计分布函数,分位函数,随机数函数)。分别在代表该分布的R函数前加上相应前缀获得(d,p,q,r)。如: 1)正态分布的函数是norm,命令dnorm(0)就可以获得正态分布的密度函数在0处的值(0.3989)(默认为标准正态分布)。 2)同理,pnorm(0)是0.5就是正态分布的累计密度函数在0处的值。 3)而qnorm(0.5)则得到...

weixin_34007886的博客 1751

R语言:常见的分布

定義 :離散型隨機 變數 (Discrete Random Variable) – 離散型隨機變數為計數值的隨機變數。 – 例:生產線上某次抽檢之不良品的數目 2)  定義 :連續型隨機 變數 (Continuous Random Variable) – 連續型隨機變數為連續值的隨機變數。 – 例:厚度、重量與長度   离散分布:  二项分布 伯努利实验 介绍二项分布前,先了解一下伯...

baibingbingbing的博客 3万+

每天一个R语言小技巧(3)——画图中坐标轴相关(标签,范围,原点位置)

问题 画图的时候,明明设置了x轴y轴的范围,为什么还是会多出一块? 失败案例:plot(runif(10,0,10),type="l",xlim=c(0,10),ylim=c(0,10)) 2. 想画原点在中间/坐标在中间交汇的图,应该咋整捏? 错误示例:plot(-10:9,runif(20,-10,10),type="l",xlim=c(-10,10),ylim=c(-10,10)) 期望的效果: 解决方案 ...

ptyp222的博客 1万+

R语言生成随机数与统计分布函数

R语言生成随机数与统计分布函数 常见的分布函数有正态分布、二项分布、F分布、几何分布等等,在R语言中可以使用help(“Distrinction”)命令来查看所有分布的列表 随机数 随机数函数是指从一个给定函数取值中随机跳出一个之便利,输出的因变量的值就是随机数。 R中提供了很多用于指定分布的随机数,其第一个字母为r,后面紧跟分布名称,如正态分布随机函数为rnorm(n, mean = 0, sd...

qq_39898555的博客 2万+

R语言的各种统计分布函数介绍

dgamma(x,shape,rate=1,scale=1/rate), 请注意R在这里提供的rate是scale尺度参数的倒数,如果dgamma(0,1,2)则表示dgamma(0,shape=1,rate=2),而 非dgamma(0,shape=1,scale=2)rnbinom(n,size,prob,mu) 其中n是需要产生的随机数个数,size是概率函数中的r,即连续成功的次数,prob是单词成功的概率,mu未知..(mu是希腊字母υ的读音)掷到三次一的掷骰次数是负二项分布的随机变量。

hdxx2022的博客 5336

R语言第二周

1、画图函数 对于数据来说,转成图之后更加详细,生动。下面介绍常见的作图函数: 直方图:hist(x$x1) : 表示将x数据框中的x1列做出一个直方图; 散点图:plot(x$x1,x$x2):x数据框的x1为横坐标,x2列为纵坐标,做一个散点图; 散点图的进一步设置: plot(x$x1,x$x2,main="数学分析与线性代数成绩之间的关系", xlab="数学分析", yla

changyanmanman的专栏 8321

如何用R语言抽取出服从一般分布的样本

在实际情况中,我们经常会遇到要求生成服从某一分布的随机数的问题,下面我们就用R来生成这样一个样本。 首先,我们先来看如何生成服从均匀分布的样本,需要用到函数runif(),代码如下:> runif(5) [1] 0.09970285 0.49268793 0.56826709 0.77191564 0.33798831如果要生成[0, 10]上的均匀分布,代码如下:> runif(5,0,10)

Wenny_Zhong的博客 6938

R语言画图功能使用手册

R语言画图功能大全 一、plot()函数:散点图 ----#plot是用来画散点图的~左边是因变量;右边是自变量 plot(cars$dist~cars$speed)                ,#y~x main=”Relationship between car distance & speed”    ,#画标题 xlab = "Speed(miles per hour)"

AnneQiQi的博客 7466

如何在 R 中使用三角分布(附示例)

为了计算 R 中三角分布的概率,我们可以使用EnvStats包中的ptri( ) 函数,它使用以下语法:ptri(q, min = 0, max = 1, mode = 1/2)q:感兴趣的分位数 min : 分布的最小值 max : 分布的最大值 mode : 分布的峰值示例 1:计算小于某个值的概率 假设一家餐馆估计他们下周的总销售额至少为 10,000 美元,最高为 30,000 美元,最有可能为 25,000 美元。 餐厅总销售额低于 20,000 美元的概率是多少?我们可以使用下面的代码来计算这个

Mrrunsen的博客 1325

RISC-V— 架构基础知识学习

蜂鸟 E200 系列是一个开源的RISC-V 处理器。蜂鸟 E200 系列由中国大陆研发团队开发,用户能够轻松与开发人员取得交流和支持。RI蜂鸟 E200 处理器研发团队拥有在国际一流公司多年开发处理器的经验,使用稳健的Verilog 2001 语法编写的可综合 RTL 代码,以工业级标准进行开发。蜂鸟 E200 的代码为人工编写,添加丰富的注释且可读性强,非常易于理解。

deilt 1万+

《R的极客理想——高级开发篇 A》一一1.4 常用连续型分布介绍及R语言实现

本节书摘来华章计算机出版社《R的极客理想——高级开发篇 A》一书中的第1章,第1.4节,作者:张丹 更多章节内容可以访问云栖社区“异步社区”公众号查看。 1.4 常用连续型分布介绍及R语言实现 问题如何让R语言画出概率分布函数曲线? 引言随机变量在我们的生活中处处可见,如每日天气、股价涨跌、彩票中奖等,这些事情都是事前不可预言其结果的,就算在相同的条件下...

weixin_34253539的博客 409

从BAM到bigWig:用UCSC工具链完成测序数据可视化的完整流程

本文详细介绍了从BAM文件到bigWig格式的基因组数据可视化完整流程,涵盖UCSC工具链配置、文件格式转换、参数优化及常见问题解决方案。通过实战指南帮助研究人员高效完成测序数据可视化,特别适合ChIP-seq和RNA-seq数据分析。

weixin_29309213的博客 709

R语言中的常用连续型分布

目录 1.正态分布 2.指数分步 3.γ(伽玛)分布 4.weibull分布 5.F分布 6.T分布 7.β(贝塔)分布 8.χ²(卡方)分布 9.均匀分

hsdcc217的博客 9045

Protege新手入门:5分钟搞定本体建模基础(附实战案例)

本文为Protege本体建模新手提供了一份快速入门指南。通过构建一个关于“披萨”的实战案例,详细讲解了从环境准备、定义核心类(Classes)、建立对象属性(Object Properties)到设置数据属性(Data Properties)和创建个体的完整流程。文章旨在帮助读者绕过复杂理论,在5分钟内直观掌握本体建模的基础操作,快速建立知识图谱构建的信心。

weixin_28335283的博客 286

【Shader】Unity批量更换Shader

在Unity开发中,因为渲染管线问题,经常会遇到需要大量更改shader的问题,本篇文章讲述批量更换Shader的工具。

憨辰 1469

R语言的各种分布函数

R语言的各种分布函数: 至于具体的用法了,大家可以使用help命令,根据实际情况来进行使用 R提供工具来计算累计分布函数p(cummulative distribution function CDF),概率密度函数d和分位数函数q,另外在各种概率分布前加r表示产生随机序列 (R这种直接在分布前面加前缀的语法太难读了,pt() 误以为还是一个函数,实际上的含义是p(t()),为...

曹春明的博客 2万+

AutoLisp文件(.lsp)从编写到加载运行:一份给CAD新手的避坑指南

本文为CAD新手提供了一份AutoLisp文件(.lsp)从编写到加载运行的完整指南,涵盖编写环境配置、文件加载流程、调试技巧及工程化实践建议。通过详细的步骤和常见错误解决方案,帮助用户避免常见陷阱,提升AutoLisp脚本的开发效率和应用效果。

weixin_29228203的博客 910
上一篇: [转] 十道海量数据处理面试题与十个方法大总结
下一篇: R数据处理 – 自定义方法
Fens
博客等级 码龄26年 126粉丝 276原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值