跳到主要内容

R 在概率论与数理统计中的应用

1. 基础约定与数据准备​

R 的向量运算默认逐元素进行,索引从 1 开始。缺失值用 NA 表示, 多数统计函数需要显式设置 na.rm = TRUE。

x <- c(8.2, 7.9, 8.5, NA, 9.1, 8.7)
length(x)
mean(x, na.rm = TRUE)
x[!is.na(x)]

数据框适合保存“每行一个观测、每列一个变量”的整洁数据:

dat <- data.frame(
group = factor(c("control", "control", "control",
"treatment", "treatment", "treatment")),
score = c(72, 75, 71, 81, 79, 84)
)
str(dat)
summary(dat)
公式接口

R 中许多模型采用 响应变量 ~ 解释变量 公式。例如 score ~ group 表示用组别解释得分;y ~ x1 + x2 表示包含两个主效应。

2. 概率分布函数:d、p、q、r​

R 为常见分布使用统一前缀:

  1. d*:概率质量函数或概率密度函数;
  2. p*:累积分布函数 P(X≤x)P(X\le x);
  3. q*:分位数函数,即累积分布函数的反函数;
  4. r*:生成伪随机数。

后缀表示分布,例如正态分布 norm、二项分布 binom、泊松分布 pois、 tt 分布 t、卡方分布 chisq 和 FF 分布 f。

2.1 正态分布​

若 X∼N(μ,σ2)X\sim N(\mu,\sigma^2),计算密度、左尾概率、分位数与随机样本:

dnorm(0, mean = 0, sd = 1)
pnorm(1.96)
qnorm(0.975)
rnorm(5, mean = 10, sd = 2)

右尾概率应优先使用 lower.tail = FALSE,避免手工计算 1 - p 的精度损失:

pnorm(3, lower.tail = FALSE)
qnorm(0.01, lower.tail = FALSE)

2.2 离散分布​

若 X∼Bin⁡(n,p)X\sim\operatorname{Bin}(n,p),则

P(X=k)=(nk)pk(1−p)n−k.P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}.
dbinom(3, size = 10, prob = 0.2)       # P(X = 3)
pbinom(3, size = 10, prob = 0.2) # P(X <= 3)
pbinom(2, size = 10, prob = 0.2,
lower.tail = FALSE) # P(X >= 3)
qbinom(0.95, size = 10, prob = 0.2)
rbinom(100, size = 10, prob = 0.2)
离散分布的端点

pbinom(k, ...) 是 P(X≤k)P(X\le k)。因此 P(X≥k)P(X\ge k) 应写成 pbinom(k - 1, ..., lower.tail = FALSE),不能直接计算 1 - pbinom(k, ...)。

3. 描述统计与探索​

集中趋势和离散程度可直接计算:

x <- c(12, 15, 14, 10, 18, 16, 15, 13)
mean(x)
median(x)
var(x)
sd(x)
quantile(x, probs = c(0, 0.25, 0.5, 0.75, 1))
IQR(x)
range(x)

样本方差采用分母 n−1n-1:

s2=1n−1∑i=1n(xi−xˉ)2.(3.1)s^2=\frac{1}{n-1}\sum_{i=1}^n(x_i-\bar x)^2. \tag{3.1}

分类变量可用频数表与比例表:

g <- factor(c("A", "B", "A", "A", "C", "B"))
table(g)
prop.table(table(g))

分组汇总无需额外依赖:

aggregate(score ~ group, data = dat, FUN = mean)
aggregate(score ~ group, data = dat, FUN = sd)

图形探索应先于正式推断:

par(mfrow = c(1, 2))
hist(x, breaks = "FD", main = "Histogram", xlab = "x")
boxplot(x, horizontal = TRUE, main = "Boxplot")
par(mfrow = c(1, 1))

4. 采样、模拟与随机种子​

sample() 默认不放回抽样;Bootstrap 等场景必须设置 replace = TRUE。

population <- 1:100
sample(population, size = 10)
sample(population, size = 10, replace = TRUE)
sample(c("yes", "no"), size = 20, replace = TRUE,
prob = c(0.3, 0.7))

set.seed() 固定伪随机数生成器状态,使模拟可复现:

set.seed(20260820)
z1 <- rnorm(5)
set.seed(20260820)
z2 <- rnorm(5)
identical(z1, z2)

不要在循环内部重复设置同一个种子,否则每轮会产生相同样本。

4.1 用模拟验证概率​

估计两个骰子点数和至少为 10 的概率:

set.seed(20260820)
B <- 100000
d1 <- sample(1:6, B, replace = TRUE)
d2 <- sample(1:6, B, replace = TRUE)
p_hat <- mean(d1 + d2 >= 10)
mc_se <- sqrt(p_hat * (1 - p_hat) / B)
c(estimate = p_hat, Monte_Carlo_SE = mc_se)

Monte Carlo 标准误约按 1/B1/\sqrt{B} 下降。要将误差减半,模拟次数约需增至四倍。

5. 置信区间​

5.1 单个正态总体均值​

总体方差未知且观测独立、近似正态时,

Xˉ±t1−α/2,n−1Sn.(5.1)\bar X\pm t_{1-\alpha/2,n-1}\frac{S}{\sqrt n}. \tag{5.1}
x <- c(5.2, 4.8, 5.6, 5.1, 4.9, 5.4, 5.0, 5.3)
n <- length(x)
alpha <- 0.05
margin <- qt(1 - alpha / 2, df = n - 1) * sd(x) / sqrt(n)
c(lower = mean(x) - margin, upper = mean(x) + margin)
t.test(x, conf.level = 0.95)$conf.int

5.2 单个比例​

prop.test() 给出基于得分近似的区间,binom.test() 给出精确二项区间:

prop.test(x = 42, n = 100, conf.level = 0.95,
correct = FALSE)$conf.int
binom.test(x = 42, n = 100, conf.level = 0.95)$conf.int

小样本或比例接近 0、1 时优先考虑精确区间,同时说明它通常较保守。

6. 常用假设检验​

6.1 t 检验​

单样本检验 H0:μ=10H_0:\mu=10:

t.test(x, mu = 10, alternative = "two.sided")

独立两样本默认使用 Welch t 检验,不假设方差相等:

a <- c(18, 21, 20, 19, 23, 22)
b <- c(15, 17, 14, 18, 16, 15)
t.test(a, b, alternative = "two.sided")

只有在设计和诊断支持方差齐性时,才设置 var.equal = TRUE。 配对设计必须保留配对关系:

before <- c(120, 132, 128, 140, 135, 125)
after <- c(116, 128, 125, 133, 130, 121)
t.test(after, before, paired = TRUE)

6.2 比例检验​

比较两个独立比例:

success <- c(45, 60)
total <- c(100, 120)
prop.test(success, total, correct = FALSE)

期望频数很小时,构造 2×22\times2 列联表并使用 Fisher 精确检验:

tab <- matrix(c(1, 8, 6, 5), nrow = 2, byrow = TRUE)
fisher.test(tab)

6.3 方差检验​

正态总体单方差检验基于

(n−1)S2σ02∼χn−12.(6.1)\frac{(n-1)S^2}{\sigma_0^2}\sim\chi^2_{n-1}. \tag{6.1}
sigma0_sq <- 4
stat <- (length(x) - 1) * var(x) / sigma0_sq
p_value <- 2 * min(
pchisq(stat, df = length(x) - 1),
pchisq(stat, df = length(x) - 1, lower.tail = FALSE)
)
min(1, p_value)

两个正态总体方差比可用:

var.test(a, b, ratio = 1)
注意

方差检验对非正态性非常敏感。先检查分布;若目标只是比较均值, Welch t 检验通常不需要先做方差齐性检验。

7. 单因素方差分析​

单因素 ANOVA 检验

H0:μ1=μ2=⋯=μk.H_0:\mu_1=\mu_2=\cdots=\mu_k.
anova_dat <- data.frame(
group = factor(rep(c("A", "B", "C"), each = 5)),
value = c(12, 13, 11, 14, 12,
15, 16, 14, 17, 15,
19, 18, 20, 17, 19)
)
fit_aov <- aov(value ~ group, data = anova_dat)
summary(fit_aov)
TukeyHSD(fit_aov)

总体 FF 检验显著只表示至少一组均值不同。TukeyHSD() 用于控制 两两比较的家族错误率,不能用多次未校正 t 检验代替。

检查残差正态性和方差稳定性:

par(mfrow = c(1, 2))
plot(fitted(fit_aov), residuals(fit_aov),
xlab = "Fitted", ylab = "Residuals")
abline(h = 0, lty = 2)
qqnorm(residuals(fit_aov))
qqline(residuals(fit_aov))
par(mfrow = c(1, 1))

8. 线性回归​

简单线性模型为

Yi=β0+β1xi+εi,εi∼iidN(0,σ2).(8.1)Y_i=\beta_0+\beta_1x_i+\varepsilon_i, \qquad \varepsilon_i\overset{\mathrm{iid}}{\sim}N(0,\sigma^2). \tag{8.1}
reg_dat <- data.frame(
hours = c(1, 2, 3, 4, 5, 6, 7, 8),
score = c(52, 55, 61, 64, 68, 73, 77, 81)
)
fit <- lm(score ~ hours, data = reg_dat)
summary(fit)
confint(fit, level = 0.95)

对新解释变量值计算均值响应区间与个体预测区间:

new_dat <- data.frame(hours = c(4.5, 9))
predict(fit, newdata = new_dat,
interval = "confidence", level = 0.95)
predict(fit, newdata = new_dat,
interval = "prediction", level = 0.95)

个体预测区间更宽,因为它还包含新个体自身的随机误差。 不要对远离已观测 hours 范围的值作无依据外推。

9. 回归诊断​

线性回归主要检查线性、独立、同方差、残差近似正态,以及高影响观测。

par(mfrow = c(2, 2))
plot(fit)
par(mfrow = c(1, 1))

四幅默认诊断图分别帮助识别:

  1. 残差与拟合值图中的非线性和异方差;
  2. 正态 Q-Q 图中的尾部偏离;
  3. Scale-Location 图中的方差变化;
  4. 杠杆值与 Cook 距离标出的高影响观测。

还可提取数值进行复核:

rstandard(fit)
hatvalues(fit)
cooks.distance(fit)
which(cooks.distance(fit) > 4 / nrow(reg_dat))

阈值 4 / n 只是筛查规则。高影响点不等于错误数据;应核查记录、研究设计, 并比较保留与删除该点的结论,而非自动删除。

模型解释

显著性不代表效应足够大,也不证明因果关系。报告系数、置信区间、单位、 样本来源和研究设计;观察性数据中的回归关系仍可能由混杂因素造成。

10. 可复现工作流​

一个无需新依赖的最小工作流如下:

  1. 将原始数据视为只读,分析代码保存在脚本中;
  2. 用相对路径读取数据,避免依赖个人主目录;
  3. 在随机操作前只设置一次种子;
  4. 记录数据清理规则、排除标准和变量单位;
  5. 保存关键结果与图形,并记录 R 会话信息。
# 1. 固定随机状态
set.seed(20260820)

# 2. 读取并验证数据
# dat <- read.csv("data/experiment.csv", stringsAsFactors = FALSE)
stopifnot(is.data.frame(reg_dat))
stopifnot(all(c("hours", "score") %in% names(reg_dat)))
stopifnot(!anyNA(reg_dat[c("hours", "score")]))

# 3. 拟合与提取结果
fit <- lm(score ~ hours, data = reg_dat)
coef_table <- summary(fit)$coefficients
intervals <- confint(fit)

# 4. 保存纯文本结果;执行前确保 results 目录已存在
# write.csv(coef_table, "results/coefficients.csv")
# writeLines(capture.output(sessionInfo()), "results/session-info.txt")

# 5. 输出环境信息
sessionInfo()

分析结束后,可用 options() 检查关键全局设置。不要依赖交互式工作区中残留的对象, 也不要把 .Random.seed 或 .RData 当作分析记录;从全新 R 会话运行完整脚本, 才是最直接的复现检查。

11. 结果报告清单​

统计报告至少应包含:

  • 研究问题、目标总体和抽样单位;
  • 样本量、缺失值与排除规则;
  • 点估计、区间估计和效应单位;
  • 检验统计量、自由度与 pp 值;
  • 模型假设及诊断结果;
  • 软件版本、随机种子和可执行代码。
关于 p 值

pp 值是在 H0H_0 及模型假设成立时,获得当前或更极端统计量的概率。 它不是“H0H_0 为真的概率”,也不能单独衡量实际重要性。

References​

  1. R Core Team. (2026). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing.
  2. Dalgaard, P. (2008). Introductory Statistics with R (2nd ed.). Springer.
  3. Faraway, J. J. (2014). Linear Models with R (2nd ed.). Chapman & Hall/CRC.