pnorm 方面如何处理 z 分数和 x 值?
How does the pnorm aspect of work with z scores & x-values?
我的教授给我们布置了一些关于正态分布的作业问题。我们正在使用 R studio 来计算我们的值而不是 z 表。
有一个问题是关于流星的,其中均值 (μ) = 4.35,标准差 (σ) = 0.59,我们正在寻找 x>5 的概率。
我已经用 1-pnorm((5-4.35)/0.59) ~ 0.135 找到了答案。
但是,我目前在尝试理解 pnorm 计算的内容时遇到了一些困难。
最初,我只是假设 z 分数是唯一需要的参数。所以我继续使用 pnorm(z-score) 来解决大多数法线曲率问题。
通过 ?pnorm() 访问的 pnorm 的帮助页面表明用法是:
pnorm(q, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE)。
我的教授还说我只是使用 pnorm(z-score) 忽略了均值和标准差。我觉得输入一个值比输入整组参数更容易。所以我做了实验,发现
1-pnorm((5-4.35)/0.59) = 1-pnorm(5,4.35,0.59)
所以它看起来像 pnorm(z-score) = pnorm (x,μ,σ)。
Is there a reason that using the z-score allows to skip the mean and
standard deviation in the pnorm function?
我还注意到,尝试将 μ、σ 参数与 z 分数相加给出了错误的答案 (例如:pnorm(z-score,μ,σ)。
> 1-pnorm((5-4.35)/0.59)
[1] 0.1352972
> pnorm(5,4.35,0.59)
[1] 0.8647028
> 1-pnorm(5,4.35,0.59)
[1] 0.1352972
> 1-pnorm((5-4.35)/0.59,4.35,0.59)
[1] 1
这是因为 z 分数是标准正态分布的,这意味着它有 μ = 0
和 σ = 1
,正如您所发现的,它们是 pnorm()
的默认参数。
z 分数只是将任何正态分布值转换为标准正态分布值。
因此,当您输出 x = 5
的 z 分数概率时,您得到的值确实与在 μ = 4.35
的正态分布中要求 x > 5
的概率相同,并且σ = 0.59
。
但是当你 添加 μ = 4.35
和 σ = 0.59
到你的 pnorm()
内的 z-score 时,你就完全错了,因为你'正在寻找不同分布中的标准正态分布值。
pnorm()
(回答您的第一个问题)计算 累积密度函数 ,它向您显示 P(X < x)
(随机变量采用值等于或小于 x
)。这就是为什么你做 1 - pnorm(..)
来找出 P(X > x)。
我的教授给我们布置了一些关于正态分布的作业问题。我们正在使用 R studio 来计算我们的值而不是 z 表。
有一个问题是关于流星的,其中均值 (μ) = 4.35,标准差 (σ) = 0.59,我们正在寻找 x>5 的概率。 我已经用 1-pnorm((5-4.35)/0.59) ~ 0.135 找到了答案。
但是,我目前在尝试理解 pnorm 计算的内容时遇到了一些困难。
最初,我只是假设 z 分数是唯一需要的参数。所以我继续使用 pnorm(z-score) 来解决大多数法线曲率问题。 通过 ?pnorm() 访问的 pnorm 的帮助页面表明用法是: pnorm(q, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE)。
我的教授还说我只是使用 pnorm(z-score) 忽略了均值和标准差。我觉得输入一个值比输入整组参数更容易。所以我做了实验,发现 1-pnorm((5-4.35)/0.59) = 1-pnorm(5,4.35,0.59)
所以它看起来像 pnorm(z-score) = pnorm (x,μ,σ)。
Is there a reason that using the z-score allows to skip the mean and standard deviation in the pnorm function?
我还注意到,尝试将 μ、σ 参数与 z 分数相加给出了错误的答案 (例如:pnorm(z-score,μ,σ)。
> 1-pnorm((5-4.35)/0.59)
[1] 0.1352972
> pnorm(5,4.35,0.59)
[1] 0.8647028
> 1-pnorm(5,4.35,0.59)
[1] 0.1352972
> 1-pnorm((5-4.35)/0.59,4.35,0.59)
[1] 1
这是因为 z 分数是标准正态分布的,这意味着它有 μ = 0
和 σ = 1
,正如您所发现的,它们是 pnorm()
的默认参数。
z 分数只是将任何正态分布值转换为标准正态分布值。
因此,当您输出 x = 5
的 z 分数概率时,您得到的值确实与在 μ = 4.35
的正态分布中要求 x > 5
的概率相同,并且σ = 0.59
。
但是当你 添加 μ = 4.35
和 σ = 0.59
到你的 pnorm()
内的 z-score 时,你就完全错了,因为你'正在寻找不同分布中的标准正态分布值。
pnorm()
(回答您的第一个问题)计算 累积密度函数 ,它向您显示 P(X < x)
(随机变量采用值等于或小于 x
)。这就是为什么你做 1 - pnorm(..)
来找出 P(X > x)。