Erzeugen Sie Zufallszahlen, um zu veranschaulichen, wie mit großen Sampling-Methoden die Wahrscheinlichkeiten von Quantitäten geschätzt werden können, deren Verteilung unbekannt ist.
1. Legen Sie die Parameter einer logistischen Verteilung mit Positions- und Maßstabsparametern auf L und S fest.
2. Legen Sie die Monte-Carlo-Sampling-Parameter fest.
◦ Anzahl der einzelnen zu erfassenden Stichproben:
◦ Anzahl der Datenpunkte jeder Stichprobe:
3. Verwenden Sie die Funktionen
mean und
rlogis, um eine Abtastung durchzuführen und den Mittelwert jeder Stichprobe zu berechnen.
4. Schätzen Sie die Wahrscheinlichkeit, mit der der Mittelwert eines Satzes von Zufallszahlen im Intervall [a, b] liegt.
Die Wahrscheinlichkeit hängt von der Anzahl von Datenpunkten jeder Stichprobe und der Breite des Intervalls ab.
5. Plotten Sie die Funktion
plogis, um die kumulative Wahrscheinlichkeitsverteilung der logistischen Verteilung zu zeigen. Verwenden Sie eine horizontale Markierung, um die Wahrscheinlichkeitsebene zu markieren.
6. Zoomen Sie das gestrichelte grüne Segment des Diagramms, und verwenden Sie vertikale Markierungen, um das Intervall [a, b] zu markieren, und horizontale Markierungen, um die untere und obere kumulative Wahrscheinlichkeit zwischen [a, b] zu markieren:
7. Plotten Sie die Funktion
dlogis, um die Wahrscheinlichkeitsdichte der logistischen Verteilung zu zeigen.
8. Zoomen Sie das gestrichelte grüne Segment des Diagramms, und verwenden Sie vertikale Markierungen, um das Intervall [a, b] zu markieren:
9. Verwenden Sie die Funktion
qlogis, um die umgekehrte kumulative Wahrscheinlichkeitsverteilung für die Wahrscheinlichkeit Prob zu berechnen.
