数理统计习题解答的R语言复现：从最大似然到假设检验-北京尧图网络

简介《约翰·赖斯数理统计和数据分析》第三版配套的完整解决方案集面向需要系统掌握统计学理论与应用的学生、自学者和教师覆盖概率论、假设检验、回归分析、方差分析、非参数检验、贝叶斯统计、实验设计及时间序列等核心章节的习题解答。压缩包共二十一个文件大小约一点零五MB主要包含R语言代码、R Markdown笔记、HTML渲染页面、PDF题解、封面图片以及XML、GIT等配置文件便于对照代码与推导过程进行学习。读者可借助这些材料深入理解每道题的统计思想掌握用R实现数据清洗、建模、检验与可视化的具体方法并获得可复现代码与分层笔记按章节快速复习巩固提升解决实际统计问题的能力。目前已有三百人学习下载适合正在使用该教材入门或备考的读者辅助参考。1. 数理统计和数据分析的习题解答先弄清这份方案能帮你省下多少时间《约翰·赖斯的数理统计和数据分析》第3版的习题解答经常以 Mathematical_Statistic_Data_Analysis_Solutions 这类项目名出现在 GitHub 和各类学习资源站上。很多同学下载后就丢进收藏夹等到考前两周才翻出来对答案结果发现自己连标准答案是“怎么算出来”的都看不懂。问题不在于答案本身而在于这本书的习题偏偏大量依赖数值计算与图形验证光看纸面推导根本推不到最后一步。真正值得投入精力的是想清楚这份解决方案覆盖哪些章节每类习题背后的计算套路是什么以及如何用 R 或 Python 把每一道题的结论重新跑出来。适合的人群很明确正在啃第 3 版教材的统计系学生、转行做数据分析想补理论底子的从业者以及准备面试前需要快速回顾假设检验和回归的人。下文我按自己的复现经验把这一整套方案拆成可执行的操作流程。2. 按概率、估计、检验、回归拆解习题每类题的解法套路与工具选型拿到一份习题解答第一件事不是从头看到尾而是先按章节建索引弄清楚这本书在考察哪几类问题。赖斯这本书的章节安排从概率论一路推进到抽样调查、参数估计、假设检验、方差分析与回归每一章习题的计算密度完全不同。我习惯把习题先分成四类概率与随机变量计算、参数估计与似然优化、假设检验与拟合优度、回归与方差分析。分好类之后就能给每一类题配上相对固定的计算工具避免反复试错。2.1 概率与随机变量的习题穷举样本空间还是直接套分布函数这类题集中在教材前半部分通常要求计算事件的概率、随机变量的期望、方差或者两个随机变量的协方差。常见做法是先判断样本空间大小如果是离散且规模有限的场景直接穷举比套公式更不容易出错如果遇到连续分布则转为积分或调用分布函数。# 离散概率抛三枚均匀硬币求出现正面次数的分布 outcomes - expand.grid(rep(list(c(H, T)), 3)) head(outcomes) count_heads - apply(outcomes, 1, function(x) sum(x H)) table(count_heads) / nrow(outcomes)这段代码先用expand.grid生成全部 8 种结果再用apply统计每个组合中正面出现的次数最后除以总样本数得到概率质量函数。参数上需要注意nrow(outcomes)在样本空间不对称时会直接给出分母不用手工数。对于连续分布比如指数分布的均值与方差直接用解析式算更快但如果题目要求验证数值结果可以用integrate做数值积分对照。这里最容易踩的坑是把“分布函数”和“概率质量函数”混为一谈画图前先用?ecdf看帮助文档确认输入输出。2.2 参数估计习题矩估计、最大似然与数值优化参数估计是这本书习题的难点集中地。矩估计通常手工解方程就够但最大似然估计一旦涉及两个参数联立求解或者似然函数没有闭式解就必须交给数值优化器。常见做法是先写出对数似然函数再用optim或者nlm求解。我一般会建议先试optim因为它的返回结果里直接带hessian可以顺手算标准误。# 以正态分布两个参数mu, sigma2的MLE为例 set.seed(42) x - rnorm(100, mean 5, sd 2) neg_loglik - function(theta) { mu - theta[1] sigma2 - theta[2] if (sigma2 0) return(Inf) n - length(x) n * log(sqrt(sigma2)) sum((x - mu)^2) / (2 * sigma2) } fit - optim(c(0, 1), neg_loglik, method L-BFGS-B, lower c(-Inf, 1e-6), hessian TRUE) fit$parneg_loglik里把方差参数单独抽出并通过if (sigma2 0) return(Inf)防止优化器把方差带进负数区域这是数值优化的关键约束。lower下界限制了方差的搜索空间hessian TRUE则让optim返回二阶导数矩阵。参数说明上L-BFGS-B适合边界约束问题如果你的似然函数很平滑也可以换成默认的Nelder-Mead但边界约束场景下前者更可靠。这里最容易翻车的点是初始化值c(0, 1)离真实值太远导致收敛到局部极值。把初值设为样本均值和样本方差通常能避免大多数迭代失败。2.3 假设检验与拟合优度算 p 值和说人话之间要有桥梁假设检验题在习题解答里往往看起来很短给出检验统计量、p 值、结论。但这恰恰是读者最容易照抄而没有真正理解的部分。赖斯这本书里的假设检验习题经常要求你从零开始构造检验统计量而不是直接调用t.test或chisq.test。我的建议是先用 R 自带函数拿到结果再手推一遍关键量作为验证。# 卡方拟合优度检验观测频数与理论概率 observed - c(18, 24, 28, 30) probs - c(0.2, 0.3, 0.3, 0.2) chisq_res - chisq.test(observed, p probs) chisq_res$statistic chisq_res$p.value # 手算sum((observed - expected)^2 / expected) expected - sum(observed) * probs sum((observed - expected)^2 / expected)chisq.test的两个参数分别传入观测频数和理论概率向量R 会自动计算期望频数并输出统计量与自由度。手算部分则用sum((observed - expected)^2 / expected)验证结果一致性。参数说明上p向量必须归一化为总和 1否则 R 会报错或者强制归一化最常见的错误是把百分比写成整数。此外期望频数小于 5 的单元格会让卡方近似失效这时需要用chisq.test(..., simulate.p.value TRUE)做蒙特卡洛模拟得到更可靠的 p 值。真实场景中我见过不少人直接把答案里的 p 值抄进报告却没发现自由度因为合并类别而少算了一格这类低级失误只能靠重跑检验统计量来拦截。2.4 回归与方差分析习题把 ANOVA 表和回归系数表读透回归和方差分析的习题答案通常是一张表系数估计、标准误、t 值、F 值、R 平方。抄答案的人只会看最后显著性星号但做数据分析的人必须能解释每一个数字怎么来。R 的lm输出里藏着几乎所有需要的信息关键是知道去哪一行取哪个数。# 单因素方差分析比较三个组的均值 group - factor(rep(1:3, each 10)) y - c(rnorm(10, 0, 1), rnorm(10, 1, 1), rnorm(10, 1.5, 1)) aov_fit - aov(y ~ group) summary(aov_fit) # 手动对照组间平方和 / 组内平方和 group_means - tapply(y, group, mean) grand_mean - mean(y) ss_between - sum(10 * (group_means - grand_mean)^2) ss_within - sum((y - rep(group_means, each 10))^2)aov的 summary 输出里第一行给出组间自由度、平方和、均方、F 值和 p 值第二行是残差项。手动对照部分用tapply计算各组均值用grand_mean计算总均值再分别求组间平方和与组内平方和。注意rep(group_means, each 10)这一步很容易写错成每组的均值没有对齐原始数据顺序导致组内平方和偏差。更复杂一点的回归题涉及多元共线性时我会额外查看vif函数输出但它不在基础包里需要加载car包。对于教材后面的多元回归章节习题答案往往会让你做变量筛选这时务必理解summary(lm_fit)$adj.r.squared与普通 R 平方的差别避免只看未调整的数值而高估模型的解释力。下表是我在复现这套习题时常用的题型-工具对照方便快速定位。习题类型推荐R函数需要人工核对的关键点离散概率计算expand.gridapply样本空间是否穷举完整连续分布概率integrate/pnorm积分上下限是否与事件对应矩估计mean/var/ 解方程方程是否按一二阶矩联立最大似然估计optimhessian参数边界约束与初值选择假设检验t.test/chisq.test单双侧方向与自由度方差分析aov/summary组内平方和的残差对齐线性回归lm/summary系数符号与共线性影响3. 复现一道习题的完整流程R 环境、数据样例与三步走前面做了分类这一章落到具体操作从搭建环境开始到在本地把三道典型习题完整跑通。我用 R 4.3 作为运行时代码只在基础包和MASS、boot两个包之间切换这样能最大程度降低环境差异带来的“答案对不上”问题。3.1 环境准备固定 R 版本、安装包与项目目录组织复现任何统计习题前先把版本和依赖锁死。不同 R 版本之间optim的默认终止条件略有差异rnorm生成的随机数虽然在相同种子下各版本一致但依赖包版本的升级仍可能改变函数的默认行为。我的做法是在项目根目录写一个session-info.txt同时用renv锁定包版本。R --version Rscript -e install.packages(c(MASS, boot, car), repos https://cloud.r-project.org) Rscript -e packageVersion(MASS); packageVersion(boot)第一行确认 R 版本第二行安装后续代码需要的扩展包第三行打印包版本用于记录。参数说明上repos指定了国内可访问的镜像地址如果不指定R 会按默认源安装。这里我建议不要用install.packages的默认repos NULL因为某些公司的内网环境会卡在下载环节。实际执行时把这些命令放在setup.R里之后每次换电脑重跑一遍即可算是一个简单有效的后悔药。3.2 单个样本推断题的复现t 检验、置信区间与手工核对教材里关于单样本均值推断的习题非常多常见的问法是“给定一组数据检验均值是否等于某个常数并给出 95% 置信区间”。拿到这种题我通常先输出描述统计然后同时跑t.test和手工计算两边对不上就说明哪个环节写错了。# 一组来自正态总体的样本数据通常习题会直接给出 x - c(4.8, 5.2, 5.0, 5.4, 4.9, 5.1, 4.7, 5.3, 5.0, 4.9) test_res - t.test(x, mu 5, conf.level 0.95) test_res$statistic test_res$p.value test_res$conf.int # 手工计算t (xbar - mu) / (sd / sqrt(n)) n - length(x) xbar - mean(x) s - sd(x) t_stat - (xbar - 5) / (s / sqrt(n)) lower - xbar - qt(0.975, df n - 1) * s / sqrt(n) upper - xbar qt(0.975, df n - 1) * s / sqrt(n)t.test的第一个参数传入样本向量mu指定原假设下的均值默认是 0conf.level决定置信区间的置信水平。手工计算里最需要注意的是sd(x)是样本标准差分母是自由度 n-1不是总体标准差。qt(0.975, df n-1)取 t 分布的双侧 0.05 临界值对应 95% 置信区间。这里常见的翻车点是混淆了qnorm和qt当样本量小于 30 时用正态临界值替代 t 临界值会低估区间宽度答案也自然和书上的对不上。如果遇到习题给出的是汇总统计量而不是原始数据就把x替换成手工构造的样本向量或者直接套公式计算两种路径的结果应该完全一致。3.3 最大似然估计的复现写对数似然函数用 optim 带参数走一遍第 2 章提过 MLE 的一般流程这里给一个更完整的操作模板特别关注两件事边界约束和标准误。习题答案里给的 MLE 往往是一个精确数值如果优化结果在小数点后第三位都对不上优先检查你的似然函数是否写错了密度表达式。# 习题示例Gamma 分布的形状与尺度参数估计随机生成数据便于复现 set.seed(123) y - rgamma(200, shape 3, rate 2) gamma_negloglik - function(param) { shape - param[1] rate - param[2] if (shape 0 || rate 0) return(Inf) -sum(dgamma(y, shape shape, rate rate, log TRUE)) } fit_gamma - optim(c(1, 1), gamma_negloglik, method L-BFGS-B, lower c(1e-4, 1e-4)) fit_gamma$pardgamma(..., log TRUE)直接返回对数密度求和后加负号就变成负对数似然。optim的lower参数分别限定 shape 和 rate 必须大于 0这是 Gamma 分布参数的自然约束不加边界时优化器偶尔会把参数试探到负数区域导致似然返回NaN。初值c(1, 1)比较粗糙正常数据量下也能收敛但如果你发现收敛慢可以先用fitdistr里的矩估计初值替换。执行后fit_gamma$par应该接近c(3, 2)和生成数据的真实参数一致但任何一组随机样本的 MLE 都不可能精确等于真实参数差异在 0.1 以内都算正常。习题答案如果是一个明确的小数而你的结果偏差较大先复查dgamma的rate参数是不是被误写成scale这两个是倒数关系。3.4 检验功效的模拟复现用蒙特卡洛代替书末答案表赖斯书里有一类习题会问到“在某个效应量下检验的功效是多少”需要查功效表或计算正态近似。既然手头有 R我一般直接跑模拟既验证答案表格的数值也能画功效曲线。这个思路也适用于任何区间估计或检验特性类题目。set.seed(2024) B - 5000 pvals - replicate(B, { g1 - rnorm(12, mean 0, sd 1) g2 - rnorm(12, mean 0.8, sd 1) t.test(g1, g2, var.equal TRUE)$p.value }) power - mean(pvals 0.05) powerreplicate重复执行t.test5000 次var.equal TRUE对应两独立样本 t 检验的经典版本。每次模拟生成两个样本效应量为均值差 0.8最后统计 p 值小于 0.05 的比例即为功效。原则上B取得越大功效的蒙特卡洛标准误越小5000 次通常能把功效估计误差控制在 0.01 上下。习题答案给 0.67模拟得到 0.66 或者 0.68 都是正常的这种波动恰好说明解析解算的是“渐近”功效而模拟结果带有抽样误差。如果两者差异超过三个标准误再回头检查第二组的均值是不是写成了 0.8 的累积效应而不是单次抽样均值。4. 数理统计习题答案的常见翻车现场5 个统计计算坑的排查清单习题解答写得再详细也不能保证你落到自己手上时一次跑通。以下五个坑是我在学生作业和复现过程中遇到最多的每一条都按现象、原因、解决的顺序排查。4.1 坑一R 里正态分布函数的参数名是 sd不是方差现象执行rnorm(100, mean 0, var 4)直接报错或者换成dnorm(x, mean 0, var 4)返回的所有值都相同。原因R 的rnorm、dnorm、pnorm、qnorm系列函数第二个分布参数统一命名为sd也就是标准差而不是方差。教材里习惯用 σ² 表示方差照搬到 R 时就把sd位置填成了 4导致分布的离散程度翻倍。解决写分布函数前先记忆一组等价关系正态分布填sd sqrt(var)Gamma 分布用rate还是scale取决于密度公式Poisson 和二项分布则不需要这个转换。快速验证方法是对一个固定分布抽样并输出var(x)如果计算出的样本方差和你设想的参数差一个量级那就是参数名的映射错了。4.2 坑二置信区间的解释被写成“95% 概率包含真值”现象习题答案里写出“我们有 95% 的概率认为总体均值落在该区间内”老师批注“频率学派表述错误”。原因教材上的置信区间是在频率学派框架下定义的置信水平描述的是“重复抽样下区间覆盖真值的比例”而不是某一次特定抽样的后验概率。把参数当作随机变量来理解就混入了贝叶斯概念。解决统一改成标准表述在 95% 的置信水平下该区间覆盖总体均值的比例是 95%对于某一次具体抽样得到的区间只能说“在给定数据下计算出的区间”不说“该均值的概率”。这份解决方案里如果遇到此类判断题直接按频率学派口径写结论扣分概率最低。4.3 坑三p 值算对了但单双侧检验的边界没乘 2现象习题中的原假设是 μ 5备择假设是 μ ≠ 5手工计算 Z 统计量为 2.31直接用1 - pnorm(2.31)得到单侧 0.0104但答案给的是 0.0208。原因双侧检验的 p 值是在两尾区域都算进去的概率只算一侧就漏掉对称的尾部面积结果正好少一半。解决明确备择假设的方向。双侧检验写2 * (1 - pnorm(abs(z)))左侧检验写pnorm(z)右侧检验写1 - pnorm(z)。R 里t.test会自动处理但手算对照答案时一定要在代码旁注释是哪一种检验边界防止事后忘记为什么乘了 2。4.4 坑四模拟没固定种子两次运行结果对不上现象同一份习题的模拟答案第一次跑功效是 0.668过几天重跑变成 0.652于是怀疑自己代码哪里有 bug。原因rnorm在未设置随机种子时每次启动都会重新生成伪随机数序列样本的两次模拟波动是正常的但对照“标准答案”时会被认为是操作不稳定。解决在代码最前面统一加上set.seed(123)并且把种子值作为参数定义成脚本顶部的一个变量。这样无论换机器还是换会话只要种子相同、代码相同输出就完全一致。正式的习题解答里如果包含模拟结果明文标注种子值也是一种负责任的表现。4.5 坑五书中计算符号与 R 输出符号映射错位现象习题解答中写“估计量为 θ̂ 2.31”你在 R 里找summary(lm_fit)输出发现estimate列的值是 2.31但自己对照回归方程时把截距和斜率弄反导致解释结论完全不对。原因教材和 R 使用不同的符号体系lm输出的(Intercept)对应公式中的 β₀后面的变量系数对应 β₁、β₂ 等新手容易看错行。解决先打印names(coef(lm_fit))确认系数向量的排列顺序再与题目公式的变量顺序逐一比对。另一个更隐蔽的错位出现在aov输出中Residuals行的平方和对应组内误差而不是误差项的某个系数。解这类题时我习惯在代码旁写一行注释标明“题目里的 α_j 对应输出中的 group2 行”能极大减少对表时的困惑。5. 用自助法和置换检验验证任何一版答案的正确性习题解答不管来自哪里最终要交给你自己验证答案里的这个置信区间宽度、那个功效数值到底是不是合理。我最常用的验证手段不是重新读推导过程而是直接用模拟把结论“重新生成”一遍。这里给一个通用模板对区间估计、检验功效、回归系数的显著性都可以套用。set.seed(7) library(boot) # 以一组原始样本的均值置信区间为例 sample_data - rnorm(50, mean 3, sd 1.5) boot_mean - function(data, i) mean(data[i]) boot_out - boot(sample_data, statistic boot_mean, R 2000) boot.ci(boot_out, type c(norm, perc, bca))boot函数三要素分别是原始数据、统计量函数和迭代次数R。统计量函数必须接收两个参数完整数据集和重抽样索引向量imean(data[i])就是第 i 次自助样本的均值。boot.ci输出三种置信区间norm用的是正态近似perc是分位数法bca是偏差校正加速区间。当样本分布明显不对称时bca比前两者更可靠否则以perc结果作为基准。如果习题答案给出的置信区间与三种区间都差异很大先确认样本量是否是 50再看原假设的分布假设是否合理。除了检验答案这个模板还可以反向使用你自己写好一段推断代码把模拟数据和重复次数传入输出结果就会变成你做分析时的核查工具。对我来说最后真正受益的是养成了一个习惯任何一版习题解答到手先抽三道不同类型的题跑一遍模拟——一道概率计算、一道估计、一道检验——三处都对上才敢在后续复习中把这份方案当作参考。反过来说我也遇到过某版答案推导正确但数值表抄错的情况靠模拟才发现那个小差异不是抽样误差而是一处明显的印刷错误。希望这篇文章的流程能帮你少走一遍我走过的弯路。本文还有配套的精品资源点击获取

数理统计习题解答的R语言复现：从最大似然到假设检验

相关推荐

KEPServerEX西门子PLC数据采集实战：5分钟搭建S7-1200/1500采集通道

Chrome WebGL无法创建？从上下文原理到开启与排查的完整指南

vim使用手册

更多资讯

CMake 3.26.6 Windows x86_64 安装与配置实战指南

Spring Boot 2.6.13 + MySQL 8 + Flowable 6.8.1 集成部署与避坑实战

Console线选型与排障：CH340与FTDI芯片性能深度对比

从IEC 61499到Open61499：开源工业编程平台的进化与实践指南

BQ25570能量收集实战：从冷启动到VBAT_OK状态监控的完整指南

Java教学资源管理系统：Spring Boot+MyBatis-Plus权限设计与文件上传下载实践

今日更新

AI元人文：从工具使用到思维重构的深度探索

Python+CNN车牌识别实战：从数据预处理到模型训练与部署

Vim基础操作全攻略：保存退出、模式切换与高频命令实战

本周精选

深入解析Transformer多头注意力机制与工程优化

OpenClaw 的 Skills 跑学习任务，模型通道改到 TaoToken 通道行不行？

ChatGPT报错Oops, an error occurred! 全链路排查指南

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？