例 模拟投掷一枚均匀骰子1000次的结果,并计算结果的算术平均值

x <- sample(1:6,100,T)
bar_x <- mean(x)
bar_x
## [1] 3.47

第8次作业


2.43 设 \(\xi\sim B(1,0.3)\),对于 \(i=1,2,\dots,10000\),分别使用R语言模拟 \(\xi\) 的重复观测结果 \(10i\) 次,并计算相应的重复观测结果的算术平均值 \(\bar{x}_{i}\);绘制 \((i,\bar{x}_{i})\) 的折线图,分析该折线随着 \(i\) 增大变化的趋势及原因

# 2.43 程序

2.44 设 \(\xi\) 服从以 \(1000,10\) 和 \(50\) 为参数的超几何分布,对于 \(i=1,2,\dots,10000\),分别使用R语言模拟 \(\xi\) 的重复观测结果 \(10i\) 次,并计算相应的重复观测结果的算术平均值 \(\bar{x}_{i}\);绘制 \((i,\bar{x}_{i})\) 的折线图,分析该折线随着 \(i\) 增大变化的趋势及原因

# 2.44 程序

2.49 设 \(\xi \sim B(10000,0.3)\),写出蒙特卡洛方法近似计算 \(F_{\xi}(5555)\) 的R语言程序代码,并将计算结果与 pbinom(5555,10000,0.3) 的计算结果相比较,分析近似计算的精度和重复观测次数之间的关系。

# 2.49 程序

2.52 设 \(\xi \sim U(-10,10)\),写出蒙特卡洛方法近似计算 \(F_{\xi}(0.5)\) 的R语言程序代码,并将计算结果与 punif(0.5,-10,10) 的计算结果相比较,分析近似计算的精度和重复观测次数之间的关系。

# 2.52 程序

2.54 试用蒙特卡洛方法估算定积分 \(\displaystyle\int_{0}^{1}x^{2}e^{x^{2}}\,dx\)

# 2.54 程序

2.60 若大学生中男生的身高均值为 \(\mathrm{173.61\, cm}\),标准差为 \(4.96 \mathrm{\,cm}\)。随机选取 \(16\) 名男大学生。在RStudio中,写出应用中心极限定理近似计算这 \(16\) 名大学生的身高均值落在区间 \((168.65,178.57)\)(单位:\(\mathrm{cm}\))内的概率的程序代码,并给出近似计算的结果。

# 2.54 程序

第9次作业