#توضیحات_در_مورد_R_Cmdr
به طور کلی کلی رابط R commanderدارای فضای شکل زیر می باشد که به ترتیب
1- منوي Rcmdr
2منوی ابزار data
3گزینه های (R scriptاسکریپتها) و ( R markdownداده
های نشانه گذاری شده)
4پنجره خروجی
5پنجره اجرای دستور
6پنجره پیام
7پنجره ورود دستور
@R_Experts
به طور کلی کلی رابط R commanderدارای فضای شکل زیر می باشد که به ترتیب
1- منوي Rcmdr
2منوی ابزار data
3گزینه های (R scriptاسکریپتها) و ( R markdownداده
های نشانه گذاری شده)
4پنجره خروجی
5پنجره اجرای دستور
6پنجره پیام
7پنجره ورود دستور
@R_Experts
#توضیحات_در_مورد_R_Cmdr
در قسمت منوی )1( Rcmdrشاهد منوی fileکه اغلب برای ذخیره سازی ، باز
کردن اسکریپت ، خروج و ....می باشیم.
منو انتخابی بعد منو editمی باشد که شامل ویرایش کردن دستورات ، کپی کردن،
برش ،و برچسب زدن و... میباشد.
@R_Experts
منوی dataکه شامل وارد کردن داده جدید خواندن داده ها از نرم افزار های دیگر
. و ... می باشدSpss,Exel,minitab مانند
منوی statisticکه شامل انجام کارهای آماری از جمله بدست آوردن خلاصه ای از
میانگین ، ماکزیمم ، مینیمم ، جدول احتمالات ، فاصله اطمینان و آزمون فرض،
خاصیت ها ، واریانس ، ناپارامتری ، آنالیز و مدل مناسب می باشد
منوی graphکه شامل انواع نمودار ها می باشد.
منوی modelکه شامل مدل های آماری است.
منوی distribustionکه شامل توابع پیوسته و گسسته است.
و در پایان منوی تنظیمات ( )toolsو منوی helpاست
@R_Experts
در قسمت منوی )1( Rcmdrشاهد منوی fileکه اغلب برای ذخیره سازی ، باز
کردن اسکریپت ، خروج و ....می باشیم.
منو انتخابی بعد منو editمی باشد که شامل ویرایش کردن دستورات ، کپی کردن،
برش ،و برچسب زدن و... میباشد.
@R_Experts
منوی dataکه شامل وارد کردن داده جدید خواندن داده ها از نرم افزار های دیگر
. و ... می باشدSpss,Exel,minitab مانند
منوی statisticکه شامل انجام کارهای آماری از جمله بدست آوردن خلاصه ای از
میانگین ، ماکزیمم ، مینیمم ، جدول احتمالات ، فاصله اطمینان و آزمون فرض،
خاصیت ها ، واریانس ، ناپارامتری ، آنالیز و مدل مناسب می باشد
منوی graphکه شامل انواع نمودار ها می باشد.
منوی modelکه شامل مدل های آماری است.
منوی distribustionکه شامل توابع پیوسته و گسسته است.
و در پایان منوی تنظیمات ( )toolsو منوی helpاست
@R_Experts
#یک_مثال_در_مورد_R_Cmdr
@R_Experts
*حال که با فضای کلی رابط Rcmdrآشنا شدید می خواهیم روش استفاده از برنامه
را برای آزمون فرض و فاصله اطمینان به شما آموزش دهیم.
#مثال : برای بدست آوردن فاصله اطمینان و آزمون فرض:
11نمونه تصادفی از قد دانشجویان به صورت زیر مشاهده زیر مشاهده شده است. اگر
فرض کنیم قد دانشجویان دارای توزیع نرمال با میانگین µو واریانس ð2آنگاه یک
آزمون فرض به شکل زیر در سطح αانجام دهید (فرض کنیم . )
H_0 ∶ μ=160 H_1 ∶ μ=170
نمونه ها :
155,160,170,150,185,175,170,165,150,160
@R_Experts
#حل_مثال_در _R_Cmdr
ابتدا به منوی
Data
بروید .و سپس گزینه
New data det
را انتخاب کنید .پنجره ای باز میشود
Ok
را بزنید تا یک جدول نمایش داده شود.با زدن دکمه های
Add Row & Add Column
میتوانید سظر ها و ستون های تازه را به جدول اضافه کنید. پس از وارد کردن داده ها را ثبت کنید. پس از ورود داده ها و تایید آن منوی ابزار داده فعال شده و با استفاده از منو میتوان داده ها را ویرایش کرد.
@R_Experts
ابتدا به منوی
Data
بروید .و سپس گزینه
New data det
را انتخاب کنید .پنجره ای باز میشود
Ok
را بزنید تا یک جدول نمایش داده شود.با زدن دکمه های
Add Row & Add Column
میتوانید سظر ها و ستون های تازه را به جدول اضافه کنید. پس از وارد کردن داده ها را ثبت کنید. پس از ورود داده ها و تایید آن منوی ابزار داده فعال شده و با استفاده از منو میتوان داده ها را ویرایش کرد.
@R_Experts
#حل_مثال_در _R_Cmdr
پس از ثبت داده از منوی
statistic
گزینه mean
را انتخاب و برروی گزینه
single-sample t textرا انتخاب میکنیم. پنجره ای باز میشود در قسمت
اول پنجره میخواهد که شما داده را انتخاب کنید سپس در پایین پنجره میخواهد که
شماشرط آزمون را نتخاب کنید(که در اینجا (mean>mu0در سمت راست پنجره از
شما میخواهد مقدار muکه در اینجا ( )171در نظر گرفته را وارد کنید ودر کادر
confidence levelباید سطح اطمینان یا همان مقدار 1-αرا وارد کنید (در اینجا
)confidence level=0.95است پس از وار کردن این مقادیر بر روی okکلیک
کرده تا برنامه دستور را اجرا کند.
میبینیم که در کادر ورود دستور ، یک دستور وارد شده و در کادر پایین خروجی هایی
مشخص شده که این خروجی ها شامل مقادیر مقدار P_valueو فاصله اطمینان
میباشد که ما با استفاده از P_valueنتیجه میگیریم که آیا آزمون را رد کنیم یا
بپذیریم
که در این مثال H0را میپذیریم
@R_Experts
پس از ثبت داده از منوی
statistic
گزینه mean
را انتخاب و برروی گزینه
single-sample t textرا انتخاب میکنیم. پنجره ای باز میشود در قسمت
اول پنجره میخواهد که شما داده را انتخاب کنید سپس در پایین پنجره میخواهد که
شماشرط آزمون را نتخاب کنید(که در اینجا (mean>mu0در سمت راست پنجره از
شما میخواهد مقدار muکه در اینجا ( )171در نظر گرفته را وارد کنید ودر کادر
confidence levelباید سطح اطمینان یا همان مقدار 1-αرا وارد کنید (در اینجا
)confidence level=0.95است پس از وار کردن این مقادیر بر روی okکلیک
کرده تا برنامه دستور را اجرا کند.
میبینیم که در کادر ورود دستور ، یک دستور وارد شده و در کادر پایین خروجی هایی
مشخص شده که این خروجی ها شامل مقادیر مقدار P_valueو فاصله اطمینان
میباشد که ما با استفاده از P_valueنتیجه میگیریم که آیا آزمون را رد کنیم یا
بپذیریم
که در این مثال H0را میپذیریم
@R_Experts
#تمرین_شماره_11
این تمرین کاملا اختیاری است و دوستانی که میخواهند با R Cmdr آشنا شودند به آن پاسخ دهند.
با استفاده از پکیچ R cmdr یک نمونه تصادفی 100 تایی از یک توزیع #دوجمله_ای_منفی و یک نمونه 80 تایی از توزیع
#وایبل تولید کنید و نام نمونه اول R_Experts و نام نمونه ی دوم را با دلخواه خودتان انتخاب کنید.
#تذکر : لازم به ذکر میدانم یادآوری کنم ،دوستان اینگونه تصور نکند که ما 2+2 را حساب کرده ایم و حالا
جرم ماه رو میخواهیم . R cmdr شبیه تمامی نرم افزار های منویی اسان بوده و نیاز به
برنامه نویسی ندارد فقط کمی دقت می خواهد
بی صبرانه منتظر جواب عزیزان هستیم.
پاسخ خود را به یک از ای دی های زیر ارسال نمایید
@Analyst20
@javad_vhd
@hamedrezaei2
با تشکر از تمامی عزیزانی که با ارسال جواب ما را تشویق می نمایند.
@R_Experts
این تمرین کاملا اختیاری است و دوستانی که میخواهند با R Cmdr آشنا شودند به آن پاسخ دهند.
با استفاده از پکیچ R cmdr یک نمونه تصادفی 100 تایی از یک توزیع #دوجمله_ای_منفی و یک نمونه 80 تایی از توزیع
#وایبل تولید کنید و نام نمونه اول R_Experts و نام نمونه ی دوم را با دلخواه خودتان انتخاب کنید.
#تذکر : لازم به ذکر میدانم یادآوری کنم ،دوستان اینگونه تصور نکند که ما 2+2 را حساب کرده ایم و حالا
جرم ماه رو میخواهیم . R cmdr شبیه تمامی نرم افزار های منویی اسان بوده و نیاز به
برنامه نویسی ندارد فقط کمی دقت می خواهد
بی صبرانه منتظر جواب عزیزان هستیم.
پاسخ خود را به یک از ای دی های زیر ارسال نمایید
@Analyst20
@javad_vhd
@hamedrezaei2
با تشکر از تمامی عزیزانی که با ارسال جواب ما را تشویق می نمایند.
@R_Experts
#جواب_تمرین_شماره_11
تنها عزیزی که به این تمرین جواب داده است کسی نیست جز آقای
بدین وسیله
@R_Experts
نهایت سپاس از ایشان را نموده و موفقیت رو افزونشان را از درگاه خداوند منان خواستار است.
با تشکر فراوان از تمامی اعضای کانال
https://telegram.me/R_Experts
تنها عزیزی که به این تمرین جواب داده است کسی نیست جز آقای
Naser Mezerji
بدین وسیله
@R_Experts
نهایت سپاس از ایشان را نموده و موفقیت رو افزونشان را از درگاه خداوند منان خواستار است.
با تشکر فراوان از تمامی اعضای کانال
https://telegram.me/R_Experts
Telegram
|R| Experts
@R_Experts
🔴آمار علم جان بخشیدن به داده‌هاست.
🔷ارتباط با ما
@iamrezaei
لینک یوتیوب و اینستاگرام و ویرگول:
https://zil.ink/expertstv
🔴آمار علم جان بخشیدن به داده‌هاست.
🔷ارتباط با ما
@iamrezaei
لینک یوتیوب و اینستاگرام و ویرگول:
https://zil.ink/expertstv
#Points
function adds a group of points to plot. It's usage is:
x,y:Vector of coordinates
First let's make a scatter plot:
Add some points to the plot:
Notice that there is a point almost out of the left border. If the added points are out of the plot border, they were not be added to the plot. In the example above, the smallest value of x is -2.1, and largest is 5.6, the y value range is -3 < y < 13, so the added points should be inside that range.
The cex= controls the size of the points, pch= controls the point shape, and col= controls the point color. Here is a list of all pch symbols, and here is a complete chart of R color names. Let add some points of filled diamond shape, large size, and red color:
@R_Experts
points(...)
function adds a group of points to plot. It's usage is:
points(x, y, ...)
x,y:Vector of coordinates
First let's make a scatter plot:
>x <- c(1.2,3.4,1.3,-2.1,5.6,2.3,3.2,2.4,2.1,1.8,1.7,2.2)
>y <- c(2.4,5.7,2.0,-3,13,5,6.2,4.8,4.2,3.5,3.7,5.2)
>plot(x,y,cex=.8,pch=1,xlab="x",ylab="y",col="black")
Add some points to the plot:
>x2 <- c(4.1,1.1,-2.3,-0.2,-1.2,2.3)
>y2 <- c(2.3,4.2,1.2,2.1,-2,4.3)
>points(x2,y2,cex=.8,pch=3,col="blue")
Notice that there is a point almost out of the left border. If the added points are out of the plot border, they were not be added to the plot. In the example above, the smallest value of x is -2.1, and largest is 5.6, the y value range is -3 < y < 13, so the added points should be inside that range.
The cex= controls the size of the points, pch= controls the point shape, and col= controls the point color. Here is a list of all pch symbols, and here is a complete chart of R color names. Let add some points of filled diamond shape, large size, and red color:
>x3 <- c(0,4)
>y3 <- c(10,-0.5)
>points(x3,y3,cex=4,pch=18,col="red")
@R_Experts
#Scatter_plot
Following is a csv file example, we will draw a Scatter Plot of the "Expression" and "Quality" values,
Let first read in the data from the file:
Draw a Scatter Plot:
If we want to draw different subtype in different color and symbol, we need more work like follows:
#regression expression ~ quality of BFollowing code can add a legend on the right:
R package "scatterplot3d" can be used to draw 3D scatter plots, to install this package:
To draw a 3D scatter plot based on the "Expression", "Quality" and "Height" values:
We can add more parameters like:
@R_Experts
Following is a csv file example, we will draw a Scatter Plot of the "Expression" and "Quality" values,
Let first read in the data from the file:
> x <- read.csv("scatterplot.csv",header=T,sep="\t")
> x <- t(x)
> ex <- as.numeric(x[2,1:ncol(x)])
> qu <- as.numeric(x[3,1:ncol(x)])Draw a Scatter Plot:
> plot(ex,qu)
If we want to draw different subtype in different color and symbol, we need more work like follows:
> plot(ex,qu,col="white",xlab="Expression", ylab="Quality")
> points(ex[1:143],qu[1:143],col="red",pch=3,cex=.6) #Subtype A
> points(ex[144:218],qu[144:218],col="blue",pch=19,cex=.6) #Subtype B
> points(ex[219:ncol(x)],qu[219:ncol(x)],col="black",,pch=1,cex=.6) #Subtype C
> abline(lm(ex[144:218] ~ qu[144:218]),col="blue")
#regression expression ~ quality of BFollowing code can add a legend on the right:
> layout(matrix(c(1,2), nrow = 1), widths = c(0.7, 0.3))
> par(mar = c(5, 4, 4, 2) + 0.1)
> plot(ex,qu,col="white",xlab="Expression", ylab="Quality")
> points(ex[219:ncol(x)],qu[219:ncol(x)],col="black",,pch=1,cex=.6)
> points(ex[144:218],qu[144:218],col="blue",pch=19,cex=.6)
> points(ex[1:143],qu[1:143],col="red",cex=.6,pch=3)
> abline(lm(ex[144:218] ~ qu[144:218]),col="blue")
> par(mar = c(5, 0, 4, 1) + 0.1)
> plot(ex,qu,axes=FALSE,ann=FALSE, col="white")
> legend(x=-2.5,y=1.2,c("A (n=146)","B (n=77)","C (n=85)"),cex=.8, pch=c(1,19,3),col=c("black","blue", "red"))
R package "scatterplot3d" can be used to draw 3D scatter plots, to install this package:
> install.packages("scatterplot3d")To draw a 3D scatter plot based on the "Expression", "Quality" and "Height" values:
> library(scatterplot3d)
> hi <- as.numeric(x[4,1:ncol(x)])
> scatterplot3d(ex,qu,hi,pch=20,highlight.3d=T)
We can add more parameters like:
scatterplot3d(ex,qu,hi,pch=20,highlight.3d=T,type="h")
@R_Experts