LXF104:R - История изменений

Yaleks: оформление

2009-04-18T18:18:36Z

оформление

Crazy Rebel в 11:46, 14 апреля 2009

2009-04-14T11:46:11Z

Crazy Rebel: /* Начала анализа */ викификация, оформление, иллюстрация

2009-04-14T11:42:28Z

‎Начала анализа: викификация, оформление, иллюстрация

Внесённые изменения

Crazy Rebel: /* Начала анализа */

2009-04-14T08:23:21Z

‎Начала анализа

Crazy Rebel: викификация, оформление, иллюстрация

2009-04-14T08:16:38Z

викификация, оформление, иллюстрация

Новая страница

: '''R''' Свободный инструментарий для статистической обработки данных
[[Категория:Учебники]][[Категория:Математические пакеты]]

==Начала анализа==

{{Цикл/R}}

: '''ЧАСТЬ 4''' Данные собраны и упакованы – настало время извлечь из них пользу. В конце концов, ведь именно для их анализа вы и поставили ''R''! '''Алексей Шипунов''' и '''Евгений Балдин''' подскажут пару приемов

{{Врезка|left|Заголовок=Примечание|Содержание=Мы не будем останавливаться на том, что такое среднее и как именно вычисляется медиана.
Желающие это выяснить могут обратиться за формулами к любому учебнику по статистике. |Ширина=300px}}

Начнём с самых элементарных приёмов анализа – вычисления общих характеристик выборки, т.е. набора значений, полученных в результате ряда измерений. Можно сказать, что таких характеристик всего две: центр и разброс. В качестве центральной характеристики чаще всего используются среднее и медиана, а в качестве разброса – стандартное отклонение и квартили. Среднее отличается
от медианы прежде всего тем, что оно хорошо работает в случае, если
распределение данных близко к нормальному. Медиана не так зависит
от характеристики распределения, то есть, как говорят статистики, она
более робастна, или устойчива. Понять разницу легче всего на реальном
примере. Возьмём опять наших гипотетических сотрудников. Вот их зарплаты (в тыс. руб.):

> salary <- c(21, 19, 27, 11, 102, 25, 21)
> names(w) <- c(“Коля”, “Женя”, “Петя”, “Саша”,
+ “Катя”, “Вася”, “Жора”)
> salary
Коля Женя Петя Саша Катя Вася Жора
21 19 27 11 102 25 21

Разница в зарплатах может быть обусловлена, например, тем, что
Саша – экспедитор, а Катя – глава фирмы. Посмотрим, чему равен центр:

> mean(salary); median(salary)
[1] 32.28571
[1] 21

Получается, что из-за высокой Катиной зарплаты среднее гораздо
хуже отражает «типичную», центральную зарплату, чем медиана.

Часто ставится задача посчитать среднее (или медиану) для целой
таблицы данных. Есть несколько облегчающих жизнь приёмов – проде монстрируем их на примере встроенных данных '''trees''':

> attach(trees)
> mean(Girth)
[1] 13.24839
> mean(Height)
[1] 76
> mean(Volume/Height)
[1] 0.3890012
> detach(trees)

Команда '''attach''' позволяет присоединить колонки таблицы данных к
списку текущих переменных. После этого к переменным можно обращаться по именам, не упоминая имени таблицы. Важно не забыть сделать в конце '''detach()''', потому что велика опасность запутаться в том,
что вы присоединили, а что – нет. Кроме того, если присоединённые
переменные были как-то модифицированы, на самой таблице это не
скажется.

То же самое можно сделать и слегка по-другому:

> with(trees, mean(Volume/Height))
[1] 0.3890012

Этот способ, в сущности, аналогичен первому, только присоединение
происходит внутри круглых скобок. Можно также воспользоваться тем
фактом, что таблицы данных – это списки колонок:

> lapply(trees, mean)
$Girth
[1] 13.24839
$Height
[1] 76
$Volume
[1] 30.17097

Для строк такой прием не сработает, т.е. придется прибегнуть к
'''apply()'''. Не следует забывать, что циклические конструкции типа '''for''' в ''R''
использовать не рекомендуется.

Вот как опредяляются стандартное отклонение, варанса (его квадрат)
и так называемый межквартильный размах ('''IQR'''):

> sd(salary); var(salary); IQR(salary)
[1] 31.15934
[1] 970.9048
[1] 6

Опять-таки, '''IQR''' лучше подходит для примера с зарплатой, чем стандартное отклонение, и снова – из-за высокой зарплаты у главы фирмы.

> attach(trees)
> mean(Height)
[1] 76
> median(Height)
[1] 76
> sd(Height)
[1] 6.371813
> IQR(Height)
[1] 8
> detach(trees)

А вот для деревьев эти характеристики куда ближе друг к другу.
Разумно предположить, что распределение высоты деревьев близко к
нормальному.

@@ Строка 190: / Строка 190: @@
 Ну и, наконец, самая главная функция для описания базовой статистики:
- > summary(trees)
+<pre> > summary(trees)
           Girth                Height             Volume
    Min.     : 8.30          Min. :63          Min. : 10.20
@@ Строка 204: / Строка 204: @@
   [[2]]
       Min. 1st Qu. Median               Mean      3rd Qu.       Max.
-.00       17.00       21.00      20.97       24.00     102.00
+.00       17.00       21.00      20.97       24.00     102.00</pre>
 Заметьте, что у обоих «зарплат» медианы одинаковы, тогда как

@@ Строка 427: / Строка 427: @@
   $Girth
         Shapiro-Wilk normality test
-  data: X[[1]]
+  <nowiki>data: X[[1]]</nowiki>
   W = 0.9412, p-value = 0.08893
   $Height
         Shapiro-Wilk normality test
-  data: X[[2]]
+  <nowiki>data: X[[2]]</nowiki>
   W = 0.9655, p-value = 0.4034
   $Volume
         Shapiro-Wilk normality test
-  data: X[[3]]
+  <nowiki>data: X[[3]]</nowiki>
   W = 0.8876, p-value = 0.003579
@@ Строка 463: / Строка 463: @@
   +}
   > normality3(list(salary, salary2))
-  [[1]]
+  <nowiki>[[1]]</nowiki>
   [1] “NOT NORMAL”
-  [[2]]
+  <nowiki>[[2]]</nowiki>
   [1] “NOT NORMAL”
   > normality3(log(trees))

@@ Строка 20: / Строка 20: @@
   > salary <- c(21, 19, 27, 11, 102, 25, 21)
   > names(w) <- c(“Коля”, “Женя”, “Петя”, “Саша”,
-+                       “Катя”, “Вася”, “Жора”)
+ +                       “Катя”, “Вася”, “Жора”)
   > salary
   Коля Женя Петя Саша Катя Вася Жора
-19        27 11 102 25 21
+  19    27  11  102   25   21
 Разница в зарплатах может быть обусловлена, например, тем, что