R语言实验二
R语言实验报告
一、实验目的1.用 R 生成服从某些具体已知分布的随机变量二、实验内容在 R 中各种概率函数都有统一的形式，即一套统一的前缀+分布函名：d 表示密度函数（density）；p 表示分布函数（生成相应分布的累积概率密度函数）；q 表示分位数函数，能够返回特定分布的分位（quantile）；r 表示随机函数，生成特定分布的随机数（random）。
1、通过均匀分布随机数生成概率分布随机数的方法称为逆变换法。
对于任意随机变量X，其分布函数为F，定义其广义逆为：F-(u)=inf{x;F(x)≥u}若u~u (0,1)，则F-（u）和X 的分布一样Example 1 如果X~Exp（1）（服从参数为 1 的指数分布），F（x）=1-e-x。
若u=1-e-x并且u~u(0,1)，则X=-logU~Exp(1)则可以解出x=-log(1-u)通过随机数生成产生的分布与本身的指数分布结果相一致R 代码如下：nsim = 10^4U = runif(nsim)X = -log(U)Y = rexp(nsim)X11(h=3.5)Xpar(mfrow=c(1,2),mar=c(2,2,2,2))hist(X,freq=F,main="Exp from Uniform",ylab="",xlab="",ncl=150,col="grey",xlim=c(0,8))curve(dexp(x),add=T,col="sienna",lwd=2)hist(Y,freq=F,main="Exp from R",ylab="",xlab="",ncl=150,col="grey",xlim=c(0,8))curve(dexp(x),add=T,col="sienna",lwd=2)2、某些随机变量可由指数分布生成。
R语言实战（第2版）——第2章-2.2数据结构
R语言实战（第2版）——第2章-2.2数据结构#R语言实战#第2章创建数据集#2.2 数据结构#P21 标量：只含一个元素的向量，用于保存常量f <- -3g <- "US"h <- TRUE#P21 向量：用于存储数值型、字符型或逻辑型数据的一维数组。
单个向量中的数据必须拥有相同的模式a <- c(1,2,5,3,6,-2,4) #数值型向量b <- c("one","two","three") #字符型向量c <-c(TRUE,TRUE,TRUE,FALSE,TRUE,FALSE) #逻辑型向量a <- c("k", "j", "h", "a", "c", "m")a[3] #方括号返回给定元素所处位置的数值a[c(1,3,5)]a[2:6] #冒号用于生成一个数值序列a <- c(2:6)a <- c(2,3,4,5,6) #二者等价#矩阵：二维数组，每个元素有相同的模式（数值型、字符型或逻辑型）#matrix创建矩阵，ncol和nrow指定行和列的维度，dimnames行名、列名，byrow=T按行填充，byrow=F按列填充，默认按列填充#mymatrix <- matrix(vector,nrow=numble_of_rows, ncol = number_of_columns,byrow = logical_value,# dimnames = list(char_vector_rownames,char_vector_colnames))#P22 2-1创建矩阵y <- matrix(1:20,nrow = 5,ncol = 4)cells <- c(1,26,24,68)rnames <- c("R1","R2")cnames <- c("C1","C2")mymatrix <- matrix(cells,nrow = 2,ncol = 2,byrow = TRUE,dimnames = list(rnames,cnames)) #按行填充mymatrix <- matrix(cells,nrow = 2,ncol = 2,byrow = FALSE,dimnames = list(rnames,cnames)) #按列填充#使用下标和方括号选择矩阵的行列和元素x <- matrix(1:10,nrow = 2)x[2,]x[,2]x[1,4]x[1,c(4,5)]#数组：当维度超过2时，可以用数组代替矩阵#P23 2-3创建数组#myarray <- array(vector,dimensions,dimnames)#vector包含了数组中的数据，dimensions是数值型向量，给出了各维度下标的最大值，dimnames是可选的，各维度名称标签的列表dim1 <- c("A1","A2")dim2 <- c("B1","B2","B3")dim3 <- c("C1","C2","C3","C4")z <- array(1:24,c(2,3,4),dimnames = list(dim1,dim2,dim3))#使用方括号和下标选择数组中的元素z[1,2,3]#数据框：多种数据模式，包含数值型、字符型、逻辑型#mydata <- data.frame(col1,col2,col3,...)#P24 2-4创建数据框patientID <- c(1,2,3,4)age <- c(25,34,28,52)diabates <- c("type1","type2","type1","type1")status <- c("poor","improved","excellent","poor")patientdata <- data.frame(patientID,age,diabates,status)#P24 2-5选取数据框中的元素,下标和列名等价,美元符$列名patientdata[1:2]patientdata[c("diabates","status")]patientdata$agetable(patientdata$diabates,patientdat a$status) #生成列联表#在每个变量名前都输一边数据框名$太麻烦了，走一些捷径：attach()/detach()/with()summary(mtcars$mpg)plot(mtcars$mpg,mtcars$disp)plot(mtcars$mpg,mtcars$wt)#也可写成attach(mtcars) #将数据框添加到R的搜索路径中summary(mpg)plot(mpg,disp)plot(mpg,wt)detach(mtcars) #将数据框从搜索路径中移除#也可写成with(mtcars,{print(summary(mpg))plot(mpg,disp)plot(mpg,wt)})#with赋值仅在括号内生效，若需创建在括号外生效的变量，是用特殊赋值符号<<- with(mtcars,{nokeepstats <- summary(mpg)keepstats<<-summary(mpg)})nokeepstatskeepstats#实例标识符patientID <- c(1,2,3,4)age <- c(25,34,28,52)diabates <- c("type1","type2","type1","type1")status <- c("poor","improved","excellent","poor")patientdata <- data.frame(patientID,age,diabates,status,rs = patientID) #指定patientID作为打印输出和图形中实例名称所用变量#因子：名义和有序变量在R中称为因子diabates <- c("type1","type2","type1","type1")diabates <- factor(diabates)status <- c("poor","improved","excellent","poor")status <- factor(status,ordered = T) #1=excellent2=improved 3=poorstatus <- factor(status,order=T,levels = c("poor","improved","excellent")) #指定levels覆盖默认顺序sex <- factor(sex,levels = c(1,2),labels = c("male","female")) #数值型变量编码成因子，所有非1非2均被当做缺失值#P28 2-6因子的使用patientID <- c(1,2,3,4)age <- c(25,34,28,52)diabates <- c("type1","type2","type1","type1")status <- c("poor","improved","excellent","poor")diabates <- factor(diabates)status <- factor(status,ordered = T)patientdata <- data.frame(patientID,age,diabates,status)str(patientdata) #显示数据框的信息summary(patientdata) #区别对待不同类型变量#列表：R中最复杂的数据类型，是一些对象的有序集合。
R语言实验
精心整理实验8假设检验（二）一、实验目的：1.掌握若干重要的非参数检验方法（ 2检验——列联表独立性检验，Mcnemar检验——对一个样本两种研究方法是否有差异的检验，符号检验，Wilcoxon 符号秩检验，Wilcoxon秩和检验）；2.掌握另外两个相关检验：Spearman秩相关检验，Kendall秩相关检验。
二、实验内容：练习：要求：①完成练习并粘贴运行截图到文档相应位置(截图方法见下)，并将所有自己输入文字的字体颜色设为红色（包括后面的思考及小结），②回答思考题，③简要书写实验小结。
④修改本文档名为“本人完整学号姓名1”，其中1表示第1次实验，以后更改为2,3,...。
如文件名为“09张立1”，表示学号为09的张立同学的第1次实验，注意文件名中没有空格及任何其它字符。
最后连同数据文件、源程序文件等（如果有的话，本次实验没有），一起压缩打包发给课代表，压缩包的文件名同上。
截图方法：法1：调整需要截图的窗口至合适的大小，并使该窗口为当前激活窗口（即该窗口在屏幕最前方），按住键盘Alt键（空格键两侧各有一个）不放，再按键盘右上角的截图键（通常印有“印屏幕”或“PrScrn”等字符），即完成截图。
再粘贴到word文档的相应位置即可。
法2：利用QQ输入法的截屏工具。
点击QQ输入法工具条最右边的“扳手”图标，选择其中的“截屏”工具。
）1.自行完成教材第五章的例题。
2.（习题5.11）为研究分娩过程中使用胎儿电子监测仪对剖腹产率有无影响，对5824例分娩的经产妇进行回顾性调查，结果如下表所示，试进行分析。
5824例经产妇回顾性调查结果HHP=9.552e-10<0.05,拒绝原假设，分娩过程中使用胎儿电子监测仪对剖腹产率有影响3.（习题5.12）在高中一年级男生中抽取300名考察其两个属性：B是1500米长跑，C是每天平均锻炼时间，得到4×3列联表，如下表所示。
试对 =0.05，检验B 与C是否独立。
实验二
(1) ，
(2)在同一图形中，画出四幅不同图形：
其中 。
8.随机变量 具有参数 和未知参数 的二项式分布，在一次观测中得到 的观测值为4，请画出 的取值在0到1之间的似然函数及对数似然函数的图形，并根据图形估计 的极大似然估计值。
9.作出 的图形。
10. R的MASS包中crabs数据框记录了200只紫岩蟹的形态学数据，请做散点图回答以下问题(要求：显示图例和标题)：
现代统计分析与R语言实验名：学号：日期：
1、实验目的
1.熟悉R语言常用命令；
2.熟悉R语言的常用数据对象；
3.掌握R语言编程；
4.了解R语言的面向对象程序属性。
二、实验要求
写出在命令和运行结果,如果输出结果较长，可以列出部分或者重要的结果；
参考资料：Modern Applied statistics with S;统计建模与R软件。
三、实验内容
1.读取exp2-1.txt文本中数据存入矩阵IR中，其维数与原数据文件相同。
2.读取bankloan.xls中数据存入数据框mybank中。
3.将R的MASS包中数据框whiteside输出到whiteside.txt和whiteside.csv中。
4.Fibonacci数组的元素满足Fibonacci规则： ， ；且 。现要求该数组中第一个大于10000的元素。
5.在R中定义分段函数 ，计算f(-7), f(1),f(5), f(9)
6.球场上，一足球运动员开出角球，初速度是v(m/s)，初速度与水平面的夹角是 ，不计空气阻力，球飞行过程中没有触碰到任何人员，球始终在与球场垂直的同一平面内飞行，以发球点作为原点：(1)请编写一个函数计算t秒后球的位置，重力加速度作为函数参数默认为9.8m/s;(2)当该球员开出角球的初速度为20m/s，角度为53度时，请画出该球的飞行轨迹。
R语言两层2^k析因试验设计（因子设计）分析工厂产量数据和Lenth方法检验显著性可视化数据分享
R语言两层2^k析因试验设计（因子设计）分析工厂产量数据和Lenth方法检验显著性可视化数据分享原文链接：/?p=25921假设调查人员有兴趣检查减肥干预方法的三个组成部分。
这三个组成部分是：•记录食物日记（是/否）•增加活动（是/否）•家访（是/否）调查员计划调查所有，实验条件的组合。
实验条件为•要执行因子设计，您需要为多个因子（变量）中的每一个选择固定数量的水平，然后以所有可能的组合运行实验。
•这些因素可以是定量的或定性的。
•定量变量的两个水平可以是两个不同的温度或两个不同的浓度。
•定性因素可能是两种类型的催化剂或某些实体的存在和不存在。
符号：- 因子数 (3) - 每个因子的水平数 (2) - 设计中有多少实验条件 ()因子实验可以涉及具有不同水平数量的因子。
测试：考虑一个设计。
•有多少因子？•每个因子有多少个水平？•多少实验条件？答案：(a) 有 2+2+1 = 5 个因数。
(b) 两个因素有4个水平，2个因素有3个水平，1个因素有2个水平。
(c) 有 288 个实验条件。
向下滑动查看答案▼方差分析和因子设计之间的区别在 ANOVA 中，目标是比较各个实验条件。
让我们考虑一下上面的食物日记研究。
我们可以通过比较食物日记设置为 NO（条件 1-4）的所有条件的平均值和食物日记设置为YES（条件5-8）的所有条件的平均值来估计食物日记的效果。
这也被称为食物日记的主效应，形容词主要是提醒这个平均值超过了其他因素的水平。
食物日记的主效应是：体育锻炼的主效应是：家访的主效应是：使用了所有实验对象，但重新排列以进行每次比较。
受试者被回收以测量不同的效应。
这是析因实验更有效的原因之一。
执行因子设计要执行因子设计：•为每个因子选择固定数量的水平。
•以所有可能的组合运行实验。
我们将讨论每个因子只有两个水平的设计。
因素可以是定量的或定性的。
两个水平的定量变量可以是两个不同的温度或浓度。
定量变量的两个级别可以是两种不同类型的催化剂或某些实体的存在/不存在。
武汉理工大学R语言实验报告
第二部分：实验过程记录（可加页）（包括实验原始数据记录，实验现象
记录，实验过程发现的问题等）
原始数据（E：/fire.txt）：
xy
3.4 26.2
1.8 17.8
4.6 31.3
2.3 23.1
3.1 27.5
5.5 36
0.7 14.1
3 22.3
2.6 19.6
4.3 31.3
2.1 24
1.1 17.3
6.1 43.2
4.8 36.4
3.8 26.1
打开 R 软件后依次按一下程序输入函数命令进行回归分析
1.数据准备
fire <- read.table('E:/fire.txt', head = T)
#读取数据
2.回归分析
plot(fire$y ~ fire$x)
#散点图：
fire.reg <- lm(fire$y ~ fire$x, data = fire)
summary(fire.reg)
#回归分析表：
#回归拟合
anova(fire.reg)
#方差分析表
abline(fire.reg, col = 2, lty = 2)
#拟合直线
3.残差分析 fire.res <- residuals(fire.reg) #残差 fire.sre <- rstandard(fire.reg) #学生化残差 plot(fire.sre) abline(h = 0) text(11, fire.sre[11], label = 11, adj = (-0.3), col = 2) #标注点
2. 一旦我们将时间序列读入 R，下一步通常是用这些数据绘制时间序列图，我 们可以使用 R 中的 plot.ts()函数。
R语言实验指导书二
R语言实验指导书
二
R语言实验指导书（二）
10月27日
实验三创立和使用R语言数据集
一、实验目的：
1.了解R语言中的数据结构。
2.熟练掌握她们的创立方法，和函数中一些参数的使用。
3.对创立的数据结构进行，排序、查找、删除等简单的操作。
二、实验内容：
1.向量的创立及因子的创立和查看
有一份来自澳大利亚所有州和行政区的20个税务会计师的信息样本1 以及她们各自所在地的州名。
州名为：tas, sa, qld, nsw, nsw, nt, wa, wa, qld, vic, nsw, vic, qld, qld, sa, tas, sa, nt, wa, vic。
1)将这些州名以字符串的形式保存在state当中。
2)创立一个为这个向量创立一个因子statef。
3)使用levels函数查看因子的水平。
2.矩阵与数组。
i.创立一个4*5的数组如图，创立一个索引矩阵如图，用
这个索引矩阵访问数组，观察结果。
3.将之前的state，数组，矩阵合在一起创立一个长度为3的
列表。
4.创立一个数据框如图。
R语言实验报告范文
R语言实验报告范文实验报告：基于R语言的数据分析摘要：本实验基于R语言进行数据分析，主要从数据类型、数据预处理、数据可视化以及数据分析四个方面进行了详细的探索和实践。
实验结果表明，R语言作为一种强大的数据分析工具，在数据处理和可视化方面具有较高的效率和灵活性。
一、引言数据分析在现代科学研究和商业决策中扮演着重要角色。
随着大数据时代的到来，数据分析的方法和工具也得到了极大发展。
R语言作为一种开源的数据分析工具，被广泛应用于数据科学领域。
本实验旨在通过使用R语言进行数据分析，展示R语言在数据处理和可视化方面的应用能力。
二、材料与方法1.数据集：本实验使用了一个包含学生身高、体重、年龄和成绩的数据集。
2.R语言版本：R语言版本为3.6.1三、结果与讨论1.数据类型处理在数据分析中，需要对数据进行适当的处理和转换。
R语言提供了丰富的数据类型和操作函数。
在本实验中，我们使用了R语言中的函数将数据从字符型转换为数值型，并进行了缺失值处理。
同时，我们还进行了数据类型的检查和转换。
2.数据预处理数据预处理是数据分析中的重要一步。
在本实验中，我们使用R语言中的函数处理了异常值、重复值和离群值。
通过计算均值、中位数和四分位数，我们对数据进行了描述性统计，并进行了异常值和离群值的检测和处理。
3.数据可视化数据可视化是数据分析的重要手段之一、R语言提供了丰富的绘图函数和包，可以用于生成各种类型的图表。
在本实验中，我们使用了ggplot2包绘制了散点图、直方图和箱线图等图表。
这些图表直观地展示了数据的分布情况和特点。
4.数据分析数据分析是数据分析的核心环节。
在本实验中，我们使用R语言中的函数进行了相关性分析和回归分析。
通过计算相关系数和回归系数，我们探索了数据之间的关系，并对学生成绩进行了预测。
四、结论本实验通过使用R语言进行数据分析，展示了R语言在数据处理和可视化方面的强大能力。
通过将数据从字符型转换为数值型、处理异常值和离群值，我们获取了可靠的数据集。
r语言实验报告
r语言实验报告R语言实验报告引言R语言是一种广泛应用于数据分析和统计建模的开源编程语言，具有丰富的包和函数库，适用于各种数据处理和可视化任务。
本实验旨在探讨R语言在数据处理和可视化方面的应用，通过实际案例展示其强大的功能和灵活性。
数据导入与处理我们需要导入数据集，并进行初步的处理。
在R语言中，可以使用read.csv()函数导入csv格式的数据文件，然后通过head()函数查看数据的前几行，以了解数据结构和内容。
接下来，可以使用subset()函数筛选出需要的数据列，并使用na.omit()函数删除缺失值，确保数据的完整性和准确性。
数据可视化数据可视化是数据分析的重要环节，可以帮助我们更直观地理解数据的分布和关系。
在R语言中，可以使用ggplot2包来绘制各种类型的图表，如散点图、折线图和直方图等。
通过设置不同的参数和颜色，可以定制化图表的样式，使其更具有美感和可读性。
统计分析除了数据可视化，R语言还提供了丰富的统计分析函数，可以帮助我们进行各种统计推断和建模分析。
例如，可以使用lm()函数进行线性回归分析，通过summary()函数查看回归模型的拟合效果和显著性检验结果。
此外，还可以使用t.test()函数进行假设检验，判断样本均值之间是否存在显著差异。
结果解释与总结我们需要对分析结果进行解释和总结。
在解释结果时，应该清晰地说明分析方法和推断过程，避免歧义和误导。
在总结部分，可以简要概括分析的主要发现和结论，指出数据分析对问题的解决和决策的重要性和价值。
结论通过本实验，我们深入探讨了R语言在数据处理和可视化方面的应用，展示了其强大的功能和灵活性。
R语言不仅可以帮助我们高效地处理和分析数据，还可以帮助我们更好地理解数据的特征和规律。
希望本实验可以帮助读者更好地掌握R语言的应用技巧，提升数据分析和统计建模的能力。
R语言上机实验
一、数据可视化1.对于iris数据，用每类花（iris$Speciees）的样本数作为高度，制作条形图。
2.用每类花的Sepal.Length、Sepal.Width、Petal.Length、Petal.Width的平均值分别制作条形图，四图同显。
3.分别制作Sepal.Length、Sepal.Width、Petal.Length、Petal.Width的直方图（用密度值做代表，设置prob=T）,添加拟合的密度曲线，四图同显。
二、中国地图：（Note：首先从网上下载GIS数据，解压到GIS_data目录。
/wp-content/uploads/2009/07/chinaprovinceborderdata _tar_gz.zip）setwd('F:/GIS_data') ### 设置工作目录install.packages('maptools');library(maptools)china<- readShapePoly('bou2_4p.shp') ### 获得各省的边界信息plot(china)>> names(map_data)[1] "AREA" "PERIMETER" "BOU2_4M_" "BOU2_4M_ID" "ADCODE93"[6] "ADCODE99" "NAME"可以看出map_data中有7列，对应的字段名如上面显示。
>> map_data$AREA #925个区域单元的面积>> map_data$PERIMETER #925个区域单元的周长>> map_data$BOU2_4M_ #没有重复的数字，2~926，可作为区域单元ID>> map_data$BOU2_4M_ID #有重复数字，特定情况下可作为区域单元ID>> map_data$ADCODE93 #93版ADCODE地理编码>> map_data$ADCODE93 #99版ADCODE地理编码>> map_data$NAME #各区域单元所隶属的省级行政单元的名称>> unique(map_data$NAME) #查看各区域的名称是什么文本[1] 黑龙江省内蒙古自治区新疆维吾尔自治区吉林省[5] 辽宁省甘肃省河北省北京市[9] 山西省天津市陕西省宁夏回族自治区[13] 青海省山东省西藏自治区河南省[17] 江苏省安徽省四川省湖北省[21] 重庆市上海市浙江省湖南省[25] 江西省云南省贵州省福建省[29] 广西壮族自治区台湾省广东省香港特别行政区[33] 海南省<NA>33 Levels: 安徽省北京市福建省甘肃省广东省广西壮族自治区 ...重庆市provname=c("北京市","天津市","河北省","山西省","内蒙古自治区", "辽宁省","吉林省","黑龙江省","上海市","江苏省", "浙江省","安徽省","福建省","江西省","山东省", "河南省","湖北省","湖南省","广东省","广西壮族自治区","海南省","重庆市","四川省","贵州省", "云南省","西藏自治区","陕西省","甘肃省","青海省","宁夏回族自治区","新疆维吾尔自治区","台湾省", "香港特别行政区") ###省份向量pop=c(1633,1115,6943,3393,2405,4298,2730,3824,1858,7625,5060,6118,3581 ,4368,9367,9360,5699,6355,9449,4768,845,2816,8127,3762,4514,284,3748,26 17,552,610,2095,2296,693) ###各省人口向量根据各省人口数量给地图着色。
R语言实验报告
实验目的1. 用R生成服从某些具体已知分布的随机变量二、实验内容在R中各种概率函数都有统一的形式，即一套统一的前缀+分布函名: d表示密度函数(density )；p 表示分布函数(生成相应分布的累积概率密度函数)；q表示分位数函数，能够返回特定分布的分位( quantile )；r表示随机函数，生成特定分布的随机数( random)。
R中的各种概率统计分布汉文名称英文名称R対应的乳字附加参数B分布beta beta shapely shape2, nep二项式分布binomial binom size, prob柯阿分布Cauchy cauchy location, scale忖方分布匚hi-squared chisq elf# nep指数分布exponential exp rateF分布F f dfl f dfl, nepGamma(¥)分布gamma gamma shape, scale几何分布geometric geom prob超几何分布hypergeometric hyper m, n, k对数币态分布log-normml Inorm meanlog, sdlogLogistic 分布logistic logis Io匚ation, scale血二项式分布negative binomial rib inom size, prob正态分布normal norm mean, sd泊松分布Poisson pois lambdaWilcoxon signed rank signrank nt分布Student's t t df# nep|均匀分布uniform unif min f max韦伯分布Weibull weibull shape, scale怯和分布Wilcoxon wilcox m# n1、通过均匀分布随机数生成概率分布随机数的方法称为逆变换法。
对于任意随机变量X，其分布函数为F,定义其广义逆为：F-(u)=inf{x;F(x) > u}若u~u (0,1)，贝U F-(u)和X的分布一样Example 1如果X~Exp (1)(服从参数为 u~u(0,1)，则 X=-logU~Exp(1) 则可以解出x=-log(1-u)Exp from Uniform通过随机数生成产生的分布与本身的指数分布结果相一致R代码如下：nsim = 10A 4U = runif(nsim) X = -log(U)Y = rexp(nsim) X11(h=3.5)Xpar(mfrow=c(1,2),mar=c(2,2,2,2))hist(X,freq=F,main="Exp from Uniform",ylab="",xlab="",ncl=150,col="grey",xlim=c(0,8)) curve(dexp(x),add=T,col="sienna",lwd=2)hist(Y,freq=F,main="Exp from R",ylab="",xlab="",ncl=150,col="grey",xlim=c(0,8)) curve(dexp(x),add=T,col="sienna",lwd=2)2、某些随机变量可由指数分布生成。
R语言实验报告—习题详解
R语言实验报告习题详解学院：班级：学号：姓名：导师：成绩：目录一、实验目的 (1)二、实验内容 (1)1.1问题叙述 (1)1.2问题求解 (1)1.2.1创建按列、行输入的4×5矩阵； (1)1.2.2编写程序求解 (1)1.3结果展示 (3)2.1问题叙述 (3)2.2问题求解 (4)2.2.1创建StudentData数据框 (4)2.2.2运行程序求解 (4)2.3结果展示 (4)3.1问题叙述 (4)3.2问题求解 (5)3.2.1运用hist函数绘制直方图； (5)3.2.2运用lines函数绘制密度估计曲线； (5)3.2.3运用plot函数绘制经验分布图； (5)3.2.4运用qqnorm函数绘制QQ图 (5)3.3结果展示 (5)4.1问题叙述 (8)4.2问题求解 (8)4.2.1创建x、y数据框 (8)4.2.2运用t.test函数求解 (8)4.3结果展示 (8)5.1问题叙述 (9)5.2问题求解 (9)5.2.1创建x、y数据框 (9)5.2.2运用t.test函数求解 (9)5.3结果展示 (9)6.1问题叙述 (9)6.2问题求解 (10)6.2.1创建x数据框 (10)6.2.2运用pnorm函数求解 (10)6.3结果展示 (10)三、实验总结 (10)一、实验目的R是用于统计分析、绘图的语言和操作环境。
R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具；本次试验要求掌握了解R语言的各项功能和函数，能够通过完成试验内容对R语言有一定的了解，会运用软件对数据进行分析；通过本实验加深对课本知识的理解以及熟练地运用R语言软件来解决一些复杂的问题。
二、实验内容1.1问题叙述将1,2，…，20构成两个4×5阶的矩阵，其中矩阵A是按列输入，矩阵B 是按行输入，并做如下运算.C=A+B;D=A*B;F是由A的前3行和前3列构成的矩阵;G是由矩阵B的各列构成的矩阵，但不含B的第3列.1.2问题求解1.2.1创建按列、行输入的4×5矩阵；1.2.2编写程序求解1.3结果展示2.1问题叙述已知有5名学生的数据，如下表所示.用数据框的形式读入数据.学生数据2.2问题求解2.2.1创建StudentData数据框2.2.2运行程序求解2.3结果展示3.1问题叙述某单位对100名女生测定血清总蛋白含量（g/L）,数据如下：绘制上述数据的直方图、密度估计曲线、经验分布图和QQ图.3.2问题求解3.2.1运用hist函数绘制直方图；3.2.2运用lines函数绘制密度估计曲线；3.2.3运用plot函数绘制经验分布图；3.2.4运用qqnorm函数绘制QQ图3.3结果展示直方图密度估计曲线经验分布图the histogram of serumdataagef r e q u e n c y65707580850.000.020.040.060.080.1the histogram of serumdataagef r e q u e n c y65707580850.000.020.040.060.080.10QQ 图65707580850.00.20.40.60.81.0ecdf(serumdata)xF n (x)-2-10126570758085Normal Q-Q PlotTheoretical QuantilesS a m p l e Q u a n t i l e s4.1问题叙述甲、乙两种稻谷分别播种在10块试验田中，每块实验田甲乙稻谷各种一半.假设两稻谷产量X ，Y 均服从正态分布，且方差相等.收获后10块试验田的产量如下所示（单位：千克）求出两稻种产量的期望差12μμ- 的置信区间（0.05α= ）.4.2问题求解4.2.1创建x 、y 数据框4.2.2运用t.test 函数求解4.3结果展示由以上程序运行得两稻种产量的期望差12μμ-的95%置信区间为 [ 7.53626, 20.06374].5.1问题叙述甲乙两组生产同种导线，现从甲组生产的导线中随机抽取4根，从乙组生产的导线中随机抽取5根，它们的电阻值（单位：Ω ）分别为假设两组电阻值分别服从正态分布22212(,)(,)N N μσμσσ和， 未知.试求12μμ-的置信区间系数为0.95的区间估计.5.2问题求解5.2.1创建x 、y 数据框5.2.2运用t.test 函数求解5.3结果展示Two Sample t-testdata: x and yt = 1.198, df = 7, p-value = 0.2699alternative hypothesis: true difference in means is not equal to 095 percent confidence interval:-0.001996351 0.006096351sample estimates:mean of x mean of y0.14125 0.13920由以上程序运行甲乙两电阻的期望差12μμ-的95%置信区间为[-0.001996351， 0.006096351]. 6.1问题叙述已知某种灯泡寿命服从正态分布，在某星期所生产的该灯泡中随机抽取10只，测得其寿命（单位：小时）为1067 919 1196 785 1126 936 918 1156 920 948求这个星期生产出的灯泡能使用1000小时以上的概率.6.2问题求解6.2.1创建x数据框6.2.2运用pnorm函数求解6.3结果展示由以上程序运行得，x<=1000的概率为0.509,故x大于1000的概率为0.491.三、实验总结在R语言实验学习中，通过实验操作可使我们加深对理论知识的理解，学习和掌握R语言的基本方法，并能进一步熟悉和掌握R软件的操作方法，培养我们分析和解决实际问题的基本技能，提高我们的综合素质.。
时间序列实验报告
重庆交通大学学生实验报告实验课程名称时间序列分析开课实验中心数统学院实验教学中心开课学院数学与统计学院专业年级应用统计学2015级1班姓名XXXX学号6315XXXXXXXX任课老师XXXXX开课时间2017—2018学年第1学期此页空页！实验一R语言简介: 基本操作一实验目的1、了解软件R：安装、启动、退出、帮助等。
2、熟悉R的操作界面。
二、实验内容及要求：1、实验内容：（1）R的安装；（2）启动与退出；（3）包的安装及R的更新；（4）帮助及移除多个对象等；（5）常见命令2、实验要求：（1）熟悉R的操作环境；（2）熟悉包的安装与帮助；（3）学习常见命令，熟悉 R 的操作界面。
三、实验过程及结果1、（1）R的安装（2）启动与退出；（3）包的安装及R的更新；A、包的安装> chooseCRANmirror()> install.packages()B、R的更新> install.packages("installr") > library(installr)> updateR()（4）帮助及移除多个对象等；> ？关键字> ？？关键字> help.start()#帮助> rm()> rm(list=ls())#移除多个对象（5）常见命令四、实验心得了解了R的一些基本使用及其常见的命令，为自己深入学习r的使用打下了基础。
实验二R语言简介: 数据集创建与处理一实验目的1、掌握R数据集的不同创建形式。
2、熟悉并掌握利用R对时间序列数据集进行变换与处理。
二、实验内容及要求1、实验内容：（1）利用data.frame函数创建数据集；（2）读取 d.txt 型数据框；（3）读取 excel 数据及对某变量数据进行某些处理（4）导出 R 中数据集（5）时间序列数据输入（6）对已有数据集中数据的处理2、实验要求：熟悉R数据集的不同创建方法，掌握利用R对时序数据集进行变换与处理三、实验过程及结果1、实验内容：（1）利用data.frame函数创建数据集；（2）读取 d.txt 型数据框；m（3）读取 excel 数据及对某变量数据进行某些处理（4）导出 R 中数据集（5）时间序列数据输入（6）对已有数据集中数据的处理（5）（6）合> library(readxl)> X2_7<- read_excel("C:/Users/Administrator/Desktop/2.7.x lsx")> summary(X2_7)330.45 330.97 331.64 332.87 333.61Min. :331.6 Min. :330.1 Min. :328.6 Min. :328.3 Min. :329.41st Qu.:332.9 1st Qu.:332.4 1st Qu.:331.9 1st Qu.:33 1.5 1st Qu.:332.8Median :334.7 Median :334.4 Median :333.7 Median :33 4.4 Median :335.1Mean :335.0 Mean :334.2 Mean :333.9 Mean :334.3 Mean :335.23rd Qu.:336.8 3rd Qu.:336.1 3rd Qu.:335.9 3rd Qu.:33 7.0 3rd Qu.:337.7Max. :339.2 Max. :338.2 Max. :339.9 Max. :340.6 Max. :341.2333.55Min. :330.61st Qu.:333.9Median :336.0Mean :335.73rd Qu.:338.0Max. :340.9四、实验心得通过本次实验，首先，我知道了文件其他格式的文件如何导入R，知晓乐数据集的创建，使用及一些简单的处理。
R语言实战（第2版）
R语⾔实战（第2版）R语⾔实战(第2版)对第1版的赞誉第2版的不同之处读者对象本书结构对数据挖掘者的建议例⼦作者在线关于封⾯图⽚第⼀部⼊门1 R语⾔介绍1.1 为何要使⽤R1.2 R的获取和安装1.3 R的使⽤1.3.1 新⼿上路1.3.2 获取帮助1.3.3 ⼯作空间1.3.4 输⼊和输出1.4 包1.4.1 什么是包1.4.2 包的安装1.4.3 包的载⼊1.4.4 包的使⽤⽅法1.5 批处理1.6 将输出⽤为输⼊：结果的重⽤1.7 处理⼤数据集1.8 ⽰例实践1.9 ⼩结2 创建数据集2.1 数据集的概念2.2 数据结构2.2.1 向量2.2.2 矩阵2.2.3 数组2.2.4 数据框2.2.5 因⼦2.2.6 列表2.3 数据的输⼊2.3.1 使⽤键盘输⼊数据2.3.2 从带分隔符的⽂本⽂件导⼊数据2.3.3 导⼊Excel数据2.3.4 导⼊XML数据2.3.5 从⽹页抓取数据2.3.6 导⼊SPSS数据2.3.7 导⼊SAS数据2.3.8 导⼊Stata数据2.3.9 导⼊NetCDF数据2.3.10 导⼊HDF5数据2.3.11 访问数据库管理系统2.4.2 值标签2.5 处理数据对象的实⽤函数2.6 ⼩结3 图形初阶3.1 使⽤图形3.2 ⼀个简单的例⼦3.3 图形参数3.3.1 符号和线条3.3.2 颜⾊3.3.3 ⽂本属性3.3.4 图形尺⼨与边界尺⼨3.4 添加⽂本、⾃定义坐标轴和图例3.4.1 标题3.4.2 坐标轴3.4.3 参考线3.4.4 图例3.4.5 ⽂本标注3.4.6 数学标注3.5 图形的组合图形布局的精细控制3.6 ⼩结4 基本数据管理4.1 ⼀个⽰例4.2 创建新变量4.3 变量的重编码4.4 变量的重命名4.5 缺失值4.5.1 重编码某些值为缺失值4.5.2 在分析中排除缺失值4.6 ⽇期值4.6.1 将⽇期转换为字符型变量4.6.2 更进⼀步4.7 类型转换4.8 数据排序4.9 数据集的合并4.9.1 向数据框添加列4.9.2 向数据框添加⾏4.10 数据集取⼦集4.10.1 选⼊（保留）变量4.10.2 剔除（丢弃）变量4.10.3 选⼊观测4.10.4 subset()函数4.10.5 随机抽样4.11 使⽤SQL语句操作数据框4.12 ⼩结5 ⾼级数据管理5.1 ⼀个数据处理难题5.2 数值和字符处理函数5.2.1 数学函数5.2.2 统计函数5.2.6 将函数应⽤于矩阵和数据框5.3 数据处理难题的⼀套解决⽅案5.4 控制流5.4.1 重复和循环5.4.2 条件执⾏5.5 ⽤户⾃编函数5.6 整合与重构5.6.1 转置5.6.2 整合数据5.6.3 reshape2包5.7 ⼩结第⼆部基本⽅法6 基本图形6.1 条形图6.1.1 简单的条形图6.1.2 堆砌条形图和分组条形图6.1.3 均值条形图6.1.4 条形图的微调6.1.5 棘状图6.2 饼图6.3 直⽅图6.4 核密度图6.5 箱线图6.5.1 使⽤并列箱线图进⾏跨组⽐较6.5.2 ⼩提琴图6.6 点图6.7 ⼩结7 基本统计分析7.1 描述性统计分析7.1.1 ⽅法云集7.1.2 更多⽅法7.1.3 分组计算描述性统计量7.1.4 分组计算的扩展7.1.5 结果的可视化7.2 频数表和列联表7.2.1 ⽣成频数表7.2.2 独⽴性检验7.2.3 相关性的度量7.2.4 结果的可视化7.3 相关7.3.1 相关的类型7.3.2 相关性的显著性检验7.3.3 相关关系的可视化7.4 t检验7.4.1 独⽴样本的t检验7.4.2 ⾮独⽴样本的t检验7.4.3 多于两组的情况7.5 组间差异的⾮参数检验7.5.1 两组的⽐较7.5.2 多于两组的⽐较7.7 ⼩结第三部中级⽅法8 回归8.1 回归的多⾯性8.1.1 OLS回归的适⽤情境8.1.2 基础回顾8.2 OLS回归8.2.1 ⽤lm()拟合回归模型8.2.2 简单线性回归8.2.3 多项式回归8.2.4 多元线性回归8.2.5 有交互项的多元线性回归8.3 回归诊断8.3.1 标准⽅法8.3.2 改进的⽅法8.3.3 线性模型假设的综合验证8.3.4 多重共线性8.4 异常观测值8.4.1 离群点8.4.2 ⾼杠杆值点8.4.3 强影响点8.5 改进措施8.5.1 删除观测点8.5.2 变量变换8.5.3 增删变量8.5.4 尝试其他⽅法8.6 选择“最佳”的回归模型8.6.1 模型⽐较8.6.2 变量选择8.7 深层次分析8.7.1 交叉验证8.7.2 相对重要性8.8 ⼩结9 ⽅差分析9.1 术语速成9.2 ANOVA模型拟合9.2.1 aov()函数9.2.2 表达式中各项的顺序9.3 单因素⽅差分析9.3.1 多重⽐较9.3.2 评估检验的假设条件9.4 单因素协⽅差分析9.4.1 评估检验的假设条件9.4.2 结果可视化9.5 双因素⽅差分析9.6 重复测量⽅差分析9.7 多元⽅差分析9.7.1 评估假设检验9.7.2 稳健多元⽅差分析9.8 ⽤回归来做ANOVA9.9 ⼩结10 功效分析10.2 ⽤pwr包做功效分析10.2.1 t 检验10.2.2 ⽅差分析10.2.3 相关性10.2.4 线性模型10.2.5 ⽐例检验10.2.6 卡⽅检验10.2.7 在新情况中选择合适的效应值10.3 绘制功效分析图形10.4 其他软件包10.5 ⼩结11 中级绘图11.1 散点图11.1.1 散点图矩阵11.1.2 ⾼密度散点图11.1.3 三维散点图11.1.4 旋转三维散点图11.1.5 ⽓泡图11.2 折线图11.3 相关图11.4 马赛克图11.5 ⼩结12 重抽样与⾃助法12.1 置换检验12.2 ⽤coin包做置换检验12.2.1 独⽴两样本和K样本检验12.2.2 列联表中的独⽴性12.2.3 数值变量间的独⽴性12.2.4 两样本和K样本相关性检验12.2.5 深⼊探究12.3 lmPerm包的置换检验12.3.1 简单回归和多项式回归12.3.2 多元回归12.3.3 单因素⽅差分析和协⽅差分析12.3.4 双因素⽅差分析12.4 置换检验点评12.5 ⾃助法12.6 boot包中的⾃助法12.6.1 对单个统计量使⽤⾃助法12.6.2 多个统计量的⾃助法12.7 ⼩结第四部⾼级⽅法13 ⼴义线性模型13.1 ⼴义线性模型和glm()函数13.1.1 glm()函数13.1.2 连⽤的函数13.1.3 模型拟合和回归诊断13.2 Logistic回归13.2.1 解释模型参数13.2.2 评价预测变量对结果概率的影响13.2.3 过度离势13.2.4 扩展13.3.1 解释模型参数13.3.2 过度离势13.3.3 扩展13.4 ⼩结14 主成分分析和因⼦分析14.1 R中的主成分和因⼦分析14.2 主成分分析14.2.1 判断主成分的个数14.2.2 提取主成分14.2.3 主成分旋转14.2.4 获取主成分得分14.3 探索性因⼦分析14.3.1 判断需提取的公共因⼦数14.3.2 提取公共因⼦14.3.3 因⼦旋转14.3.4 因⼦得分14.3.5 其他与EFA相关的包14.4 其他潜变量模型14.5 ⼩结15 时间序列15.1 在R中⽣成时序对象15.2 时序的平滑化和季节性分解15.2.1 通过简单移动平均进⾏平滑处理15.2.2 季节性分解15.3 指数预测模型15.3.1 单指数平滑15.3.2 Holt指数平滑和Holt-Winters指数平滑15.3.3 ets()函数和⾃动预测15.4 ARIMA预测模型15.4.1 概念介绍15.4.2 ARMA和ARIMA模型15.4.3 ARIMA的⾃动预测15.5 延伸阅读15.6 ⼩结16 聚类分析16.1 聚类分析的⼀般步骤16.2 计算距离16.3 层次聚类分析16.4 划分聚类分析16.4.1 K均值聚类16.4.2 围绕中⼼点的划分16.5 避免不存在的类16.6 ⼩结17 分类17.1 数据准备17.2 逻辑回归17.3 决策树17.3.1 经典决策树17.3.2 条件推断树17.4 随机森林17.5 ⽀持向量机选择调和参数17.7 ⽤rattle包进⾏数据挖掘17.8 ⼩结18 处理缺失数据的⾼级⽅法18.1 处理缺失值的步骤18.2 识别缺失值18.3 探索缺失值模式18.3.1 列表显⽰缺失值18.3.2 图形探究缺失数据18.3.3 ⽤相关性探索缺失值18.4 理解缺失数据的来由和影响18.5 理性处理不完整数据18.6 完整实例分析（⾏删除）18.7 多重插补18.8 处理缺失值的其他⽅法18.8.1 成对删除18.8.2 简单（⾮随机）插补18.9 ⼩结第五部技能拓展<19 使⽤ggplot2进⾏⾼级绘图19.1 R中的四种图形系统19.2 ggplot2包介绍19.3 ⽤⼏何函数指定图的类型19.4 分组19.5 刻⾯19.6 添加光滑曲线19.7 修改ggplot2图形的外观19.7.1 坐标轴19.7.2 图例19.7.3 标尺19.7.4 主题19.7.5 多重图19.8 保存图形19.9 ⼩结20 ⾼级编程20.1 R语⾔回顾20.1.1 数据类型20.1.2 控制结构20.1.3 创建函数20.2 环境20.3 ⾯向对象的编程20.3.1 泛型函数20.3.2 S3模型的限制20.4 编写有效的代码20.5 调试20.5.1 常见的错误来源20.5.2 调试⼯具20.5.3 ⽀持调试的会话选项20.6 深⼊学习20.7 ⼩结21 创建包21.1 ⾮参分析和npar包⽤npar包⽐较分组21.2.1 计算统计量21.2.2 打印结果21.2.3 汇总结果21.2.4 绘制结果21.2.5 添加样本数据到包21.3 创建包的⽂档21.4 建⽴包21.5 深⼊学习21.6 ⼩结22 创建动态报告22.1 ⽤模版⽣成报告22.2 ⽤R和Markdown创建动态报告22.3 ⽤R和LaTeX创建动态报告22.4 ⽤R和Open Document创建动态报告22.5 ⽤R和Microsoft Word创建动态报告22.6 ⼩结23 使⽤lattice进⾏⾼级绘图23.1 lattice包23.2 调节变量23.3 ⾯板函数23.4 分组变量23.5 图形参数23.6 ⾃定义图形条带23.7 页⾯布局23.8 深⼊学习附录 A 图形⽤户界⾯附录 B ⾃定义启动环境附录 C 从R中导出数据C.1 符号分隔⽂本⽂件C.2 Excel电⼦表格C.3 统计学程序附录 D R中的矩阵运算附录 E 本书中⽤到的扩展包附录 F 处理⼤数据集F.1 ⾼效程序设计F.2 在内存之外存储数据F.3 ⽤于⼤数据的分析包F.4 超⼤数据集的全⾯解决⽅案附录 G 更新RG.1 ⾃动安装（仅适⽤于Windows）G.2 ⼿动安装（Windows和Mac OS X）G.3 更新R（Linux）后记：探索R的世界思维导图防⽌博客图床图⽚失效，防⽌图⽚源站外链：)思维导图在线编辑链接：。
R语言判别分析实验报告
R语言判别分析实验报告判别分析是一种用于分类和预测的统计方法，广泛应用于各个领域，包括社会科学、医学、工程等。
本实验报告旨在介绍如何使用R语言进行判别分析，并分析实验结果。
一、实验目的本实验的目的是使用R语言进行判别分析，通过给定的数据集建立判别函数，并使用该函数对新样本进行分类预测。
二、实验方法本实验使用R语言中的“discrim”函数进行判别分析。
首先，读取实验所需的数据集，并进行数据预处理。
然后，划分训练集和测试集数据。
接下来，使用训练集数据建立判别函数，并使用该函数对测试集数据进行分类预测。
最后，评估分类的准确性。
三、实验步骤1. 数据读取和预处理：使用R语言中的“read.csv”函数读取数据集文件，查看数据的信息和结构，包括变量的名称、类型和缺失值情况。
对于有缺失值的数据，可以使用“na.omit”函数或者其他方法进行处理。
2. 划分训练集和测试集数据：将数据集分为训练集和测试集两部分，一般采用70%的数据作为训练集，30%的数据作为测试集。
可以使用“sample”函数进行随机抽样，将数据集按照指定的比例划分。
3. 建立判别函数：使用“discrim”函数建立判别函数。
该函数需要指定判别变量和预测变量，并可以选择判别方法和先验概率。
一般采用线性、二次和多项式判别方法。
可以使用“summary”函数查看判别分析模型的统计信息和结果。
4. 分类预测：使用建立好的判别函数对测试集数据进行分类预测。
可以使用“predict”函数，指定判别函数和测试集数据，得到预测结果。
5.分类准确性评估：计算分类预测的准确性，可以使用混淆矩阵、ROC曲线和AUC值等指标进行评估。
四、实验结果根据给定的判别变量和预测变量，我们建立了判别函数，并使用该函数对测试集数据进行分类预测。
最后，我们计算了分类预测的准确性指标。
五、实验结论判别分析是一种有效的分类和预测方法，可以应用于各个领域。
本实验使用R语言进行判别分析，并通过分类预测的准确性评估，验证了判别函数的有效性。
R语言上级实验二
理学院实验报告班级：学号：姓名：实验编号：实验二：R中数据的载入和处理、R编程和作图一、实验目的与要求：１、掌握数据的几种读取方法。
２、掌握数据子集的访问和处理方法。
3、掌握R的基本绘图方法(三大系统中的基本作图函数)。
4、掌握R的编程方法。
二、实验内容：1.用三种方法将数据集cherrytrs.xls读入到R中：(1)直接读入excel表格，并命名为cherry.xls。
> install.packages('readxl')--- 在此連線階段时请选用CRAN的鏡子---> library('readxl')> setwd("C:/Users/Administrator/Desktop")> cherry.xls <- read_excel("cherrytrs.xls",sheet=1)New names:* `` -> (1)> names(cherry.xls)[1] "...1" "Girth" "Height" "Volume" "Site"(2)用read.table读入制表分位符文件，并命名为cherry.txt。
> cherry.txt <- read.table("cherrytrs.txt",header=T,sep="\t")> names(cherry.txt)[1] "X" "Girth" "Height" "Volume" "Site"(3)用read.csv读入逗号分割符文件，并命名为cherry.csv.> cherry.csv<-read.csv("cherrytrs.csv",header=T,sep=",")> names(cherry.csv)[1] "X" "Girth" "Height" "Volume" "Site"2.编一个去掉某个向量中的缺失值的函数，输出结果为该变量的所以非缺失值，还要提示去掉几个缺失值。
R语言实验
缩打包发给课代表，压缩包的文件名同上。
截图方法：
法1:调整需要截图的窗口至合适的大小，并使该窗口为当前激活窗口（即该窗口在屏幕最 前方），按住键盘Alt键（空格键两侧各有一个）不放，再按键盘右上角的截图键（通常印 有“印屏幕”或“Pr Scrn”等字符），即完成截图。再粘贴到word文档的相应位置即可。
法2：利用QQ输入法的截屏工具。点击QQ输入法工具条最右边的“扳手”图标 其中的
观测值为
因此一1X，解得？
2பைடு நூலகம்
实验
一、实验目的：
掌握矩法估计与极大似然估计的求法;
学会利用
学会利用
学会利用 二、实验内容:
练习：
要求：①完成练习并粘贴运行截图到文档相应位置 的字体颜色设为红色（包括后面的思考及小结） 修改本文档名为“本人完整学号姓名1”，其中
（截图方法见下），并将所有自己输入文字 ，②回答思考题，③简要书写实验小结。④1表示第1次实验，以后更改为2,3,...
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
R语言实验二
实验2 R基础（二）
一、实验目的：
1.掌握数字与向量的运算；
2.掌握对象及其模式与属性；
3.掌握因子变量；
4.掌握多维数组和矩阵的使用。
二、实验内容：
1.完成教材例题；
2.完成以下练习。
练习：
要求：①完成练习并粘贴运行截图到文档相应位置(截图方法见下)，并将所有自己输入文字的字体颜色设为红色（包括后面的思考及小结），②回答思考题，③简要书写实验小结。
④修改本文档名为“本人完整学号姓名1”，其中1表示第1次实验，以后更改为2,3,...。
如文件名为“1305543109张立1”，表示学号为1305543109的张立同学的第1次实验，注意文件名中没有空格及任何其它字符。
最后连同数据文件、源程序
文件等（如果有的话），一起压缩打包发给课代表，压缩包的文件名同上。
截图方法：
法1：调整需要截图的窗口至合适的大小，并使该窗口为当前激活窗口（即该窗口在屏幕最前方），按住键盘Alt键（空格键两侧各有一个）不放，再按键盘右上角的截图键（通常印有“印屏幕”或“Pr Scrn”等字符），即完成截图。
再粘贴到word文档的相应位置即可。
法2：利用QQ输入法的截屏工具。
点击QQ输入法工具条最右边的“扳手”图标，选择其中的
“截屏”工具。
）
1.自行完成教材P58页
2.2-2.5节中的例题。
2.（习题2.1）建立一个R文件，在文件中输
入变量x = (1，2，3)T，y = (4，5，6)T，并
作以下运算
(1)计算z = 2x + y + e，其中e = (1，1，
1)T；
(2)计算x与y的内积；
(3)计算x与y的外积。
解：源代码：
（1）x<-c(1,2,3)
y<-c(4,5,6)
e<-c(1,1,1)
z=2*x+y+e
z1=crossprod(x,y) #z1为x与y的内积或者x%*%y
z2=tcrossprod(x,y) #z2为x与y的外积或者x%o%y
z;z1;z2
(2) x<-c(1,2,3)
y<-c(4,5,6)
e<-c(1,1,1)
z=2*x+y+e
z1= x%*%y
z2=x%o%y
z;z1;z2
运行截图：
3.（习题2.2）将1，2，…，20构成两个4×5阶的矩阵，其中矩阵A是按列输入，矩阵B是按行输入，并作如下运算
(1)C = A + B；(相对应的数相加)
(2) D = AB T；
(3)E = (e ij )4×5，其中e ij = a ij·b ij；（相
对应的数相乘)
(4)F是由A的前3行和前3列构成的矩
阵；
(5)G是由矩阵B的各列构成的矩阵，但
不含B的第3列。
解：源代码：
A<-matrix(1:20,c(4,5));A # A<-matrix(1:20,nrow=4,byrow=F);A/
A<-matrix(1:20,nrow=4);A # A<-matrix(1:20,ncol=5);A #
A<-matrix(1:20,ncol=5,byrow=F);A
B<-matrix(1:20,nrow=4,byrow=TRUE);B C=A+B;C
D<-A%*%t(B);D
E=A*B;E
F<-A[1:3,1:3];F
G<-B[,-3];G
运行截图：
D:第一个数175=1*1+5*2+9*3+13*4+17*5 400=1*6+5*7+9*8+13*9+17*10
类似……..
4.（习题2.3）构造一个向量x，向量是由5
个1，3个2，4个3和2个4构成，注意用
到rep()函数。
解：源代码：
x<-c(rep(1,times=5),rep(2,times=3),rep(3,ti
mes=4),rep(4,times=2)); x
x<-c(rep(1,5),rep(2,3),rep(3,4),rep(4,2));x
运行截图：
思考：（以下题目请先进行笔算后，再在R中运
算核对）
1.c(1,4)*c(2,3)的输出结果是什么？
[1] 2 12
2.matrix(1:2,ncol=2,nrow=2)的输出结果是什
么？（重复）
[,1] [,2]
[1,] 1 1
[2,] 2 2
3.vec<- c(2,4,6,8,10); vec[2]; vec[-2]的输出结
果是什么？（找到相对应下标的数，负数表
示去掉）
[1] 4
[1] 2 6 8 10
4.测量得到了5位男士的体重和身高的数据
如下：
体重(kg)：60, 75, 65, 68, 70
身高(cm)：170, 180, 165, 172, 178
分别存储在向量weight和height中。
若想
得到那些身高超过170cm的男士的体重数
据，请写出相应的R代码。
weight<-c(60, 75, 65, 68, 70)
height<-c(170, 180, 165, 172, 178)
weight[height>170]
运行截图：
5.下面这一命令的输出结果是什么？
Mat<-matrix(1:12,nrow=4,byrow=TRUE);
Mat[3,];Mat[2,2:3]
[1] 7 8 9
[1] 5 6
6.apply()函数与tapply()函数有什么区别？
apply()是针对数组其一维（或若干维）进行
某种运算；
tapply()是针对向量中的数据进行分组处
理，而非对整体数据进行处理。
三、实验小结（必写，但字数不限）
首先需熟悉数字、向量、因子变量和多维数组和矩阵相对应的运算函数，理解和熟记相对应的函数，一道题中的源代码可能某部分有多种写法，选择简单适合的源代码，学会举一反三，最后要掌握相似函数的区别。