Kapitel 2 · Univariate deskriptive Statistik

Datei einlesen & Liniendiagramm (SLY.dat) in R

mittel Übung 4, Aufgabe 2 Rread.tablestrNALiniendiagrammlines

Ein Datensatz liegt als Textdatei SLY.dat vor (Spalten $X, Y_1, Y_2, Y_3, Y_4$ ). Der Wert NA bedeutet in R eine fehlende Beobachtung.

Bearbeite in R: a) Verschaffe dir einen Überblick über den Aufbau der Datei. b) Lies sie in das Objekt SLY.df ein. c) Prüfe, ob korrekt eingelesen wurde, und lass dir die Struktur ausgeben. d) Erstelle ein gemeinsames Liniendiagramm der Merkmale $Y_1, Y_2, Y_3, Y_4$ in Abhängigkeit von $X$ .

📥 Datei: SLY.dat

R R-Lösung anzeigen

SLY.df <- read.table(file = "SLY.dat",
                     header = TRUE, sep = ":", dec = "~")
str(SLY.df)                       # Struktur (NA = fehlend)
plot(SLY.df$X, SLY.df$Y1, type = "l", col = "orange",
     xlab = "X", ylab = "Y")
lines(SLY.df$X, SLY.df$Y2)
lines(SLY.df$X, SLY.df$Y3)
lines(SLY.df$X, SLY.df$Y4)

Ausgabe

'data.frame': 5464 obs. of  5 variables:
 $ X : num  0 0 0 0 0 ...
 $ Y1: num  48.8 48.8 48.9 49 49 ...
 $ Y2: num  NA NA NA NA NA ...

Lösung

0/6 aufgedeckt

← Alle Aufgaben

x <- c(3, 1, 4, 1, 5) # Vektor anlegen y <- rep(c(0, 1), times = c(26, 9)) # 26x 0, 9x 1 s <- seq(0, 2*pi, length.out = 100) # gleichmäßige Folge 1:10 # Ganzzahlfolge length(x); sort(x); rev(x) # Länge, sortieren, umkehren x[x > 2] # logische Indizierung

barplot(table(x), main = "Titel", ylab = "h(a)") # Säulen pie(table(x), labels = c("nein", "ja")) # Kreis hist(x) # Histogramm (Auto-Klassen) hist(x, breaks = seq(50, 110, by = 5), # eigene Klassen col = heat.colors(12), xlab = "kg") plot(s, sin(2*s), type = "l", col = "blue", lwd = 2) # Linie lines(s, cos(s)) # weitere Linie ergänzen boxplot(x) # Box-Plot

mean(x) # arithmetisches Mittel median(x) # Median quantile(x, c(.25, .5, .75)) # Quartile quantile(x, 0.9) # 90%-Quantil # Modus: Ausprägung mit größter Häufigkeit names(which.max(table(x)))

var(x) # Stichprobenvarianz (/ (n-1)) sd(x) # Standardabweichung IQR(x) # Interquartilsabstand range(x); diff(range(x)) # Min/Max bzw. Spannweite sd(x) / mean(x) # Variationskoeffizient

dbinom(k, size = n, prob = p) # Binomial P(X = k) pbinom(k, n, p) # P(X <= k) dpois(k, lambda); ppois(k, lambda) dnorm(x, mean, sd); pnorm(x, mean, sd) # Normal qnorm(0.975) # Quantil (z-Wert) rnorm(100, mean = 0, sd = 1) # Zufallszahlen

t.test(x, mu = 0) # t-Test / KI für mu t.test(x, conf.level = 0.95)$conf.int # Konfidenzintervall prop.test(k, n) # Anteilstest chisq.test(table(a, b)) # Unabhängigkeitstest