【正文】 U339。U139。n39。,39。,39。因此我們用前兩個主成分來實現(xiàn)數(shù)據(jù)降維的目的。,39。,39。,39。（2） apply(pre,2,order)我們利用以上代碼看每個行業(yè)在各個主成分的排序，是從小到大排列的。) hc3hclust(d,method=39。) hclust(d,method=39。,header=T) Gfactor(rep(1:3,c(11,7,5))) (heart,G,=F) (heart,G,=T) (heart,G,p=c(11/23,7/23,5/23),=F) (heart,G,p=c(11/23,7/23,5/23),=T)無論方差相同還是不同，%%方差相同的貝葉斯判別正確率為87%（1） study(39。,39。如下 promatrix(c(,1,1,1,2,+ ,1,2),ncol=4,+ byrow=T) apply(pro,1,mean)現(xiàn)在可以輸入正交試驗表了，如下 (Y=,A=gl(2,4),B=gl(2,2,8),C=gl(2,1,8))進行分析aov(Y~A+B+C+A:B+A:C+B:C,data=)。下面計算均值 Kmatrix(0,nrow=3,ncol=3,dimnames=list(1:3,c(39。AB39。下面我們來計算它們各個水平下的均值。))) for(i in 1:3)+ K[1,i]mean(pro$Y[pro$X==i]) K 甲 乙 丙mean 103 111 86 (pro$Y[pro$X==1])。第七章（1）pro(Y=c(115,116,98,83,103,107,118,116,73,89,85,97),+ X=factor(rep(1:3,rep(4,3)))) aov(Y~X,data=pro) summary()可以看到不同工廠對產(chǎn)品的影響是顯著的（2）首先自己編寫求均值的小程序如下 Kmatrix(0,nrow=1,ncol=3,dimnames=list(39。避免了多重共線性。下面我們來做一個預測，看看（使用抗生素，有危險因子，有計劃）的一個孕婦發(fā)生感染的概率是多少。 XXcor(cement[1:2]) kappa(XX,exact=T)[1] 我們發(fā)現(xiàn)去掉X3和X4后，條件數(shù)降低好多好多。summary() () plot(,3),8,9,24對樣本影響較大，可能是異常值點，而通過殘差圖發(fā)現(xiàn)5是殘差離群點，但是整個殘差還是在[2,2]之內的。,level=) fit lwr upr1 （1）（2） soil(X1=c(,+ ,),X2=c(52,23,19,34,24,65,44,31,+ 29,58,37,46,50,44,56,36,58,51),X3=c(158,163,37,157,59,123,46,117,+ 173,112,111,114,134,73,168,143,202,124),Y=c(64,60,71,61,54,77,81,+ 93,93,51,76,96,77,93,95,54,168,99)) lm(Y~1+X1+X2+X3,data=soil)。 xc(24,17,20,41,52,23,46,18,15,29) yc(8,1,4,7,9,5,10,3,2,6) (x,y,method=39。l39。,mean(y),sd(y))采用pearson擬合優(yōu)度法對x進行檢驗 Atable(cut(x,br=c(2,0,2,4,6,8))) A(2,0] (0,2] (2,4] (4,6] (6,8] 4 4 6 4 1發(fā)現(xiàn)A中有頻數(shù)小于5，故應該重新調整分組 Atable(cut(x,br=c(2,2,4,8))) A(2,2] (2,4] (4,8] 8 6 5然后再計算理論分布 ppnorm(c(2,2,4,8),mean(x),sd(x)) pc(p[2],p[3]p[2],1p[3])最后檢驗 (A,p=p)采用pearson擬合優(yōu)度法對y進行檢驗 Btable(cut(y,br=c(,1,2,4,7))) B(,1] (1,2] (2,4] (4,7] 5 5 5 5 ppnorm(c(1,2,4),mean(y),sd(y)) pc(p[1],p[2]p[1],p[3]p[2],1p[3]) (B,p=p)以上的所有結果都不再列出，結論是試驗組和對照組都是來自正態(tài)分布。首先我們要把該正態(tài)分布的均值和方差給估計出來，這個就利用樣本即可。因此這10名患者的平均脈搏次數(shù)比正常人要小。) (x,alternative=39。在R中實現(xiàn)如下 xc(,) (2*mean(x)1)/(1mean(x))[1] （2）采用極大似然估計首先求出極大似然函數(shù)為La。red39。),vcol=c(2,3,4))windows()plot(factor(c(rep(1,length(x1)),rep(2,length(x2)),rep(3,length(x3)))),c(x1,x2,x3)) rubber(x1=c(65,70,70,69,66,67,68,72,66,68),+x2=c(45,45,48,46,50,46,47,43,47,48),x3=c(,)) plot(rubber)具體有相關關系的兩個變量的散點圖要么是從左下角到右上角（正相關），要么是從左上角到右下角（負相關）。,) Onesample KolmogorovSmirnov testdata: xD = , pvalue = alternative hypothesis: twosidedWarning message:In (x, pnorm, , ) : ties should not be present for the KolmogorovSmirnov test這里出現(xiàn)警告信息是因為ks檢驗要求樣本數(shù)據(jù)是連續(xù)的，不允許出現(xiàn)重復值x1c(2,4,3,2,4,7,7,2,2,5,4)。)}}第三章首先將數(shù)據(jù)錄入為x。)) (studentdata,file=39。,39。,39。,39。,39。)+ ,性別=c(39。,39。z1 [,1][1,] 32 z2outer(x,y)。z2 [,1] [,2] [,3][1,] 4 5 6[2,] 8 10 12[3,] 12 15 18(1) Amatrix(1:20,nrow=4)。李四39。女39。女39。1439。15739。4939。39。利用data_outline函數(shù)。x2c(5,6,8,5,10,7,12,12,6,6)。從上圖可知所有的圖中偶讀沒有這樣的趨勢，故均不相關。) (身高,體重)根據(jù)得出的結果看是相關的。x=i=1na+1xia=(a+1)ni=1nxia再取對數(shù)為lnLa。greater39。我們可以用兩種方式來做一做 xc(140,137,136,140,145,148,140,135,144,141) yc(135,118,115,140,128,131,130,115,131,125) (x,y,=T) (xy)結果不再列出，但是可以發(fā)現(xiàn)用均值差估計和配對數(shù)據(jù)估計的結果的數(shù)值有一點小小的差別。然后用pnorm函數(shù)來計算大于1000的概率。（2） (x,y,=F) (x,y,=T) (x,y,paired=T)結論是均值無差異（3） (x,y)結論是方差相同由以上結果可以看出這兩種藥的效果并無二致（1）（） xc(126,125,136,128,123,138,142,116,110,108,115,140) yc(162,172,177,170,175,152,157,159,160,162) ppnorm(c(105,125,145),mean(x),sd(x))