統(tǒng)計(jì)建模與r軟件課后答案(完整版)
【正文】 ~X,data=rat) summary()結(jié)果是顯著的 sleep(Y=c(,+ ,+ ,),X=gl(4,8)) aov(Y~X,data=sleep) summary()結(jié)果是不顯著（1） pro(Y=c(,+ ,),A=gl(3,2,18),B=gl(3,6,18)) aov(Y~A+B+A:B,data=pro)。,39。 peo(X=c(2,5,7,10,14,19,26,31,34,38,45,52,53,60,65),+ Y=c(54,50,45,37,35,25,20,16,18,13,8,11,8,4,6)) lm(log(Y)~1+X,data=peo)。下面計(jì)算每一個(gè)病人的生存時(shí)間大于200天的概率值。如下。step去掉了X3和X4。summary()（1） da(X=c(1,1,1,1,2,2,2,3,3,3,4,4,4,5,6,6,6,7,7,7,8,8,8,+ 9,11,12,12,12),Y=c(,+ ,+ ,)) plot(da$X,da$Y) lm(Y~X,data=da) abline()（2） summary()全部通過（3） plot(,1) windows() plot(,3)可以觀察到誤差符合等方差的。summary()結(jié)果是方程是顯著的（4） predict(,(X=7),interval=39。pnorm39。 x0:5。,mean(x),sd(x)) (y,39。greater39。greater39。故在R中實(shí)現(xiàn)如下 xc(54,67,68,78,70,66,67,70,65,69) mean(x)[1] ，如下 (x) (x,alternative=39。因此我們有。blue39。,39。) plot(ecdf(x),verticals=T,=F) lines(y,pnorm(y,)) qqnorm(x) qqline(x) stem(x) boxplot(x) fivenum(x) (x) (x,39。)else{repeat{if (n%%2==0)nn/2elsen(3*n+1)if(n==1)break}print(39。,39。),體重=c(39。,39。,39。,39。,39。x Hmatrix(nrow=5,ncol=5) for (i in 1:5)+ for(j in 1:5)+ H[i,j]1/(i+j1)（1） det(H)（2） solve(H)（3） eigen(H) studentdata(姓名=c(39。yc(4,5,6) ec(1,1,1) z2*x+y+e。C(2) DA%*%B。王五39。男39。1439。1539。16239。39。39。red39。x139。39。39。x)?a=na+1+lni=1nxi好了下面開始用R編程求解，注意此題中n=6.方法一、使用unniroot函數(shù) ffunction(a) 6/(a+1)+sum(log(x)) uniroot(f,c(0,1))方法二、使用optimize函數(shù) gfunction(a) 6*log(a+1)+a*sum(log(x)) optimize(g,c(0,1),maximum=T)用極大似然估計(jì)得出λ=n/i=xc(rep(5,365),rep(15,245),rep(25,150),rep(35,100),rep(45,70),rep(55,45),rep(65,25)) 1000/sum(x)換句話講，就是用該樣本來估計(jì)泊松分布中的參數(shù)，然后求出該分布的均值。但是默認(rèn)mu=0并不是我們想要的。我們直接用樣本均值來估計(jì)參數(shù)即可。可用符號(hào)檢驗(yàn)和wilcoxon秩檢驗(yàn)。,mean(y),sd(y))結(jié)論是他們都服從正態(tài)分布（2） (x,y)結(jié)論是方差相同（3） (x,y,exact=F)結(jié)果是有差別 (57,400,p=)結(jié)果是支持 (178,328,p=,alternative=39。,exact=F)結(jié)果表明是在中位數(shù)之下（1）（2）（3） xscan()1: 11: 21: Read 20 items yscan()1: 11: 21: Read 20 items (sum(xy),length(x)) (x,y,paired=T,exact=F) (x,y,exact=F)（4） (x,39。kendall39。（3） step() summary()可以發(fā)現(xiàn)新模型只含有X1和X3，但是X3的系數(shù)還是不顯著。 cement(X1=c(7,1,11,11,7,11,3,1,2,21,1,11,10),+ X2=c(26,29,56,31,52,55,71,31,54,47,40,66,68),+ X3=c(6,15,8,8,6,9,17,22,18,4,23,9,8),+ X4=c(60,52,20,47,33,22,6,44,22,26,34,12,12),+Y=c(,)) XXcor(cement[1:4]) kappa(XX,exact=T)[1] eigen(XX)發(fā)現(xiàn)變量的多重共線性很強(qiáng)，且有+++=0說明X1,X2，X3，X4多重共線。里面的數(shù)字應(yīng)該是有感染和無感染的人數(shù)。39。prepredict(,(X1=pe$X1,X2=pe$X2,X3=pe$X3,X4=pe$X4,X5=pe$X5)) exp(pre)/(1+exp(pre)) 顯然經(jīng)過逐步回歸后的模型更合理。甲39。（3） (pro$Y,pro$X) 1 2 2 3 可以看到顯著性主要有乙工廠和丙工廠造成（1） old(Y=c(20,18,19,17,15,16,13,18,22,17,26,19,26,28,+ 23,25,24,25,18,22,27,24,12,14),X=factor(rep(1:4,c(10,6,6,2)))) aov(Y~X,data=old) summary()可以發(fā)現(xiàn)影響是非常顯著的。zrep(0,n)+ for( i in 1:n)+ if(x[i]==y[i]){z[i]1}else{z[i]2}+ factor(z)} pro$ABab(pro$A,pro$B)然后我們開始計(jì)算各個(gè)水平的均值，如下 Kmatrix(0,nrow=3,ncol=3,dimnames=list(1:3,c(39。下面給出A3B1的點(diǎn)估計(jì)和區(qū)間估計(jì)。密度39。A39。AC39。plete39。39。ward39。冶金39。機(jī)械39。紡織39。文教用品39。身高39。體重39。因此第一個(gè)因子可以叫做體長(zhǎng)因子，第二個(gè)可以叫做身寬因子。 kid(39。) plot(U[,2],V[,2],xlab=39。)。,ylab=39。,header=T) kidcscale(kid) cancor(kidc[,1:3],kidc[,4:6]) source(E:\\Documents\\R\\自編函數(shù)\\) ($cor,40,p=3,q=3)[1] 2由此可見，我們應(yīng)該從前兩對(duì)典型相關(guān)變量里來對(duì)數(shù)據(jù)進(jìn)行分析。（2） fafactanal(X,factors=2,scores=39。頸圍39。手臂長(zhǎng)39。 exp(x1=c(,88,131,+ ),x2=c(92,93,96,94,100,101,105,112,112,112),x3=c(,29,+ 34,40,44,49,51,53),x4=c(94,96,97,97,100,101,104,109,111,111),y=c(,+ ,)) prinp(~x1+x2+x3+x4,data=exp,cor=T) summary()?？p紉39。建材39。電力39。39。plete39。average39。再依據(jù)AB,應(yīng)選擇AB1，也就是說A和B應(yīng)該是同一水平。B39。施肥量39。pro$B==1]) (pro$Y[pro$A==3amp。,39。而國內(nèi)只有甲乙，
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1