【正文】 甲丙之間存在著顯著差異。乙39。然后將得到的方程用lm回歸。只有X1的系數(shù)通過了顯著性檢驗，但是也不是很理想。我們把這些影響變量進(jìn)行編碼。我們可以檢驗一下step函數(shù)去掉變量后的共線性。因此應(yīng)該去掉X3 lm(Y~X1,data=soil)。（2）（3） lm(Y~1+X,data=snow)。,mean(x),sd(x)) (y,39。)結(jié)果是不能認(rèn)為能增加比例就是檢驗?zāi)愕臉颖臼欠穹夏莻€分布 (c(315,101,108,32),p=c(9,3,3,1)/16)結(jié)果顯示符合自由組合規(guī)律又是檢驗一個總體是否符合假定分布。pnorm39。故如下 xc(1067,919,1196,785,1126,936,918,1156,920,948) (x,alternative=39。如下 (x,alternative=39。因此我們只需要用樣本均值作矩估計即可在R中實現(xiàn)如下 xc(rep(0,17),rep(1,20),rep(2,10),rep(3,2),rep(4,1)) mean(x)[1] 1 ffunction(x) {+objc(13+x[1]+((5x[2])*x[2]2)*x[2],(29+x[1]+((x[2]+1)*x[2]14)*x[2]))+ sum(obj^2)} nlm(f,c(,2))在矩估計中，正態(tài)分布總體的均值用樣本的均值估計?？傮w的期望為。yseq(1,7,) ffunction(x,y)+ x^42*x^2*y+x^22*x*y+2*y^2+9*x/24*y+4 zouter(x,y,f)contour(x,y,z,levels=c(0,1,2,3,4,5,10,15,20,30,40,50,60,80,100),col=39。x239。blue39。要求輸入一個正整數(shù)39。5239。15939。15639。1539。女39。趙六39。E(4) FA[1:3,1:3](5) GB[,3] xc(rep(1,5),rep(2,3),rep(3,4),rep(4,2))。第二章 xc(1,2,3)。D(3) EA*B。,39。,39。,39。),+ 身高=c(39。,39。,39。)countfunction(n){if (n=0)print(39。) ymin(x):max(x) lines(y,dnorm(y,),col=39。,39。) attach(student) plot(體重~身高)（2） coplot(體重~身高|性別)（3） coplot(體重~身高|年齡)（4） coplot(體重~身高|年齡+性別)只列出（4）的結(jié)果，如下圖 xseq(2,3,)。) stars(df)然后按照G的標(biāo)準(zhǔn)來畫出星圖 attach(df) df$G1(SC+LC+SMS+DRV+AMB+GSP+POT)/7 df$G2(FL+EXP+SUIT)/3 df$G3(LA+HON+KJ)/3 df$G4AA df$G5APP ascale(df[,17:21]) stars(a)這里從17開始取，是因為在df中將ID也作為了一列使用P159已經(jīng)編好的函數(shù)unison，接著上題，直接有 unison(a)第四章（1）先求矩估計。我們知道泊松分布中的參數(shù)λ，既是均值又是方差。下面我們來做是否低于72的均值假設(shè)檢驗。 xc(rep(0,7),rep(1,10),rep(2,12),rep(3,8),rep(4,3),rep(5,2)) mean(x)[1] (x)正態(tài)總體均值用樣本均值來估計。兩種方法實現(xiàn)如下 xc(113,120,138,120,100,118,138,123) yc(138,116,125,136,110,132,130,110) (sum(xy),length(x))pvalue = 1 (x,y,exact=F)pvalue = ，故接受原假設(shè)，他們無差異（1）采用w檢驗法xc(,2,4,3,6,)yc(,5,6,2,2,2) (x) (y)采用ks檢驗法 (x,39。greater39。pnorm39。)有關(guān)系的 x1:5 yc(rep(x,c(0,1,9,7,3))) zc(rep(x,c(2,2,11,4,1))) (y,z,exact=F)結(jié)果顯示這兩種療法沒什么區(qū)別第六章（1） snow(X=c(,),+ Y=c(1907,1287,2700,2373,3260,3000,1947,2273,3113,2493)) plot(snow$X,snow$Y)結(jié)論是有線性關(guān)系的。接下來考慮用drop1函數(shù)處理 drop1()發(fā)現(xiàn)去掉X3殘差升高最小，AIC只是有少量增加。其實逐步回歸可以解決多重共線的問題。而影響變量有三個。,header=T) glm(Y~X1+X2+X3+X4+X5,family=binomial,data=pe) summary()可以發(fā)現(xiàn)各變量影響基本都不顯著，甚至大部分還沒通過顯著性檢驗。用summary()看，第二個模型通過了顯著性檢驗（a=）(1) 首先將公式線性化，對方程兩邊直接取對數(shù)即可。,39。（2） (old$Y,old$X)直接從結(jié)果就可以發(fā)現(xiàn)國內(nèi)只有以工廠和丙工廠與國外工廠有顯著差異。A39。 mean(pro$Y[pro$A==3amp。,39。,39。))) for(i in 2:6)+ for(j in 1:2)+ K[j,i1]mean($Y[[i]==j]) K A B C AB AC1 2 依據(jù)顯著性，首先選擇B，選擇B1。) hclust(d,method=39。,header=T)X(x1=coreer$FL,x2=coreer$APP,x3=coreer$AA,x4=coreer$LA,+x5=coreer$SC,x6=coreer$LC,x7=coreer$HON,x8=coreer$SMS,x9=coreer$EXP,+ x10=coreer$DRV,x11=coreer$AMB,x12=coreer$GSP,x13=coreer$POT,+ x14=coreer$KJ,x15=coreer$SUIT,=coreer$ID) d(1cor(X)) hc1hclust(d,method=39。) oparpar(mfrow=c(2,2)) plot(hc1,hang=1) rect1(hc1,5) plot(hc2,hang=1) rect2(hc2,5) plot(hc3,hang=1) rect3(hc3,5) plot(hc4,hang=1) rect4(hc4,5)下面打印出分類的結(jié)果 rect1 rect2 rect3 rect4第九章（1） fac(39。,39。,+ 39。,39。)) kmkmeans(scale(precc),5) sort(km$cluster)然后我們也可以使用系統(tǒng)聚類法，如下 ddist(scale(precc)) hchclust(d) plot(hc,hang=1) rect(hc,k=5) rect(hc,k=5) rect 打印出類別結(jié)果，便于查看。,39。,39。（1） X(X1=c(99,99,100,93,100,90,75,93,87,95,76,85),+ X2=c(94,88,98,88,91,78,73,84,73,82,72,75),+ X3=c(93,96,81,88,72,82,88,83,60,90,43,50),+ X4=c(100,97,100,96,78,97,89,88,84,39,78,37)) X$X5c(100,99,96,99,96,75,97,68,76,62,67,34) fafactanal(X,factors=2) fa我們分析出兩個因子，可以看到第一個因子與前面變量關(guān)系更大，可稱為文科因子，第二個因子與后面的變量相關(guān)，可以稱之為理科因子。39。U