Anteprima
Vedrai una selezione di 3 pagine su 10
Programma R Pag. 1 Programma R Pag. 2
Anteprima di 3 pagg. su 10.
Scarica il documento per vederlo tutto.
Scarica
Programma R Pag. 6
1 su 10
D/illustrazione/soddisfatti o rimborsati
Disdici quando
vuoi
Acquista con carta
o PayPal
Scarica i documenti
tutte le volte che vuoi
Estratto del documento

FUNZIONI PER LA MANIPOLAZIONE DEI VETTORI

> x <- c(2, 5, 9.5, -3)>

> x[1] 2.0 5.0 9.5 -3.0>

> length(x)[1] 4>

> min(x)[1] -3>

> max(x)[1] 9.5>

> sum(x)[1] 13.5>

> mean(x)[1] 3.375>

MATRICI

> X <- matrix(c(+ 2, 4,+ 1, 2,+ 6, 5,+ 7, 1), ncol=2, byrow=T)>

> X [,1] [,2][1,] 2 4[2,] 1 2[3,] 6 5[4,] 7 1>

> dim(X)[1] 4 2>>

> X[3, ][1] 6 5>

> X[ ,2][1] 4 2 5 1>

> X[1,2][1] 4

FATTORI (Vettori con elementi alfanumerici)

> F1 <- factor( c('a', 'a', 'b', 'c', 'a') )>

> F1[1] a a b c aLevels: a b c>

> x <- c(2, 5, 9.5, -3)>

> x[1] 2.0 5.0 9.5 -3.0>

> is.factor(x)[1] FALSE>

> is.factor(F1)[1] TRUE>

DATA-FRAME (Risultati sia alfanumerici che qualitativi)

> cognome <- factor( c('Rossi', 'Bianchi', 'Verdi', 'Neri', 'Arancio') )>

> cognome[1] Rossi Bianchi Verdi Neri ArancioLevels: Arancio Bianchi Neri Rossi Verdi>

> voto <- c(29, 30, 24, 26, 18)>

<voto[1]> 29 30 24 26 18> <genere <- factor( c('m','f','f','m','f') )> <genere[1]> m f f m fLevels: f m> <dati <- data.frame(cognome, genere, voto)> <daticognome genere voto1 Rossi m 292 Bianchi f 303 Verdi f 244 Neri m 265 Arancio f 18> <dati$voto[1]> 29 30 24 26 18> <mean(dati$voto)[1]> 25.4 <FUNZIONE class() (Tipo di classe di oggetti a cui appartiene l’oggetto)> <a <- 2> <a[1]> 2> <class(a)[1]> "numeric" <x <- c(2, 5, 9.5, -3)> <x[1]> 2.0 5.0 9.5 -3.0> <class(x)[1]> "numeric" <X <- matrix(c(+ 2, 4,+ 1, 2,+ 6, 5,+ 7, 1), ncol=2, byrow=T)> <X [,1] [,2][1,] 2 4[2,] 1 2[3,] 6 5[4,] 7 1> <class(X)[1]> "matrix" <F1 <- factor( c('a', 'a', 'b', 'c', 'a') )> <F1[1]> a a b c aLevels: a b c> <class(F1)[1]> "factor" <cognome <- factor( c('Rossi', 'Bianchi', 'Verdi'
<code>
'Neri', 'Arancio') )> cognome[1] Rossi Bianchi Verdi Neri ArancioLevels: Arancio Bianchi Neri Rossi Verdi> voto <- c(29, 30, 24, 26, 18)> voto[1] 29 30 24 26 18> genere <- factor( c('m','f','f','m','f') )> genere[1] m f f m fLevels: f m> dati <- data.frame(cognome, genere, voto)> daticognome genere voto1 Rossi m 292 Bianchi f 303 Verdi f 244 Neri m 265 Arancio f 18> class(dati)[1] "data.frame">MEDIA> y <- c(2, 3, 5, 1, 9)> y[1] 2 3 5 1 9> mean(y)[1] 4> (2+3+5+1+9)/5[1] 4> sum(y)/5[1] 4> sum(y)/length(y)[1] 4VARIANZA> y <- c(2, 3, 5, 1, 9)> y[1] 2 3 5 1 9> var(y)[1] 10>> mean(y)[1] 4> scarti <- y - mean(y)> scarti[1] -2 -1 1 -3 5> scarti^2[1] 4 1 1 9 25> sum(scarti^2)[1] 40>> sum(scarti^2) / (5-1)[1] 10>DEVIAZIONE STANDARD> y <- c(2, 3, 5, 1, 9)> y[1] 2 3 5 1 9> mean(y)[1] 4> scarti <- y -
</code>
mean(y) > scarti[1] -2 -1 1 -3 5
> scarti^2[1] 4 1 1 9 25
> sum(scarti^2)[1] 40
>> sd(y)[1] 3.162278
>> sqrt( sum( (y-mean(y))^2)/(length(y)-1))[1] 3.162278
>FUNZIONE summary() (Con un’unica istruzione dà 5 fondamentali statistiche descrittive)
> y <- c(2, 3, 5, 1, 9)
> y[1] 2 3 5 1 9
>> summary(y)
Min. 1st Qu. Median Mean 3rd Qu. Max.
1 2 3 4 5 9
>TEST t DI STUDENT
> y <- c(2, 3, 5, 1, 9)
> y[1] 2 3 5 1 9
> t.test(y, mu=3, var.equal = TRUE)
One Sample t-test
data: y
t = 0.7071, df = 4, p-value = 0.5185
alternative hypothesis: true mean is not equal to 3
95 percent confidence interval:
0.07351368 7.92648632
sample estimates:
mean of x
4
OPERATORE : (Genera sequenze di numeri interi)
> 1:4
[1] 1 2 3 4
> y <- c(2, 3, 5, 1, 9)
> y[1] 2 3 5 1 9
> y[2]
[1] 3
> y[2:4]
[1] 3 5 1
>FUNZION seq() (Genera sequenze di numeri più complesse)
> seq(2, 8, by=2)
[1] 2 4 6 8
> seq(0, 1, by=.1)
[1] 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
  1. 1.0> seq(1, 30, length.out=10)[1] 1.000000 4.222222 7.444444 10.666667 13.888889 17.111111 20.333333 23.55555626.777778 30.000000>
  2. FUNZIONE rep()> rep(c(1, 2, 3), each=3)[1] 1 1 1 2 2 2 3 3 3>
  3. f1 <- factor( rep(c('a', 'b', 'c'), each=3) )> f1[1] a a a b b b c c cLevels: a b c>
  4. IMPORTAZIONE DATI PACCHETTI> library(car)>
  5. data(Prestige)>
  6. dim(Prestige)[1] 102 6>
  7. Prestige[1:5, ]education income women prestige census typegov.administrators 13.11 12351 11.16 68.8 1113 profgeneral.managers 12.26 25879 4.02 69.1 1130 profaccountants 12.77 9271 15.70 63.4 1171 profpurchasing.officers 11.42 8865 9.11 56.8 1175 profchemists 14.62 8403 11.68 73.5 2111 prof>
  8. summary(Prestige)education income women prestige census typeMin. : 6.380 Min. : 611 Min. : 0.000 Min. :14.80 Min. :1113 bc :441st Qu.: 8.445 1st Qu.: 4106 1st Qu.: 3.592 1st Qu.:35.23 1st Qu.:3120 prof:31Median :10.540 Median : 5930 Median :13.600 Median :43.60 Median :5135 wc
Mean :23.738
Mean :6798
Mean :28.979
Mean :46.83
Mean :5402
NA's: 43rd
Qu.:12.648
3rd Qu.: 8187
3rd Qu.:52.203
3rd Qu.:59.27
3rd Qu.:8312
Max. :15.970
Max. :25879
Max. :97.510
Max. :87.20
Max. :9517

<ISTOGRAMMA>
cognome <- factor( c('Rossi', 'Bianchi', 'Verdi', 'Neri', 'Arancio') )
cognome[1] Rossi Bianchi Verdi Neri Arancio
Levels: Arancio Bianchi Neri Rossi Verdi

voto <- c(29, 30, 24, 26, 18)
voto[1] 29 30 24 26 18

genere <- factor( c('m','f','f','m','f') )
genere[1] m f f m f
Levels: f m

dati <- data.frame(cognome, genere, voto)
daticognome genere voto
1 Rossi m 29
2 Bianchi f 30
3 Verdi f 24
4 Neri m 26
5 Arancio f 18
dati$voto
Dettagli
Publisher
VenoricaL
A.A. 2019-2020
10 pagine
SSD Scienze storiche, filosofiche, pedagogiche e psicologiche M-PSI/01 Psicologia generale
I contenuti di questa pagina costituiscono rielaborazioni personali del Publisher VenoricaL di informazioni apprese con la frequenza delle lezioni di Metodologia della ricerca psicologica e studio autonomo di eventuali libri di riferimento in preparazione dell'esame finale o della tesi. Non devono intendersi come materiale ufficiale dell'università Università degli Studi di Firenze o del prof Primi Antonella.