-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathgy11.r
189 lines (146 loc) · 3.9 KB
/
gy11.r
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
################
#11.óra
################
##############
#linearis regresszio
##############
#X,Y , minta: (x_i,y_i)
#Y = aX+b
#az "lm" megadja a-t és b-t
homb<-read.table("nyir-51-88jav.hom")
homk<-read.table("karc-51-88.hom")
r=c(0:37)
#vajon egyenletesen no-e az atlaghom. marciusban?
atl<-rep(0,times=31)
for (i in 1:31) atl[i]=mean(homb[365*r+59+i,1])
atl
t<-c(1:31)
lm1=lm(atl~t)
summary(lm1)
#intercept: b egyutthato
#t: a egyutthato
#F-statistics: p-value: mennyivel lesz ez jobb, mintha csak az átlagot becsülnénk
plot(t,atl,xlab = "Day",ylab="Mean temp.")
lines(lm1$fitted.values) #nem egyenes, hanem pontok osszekotve
#a pontok és az egyenes közti eltérések a reziduálisok (residuals)
#ezek eloszlásai benne vannak a modelben
#a konstans tagnak nincs olyan naagy szerepe
#kivesszük
lm2=lm(atl~-1+t)
summary(lm2)
plot(t,atl,xlab = "Day",ylab="Mean temp.")
lines(lm1$fitted.values,col=1)
lines(lm2$fitted.values,col=2)
#vajon egyenletesen no-e az atlaghom. aprilisban?
t<-c(1:30)
atl=t
for (i in 1:30) atl[i]=mean(homb[365*r+90+i,1])
lm1=lm(atl~t)
summary(lm1)
plot(t,atl,xlab = "Day",ylab="Mean temp.")
lines(lm1$fitted.values)
#sokkal valtozekonyabb
#majus
t<-c(1:31)
atl=t
for (i in 1:31) atl[i]=mean(homb[365*r+120+i,1])
lm1=lm(atl~t)
summary(lm1)
plot(t,atl,xlab = "Day",ylab="Mean temp.")
lines(lm1$fitted.values)
#junius
t<-c(1:30)
atl=t
for (i in 1:30) atl[i]=mean(homb[365*r+151+i,1])
lm1=lm(atl~t)
summary(lm1)
plot(t,atl)
lines(lm1$fitted.values)
#az egesz egyben (julius is):
t<-c(1:153)
atl=t
for (i in 1:153) atl[i]=mean(homb[365*r+59+i,1])
lm1=lm(atl~t)
summary(lm1)
plot(t,atl)
lines(lm1$fitted.values)
#reziduálisoknál elég nagy eltérés a legnagyobb és legkisebb között
summary(lm1$residuals)
#plot(lm1$residuals)
plot(density(lm1$residuals))
#jobb lenne kvadratikus
#masodfoku közelítés
#Y = a_1*X^2 + a_2*X + b
t<-c(1:153)
t2=t^2
atl=t
for (i in 1:153) atl[i]=mean(homb[365*r+59+i,1])
lm1=lm(atl~t+t2)
summary(lm1)
plot(t,atl)
lines(lm1$fitted.values,col=2)
#ez az igazi
lm1=lm(atl~t2)
summary(lm1)
plot(t,atl)
lines(lm1$fitted.values)
#ez nem jo
###
#HF: minél jobb közelítést adni az egész évre
###
##########
#11.gyak
##########
#homb<-read.table("d:\\oktatas\\2016\\inf_a\\nyir-51-88jav.hom")
#homk<-read.table("d:\\oktatas\\2016\\inf_a\\karc-51-88.hom")
r=c(0:37)
t<-c(1:30)
atl=t
for (i in 1:30) atl[i]=mean(homb[365*r+90+i,1])
lm1=lm(atl~t)
summary(lm1)
plot(t,atl)
lines(lm1$fitted.values)
#sokkal valtozekonyabb
#de lehet nemparameteresen is simitani (Nadarajah-módszer)
lines(loess.smooth(t, atl, degree = 1,
family = "gaussian", evaluation = 150),col=2)
lines(loess.smooth(t, atl, span = 1/3, degree = 1,
family = "gaussian", evaluation = 150),col=4)
#sajat adataink
diak<-read.table("diak_18a.csv",sep=";",header=T,dec=",")
diak
#elobb csinaljunk szamot a nembol
nem=rep(0,times=dim(diak)[1])
nem[diak[,4]=="f"]=1
#probaljuk a testmagassagot elore jelezni:
lm1=lm(diak[,1]~diak[,2]+nem+diak[,3]+diak[,5]+diak[,6]+diak[,7])
summary(lm1)
#hagyjuk el a legrosszabbat
#ami nem az 5. oszlop, hanem a 3.
#lm1=lm(diak[,1]~diak[,2]+nem+diak[,3]+diak[,6]+diak[,7])
lm1=lm(diak[,1]~diak[,2]+nem+diak[,5]+diak[,6]+diak[,7])
summary(lm1)
#itt az 5. oszlop a legrosszabb (legnagyobb p érték (Pr(>|t|)))
lm1=lm(diak[,1]~diak[,2]+nem+diak[,6]+diak[,7])
summary(lm1)
#6.
lm1=lm(diak[,1]~diak[,2]+nem+diak[,7])
summary(lm1)
#a valszám jegy hogyan befolyásolja a testmagasságot?
#ábrázoljuk, de valahogy több dimenzióban kéne
#plot(diak$magasság)
#lines(lm1$fitted.values)
#becslés hibaja
plot(abs(lm1$fitted.values-diak$magasság),type='l')
#kivesszük a valszám jegyet
lm1=lm(diak[,1]~diak[,2]+nem)
summary(lm1)
plot(diak[,2],diak[,1])
#a kiugró érték vajon valódi-e?
# hogyan ábrázoljuk?
#lines(diak[,2],lm1$fitted.values)
plot(lm1$fitted.values,lm1$resid)
hist(lm1$resid)
plot(abs(lm1$fitted.values-diak$magasság),type='l')
pairs(diak)