Andmed peipsi.csv
data2=read.csv("peipsi.csv",header=T);attach(data2);names(data2)
Faktorite nimetamine
punktF=factor(PL,labels=c("22","52","51","27","17","16","38","91","11","10","7", "5", "4" ,"2"),ordered=is.ordered(PL))
plotmeans(SECCHI~punktF,ylab="Läbipaistvus, m", xlab="Proovipunktid l6una-p6hi suunas",las=1)
data2=read.csv("peipsi.csv",header=T);attach(data2);names(data2)
Faktorite nimetamine
punktF=factor(PL,labels=c("22","52","51","27","17","16","38","91","11","10","7", "5", "4" ,"2"),ordered=is.ordered(PL))
plotmeans(SECCHI~punktF,ylab="Läbipaistvus, m", xlab="Proovipunktid l6una-p6hi suunas",las=1)
Järveosa <- factor(osanr, labels=c("Pihkva järv","Lämmijärv", "Suurjärv"))
Aasta<-as.factor(aasta)
boxplot(SECCHI~Järveosa,ylab="Läbipaistvus, m",las=1)
JÄRGMIST GRAAFIKUT EI SOOVITA TEHA, raske interpreteerida
boxplot(SECCHI~Aasta*Järveosa,ylab="Läbipaistvus, m",las=1)
boxplot(SECCHI~Aasta*Järveosa,ylab="Läbipaistvus, m",las=1)
Kuna ülalolev graafik näitab, et seos ei ole lineaarne, siis tuleks algandmeid teisendada, sinise joone kuju soovitab logaritmimist.
Mudeliga tehtud prognoosijoon, kasutatud logaritmilist teisendust
log_chl=log(CHLAJH)#logaritmime klorofülli andmed
X2=c(seq(2,4.5,0.1)) #prognooside tellimiseks logaritmitud klorofülli skaala
mudel2=lm(SECCHI~log_chl)
F=predict(mudel2,data.frame(log_chl=X2))#prognoosid
CI=predict(mudel2,data.frame(log_chl=X2),interval="conf") #usalduspiirid
Joonise tegemine
plot(log_chl,SECCHI,Läbipaistvus, m",xlab="Klorofüll, logaritmitud)
lines(X2,F,lty=1,col="black")
X3=exp(X2) #joonisele tuleb kolrofüll algskaalas, selleks teeme tagasiteisenduse
plot(CHLAJH,SECCHI,ylab="Läbipaistvus, m",xlab="Klorofüll, mg/l")
lines(X3,F,lty=1,col="black")
lines(X3,CI[,2],lty=2,col="blue")
lines(X3,CI[,3],lty=2,col="blue")
Väljamõeldud andmed
Piigandi=1:100
Vagula=12:120
1.joonis:
boxplot(Piigandi,Vagula,names=c( "Piigandi", "Vagula") ,ylab="telje kiri")
2.joonis:
a=barplot(c(mean(Piigandi),mean(Vagula)),names=c("Piigandi", "Vagula"),ylim=c(0,120),
main="keskmine+-standardhälve")
arrows(a, c(mean(Piigandi)-sd(Piigandi),mean(Vagula)-sd(Vagula)),
a, c(mean(Piigandi)+sd(Piigandi),mean(Vagula)+sd(Vagula)),
code=3, angle=90, col="gray40", lwd=2)
3.joonis
b=barplot(c(mean(Piigandi),mean(Vagula)),names=c("Piigandi", "Vagula"),ylim=c(0,120),
main="keskmine 95%usalduspiiridega")
arrows
(b,c(mean(Piigandi)-2*sd(Piigandi)/sqrt(length(Piigandi)),mean(Vagula)-2*sd(Vagula) /sqrt(length(Vagula))),
b,c(mean(Piigandi)+2*sd(Piigandi)/sqrt(length(Piigandi)),mean(Vagula)+2*sd(Vagula)/sqrt(length(Vagula))),
code=3, angle=90, col="gray40", lwd=2)
Kõik graafikud näitavad ühe pideva arvtunnuse keskväärtust ja hajuvust faktori (antud juhul järv) kahel erineval nivool (järve nimi).
2.ja 3.graafik ei ole tegelikult eriti informatiivsed- näha ei ole miinimumväärtus, tulba kõrgus näitab pigem mahtu. Soovitangi kasutada 1.joonist (tehtud boxplot abil) või siis plotMeans konstruktsioone. seda enam, et nende tulpdiagrammide tegemine koos piiridega nõuab täpsust programmi käskude kirjutamisel.
Eelmine Järgmine