统计图形基本绘图.pptxVIP

统计图形;plot参数;plot参数;plot参数;plot参数;plot参数;plot参数;plot参数;plot参数;plot参数;plot参数;绘图练习,散点图;绘图练习,散点图;同时构造多个散点图;同时构造多个图形;图形叠加;图形叠加;R中嵌入的基本绘图功能;茎叶图;茎叶图简介;;;利用R语言绘制茎叶图;箱线图;stem函数总结;利用R语言绘制茎叶图;直方图;假设收集到这63名同学的身高（单位cm)数据如下：;频数分布表;组距;绘制四个直方图;QQ图;核密度图;核密度估计的原理其实是很简单的。如果某一个数在观察中出现了，我们可以认为这个数的概率密度很大，和这个数比较近的数的概率密度也会比较大，而那些离这个数远的数的概率密度会比较小。基于这种想法，针对观察中的第一个数，我们都可以f(x-xi)去拟合我们想象中的那个远小近大概率密度。当然其实也可以用其他对称的函数。针对每一个观察中出现的数拟合出多个概率密度分布函数之后，取平均。如果某些数是比较重要，某些数反之，则可以取加权平均。 ??????但是核密度的估计并不是，也不能够找到真正的分布函数。我们可以举一个极端的例子： plot(density(rep(0,?1000)))?? 可以看到它得到了正态分布的曲线，但实际上呢？从数据上判断，它更有可能是一个退化的单点分布。 但是这并不意味着核密度估计是不可取的，至少他可以解决许多模拟中存在的异方差问题。比如说我们要估计一下下面的一组数据： ;;条形图;例. 使用”vcd”包中的数据集Arthritis（关于一项探索类风湿性关节炎新疗法的研究结果）画条形图： install.packages(“vcd”) library(vcd) counts - table(Arthritis$Improved) #提取变量Improved中各类的频数 barplot(counts,main=“Simple Bar Plot”,xlab=“Improvement”,ylab=“Frequency”,horiz=TRUE) ;例. 考虑治疗类型和改善状况的列联表： par(mfrow=c(1,2)) #将图表显示窗口分成1行2列。 attach(Arthritis) counts - table(Improved,Treatment) barplot(counts,col=rainbow(3),legend =rownames(counts)) barplot(counts,col=rainbow(3),legend =rownames(counts),beside=TRUE) detach(Arthritis);结果如下：;在结束关于???形图的讨论之前，再来看一种特殊的条形图——棘状图。棘状图是对堆砌条形图的缩放，每个条形的高度均为1，每一段的高度即表示比例。棘状图可以有vcd包中的函数spine()绘制： library(vcd) attach(Arthritis) counts - table(Treatment,Improved) spine(counts) detach(Arthritis) ;结果如下：;饼图;例. library(plotrix); par(mfrow=c(1,2)); num - c(80,40) lab - c(女,男) pie(num,labels=lab) pie3D(num,labels=lab) ;R Functions for Probability Distributions;常用分布函数