Grafiken II

# Zeichnen des 95%-Konfidenzintervalls für die 

# Variable IQ

library(psych)

error.bars( x= bsp01$IQ,

alpha=.05,

eyes=FALSE,

xlab="", ylab="IQ", main="95%-Konfidenzintervall der Variable IQ")

# Zeichnen des 95%-Konfidenzintervalls für die Variable IQ

library(Rmisc)

CI(x=bsp01$IQ, ci=.95)

upper mean lower

102.26181 99.02000 95.77819

# Vergleich der 95%-Konfidenzintervalle der 

# Körpergröße zwischen den Geschlechtern

error.bars.by(

 x=as.matrix(bsp01$height),

 group=as.character(bsp01$sex),

 alpha=.05,

 by.var=T,

 eyes=F,

 xlab="", ylab="Körpergröße in cm", ylim=c(160,190),   

 main="", xlim=c(0,3)

)

# Schätzungen auf Basis der Regressionsgerade

predict(

 object=lm(fussball$tore~fussball$spiele),

 interval=c("confidence"),

 level=.95

)

fit lwr upr

1 16.45030 11.644595 21.25601

2 10.72139 1.225453 20.21732

3 15.49548 11.072316 19.91865

4 17.88253 11.603757 24.16130

5 16.45030 11.644595 21.25601

# Speicherung der Schätzwerte

Grenzen <- predict(

 object=lm(fussball$tore~fussball$spiele),

 interval="confidence",

 level=.95

)

# Zeichnung des Streupunktdiagramms

plot(

 fussball$spiele, fussball$tore,

 main="Regressionsgerade mit 95%-Konfidenzintervall",  

 ylim=c(0, 30),

 xlab="Spiele", ylab="Tore"

)

# Zeichnung der Regressionsgeraden

abline(lm(fussball$tore~fussball$spiele))

# Zeichnung des 95%-Konfidenzintervalls

# Unteren Grenze

lines(

 x = fussball$spiele[order(fussball$spiele)],

 y = Grenzen[order(fussball$spiele),2],

 lwd=2

)

# Obere Grenze (nur der Index von Grenzen wurde 

# verändert)

lines(

 x = fussball$spiele[order(fussball$spiele)],

 y= Grenzen[order(fussball$spiele),3],

 lwd=2

)

# Inspektion des Datensatzes

HairEyeColor

, , Sex = Male

Eye

Hair Brown Blue Hazel Green

Black 32 11 10 3

Brown 53 50 25 15

Red 10 10 7 7

Blond 3 30 5 8

, , Sex = Female

Eye

Hair Brown Blue Hazel Green

Black 36 9 5 2

Brown 66 34 29 14

Red 16 7 7 7

Blond 4 64 5 8

# Zusammenfassung der Geschlechtertabellen

HEC_all <- margin.table(HairEyeColor, c(1, 2))

HEC_all

Eye

Hair Brown Blue Hazel Green

Black 68 20 15 5

Brown 119 84 54 29

Red 26 17 14 14

Blond 7 94 10 16

# Assoziationsplot

assocplot(HEC_all, col=c(my_blue, my_red), xlab="Haarfarbe", ylab="Augenfarbe")

# Einfacher Mosaikplot: mosaicplot(HairEyeColor)

# Interpretationsbeispiel mit anderer Anordnung und 

# Bezeichnungen

HEC <- HairEyeColor

dimnames(HEC) <- list(

 c("schwarz", "braun", "rot", "blond"),

 c("braun", "blau", "nussbraun", "grün"),

 c("", ""))

names(dimnames(HEC))<- c(

 "Haarfarbe", "Augenfarbe", "Geschlecht")

par(mar=c(2,2,2,1))

mosaicplot(~Geschlecht+Augenfarbe+Haarfarbe, 

 data=HEC,

 main="Mosaikplot für die HairEyeColor-Daten",

 xlab="männlich          Geschlecht              

 weiblich",

 ylab="Augenfarbe", 

 color=c(my_blue, my_blue2, my_red,my_red2))

)

# Zurücksetzen auf Standardparameter

par(mar=c(5, 4, 4, 2) + 0.1)

# Entwicklung eines multivariaten Histogramm-Plots 

# für den data.frame: fussball

# Untersuchungseinheiten: verschiedene 

# Fussballspieler

# Vergleichsdimensionen: Spiele; Tore; Torquote

# 1) Schritt: z-Standardisierung der Variablen tore 

# spiele und quote

z_tore <- scale(fussball$tore)

z_spiele <- scale(fussball$spiele)

z_quote <- scale(fussball$tore/fussball$spiele)

# 2) Schritt: Zeichnung der Histogramme für jede 

# Person

# Wir verwenden hier die barplot Funktion, da es sich 

# im engeren Sinne um

# Balkendiagramme handelt (die aber wie Histogramme 

# aussehen)

# 2.1) Anpassung von Grafikinhalten für 5 Grafiken

y_achse_min <- min(c(z_tore,z_spiele,z_quote))

y_achse_max <- max(c(z_tore,z_spiele,z_quote))

y_achse <- c(y_achse_min,y_achse_max)

farbe <- c("grey","lihtgrey" , "white" )

# Einstellung zur Darstellung in einem gemeinsamen 

# Grafikfenster

par(mfrow=c(2,3), mar=c(2,2,2,2))

# 2.2) Erstellung der Histogramme für den jeweiligen 

# Spieler mit den Vergleichsdimensionen unter 

# Verwendung des Index 

# Spieler 1: Mario Mandzukic

barplot(c(z_tore[1], z_spiele[1], z_quote[1]),

# Anpassung der Grafik für eine bessere Lesbarkeit

ylim=y_achse,space=0,

yaxt="n",

main=fussball$spieler_name[1],

col=farbe)

# Die Spieler 2 bis 5

barplot(c(z_tore[2], z_spiele[2],z_quote[2]), ylim=y_achse,space=0, yaxt="n",

main=fussball$spieler_name[2], col=farbe)

barplot(c(z_tore[3], z_spiele[3],z_quote[3]), ylim=y_achse,space=0, yaxt="n",

main=fussball$spieler_name[3], col=farbe)

barplot(c(z_tore[4], z_spiele[4],z_quote[4]), ylim=y_achse,space=0, yaxt="n",

main=fussball$spieler_name[4], col=farbe)

barplot(c(z_tore[5], z_spiele[5],z_quote[5]), ylim=y_achse,space=0, yaxt="n",

main=fussball$spieler_name[5], col=farbe)

# Legende

plot.new()

legend(

 "center", 

 legend=c("Tore", "Spiele", "Torquote"), 

 fill=farbe, cex=1.6, bty="n"

)

# Zurücksetzen der Grafikoption auf Standardwerte

par(mfrow=c(1,1), mar=c(5, 4, 4, 2) + 0.1)

# Erstellung eines Starplots

stars(

# Auswahl der Variablen im Bundesliga Datensatz

 bundesliga_2014[,2:12],

# Vergabe der Bezeichnungen (in der star Funktion 

# müssen diese die Objektklasse

# character besitzen

 labels=as.character(bundesliga_2014[,1])

)

# Legende Starplot

stars(

 matrix(c(rep(1,11), rep(0,11)),

 ncol=11,byrow=T),

 key.labels=colnames(bundesliga_2014)[2:13], 

 locations =c(1,1),

 key.loc = c(1,1)

)

# Zeichnen der Chernoff-Gesichter

library(aplpack)

faces(

# Variablen ohne Vereinsnamen

bundesliga_2014[,c(2:12)],

# labels vergibt die Namen der Gesichter; erste Spalte des Datensatzes

labels=bundesliga_2014[,c(1)],

# Wir verzichten hier auf Farbe, dieses Argument können Sie auch weglassen

ncolor=0

# Erstellung einer Heatmap für den Datensatz bundesliga_2014 mit den Variablen:

# gewonnenn (gew), untentschieden (une) und verloren (ver)

heatmap(

# Auswahl der Spalten mit gewonnen, unentschiedenen und verlorenen Spielen und

# Konvertierung in ein Matrix-Objekt

as.matrix(bundesliga_2014[,7:9]),

# Standardisierung: spaltenweise

scale="column",

# Anpassung der Schriftgröße

cexCol=1,

# Hinzufügen der Vereinsbeschriftung

labRow= bundesliga_2014[,1]

)