Grafiken II
...
95% - Konfidenzintervalle für Mittelwerte
95% - Konfidenzintervalle für Mittelwerte
Script
# Zeichnen des 95%-Konfidenzintervalls für die
# Variable IQ
library(psych)
error.bars( x= bsp01$IQ,
alpha=.05,
eyes=FALSE,
xlab="", ylab="IQ", main="95%-Konfidenzintervall der Variable IQ")
Script
# Zeichnen des 95%-Konfidenzintervalls für die Variable IQ
library(Rmisc)
CI(x=bsp01$IQ, ci=.95)
Console
upper mean lower
102.26181 99.02000 95.77819
Script
# 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)
)
95% - Konfidenzintervalle für Regressionsgeraden
95% - Konfidenzintervalle für Regressionsgeraden
Script
# Schätzungen auf Basis der Regressionsgerade
predict(
object=lm(fussball$tore~fussball$spiele),
interval=c("confidence"),
level=.95
)
Console
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
Script
# 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
)
Assoziationsplot
Assoziationsplot
Script
# Inspektion des Datensatzes
HairEyeColor
Console
, , 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
Script
# Zusammenfassung der Geschlechtertabellen
HEC_all <- margin.table(HairEyeColor, c(1, 2))
HEC_all
Console
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
Script
# Assoziationsplot
assocplot(HEC_all, col=c(my_blue, my_red), xlab="Haarfarbe", ylab="Augenfarbe")
Mosaikplot
Mosaikplot
Script
# 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)
Multivariates Histogramm-Plot
Multivariates Histogramm-Plot
Script
# 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)
Starplot
Starplot
Überblick über die Abkürzungen der Fussballvereine des Datensatz: bundesliga_2014
Script
# 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)
)
Chernoff-Gesichter
Chernoff-Gesichter
Script
# 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
Heatmap
Heatmap
Script
# 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]
)