Professional Documents
Culture Documents
Ese RC It Azi One 31 Ottobre
Ese RC It Azi One 31 Ottobre
calcola_moda(X)
# Esercizio 2
# e il campione Y2
Y2 <- rep(xi, n2)
tabY2 <- table(Y2)
tabY2
varianza_campionaria(Y2)
# e per il campione Y2
f2 <- table(cut(Y2, estremi_intervalli)) / length(Y2)
f2
# e per il campione Y2
F2 <- cumsum(f2)
F2
# e per il campione Y2
c_m2 <- min(which(F2 > 1/2))
c_m2
# per il campione Y2
ampiezza_classe_mediana_2 <- estremi_intervalli[c_m2+1] - estremi_intervalli[c_m2]
ampiezza_classe_mediana_2
densità_frequenza_classe_mediana_2 <- f1[c_m2]/ampiezza_classe_mediana_2
densità_frequenza_classe_mediana_2
mediana2 <- estremi_intervalli[c_m2] + (1/2 -
F2[c_m2-1])/densità_frequenza_classe_mediana_2
mediana2
# plot delle funzioni di distribuzioni empiriche
F1 <- c(0, F1)
F2 <- c(0, F2)
plot(estremi_intervalli, F1, type='b', col="blue")
points(estremi_intervalli, F2, type='b', col="red", lty=2)
abline(h=0.5)
abline(v=mediana1)
abline(v=mediana2, col="red")
# Esercizio 3
# genero il vettore X
X <- rnorm(20, 30, 5)
X
# genero il vettore Y
Y <- X + rnorm(20, 0, 1)
Y
# genero il numero i
i <- sample(1:20, 1)
i
attributes(model1)
#coefficients1 <- model1$coefficients
#coefficients1
plot(X, Y)
abline(model1)
#abline(coefficients1[1], coefficients1[2], col="red")
predict(model1, data.frame(X=X[i]))
X[i]
#osservazione
model1$fitted.values[i]
model1$residuals
#-----------------------
#NOTA: plot dei residui in funzione della X
#-----------------------
plot(X, model1$residuals)
abline(h=0)