‫‪www.SourceSara.

com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫راﻫﻨﻤﺎي اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار ‪R‬‬

‫ﮔﺮد آوري ‪ :‬ﻣﺼﻄﻔﯽ ﮐﺮﯾﻤﯽ‬

‫اﺳﺘﺎد راﻫﻨﻤﺎ ‪ :‬ﺟﻨﺎب آﻗﺎي دﮐﺘﺮ داوود ﻗﺰوﯾﻨﯽ ﻧﮋاد‬

‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫راھﻨﻤﺎی اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار ‪R‬‬

‫ﻓﮭﺮﺳﺖ‬

‫‪1‬‬ ‫ﮐﺎر ﺑﺎ ﻧﺮم اﻓﺰار ‪R‬‬

‫‪1‬‬ ‫‪ .1‬آﺷﻨﺎﯾﯽ و ﺷﺮوع ﮐﺎر‬
‫‪2‬‬ ‫‪ .2‬ﮐﺎر ﺑﺎ اﺷﯿﺎء‬
‫‪3‬‬ ‫‪ .2.1‬ﺑﺮدارھﺎ‬
‫‪3‬‬ ‫‪ .2.1.1‬ﺗﻮﻟﯿﺪ ﺑﺮدار اﻋﺪاد ﻣﺘﻮاﻟﯽ‬
‫‪4‬‬ ‫‪ .2.1.2‬ﺗﻮﻟﯿﺪ ﺑﺮدار اﻋﺪاد ﺗﮑﺮاری‬
‫‪5‬‬ ‫‪ .2.1.3‬ﺗﻮﻟﯿﺪ ﺑﺮدار اﻋﺪاد ﺗﺼﺎدﻓﯽ‬
‫‪5‬‬ ‫‪ .2.1.4‬اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ ﺑﺮدار‬
‫‪5‬‬ ‫‪ .2.1.5‬اﺳﺘﻔﺎده از ﻋﻤﻠﮕﺮھﺎ و ﺗﻮاﺑﻊ‬
‫‪6‬‬ ‫‪ .2.1.6‬داده ھﺎی ﮔﻢ ﺷﺪه‬
‫‪7‬‬ ‫‪ .2.1.7‬ﺑﺮدار ﮐﺎراﮐﺘﺮھﺎ‬
‫‪7‬‬ ‫‪ .2.2‬ﻓﺎﮐﺘﻮرھﺎ‬
‫‪8‬‬ ‫‪ .2.2.1‬اﺳﺘﻔﺎده از ﯾﮏ ﺗﺎﺑﻊ ﺑﺮ ﺣﺴﺐ ﯾﮏ ﻓﺎﮐﺘﻮر‬
‫‪8‬‬ ‫‪ .2.2.2‬ﺗﻮﻟﯿﺪ ﻓﺎﮐﺘﻮرھﺎی دارای اﻟﮕﻮ‬
‫‪8‬‬ ‫‪ .2.3‬آراﯾﮫ ھﺎ و ﻣﺎﺗﺮﯾﺲ ھﺎ‬
‫‪10‬‬ ‫‪ .2.3.1‬اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ آراﯾﮫ‬
‫‪10‬‬ ‫‪ .2.3.2‬ﺳﺎﺧﺘﻦ ﻣﺎﺗﺮﯾﺲ‬
‫‪10‬‬ ‫‪ .2.3.3‬ﮐﺎر ﺑﺎ ﻣﺎﺗﺮﯾﺲ ھﺎ‬
‫‪13‬‬ ‫‪ .2.4‬ﻟﯿﺴﺖ ھﺎ‬
‫‪13‬‬ ‫‪ .2.4.1‬اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ ﻟﯿﺴﺖ‬
‫‪14‬‬ ‫‪ .2.5‬دﯾﺘﺎ ﻓﺮﯾﻢ ھﺎ‬
‫‪14‬‬ ‫‪ .2.5.1‬اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ دﯾﺘﺎ ﻓﺮﯾﻢ‬
‫‪15‬‬ ‫‪ .3‬دﺳﺘﮑﺎری داده ھﺎ‬
‫‪15‬‬ ‫‪ .3.1‬ﻧﺎﻣﮕﺬاری داده ھﺎ‬
‫‪15‬‬ ‫‪ .3.2‬ﻣﺮﺗﺐ ﮐﺮدن داده ھﺎ‬
‫‪15‬‬ ‫‪ .3.3‬رﺗﺒﮫ ﺑﻨﺪی داده ھﺎ‬
‫‪16‬‬ ‫‪ .3.4‬ﺟﺪول ﺑﻨﺪی داده ھﺎ‬
‫‪16‬‬ ‫‪ .3.5‬ﺟﺪا ﮐﺮدن داده ھﺎ‬
‫‪17‬‬ ‫‪ .4‬ﺗﻮزﯾﻊ ھﺎی آﻣﺎری‬
‫‪18‬‬ ‫‪ .5‬دﺳﺘﻮرات ﮐﻨﺘﺮﻟﯽ‬
‫‪18‬‬ ‫‪ .5.1‬دﺳﺘﻮر ﺷﺮط‬
‫‪19‬‬ ‫‪ .5.2‬دﺳﺘﻮرات ﺗﮑﺮار‬
‫‪20‬‬ ‫‪ .6‬ﻧﻮﺷﺘﻦ ﺗﻮاﺑﻊ و ﻋﻤﻠﮕﺮھﺎی ﺷﺨﺼﯽ‬

‫‪21‬‬ ‫ﮔﺮاﻓﯿﮏ و رﺳﻢ ﻧﻤﻮدار‬

‫‪21‬‬ ‫‪ .1‬دﺳﺘﻮرھﺎی ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﺑﺎﻻ‬
‫‪21‬‬ ‫‪ .1.1‬ﺗﺎﺑﻊ )(‪plot‬‬
‫‪24‬‬ ‫‪ .1.2‬ﺗﺎﺑﻊ )(‪curve‬‬
‫‪24‬‬ ‫‪ .1.3‬ﺗﺎﺑﻊ )(‪pairs‬‬
‫‪25‬‬ ‫‪ .1.4‬ﺗﺎﺑﻊ )(‪coplot‬‬
‫‪26‬‬ ‫‪ .1.5‬ﺗﺎﺑﻊ )(‪hist‬‬
‫‪27‬‬ ‫‪ .1.6‬ﺗﺎﺑﻊ )(‪barplot‬‬
‫‪27‬‬ ‫‪ .1.7‬ﺗﺎﺑﻊ )(‪boxplot‬‬
‫‪28‬‬ ‫‪ .1.8‬ﺗﺎﺑﻊ )(‪dotchart‬‬
‫‪29‬‬ ‫‪ .1.9‬ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺳﮫ ﻣﺘﻐﯿﺮی‬
‫‪31‬‬ ‫‪ .1.10‬ﺗﻮاﺑﻊ ﻣﻘﺎﯾﺴﮫ ﺗﻮزﯾﻊ ھﺎ‬

‫‪I‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪33‬‬ ‫‪ .1.11‬ﻧﻤﻮدارھﺎی ﺳﺮی زﻣﺎﻧﯽ‬

‫‪35‬‬ ‫‪ .1.12‬ﺟﺰﺋﯿﺎت رﺳﻢ ﻧﻤﻮدار‬
‫‪37‬‬ ‫‪ .2‬دﺳﺘﻮرھﺎی ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﭘﺎﯾﯿﻦ‬
‫‪37‬‬ ‫‪ .2.1‬ﺗﺎﺑﻊ )(‪text‬‬
‫‪38‬‬ ‫‪ .2.2‬ﺗﺎﺑﻊ )(‪abline‬‬
‫‪39‬‬ ‫‪ .2.3‬ﺗﺎﺑﻊ )(‪legend‬‬
‫‪40‬‬ ‫‪ .2.4‬ﺗﺎﺑﻊ )(‪title‬‬
‫‪41‬‬ ‫‪ .3‬دﺳﺘﻮرات ﺗﺮﺳﯿﻢ ﺗﻌﺎﻣﻠﯽ‬
‫‪41‬‬ ‫‪ .3.1‬ﺗﺎﺑﻊ )(‪locator‬‬
‫‪42‬‬ ‫‪ .3.2‬ﺗﺎﺑﻊ )(‪identify‬‬
‫‪42‬‬ ‫‪ .4‬ﺗﻐﯿﯿﺮ ﭘﺎراﻣﺘﺮھﺎی ﺗﻮاﺑﻊ‬

‫‪43‬‬ ‫آزﻣﻮن ھﺎی آﻣﺎری‬

‫‪43‬‬ ‫‪ .1‬آزﻣﻮن ‪t'student‬‬
‫‪45‬‬ ‫‪ .2‬آزﻣﻮن ‪F‬‬
‫‪46‬‬ ‫‪ .3‬آزﻣﻮن دو ﺟﻤﻠﮫ ای‬
‫‪46‬‬ ‫‪ .4‬آزﻣﻮن ‪chi-square‬‬

‫‪48‬‬ ‫آزﻣﻮن ھﺎی ﻧﺎﭘﺎراﻣﺘﺮی‬

‫‪48‬‬ ‫‪ .1‬آزﻣﻮن وﯾﻠﮑﺎﮐﺴﻮن‬
‫‪49‬‬ ‫‪ .2‬آزﻣﻮن ﮐﻮﻟﻤﻮﮔﺮوف‪-‬اﺳﻤﯿﺮوﻧﻮف‬
‫‪50‬‬ ‫‪ .3‬آزﻣﻮن ﺷﺎﭘﯿﺮو‪-‬وﯾﻠﮏ‬
‫‪51‬‬ ‫‪ .4‬آزﻣﻮن ﮐﺮوﺳﮑﺎل‪-‬واﻟﯿﺲ‬

‫‪52‬‬ ‫رﮔﺮﺳﯿﻮن‬
‫‪52‬‬ ‫‪ .1‬ﻣﺪل ھﺎی ﺧﻄﯽ‬
‫‪55‬‬ ‫‪ .2‬رﺳﻢ ﻧﻤﻮدار ﺧﻂ رﮔﺮﺳﯿﻮن‬
‫‪56‬‬ ‫‪ .3‬ﺑﺮرﺳﯽ ﻓﺮض ھﺎی ﻣﺪل‬
‫‪57‬‬ ‫‪ .4‬آزﻣﻮن ﻓﺮض‬
‫‪59‬‬ ‫‪ .5‬ﻓﺎﺻﻠﮫ اﻃﻤﯿﻨﺎن‬
‫‪59‬‬ ‫‪ .6‬ﻣﻘﺎﯾﺴﮫ ﻣﺪل ھﺎ‬

‫‪60‬‬ ‫ﻃﺮح آزﻣﺎﯾﺶ ھﺎ‬

‫‪60‬‬ ‫‪ .1‬آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ ﯾﮏ ﻃﺮﻓﮫ‬
‫‪62‬‬ ‫‪ .2‬ﺑﺮرﺳﯽ ﻓﺮض ھﺎی ﻣﺪل‬
‫‪63‬‬ ‫‪ .3‬آزﻣﻮن ﺗﻮﮐﯽ‬
‫‪64‬‬ ‫‪ .4‬ﻃﺮح ﺑﻠﻮک ھﺎی ﺗﺼﺎدﻓﯽ و ﻣﺮﺑﻊ ﻻﺗﯿﻦ‬
‫‪64‬‬ ‫‪ .5‬ﻃﺮح ھﺎی ﻋﺎﻣﻠﯽ‬
‫‪65‬‬ ‫‪ .6‬ﻧﻤﻮدار اﺛﺮ ﻣﺘﻘﺎﺑﻞ‬

‫‪66‬‬ ‫ﻣﻨﺎﺑﻊ‬

‫‪II‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﮐﺎر ﺑﺎ ﻧﺮم اﻓﺰار ‪R‬‬

‫‪ .1‬آﺷﻨﺎﯾﯽ و ﺷﺮوع ﮐﺎر‬

‫ﻧﺮم اﻓﺰار ‪ R‬داراي ﻣﺤﯿﻄﯽ ﺷﺒﯿﻪ ﻧﺮم اﻓﺰار ‪ S-Plus‬ﺑﻮده و ﺑﺮاي اﻧﺠﺎم ﻫﺮ ﻓﻌﺎﻟﯿﺖ در اﯾﻦ ﻧﺮم اﻓﺰار ﺑﺎﯾﺪ از دﺳﺘﻮرﻫﺎ و‬
‫ﮐﺪﻫﺎي ﻣﻨﺎﺳﺐ‪ ،‬ﮐﻪ اﻏﻠﺐ ﺷﺒﯿﻪ دﺳﺘﻮرﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده در ﻧﺮم اﻓﺰار ‪ S-Plus‬ﻫﺴﺘﻨﺪ اﺳﺘﻔﺎده ﮐـﺮد‪ .‬ﺑـﺎ اﺟـﺮاي ﻧـﺮم‬
‫اﻓﺰار ‪ R‬و ﺑﺎز ﺷﺪن ﻣﺤﯿﻂ ﮐﺎري‪ ،‬اﺑﺘﺪا ﺗﻮﺿﯿﺤﺎﺗﯽ در ﻣﻮرد ﻧﺮم اﻓﺰار ﻇﺎﻫﺮ ﺷﺪه و ﭘﺲ از آن ﻋﻼﻣﺖ " > " ﺑﻪ ﻧﻤﺎﯾﺶ‬
‫در ﺧﻮاﻫﺪ آﻣﺪ ﮐﻪ ﻧﺸﺎن دﻫﻨﺪه ﻧﻘﻄﻪ ﺷﺮوع ﻧﻮﺷﺘﻦ دﺳﺘﻮرات اﺳﺖ‪ .‬در ﻧﺮم اﻓﺰار ‪ R‬ﻫﻤﻮاره دﺳﺘﻮرات ﺑﻌﺪ از ﻋﻼﻣـﺖ‬
‫" > " ﻧﻮﺷﺘﻪ ﻣﯽ ﺷﻮﻧﺪ‪ .‬ﺑﺎ ﻓﺸﺮدن ﮐﻠﯿﺪ ‪ Enter‬روي ﺻﻔﺤﻪ ﮐﻠﯿﺪ در ﺻﻮرﺗﯽ ﮐﻪ دﺳﺘﻮر ﯾﺎ ﮐـﺪ ﻧﻮﺷـﺘﻪ ﺷـﺪه از ﻧـﻮع‬
‫دﺳﺘﻮرات اﺟﺮاﯾﯽ ﺑﺎﺷﺪ اﺟﺮا ﺧﻮاﻫﺪ ﺷﺪ‪ ،‬و در ﻏﯿﺮ اﯾﻦ ﺻﻮرت دﺳﺘﻮرات ﺑﻪ ﺧﻂ ﺑﻌﺪي ﻣﻨﺘﻘﻞ ﺧﻮاﻫﻨـﺪ ﺷـﺪ‪ .‬ﺑـﺮاي‬
‫ﺧﺮوج از ﻧﺮم اﻓﺰار از دﺳﺘﻮر )(‪ q‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﺷﮑﻞ زﯾﺮ ﻣﺤﯿﻂ ﻧﺮم اﻓﺰار ‪ R‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪.‬‬

‫‪1‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﺑﺮاي ﻧﻮﺷﺘﻦ ﮐﺪﻫﺎ و دﺳﺘﻮرات در ‪ R‬ﺗﻮﺟﻪ ﺑﻪ ﭼﻨﺪ ﻧﮑﺘﻪ ﺿﺮوري ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﺪ‪ .‬ﻧﺮم اﻓﺰار ‪ R‬ﻧﺴﺒﺖ ﺑـﻪ ﺑﺰرﮔـﯽ و‬
‫ﮐﻮﭼﮑﯽ ﺣﺮوف ﺣﺴﺎس ﺑﻮده و ﺣﺮوف ﺑﺰرگ و ﮐﻮﭼﮏ را ﺑﻪ ﺻﻮرت ﻣﺘﻤﺎﯾﺰ در ﻧﻈﺮ ﻣﯽ ﮔﯿﺮد‪ .‬ﻣﺜﻼ ‪ A‬و ‪ a‬در اﯾـﻦ‬
‫ﻧﺮم اﻓﺰار ﺑﻪ دو ﺷﺊ ﻣﺨﺘﻠﻒ اﺷﺎره ﻣﯽ ﮐﻨﻨﺪ‪ .‬ﺑﺮاي ﺟﺪا ﮐﺮدن دﺳﺘﻮرات ﻣﯽ ﺗﻮان از ﻋﻼﻣﺖ " ; " اﺳﺘﻔﺎده ﮐﺮده و ﯾـﺎ‬
‫دﺳﺘﻮر را ﺑﻪ ﺧﻂ ﺑﻌﺪ ﻣﻨﺘﻘﻞ ﮐﺮد‪ .‬ﻫﻤﭽﻨﯿﻦ ﺑﺮاي ﻗﺮاردادن ﮔﺮوﻫﯽ از دﺳﺘﻮرﻫﺎ در ﮐﻨﺎر ﻫﻢ از ﻋﻼﻣـﺖ " } " و " { "‬
‫اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺑﺮاي وارد ﮐﺮدن ﺗﻮﺿﯿﺤﺎت در ﻣﯿﺎن دﺳﺘﻮرﻫﺎ ﻧﯿﺰ ﻣﯽ ﺗﻮان از ﻋﻼﻣﺖ ‪ #‬اﺳﺘﻔﺎده ﮐﺮد‪ .‬در ﺻﻮرﺗﯽ ﮐﻪ‬
‫ﺑﺨﻮاﻫﯿﻢ ﮐﺪﻫﺎي ﻗﺒﻞ را ﺑﺎزﺧﻮاﻧﯽ ﯾﺎ وﯾﺮاﯾﺶ ﮐﻨﯿﻢ ﻣﯽ ﺗﻮاﻧﯿﻢ از ﮐﻠﯿﺪﻫﺎي ﻣﮑﺎن ﻧﻤﺎي ﺑﺎﻻ و ﭘﺎﯾﯿﻦ ﺻﻔﺤﻪ ﮐﻠﯿﺪ ﮐﻤﮏ‬
‫ﺑﮕﯿﺮﯾﻢ‪ .‬ﻫﻤﭽﻨﯿﻦ در ﻣﯿﺎن ﺧﻄﻮط ﺑﺮﻧﺎﻣﻪ ﻧﯿﺰ ﻣﯽ ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از ﮐﻠﯿﺪﻫﺎي ﻣﮑﺎن ﻧﻤﺎي ﭼﭗ و راﺳﺖ ﺟﺎﺑﺠﺎ ﺷـﺪه و‬
‫ﺑﻪ وﯾﺮاﯾﺶ ﮐﺪﻫﺎ ﭘﺮداﺧﺖ‪ .‬ﺑﺮاي ﭘﺎك ﮐﺮدن ﺻﻔﺤﻪ ﻣﯽ ﺗﻮان از ﮐﻠﯿﺪﻫﺎي ﺗﺮﮐﯿﺒﯽ ‪ Ctrl+L‬اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﺑﺮاي ﮐـﺴﺐ‬
‫اﻃﻼﻋﺎت در ﻣﻮرد ﺗﻮاﺑﻊ و اﺳﺘﻔﺎده از ﻓﺎﯾﻞ ‪ help‬ﻣﯽ ﺗﻮان ﻧﺎم ﺗﺎﺑﻊ را ﺑﻌﺪ از ﯾﮏ ﻋﻼﻣﺖ ﺳﻮال ﻧﻮﺷﺘﻪ و ﺑﻪ ﻋﻨﻮان ﯾﮏ‬
‫دﺳــﺘﻮر ﻣــﻮرد اﺳــﺘﻔﺎده ﻗــﺮار داد‪ .‬ﻫﻤﭽﻨــﯿﻦ ﺑــﺮاي ﺟــﺴﺘﺠﻮي ﯾــﮏ ﮐﻠﻤــﻪ در ﻓﺎﯾــﻞ ‪ help‬ﻣــﯽ ﺗــﻮان از ﺗــﺎﺑﻊ‬
‫)(‪ help.search‬اﺳﺘﻔﺎده ﮐﺮد‪.‬‬

‫‪ .2‬ﮐﺎر ﺑﺎ اﺷﯿﺎء‬

‫اﻧﻮاع ﻣﺨﺘﻠﻒ اﺷﯿﺎء در ‪ R‬ﻋﺒﺎرﺗﻨﺪ از ﺑﺮدارﻫﺎ‪ ،‬آراﯾﻪ ﻫﺎ و ﻣﺎﺗﺮﯾﺲ ﻫﺎ‪ ،‬ﻓﺎﮐﺘﻮرﻫﺎ‪ ،‬ﻟﯿﺴﺖ ﻫﺎ‪ ،‬دﯾﺘﺎ ﻓﺮﯾﻢ ﻫﺎ‪ ،‬و ﺗﻮاﺑﻊ‪ .‬در ‪R‬‬
‫ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﮏ ﻋﻀﻮي ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺑﺮدار ﺗﮏ ﻋﻀﻮي در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯽ ﺷﻮد‪ .‬ﺑﺮاي ﻣﺸﺎﻫﺪه ﺳـﺎﺧﺘﺎر ﯾـﮏ ﺷـﺊ از‬
‫ﺗﺎﺑﻊ )(‪ str‬ﺑﻪ ﻫﻤﺮاه ﻧﺎم آن ﺷﺊ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺮاي اﺧﺘﺼﺎص ﯾﮏ ﻣﻘﺪار ﺑﻪ ﯾﮏ ﺷﺊ از ﻋﻤﻠﮕﺮ ﺗﺨـﺼﯿﺺ ﺑـﻪ‬
‫ﺷﮑﻞ " >‪ " -‬ﯾﺎ " ‪ " <-‬و ﯾﺎ ﻋﻼﻣﺖ " = " اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺮاي ﻧﻤﺎﯾﺶ ﻣﺤﺘﻮﯾﺎت ﯾﮏ ﺷﺊ ﻧﯿﺰ ﮐﺎﻓﯿـﺴﺖ ﻧـﺎم آن‬
‫ﺷﺊ را ﺑﻪ ﻋﻨﻮان ﯾﮏ دﺳﺘﻮر وارد ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬
‫‪> Value <- 4‬‬
‫‪> Value‬‬
‫‪[1] 4‬‬

‫ﺑﺮاي ﻣﺸﺎﻫﺪه ﺗﻤﺎم اﺷﯿﺎء ﻣﻮﺟﻮد در ﻣﺤﯿﻂ از ﺗﺎﺑﻊ )(‪ objects‬ﯾﺎ ﻣﻌﺎدل آن )(‪ ls‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)(‪> objects‬‬
‫"‪[1] "a‬‬ ‫"‪"ab‬‬ ‫"‪"abc‬‬ ‫"‪"Value‬‬

‫ﺑﺮاي ﺣﺬف ﯾﮏ ﺷﺊ از ﺗﺎﺑﻊ )(‪ remove‬ﯾﺎ ﻣﻌﺎدل آن )(‪ rm‬ﺑﺎ ذﮐﺮ ﻧﺎم اﺷـﯿﺎﺋﯽ ﮐـﻪ ﺑﺎﯾـﺪ ﺣـﺬف ﺷـﻮﻧﺪ اﺳـﺘﻔﺎده‬
‫ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> remove(a,ab,Value‬‬

‫‪2‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻧﺮم اﻓﺰار ‪ R‬ﻓﺎﺻﻠﻪ ﻫﺎي اﺿﺎﻓﯽ ﺑﯿﻦ ﮐﺪﻫﺎ را ﻧﺎدﯾﺪه ﻣﯽ ﮔﯿﺮد‪ ،‬ﺑﻨﺎﺑﺮاﯾﻦ ﻗﺮار دادن ﻓﺎﺻﻠﻪ زﯾﺎد ﺑـﯿﻦ ﮐـﺪﻫﺎ ﻣـﺸﮑﻠﯽ در‬
‫اﺟﺮاي آﻧﻬﺎ اﯾﺠﺎد ﻧﻤﯽ ﮐﻨﺪ‪.‬‬
‫ﺑﻪ اﺷﯿﺎء ﻣﯽ ﺗﻮان داده ﻫﺎﯾﯽ را از ﻧﻮع ﻋﺪدي‪ ،‬ﮐﺎراﮐﺘﺮي‪ ،‬ﻣﻨﻄﻘﯽ‪ ،‬ﯾﺎ ﻣﺨﺘﻠﻂ ﺗﺨﺼﯿﺺ داد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫‪value.numeric <- 56‬‬

‫>‬ ‫" ‪value.character <- " Hello Dear‬‬
‫>‬ ‫‪value.logical <- 2<4‬‬
‫>‬ ‫‪value.comlpex <- 2+3i‬‬

‫ﺑﺮاي ﻣﺸﺎﻫﺪه ﻧﻮع ﯾﮏ ﺷﺊ از ﺗﺎﺑﻊ )(‪ mode‬و ﺑﺮاي ﻣﺸﺎﻫﺪه ﻃﻮل ﯾﮏ ﺷﺊ از ﺗﺎﺑﻊ )(‪ length‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> mode(value.logical‬‬
‫"‪[1] "logical‬‬
‫)‪> length(value.logical‬‬
‫‪[1] 1‬‬

‫)‪> mode(sin‬‬
‫"‪[1] "function‬‬
‫)‪> length(sin‬‬
‫‪[1] 1‬‬

‫‪ .2.1‬ﺑﺮدارﻫﺎ‬

‫ﺑﺮاي ﺳﺎﺧﺖ ﯾﮏ ﺑﺮدار در ‪ R‬از ﺗﺎﺑﻊ )(‪ c‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﻫﻤﭽﻨﯿﻦ ﺑﺮاي ﺗﺨﺼﯿﺺ ﯾﮏ ﺑﺮدار ﺑﻪ ﯾﮏ ﺷﺊ ﻣﯽ ﺗﻮان‬
‫از ﻋﻤﻠﮕﺮ ﺗﺨﺼﯿﺺ ﯾﺎ ﺗﺎﺑﻊ )(‪ assign‬اﺳﺘﻔﺎده ﮐﺮد‪.‬‬
‫ﻣﺜﺎل ‪ :‬ﻫﺮ ﺳﻪ ﻋﺒﺎرت زﯾﺮ ﻣﻌﺎدل ﯾﮑﺪﯾﮕﺮﻧﺪ‪.‬‬

‫)‪> x <- c(10,9,12,15‬‬

‫‪> c(10,9,12,15) -> x‬‬
‫))‪> assign("x",c(10,9,12,15‬‬

‫ﺑﺮاي ﺳﺎﺧﺖ ﯾﮏ ﺑﺮدار ﻣﯽ ﺗﻮان از ﺑﺮدارﻫﺎي دﯾﮕﺮ ﻧﯿﺰ اﺳﺘﻔﺎده ﮐﺮد‪.‬‬

‫ﻣﺜﺎل ‪:‬‬

‫)‪> y <- c(x,14,x,8‬‬

‫‪ .2.1.1‬ﺗﻮﻟﯿﺪ ﺑﺮدار اﻋﺪاد ﻣﺘﻮاﻟﯽ‬

‫ﺑﺮاي ﺗﻮﻟﯿﺪ ﯾﮏ ﺑﺮدار از اﻋﺪاد ﻣﺘﻮاﻟﯽ ﺑﯿﻦ دوﻋﺪد ﻣﯽ ﺗﻮان از ﻋﻤﻠﮕﺮ " ‪ " :‬اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﺑﺮاي ﺗﻮﻟﯿﺪ اﻋﺪاد ﺑﻪ اﯾﻦ ﺷﯿﻮه‬
‫ﻣﯽ ﺗﻮان از ﻋﻤﻠﮕﺮﻫﺎي رﯾﺎﺿﯽ ﻧﯿﺰ اﺳﺘﻔﺎده ﮐﺮد‪.‬‬

‫‪3‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﺜﺎل ‪:‬‬

‫‪> n <- 1:10‬‬

‫‪> n‬‬
‫‪[1] 1 2 3 4 5 6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9 10‬‬
‫)‪> m <- c(1:10‬‬
‫‪> m‬‬
‫‪[1] 1 2 3 4 5 6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9 10‬‬
‫‪> k <- 10:1‬‬
‫‪> k‬‬
‫‪[1] 10 9 8 7 6 5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬
‫)‪> l <- 2*(1:5‬‬
‫‪> l‬‬
‫‪[1] 2 4 6 8 10‬‬
‫‪> p <- 3+5:10‬‬
‫‪> p‬‬
‫‪[1] 8 9 10 11 12 13‬‬

‫راﯾﺞ ﺗﺮﯾﻦ ﺗﺎﺑﻌﯽ ﮐﻪ ﺑﺮاي ﺗﻮﻟﯿﺪ اﻋﺪاد ﻣﺘﻮاﻟﯽ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد ﺗﺎﺑﻊ )(‪ seq‬اﺳﺖ‪ .‬در اﯾﻦ ﺗﺎﺑﻊ ﻣﯽ ﺗـﻮان‬
‫ﺑﺎ ﻣﺸﺨﺺ ﮐﺮدن ﻧﻘﺎط ﺷﺮوع و ﭘﺎﯾﺎن‪ ،‬ﻣﺸﺨﺺ ﮐﺮدن ﮔﺎم اﻓﺰاﯾﺸﯽ ﯾﺎ ﮐﺎﻫﺸﯽ‪ ،‬و ﯾﺎ ﻣﺸﺨﺺ ﮐﺮدن ﻃﻮل ﺑﺮدار ﻣـﻮرد‬
‫ﻧﻈﺮ ﺑﺮداري از اﻋﺪاد ﻣﺘﻮاﻟﯽ ﺗﻮﻟﯿﺪ ﮐﺮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> seq(1,10‬‬
‫‪[1] 1 2 3 4 5 6 7 8 9 10‬‬
‫)‪> seq(1,10,by=2‬‬
‫‪[1] 1 3 5 7 9‬‬
‫)‪> seq(1,by=2,length=10‬‬
‫‪[1] 1 3 5 7 9 11 13 15 17 19‬‬

‫‪ .2.1.2‬ﺗﻮﻟﯿﺪ ﺑﺮدار اﻋﺪاد ﺗﮑﺮاري‬

‫ﺑﺮاي ﺗﮑﺮار اﻋﻀﺎي ﯾﮏ ﺑﺮدار از ﺗﺎﺑﻊ )(‪ rep‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬در اﯾﻦ ﺗﺎﺑﻊ اﺑﺘﺪا ﺑﺎﯾﺪ اﻋﺪادي را ﮐـﻪ ﻣـﯽ ﺧـﻮاﻫﯿﻢ‬
‫ﺗﮑﺮار ﺷﻮﻧﺪ وارد ﮐﻨﯿﻢ‪ ،‬ﺳﭙﺲ ﺑﻮﺳﯿﻠﻪ ﮔﺰﯾﻨﻪ ﻫﺎي =‪ each‬و =‪ times‬ﺑﻪ ﺗﺮﺗﯿﺐ ﺗﻌﺪاد دﻓﻌﺎﺗﯽ را ﮐﻪ ﻣﯽ ﺧﻮاﻫﯿﻢ ﻫﺮ‬
‫ﻋﺪد ﺗﮑﺮار ﺷﻮد ﯾﺎ ﮐﻞ اﻋﺪاد ﺗﮑﺮار ﺷﻮﻧﺪ را ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫‪> x <- 1:5‬‬

‫)‪> rep(x,times=5‬‬
‫‪[1] 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5‬‬
‫)‪> rep(x, each=5‬‬
‫‪[1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5‬‬
‫)‪> rep(1:4,each=2,times=2‬‬
‫‪[1] 1 1 2 2 3 3 4 4 1 1 2 2 3 3 4 4‬‬

‫‪4‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .2.1.3‬ﺗﻮﻟﯿﺪ ﺑﺮدار اﻋﺪاد ﺗﺼﺎدﻓﯽ‬

‫ﺑﺮاي ﺗﻮﻟﯿﺪ ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ از اﻋﺪاد دﻟﺨﻮاه از ﺗﺎﺑﻊ )(‪ sample‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ‬
‫زﯾﺮ اﺳﺖ‪.‬‬

‫)‪sample(x,size,replace,prob‬‬

‫در اﯾﻦ ﺗﺎﺑﻊ ‪ x‬ﺑﺮداري اﺳﺖ ﮐﻪ ﻣﯽ ﺧﻮاﻫﯿﻢ ﻧﻤﻮﻧﻪ ﻣﻮرد ﻧﻈﺮ از آن ﮔﺮﻓﺘﻪ ﺷﻮد‪ .‬در ﻗﺴﻤﺖ ‪ size‬ﺑﺎﯾﺪ ﺣﺠﻢ ﻧﻤﻮﻧﻪ را‬
‫ﻣﺸﺨﺺ ﮐﻨﯿﻢ‪ .‬در ﻗﺴﻤﺖ ‪ replace‬ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ آﯾﺎ ﻧﻤﻮﻧﻪ ﮔﯿﺮي ﺑﺎ ﺟﺎﯾﮕﺬاري ﺑﺎﺷﺪ ﯾﺎ ﺑﺪون ﺟﺎﯾﮕﺬاري‪.‬‬
‫در ﺻﻮرﺗﯽ ﮐﻪ ‪ replace‬را ﻣﺴﺎوي ‪ TRUE‬ﻗﺮار دﻫﯿﻢ ﻧﻤﻮﻧﻪ ﮔﯿﺮي ﺑﺎ ﺟﺎﯾﮕﺬاري اﻧﺠﺎم ﻣﯽ ﺷﻮد و در ﺻﻮرﺗﯽ ﮐـﻪ‬
‫آﻧﺮا ﻣﺴﺎوي ‪ FALSE‬ﻗﺮار دﻫﯿﻢ ﻧﻤﻮﻧﻪ ﮔﯿﺮي ﺑﺪون ﺟﺎﯾﮕﺬاري اﻧﺠﺎم ﺧﻮاﻫﺪ ﺷﺪ‪ .‬در ﻗـﺴﻤﺖ ‪ prob‬ﻧﯿـﺰ ﻣـﯽ ﺗـﻮان‬
‫ﺑﺮداري ﺷﺎﻣﻞ وزن ﻫﺎ وارد ﮐﺮد ﺗﺎ ﻧﻤﻮﻧﻪ ﮔﯿﺮي ﺑﻪ ﺻﻮرت وزﻧﯽ اﻧﺠﺎم ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> sample(1:20, 15, rep=T‬‬

‫‪[1] 7 16 6 20 9 14 9‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪2 16‬‬ ‫‪7 15‬‬

‫‪ .2.1.4‬اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ ﺑﺮدار‬

‫اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ ﺷﺊ ﻋﺒﺎرت اﺳﺖ از ﻓﺮاﺧﻮاﻧﯽ اﻋﻀﺎي آن ﺷﺊ‪ .‬ﺑﺮاي اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ ﺑﺮدار از ﻋﻼﻣﺖ ﺑﺮاﮐـﺖ‬
‫اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- c(5,10,8,12,6,14‬‬

‫]‪> x[3‬‬
‫‪[1] 8‬‬
‫]‪> x[2:6‬‬
‫‪[1] 10 8 12 6 14‬‬

‫‪ .2.1.5‬اﺳﺘﻔﺎده از ﻋﻤﻠﮕﺮﻫﺎ و ﺗﻮاﺑﻊ‬

‫ﺑﺮاي اﻧﺠﺎم ﻋﻤﻠﯿﺎت رﯾﺎﺿﯽ روي ﺑﺮدارﻫﺎ ﻣﯽ ﺗـﻮان از ﻋﻤﻠﮕﺮﻫـﺎي رﯾﺎﺿـﯽ ‪ ، / ، * ، - ، +‬و ^ ) ﺗـﻮان (‪،‬‬
‫)(‪،cos()،sin()،exp()،log‬‬ ‫‪ ) %%‬ﺑﺎﻗﯿﻤﺎﻧــﺪه (‪ ،‬و ‪ ) %/%‬ﺧــﺎرج ﻗــﺴﻤﺖ (‪ ،‬و ﺗﻮاﺑــﻊ رﯾﺎﺿــﯽ ﻣﺎﻧﻨــﺪ‬
‫)(‪ ) sqrt()،tan‬رﯾﺸﻪ دوم (‪ ،‬و ﻏﯿﺮه اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﻫﺮﯾﮏ از ﻋﻤﻠﮕﺮﻫﺎ و ﺗﻮاﺑﻊ ﻓﻮق ﺑﻪ ﺻﻮرت ﻋﻀﻮ ﺑـﻪ ﻋـﻀﻮ‬
‫روي ﻋﻨﺎﺻﺮ ﺑﺮدار ﻋﻤﻞ ﻣﯽ ﮐﻨﻨﺪ‪ .‬ﻣﺜﻼ در دﺳﺘﻮر ‪ y+1‬ﻫﺮ ﻋﻀﻮ ﺑﺮدار ‪ y‬ﺑﺎ ﻋﺪد ﯾﮏ ﺟﻤﻊ ﻣﯽ ﺷﻮد‪ .‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾـﻦ‬
‫ﺧﺎﺻﯿﺖ ﺑﺮاي اﻋﻤﺎل ﻋﻤﻠﮕﺮﻫﺎ روي ﺑﺮدارﻫﺎ ﻧﯿﺎزي ﻧﯿﺴﺖ ﮐﻪ ﺑﺮدارﻫﺎ داراي ﻃﻮل ﯾﮑﺴﺎن ﺑﺎﺷﻨﺪ‪ .‬ﻫﻤـﻮاره ﻃـﻮل ﻫﻤـﻪ‬
‫ﺑﺮدارﻫﺎي ﻣﻮﺟﻮد در ﯾﮏ ﻋﺒﺎرت رﯾﺎﺿﯽ ﺑﻪ اﻧﺪازه ﻃﻮل ﺑﺰرﮔﺘﺮﯾﻦ ﺑﺮدار ﻣﻮﺟﻮد در ﻋﺒﺎرت در ﺧﻮاﻫﻨﺪ آﻣﺪ‪ .‬در ﻣـﻮرد‬
‫ﺑﺮدارﻫﺎ ﻣﯽ ﺗﻮان از ﺑﺮﺧﯽ ﺗﻮاﺑﻊ آﻣﺎري ﻧﯿﺰ اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﺗﻮاﺑﻊ )(‪ min‬و )(‪ max‬ﺑـﻪ ﺗﺮﺗﯿـﺐ ﮐـﻮﭼﮑﺘﺮﯾﻦ ﻋـﻀﻮ و‬

‫‪5‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﺑﺰرﮔﺘﺮﯾﻦ ﻋﻀﻮ ﯾﮏ ﺑﺮدار را اراﺋﻪ ﻣﯽ ﮐﻨﻨﺪ‪ .‬ﺗﺎﺑﻊ )(‪ range‬ﺑﺮداري ﺑﺎ دو ﻋﻀﻮ اراﺋﻪ ﻣﯽ ﮐﻨﺪ ﮐـﻪ آن دو ﻋـﻀﻮ ﺑـﻪ‬
‫ﺗﺮﺗﯿﺐ ﮐﻮﭼﮑﺘﺮﯾﻦ و ﺑﺰرﮔﺘﺮﯾﻦ ﻋﻀﻮ ﺑﺮدارﻣﻮرد ﻧﻈﺮ ﻫﺴﺘﻨﺪ‪ .‬ﺗﺎﺑﻊ )(‪ length‬ﻃﻮل ﯾﮏ ﺑﺮدار‪ ،‬ﺗﺎﺑﻊ )(‪ sum‬ﺣﺎﺻﻞ‬
‫ﺟﻤﻊ اﻋﻀﺎي ﯾﮏ ﺑﺮدار‪ ،‬و ﺗﺎﺑﻊ )(‪ prod‬ﺣﺎﺻﻞ ﺿﺮب اﻋـﻀﺎي ﯾـﮏ ﺑـﺮدار را اراﺋـﻪ ﻣـﯽ ﮐﻨـﺪ‪ .‬ﻫﻤﭽﻨـﯿﻦ ﺗﻮاﺑـﻊ‬
‫)(‪ mean‬و )(‪ var‬و )(‪ sd‬ﺑﻪ ﺗﺮﺗﯿﺐ ﻣﯿﺎﻧﮕﯿﻦ و وارﯾـﺎﻧﺲ و اﻧﺤـﺮاف اﺳـﺘﺎﻧﺪارد اﻋـﻀﺎي ﯾـﮏ ﺑـﺮدار را اراﺋـﻪ‬
‫ﻣﯽ ﮐﻨﻨﺪ‪ .‬ﺗﻮاﺑﻊ )(‪ cor‬و )(‪ cov‬ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻫﻤﺒﺴﺘﮕﯽ و ﮐﻮارﯾﺎﻧﺲ ﻣﯿﺎن اﻋﻀﺎي ﯾـﮏ ﺑـﺮدار ﻣـﻮرد‬
‫اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ‪ .‬از ﺗﻮاﺑﻊ )(‪ summary‬و )(‪ quantile‬ﻧﯿﺰ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﭼﻨﺪك ﻫﺎ اﺳـﺘﻔﺎده ﻣـﯽ ﺷـﻮد‪.‬‬
‫ﺗﺎﺑﻊ )(‪ sort‬اﻋﻀﺎي ﯾﮏ ﺑﺮدار را ﺑﻪ ﺻﻮرت ﺻﻌﻮدي ﻣﺮﺗﺐ ﻣﯽ ﮐﻨﺪ‪ .‬از ﺗﺎﺑﻊ)(‪ round‬ﻧﯿـﺰ ﺑـﺮاي ﮔـﺮد ﮐـﺮدن‬
‫اﻋﺪاد ﺗﺎ رﻗﻢ اﻋﺸﺎر دﻟﺨﻮاه اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- c(15,14,19,18,20,15,16,17,18,14‬‬

‫)‪> sum(x);prod(x‬‬
‫‪[1] 166‬‬
‫‪[1] 1.476849e+12‬‬
‫)‪> mean(x);var(x);sd(x‬‬
‫‪[1] 16.6‬‬
‫‪[1] 4.488889‬‬
‫‪[1] 2.1187‬‬
‫)‪> sort(x‬‬
‫‪[1] 14 14 15 15 16 17 18 18 19 20‬‬
‫)‪> summary(x‬‬
‫‪Min. 1st Qu. Median‬‬ ‫‪Mean 3rd Qu.‬‬ ‫‪Max.‬‬
‫‪14.0‬‬ ‫‪15.0‬‬ ‫‪16.5‬‬ ‫‪16.6‬‬ ‫‪18.0‬‬ ‫‪20.0‬‬
‫)‪> quantile(x‬‬
‫‪0% 25% 50% 75% 100%‬‬
‫‪14.0 15.0 16.5 18.0 20.0‬‬
‫‪> x <- x+0.375*x‬‬
‫‪> x‬‬
‫‪[1] 20.625 19.250 26.125 24.750 27.500 20.625 22.000 23.375 24.750‬‬
‫‪19.250‬‬
‫)‪> round(x,2‬‬
‫‪[1] 20.62 19.25 26.12 24.75 27.50 20.62 22.00 23.38 24.75 19.25‬‬

‫‪ .2.1.6‬داده ﻫﺎي ﮔﻤﺸﺪه‬

‫ﺑﺮاي ﻣﻌﺮﻓﯽ داده ﻫﺎي ﮔﻤﺸﺪه در ﯾﮏ ﺑﺮدار از ﻋﺒﺎرت ‪ NA‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺮاي ﺑﺮرﺳﯽ داده ﻫﺎي ﮔﻤﺸﺪه در ﯾـﮏ‬
‫ﺑﺮدار از ﺗﺎﺑﻊ )(‪ is.na‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬اﯾﻦ ﺗﺎﺑﻊ ﺑﺮداري ﻣﻨﻄﻘﯽ ﺑﻪ ﻃﻮل ﺑﺮدار ﻣﻮرد ﻧﻈﺮ اراﺋﻪ ﻣﯽ دﻫﺪ ﮐﻪ ﻣﻘﺎدﯾﺮ‬
‫ﮔﻤﺸﺪه ﻣﺘﻨﺎﻇﺮ ﺑﺎ اﻋﻀﺎي ﺑﺮدار در آن ﺑﺎ ‪ TRUE‬ﻧﺸﺎن داده ﺷﺪه اﻧﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- c(2,5,NA,3,NA‬‬

‫)‪> is.na(x‬‬
‫‪[1] FALSE FALSE TRUE FALSE‬‬ ‫‪TRUE‬‬

‫‪6‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .2.1.7‬ﺑﺮدار ﮐﺎراﮐﺘﺮﻫﺎ‬

‫ﺑﺮدار ﮐﺎراﮐﺘﺮﻫﺎ ﻧﯿﺰ ﻫﻤﺎﻧﻨﺪ ﺑﺮدار اﻋﺪاد ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ c‬ﺳﺎﺧﺘﻪ ﻣﯽ ﺷﻮد‪ .‬ﺑﺮاي اﯾﺠﺎد ﯾﮏ ﺑـﺮدار از ﮐﺎراﮐﺘﺮﻫـﺎ‬
‫ﺑﺎﯾﺪ آﻧﻬﺎ را درون ﻋﻼﻣﺖ ﻫﺎي " ﯾﺎ ' ﻗﺮار داد‪ .‬در ﯾﮏ ﺑﺮدار از ﮐﺎراﮐﺘﺮﻫﺎ ﻣﯽ ﺗﻮان از ‪ \n‬ﺑﺮاي رﻓﺘﻦ ﺑﻪ ﺧﻂ ﺟﺪﯾﺪ‪،‬‬
‫از ‪ \t‬ﺑﺮا ي ﺟﻬﺶ‪ ،‬و از ‪ \b‬ﺑﺮاي ﺑﺎزﮔﺸﺖ اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﻫﻤﭽﻨﯿﻦ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ paste‬ﻣﯽ ﺗﻮان دﻧﺒﺎﻟﻪ اي‬
‫از اﻋﺪاد را ﺑﻪ ﮐﺎراﮐﺘﺮﻫﺎ ﺗﺨﺼﯿﺺ داد‪ .‬در ﺗﺎﺑﻊ )(‪ paste‬ﺑﺎ اﺳﺘﻔﺎده از ﮔﺰﯾﻨﻪ =‪ sep‬ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﮐﺎراﮐﺘﺮﻫﺎ‬
‫و اﻋﺪاد ﺑﻪ وﺳﯿﻠﻪ ﭼﻪ ﮐﺎراﮐﺘﺮي از ﻫﻢ ﺟﺪا ﺷﻮﻧﺪ‪.‬‬
‫ﻣﺜﺎل‪:‬‬

‫)""=‪> paste(c("X"),1:10,sep‬‬
‫"‪[1] "X1" "X2" "X3" "X4" "X5" "X6" "X7" "X8" "X9‬‬ ‫"‪"X10‬‬
‫)""=‪> paste(c("X","Y"),rep(1:5,each=2),sep‬‬
‫"‪[1] "X1" "Y1" "X2" "Y2" "X3" "Y3" "X4" "Y4" "X5" "Y5‬‬

‫‪letters‬‬ ‫ﺑﺮاي ﺗﻮﻟﯿﺪ ﺑﺮدارﻫﺎﯾﯽ از ﺣﺮوف ﻣﯽ ﺗﻮان از ﺑﺮدارﻫﺎي ‪ letters‬و ‪ LETTERS‬اﺳﺘﻔﺎده ﮐﺮد‪ .‬دو ﺑﺮدار‬
‫و ‪ LETTERS‬ﺑﻪ ﺗﺮﺗﯿﺐ ﺷﺎﻣﻞ ‪ 26‬ﺣﺮف ﮐﻮﭼﮏ و ﺑﺰرگ ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﺎ اﯾﻨﺪﮐﺲ ﮐﺮدن اﯾﻦ ﺑﺮدارﻫﺎ ﻣﯽ ﺗﻮان ﺑﻪ اﯾـﻦ‬
‫ﺣﺮوف دﺳﺖ ﯾﺎﻓﺖ‪.‬‬
‫ﻣﺜﺎل‪:‬‬

‫]‪> letters[1:10‬‬
‫"‪[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j‬‬
‫]‪> LETTERS[10:20‬‬
‫"‪[1] "J" "K" "L" "M" "N" "O" "P" "Q" "R" "S" "T‬‬

‫‪ .2.2‬ﻓﺎﮐﺘﻮرﻫﺎ‬

‫ﻓﺎﮐﺘﻮرﻫﺎ از ﻟﺤﺎظ ﺳﺎﺧﺘﺎري ﺑﺴﯿﺎر ﺷﺒﯿﻪ ﺑﺮدارﻫﺎ ﻫﺴﺘﻨﺪ‪ .‬از ﻓﺎﮐﺘﻮرﻫﺎ ﺑﺮاي ﮔﺮوه ﺑﻨﺪي و اﯾﺠﺎد ﺗﻤـﺎﯾﺰ ﺑـﯿﻦ داده ﻫـﺎي‬
‫ﺑﺮدارﻫﺎ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﻓﺎﮐﺘﻮرﻫﺎ را ﻣﯽ ﺗﻮان ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﯿﻢ ﺗﻮﻟﯿﺪ ﮐﺮده و ﯾﺎ ﯾﮏ ﺑﺮدار را ﺑﻪ ﯾﮏ ﻓﺎﮐﺘﻮر ﺗﺒﺪﯾﻞ ﮐﺮد‪.‬‬
‫ﺑﺮاي ﺗﺒﺪﯾﻞ ﯾﮏ ﺑﺮدار ﺑﻪ ﯾﮏ ﻓﺎﮐﺘﻮر از ﺗﺎﺑﻊ )(‪ factor‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪ :‬در ﻣﻮرد ﮔﺮوﻫﯽ از اﻓﺮاد ﺟﻨﺴﯿﺖ و ﺳﻦ را در دو ﺑﺮدار ‪ sex‬و ‪ age‬ﺛﺒﺖ ﮐﺮده اﯾﻢ‪ .‬ﻣﯽ ﺧﻮاﻫﯿﻢ از ﺑﺮدار ‪sex‬‬
‫ﺑﻪ ﻋﻨﻮان ﻓﺎﮐﺘﻮري ﺑﺮاي دﺳﺘﻪ ﺑﻨﺪي داده ﻫﺎي ﺑﺮدار ‪ age‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ‪.‬‬

‫>‬ ‫)"‪sex <- c( "f","f","f","m","f","m","f","m","f","m‬‬

‫>‬ ‫)‪age <- c(25,30,23,25,28,26,29,27,24,28‬‬
‫>‬ ‫)‪sex.f <- factor(sex‬‬
‫>‬ ‫‪sex.f‬‬
‫‪[1] f f f m f m f m f m‬‬
‫‪Levels: f m‬‬

‫‪7‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .2.2.1‬اﺳﺘﻔﺎده از ﯾﮏ ﺗﺎﺑﻊ ﺑﺮ ﺣﺴﺐ ﯾﮏ ﻓﺎﮐﺘﻮر‬

‫ﺑﺎ اﺳﺘﻔﺎده ازﺗﺎﺑﻊ )(‪ tapply‬ﻣﯽ ﺗﻮان ﯾﮏ ﺗﺎﺑﻊ را ﺑﺮ ﺣﺴﺐ ﯾﮏ ﻓـﺎﮐﺘﻮر روي ﯾـﮏ ﺑـﺮدار اﻋﻤـﺎل ﮐـﺮد‪ .‬در ﺗـﺎﺑﻊ‬
‫)(‪ tapply‬ﺑﺎﯾﺪ ﺑﺮدار داده ﻫﺎ‪ ،‬ﻓﺎﮐﺘﻮر‪ ،‬و ﺗﺎﺑﻊ ﻣﻮرد ﻧﻈﺮ را وارد ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪ :‬در ﻣﻮرد داده ﻫﺎي ﺳﻦ در ﻣﺜﺎل ﻗﺒﻞ ﻣﯽ ﺧﻮاﻫﯿﻢ ﻣﯿﺎﻧﮕﯿﻦ ﺳﻦ را ﺑﺮاي ﻫﺮ ﺟﻨﺲ ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﻢ‪.‬‬

‫)‪> tapply(age,sex.f,mean‬‬
‫‪f‬‬ ‫‪m‬‬
‫‪26.5 26.5‬‬

‫‪.2.2.2‬ﺗﻮﻟﯿﺪ ﻓﺎﮐﺘﻮرﻫﺎي داراي اﻟﮕﻮ‬

‫ﺑﺮاي ﺗﻮﻟﯿﺪ ﯾﮏ ﻓﺎﮐﺘﻮر ﺑﺎ اﻟﮕﻮي ﻣﺸﺨﺺ از ﺗﺎﺑﻊ )(‪ gl‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ اﺳﺖ‪.‬‬

‫) ‪gl(n,k,length,labels,ordered‬‬

‫در اﯾﻦ ﺗﺎﺑﻊ ‪ n‬ﻣﺸﺨﺺ ﮐﻨﻨﺪه ﺗﻌﺪاد ﺳﻄﻮح‪ k ،‬ﻣﺸﺨﺺ ﮐﻨﻨﺪه ﺗﻌﺪاد ﺗﮑﺮارﻫﺎ‪ length ،‬ﻣﺸﺨﺺ ﮐﻨﻨﺪه ﻃﻮل ﻓﺎﮐﺘﻮر‪،‬‬
‫و ‪ labels‬ﻣﺸﺨﺺ ﮐﻨﻨﺪه ﺑﺮﭼﺴﺐ ﺳﻄﻮح ﻣﯽ ﺑﺎﺷﺪ‪ .‬ﻫﭽﻨﯿﻦ ‪ ordered‬ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺳﻄﻮح ﻣﺮﺗﺐ ﺷـﺪه‬
‫ﺑﺎﺷﻨﺪ ﯾﺎ ﻧﻪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> gl(5,2‬‬
‫‪[1] 1 1 2 2 3 3 4 4 5 5‬‬
‫‪Levels: 1 2 3 4 5‬‬
‫)‪> gl(5,1,10‬‬
‫‪[1] 1 2 3 4 5 1 2 3 4 5‬‬
‫‪Levels: 1 2 3 4 5‬‬
‫)]‪> gl(5,1,10,labels=LETTERS[1:5‬‬
‫‪[1] A B C D E A B C D E‬‬
‫‪Levels: A B C D E‬‬

‫‪ .2.3‬آراﯾﻪ ﻫﺎ و ﻣﺎﺗﺮﯾﺲ ﻫﺎ‬

‫آراﯾﻪ ﻫﺎ ﯾﮑﯽ از اﺷﯿﺎء ﻣﻮﺟﻮد در ‪ R‬ﺑﺮاي ﮐﺎر ﺑﺎ داده ﻫﺎ ﻫﺴﺘﻨﺪ ﮐﻪ ﻣﺎ را ﻗﺎدر ﻣﯽ ﺳﺎزﻧﺪ ﺗﺎ داده ﻫﺎ را ﺑﻪ ﺻﻮرت ﭼﻨﺪ‬
‫ﺑﻌﺪي ﻧﮕﻪ داري ﮐﺮده و ﺑﺎ آﻧﻬﺎ ﮐﺎر ﮐﻨﯿﻢ‪ .‬در ﺧﺎﻟﺖ ﺧﺎص ﺑﺮدارﻫﺎ آراﯾﻪ ﻫﺎي ﯾﮏ ﺑﻌﺪي و ﻣﺎﺗﺮﯾﺲ ﻫﺎ آراﯾﻪ ﻫـﺎي دو‬
‫ﺑﻌﺪي ﻫﺴﺘﻨﺪ‪ .‬ﺳﺎده ﺗﺮﯾﻦ راه ﺳﺎﺧﺘﻦ ﯾﮏ آراﯾﻪ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ dim‬و ﺗﺒﺪﯾﻞ ﯾﮏ ﺑﺮدار ﺑﻪ ﯾﮏ آراﯾﻪ اﺳﺖ‪ .‬ﺑﺮاي‬
‫ﺗﺒﺪﯾﻞ ﯾﮏ ﺑﺮدار از داده ﻫﺎ ﺑﻪ ﯾﮏ آراﯾﻪ ﮐﺎﻓﯿﺴﺖ ﯾﮏ ﺑﺮدار ﺑﻌﺪ را ﺷﺎﻣﻞ اﻧﺪازه ﻃﻮل ﻫﺎي ﻣﻮرد ﻧﻈﺮ ﺑـﺮاي ﻫـﺮ ﺑﻌـﺪ‬
‫آراﯾﻪ ﺑﻪ ﺗﺎﺑﻊ )(‪ dim‬ﺗﺨﺼﯿﺺ دﻫﯿﻢ‪.‬‬

‫‪8‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫‪x <- 1:18‬‬

‫>‬ ‫)‪dim(x) <- c(2,3,3‬‬
‫>‬ ‫‪x‬‬
‫‪,‬‬ ‫‪, 1‬‬

‫]‪[,1] [,2] [,3‬‬

‫]‪[1,‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪5‬‬
‫]‪[2,‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪6‬‬

‫‪, , 2‬‬

‫]‪[,1] [,2] [,3‬‬

‫]‪[1,‬‬ ‫‪7‬‬ ‫‪9‬‬ ‫‪11‬‬
‫]‪[2,‬‬ ‫‪8‬‬ ‫‪10‬‬ ‫‪12‬‬

‫‪, , 3‬‬

‫]‪[,1] [,2] [,3‬‬

‫]‪[1,‬‬ ‫‪13‬‬ ‫‪15‬‬ ‫‪17‬‬
‫]‪[2,‬‬ ‫‪14‬‬ ‫‪16‬‬ ‫‪18‬‬
‫)‪> dim(x) <- c(3,6‬‬
‫‪> x‬‬
‫]‪[,1] [,2] [,3] [,4] [,5] [,6‬‬
‫]‪[1,‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪10‬‬ ‫‪13‬‬ ‫‪16‬‬
‫]‪[2,‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪8‬‬ ‫‪11‬‬ ‫‪14‬‬ ‫‪17‬‬
‫]‪[3,‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪12‬‬ ‫‪15‬‬ ‫‪18‬‬

‫ﯾﮏ راه دﯾﮕﺮ ﺳﺎﺧﺘﻦ آراﯾﻪ ﻫﺎ و ﻣﺎﺗﺮﯾﺲ ﻫﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ array‬اﺳﺖ‪ .‬ﺑﺮاي ﺳﺎﺧﺘﻦ ﯾﮏ آراﯾﻪ ﺑﺎ اﯾﻦ ﺗﺎﺑﻊ ﺑﺎﯾﺪ‬
‫ﺑﺮدار داده ﻫﺎ و ﺑﺮدار ﺑﻌﺪ را در ﺗﺎﺑﻊ ﻣﺸﺨﺺ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫‪> x <- 1:20‬‬

‫))‪> y <- array(x,c(5,4‬‬
‫‪> y‬‬
‫]‪[,1] [,2] [,3] [,4‬‬
‫]‪[1,‬‬ ‫‪1‬‬ ‫‪6‬‬ ‫‪11‬‬ ‫‪16‬‬
‫]‪[2,‬‬ ‫‪2‬‬ ‫‪7‬‬ ‫‪12‬‬ ‫‪17‬‬
‫]‪[3,‬‬ ‫‪3‬‬ ‫‪8‬‬ ‫‪13‬‬ ‫‪18‬‬
‫]‪[4,‬‬ ‫‪4‬‬ ‫‪9‬‬ ‫‪14‬‬ ‫‪19‬‬
‫]‪[5,‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬
‫))‪> z <- array(0,c(2,3‬‬
‫‪> z‬‬
‫]‪[,1] [,2] [,3‬‬
‫]‪[1,‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫]‪[2,‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪9‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .2.3.1‬اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ آراﯾﻪ‬

‫ﺑﺮاي اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ آراﯾﻪ از ﻋﻼﻣﺖ ﺑﺮاﮐﺖ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫ﻣﺜﺎل ‪:‬‬

‫‪> x <- 1:20‬‬

‫]‪> x[15‬‬
‫‪[1] 15‬‬
‫)‪> dim(x) <- c(4,5‬‬
‫‪> x‬‬
‫]‪[,1] [,2] [,3] [,4] [,5‬‬
‫]‪[1,‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪13‬‬ ‫‪17‬‬
‫]‪[2,‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪10‬‬ ‫‪14‬‬ ‫‪18‬‬
‫]‪[3,‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪11‬‬ ‫‪15‬‬ ‫‪19‬‬
‫]‪[4,‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪12‬‬ ‫‪16‬‬ ‫‪20‬‬
‫]‪> x[3,4‬‬
‫‪[1] 15‬‬

‫‪ .2.3.2‬ﺳﺎﺧﺘﻦ ﻣﺎﺗﺮﯾﺲ‬

‫ﺑﺮاي ﺳﺎﺧﺖ ﯾﮏ ﻣﺎﺗﺮﯾﺲ ﻋـﻼوه ﺑـﺮ ﺗـﺎﺑﻊ )(‪ dim‬ﻣـﯽ ﺗـﻮان از ﺗـﺎﺑﻊ )(‪ matrix‬ﻧﯿـﺰ اﺳـﺘﻔﺎده ﮐـﺮد‪ .‬در ﺗـﺎﺑﻊ‬
‫)(‪ matrix‬ﺑﺎﯾﺪ ﺑﺮدار داده ﻫﺎ‪ ،‬ﺗﻌﺪاد ﺳﻄﺮ‪ ،‬و ﺗﻌﺪاد ﺳﺘﻮن را وارد ﮐﻨﯿﻢ‪ .‬در ﺻﻮرﺗﯽ ﮐﻪ ﺑﺨﻮاﻫﯿﻢ ﻣﺎﺗﺮﯾﺲ داده ﻫﺎي‬
‫ﺑﺮدار را ﺑﻪ ﺻﻮرت ﺳﻄﺮي ﻣﺮﺗﺐ ﮐﻨﺪ ﻗﺴﻤﺖ =‪ byrow‬را ﻣﺴﺎوي ‪ TRUE‬ﻗﺮار ﻣﯽ دﻫﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫‪> x <- 1:20‬‬

‫)‪> matrix(x,4,5‬‬
‫]‪[,1] [,2] [,3] [,4] [,5‬‬
‫]‪[1,‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪13‬‬ ‫‪17‬‬
‫]‪[2,‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪10‬‬ ‫‪14‬‬ ‫‪18‬‬
‫]‪[3,‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪11‬‬ ‫‪15‬‬ ‫‪19‬‬
‫]‪[4,‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪12‬‬ ‫‪16‬‬ ‫‪20‬‬
‫)‪> matrix(x,4,5,byrow=T‬‬
‫]‪[,1] [,2] [,3] [,4] [,5‬‬
‫]‪[1,‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬
‫]‪[2,‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬
‫]‪[3,‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪13‬‬ ‫‪14‬‬ ‫‪15‬‬
‫]‪[4,‬‬ ‫‪16‬‬ ‫‪17‬‬ ‫‪18‬‬ ‫‪19‬‬ ‫‪20‬‬

‫‪ .2.3.3‬ﮐﺎر ﺑﺎ ﻣﺎﺗﺮﯾﺲ ﻫﺎ‬

‫ﺑﺮاي ﮐﺎر ﺑﺎ ﻣﺎﺗﺮﯾﺲ ﻫﺎ در ‪ R‬ﺗﻮاﺑﻊ و ﻗﺎﺑﻠﯿﺖ ﻫﺎﯾﯽ وﺟﻮد دارد ﮐﻪ ﺑﻪ ﺑﺮﺧﯽ از آﻧﻬﺎ اﺷﺎره ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﺑﺮاي ﺗﺮاﻧﻬﺎده ﮐﺮدن ﯾﮏ ﻣﺎﺗﺮﯾﺲ از ﺗﺎﺑﻊ )(‪ ، t‬ﺑﺮاي ﻧﻤﺎﯾﺶ ﺗﻌﺪاد ﺳﻄﺮﻫﺎي ﯾﮏ ﻣﺎﺗﺮﯾﺲ از ﺗﺎﺑﻊ )(‪ ، nrow‬و ﺑﺮاي‬
‫ﻧﻤﺎﯾﺶ ﺗﻌﺪاد ﺳﺘﻮن ﻫﺎي ﯾﮏ ﻣﺎﺗﺮﯾﺲ از ﺗﺎﺑﻊ )(‪ ncol‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬

‫‪10‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﺜﺎل ‪:‬‬

‫‪> y‬‬
‫]‪[,1] [,2] [,3] [,4‬‬
‫]‪[1,‬‬ ‫‪1‬‬ ‫‪6‬‬ ‫‪11‬‬ ‫‪16‬‬
‫]‪[2,‬‬ ‫‪2‬‬ ‫‪7‬‬ ‫‪12‬‬ ‫‪17‬‬
‫]‪[3,‬‬ ‫‪3‬‬ ‫‪8‬‬ ‫‪13‬‬ ‫‪18‬‬
‫]‪[4,‬‬ ‫‪4‬‬ ‫‪9‬‬ ‫‪14‬‬ ‫‪19‬‬
‫]‪[5,‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬
‫)‪> nrow(y‬‬
‫‪[1] 5‬‬
‫)‪> ncol(y‬‬
‫‪[1] 4‬‬
‫)‪> t(y‬‬
‫]‪[,1] [,2] [,3] [,4] [,5‬‬
‫]‪[1,‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬
‫]‪[2,‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬
‫]‪[3,‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪13‬‬ ‫‪14‬‬ ‫‪15‬‬
‫]‪[4,‬‬ ‫‪16‬‬ ‫‪17‬‬ ‫‪18‬‬ ‫‪19‬‬ ‫‪20‬‬

‫ﺑﺮاي ﺿﺮب اﻋﻀﺎي ﻣﺘﻨﺎﻇﺮ دو ﻣﺎﺗﺮﯾﺲ در ﻫﻢ در ﻣﺎﺗﺮﯾﺲ ﻫﺎي ﻫﻢ ﻣﺮﺗﺒـﻪ از " * "‪ ،‬و ﺑـﺮاي ﺿـﺮب ﻣﺎﺗﺮﯾـﺴﯽ دو‬
‫ﻣﺎﺗﺮﯾﺲ در ﻫﻢ از " ‪ " %*%‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫‪> m‬‬
‫]‪[,1] [,2] [,3] [,4] [,5‬‬
‫]‪[1,‬‬ ‫‪2‬‬ ‫‪12‬‬ ‫‪22‬‬ ‫‪32‬‬ ‫‪42‬‬
‫]‪[2,‬‬ ‫‪4‬‬ ‫‪14‬‬ ‫‪24‬‬ ‫‪34‬‬ ‫‪44‬‬
‫]‪[3,‬‬ ‫‪6‬‬ ‫‪16‬‬ ‫‪26‬‬ ‫‪36‬‬ ‫‪46‬‬
‫]‪[4,‬‬ ‫‪8‬‬ ‫‪18‬‬ ‫‪28‬‬ ‫‪38‬‬ ‫‪48‬‬
‫]‪[5,‬‬ ‫‪10‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪50‬‬
‫‪> n‬‬
‫]‪[,1] [,2] [,3] [,4] [,5‬‬
‫]‪[1,‬‬ ‫‪3‬‬ ‫‪18‬‬ ‫‪33‬‬ ‫‪48‬‬ ‫‪63‬‬
‫]‪[2,‬‬ ‫‪6‬‬ ‫‪21‬‬ ‫‪36‬‬ ‫‪51‬‬ ‫‪66‬‬
‫]‪[3,‬‬ ‫‪9‬‬ ‫‪24‬‬ ‫‪39‬‬ ‫‪54‬‬ ‫‪69‬‬
‫]‪[4,‬‬ ‫‪12‬‬ ‫‪27‬‬ ‫‪42‬‬ ‫‪57‬‬ ‫‪72‬‬
‫]‪[5,‬‬ ‫‪15‬‬ ‫‪30‬‬ ‫‪45‬‬ ‫‪60‬‬ ‫‪75‬‬
‫‪> m*n‬‬
‫]‪[,1‬‬ ‫]‪[,2‬‬ ‫]‪[,3‬‬ ‫]‪[,4‬‬ ‫]‪[,5‬‬
‫]‪[1,‬‬ ‫‪6‬‬ ‫‪216‬‬ ‫‪726‬‬ ‫‪1536‬‬ ‫‪2646‬‬
‫]‪[2,‬‬ ‫‪24‬‬ ‫‪294‬‬ ‫‪864‬‬ ‫‪1734‬‬ ‫‪2904‬‬
‫]‪[3,‬‬ ‫‪54‬‬ ‫‪384‬‬ ‫‪1014‬‬ ‫‪1944‬‬ ‫‪3174‬‬
‫]‪[4,‬‬ ‫‪96‬‬ ‫‪486‬‬ ‫‪1176‬‬ ‫‪2166‬‬ ‫‪3456‬‬
‫‪[5,] 150‬‬ ‫‪600‬‬ ‫‪1350‬‬ ‫‪2400‬‬ ‫‪3750‬‬
‫‪> m%*%n‬‬
‫]‪[,1‬‬ ‫]‪[,2‬‬ ‫]‪[,3‬‬ ‫]‪[,4] [,5‬‬
‫‪[1,] 1290‬‬ ‫‪2940‬‬ ‫‪4590‬‬ ‫‪6240 7890‬‬
‫‪[2,] 1380‬‬ ‫‪3180‬‬ ‫‪4980‬‬ ‫‪6780 8580‬‬
‫‪[3,] 1470‬‬ ‫‪3420‬‬ ‫‪5370‬‬ ‫‪7320 9270‬‬
‫‪[4,] 1560‬‬ ‫‪3660‬‬ ‫‪5760‬‬ ‫‪7860 9960‬‬
‫‪[5,] 1650‬‬ ‫‪3900‬‬ ‫‪6150‬‬ ‫‪8400 10650‬‬

‫‪11‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﻌﮑﻮس ﯾﮏ ﻣﺎﺗﺮﯾﺲ و ﯾﺎ ﺣﻞ ﯾﮏ ﻣﻌﺎدﻟﻪ ﻣﺎﺗﺮﯾﺴﯽ از ﺗﺎﺑﻊ )(‪ solve‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬اﮔﺮ در اﯾـﻦ‬
‫ﺗﺎﺑﻊ ﻓﻘﻂ ﯾﮏ ﻣﺎﺗﺮﯾﺲ را وارد ﮐﻨﯿﻢ ﻣﻌﮑﻮس آن ﻣﺎﺗﺮﯾﺲ ﻣﺤﺎﺳﺒﻪ ﺧﻮاﻫﺪ ﺷﺪ‪ ،‬و اﮔﺮ ﻋﻼوه ﺑﺮ ﯾﮏ ﻣﺎﺗﺮﯾﺲ ﺿـﺮاﯾﺐ‬
‫ﻣﺎﺗﺮﯾﺲ ﭘﺎﺳﺦ را ﻧﯿﺰ وارد ﮐﻨﯿﻢ ﺟﻮاب ﻣﻌﺎدﻟﻪ ﻣﺎﺗﺮﯾﺴﯽ ﺑﻪ ﺷﮑﻞ ‪ b=AX‬ﻣﺤﺎﺳﺒﻪ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫‪> b‬‬
‫]‪[,1‬‬
‫]‪[1,‬‬ ‫‪4.5‬‬
‫]‪[2,‬‬ ‫‪6.0‬‬
‫]‪[3,‬‬ ‫‪7.5‬‬
‫]‪[4,‬‬ ‫‪9.0‬‬
‫‪> A‬‬
‫]‪[,1] [,2] [,3] [,4‬‬
‫]‪[1,‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬
‫]‪[2,‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪2‬‬
‫]‪[3,‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪3‬‬
‫]‪[4,‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪0‬‬
‫)‪> solve(A‬‬
‫]‪[,1‬‬ ‫]‪[,2‬‬ ‫]‪[,3‬‬ ‫]‪[,4‬‬
‫‪[1,] -0.20833333 0.04166667 0.04166667 0.29166667‬‬
‫‪[2,] 0.29166667 -0.20833333 0.04166667 0.04166667‬‬
‫‪[3,] 0.04166667 0.29166667 -0.20833333 0.04166667‬‬
‫‪[4,] 0.04166667 0.04166667 0.29166667 -0.20833333‬‬
‫)‪> solve(A,b‬‬
‫]‪[,1‬‬
‫‪[1,] 2.25‬‬
‫‪[2,] 0.75‬‬
‫‪[3,] 0.75‬‬
‫‪[4,] 0.75‬‬

‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﻘﺎدﯾﺮ وﯾﮋه و ﺑﺮدارﻫﺎي وﯾﮋه ﯾﮏ ﻣﺎﺗﺮﯾﺲ از ﺗﺎﺑﻊ )(‪ eigen‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫‪> z‬‬
‫]‪[,1] [,2] [,3‬‬
‫]‪[1,‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪5‬‬
‫]‪[2,‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪2‬‬
‫]‪[3,‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪1‬‬
‫)‪> eigen(z‬‬
‫‪$values‬‬
‫‪[1] 7.8390863 -0.7106916 -4.1283947‬‬

‫‪$vectors‬‬
‫]‪[,1‬‬ ‫]‪[,2‬‬ ‫]‪[,3‬‬
‫‪[1,] -0.6465566 0.1916741 0.7383939‬‬
‫‪[2,] -0.4612978 -0.8691432 -0.1783099‬‬
‫‪[3,] -0.6075927 0.4559069 -0.6503692‬‬

‫در ﺻﻮرﺗﯽ ﮐﻪ ﺑﺨﻮاﻫﯿﻢ ﺑﺎ وﺻﻞ ﮐﺮدن ﭼﻨﺪ ﺑﺮدار ﯾﺎ ﭼﻨﺪ ﻣﺎﺗﺮﯾﺲ ﺑﻪ ﻫﻢ ﯾﮏ ﻣﺎﺗﺮﯾﺲ ﯾﺎ ﺑﺮدار ﺟﺪﯾﺪ ﺑﺴﺎزﯾﻢ از ﺗﻮاﺑﻊ‬
‫)(‪ rbind‬و )(‪ cbind‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺗﺎﺑﻊ )(‪ rbind‬ﺑﺮدارﻫﺎ ﯾﺎ ﻣﺎﺗﺮﯾﺲ ﻫﺎ را ﺑﻪ ﺻـﻮرت ﺳـﻄﺮي ﺑـﻪ ﻫـﻢ‬
‫وﺻﻞ ﻣﯽ ﮐﻨﺪ و ﺗﺎﺑﻊ )(‪ cbind‬اﯾﻦ ﮐﺎر را ﺑﻪ ﺻﻮرت ﺳﺘﻮﻧﯽ اﻧﺠﺎم ﻣﯽ دﻫﺪ‪.‬‬

‫‪12‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﺜﺎل ‪:‬‬

‫‪> x‬‬
‫‪[1] 6 9 12 15‬‬
‫‪> y‬‬
‫‪[1] 6.6 9.9 13.2 16.5‬‬
‫)‪> rbind(x,y‬‬
‫]‪[,1] [,2] [,3] [,4‬‬
‫‪x 6.0 9.0 12.0 15.0‬‬
‫‪y 6.6 9.9 13.2 16.5‬‬
‫)‪> cbind(x,y‬‬
‫‪x‬‬ ‫‪y‬‬
‫‪[1,] 6 6.6‬‬
‫‪[2,] 9 9.9‬‬
‫‪[3,] 12 13.2‬‬
‫‪[4,] 15 16.5‬‬

‫‪ .2.4‬ﻟﯿﺴﺖ ﻫﺎ‬

‫ﯾﮏ ﻟﯿﺴﺖ در ‪ R‬ﻣﺠﻤﻮﻋﻪ اي ﻣﻨﻈﻢ از اﺷﯿﺎء اﺳﺖ ﮐﻪ اﯾﻦ اﺷﯿﺎء را ﻣﻮﻟﻔﻪ ﻫﺎي آن ﻟﯿﺴﺖ ﻣﯽ ﻧﺎﻣﯿﻢ‪ .‬ﺿﺮورﺗﯽ ﻧﺪارد ﮐﻪ‬
‫ﻣﻮﻟﻔﻪ ﻫﺎي ﯾﮏ ﻟﯿﺴﺖ ﻫﻤﻪ از ﯾﮏ ﻧﻮع ﺑﺎﺷﻨﺪ‪ .‬ﺑـﻪ ﻋﻨـﻮان ﻣﺜـﺎل ﯾـﮏ ﻟﯿـﺴﺖ ﻣـﯽ ﺗﻮاﻧـﺪ ﺷـﺎﻣﻞ ﺑﺮدارﻫـﺎي ﻋـﺪدي‪،‬‬
‫ﺗﺎﺑﻊ )(‪list‬‬ ‫ﻣﺎﺗﺮﯾﺲ ﻫﺎ‪ ،‬ﺑﺮدارﻫﺎي ﻣﻨﻄﻘﯽ‪ ،‬آراﯾﻪ ﻫﺎ‪ ،‬ﺑﺮدارﻫﺎي ﮐﺎراﮐﺘﺮي و ﻏﯿﺮه ﺑﺎﺷﺪ‪ .‬ﺑﺮاي ﺳﺎﺧﺘﻦ ﯾﮏ ﻟﯿﺴﺖ از‬
‫اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﺗﺎﺑﻊ )(‪ list‬ﻧﺎم ﻫﺮ ﻣﻮﻟﻔﻪ را وارد ﮐﺮده و ﺑﻌﺪ از ﻋﻼﻣـﺖ ﻣـﺴﺎوي ﺷـﺊ ﻣـﻮرد ﻧﻈـﺮ را وارد‬
‫ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫‪> lst <- list(name="Ferd", wife="Mary", no.childern=3,‬‬

‫))‪child.ages=c(4,7,9‬‬
‫‪> lst‬‬
‫‪$name‬‬
‫"‪[1] "Ferd‬‬

‫‪$wife‬‬
‫"‪[1] "Mary‬‬

‫‪$no.childern‬‬
‫‪[1] 3‬‬

‫‪$child.ages‬‬
‫‪[1] 4 7 9‬‬

‫‪ .2.4.1‬اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ ﻟﯿﺴﺖ‬

‫ﺑﺮاي اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ ﻟﯿﺴﺖ از دو ﻋﻼﻣﺖ ﺑﺮاﮐﺖ ﻣﺘﻮاﻟﯽ و ﺑﺮاي اﯾﻨـﺪﮐﺲ ﮐـﺮدن ﯾـﮏ ﻣﻮﻟﻔـﻪ از ﻟﯿـﺴﺖ از ﯾـﮏ‬
‫ﻋﻼﻣﺖ ﺑﺮاﮐﺖ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫‪13‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﺜﺎل ‪:‬‬

‫]]‪> lst[[2‬‬
‫"‪[1] "Mary‬‬
‫]]"‪> lst[["name‬‬
‫"‪[1] "Ferd‬‬
‫])‪> lst[["child.ages"]][c(1,2‬‬
‫‪[1] 4 7‬‬

‫‪ .2.5‬دﯾﺘﺎ ﻓﺮﯾﻢ ﻫﺎ‬

‫دﯾﺘﺎ ﻓﺮﯾﻢ ﻫﺎ از ﻟﺤﺎظ ﺳﺎﺧﺘﺎر ﺷﺒﺎﻫﺖ ﺑﺴﯿﺎر زﯾﺎدي ﺑﻪ ﻣﺎﺗﺮﯾﺲ ﻫﺎ دارﻧﺪ‪ .‬ﯾﮏ دﯾﺘﺎ ﻓﺮﯾﻢ را ﻣﯽ ﺗﻮان ﻣﺎﺗﺮﯾﺴﯽ در ﻧﻈـﺮ‬
‫ﮔﺮﻓﺖ ﮐﻪ ﺳﺘﻮن ﻫﺎي آن ﺑﺮدارﻫﺎﯾﯽ ﺑﺎ ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺨﺘﻠﻒ اﺳﺖ‪ .‬ﯾﮏ دﯾﺘﺎ ﻓﺮﯾﻢ در اﺻـﻞ ﻟﯿـﺴﺘﯽ از ﺑﺮدارﻫـﺎي ﻫـﻢ‬
‫اﻧﺪازه و ﺑﺎ ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺨﺘﻠﻒ اﺳﺖ‪ .‬ﺑﺮاي ﺳﺎﺧﺘﻦ ﯾﮏ دﯾﺘﺎ ﻓﺮﯾﻢ از ﺗﺎﺑﻊ )(‪ data.frame‬اﺳﺘﻔﺎده ﻣﯽ ﺷـﻮد‪ .‬در‬
‫اﯾﻦ ﺗﺎﺑﻊ ﺑﺎﯾﺪ ﻧﺎم ﻣﻮرد ﻧﻈﺮ ﺑﺮاي ﻫﺮ ﺳﺘﻮن را ﺑﻪ ﻫﻤﺮاه ﺑﺮدار ﺷﺎﻣﻞ داده ﻫﺎي آن ﺳﺘﻮن وارد ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫)"‪name <- c("A","B","C","D‬‬

‫>‬ ‫)‪age <- c(19,22,18,20‬‬
‫>‬ ‫)"‪sex <- c("M","M","F","M‬‬
‫>‬ ‫)‪score <- c(18,19,17,20‬‬
‫>‬ ‫)‪data.frame(Name=name,Age=age,Sex=sex,Score=score‬‬
‫‪Name Age Sex Score‬‬
‫‪1‬‬ ‫‪A 19‬‬ ‫‪M‬‬ ‫‪18‬‬
‫‪2‬‬ ‫‪B 22‬‬ ‫‪M‬‬ ‫‪19‬‬
‫‪3‬‬ ‫‪C 18‬‬ ‫‪F‬‬ ‫‪17‬‬
‫‪4‬‬ ‫‪D 20‬‬ ‫‪M‬‬ ‫‪20‬‬

‫‪ .2.5.1‬اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ دﯾﺘﺎ ﻓﺮﯾﻢ‬

‫ﯾﮏ دﯾﺘﺎ ﻓﺮﯾﻢ را ﻣﯽ ﺗﻮان ﻫﻤﺎﻧﻨﺪ ﯾﮏ ﻣﺎﺗﺮﯾﺲ ﯾﺎ ﯾﮏ ﻟﯿﺴﺖ اﯾﻨﺪﮐﺲ ﮐﺮد‪ .‬ﻫﻤﭽﻨﯿﻦ ﻣﯽ ﺗﻮان از ﻋﻼﻣﺖ "‪ " $‬ﺑﺮاي‬
‫اﯾﻨﺪﮐﺲ ﮐﺮدن ﯾﮏ دﯾﺘﺎ ﻓﺮﯾﻢ اﺳﺘﻔﺎده ﮐﺮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> df <- data.frame(Name=name,Age=age,Sex=sex,Score=score‬‬

‫]‪> df[,2‬‬
‫‪[1] 19 22 18 20‬‬
‫]]"‪> df[["Score‬‬
‫‪[1] 18 19 17 20‬‬
‫‪> df$Age‬‬
‫‪[1] 19 22 18 20‬‬

‫‪14‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .3‬دﺳﺘﮑﺎري داده ﻫﺎ‬

‫‪ .3.1‬ﻧﺎم ﮔﺬاري داده ﻫﺎ‬

‫ﺑﺮاي ﻧﺎم ﮔﺬاري ﯾﺎ ﻣﺸﺎﻫﺪه ﻧﺎم داده ﻫﺎي ﯾﮏ ﺷﺊ از ﺗﺎﺑﻊ )(‪ names‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺮاي ﻧﺎم ﮔـﺬاري داده ﻫـﺎي‬
‫ﯾﮏ ﺷﺊ ﺑﺮدار ﺷﺎﻣﻞ ﮐﺮاﮐﺘﺮﻫﺎ را ﺑﻪ ﺗﺎﺑﻊ )(‪ names‬ﺗﺨﺼﯿﺺ ﻣﯽ دﻫﯿﻢ و ﺑﺮاي ﻣﺸﺎﻫﺪه ﻧﺎم داده ﻫﺎي ﯾﮏ ﺷـﺊ آن‬
‫ﺷﺊ را در ﺗﺎﺑﻊ )(‪ names‬وارد ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫‪x <- 1:10‬‬

‫>‬ ‫]‪y <- LETTERS[11:20‬‬
‫>‬ ‫‪names(x) <- y‬‬
‫>‬ ‫‪x‬‬
‫‪K L M N O P Q R S T‬‬
‫‪1 2 3 4 5 6 7 8 9 10‬‬
‫)‪> names(x‬‬
‫"‪[1] "K" "L" "M" "N" "O" "P" "Q" "R" "S" "T‬‬

‫‪ .3.2‬ﻣﺮﺗﺐ ﮐﺮدن داده ﻫﺎ‬

‫ﺑﺮاي ﻣﺮﺗﺐ ﮐﺮدن داده ﻫﺎ از ﺗﺎﺑﻊ )(‪ sort‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ sort‬ﻣﯽ ﺗـﻮان داده ﻫـﺎ را ﺑـﻪ‬
‫ﺻﻮرت اﻓﺰاﯾﺸﯽ‪ ،‬ﮐﺎﻫﺸﯽ‪ ،‬و ﯾﺎ ﺟﺰﺋﯽ ﻣﺮﺗﺐ ﮐﺮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫‪> x‬‬
‫‪[1] 4 5 3 4 2 4 1 1 2 5 3‬‬ ‫‪4 5 2 3‬‬
‫)‪> sort(x‬‬
‫‪[1] 1 1 2 2 2 3 3 3 4 4 4‬‬ ‫‪4 5 5 5‬‬
‫)‪> sort(x, decreasing=T‬‬
‫‪[1] 5 5 5 4 4 4 4 3 3 3 2‬‬ ‫‪2 2 1 1‬‬
‫))‪> sort(x, partial=c(3,4‬‬
‫‪[1] 1 1 2 2 3 3 2 3 4 5 4‬‬ ‫‪4 5 5 4‬‬
‫‪> x‬‬
‫‪[1] 4 5 3 4 2 4 1 1 2 5 3‬‬ ‫‪4 5 2 3‬‬

‫‪ .3.3‬رﺗﺒﻪ ﺑﻨﺪي داده ﻫﺎ‬

‫ﺑﺮاي رﺗﺒﻪ ﺑﻨﺪي داده ﻫﺎ از ﺗﺎﺑﻊ )(‪ rank‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫‪15‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﺜﺎل ‪:‬‬

‫‪> x‬‬
‫‪[1] 4 5 3 4 2 4 1 1 2 5 3 4 5 2 3‬‬
‫)‪> rank(x‬‬
‫‪[1] 10.5 14.0 7.0 10.5 4.0 10.5‬‬ ‫‪1.5‬‬ ‫‪1.5‬‬ ‫‪4.0 14.0‬‬ ‫‪7.0 10.5 14.0‬‬
‫‪4.0 7.0‬‬

‫‪ .3.4‬ﺟﺪول ﺑﻨﺪي داده ﻫﺎ‬

‫ﺑﺮاي ﺟﺪول ﺑﻨﺪي داده ﻫﺎ از ﺗﺎﺑﻊ )(‪ table‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫ﻣﺜﺎل ‪ :‬ﺑﺮدار ‪ sex‬ﺷﺎﻣﻞ ﺟﻨﺴﯿﺖ و ﺑﺮدار ‪ age‬ﺷﺎﻣﻞ ﺳﻦ داﻧﺶ آﻣﻮزان دﺑﯿﺮﺳﺘﺎﻧﯽ در ﯾﮏ ﻧﻤﻮﻧﻪ ‪ 50‬ﺗﺎﯾﯽ ﻣﯽ ﺑﺎﺷـﺪ‪.‬‬
‫در ﺑﺮدار ‪ sex‬ﭘﺴﺮ را ﺑﺎ ‪ 1‬و دﺧﻨﺮ را ﺑﺎ ‪ 2‬ﻧﻤﺎﯾﺶ داده اﯾﻢ‪.‬‬

‫‪> sex‬‬
‫‪[1] 2 2 2 2 1 1‬‬ ‫‪1 2 2 2 1 2 2 1 2 2 1 1 2 2 2 2 1 1 2 2 1 2 2 2 1 1‬‬
‫‪1 1 2 1 2 1‬‬
‫‪[39] 1 2 2 2 2 2‬‬ ‫‪1 2 2 1 1 1‬‬
‫)‪> table(sex‬‬
‫‪sex‬‬
‫‪1 2‬‬
‫‪21 29‬‬
‫‪> age‬‬
‫‪[1] 17 15 18 15‬‬ ‫‪17 18 17 18 18 16 17 15 16 18 15 16 15 16 15 16 18‬‬
‫‪18 16 17 16‬‬
‫‪[26] 18 18 18 18‬‬ ‫‪15 16 18 15 18 18 18 15 15 17 18 18 15 16 17 18 16‬‬
‫‪17 15 17 17‬‬
‫)‪> table(age‬‬
‫‪age‬‬
‫‪15 16 17 18‬‬
‫‪12 10 10 18‬‬
‫)‪> table(age,sex‬‬
‫‪sex‬‬
‫‪age‬‬ ‫‪1 2‬‬
‫‪15 4 8‬‬
‫‪16 3 7‬‬
‫‪17 7 3‬‬
‫‪18 7 11‬‬

‫‪ .3.5‬ﺟﺪا ﮐﺮدن داده ﻫﺎ‬

‫ﺑﺮاي ﺟﺪا ﮐﺮدن داده ﻫﺎي ﯾﮏ ﺑﺮدار ﺑﺮ ﺣﺴﺐ ﯾﮏ ﺑﺮدار دﯾﮕﺮ از ﺗﺎﺑﻊ )(‪ split‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫‪16‬‬
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

: ‫ﻣﺜﺎل‬

> split(age,sex)

$`1`
[1] 17 18 17 17 18 15 16 16 17 18 16 18 15 18 18 15 17 18 15 17 17

$`2`
[1] 17 15 18 15 18 18 16 15 16 15 16 15 16 18 18 16 18 18 18 15 18
15 18 18 15
[26] 16 17 16 17

> split(sex,age)
$`15`
[1] 2 2 2 2 1 2 2 1 2 1 2 1

$`16`
[1] 2 2 2 1 2 1 2 1 2 2

$`17`
[1] 2 1 1 1 1 1 2 2 1 1

$`18`
[1] 2 1 2 2 1 2 2 2 1 2 2 1 1 2 1 2 2 1

‫ ﺗﻮزﯾﻊ ﻫﺎي آﻣﺎري‬.4

‫ ﺗﺎﺑﻌﯽ وﺟﻮد دارد ﮐﻪ ﻣﯽ ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از آن ﺗﺎﺑﻊ ﻣﻘﺎدﯾﺮ اﺣﺘﻤﺎل را ﺑﺮاي ﯾﮏ ﺗﻮزﯾـﻊ‬R ‫ﺑﺮاي ﻫﺮ ﺗﻮزﯾﻊ آﻣﺎري در‬
.‫ در ﺟﺪول زﯾﺮ ﺑﺮﺧﯽ از اﯾﻦ ﺗﻮاﺑﻊ ﻣﻌﺮﻓﯽ ﺷﺪه اﻧﺪ‬.‫ﻣﺤﺎﺳﺒﻪ ﮐﺮده و ﯾﺎ اﻋﺪاد ﺗﺼﺎدﻓﯽ از ﯾﮏ ﺗﻮزﯾﻊ ﺗﻮﻟﯿﺪ ﮐﺮد‬

‫ﺗﻮزﯾﻊ‬ ‫ﺗﺎﺑﻊ‬ ‫ﭘﺎراﻣﺘﺮﻫﺎ‬

beta beta() shape1, shape2, ncp

binomial binom() size, prob
Cauchy cauchy() location, scale
chi-squared chisq() df, ncp
exponential exp() rate
F f() df1, df2, ncp
gamma gamma() shape, scale
geometric geom() prob
hypergeometric hyper() m, n, k
log-normal lnorm() meanlog, sdlog
logistic logis() location, scale
negative binomial nbinom() size, prob
normal norm() mean, sd
Poisson pois() lambda
Student’s t t() df, ncp
Uniform unif() min, max
Weibull weibull() shape, scale
Wilcoxon wilcox() m, n

17
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪r‬‬ ‫ﺑﺮاي اﺳﺘﻔﺎده از ﺗﻮاﺑﻊ ﺟﺪول ﻓﻮق ﺑﺎﯾﺪ ﺑﺮ ﺣﺴﺐ ﻧﻮع اﺳﺘﻔﺎده از ﺗﺎﺑﻊ‪ ،‬ﭘﯿﺶ از ﻧﺎم ﺗﺎﺑﻊ از ﺣـﺮوف ‪ ، d ، q ، p‬ﯾـﺎ‬
‫اﺳﺘﻔﺎده ﮐﻨﯿﻢ‪ .‬از ﺣﺮف ‪ p‬ﺑﺮاي ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎل در ﺗﺎﺑﻊ ﺗﻮزﯾﻊ‪ ،‬از ﺣﺮف ‪ q‬ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﭼﻨﺪك ﻫﺎ‪ ،‬از ﺣﺮف ‪ d‬ﺑﺮاي‬
‫ﻣﺤﺎﺳﺒﻪ ﭼﮕﺎﻟﯽ‪ ،‬و از ﺣﺮف ‪ r‬ﺑﺮاي ﺗﻮﻟﯿﺪ اﻋﺪاد ﺗﺼﺎدﻓﯽ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺮاي آﺷﻨﺎﯾﯽ دﻗﯿـﻖ ﺑـﺎ ﻧﺤـﻮه ﻗـﺮار دادن‬
‫ﭘﺎراﻣﺘﺮﻫﺎ و ﻣﻘﺎدﯾﺮ در ﻫﺮ ﺗﺎﺑﻊ ﻣﯽ ﺗﻮان ﻧﺎم ﺗﺎﺑﻊ ﻣﻮرد ﻧﻈﺮ را ﺑﻌﺪ از ﯾﮏ ﻋﻼﻣﺖ ﺳﻮال ﺑﻪ ﻋﻨﻮان ﯾﮏ دﺳﺘﻮر وارد ﮐﺮد‬
‫ﺗﺎ ﺻﻔﺤﻪ ‪ help‬ﻣﺮﺑﻮط ﺑﻪ آن ﺗﺎﺑﻊ ﺑﺎز ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)(‪> ?rnorm‬‬
‫)‪> rnorm(n=10‬‬
‫‪[1] -0.04785585 -0.31453549 1.01482215 -0.33774153 -0.46852454 -‬‬
‫‪0.42633759‬‬
‫‪[7] 0.88107806 0.58547995 -0.51812346 1.05938773‬‬
‫)‪> rnorm(n=10, mean=10, sd=15‬‬
‫‪[1] 12.962637‬‬ ‫‪4.022534 29.767160 -19.041441 42.498506‬‬
‫‪20.358151‬‬
‫‪[7] 13.582569 -2.029278 35.003451 39.089246‬‬
‫)‪> pnorm(q=1.5‬‬
‫‪[1] 0.9331928‬‬
‫)‪> qnorm(p=0.05‬‬
‫‪[1] -1.644854‬‬
‫)‪> dbinom(x=15, size=20, prob=0.04‬‬
‫‪[1] 1.357375e-17‬‬
‫)‪> pbinom(q=5, size=20, prob=0.04‬‬
‫‪[1] 0.9999023‬‬

‫‪ .5‬دﺳﺘﻮرات ﮐﻨﺘﺮﻟﯽ‬

‫‪ .5.1‬دﺳﺘﻮر ﺷﺮط‬

‫ﺑﺮاي اﺟﺮاي دﺳﺘﻮرات ﺷﺮﻃﯽ در ‪ R‬از دﺳﺘﻮر ‪ if/else‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ دﺳﺘﻮر ﺑﻪ ﺷـﮑﻞ زﯾـﺮ‬
‫اﺳﺖ‪.‬‬

‫‪> if (expr_1) expr_2 else expr_3‬‬

‫در اﯾﻦ دﺳﺘﻮر ‪ expr_1‬ﻋﺒﺎرت ﺷﺮﻃﯽ اﺳﺖ ﮐﻪ ﺑﺎﯾﺪ ﻣﺸﺨﺺ ﺷﻮد‪ .‬در ﺻﻮرﺗﯽ ﮐﻪ ﺷﺮط ﺑﺮﻗـﺮار ﺑﺎﺷـﺪ دﺳـﺘﻮرات‬
‫وارد ﺷﺪه در ﻗﺴﻤﺖ ‪ expr_2‬اﺟﺮا ﺧﻮاﻫﻨﺪ ﺷﺪ و در ﻏﯿﺮ اﯾـﻦ ﺻـﻮرت دﺳـﺘﻮرات وارد ﺷـﺪه ﭘـﺲ از ‪ else‬در‬
‫ﻗﺴﻤﺖ ‪ expr_3‬اﺟﺮا ﻣﯽ ﺷﻮﻧﺪ‪ .‬در ﻗﺴﻤﺖ ﺷﺮط ﻣﯽ ﺗـﻮان از " && " و " || " ﺑـﻪ ﻋﻨـﻮان "و" و "ﯾـﺎ" ﻣﻨﻄﻘـﯽ‬
‫اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﺑﺮاي ﮔﺮوه ﺑﻨﺪي دﺳﺘﻮرات اﺟﺮاﯾﯽ از ﻋﻼﻣﺖ" } "و" { " اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬در ﮔﺮوه ﻫﺎ ﺑـﺮاي ﺟـﺪا‬
‫ﮐﺮدن دﺳﺘﻮرات از " ; " اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬

‫‪18‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- rnorm(100); m <- mean(x‬‬

‫‪> if (m>=0.1||m<=-0.1){y <- "mean is not 0";y} else {y <- "mean is‬‬
‫}‪0";y‬‬
‫"‪[1] "mean is 0‬‬

‫‪ .5.2‬دﺳﺘﻮرات ﺗﮑﺮار‬

‫در ‪ R‬ﺳﻪ دﺳﺘﻮر ﺗﮑﺮار وﺟﻮد دارد ﮐﻪ ﻋﺒﺎراﺗﺪ از ‪ ،repeat،for‬و ‪ .while‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾـﻦ ﺳـﻪ دﺳـﺘﻮر ﺑـﻪ‬
‫ﺷﮑﻞ زﯾﺮ اﺳﺖ‪.‬‬
‫‪> for (name in expr_1) expr_2‬‬

‫‪> repeat expr‬‬

‫‪> while (condition) expr‬‬

‫در دﺳﺘﻮر ‪ for‬در ﻗﺴﻤﺖ ‪ name‬ﻧﺎم ﻣﺘﻐﯿﺮ ﺷﻤﺎرﻧﺪه و در ﻗـﺴﻤﺖ ‪ expr_1‬ﺗﮑﺮارﻫـﺎ را ﻣـﺸﺨﺺ ﻣـﯽ ﮐﻨـﯿﻢ‪ .‬در‬
‫‪ repeat‬در ﻗـﺴﻤﺖ ‪expr‬‬ ‫ﻗﺴﻤﺖ ‪ expr_2‬ﻧﯿﺰ دﺳﺘﻮراﺗﯽ را ﮐﻪ ﺑﺎﯾﺪ ﺗﮑـﺮار ﺷـﻮﻧﺪ وارد ﻣـﯽ ﮐﻨـﯿﻢ‪ .‬در دﺳـﺘﻮر‬
‫دﺳﺘﻮراﺗﯽ را ﮐﻪ ﺑﺎﯾﺪ ﺗﮑﺮار ﺷﻮﻧﺪ وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺮاي ﺗﻮﻗﻒ ﺗﮑـﺮار دﺳـﺘﻮرات در دﺳـﺘﻮر ‪ repeat‬از ﮐﻠﯿـﺪ ‪Esc‬‬
‫اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬در دﺳﺘﻮر ‪ while‬در ﻗﺴﻤﺖ ‪ condition‬ﺷﺮط ﭘﺎﯾﺎن ﺗﮑﺮار و در ﻗﺴﻤﺖ ‪ expr‬دﺳـﺘﻮراﺗﯽ را‬
‫ﮐﻪ ﺑﺎﯾﺪ ﺗﮑﺮار ﺷﻮﻧﺪ وارد ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫})‪> for (i in 1:10){dens <- dbinom(i, 10, 0.5); print(dens‬‬

‫‪[1] 0.009765625‬‬
‫‪[1] 0.04394531‬‬
‫‪[1] 0.1171875‬‬
‫‪[1] 0.2050781‬‬
‫‪[1] 0.2460938‬‬
‫‪[1] 0.2050781‬‬
‫‪[1] 0.1171875‬‬
‫‪[1] 0.04394531‬‬
‫‪[1] 0.009765625‬‬
‫‪[1] 0.0009765625‬‬
‫‪> j <- 0‬‬
‫}‪> while (j<=10){z <- dbinom(j, 10, 0.5);print(z);j=j+1‬‬
‫‪[1] 0.0009765625‬‬
‫‪[1] 0.009765625‬‬
‫‪[1] 0.04394531‬‬
‫‪[1] 0.1171875‬‬
‫‪[1] 0.2050781‬‬
‫‪[1] 0.2460938‬‬
‫‪[1] 0.2050781‬‬
‫‪[1] 0.1171875‬‬
‫‪[1] 0.04394531‬‬
‫‪[1] 0.009765625‬‬
‫‪[1] 0.0009765625‬‬
‫)(‪ print‬ﺑﺮاي ﭼﺎپ ﺧﺮوﺟﯽ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬ ‫از ﺗﺎﺑﻊ‬

‫‪19‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .6‬ﻧﻮﺷﺘﻦ ﺗﻮاﺑﻊ و ﻋﻤﻠﮕﺮﻫﺎي ﺷﺨﺼﯽ‬

‫ﺑﺮاي ﻧﻮﺷﺘﻦ ﺗﻮاﺑﻊ ﺷﺨﺼﯽ در ‪ R‬از ﺗﺎﺑﻊ )(‪ function‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺷﮑﻞ ﮐﻠﯽ اﺳﺘﻔﺎده از اﯾـﻦ ﺗـﺎﺑﻊ ﺑـﺮاي‬
‫ﻧﻮﺷﺘﻦ ﺗﻮاﺑﻊ ﺷﺨﺼﯽ ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ‪.‬‬

‫‪> name <- function(arg_1,arg_2,...) expression‬‬

‫‪arg_1,arg_2,...‬‬ ‫در ﺳﺎﺧﺘﺎر ﻓﻮق در ﻗﺴﻤﺖ ‪ name‬ﻧﺎم ﻣﻮرد ﻧﻈﺮ ﺑﺮاي ﺗﺎﺑﻊ را وارد ﻣـﯽ ﮐﻨـﯿﻢ‪ .‬در ﻗـﺴﻤﺖ‬
‫ﻧﯿﺰ ﭘﺎراﻣﺘﺮﻫﺎي ﺗﺎﺑﻊ ﻣﻮرد ﻧﻈﺮ را وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻫﻨﮕﺎم ﺗﻌﯿﯿﻦ ﭘﺎراﻣﺘﺮﻫﺎ در ﺻﻮرت ﺗﻤﺎﯾﻞ ﻣﯽ ﺗـﻮان ﺑـﺎ اﺳـﺘﻔﺎده از‬
‫ﻋﻼﻣﺖ ﻣﺴﺎوي ﻣﻘﺪار ﭘﯿﺶ ﻓﺮﺿﯽ را ﺑﺮاي ﻫﺮ ﭘﺎراﻣﺘﺮ ﻣﺸﺨﺺ ﮐﺮد‪ .‬در ﻗﺴﻤﺖ ‪ expression‬ﻧﯿﺰ دﺳﺘﻮرات ﺑﺪﻧـﻪ‬
‫ﺗﺎﺑﻊ ﻧﻮﺷﺘﻪ ﻣﯽ ﺷﻮد‪ .‬در ﻧﻮﺷﺘﻦ دﺳﺘﻮرات ﺑﺪﻧﻪ ﯾﮏ ﺗﺎﺑﻊ ﻣﯽ ﺗﻮان از ﺗﻮاﺑﻊ دﯾﮕﺮ ﻧﯿﺰ اﺳﺘﻔﺎده ﮐﺮده و ﯾـﺎ ﺣﺘـﯽ ﺗﻮاﺑـﻊ‬
‫ﺷﺨﺼﯽ ﻧﻮﺷﺖ‪ .‬ﻓﺮاﺧﻮاﻧﯽ و اﺳﺘﻔﺎده از اﯾﻦ ﺗﻮاﺑﻊ ﻫﻤﺎﻧﻨﺪ دﯾﮕﺮ ﺗﻮاﺑﻊ ‪ R‬ﻣﯽ ﺑﺎﺷﺪ‪ ،‬اﻟﺒﺘـﻪ ﺑـﺎ اﯾـﻦ ﺗﻔـﺎوت ﮐـﻪ ﺑـﺮاي‬
‫ﺗﺨﺼﯿﺺ ﺧﺮوﺟﯽ ﯾﮏ ﺗﺎﺑﻊ ﺷﺨﺼﯽ ﺑﻪ ﯾﮏ ﺷﺊ از ﻋﻼﻣﺖ" ‪ " <<-‬ﺑﻪ ﺟﺎي " ‪ " <-‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺑﺎ اﺳﺘﻔﺎده از‬
‫ﺗـﺎﺑﻊ )(‪function‬‬ ‫ﺷﯿﻮه اي ﻣﺸﺎﺑﻪ ﻣﯽ ﺗﻮان ﻋﻤﻠﮕﺮ ﺷﺨﺼﯽ ﻧﯿﺰ ﻧﻮﺷﺖ‪ .‬ﯾﮏ ﻋﻤﻠﮕﺮ ﺷﺨﺼﯽ ﻧﯿـﺰ ﺑـﺎ اﺳـﺘﻔﺎده از‬
‫ﻧﻮﺷﺘﻪ ﻣﯽ ﺷﻮد‪ .‬ﺷﮑﻞ ﮐﻠﯽ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ function‬ﺑﺮاي ﻧﻮﺷﺘﻦ ﻋﻤﻠﮕﺮ ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ‪.‬‬

‫} ‪> "%!%" <- function(X,y) { ...‬‬

‫در ﻗﺴﻤﺖ " ‪ " %!%‬ﺑﻪ ﺟﺎي ﻋﻼﻣﺖ! ﮐﺎراﮐﺘﺮ ﻣـﻮرد ﻧﻈـﺮ ﺑـﺮاي ﻧـﺸﺎن دادن ﻋﻤﻠﮕـﺮ را ﺑـﯿﻦ دو ﻋﻼﻣـﺖ ‪ %‬ﺗﻌﯿـﯿﻦ‬
‫ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗﺴﻤﺖ ‪ X,y‬ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﻋﻤﻠﮕﺮ ﺑﯿﻦ ﭼﻪ اﺷﯿﺎﺋﯽ ﻋﻤﻞ ﮐﻨﺪ‪ .‬در ﻗﺴﻤﺖ آﺧﺮ ﻧﯿﺰ ﺑﺪﻧﻪ ﻋﻤﻠﮕﺮ را‬
‫ﺗﻌﯿﯿﻦ ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﻋﻤﻠﮕﺮ ﺿﺮب ﻣﺎﺗﺮﯾﺲ ﻫﺎ‪ ، " %*% " ،‬ﻧﻤﻮﻧﻪ اي از ﻋﻤﻠﮕﺮﻫﺎي ﺷﺨﺼﯽ اﺳﺖ‪.‬‬
‫ﻣﺜﺎل ‪ :‬ﺗﺎﺑﻊ زﯾﺮ ﺑﺮدار ﻋﺪدي ‪ x‬را ﮔﺮﻓﺘﻪ و ﺑﺮاي ﻣﻘﺎﯾﺴﻪ ﻣﯿﺎﻧﻪ آن ﺑﺎ ﺻﻔﺮ از آزﻣﻮن ﻋﻼﻣﺖ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ‪.‬‬

‫{ )‪sign.test <- function (x, mu=0‬‬

‫)‪n <- length(x‬‬
‫)‪y <- sum(x<mu‬‬
‫‪p.value <- min(c( pbinom(y,n,.5), pbinom(y,n,.5,lower.tail=F) ))*2‬‬
‫‪p.value‬‬
‫}‬

‫‪20‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﮔﺮاﻓﯿﮏ و رﺳﻢ ﻧﻤﻮدار‬

‫در ‪ R‬ﻧﻤﻮدارﻫﺎ و ﺗﺮﺳﯿﻤﺎت در ﭘﻨﺠﺮه اي ﻣﺠﺰا ﺑﻪ ﻧﺎم ﭘﻨﺠﺮه ﮔﺮاﻓﯿﮏ ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮﻧﺪ‪ .‬اﯾﻦ ﭘﻨﺠﺮه ﺑﺎ اﺳـﺘﻔﺎده از‬
‫ﺗﺎﺑﻊ )(‪ windows‬ﺑﺎز ﻣﯽ ﺷﻮد‪ .‬اﻟﺒﺘﻪ اﺳﺘﻔﺎده از اﯾﻦ ﺗﺎﺑﻊ ﺿﺮورﺗﯽ ﻧﺪارد زﯾﺮا در رﺳﻢ ﻫﺮ ﻧﻤـﻮدار اﯾـﻦ ﭘﻨﺠـﺮه ﺑـﻪ‬
‫ﺻﻮرت اﺗﻮﻣﺎﺗﯿﮏ ﺑﺎز ﻣﯽ ﺷﻮد‪ .‬ﺑﺮاي ﮐﺴﺐ اﻃﻼﻋﺎت ﮐﺎﻣﻞ در ﻣﻮرد ﺗﺎﺑﻊ )(‪ windows‬ﻣﯽ ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از دﺳﺘﻮر‬
‫)(‪ ?windows‬از ﻓﺎﯾﻞ ‪ help‬ﮐﻤﮏ ﮔﺮﻓﺖ‪ .‬در ﺣﺎﻟﺖ ﮐﻠﯽ ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﻧﻤﻮدار در ‪ R‬را ﻣﯽ ﺗـﻮان ﺑـﻪ ﺳـﻪ دﺳـﺘﻪ‬
‫ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﺑﺎﻻ‪ ،‬ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﭘﺎﯾﯿﻦ‪ ،‬و ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺗﻌﺎﻣﻠﯽ ﺗﻘﺴﯿﻢ ﮐﺮد‪ .‬ﺑﺎ اﺳﺘﻔﺎده از ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺳﻄﺢ‬
‫ﺑﺎﻻ ﻗﺎدر ﺧﻮاﻫﯿﻢ ﺑﻮد ﻧﻤﻮدارﻫﺎﯾﯽ ﺷﺎﻣﻞ ﻣﺤﻮرﻫﺎ‪ ،‬ﺑﺮﭼﺴﺐ ﻫﺎ‪ ،‬ﻋﻨﻮان‪ ،‬و ﻣﻮاردي از اﯾﻦ ﻗﺒﯿﻞ رﺳﻢ ﮐﻨﯿﻢ‪ .‬ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ‬
‫ﺳﻄﺢ ﭘﺎﯾﯿﻦ ﻣﺎ را ﻗﺎدر ﻣﯽ ﺳﺎزﻧﺪ ﮐﻪ روي ﻧﻤﻮدارﻫﺎي ﻣﻮﺟﻮد ﺗﻐﯿﯿﺮاﺗﯽ اﻋﻤﺎل ﮐﻨﯿﻢ‪ ،‬و ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺗﻌﺎﻣﻠﯽ ﺑﻪ ﻣﺎ اﯾـﻦ‬
‫اﻣﮑﺎن را ﻣﯽ دﻫﻨﺪ ﺗﺎ ﺑﻪ ﺗﺒﺎدل اﻃﻼﻋﺎت ﺑﺎ ﻧﻤﻮدارﻫﺎي ﻣﻮﺟﻮد ﺑﭙﺮدازﯾﻢ‪ .‬در اداﻣﻪ ﺑﻪ ﺑﺮرﺳﯽ اﻧﻮاع ﺗﻮاﺑـﻊ و دﺳـﺘﻮرات‬
‫ﺗﺮﺳﯿﻢ ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ‪.‬‬

‫‪ .1‬دﺳﺘﻮرﻫﺎي ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﺑﺎﻻ‬

‫)(‪plot‬‬ ‫‪ .1.1‬ﺗﺎﺑﻊ‬

‫ﯾﮑﯽ از ﭘﺮﮐﺎرﺑﺮد ﺗﺮﯾﻦ ﺗﻮاﺑﻊ رﺳﻢ ﻧﻤﻮدار در ‪ R‬ﺗﺎﺑﻊ )(‪ plot‬اﺳﺖ‪ .‬در ﺻﻮرﺗﯽ ﮐـﻪ از ﺗـﺎﺑﻊ )(‪ plot‬ﺑـﻪ ﺷـﮑﻞ‬
‫‪x‬‬ ‫)‪ plot(x‬ﯾﺎ )‪ plot(x,y‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ‪ ،‬ﮐﻪ ‪ x‬و ‪ y‬دو ﺑﺮدارﻧﺪ‪ ،‬ﺑﻪ ﺗﺮﺗﯿﺐ ﻧﻤﻮدار ﺑﺮدار ‪ x‬و ﻧﻤﻮدار ﭘﺮاﮐﻨـﺪﮔﯽ‬
‫در ﻣﻘﺎﺑﻞ ‪ y‬رﺳﻢ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- rnorm(10‬‬

‫‪> y <- 1:10‬‬
‫)‪> plot(x‬‬

‫‪21‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)‪> plot(x,y‬‬

‫‪22‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫در ﺻﻮرﺗﯽ ﮐﻪ از ﺗﺎﺑﻊ )(‪ plot‬ﺑﻪ ﺷﮑﻞ )‪ plot(f‬ﯾﺎ )‪ plot(f,y‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ‪ ،‬ﮐﻪ ‪ f‬ﯾﮏ ﻓـﺎﮐﺘﻮر و ‪ y‬ﯾـﮏ‬
‫ﺑﺮدار اﺳﺖ‪ ،‬ﺑﻪ ﺗﺮﺗﯿﺐ ﻧﻤﻮدار ﻣﯿﻠﻪ اي ‪ f‬و ﻧﻤﻮدار ﺟﻌﺒﻪ اي ‪ y‬در ﻣﻘﺎﺑﻞ ‪ f‬رﺳﻢ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> z <- sample(1:4,30,rep=T‬‬

‫)‪> z.f <- factor(z‬‬
‫)‪> plot(z.f‬‬

‫)‪> x <- rep(c(1,2,3,4),each=4‬‬

‫)‪> x.f <- factor(x‬‬
‫‪> x.f‬‬
‫‪[1] 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4‬‬
‫‪Levels: 1 2 3 4‬‬
‫)‪> y <- c(20,23,22,24,25,26,21,23,20,21,25,24,23,21,21,26‬‬
‫)‪> plot(x.f,y‬‬

‫‪23‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)(‪curve‬‬ ‫‪ .1.2‬ﺗﺎﺑﻊ‬

‫از ﺗﺎﺑﻊ )(‪ curve‬ﺑﺮاي رﺳﻢ ﻣﻨﺤﻨﯽ ﯾﮏ ﺗﺎﺑﻊ در ﻣﺤﺪوده ﺗﻌﯿﯿﻦ ﺷﺪه اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬از اﯾﻦ ﺗﺎﺑﻊ ﻣﯽ ﺗﻮان ﺑـﺮاي‬
‫ﺑﺮرﺳﯽ ﻣﻨﺤﻨﯽ ﺗﻮزﯾﻊ ﻫﺎي آﻣﺎري اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﺗﺎﺑﻌﯽ ﮐﻪ ﻣﯽ ﺧﻮاﻫﯿﻢ ﻣﻨﺤﻨﯽ آن رﺳﻢ ﺷﻮد ﯾﺎ ﺑﺎﯾﺪ ﺑﻪ ﺷﮑﻞ ﮐﻠﯽ ﺗﺎﺑﻌﯽ‬
‫از " ‪ " x‬ﺑﺎﺷﺪ‪ ،‬و ﯾﺎ ﺑﺎﯾﺪ ﺗﺎﺑﻌﯽ از ﯾﮏ ﺑﺮدار ﺑﺎﺷﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> curve(dchisq(x,3),0,10‬‬

‫)(‪pairs‬‬ ‫‪ .1.3‬ﺗﺎﺑﻊ‬

‫از ﺗﺎﺑﻊ )(‪ pairs‬ﺑﺮاي رﺳﻢ ﻫﺮ ﺳﺘﻮن ﯾﮏ ﻣﺎﺗﺮﯾﺲ ﻋﺪدي در ﻣﻘﺎﺑﻞ ﺳﺘﻮن ﻫﺎي دﯾﮕﺮ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- sample(1:10,12,rep=T‬‬

‫)‪> dim(x) <- c(3,4‬‬
‫‪> x‬‬
‫]‪[,1] [,2] [,3] [,4‬‬
‫]‪[1,‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪4‬‬
‫]‪[2,‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪2‬‬ ‫‪5‬‬
‫]‪[3,‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪10‬‬ ‫‪5‬‬
‫)‪> pairs(x‬‬

‫‪24‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)(‪coplot‬‬ ‫‪ .1.4‬ﺗﺎﺑﻊ‬

‫ﺑﺮاي رﺳﻢ ﯾﮏ ﺑﺮدار در ﻣﻘﺎﺑﻞ ﯾﮏ ﺑﺮدار دﯾﮕﺮ ﺑﻪ ﺷﺮط ﯾﮏ ﺑﺮدار ﯾﺎ ﯾﮏ ﻓﺎﮐﺘﻮر از ﺗﺎﺑﻊ )(‪ coplot‬ﺑﺎ ﺳﺎﺧﺘﺎر ﮐﻠﯽ‬
‫زﯾﺮ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫)‪> coplot(a~b|c‬‬

‫در ﺻﻮرﺗﯽ ﮐﻪ ﺷﺮط ﺗﺎﺑﻊ ﯾﮏ ﻓﺎﮐﺘﻮر ﺑﺎﺷﺪ دو ﺑﺮدار در ﺳﻄﻮح آن ﻓﺎﮐﺘﻮر در ﻣﻘﺎﺑﻞ ﻫﻢ رﺳﻢ ﺧﻮاﻫﻨﺪ ﺷﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫)‪x <- sample(1:10,20,rep=T‬‬

‫>‬ ‫)‪y <- rnorm(20‬‬
‫>‬ ‫)‪z <- rep(c(1,2,3,4,5),each=4‬‬
‫>‬ ‫)‪z <- factor(z‬‬
‫>‬ ‫)‪coplot(y~x|z‬‬

‫‪25‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)(‪hist‬‬ ‫‪ .1.5‬ﺗﺎﺑﻊ‬

‫از ﺗﺎﺑﻊ )(‪ hist‬ﺑﺮاي رﺳﻢ ﻫﯿﺴﺘﻮﮔﺮام ﯾﮏ ﺑﺮدار اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬

‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- rnorm(100‬‬

‫)‪> hist(x‬‬

‫‪26‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)(‪barplot‬‬ ‫‪ .1.6‬ﺗﺎﺑﻊ‬

‫ﺑﺮاي رﺳﻢ ﻧﻤﻮدار ﻣﯿﻠﻪ اي ﯾﮏ ﺑﺮدار از ﺗﺎﺑﻊ )(‪ barplot‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺑﺮدار وارد ﺷـﺪه در اﯾـﻦ ﺗـﺎﺑﻊ ﺑـﺮدار‬
‫ﻓﺮاواﻧﯽ ﻫﺎ ﻣﯽ ﺑﺎﺷﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- rnorm(10‬‬

‫)‪> barplot(x‬‬

‫)(‪boxplot‬‬ ‫‪ .1.7‬ﺗﺎﺑﻊ‬

‫از ﺗﺎﺑﻊ )(‪ boxplot‬ﺑﺮاي رﺳﻢ ﻧﻤﻮدار ﺟﻌﺒﻪ اي اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺑﺮاي رﺳﻢ ﻧﻤﻮدار ﺟﻌﺒـﻪ اي ﺗﻮﺳـﻂ اﯾـﻦ ﺗـﺎﺑﻊ‬
‫ﻣﯽ ﺗﻮان از ﯾﮏ ﺑﺮدار ﯾﺎ از ﻓﺮﻣﻮﻟﯽ ﺷﺎﻣﻞ ﺑﺮدار و ﻓﺎﮐﺘﻮر اﺳﺘﻔﺎده ﮐﺮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- rnorm(100‬‬

‫))‪> y <- factor(rep(1:5,times=20‬‬
‫)‪> boxplot(x~y‬‬

‫‪27‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)(‪dotchart‬‬ ‫‪ .1.8‬ﺗﺎﺑﻊ‬

‫ﺑﺮاي رﺳﻢ ﻧﻤﻮدار ﻧﻘﻄﻪ اي ﯾﮏ ﺑﺮدار از ﺗﺎﺑﻊ )(‪ dotchart‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫ﻣﺜﺎل ‪:‬‬
‫)‪> x <- rnorm(10‬‬
‫)‪> dotchart(x‬‬

‫‪28‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .1.9‬ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺳﻪ ﻣﺘﻐﯿﺮي‬

‫ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺳﻪ ﻣﺘﻐﯿﺮي ﻋﺒﺎرﺗﻨﺪ از )(‪ ، contour() ، image‬و )(‪ .persp‬ﺗﻔﺎوت اﯾـﻦ ﺳـﻪ ﺗـﺎﺑﻊ در ﺷـﯿﻮه‬
‫)(‪contour‬‬ ‫ﻧﻤﺎﯾﺶ ﻧﻤﻮدار در آﻧﻬﺎﺳﺖ‪ .‬ﺗﺎﺑﻊ )(‪ image‬ﻣﺘﻐﯿﺮ ﺳﻮم را ﺑﺎ رﻧﮓ ﻫﺎي ﻣﺘﻔﺎوت ﻧﺸﺎن ﻣﯽ دﻫﺪ‪ .‬ﺗﺎﺑﻊ‬
‫ﻣﺘﻐﯿﺮ ﺳﻮم را ﺑﻪ ﺻﻮرت ﻧﻘﺸﻪ اي ﻧﺸﺎن ﻣﯽ دﻫﺪ‪ ،‬و ﺗﺎﺑﻊ )(‪ persp‬ﻧﻤﻮدار را ﺑﻪ ﺻﻮرت ﺳﻪ ﺑﻌﺪي ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ‪.‬‬
‫ﻧﮑﺘﻪ اي ﮐﻪ ﺑﺎﯾﺪ ﺑﻪ آن ﺗﻮﺟﻪ داﺷﺖ اﯾﻦ اﺳﺖ ﮐﻪ در ﻫﺮ ﺳﻪ ﺗﺎﺑﻊ ﻓﻮق ﺑﺎﯾﺪ ﻣﺘﻐﯿﺮ ﺳﻮم را ﺑـﻪ ﺻـﻮرت ﻣـﺎﺗﺮﯾﺲ وارد‬
‫ﮐﺮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫‪x <- 1:10‬‬

‫>‬ ‫‪y <- 1:10‬‬
‫>‬ ‫)‪z <- rnorm(100‬‬
‫>‬ ‫)‪dim(z) <- c(10,10‬‬
‫>‬ ‫)‪image(x,y,z‬‬

‫‪29‬‬
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

> contour(x,y,z)

> persp(x,y,z)

30
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .1.10‬ﺗﻮاﺑﻊ ﻣﻘﺎﯾﺴﻪ ﺗﻮزﯾﻊ ﻫﺎ‬

‫ﺑﺮاي ﺑﺮرﺳﯽ و ﻣﻘﺎﯾﺴﻪ ﺗﻮزﯾﻊ ﻫﺎ از ﺳﻪ ﺗﺎﺑﻊ )(‪ ، qqline() ، qqnorm‬و )(‪ qqplot‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺑـﺮاي‬
‫ﺑﺮرﺳﯽ ﻧﺮﻣﺎل ﺑﻮدن ﺗﻮزﯾﻊ داده ﻫﺎي ﯾﮏ ﺑﺮدار از ﺗﺎﺑﻊ )(‪ qqnorm‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺑﺮاي رﺳـﻢ ﺧـﻂ ﻧﺮﻣـﺎل روي‬
‫ﻧﻤﻮدار رﺳﻢ ﺷﺪه از ﺗﺎﺑﻊ )(‪ qqline‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ ،‬و ﺑﺮاي ﻣﻘﺎﯾﺴﻪ ﺗﻮزﯾﻊ دو ﻣﺘﻐﯿﺮ و ﺑﺮرﺳـﯽ ﻫﻤﺘﻮزﯾـﻊ ﺑـﻮدن‬
‫آﻧﻬﺎ از ﺗﺎﺑﻊ )(‪ qqplot‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- rnorm(30‬‬

‫)‪> qqnorm(x‬‬

‫‪31‬‬
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

> qqline(x)

> x <- rnorm(50)

> y <- rbinom(50,100,0.05)
> qqplot(x,y)

32
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .1.11‬ﻧﻤﻮدارﻫﺎي ﺳﺮي زﻣﺎﻧﯽ‬

‫ﺑﺮاي رﺳﻢ ﻧﻤﻮدارﻫﺎي ﺳﺮي زﻣﺎﻧﯽ اﺑﺘﺪا ﺑﺎﯾﺪ ﺑﺮدار ﻣﺸﺎﻫﺪات ر ا ﺑﻪ ﺳﺮي زﻣـﺎﻧﯽ ﺗﺒـﺪﯾﻞ ﮐﻨـﯿﻢ‪ .‬ﺑـﺮاي ﺗﺒـﺪﯾﻞ ﺑـﺮدار‬
‫ﻣﺸﺎﻫﺪات ﺑﻪ ﺳﺮي زﻣﺎﻧﯽ از ﺗﺎﺑﻊ )(‪ ts‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﭘﺲ از ﺗﺒﺪﯾﻞ ﯾﮏ ﺑﺮدار ﺑـﻪ ﯾـﮏ ﺳـﺮي زﻣـﺎﻧﯽ از ﺗﻮاﺑـﻊ‬
‫)(‪ acf‬و )(‪ pacf‬ﺑﺮاي رﺳﻢ ﻧﻤﻮدارﻫﺎي ‪ ACF‬و ‪ PACF‬ﺳﺮي زﻣﺎﻧﯽ ﻣﻮرد ﻧﻈﺮ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫ﻣﺜﺎل ‪:‬‬

‫‪> x <-‬‬
‫‪c(14,11,10,13,20,15,19,17,12,18,17,24,21,15,22,16,20,23,19,25,23,26,‬‬
‫)‪30‬‬
‫)‪> T <- ts(x‬‬
‫)‪> plot(T‬‬

‫‪33‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)‪> acf(T‬‬

‫)‪> pacf(T‬‬

‫‪34‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .1.12‬ﺟﺰﺋﯿﺎت رﺳﻢ ﻧﻤﻮدار‬

‫در ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﺑﺎﻻ آرﮔﻮﻣﺎن ﻫﺎﯾﯽ وﺟﻮد دارﻧﺪ ﮐﻪ ﺑﺎ ﻣﻘﺪار دﻫﯽ آﻧﻬﺎ ﻣـﯽ ﺗـﻮان ﺑـﻪ ﺻـﻮرت دﻟﺨـﻮاه ﺑﺮﺧـﯽ‬
‫ﺟﺰﺋﯿﺎت رﺳﻢ ﻧﻤﻮدار را ﺗﻐﯿﯿﺮ داده و ﯾﺎ ﺟﺰﺋﯿﺎﺗﯽ را ﺑﻪ ﻧﻤﻮدار اﺿﺎﻓﻪ ﮐﺮد‪ .‬ﺑﺮﺧﯽ از اﯾﻦ آرﮔﻮﻣﺎن ﻫﺎ ﺑﻪ ﺷﺮح زﯾﺮﻧﺪ‪.‬‬

‫=‪ : type‬ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ آرﮔﻮﻣﺎن ﻣﯽ ﺗﻮان ﻧﻮع ﻧﻤﺎﯾﺶ ﻧﻤﻮدار را ﺗﻌﯿﯿﻦ ﮐﺮد‪ .‬ﻣﻘـﺪار ﭘـﯿﺶ ﻓـﺮض اﯾـﻦ آرﮔﻮﻣـﺎن‬
‫" ‪ " p‬اﺳﺖ ﮐﻪ ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﺪ ﻧﻤﻮدار ﺑﻪ ﺻﻮرت ﻧﻘﻄﻪ اي ﻧﻤﺎﯾﺶ داده ﺷﻮد‪ .‬ﻣﯽ ﺗﻮان اﯾﻦ آرﮔﻮﻣﺎن را ﺑـﻪ دﻟﺨـﻮاه‬
‫ﻣﻘﺪار دﻫﯽ ﮐﺮد‪ .‬از ﻣﻘﺪار " ‪ " l‬ﺑﺮاي ﻧﻤﺎﯾﺶ ﺧﻄﯽ‪ ،‬از ﻣﻘﺪار " ‪ " b‬و " ‪ " o‬ﺑـﺮاي ﻧﻤـﺎﯾﺶ ﺧﻄـﯽ و ﻧﻘﻄـﻪ اي‪ ،‬از‬
‫ﻣﻘﺪار " ‪ " h‬ﺑﺮاي ﻧﻤﺎﯾﺶ ﺑﻪ ﺻﻮرت ﺧﻂ ﻫﺎي ﻋﻤﻮد ﺑﺮ ﻣﺤﻮر اﻓﻘﯽ‪ ،‬و از ﻣﻘﺪار " ‪ " s‬و " ‪ " S‬ﺑﺮاي ﻧﻤﺎﯾﺶ ﭘﻠﻪ اي‬
‫اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬در ﺻﻮرﺗﯽ ﮐﻪ از ﻣﻘﺪار " ‪ " n‬اﺳﺘﻔﺎده ﺷﻮد ﻧﻤﻮدار رﺳﻢ ﺷﺪه اﻣﺎ ﭼﯿﺰي ﻧﻤﺎﯾﺶ داده ﻧﻤﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- sample(1:10,20,rep=T‬‬

‫)‪> plot(x‬‬
‫)"‪> plot(x,type="l‬‬

‫‪35‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫=‪ xlab‬و =‪ : ylab‬از اﯾﻦ دو آرﮔﻮﻣﺎن ﺑﺮاي ﺑﺮﭼﺴﺐ ﮔﺬاري ﻣﺤﻮر اﻓﻘﯽ و ﻋﻤﻮدي اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)"‪> plot(x,type="h",xlab="order",ylab="measure‬‬

‫=‪ main‬و =‪ : sub‬از =‪ main‬ﺑﺮاي ﻗﺮار دادن ﻋﻨﻮان ﻧﻤﻮدار در ﺑﺎﻻ و از =‪ sub‬ﺑﺮاي ﻗﺮار دادن زﯾﺮﻋﻨـﻮان ﻧﻤـﻮدار‬
‫در ﭘﺎﯾﯿﻦ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)"‪> plot(x,type="s",main="First Plot",sub="first plot‬‬

‫=‪ : col‬ﺑﺮاي اﻧﺘﺨﺎب رﻧﮓ ﻧﻤﻮدار از =‪ col‬اﺳﺘﻔﺎده ﮐﺮده و در ﻣﻘﺎﺑﻞ آن ﻧﺎم ﯾـﺎ ﺷـﻤﺎره رﻧـﮓ ﻣـﻮرد ﻧﻈـﺮ را وارد‬
‫ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫‪36‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .2‬دﺳﺘﻮرﻫﺎي ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﭘﺎﯾﯿﻦ‬

‫دﺳﺘﻮرﻫﺎي ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﭘﺎﯾﯿﻦ ﻣﺎ را ﻗﺎدر ﻣﯽ ﺳﺎزﻧﺪ ﺗﺎ ﻣﻮاردي از ﻗﺒﯿﻞ ﻧﻘﻄﻪ ﻫﺎ‪ ،‬ﺧﻄﻮط‪ ،‬و ﻧﻮﺷﺘﻪ ﻫﺎ را ﺑﻪ ﻧﻤﻮدارﻫﺎي‬
‫رﺳﻢ ﺷﺪه ﺗﻮﺳﻂ دﺳﺘﻮرﻫﺎي ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﺑﺎﻻ اﺿﺎﻓﻪ ﮐﻨﯿﻢ‪ .‬ﺑﺮﺧﯽ از ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﭘﺎﯾﯿﻦ ﺑﻪ ﺷﺮح زﯾﺮﻧﺪ‪.‬‬

‫)(‪text‬‬ ‫‪ .2.1‬ﺗﺎﺑﻊ‬

‫اﯾﻦ ﺗﺎﺑﻊ ﻣﺎ را ﻗﺎدر ﻣﯽ ﺳﺎزد ﺗﺎ ﺑﺮداري از اﻋﺪاد ﯾﺎ ﮐﺎراﮐﺘﺮﻫﺎ را ﺑﻪ ﻧﻘﺎط ﯾﮏ ﻧﻤﻮدار اﺿﺎﻓﻪ ﮐﻨﯿﻢ‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ‬
‫ﺑﻪ ﺷﮑﻞ زﯾﺮ اﺳﺖ‪.‬‬
‫)‪text(x,y,labels, ...‬‬

‫در اﯾﻦ ﺗﺎﺑﻊ ‪ x‬و ‪ y‬ﺑﺮدارﻫﺎي ﻣﺸﺨﺺ ﮐﻨﻨﺪه ﻧﻘﺎط ﻣﻮرد ﻧﻈﺮ‪ ،‬و ‪ lables‬ﺑﺮدار ﺷﺎﻣﻞ اﻋﺪاد ﯾﺎ ﮐﺮاﮐﺘﺮﻫﺎي ﻣﻮرد ﻧﻈﺮ‬
‫اﺳﺖ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫‪x <- 1:10‬‬

‫>‬ ‫)‪y <- rbinom(10,10,0.5‬‬
‫>‬ ‫)"‪plot(x,y,type="S‬‬
‫>‬ ‫))‪text(x,y,c(1:10‬‬

‫ﻣﺜﺎل ‪ :‬ﯾﮑﯽ از ﺑﯿﺸﺘﺮﯾﻦ ﻣﻮارد اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ text‬ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ‪.‬‬

‫)"‪> plot(x,y,type="n‬‬
‫))"‪> text(x,y,c("A","B","C","D","E","F","G","H","I","J‬‬

‫‪37‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)(‪abline‬‬ ‫‪ .2.2‬ﺗﺎﺑﻊ‬

‫ﺑﺮاي رﺳﻢ ﯾﮏ ﺧﻂ ﺑﺎ ﺷﯿﺐ و ﻋﺮض از ﻣﺒﺪاء دﻟﺨﻮاه روي ﯾﮏ ﻧﻤﻮدار از ﺗﺎﺑﻊ )(‪ abline‬اﺳﺘﻔﺎده ﻣـﯽ ﺷـﻮد‪ .‬در‬
‫ﺻﻮرﺗﯽ ﮐﻪ از اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ )‪ abline(a,b‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ ﺧﻄﯽ ﺑﺎ ﻋﺮض از ﻣﺒﺪاء ‪ a‬و ﺷﯿﺐ ‪ b‬روي ﻧﻤـﻮدار‬
‫رﺳﻢ ﺧﻮاﻫﺪ ﺷﺪ‪ .‬اﮔﺮ از اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ )‪ abline(v=x‬ﯾﺎ )‪ abline(h=y‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ از ﻫﺮ ﻧﻘﻄﻪ ﻧﻤـﻮدار‬
‫ﺑﻪ ﺗﺮﺗﯿﺐ ﺧﻄﻮط ﻋﻤﻮد ﺑﺮ ﻣﺤﻮر ‪ x‬ﯾﺎ ‪ y‬رﺳﻢ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫‪x <- 1:10‬‬

‫>‬ ‫)‪y <- rpois(10, 5‬‬
‫>‬ ‫)‪plot(x,y‬‬
‫>‬ ‫)‪abline(0,1‬‬

‫‪38‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)‪> plot(x,y‬‬
‫)‪> abline(h=y‬‬

‫)(‪legend‬‬ ‫‪ .2.3‬ﺗﺎﺑﻊ‬

‫از ﺗﺎﺑﻊ )(‪ legend‬ﺑﺮاي وارد ﮐﺮدن ﯾﮏ ﻧﻮﺷﺘﻪ درﻗﺴﻤﺘﯽ از ﻧﻤﻮدار اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬در اﯾﻦ ﺗﺎﺑﻊ ﺑﺎﯾـﺪ ﻣﺨﺘـﺼﺎت‬
‫ﻧﻘﻄﻪ ﻣﻮرد ﻧﻈﺮ و ﻧﻮﺷﺘﻪ ﻣﻮرد ﻧﻈﺮ را وارد ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- rnorm(30‬‬

‫)‪> hist(x‬‬
‫‪> legend(-3,2.3,"first‬‬ ‫)"‬

‫‪39‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫در اﯾﻦ ﺗﺎﺑﻊ ﻣﯽ ﺗﻮان آرﮔﻮﻣﺎن ﻫﺎﯾﯽ ﻧﯿﺰ وارد ﮐﺮد‪ .‬ﺑﺮﺧﯽ از اﯾﻦ آرﮔﻮﻣﺎن ﻫﺎ ﺑﻪ ﺷﺮح زﯾﺮﻧﺪ‪.‬‬

‫=‪ : fill‬ﺑﺎ وارد ﮐﺮدن ﻧﺎم ﯾﺎ ﺷﻤﺎره رﻧﮓ ﻣﺮﺑﻌﯽ ﺑﺎ آن رﻧﮓ وارد ﻧﻤﻮدار ﻣﯽ ﮐﻨﺪ‪.‬‬
‫=‪ : lty‬ﺑﺎ وارد ﮐﺮدن ﺷﻤﺎره ﺧﻂ ﻣﻮرد ﻧﻈﺮ ﺧﻄﯽ ﺑﺎ آن ﻧﻮع روي ﻧﻤﻮدار رﺳﻢ ﻣﯽ ﮐﻨﺪ‪.‬‬
‫=‪ : lwd‬ﺑﺎ وارد ﮐﺮدن اﻧﺪازه ﺿﺨﺎﻣﺖ ﺧﻄﯽ ﺑﺎ آن ﺿﺨﺎﻣﺖ روي ﻧﻤﻮدار رﺳﻢ ﻣﯽ ﮐﻨﺪ‪.‬‬
‫=‪ : pch‬ﺑﺎ وارد ﮐﺮدن ﺷﻤﺎره ﯾﺎ ﮐﺎراﮐﺘﺮ ﻣﻮرد ﻧﻈﺮ آن ﮐﺎراﮐﺘﺮ را وارد ﻧﻤﻮدار ﻣﯽ ﮐﻨﺪ‪.‬‬

‫)(‪title‬‬ ‫‪ .2.4‬ﺗﺎﺑﻊ‬

‫از اﯾﻦ ﺗﺎﺑﻊ ﺑﺮاي وارد ﮐﺮدن ﻋﻨﻮان در ﺑﺎﻻي ﻧﻤﻮدار و زﯾﺮﻋﻨﻮان در ﭘﺎﯾﯿﻦ ﻧﻤﻮدار اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> hist(x‬‬
‫‪> title("\n\n\n normal sample plot"," the plot of a sample of a‬‬
‫)" ‪normal distributed‬‬

‫‪40‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .3‬دﺳﺘﻮرات ﺗﺮﺳﯿﻢ ﺗﻌﺎﻣﻠﯽ‬

‫دﺳﺘﻮرات ﺗﺮﺳﯿﻢ ﺗﻌﺎﻣﻠﯽ ﺑﻪ ﻣﺎ اﯾﻦ اﻣﮑﺎن را ﻣﯽ دﻫﻨﺪ ﺗﺎ از ﻃﺮﯾﻖ ﻣﻮس اﻃﻼﻋﺎﺗﯽ را از ﻧﻤﻮدار درﯾﺎﻓﺖ ﮐﺮده ﯾﺎ ﺑﻪ آن‬
‫وارد ﮐﻨﯿﻢ‪ .‬ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺗﻌﺎﻣﻠﯽ ﺑﻪ ﺷﺮح زﯾﺮﻧﺪ‪.‬‬

‫)(‪locator‬‬ ‫‪ .3.1‬ﺗﺎﺑﻊ‬

‫از اﯾﻦ ﺗﺎﺑﻊ ﺑﺮاي ﺗﻌﯿﯿﻦ ﻣﺨﺘﺼﺎت ﻧﻘﺎط ﺗﻮﺳﻂ ﻣﻮس اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺎ ﻗﺮار دادن اﯾﻦ ﺗﺎﺑﻊ در ﺗﻮاﺑﻊ دﯾﮕﺮ ﻣﯽ ﺗﻮان از‬
‫ﻣﻘﺪاري ﮐﻪ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﻋﻨﻮان ﻣﺨﺘﺼﺎت ﻧﻘﻄﻪ ﮐﻠﯿﮏ ﺷﺪه ﺗﻮﺳﻂ ﻣﻮس ﺑﺮ ﻣﯽ ﮔﺮداﻧﺪ اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾـﻦ‬
‫ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ اﺳﺖ‪.‬‬
‫)‪locator(n,type‬‬

‫آرﮔﻮﻣﺎن ‪ n‬ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﭼﻨﺪ ﻧﻘﻄﻪ ﺗﻮﺳﻂ ﻣﻮس ﮐﻠﯿﮏ ﺷﻮد‪ ،‬و آرﮔﻮﻣﺎن ‪ type‬ﻫﻤﺎﻧﻨﺪ آرﮔﻮﻣﺎن ‪ type‬در‬
‫ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺳﻄﺢ ﺑﺎﻻ ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ و ﻣﯽ ﺗﻮاﻧﺪ ﻣﻘﺎدﯾﺮ " ‪ ، " p " ، " l " ، " n‬و ﯾﺎ " ‪ " o‬را اﺧﺘﯿﺎر ﮐﻨﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- rbinom(20, 20, 0.5‬‬

‫)‪> hist(x‬‬
‫)"‪> locator(3,"o‬‬
‫‪$x‬‬
‫‪[1] 6.916213 8.992383 10.951034‬‬

‫‪$y‬‬
‫‪[1] 4.000000 2.033199 8.003223‬‬

‫‪41‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫)(‪identify‬‬ ‫‪ .3.2‬ﺗﺎﺑﻊ‬

‫ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ ﺗﺎﺑﻊ ﻣﯽ ﺗﻮان ﺗﺮﺗﯿﺐ ﻫﺮ ﻧﻘﻄﻪ از ﻧﻤﻮدار را ﺑﺎ ﮐﻠﯿﮏ ﻣﻮس روي آن ﻧﻘﻄﻪ ﻧﻤﺎﯾﺶ داد‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫)‪x <- rpois(10,10‬‬

‫>‬ ‫‪y <- 1:10‬‬
‫>‬ ‫)‪plot(x,y‬‬
‫>‬ ‫)‪identify(x,y‬‬

‫‪ .4‬ﺗﻐﯿﯿﺮ ﭘﺎراﻣﺘﺮﻫﺎي ﺗﻮاﺑﻊ‬

‫ﺑﺮاي ﺗﻐﯿﯿﺮ ﭘﺎراﻣﺘﺮﻫﺎي ﺗﻮاﺑﻊ از ﺗﺎﺑﻊ )(‪ par‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬در ﺻﻮرت ﺑﮑﺎر ﮔﯿﺮي اﯾﻦ ﺗﺎﺑﻊ ﺑﺪون آرﮔﻮﻣﺎن ﻟﯿﺴﺘﯽ از‬
‫ﭘﺎراﻣﺘﺮﻫﺎي ﻗﺎﺑﻞ ﺗﻐﯿﯿﺮ ﺗﻮاﺑﻊ ﺗﺮﺳﯿﻢ ﺑﻪ ﻧﻤﺎﯾﺶ در ﺧﻮاﻫﺪ آﻣﺪ‪ .‬از ﺗﺎﺑﻊ )(‪ par‬ﻗﺒﻞ از رﺳﻢ ﻧﻤﻮدار اﺳـﺘﻔﺎده ﻣـﯽ ﺷـﻮد‪.‬‬
‫ﺑﺮاي ﮐﺴﺐ اﻃﻼﻋﺎت دﻗﯿﻖ در ﻣﻮرد اﯾﻦ ﺗﺎﺑﻊ ﻣﯽ ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از دﺳﺘﻮر )(‪ ?par‬از ﻓﺎﯾﻞ ‪ help‬ﮐﻤﮏ ﮔﺮﻓﺖ‪.‬‬

‫‪42‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫آزﻣﻮن ﻫﺎي آﻣﺎري‬

‫‪ .1‬آزﻣﻮن ‪t'student‬‬

‫آزﻣﻮن ‪ t'student‬ﺑﺮاي اﻧﺠﺎم آزﻣﻮن در ﻣﻮرد ﻣﯿﺎﻧﮕﯿﻦ ﯾﮏ ﯾﺎ دو ﺟﺎﻣﻌﻪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣـﯽ ﮔﯿـﺮد‪ .‬ﺑـﺮاي اﻧﺠـﺎم‬
‫آزﻣﻮن ‪ t‬از ﺗﺎﺑﻊ )(‪ t.test‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ اﺳﺖ‪.‬‬

‫)‪t.test(x,y,alternative,mu,paired,var.equal,conf.level‬‬

‫در ﺳﺎﺧﺘﺎر ﻓﻮق ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ﯾﮏ ﻧﻤﻮﻧﻪ اي ﻓﻘﻂ ﯾﮏ ﺑﺮدار ﻋﺪدي در ﻗﺴﻤﺖ ‪ x‬ﺑﻪ ﻋﻨﻮان ﺑﺮدار ﻣﺸﺎﻫﺪات وارد‬
‫ﻣﯽ ﮐﻨﯿﻢ و ﺑﺮاي اﻧﺠﺎم آزﻣﻮن دو ﻧﻤﻮﻧﻪ اي ﻋﻼوه ﺑﺮ ﺑﺮدار ‪ x‬ﯾﮏ ﺑﺮدار ﻋـﺪدي ﻧﯿـﺰ در ﻗـﺴﻤﺖ ‪ y‬ﺑـﻪ ﻋﻨـﻮان ﺑـﺮدار‬
‫ﻣــﺸﺎﻫﺪات دوم وارد ﻣــﯽ ﮐﻨــﯿﻢ‪ .‬در ﻗــﺴﻤﺖ ‪ altervative‬ﻓــﺮض ﻣﻘﺎﺑــﻞ را ﺑــﻪ ﺻــﻮرت " ‪، " graeter‬‬
‫" ‪ ، " less‬و ﯾﺎ " ‪ " two.sided‬ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ﯾﮏ ﻃﺮﻓﻪ ﯾﺎ دو ﻃﺮﻓﻪ ﺑﻪ ﺻﻮرت دﻟﺨﻮاه وارد ﻣﯽ ﮐﻨـﯿﻢ‪ .‬در‬
‫ﻗﺴﻤﺖ ‪ mu‬ﻣﻘﺪار ﻣﯿﺎﻧﮕﯿﻦ ﺗﺤﺖ ﻓﺮض ﺻﻔﺮ را وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗﺴﻤﺖ ‪ paired‬اﮔﺮ ﻣﻘﺪار ‪ TRUE‬را وارد ﮐﻨﯿﻢ‬
‫آزﻣﻮن ﺑﻪ ﺻﻮرت ﺟﻔﺘﯽ اﻧﺠﺎم ﻣﯽ ﺷﻮد ﮐﻪ در اﯾﻦ ﺣﺎﻟﺖ ﺑﺎﯾﺪ اﻧﺪازه دو ﺑﺮدار وارد ﺷﺪه ﯾﮑﺴﺎن ﺑﺎﺷﺪ‪ .‬در ﺻﻮرﺗﯽ ﮐﻪ‬
‫ﻣﻘﺪار ‪ paired‬را ‪ FALSE‬وارد ﮐﻨﯿﻢ آزﻣﻮن ﺑﻪ ﺻﻮرت ﺟﻔﺘﯽ اﻧﺠﺎم ﻧﻤﯽ ﺷـﻮد‪ .‬در ﻗـﺴﻤﺖ ‪ var.equal‬اﮔـﺮ‬
‫ﻣﻘﺪار ‪ TRUE‬را وارد ﮐﻨﯿﻢ آزﻣﻮن ﺑﺎ ﺷﺮط ﺑﺮاﺑﺮي وارﯾﺎﻧﺲ ﻫﺎ اﻧﺠﺎم ﻣﯽ ﺷﻮد و اﮔﺮ ﻣﻘﺪار ‪ FALSE‬را وارد ﮐﻨـﯿﻢ‬
‫آزﻣﻮن ﺑﺎ ﺷﺮط ﻧﺎ ﺑﺮاﺑﺮي وارﯾﺎﻧﺲ ﻫﺎ اﻧﺠﺎم ﻣﯽ ﺷﻮد‪ .‬در ﻗﺴﻤﺖ ‪ conf.level‬ﻧﯿﺰ ﺑﺎﯾﺪ ﺳﻄﺢ اﻃﻤﯿﻨﺎن ﻣﻮرد ﻧﻈﺮ را‬
‫وارد ﮐﻨﯿﻢ‪ .‬در ﺳﺎﺧﺘﺎر ﺗﺎﺑﻊ ﮔﺰﯾﻨﻪ ﻫﺎ داراي ﻣﻘﺎدﯾﺮ ﭘﯿﺶ ﻓﺮض ﻣﯽ ﺑﺎﺷﻨﺪ‪ .‬ﻣﻘﺎدﯾﺮ ﭘﯿﺶ ﻓﺮض ﮔﺰﯾﻨﻪ ﻫﺎ ﺑﻪ ﺻﻮرت زﯾﺮ‬
‫اﺳﺖ‪.‬‬

‫‪t.test(x,y = NULL,alternative = c("two.sided", "less", "greater"),‬‬

‫)‪mu = 0,paired = FALSE,var.equal = FALSE,conf.level = 0.95‬‬

‫ﻣﺜﺎل ) آزﻣﻮن ﯾﮏ ﻧﻤﻮﻧﻪ اي ( ‪:‬‬

‫)‪> x <- rnorm(10‬‬

‫)‪> t.test(x‬‬

‫‪One Sample t-test‬‬

‫‪data: x‬‬
‫‪t = -0.7416, df = 9, p-value = 0.4772‬‬
‫‪alternative hypothesis: true mean is not equal to 0‬‬
‫‪95 percent confidence interval:‬‬
‫‪-1.0486421 0.5308475‬‬
‫‪sample estimates:‬‬
‫‪mean of x‬‬
‫‪-0.2588973‬‬

‫)‪> x <- rnorm(10,5,25); mean(x‬‬

‫‪[1] 1.971701‬‬

‫‪43‬‬
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

> t.test(x,mu=5,alternatinve="less")

One Sample t-test

data: x
t = -0.5815, df = 9, p-value = 0.5752
alternative hypothesis: true mean is not equal to 5
95 percent confidence interval:
-9.809701 13.753104
sample estimates:
mean of x
1.971701

: ( ‫ﻣﺜﺎل ) آزﻣﻮن دو ﻧﻤﻮﻧﻪ اي‬

> x <- rnorm(30); y <- rnorm(25)

> t.test(x,y,var.equal=T)

Two Sample t-test

data: x and y
t = 0.8449, df = 53, p-value = 0.402
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.3073231 0.7546665
sample estimates:
mean of x mean of y
0.3012040 0.0775323

> t.test(x,y,var.equal=F)

Welch Two Sample t-test

data: x and y
t = 0.855, df = 52.835, p-value = 0.3964
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.3010520 0.7483953
sample estimates:
mean of x mean of y
0.3012040 0.0775323

: ( ‫ﻣﺜﺎل ) آزﻣﻮن ﺟﻔﺘﯽ‬

> x <- rpois(15,5); y <- rpois(15,6)

> t.test(x,y,paired=T)

Paired t-test

data: x and y
t = -1.9335, df = 14, p-value = 0.07365
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-3.9373174 0.2039841
sample estimates:
mean of the differences
-1.866667

44
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

F ‫ آزﻣﻮن‬.2

‫ از‬F ‫ ﺑﺮاي اﻧﺠﺎم آزﻣـﻮن‬.‫ ﺑﺮاي اﻧﺠﺎم آزﻣﻮن در ﻣﻮرد وارﯾﺎﻧﺲ دو ﺟﺎﻣﻌﻪ ﻧﺮﻣﺎل ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد‬F ‫آزﻣﻮن‬
.‫ ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ اﺳﺖ‬.‫ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‬var.test() ‫ﺗﺎﺑﻊ‬

var.test(x,y,ratio,alternative,conf.level)

‫ ﻧﺴﺒﺖ ﻣﻮرد ﻧﻈﺮ ﺗﺤﺖ ﻓﺮ ض ﺻﻔﺮ‬ratio ‫ در ﻗﺴﻤﺖ‬.‫ ﺑﺮدارﻫﺎي ﻣﺸﺎﻫﺪات را وارد ﻣﯽ ﮐﻨﯿﻢ‬y ‫ و‬x ‫در اﯾﻦ ﺗﺎﺑﻊ در‬
‫ ﻧﯿﺰ ﺑﻪ ﺗﺮﺗﯿﺐ ﻣﻘﺎدﯾﺮ ﻓﺮض ﻣﻘﺎﺑـﻞ و ﺳـﻄﺢ‬conf.level ‫ و‬alternative ‫ در ﻗﺴﻤﺖ ﻫﺎي‬.‫را وارد ﻣﯽ ﮐﻨﯿﻢ‬
.‫ ﻣﻘﺪار ﭘﯿﺶ ﻓﺮض ﮔﺰﯾﻨﻪ ﻫﺎي اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ‬.‫اﻃﻤﯿﻨﺎن ﻣﻮرد ﻧﻈﺮ را وارد ﻣﯽ ﮐﻨﯿﻢ‬

var.test(x,y,ratio = 1,alternative = c("two.sided", "less",

"greater"),conf.level = 0.95)

:‫ﻣﺜﺎل‬

> x <- rnorm(30,0,1)

> y <- rnorm(30,0,5)
> var.test(x,y)

F test to compare two variances

data: x and y
F = 0.0237, num df = 29, denom df = 29, p-value < 2.2e-16
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.01128097 0.04979629
sample estimates:
ratio of variances
0.02370128

> var.test(x,y,ratio=0.02)

F test to compare two variances

data: x and y
F = 1.1851, num df = 29, denom df = 29, p-value = 0.6505
alternative hypothesis: true ratio of variances is not equal to 0.02
95 percent confidence interval:
0.01128097 0.04979629
sample estimates:
ratio of variances
0.02370128

45
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .3‬آزﻣﻮن دو ﺟﻤﻠﻪ اي‬

‫آزﻣﻮن دو ﺟﻤﻠﻪ اي ﺑﺮاي اﻧﺠﺎم آزﻣﻮن در ﻣﻮرد ﻧﺴﺒﺖ ﻣﻮﻓﻘﯿﺖ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد‪ .‬ﺑـﺮاي اﻧﺠـﺎم آزﻣـﻮن دو‬
‫ﺟﻤﻠﻪ اي از ﺗﺎﺑﻊ )(‪ binom.test‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ اﺳﺖ‪.‬‬

‫)‪binom.test(x,n,p,alternative,conf.level‬‬

‫در اﯾﻦ ﺗﺎﺑﻊ ‪ x‬ﺗﻌﺪاد ﻣﻮﻓﻘﯿـﺖ‪ n ،‬ﺗﻌـﺪاد آزﻣـﺎﯾﺶ ﻫـﺎ‪ ،‬و ‪ p‬اﺣﺘﻤـﺎل ﻣﻮﻓﻘﯿـﺖ ﺗﺤـﺖ ﻓـﺮض ﺻـﻔﺮ اﺳـﺖ‪ .‬ﻣﻘـﺎدﯾﺮ‬
‫‪ alternative‬و ‪ conf.level‬ﻧﯿﺰ ﺑﻪ ﺗﺮﺗﯿﺐ ﻓﺮض ﻣﻘﺎﺑﻞ و ﺳﻄﺢ اﻃﻤﯿﻨﺎن ﻣﻮرد ﻧﻈـﺮ ﻫـﺴﺘﻨﺪ‪ .‬ﻣﻘـﺪار ﭘـﯿﺶ‬
‫ﻓﺮض ﮔﺰﯾﻨﻪ ﻫﺎي ﻓﻮق ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ‪.‬‬

‫‪binom.test(x,n,p = 0.5,alternative = c("two.sided", "less",‬‬

‫)‪"greater"),conf.level = 0.95‬‬

‫ﻣﺜﺎل ‪:‬‬

‫)‪> binom.test(48,90,0.5‬‬

‫‪Exact binomial test‬‬

‫‪data: 48 and 90‬‬

‫‪number of successes = 48, number of trials = 90, p-value = 0.5984‬‬
‫‪alternative hypothesis: true probability of success is not equal to‬‬
‫‪0.5‬‬
‫‪95 percent confidence interval:‬‬
‫‪0.4251273 0.6392843‬‬
‫‪sample estimates:‬‬
‫‪probability of success‬‬
‫‪0.5333333‬‬

‫‪ .4‬آزﻣﻮن ‪chi-square‬‬

‫آزﻣﻮن ‪ chi-square‬ﺑﺮاي اﻧﺠﺎم آزﻣﻮن در ﻣﻮرد ﻧﯿﮑﻮﯾﯽ ﺑﺮازش و ﯾﺎ ﺑﺮرﺳﯽ اﺳﺘﻘﻼل در ﺟـﺪاول ﭘﯿـﺸﺎﯾﻨﺪي ﻣـﻮرد‬
‫اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد‪ .‬ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ‪ chi-square‬از ﺗﺎﺑﻊ )(‪ chisq.test‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠـﯽ‬
‫اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ اﺳﺖ‪.‬‬

‫)‪chisq.test(x,y,correct,p,rescale.p,simulate.p.value,B‬‬

‫در ﺳﺎﺧﺘﺎر ﻓﻮق ‪ x‬ﯾﮏ ﺑﺮدار ﯾﺎ ﯾﮏ ﻣﺎﺗﺮﯾﺲ و ‪ y‬ﯾﮏ ﺑﺮدار اﺳﺖ‪ .‬در ﺻﻮرﺗﯽ ﮐﻪ ﺑﺨﻮاﻫﯿﻢ آزﻣـﻮن ﻧﯿﮑـﻮﯾﯽ ﺑـﺮازش‬
‫اﻧﺠﺎم دﻫﯿﻢ ﺗﻨﻬﺎ در ﻗﺴﻤﺖ ‪ x‬ﺑﺮدار ﻓﺮاواﻧﯽ ﻫﺎ را وارد ﻣﯽ ﮐﻨﯿﻢ و ﻧﯿﺎزي ﻧﯿﺴﺖ در ﻗﺴﻤﺖ ‪ y‬ﭼﯿﺰي وارد ﺷـﻮد‪ .‬اﮔـﺮ‬
‫ﺑﺨﻮاﻫﯿﻢ آزﻣﻮن اﺳﺘﻘﻼل در ﺟﺪاول ﭘﯿﺸﺎﯾﻨﺪي اﻧﺠﺎم دﻫﯿﻢ ﯾﺎ ﺟﺪول را ﺑﻪ ﺻﻮرت ﯾـﮏ ﻣـﺎﺗﺮﯾﺲ در ﻗـﺴﻤﺖ ‪ x‬وارد‬

‫‪46‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﯽ ﮐﻨﯿﻢ و ﯾﺎ ﺑﺮدارﻫﺎي ﺟﻤﻊ ﻫـﺎي ﺣﺎﺷـﯿﻪ اي را در ﻗـﺴﻤﺖ ‪ x‬و ‪ y‬وارد ﻣـﯽ ﮐﻨـﯿﻢ‪ .‬در ﻗـﺴﻤﺖ ‪ correct‬در‬
‫ﺻﻮرﺗﯽ ﮐﻪ ﺑﺨﻮاﻫﯿﻢ ﺗﺼﺤﯿﺢ ﭘﯿﻮﺳﺘﮕﯽ اﻧﺠﺎم ﺷﻮد ﻣﻘﺪار ‪ ، TRUE‬و در ﻏﯿﺮ اﯾﻦ ﺻﻮرت ﻣﻘـﺪار ‪ FALSE‬را وارد‬
‫ﻣﯽ ﮐﻨـﯿﻢ‪ .‬در ﻗـﺴﻤﺖ ‪ p‬ﺑـﺮدار اﺣﺘﻤـﺎل ﻫـﺎ را ﺑـﺮاي اﻧﺠـﺎم آزﻣـﻮن ﻧﯿﮑـﻮﯾﯽ ﺑـﺮازش وارد ﻣـﯽ ﮐﻨـﯿﻢ‪ .‬در ﻗـﺴﻤﺖ‬
‫‪ rescale.p‬در ﺻﻮرﺗﯽ ﮐﻪ ﺟﻤﻊ اﺣﺘﻤﺎل ﻫﺎي ﺑﺮدار ‪ p‬ﺑﺮاﺑﺮ ﯾﮏ ﻧﺒﺎﺷﺪ ﻣﻘﺪار ‪ TRUE‬را وارد ﻣﯽ ﮐﻨﯿﻢ ﺗﺎ ﺑﺮدار‬
‫از ﻧﻮ ﻣﻘﺪار دﻫﯽ ﺷﻮد ﺑﻪ ﺻﻮرﺗﯽ ﮐﻪ ﺟﻤﻊ اﺣﺘﻤـﺎﻻت ﺑﺮاﺑـﺮ ﯾـﮏ ﺷـﻮد‪ .‬در ﻗـﺴﻤﺖ ‪ simulate.p.value‬در‬
‫ﺻﻮرﺗﯽ ﮐﻪ ﺑﺨﻮاﻫﯿﻢ ‪ p-value‬از روش ﻣﻮﻧﺖ‪-‬ﮐﺎرﻟﻮ ﺷﺒﯿﻪ ﺳﺎزي ﺷﻮد ﻣﻘﺪار ‪ TRUE‬را وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗـﺴﻤﺖ‬
‫‪ B‬ﻧﯿﺰ ﺗﻌﺪاد اﺟﺮاﻫﺎي روش ﻣﻮﻧﺖ‪-‬ﮐﺎرﻟﻮ را ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﻣﻘﺪار ﭘﯿﺶ ﻓﺮض ﮔﺰﯾﻨﻪ ﻫﺎي ﻓﻮق ﺑـﻪ ﺻـﻮرت زﯾـﺮ‬
‫اﺳﺖ‪.‬‬

‫‪chisq.test(x,y = NULL,correct = TRUE,p = rep(1/length(x),length(x)),‬‬

‫)‪rescale.p = FALSE,simulate.p.value = FALSE,B = 2000‬‬

‫ﻣﺜﺎل ) آزﻣﻮن ﻧﯿﮑﻮﯾﯽ ﺑﺮازش ( ‪:‬‬

‫)‪> x <- c(15,18,12,17,11,19‬‬

‫)‪> prob <- rep(1/6,6‬‬
‫)‪> chisq.test(x,p=prob‬‬

‫‪Chi-squared test for given probabilities‬‬

‫‪data: x‬‬
‫‪X-squared = 3.4783, df = 5, p-value = 0.6267‬‬

‫ﻣﺜﺎل ) آزﻣﻮن اﺳﺘﻘﻼل ( ‪:‬‬

‫)‪> x <- matrix(c(10,15,14,10,12,15),2,3‬‬

‫‪> x‬‬
‫]‪[,1] [,2] [,3‬‬
‫]‪[1,‬‬ ‫‪10‬‬ ‫‪14‬‬ ‫‪12‬‬
‫]‪[2,‬‬ ‫‪15‬‬ ‫‪10‬‬ ‫‪15‬‬
‫)‪> chisq.test(x‬‬

‫‪Pearson's Chi-squared test‬‬

‫‪data: x‬‬
‫‪X-squared = 1.7944, df = 2, p-value = 0.4077‬‬

‫‪47‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫آزﻣﻮن ﻫﺎي ﻧﺎﭘﺎراﻣﺘﺮي‬

‫‪ .1‬آزﻣﻮن وﯾﻠﮑﺎﮐﺴﻮن‬

‫ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ﻧﺎﭘﺎراﻣﺘﺮي در ﻣﻮرد ﻣﯿﺎﻧﻪ ﯾﮏ ﯾﺎ دو ﺟﺎﻣﻌﻪ از آزﻣﻮن ﯾﮏ ﻧﻤﻮﻧﻪ اي ﯾـﺎ دو ﻧﻤﻮﻧـﻪ اي وﯾﻠﮑﺎﮐـﺴﻮن‬
‫اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬آزﻣﻮن دو ﻧﻤﻮﻧﻪ اي وﯾﻠﮑﺎﮐﺴﻮن ﺑﻪ ﻧﺎم آزﻣﻮن ﻣﻦ‪-‬وﯾﺘﻨﯽ ﻧﯿﺰ ﺷﻨﺎﺧﺘﻪ ﻣﯽ ﺷﻮد‪ .‬ﺑﺮاي اﻧﺠـﺎم آزﻣـﻮن‬
‫وﯾﻠﮑﺎﮐﺴﻮن از ﺗﺎﺑﻊ )(‪ wilcox.test‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ اﺳﺖ‪.‬‬

‫‪wilcox.test(x,y,alternative,mu,paired,exact,correct,conf.int,‬‬
‫)‪conf.level‬‬

‫در ﺳﺎﺧﺘﺎر ﻓﻮق در ﻗﺴﻤﺖ ‪ x‬ﺑﺮدار ﻣﺸﺎﻫﺪات را وارد ﻣﯽ ﮐﻨﯿﻢ و در ﻗﺴﻤﺖ ‪ y‬در ﺻﻮرﺗﯽ ﮐـﻪ ﺑﺨـﻮاﻫﯿﻢ آزﻣـﻮن دو‬
‫ﻧﻤﻮﻧﻪ اي اﻧﺠﺎم دﻫﯿﻢ ﺑﺮدار ﻣﺸﺎﻫﺪات ﻧﻤﻮﻧﻪ دوم را وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗﺴﻤﺖ ‪ alternative‬ﻓﺮض ﻣﻘﺎﺑﻞ را ﺑـﻪ‬
‫ﺻﻮرت " ‪ ، " less " ، " graeter‬و ﯾﺎ " ‪ " two.sided‬ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ﯾﮏ ﻃﺮﻓﻪ ﯾﺎ دو ﻃﺮﻓﻪ ﺑﻪ ﺻﻮرت‬
‫دﻟﺨﻮاه وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗﺴﻤﺖ ‪ mu‬ﻣﻘﺪار ﻣﯿﺎﻧﻪ را ﺗﺤﺖ ﻓﺮض ﺻﻔﺮ وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗﺴﻤﺖ ‪ paired‬اﮔﺮ ﻣﻘﺪار‬
‫‪ TRUE‬را وارد ﮐﻨﯿﻢ آزﻣﻮن ﺑﻪ ﺻﻮرت ﺟﻔﺘﯽ اﻧﺠﺎم ﻣﯽ ﺷﻮد ﮐﻪ در اﯾﻦ ﺣﺎﻟﺖ ﺑﺎﯾﺪ اﻧﺪازه دو ﺑﺮدار وارد ﺷﺪه ﯾﮑﺴﺎن‬
‫ﺑﺎﺷﺪ‪ .‬در ﺻﻮرﺗﯽ ﮐﻪ ﻣﻘﺪار ‪ paired‬را ‪ FALSE‬وارد ﮐﻨﯿﻢ آزﻣﻮن ﺑﻪ ﺻﻮرت ﺟﻔﺘﯽ اﻧﺠﺎم ﻧﻤﯽ ﺷﻮد‪ .‬در ﻗـﺴﻤﺖ‬
‫‪ exact‬اﮔﺮ ﻣﻘﺪار ‪ TRUE‬را وارد ﮐﻨﯿﻢ ﻣﻘﺪار ‪ p-value‬ﺑﻪ ﺻﻮرت دﻗﯿﻖ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد‪ ،‬در ﻏﯿﺮ اﯾـﻦ ﺻـﻮرت‬
‫‪ p-value‬ﺑﺎ ﺗﻘﺮﯾﺐ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮔﺮدد‪ .‬در ﻗﺴﻤﺖ ‪ correct‬در ﺻﻮرﺗﯽ ﮐﻪ ﺑﺨـﻮاﻫﯿﻢ ﺗـﺼﺤﯿﺢ ﭘﯿﻮﺳـﺘﮕﯽ اﻧﺠـﺎم‬
‫ﺷﻮد ﻣﻘﺪار ‪ ، TRUE‬و در ﻏﯿﺮ اﯾﻦ ﺻﻮرت ﻣﻘﺪار ‪ FALSE‬را وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗﺴﻤﺖ ‪ conf.int‬در ﺻﻮرﺗﯽ‬
‫ﮐﻪ ﺑﺨﻮاﻫﯿﻢ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ﻣﺤﺎﺳﺒﻪ ﺷﻮد ﻣﻘﺪار ‪ TRUE‬و در ﻏﯿﺮ اﯾﻦ ﺻﻮرت ﻣﻘﺪار ‪ FALSE‬را وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در‬
‫ﻗﺴﻤﺖ ‪ conf.level‬ﻧﯿﺰ ﺑﺎﯾﺪ ﺳﻄﺢ اﻃﻤﯿﻨﺎن ﻣﻮرد ﻧﻈﺮ را وارد ﮐﻨﯿﻢ‪ .‬ﻣﻘـﺪار ﭘـﯿﺶ ﻓـﺮض ﮔﺰﯾﻨـﻪ ﻫـﺎي ﻓـﻮق ﺑـﻪ‬
‫ﺻﻮرت زﯾﺮ اﺳﺖ‪.‬‬

‫‪wilcox.test(x,y = NULL,alternative = c("two.sided", "less",‬‬

‫‪"greater"),mu = 0,paired = FALSE,exact = NULL,correct = TRUE,‬‬
‫)‪conf.int = FALSE,conf.level = 0.95‬‬

‫ﻣﺜﺎل ) آزﻣﻮن ﯾﮏ ﻧﻤﻮﻧﻪ اي ( ‪:‬‬

‫)‪> x <- sample(c(-5:5),20,rep=T‬‬

‫‪> x‬‬
‫‪[1] 1 -2 2 0 -5 3 -2 -5 5‬‬ ‫‪1 -3‬‬ ‫‪1 -1 -2 -3 -1‬‬ ‫‪3‬‬ ‫‪3 -3 -5‬‬
‫)‪> wilcox.test(x,exact=F‬‬

‫‪Wilcoxon signed rank test with continuity correction‬‬

‫‪data: x‬‬
‫‪V = 71.5, p-value = 0.351‬‬
‫‪alternative hypothesis: true location is not equal to 0‬‬

‫‪48‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﺜﺎل ) آزﻣﻮن ﻣﻦ‪-‬وﯾﺘﻨﯽ ( ‪:‬‬

‫)‪> x <- sample(c(5:15),20,rep=T‬‬

‫)‪> y <- sample(c(0:20),20,rep=T‬‬
‫‪> x‬‬
‫‪[1] 15 13 13 14 13 6 7 10 12 14 6‬‬ ‫‪9‬‬ ‫‪7 15 14‬‬ ‫‪8 11 14‬‬ ‫‪5 12‬‬
‫‪> y‬‬
‫‪[1] 15 3 20 11 15 0 12 19 7 10 14‬‬ ‫‪6 19‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪3 11 13 13‬‬
‫)‪> wilcox.test(x,y,exact=F‬‬

‫‪Wilcoxon rank sum test with continuity correction‬‬

‫‪data: x and y‬‬

‫‪W = 218, p-value = 0.6347‬‬
‫‪alternative hypothesis: true location shift is not equal to 0‬‬

‫ﻣﺜﺎل ) آزﻣﻮن ﺟﻔﺘﯽ ( ‪:‬‬

‫)‪> wilcox.test(x,y,exact=F,paired=T‬‬

‫‪Wilcoxon signed rank test with continuity correction‬‬

‫‪data: x and y‬‬

‫‪V = 107.5, p-value = 0.6288‬‬
‫‪alternative hypothesis: true location shift is not equal to 0‬‬

‫‪ .2‬آزﻣﻮن ﮐﻮﻟﻤﻮﮔﺮوف‪-‬اﺳﻤﯿﺮوﻧﻮف‬

‫ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ﻧﺎﭘﺎراﻣﺘﺮي در ﻣﻮرد ﺗﻮزﯾﻊ ﯾﮏ ﯾﺎ دو ﻣﺘﻐﯿﺮ از آزﻣﻮن ﮐﻮﻟﻤﻮﮔﺮوف‪-‬اﺳﻤﯿﺮوﻧﻮف اﺳﺘﻔﺎده ﻣﯽ ﺷـﻮد‪.‬‬
‫ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ﮐﻮﻟﻤﻮﮔﺮوف‪-‬اﺳﻤﯿﺮوﻧﻮف از ﺗﺎﺑﻊ )(‪ ks.test‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ‬
‫زﯾﺮ اﺳﺖ‪.‬‬

‫)‪ks.test(x,y,...,alternative,exact‬‬

‫در ﺗﺎﺑﻊ ﻓﻮق در ﻗﺴﻤﺖ ‪ x‬ﺑﺮدار ﻣﺸﺎﻫﺪات را وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗـﺴﻤﺖ ‪ y‬در ﺻـﻮرﺗﯽ ﮐـﻪ ﺑﺨـﻮاﻫﯿﻢ آزﻣـﻮن ﯾـﮏ‬
‫ﻧﻤﻮﻧﻪ اي اﻧﺠﺎم دﻫﯿﻢ ﻧﺎم ﺗﻮزﯾﻊ ﭘﯿﻮﺳﺘﻪ ﻣﻮرد ﻧﻈﺮ و در ﺻﻮرﺗﯽ ﮐﻪ ﺑﺨﻮاﻫﯿﻢ آزﻣﻮن دو ﻧﻤﻮﻧﻪ اي اﻧﺠـﺎم دﻫـﯿﻢ ﺑـﺮدار‬
‫ﻣﺸﺎﻫﺪات دوم را وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗﺴﻤﺖ ﺑﻌﺪ از ‪ y‬ﭘﺎراﻣﺘﺮﻫﺎي ﺗﻮزﯾﻊ وارد ﺷﺪه در ﻗـﺴﻤﺖ ‪ y‬ﺑـﺮاي آزﻣـﻮن ﯾـﮏ‬
‫ﻧﻤﻮﻧﻪ اي را وارد ﻣﯽ ﮐﻨﯿﻢ‪ .‬در ﻗﺴﻤﺖ ﻫﺎي ‪ alternative‬و ‪ exact‬ﻧﯿﺰ ﺑﻪ ﺗﺮﺗﯿﺐ ﻓﺮض ﻣﻘﺎﺑـﻞ و اﯾﻨﮑـﻪ آﯾـﺎ‬
‫‪ p-value‬ﺑﻪ ﺻﻮرت دﻗﯿﻖ ﯾﺎ ﺗﻘﺮﯾﺒﯽ ﻣﺤﺎﺳﺒﻪ ﺷﻮد را ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﻣﻘﺪار ﭘـﯿﺶ ﻓـﺮض ﮔﺰﯾﻨـﻪ ﻫـﺎي ﻓـﻮق ﺑـﻪ‬
‫ﺻﻮرت زﯾﺮ اﺳﺖ‪.‬‬

‫‪ks.test(x,y,...,alternative = c("two.sided", "less", "greater"),‬‬

‫)‪exact = NULL‬‬

‫‪49‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻣﺜﺎل ) آزﻣﻮن ﯾﮏ ﻧﻤﻮﻧﻪ اي ( ‪:‬‬

‫)‪> x <- rnorm(30‬‬

‫)"‪> ks.test(x,"pnorm‬‬

‫‪One-sample Kolmogorov-Smirnov test‬‬

‫‪data: x‬‬
‫‪D = 0.1434, p-value = 0.5221‬‬
‫‪alternative hypothesis: two-sided‬‬

‫ﻣﺜﺎل ) آزﻣﻮن دو ﻧﻤﻮﻧﻪ اي ( ‪:‬‬

‫)‪> x <- rnorm(30‬‬

‫)‪> y <- rnorm(25‬‬
‫)‪> ks.test(x,y‬‬

‫‪Two-sample Kolmogorov-Smirnov test‬‬

‫‪data: x and y‬‬

‫‪D = 0.2333, p-value = 0.3848‬‬
‫‪alternative hypothesis: two-sided‬‬

‫‪ .3‬آزﻣﻮن ﺷﺎﭘﯿﺮو‪-‬وﯾﻠﮏ‬

‫آزﻣﻮن ﺷﺎﭘﯿﺮو‪-‬وﯾﻠﮏ ﺑﺮاي ﺑﺮرﺳﯽ ﻧﺮﻣﺎل ﺑﻮدن ﺗﻮزﯾﻊ ﻣﺸﺎﻫﺪات ﺑﻪ ﺻﻮرت ﻧﺎﭘﺎراﻣﺘﺮي ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣـﯽ ﮔﯿـﺮد‪.‬‬
‫ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ﺷﺎﭘﯿﺮو‪-‬وﯾﻠﮏ از ﺗﺎﺑﻊ )(‪ shapiro.test‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ‬
‫اﺳﺖ‪.‬‬
‫)‪shapiro.test(x‬‬

‫ﻫﻤﺎﻧﻄﻮر ﮐﻪ ﻣﺸﺎﻫﺪه ﻣﯽ ﺷﻮد ﺗﻨﻬﺎ ﻣﻮردي ﮐﻪ ﺑﺎﯾﺪ در ﺗﺎﺑﻊ وارد ﮐﺮد ﺑﺮدار ﻣﺸﺎﻫﺪات اﺳﺖ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- rnorm(25‬‬

‫)‪> shapiro.test(x‬‬

‫‪Shapiro-Wilk normality test‬‬

‫‪data: x‬‬
‫‪W = 0.9317, p-value = 0.09503‬‬

‫‪50‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .4‬آزﻣﻮن ﮐﺮوﺳﮑﺎل‪-‬واﻟﯿﺲ‬

‫آزﻣﻮن ﮐﺮوﺳﮑﺎل‪-‬واﻟﯿﺲ ﺑﺮاي اﻧﺠﺎم ﻣﻘﺎﯾﺴﻪ در ﻣﻮرد ﺑﯿﺶ از دو ﺟﺎﻣﻌﻪ ﺑﻪ ﻋﻨﻮان آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ ﯾﮏ ﻃﺮﻓﻪ ﻧﺎﭘﺎراﻣﺘﺮي‬
‫ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد‪ .‬ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ﮐﺮوﺳﮑﺎل‪-‬واﻟﯿﺲ از ﺗﺎﺑﻊ )(‪ kruskal.test‬اﺳﺘﻔﺎده ﻣـﯽ ﺷـﻮد‪.‬‬
‫ﺳﺎﺧﺘﺎر ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ اﺳﺖ‪.‬‬
‫)‪kruskal.test(x,g‬‬

‫در اﯾﻦ ﺗﺎﺑﻊ در ﻗﺴﻤﺖ ‪ x‬ﺑﺮدار ﻣﺸﺎﻫﺪات و در ﻗﺴﻤﺖ ‪ g‬ﻓﺎﮐﺘﻮر ﻣﺸﺨﺺ ﮐﻨﻨﺪه ﮔﺮوه ﻫﺎ را وارد ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫>‬ ‫)‪fact <- rep(1:4,each=5‬‬

‫>‬ ‫)‪fact <- factor(fact‬‬
‫>‬ ‫)‪x <- sample(20:30,20,rep=T‬‬
‫>‬ ‫)‪kruskal.test(x,fact‬‬

‫‪Kruskal-Wallis rank sum test‬‬

‫‪data: x and fact‬‬

‫‪Kruskal-Wallis chi-squared = 0.707, df = 3, p-value = 0.8715‬‬

‫‪51‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫رﮔﺮﺳﯿﻮن‬

‫‪ .1‬ﻣﺪل ﻫﺎي ﺧﻄﯽ‬

‫ﺑﺮاي اﻧﺠﺎم ﯾﮏ ﺗﺤﻠﯿﻞ رﮔﺮﺳﯿﻮﻧﯽ در ‪ R‬اﺑﺘﺪا ﺑﺎﯾﺪ ﻣﺪل را ﺗﻌﯿﯿﻦ و ﻣﻌﺮﻓﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺮاي ﻣﻌﺮﻓﯽ ﻣﺪل ﻫﺎي ﺧﻄﯽ ﺑﻪ ﻃﻮر‬
‫ﻣﻌﻤﻮل از ﺗﻮاﺑﻊ )(‪ lm‬ﯾﺎ )(‪ glm‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺗﺎﺑﻊ )(‪ lm‬داراي ﮐﺎرﺑﺮدﻫﺎي وﺳﯿﻌﯽ ﺑﻮده و ﺑﻪ ﻃـﻮر ﮐﻠـﯽ در‬
‫ﺑﺴﯿﺎري از ﺗﺤﻠﯿﻞ ﻫﺎي ﺧﻄﯽ از ﺟﻤﻠﻪ آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ ﺑﺮاي ﻣﻌﺮﻓﯽ ﻣﺪل ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد‪ .‬ﺑﺮاي ﺗﻌﺮﯾﻒ ﯾﮏ‬
‫ﻣﺪل ﺧﻄﯽ در ﺗﺎﺑﻊ )(‪ lm‬از ﻋﻼﻣﺖ " ~ " در ﻣﯿﺎن ﻧﺎم ﻣﺘﻐﯿﺮ واﺑـﺴﺘﻪ و ﻣﺘﻐﯿﺮﻫـﺎي ﻣـﺴﺘﻘﻞ اﺳـﺘﻔﺎده ﻣـﯽ ﮐﻨـﯿﻢ‪ .‬در‬
‫ﺻﻮرﺗﯽ ﮐﻪ ﻣﺪل داراي ﻋﺮض از ﻣﺒﺪاء ﺻﻔﺮ ﺑﺎﺷﺪ از " ‪ " -1‬ﺑﺮاي ﻧﺸﺎن دادن اﯾﻦ ﻣﻄﻠﺐ در ﻣﺪل اﺳﺘﻔﺎده ﻣﯽ ﮐﻨـﯿﻢ‪.‬‬
‫ﻣﺜﻼ ﯾﮏ ﻣﺪل ﺧﻄﯽ ﺳﺎده ﺑﺎ ﻣﺘﻐﯿﺮ ﻣﺴﺘﻘﻞ ‪ x‬و ﻣﺘﻐﯿﺮ واﺑﺴﺘﻪ ‪ y‬و ﻋﺮض از ﻣﺒﺪاء ﺻﻔﺮ را ﺑـﻪ ﺻـﻮرت ) ‪( y~x -1‬‬
‫ﻧﺸﺎن ﻣﯽ دﻫﯿﻢ‪ .‬ﭘﺲ از ﻣﻌﺮﻓﯽ ﻣﺪل ﺑﺎ اﺳﺘﻔﺎده از ﺗـﺎﺑﻊ )(‪ lm‬از دو ﺗـﺎﺑﻊ )(‪ summary‬و )(‪ plot‬ﺑـﺮاي اﻧﺠـﺎم‬
‫ﺗﺤﻠﯿﻞ ﻫﺎ و رﺳﻢ ﻧﻤﻮدارﻫﺎي ﻣﺪل اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬اﯾﻦ دو ﺗﺎﺑﻊ زﻣﺎﻧﯽ ﮐﻪ ﺑﺎ ﺗﺎﺑﻊ )(‪ lm‬ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ‬
‫ﺑﺎ اﯾﻦ ﺗﺎﺑﻊ ﺳﺎزش ﯾﺎﻓﺘﻪ و ﺧﺮوﺟﯽ ﺧﻮد را ﺑﺎ آن ﻣﻨﻄﺒﻖ ﻣﯽ ﺳﺎزﻧﺪ‪ .‬از ﺧﺮوﺟﯽ ﺗـﺎﺑﻊ )(‪ summary‬ﻣـﯽ ﺗـﻮان در‬
‫ﺗـﺎﺑﻊ )(‪coef‬‬ ‫ﺗﻮاﺑﻌﯽ ﻧﻈﯿﺮ )(‪ coef() ، resid‬اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﺗﺎﺑﻊ )(‪ resid‬ﺑﺮاي ﻣـﺸﺎﻫﺪه ﺑﺎﻗﯿﻤﺎﻧـﺪه ﻫـﺎ و‬
‫ﺑﺮاي ﻣﺸﺎﻫﺪه ﺿﺮاﯾﺐ ﻣﻮرد اﺳـﺘﻔﺎده ﻗـﺮار ﻣـﯽ ﮔﯿﺮﻧـﺪ‪ .‬ﻫﻤﭽﻨـﯿﻦ از ﺧﺮوﺟـﯽ ﺗـﺎﺑﻊ )(‪ lm‬ﻧﯿـﺰ ﻋـﻼوه ﺑـﺮ ﺗﻮاﺑـﻊ‬
‫)(‪predict‬‬ ‫)(‪ summary‬و )(‪ ، plot‬ﻣﯽ ﺗﻮان در ﺗﻮاﺑﻊ )(‪ predict‬و )(‪ fitted‬اﺳﺘﻔﺎده ﮐﺮد‪ .‬ﺗﺎﺑﻊ‬
‫ﺑﺮاي ﻣﺸﺎﻫﺪه ﻣﻘﺎدﯾﺮ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺪه و ﺗﺎﺑﻊ )(‪ fitted‬ﺑﺮاي ﻣﺸﺎﻫﺪه ﻣﻘـﺎدﯾﺮ ﺑﺮازاﻧـﺪه ﺷـﺪه ﻣـﻮرد اﺳـﺘﻔﺎده ﻗـﺮار‬
‫ﻣﯽ ﮔﯿﺮﻧﺪ‪ .‬اﻟﺒﺘﻪ ﺑﺪون اﺳﺘﻔﺎده از اﯾﻦ ﺗﻮاﺑﻊ ﻧﯿﺰ ﻣﯽ ﺗﻮان ﻣﻘﺎدﯾﺮ ﻣﻮرد ﻧﻈﺮ را ﺑﺎ ﻓﺮاﺧﻮاﻧﯽ ﺑﻪ ﺻﻮرت اﺟﺰاي ﯾﮏ ﻟﯿﺴﺖ‬
‫ﻣﺸﺎﻫﺪه ﮐﺮد‪.‬‬
‫ﻣﺜﺎل ) ﻣﺪل ﺧﻄﯽ ﺳﺎده ( ‪:‬‬

‫)‪> x <- sample(20:50, 20‬‬

‫)‪> y <- 5+2*x+rnorm(20‬‬
‫)‪> lm(y~x‬‬

‫‪Call:‬‬
‫)‪lm(formula = y ~ x‬‬

‫‪Coefficients:‬‬
‫)‪(Intercept‬‬ ‫‪x‬‬
‫‪6.034‬‬ ‫‪1.968‬‬

‫))‪> result <- summary(lm(y~x‬‬

‫‪> result‬‬

‫‪Call:‬‬
‫)‪lm(formula = y ~ x‬‬

‫‪Residuals:‬‬
‫‪Min‬‬ ‫‪1Q‬‬ ‫‪Median‬‬ ‫‪3Q‬‬ ‫‪Max‬‬
‫‪-2.06729 -0.37419‬‬ ‫‪0.04529‬‬ ‫‪0.60234‬‬ ‫‪2.38873‬‬

‫‪52‬‬
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.03444 1.11164 5.428 3.71e-05 ***
x 1.96844 0.03124 63.009 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.069 on 18 degrees of freedom

Multiple R-Squared: 0.9955, Adjusted R-squared: 0.9952
F-statistic: 3970 on 1 and 18 DF, p-value: < 2.2e-16

> coef(result) ### or use result[['coef']]

Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.034437 1.1116414 5.428402 3.708729e-05
x 1.968442 0.0312408 63.008679 1.444519e-22
> resid(result) ### or use result[['resid']]
1 2 3 4 5
6
-0.99868842 0.57877341 -0.19974547 -0.34595725 0.06239822 -
0.14850556
7 8 9 10 11
12
0.22635293 0.77872693 1.44455478 -0.45889197 -2.06728728
0.02818797
13 14 15 16 17
18
-1.59416327 0.99571160 0.08357862 -1.45554332 0.67302312 -
0.09639819
19 20
0.10514744 2.38872574
> fitted(lm(y~x)) ### or use lm(y~x)[['fitted']]
1 2 3 4 5 6 7
8
79.20855 89.24124 105.29355 57.13663 71.18240 47.10393 99.27394
69.17586
9 10 11 12 13 14 15
16
49.11047 81.21509 53.12355 63.15624 65.16278 45.09740 61.14970
83.22163
17 18 19 20
91.24778 93.25432 95.26086 101.28048
> predict(lm(y~x)) ### or use lm(y~x)[['predict']]
1 2 3 4 5 6 7
8
79.20855 89.24124 105.29355 57.13663 71.18240 47.10393 99.27394
69.17586
9 10 11 12 13 14 15
16
49.11047 81.21509 53.12355 63.15624 65.16278 45.09740 61.14970
83.22163
17 18 19 20
91.24778 93.25432 95.26086 101.28048

53
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

‫ در ﻧﺤﻮه ﻣﻌﺮﻓـﯽ‬R ‫ﺗﻨﻬﺎ ﺗﻔﺎوت اﻧﺠﺎم ﯾﮏ ﺗﺤﻠﯿﻞ رﮔﺮﺳﯿﻮﻧﯽ ﺧﻄﯽ ﺳﺎده و ﯾﮏ ﺗﺤﻠﯿﻞ رﮔﺮﺳﯿﻮﻧﯽ ﺧﻄﯽ ﭼﻨﺪﮔﺎﻧﻪ در‬
‫ ﮐﺎﻓﯿـﺴﺖ ﻣﺘﻐﯿﺮﻫـﺎي ﻣـﺴﺘﻘﻞ را ﺑـﺎ‬lm() ‫ ﺑﺮاي ﻣﻌﺮﻓﯽ ﯾﮏ ﻣﺪل ﺧﻄﯽ ﭼﻨﺪﮔﺎﻧﻪ در ﺗﺎﺑﻊ‬.‫ اﺳﺖ‬lm() ‫ﻣﺪل در ﺗﺎﺑﻊ‬
.‫ ﺑﻘﯿﻪ ﻣﻮارد درﺳﺖ ﺷﺒﯿﻪ ﻣﺪل ﺧﻄﯽ ﺳﺎده اﻧﺠﺎم ﻣﯽ ﺷﻮد‬.‫ " در ﮐﻨﺎر ﻫﻢ وارد ﮐﻨﯿﻢ‬+ " ‫ﻋﻼﻣﺖ‬
: ( ‫ﻣﺜﺎل ) ﻣﺪل ﺧﻄﯽ ﭼﻨﺪﮔﺎﻧﻪ‬

> x1 <- sample(20:50, 15)

> x2 <- sample(100:200, 15)
> x3 <- sample(35:80, 15)
> y <- 20+10*x1+36*x2+x3
> result <- summary(lm(y~x1+x2+x3))
> result

Call:
lm(formula = y ~ x1 + x2 + x3)

Residuals:
Min 1Q Median 3Q Max
-2.226e-13 -1.601e-13 -2.370e-14 5.958e-14 8.123e-13

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.000e+01 6.659e-13 3.004e+13 <2e-16 ***
x1 1.000e+01 7.354e-15 1.360e+15 <2e-16 ***
x2 3.600e+01 2.900e-15 1.241e+16 <2e-16 ***
x3 1.000e+00 5.857e-15 1.707e+14 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.88e-13 on 11 degrees of freedom

Multiple R-Squared: 1, Adjusted R-squared: 1
F-statistic: 5.694e+31 on 3 and 11 DF, p-value: < 2.2e-16

> result[['coef']] ### or use coef(result)

Estimate Std. Error t value Pr(>|t|)
(Intercept) 20 6.658508e-13 3.003676e+13 6.996206e-144
x1 10 7.353855e-15 1.359831e+15 4.272794e-162
x2 36 2.900086e-15 1.241342e+16 1.164768e-172
x3 1 5.856779e-15 1.707423e+14 3.493768e-152
> result[['resid']] ### or use resid(result)
1 2 3 4 5
8.122656e-13 -1.768020e-13 -2.370040e-14 -2.225954e-13 1.712964e-13
6 7 8 9 10
-9.655112e-14 -1.597916e-13 -1.997304e-14 2.331408e-14 1.000102e-13
11 12 13 14 15
-1.085188e-13 -1.228068e-14 -2.220154e-13 -1.605037e-13 9.584586e-14

54
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .2‬رﺳﻢ ﻧﻤﻮدار ﺧﻂ رﮔﺮﺳﯿﻮن‬

‫ﺑﺮاي رﺳﻢ ﻧﻤﻮدار ﺧﻂ رﮔﺮﺳﯿﻮن اﺑﺘﺪا ﻧﻤﻮدار ﭘﺮاﮐﻨﺪﮔﯽ ﻣﺘﻐﯿﺮ ﻣﺴﺘﻘﻞ در ﻣﻘﺎﺑﻞ ﻣﺘﻐﯿﺮ واﺑﺴﺘﻪ را رﺳﻢ ﮐﺮده و ﺳﭙﺲ ﺑﺎ‬
‫اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ abline‬ﺧﻂ رﮔﺮﺳﯿﻮن را روي ﻧﻤﻮدار ﭘﺮاﮐﻨﺪﮔﯽ رﺳﻢ ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x <- sample(20:50, 20‬‬

‫)‪> y <- 5+2*x+rnorm(20‬‬
‫)‪> lm(y~x‬‬

‫‪Call:‬‬
‫)‪lm(formula = y ~ x‬‬

‫‪Coefficients:‬‬
‫)‪(Intercept‬‬ ‫‪x‬‬
‫‪4.967‬‬ ‫‪2.007‬‬

‫)‪> plot(x,y‬‬
‫))‪> abline(lm(y~x‬‬

‫‪55‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .3‬ﺑﺮرﺳﯽ ﻓﺮض ﻫﺎي ﻣﺪل‬

‫ﺗـﺎﺑﻊ )(‪lm‬‬ ‫ﺑﺮاي ﺑﺮرﺳﯽ ﺑﺮﻗﺮار ﺑﻮدن ﻓﺮض ﻫﺎي ﻣﺪل ﺑﺎ اﺳﺘﻔﺎده از روش ﻧﻤـﻮداري از ﺗـﺎﺑﻊ )(‪ plot‬ﺑـﻪ ﻫﻤـﺮاه‬
‫اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬ﺗﺎﺑﻊ )(‪ plot‬ﭼﻬﺎر ﻧﻤﻮدار رﺳﻢ ﻣﯽ ﮐﻨﺪ و آﻧﻬﺎ را ﯾﮑﯽ ﭘﺲ از دﯾﮕﺮي ﻧﻤﺎﯾﺶ ﻣـﯽ دﻫـﺪ‪ .‬ﺑـﺮاي‬
‫ﺗﺎﺑﻊ )(‪plot‬‬ ‫ﻧﻤﺎﯾﺶ ﻫﺮ ﭼﻬﺎر ﻧﻤﻮدار در ﯾﮏ ﺻﻔﺤﻪ از ﺗﺎﺑﻊ )(‪ par‬ﺑﻪ ﺷﮑﻞ ))‪ par(mfrow=c(2,2‬ﻗﺒﻞ از‬
‫اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫))‪> par(mfrow=c(2,2‬‬
‫))‪> plot(lm(y~x‬‬

‫‪56‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .4‬آزﻣﻮن ﻓﺮض‬

‫ﺟﺪوﻟﯽ ﮐﻪ در ﺧﺮوﺟﯽ ﺗﺎﺑﻊ )(‪ summary‬ﻇﺎﻫﺮ ﻣﯽ ﺷﻮد ﻣﻘﺎدﯾﺮ ﻋﺮض از ﻣﺒـﺪاء و ﺿـﺮاﯾﺐ را ﺑـﺎ ﺻـﻔﺮ ﻣﻘﺎﯾـﺴﻪ‬
‫ﻣﯽ ﮐﻨﺪ و آزﻣﻮﻧﯽ ﮐﻪ اﻧﺠﺎم ﻣﯽ دﻫﺪ ﺑﺮرﺳﯽ ﻓﺮض ﺻﻔﺮ ﺑﻮدن اﯾﻦ ﻣﻘﺎدﯾﺮ اﺳﺖ‪ .‬در ﺻﻮرﺗﯽ ﮐﻪ ﺑﺨـﻮاﻫﯿﻢ ﻋـﺮض از‬
‫ﻣﺒﺪاء و ﺿﺮاﯾﺐ را ﺑﺎ ﻣﻘﺎدﯾﺮ ﻣﻮرد ﻧﻈﺮ ﺧﻮد ﻣﻘﺎﯾﺴﻪ ﮐﻨﯿﻢ و آزﻣﻮﻧﯽ ﮐﻪ در ﺗﺎﺑﻊ )(‪ summary‬اﻧﺠـﺎم ﻣـﯽ ﺷـﻮد ﺑـﺮ‬
‫اﺳﺎس ﻣﻘﺎدﯾﺮ ﻣﻮرد ﻧﻈﺮ ﻣﺎ ﺑﺎﺷﺪ ﺑﺎﯾﺪ زﻣﺎﻧﯽ ﮐﻪ ﻣﺪل را در ﺗﺎﺑﻊ )(‪ lm‬ﺗﻌﯿﯿﻦ ﻣﯽ ﮐﻨﯿﻢ ﻓﺮض ﻣـﻮرد ﻧﻈـﺮ ﺧـﻮد را در‬
‫ﻣﺪل اﻋﻤﺎل ﮐﻨﯿﻢ‪ .‬در ﺗﺎﺑﻊ )(‪ lm‬ﻋﻤﻠﮕﺮﻫﺎي رﯾﺎﺿﯽ ﮐﺎرﺑﺮدﻫﺎي ﻣﺘﻔﺎوﺗﯽ دارﻧﺪ‪ .‬ﺑﺮاي اﯾﻨﮑﻪ ﻋﻤﻠﮕﺮﻫﺎي رﯾﺎﺿﯽ ﺑﻪ ﮐﺎر‬
‫ﺑﺮده ﺷﺪه در ﻣﺪل داراي ﻣﻌﺎﻧﯽ ﻫﻤﯿﺸﮕﯽ ﺧﻮد در ﻣﺤﺎﺳﺒﺎت رﯾﺎﺿﯽ ﺑﺎﺷﻨﺪ از ﺗﺎﺑﻊ )(‪ I‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ و ﻋﻤﻠﮕﺮﻫﺎ‬
‫را ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﮐﺎر ﻣﯽ ﮔﯿﺮﯾﻢ‪.‬‬
‫ﻣﺜﺎل ‪ :‬ﻣﯽ ﺧﻮاﻫﯿﻢ آزﻣﻮن ﮐﻨﯿﻢ آﯾﺎ ﻋﺮض از ﻣﺒﺪاء ﺑﺮاﺑﺮ ‪ 1‬اﺳﺖ‪.‬‬

‫)‪> x <- sample(10:30,15‬‬

‫)‪> y <- 1+3*x+rnorm(15‬‬
‫)‪> lm(y~x‬‬

‫‪Call:‬‬
‫)‪lm(formula = y ~ x‬‬

‫‪Coefficients:‬‬
‫)‪(Intercept‬‬ ‫‪x‬‬
‫‪1.744‬‬ ‫‪2.964‬‬

‫))‪> summary(lm(I(y-1)~x‬‬

‫‪Call:‬‬
‫)‪lm(formula = I(y - 1) ~ x‬‬

‫‪Residuals:‬‬
‫‪Min‬‬ ‫‪1Q Median‬‬ ‫‪3Q‬‬ ‫‪Max‬‬
‫‪-1.0105 -0.5707 -0.2755‬‬ ‫‪0.4279‬‬ ‫‪1.5420‬‬

‫‪Coefficients:‬‬
‫)|‪Estimate Std. Error t value Pr(>|t‬‬
‫‪(Intercept) 0.74427‬‬ ‫‪0.72543‬‬ ‫‪1.026‬‬ ‫‪0.324‬‬
‫‪x‬‬ ‫‪2.96391‬‬ ‫‪0.03616 81.959‬‬ ‫*** ‪<2e-16‬‬
‫‪---‬‬
‫‪Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1‬‬

‫‪Residual standard error: 0.8138 on 13 degrees of freedom‬‬

‫‪Multiple R-Squared: 0.9981,‬‬ ‫‪Adjusted R-squared: 0.9979‬‬
‫‪F-statistic: 6717 on 1 and 13 DF, p-value: < 2.2e-16‬‬

‫‪57‬‬
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

.‫ اﺳﺖ‬3 ‫ ﺑﺮاﺑﺮ‬x ‫ در ﻣﺜﺎل ﻗﺒﻞ ﻣﯽ ﺧﻮاﻫﯿﻢ آزﻣﻮن ﮐﻨﯿﻢ آﯾﺎ ﺿﺮﯾﺐ‬: ‫ﻣﺜﺎل‬

> summary(lm(I(y-3*x)~x))

Call:
lm(formula = I(y - 3 * x) ~ x)

Residuals:
Min 1Q Median 3Q Max
-1.0105 -0.5707 -0.2755 0.4279 1.5420

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.74427 0.72543 2.404 0.0318 *
x -0.03609 0.03616 -0.998 0.3365
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.8138 on 13 degrees of freedom

Multiple R-Squared: 0.07117, Adjusted R-squared: -0.0002754
F-statistic: 0.9961 on 1 and 13 DF, p-value: 0.3365

.‫ در ﻣﺜﺎل ﻗﺒﻞ ﻣﯽ ﺧﻮاﻫﯿﻢ ﻫﺮ دو ﻓﺮض را ﻫﻢ زﻣﺎن آزﻣﻮن ﮐﻨﯿﻢ‬: ‫ﻣﺜﺎل‬

> summary(lm(I(y-1-3*x)~x))

Call:
lm(formula = I(y - 1 - 3 * x) ~ x)

Residuals:
Min 1Q Median 3Q Max
-1.0105 -0.5707 -0.2755 0.4279 1.5420

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.74427 0.72543 1.026 0.324
x -0.03609 0.03616 -0.998 0.336

Residual standard error: 0.8138 on 13 degrees of freedom

Multiple R-Squared: 0.07117, Adjusted R-squared: -0.0002754
F-statistic: 0.9961 on 1 and 13 DF, p-value: 0.3365

58
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .5‬ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن‬

‫ﻣﯽ ﺗﻮان ﺑﺮاي ﻋـﺮض از ﻣﺒـﺪاء و ﺿـﺮاﯾﺐ ﻓﺎﺻـﻠﻪ اﻃﻤﯿﻨـﺎن ﺗـﺸﮑﯿﻞ داد‪ .‬ﺑـﺮاي ﻣﺤﺎﺳـﺒﻪ ﻓﺎﺻـﻠﻪ اﻃﻤﯿﻨـﺎن از ﺗـﺎﺑﻊ‬
‫)(‪ confint‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> lm(y~x‬‬

‫‪Call:‬‬
‫)‪lm(formula = y ~ x‬‬

‫‪Coefficients:‬‬
‫)‪(Intercept‬‬ ‫‪x‬‬
‫‪1.744‬‬ ‫‪2.964‬‬

‫))‪> confint(lm(y~x‬‬
‫‪2.5 %‬‬ ‫‪97.5 %‬‬
‫‪(Intercept) 0.1770625 3.311473‬‬
‫‪x‬‬ ‫‪2.8857802 3.042033‬‬

‫‪ .6‬ﻣﻘﺎﯾﺴﻪ ﻣﺪل ﻫﺎ‬

‫ﺑﺮاي اﻧﺠﺎم آزﻣﻮن در ﻣﻮرد اﯾﻨﮑﻪ آﯾﺎ دو ﻣﺪل ﺑﺎ ﻫﻢ ﺗﻔﺎوت ﻣﻌﻨﯽ داري دارﻧﺪ ﯾﺎ ﻧﻪ از ﺗﺎﺑﻊ )(‪ anova‬ﺑﻪ ﻫﻤﺮاه ﺗﺎﺑﻊ‬
‫)(‪ lm‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪ .‬اﯾﻦ ﺗﺎﺑﻊ ﺑﺮاي ﻣﻘﺎﯾﺴﻪ دو ﻣﺪل ﯾﮏ ﺟﺪول آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ ﺗﺸﮑﯿﻞ ﻣﯽ دﻫﺪ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> x1 <- sample(10:30,10); x2 <- sample(100:130,10‬‬

‫)‪> y <- 5+9*x1+x2+rnorm(10‬‬
‫)‪> m1 <- lm(y~x1+x2); m2 <- lm(y~x2‬‬
‫)‪> anova(m1,m2‬‬
‫‪Analysis of Variance Table‬‬

‫‪Model 1: y ~ x1 + x2‬‬
‫‪Model 2: y ~ x2‬‬
‫‪Res.Df‬‬ ‫‪RSS Df Sum of Sq‬‬ ‫‪F‬‬ ‫)‪Pr(>F‬‬
‫‪1‬‬ ‫‪7‬‬ ‫‪3.9‬‬
‫‪2‬‬ ‫*** ‪8 28532.3 -1 -28528.4 51829 8.329e-15‬‬
‫‪---‬‬
‫‪Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1‬‬
‫)‪> m3 <- lm(y~x1‬‬
‫)‪> anova(m1,m3‬‬
‫‪Analysis of Variance Table‬‬

‫‪Model 1: y ~ x1 + x2‬‬
‫‪Model 2: y ~ x1‬‬
‫‪Res.Df‬‬ ‫‪RSS Df Sum of Sq‬‬ ‫‪F‬‬ ‫)‪Pr(>F‬‬
‫‪1‬‬ ‫‪7‬‬ ‫‪3.85‬‬
‫‪2‬‬ ‫‪8 423.04 -1‬‬ ‫*** ‪-419.19 761.56 2.106e-08‬‬
‫‪---‬‬
‫‪Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1‬‬

‫‪59‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫ﻃﺮح آزﻣﺎﯾﺶ ﻫﺎ‬

‫‪ .1‬آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ ﯾﮏ ﻃﺮﻓﻪ‬

‫ﺑﺮاي اﻧﺠﺎم آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ ﺑﻪ دو روش ﻣﯽ ﺗﻮان ﻋﻤﻞ ﮐﺮد‪ .‬روش اول آن اﺳﺖ ﮐﻪ اﺑﺘﺪا ﻣﺪل را ﺑـﺎ اﺳـﺘﻔﺎده از ﺗـﺎﺑﻊ‬
‫)(‪ lm‬ﻣﻌﺮﻓﯽ ﮐﺮده و ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ anova‬ﺑﻪ آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ ﺑﭙﺮدازﯾﻢ‪ .‬روش دﯾﮕﺮ آن اﺳﺖ ﮐﻪ اﺑﺘﺪا‬
‫ﻣﺪل را ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ aov‬ﻣﻌﺮﻓﯽ ﮐﺮده و ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ )(‪ summary‬ﺑﻪ آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ ﺑﭙﺮدازﯾﻢ‪.‬‬
‫ﻧﺘﯿﺠﻪ ﺣﺎﺻﻞ از ﻫﺮ دو روش ﯾﮑﺴﺎن ﺧﻮاﻫﺪ ﺑﻮد‪ ،‬اﻣﺎ ﺷﯿﻮه ﻣﺘﺪاول اﺳﺘﻔﺎده از روش دوم اﺳﺖ‪ .‬ﻣﻌﺮﻓﯽ ﻣﺪل در ﻫﺮ دو‬
‫روش ﺑﻪ ﯾﮏ ﺷﮑﻞ اﻧﺠﺎم ﻣﯽ ﺷﻮد‪ .‬ﺑﺮاي ﻣﻌﺮﻓﯽ ﻣﺪل در آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ ﯾﮏ ﻃﺮﻓﻪ از ﯾﮏ ﺑﺮدار ﭘﺎﺳﺦ و ﯾﮏ ﻓـﺎﮐﺘﻮر‬
‫ﺑﺮاي ﻧﺸﺎن دادن ﺗﯿﻤﺎرﻫﺎ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ) روش اول ( ‪:‬‬

‫‪> resp <-‬‬

‫)‪c(21,25,30,25,29,24,29,20,27,22,28,26,29,21,28,21,26,20,20,29‬‬
‫)‪> fact <- rep(1:5,each=4‬‬
‫)‪> fact <- factor(fact‬‬
‫))‪> anova(lm(resp~fact‬‬
‫‪Analysis of Variance Table‬‬

‫‪Response: resp‬‬
‫)‪Df Sum Sq Mean Sq F value Pr(>F‬‬
‫‪fact‬‬ ‫‪4 10.000‬‬ ‫‪2.500 0.1589 0.9559‬‬
‫‪Residuals 15 236.000 15.733‬‬

‫ﻣﺜﺎل ) روش دوم ( ‪:‬‬

‫))‪> summary(aov(resp~fact‬‬
‫)‪Df Sum Sq Mean Sq F value Pr(>F‬‬
‫‪fact‬‬ ‫‪4 10.000‬‬ ‫‪2.500 0.1589 0.9559‬‬
‫‪Residuals‬‬ ‫‪15 236.000 15.733‬‬

‫ﺑﺮاي ﻣﺸﺎﻫﺪه ﺑﺎﻗﯿﻤﺎﻧﺪه ﻫﺎ و ﻣﻘﺎدﯾﺮ ﺑﺮازاﻧﺪه ﺷﺪه ﻣﻘﺎدﯾﺮ ‪ resid‬و ‪ fitted‬را ﻫﻤﺎﻧﻨﺪ ﯾﮏ ﻟﯿﺴﺖ از ﻣﺪل ﻓﺮاﺧﻮاﻧﯽ‬
‫ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫)‪> mod <- aov(resp~fact‬‬

‫]]'‪> mod[['resid‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬
‫‪12‬‬ ‫‪13‬‬
‫‪-4.25 -0.25 4.75 -0.25 3.50 -1.50‬‬ ‫‪3.50 -5.50‬‬ ‫‪1.25 -3.75‬‬ ‫‪2.25‬‬
‫‪0.25 4.25‬‬
‫‪14‬‬ ‫‪15‬‬ ‫‪16‬‬ ‫‪17‬‬ ‫‪18‬‬ ‫‪19‬‬ ‫‪20‬‬
‫‪-3.75 3.25 -3.75 2.25 -3.75 -3.75‬‬ ‫‪5.25‬‬

‫‪60‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫]]'‪> mod[['fitted‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬
‫‪12‬‬ ‫‪13‬‬
‫‪25.25 25.25 25.25 25.25 25.50 25.50 25.50 25.50 25.75 25.75 25.75‬‬
‫‪25.75 24.75‬‬
‫‪14‬‬ ‫‪15‬‬ ‫‪16‬‬ ‫‪17‬‬ ‫‪18‬‬ ‫‪19‬‬ ‫‪20‬‬
‫‪24.75 24.75 24.75 23.75 23.75 23.75 23.75‬‬

‫ﺑﺮاي رﺳﻢ ﻧﻤﻮدار ﺟﻌﺒﻪ اي از ﺗﺎﺑﻊ )(‪ boxplot‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫ﻣﺜﺎل ‪:‬‬

‫)‪> boxplot(resp~fact‬‬

‫‪61‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .2‬ﺑﺮرﺳﯽ ﻓﺮض ﻫﺎي ﻣﺪل‬

‫ﺑﺮاي ﺑﺮرﺳﯽ ﻓﺮض ﻫﺎي ﻣﺪل از ﻃﺮﯾﻖ رﺳﻢ ﻧﻤﻮدار از ﺗﺎﺑﻊ )(‪ plot‬ﺑﻪ ﻫﻤـﺮاه )(‪ aov‬اﺳـﺘﻔﺎده ﻣـﯽ ﮐﻨـﯿﻢ‪ .‬ﺗـﺎﺑﻊ‬
‫)(‪ plot‬ﭼﻬﺎر ﻧﻤﻮدار رﺳﻢ ﻣﯽ ﮐﻨﺪ و آﻧﻬﺎ را ﯾﮑﯽ ﭘﺲ از دﯾﮕﺮي ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ‪ .‬ﺑﺮاي ﻧﻤﺎﯾﺶ ﻫﺮ ﭼﻬـﺎر ﻧﻤـﻮدار‬
‫در ﯾﮏ ﺻﻔﺤﻪ از ﺗﺎﺑﻊ )(‪ par‬ﺑﻪ ﺷﮑﻞ ))‪ par(mfrow=c(2,2‬ﻗﺒﻞ از ﺗﺎﺑﻊ )(‪ plot‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬

‫))‪> par(mfrow=c(2,2‬‬
‫))‪> plot(aov(resp~fact‬‬

‫‪62‬‬
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

‫ آزﻣﻮن ﺗﻮﮐﯽ‬.3

.‫ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‬TukeyHSD() ‫ﺑﺮاي اﻧﺠﺎم آزﻣﻮن ﺗﻮﮐﯽ و اﻧﺠﺎم ﻣﻘﺎﯾﺴﻪ ﻫﺎي ﭼﻨﺪﮔﺎﻧﻪ از ﺗﺎﺑﻊ‬
: ‫ﻣﺜﺎل‬

> TukeyHSD(aov(resp~fact))
Tukey multiple comparisons of means
95% family-wise confidence level

Fit: aov(formula = resp ~ fact)

$fact
diff lwr upr p adj
2-1 0.25 -8.41088 8.91088 0.9999839
3-1 0.50 -8.16088 9.16088 0.9997455
4-1 -0.50 -9.16088 8.16088 0.9997455
5-1 -1.50 -10.16088 7.16088 0.9821931
3-2 0.25 -8.41088 8.91088 0.9999839
4-2 -0.75 -9.41088 7.91088 0.9987412
5-2 -1.75 -10.41088 6.91088 0.9688634
4-3 -1.00 -9.66088 7.66088 0.9961482
5-3 -2.00 -10.66088 6.66088 0.9502519
5-4 -1.00 -9.66088 7.66088 0.9961482

> plot(TukeyHSD(aov(resp~fact)))

63
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .4‬ﻃﺮح ﺑﻠﻮك ﻫﺎي ﺗﺼﺎدﻓﯽ و ﻣﺮﺑﻊ ﻻﺗﯿﻦ‬

‫ﺑﺮاي اﺟﺮاي ﯾﮏ ﻃﺮح ﺑﻠﻮك ﻫﺎي ﺗﺼﺎدﻓﯽ ﯾﺎ ﻣﺮﺑﻊ ﻻﺗﯿﻦ و ﯾﺎ ﺣﺘﯽ ﻃﺮح ﻫﺎﯾﯽ ﺑﺎ ﻣﻮﻟﻔﻪ ﻫﺎي ﺑﯿﺸﺘﺮ ﮐﺎﻓﯿﺴﺖ ﺑﻪ ازاي‬
‫ﻫﺮ ﻣﻮﻟﻔﻪ ﻓﺎﮐﺘﻮري ﮐﻪ ﻣﻌﺮﻓﯽ ﮐﻨﻨﺪه آن ﻣﻮﻟﻔﻪ ﺑﺎﺷﺪ در ﻣﻌﺮﻓﯽ ﻣﺪل وارد ﮐﻨﯿﻢ‪ .‬ﺑﺮاي اﺿﺎﻓﻪ ﮐﺮدن ﻣﻮﻟﻔﻪ ﻫﺎ ﺑـﻪ ﻣـﺪل از‬
‫ﻋﻼﻣﺖ " ‪ " +‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ) ﻃﺮح ﺑﻠﻮك ﻫﺎي ﺗﺼﺎدﻓﯽ ( ‪:‬‬

‫>‬ ‫)‪resp <- c(21,25,30,25,29,24,29,20,27,22,28,26,29,21,28,21‬‬

‫>‬ ‫))‪fact <- factor(rep(1:4,each=4‬‬
‫>‬ ‫))‪block <- factor(rep(1:4,times=4‬‬
‫>‬ ‫))‪summary(aov(resp~fact+block‬‬
‫)‪Df Sum Sq Mean Sq F value Pr(>F‬‬
‫‪fact‬‬ ‫‪3 2.188‬‬ ‫‪0.729 0.0825 0.96789‬‬
‫‪block‬‬ ‫‪3 95.687 31.896 3.6080 0.05862 .‬‬
‫‪Residuals‬‬ ‫‪9 79.563‬‬ ‫‪8.840‬‬
‫‪---‬‬
‫‪Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1‬‬

‫ﻣﺜﺎل ) ﻃﺮح ﻣﺮﺑﻊ ﻻﺗﯿﻦ ( ‪:‬‬

‫‪> latin <-‬‬
‫)"‪c("A","B","C","D","D","A","B","C","C","D","A","B","B","C","D","A‬‬
‫)‪> latin <- factor(latin‬‬
‫))‪> summary(aov(resp~fact+block+latin‬‬
‫)‪Df Sum Sq Mean Sq F value Pr(>F‬‬
‫‪fact‬‬ ‫‪3 2.188‬‬ ‫‪0.729 0.0933 0.96098‬‬
‫‪block‬‬ ‫‪3 95.687 31.896 4.0827 0.06744 .‬‬
‫‪latin‬‬ ‫‪3 32.688 10.896 1.3947 0.33256‬‬
‫‪Residuals‬‬ ‫‪6 46.875‬‬ ‫‪7.813‬‬
‫‪---‬‬
‫‪Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1‬‬

‫‪ .5‬ﻃﺮح ﻫﺎي ﻋﺎﻣﻠﯽ‬

‫ﺗﻔﺎوت ﻃﺮح ﻫﺎي ﻋﺎﻣﻠﯽ ﺑﺎ ﻃﺮح ﻫﺎي ﻗﺒﻞ ﻧﯿﺰ در ﻧﺤﻮه ﻣﻌﺮﻓﯽ ﻣﺪل اﺳﺖ‪ .‬ﺑﺮاي اﺟﺮاي ﻃﺮح ﻫﺎي ﻋﺎﻣﻠﯽ ﮐﺎﻓﯿﺴﺖ ﺑﻪ‬
‫ازاي ﻫﺮ ﻋﺎﻣﻞ ﻓﺎﮐﺘﻮري را ﺑﺮاي ﻣﻌﺮﻓﯽ آن ﻋﺎﻣﻞ در ﻣﺪل وارد ﮐﻨﯿﻢ‪ .‬ﺑﺮاي وارد ﮐﺮدن ﻋﺎﻣـﻞ ﻫـﺎ در ﻣـﺪل از ﻋﻼﻣـﺖ‬
‫" * " اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫ﻣﺜﺎل ) ﻃﺮح دو ﻋﺎﻣﻠﯽ ( ‪:‬‬

‫>‬ ‫)‪resp <- c(21,25,30,25,29,24,29,20,27,22,28,26,29,21,28,21,25,22‬‬

‫>‬ ‫))‪fact1 <- factor(rep(1:2,each=9‬‬
‫>‬ ‫))‪fact2 <- factor(rep(1:3,each=3,times=2‬‬
‫>‬ ‫))‪summary(aov(resp~fact1*fact2‬‬
‫)‪Df Sum Sq Mean Sq F value Pr(>F‬‬
‫‪fact1‬‬ ‫‪1‬‬ ‫‪3.556‬‬ ‫‪3.556 0.2591 0.6200‬‬
‫‪fact2‬‬ ‫‪2 12.444‬‬ ‫‪6.222 0.4534 0.6459‬‬
‫‪fact1:fact2 2‬‬ ‫‪7.111‬‬ ‫‪3.556 0.2591 0.7759‬‬
‫‪Residuals‬‬ ‫‪12 164.667 13.722‬‬

‫‪64‬‬
‫‪www.SourceSara.com‬‬ ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا ‪ -‬آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬

‫‪ .6‬ﻧﻤﻮدار اﺛﺮ ﻣﺘﻘﺎﺑﻞ‬

‫ﺑﺮاي رﺳﻢ ﻧﻤﻮدار اﺛﺮ ﻣﺘﻘﺎﺑﻞ از ﺗﺎﺑﻊ )(‪ interaction.plot‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪ .‬در اﯾـﻦ ﺗـﺎﺑﻊ اﺑﺘـﺪا دو ﻓـﺎﮐﺘﻮر‬
‫ﻣﻌﺮﻓﯽ ﮐﻨﻨﺪه ﻋﻮاﻣﻞ‪ ،‬ﺳﭙﺲ ﻣﺘﻐﯿﺮ ﭘﺎﺳﺦ‪ ،‬و ﭘﺲ از آن ﻧﻮع ﻧﻤﺎﯾﺶ ﻧﻤﻮدار را ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﯿﻢ‪.‬‬
‫ﻣﺜﺎل ‪:‬‬
‫)"‪> interaction.plot(fact2,fact1,resp,type="l‬‬

‫‪65‬‬
www.SourceSara.com ‫ آﻣﻮزش ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ‬- ‫ﺳﺎﯾﺖ ﺳﻮرس ﺳﺮا‬

‫ﻣﻨﺎﺑﻊ‬

1. A short introduction to R, European Educational Programme in Epidemiology,

2005

2. An Introduction to R: Software for StatisticalModelling & Computing,

Petra Kuhnert and Bill Venables

3. An Introduction to R; Notes on R: A Programming Environment for

Data Analysis and Graphics, W. N. Venables, D. M. Smith and the R
Development Core Team

4. An R companion to " Experimental Design ", Vikneswaran

5. R for Statistics, By Example: A Workshop for the Ecological Society

America, Hank Stevens

6. simpleR; Using R for Introductory Statistics, John Verzani

7. Statistics with R, Vincent Zoonekynd

66