Vajad kellegagi rääkida?
Küsi julgelt abi LasteAbi
Logi sisse

R-Studio KT (0)

5 VÄGA HEA
Punktid

Esitatud küsimused

  • Mitu proovitükki on kogu andmestikus?
  • Mitu puud on sinu proovitükil?
  • Mitu 1 rinde puud on puuliikide kaupa sinu proovitükil?
  • Mis on mudelpuude enamuspuuliigi keskmine kõrgus sinu proovitükil?
  • Keskmisest puust kõrgemaid sama liiki puid?
  • Mitu elusat puud on sinu proovitükil?
R- Studio Kontrolltöö
Mitu proovitükki on kogu andmestikus?
#Mitu proovitükki on kogu andmestikus
puud2015=read.csv("puud2015.csv",sep=";",dec=",") #Impordin andmed
puud2015$D=ifelse(puud2015$D2>0,(puud2015$D1+puud2015$D2)/2,puud2015$D1) #Lisan tulba D
length (table(puud2015$PRT)) # Vaatan mitu proovitükki on kogu andmestikus loetledes read
> #Mitu proovitükki on kogu andmestikus
> puud2015=read.csv("puud2015.csv",sep=";",dec=",") #Impordin andmed
> puud2015$D=ifelse(puud2015$D2>0,(puud2015$D1+puud2015$D2)/2,puud2015$D1) #Lisan tulba D
> length(table(puud2015$PRT)) #Vaatan mitu proovitükki on kogu andmestikus loetledes read
[1] 229
VASTUS: Kogu andmestikus on 229 proovitükki.
Mitu puud on sinu proovitükil?
#Mitu puud on sinu proovitükil?
PRT332=subset(puud2015,PRT=="332") #Teen eraldi andmestiku PRT332-st
length(table(PRT332$PUU)) #Loetlen puude arvu PRT-l
> #Mitu puud on sinu proovitükil?
> PRT332=subset(puud2015,PRT=="332") #Teen eraldi andmestiku PRT332-st
> length(table(PRT332$PUU)) #Loetlen puude arvu PRT-l
[1] 121
VASTUS: Minu proovitükil on 121 puud
Mitu 1. rinde puud on puuliikide kaupa sinu proovitükil? Esita tabel vaid proovitükil esinevate liikide kohta.
#Mitu 1. rinde puud on puuliikide kaupa proovitükil.
PUUD1=droplevels(subset(PRT332,RIN=="1")) #Teen 1. rinde puude andmestiku, viskan välja mitte vajaliku ehk nullid .
table(PUUD1$PL) #Vaatan puid puuliikide kaupa
#Ühendan saadud andmed ühte tabelisse
P1=with(PUUD1,tapply(D,PL,length))
P1
PRT332RIN=data.frame(PL= names (P1),Rinne1=P1)
PRT332RIN
write.table(PRT332RIN,"clipboard",sep="\t",dec=",",row.names= FALSE )
> #Mitu 1. rinde puud on puuliikide kaupa proovitükil.
> PUUD1=droplevels(subset(PRT332,RIN=="1")) #Teen 1. rinde puude andmestiku, viskan välja mitte vajaliku ehk nullid.
> table(PUUD1$PL) #Vaatan puid puuliikide kaupa
HB KS
23 13
> P1=with(PUUD1,tapply(D,PL,length))
> P1
HB KS
23 13
> PRT332RIN=data.frame(PL=names(P1),Rinne1=P1)
> PRT332RIN
PL Rinne1
HB HB 23
KS KS 13
> write.table(PRT332RIN,"clipboard",sep="\t",dec=",",row.names=FALSE)
VASTUS: 1. rinde puid proovitükil on 23 haava ja 13 kaske.
PL
Rinne1
HB
23
KS
13
Mis on mudelpuude enamuspuuliigi keskmine kõrgus sinu proovitükil?
#Mis on mudelpuude enamuspuuliigi keskmine kõrgus(ühe komakohaga) sinu proovitükil?
ELUS=droplevels(subset(PRT332,RIN%in%c("1","2","A","J","Y","E","H"))) #Teen eluspuude andmestiku, visates välja mitte vajaliku
MUDEL=droplevels(subset(ELUS,H>0)) #Teen mudelpuude andmestiku visates välja mitte vajaliku
table(MUDEL$PL) #Vaatan enamuspuuliiki, milleks on HAAB
HB=subset(MUDEL,PL=="HB") #Teen haavapuude kohta eraldi andmestiku
round ( mean (HB$H),1) #Vaatan haava puude keskmist kõrgust ja ümradan ühe komakohani.
> #Mis on mudelpuude enamuspuuliigi keskmine kõrgus(ühe komakohaga) sinu proovitükil?
> ELUS=droplevels(subset(PRT332,RIN%in%c("1","2","A","J","Y","E","H"))) #Teen eluspuude andmestiku, visates välja mitte vajaliku
> MUDEL=droplevels(subset(ELUS,H>0)) #Teen mudelpuude andmestiku visates välja mitte vajaliku
> table(MUDEL$PL) #Vaatan enamuspuuliiki, milleks on HAAB
HB KS KU
12 4 7
> HB=subset(MUDEL,PL=="HB") #Teen haavapuude kohta eraldi andmestiku
> round(mean(HB$H),1) #Vaatan haava puude keskmist kõrgust ja ümradan ühe komakohani.
[1] 33.4
VASTUS: Minu proovitüki enamuspuuliigi ehk haava keskmine kõrgus on 33,4 m
Mitmel proovitükil kogu andmestikus on mõõdetud sinu proovitüki keskmisest puust kõrgemaid sama liiki puid?
#Mitmel proovitükil kogu andmestikus (puud2015) on mõõdetud sinu proovitüki keskmisest puust kõrgemaid sama liiki puid?
H33.4=subset(puud2015,H>33.4&PL=="HB") #Teen andmestiku algandmetest kus on välja toodud haavad, mis on kõrgemad kui PRT332 enamuspuuliigi keskmine kõrgus.
length(table(H33.4$PRT)) #Vaatan proovitükkide arvu, kus on mõõdetud haavasid, mis on kõrgemad kui 33.4
> #Mitmel proovitükil kogu andmestikus (puud2015) on mõõdetud sinu proovitüki keskmisest puust kõrgemaid sama liiki puid?
> H33.4=subset(puud2015,H>33.4&PL=="HB") #Teen andmestiku algandmetest kus on välja toodud haavad, mis on kõrgemad kui PRT332 enamuspuuliigi keskmine kõrgus.
> length(table(H33.4$PRT)) #Vaatan proovitükkide arvu, kus on mõõdetud haavasid, mis on kõrgemad kui 33.4
[1] 32
VASTUS: 32 proovitükil on mõõdetud haava puid, mis on kõrgemad kui 33.4 meetrit
Mitu elusat puud on sinu proovitükil?
#Mitu elusat puud on sinu proovitükil?
nrow(ELUS) #Vaatan ridade ehk puude arvu ELUS tabeli andmestikus
> #Mitu elusat puud on sinu proovitükil?
> nrow(ELUS) #Vaatan ridade ehk puude arvu ELUS tabeli andmestikus
[1] 95
VASTUS: 95 elusat puud on proovitükil
Tee hajuvusdiagramm enda proovitüki puu kõrguse ja diameetri kohta.
#Tee hajuvusdiagramm enda proovitüki puu kõrguste ja diameetri kohta.
plot (H~D,data=MUDEL) #Vaatan kõrguse diameetri üldist pilti mudel puude andmestiku põhjal
DH332=subset(puud2015,PRT==332&RIN%in%c("1","2","J","A","E","Y")&H>0) #Teen Kõrguse ja diameetri suhte põhjal andmestiku kaasates elusad rinded prt-lt 332
plot(H~D,data=DH332) #Vaatan üldpilti uuesti uue andmestiku põhjal
max(DH332$H) #Vaatan max kõrgust
max(DH332$D) #Vaatan max diameetrit, et parameetrid paika panna
plot(NULL,xlim=c(0,50),ylim=c(0,40),xlab=" Diameeter (cm)",ylab="Kõrgus (m)",main="Proovitükk 332") # Panen paika parameetrit ja annan telje nimed ja tiitli
abline(h=seq(0,40,2.5),lty=3,col="gray") #Lisan horisontaalse abijooned
abline(v=seq(0,50,2.5),lty=3,col="gray") #Lisan vertikaalse abijooned
unique (DH332$PL) #Vaatan mis puud on andmestikus, et lisada puntkidele värvid
points (H~D,data=subset(DH332,PL=="KS"),pch=20,col=" cyan ")
points(H~D,data=subset(DH332,PL=="HB"),pch=20,col=" green ")
points(H~D,data=subset(DH332,PL=="KU"),pch=20,col="magenta")
legend("bottomright",c(" Kask ","Haab"," Kuusk "), fill =c("cyan","green","magenta")) #Teen legendi
> #Tee hajuvusdiagramm enda proovitüki puu kõrguste ja diameetri kohta.
> plot(H~D,data=MUDEL) #Vaatan kõrguse diameetri üldist pilti mudel puude andmestiku põhjal
> DH332=subset(puud2015,PRT==332&RIN%in%c("1","2","J","A","E","Y")&H>0) #Teen Kõrguse ja diameetri suhte põhjal andmestiku kaasates elusad rinded prt-lt 332
> plot(H~D,data=DH332) #Vaatan üldpilti uuesti uue andmestiku põhjal
> max(DH332$H) #Vaatan max kõrgust
[1] 36.1
> max(DH332$D) #Vaatan max diameetrit, et parameetrid paika panna
[1] 46.5
> plot(NULL,xlim=c(0,50),ylim=c(0,40),xlab="Diameeter (cm)",ylab="Kõrgus (m)",main="Proovitükk 332") #Panen paika parameetrit ja annan telje nimed ja tiitli
> abline(h=seq(0,40,2.5),lty=3,col="gray") #Lisan horisontaalse abijooned
> abline(v=seq(0,50,2.5),lty=3,col="gray") #Lisan vertikaalse abijooned
> unique(DH332$PL) #Vaatan mis puud on andmestikus, et lisada puntkidele värvid
[1] KS HB KU
Levels: HB JA KS KU LH LM LV MA NU PA PI PN RE SA SP TA TM TU VA
> points(H~D,data=subset(DH332,PL=="KS"),pch=20,col="cyan")
> points(H~D,data=subset(DH332,PL=="HB"),pch=20,col="green")
> points(H~D,data=subset(DH332,PL=="KU"),pch=20,col="magenta")
> legend("bottomright",c("Kask","Haab","Kuusk"),fill=c("cyan","green","magenta")) #Teen legendi
VASTUS:
Tee puude omavahelisest kaugusest joonis Hynyneni funktsiooniga.
#Tee puude omavahelisest kaugusest joonis Hynyneni funktsiooniga
# Kirjutan ümber valemi
#L=10000/(exp(c1+c2)*log(D))^(1/2)
#Mänd
c1=12.669;c2=-1.844
#Valem, diameeter, kõrgus, paksus,värv, tiitlid ja pealkiri
curve(10000/(exp(c1+c2*log10(x)))^(1/2),from=5,to=60,ylim=c(20,120),lwd=1,type="p",col="orange",xlab="Diameeter (cm)",ylab="Puudevaheline kaugus (cm)",main="Puude omavaheline kaugus")
#Kuusk
c1=11.414;c2=-1.301
curve(10000/(exp(c1+c2*log10(x)))^(1/2),from=5,to=60,lwd=1,col="magenta",type="p",add=T)
#Kask
c1=13.891;c2=-2.331
curve(10000/(exp(c1+c2*log10(x)))^(1/2),from=5,to=60,lwd=1,col="cyan",type="p",add=T)
abline(h=seq(20,120,20),lty=3,col="gray") #Lisan horisontaalse abijooned
abline(v=seq(5,60,5),lty=3,col="gray") #Lisan vertikaalse abijooned
legend("bottomright",c("Mänd","Kuusk","Kask"),fill=c("orange","magenta","cyan")) #lisame legendi
> #Tee puude omavahelisest kaugusest joonis Hynyneni funktsiooniga
> #Kirjutan ümber valemi
> #L=10000/(exp(c1+c2)*log(D))^(1/2)
> #Mänd
> c1=12.669;c2=-1.844
> #Valem, diameeter, kõrgus, paksus,värv, tiitlid ja pealkiri
> curve(10000/(exp(c1+c2*log10(x)))^(1/2),from=5,to=60,ylim=c(20,120),lwd=1,type="p",col="orange",xlab="Diameeter (cm)",ylab="Puudevaheline kaugus (cm)",main="Puude omavaheline kaugus")
> #Kuusk
> c1=11.414;c2=-1.301
> curve(10000/(exp(c1+c2*log10(x)))^(1/2),from=5,to=60,lwd=1,col="magenta",type="p",add=T)
> #Kask
> c1=13.891;c2=-2.331
> curve(10000/(exp(c1+c2*log10(x)))^(1/2),from=5,to=60,lwd=1,col="cyan",type="p",add=T)
> abline(h=seq(20,120,20),lty=3,col="gray") #Lisan horisontaalse abijooned
> abline(v=seq(5,60,5),lty=3,col="gray") #Lisan vertikaalse abijooned
> legend("bottomright",c("Mänd","Kuusk","Kask"),fill=c("orange","magenta","cyan")) #lisame legendi
VASTUS:
Vasakule Paremale
R-Studio KT #1 R-Studio KT #2 R-Studio KT #3 R-Studio KT #4 R-Studio KT #5 R-Studio KT #6 R-Studio KT #7
Punktid 50 punkti Autor soovib selle materjali allalaadimise eest saada 50 punkti.
Leheküljed ~ 7 lehte Lehekülgede arv dokumendis
Aeg2019-01-04 Kuupäev, millal dokument üles laeti
Allalaadimisi 21 laadimist Kokku alla laetud
Kommentaarid 0 arvamust Teiste kasutajate poolt lisatud kommentaarid
Autor Metsandus2015 Õppematerjali autor

Sarnased õppematerjalid

Lineaarne regressioonanalüüs
18
docx

Lineaarne regressioonanalüüs

Kodutöö: Lineaarne regressioonanalüüs PD <- read.csv("puud15.CSV") # parameeter sep="," ja dec="." PD$d_k<-with(PD, ifelse(d2>0,(d1+d2)/2, d1)) PD.<-subset(PD, prt==642 & aasta==2001) PD.<-droplevels(PD.) plot(h~d_k,data=PD.) PD.H <- subset(PD., h>0 & hv>0) table(PD.H$pl) PD.KU<-subset(PD.H, pl=="KU") par(mar=c(4.5,4.5,1,1)) plot(NULL,xlim=c(0,40),ylim=c(0,25),xlab="diameeter, cm", ylab="kõrgus, m") abline(v=seq(0,40,10),lty=3,col="grey75") abline(h=seq(0,25,5),lty=3,col="grey75") # abijooned points(h~d_k,data=subset(PD.KU),lwd=1) with(subset(PD., pl=="KU"),rug(d_k)) 1. Sirge h=a+b*d M1 <- lm(h~d_k, data=PD.KU) summary(M1) D<-0:40 M1.pred <- predict(M1,newdata=data.frame(d_k=D)) lines(D,M1.pred, col="red") coefficients(M1)[1] coefficients(M1)[2] # dobavit' p-value v tablicu v vide * summary(M1)$adj.r.squared summary(M1)$sigma # sqrt(sum(M1$residuals^2)/(length(M1$residuals)-2)) AIC(M1) > coefficients(M1)[1] (Intercept) 7.7585

tehnomaterjalid
Mitmene regressioonanalüüs ja mittelineaarne regressioonanalüüs
12
docx

Mitmene regressioonanalüüs ja mittelineaarne regressioonanalüüs

Mitmene regressioonanalüüs ja mittelineaarne regressioonanalüüs PD <- read.csv("puud15.CSV") PD$d_k<-with(PD, ifelse(d2>0,(d1+d2)/2, d1)) PD.1<-subset(PD, prt==642 & aasta==2001 & h>0 & hv>0) PD.2<-subset(PD, prt==642 & aasta==2006, select=c(puu,rin,d_k,h,hv)) names(PD.2)<-c("puu","rin_2","d_k2","h_2","hv_2") PD.1.2<-merge(PD.1,PD.2,all.x=T) with(PD.1.2, table(rin,rin_2)) PD.1.2$rin12<-with(PD.1.2, paste(rin,rin_2,sep="")) table(PD.1.2$rin12) PD.1.2E<-subset(PD.1.2, rin12 %in% c("11","22")) # rinnaspindala juurdekasv PD.1.2E$ig5<-with(PD.1.2E, (d_k2^2 - d_k^2)*pi/4) hist(PD.1.2E$ig5) # M0: ig5 = a M0<-lm(ig5~1,PD.1.2E) summary(M0) # mean(PD.1.2E$ig5); sd(PD.1.2E$ig5) # R2: 1-(sd(PD.1.2E$ig5)/var(PD.1.2E$ig5))^2 # Md: ig5 = a + b*d Md<-lm(ig5~d_k,PD.1.2E) summary(Md) # Mh: ig5 = a + b*h Mh<-lm(ig5~h,PD.1.2E) summary(Mh) # Mhv: ig5 = a + b*hv Mhv<-lm(ig5~hv,PD.1.2E) summary(Mhv) # Mdh: ig5 = a + b1*d + b2*h Mdh<-lm(ig5~d_

tehnomaterjalid
Metsandusliku andmetöötluse alused 2 osa
12
doc

Metsandusliku andmetöötluse alused 2.osa

Eesti Maaülikool Metsandus- ja maaehitusinstituut Metsakorralduse osakond Gabriel Kase Metsandusliku andmetöötluse alused II Proovitüki nr. 819 andmete analüüs Kodune töö nr. 2 Juhendaja - lektor Külliki Kiviste Tartu 2012 Sisukord 2. Üldiseloomustus........................................................................................................ 3 3. Tunnuste liigid...........................................................................................................3 4. Rühmitamine............................................................................................................. 4 6. Graafikud...................................................................................................................7 11. Kasutatud kirjandus..........................................................................

Andmetöötlus alused



Meedia

Kommentaarid (0)

Kommentaarid sellele materjalile puuduvad. Ole esimene ja kommenteeri



Sellel veebilehel kasutatakse küpsiseid. Kasutamist jätkates nõustute küpsiste ja veebilehe üldtingimustega Nõustun