|R| Experts – Telegram
|R| Experts
1.05K subscribers
376 photos
35 videos
58 files
205 links
@R_Experts
🔴آمار علم جان بخشیدن به داده‌هاست.
🔷ارتباط با ما
@iamrezaei
لینک یوتیوب و اینستاگرام و ویرگول:
https://zil.ink/expertstv
Download Telegram
#Rstudio
شرکتی است که تهیه نرم‌افزار، آموزش و خدماتی را برای محیط محاسباتی برنامه آر تخصیص داده است. برنامه ساخته شده توسط این شرکت، محیطی توسعه یافته و یکپارچه برای نرم افزار آر به حساب می‌آید.
از قابلیت‌های این محیط می‌توان به:

1- ابزارهای سودمند قدرتمند (متمایز کردن، کامل شدن دستورات، دندانه‌های هوشمند...)

2-محیط برنامه‌نویسی ساخته شده برای نرم‌افزار آر (جستجو در فضای کاری، نمایشگر داده‌ها خروجی پی‌دی‌اف و ...)

3- سازگار (قابلیت کار کردن با هر نسخه‌ای از نرم‌افزار آر (نسخه‌های 2.11.1 به بالا)، رایگان و منبع آزاد و...)،

اشاره کرد.
@R_Experts
برای دانلود این نرم‌افزار می‌توانید به لینک زیر مراجعه کنید.
http://www.rstudio.com/ide/download/desktop

#تذکر1: #Rstudio یک ویرایشگر می باشد بدین معنی که نرم افزار #R حتما حتما باید در سیستم شما نصب شده باشد
تا بتوانيد از #Rstudio استفاده نمایید.

#تذکر2 : به دلخواه خودتان می توانيد #فونت ویا #بک_گراند محیط #Rstudio را انتخاب کنید.

@R_Experts
#Geometric_Distribution

dgeom(X, prob = p)            
# p is the probability of success

dgeom(X, prob = p, log=TRUE)  
# log of the probability instead



#Hypergeometric_Distribution

dhyper(X, m, n, k)

dhyper(X, m, n, k, log = TRUE)


@R_Experts
این شکل به معنی
dnorm(1)
میباشد

@R_Experts
این شکل به معنی
pnorm(1)
میباشد

@R_Experts
#qnorm

از دیدگاه ماشینی تابع :

دریافتی این تابع

ازجنس احتمال

و خروجیش از محور x ها در نمودار بالایی میباشد

ی تابع چگالی نرمال استاندارد داشتیم


ایشون نقش "معکوس " همون تابع رو تو نرم افزار دارن

خود اون تابع
dnorm(x)
هست
و

pnorm(x)
تابع تجمعی میباشد


@R_Experts
#الگوریتم_مترو_پلیس_هستینگ



metropolis.hastings <- function(f,  # the target distribution

                                g,  # the proposal distribution

                                rg, # a sample from the proposal distribution

                                x0, # initial value for chain, in R it is x[1]

                                chain.size=1e5,  # chain size

                                burn.perc=0.1) { # burn in percentage

  

  x <- c(x0, rep(NA,chain.size-1))  # initialize chain

  

  for(i in 2:chain.size)   {

    y <- rg(x[i-1])                 # generate Y from g(.|xt) using sampler rg

    alpha <- min(1, f(y)*g(x[i-1],y)/(f(x[i-1])*g(y,x[i-1])))

    x[i] <- x[i-1] + (y-x[i-1])*(runif(1)<alpha)  # update step

  }

  

  # remove initial part of the chain before output result

  x[(burn.perc*chain.size) : chain.size] 

}



@R_Experts
#Example

This first eg samples from an uniform distribution (the proposal distribution)
to generate a sample from a Beta(2.7, 6.3) distribution:

a<-2.7; b<-6.3; size<-1e4

f <- function(x) dbeta(x,a,b)
rg <- function(x) runif(1,0,1)
g <- function(x,y) 1 # i.e., dunif(x,0,1)

X <- metropolis.hastings(f,g,rg,x0=runif(1,0,1),chain.size=size)

par(mfrow=c(1,2),mar=c(2,2,1,1))
hist(X,breaks=50,col="blue",main="Metropolis-Hastings",freq=FALSE)
curve(dbeta(x,a,b),col="sienna",lwd=2,add=TRUE)
hist(rbeta(size,a,b),breaks=50,col="grey",main="Direct Sampling",freq=FALSE)
curve(dbeta(x,a,b),col="sienna",lwd=2,add=TRUE)



@R_Experts
This second eg samples from a chi-squared distribution to
generate a sample from the Rayleigh distribution (assume parameter σ=4):



library(VGAM)

sigma <- 4
f <- function(x) drayleigh(x,sigma) # the target distribution
rg <- function(x) rchisq(1,df=x) # a sample from proposal g(.|x)
g <- function(x,y) dchisq(x,df=y) # the pdf at g(x|y)

X <- metropolis.hastings(f,g,rg,x0=rchisq(1,df=1),chain.size=size)

par(mfrow=c(1,2),mar=c(2,2,1,1))
hist(X,breaks=50,col="blue",main="Metropolis-Hastings",freq=FALSE)
curve(drayleigh(x,sigma),col="sienna",lwd=2,add=TRUE)
hist(rrayleigh(size,sigma),breaks=50,col="grey",main="Direct Sampling",freq=FALSE)
curve(drayleigh(x,sigma),col="sienna",lwd=2,add=TRUE)



@R_Experts
#سرگرمی
#تخم_مرغ_رنگی

          "@R_Experts"


meshgrid <- function(a, b) {

  list(x = outer(b * 0, a, FUN = "+"), 

       y = outer(b, a * 0,FUN = "+"))

}

#install.packages("rgl")

library(rgl)

c = 0.2

b = 1.7

theta = seq(0, 2 * pi, length = 40 * 4)

phi = seq(0, pi, length = 40 * 4)

theta1 = meshgrid(theta, phi)$x

phi2 = meshgrid(theta, phi)$y

x = (1 + c * phi2) * sin(phi2) * cos(theta1)

y = (1 + c * phi2) * sin(phi2) * sin(theta1)

z <- b * cos(phi2)

surface3d(x, y, z, color = rainbow(10))

par3d(zoom = 0.7)




@R_Experts
|R| Experts
#توزیع_های_آماری @R_Experts
#توضیحات
برای استفاده از این جدول برحسب نوع استفاده از تابع ،پیش از نام تابع حروف
p

,
q

,
d

و یا
r

استفاده میکنیم.
@R_Experts
p برای محاسبه احتمال در تابع توزیع

q برای محاسبه چندک

d برای محاسبه چگالی

r برای تولید اعداد تصادفی


@R_Experts