#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
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
Posit
RStudio Desktop - Posit
#Geometric_Distribution
#Hypergeometric_Distribution
@R_Experts
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
#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
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
@R_Experts
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 percentagex <- 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:
@R_Experts
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):
@R_Experts
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
#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
,
,
و یا
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
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