6、学生身高与体重的五线总括分别为图11、图12 图11 图12 解析： 在探索数据分析中，反应数据重要特征的5个数分别是中位数me，下四分位数Q1,上四分位数Q3，最小值min和最大值max；从结果可看出，年龄的最小值min，Q1，me，Q3，max分别为：11.0 12.0 13.0 14.5 16.0；身高的为：51.30 58.25 62.80 65.90 72.00；体重的为： 50.50 84.25 99.50 112.25 150.00 三、身高与体重的统计量分析 1、表3.9数据框的生成 （文件名：student_data.R） 程序代码： # 将表3.9中学生的年龄、身高和体重构成数据框 df<-data.frame( Age=c(13, 13, 14, 12, 12, 15, 11, 15, 14, 14, 14, 15, 12, 13, 12, 16, 12, 11, 15 ), Height=c(56.5, 65.3, 64.3, 56.3, 59.8, 66.5, 51.3, 62.5, 62.8, 69.0, 63.5, 67.0, 57.3, 62.5, 59.0, 72.0, 64.8, 57.5, 66.5), Weight=c( 84.0, 98.0, 90.0, 77.0, 84.5, 112.0, 50.5, 112.5, 102.5, 112.5, 102.5, 133.0, 83.0, 84.0, 99.5, 150.0, 128.0, 85.0, 112.0) ); 10
2、R软件的绘图命令对表3.9的使用 （1）plot函数 年龄、身高及体重的箱线图如图13： 程序代码: y<-c(13, 13, 14, 12, 12, 15, 11, 15, 14, 14, 14, 15, 12, 13, 12, 16, 12, 11, 15, 56.5, 65.3, 64.3, 56.3, 59.8, 66.5, 51.3, 62.5, 62.8, 69.0, 63.5, 67.0, 57.3, 62.5, 59.0, 72.0, 64.8, 57.5, 66.5,84.0, 98.0, 90.0, 77.0, 84.5, 112.0, 50.5, 112.5, 102.5, 112.5, 102.5, 133.0, 83.0, 84.0, 99.5, 150.0, 128.0, 85.0, 112.0) f<-factor(c(rep(1,19),rep(2,19),rep(3,19))) plot(f,y) 图13 11
#plot函数的使用 plot(df) #绘出图形如图14 attach(df) plot(~Age+Height) # 绘出身高与年龄的散点图图15 plot(Weight~Age+Height)#绘出两张散点图，第一张是体重与年龄图16 ，第二张是体重与身高 图17 pairs(df) #绘出关于矩阵各列的散点图 图18 coplot(Weight ~ Height | Age) #绘出按年龄段给出的体重与身高的散点图 图19 图14 图15 图16
12 图17 图18 图19 分析： (df) 绘图如图（14）所示；plot(~Age+Height) 绘出身高与年龄的散点图（图15）；plot(Weight~Age+Height)绘出两张散点图（图16），第一张为体重与年龄，第二张为体重与身高（图17）；pairs(df) 绘出关于矩阵各列的散点图（图18） coplot(Weight ~ Height | Age) 绘出按年龄段的体重与身高散点图（图19）。 13
3、 作年龄、身高及体重之间的相关性检验（图20） 代码： cor.test(~X1+X2,data=X) cor.test(~X1+X3,data=X) cor.test(~X2+X3,data=X) #Student.data中的数据，并计算均值、协方差和相关矩阵；其中X1表示年龄，X2表示身高，X3表示体重 程序结果为： 图20 分析可看出: 1） X1与X2的P值为 2.48e-05<0.05, 且从相关系数区间（0.4320777，0.8941859）可看出认为变量X1与X2相关，即学生年龄与身高相关； 2) X1与X3的P值为 0.0002848<0.05, 认为变量X1与X3相关，即学生年龄与体重相关； 3）X2与X3的P值为 7.887e-07<0.05, 且从相关系数区间为（0.7044314 ，0.9523101）看出认为变量X2与X3相关，即学生身高与体重相关； 综上知，学生年龄，身高，体重皆两两相关。 14