< 문제 출처 >
이공학도를 위한 확률과 통계 3판 한글판
a.
> y <- matrix(c(2, -2, 4, -2, 2, -4, 1, 3, 1, -5), nrow=10, ncol=1)
> y
[,1]
[1,] 2
[2,] -2
[3,] 4
[4,] -2
[5,] 2
[6,] -4
[7,] 1
[8,] 3
[9,] 1
[10,] -5
b.
> x <- matrix(c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 1, -1, -1, 2, 2, -2, -2, 1, -1, 4, -4, 2, -2, 0, 0, 3, -3), nrow=10, ncol=3)
> x
[,1] [,2] [,3]
[1,] 1 0 1
[2,] 1 0 -1
[3,] 1 1 4
[4,] 1 1 -4
[5,] 1 -1 2
[6,] 1 -1 -2
[7,] 1 2 0
[8,] 1 2 0
[9,] 1 -2 3
[10,] 1 -2 -3
c.
> x_t <- t(x)
> x_t %*% x
[,1] [,2] [,3]
[1,] 10 0 0
[2,] 0 20 0
[3,] 0 0 60
> c <- x_t %*% x
> c
[,1] [,2] [,3]
[1,] 10 0 0
[2,] 0 20 0
[3,] 0 0 60
d.
> d <- solve(c)
> d
[,1] [,2] [,3]
[1,] 0.1 0.00 0.00000000
[2,] 0.0 0.05 0.00000000
[3,] 0.0 0.00 0.01666667
e.
> e <- x_t %*% y
> e
[,1]
[1,] 0
[2,] 20
[3,] 58
f.
> f <- d %*% e
> f
[,1]
[1,] 0.0000000
[2,] 1.0000000
[3,] 0.9666667
g.
> g <- x %*% f
> g
[,1]
[1,] 0.9666667
[2,] -0.9666667
[3,] 4.8666667
[4,] -2.8666667
[5,] 0.9333333
[6,] -2.9333333
[7,] 2.0000000
[8,] 2.0000000
[9,] 0.9000000
[10,] -4.9000000
h.
> h <- y - g
> h
[,1]
[1,] 1.0333333
[2,] -1.0333333
[3,] -0.8666667
[4,] 0.8666667
[5,] 1.0666667
[6,] -1.0666667
[7,] -1.0000000
[8,] 1.0000000
[9,] 0.1000000
[10,] -0.1000000
i.
> i <- t(h) %*% h
> i
[,1]
[1,] 7.933333
j.
> j <- i / (10-2-1)
> j
[,1]
[1,] 1.133333
k.
> j
[,1]
[1,] 1.133333
> d
[,1] [,2] [,3]
[1,] 0.1 0.00 0.00000000
[2,] 0.0 0.05 0.00000000
[3,] 0.0 0.00 0.01666667
> sqrt(1.133333*0.1)
[1] 0.3366501
> sqrt(1.133333*0.05)
[1] 0.2380476
> sqrt(1.133333*0.01666667)
[1] 0.1374368
> k_1 <- sqrt(1.133333*0.05)
> k_1
[1] 0.2380476
> k_2 <- sqrt(1.133333*0.01666667)
> k_2
[1] 0.1374368
B1의 표준오차 = 0.23805
B2의 표준오차 = 0.13744
두 독립변수 모두 제거되지 않아야 합니다.
l.
> f
[,1]
[1,] 0.0000000
[2,] 1.0000000
[3,] 0.9666667
> l_1 <- 0 + 1*1 + 0.9666667 * 2
> l_1
[1] 2.933333
fitted value = 2.933333
> x_input <- matrix(c(0, 2, 1), 3, 1)
> x_input
[,1]
[1,] 0
[2,] 2
[3,] 1
> tmp <- t(x_input) %*% d %*% x_input
> tmp
[,1]
[1,] 0.2166667
> j
[,1]
[1,] 1.133333
> l_2 <- sqrt(1.133333*0.2166667)
> l_2
[1] 0.4955356
standard error = 0.496
> t <- 2.3646
> lower_limit <- l_1 - t*l_2
> lower_limit
[1] 1.76159
> upper_limit <- l_1 + t*l_2
> upper_limit
[1] 4.105077
confidence interval = (1.76, 4.11)
m.
> x_input <- matrix(c(0, 2, 1), 3, 1)
> x_input
[,1]
[1,] 0
[2,] 2
[3,] 1
> tmp <- t(x_input) %*% d %*% x_input
> tmp
[,1]
[1,] 0.2166667
> j
[,1]
[1,] 1.133333
> m_tmp <- sqrt(1.133333*(1+0.2166667))
> m_tmp
[1] 1.174261
> lower_limit <- l_1 - t*m_tmp
> lower_limit
[1] 0.1566762
> upper_limit <- l_1 + t*m_tmp
> upper_limit
[1] 5.709991
prediction interval = (0.16, 5.71)
'About Data > R' 카테고리의 다른 글
[R Studio][13.4.2][DS13.2.3] 문제풀이 (0) | 2020.12.01 |
---|---|
[R Studio][13.2.4][DS13.2.4] 문제풀이 (0) | 2020.12.01 |
[R Studio][13.2.3][DS13.2.3] 반응표면모형 (Response Surface) 적합 및 최대값 구하기 예시 (0) | 2020.11.29 |
[R Studio][13.2.2][DS13.2.2] 반응표면모형 (Response Surface) 적합 및 최대값 구하기 예시 (0) | 2020.11.29 |
[R Studio][12.4.7][DS12.2.5] R에서 파일로부터 데이터를 읽고 95% 단측 신뢰구간 구하기 (0) | 2020.11.23 |