R an der TU München

CitySTADT: Augsburg

CountryLAND: Deutschland

Kommilitonen im Kurs R an der TU München erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp.

Schaue jetzt auf StudySmarter nach, welche Lernmaterialien bereits für deine Kurse von deinen Kommilitonen erstellt wurden. Los geht’s!

Kommilitonen im Kurs R an der TU München erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp.

Schaue jetzt auf StudySmarter nach, welche Lernmaterialien bereits für deine Kurse von deinen Kommilitonen erstellt wurden. Los geht’s!

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs R an der TU München.

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

Tidy data conclusions

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

Family-wise error rate: Bonferroni correction

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

Family-wise error rate:

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

Chart junk

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

More about Pearson


Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

Descriptive plots


Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

Separating and uniting (1 <-> more variables)


Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

aes mapping global vs individual layers

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

Transform data form long to wide?

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

Careful with colors2

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

Careful with colors

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

position = "fill"

Beispielhafte Karteikarten für R an der TU München auf StudySmarter:

R

Tidy data conclusions

For data to be considered tidy, it has to pass certain criteria

Each column must represent one and only one variable indicated in its name.
Columns musn’t be values (eg. 1999, $10-20k).
Must be aggregated in the right amount of tables – avoid lists.

R

Family-wise error rate: Bonferroni correction

Family-wise error rate: P(V > 0) , the probability of one or more false positives. For large m0 , this is
di cult to keep small.
Bonferroni adjusted p-values:
m
· Suppose we conduct hypothesis tests for each g = 1, . . . , m , producing each a p-value pg
p = min{m , 1}
˜g
pg
Selecting all tests with p ≤ α˜g
Proof: Boole’s inequality implies:

i=1
pi
controls the FWER at level , ie.,α Pr(V > 0) ≤ α .
FWER = P{ ( ≤ ) } ≤ {P( ≤ ) } = m0
m0
α
m
m0

i=1
pi
α
m
α
m
≤ m = α.
α
m
This control does not require any assumptions about dependence among the p-values or about how
many of the null hypotheses are true.
In R: p.adjust(p_values, method = „bonferroni“)

R

Family-wise error rate:

P(V > 0) , the probability of one or more false positives. For large m0 , this is
di cult to keep small.

R

Chart junk

Chart junk is identi ed as poor data-ink ratio.
double encoding (color and axis encode the same)
heavy or dark grid lines
unnecessary text
ornamented chart axes
pictures within graphs
shading or 3D perspective
·
·
·
·
·
·

R

More about Pearson


Pearson correlation captures linear relationships

Pearson correlation is very sensitive to outliers

R

Descriptive plots


Some plots allow exploring how data distribute.
For a univariate data these are are histograms, single boxplots. For multivariate data these are
clustered heatmaps, PCA projection, etc.
Mathematically they correspond to descriptions of the distribution p(X) where X is the variable(s).
In Machine learning terms, they require methods from unsupervised learning.

R

Separating and uniting (1 <-> more variables)


1 variable -> multiple variables
multiple variables -> 1 variable
other useful functions:
– tidyr::separate()
– tidyr::unite()
– data.table::tstrsplit, strsplit, paste, substr

R

aes mapping global vs individual layers

Global mapping is inherited by default to all geom layers, while aes mapping at individual layer is only

recognized at that layer.

R

Transform data form long to wide?

data.table::dcast()
tidyr::spread()

R

Careful with colors2

Careful with colors

Rule #3
Use color only when needed to serve a particular communication goal.
Rule #4
Use di erent colors only when they correspond to di erences of meaning in the data.
Rule #5
Use soft, natural colors to display most information and bright and/or dark colors to highlight
information that requires greater attention.

R

Careful with colors

Rule #1
If you want dierent objects of the same color in a table or graph to look the same, make sure that the
background is consistent.
Rule #2
If you want objects in a table or graph to be easily seen, use a background color that contrasts
sufficiently with the object.

R

position = "fill"

works like stacking, but makes each set of stacked bars the have same height. This
makes it easier to compare proportions across groups.

Gradient

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für R an der TU München zu sehen

Singup Image Singup Image

Andere Kurse aus deinem Studiengang

Für deinen Studiengang an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für R an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

StudySmarter Tools

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback

Nichts für dich dabei?

Kein Problem! Melde dich kostenfrei auf StudySmarter an und erstelle deine individuellen Karteikarten und Zusammenfassungen für deinen Kurs R an der TU München - so schnell und effizient wie noch nie zuvor.