统计建模与R软件第五讲-(2017)

学习使用R编程语言进行统计分析和数据建模导论在现代数据分析和统计学中，R编程语言已经成为了一种非常受欢迎的工具。

它是一种免费开源的软件，具有强大的统计分析和数据建模功能。

本文将介绍如何学习使用R编程语言进行统计分析和数据建模，并探讨一些实际应用案例。

第一章：R语言的基础知识在开始学习R编程语言之前，我们首先要了解一些基础知识。

R语言是一种具有面向对象特性的编程语言，它可以用于数据处理、统计分析、数据可视化等领域。

在这一章节中，我们将介绍R语言的安装方法，基本语法，常用函数和数据结构等内容。

第二章：常用数据处理技巧数据处理是数据分析的第一步，它包括数据清洗、数据转换、数据合并等过程。

在R语言中，有许多常用的数据处理函数和技巧可以帮助我们完成这些任务。

在这一章节中，我们将介绍如何使用R语言对数据进行清洗和转换，以及如何使用函数和包来处理缺失值、异常值等常见问题。

第三章：统计分析方法R语言提供了众多的统计分析函数和方法，可以帮助我们进行描述统计、假设检验、方差分析等各种分析。

在这一章节中，我们将介绍如何使用R语言进行常见统计分析，如线性回归、逻辑回归、聚类分析等，并演示如何从结果中提取有用的信息。

第四章：数据可视化方法数据可视化是将数据转化为图形和图表的过程，有助于我们更好地理解和分析数据。

R语言提供了许多功能强大的数据可视化包，如ggplot2、lattice等。

在这一章节中，我们将介绍如何使用R语言进行数据可视化，并演示如何创建散点图、柱状图、折线图等图形。

第五章：高级数据建模技术除了基本的统计分析外，R语言还可以用于更高级的数据建模任务，如机器学习、深度学习等。

在这一章节中，我们将介绍一些常用的数据建模方法，如决策树、随机森林、神经网络等，并演示如何使用R语言构建和评估这些模型。

第六章：实际应用案例最后，我们将通过一些实际应用案例来展示R语言在统计分析和数据建模中的应用。

这些案例包括金融风险评估、医疗数据分析、市场营销策略等。

第二章2.1> x<-c(1,2,3);y<-c(4,5,6)> e<-c(1,1,1)> z<-2*x+y+e;z[1] 7 10 13> z1<-crossprod(x,y);z1[,1][1,] 32> z2<-outer(x,y);z2[,1] [,2] [,3][1,] 4 5 6[2,] 8 10 12[3,] 12 15 182.2(1)> A<-matrix(1:20,nrow=4);B<-matrix(1:20,nrow=4,byrow=T) > C<-A+B;C(2)> D<-A%*%B;D(3)> E<-A*B;E(4)> F<-A[1:3,1:3](5)> G<-B[,-3]> x<-c(rep(1,5),rep(2,3),rep(3,4),rep(4,2));x2.4> H<-matrix(nrow=5,ncol=5)> for (i in 1:5)+ for(j in 1:5)+ H[i,j]<-1/(i+j-1)（1）> det(H)（2）> solve(H)（3）> eigen(H)2.5> studentdata<-data.frame(姓名=c('张三','李四','王五','赵六','丁一')+ ,性别=c('女','男','女','男','女'),年龄=c('14','15','16','14','15'),+ 身高=c('156','165','157','162','159'),体重=c('42','49','41.5','52','45.5')) 2.6> write.table(studentdata,file='student.txt')> write.csv(studentdata,file='student.csv')2.7count<-function(n){if (n<=0)print('要求输入一个正整数')repeat{if (n%%2==0)n<-n/2elsen<-(3*n+1)if(n==1)break}print('运算成功')}}第三章3.1首先将数据录入为x。

第二章2.1> x<-c(1,2,3);y<-c(4,5,6)> e<-c(1,1,1)> z<-2*x+y+e;z[1] 7 10 13>z1<-crossprod(x,y);z1[,1][1,] 32>z2<-outer(x,y);z2[,1] [,2] [,3][1,] 4 5 6[2,] 8 10 12[3,] 12 15 182.2(1) > A<-matrix(1:20,nrow=4);B<-matrix(1:20,nrow=4,byrow=T) >C<-A+B;C(2) > D<-A%*%B;D(3) > E<-A*B;E(4) > F<-A[1:3,1:3](5) > G<-B[,-3]2.3>x<-c(rep(1,5),rep(2,3),rep(3,4),rep(4,2));x2.4>H<-matrix(nrow=5,ncol=5)>for (i in 1:5)+ for(j in 1:5)+ H[i,j]<-1/(i+j-1)（1）> det(H)（2）> solve(H)（3）> eigen(H)2.5>studentdata<-data.frame(姓名=c('张三','李四','王五','赵六','丁一') + ,性别=c('女','男','女','男','女'),年龄=c('14','15','16','14','15'),+ 身高=c('156','165','157','162','159'),体重=c('42','49','41.5','52','45.5')) 2.6>write.table(studentdata,file='student.txt')>write.csv(studentdata,file='student.csv')2.7count<-function(n){if (n<=0)print('要求输入一个正整数')else{ repeat{if (n%%2==0)n<-n/2elsen<-(3*n+1)if(n==1)break}print('运算成功')}}第三章3.1首先将数据录入为x。

统计建模与R软件-第五章假设检验_光环大数据培训机构5.1正常男子血小板计数均值为225∗109/L，今测得20名男性油漆工人的血小板计数值（单位：109/L）:220,188 ,162 ,230 ,145 ,160 ,238 ,188 ,247 ,113,126 ,245 ,164 ,231 ,256 ,183 ,190 ,158 ,224 ,175。

问油漆工人的血小板计数与正常成人男子有无差异？#### t.test(x,y=NULL,...)提供了t检验和相应的区间估计的功能，x,y 是数据向量，如果y为空，则作单个正态总体的均值检验，否则作两个总体的均值检验x <- c(220, 188, 162, 230, 145, 160, 238, 188, 247, 113, 126, 245, 164, 231, 256, 183, 190, 158, 224, 175)t.test(x, alternative = "two.sided", mu = 225)## ## One Sample t-test## ## data: x ## t = -3.478, df = 19, p-value = 0.002516## alternative hypothesis: true mean is not equal to 225 ## 95 percent confidence interval:## 172.4 211.9 ## sample estimates:## mean of x ## 192.2# 得到结论alternative hypothesis: true mean is not equal to 225# 95%的置信区间为[172.4,211.9]，均值估计为192.25.2已知某种灯泡寿命服从正态分布，在某星期所生产的该灯泡中随机抽取10只，测得其寿命（单位：小时）为：1067 ,919 ,1196 ,785 ,1126 ,936 ,918 ,1156 ,920 ,948。

使用R语言进行数据分析和统计建模R语言是一种统计与数据分析的编程语言，广泛应用于各个领域的数据分析和建模工作中。

它提供了丰富的数据处理、统计推断、机器学习和可视化的功能，使得数据分析和统计建模变得更加高效和准确。

本文将介绍R语言的基本用法，并结合实例演示如何使用R语言进行数据分析和统计建模。

1. 数据准备在进行数据分析和统计建模前，首先需要准备好需要分析的数据。

数据可以来自于各种渠道，比如文件导入、数据库连接、API接口等。

R语言提供了多种读取数据的函数和包，可以方便地导入各种数据格式，如CSV、Excel、数据库等。

在导入数据后，一般需要对数据进行一些预处理，包括数据清洗、缺失值处理、异常值处理等。

R语言中有丰富的数据处理函数和包，可以帮助我们完成这些工作。

2. 数据分析数据分析是对数据进行统计、计算和可视化的过程，旨在发现数据中的规律和趋势。

R语言提供了多种数据分析的函数和包，可以进行描述性统计、概率分布、假设检验、回归分析等各种分析方法。

例如，我们可以使用summary()函数获取数据的基本统计信息，hist()函数画出数据的直方图，cor.test()函数进行相关性检验等。

3. 统计建模统计建模是基于数据进行模型构建和参数估计的过程，旨在通过建立数学模型来解释和预测数据。

R语言提供了多种统计建模的函数和包，可以进行线性回归、逻辑回归、决策树、聚类分析等各种建模方法。

例如，我们可以使用lm()函数进行线性回归建模，glm()函数进行逻辑回归建模，rpart()函数进行决策树建模等。

4. 结果可视化结果可视化是将统计分析和模型建模的结果通过图表、图像等形式进行展示和解释的过程。

R语言提供了多种数据可视化的函数和包，可以通过绘制直方图、散点图、折线图、箱线图等方式直观地展示数据。

例如，我们可以使用ggplot2包进行数据可视化，通过ggplot()函数创建图层，再结合不同的geom函数绘制不同类型的图形。

R统计建模与R软件教材⽬录第⼀章概率统计的基本知识第⼆章 R软件的使⽤第三章数据描述性分析第四章参数估计第五章假设检验第六章回归分析第七章⽅差分析第⼋章应⽤多元分析（I）第九章应⽤多元分析（II）第⼗章计算机模拟第⼀章概率统计的基本知识第⼆章 R软件的使⽤2.1 求均值和⽅差> X1 <- c(35,40,40,42,37,45,43,37,44,42,41,39)> mean(X1)[1] 40.41667> sd(X1)[1] 3.028901> X2 <- c(60,74,64,71,72,68,78,66,70,65,73,75)> mean(X2)[1] 69.66667> sd(X2)[1] 5.2107122.2 绘制双变量散点图和单变量直⽅图> X1 <- c(35,40,40,42,37,45,43,37,44,42,41,39)> X2 <- c(60,74,64,71,72,68,78,66,70,65,73,75)> plot(X1, X2)> hist(X1)> hist(X2)2.3 对⾝⾼和体重作线性回归分析> rt <- read.table("exam0203.txt", head=TRUE);rtName Sex Age Height Weight1 Alice F 1356.584.02 Becka F 1365.398.03 Gail F 1464.390.04 Karen F 1256.377.05 Kathy F 1259.884.56 Mary F 1566.5112.07 Sandy F 1151.350.58 Sharon F 1562.5112.59 Tammy F 1462.8102.510 Alfred M 1469.0112.511 Duke M 1463.5102.512 Guido M 1567.0133.013 James M 1257.383.014 Jeffrey M 1362.584.015 John M 1259.099.516 Philip M 1672.0150.017 Robert M 1264.8128.018 Thomas M 1157.585.019 William M 1566.5112.0> lm.sol <- lm(Weight~Height, data=rt)> summary(lm.sol)Call:lm(formula = Weight ~ Height, data = rt)Residuals:Min 1Q Median 3Q Max-17.6807 -6.06420.51159.284618.3698 Coefficients:Estimate Std. Error t value Pr(>|t|) (Intercept) -143.026932.2746 -4.4320.000366 *** Height 3.89900.51617.5557.89e-07 ***---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 11.23 on 17 degrees of freedom Multiple R-squared: 0.7705, Adjusted R-squared: 0.757 F-statistic: 57.08 on 1and17 DF, p-value: 7.887e-07source("MyFile.R")load("MyWorkSpace.RData")save.image("MyWorkSpace.RData")第三章数据描述性分析第四章参数估计第五章假设检验第六章回归分析第七章⽅差分析第⼋章应⽤多元分析（I）第九章应⽤多元分析（II）第⼗章计算机模拟。

统计建模与R软件第五章习题答案(假设检验)Ex5.1> x<-c(220, 188, 162, 230, 145, 160, 238, 188, 247, 113, 126, 245, 164, 231, 256, 183, 190, 158, 224, 175)> t.test(x,mu=225)One Sample t-testdata: xt = -3.4783, df = 19, p-value = 0.002516alternative hypothesis: true mean is not equal to 22595 percent confidence interval:172.3827 211.9173sample estimates:mean of x192.15原假设：油漆工人的血小板计数与正常成年男子无差异。

备择假设：油漆工人的血小板计数与正常成年男子有差异。

p值小于0.05，拒绝原假设，认为油漆工人的血小板计数与正常成年男子有差异。

上述检验是双边检验。

也可采用单边检验。

备择假设：油漆工人的血小板计数小于正常成年男子。

> t.test(x,mu=225,alternative="less")One Sample t-testdata: xt = -3.4783, df = 19, p-value = 0.001258alternative hypothesis: true mean is less than 22595 percent confidence interval:-Inf 208.4806sample estimates:mean of x192.15同样可得出油漆工人的血小板计数小于正常成年男子的结论。

Ex5.2> pnorm(1000,mean(x),sd(x))[1] 0.5087941> x[1] 1067 919 1196 785 1126 936 918 1156 920 948> pnorm(1000,mean(x),sd(x))[1] 0.5087941x<=1000的概率为0.509,故x大于1000的概率为0.491.要点：pnorm计算正态分布的分布函数。

统计建模与r软件课后习题答案统计建模与R软件课后习题答案在统计建模与R软件课程中，学生们经常需要完成一系列的习题来巩固所学知识。

这些习题涉及到统计建模的理论和实践，以及如何使用R软件来进行数据分析和建模。

在本文中，我们将给出一些常见的统计建模与R软件课后习题的答案，希望能够帮助学生更好地理解课程内容。

1. 线性回归模型习题：使用R软件对给定数据集进行线性回归分析，并给出回归方程和相关系数。

答案：在R软件中，可以使用lm()函数来进行线性回归分析。

例如，对于数据集data，可以使用以下代码进行线性回归分析：```model <- lm(y ~ x, data=data)summary(model)```其中，y和x分别表示因变量和自变量。

通过summary()函数可以得到回归方程和相关系数等信息。

2. 逻辑回归模型习题：使用R软件对给定数据集进行逻辑回归分析，并给出回归方程和模型拟合度。

答案：逻辑回归分析可以使用glm()函数来进行。

例如，对于数据集data，可以使用以下代码进行逻辑回归分析：```model <- glm(y ~ x, data=data, family=binomial)summary(model)```其中，y和x分别表示因变量和自变量，family=binomial表示使用二项分布进行逻辑回归分析。

通过summary()函数可以得到回归方程和模型拟合度等信息。

3. 方差分析习题：使用R软件对给定数据集进行方差分析，并给出各组之间的差异是否显著。

答案：在R软件中，可以使用aov()函数来进行方差分析。

例如，对于数据集data，可以使用以下代码进行方差分析：```model <- aov(y ~ group, data=data)summary(model)```其中，y和group分别表示因变量和自变量。

通过summary()函数可以得到各组之间的差异是否显著等信息。

如何使用R语言进行统计建模与数据分析R语言是一种功能强大的编程语言和开源软件环境，被广泛应用于统计学、数据分析和机器学习等领域。

本文将介绍如何使用R语言进行统计建模与数据分析，内容包括：数据导入与处理、探索性数据分析、统计建模以及结果解释与可视化等方面。

第一章：数据导入与处理在进行统计建模与数据分析之前，首先需要将数据导入到R环境中，并进行必要的数据处理。

R语言提供了多种导入数据的函数，如read.csv()、read.table()等，可以读取包括CSV、Excel、文本文件等多种格式的数据。

在导入数据后，需要对数据进行初步处理，包括数据清洗、缺失值处理以及数据格式转换等。

R语言提供了如na.omit()、is.na()等函数用于处理缺失值，而通过转换函数如as.numeric()、as.character()等可以将数据类型转换成所需的类型。

第二章：探索性数据分析在进行统计建模前，我们需要对数据进行探索性的数据分析，了解数据的基本特征和分布情况，并确定适合使用的统计模型。

探索性数据分析的常用方法包括描述性统计、数据可视化和相关性分析等。

R语言提供了丰富的函数和包来支持这些分析，如summary()、hist()、boxplot()等。

通过这些函数和包，我们可以计算数据的均值、中位数、方差等统计指标，并绘制直方图、箱线图、散点图等图形来展示数据的分布和变化情况。

第三章：统计建模在进行统计建模时，我们需要根据问题的性质和数据的特点选择适合的统计模型，如线性回归、逻辑回归、决策树、随机森林等。

R语言提供了强大的统计建模包，如stats、glmnet、rpart等，可以帮助我们实现各种统计建模算法。

在建立模型之前，我们需要将数据集划分为训练集和测试集，以便进行模型拟合和验证。

R语言提供了如caret、caTools等包，可以方便地进行数据集划分。

然后，我们可以使用模型拟合函数（如lm()、glm()等）对训练集进行拟合，得到模型的参数估计值。

使用R语言进行数据分析与统计建模的步骤与技巧数据分析与统计建模是现代科学研究和商业决策中不可或缺的环节。

而R语言作为一种功能强大且开源的数据分析工具，被广泛应用于各个领域。

本文将介绍使用R语言进行数据分析与统计建模的基本步骤与技巧。

一、数据准备与清洗数据准备是数据分析的第一步，它包括数据收集、数据导入和数据清洗。

首先，我们需要确定所需的数据，并选择合适的数据源进行收集。

然后，将数据导入R语言的工作环境中，常用的数据导入函数有read.csv()、read.table()等。

导入数据后，我们需要进行数据清洗，包括处理缺失值、异常值和重复值等。

R语言提供了一系列函数和包，如na.omit()、complete.cases()等，可用于数据清洗。

二、数据探索与可视化数据探索是数据分析的重要环节，它可以帮助我们了解数据的基本特征和分布情况。

在R语言中，可以使用summary()函数和str()函数来查看数据的概要信息和结构信息。

此外，还可以通过绘制直方图、散点图、箱线图等图表来可视化数据。

R语言中的ggplot2包提供了丰富的绘图函数和美观的图形效果，可以帮助我们更好地理解数据。

三、数据预处理与特征工程在进行统计建模之前，我们通常需要对数据进行预处理和特征工程。

预处理包括标准化、归一化、离散化等操作，以便使数据符合模型的假设和要求。

R语言中的scale()函数和normalize()函数可以帮助我们实现数据的标准化和归一化。

特征工程是指通过特征选择、特征变换和特征构建等手段，提取和构建对模型有意义的特征。

R语言中的caret包和dplyr包提供了丰富的函数和方法，可用于特征选择和特征变换。

四、建立统计模型与模型评估建立统计模型是数据分析的核心环节，它包括选择适当的模型、拟合模型和评估模型。

在R语言中，我们可以使用lm()函数、glm()函数和randomForest()函数等来建立线性回归模型、逻辑回归模型和随机森林模型等。

如何使用R语言进行统计分析和建模一、介绍R语言是一种开源的统计分析和建模工具，由于其强大的数据处理和统计分析能力，被广泛应用于学术研究、商业分析以及数据科学领域。

本文将介绍如何使用R语言进行统计分析和建模，包括数据导入、数据清洗和预处理、探索性数据分析、假设检验、回归分析和分类模型等方面。

二、数据导入在使用R语言进行统计分析之前，我们首先需要导入数据。

R语言支持多种数据格式的导入，如CSV、Excel、TXT等。

例如，可以使用read.csv()函数导入CSV格式的数据，使用read_excel()函数导入Excel格式的数据。

导入数据可以使用以下代码：```R# 导入CSV数据data <- read.csv("data.csv")# 导入Excel数据data <- read_excel("data.xlsx")```三、数据清洗和预处理清洗和预处理数据是统计分析的重要一步，可以使用R语言提供的函数进行数据清洗和预处理。

例如，可以使用na.omit()函数去除包含缺失值的数据行，使用scale()函数进行标准化处理。

数据清洗和预处理的示例如下：```R# 去除缺失值data_clean <- na.omit(data)# 数据标准化data_scaled <- scale(data)```四、探索性数据分析探索性数据分析是统计分析的重要环节，旨在通过可视化和描述性统计方法探索数据的分布和相关性。

R语言提供了丰富的数据可视化和描述性统计函数，例如hist()函数绘制直方图，plot()函数绘制散点图，cor()函数计算相关系数。

以下是一些探索性数据分析的示例代码：```R# 绘制直方图hist(data$age)# 绘制散点图plot(data$age, data$income)# 计算相关系数cor(data$age, data$income)```五、假设检验假设检验是统计分析中常用的方法之一，用于判断样本数据是否支持某个假设。

第二章答案：Ex2.1x<-c(1,2,3)y<-c(4,5,6)e<-c(1,1,1)z=2*x+y+ez1=crossprod(x,y)#z1为x1与x2的内积或者x%*%yz2=tcrossprod(x,y)#z1为x1与x2的外积或者x%o%yz;z1;z2要点：基本的列表赋值方法，内积和外积概念。

内积为标量，外积为矩阵。

Ex2.2A<-matrix(1:20,c(4,5));AB<-matrix(1:20,nrow=4,byrow=TRUE);BC=A+B;C#不存在AB这种写法E=A*B;EF<-A[1:3,1:3];FH<-matrix(c(1,2,4,5),nrow=1);H#H起过渡作用，不规则的数组下标G<-B[,H];G要点：矩阵赋值方法。

默认是byrow=FALSE,数据按列放置。

取出部分数据的方法。

可以用数组作为数组的下标取出数组元素。

Ex2.3x<-c(rep(1,times=5),rep(2,times=3),rep(3,times=4),rep(4,times=2));x #或者省略times=，如下面的形式x<-c(rep(1,5),rep(2,3),rep(3,4),rep(4,2));x要点：rep（）的使用方法。

rep（a,b）即将a重复b次Ex2.4n <- 5; H<-array(0,dim=c(n,n))for (i in 1:n){for (j in 1:n){H[i,j]<-1/(i+j-1)}};HG <- solve(H);G #求H的逆矩阵ev <- eigen(H);ev #求H的特征值和特征向量要点：数组初始化；for循环的使用待解决：如何将很长的命令（如for循环）用几行打出来再执行？每次想换行的时候一按回车就执行了还没打完的命令...Ex2.5StudentData<-data.frame(name=c("zhangsan","lisi","wangwu","zhaoliu","dingyi"),sex=c("F","M", "F","M","F"),age=c("14","15","16","14","15"),height=c("156","165","157","162","159"),weight=c( "42","49","41.5","52","45.5"));StudentData要点：数据框的使用待解决：SSH登陆linux服务器中文显示乱码。

如何使用R进行数据分析和统计建模R语言是一种强大的开源编程语言，广泛应用于数据分析和统计建模领域。

它提供了丰富的函数和包，可以帮助研究人员和数据分析师处理和分析各种类型的数据。

本文将介绍如何使用R进行数据分析和统计建模的基本步骤和技巧。

一、数据准备在开始数据分析之前，首先需要准备好数据。

数据可以来自各种渠道，如Excel表格、数据库、文本文件等。

在R中，可以使用read.csv()、read.table()等函数将数据导入到R中。

导入数据后，可以使用head()函数查看数据的前几行，以确保数据导入正确。

二、数据清洗数据清洗是数据分析的重要步骤之一。

在清洗数据时，需要处理缺失值、异常值、重复值等问题。

R提供了一系列函数和包，如na.omit()、complete.cases()、duplicated()等，可以帮助我们进行数据清洗。

例如，可以使用na.omit()函数删除包含缺失值的观测，使用duplicated()函数删除重复的观测。

三、数据探索数据探索是了解数据的基本特征和分布的过程。

在R中，可以使用summary()函数查看数据的基本统计信息，如均值、中位数、最小值、最大值等。

另外，可以使用hist()、boxplot()等函数绘制直方图、箱线图等图形，帮助我们更直观地了解数据的分布和异常值。

四、数据可视化数据可视化是将数据转化为图形或图表的过程，可以帮助我们更好地理解数据。

R提供了丰富的绘图函数和包，如ggplot2、lattice等。

使用这些函数和包，可以绘制各种类型的图形，如散点图、折线图、饼图等。

通过数据可视化，我们可以发现数据中的模式、趋势和关系，为后续的统计建模提供参考。

五、统计建模统计建模是根据数据进行模型构建和预测的过程。

R提供了多种统计建模的函数和包，如lm()、glm()、randomForest等。

在进行统计建模时，需要选择合适的模型和变量，并进行模型拟合和评估。

通过模型拟合，我们可以了解变量之间的关系和影响，通过模型评估，我们可以判断模型的拟合优度和预测能力。

统计建模与R软件课后答案文档编制序号：[KKIDT-LLE0828-LLETD298-POI08]第二章> x<-c(1,2,3);y<-c(4,5,6)> e<-c(1,1,1)> z<-2*x+y+e;z[1] 7 10 13> z1<-crossprod(x,y);z1[,1][1,] 32> z2<-outer(x,y);z2[,1] [,2] [,3][1,] 4 5 6[2,] 8 10 12[3,] 12 15 18(1) > A<-matrix(1:20,nrow=4);B<-matrix(1:20,nrow=4,byrow=T) > C<-A+B;C(2)> D<-A%*%B;D(3)> E<-A*B;E(4)> F<-A[1:3,1:3](5)> G<-B[,-3]> x<-c(rep(1,5),rep(2,3),rep(3,4),rep(4,2));x> H<-matrix(nrow=5,ncol=5)> for (i in 1:5)+ for(j in 1:5)+ H[i,j]<-1/(i+j-1)（1）> det(H)（2）> solve(H)（3）> eigen(H)> studentdata<(姓名=c('张三','李四','王五','赵六','丁一')+ ,性别=c('女','男','女','男','女'),年龄=c('14','15','16','14','15'), + 身高=c('156','165','157','162','159'),体重=c('42','49','','52',''))> (studentdata,file='')> (studentdata,file='')count<-function(n){if (n<=0)print('要求输入一个正整数')else{repeat{if (n%%2==0)n<-n/2elsen<-(3*n+1)if(n==1)break}print('运算成功')}}第三章首先将数据录入为x。