Načtení dat - souřadnic
•"11_mapy_data.txt"
•
•Tři sloupce:
•lat - latitude
•long – longitude
•Souřadnice zkoumaných populací – celý svět
•log – specifická proměnná určující velikost bodů
•v tomto případě se jedná o logaritmus z velikosti zkoumaných populací na daných souřadnicích
•
•Data po načtení zkontrolujeme a nezapomeneme na funkci:
•attach(data)

Zobrazení v rworldmap
•newmap <- getMap(resolution = "low")
•plot(newmap, col="grey",  border="white", main = "World")
•points(data$long, data$lat, col = alpha(4,0.2), cex = data$log, pch = 16)
•
•
•

Zobrazení v ggmap
•mp <- NULL
•mapWorld <- borders("world", colour="gray50", fill="gray50")
•mp <- ggplot() +   mapWorld
•windows()
•mp + geom_point(data = data, aes(x = long, y = lat, alpha = 0.8), size = c(data$log*2), shape =
19, col = "darkblue") + guides(fill=FALSE, alpha=FALSE, size=FALSE)

Korelační analýza v R
•vztah/ závislost mezi dvěma nebo více proměnnými
•metody korelační analýzy:
•Pearsonova korelace (lineární vztah mezi x a y) – parametrická (=> záleží na rozložení dat a může
být použita pouze pokud mají data normální rozložení) y= f(x) resp. lineární regrese
•Kendall tau a Spearman rho – neparametrické; ordinální data
•
•R funkce:
•cor() výpočet korelačního koeficientu
•cor.test() test vztahu dvou párových vzorků, který vrací jak korelační koeficient tak p h odnotu
korelace
•
________________________________________________________________________________
Kendall rank correlation coefficient
Spearman‘s rank correlation coefficient




•pozor na NA hodnoty!
•
•Pearson's product-moment correlation data: SINDX[Sex.x == "male", "Length_cl.x"] and SINDX[Sex.x
== "male", "Shoulder_w.x"]
• t = 3.4634, df = 19, p-value = 0.002602
• alternative hypothesis: true correlation is not equal to 0
• 95 percent confidence interval:
• 0.2603227 0.8306999
• sample estimates:
• cor
• 0.6220993
•
• res1$p.value
• res$estimate
cor(x, y, method = c("pearson", "kendall", "spearman"))
cor.test(x, y, method=c("pearson", "kendall", "spearman"))

•KORELAČNÍ MATICE
•Výpočet: balíček Hmisc, který umožňuje jak korelační matici tak matici příslušných p-hodnot
•Přehledné zobrazení pomocí funkce corrplot()
•Balíček: corrplot
•




•DOMÁCÍ ÚKOL 11
•A) Načtěte data "11_data.csv" a vytvořte correlogram z proměnných: Length_cl, Shoulder_W,
Proportion, Inner_C, Outer_C, Total_C (7 až 12) – pouze pro ženy a pro pravou stranu.
•Nezapomeňte vytvořit matici p-hodnot.
•Nezobrazujte diagonálu.
•Barvy correlogramu volte libovolně, stejně tak typ zobrazení.
•
•Výsledek může vypadat např. takto:
•
•