Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- #1 Pobranie danych
- require(RPostgreSQL)
- drv <- dbDriver("PostgreSQL")
- db.con <- dbConnect(drv, host="193.193.92.209", port=5434,
- dbname="XXXXXXXX", user="XXXXXXXXXX", password="XXXXXXXXXXX")
- #dane <- dbGetQuery(db.con, "select * from kwiaciarnia.klienci")
- dane <- dbGetQuery(db.con, "SELECT czas.miesiac, COUNT(*) as sztuk, sum(cena) as wartosc
- FROM kwiaciarnia_hd.sprzedaz sprzedaz
- JOIN kwiaciarnia_hd.czas czas
- USING (idczasu)
- WHERE czas.rok in (2013, 2014) AND czas.miesiac NOT IN (3, 5)
- GROUP BY czas.miesiac
- ORDER BY czas.miesiac");
- dbDisconnect(db.con)
- #2 Przygotowanie wykresu punktowego
- plot(dane$sztuk, dane$wartosc, col="darkred", xlab="liczba sprzedanych kompozycji", ylab="wartość sprzedanych kompozycji")
- #3 Wyznaczenie współczynników korelacji liniowej Pearsona dla kolumn sztuk i wartnosc.
- cor(dane$sztuk, dane$wartosc)
- #Wynik to bardzo silna zależność łącząca liczbę kompozycji i wartności kompozycji w poszczegolnych miesiącach
- #4 Wyznaczenie funkcji regresji liniowej dla danych wartnosc ~ sztuk
- model.YX <- lm(formula = dane$wartosc ~ dane$sztuk)
- abline(model.YX)
- #5 Wyznaczenie współczynnika determinacji i współczynnika zbieżnosci
- R2 <- summary(model.YX)$r.squared
- phi2 <- 1 - R2
- print (round(R2*100, digits = 0))
- # R2 równanie prostej w 82% ukazuje zmienność zależności Y
- # Gdy phi2 ma wartność zbliżoną do 0 to linia dobrze odwzorowuje dopasowanie do punktów empirycznych
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement