Essas perguntas e respostas de múltipla escolha do R ajudarão você a entender melhor os tópicos do R. Você pode usar esses mais de 100 R MCQs para se preparar para o próximo exame ou entrevista.
Role para baixo para começar a responder.
A. lm (x ~ y)
B. Proc Reg; modelo y = x; correr;
C. lm (y ~ x)
D. Regresso y x
A. ytemp & lt;- rnorm (100, 0, 1); Y & lt; -corte (ytemp, breaks = c (-10, -2, -1, 1, 2, 10)))
B. Y & lt;- rbinom (100, 5, 0,5)
C. Y & lt;- amostra (rep (c (1: 5), cada = 20), tamanho = 100)
D. Y & lt;- amostra (c (1, 2, 3, 4, 5), 100, substituir = true)
A. para (i em 1: nnn) {& lt; código de simulação & gt; }
B. para i em 1: nnn: & lt; código de simulação & gt;
C. para (i - nnn) {& lt; Código de simulação & gt; }
D. for (i = 1, nnn, 1) {& lt; código de simulação & gt; }
A. Isso significa um intervalo de x a y.
B. Isso significa que X e Y estão correlacionados.
C. Isso significa que y logicamente segue de x.
D. Isso significa que X e Y são números reais.
E. Isso significa chances de x para se aplicar a esta operação.
A. 2 10
B. 1 3 5 7 9
C. 2 4 6 8 10
D. 2
A. o vetor de dados como era em H
B. toda a matriz como uma matriz
C. a matriz de todos os zeros
D. O vetor de dimensão C (3,4,2)
A. [1] 2
B. [1] " Hello World "
C. NULO
D. N / D
E. [1] Hello World
A. a = 1
B. a == 1
C. a & lt; & lt;- 1
D. a & lt;- 1
E. a -& gt; 1
A. 4
B. 3
C. VERDADEIRO
D. FALSO
E. 1
A. Import.CSV (" X.CSV ")
B. importação (" X.CSV ")
C. leia.csv (" x.csv ")
D. Leia (" X.CSV ")
A. classificar (x, diminuindo = t)
B. classificar (x)
C. Ordem (x)
D. X [Sort (x)]
A. resumir x
B. Resumo (x)
C. Proc conteúdo x;
D. resumir (x)
A. Lote (x)
B. Hist (x)
C. Lote x
D. plot.hist (x)
A. x $ 1
B. x [0]
C. x.1
D. x [1]
E. x $ 0
A. 0
B. -2
C. N / D
D. 2
A. objetos
B. modo
C. eventos
D. comandos
A. readdata
B. Varredura
C. Read.csv
D. leia.table
A. AS.TS
B. is.ts
C. ts
D. if.ts
A. converter os dados em número inteiro
B. converter os dados em vetor
C. converter os dados em matrizes
D. Converta os dados no objeto de séries temporais
A. N / D
B. Nan
C. #VALOR!
D. [Uma célula em branco]
E. NULO
A. Impressão de Surpresses da palavra " Olá "
B. A direita justifica a palavra " Olá "
C. Imprime a palavra " Olá " em uma fonte em negrito
D. Aumenta o tamanho da palavra " olá " por um fator de 2
A. xlim = c (0, 1)
B. Xlimit = " 0, 1 "
C. xlim = " 0, 1 "
D. xlab = c (0, 1)
A. O valor de x é 2 e o valor de y [x] é C (1: 3) [2] "
B. O valor de x é 2 e o valor de y [x] é 4 "
C. O valor de x é 2 e o valor de y [x] é 2 "
D. O valor de x é 2 e o valor de y [x] é 6 "
A. 1 4
B. 1 4 7
C. 1 3 5
D. 1 2 3 4 5
A. Linhas (0, 1)
B. Lty = C (0, 1)
C. abline (0, 1)
D. Smooth.spline (0, 1)
A. [1] FALSE FALSE FALSO VERDADEIRO
B. [1] falso
C. Joga um erro.
D. [1] Verdadeiro
E. [1] Na na na verdade
A. [1] verdadeiro [1] falso
B. [1] Verdadeiro [1] Verdadeiro
C. [1] FALSO [1] verdadeiro
D. NULO
E. [1] Nan [1] NA
A. 3
B. 1 2 3 4
C. 1 2 2 2 3 3
D. 1 2 3
A. read.table ()
B. load.Table ()
C. carregar()
D. ler()
A. tabule (x, y)
B. Tabela (y ~ x)
C. Tabela (x*y)
D. Tabela (x, y)
A. N / D
B. VERDADEIRO
C. FALSO
D. -Inf
A. 1 2 1 2
B. 1 1
C. 1 1 3 3
D. 1 3 1 3
A. NULO
B. 2
C. 1.5
D. N / D
A. 5 2
B. 10
C. 2 5
D. 20
A. lm (y ~ x1: x3 + x1: x2)
B. lm (y ~ x1 + x2 + x3 + x1*x2)
C. LM (y ~ x1 + x2 + x3 + interação (x1, x2))
D. lm (y ~ x1: x2 + x3)
A. Análise de séries temporais
B. Modelos lineares generalizados
C. Modelos de efeitos mistos lineares
D. Análise de modelos de variância
E. Ferramentas de agrupamento
A. x == y
B. x! = y
C. x =! y
D. x = ~ y
E. x %% y
A. média (x [1: comprimento (x [, 1]),], na.rm = t)
B. aplicar (x, 1, média, na.rm = t)
C. por (x, 1, média, na.rm = t)
D. aplicar (x, 1, média)
A. matriz (x, y, z, nrow = 3)
B. matriz (cbind (x, y, z), nrow = 3)
C. matriz (rbind (x, y, z), nrow = 3)
D. Matrix (rbind (x, y, z), ncol = 3)
A. mesclar (x, y, por = " id ")
B. mesclar (x, y, por = " id ", tudo = true)
C. mesclar (x, y, classy = " id ", tudo = true)
D. Combine (x, y, por = " id ")
A. matriz
B. vetor
C. quadro de dados
D. lista
E. variedade
A. Sort (data.frame (x = c (10, -3, 4))))
B. classificar (lista (10, -3, 4))
C. classificar (C (10, -3, 4))
D. classificar (10, -3, 4)
A. lm (y ~ x) $ resíduos
B. lm (y ~ x) $ residuais - lm (y ~ x) $ ajustado.values
C. resíduos (LM (y ~ x))
D. Y - lm (y - x) $ ajuste.Values
A. igual ao resultado de: & gt; c (média (x [, 1]), média (x [, 2]), média (x [, 3])))
B. igual ao resultado de: & gt; c (média (x [1,]), média (x [2,]), média (x [3,]), média (x [4,])))
C. igual ao resultado de: & gt; c (média (x [, 1]), média (x [, 2]), média (x [, 3]), média (x [, 4]))
D. igual ao resultado de: & gt; c (média (x [1,]), média (x [2,]), média (x [3,]))))
A. X [c (3,7)] & lt;- x [c (7,3)]
B. substitua (x, c (3, 7), c (7,3)
C. X [7] & lt;- x [3]; X [3] & lt;- x [7]
D. X [3] & lt;- x [7]; X [7] & lt;- x [3]
A. [1] nulo
B. [1] verdadeiro
C. [1] -inf
D. [1] NAN
E. [1] falso
A. Uma mensagem de erro
B. N / D
C. Um coeficiente de correlação
D. R quadrado
A. dispersão (x ~ y)
B. plot (data.frame (y ~ x))
C. Plot (x ~ y)
D. XyPlot (x, y)
A. Verdadeiro
B. 0
C. Falso
D. 110
A. O vetor de dimensão C (3,4,2)
B. toda a matriz como uma matriz
C. a matriz de todos os zeros
D. o vetor de dados como era em H
A. [1] 1 1 1 2 2 2
B. [1] 1 2 1 2 1 2
C. [1] " 1: 2 " " 1: 2 " " 1: 2 "
D. [1] 3 6
A. Rescale (x, 1, 2)
B. !
C. PloTrix :: Rescale (X, C (1, 2))
D. plotrix.rescale (x, c (1, 2))
E. Plotrix (Rescale (X, C (1, 2)))
A. [1] " O " [2] " M " [3] " g "
B. [1] " OMG "
C. [1] " OMG "
D. [1] " O M G "
A. por
B. comprimento
C. de
D. tempos
A. Colmeans (DF)
B. para (i em 1: nrow (df)) impressão (média (as.numeric (df [i,]))
C. aplicar (df, 2, média)
D. SAPPLY (1: NCOL (df), função (col) média (df [, col]))
E. para (i em 1: ncol (df)) impressão (média (df [, i]))
A. O vetor de linha [false false false]
B. O vetor de linha [1 2 3]
C. O vetor da linha [2 3 4]
D. O vetor de linha [True True True]
A. S4
B. S3
C. R5 (classe de referência)
A. 2
B. 3 4
C. 2 4 6 8 10
D. 4
A. Regress
B. lm (y ~ x, intercept = f)
C. lm (y ~ -1 + x)
D. Proc Reg; modelo y = x; intercept = f; correr;
A. Verdadeiro NA
B. N / D
C. VERDADEIRO
D. Verdadeiro verdadeiro falso
E. FALSO
A. X & lt;- redonda (y, 0)
B. X & lt;- como.numeric (y)
C. X & lt;- IS.INTEGER (Y)
D. X & lt;- as.integer (y)
A. Uma matriz contendo os números 1 a 30
B. Uma matriz de 2 linhas, uma matriz de 3 linhas e uma matriz de 5 linhas, cada uma contendo os números 1 a 30
C. Duas matrizes, uma com 3 colunas, a outra com 5
D. Cinco matrizes, cada uma com 2 linhas e 3 colunas
A. o vetor da linha [" x1 " " Y1 " " x2 " " y2 " " x3 " " Y3 " " x4 " " Y4 " " x5 " " y5 " " x6 " " y6 " " x7 " " Y7 " " x8 " " Y8 " " x9 " " Y9 " "
B. o vetor da linha [" x1 " " y2 " " x3 " " Y4 " " x5 " " y6 " " x7 " " Y8 " " x9 " " Y10 "]
C. o vetor da linha [" Y1 " " y2 " " Y3 " " Y4 " " y5 " " y6 " " Y7 " " Y8 " " Y9 " " Y10 "]
D. o vetor da linha [" x1 " " x2 " " x3 " " x4 " " x5 " " x6 " " x7 " " x8 " " x9 " " x10 "]
A. %%
B. %/%
C. /
D. %*%
E. mod
A. [, 1] [, 2] [1,] 3 2
B. [, 1] [1,] 3 [2,] 2
C. [, 1] [1,] 2 [2,] 1
D. [, 1] [, 2] [1,] 2 3
A. df [, média (x), por = fator]
B. para (f em níveis (df $ fator)) impressão (média (subconjunto (df, fator == f) $ x))
C. SAPPLIC (níveis (df $ fator), função (f) média (subconjunto (df, fator == f) $ x)))
D. ddply (df,. (fator), resumir, média (x))
A. 1 3
B. 1 2
C. 1 4
D. 2 4
A. X [[3]] [4]
B. X [[4]] [[3]]
C. X [[3, 4]]
D. X [3, 4]
E. X [3] [4]
A. 2
B. 1
C. Uma matriz 2x2 com todas as células iguais a 1
D. 4
A. ! is.na (x)
B. ! all (is.na (x))
C. todos (is.na (x))
D. todos (! is.na (x))
A. Matrizes podem ser transpostas; Matrizes não podem
B. Matrizes podem incluir várias classes de objetos diferentes
C. Apenas matrizes suportam valores infinitos
D. Eles são idênticos; Ambos estão incluídos para facilitar o uso
E. Matrizes suportam mais de 2 dimensões
A. Nenhum valores é exibido
B. 0, 2
C. 0, 10
D. 0, 1
A. 5
B. " 5 "
C. 5.457
D. 5.5
A. modo (y)
B. classificar (y, diminuindo = t) [1]
C. nomes (tabela (y)) [Tabela (y) == max (tabela (y)]]
D. classificar (tabela (y), diminuindo = t)
A. Faz de Z uma variedade de todos os zeros
B. sinalizaria um erro sobre o comprimento de incompatibilidade
C. são reciclados desde o início novamente para compensar o tamanho 24
D. são os mesmos que o comprimento de H
A. (Todos estes estão corretos)
B. atribuir (" x ", c (10.4, 5.6, 3.1, 6.4, 21.7)))
C. C (10.4, 5.6, 3.1, 6.4, 21.7) -& gt; x
D. x & lt;- c (10.4, 5.6, 3.1, 6.4, 21.7)
A. data (x, " dia ")
B. strsplit (x, "-")
C. dividido (x, "-") [3]
D. substr (x, 10, 11)
A. t.test (a, b, emparelhado = true)
B. média (a) == média (b)
C. ks.test (a, b)
D. t.test (a, b, emparelhado = false)
A. O vetor de dimensão C (3,4,2)
B. toda a matriz como uma matriz
C. o vetor de dados como era em h
D. a matriz de todos os zeros
A. X [" b ", " C " ]
B. X [, c (2, 4)]
C. X [c (" b ", " c ")]
D. X [2, 4]
A. ??trama
B. ? " plot "
C. ajuda (" plot ")
D. Ajuda (enredo)
E. ?trama
A. tabule (x, y, na.omit = f)
B. tabela (x, y, na.include = t)
C. Tabela (x, y, usena = " sempre ")
D. tabela (x*y, na.rm = f)
A. Y [que (X & lt; 100)]
B. Y [, que (x & lt; 100)]
C. Y [x & lt; = 100]
D. Y [onde (x & lt; 100),]
A. & gt; ab & lt;- a * b
B. & gt; ab & lt;- externo (a, b, %o %)
C. & gt; ab & lt;- externo (a, b, *)
D. & gt; ab & lt;- a % o % b
A. complexo
B. (Todos esses são válidos)
C. lógico
D. dobro
E. Inteiro
A. A expressão é escaneada da direita para a esquerda
B. Quaisquer operandos de vetor curto são estendidos reciclando seus valores até que correspondam ao tamanho de quaisquer outros operandos
C. Qualquer operando vetor mais curto que uma matriz ou operando de matriz gera um erro
D. Enquanto os vetores e matrizes curtos forem encontrados, as matrizes podem ter o atributo DIF DIF ou um erro
A. jarqueberatest (residual (x))
B. bgtest (x)
C. heterocedastidade (x)
D. gqtest (x)
A. x & lt; -seq (1,5, por = 2); s & lt; -rep (x, times = 3); classificar (s)
B. x & lt; -seq (1,5, por = 2); rep (x, times = 3)
C. x & lt; -seq (1,5, por = 2); rep (x, cada = 3)
D. x & lt; -c (1 1 1 3 3 3 5 5 5)
A. AutoCorrelationTest (x)
B. gqtest (x)
C. jarqueberatest (residual (x))
D. bgtest (x)
A. ele desenha 1 número de 40 distribuições normais diferentes
B. ele desenha 40 números pseudo-aleatórios
C. Ele desenha 40 números aleatórios de uma distribuição normal com média de 1
D. Ele desenha 40 números aleatórios de uma distribuição normal com desvio padrão de 4
A. O vetor de linha [1 2 3 FALSE]
B. O vetor da linha [1 2 3 na]
C. O vetor de linha [True True False True]
D. O vetor de linha [false false false verdadeiro]
A. Uma matriz pode conter apenas valores numéricos.
B. Uma matriz não deve ser singular.
C. Um quadro de dados pode conter variáveis que possuem modos diferentes.
D. Um quadro de dados pode conter variáveis de diferentes comprimentos.
A. 1
B. 365
C. 4
D. 12
A. Remover()
B. Apagar()
C. Destacar ()
D. Excluir()
A. Altura (comprimento (altura))
B. Altura [comprimento (altura)]
C. Altura [comprimento [altura]]
D. Altura (5)
A. Var_a!
B. \ _Vara
C. .2var_a
D. Var2_a
A. Uma matriz tem duas dimensões, enquanto uma matriz pode ter três ou mais dimensões.
B. Uma matriz é um subtipo do quadro de dados, enquanto uma matriz é um tipo separado inteiramente.
C. Uma matriz pode ter colunas de comprimentos diferentes, mas as colunas de uma matriz devem ter o mesmo comprimento.
D. Uma matriz pode conter apenas valores numéricos, enquanto uma matriz pode misturar diferentes tipos de valores.
A. Tipo
B. Comprimento
C. Atributos
D. Escalar
A. Bof (pizza, 5)
B. Primeiro (pizza, 5)
C. Top (pizza, 5)
D. Cabeça (pizza, 5)
A. Console (-25)
B. Console (reverso = true)
C. História()
D. História (max.show = 25)