# dette er r-info02.txt av a.t.

# disse .txt filene er lette aa lagre i egen computer og aapne
# i hvilken som helst tekst editor. Copy og paste fra en editor
# er saerlig enkelt naar du bruker en tekst editor som er hyperenkel,
# uten fontvariasjoner, men det skulle gaa aa copy og paste fra
# de fleste editorer, og ogsaa fra firefox direkte, inn i R.

# pass paa at naar du velger copy skal du ha med en linjeskift
# ETTER siste linje. sjekk naar du paster at linjeskift er kommet
# med -- at ingen linje 'henger' igjen paa slutten. hvis det er
# linje som 'henger' igjen, tast linjeskift manuelt etter at du
# har pastet for at alt skal gaa som det skal.

# programmeringsspraaket R har samme stringens som man forventer
# av et godt programmeringsspraak, men det har visse tilpasninger
# som gjoer det lettere aa bruke i form av inntastete linjer som
# lager grafikk mer eller mindre med det samme. Disse forenklinger
# er knyttet til at hvis en funksjon normalt har la oss si fem
# inputs -- parametere, som vi sier, kan du ofte likevel bare gi den 
# noen faa parametere, og den gjoer jobben sin likevel. Den bruker
# da standardverdier der du ikke har spesifisert dine egne verdier.
# denne fleksibiliteten betyr at hvis funkjonen funk1(a, b, c, d, e)
# skal kjoeres og du bare vil spesifisere la oss si a og d, maa du
# ha en metode for aa angi a og d inne i funksjonen. Alternativet
# ville vaere aa fylle opp med masse kommaer. Saa du vil ofte finne
# likhetstegn = inne i funksjonene -- noe slikt som funk1(a=3, d=5) 
# som et abstrakt eksempel. 

# naar du skal definere noe nytt, eller gi dine data et navn inne
# i R, slik at R kan sjonglere frem grafer ved aa bruke dette navnet,
# i et lite R program, bruker du en venstre-pil, <- for dette. 
# du kan lese <- som "settes til", og du kan ogsaa tenke paa <-
# som en variant av =, "er lik". I noen tilfeller kan du lese <-
# som "defineres som". 

# hvis du har laget en graf men trenger aa modifisere den, og du
# skriver ting inn i en tekstbehandler og bruker Copy og deretter
# Paste inn i R, kan du lett endre materialet og proeve paa nytt.
# noen ganger maa du da ta quit() eller q() for aa forlate R,
# slik at R resettes og er klar til bruk med friske data.
# paa denne maaten kan du bygge opp de grafer som gir den beste
# foerste-hands fremstilling av tallene i dine matriser.

# vi skal fortsette med eksempler med minimal forklaring til aa
# begynne med. men vit at hvert eneste ord i R har en eksakt
# forklaring. det er ingen 'fuzziness' over betydningen av de
# ulike ordene. alt kan hentes frem via R manualene. vi tror
# imidlertid at motivasjonen for aa se paa ulike definisjoner
# er mye stoerre naar du har en viss ide om hva slags R uttrykk
# som gir hva slags grafer; du kan da stille deg inn paa aa
# omskape de grafer som er naermest de du selv trenger ved at
# du leser forklaringer i manual (og her) saerlig knyttet til
# disse eksempler. sammen med hver eksempel-samling, skal vi gi
# litt nye kommentarer som birdrar til innsikt i R, men vektlegge
# 'doing' fremfor masse abstrakt snakk.

# merk at her er det bruk av mer enn en { inne i et avsnitt, og
# antallet } skal matche. Saa naar du ser to stk. { i et avsnitt,
# skal det vaere to stk } lenger ned i samme R avsnitt.

# avslutt R (ved at du skriver quit() og presser linjeskift) og
# start opp R paa nytt. Proev aa paste alt som foelger -- helt frem
# til popViewport(3) og frem paa skjermen, hvis alt er som det skal
# med R installasjonen, skal komme en farget "barplot" med 
# noen tilfeldige data:

require(grid)
barData <- matrix(sample(1:4, 16, replace = TRUE), ncol = 4)
boxColours <- 1:4

bp <- function(barData) {
nbars <- dim(barData)[2]
nmeasures <- dim(barData)[1]
barTotals <- rbind(rep(0, nbars), apply(barData, 2, cumsum))
barYscale <- c(0, max(barTotals)*1.05)
pushViewport(plotViewport(c(5, 4, 4, 1),
yscale = barYscale,
layout = grid.layout(1, nbars)))
grid.rect()
grid.yaxis()
for (i in 1:nbars) {
pushViewport(viewport(layout.pos.col = i, yscale = barYscale))
grid.rect(x = rep(0.5, nmeasures),
y = unit(barTotals[1:nmeasures, i], "native"),
height = unit(diff(barTotals[,i]), "native"),
width = 0.8, just = "bottom", gp = gpar(fill = boxColours))
popViewport()
}
popViewport()
}

legLabels <- c("Group A", "Group B", "Group C", "Something Longer")
boxSize <- unit(0.5, "inches")
leg <- function(legLabels) {
nlabels <- length(legLabels)
pushViewport(viewport(layout = grid.layout(nlabels, 1)))
for (i in 1:nlabels) {
pushViewport(viewport(layout.pos.row = i))
grid.rect(width = boxSize, height = boxSize, just = "bottom",
gp = gpar(fill = boxColours[i]))
grid.text(legLabels[i], y = unit(0.5, "npc") - unit(1, "lines"))
popViewport()
}
popViewport()
}

grid.rect(gp = gpar(lty = "dashed"))
legend.width <- max(unit(rep(1, length(legLabels)),
"strwidth", as.list(legLabels)) +
unit(2, "lines"),
unit(0.5, "inches") + unit(2, "lines"))
pushViewport(viewport(layout = grid.layout(1, 2,
widths = unit.c(unit(1,"null"), legend.width))))
pushViewport(viewport(layout.pos.col = 1))
bp(barData)
popViewport()
pushViewport(viewport(layout.pos.col = 2))
pushViewport(plotViewport(c(5, 0, 4, 0)))
leg(legLabels)
popViewport(3)

# det fungerte? bra! naa ta quit() ut av R og start R paa nytt,
# og paste det samme inn en gang til. du vil se variasjoner
# knyttet til at det er tilfeldige inngangsdata -- istedenfor
# data fra forskningsarbeide. Disse saa kalte 'random generators'
# er naturligvis ikke ekte random (det er en filosofisk debatt
# om noe slikt overhodet kan finnes). De er, naermere bestemt,
# 'relative frie fluktuasjoner' generert av en eller annen
# litt komplisert aritmetisk funksjon. (I eget arbeid kaller
# vi dette derfor for RFFG heller enn random slik at vi har en 
# presisjon, men RFFG er ikke et uttrykk som brukes i R-spraaket.)