menyesuaikan fungsi ke data
AZIZATUL MUNAWAROH
2022-11-21
Dosen Pembimbing : Prof.Dr.Suhartono,M.Kom
Lembaga : Universitas Islam Negri Maulana Malik
Ibrahim Malang
Jurusan : Teknik Informatika
Fakultas : Sains dan Teknologi
library (mosaicCalc)## Loading required package: mosaic## Registered S3 method overwritten by 'mosaic':
## method from
## fortify.SpatialPolygonsDataFrame ggplot2##
## The 'mosaic' package masks several functions from core packages in order to add
## additional features. The original behavior of these functions should not be affected by this.##
## Attaching package: 'mosaic'## The following objects are masked from 'package:dplyr':
##
## count, do, tally## The following object is masked from 'package:Matrix':
##
## mean## The following object is masked from 'package:ggplot2':
##
## stat## The following objects are masked from 'package:stats':
##
## binom.test, cor, cor.test, cov, fivenum, IQR, median, prop.test,
## quantile, sd, t.test, var## The following objects are masked from 'package:base':
##
## max, mean, min, prod, range, sample, sum## Loading required package: mosaicCore##
## Attaching package: 'mosaicCore'## The following objects are masked from 'package:dplyr':
##
## count, tally##
## Attaching package: 'mosaicCalc'## The following object is masked from 'package:stats':
##
## DMenyesuaikan fungsi ke data menyesuaikan fungsi ke data adalah membuat, memilih fungsi dari sebuah model data. fungsi grafik dari{mosaicCalc} ada tiga yakni :
- slice_plot()untuk fungsi dari satu variabel
2.contour_plot() untuk fungsi dua variabel
3.interactive_plot()yang menghasilkan widget HTML untuk berinteraksi dengan fungsi dua variabel.
kita bisa membuat ketiga fungsi diatas dari suatu model data. mari kita bahas satu-persatu.
dari data dibawah ini kita akan membuat 3 fungsi:
Utils <- read.csv("http://www.mosaic-web.org/go/datasets/utilities.csv")
head(Utils)## month day year temp kwh ccf thermsPerDay dur totalbill gasbill elecbill
## 1 2 24 2005 29 557 166 6.0 28 213.71 166.63 47.08
## 2 3 29 2005 31 772 179 5.5 33 239.85 117.05 62.80
## 3 1 27 2005 15 891 224 7.5 30 294.96 223.92 71.04
## 4 11 23 2004 43 860 82 2.8 29 160.26 88.51 71.75
## 5 12 28 2004 23 1160 208 6.0 35 317.47 224.18 93.29
## 6 9 26 2004 71 922 15 0.5 32 117.46 21.25 96.21
## notes
## 1
## 2
## 3
## 4
## 5
## 61.Fungsi slice_plot()
fungsi slice_plot merupakan fungsi untuk satu variabel.
Utils <- read.csv("http://www.mosaic-web.org/go/datasets/utilities.csv")
gf_point(ccf ~ temp, data = Utils,color = "yellow") %>%
gf_labs(y = "penggunaan gas alam (ccf/bulan)",
x = "suhu luar ruanagn rata-rata (F)")
ini merupakan pemanggilan untuk fungsi garis lurus.f(x)= Ax + B.x disini merupakan variabel singkatan dari input. sedangkan A dan B adalah parameter.Untuk menyesuaikan fungsi model dengan data, tuliskan rumus dengan nama input, parameter, dan output yang sesuai di tempat yang tepat:
f <- fitModel(ccf ~ A * temp + B, data = Utils)fungsi fitModel()adalah fungsi dengan bentuk matematika yang sama seperti di argumen pertama (ccf~A * temp).dan beginilah cara fitModel() mengetahui besaran mana dalam bentuk matematika yang merupakan variabel dan mana yang merupakan parameter:
gf_point(ccf ~ temp, data = Utils,color = "yellow") %>%
slice_plot(f(temp) ~ temp,color = "green")
kalian juga bisa menambahkan fungsi lain seperti sqrt(temp):
f2 <- fitModel(
ccf ~ A * temp + B + C *sqrt(temp),
data = Utils)
gf_point(
ccf ~ temp, data = Utils,color = "yellow") %>%
slice_plot(f2(temp) ~ temp,color = "green")
- contour_plot()
contour_plot yakni untuk fungsi dua variabel.berikut model data yang akan kita gunakan:
Hondas <- read.csv("http://www.mosaic-web.org/go/datasets/used-hondas.csv")
head(Hondas)## Price Year Mileage Location Color Age
## 1 20746 2006 18394 St.Paul Grey 1
## 2 19787 2007 8 St.Paul Black 0
## 3 17987 2005 39998 St.Paul Grey 2
## 4 17588 2004 35882 St.Paul Black 3
## 5 16987 2004 25306 St.Paul Grey 3
## 6 16987 2005 33399 St.Paul Black 2Dari data diatas dapat kita lihat harga dari suatu mobil dipengaruhi oleh usia dan jarak tempuh yang bisa di capai oleh mobil tersebut. untuk mencari harga mobil dari usia dan jarak yang bis aditempuh kita bisa menggunakan fungsi berikut :
hargamobil <- fitModel(
Price ~ A + B * Age + C * Mileage, data = Hondas
)setelah mendapatkan fungsi selanjutnya, masukkan fungsi ke dalam plot nya:
contour_plot(
hargamobil(Age = age, Mileage = miles,) ~ age + miles,
domain(age=2:8, miles=range(0, 50000)))
dari data diatas bisa kita simpulkan semakin rendah penggunaanya dan semakin muda usia mobil maka harga pun semakin meningkat.
lalu selanjutnya model yang bisa mencakup interaksi antara usia dan jarak tempuh,dengan begitu mungkin saja pengaruh usia berbeda atau bergantung pada jarak tempuh:
hargamobil1 <- fitModel(
Price ~ A + B * Age + C * Mileage + D * Age * Mileage,
data = Hondas)selanjutnya masukkan fungsi ke dalam plot :
contour_plot(
hargamobil1(Age=age, Mileage=miles) ~ age + miles,
domain(age = range(2, 8), miles = range(0, 50000)))
3.interactive_plot()
interactive_plot() adalah fungsi yang menghasilkan widget HTML untuk berinteraksi denganfungsi dua variabel.
interactive_plot(
hargamobil1(Age=age, Mileage=miles) ~ age + miles,
domain(age = range(2, 8), miles = range(0, 50000)))LATIHAN BAB 6
- Latihan 1
1.Apa yang dikatakan kontur vertikal tentang harga sebagai fungsi dari age dan milleage?
contour_plot(
hargamobil(Age = age, Mileage = miles) ~ age + miles,
domain(age = range(0, 8), miles = range(0, 60000)))
Jawab: harga tergantung age tapi tidak mileage. ini bisa terlihat dari gambar hasil fungsi counter_plot diatas.
2.Grafik fungsi yang sama yang ditampilkan di badan teks memiliki kontur yang miring ke bawah dari kiri ke kanan. Apa yang dikatakan tentang harga sebagai fungsi dari Agedan Mileage?
jawab : harga sangat tergantung pada kedua variabel.
3.Fungsi yang sama digambarkan baik di badan teks maupun di latihan ini. Tapi grafiknya sangat berbeda! Jelaskan mengapa ada perbedaan dan sebutkan grafik mana yang benar.
jawab : Perhatikan tanda centang pada sumbu. Dalam grafik di badan teks, Ageberjalan dari dua hingga delapan tahun. Namun dalam grafik latihan, Agehanya berjalan dari nol hingga satu tahun. Demikian pula, grafik di badan teks Mileageberjalan dari 0 hingga 60.000 mil, tetapi dalam grafik latihan, Mileageberjalan dari 0 hingga 1.keduanya menunjukkan grafik yang sama, jadi keduanya “benar”.
- Latihan 2
logPrice2 <- fitModel(
logPrice ~ A + B * Age + C * Mileage + D * Age * Mileage,
data = Hondas %>% mutate(logPrice = log10(Price)))pertanyaan : apakah data memberikan bukti interaksi dalam harga log?
contour_plot(
logPrice2(Age=age, Mileage=miles) ~ age + miles,
domain(age = range(0, 8), miles = range(0, 60000)))
dari gabar diatas bisa kita lihat kontur yang terbentuk cukup lurus, artinya ada sedikit interaksi.
c.Latihan 3(tetap dekat dengan data)
carPrice3 <- fitModel(
Price ~ A + B * Age + C * Mileage + D * Age * Mileage +
E * Age^2 + F * Mileage^2 + G * Age^2 * Mileage +
H * Age * Mileage^2,
data = Hondas)
gf_point(Mileage ~ Age, data = Hondas, fill = NA) %>%
contour_plot(
carPrice3(Age=Age, Mileage=Mileage) ~ Age + Mileage)
Pertanyaan : apakah kontur memiliki bentuk yang diharpkan oleh akal?
jawab: Di mana ada banyak data, bentuk lokal kontur memang miring ke bawah dari kiri ke kanan, seperti yang diantisipasi oleh akal sehat.
MENENTUKAN ERROR PADA SUATU DATA
Utils$fitmodel<-f(Utils$ccf)
Utils$error<- (Utils$month-Utils$fitmodel)
Utils## month day year temp kwh ccf thermsPerDay dur totalbill gasbill elecbill
## 1 2 24 2005 29 557 166 6.0 28 213.71 166.63 47.08
## 2 3 29 2005 31 772 179 5.5 33 239.85 117.05 62.80
## 3 1 27 2005 15 891 224 7.5 30 294.96 223.92 71.04
## 4 11 23 2004 43 860 82 2.8 29 160.26 88.51 71.75
## 5 12 28 2004 23 1160 208 6.0 35 317.47 224.18 93.29
## 6 9 26 2004 71 922 15 0.5 32 117.46 21.25 96.21
## 7 8 25 2004 67 841 15 0.5 29 111.08 21.72 89.36
## 8 7 27 2004 72 860 8 0.3 30 106.65 15.59 91.06
## 9 1 28 2004 15 594 242 8.1 30 262.81 216.89 47.37
## 10 6 27 2004 64 911 18 0.6 32 119.65 25.14 94.51
## 11 5 26 2004 58 742 35 1.2 29 109.38 39.40 69.98
## 12 4 27 2004 48 709 78 2.6 30 120.08 65.67 54.41
## 13 3 28 2004 35 510 144 4.7 31 166.51 124.18 42.33
## 14 2 26 2004 16 563 216 7.6 29 239.60 193.45 46.15
## 15 12 29 2003 25 725 204 5.9 35 225.73 168.93 56.80
## 16 11 24 2003 35 570 130 4.6 29 151.62 106.61 45.01
## 17 10 26 2003 53 927 48 1.5 31 127.37 45.28 82.09
## 18 9 25 2003 69 888 16 0.5 30 108.54 21.08 87.46
## 19 8 26 2003 75 869 14 0.5 29 108.04 19.56 89.12
## 20 7 28 2003 72 934 15 0.5 32 116.29 21.28 95.01
## 21 6 26 2003 67 722 18 0.6 29 99.52 24.46 75.06
## 22 4 28 2003 46 503 100 3.2 32 127.07 86.83 40.24
## 23 3 27 2003 29 648 153 5.3 29 226.92 176.02 50.90
## 24 12 29 2002 25 1032 190 5.5 35 217.42 140.49 76.93
## 25 11 24 2002 34 865 126 4.1 31 154.93 94.67 65.02
## 26 10 24 2002 47 790 69 2.4 29 122.51 55.74 66.77
## 27 9 25 2002 69 838 16 0.5 30 99.46 18.16 82.20
## 28 8 26 2002 72 812 15 0.5 29 101.39 17.56 83.83
## 29 7 28 2002 76 925 16 0.5 32 111.65 18.61 93.04
## 30 6 26 2002 69 496 23 0.8 29 76.43 23.42 53.01
## 31 5 28 2002 51 394 60 2.0 30 87.47 48.92 38.55
## 32 4 28 2002 45 449 106 3.3 32 106.04 70.34 35.70
## 33 3 27 2002 21 471 190 6.6 29 152.32 113.63 38.69
## 34 11 26 2001 48 1046 79 2.4 33 134.50 53.60 80.90
## 35 1 28 2002 23 581 210 6.6 32 174.45 127.86 46.59
## 36 2 26 2002 28 551 178 6.2 29 147.06 102.85 44.21
## 37 6 26 2001 70 160 1 0.1 10 31.55 3.42 17.43
## 38 10 24 2001 51 828 44 1.6 29 107.58 32.38 75.20
## 39 9 25 2001 64 865 20 0.7 30 105.91 20.17 85.74
## 40 7 26 2001 76 736 7 0.2 30 92.36 12.79 79.57
## 41 10 24 2000 54 778 37 1.3 29 107.50 41.19 66.31
## 42 11 26 2000 37 617 123 3.8 33 150.13 102.52 47.61
## 43 12 27 2000 11 586 235 7.7 31 254.23 210.87 46.59
## 44 8 26 2001 75 923 15 0.5 31 114.95 18.10 96.85
## 45 2 26 2000 24 521 228 8.0 29 177.48 134.65 42.83
## 46 9 25 2000 64 864 17 0.5 32 104.86 21.39 83.47
## 47 12 29 1999 26 892 194 5.5 36 173.65 112.72 68.25
## 48 1 28 2000 18 533 164 5.6 30 139.18 95.88 43.30
## 49 8 24 2000 72 789 13 0.4 29 96.47 17.66 78.81
## 50 7 26 2000 72 935 0 0.0 32 102.44 8.08 94.36
## 51 4 28 2000 45 638 74 2.2 34 100.33 47.33 53.00
## 52 6 24 2000 66 583 23 0.9 25 85.30 25.55 59.75
## 53 5 30 2000 60 700 129 4.1 32 153.32 89.87 63.45
## 54 3 25 2000 41 554 16 0.6 28 61.27 15.32 45.95
## 55 2 26 2003 17 580 224 7.8 29 232.41 187.05 45.36
## 56 5 28 2003 56 496 43 1.4 30 92.86 43.77 49.09
## 57 4 28 2005 54 444 61 2.0 30 103.34 64.99 38.35
## 58 5 26 2005 56 645 51 1.8 28 127.22 61.81 65.41
## 59 8 25 2005 74 845 9 0.3 29 120.53 18.16 102.37
## 60 9 26 2005 69 995 11 0.3 32 135.07 22.33 112.74
## 61 7 27 2005 78 862 11 0.4 30 116.72 19.96 96.76
## 62 6 27 2005 72 939 19 0.6 32 131.02 27.30 103.72
## 63 10 25 2005 56 965 32 1.1 29 150.62 55.74 94.88
## 64 12 28 2005 21 931 176 5.8 31 324.52 240.90 83.62
## 65 11 27 2005 41 926 99 3.1 33 212.49 153.24 84.75
## 66 1 29 2006 30 927 144 4.5 32 282.25 193.84 90.28
## 67 2 27 2006 22 876 161 5.6 29 289.91 198.11 91.80
## 68 3 28 2006 34 749 116 4.0 29 210.85 138.65 72.20
## 69 4 26 2006 53 428 52 1.8 29 96.87 55.00 41.87
## 70 5 25 2006 59 450 38 1.3 29 95.04 47.39 47.65
## 71 6 26 2006 74 694 10 0.3 32 98.48 19.19 79.32
## 72 7 26 2006 78 954 7 0.2 30 131.27 16.37 114.90
## 73 8 24 2006 77 957 6 0.2 29 134.96 15.88 119.30
## 74 9 25 2006 64 1027 15 0.5 32 156.51 25.74 130.77
## 75 11 26 2006 41 663 101 3.1 33 168.24 106.54 62.72
## 76 12 27 2006 30 720 140 4.5 31 229.40 159.08 70.32
## 77 10 24 2006 50 893 47 1.6 29 144.16 46.12 98.04
## 78 1 28 2007 24 897 168 5.3 32 267.72 178.16 89.97
## 79 2 26 2007 13 808 191 6.7 29 298.50 207.53 90.97
## 80 3 26 2007 38 724 101 3.6 29 192.67 118.78 73.89
## 81 4 26 2007 46 707 77 2.6 30 159.01 82.76 76.25
## 82 5 28 2007 65 442 18 0.6 32 86.54 32.98 53.56
## 83 6 26 2007 74 305 7 0.2 29 67.19 21.41 45.78
## 84 7 27 2007 76 839 9 0.3 30 135.73 22.87 112.99
## 85 8 26 2007 75 809 6 0.2 31 123.07 19.17 103.90
## 86 9 25 2007 68 812 13 0.4 30 117.82 24.54 98.90
## 87 10 24 2007 58 761 28 1.0 29 123.40 38.59 85.81
## 88 11 26 2007 41 767 98 3.0 33 181.53 104.52 77.01
## 89 12 27 2007 18 980 182 6.0 31 296.10 194.91 101.19
## 90 3 27 2008 28 752 139 4.7 30 245.27 167.30 77.97
## 91 2 26 2008 15 804 191 6.7 29 292.12 207.32 84.80
## 92 4 27 2008 45 623 79 2.6 31 160.69 97.11 63.58
## 93 8 25 2008 75 544 12 0.4 29 103.28 26.83 76.45
## 94 5 27 2008 55 410 29 1.0 30 105.50 52.15 53.35
## 95 6 25 2008 68 196 6 0.2 29 53.92 20.97 32.95
## 96 9 25 2008 67 746 16 0.5 31 124.82 29.77 95.05
## 97 7 27 2008 76 477 11 0.3 32 99.14 69.82 29.32
## 98 10 26 2008 55 801 32 1.1 31 134.30 41.74 92.56
## 99 11 24 2008 39 868 91 3.0 29 186.18 93.60 92.58
## notes fitmodel
## 1 -321.967473
## 2 -367.002737
## 3 -522.894036
## 4 -30.970381
## 5 -467.466018
## 6 201.134442
## 7 201.134442
## 8 225.384199
## 9 -585.250555
## 10 190.741689
## 11 131.849420
## 12 -17.113377
## 13 -245.753949
## 14 -495.180027
## 15 -453.609014
## 16 -197.254433
## 17 86.814156
## 18 197.670191
## 19 204.598693
## 20 201.134442
## 21 190.741689
## 22 -93.326901
## 23 -276.932208
## 24 -405.109499
## 25 -183.397429
## 26 14.064883
## 27 197.670191
## 28 201.134442
## 29 197.670191
## 30 173.420433
## 31 45.243143
## 32 -114.112407
## 33 -405.109499
## 34 -20.577628
## 35 -474.394521
## 36 -363.538486
## 37 transfer back from England 249.633957
## 38 100.671160
## 39 183.813186
## 40 228.848450
## 41 124.920918
## 42 -173.004676
## 43 -561.000798
## 44 201.134442
## 45 -536.751040
## 46 194.205940
## 47 -418.966503
## 48 -315.038970
## 49 208.062944
## 50 253.098208
## 51 -3.256372
## 52 173.420433
## 53 -193.790182
## 54 bad meter reading 197.670191
## 55 -522.894036
## 56 104.135411
## 57 41.778892
## 58 76.421403
## 59 221.919948
## 60 214.991446
## 61 high efficiency gas furnace and gas water heater installed 214.991446
## 62 187.277437
## 63 142.242173
## 64 -356.609983
## 65 -89.862650
## 66 -245.753949
## 67 -304.646217
## 68 -148.754918
## 69 72.957152
## 70 121.456667
## 71 away for 10 days on vacation 218.455697
## 72 228.848450
## 73 232.312702
## 74 201.134442
## 75 -96.791152
## 76 -231.896944
## 77 90.278407
## 78 -328.895975
## 79 -408.573750
## 80 -96.791152
## 81 -13.649126
## 82 190.741689
## 83 228.848450
## 84 221.919948
## 85 232.312702
## 86 5.46 credit for "cost of gas" 208.062944
## 87 156.099178
## 88 -86.398399
## 89 -377.395490
## 90 housesitters -228.432693
## 91 housesitters -408.573750
## 92 housesitters -20.577628
## 93 211.527195
## 94 housesitters 152.634927
## 95 empty house 232.312702
## 96 197.670191
## 97 empty house 214.991446
## 98 142.242173
## 99 -62.148641
## error
## 1 323.967473
## 2 370.002737
## 3 523.894036
## 4 41.970381
## 5 479.466018
## 6 -192.134442
## 7 -193.134442
## 8 -218.384199
## 9 586.250555
## 10 -184.741689
## 11 -126.849420
## 12 21.113377
## 13 248.753949
## 14 497.180027
## 15 465.609014
## 16 208.254433
## 17 -76.814156
## 18 -188.670191
## 19 -196.598693
## 20 -194.134442
## 21 -184.741689
## 22 97.326901
## 23 279.932208
## 24 417.109499
## 25 194.397429
## 26 -4.064883
## 27 -188.670191
## 28 -193.134442
## 29 -190.670191
## 30 -167.420433
## 31 -40.243143
## 32 118.112407
## 33 408.109499
## 34 31.577628
## 35 475.394521
## 36 365.538486
## 37 -243.633957
## 38 -90.671160
## 39 -174.813186
## 40 -221.848450
## 41 -114.920918
## 42 184.004676
## 43 573.000798
## 44 -193.134442
## 45 538.751040
## 46 -185.205940
## 47 430.966503
## 48 316.038970
## 49 -200.062944
## 50 -246.098208
## 51 7.256372
## 52 -167.420433
## 53 198.790182
## 54 -194.670191
## 55 524.894036
## 56 -99.135411
## 57 -37.778892
## 58 -71.421403
## 59 -213.919948
## 60 -205.991446
## 61 -207.991446
## 62 -181.277437
## 63 -132.242173
## 64 368.609983
## 65 100.862650
## 66 246.753949
## 67 306.646217
## 68 151.754918
## 69 -68.957152
## 70 -116.456667
## 71 -212.455697
## 72 -221.848450
## 73 -224.312702
## 74 -192.134442
## 75 107.791152
## 76 243.896944
## 77 -80.278407
## 78 329.895975
## 79 410.573750
## 80 99.791152
## 81 17.649126
## 82 -185.741689
## 83 -222.848450
## 84 -214.919948
## 85 -224.312702
## 86 -199.062944
## 87 -146.099178
## 88 97.398399
## 89 389.395490
## 90 231.432693
## 91 410.573750
## 92 24.577628
## 93 -203.527195
## 94 -147.634927
## 95 -226.312702
## 96 -188.670191
## 97 -207.991446
## 98 -132.242173
## 99 73.148641lalu dari data error diatas kita bisa mengurutkan dari nilai yang terbesar sampai terkecil menggunakan format sort dengan decreasing bernilai TRUE.seperti contoh di bawah ini:
r<- sort(Utils$error,decreasing = TRUE)
r## [1] 586.250555 573.000798 538.751040 524.894036 523.894036 497.180027
## [7] 479.466018 475.394521 465.609014 430.966503 417.109499 410.573750
## [13] 410.573750 408.109499 389.395490 370.002737 368.609983 365.538486
## [19] 329.895975 323.967473 316.038970 306.646217 279.932208 248.753949
## [25] 246.753949 243.896944 231.432693 208.254433 198.790182 194.397429
## [31] 184.004676 151.754918 118.112407 107.791152 100.862650 99.791152
## [37] 97.398399 97.326901 73.148641 41.970381 31.577628 24.577628
## [43] 21.113377 17.649126 7.256372 -4.064883 -37.778892 -40.243143
## [49] -68.957152 -71.421403 -76.814156 -80.278407 -90.671160 -99.135411
## [55] -114.920918 -116.456667 -126.849420 -132.242173 -132.242173 -146.099178
## [61] -147.634927 -167.420433 -167.420433 -174.813186 -181.277437 -184.741689
## [67] -184.741689 -185.205940 -185.741689 -188.670191 -188.670191 -188.670191
## [73] -190.670191 -192.134442 -192.134442 -193.134442 -193.134442 -193.134442
## [79] -194.134442 -194.670191 -196.598693 -199.062944 -200.062944 -203.527195
## [85] -205.991446 -207.991446 -207.991446 -212.455697 -213.919948 -214.919948
## [91] -218.384199 -221.848450 -221.848450 -222.848450 -224.312702 -224.312702
## [97] -226.312702 -243.633957 -246.098208selanjutnya kita bisa menjumlahkan error dengan menggunakan fungsi sum. seperti di bawah ini:
sum(Utils$error)## [1] 3399.964lalu untuk membuat grafik dari error diatas menggunakan visualisasi data berikut:
Utils$error## [1] 323.967473 370.002737 523.894036 41.970381 479.466018 -192.134442
## [7] -193.134442 -218.384199 586.250555 -184.741689 -126.849420 21.113377
## [13] 248.753949 497.180027 465.609014 208.254433 -76.814156 -188.670191
## [19] -196.598693 -194.134442 -184.741689 97.326901 279.932208 417.109499
## [25] 194.397429 -4.064883 -188.670191 -193.134442 -190.670191 -167.420433
## [31] -40.243143 118.112407 408.109499 31.577628 475.394521 365.538486
## [37] -243.633957 -90.671160 -174.813186 -221.848450 -114.920918 184.004676
## [43] 573.000798 -193.134442 538.751040 -185.205940 430.966503 316.038970
## [49] -200.062944 -246.098208 7.256372 -167.420433 198.790182 -194.670191
## [55] 524.894036 -99.135411 -37.778892 -71.421403 -213.919948 -205.991446
## [61] -207.991446 -181.277437 -132.242173 368.609983 100.862650 246.753949
## [67] 306.646217 151.754918 -68.957152 -116.456667 -212.455697 -221.848450
## [73] -224.312702 -192.134442 107.791152 243.896944 -80.278407 329.895975
## [79] 410.573750 99.791152 17.649126 -185.741689 -222.848450 -214.919948
## [85] -224.312702 -199.062944 -146.099178 97.398399 389.395490 231.432693
## [91] 410.573750 24.577628 -203.527195 -147.634927 -226.312702 -188.670191
## [97] -207.991446 -132.242173 73.148641gf_point(year~error,data = Utils)