# ============================================================================= # PODSTAWY R I GRAFICZNA PREZENTACJA DANYCH # # ============================================================================= # Wszystkie dane sa SYMULOWANE. Nie sa notowaniami ani prognozami. # Zjawisko: dzienne stopy zwrotu (w PROCENTACH) trzech fikcyjnych strategii. # Dzien to numer sesji, a nie data kalendarzowa. # Trzy grupy maja rozne srednie i odchylenia standardowe; w kazdej grupie # wartosci powstaja z rozkladu normalnego za pomoca rnorm(). # UWAGA: rzeczywiste stopy zwrotu czesto maja ciezsze ogony niz rozklad normalny. # # JAK PRACOWAC Z KODEM: # Uruchamiaj sekcje po kolei (zaznaczenie + Ctrl+Enter w RStudio). # Kazdy obiekt p1, p2, ... jest kolejnym wykresem. # Wywolanie print(pX) wyswietla wykres rowniez podczas uruchamiania skryptu. # # Instalacje wykonaj tylko raz, jesli pakietu nie ma na komputerze: # install.packages("ggplot2") library(ggplot2) # udostepnia ggplot(), aes(), geom_*() itd. set.seed(2026) # ten sam zestaw losowych wynikow u kazdego studenta # ----------------------------------------------------------------------------- # 0. DANE: trzy strategie, po 250 symulowanych sesji # ----------------------------------------------------------------------------- n <- 250 # liczba obserwacji DLA KAZDEJ strategii sesja <- seq_len(n) # kolejne numery sesji: 1, 2, ..., 250 # rnorm(n, mean, sd): generuje n liczb z rozkladu normalnego. # mean i sd sa wyrazone w PROCENTACH, nie w ulamkach dziesietnych. # Ponizsze parametry sa przykladowe i nie odzwierciedlaja realnych funduszy. stopa_ostrozna <- rnorm(n, mean = 0.02, sd = 0.01) stopa_zrownowazona <- rnorm(n, mean = 0.04, sd = 0.25) stopa_akcyjna <- rnorm(n, mean = 0.06, sd = 0.80) # Zamieniamy dzienne procenty na wartosc inwestycji startujacej od 100 zl. # Przy stopie 1%, wzrost to razy 1.01. cumprod() mnozy kolejne czynniki. # Wartosci pokazuja efekt PROCENTU SKLADANEGO, a nie sumowania procentow. wartosc_ostrozna <- 100 * cumprod(1 + stopa_ostrozna / 100) wartosc_zrownowazona <- 100 * cumprod(1 + stopa_zrownowazona / 100) wartosc_akcyjna <- 100 * cumprod(1 + stopa_akcyjna / 100) # rbind() skleja trzy ramki danych jedna pod druga: 3 x 250 = 750 wierszy. dane <- rbind( data.frame(sesja = sesja, strategia = "Ostrożna", stopa = stopa_ostrozna, wartosc = wartosc_ostrozna), data.frame(sesja = sesja, strategia = "Zrównoważona", stopa = stopa_zrownowazona, wartosc = wartosc_zrownowazona), data.frame(sesja = sesja, strategia = "Akcyjna", stopa = stopa_akcyjna, wartosc = wartosc_akcyjna) ) # factor() okresla KOLEJNOSC kategorii na osiach i w legendzie. dane$strategia <- factor( dane$strategia, levels = c("Ostrożna", "Zrównoważona", "Akcyjna") ) # Zmienna KATEGORIALNA pochodzaca ze zmiennej liczbowej. # Czy stopa dzienna byla ujemna (strata), czy nieujemna (zysk)? dane$wynik <- factor( ifelse(dane$stopa < 0, "Strata", "Zysk"), levels = c("Strata", "Zysk") ) # Ramka z jedna strategia przyda sie do pierwszych histogramow. jedna_strategia <- subset(dane, strategia == "Zrównoważona") # Ramka szeroka przyda sie do pokazania korelacji dwoch stop zwrotu. dane_szerokie <- data.frame( sesja = sesja, ostrozna = stopa_ostrozna, zrownowazona = stopa_zrownowazona, akcyjna = stopa_akcyjna ) print(head(dane)) # kilka pierwszych wierszy str(dane) # typy zmiennych: integer, factor, numeric... print(summary(jedna_strategia$stopa)) # min, kwartyle, mediana, srednia, max print(sd(jedna_strategia$stopa)) # odchylenie standardowe # ----------------------------------------------------------------------------- # 1. PIERWSZY WYKRES: punkty # ----------------------------------------------------------------------------- p1 <- ggplot(jedna_strategia, aes(x = sesja, y = stopa)) + # ggplot(): wybiera dane; aes(): przypisuje sesje osi X i stope osi Y. geom_point() # geom_point(): rysuje jeden punkt dla kazdego wiersza danych. print(p1) # Interpretacja: pojedyncza kropka to JEDNA sesja. # Os X oznacza numer sesji; os Y to dzienny wynik procentowy. # Kolejnosc sesji nie narzuca trendu. Losowe wahania sa tu oczekiwane. # ----------------------------------------------------------------------------- # 2. TEN SAM WYKRES: wyglad, osie, poziom odniesienia i motyw # ----------------------------------------------------------------------------- p2 <- ggplot(jedna_strategia, aes(x = sesja, y = stopa)) + geom_point(color = "steelblue", size = 2, alpha = 0.65) + # color: staly kolor; size: wielkosc punktu; alpha: przezroczystosc. geom_hline(yintercept = 0, linetype = "dashed", color = "firebrick") + # geom_hline(): pozioma linia w 0%; dashed = linia przerywana. labs( title = "Dzienne stopy zwrotu strategii zrównoważonej", subtitle = "Symulacja 250 sesji z rozkładu normalnego", x = "Numer sesji", y = "Dzienna stopa zwrotu (%)", caption = "Dane symulowane — nie są rzeczywistymi notowaniami" ) + # labs(): nadaje tytul, podtytul, podpisy osi i stopke. theme_minimal(base_size = 12) + # theme_minimal(): usuwa tlo panelu i upraszcza siatke wykresu. theme(plot.title = element_text(face = "bold")) # theme(): punktowa zmiana wygladu; face = "bold" pogrubia tytul. print(p2) # ----------------------------------------------------------------------------- # 3. WIELE GRUP: kolor oznacza strategie # ----------------------------------------------------------------------------- p3 <- ggplot(dane, aes(x = sesja, y = stopa, color = strategia)) + # color = strategia w aes(): osobny kolor dla kazdej kategorii i legenda. geom_point(alpha = 0.40, size = 1.5) + # Mniejsze i bardziej przezroczyste punkty ograniczaja nakladanie. geom_hline(yintercept = 0, linetype = "dotted") + # Pozioma, kropkowana linia 0% pozwala rozroznic zysk od straty. scale_color_manual(values = c( "Ostrożna" = "#277DA1", "Zrównoważona" = "#43AA8B", "Akcyjna" = "#F3722C" )) + # scale_color_manual(): definiuje konkretne kolory kategorii. labs(title = "Trzy strategie na jednym wykresie", x = "Numer sesji", y = "Dzienna stopa zwrotu (%)", color = "Strategia") + # Parametr color w labs() zmienia tytul legendy, nie kolor wykresu. theme_minimal() + theme(legend.position = "bottom") # Legenda przeniesiona spod prawej krawedzi pod wykres. print(p3) # Pytanie: Czy roznice zmiennosci widac latwiej, czy trudniej, gdy # wszystkie grupy nakladaja sie w tym samym miejscu? # ----------------------------------------------------------------------------- # 4. WYKRES SLUPKOWY DLA DANYCH KATEGORIALNYCH # ----------------------------------------------------------------------------- p4 <- ggplot(dane, aes(x = wynik)) + # Na osi X mamy dwie KATEGORIE: Strata i Zysk. geom_bar(fill = "steelblue", width = 0.65) + # geom_bar() SAM liczy wiersze w kazdej kategorii; wysokosc = liczebnosc. # width zmienia szerokosc slupka (tu 65% standardowego miejsca). labs(title = "Liczba sesji ze stratą i zyskiem — łącznie", x = "Wynik sesji", y = "Liczba obserwacji") + theme_minimal() print(p4) # Teraz porownanie trzech strategii w ramach kazdej kategorii. p5 <- ggplot(dane, aes(x = wynik, fill = strategia)) + # fill = strategia: barwa WYPELNIENIA slupka zalezy od strategii. geom_bar(position = "dodge", color = "white") + # position = "dodge": slupki STOJA OBOK SIEBIE, zamiast sie sumowac. # color = "white": kolor samych OBRAMOWAN slupkow. labs(title = "Sesje ze stratą i zyskiem według strategii", x = "Wynik sesji", y = "Liczba sesji", fill = "Strategia") + theme_minimal() + theme(legend.position = "bottom") print(p5) # ----------------------------------------------------------------------------- # 5. HISTOGRAM: rozklad jednej zmiennej liczbowej # ----------------------------------------------------------------------------- p6 <- ggplot(jedna_strategia, aes(x = stopa)) + # Os X: wartosc ciaglej zmiennej, a nie numer sesji. geom_histogram(bins = 10, fill = "skyblue3", color = "white") + # bins = 10: caly zakres danych podzielony na okolo 10 przedzialow. # Wysokosc slupka: ile obserwacji wpadlo do danego przedzialu. labs(title = "Histogram — 10 przedziałów", x = "Dzienna stopa zwrotu (%)", y = "Liczba sesji") + theme_minimal() print(p6) p7 <- ggplot(jedna_strategia, aes(x = stopa)) + geom_histogram(bins = 40, fill = "skyblue3", color = "white") + # JEDYNA wazna zmiana: bins = 40; histogram jest bardziej szczegolowy, # ale kazdy slupek opiera sie na mniejszej liczbie obserwacji. labs(title = "Te same dane — 40 przedziałów", x = "Dzienna stopa zwrotu (%)", y = "Liczba sesji") + theme_minimal() print(p7) # ----------------------------------------------------------------------------- # 6. HISTOGRAM + GESTOSC + KRZYWA TEORETYCZNA NORMALNA # ----------------------------------------------------------------------------- p8 <- ggplot(jedna_strategia, aes(x = stopa)) + geom_histogram(aes(y = after_stat(density)), bins = 25, fill = "grey80", color = "white") + # after_stat(density): wysokosc jest GESTOSCIA, a nie liczba sesji. # Dzieki temu pole wszystkich slupkow histogramu wynosi okolo 1. geom_density(color = "#277DA1", linewidth = 1) + # geom_density(): gladka, nieparametryczna OCENA gestosci danych. stat_function(fun = dnorm, args = list(mean = mean(jedna_strategia$stopa), sd = sd(jedna_strategia$stopa)), color = "firebrick", linetype = "dashed", linewidth = 1) + # stat_function(): rysuje teoretyczna gestosc normalna dnorm(). # Srednia i odchylenie sa policzone z proby; nie sa tu parametrami # przyjetymi w rnorm() na poczatku skryptu. labs(title = "Rozkład empiryczny i dopasowana krzywa normalna", subtitle = "Niebieska: gęstość z danych; czerwona: krzywa normalna", x = "Dzienna stopa zwrotu (%)", y = "Gęstość") + theme_minimal() print(p8) # ----------------------------------------------------------------------------- # 7. WYKRES ROZRZUTU: zaleznosc dwoch zmiennych liczbowych # ----------------------------------------------------------------------------- p9 <- ggplot(dane_szerokie, aes(x = zrownowazona, y = akcyjna)) + # Kazdy punkt dotyczy TEJ SAMEJ sesji w dwoch strategiach. geom_point(alpha = 0.55, color = "#277DA1") + # Punkty obrazuja wspolwystepowanie wartosci obu zmiennych. geom_smooth(method = "lm", formula = y ~ x, se = TRUE, color = "firebrick", linewidth = 0.9) + # geom_smooth(method = "lm"): dopasowuje prosta regresji liniowej. # se = TRUE: pokazuje pasmo niepewnosci oszacowanej sredniej regresji, # a NIE przedzial, w ktorym ma lezec 95% pojedynczych obserwacji. labs(title = "Wykres rozrzutu dwóch strategii", subtitle = "W tej symulacji stopy zwrotu generowano niezależnie", x = "Stopa strategii zrównoważonej (%)", y = "Stopa strategii akcyjnej (%)") + theme_minimal() print(p9) print(cor(dane_szerokie$zrownowazona, dane_szerokie$akcyjna)) # cor(): wspolczynnik korelacji liniowej Pearsona; przy niezaleznym # losowaniu oczekiwany jest wynik bliski 0, ale nie dokladnie rowny 0. # Linia regresji nawet w danych losowych moze miec niezerowe nachylenie. # ----------------------------------------------------------------------------- # 8. WYKRES LINIOWY: przebieg wartosci inwestycji # ----------------------------------------------------------------------------- p10 <- ggplot(dane, aes(x = sesja, y = wartosc, color = strategia)) + # Obserwacje tej samej strategii sa laczone w kolejnosci osi X. geom_line(linewidth = 0.85) + # geom_line() laczy punkty: tu ma to sens, bo to uporzadkowane sesje. geom_hline(yintercept = 100, linetype = "dashed", color = "grey40") + # Linia odniesienia: wartosc poczatkowa inwestycji = 100 zl. scale_color_manual(values = c( "Ostrożna" = "#277DA1", "Zrównoważona" = "#43AA8B", "Akcyjna" = "#F3722C" )) + labs(title = "Symulowana wartość inwestycji początkowo wartej 100 zł", subtitle = "Wartość wyliczona przez procent składany", x = "Numer sesji", y = "Wartość inwestycji (zł)", color = "Strategia") + theme_minimal() + theme(legend.position = "bottom") print(p10) # Interpretacja: wieksza zmiennosc dziennych stop nie musi oznaczac # najwyzszej lub najnizszej wartosci na koniec JEDNEJ symulacji. # Wykres liniowy dla kategorii bez porzadku bylby mylacy. # ----------------------------------------------------------------------------- # 9. WIELE PANELI: osobny histogram dla kazdej strategii # ----------------------------------------------------------------------------- p11 <- ggplot(dane, aes(x = stopa)) + geom_histogram(bins = 25, fill = "#277DA1", color = "white") + # Ta sama liczba przedzialow w kazdej grupie; faktyczne ich granice # sa tu dobierane na skali wspolnej dla wszystkich paneli. facet_wrap(~ strategia, nrow = 1) + # facet_wrap(): tworzy OSOBNY panel dla kazdej wartosci strategia. # nrow = 1: trzy panele w jednym rzedzie. labs(title = "Trzy rozkłady porównane na wspólnej skali", x = "Dzienna stopa zwrotu (%)", y = "Liczba sesji") + theme_minimal() print(p11) # ----------------------------------------------------------------------------- # 10. BOXPLOT / WYKRES RAMKA-WASY: WERSJA PODSTAWOWA # ----------------------------------------------------------------------------- p12 <- ggplot(dane, aes(x = strategia, y = stopa)) + # X: kategorie strategii; Y: ciagla stopa zwrotu. geom_boxplot() + # Jednym elementem pokazujemy mediane, kwartyle, wasy i punkty odstajace. labs(title = "Boxplot dziennych stóp zwrotu", x = "Strategia", y = "Dzienna stopa zwrotu (%)") + theme_minimal() print(p12) # JAK CZYTAC BOXPLOT — pokaz kazdy element po kolei: # # A. LINIA WEWNATRZ RAMKI = MEDIANA (Q2, 50. percentyl). # Polowa obserwacji jest <= mediany, a polowa >= mediany (dla typowych # ciaglych danych bez duzych grup remisow). # Gdy mediana wynosi np. 0.10%, oznacza to, ze typowa pozycja srodkowa # w uporzadkowanej probie to dzienna stopa zwrotu okolo 0.10%. # Mediana nie jest srednia: nie sumuje wszystkich wartosci. # # B. DOLNY BRZEG RAMKI = Q1 (okolo 25. percentyla). # Okolo 25% obserwacji ma wartosc nie wyzsza niz Q1. # # C. GORNY BRZEG RAMKI = Q3 (okolo 75. percentyla). # Okolo 75% obserwacji ma wartosc nie wyzsza niz Q3. # Zatem ODCINEK OD Q1 DO Q3 obejmuje srodkowe okolo 50% obserwacji. # # D. WYSOKOSC RAMKI = IQR = Q3 - Q1. # To rozstep miedzykwartylowy: miara rozproszenia srodkowej polowy danych. # Im wiekszy IQR, tym silniejszy rozrzut typowych dziennych wynikow. # Uwaga: IQR to nie odchylenie standardowe i nie pelny rozstep min-max. # # E. DOLNA/ GORNA GRANICA DO IDENTYFIKACJI OUTLIEROW: # Q1 - 1.5 * IQR # Q3 + 1.5 * IQR # # F. WASY KONCZA SIE NA NAJBARDZIEJ SKRAJNYCH # OBSERWACJACH MIESZCZACYCH SIE WEWNATRZ TYCH BARIER. # A wiec koniec dolnego wasa to najmniejsza wartosc >= Q1 - 1.5*IQR, # a koniec gornego wasa to najwieksza wartosc <= Q3 + 1.5*IQR. # WASY NIE SA AUTOMATYCZNIE MINIMUM I MAKSIMUM CALEJ PROBY. # Nie sa tez narysowane dokladnie w punktach Q1 +/- 1.5*IQR. # # G. PUNKTY POZA WASAMI = obserwacje ODSTAJACE wedlug reguly 1.5*IQR. # Nie musza byc bledami pomiaru. Nawet rozklad normalny generuje takie # punkty z niezerowym prawdopodobienstwem. # To kryterium opisowe, nie test statystyczny dowodzacy bledu. # # H. ASYMETRIA: mediana przesunieta ku krawedzi ramki lub nierowne wasy # moga sugerowac asymetrie, ale male roznice wynikaja tez z losowosci. # # I. POROWNYWANIE GRUP: wyzsza mediana = wyzszy centralny wynik; # wyzsza ramka = wiekszy IQR. Same boxploty nie sa testem istotnosci # roznic median ani nie dowodza przewagi inwestycyjnej strategii. # ----------------------------------------------------------------------------- # 11. BOXPLOT ROZBUDOWANY: KOLORY, SREDNIA, DANE JEDNOSTKOWE # ----------------------------------------------------------------------------- p13 <- ggplot(dane, aes(x = strategia, y = stopa, fill = strategia)) + # fill = strategia: kazda RAMKA ma kolor przypisany kategorii. geom_boxplot(width = 0.60, alpha = 0.65, outlier.shape = NA, color = "grey25") + # width: szerokosc ramek; alpha: przezroczystosc; color: kontur. # outlier.shape = NA UKRYWA domyslnie rysowane punkty odstajace; # NIE USUWA ich z danych ani z obliczen boxplota. geom_jitter(width = 0.12, height = 0, alpha = 0.16, size = 0.65, color = "black") + # geom_jitter(): rysuje WSZYSTKIE obserwacje jako male punkty. # width = 0.12: delikatnie rozsuwa je POZIOMO, aby sie nie pokrywaly. # height = 0: NIE zmienia polozenia na osi stop zwrotu. stat_summary(fun = mean, geom = "point", shape = 23, size = 3.3, fill = "white", color = "black") + # stat_summary(): oblicza dla kazdej grupy SREDNIA i oznacza ja rombem. # shape = 23: romb wypelniany; biale wypelnienie odroznia od mediany. geom_hline(yintercept = 0, linetype = "dashed", color = "grey40") + # Linia 0% umozliwia ocene strat i zyskow. scale_fill_manual(values = c( "Ostrożna" = "#277DA1", "Zrównoważona" = "#43AA8B", "Akcyjna" = "#F3722C" )) + labs(title = "Porównanie rozkładów wyników trzech strategii", subtitle = "Linia w ramce: mediana | biały romb: średnia | kropki: obserwacje", x = "Strategia", y = "Dzienna stopa zwrotu (%)", caption = "Wąsy: skrajne obserwacje w granicach 1,5 × IQR") + theme_minimal(base_size = 12) + theme(legend.position = "none", plot.title = element_text(face = "bold")) # Ukrywamy nadmiarowa legende, bo nazwy strategii sa juz na osi X. print(p13) # UWAGA NA JEDNOSTKI: jesli mediany wynosza 0.02 i 0.06 na tej osi, # mowimy o 0.02% i 0.06%, a roznica wynosi 0.04 PUNKTU PROCENTOWEGO. # Nie nalezy mylic procentow z punktami procentowymi.