Oszlopdiagram: barplot(x)
Kördiagram: pie(x)
Hisztogram: hist(x, freq=FALSE), histogram(~ x | kateg)
Pontdiagram: plot(x, y)
Boxplot: boxplot(x) vagy boxplot(x ~ kateg)
Q-Q plot (normálisra): qqnorm(x), qqline(x, distribution = qnorm)

Leíró statisztika: Summary(adatok)
Gyakoriság: summary(kateg)
Relatív gyakoriság: summary(kateg)/length(kateg)
Átlag: mean(x, na.rm=TRUE)  # hiányzó adatok átugrása
 tapply(x, list(kateg), mean, na.rm=TRUE) # kateg szerint csoportosított átlagok
 aggregate(x, list(kateg), mean, na.rm=TRUE) # ua.
Medián: median(x, na.rm=TRUE)
Kvarilisek: quantile(x, na.rm=TRUE)   # min, 1. kvantilis, medián, 3. kvantilis, max
Kvantilisek: quantile(x, c(p1,...,pk), na.rm=TRUE)  # p1-,...pk-kvantilisek
Mintaterjedelem: max(x, na.rm=TRUE) - min(x, na.rm=TRUE)
Variancia: var(x, na.rm=TRUE)
Szórás: sd(x, na.rm=TRUE)
k-adik centrális momentum: moment(x,order=k,center=TRUE) # moments csomag kell hozzá
Kovariancia: cov(x, y, use="complete.obs")
Korreláció: cor(x, y, use="complete.obs") 
Spearman-korreláció: cor(x, y, method="spearman")

Egymintás t: t.test(x, alternative='two.sided'/'less'/'greater', mu=mu_0, conf.level=1-alfa)
Páros t: t.test(x, y, paired=TRUE)  # utóbbi paraméter nélkül kétmintás
Kétmintás t: t.test(x, y, conf.level=1-alfa, var.equal=TRUE) vagy
   t.test(x~kateg, var.equal=TRUE)
Welch: t.test(x, y) vagy t.test(x~kateg)
F: var.test(x ~ kateg)
Levene: leveneTest(x, kateg, center=median/mean)
Bartlett: bartlett.test(x~kateg)

Khi^2 eloszlásra: chisq.test(x, p) # p valószínűségvektor, pl. p = rep(1/length(x), length(x))
Khi^2 függetlenségre: chisq.test(x, y) # ha x mátrix, y nem kell, pl.chisq.test(xtabs(~kateg1+kateg2))       
 xtabs(~x+y) # kontingenciatábla
 chisq.test(x, y)$expected # elvárt értékek
Egymintás Wilcoxon: wilcox.test(x, m=m_0)
Páros Wilcoxon: wilcox.test(x, y, paired=TRUE) 
Mann-Whitney (kétmintás Wilcoxon): wilcox.test(x, y)
Kruskal-Wallis: kruskal.test(x ~ kateg)
Kolmogorov-Smirnov: ks.test(x, eloszlas) 
  # pl normalitásra ks.test(x, "pnorm", mean(x, na.rm=TRUE), sd(x, na.rm=TRUE))
Kétmintás K-S: ks.test(x, y)
Shapiro-Wilk: shapiro.test(x)
Egymintás előjel (binomiális): binom.test(x, n, p = 0.5) # x: 1-esek száma, n: elemszám
Futam: runs.test(x) # tseries csomagban
Korrelációs tesztek: cor.test(x, y, method = "pearson"/"spearman", exact = FALSE)

Egyszempontos varianciaanalízis:
 am=aov(x ~ factor(kateg)) vagy am=lm(x ~ factor(kateg))
 Levene: leveneTest(x, kateg, center=median/mean)
 ANOVA modell és teszt: anova(am) vagy summary(am) # csak ANOVA
 teszt: oneway.test(x ~ kateg, var.equal = TRUE/FALSE) # welch is
 post hoc: pl.  TukeyHSD(am) vagy pairwise.t.test(x,kateg)

Regresszióanalízis:
 linm=lm(y~x_1+...+x_r) vagy aov(y~x_1+...+x_r)
 modell: summary(linm)
 ANOVA: anova(linm) 
   vagy cor.test(x, y, method="pearson") # egyváltozós esetben
 négyzetösszgek:
   SST=sum(anova(linm)["Sum Sq"])
   SSE=anova(linm)["Residuals","Sum Sq"]
   SSR=SST-SSE
 ábra: plot(y,x)
       abline(linm) # egyváltozós esetben
 előrejelzés: predict(linm, data.frame(x_1,...,x_r))

Főkomponens analízis:
 pc=princomp(~x_1+...+x_r, cor=TRUE/FALSE)
 summary(pc)
 pc$sd^2 # főkomponensek szórásnégyzetei
 screeplot(pc) # ua. ábrán
 loadings(pc) # átviteli mátrix
 pc$scores # főkomponensek

Faktoranalízis (maximum likelihood módszer):
 fact=factanal(~x_1+...+x_r, factors=k, rotation="varimax", scores="none")
 fact
 fact$loadings # átviteli mátrix
 fact$rotmat # forgatás mátrixa
 fact$scores[,i] # i-edik faktorkomponens

Főfaktor analízis (faktoranalízis modelljének megoldása főkomponensanalízissel):
 pc=princomp(~x_1+...+x_r, cor=TRUE/FALSE)
 t(t(pc$loadings[,1:k])*pc$sd[1:k]) # átviteli mátrix k faktorkomponens esetén
 t(t(pc$scores[,1:k])/pc$sd[1:k]) # a k főfaktorkomponens

Diszkriminancia analízis:
 da=lda(kateg~x_1+...+x_r)
 da
 da$scaling # diszkriminancia függvények együtthatói
 pred=predict(da, data.frame(x_1,...,x_r))$class # előrejelzett csoportbatartozás
 table(kateg, pred, dnn=c("original", "predicted"), useNA = "ifany") # klasszifikációs tábla
 mean(kateg==pred, na.rm = TRUE) # előrejelzés pontossága
 scatterplot(y1~y2 | kateg, reg.line=FALSE, smooth=FALSE, boxplots=FALSE) # eredeti szerinti ábra
 scatterplot(y1~y2 | pred, reg.line=FALSE, smooth=FALSE, boxplots=FALSE) # előrejelzés szerinti ábra, ha nincs hiányzó adat
 biplot(princomp(model.matrix(~-1+x_1+...+x_r)), xlabs = as.character(predict(da)$class)) # előrejelzés szerinti ábra

Logisztikus regresszió:
 lr= glm(kateg ~ x_1+...+x_r, family=binomial(logit)) 
 summary(lr)
 predp=predict(lr, data.frame(x_1,...,x_r)) # log(p/1-p) előrejelzett értéke
 pred2=predp > rep(0,length(predp))
 table (kateg, pred2, dnn=c("original", "predicted"), useNA = "ifany") # klasszifikációs tábla

k-közép klaszter:
 kcl=KMeans(model.matrix(~-1+x_1+...+x_r), centers = k) 
 kcl
 kcl$cluster # klaszterekbe tartozás
 kcl$size # klaszter méretek

hierarchikus klaszter:
 hcl=hclust(dist(model.matrix(~-1+x_1+...+x_r)), method="ward"/"single"/"complete"/"average"/"mcquitty"/"median"/"centroid")
 plot(hcl) # dendrogram
 summary(as.factor(cutree(hcl, k))) # klaszter méretek k klaszter esetén