COMPENDIO DE COMANDOS Y PROGRAMAS EN R ESTADISTICA Y DECISIONES VOL 2 MODO DE USO: debido a que editar los comandos en R es muy engorroso, copie de aquí los comandos que necesite y péquelos al final de este documento. Allí puede modificarlos para después pegarlos en R. Después de pegar algo siempre termine con ENTER. El símbolo # indica que todo lo que quede a la derecha es un comentario. Antes de pegar un programa, teclee una línea de ############################ y termine con ENTER. Así podrá distinguir un programa de los anteriores. Para silenciar una instrucción, que puede ser molesta después de la primera vez, ponga # al principio de la línea. Conviene tener presente que R guarda en memoria todo lo pasado y que siempre trata de hacer lo máximo: esto crea un efecto multiplicador de errores. Por ello: 1) Nunca acepte la salida de un programa que contenga algún mensaje de error. 2) Procure correr programas 100% autocontenidos. 3) Si no puede encontrar la casua de un error, quizá se deba a un efecto de interferencia de programas pasados: puede limpiar la memoria añadiendo en una de las primeras líneas la instrucción #Limpiar la memoria rm(list = ls()) Para saber qué objetos hay en memoria, use #Lista los objetos en memoria objects() Despues de utilizar rm(list = ls()) debe haber 0 objetos guardados en memoria. Graficar algo causa que las gráficas pasadas se olviden y se pierdan. Por ello, cuando un programa tiene varias gráficas, se corre por partes, una por cada gráfica. Alternativa: ordenar que se pinten todas las gráficas sobre la misma hoja. Para ello, al principio del programa inserte la siguiente instrucción: #Gráficas: 3 por fila y 2 columnas. #Modo gráfico par(mfrow=c(3,2), pch=16) que ordena mostrar las gráficas 3 por renglón y en dos renglones. Esto puede modificarse a placer. Para evitar interferencia con programas futuros, uno puede retornar al modo usual, una gráfica por pagina, con la instrucción: #Retorne a modo gráfico una gráfica por página par(mfrow=c(1,1), pch=16) PROGRAMAS: use la función buscar para encontrar un programa. #INTRODUCCION DE DATOS x <- c(1,3.2,4,5,2.3,5,4,3,4,5,7,2) # listar x x x[1] + x[4] #REUSO DE PROGRAMAS #Tenemos z z <- c(1,3.2,4,5,2.3) #clonamos z sobre x x<-z #Programa que procesa x x[1] + x[4] #EDITOR DE DATOS SOBRE LINUX #Abrir el editor (se graba al cerrarlo con quit) sueldoA <-edit(data.frame()) #Publica sueldoA sueldoA #EDITOR DE DATOS SOBRE WINDOWS #Abrir el editor #Se graba cerrándolo con click derecho en el mouse + cerrar sueldoA <-edit(as.data.frame(NULL)) #Publica sueldoA sueldoA #CORRECION DE DATOS #Ya se tiene sueldoA sueldoB <- edit(sueldoA) t.test(sueldoA,sueldoB) #LA MEDIA #Programa en dos partes, corra primero una después la otra. #Parte 1: sueldoA <- c(1, 3.2, 4, 5, 2.3) mean(sueldoA) summary(sueldoA) var(sueldoA) #desviación sd(sueldoA) #dibuja sueldoA plot(sueldoA) # #Parte 2 boxplot(sueldoA) #AYUDA #Teclee q para salir de la ayuda help(boxplot) boxplot.stats #HISTOGRAMA x<-c(1,2,1,3,2,3,2,4,3,2,4,2,2,1) hist(x, seq(0.5, 4.5, 1), plot = TRUE, prob=T) #Envolvente del histograma lines(density(x, bw=1)) #Densitómetro de barras #rug= representación unidimensional gráfica rug(x, side=1) #TEST HO SOBRE LA MEDIA sueldoA <- c(1,3.2,4,5,2.3) t.test(sueldoA,mu=1.2) #PRUEBA t PARA COMPARAR MEDIAS sueldoA <- c(1, 3.2, 4, 5, 2.3) t.test(sueldoA,mu=1.2) sueldoB <- c(2.1, 1.3, 3.1, 2, 1.5) t.test(sueldoA,sueldoB) sueldoC <- c(2, 2.1, 3.1, 1.2, 1.5, 2.3, 1.7, 1.8) t.test(sueldoA,sueldoC, var.equal = T) t.test(sueldoA,sueldoC, var.equal = F) t.test(sueldoA,sueldoC,conf.level = 0.99) #Para un test de datos apareados, mismo número de elementos t.test(sueldoA,sueldoC, paired = T) t.test(sueldoA,sueldoB,paired = T, conf.level = 0.99) #Avance sobre la ayuda con el navegador de páginas #en el teclado. #Para salir de la ayuda, teclee q help(t.test) #COMPARACION DE DOS VARIANZAS sueldoA <- c(1, 3.2, 4, 5, 2.3) sueldoB <- c(2.1, 1.3, 3.1, 2, 1.5) var.test(sueldoA, sueldoB) var.test(sueldoA,sueldoB, conf.level = 0.99) #TEST KOLMOGOROV SMIRNOV SOBRE NORMALIDAD #Parte 1: Esto se corre primero #Generamos 500 observaciones al azar de la normal,media = 40, sigma = 3. w<-rnorm(500, mean = 40, sd = 3) #Histograma de w hist(w, seq(28, 52, 1), prob=T) #Envolvente del histograma de datos lines(density(w, bw=1)) #Envolvente según la Ho: función densidad de la normal, media = 40, sigma = 3. #add = TRUE significa que la curva se añade a la gráfica anterior. #add = FALSE significa que se crea una gráfica nueva. curve((1/(2*pi* 9)^0.5) * (exp( -(x-40)^2/(2*3^2)) ) , 28,52, add = TRUE, col = "red") #Densitómetro de barras rug(w, side=1) # #Parte 2: Esto se corre (copia y pega) después # #La gráfica K-S qqnorm(w) #La Ho (normalidad) daría una línea. qqline(w) #Test de Kolgomogorov - Smirnov para normalidad ks.test(w, "pnorm", mean=40, sd=3) #TEST KS SOBRE DISTRIBUCION UNIFORME #Esto se corre primero #Generamos 500 observaciones al azar de la uniforme w<-runif(500) #Histograma de w hist(w, seq(-3, 3, 1), prob=T) #Envolvente según la Ho: densidad de la normal curve((1/( sd(w) * ((2*pi)^0.5) )) * (exp( -(x-mean(w))^2/(2*(sd(w))^2)) ) , -3,3, add = TRUE, col = "red") #Densitómetro de barras rug(w, side=1) # #Esto se corre después # #dibujo K-S qqnorm(w) #Si fuese perfecta normalidad daría una línea. qqline(w) #Test de Kolgomogorov - Smirnov para normalidad ks.test(w, "pnorm", mean = mean(w), sd = sd(w)) #CREAR TABLA A PARTIR DE VECTORES GastosA<-c( 1,3,4,2,3,5,6,4,3) GastosB<-c( 2,3,1,2,4,3,4,2,1) #Unimos los datos en un sólo objeto z<-data.frame(GastosA,GastosB) #publicamos la tabla en la consola. z #MANEJO DE TABLA NUMERICA a<- c(2001,2002,2003,2007,2010) b <- c(2001+1,2002+2,2003+1,2007+3,2011) t <- data.frame(a,b) #Diversas publicaciones t t[1] t[1,1] t[5,2] t$a #Sume t[1,1] + t[5,2] t$a[1] + t$b[5] #CAMBIO DE TIPO: DE NUMERICO A FACTOR (CATEGORICO) #Si uno tiene un vector #Se copia un vector de números a otro de tipo factor a<- c(2001,2002,2003,2007,2010) b <- as.factor(a) #Los números se pueden sumar a[1]+a[2] #Los factores no: NA = not available, no puede hacerse b[1]+b[2] #CAMBIO DE TIPO DE UNA COLUMNA DENTRO DE UNA TABLA a <- c(2001,2002,2003,2007,2010) b <- c(2004,2005,2006,2007,2009) tabla <- data.frame(a,b) tabla #Cambiar a de numérico a factor: #se copia a en c, pero como factor. #pero se deja a como numérico. #La simbología padre$hijo #denota el hijo de tal padre, en este caso #c es hijo (columna) de tabla. tabla$c <- as.factor(tabla$a) tabla tabla$a[1] + tabla$b[1] tabla$a[1] + tabla$c[1] #TABLAS DE CONTINGENCIA DE 2 DIMENSIONES edad<-c(1,2,3,4,5,6,7,8) puntaje<-c(8,7,8,10,20,20,16,17) #Se hacen categorías edad.cat<-cut(edad,breaks=2) puntaje.cat<-cut(puntaje,breaks=2) #Se calcula la tabla de contingencia d<-table(edad.cat,puntaje.cat) d plot(d) #Se hace el test de independencia chisq.test(edad.cat,puntaje.cat) #IMPORTACION DE DATOS DESDE UN ARCHIVO TIPO txt sobre LINUX tsueldos = read.table(file("AJose/RProjectU1/RWorkU1/tsueldos.txt"), encoding="latin1") #Forma sinónima tsueldos = read.table(file("AJose/RProjectU1/RWorkU1/tsueldos.txt")) tsueldos #para listar un objeto, se teclea su nombre #IMPORTACION DE DATOS DESDE UN ARCHIVO TIPO txt sobre WINDOWS #header = T significa que cada variable tiene un título #como encabezado; header = F, significa que no hay título. tsueldos <-read.table(file ("C:/AJose/RProjectU1/RWorkU1/tsueldos.txt"), header = T) #para listar un objeto, se teclea su nombre tsueldos #VARIOS VECTORES DE DATOS EN LA MISMA GRAFICA #Generamos los datos de unos gastos ProyA<-c( 1,3,4,2,3,5,6,4,3) ProyB<-c( 2,4,1,3,4,3,4,2,1) #Unimos los datos en un sólo objeto z<-data.frame(ProyA, ProyB) #Gráfica: #Dibujamos los datos en pantalla #col = colores, 2 = rojo, 3= verde. matplot(z,axes=F,frame=T,type='b',ylab="",col = 2:3) # Se añaden los Títulos title(ylab="Gastos", xlab = "Meses") title("Gastos por mes \n proyecto A y B") #Caja de letreros: posición, contenido, lty = line types, colores legend(1, 5, c(paste(" = ", c("A","B"))), lty = 1, col = 2:3) #Dibuje la escala en el eje X axis(1) #Dibuje la escala en el eje Y axis(2) #VARIAS GRAFICAS POR PAGINA #cargar paquete data(LifeCycleSavings, package="datasets") #Listar datos LifeCycleSavings # #Todas las gráficas en la misma página, #formando una matriz de 3 filas y 2 columnas. #par = modifique parámetros par(mfrow=c(3,2), pch=16) #Dibuje histogramas: #LifeCycleSavings es al archivo de datos que contiene #las variables sr, ddpi, pop15, pop75, dpi: hist(LifeCycleSavings$sr, plot = TRUE, col="darkgray") hist(LifeCycleSavings$ddpi, plot = TRUE, col="darkgray") hist(LifeCycleSavings$pop15, plot = TRUE, col="darkgray") hist(LifeCycleSavings$pop75, plot = TRUE, col="darkgray") hist(LifeCycleSavings$dpi, plot = TRUE, col="darkgray") #Retorne a modo gráfico 1 x 1 par(mfrow=c(1,1), pch=16) #GRABAR GRAFICAS #Parte 1 #Generamos los datos GastosA<-c( 1,3,4,2,3,5,6,4,3) GastosB<-c( 2,3,1,2,4,3,4,2,1) #Unimos los datos en un sólo objeto z<-data.frame(GastosA,GastosB) #Dibujamos los datos en pantalla matplot(z,axes=T,frame=T,type='b',ylab="") #Títulos title(ylab="Gastos", xlab = "Meses")#label for y-axis; title("Gastos por mes \n proyecto A y B") #Se inicializa un archivo con formato png #que ocupa poco espacio. png(file="AJose/RProjectU1/RWorkU1/graf1.png") #Dibujamos los datos en el archivo #matplot: función que dibuja funciones matplot(z,axes=F,frame=T,type='b',ylab="") #Títulos title(ylab="Gastos", xlab = "Meses")#label for y-axis; title("Gastos por mes \n proyecto A y B") #Cerramos el archivo dev.off() # #Parte 2 #Ahora grabamos un histograma HGastosA<-hist(GastosA) #Dibujo en pantalla plot(HGastosA,main = paste("Histograma de GastosA")) #Se inicializa un archivo con formato png #que ocupa poco espacio. png(file="AJose/RProjectU1/RWorkU1/graf2.png") #Dibujamos los datos en el archivo plot(HGastosA,main = paste("Histograma de HGastosA")) #Cerramos el archivo: device off dev.off() #Terminar #El archivo se puede editar con un procesador de imágenes. ========================================================== # INSTALAR EL R COMMANDER, UNA GUI PARA R #Se corre una única vez install.packages("Rcmdr", dependencies=TRUE) ========================================================== #ENCENDER EL R COMMANDER #Se hace en cada sesión library(Rcmdr) #============================== #ESTUDIO DE UNA HIPOTESIS NULA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(1,1), pch=16) #Parte 1 #Cálculo de la Ho. #Parámetros de la normal media <- 3.5 sigma <- 0.25 #Simulación: #Generamos n observaciones al azar de la normal, # media = 3.5, sigma = 0.25. n <- 5000 w<-rnorm(n, mean = media, sd = sigma) #Los datos generados pueden listarse # w #Histograma de w: #Definimos intervalo a considerar limInferior <- media - 10*sigma limSuperior <- media + 10*sigma #Ancho de cada rango del histograma paso <- 0.1 #Calculamos y dibujamos histograma hist(w, seq(limInferior, limSuperior, paso), prob=T) #Envolvente según la Ho: función densidad de la normal #add = TRUE significa que la curva se añade a la gráfica anterior. #add = FALSE significa que se crea una gráfica nueva. K <- 1 /( sigma * (2*pi)^0.5 ) curve( K * ( exp( -(x-media)^2 / (2*sigma^2)) ), limInferior, limSuperior, add = TRUE, col = "red") #Densitómetro de barras rug(w, side=1) # #Parte 2: #Contrastamos el dato experimental x= 6 con lo usual: #vemos por el histograma que #el dato es muy extremo. #Nuestro dato no se explica bien por lo usual, por azar, y #aconsejamos que se prendan las alarmas. # #Forma ofical de decir que nuestro dato es muy extremo: #calculamos la significancia o el p-value con la cola superior, #es decir, #calculamos el porcentaje de eventos más extremos por arriba #que el dato experimental observado. Eso se puede hacer #matemáticamente o usando nuestra simulación #que produjo los datos guardados en w: #chequeo con x = 4 datoExp <- 4 cuenta <- 0 for (j in 1:length(w)) { if ( w[j] > datoExp) cuenta <- cuenta + 1 } cuenta pvalue <- cuenta / n pvalue # #Test con x = 6 datoExp <- 6 cuenta <- 0 for (j in 1:length(w)) { if ( w[j] > datoExp) cuenta <- cuenta + 1 } cuenta pvalue <- cuenta / n pvalue #============================== #LA Z COMO ESTADIGRAFO DE CONTRASTE #Limpia la memoria rm(list = ls()) par(mfrow=c(3,1), pch=16) #Parte 1 #Cálculo de la Ho que dice que de no ser por el azar, #cada evento debería ser la media. #Parámetros de la normal media <- 2.3 sigma <- 0.3 #Simulación: #Generamos n observaciones al azar de la normal, # media = 3.5, sigma = 0.25. n <- 10000 w<-rnorm(n, mean = media, sd = sigma) #Los datos generados pueden listarse # w #Histograma de w: #Definimos intervalo a considerar limInferior <- media - 5*sigma limSuperior <- media + 5*sigma #Ancho de cada rango del histograma paso <- 0.1 #Calculamos y dibujamos histograma hist(w, seq(limInferior, limSuperior, paso), prob=T) #Envolvente según la Ho: función densidad de la normal #add = TRUE significa que la curva se añade a la gráfica anterior. #add = FALSE significa que se crea una gráfica nueva. K <- 1 /( sigma * (2*pi)^0.5 ) curve( K * ( exp( -(x-media)^2 / (2*sigma^2)) ), limInferior, limSuperior, add = TRUE, col = "red") #Densitómetro de barras rug(w, side=1) # #Parte 2: # #Definimos la discrepancia entre lo que se ve x #y #la media que es lo que se cree bajo Ho, : #discrep (x) = (x - media)/sigma # #Parte 3: #Estudiamos la distribución de la discrepancia. #Inicialización Discrep <- w #Cálculo de la discrepancia for (j in 1:length(w)) { Discrep[j] <- (w[j] - media)/sigma } #Histograma de la discrepancia bajo la Ho hist(Discrep, seq(-5,5, 0.1/sigma), prob=T) # #Envolvente según la Ho (altas matemáticas) K <- 1 /(2*pi)^0.5 curve( K * ( exp( -(x)^2 / 2) ), -5, 5, add = TRUE, col = "red") # #Parte 4 # #Contrastamos el dato experimental x= 3.2 con lo usual: #calculamos la discrepancia entre lo que se espera #bajo la Ho y lo observado: x <- 3.2 discrepExp <- (x - media)/sigma discrepExp #Vemos por el histograma de la discrepancia bajo la Ho que #el dato es muy extremo. #Nuestro dato no se explica bien por lo usual, por azar, y #aconsejamos que se prendan las alarmas. # #Forma ofical de decir que nuestro dato es muy extremo: #calculamos la significancia o el p-value con la cola superior, #es decir, sobre las discrepancias #calculamos el porcentaje de eventos más extremos por arriba #que la del dato experimental observado. Eso se puede hacer #matemáticamente o usando nuestra simulación #que produjo los datos guardados en Discrep: # #Test con x = 3.2 cuya discrepancia es discrepExp cuenta <- 0 for (j in 1:length(Discrep)) { if ( Discrep[j] > discrepExp) cuenta <- cuenta + 1 } cuenta pvalue <- cuenta / n pvalue par(mfrow=c(1,1), pch=16) #================================ #ANOVA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Los tratamientos a los 9 viveros Trat<-c( "nueve", "docho", "nueve","vcinco", "nueve", "vcinco", "docho", "vcinco","docho") #Producción de los viveros Prod<-c( 1,3,2,1,1,1,4,2,5) #Se hace una tabla a partir de dos vectores Mora<-data.frame(Trat,Prod) Mora #Tabla bidimensional de frecuencias absolutas z<-table(Mora$Prod,Mora$Trat) z #analysis of variance w<-aov(Mora$Prod ~ Mora$Trat, projections = TRUE ) summary(w) #Comparación de medias por pares según Tukey #Se ordenan las diferencias ntre medias antes del test tt <- TukeyHSD(w, ordered = TRUE, conf.level = 0.99) plot(tt) #============================== #PROGRAMA PERNICIOSO #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Los tratamientos a los 9 viveros Trat<-c( 9, 18, 9,25, 9, 25, 18, 25,18) #Producción de los viveros Prod<-c( 1,3,2,1,1,1,4,2,5) #Se hace una tabla a partir de dos vectores Mora<-data.frame(Trat,Prod) Mora #Tabla bidimensional de frecuencias absolutas z<-table(Mora$Prod,Mora$Trat) z #analysis of variance w<-aov(Mora$Prod ~ Mora$Trat, projections = TRUE ) summary(w) #==================================== #ANOVA: NUMEROS QUE CODIFICAN FACTORES #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(1,1), pch=16) #Los tratamientos a los 9 viveros trat<-c( 9, 18, 9,25, 9, 25, 18, 25,18) #Tome los números como categorías o factores Trat <- as.factor(trat) #Producción de los viveros Prod<-c( 1,3,2,1,1,1,4,2,5) #Se hace una tabla a partir de dos vectores Mora<-data.frame(Trat,Prod) Mora #Tabla bidimensional de frecuencias absolutas z<-table(Mora$Prod,Mora$Trat) z #analysis of variance w<-aov(Mora$Prod ~ Mora$Trat, projections = TRUE ) summary(w) #Comparación de medias por pares según Tukey #Se ordenan las diferencias ntre medias antes del test tt <- TukeyHSD(w, ordered = TRUE, conf.level = 0.99) plot(tt) #============================== #PROGRAMA PARA LA ANOVA DE UNA VIA EN LINUX #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) tsueldos <- read.table(file("AJose/RProjectU1/RWorkU1/tsueldos.txt"), header = T) tsueldos #Tabla bidimensional de frecuencias absolutas sueldo vs prof z<-table(tsueldos$Sueldo,tsueldos$Prof) z #analysis of variance w <- aov(tsueldos$Sueldo ~ tsueldos$Prof, projections = TRUE) summary(w) #Comparación de medias por pares según Tukey #Se ordenan las diferencias entre medias antes del test tt <- TukeyHSD(w, ordered = TRUE, conf.level = 0.99) plot(tt) #============================== #PROGRAMA PARA LA ANOVA DE UNA VIA SOBRE WINDOWS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) tsueldos <-read.table(file("C:/AJose/RProjectU1/RWorkU1/tsueldos.txt"), header = T) #Publicamos en consola el archivo tsueldos # #Tabla bidimensional de frecuencias absolutas sueldo vs prof z<-table(tsueldos$Sueldo,tsueldos$Prof) z #analysis of variance w <- aov(tsueldos$Sueldo ~ tsueldos$Prof, projections = TRUE) summary(w) w <- aov(tsueldos$Sueldo ~ tsueldos$Prom, projections = TRUE) summary(w) tt <- TukeyHSD(w) plot(tt) #============================== #ANOVA CON BLOQUEO #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) pH <- c(4,4,6,8,6,4,8,6,8) pH <-as.factor(pH) temp <- c(30,36,36,42,30,42,30,42,36) temp <- as.factor(temp) prod <- c(5,7,10,3,8,4,6,7,8) Mitoc <-data.frame(temp,pH,prod) Mitoc w<-aov((Mitoc$prod ~ Mitoc$temp + Mitoc$pH), projections = TRUE ) summary(w) # #Comparación de medias por pares según Tukey #Se ordenan las diferencias entre medias antes del test tt <- TukeyHSD(w, ordered = TRUE, conf.level = 0.95) plot(tt) #============================== #ANOVA BIFACTORIAL #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) # #Parte 1 #Cargar paquete data(CO2) #Publicar información sobre el paquete #teclear q para salir de la ayuda #help("CO2") # #Parte 2: correr después #Listar datos CO2 #Anova bifactorial # uptake = variable respuesta #Treatment, type = variables explicativas AnovaModel <- (lm(uptake ~ Treatment*Type, data=CO2)) #Anova(AnovaModel) summary(AnovaModel) w <-CO2 #Tabla bidimensional de frecuencias absolutas z<-table(w$Treatment,w$Type) z #============================== #ANOVA BLOQUEO MAS INTERACCIONES #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) # #Parte 1 #Cargar paquete data(CO2) #Publicar información sobre el paquete #teclear q para salir de la ayuda help("CO2") # #Parte 2 #Listar datos CO2 #Anova bifactorial # uptake = variable respuesta #Treatment, type = variables explicativas AnovaModel.1 <- (lm(uptake ~ Treatment+Type + Treatment : Type, data=CO2)) #Anova(AnovaModel.1) w <-CO2 #Tabla bidimensional de frecuencias absolutas z<-table(w$Treatment,w$Type) z #============================== #TABLAS GRANDES #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) ## Tabla natural de un experimento #Una tabla natural se define por sus 3 columnas desgaste <- c(6.5, 6.2, 5.8, 6.5, 6.5, 6.9, 7.2, 6.9, 6.1, 6.3, 6.7, 6.6, 7.2, 7.1, 6.8, 7.1, 7.0, 7.2, 7.5, 7.6) brillo <- c(9.5, 9.9, 9.6, 9.6, 9.2, 9.1, 10.0, 9.9, 9.5, 9.4, 9.1, 9.3, 8.3, 8.4, 8.5, 9.2, 8.8, 9.7, 10.1, 9.2) opacidad <- c(4.4, 6.4, 3.0, 4.1, 0.8, 5.7, 2.0, 3.9, 1.9, 5.7, 2.8, 4.1, 3.8, 1.6, 3.4, 8.4, 5.2, 6.9, 2.7, 1.9) #El procedimiento cbind (pegar) forma grandes tablas a partir de otras mas pequeñas Y <- cbind(desgaste,brillo, opacidad) Y #El procedimiento factor transforma un vector numérico en otro de tipo factor (categórico) #gl(n,k) significa que hay n niveles con k réplicas #gl(2,10) significa que hay 2 niveles con 10 réplicas #labels=c("Bajo", "Alto") significa que los dos niveles son Bajo y Alto uso <- factor(gl(2,10), labels=c("Bajo", "Alto")) uso aditivo <- factor(gl(2, 5, length=20), labels=c("Bajo", "Alto")) aditivo Tabla <- cbind( uso, aditivo, Y) Tabla #============================== ##MANOVA: multivariate analysis of variance (comparación de medias) ## Ejemplo sobre la producción de cinta plástica tomado de Krzanowski (1998, p. 381) #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Una tabla natural se define por sus 3 columnas desgaste <- c(6.5, 6.2, 5.8, 6.5, 6.5, 6.9, 7.2, 6.9, 6.1, 6.3, 6.7, 6.6, 7.2, 7.1, 6.8, 7.1, 7.0, 7.2, 7.5, 7.6) brillo <- c(9.5, 9.9, 9.6, 9.6, 9.2, 9.1, 10.0, 9.9, 9.5, 9.4, 9.1, 9.3, 8.3, 8.4, 8.5, 9.2, 8.8, 9.7, 10.1, 9.2) opacidad <- c(4.4, 6.4, 3.0, 4.1, 0.8, 5.7, 2.0, 3.9, 1.9, 5.7, 2.8, 4.1, 3.8, 1.6, 3.4, 8.4, 5.2, 6.9, 2.7, 1.9) #El procedimiento cbind (pegar) forma grandes tablas a partir de otras mas pequeñas Y <- cbind(desgaste,brillo, opacidad) Y #El procedimiento factor transforma un vector numérico en otro de tipo factor (categórico) #gl(n,k) significa que hay n niveles con k réplicas #gl(2,10) significa que hay 2 niveles con 10 réplicas #labels=c("Low", "High") significa que los dos niveles son Bajo y Alto uso <- factor(gl(2,10), labels=c("Bajo", "Alto")) uso aditivo <- factor(gl(2, 5, length=20), labels=c("Bajo", "Alto")) aditivo #MANOVA para estudiar la incidencia de uso y aditivo sobre #las variables desgaste, brillo, opacidad y sus interacciones: fit <- manova(Y ~ uso * aditivo) #Tablas anova multifactorial (una variable respuesta a la vez) summary.aov(fit) #Tabla de estadígrafos de Pillai # summary(fit) #Tabla de estadígrafos de Wilks summary(fit, test="Wilks") #============================== # DETECCION DE OUTLIERS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Paquete necesario library(mvoutlier) #Dibujo divariado outliers <- aq.plot(mtcars[c("mpg","disp","hp","drat","wt","qsec")]) #Muestre la lista de outliers outliers # show list of outliers #============================== #GRAFICA Q-Q #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) attach(mtcars) qqnorm(mpg) qqline(mpg) #=============================== # TEST GRAFICO DE HOMOGENEIDAD DE VARIANZAS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(HH) #y es numérico #G= factor de agrupamiento hov(y~G, data=mydata) plot.hov(y~G,data=mydata) #============================== #REGRESION LINEAL UNIVARIADA ENTRE DOS VECTORES #Correr por partes # #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(5,5), pch=16) # #Parte 1 semana <- c(1,2,3,4,5,6,7) precio <- c(2,4,5,6,7,8,9) #El símbolo ~ indica que se estudia una relación entre #la variable dependiente a la izquierda y las independientes #a la derecha. #La regresión se estudia por medio de #los modelos lineales (linear models). #y es el nombre del modelo a estudiar. y<-lm(precio ~ semana) #Liste los coeficientes de regresión y$coefficients #Publica todos los resultados summary(y) #Dibujar modelo) library(car) # cargar paquete que dibuja #Meter los dos vectores en una tabla carestia <- data.frame(semana, precio) #cargar paquete library(car) #Dibujar el modelo scatterplot(precio ~ semana, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data = carestia) # #Parte 2 # ESTUDIO DE SUPUESTOS #Paquete diagnóstico de residuos de regresión #La distancia de Cook mide la peligrosidad de los #residuos: entre más grande sea, más peligrosos: plot(y) # #Parte 3 #Listado de residuos y$residuals y$fitted.values #Dibujar residuos y1 = min(y$residuals - 3) y2 =max(y$residuals + 3) boxplot(y$residuals, ylim = c(y1,y2), ylab="residuals", pch=19) # #Parte 4 scatterplot(y$residuals ~ precio, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data = carestia) #Chequear normalidad de los residuos #Pegar los valores esperados y los residuos a la tabla carestia <- cbind(carestia, y$fitted.values, y$residuals) library(car) # #Parte 5 qq.plot(y$residuals, dist= "norm", col=palette()[1], ylab="Residual Quantiles", main="Normal Probability Plot", pch=19) #Las varianzas deben ser independientes de x: bartlett.test(y$residuals ~ semana) #============================== #REGRESION MULTIPLE: SIMULACION #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) x <- rep (c(1:5), each = 5) y <- rep( c(1:5), times = 5) z <- c(1:25) #Generamos 25 observaciones al azar de la normal w<-rnorm(25, mean = 0, sd = 0.1) for(i in 1:25) { z[i] = 2*x[i] + 3* y[i] + w[i]} tabla <- data.frame(x,y,z) tabla multipleReg <- lm(z ~ x + y, data = tabla) summary(multipleReg) #Hacer dibujo library(scatterplot3d) barras <- scatterplot3d(x,y, z, highlight.3d=TRUE, type="h", main="3D Scatterplot") barras$plane(multipleReg) #============================== #REGRESION MULTIPLE #Correr por partes #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) # #Parte uno #Cargar paquete data(Angell, package = "car") #Publicar información sobre el paquete #help("Angell") #parte dos #Listar datos Angell multReg <- lm(moral~hetero+mobility, data=Angell) summary(multReg) #Hacer dibujo library(scatterplot3d) attach(Angell) barras <- scatterplot3d(moral,hetero,mobility, highlight.3d=TRUE, type="h", main="3D Scatterplot") barras$plane(multReg) # #Parte 2 #Diagramas de dispersión pairs(Angell) #Covarianzas #Quitamos lo que no sea numérico Angell2 <- data.frame(Angell$moral, Angell$hetero, Angell$mobility) #Matriz de correlaciones cor(Angell2) anova(multReg) #============================== #CASO DE ESTUDIO: AHORRO #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) # #Parte 1: preliminares #cargar paquete data(LifeCycleSavings, package="datasets") #Listar datos LifeCycleSavings #Literatura: teclar q para salir de la ayuda help(LifeCycleSavings) # #Parte 2: Histogramas hist(LifeCycleSavings$sr, plot = TRUE, breaks="Sturges", col="darkgray") hist(LifeCycleSavings$ddpi, plot = TRUE, breaks="Sturges", col="darkgray") hist(LifeCycleSavings$pop15, plot = TRUE, breaks="Sturges", col="darkgray") hist(LifeCycleSavings$pop75, plot = TRUE, breaks="Sturges", col="darkgray") hist(LifeCycleSavings$dpi, plot = TRUE, breaks="Sturges", col="darkgray") #Retorne a modo gráfico 1 x 1 par(mfrow=c(1,1), pch=16) # #Parte 3: Regresión. #Regresión univariada todo contra todo. #Para saber cuál es la variable independiente y #cuál la dependiente, guíese por los rangos #que están en los márgenes. #La dependencia de sr de las demás variables #se ve en la primera fila de gráficas. #No parece haber algo interesante a la vista. pairs(LifeCycleSavings, panel = panel.smooth, main = "LifeCycleSavings data") pairs(LifeCycleSavings, main = "LifeCycleSavings data") #Regresión multiple para explicar sr fm1 <- lm(sr ~ pop15 + pop75 + dpi + ddpi, data = LifeCycleSavings) summary(fm1) # #Parte 4: simplificar fm2 <- lm(sr ~ pop15 + pop75 + ddpi, data = LifeCycleSavings) summary(fm2) fm3 <- lm(sr ~ pop15 + ddpi, data = LifeCycleSavings) summary(fm3) #Gran conclusión: hay un ahorro basal siempre funcionando. #Lo más malo para el ahorro # es tener niños. #Lo mejor es tener una economía en crecimiento. # #Parte 5: Análisis de supuestos #Detección de outliers dentro del modelo library(car) outlier.test(fm3) #Los outliers están por fuera de la región acorralada. #Cuando R se quede pensando, uno puede #señalar en la gráfica un dato y aparecerá el nombre. #Así se detectan los outliers por nombre propio. #Para terminar: click derecho en la gráfica. qq.plot(fm3, main="QQ Plot") # #Parte 6: importancia del sesgo causado por los outliers. #Para encontrar el nombre de un punto, click izquierdo #Para pasar a la próxima gráfica: click derecho. #todos en la misma página, 3 por fila, 1 fila. par(mfrow=c(1,3), pch=16) leverage.plots(fm3, ask=FALSE) # leverage plots # #Parte 7 #Diagrama D de Cook que da la importancia del sesgo #como outlier causado por cada dato. #Identificar D values > 4/(n-k-1) cutoff <- 4/((nrow(LifeCycleSavings)-length(fm3$coefficients)-2)) plot(fm3, which=4, cook.levels=cutoff) # #Parte 8: normalidad de los residuos #Distribución de los residuos estandarizados library(MASS) sresid <- studres(fm3) hist(sresid, freq=FALSE, plot = TRUE, main="Distribution of Studentized Residuals") xfit<-seq(min(sresid),max(sresid),length=40) yfit<-dnorm(xfit) lines(xfit, yfit) # #Parte 9: varianzas iguales # non-constant error variance test ncv.test(fm3) # Distribución de residuos a lo largo de #la variable ajustada por el modelo. #Si hay problemas, quite los outliers #o haga regresión robusta. spread.level.plot(fm3) # #Parte 10: las variables explicativas #deben ser independientes o si no #las varianzas se inflan. #Si hay problemas, quite variables explicativas, #estudie pairs en parte 3 y matriz de covarianzas. # variance inflation factors vif(fm3) #Hay problemas si vif > 4 #sqrt = square root: raíz cuadrada sqrt(vif(fm3)) > 2 # # #Parte 11 #Test de no-linealidad #Si falla, proponga un modelo curvo, #por ejemplo polinómico. # component + residual plot cr.plots(fm3, one.page=TRUE, ask=FALSE) # #Parte 12 # Otro test de no linealidad ceres.plots(fm3, one.page=TRUE, ask=FALSE) # #Parte 13 # Test de autocorrelación de los residuos, #deben venir al azar. Se decide por el p-value #lag = 1 : se compara un dato con el siguiente durbin.watson(fm3) #============================== #REGRESION POLINOMICA DE ORDEN 2: SIMULACION #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #SIMULACION #Números de 1 a 20 x <- c(1:20) x #Generamos 20 observaciones al azar de la normal w<-rnorm(20, mean = 0, sd = 0.001) #En parab vamos a meter la parábola parab <- c(1:20) #Parábola + error for (i in 1:20) {parab[i] = 7*i*i -100*i -20 + w[i]} parab plot(parab) tablaxd <- data.frame(x,parab) #Regresión polinómica de grado 2 poli2 <- lm(parab ~ poly(x, 2, raw = TRUE), data = tablaxd) summary(poli2) #Dibujar el modelo #En qué puntos se evaluará el modelo: #200 puntos entre 0 y 20 xseq <- seq(0, 20, length.out = 200) #Se unen los puntos con una curva suave: lines(xseq, predict(poli2, data.frame(x = xseq)), col = 2) #Sofisticaciones #plot(poli2) #============================== #REGRESION POLINOMICA DE ORDEN 2 #BOLSAS EUROPEAS: DAX, SMI, CAC, FTSE #Correr por partes #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1 data(EuStockMarkets, package="datasets") Eu <- as.data.frame(EuStockMarkets) #help(EuStockMarkets) matplot(Eu,axes=F,frame=T,type='b',ylab="") #Parte 2 #Datos de DAX #Números de 1 a 1860 tiempo <- c(1:1860) # cargar paquete que dibuja library(car) #Dibujar el modelo scatterplot(Eu$DAX ~ tiempo, reg.line=lm, smooth=FALSE, labels=FALSE, boxplots='xy', span=0.5) # #Regresión polinómica de grado = grado grado = 2 poli2 <- lm(DAX ~ poly(tiempo, grado, raw = TRUE), data = Eu) summary(poli2) #Dibujar el modelo #En qué puntos se evaluará el modelo: tiempo #Se unen los puntos con una curva suave: lines(tiempo, predict(poli2, data.frame(x = tiempo)), col = 2) #Sofisticaciones #plot(poli2) # #Parte 3 #Procedimiento sinónimo para grado = 2: tiempoala2 <- tiempo*tiempo poli2s <- lm(DAX ~ tiempo + tiempoala2, data = Eu) summary(poli2s) a = poli2s$coefficients[1] b = poli2s$coefficients[2] c = poli2s$coefficients[3] #Inicialización f <- c(1:1860) for (t in 1:1860) {f[t] = a + b * t + c * t*t} graf <- data.frame(Eu$DAX, f) #Esta gráfica es más fiel que la de lines. #La de lines tiene el intersecto mal. matplot(graf) #============================== #REGRESION MULTIVARIADA #Limpiar memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Materias TEcincas y NoTEcnicas fIsica <- c(1.1, 2.5, 3.3, 2.4, 1.2, 2.3, 4.4, 2.5, 1.2, 3.3) matemAtica <- c(3.1, 1.2, 2.3, 4.2, 2.4, 3.2, 4.1, 1.3, 2.2, 4.1) literatura <- c(2.1, 1.4, 3.2, 4.3, 2.3, 1.2, 3.2, 1.2, 3.4, 4.1) futbol <- c(2.3, 4.5, 3.4, 2.3, 4.3, 2.3, 3.4, 3.8, 3.9, 4.1) tablaTodo <- data.frame(fIsica,matemAtica,literatura,futbol) #Parte 1: correlación univariada #Estudiamos todas las correlaciones entre pares de variables. #MatemAticas parece buen predictor: pairs(tablaTodo, panel = panel.smooth, main = "TEcnicas y NoTEcnicas") #MatemAticas predice literatura: matLit <- lm(literatura ~ matemAtica, data = tablaTodo) summary(matLit) #Diagrama de dispersión: cargamos paquete necesario library(car) scatterplot(literatura ~ matemAtica, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data = tablaTodo) # #Parte 2: Refinamos un caso #Hay un outlier que podemos quitar: 3.2 contra 1.2 matemAtica9 <- c(3.1, 1.2, 2.3, 4.2, 2.4, 4.1, 1.3, 2.2, 4.1) literatura9 <- c(2.1, 1.4, 3.2, 4.3, 2.3, 3.2, 1.2, 3.4, 4.1) tablaml9 <- data.frame(matemAtica9,literatura9) #MatemAticas predice literatura: matLit <- lm(literatura9 ~ matemAtica9, data = tablaml9) summary(matLit) #Diagrama de dispersión: scatterplot(literatura9 ~ matemAtica9, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data = tablaml9) # #Parte 3: correlación múltiple #MatemAticas y fIsica predicen futbol fut <- lm(futbol ~ matemAtica + fIsica, data = tablaml9) summary(fut) #Hacer dibujo library(scatterplot3d) barras <- scatterplot3d(matemAtica,fIsica, futbol, highlight.3d=TRUE, type="h", main="3D Scatterplot", data = tablaTodo) barras$plane(fut) # #Parte 4: análisis multivariado tEcnicas <- cbind(fIsica, matemAtica) noTEcnicas <- cbind(literatura, futbol) anova(Predictor1 <- lm (noTEcnicas ~ tEcnicas) ) anova(Predictor2 <- lm (noTEcnicas ~ tEcnicas -1) ) #- residuals almost identical summary(resid(Predictor1) - resid(Predictor2)) opar <- par(mfrow = c(2,2), oma = c(0, 0, 1.1, 0)) plot(Predictor1, las = 1) # Residuals, Fitted, ... par(opar) #============================== #ANALISIS DE COMPONENTES PRINCIPALES #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Colores1 y colores2 #Parte 1: regresión #Notas de niños de preescolar en dos materias. colores1 <- c(1,2,3,2,5,4,6,3,7,4,6,5,7,4,5,8) colores2 <- colores1 tabla <- data.frame(colores1,colores2) #Esperamos una alta correlación: library(car) scatterplot(colores1 ~ colores2, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data = tabla) #Análisis de regresión dibujo <- lm(colores1 ~ colores2) summary(dibujo) # #Parte 2: análisis de componentes principales comp <- princomp(tabla, cor=FALSE) #Ordene las componentes de acuerdo a su importancia #para explicar la varianza summary(comp) #Diagrama de importancias relativas plot(comp) # #Conclusión: las dos materias son en un 100% más de lo mismo. #¿Qué es exactamente más de lo mismo? #Es la componente principal uno: #una aptitud hacia el dibujo con colores. #============================== #ANALISIS DE COMPONENTES PRINCIPALES: COLORES #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Colores1 y colores2 #Parte 1: regresión #Notas de niños de preescolar en dos materias. colores1 <- c(1,2,3,2,5,4,6,3,7,4,6,5,7,4,5,8) colores2 <- colores1 tabla <- data.frame(colores1,colores2) #Esperamos una alta correlación: library(car) scatterplot(colores1 ~ colores2, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data = tabla) #Análisis de regresión dibujo <- lm(colores1 ~ colores2) summary(dibujo) # #Parte 2: análisis de componentes principales comp <- princomp(tabla, cor=FALSE) #Ordene las componentes de acuerdo a su importancia #para explicar la varianza summary(comp) #Diagrama de importancias relativas plot(comp) # #Conclusión: las dos materias son en un 100% más de lo mismo. #¿Qué es exactamente más de lo mismo? #Es la componente principal uno: #una aptitud hacia el dibujo con colores. #============================== #ANALISIS DE COMPONENTES PRINCIPALES: ACUARELA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Colores y acuarela #Parte 1: regresión #Notas de niños de preescolar en dos materias. colores <- c(1,7,3,2,5,4,6,3,7,4,6,5,4,5,8,2) acuarela <- c(2,6,1,3,4,5,5,4,5,3,4,5,3,6,7,2) tabla2 <- data.frame(colores,acuarela) #Esperamos una alta correlación: library(car) scatterplot(colores ~ acuarela, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data = tabla2) #Análisis de regresión dibujo <- lm(acuarela ~ colores, data = tabla2) summary(dibujo) # #Parte 2: análisis de componentes principales comp2 <- princomp(tabla2, cor=FALSE) #Ordene las componentes de acuerdo a su importancia #para explicar la varianza summary(comp2) #Diagrama de importancias relativas plot(comp2) # #Parte 3 #Descomponga cada variable como #combinación de las componentes principales: #hay dos componentes, la primera es aptitud para dibujar, #la segunda es aptitud para manejar procesos con interferencia #que tiene que ver con los tiempos de secado. loadings(comp2) biplot(comp2) # #Parte 4 #Explique cada individuo como una #combinación de las componentes principales: comp2$scores # the principal components # #Conclusión: las dos materias son en un 91% más de lo mismo. # ¿Qué es exactamente más de lo mismo? #Es una aptitud hacia el arte del dibujo #que permitirá aconsejar a quienes deseen #aprender a dibujar con óleo. #Por ejemplo: los estudiantes que aparecen en la lista #en los lugares 1, 3 y 16 no sirven para el óleo #a no ser que tomen consejería especial. #============================== #ANALISIS DE COMPONENTES PRINCIPALES: DIBUJO #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Colores y escultura #Parte 1: correlación #Notas de niños de primero en dos materias. dibujo <- c(1,2,3,2,5,4,6,3,7,4,6,5,7,4,5,8) escultura <- c(0,4,1,1,1,7,4,4,4,1,3,6,9,7,8,5) tabla3 <- data.frame(dibujo,escultura) library(car) scatterplot(escultura ~ dibujo, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data = tabla3) arte <- lm(escultura ~ dibujo) summary(arte) #Conclusión: la correlación el alta pero no es significativa, #las dos materias no son más de lo mismo. #Pero, ¿será la escultura un desafío alcanzable? #¿Qué tanta novedad hay en la escultura con respecto #a la materia de dibujo? # #Parte 2: preparar datos #Centrar los datos: dibujoc = dibujo - mean(dibujo) esculturac <- escultura - mean(escultura) tablac <- data.frame(dibujoc, esculturac) scatterplot(esculturac ~ dibujoc, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data = tablac) # #Parte 3: #análisis de componentes principales comp3 <- princomp(tablac, cor=FALSE) #Ordene las componentes de acuerdo a su importancia #para explicar la varianza summary(comp3) #Diagrama de importancias relativas plot(comp3) #Conclusión: las dos materias tienen un 77% en común #representada en la primera componente principal, #que es una aptitud para modelar, #pero hay una divergencia del 22% que corresponde #a una capacidad para diversificarse, pues se relaciona #con cosas específicas que se aprenden en una materia #o en la otra. #Parte 4 #Descomponga cada variable como #combinación de las componentes principales loadings(comp3) biplot(comp3) #Explique cada individuo como una #combinación de las componentes principales: comp3$scores # the principal components #Los alumnos que parecen en la lista en los lugares #1, 2 y 3 necesitan consejería urgente. #============================== #ANALISIS FACTORIAL #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1: datos de un colegio dibujo <- c(1,2,3,2,5,4,6,3,7,4,6,5,7,4,5,8) escultura <- c(0,4,1,1,1,7,4,4,4,1,3,6,9,7,8,5) lenguaje <- c(6,5,4,6,7,4,5,8,7,6,5,6,7,6,7,5) matemAtica<- c(1,3,5,4,3,6,7,5,6,3,4,5,2,3,4,6) ciencias <- c(3,6,4,5,6,5,6,6,5,4,4,2,4,5,5,5) canto <- c(3,2,4,5,7,5,3,8,7,5,4,7,2,5,4,6) tabla <- data.frame(dibujo,escultura, lenguaje,matemAtica,ciencias,canto) #Análisis factorial: se empieza con un factor o macrovariable. fact <- factanal(tabla, factors=1, rotation="varimax") print(fact, digits=2, cutoff=.3, sort=TRUE) descomponer <- fact$loadings descomponer update(fact, factors=2, rotation="promax") update(fact, factors=3, rotation="promax") # #Comparar con análisis de componentes principales comp <- princomp(tabla, cor=FALSE) #Ordene las componentes de acuerdo a su importancia #para explicar la varianza summary(comp) #Diagrama de importancias relativas plot(comp) #Parte 4 #Descomponga cada variable como #combinación de las componentes principales loadings(comp) #============================== #DETECTAR y QUITAR OUTLIERS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Todas las gráficas en la misma página par(mfrow=c(2,1), pch=16) x <- c(3,4,5,4,6,5,4,6,5,4,7,4,5,4,6,5, 20) hist(x, seq(0, 22, 1), plot = TRUE, prob=T) mean(x) var(x) y <- c(3,4,5,4,6,5,4,6,5,4,7,4,5,4,6,5) hist(y, seq(0, 22, 1), plot = TRUE, prob=T) mean(y) var(y) #============================== #DETECTAR y QUITAR OUTLIERS EN UNA REGRESION #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1: Detectar outliers x <- c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16) y <- c(0,1,2,3,4,5,6,9,9,10,13,13,15,16,17,35) r <- data.frame(y,x) library(car) scatterplot(y~x, reg.line=lm, smooth=FALSE, labels=FALSE, boxplots='xy', span=0.5, data=r) z<-lm(y ~ x, data = r) z plot(z) #Conclusión: #El dato número 16 es un outlier intolerable: quitémoslo # #Parte 2: quitar outliers x <- c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15) y <- c(0,1,2,3,4,5,6,9,9,10,13,13,15,16,17) rClean <- data.frame(y,x) scatterplot(y~x, reg.line=lm, smooth=TRUE, labels=FALSE, boxplots='xy', span=0.5, data=rClean) w<-lm(y ~ x, data = rClean) w #Línea de regresión sin outliers en negro a = w$coefficients[1] b = w$coefficients[2] abline(a,b, col = "black") #Línea de regresión con outliers en azul a2 = z$coefficients[1] b2 = z$coefficients[2] abline(a2,b2, col = "blue") #Parte 3: revisar los nuevos residuos #Sin outliers, todo está más tranquilo: plot(w) #============================== #REGRESION ROBUSTA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1: datos con un outlier x <- c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16) y <- c(0,1,2,3,4,5,6,9,9,10,13,13,15,16,17,35) r <- data.frame(y,x) library(car) scatterplot(r$y~r$x, smooth = FALSE) # #Mientras que R piensa, señale puntos con click izquierdo #y termine con click derecho: identify(x,y) # #Parte 2 #Regresión a la Huber library(MASS) #rlm = robust linear model = regresión robusta Huber <- rlm(y ~ x, data = r) summary(Huber) #Huber2 = sinónimo de Huber Huber2 <- rlm(y ~ x, method = "M", data = r) summary(Huber2) plot(Huber) # #Parte 3 #Peso de cada dato: #El dato 16 tiene muy poco peso: #Huber$w = weights = peso de los datos plot(Huber$w, ylab="Huber Weight", col = "blue") #Mientras que R piensa, señale puntos con click izquierdo #y termine con click derecho: identify(1:16, Huber$w) # #Parte 4: #Comparemos con la regresión odinaria #lm =liner model = regresión ordinaria ro<-lm(y ~ x, data = r) ro library(car) scatterplot(r$y~r$x, smooth = FALSE) #Regresión ordinaria en negro a = ro$coefficient[1] b = ro$coefficient[2] abline(a,b,col = "black") #Regresión de Huber en azul aH = Huber$coefficients[1] bH = Huber$coefficients[2] abline(aH,bH, col = "blue") #Regresion a la Tukey en verde Tukey <- rlm(y ~ x, psi = psi.bisquare,data = r) summary(Tukey) aT = Tukey$coefficients[1] bT = Tukey$coefficients[2] abline(aT,bT, col = "green") #Regresion a la Hampel en amarillo Hampel <- rlm(y ~ x, psi = psi.hampel,init = "lts", data = r) summary(Hampel) aP = Hampel$coefficients[1] bP = Hampel$coefficients[2] abline(aP,bP, col = "yellow") #Otra variante Tukey2 <- rlm(y ~ x, method = "MM", psi = psi.bisquare,data = r) summary(Tukey2) #============================== #REGRESION EXPONENCIAL: SIMULACION #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Fabricamos los datos: #x,y,z son variables explicativas #w es variable respuesta, tiene ruido t <- c(1:10) y <- t #Ruido: generamos 10 observaciones al azar de la normal n <- c(1:10) n<-rnorm(10, mean = 0, sd = 0.1) #Datos con dependencia exponencial for(i in 1:10) { y[i] <- 6* exp(2*t[i]) + n[i]} tabla <- data.frame(t,y) tabla #Regresión exponencial w = log(y) tablaGrande<-cbind(tabla, w) modelo <- lm(w ~ t) a<- exp(modelo$coefficient[1]) a k<-modelo$coefficient[2] k #Modelo interpolado: library(car) #100 puntos entre 0 y 10 tseq <- seq(0, 10, length.out = 100) yModelo <- seq(0, 10, length.out = 100) for(i in 1:100) { yModelo[i] <- a* exp(k*tseq[i]) } matplot(tseq, yModelo, col = "blue", pch = 16) #============================== #REGRESION POLINOMIAL MULTIPLE: SIMULACION #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Fabricamos los datos: #x,y,z son variables explicativas x <- rep (c(1:5), each = 25) y <- rep( c(1:5), each = 5, times = 5) z <- rep( c(1:5), times = 25) #Ruido: generamos 125 observaciones al azar de la normal #Inicializamos n simbólicamente n <- c(1:125) #Inicialización verdadera n<-rnorm(125, mean = 0, sd = 0.1) #w es variable respuesta, tiene ruido #Inicialización simbólica w <- n #Inicialización verdadera for(i in 1:125) { w[i] <- 8 + 3*x[i] + 2* z[i] + 2*x[i] * y[i] + x[i]*x[i]*x[i] + n[i]} tabla <- data.frame(x,y,z,w) tabla # #Regresión polinomial múltiple #Modo uno: normal xy = x*y xcubo <- x*x*x #tabla ampliada 1 #Paso 2: regresión tablaGrande1 <- cbind(tabla, xy,xcubo) multiplePoliReg <- lm(w ~ x + z + xy+ xcubo , data = tablaGrande1) summary(multiplePoliReg) # #Regresión polinomial múltiple #Modo dos: variables centradas, se resta la media xm <- x -mean(x) ym <- y - mean(y) zm <- z - mean(z) xmcubo <- xm*xm*xm xmym = xm*ym #tabla ampliada 2 #Paso 2: regresión tablaGrande2 <- cbind(tabla, xm, ym,zm,xcubo,xy) multiplePoliReg2 <- lm(w ~ xm + zm + xmym+ xmcubo , data = tablaGrande2) summary(multiplePoliReg2) #============================== #REGRESION DE LOWESS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) x <- c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16) y <- c(0,1,2,3,4,5,6,9,9,10,13,13,15,16,17,35) r <- data.frame(x,y) #main: título principal plot(r, main = "lowess(y vs x)") #f = factor de suavización, entre más grande, más suave lines(lowess(r, f=.2), col = 2) lines(lowess(r, f=.4), col = 3) lines(lowess(r, f = 2/3), col = 4) #Caja de letreros: posición, contenido, lty = line types,, colores legend(2, 30, c(paste("f = ", c(".2",".4", "2/3" ))), lty = 1, col = 2:3:4) #============================== #TENDENCIAS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) NumResueltos <- c(1,2,3,1,5,3,2,5,7,8,12,13,15,8,10,5,10,15) HorasClase <- c(1,3,5,1,3,5,1,3,5,1,3,5,1,3,5,1,3,5) PasoSiNo <- c(0,0,0,0,0,1,0,1,0,0,1,0,0,1,1,0,1,1) tabla <- data.frame(NumResueltos, HorasClase,PasoSiNo) tabla reg <- lm(PasoSiNo ~ NumResueltos + HorasClase) library(scatterplot3d) barras <- scatterplot3d(NumResueltos, HorasClase,PasoSiNo, highlight.3d=TRUE, type="h", main="3D Scatterplot") barras$plane(reg) summary(reg) #============================== #TEST DE TENDENCIAS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) NumResueltos <- c(0,1,2,1,5,3,2,5,7,8,12,13,12,11,10,12,10,15 ) HorasClase <- c(1,3,4,1,3,5,1,3,5,2,3,5,0,3,5,4,3,5) PasoSiNo <- c(0,0,0,0,1,1,0,1,1,1,1,1,0,1,1,1,1,1) tabla <- data.frame(NumResueltos, HorasClase,PasoSiNo) tabla reg <- lm(PasoSiNo ~ NumResueltos + HorasClase) library(scatterplot3d) barras <- scatterplot3d(NumResueltos, HorasClase,PasoSiNo, highlight.3d=TRUE, type="h", main="3D Scatterplot") barras$plane(reg) summary(reg) #============================== #AÑADIENDO OTRA VARIABLE #Limpiar la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) NumResueltos <- c(1,2,3,1,5,3,2,5,7,8,12,13,15,8,10,5,10,15) HorasClase <- c(1,3,5,1,3,5,1,3,5,1,3,5,1,3,5,1,3,5) ExpresiOnVerbal <- c(3,2,2,3,3,4,3,4,4,2,3,2,2,3,5,2,3,4) PasoSiNo <- c(0,0,0,0,0,1,0,1,0,0,1,0,0,1,1,0,1,1) tabla <- data.frame(NumResueltos, HorasClase, ExpresiOnVerbal,PasoSiNo) tabla reg <- lm(PasoSiNo ~ NumResueltos + HorasClase + ExpresiOnVerbal) library(scatterplot3d) barras <- scatterplot3d(NumResueltos, HorasClase,PasoSiNo, highlight.3d=TRUE, type="h", main="3D Scatterplot") barras$plane(reg) summary(reg) #============================== #SIMPLIFCAR MODELO #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) NumResueltos <- c(1,2,3,1,5,3,2,5,7,8,12,13,15,8,10,5,10,15) HorasClase <- c(1,3,5,1,3,5,1,3,5,1,3,5,1,3,5,1,3,5) ExpresiOnVerbal <- c(3,2,2,3,3,4,3,4,4,2,3,2,2,3,5,2,3,4) PasoSiNo <- c(0,0,0,0,0,1,0,1,0,0,1,0,0,1,1,0,1,1) tabla <- data.frame(NumResueltos, HorasClase, ExpresiOnVerbal,PasoSiNo) tabla reg <- lm(PasoSiNo ~ NumResueltos + ExpresiOnVerbal) library(scatterplot3d) barras <- scatterplot3d(NumResueltos, ExpresiOnVerbal,PasoSiNo, highlight.3d=TRUE, type="h", main="3D Scatterplot") barras$plane(reg) summary(reg) #============================== #OTRA SIMPLIFICACION #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) NumResueltos <- c(1,2,3,1,5,3,2,5,7,8,12,13,15,8,10,5,10,15) HorasClase <- c(1,3,5,1,3,5,1,3,5,1,3,5,1,3,5,1,3,5) ExpresiOnVerbal <- c(3,2,2,3,3,4,3,4,4,2,3,2,2,3,5,2,3,4) PasoSiNo <- c(0,0,0,0,0,1,0,1,0,0,1,0,0,1,1,0,1,1) tabla <- data.frame(NumResueltos, HorasClase, ExpresiOnVerbal,PasoSiNo) tabla reg <- lm(PasoSiNo ~ ExpresiOnVerbal) library(car) scatterplot(PasoSiNo ~ ExpresiOnVerbal, smooth = FALSE, data = tabla) summary(reg) #============================== #REGRESION LOGISTICA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1: Modelo completo NumResueltos <- c(0,1,2,1,5,3,2,5,7,8,12,13,12,11,10,12,10,15 ) HorasClase <- c(1,3,4,1,3,5,1,3,5,2,3,5,0,3,5,4,3,5) PasoSiNo <- c(0,0,0,0,1,1,0,1,1,1,1,1,0,1,1,1,1,1) Pasar <- as.factor(PasoSiNo) tabla <- data.frame(NumResueltos, HorasClase,PasoSiNo) tabla library(scatterplot3d) barras <- scatterplot3d(NumResueltos, HorasClase,PasoSiNo, highlight.3d=TRUE, type="h", main="3D Scatterplot") #La regresión logística usa un modelo lineal generalizado: #una transformación + modelos lineales reglog <- glm(Pasar ~ NumResueltos + HorasClase,family=binomial(), data = tabla) summary(reglog) #Intervalos de confianza del 95% para los coeficientes confint(reglog) #Coeficientes exponenciales exp(coef(reglog)) #Intervalos de confianza del 95% para los coeficientes exponenciales exp(confint(reglog)) #Valores predichos para el modelo sobre los datos de la tabla, 18 renglones predict(reglog, type="response") # Residuos: diferencias entre los predicho por el modelo y los datos residuals(reglog, type="deviance") # #Parte 2: #Modelos univariados: reglog2 <- glm(Pasar ~ NumResueltos,family=binomial(), data = tabla) plot(reglog2) #La altura sobre la región negra es la probabilidad de 0 #El segmento sobre la región clara indica la prob de 1. cdplot(Pasar ~ NumResueltos, data=tabla) # #Parte 3: otro univariado reglog3 <- glm(Pasar ~ HorasClase,family=binomial(), data = tabla) plot(reglog3) #La altura sobre la región negra es la probabilidad de 0 #El segmento sobre la región clara indica la prob de 1. cdplot(Pasar ~ HorasClase, data=tabla) #Parte 4: comparar modelos #Un vacío indica un número muy pequeño anova(reglog,reglog2, test = "Chisq") #============================== # REGRESION DE POISSON #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1: Modelo lineal para comparar NumResueltos <- c(0,1,2,1,5,3,2,5,7,8,12,13,12,11,10,12,10,15 ) HorasClase <- c(1,3,4,1,3,5,1,3,5,2, 3, 5, 0, 3, 5, 4, 3, 5) Nota <- c(0,2,3,0,4,3,1,3,4,3, 4, 5, 4, 5, 4, 5, 5,5) tabla <- data.frame(NumResueltos, HorasClase, Nota) #Regresión lineal library(scatterplot3d) barras <- scatterplot3d(NumResueltos, HorasClase,Nota, highlight.3d=TRUE, type="h", main="3D Scatterplot") regPlana <- lm(Nota ~ NumResueltos + HorasClase,family=binomial(), data = tabla) summary(regPlana) barras$plane(regPlana) summary(regPlana) # #Parte 2: modelo de Poisson regPoisson <- glm(Nota ~ NumResueltos + HorasClase,family = poisson(), data = tabla) summary(regPoisson) #Valores predichos para el modelo sobre los datos de la tabla, 18 renglones predict(regPoisson, type="response") # Residuos: diferencias entre los predicho por el modelo y los datos residuals(regPoisson, type="deviance") #============================== #TIEMPO DE VIDA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(survival) data(veteran) #help(veteran) veteran plot(survfit(Surv(time,status)~prior,data=veteran), xlab="Años después", main = "Sobrevivencia/Tratamiento previo", xscale=365, ylab="% sobrevivencia", yscale=100, col=c(2,3)) #Caja de letreros: posición, contenido, lty = line types, colores legend(1.3, 0.8, c(paste(" = ", c("No","Si"))), lty = 1, col = 2:3) survdiff(Surv(time,status)~prior, data=veteran) #============================== #TASAS DE SOBREVIVENCIA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1: cargar paquete library(survival) #Información #Para salir de la ayuda, teclee q de quit #help(lung) # #Parte 2: #Diagrama de dispersión library(car) scatterplot(lung$time~lung$age, smooth = FALSE) # #Análisis de sobrevivencia # Empaquetar datos TasaSobrev <- with(lung, Surv(time,status)) #Analizar modelos: efecto de la edad edad <- survfit(TasaSobrev ~ age,data=lung) summary(edad) edad #Efecto de la edad y de la pérdida de peso edadPeso <- survfit(TasaSobrev ~ age + wt.loss,data=lung) summary(edadPeso) # Predicción de la tasa de sobrevivencia para hombres tasaSH <- coxph(TasaSobrev ~ age+ wt.loss, data=lung, subset=sex==1) summary(tasaSH) #============================== #TABLA DE CONTINGENCIA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) GEnero <- c("h","m","h","h","m","h","m","m","h","m","h","m") Ojos <- c("p","g","p","g","g","p","g","g","p","p","p","g") dd <-data.frame(GEnero,Ojos) dd #Con dd compute la tabla de contingencia tablaCont <- with(dd, table(GEnero,Ojos)) #Hacemos un test chi-cuadrado de independencia chisq.test(tablaCont) #Formas sinónimas chisq.test(dd$GEnero, dd$Ojos) chisq.test(GEnero, Ojos) #Test exacto de independencia de Fihser fisher.test(tablaCont) #============================== #CODIFICACION Y TABLAS DE CONTINGENCIA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Codificación numérica GEnero <- c(0,1,0,0,1,0,1,1,0,1,0,1,0,1,0) #Los números no son números sino códigos de un factor GEneroF <- as.factor(GEnero) #Longitud horizontal de los ojos: Ojos <- c(4,7,4,5,5,4,7,8,4,7,7,7,4,8,5 ) #Partimos Ojos en dos categorías #que ofrezcan el máximo contraste Ojos.cat<-cut(Ojos,breaks =2) #Calculamos la tabla de contingencia d<-table(Ojos.cat, GEneroF) #Publicamos la tabla d chisq.test(Ojos.cat, GeneroF) #============================== #TABLA DE CONTINGENCIA: VARIANTE #Datos numéricos #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) GEnero <- c(0,1,0,0,1,0,1,1,0,1,0,1,0,1,0) Ojos <- c(4,7,4,5,5,4,7,8,4,7,7,7,4,8,5 ) #Partimos GEnero en dos categorías #que ofrezcan el máximo contraste GEnero.cat<-cut(GEnero,breaks =2) #Partimos Ojos en dos categorías #que ofrezcan el máximo contraste Ojos.cat<-cut(Ojos,breaks =2) #Calculamos la tabla de contingencia d<-table(Ojos.cat, GEnero.cat) #Publicamos la tabla d chisq.test(Ojos.cat, Genero.cat) #============================== #GRAFICAS DE TABLAS DE CONTINGENCIA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) GEnero <- c(0,1,0,0,1,0,1,1,0,1,0,1,0,1,0) #Los números no son números sino códigos de un factor GEneroF <- as.factor(GEnero) Ojos <- c(4,7,4,5,5,4,7,8,4,7,7,7,4,8,5 ) #Partimos Ojos en dos categorías #que ofrezcan el máximo contraste Ojos.cat<-cut(Ojos,breaks =2) #Calculamos la tabla de contingencia d<-table(Ojos.cat, GEneroF) #Publicamos la tabla d #Representación gráfica de la tabla de contingencia: #la mayoría de mujeres tienen ojos grandes, #la mayoría d ehombres ojos pequeños library(vcd) mosaic(d, main = "0=mujer, 1 = hombre, \n (4,6] =ojos pequeños, (6,8] = ojos grandes" ) chisq.test(Ojos.cat, GeneroF) #============================== #TABLA TRIDIMENSIONAL #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Partición automática GEnero <- c(0,1,0,0,1, 0,1,1,0,1, 0,1,0,1,0) #Los números no son números sino códigos de un factor GEneroF <- as.factor(GEnero) Ojos <- c(4,7,4,5,5, 4,4,8,4,7, 7,7,4,8,5 ) Altura <- c(170, 165, 157, 171, 170, 170, 160, 154, 158, 148, 158, 158, 180, 180, 182) tablaDatos <-data.frame(GEnero,Ojos,Altura) tablaDatos #Tabla de contingencia multidimensional #muchas categorías, difícil de digerir. #ftable = flat table = representación plana #de una tabla multidimensional: ftable(tablaDatos) #Para hacer algo más digestible: #Partimos Ojos en dos categorías #que ofrezcan el máximo contraste Ojos.cat<-cut(Ojos,breaks =2) #Partimos Altura en dos categorías #que ofrezcan el máximo contraste Altura.cat<-cut(Altura,breaks =2) #Calculamos la tabla de contingencia d<-table(Ojos.cat, GEneroF, Altura.cat) #Publicamos la tabla multidimensional digerible: d ftable(d) #Hacemos un test chi-cuadrado de independencia chisq.test(d) #Representación gráfica de la tabla de contingencia, #Es una variación gráfica de la ftable. library(vcd) mosaic(d ) #============================== #TABLA TRIDIMENSINAL CUANTITATIVA #Datos numéricos, partición personalizada #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) GEnero <- c(0,1,0,0,1, 0,1,1,0,1, 0,1,0,1,0) #Los números no son números sino códigos de un factor GEneroF <- as.factor(GEnero) Ojos <- c(4,7,4,5,5, 4,4,8,4,7, 7,7,4,8,5 ) Altura <- c(170, 165, 157, 171, 170, 170, 160, 154, 158, 148, 158, 158, 180, 180, 182) tablaDatos <-data.frame(GEnero,Ojos,Altura) tablaDatos #Tabla de contingencia multidimensional #en clases apropiadas dd <- with(tablaDatos,ftable(GEnero, OjosGrandes= Ojos > 6, Altos = Altura > 175)) dd #Hacemos un test chi-cuadrado de independencia chisq.test(dd) #============================== #TABLAS Y RELACIONES FUNCIONALES #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) GEnero <- c(0,1,0,0,1, 0,1,1,0,1, 0,1,0,1,0) #Los números no son números sino códigos de un factor GEneroF <- as.factor(GEnero) Ojos <- c(4,7,4,5,5, 4,4,8,4,7, 7,7,4,8,5 ) Altura <- c(170, 165, 157, 171, 170, 170, 160, 154, 158, 148, 158, 158, 180, 180, 182) ojos <- Ojos/Altura #Partimos ojos en dos categorías #que ofrezcan el máximo contraste ojos.cat<-cut(ojos,breaks =2) tablaCont <-table(GEnero, ojos.cat) tablaCont #Hacemos un test chi-cuadrado de independencia chisq.test(tablaCont) #Test exacto de independencia de Fihser fisher.test(tablaCont) #============================== #TEST ACUERDO-DESACUERDO PARA DATOS APAREADOS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) Varones <- c("I", "I", "C", "I", "N", "I", "C", "I", "I", "C") Amiguitas <- c("C", "C", "I", "N", "N", "C", "N", "C", "C", "N") datos <- table(Varones, Amiguitas) datos library(vcd) K <- Kappa(datos) K confint(K) #Diagrama acuerdo-desacuerdo: acuerdo <- agreementplot(datos, main="Quiero ir a Marte") unlist(acuerdo) #Hacemos un test chi-cuadrado de independencia chisq.test(datos) fisher.test(datos) #============================== #TEST ACUERDO-DESACUERDO PARA DATOS APAREADOS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) Varones <- c("I", "I", "C", "I", "N", "I", "C", "I", "I", "C") Amiguitas <- c("C", "C", "I", "N", "N", "C", "N", "C", "C", "N") datos <- table(Varones, Amiguitas) datos library(vcd) (K <- Kappa(datos)) K confint(K) #Diagrama acuerdo-desacuerdo: pushViewport(viewport(layout = grid.layout(ncol = 2))) pushViewport(viewport(layout.pos.col = 1)) acuerdo <- agreementplot(t(datos), main = "Varones vs amiguitas", newpage = FALSE) unlist(acuerdo) #Hacemos un test chi-cuadrado de independencia chisq.test(datos) fisher.test(datos) popViewport() #Contraste: Varones vs Varones = total acuerdo. totalAcuerdo <- table(Varones, Varones) pushViewport(viewport(layout.pos.col = 2)) agreementplot(t(totalAcuerdo), main = "Varones vs varones", newpage = FALSE) popViewport(2) dev.off() #assocstats(acuerdo) #============================== #MODELOS LOGLINEALES #Limpia la memoria rm(list = ls()) #Generamos los factores con sus niveles: tempN <- c("alta","media","baja") luzN <- c("Buena","Mala") alimentoN <- c("natural","concentrado1", "concentrado2", "mixto" ) #Generamos las columnas de datos #Alimento tiene 4 niveles, queremos que se liste 1 x 1: alimento <- gl(4,1,24,alimentoN) #Luz tiene 2 niveles, cada uno debe repetirse 4 veces, #una vez por cada nivel de alimento: luz <- gl(2,4,24,luzN) #temp tiene 3 niveles, cada uno debe repetirse 2 x 4 = 8 veces, #una vez por cada pareja de niveles alimento x temperatura: temp <- gl(3,8, 24, tempN) #Después de hacer el experimento, los datos son peso <- c(1.1, 1.2, 1.1, 1.5, 0.9, 1.0, 1.1, 1.6, 1.1, 1.2, 1.0, 1.4, 1.1, 1.2, 1.3, 1.4, 1.0, 1.1, 1.1, 1.4, 1.0, 1.0, 1.2, 1.3) #Pegamos los datos en una tabla pollitos <- data.frame(temp, luz, alimento, peso) pollitos library(MASS) solos <- loglm(peso ~ temp + luz + alimento, data = pollitos) summary(solos) inter2 <- loglm(peso ~ temp:luz + temp:alimento + luz:alimento) summary(inter2) inter3 <- loglm(peso ~ temp:luz:alimento) summary(inter3) saturado2 <- loglm(peso ~ temp + luz + alimento + luz + temp : alimento + luz:alimento) summary(saturado2) saturado3 <- loglm(peso ~ temp + luz + alimento + luz + temp : alimento + luz:alimento + temp:luz:alimento) summary(saturado3) anova(solos, inter2) anova(solos,saturado2,saturado3) anova(solos, inter2,saturado2) drop1(saturado3,test="Chisq") coef(saturado3) #============================== #DEMO SOBRE CORRELACION CANONICA #Autor: UCLA: Academic Technology Services, Statistical Consulting Group. #www.ats.ucla.edu/stat/R/dae/canonical.htm #Los comentarios han sido fuertemente simplificados. # #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) # Leer datos mm <- read.table("http://www.ats.ucla.edu/stat/R/dae/mmreg.csv", sep = ",", header = TRUE) attach(mm) library(fields) # #Estadística básica t(stats(mm)) # library(catspec) #Tablas de porcentaje ctab(table(female), addmargins=TRUE) # #Objetivo del analisis de correlación canónica: #hallar las correlaciones canónicas entre el conjunto de #variables independientes = psych (de tipo sicológico) y el de #variables dependientes = acad (de rendimiento académico) #columnas 1,2,3: psych<-mm[,1:3] #columnas 4,5,6,7,8. acad<-mm[,4:8] # # Correlaciones ordinarias library(CCA) matcor(psych,acad) # #Calcule las correlaciones canónicas = #raíz cuadrada de los valores propios. cc1 <- cc(psych,acad) # # Muestre las correlaciones canónicas: #En este caso hay 3 funciones, las cuales determinan cada unamáxima #un perfil, una función entre una combinación de las variables de psych #y las variables de acad. cc1[1] # #Muestre las combinaciones para cada uno de los perfiles, #tanto en el conjunto de variables dependientes #como en el de variables dependientes cc1[3:4] # #Compute las 'canonical loadings'= #correlaciones entre las variables ordinarias (X,Y) #y las canónicas (U =xscores,V = yscores). cc2<-comput(psych, acad, cc1) # # Muestre las 'canonical loadings'. # Hay 4 por todas: # (X,U), (Y,U), (X,V), (Y,V): cc2[3:6] # # Test sobre las dimensiones canónicas: # De las 3 funciones canónicas, #calcule cuáles son significativas, con p-value menor que 0.005: ev<-cc1$cor^2 ev2<-1-ev n<-dim(psych)[1] p<-length(psych) q<-length(acad) m<-n -3/2 - (p+q)/2 w<-cbind(NULL) # initialize wilks lambda for (i in 1:3){ w<-cbind(w,prod(ev2[i:3])) } d1<-cbind(NULL) d2<-cbind(NULL) f<-cbind(NULL) # initialize f for (i in 1:3){ s<-sqrt((p^2*q^2-4)/(p^2+q^2-5)) si<-1/s df1<-p*q d1<-cbind(d1,df1) df2<-m*s-p*q/2+1 d2<-cbind(d2,df2) r<-(1-w[i]^si)/w[i]^si f<-cbind(f,r*df2/df1) p<-p-1 q<-q-1 } pv<-pf(f,d1,d2,lower.tail=FALSE) dmat<-cbind(t(w),t(f),t(d1),t(d2),t(pv)) colnames(dmat)<-c("WilksL","F","df1","df2","p") rownames(dmat)<-c(seq(1:length(w))) # #Liste el p-value de las funciones canónicas: #En la primera línea se hace un test sobre la #significancia de todo el conjunto con las 3 variables canónicas. #En la segunda, se estudia la significancia de todo lo que queda aparte #de la primera, es decir, segunda y tercera función. #En la tercera, se estudia la significancia de lo que queda sin contar #las primeras dos dimensiones: queda la tercera, #que no es significativa. dmat # # Coeficientes canónicos estandarizados para psych: #El coeficiente [1,1] da -0.8404196 #significa que un aumento en la variable locus_of_control #de una desviación estándard causa una disminución de 0.84 #desviaciones estándard de la primera variable canónica de psych #cuando las otras variables permanecenconstantes sd<-sd(psych) s1<-diag(sd) # diagonal matrix of psych sd's s1 %*% cc1$xcoef # #Coeficientes canónicos estandarizados para acad: #El coeficiente [1,1] da -0.45080116 #significa que un aumento en la variable read #de una desviación estándard causa una disminución de 0.45 #desviaciones estándard de la primera variable canónica de acad #cuando las otras variables se conservan constantes. sd<-sd(acad) s2<-diag(sd) s2 %*% cc1$ycoef #============================== #CORRELACION CANONICA #Demo de R #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) data(nutrimouse) X=as.matrix(nutrimouse$gene[,1:10]) Y=as.matrix(nutrimouse$lipid) res.cc=cc(X,Y) plot(res.cc$cor,type="b") plt.cc(res.cc) #============================== #ESTADISTICA NO PARAMETRICA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) # Test del rango con signo de Wilcoxon para datos apareados #(Wilcoxon Signed Rank) x <- c(1.1, 1.3, 1.6, 1.7, 1.6, 1.3, 1.5, 1.5, 1.4) y <- c(0.9, 1.1, 1.4, 1.5, 1.8, 1.2, 1.3, 1.6, 1.5) #test de dos colas wilcox.test(x, y, paired = TRUE) #test de cola superior wilcox.test(x, y, paired = TRUE, alternative = "greater") # #Test U de Mann-Whitney para 2 grupos independientes # (independent 2-group Mann-Whitney U Test). #x,y son numéricos. x <- c(1.1, 1.3, 1.6, 1.7, 1.6, 1.3, 1.5, 1.5, 1.4) y <- c(0.9, 1.1, 1.4, 1.5, 1.8) wilcox.test(x,y,paired=FALSE) # #Test anova por rangos de Kruskal Wallis # (Kruskal Wallis Test One Way Anova by Ranks). x <- c(1.1, 1.3, 1.6, 1.7, 1.6, 1.3, 1.5, 1.5, 1.4) y <- c(0.9, 1.1, 1.4, 1.5, 1.8) z<- c(0.4, 1.1, 0.9, 1.2, 0.7, 1.3, 0.5) kruskal.test(list(x, y, z)) # #Test de Friedman para diseño de bloques al azar # (Friedman Test for Randomized Block Design) # x <- c(1.1, 1.3, 1.6, 1.7, 1.6, 1.3, 1.5, 1.5, 1.4) y <- c(0.9, 1.1, 1.4, 1.5, 1.8, 1.7, 1.3, 1.9, 1.5) z<- c(0.4, 1.1, 0.9, 1.2, 0.7, 1.3, 0.5, 0.9, 0.8) bloques <- cbind(x,y,z) friedman.test(bloques) # #non parametric multiple comparisons #Comparaciones múltiples no paramétricas #library(npmc) npmc(bloques) #============================== #TEST NO PARAMETRICO DE COMPARACIONES MULTIPLES #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1: literatura data(brain) #Para salir de la ayuda, teclee q help(brain) #Parte 2: test de comparaciones múltiples. #Es semejante al test de Tukey para anovas. #En este caso hay compración entrre 3 grupos: #c=control, l=hemisferio izquierdo, r= hemisferio derecho. summary(npmc(brain), type="BF") #============================== #ANALISIS DISCRIMINANTE #Correr por partes #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1 #Teclee q para salir de la ayuda help(iris) # #Parte 2 Iris <- data.frame(rbind(iris3[,,1], iris3[,,2], iris3[,,3]), Sp = rep(c("s","c","v"), rep(50,3))) train <- sample(1:150, 75) table(Iris$Sp[train]) #lda: linear model for discriminant analysis #análisis discriminante lineal z <- lda(Sp ~ ., Iris, prior = c(1,1,1)/3, subset = train) #Vista discriminadora plot(z) # #Parte 3 prediccion <- predict(z, Iris[-train, ])$class summary(prediccion) z1 <- update(z, . ~ . - Petal.W.) z1 # Histograma de las sombras sobre #la primera línea discriminadora plot(z, dimen=1, type="both") # #parte 4 #qda: quadratic discriminant analysis # análisis discriminante cuadrático library(MASS) zq <- qda(Sp ~ ., Iris, prior = c(1,1,1)/3, subset = train) prediccionq <- predict(zq, Iris[-train, ])$class summary(prediccionq) zq <- update(zq, . ~ . - Petal.W.) zq 3 # Exploratory Graph for LDA or QDA library(klaR) partimat(Sp ~ .,data=Iris,method="lda") partimat(Sp ~ .,data=Iris,method="qda") #============================== #ANALISIS DE CLUSTERS DATOS CUANTITATIVOS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Hay 4 individuos x <- c(1.1, 2, 3, 4, 2, 3, 2) y <- c(0.8, 0.5, 0.7, 0.6, 0.4, 0.5, 0.6) z<- c(2, 3, 2, 3, 3, 2.3, 3) w <- c(0, 0, 0, 0, 0, 0) datos <- rbind(x,y,z,w) #Datos cuantitativos # Revisar omisiones datos <- na.omit(datos) datos #estandarizar datos <- scale(datos) datos # #euclidean: distancia por Pitágoras hc <- hclust(dist(datos, method = "euclidean"), method = "complete") plot(hc) plot(hc, hang = -1) #============================== #ANALISIS DE CLUSTERS DATOS = PRESENCIA-AUSENCIA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Hay 5 individuos. #Individuo x x <- c(0, 0, 1, 1, 1, 1) y <- c(1, 0, 1, 1, 0, 1) z<- c(1, 1, 1, 1, 1, 1) w <- c(0, 0, 0, 0, 0, 0) t<- c(0, 1, 0 ,1 , 0 ,1 ,0) datos <- rbind(x,y,z,w,t) #cálculo del dendograma. #euclidean: distancia por Pitágoras hc <- hclust(dist(datos, method = "euclidean"), method = "complete") plot(hc) #hang = parámetro de dibujo plot(hc, hang = -1) #maximum: se toma el valor absoluto entre cada componente #y se escoge el máximo valor. hc <- hclust(dist(datos, method = "maximum"),method = "complete") plot(hc) plot(hc, hang = -1) #manhattan: se toman los valores absolutos entre cada par de componentes #y se suman. #method = "complete" implica que se tiene todo en cuenta. hc <- hclust(dist(datos, method = "manhattan"),method = "complete") plot(hc) plot(hc, hang = -1) #binary: una medida de la proporción de los que tienen uno. hc <- hclust(dist(datos, method = "binary"),method = "complete") plot(hc) plot(hc, hang = -1) #canberra: sum(|x_i - y_i| / |x_i + y_i|) hc <- hclust(dist(datos, method = "canberra"),method = "complete") plot(hc) plot(hc, hang = -1) #method = "cen": #se usan los centrodies de cada cluster para hallar el siguiente #nivel de aglomeramiento hc <- hclust(dist(datos, method = "canberra"), method = "cen") plot(hc) plot(hc, hang = -1) # # K-Means Cluster Analysis: #(K clusters por encargo) #se especifica el número deseado de clusters. Aquí son 2 k <- kmeans(datos, 2) # get cluster means aggregate(datos,by=list(k$cluster),FUN=mean) # append cluster assignment nuevosDatos <- data.frame(datos, k$cluster) #hc <- hclust(dist(nuevosDatos, method = "canberra"), method = "cen") # # Señalamiento de clusters d <- dist(datos, method = "euclidean") dendograma <- hclust(d, method="ward") plot(dendograma) #Tome 2 clusters groups <- cutree(dendograma, k=2) # Encierre los clusters en rojo rect.hclust(dendograma, k=5, border="red") # # Clustering por modelamiento library(mclust) dendo <- Mclust(datos) plot(dendo, datos) print(dendo) #ANALISIS ESTADISTICO DE CLUSTERS #Corre despacio #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(1,1), pch=16) #x contiene la información sobre la #presencia o ausencia de la característica x x <- c(0, 0, 1, 1, 1, 1) #y = está o no está la característica y y <- c(1, 0, 1, 1, 0, 1) z<- c(1, 1, 1, 1, 1, 1) w <- c(0, 0, 0, 0, 0, 0) t<- c(0, 1, 0 ,1 , 0 ,1 ,0) datos <- rbind(x,y,z,w,t) # Análisis estadístico #pvclust = p-value de agrupamiento library(pvclust) dendo <- pvclust(datos, method.hclust="ward", method.dist="euclidean") plot(dendo) # dendogram with p values # Rodee los clusters bien definidos con #rectángulos en rojo. pvrect(dendo, alpha=.95) #============================== #DNA A PROTEINA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1 #El código genético: #64 codones Codon <- c("TCA", "TCG", "TCC", "TCT", "TTT", "TTC", "TTA", "TTG", "TAT", "TAC", "TAA", "TAG", "TGT", "TGC", "TGA", "TGG", "CTA", "CTG", "CTC", "CTT", "CCA", "CCG", "CCC", "CCT", "CAT", "CAC", "CAA", "CAG", "CGA", "CGG", "CGC", "CGT", "ATT", "ATC", "ATA", "ATG", "ACA", "ACG", "ACC", "ACT", "AAT", "AAC", "AAA", "AAG", "AGT", "AGC", "AGA", "AGG", "GTA", "GTG", "GTC", "GTT", "GCA", "GCG", "GCC", "GCT", "GAT", "GAC", "GAA", "GAG", "GGA", "GGG", "GGC", "GGT") #Notación de una letra de los aminoácidos AA_1 <- c("S", "S", "S", "S", "F", "F", "L", "L", "Y", "Y", "*", "*", "C", "C", "*", "W", "L", "L", "L", "L", "P", "P", "P", "P", "H", "H", "Q", "Q", "R", "R", "R", "R", "I", "I", "I", "M", "T", "T", "T", "T", "N", "N", "K", "K", "S", "S", "R", "R", "V", "V", "V", "V", "A", "A", "A", "A", "D", "D", "E", "E", "G", "G", "G", "G") #Notación de 3 letras de los aminoácidos AA_3 <- c("Ser", "Ser", "Ser", "Ser", "Phe", "Phe", "Leu", "Leu", "Tyr", "Tyr", "Stop", "Stop", "Cys", "Cys", "Stop", "Trp", "Leu", "Leu", "Leu", "Leu", "Pro", "Pro", "Pro", "Pro", "His", "His", "Gln", "Gln", "Arg", "Arg", "Arg", "Arg", "Ile", "Ile", "Ile", "Met", "Thr", "Thr", "Thr", "Thr", "Asn", "Asn", "Lys", "Lys", "Ser", "Ser", "Arg", "Arg", "Val", "Val", "Val", "Val", "Ala", "Ala", "Ala", "Ala", "Asp", "Asp", "Glu", "Glu", "Gly", "Gly", "Gly", "Gly") #Nombre completo de los 20 aminoácidos oficiales AA_Full <- c("Serine", "Serine", "Serine", "Serine", "Phenylalanine", "Phenylalanine", "Leucine","Leucine", "Tyrosine", "Tyrosine", "Stop", "Stop", "Cysteine", "Cysteine", "Stop", "Tryptophan", "Leucine", "Leucine", "Leucine", "Leucine", "Proline", "Proline", "Proline", "Proline", "Histidine", "Histidine", "Glutamine", "Glutamine", "Arginine", "Arginine", "Arginine", "Arginine", "Isoleucine", "Isoleucine", "Isoleucine", "Methionine", "Threonine", "Threonine", "Threonine", "Threonine", "Asparagine", "Asparagine", "Lysine", "Lysine", "Serine", "Serine", "Arginine", "Arginine", "Valine", "Valine", "Valine", "Valine", "Alanine", "Alanine", "Alanine", "Alanine", "Aspartic acid", "Aspartic acid", "Glutamic acid", "Glutamic acid", "Glycine", "Glycine", "Glycine", "Glycine") #Cada codón tiene su anticodón: AntiCodon <- c("TGA", "CGA", "GGA", "AGA", "AAA", "GAA", "TAA", "CAA", "ATA", "GTA", "TTA", "CTA", "ACA", "GCA", "TCA", "CCA", "TAG", "CAG", "GAG", "AAG", "TGG", "CGG", "GGG", "AGG", "ATG", "GTG", "TTG", "CTG", "TCG", "CCG", "GCG", "ACG", "AAT", "GAT", "TAT", "CAT", "TGT", "CGT", "GGT", "AGT", "ATT", "GTT", "TTT", "CTT", "ACT", "GCT", "TCT", "CCT", "TAC", "CAC", "GAC", "AAC", "TGC", "CGC", "GGC", "AGC", "ATC", "GTC", "TTC", "CTC", "TCC", "CCC", "GCC", "ACC") Codigo <- data.frame(Codon, AA_1,AA_3,AA_Full, AntiCodon) Codigo # #Translación en notación de una letra AA1 <- Codigo[,2]; # Asocia los aminoácidos con codones names(AA1) <- Codigo[,1] #Genera 5 secuencias DNA al azar cada una con 20 bases sapply(1:5, function(x) paste(sample(c("A","T","G","C"), 20, replace=T), collapse="")) #Generamos una secuencia de 90 bases: gen<- sapply(1:1, function(x) paste(sample(c("A","T","G","C"), 90, replace=T), collapse="")) #Lista completa de gen gen # #DNA a RNA library(Biostrings) d <- DNAString(gen) r <- RNAString(d) # #Lista completa de gen como DNA STRING d #Lista parcial d[2:6] #Leer al revés: dReves <- d[length(d):1] dReves # #DNA a proteína # Insertamos "_" después de cada tripleta gen <- gsub("(...)", "\\1_", gen) # Convierte gen en un vector de tripletas. gen <- unlist(strsplit(gen, "_")) # Quita las tripletas incompletas gen <- gen[grep("^...$", gen)] #Translación: AA1[gen] # #Translación en notación de 3 letras AA3 <- Codigo[,3]; # Creates named vector with genetic code names(AA3) <- AAdf[,1] #Translación: AA3[gen] # #Translación en notación completa AAC <- Codigo[,4]; AAC #============================== #BAJAR SECUENCIA: NO CORRA ESTE PROGRAMA #A MENOS QUE SEA EN SERIO library(Biostrings) #La siguiente instrucción se corre una única vez y el resultado se guarda en memoria. #Para ello se redirige el output de R a un archivo específico. sec1 <- readFASTA("ftp://ftp.ncbi.nih.gov/genbank/genomes/ Bacteria/Halobacterium_sp/AE004437.ffn", strip.descs=T) #Publique las primeras 10 bases writeLines(strtrim(sec1, 10)) #Ponga la secuencia en un archivo y grábelo writeLines(as.vector(t(cbind("AE004437.ffn", sec1))), "sec1.fasta") #============================== #BUSCAR MOTIVO #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(Biostrings) #Base de datos con todas las secuencias (3 en este ejemplo) baseDatos <- c("TGCTATGCTACGTA", "TTCGGCAATGCAGCTA", "TTTTCAGCGCGTACCCAT") #Reporta todas las secuencias que tienen "TGC" en algún lado baseDatos[grep("TGC", baseDatos)] #Reporta la posición de "TGC" en cada una de las secuencias #si no está, reporta -1 pos <- regexpr("TGC", baseDatos) as.numeric(pos); #Por cada secuencia reporta el número de caracteres que coinciden, #si no hay, reporta -1 attributes(pos)$match.length #============================== #ESTRUCTURA PROTEINA KINESINA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(bio3d) data(kinesin) attach(kinesin) #matrix de alineación kinesin$aln #Alineación 3d kinesin$pdbs #Lista de núcleos kinesin$core # Matriz de coordenadas de núcleos kinesin$xyz #Histograma de volumenes de núcleos col=rep("black", length(core$volume)) col[core$volume<2]="pink"; col[core$volume<1]="red" plot(core, col=col) #Objetos diversos kinesin$pc.xray #Estructura secundaria kinesin$sse #============================== #MUTACION #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(Biostrings) #Genoma con todos los genes genoma <- c("TGCTATGCTACGTA", "TTCGGCAATGCAGCTA", "TTTTCAGCGCGTACCCAT") #Substitución de "TGC" por "tgc" en todas los genes que empiezan por "TGC" gsub("^TGC", "tgc", genoma) #Substitución de "TGC" por "tgc", en todos los genes en toda parte gsub("TGC", "tgc", genoma) #============================== #ALINEAMIENTO DE SECUENCIAS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(Biostrings) #Secuencias dadas. s1 <- DNAString("GGGCCCCC") s2 <- DNAString("GGGTTCCC") #Computa un alineamiento test local a pares con el algoritmo de Smith-Waterman. myalign <- pairwiseAlignment(s1, s1, type="local") subject(myalign) pattern(myalign) attributes(myalign)[-3] #Computa un alineamiento local a pares con el algoritmo de Smith-Waterman. myalign <- pairwiseAlignment(s1, s2, type="local") subject(myalign) pattern(myalign) attributes(myalign)[-3] # Computa un alineamiento global con el algoritmo de Needleman-Wunsch myalign <- pairwiseAlignment(s1, s2, type="global")#Publicamos resultados #Publicamos resultados subject(myalign) pattern(myalign) attributes(myalign)[-5] #============================== #ALINEACION DE SECUENCIAS #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Ejemplos de R library(Biostrings) ## Nucleotide global, local, and overlap alignments s1 <- DNAString("ACTTCACCAGCTCCCTGGCGGTAAGTTGATCAAAGGAAACGCAAAGTTTTCAAG") s2 <- DNAString("GTTTCACTACTTCCTTTCGGGTAAGTAAATATATAAATATATAAAAATATAATTTTCATC") # First use a fixed substitution matrix mat <- nucleotideSubstitutionMatrix(match = 1, mismatch = -3, baseOnly = TRUE) globalAlign <- pairwiseAlignment(s1, s2, substitutionMatrix = mat, gapOpening = -5, gapExtension = -2) localAlign <- pairwiseAlignment(s1, s2, type = "local", substitutionMatrix = mat, gapOpening = -5, gapExtension = -2) overlapAlign <- pairwiseAlignment(s1, s2, type = "overlap", substitutionMatrix = mat, gapOpening = -5, gapExtension = -2) # Then use quality-based method for generating a substitution matrix pairwiseAlignment(s1, s2, patternQuality = SolexaQuality(rep(c(22L, 12L), times = c(36, 18))), subjectQuality = SolexaQuality(rep(c(22L, 12L), times = c(40, 20))), scoreOnly = TRUE) # Now assume can't distinguish between C/T and G/A pairwiseAlignment(s1, s2, patternQuality = SolexaQuality(rep(c(22L, 12L), times = c(36, 18))), subjectQuality = SolexaQuality(rep(c(22L, 12L), times = c(40, 20))), type = "local") mapping <- diag(4) dimnames(mapping) <- list(DNA_BASES, DNA_BASES) mapping["C", "T"] <- mapping["T", "C"] <- 1 mapping["G", "A"] <- mapping["A", "G"] <- 1 pairwiseAlignment(s1, s2, patternQuality = SolexaQuality(rep(c(22L, 12L), times = c(36, 18))), subjectQuality = SolexaQuality(rep(c(22L, 12L), times = c(40, 20))), fuzzyMatrix = mapping, type = "local") ## Amino acid global alignment pairwiseAlignment(AAString("PAWHEAE"), AAString("HEAGAWGHEE"), substitutionMatrix = "BLOSUM50", gapOpening = 0, gapExtension = -8) #============================== #ARBOL GENETICO #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(1,1), pch=16) library(ape) ### Just some random data... data(bird.orders) x <- rnorm(23) ### Compare the three methods for continuous characters: ace(x, bird.orders) ace(x, bird.orders, method = "pic") ace(x, bird.orders, method = "GLS", corStruct = corBrownian(1, bird.orders)) ### For discrete characters: x <- factor(c(rep(0, 5), rep(1, 18))) ans <- ace(x, bird.orders, type = "d") #### Showing the likelihoods on each node: plot(bird.orders, type = "c", FALSE, label.offset = 1) co <- c("blue", "yellow") tiplabels(pch = 22, bg = co[as.numeric(x)], cex = 2, adj = 1) nodelabels(thermo = ans$lik.anc, piecol = co, cex = 0.75) ### An example of the use of the argument `ip': tr <- character(4) tr[1] <- "((((t10:5.03,t2:5.03):2.74,(t9:4.17," tr[2] <- "t5:4.17):3.60):2.80,(t3:4.05,t7:" tr[3] <- "4.05):6.53):2.32,((t6:4.38,t1:4.38):" tr[4] <- "2.18,(t8:2.17,t4:2.17):4.39):6.33);" tr <- read.tree(text = paste(tr, collapse = "")) y <- c(rep(1, 6), rep(2, 4)) ### The default `ip = 0.1' makes ace fails: ace(y, tr, type = "d") ace(y, tr, type = "d", ip = 0.01) ### Surprisingly, using an initial value farther to the ### MLE than the default one works: ace(y, tr, type = "d", ip = 0.3) add.scale.bar() #============================== #FILOGENIA CON SECUENCIAS DE ADN #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(ape) library(Biostrings) #Parte 1: #Calculamos distancias entre #secuencias inventadas MD <- stringDist(c( "GGGCCCCC", "GGGTTCCC", "CGAATCGA", "GGATCCCC", "GGATTCGC", "CGAAATC", "ATTCCCC", "GATCCCC", "TACGCGA")) MD #Calculamos y dibujamos un árbol plot(hclust(MD, method = "single")) #Parte 2: trw <- bionj(MD) plot(trw) # #Parte 2 #Ejemplo 1 de R data(phiX174Phage) phiX174Phage plot(hclust(stringDist(phiX174Phage), method = "single")) #Parte 3 #Ejemplo 2 de R data(srPhiX174) srPhiX174 MDP <- stringDist(srPhiX174[1:7], method = "quality", quality = SolexaQuality(quPhiX174[1:7]), gapOpening = -10, gapExtension = -4) plot(hclust(MDP, method = "single")) #============================== ##AMOVA: EJEMPLO REAL #Correr por partes #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1 library(pegas) library(ape) data(woodmouse) #teclee q para salir de la ayuda help(woodmouse) # #Parte 2 d <- dist.dna(woodmouse) g <- factor(c(rep("A", 7), rep("B", 8))) g p <- factor(c(rep(1, 3), rep(2, 4), rep(3, 4), rep(4, 4))) p #Las muestras de ratones fueron tomadas de dos localidades #A y B, que se dividen a su vez cada una en otras dos #sublocalidades, 1 y 2, 3 y 4. tabla <-data.frame(g,p) tabla #Análisis jerárquico de dos niveles amova(d ~ g/p, nperm = 100) #Análisis no jerárquico, de un nivel #Versión dividida amova(d ~ g, nperm = 100) #Versión subdividida amova(d ~ p, nperm = 100) #============================== ##AMOVA: EJEMPLO INVENTADO CON 3 NIVELES #Corre muy despacio #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(pegas) library(ape) pop <- gl(64, 5, labels = paste("pop", 1:64)) region <- gl(16, 20, labels = paste("region", 1:16)) conti <- gl(4, 80, labels = paste("conti", 1:4)) tabla <-data.frame(conti,region,pop) #Estructura geográfica tabla #Distancias genéticas tomadas de la distribución uniforme. dd <- as.dist(matrix(runif(320^2), 320)) #Análisis de 3 niveles amova(dd ~ conti/region/pop, nperm = 100) #Análisis de 2 niveles amova(dd ~ conti/pop, nperm = 100) amova(dd ~ conti/region, nperm = 100) #Análisis de 1 nivel amova(dd ~ conti, nperm = 100) amova(dd ~ region, nperm #============================== #AMOVA DE DATOS DE PRESENCIA-AUSENCIA #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(ape) library(pegas) #Individuos (5) y sus características (12) #Individuo x x <- c(0, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1) #Individuo y y <- c(1, 0, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1) z <- c(1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1) w <- c(0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 1) t <- c(0, 1, 0 ,1, 0 ,1, 1, 1, 0, 0, 1, 0 ) tabla <- data.frame(x,y,z,w,t) #La distancia se calcula entre filas, por lo tanto #transponemos: tabla <- t(tabla) tabla #Estructura geográfica de los 5 individuos #en el orden en que aparecen en la tabla zona <- c("A", "A","A","B","B") #Calculamos la matriz de distancia euclídea dd <- dist(tabla, method = "euclidean") dd #Amova por zona amova(dd ~ zona, nperm = 100) #Todos los datos: tabla<- cbind(tabla,zona) tabla= 100) amova(dd ~ pop, nperm = 100) #============================== #AMOVA CON SECUENCIAS DE ADN #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) library(Biostrings) library(ape) library(pegas) #Parte 1: #Calculamos distancias entre #Secuencias inventadas (9) secs <- c( "GGGCCCCC", "GGGTTCCC", "CGAATCGA", "GGATCCCC", "GGATTCGC", "CGAAATC", "ATTCCCC", "GATCCCC", "TACGCGA") secs #Calculamos la distancia entre secuencias #Se compara base por base: si son iguales, #se lleva cero. Si son diferenetes, uno. #Y se suma. Para sacar la distancia euclídea, #se saca la raíz cuadrada MD <- stringDist(secs) MD MD <- sqrt(MD) MD #Calculamos y dibujamos un árbol filogenético plot(hclust(MD, method = "single")) # #Parte 2: #Otro diagrama trw <- bionj(MD) plot(trw) # #Parte 3: #Amova #Procedencia de los 9 individuos #en el orden en que aparecen en secs zona <- c("A", "A","A","B","B","A","A","B", "B") amova(MD ~ zona, nperm = 100) #============================== #INDICE DE BIODIVERSIDAD DE SHANNON #Limpia la memoria rm(list = ls()) #Modo gráfico par(mfrow=c(3,2), pch=16) #Parte 1 #Literatura library(agricolae) #Teclee q para salir de la ayuda help(agricolae) # #Parte 2 #Lista de funciones #Teclee q para salir de la ayuda library(help = agricolae) # #Parte 3 #Información sobre el Indice de Biodiversidad de Shannon #Teclee q para salir de la ayuda help(index.bio) # #Parte 4 data(paracsho) paracsho # date 22-06-05 and treatment CON = application with insecticide specimens <- paracsho[1:10,6] #Cálculo con boostrapping: modifique nboot output1 <- index.bio(specimens,method="Simpson.Div",level=95,nboot=100) output2 <- index.bio(specimens,method="Shannon",level=95,nboot=200) rbind(output1, output2)