1

Introduccin al R
Juan Carlos Correa Morales y Nelfi Gonzlez
Posgrado en Estadstica
Universidad Nacional-Sede Medelln
2002

2
PREFACIO 8
CAPTULO 1: INTRODUCCIN 9
1.1. OPERANDO R 9
1.1.1 INICIACIN DE UNA SESIN EN R 9
1.1.2 TERMINACIN DE UNA SESIN EN R 10
1.2. EJECUCIN DE COMANDOS DESDE UN ARCHIVO EXTERNO 10
1.3. EJECUCIN DE FUNCIONES ESPECIALES 11
CAPTULO 2: MANEJO DE DATOS EN R 14
2.1. ENTRADA Y LECTURA DE DATOS 14
2.1.1 FUNCIN SCAN 14
2.1.2 FUNCIN READ.TABLE 27
2.1.3 FUNCIN READ.FWF 35
2.1.4 ENTRANDO DATOS DESDE EL TECLADO 41
2.2. DATOS FALTANTES 47
2.3. FUNCIONES DE ESCRITURA Y EXPORTACIN DE DATOS QUE ESTN EN R 49
2.3.1 FUNCIN DUMP 49
2.3.2 FUNCIN WRITE (ESCRIBIENDO UNA MATRIZ A UN ARCHIVO EXTERNO) 54
2.3.3 FUNCIN SINK (ENVIANDO RESULTADOS A UN ARCHIVO DE TEXTO) 56
2.4. CONSTRUCCIN, LECTURA Y ESCRITURA DE TABLAS DE CONTINGENCIA
CATEGRICAS 59
2.4.1 FUNCIN FTABLE 59
CAPTULO 3: MANIPULACIN DE DATOS 74
3.1. OPERADORES 74
3.1.1 FUNCIONES QUE PRODUCEN ESCALARES 79
3.1.2 FUNCIONES PARA REDONDEO DE NMEROS 81
3.1.3 FUNCIONES RELACIONADAS CON DISTRIBUCIONES 83
3.2. EJECUCIONES CONDICIONALES Y LOOPS (FLUJOS DE CONTROL) 89
3.2.1 CMO PARAR CICLOS: LA FUNCIN STOP() 99
3.3. OBJETOS EN R 100
3.3.1 FUNCIN APPEND 100
3.3.2 FUNCIN MATRIX, IS.MATRIX, AS.MATRIX 105
3.3.3 FUNCIN DATA.MATRIX 110
3
3.3.4 FUNCIN LIST 112
3.3.5 FUNCIN UNLIST 117
3.3.6 FUNCIN DATA.FRAME 120
3.3.7 REMOVIENDO OBJETOS 124
CAPTULO 4: CREACIN DE NUEVAS FUNCIONES EN R 125
4.1. PROBLEMAS DE MEMORIA EN R 132
CAPTULO 5: MATRICES 133
5.1. OPERACIONES BSICAS CON MATRICES 133
5.2. TRANSPOSICIN DE UNA MATRIZ 134
5.3. PRODUCTOS CRUZADOS 135
5.4. DESCOMPOSICIN SVD 135
5.5. DESCOMPOSICIN QR 136
5.6. PEGANDO MATRICES 141
5.7. DESCOMPOSICIN DE CHOLESKY 143
5.8. CLCULO DE VALORES Y VECTORES PROPIOS 143
5.9. CREACIN DE MATRICES DIAGONALES 145
5.10. PRODUCTO KRONECKER 146
5.11. INVERSA DE UNA MATRIZ 147
5.12. ORDENANDO UN VECTOR 148
5.13. APLICANDO FUNCIONES SOBRE LAS COMPONENTES DE UNA MATRIZ 149
5.14. FUNCIONES COLSUMS, ROWSUMS, COLMEANS, ROWMEANS 156
CAPTULO 6: INTRODUCCIN 160
6.1. FUNCIONES PARA ESPECIFICAR DEVICES 160
6.2. ALGUNOS PARMETROS PARA GRAFICAR EN R 160
6.3. GRFICOS UNIDIMENSIONALES 161
6.4. GRFICOS BIDIMENSIONALES 161
6.5. GRFICOS TRIDIMENSIONALES 161
6.6. MLTIPLES GRFICOS POR PGINA (EJEMPLOS) 162
6.7. FUNCIN PERSP 163
6.8. FUNCIN CONTOUR 167
6.9. FUNCIN IMAGE 171
6.10. FUNCIN MATPLOT 175
6.11. IMPRIMIENDO GRFICOS 178
4
CAPTULO 7: GRFICOS PARA UNA VARIABLE 179
7.1. FUNCIN HIST: HISTOGRAMAS 179
7.2. FUNCIN BOXPLOT 185
7.3. FUNCIN STEM 189
7.4. FUNCIN QQNORM : GRFICOS CUANTIL - CUANTIL 191
CAPTULO 8: GRFICOS MULTIVARIABLES 194
8.1. FUNCIN PAIRS : MATRICES DE DISPERSIN 194
8.2. FUNCIN PLOT : GRFICOS DE DISPERSIN 197
8.3. FUNCIN STARS: GRFICO DE ESTRELLAS 199
8.4. GRFICAS TRELLIS (DE REJILLA) 205
CAPTULO 9: MODELOS ESTADSTICOS EN R 211
9.1. ESTADSTICA BSICA 211
9.1.1 MEAN(): 211
9.1.2 WEIGHTED.MEAN(): 212
9.1.3 COR(), VAR() Y COV(): 213
9.1.4 MEDIAN(): 215
9.1.5 MAX(), MIN(): 216
9.1.6 PMAX(), PMIN(): 216
9.1.7 QUANTILE(): 217
9.1.8 RANGE(): 218
9.1.9 RANK(): 218
9.1.10 SUMMARY(): 219
9.2. FRMULAS EN R 221
9.2.1 INTERACCIN Y ENCAJAMIENTO 222
9.2.2 FUNCIN FORMULA 223
9.3. FUNCIONES PARA PRUEBAS ESTADSTICAS 227
9.3.1 TEST DE NORMALIDAD: FUNCIN SHAPIRO.TEST 228
9.4. REGRESIN LINEAL CLSICA 229
9.4.1 FUNCIN LM: 230
9.4.2 FUNCIN LSFIT: 234
9.4.3 FUNCIN LS.DIAG: 235
9.4.4 FUNCIN STEP: 241
9.4.5 MEDIDAS DE INFLUENCIA 246
9.5. MNIMOS CUADRADOS NO LINEALES: FUNCIN NLS 249
5
9.6. ANLISIS MULTIVARIABLE 253
9.6.1 DISCRIMINACIN, FUNCIN: LDA 254
9.6.2 FUNCIN MAHALANOBIS 258
9.6.3 FUNCIN COV.WT 260
9.6.4 FUNCIN PRCOMP 261
9.6.5 FUNCIN BIPLOT.PRINCOMP 266
9.6.6 FUNCIN BIPLOT 267
9.6.7 FUNCIN SCREEPLOT 270
9.6.8 FUNCIN FACTANAL 271
9.6.9 FUNCIN CANCOR 277
9.6.10 FUNCIN DIST 281
9.6.11 FUNCIN KMEANS 283
9.6.12 FUNCIN HCLUST 287
9.6.13 FUNCIN CUTREE 292
9.7. ANLISIS DE DATOS CATEGRICOS 306
9.7.1 FUNCIN CUT: 306
9.7.2 FUNCIN TABLE: 309
9.7.3 FUNCIN LEVELS 309
9.7.4 FUNCIN FACTOR 309
9.7.5 FUNCIN BINOM.TEST: 311
9.7.6 FUNCIN LOGLIN 315
9.7.7 FUNCIN SPLIT 319
9.8. MODELO LINEAL GENERALIZADO: FUNCIN GLM 323
9.8.1 FUNCIN FAMILY 331
9.9. ANLISIS DE VARIANZA: FUNCIN AOV 333
CAPTULO 10: APNDICE: DATOS 338
10.1. DATOS DE VELOCIDADES DE AUTOS 338
10.2. DATOS DE PRECIOS DE CARROS REANULT 4 Y 12 338
10.3. DATOS DE LAS PRUEBAS NACIONALES DEL ICFES 339
CAPTULO 11: REFERENCIAS 344
6
Prefacio

Estas notas son para uso local en la Universidad Nacional-Sede Medelln y se realizaron
para motivar el uso del programa R entre los estudiantes del posgrado de estadstica. El
programa R es una versin del programa S creado en los laboratorios ATT-Bell. Ha tenido
la ventaja de contar con el apoyo de famosos estadsticos y cientficos tales como Hastie,
Tibshirani, Friedman, Ripley, Venables, etc. Muchos han contribudo con nuevas y
novedosas rutinas para implementar nueva metodologa estadstica, lo que lo coloca como
uno de los programas de avanzada para investigadores en estadstica. Fu escrito
bsicamente en Scheme con la implementacin de algunas rutinas provenientes de Fortran.
La filosofa de programacin es muy similar a la del lenguaje C.

Ms que un programa de estadstica R puede ser considerado un lenguage de alto nivel. Es
completamente estructurado. La programacin es dinmica ya que el uso de la memoria y
el dimensionamiento de matrices es ejecutado automticamente. Permite definir funciones
que pasan a ser parte del sistema automticamente y pueden ser llamadas en posteriores
sesiones sin tener que definirlas nuevamente. R puede pensarse, aunque es mucho ms,
como un lenguage matricial. Las siguientes son unas ventajas:

Opera con objetos,
Posee una amplia base de operadores,
Usa operadores que se aplican a matrices completas, por ejemplo, si A y B son matrices
las siguientes operaciones son posibles: A B + , etc.
Es interactivo,
Produce gran variedad de grficos de excelente calidad.

R es un paquete estadstico de dominio pblico, pero esto no quiere decir que su calidad
sea baja, por el contrario, su calidad es muy superior a muchos paquetes estadsticos que
7
cuestan una pequea fortuna. Este paquete ha tenido un desarrollo vertiginoso debido al
entusiasmo de un grupo de personas que trabajan en estadstica, que no solo son
estadsticos prestantes sino que tambin aportan sus conocimientos a la comunidad. El
programa se puede obtener, para diferentes plataformas, de la siguiente direccin en
Internet
http cran r project org : // . .
Los orgenes de este programa se remontan a finales de la dcada de los 80, cuando sali el
programa S + y las versiones comerciales de l, en especial el S-Plus. Realmente se trataba
de una emulacin escrita en Scheme que no tuvo un desarrollo grande en sus primeros aos.
A mediados de los 90 se realiza una transaccin comercial que gener cierto resquemor
entre la comunidad de usuarios del S-Plus, StatSci Inc. fue vendida a Mathsoft Inc. Esta
ltima empresa se ha caracterizado por su agresividad comercial y StatSci se caracteriz
por ser una empresa abierta a la comunidad cientfica. Esto motiv que algunos miraran
hacia otro lado. En Internet se consegua R (versin 0.6), un programa altamente inestable,
pero estaba disponible y adems era de cdigo abierto y altamente compatible con S-Plus
(versin 3.1). La migracin fue inmediata y en trmino de dos meses se haban liberado
varias modificaciones del programa empujadas por Brian Ripley, un profesor de Oxford,
experto en simulacin y estadstica espacial, cuyos aportes al S-Plus haban sido
significativos. En la versin de R 0.64 el programa ya era bastante estable y prcticamente
era igual al S-Plus 3.1.

Una de las caractersticas que hizo que la comunidad estadstica en la dcada de los 80
mirara el S-Plus, era su capacidad grfica. Los grficos producidos por este programa son
de altsima calidad (calidad de publicacin) y se pueden realizar grficos de una manera
muy simple. Otra caracterstica es su orientacin a objetos. Los creadores de S + en los
laboratorios de la AT&T siempre defendieron la idea que este era un lenguaje para realizar
anlisis de datos y no un paquete estadstico.
8
Parte I
Manejo de Datos

9
Captulo 1: Introduccin

1.1. Operando R
1.1.1 Iniciacin de una sesin en R
En el cono de R oprima la tecla derecha del mouse dos veces. El programa ejecuta y
aparece la pantalla de comandos encabezada por lo siguiente:

R : Copyright 2001, The R Development Core Team
Version 1.3.1 (2001-08-31)

R is free software and comes with ABSOLUTELY NO WARRANTY.
You are welcome to redistribute it under certain conditions.
Type `license()' or `licence()' for distribution details.

R is a collaborative project with many contributors.
Type `contributors()' for more information.

Type `demo()' for some demos, `help()' for on-line help, or
`help.start()' for a HTML browser interface to help.
Type `q()' to quit R.

[Previously saved workspace restored]

>
y el cursor se ubicar en esa lnea. El programa espera que usted le d los comandos
respectivos. El smbolo $>$ que aparece al lado izquierdo es el prompt. Ud. no lo tiene que
10
escribir y lo seguiremos escribiendo para conservar uniformidad con los otros textos sobre
R.
1.1.2 Terminacin de una sesin en R
Para finalizar una sesin en R selecciona en la ventana el comando de terminar o escriba el
siguiente comando:

> q()

Nota: Es importante notar que para el programa las maysculas son diferentes a las
minsculas, y el comando q() es diferente del comando Q(). Una vez ud. decide
terminar su sesin en R el programa le presenta una ventana en la cual le pregunta si desea
guardar el trabajo ralizado (los comandos, archivos usados y las funciones creadas), si ud.
le responde que no, todo el trabajo realizado se pierde, en caso contrario, su trabajo se
guarda y puede retomarlo en el mismo punto donde lo deja.

Consejo: Una buena alternativa es abrir un editor de textos e ir guardando los comandos
que ud. ha ido utilizando. Guardarlos como un archivo plano o de texto nos permite replicar
el trabajo en caso necesario. Usted tambin puede ir salvando su espacio de trabajo, cosa
que puede ser til cuando se trabaja con varios proyectos que manejen diferentes conjuntos
de funciones y datos.

1.2. Ejecucin de comandos desde un archivo externo
Cuando el anlisis que vamos a realizar requiere muchos comandos, es conveniente
editarlos y guardarlos primero en un archivo ASCII, digamos comandos.txt, la extensin
11
.txt es solo con el fin de enfatizar que el archivo es en ASCII, ellos pueden ser ejecutados
en cualquier momento en una sesin de R simplemente escribiendo el comando

> source(comandos.txt)
Obviamente, deber indicar la ruta completa del archivo que contiene la funcin. Tambin
podemos ir a la barra men FILE y seleccionar la opcin Source R code con la cual se
abre la ventana presentada en el grfico 1.1; all\'\i\ seleccionamos la ruta y archivo
particular en donde se encuentran objetos R tales como funciones, tablas, matrices, etc.

Figura 1.1: Ventana Source R code: Podemos llamar a travs deesta ventana,
disponible en la barra men FILE, cualquier archivo en donde previamente se
han guardado objetos R
1.3. Ejecucin de Funciones Especiales
En R las funciones estn organizadas en libreras o paquetes. Por defecto R inicializa en el
paquete denominado base en el cual encontramos las funciones generales para el manejo
12
de datos y graficacin. Existen otros paquetes en los cuales se encuentran herramientas de
anlisis ms especializadas, las cuales pueden ser utilizadas cargando previamente la
librera que las contiene. Una librera o paquete puede cargarse mediante la funcin
library() o bien a travs de la barra men PACKAGE del R, ilustrada en la figura 1.2.
Una descripcin de estas librerias puede obtenerse con:

> library()

Lo que produce la siguiente informacin:

Packages in library `C:/ARCHIV~1/R/rw1031/library':

base The R base package
boot Bootstrap R (S-Plus) Functions (Canty)
class Functions for classification
cluster Functions for clustering (by Rousseeuw et al.)
ctest Classical Tests
eda Exploratory Data Analysis
foreign Read data stored by Minitab, SAS, SPSS, ...
KernSmooth Functions for kernel smoothing for Wand & Jones (1995)
lqs Resistant Regression and Covariance Estimation
MASS Main Library of Venables and Ripley's MASS
mgcv Multiple smoothing parameter estimation and GAMs by GCV
modreg Modern Regression: Smoothing and Local Methods
mva Classical Multivariate Analysis
nlme Linear and nonlinear mixed effects models
nls Nonlinear regression
nnet Feed-forward neural networks and multinomial log-linear
models
rpart Recursive partitioning
spatial functions for kriging and point pattern analysis
splines Regression Spline Functions and Classes
stepfun Step Functions, including Empirical Distributions
13
survival Survival analysis, including penalised likelihood.
tcltk Interface to Tcl/Tk
ts Time series functions

Figura 1.2: Cargando paquetes de R a travs de la barra men
14
Captulo 2: Manejo de Datos en R
El manejo de datos en R puede parecer complejo. El programa cuenta confunciones
poderosas tanto para la lectura como la escritura de datos.

Comando Funcin
scan() Lectura de datos. Especial para datos unestructurados.
read.table() Lectura de matrices de datos
read.fwf() Lectura de datos en formato fijo.
sink() Desva la salida de informacin.
write() Escribe una matriz en un archivo de texto.
xtable() Escribe una matriz en formato Latex. Es
necesario cargar la librera xtable.
ftable() Permite presentar decentemente un arreglo
multidimensional.
2.1. Entrada y Lectura de Datos

La entrada de datos puede hacerse desde teclado y la lectura travs de un archivo en
ASCII. Una vez los datos han sido leidos estos quedan en forma permanente en el disco
duro en formato R. Estos datos en formato especial pueden usarse repetidamente en
diferentes sesiones y quedan grabados en el directorio .Data, si estamos bajo UNIX o en
cambiarse.

2.1.1 Funcin scan
La funcin scan() puede usarse para leer datos desde un archivo de texto o
interactivamente desde el teclado; es de notar la similaridad con el lenguaje C. Su sintaxis
es como sigue:
15

scan(file = "", what = double(0), nmax = -1,
n = -1, sep = "",quote = if (sep=="\n") "" else "'\"",
dec = ".",skip = 0, nlines = 0, na.strings = "NA",
flush = FALSE, fill = FALSE, strip.white = FALSE,
quiet = FALSE,blank.lines.skip = TRUE,
multi.line = TRUE)

Los argumentos son:

file: Nombre del archivo, desde el cual se leern los datos. Si en su lugar se
especifica ` ', entonces la entrada ser tomada desde el teclado y en este caso la
entrada puede ser terminada por una lnea en blanco. Por ejemplo, es posible entrar
datos por teclado asignados a un objeto R (vector, matriz, lista) mediante la
instruccin scan() luego de dar enter digitar los correspondientes valores. El
nombre del archivo es interpretado en relacin al directorio de trabajo actual (dado
por `getwd()' , a no ser que se especifique una ruta completa. Tambin `file' puede
ser una `connection' (ver funcin connetion) la cual ser abierta cuando es
necesaria y se cerrar al final del llamado de la funcin. `file' puede ser tambin un
URL completo.

what: Indica el tipo de datos (numrico o carcter) a ser ledos. Cuando los datos a
leer estn en un arreglo rectangular de filas y columnas (filas para observaciones y
columnas para variables) en los cules un nmero de variables son de tipo numrico y
otras son alfanumricas, entonces `what' es una lista, cuya longitud corresponde al
nmero de variables o items.

16
nmax: El nmero mximo de valores a ser ledos, o si `what' es una lista, entonces
indica el nmero mximo de registros a ser ledos. Si se omite y `nlines' no est
ajustado a un valor positivo, scan leer todo el archivo.

n: El mximo nmero de valores a ser ledos, por defecto no tiene lmite.

sep: Por defecto, scan espera leer los campos de entrada delimitados (separados)
por espacios en blanco. Alternativamente, `sep' puede usarse para especificar un
carcter con el cual se han delimitado los campos. Un campo siempre es delimitado
por una nueva lnea a menos que est entre comillas (esto es posible cuando el campo
es definido como alfanumrico).

quote: el conjunto de caracteres entre comillas como una sola cadena de caracteres.

dec: carcter para punto decimal.

skip: El nmero de lneas del archivo de entrada a omitir antes de comenzar a leer
los datos.

nlines: El nmero mximo de lneas de datos a ser ledos.

na.strings: Vector de caracteres. Los elementos de este vector son interpretados
como valores faltantes (`NA').

flush: Argumento lgico. Si es `TRUE', scan activar el final de la lnea despus
de leer el ltimo campo requerido. Esto permite colocar comentarios despus del
ltimo campo de una lnea, pero preclude colocar ms de un registro en una lnea.

17
fill: Argumento lgico. Si es `TRUE', scan implcitamente agregar campos
vacos a todas las lneas con menos campos que los implicados por `what'.

strip.white: Un vector de valores lgicos correspondiendo a los items en el
argumento `what'. Se usa nicamente cuando `sep' ha sido especificado, y permite el
desmantelamiento de espacios en blanco del principio y final de campos `character'
(esta funcin siempre es aplicada sobre campos numricos). Si la longitud de este
argumento es 1, entonces es aplicada a todos los campos; de lo contrario si
`strip.white[i]' es `TRUE' y el i-simo campo de tipo caracter, entonces el espacio en
blanco al inicio y final de ste campo es quitado.

quiet: Argumento lgico. si es `FALSE' (valor por defecto) scan() imprimir una
lnea diciendo cuantos items han sido ledos.

blank.lines.skip: Argumento lgico. Si es `TRUE' las lneas en blanco en la entrada
son ignoradas, excepto cuando se cuentan con `nlines'.

multi.line: Argumento lgico. Slo es usado si `what' es una lista. Si es `FALSE', la
totalidad de un registro debe aparecer en una lnea, pero ms de un registro puede
aparecer en una sla lnea. Notar que usar `fill = TRUE' implica que un registro
terminar al final de una lnea.

Detalles:
El valor de `what' puede ser una lista de tipos de caracter, en cuyo caso scan
devuelve una lista de vectores con los tipos dados por los tipos de los elementos en
`what'. Esto proporciona una manera de leer datos en columnas.

18
Campos numricos vacos son siempre considerados como valores faltantes. Campos
de tipo caracter vacos son escaneados como vectores de caracter vacos, a menos que
`na.strings' contenga cuando ellos son considerados como valores faltantes.

Si `sep' est ajustado al valor por defecto, el carcter '\' en una cadena entre comillas
escapa al carcter siguiente, as que las comillas pueden incluirse en la cadena y
pasarlas por alto.

Si `sep' no est ajustado al valor por defecto, los campos pueden estar entre comillas
en el estilo de archivos `.csv' en donde separadores entre comillas (sencillas o dobles)
son ignorados y las comillas pueden ser colocadas dentro de las cadenas
duplicndolas. Pero si sep = \n es asumido por defecto entonces se desea leer
lneas completas tal cual.

Para leer un registro por lnea usar `flush = TRUE' y `multi.line = FALSE'.

Las cadenas de longitud mayor que 8190 caracteres sern truncadas con una
advertencia.

Cuando no se especifica el nmero de items, el mecanismo interno reubica memoria
en potencias de dos y por tanto podra usar hasta tres veces ms de la memoria
necesaria. Siempre que se pueda, especifique bien sea `n' o `nmax' mientras est
ingresando un vector grande, y `nmax' o `nlines' cuando est ingresando una lista
grande.

Ver tambin: read.table, readLines, write .
Ejemplos:
19
Uso del argumento n: La funcin scan() permite leer parte del archivo de datos con la
opcin n , por ejemplo,

datos<-scan(c:/miarchivo,what=list( ,0,0),n=5)

El anterior comando nos permite leer cinco elementos del archivo.

Si tenemos una matriz de datos con d columnas y n filas, por el momento suponemos
que solo contiene elementos numricos, en un archivo llamado misdatos, los cuales se
encuentran grabados en un disquete que se coloca en el drive a. El comando es

datos<-matrix(scan("a:misdatos"),ncol=d,byrow=T)

Aqu tenemos una funcin nueva: matrix() . Esta nos permite crear un objeto que es una
matriz. Si los datos estuvieran separados por comas se coloca una opcin adicional de la
siguiente forma:

datos<-matrix(scan("a:misdatos",sep=","'),ncol=d,byrow=T)

Uso del argumento `what': Vamos a leer el siguiente conjunto de datos ubicado en la ruta
c:/graficosr/datosgraficos/renault.dat:
Tipo de
vehculo
Modelo
Precio en
millones
r4 85 4.00
r4 88 4.30
r4 81 2.85
r4 80 2.95
r4 70 2.20
r4 77 2.45
r4 71 2.00
r4 88 4.90
r4 74 1.78
r4 73 1.70
r4 80 2.90
20
Tipo de
vehculo
Modelo
Precio en
millones
r12 80 4.60
r12 76 3.80
r12 78 4.80
r12 79 4.70
r12 76 3.60
r12 78 4.50
r12 74 3.50
r12 74 3.50
Los datos en el correspondiente archivo no tienen encabezados de columna; la lectura se
hace as:

a<-scan(file="c:/graficosr/datosgraficos/renault.dat",
what=list("",1,1))
Read 19 records

>a
[[1]]
[1] "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r12"
[13] "r12" "r12" "r12" "r12" "r12" "r12" "r12"

[[2]]
[1] 85 88 81 80 70 77 71 88 74 73 80 80 76 78 79 76 78 74 74

[[3]]
[1] 4.00 4.30 2.85 2.95 2.20 2.45 2.00 4.90 1.78 1.70 2.90 4.60 3.80 4.80 4.70
[16] 3.60 4.50 3.50 3.50

El objeto creado `a', tiene tres componentes, puede llamarse una cualquiera como se indica
a continuacin:

> a[1]
[[1]]
[1] "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r4" "r12" "r12" "r12"
[15] "r12" "r12" "r12" "r12" "r12"

21
En el apndice A se presentan unos datos sobre los resultados de unos estudiantes en las
pruebas del ICFES. Los datos los tenemos en un archivo de texto en un diskette. Los
queremos leer en R. La instruccin ser:

icfes<-scan("c:/graficosr/datosgraficos/icfes.dat",
what=list(" ",1, 1, 1, 1, 1, 1, 1, 1, 1, 1," "))

Supongamos ahora que se quiere construir por teclado, un objeto con dos campos por
registro: sexo (M F) y puntaje, y 10 registros, podemos hacerlo como sigue:

notas<-scan(what=list(character(0),double(0)))
1: F 55
2: M 78
3: M 56
4: F 87
5: F 65
6: M 80
7: F 57
8: F 79
9: M 90
10: M 82
11:
Read 10 records

Nota: Los nmeros al comienzo de cada registros seguidos por dos puntos aparecen
automticamente, y nos indica el nmero de la siguiente observacin a ser entrada desde el
teclado. La entrada de datos se finaliza pulsando la tecla enter dos veces seguidas.
> notas
[[1]]
[1] "F" "M" "M" "F" "F" "M" "F" "F" "M" "M"
[[2]]
[1] 55 78 56 87 65 80 57 79 90 82
22
En los dos ejemplos anteriores el correspondiente objeto creado con scan usando
`what=list(...)', crea listas con las cuales no se pueden operar directamente, hay que
aplicarles una funcin denominada unlist :
sexo<-unlist(notas[1])
nota<-unlist(notas[2])

#grafica boxplot de notas por sexo en el mismo grfico:
boxplot(split(nota,sexo))

Observe ahora el uso de comillas para considerar lo que est entre ellas como un solo string
de caracteres:

> b<-scan(what=character(0))
1: 'ciudad
1: de medellin'
2: cali
3: bogota
4:
Read 3 items
> b
[1] "ciudad \nde medellin" "cali" "bogota"

uso del argumento `sep': (Observe el efecto de diferentes especificaciones de este
argumento cuando las entradas de datos son por teclado)

#Por ejemplo si estamos leyendo dato
#por lnea entonces el comando es:

datos<-scan(miarchivo,sep=\n)
#Si tenemos datos separados con
#tabulador entonces el comando es
datos<-scan(miarchivo,sep=\t)
23

#un objeto con dos registros de caracteres:
>a<-scan(sep="\n",what=character(0))

1: a b c
2: d e f
3:
Read 2 items
> a
[1] "a b c" "d e f"

#un objeto con dos registros numricos
> a<-scan(sep="\n")
1: 1 2 3
2: 4 5 6
3:
Read 2 items
> a
[1] 123 456

#un objeto con cuatro registros numricos
a<-scan(sep="*")
1: 23*12
3: 4*8
5:
Read 4 items
> a
[1] 23 12 4 8
#un objeto con tres registros numricos y un valor faltante
a<-scan(sep="*")
1: 23 34 *
3: 12
4: 45
5:
Read 4 items
24
> a
[1] 2334 NA 12 45

#un objeto con dos registros numricos y dos valores faltantes:
> a<-scan(sep="*")
1: *
3: 23
4: 34
5:
Read 4 items
> a
[1] NA NA 23 34

Uso del argumento `flush': Observe como la expresin entre comillas al final del primer
registro no es tenido en cuenta si `flush=TRUE', en cambio si flush=FALSE', observe el
error que nota el sistema:

> a<-scan(flush=TRUE)
1: 2 "fin"
2: 3
3: 2
4:
Read 3 items
> a
[1] 2 3 2
> a<-scan(flush=FALSE)
1: 2 "fin"
1: 3
Error in scan(flush = FALSE) : "scan" expected a real, got ""fin""

Ahora observe que sucede cuando `flush=TRUE' y cuando `flush=FALSE':

a<-scan(sep="*",flush=TRUE)
1: 23 34*32
25
2: 12
3: 23
4:
Read 3 items
> a
[1] 2334 12 23
> a<-scan(sep="*",flush=FALSE)
1: 23 34*32
3: 12
4: 23
5:
Read 4 items
> a
[1] 2334 32 12 23

> a<-scan(flush=TRUE)
1: 1 2 3
2: 4 5 6
3:
Read 2 items
> a
[1] 1 4

> a<-scan(flush=FALSE)
1: 1 2 3
4: 4 5 6
7:
Read 6 items

> a
[1] 1 2 3 4 5 6

Uso del argumento `strip.white': Observe como en las cadenas de caracteres
`strip.white=TRUE' elimina los espacios en blanco en el inicio y final de stas:
26

> a<-scan(sep="\n",what=character(0),strip.white=TRUE)
1: SER FRT
2: DRT ASE
3:
Read 2 items
> a
[1] "SER FRT" "DRT ASE"
> a<-scan(sep="\n",what=character(0))
1: ser frt
2: drt ase
3:
Read 2 items
> a
[1] " ser frt " "drt ase "

Uso del argumento `multi.line': Observe como en una sola lnea es posible escribir dos
registros:

> a<-scan(what=list(1,1,""),multi.line =TRUE)
1: 2 1 A 3 4 B
3: 5 6 C 7 8 D
5:
Read 4 records
> a
[[1]]
[1] 2 3 5 7

[[2]]
[1] 1 4 6 8

[[3]]
[1] "A" "B" "C" "D"

27
La funcin read.table() permite leer archivos en ASCII y crear un marco de datos.
Esta funcin tiene la siguiente sintaxis:

2.1.2 Funcin read.table
Cuando debemos manejar un archivo de datos relativamente grande y que contiene
variables tanto numricas como alfanumricas podemos utilizar la funcin
read.table() , la cual nos permite leer archivos externos en ASCII, como los que crea
una hoja electrnica. Lo que debemos tener en cuenta con esta funcin es la estructura de
datos, la cual se conoce como data frame, lo traduciremos como marco de datos, esta
estructura crea un arreglo de datos en forma matricial, donde las filas corresponden a las
observaciones y las columnas o campos a las variables. Cuando deseamos restringir un
marco de datos a una matriz, o sea que solo deseamos considerar las columnas de tipo
numrico, utilizamos la funcin data.matrix(). Su desventaja es que consume mucha
memoria para archivos extensos y puede requerir una memoria mayor.

Como un ejemplo consideremos la base de datos sobre municipios de Antioquia, la cual
fue creada en una hoja electrnica y exportada como un archivo ASCII.

antioquia.marco<-read.table("a:antioq.txt",header=FALSE)
antioquia.dat<-data.matrix(antioquia.marco)

La sintaxis de esta funcin es como sigue:

read.table(file, header = FALSE, sep = "", quote = "\"'", dec = ".",
row.names, col.names, as.is = FALSE, na.strings = "NA",
skip = 0, check.names = TRUE, fill = FALSE,
strip.white = FALSE, blank.lines.skip = TRUE)

read.csv(file, header = TRUE, sep = ",", quote="\"", dec=".",
fill = TRUE, ...)
28

read.csv2(file, header = TRUE, sep = ";", quote="\"", dec=",",
fill = TRUE, ...)

read.delim(file, header = TRUE, sep = "\t", quote="\"", dec=".",
fill = TRUE, ...)

read.delim2(file, header = TRUE, sep = "\t", quote="\"", dec=",",
fill = TRUE, ...)

Argumentos:
file: Nombre del archivo a ser ledo. Las filas de la tabla corresponden a las lneas
del archivo. Cuando no se especifica una ruta para el archivo, se asume el directorio
actual de trabajo. Este argumento tambin puede ser un `connection', o un URL.

header: Argumento lgico para indicar si la primera lnea del archivo contiene
nombres para las variables o columnas. Cuando no se especifica, su valor es ajustado
segn el formato del archivo: Se ajustar a `TRUE' si la primera fila contiene menos
campos que el nmero de columnas.

sep: Caracter para indicar separacin entre campos. Debe corresponder al caracter
que en el el archivo se utilice para separar los valores en una misma lnea. Si `sep = "
" ' (El valor por defecto para este argumento) el separador corresponde a uno o ms
espacios en blanco, tabuladores o lneas nuevas.

quote: Conjunto de caracteres entre comillas. Para desabilitarlo usar `quote=" " '.

dec: El caracter usado en el archivo a leer, para indicar puntos decimales.

29
row.names: Un vector de nombres para las filas. Puede ser un vector que d los
nombres actuales de las filas, o un slo nmero que indique la columna de la tabla
que contiene los nombres de las filas, o una cadena de caracteres que d el nombre de
la columna de la tabla que contiene los nombres de las filas. Si hay un encabezado y
la primera fila contiene un campo menor que el nmero de las columnas, la primera
columna en la entrada es usada es usada para el nombre de las filas. De lo contrario,
si `row.names' no existe, entonces las filas son numeradas. `row.names = NULL'
produce dicha numeracin de las filas.

col.names: Un vector de nombres opcionales para las variables. Su valor por defecto
es usar `"V"' seguido del nmero de la columna.

as.is: La accin por defecto de `read.table' es convertir las variables no numricas en
factores. `as.is' controla esta accin. Su valor puede ser un vector lgico o un vector
de ndices numricos que especifican cuales columnas deben ser tratadas como
cadenas de caracteres.

na.strings: Un vector de caracteres para valores faltantes, interpretados como `NA'

skip: El nmero de lneas del arhivo de datos a omitir antes de comenzar a leer
datos.

check.names: Argumento lgico. Si es `TRUE' entonces de las variables en el
marco de datos son chequeados para asegurar que ellos son sintticamente nombres
de variables vlidos. Si es necesario ajustarlos, ellos lo sern.

fill: Argumento lgico. Si es `TRUE', si las filas tienen longitud desigual, campos en
blanco son adicionados implcitamente.
30

strip.white: Argumento lgico. Es usado slo cuando `sep' ha sido especificado, y
permite eliminar los epacios en blanco al principio y al final de campos tipo
`character' (esta accin siempre es aplicada sobre campos numricos).

blank.lines.skip: Argumento lgico. Si es `TRUE' lneas en blanco en la entrada son
ignoradas.

...: Argumentos adicionales.

Detalles:
Si no se especifica `row.names' y la lnea de encabezado tiene una entrada

menos que el nmero de columnas, la primera columna es tomada como el nombre de
las filas. Si `row.names' es especificado y no se refiere a la primera columna, esa
columna es descartada del archivo.

El nmero de columnas es determinada a partir de las primeras cinco lneas de la
entrada o de toda la fila si tiene menos de cinco lneas, o de la longitud de `col.names'
si ste ha sido especificado. Esto puede ser errneo si `fill' o `blank.lines.skip' son
TRUE.

`read.csv' y `read.csv2' son funciones idnticas a `read.table' excepto en los valores
por defecto. Estas estn especificadas para leer archivos con valores separados por
coma (`.csv') o la variante usada en algunas regiones que usan la coma como punto
decimal y un punto y coma como separador de campo. De forma similar, `read.delim'
y `read.delim2' son archivos de lectura delimitada, por defecto usan el caracter TAB
31
para el delimitador. Notar que por defecto en estas ltimas cuatro funciones `header =
TRUE' y `fill = TRUE'.

Adicionalmente, tambin es posible leer datos guardados bien sea en el disco duro del
computador o en alguna unidad de memoria externa con read.table usando el
comando file.choose() , lo cual permite navegar por el sistema de archivos y
abrir aquel que deseamos trabajar:

> read.table(file.choose())
V1 V2 V3
1 r4 85 4.00
2 r4 88 4.30
3 r4 81 2.85
4 r4 80 2.95
5 r4 70 2.20
6 r4 77 2.45
7 r4 71 2.00
8 r4 88 4.90
9 r4 74 1.78
10 r4 73 1.70
11 r4 80 2.90
12 r12 80 4.60
13 r12 76 3.80
14 r12 78 4.80
15 r12 79 4.70
16 r12 76 3.60
17 r12 78 4.50
18 r12 74 3.50
19 r12 74 3.50

Los datos anteriores corresponden a c:/graficosr/datosgraficos/renault.dat
32
Ver tambin: `read.fwf' para leer archivos de formato de lectura de ancho fijo,
`read.table.url' para leer archivos de internet, `write.table', `data.frame'. count.fields' es una
funcin que puede ser til para determinar problemas con la lectura de archivos para los
cuales el programa reporta incorrectas longitudes de los registros.

Ejemplos: A diferencia de scan, read.table nos permite una lectura ms apropiada
de los archivos con campos de tipo caracter y numricos, de modo que quedan disponibles
para una posterior y directa operacin con todos ellos.

a<-read.table(file="c:/graficosr/datosgraficos/renault.dat",
header=FALSE,
row.names=NULL, as.is=FALSE)
> a
V1 V2 V3
1 r4 85 4.00
2 r4 88 4.30
3 r4 81 2.85
4 r4 80 2.95
5 r4 70 2.20
6 r4 77 2.45
7 r4 71 2.00
8 r4 88 4.90
9 r4 74 1.78
10 r4 73 1.70
11 r4 80 2.90
12 r12 80 4.60
13 r12 76 3.80
14 r12 78 4.80
15 r12 79 4.70
16 r12 76 3.60
17 r12 78 4.50
18 r12 74 3.50
19 r12 74 3.50
33

> a[2]
V2
1 85
2 88
3 81
4 80
5 70
6 77
7 71
8 88
9 74
10 73
11 80
12 80
13 76
14 78
15 79
16 76
17 78
18 74
19 74
>
> a$V2
[1] 85 88 81 80 70 77 71 88 74 73 80 80 76 78 79 76 78 74 74

Observe en el ejemplo anterior las dos diferentes llamadas de la columna 2 (a[2] y a$V2) de
la tabla y sus respectivos resultados; en qu se diferencian?.

El siguiente archivo de datos

ProfTC ProfMT ProfC Magister PhD Estudiantes
UdeA 977 308 1235 454 67 34406
UNal 968 82 262 373 79 9495
34
EAFIT 224 17 651 NA NA 9684
EscIng 9 7 182 28 0 688
CES 36 227 27 6 1 1582
UNAULA 0 0 193 19 1 2006
UCC 0 0 1041 26 0 8295
UdeM 24 15 786 99 10 5907
UPB 111 136 956 98 21 14083
USanBu 26 38 182 45 6 3239

est grabado en el directorio c:/datos/ bajo el nombre univers.dat . La primera fila
contiene los nombres de las columnas y la primera columna contiene los nombres de las
universidades

> universidades.dat<-read.table('c:/datos/univers.dat',
+ header=T,row.names=1)
> universidades.dat
ProfTC ProfMT ProfC Magister PhD Estudiantes
UdeA 977 308 1235 454 67 34406
UNal 968 82 262 373 79 9495
EAFIT 224 17 651 NA NA 9684
EscIng 9 7 182 28 0 688
CES 36 227 27 6 1 1582
UNAULA 0 0 193 19 1 2006
UCC 0 0 1041 26 0 8295
UdeM 24 15 786 99 10 5907
UPB 111 136 956 98 21 14083
USanBu 26 38 182 45 6 3239
>
Si deseamos realizar algn tipo de anlisis sobre las variables podemos utilizar el nombre
del objeto ms el signo pesos (\$) seguido del nombre de la variable as:

> mean(universidades.dat$ProfTC)
35
[1] 237.5

> summary(universidades.dat)
ProfTC ProfMT ProfC Magister
Min. : 0.00 Min. : 0.0 Min. : 27.0 Min. : 6.0
1st Qu.: 12.75 1st Qu.: 9.0 1st Qu.: 184.8 1st Qu.: 26.0
Median : 31.00 Median : 27.5 Median : 456.5 Median : 45.0
Mean :237.50 Mean : 83.0 Mean : 551.5 Mean :127.6
3rd Qu.:195.75 3rd Qu.:122.5 3rd Qu.: 913.5 3rd Qu.: 99.0
Max. :977.00 Max. :308.0 Max. :1235.0 Max. :454.0
NA's : 1.0
PhD Estudiantes
Min. : 0.00 Min. : 688
1st Qu.: 1.00 1st Qu.: 2314
Median : 6.00 Median : 7101
Mean :20.56 Mean : 8939
3rd Qu.:21.00 3rd Qu.: 9637
Max. :79.00 Max. :34406
NA's : 1.00
>
2.1.3 Funcin read.fwf
Esta funcin permite la lectura de archivos con formato de lectura de ancho fijo dentro de
un `data.frame'. Su valor es un `data.frame'

read.fwf(file, widths, sep="\t", as.is = FALSE,
skip = 0, row.names, col.names, n = -1)

Argumentos:

36
file: El nombre del archivo (con ruta completa) de lectura de datos.
Alternativamente, v puede ser una `connection', que ser abierta cuando sea necesario
y cerrada al final del llamado de la funcin.

widths: Un vector de enteros que dan los anchos de los campos de ancho fijo en una
lnea.

sep: Caracter para indicar el separador usado internamente; debe ser un caracter que
no ocurra en la fila y con los cuales se presenta el data frame resultante.

as.is: Ver `read.table'.

skip: El nmero de lneas iniciales a omitir; ver `read.table'.

row.names: Ver `read.table'.

col.names: Ver `read.table'.

n: El nmero mximo de registros o lneas a ser ledas, por defecto no tiene
limitacin.

Nota: Los campos de ancho cero o que estn totalmente ms all del extremo de la lnea
en `file' son reemplazados por `NA'.

Autor(es): Brian Ripley para la versin R: original `Perl' por Kurt Hornik.

Ver tambin: `scan' y `read.table'.

37
Ejemplo: El siguiente ejemplo aparece en el help `R Documentation'; tres funciones son
invocadas en ste: tempfile, cat y unlink; la primera permite crear nombres para
archivos temporales mediante la creacin de un vector de cadena de caracteres usado para
nombrar dichos archivos temporales; la segunda funcin es una funcin de concatenacin e
impresin de argumentos a un archivo, forzndolos primero a un modo de caracteres; y la
ltima funcin permite borrar archivos y directorios especficos:

ff <- tempfile()
cat(file=ff, "123456", "987654", sep="\n")

> ff
[1] "C:\\DOCUME~1\\PROPIE~1\\CONFIG~1\\Temp\\file18467"

read.fwf(ff, width=c(1,2,3))
V1 V2 V3
1 1 23 456
2 9 87 654

unlink(ff)

cat(file=ff, "123", "987654", sep="\n")
read.fwf(ff, width=c(1,0, 2,3))
V1 V2 V3 V4
1 1 NA 23 NA
2 9 NA 87 654

unlink(ff)

El siguiente ejemplo consiste en la lectura de los tiempos de una maratn realizadas por
180 corredores, en donde cada registro consiste de un cifra de cinco dgitos tales que el
primero corresponde a las horas registradas, el segundo y el tercero a los minutos y cuarto y
quinto a los segundos de cada corredor. El objetivo es descomponer el registro en los
38
valores de horas-minutos-segundos y calcular luego el tiempo total en horas de cada
corredor. El archivo de datos presenta la siguiente estructura:

10253 10302 10307 10309 10349 10353 10409 10442 10447 10452 10504 10517
10530 10540 10549 10549 10606 10612 10646 10648 10655 10707 10726 10731
10737 10743 10808 10833 10843 10920 10938 10949 10954 10956 10958 11004
11009 11024 11037 11045 11046 11049 11104 11127 11205 11207 11215 11226
11233 11239 11307 11330 11342 11351 11405 11413 11438 11453 11500 11501
11502 11503 11527 11544 11549 11559 11612 11617 11635 11655 11731 11735
11746 11800 11814 11828 11832 11841 11909 11926 11937 11940 11947 11952
12005 12044 12113 12209 12230 12258 12309 12327 12341 12413 12433 12440
12447 12530 12600 12617 12640 12700 12706 12727 12840 12851 12851 12937
13019 13040 13110 13114 13122 13155 13205 13210 13220 13228 13307 13316
13335 13420 13425 13435 13435 13448 13456 13536 13608 13612 13620 13646
13705 13730 13730 13730 13747 13810 13850 13854 13901 13905 13907 13912
13920 14000 14010 14025 14152 14208 14230 14344 14400 14455 14509 14552
14652 15009 15026 15242 15406 15409 15528 15549 15644 15758 15837 15916
15926 15948 20055 20416 20520 20600 20732 20748 20916 21149 21714 23256

Sin embargo, para leer estos datos con read.fwf es necesario eliminar los espacios
(con un editor de texto esto resulta rpido y fcil) y que el archivo quede como:

102531030210307103091034910353104091044210447104521050410517
105301054010549105491060610612106461064810655107071072610731
107371074310808108331084310920109381094910954109561095811004
110091102411037110451104611049111041112711205112071121511226
112331123911307113301134211351114051141311438114531150011501
115021150311527115441154911559116121161711635116551173111735
117461180011814118281183211841119091192611937119401194711952
120051204412113122091223012258123091232712341124131243312440
124471253012600126171264012700127061272712840128511285112937
130191304013110131141312213155132051321013220132281330713316
133351342013425134351343513448134561353613608136121362013646
137051373013730137301374713810138501385413901139051390713912
139201400014010140251415214208142301434414400144551450914552
146521500915026152421540615409155281554915644157581583715916
159261594820055204162052020600207322074820916211492171423256

a<-read.fwf(file="c:/manualr/maraton3.txt",
width=rep(c(1,2,2),12),sep=" ")
39

el data frame resultante tiene 36 columnas dado que cada registro (hora, minutos, segundos)
en descompuesto en tres elementos y en total cada lnea posee los registros de los tiempos
de 12 participantes. Pero an es necesario transformar ms estos datos para obtener los
tiempos en horas de los 180 corredores:

#creacin de una matriz de 180 filas por 3 columnas
#con columnas correspondiendo a horas, minutos,
#segundos

tiempo<-matrix(t(as.matrix.data.frame(a)),ncol=3,byrow=T)
\end verbatim
Veamos una presentacin parcial de esta matriz:

tiempo
[,1] [,2] [,3]
[1,] 1 2 53
[2,] 1 3 2
[3,] 1 3 7
[4,] 1 3 9
[5,] 1 3 49
[6,] 1 3 53
[7,] 1 4 9
[8,] 1 4 42
[9,] 1 4 47
[10,] 1 4 52
[11,] 1 5 4
[12,] 1 5 17
.
.
.
.
[161,] 1 54 6
[162,] 1 54 9
40
[163,] 1 55 28
[164,] 1 55 49
[165,] 1 56 44
[166,] 1 57 58
[167,] 1 58 37
[168,] 1 59 16
[169,] 1 59 26
[170,] 1 59 48
[171,] 2 0 55
[172,] 2 4 16
[173,] 2 5 20
[174,] 2 6 0
[175,] 2 7 32
[176,] 2 7 48
[177,] 2 9 16
[178,] 2 11 49
[179,] 2 17 14
[180,] 2 32 56

A continuacin calculamos el tiempo de cada corredor en horas:

#Transformacin de los tiempos a horas

tiempo<-tiempo[,1]+tiempo[,2]/60+tiempo[,3]/3600
tiempo

[1] 1.048056 1.050556 1.051944 1.052500 1.063611 1.064722 1.069167 1.078333
[9] 1.079722 1.081111 1.084444 1.088056 1.091667 1.094444 1.096944 1.096944
[17] 1.101667 1.103333 1.112778 1.113333 1.115278 1.118611 1.123889 1.125278
[25] 1.126944 1.128611 1.135556 1.142500 1.145278 1.155556 1.160556 1.163611
[33] 1.165000 1.165556 1.166111 1.167778 1.169167 1.173333 1.176944 1.179167
[41] 1.179444 1.180278 1.184444 1.190833 1.201389 1.201944 1.204167 1.207222
[49] 1.209167 1.210833 1.218611 1.225000 1.228333 1.230833 1.234722 1.236944
[57] 1.243889 1.248056 1.250000 1.250278 1.250556 1.250833 1.257500 1.262222
[65] 1.263611 1.266389 1.270000 1.271389 1.276389 1.281944 1.291944 1.293056
[73] 1.296111 1.300000 1.303889 1.307778 1.308889 1.311389 1.319167 1.323889
[81] 1.326944 1.327778 1.329722 1.331111 1.334722 1.345556 1.353611 1.369167
41
[89] 1.375000 1.382778 1.385833 1.390833 1.394722 1.403611 1.409167 1.411111
[97] 1.413056 1.425000 1.433333 1.438056 1.444444 1.450000 1.451667 1.457500
[105] 1.477778 1.480833 1.480833 1.493611 1.505278 1.511111 1.519444 1.520556
[113] 1.522778 1.531944 1.534722 1.536111 1.538889 1.541111 1.551944 1.554444
[121] 1.559722 1.572222 1.573611 1.576389 1.576389 1.580000 1.582222 1.593333
[129] 1.602222 1.603333 1.605556 1.612778 1.618056 1.625000 1.625000 1.625000
[137] 1.629722 1.636111 1.647222 1.648333 1.650278 1.651389 1.651944 1.653333
[145] 1.655556 1.666667 1.669444 1.673611 1.697778 1.702222 1.708333 1.728889
[153] 1.733333 1.748611 1.752500 1.764444 1.781111 1.835833 1.840556 1.878333
[161] 1.901667 1.902500 1.924444 1.930278 1.945556 1.966111 1.976944 1.987778
[169] 1.990556 1.996667 2.015278 2.071111 2.088889 2.100000 2.125556 2.130000
[177] 2.154444 2.196944 2.287222 2.548889

summary(tiempo)
Min. 1st Qu. Median Mean 3rd Qu. Max.
1.048 1.202 1.384 1.445 1.625 2.549

Nota: La funcin as.matrix.data.frame debe aplicarse para transformar las
componentes del data.frame `a' en una matriz, de lo contrario no sera posible hacer uso
de la funcin matrix con la cual se separaron por filas las horas, minutos y segundos
registrados por cada corredor. Adems, la matriz resultante de la funcin
as.matrix.data.frame debe transpornerse con t(as.matrix.data.frame)
para conformar apropiadamente los registros.

2.1.4 Entrando Datos Desde el Teclado

R opera con lo que se conoce como estructura de datos. La ms simple de tales
estructuras es el vector, que es una sola entidad consistente de una coleccin ordenada de
nmeros o caracteres. Para crear un vector llamado x, que tenga seis elementos, digamos
3.6, 2.5, 1.2, 0.6, 1.3, y 2.1, utilizamos el comando

> x<-c(3.6,2.5,1.2,0.6,1.3,2.1)

42
Este es un comando de asignacin que utiliza la funcin c() con la cual creamos vectores
y que en este contexto puede tomar un nmero arbitrario de argumentos. El resultado final
es un vector que concatena los argumentos de la funcin c() . Esta funcin combina
valores en un vector o lista. El mtodo por defecto combina los argumentos para formar un
vector. Todos los argumentos son forzados a un tipo comn que corresponde al valor
retornado por la funcin.

c(..., recursive=FALSE)

Argumentos:

...: Objetos a ser concatenados.

recursive: Argumento lgico. si `recursive=TRUE', desciende recursivamente a
travs de listas combinanado todos sus elementos en un vector.

Ver tambin: `unlist' y `as.vector' para producir vectores libres de atributos.

Ejemplos:
> c(1,7:9)
[1] 1 7 8 9

> c(1:5, 10.5, "s")
[1] "1" "2" "3" "4" "5" "10.5" "s"

> c(list(A=c(B=1)), recursive=TRUE)
A.B
1
> c(list(A=c(B=1)), recursive=FALSE)
$A
43
B
1
> list(A=c(B=1))
$A
B
1
> c(list(A=c(B=1,C=2), B=c(E=7)), recursive=TRUE)
A.B A.C B.E
1 2 7
> c(list(A=c(B=1,C=2), B=c(E=7)), recursive=FALSE)
$A
B C
1 2
$B
E
7
Si tenemos el siguiente conjunto de frutas: pera, manzana, banano, pera, curuba, lo
podemos asignar a un vector as:

frutas<-c("pera","manzana","banano","pera","curuba")

Esto nos crea un vector llamado frutas de caracteres.

El smbolo <- es el de asignacin. Lo que est sobre la derecha es asignado al objeto de
la izquierda. Podemos tener asignaciones simples o mltiples. Por ejemplo,

> x <-0
> y <-x<-0

44
Como se mostr previamente, datos pueden tambin entrarse con la funcin scan() de
una forma muy simple

> x<-c(scan())

1: 3.6 2.5
2: 1.2 0.6 1.3 2.1
7:

>
Esto nos permite entrar tantos datos por linea como queramos, dejando espacio entre datos
consecutivos. Si queremos ver en pantalla el vector de datos x la instruccin ser:

>x

El siguiente ejemplo presenta un caso simple en el cual se analiza un conjunto de datos
referentes a velocidades de autos medidas con radar (en R bajo Windows)

>win.graph()
>velocidades<-c(scan())
1: 48 57 52 45
5: 46 57 38
8: 59 55 53 53 49 46
:
:
66: 40 45
68:
>summary(velocidades)
>hist(velocidades)
>stem(velocidades)
>boxplot(velocidades)
>plot(density(velocidades),type=l)
45
>q()

Si deseamos entrar vectores alfanumricos entonces la funcin scan() llevar opciones
adicionales antes vistas.

>ciudades<-scan(what=character(0))

1: Medellin 'Santa Fe de Bogota' Cali Pereira
5: Cartagena Barranquilla
7:

>
Entrando Listas
Si se desea entrar un conjunto de datos que contienen tanto variables numricas como
alfanumricas, por ejemplo nombre, peso y edad, se har como se explic previamente (ver
funcin scan ):

> datos<-scan(=list(" ",0,0))

1: Juan 70 25
4: Pedro 65 28
7: Maria 50 22
10: Norma 55 39
13:

>
Generando Sucesiones de Nmeros
R permite crear secuencias de una forma gil. Por ejemplo 1:5 es equivalente a c(1,2,3,4,5).
46
> s1<-2:10

El anterior comando crea un vector llamado s1 con los elementos 2, 3, 4,..., 10.

> s1<-2:10
> s1
[1] 2 3 4 5 6 7 8 9 10

> s2<-10:2
> s2
[1] 10 9 8 7 6 5 4 3 2
>
Otra forma, an ms poderosa de crear secuencias es usar la funcin seq() , ya que esta
permite definir un incremento. El smbolo : tiene la ms alta prioridad dentro de una
expresin. Un ejemplo de esto es,

s2<-seq(1,2,by=.2)

Este comando crea un vector s2 con los elementos 1.0, 1.2, 1.4, 1.6, 1.8, 2.0.

> s2<-seq(1,2,by=.2)
> s2
[1] 1.0 1.2 1.4 1.6 1.8 2.0

> s2<-seq(2,1,by=-.2)
> s2
[1] 2.0 1.8 1.6 1.4 1.2 1.0

> s2<-seq(2,1,length=6)
> s2
[1] 2.0 1.8 1.6 1.4 1.2 1.0

47
Replicacin de una estructura
La funcin rep() puede usarse para replicar una estructura particular cierto nmero de
veces. La forma ms simple es

s3<-rep(x,times=4)

lo cual nos crea un objeto que es cuatro veces el objeto x.
> x<-c(1,3,2,5)
> s3<-rep(x,times=4)
> s3
[1] 1 3 2 5 1 3 2 5 1 3 2 5 1 3 2 5
>
2.2. Datos Faltantes
Cuando tenemos valores de las variables faltantes debemos denotarlos en R con NA. Sin
embargo si tenemos un archivo donde los datos faltantes se denoten con otro carcter
entonces en la opcin na.strings = NA de la funcin scan() o de la funcin
read.table() reemplazamos el NA por el smbolo adecuado.

Tenemos un archivo en el directorio c:/datos/ llamado aptos.txt que es

precio mts2 piezas
120 * 3
175 * 3
* 220 4
95 * 4
* 80 2
120 141 3
48
260 330 4
75 * 3
85 100 3
165 235 4

donde los valores faltantes se han denotado por una * . En R le damos el comando
siguiente para su lectura:

> apartamentos.dat<-read.table('c:/datos/aptos.txt',header=T,
na.strings = "*")
> apartamentos.dat
precio mts2 piezas
1 120 NA 3
2 175 NA 3
3 NA 220 4
4 95 NA 4
5 NA 80 2
6 120 141 3
7 260 330 4
8 75 NA 3
9 85 100 3
10 165 235 4

y observamos como el programa reemplaza los smbolos por el adecuado para manejo
interno.

49
2.3. Funciones de Escritura y Exportacin de Datos que
Estn en R
2.3.1 Funcin dump
Si queremos crear un archivo en ASCII que contenga un objeto usamos la funcin dump().
Esta funcin permite realizar representaciones de objetos R tomando un vector de nombres
de dichos objetos y produciendo representaciones textuales de estos en un archivo o
conexin. un archivo `dump' puede ser retomado en una sesin R con la funcin source.
dump(list, file="dumpdata.R", append=FALSE)

Argumentos:

list: Argumento tipo caracter. Corresponde a los nombres de uno o ms objetos R a
ser descargados.

file: Corresponde bien sea a una cadena de caracter nombrando un archivo o una
conexin. `" " ' indica salida a la consola (pantalla).

append: Si es TRUE, la salida ser aadida a `file'; de otra forma, sobreescribir los
contenidos de `file'.

Detalles:
La implementacin actual de dump slo funciona para arreglos vectoriales, matrices,
tablas y funciones.

50
La funcin save est diseada para ser usada para transportar datos R entre
mquinas.

Ver tambin: `dput', `dget',`write'.\\

Ejemplos: Vamos a guardar dos vectores `x' e `y' en el archivo c:/result.txt:
x <- 1
y <- 1:10

dump(c("x","y"),file="c:/result.txt")

Supongamos ahora que estamos iniciando una nueva sesin en R, y queremos utilizar los
objetos `x' e `y' en dicha sesin; para ello, llamamos el archivo c:/result.txt con la funcin
source:
> source("c:/result.txt")

> x
[1] 1
> y
[1] 1 2 3 4 5 6 7 8 9 10
Si un nuevo vector `z' es creado y se desea aadir al archivo
c:/result.txt:
#Creacin de vector de 100
#valores provenientes de una normal estndar

z<-rnorm(100)

dump("z",file="c:/result.txt",append=TRUE)

51
Ahora, crearemos una funcin llamada `resumen' la cual aadiremos como un objeto R en
c:/result.txt:
resumen<-function(x){
media<-mean(x)
desv.std<-sqrt(var(x))
coef.var<-(desv.std/media)*100
mediana<-median(x)
list(media=media,desv.std=desv.std,coef.var=coef.var,mediana=mediana)
}
dump("resumen",file="c:/result.txt",append=TRUE)

Supongamos que necesitamos en una nueva sesin de trabajo algunos de los objetos R
guardados en c:/result.txt, podemos llamarlos cargando todos los objetos disponibles en
tal archivo con source("c:/result.txt"); por ejemplo, si requerimos la funcin `resumen' para
aplicarla a un conjunto de datos `a':

#cargando objetos R disponibles
en "c:/result.txt"

source("c:/result.txt")

#generacin de 50 observaciones de una
#normal mu=5, sigma=2:

a<-rnorm(50,5,2)
#aplicacin de la funcin resumen
#sobre el vector a.

resumen(a)
$media
[1] 5.129502

52
$desv.std
[1] 2.066936

$coef.var
[1] 40.29506

$mediana
[1] 5.242943

utilidad de la funcin dump, pues permite almacenar en otros dispositivos objetos R
(sujetos a las restricciones vistas) y la exportacin de estos.

Figura 2.1: Datos en c:/result.txt
53
Otro ejemplo: si en el espacio de trabajo R existen ciertos objetos R y deseamos
guardarlos todos en un mismo archivo, podemos hacerlo como sigue:

#creacin de tres objetos:

a<-rexp(10)
> b<-rnorm(20)
> c<-a/b
#listado de todos los objetos R
#disponibles en la sesin:

> ls()
[1] "a" "b" "c"

#guardar todos los objetos disponibles
#en "c:/objetos.txt"

> dump(ls(),file="c:/objetos.txt")

#Creacin de una matriz la cual
#es aadida a "c:/objetos.txt"

> d<-matrix(b,ncol=4)
> dump("d",file="c:/objetos.txt",append=TRUE)
>
En la figura 2.2 puede observarse el contenido final del archivo "c:/objetos.txt". Las
funciones print(), format(), cat() y paste() pueden usarse para formatear la salida
a ser escrita en un archivo externo. Las funciones data.dump() , dump() y dput()
escriben objetos de R a archivos ASCII pero no en formato de texto regular. Ellas se
utilizan para transferir datos entre mquinas.

54
Figura 2.2: Datos en c:/objetos.txt
2.3.2 Funcin write (Escribiendo una Matriz a un Archivo Externo)
Para escribir una matriz a un archivo ASCII utilizamos esta funcin donde los datos que
corresponden a una matriz `x' son escritos al archivo `file'. Cuando `x' es una matriz de dos
o ms dimensiones es necesario trasponerla para que las columnas que aparezcan en `file'
coincidan con las de `x'.

write(x, file = "data",
ncolumns = if(is.character(x)) 1 else 5,append = FALSE)

Argumentos:

x: Corresponde a los datos a ser escritos

55
file: Una conexin o una cadena de caracteres nombrando el archivo al cual se
escribirn los datos.

ncolumns: El nmero de columnas para escribir los datos.

append: Argumento lgico. Si es TRUE `x' es aadida al archivo `file'.

Ver tambin: save para escribir cualesquiera objetos R; write.table para data
frames (marcos de datos).

Ejemplos: A continuacin guardamos una matrix `x' creada con \tt matrix (ver ms
adelante esta funcin) la cual es guardada en el archivo c:/manualr/write.txt (ver figura
2.3):

# crear una matriz de 10x10:
x <- matrix(rnorm(100),ncol=10)
#la matriz creada contiene:
x
[,1] [,2] [,3] [,4] [,5] [,6]
[1,] -0.8558726 1.3148297 -1.38651179 -0.41982265 0.3882958 0.1121742
[2,] -0.8424902 -0.4882481 0.05887779 -0.23149084 -1.5820110 -0.6446336
[3,] 1.1325723 -0.4997801 -0.77362112 -1.02049357 1.3869108 -0.3000436
[4,] -0.6956890 0.7853870 -2.16470421 0.09721843 -0.7354284 0.0783864
[5,] 1.0297177 1.1912180 -0.19048374 0.09899511 -0.7408238 0.1270681
[6,] 0.1915085 -1.1961166 0.39530447 -0.68988096 -0.8448683 0.6209052
[7,] -0.7017792 0.8331557 0.85350462 0.66073701 -0.1763620 0.1802481
[8,] -0.5614818 0.5921645 -0.51038265 -0.29370360 2.2841187 0.3731943
[9,] 0.7775366 0.7954261 -0.38851534 -1.31357741 0.9291928 0.3759094
[10,] 0.5864660 0.3543825 0.25971683 -0.86956602 0.3408166 -0.4886315
[,7] [,8] [,9] [,10]
[1,] 1.3132876 -0.054863632 0.19513390 -0.61315626
[2,] 0.6747525 0.254769398 -1.15391332 -1.04650841
56
[3,] 0.7992131 -0.066703082 0.62109208 -0.28452693
[4,] 2.0775911 0.569413512 2.03562228 3.47638462
[5,] 1.4738575 -0.004902835 1.33584992 -2.14009081
[6,] -2.1628119 -1.078721708 -0.06621326 -0.87445892
[7,] -0.3956469 0.285227385 -0.05265089 0.54351961
[8,] 1.2897217 -0.679368675 -0.52699198 0.86417546
[9,] -0.7860005 1.374524963 1.13809830 -0.06029963
[10,] -0.2013117 -1.411422651 -0.60979649 -0.30612573

#copiamos los anteriores datos en
#un archivo de texto:
write(t(x),file="c:/manualr/write.txt")

Figura 2.3: Datos en c:/manualr/write.txt
2.3.3 Funcin sink (Enviando resultados a un archivo de texto)

A veces se requiere tener un archivo ASCII con los resultados que se obtengan en una
sesin para una edicin posterior. sink desva una salida de R a una conexin. Esta nos
redirige la salida de los comandos de la pantalla a un archivo. En la terminal no observamos
57
nada. Es muy til cuando se ejecutan trabajos como simulaciones (una alternativa obvia
bajo Windows es utilizar las opciones Cortar/Pegar).

sink(file = NULL, append = FALSE, type = c("output", "message"))

Argumentos:

file: Una conexin o una cadena de caracteres nombrando el archivo al cual se
escribir la salida, o `NULL' para sinking .
append: Argumento lgico. Si es `TRUE', la salida ser aadido a `file'; de lo
contrario se sobreescribir los contenidos de `file'.

type: Caracter. Las salidas o los mensajes?.

Detalles:
sink desva la salida de R a una conexin. si `file' corresponde a una cadena de
caracteres, una conexin de archivo con ese nombre ser establecida mientras dure la
desviacin.

La salida Normal de R es desviada por defecto a `type = output '. nicamente los
apuntadores (prompts) y los mensajes de advertencia/error siguen apareciendo en la
terminal. Estos tambin puede desviarse por `type = message '.

`sink()' o `sink(file=NULL)' terminan la ltima desviacin (del tipo
especificado). A partir de la versin R 1.3.0 hay una pila de desviaciones para la
salida normal, as que la salida se revierte a la desviacin previa (si haba alguna). La
pila es hasta 21 conexiones (20 desviaciones).
58

si `file' es una conexin ser abierta cuando sea necesario. switchear a otro archivo o
conexin cierra y destruye el actual sink connection si ste es una conexin archivo
abierta por una llamada anterior a sink.
Advertencia: No usar una conexin que es abierta por sink para cualquier otro
propsito. El programa lo detendr a usted cerrando tal conexin inadvertidamente. No
aplicar sink al flujo de mensajes a menos que comprenda el cdigo fuente para
implementacin y por tanto las trampas.

Ejemplo: El siguiente ejemplo enva al archivo c:/sink-examp.txt los resultados de la
funcin outer (ver ms adelante) entre el llamado de sink y el cierre de sta con
sink(). Si verificamos en en directorio 'C:\' antes de llamar a unlink, veremos que ha
sido creado el archivo de texto (ver figura 2.4); cuando se desea restablecer el modo normal
de operacin, esto es, volver a ver los resultados en la terminal, se da el comando
sink(); luego de nuevo se llama el mismo archivo para anexarle las salidas de un objeto
m (una matriz creada con la funcin matrix; ver ms adelante); cerramos nuevamente la
conexin y con la instruccin unlink(c:/sink-examp.txt) es borrado:

>sink("c:/sink-examp.txt")
>i <- 1:10
>outer(i,i,"*")
>sink()
>sink("c:/sink-examp.txt", append=TRUE)
>m<-matrix(rnorm(100),ncol=10)
>m
>sink()
>unlink("c:/sink-examp.txt")

59
Figura 2.4: Datos en c:/sink-example
2.4. Construccin, Lectura y Escritura de Tablas de
Contingencia Categricas
2.4.1 Funcin ftable
Esta funcin crea y manipula tablas de contingencias categricas.

ftable(..., exclude = c(NA, NaN), row.vars = NULL,
col.vars = NULL)
60
as.table.ftable(x)
read.ftable(file, sep = "", quote = "\"",
row.var.names, col.vars, skip = 0)
write.ftable(x, file = "", quote = TRUE,
digits = getOption("digits"))

Argumentos:

...: Los objetos R a ser interpretados como factores (incluyendo cadenas de
caracteres), o una lista o data frame cuyas componentes pueden ser interpretadas, o un
objeto tabla de contingencia de la clase table o ftable.
exclude: Valores a usar en argumento exclude de `factor' cuando se interpretan
objetos como no factores.

row.vars: Un vector de enteros que da los nmeros de las variables, o un vector de
caracteres dando los nombres de las variables a ser usadas por las filas de las tablas
de contingencias categricas.

col.vars: Un vector de enteros dando los nmeros de las variables, o un vector de
caracteres dando los nombres de las variables a ser usadas para las columnas de la
tabla de contingencia categrica.

x: Un objeto R arbitrario.

file: Puede ser una cadena de caracters nombrando un archivo o conexin desde la
cual los datos van a ser ledos o a donde van a ser escritos. ` 'indica entradas desde
la consola para leer y salidas a la consola para escribir.

61
sep: Cadena separadora de campos. Los valores en cada lnea del archivo estn
separadas por esta cadena.

quote: Una cadena de caracteres dando el conjunto de caracteres entre comillas para
read.ftable; para deshabilitar comillas por completo, usar `quote= . Para
write.table es un valor lgico indicando si las cadenas en los datos estn entre
comillas dobles.

row.var.names: Un vector de caracteres con los nombres de las variables fila, en
caso que stos no puedan ser determinados automticamente.

col.vars: Una lista dando los nombres y los niveles de ls variables columna, en caso
que stos no puedan ser determinados automticamente.

skip: El nmero de lneas en el archivo de datos a ser omitidas antes de comenzar
la lectura de datos.

digits: Un entero dando el nmero de dgitos significativos a ser usados para las
entradas de celda de `x'.

Detalles:
ftable crea tablas de contingencias categricas. Como las tablas de contingencias
usuales, stas contienen los conteos de cada combinacin de los niveles de las
variables (factores) involucrados. Esta informacin es reordenada como una matriz
cuyas filas y columnas corresponden a la combinaciones nicas de los niveles de las
variables fila y columna (tal como se especific por `row.vars' y `col.vars'). Las
combinaciones son creadas mediante looping sobre las variables en orden inverso (de
62
modo que los niveles de la variable ms a la izquierda varan ms lento). Presentando
una tabla de contingencia en esta forma de matriz categrica (por medio de
`print.ftable', que es el mtodo de impresin de los objetos clase ftable) es a
menudo preferible para mostrarla como un arreglo un arreglo en alta dimensin.

ftable es una funcin genrica. Su mtodo por defecto, ftable.default,
crea primero una tabla de contingencia en forma de arreglo a partir de todos los
argumentos excepto `row.vars' y `col.vars'. Si el primer argumento es de la clase
table, representa una tabla de contingencia y es usada como tal; si es una tabla
categrica de clase ftable, la informacin que contiene es convertida a la
representacin de arreglo usual usando as.ftable. De lo contrario, los argumentos
deberan ser objetos R los cuales pueden ser interpretados como factores (incluyendo
cadenas de caracteres), o una lista (o data frame) cuyas componentes puedan ser
interpretadas, los cuales son tabulados de forma cruzada usando la funcin table.
Luego, los argumentos `row.vars' y `col.vars' son usados para plegar la tabla de
contingencia en forma categrica. Si ninguno de estos dos argumentos es dado, la
ltima variable es usada para las columnas. Si ambos argumentos son dados y su
unin es un subconjunto apropiado de todas las variables involucradas, las otras
variables son resumidas.

La funcin ftable.formula proporciona mtodo frmula para crear tablas de
contingencia categricas.

La funcin as.table.ftable convierte una tabla de contingencia que est en la
forma de una matriz categrica a una en la forma de arreglo estndar. Este es un
mtodo para la funcin genrica as.table.
63
La funcin write.ftable escribe una tabla categrica a un archivo, lo cual es
til para generar representaciones ASCII pretty de tablas de contingencias.

La funcin read.ftable lee a manera de una tabla de contingencia categrica
desde un archivo. Si el archivo contiene la representacin escrita de un tabla
categrica (ms precisamente, un encabezado con toda la informacin de nombres y
niveles de las variables columna, seguidas por una lnea con los nombres de las
variables fila) no ms argumentos son necesarios. Similarmente, las tablas categricas
con slo una variable columna el nombre de la cual es la nica entrada en la primera
lnea son manipuladas automticamente. Otras variantes pueden ser tratadas con
omisin de toda informacin de encabezado usando `skip', y proporcionando los
nombres de las variables fila y los nombres de los niveles de las variables columna
usando `row.var.names' y `col.vars', respectivamente.

Notar que las tablas categricas estn caracterizadas por sus presentaciones
recortadas de las etiquetas de filas (puede ser tambin el caso para las columnas). Si
la rejilla completa de los niveles de las variables fila es dado, uno debera usar ms
bien read.table para leer los datos, y crear la tabla de contingencia usando
xtabs.
Valor: ftable devuelve un objeto de clase ftable, el cual es una matriz con conteos en
cada combinacin de los niveles de las variables con informacin sobre los nombres y
niveles de las variables (fila y columnas) guardadas como atributos row.vars ycol.vars.
Referencias: Agresti, A. (1990) Categorical data analysis. New York: Wiley.

64
Ver tambin: ftable.formula para interface de frmula (la cual permite un argumento
`data = .'); table para tabulacin cruzada ordinaria; xtabs para tabulacin cruzada basada
en frmula.

Ejemplo: Los siguientes son ejemplos disponibles en el `R Documentation':

#Llamado de una tabla de contingencia
#disponible en el sistema:

data(Titanic)
> Titanic
, , Age = Child, Survived = No

Sex
Class Male Female
1st 0 0
2nd 0 0
3rd 35 17
Crew 0 0

, , Age = Adult, Survived = No

Sex
Class Male Female
1st 118 4
2nd 154 13
3rd 387 89
Crew 670 3

, , Age = Child, Survived = Yes

Sex
Class Male Female
1st 5 1
65
2nd 11 13
3rd 13 14
Crew 0 0

, , Age = Adult, Survived = Yes

Sex
Class Male Female
1st 57 140
2nd 14 80
3rd 75 76
Crew 192 20

>ftable(Titanic, row.vars = 1:3)
Survived No Yes
Class Sex Age
1st Male Child 0 5
Adult 118 57
Female Child 0 1
Adult 4 140
2nd Male Child 0 11
Adult 154 14
Female Child 0 13
Adult 13 80
3rd Male Child 35 13
Adult 387 75
Female Child 17 14
Adult 89 76
Crew Male Child 0 0
Adult 670 192
Female Child 0 0
Adult 3 20

>ftable(Titanic, row.vars = 1:2, col.vars = "Survived")
Survived No Yes
66
Class Sex
1st Male 118 62
Female 4 141
2nd Male 154 25
Female 13 93
3rd Male 422 88
Female 106 90
Crew Male 670 192
Female 3 20

>ftable(Titanic, row.vars = 2:1, col.vars = "Survived")
Survived No Yes
Sex Class
Male 1st 118 62
2nd 154 25
3rd 422 88
Crew 670 192
Female 1st 4 141
2nd 13 93
3rd 106 90
Crew 3 20

#Operando sobre un data frame:

> data(mtcars)
> mtcars

mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
67
Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2

#Construir tablas de contingencia
#con las variables columna que constituyen
#factores:

x <- ftable(mtcars[c("cyl", "vs", "am", "gear")])
x
gear 3 4 5
cyl vs am
4 0 0 0 0 0
68
1 0 0 1
1 0 1 2 0
1 0 6 1
6 0 0 0 0 0
1 0 2 1
1 0 2 2 0
1 0 0 0
8 0 0 12 0 0
1 0 0 2
1 0 0 0 0
1 0 0 0
>
ftable(x, row.vars = c(2, 4))
cyl 4 6 8
am 0 1 0 1 0 1
vs gear
0 3 0 0 0 0 12 0
4 0 0 0 2 0 0
5 0 1 0 1 0 2
1 3 1 0 2 0 0 0
4 2 6 2 0 0 0
5 0 1 0 0 0 0
## Agresti (1990), pag. 157, Tabla 5.8.
## Construyendo una tabla pero
##no en la forma estndar:

#Crear un archivo temporal:
file <- tempfile()

#Diseando la tabla:
cat(" Intercourse\n",
"Race Gender Yes No\n",
"White Male 43 134\n",
69
" Female 26 149\n",
"Black Male 29 23\n",
" Female 22 36\n",
file = file)

>file
[1] "C:\\DOCUME~1\\PROPIE~1\\CONFIG~1\\Temp\\file26500"

#Ver en la figura 2.5 el resultado
#del siguiente comando:

file.show(file)

#leyendo el archivo "file"
#como una tabla de contingencia:

ft <- read.ftable(file)
ft
Intercourse Yes No
Race Gender
White Male 43 29
Female 134 23
Black Male 26 22
Female 149 36

#Borrando el archivo "file":

unlink(file)

## Agresti (1990), pag. 297, Tabla 8.16.
## faltan los nombres de las variables fila:

file <- tempfile()
cat(" \"Tonsil Size\"\n",
" \"Not Enl.\" \"Enl.\" \"Greatly Enl.\"\n",
70
"Noncarriers 497 560 269\n",
"Carriers 19 29 24\n",
file = file)
file.show(file)
ft <- read.ftable(file, skip = 2,
row.var.names = "Status",
col.vars = list("Tonsil Size" =
c("Not Enl.", "Enl.", "Greatly Enl.")))
ft
Tonsil Size Not Enl. Enl. Greatly Enl.
Status
Noncarriers 497 269 29
Carriers 560 19 24
>
unlink(file)

Figura 2.5: Resultado de file.show(file): Esta funcin aplicada sobre el
archivo file abre la ventana R Information, en la cual puede observarse la
estructura de los datos guardados en este archivo temporal.
71
A continuacin, construiremos una tabla a partir de una base de datos, la cual contiene 12
variables relacionadas con los resultados en las pruebas del ICFES, realizadas durante
varios aos, los cuales estn disponibles en BASES DE DATOS", J. C. Correa y J. C.
Salazar, 1997, UNAL. De las 12 variables, hay tres que pueden considerarse como factores,
a saber: sexo (M, F), ao en que se tom la prueba (89,92,93) y tipo de electiva (ABS
(razonamiento abstracto), MET (metalmecnica), CON (contabilidad), ING (ingls), ELE
(elctrica), MEC (razonamiento mecnico)):

#Lectura de los datos, note que
#las variables columna 1, 2, 12
#son definidas como factores:
icfes<-read.table(file="c:/graficosr/datosgraficos/icfes.dat",
header=FALSE,col.names=c("sexo","ano","biolog","Quim","fisica",
"Soc","AptVerb","EspLIter","AptMat","ConMat","Elect","tipoElect"),
as.is=c(1,2,12))

#Construccin de una tabla de
#contingencia categrica de
#sexo, ao versus tipo de electiva:

ftable(icfes[c("sexo","ano","tipoElect")])

>icfes.tabla<-ftable(icfes[c("sexo","ano","tipoElect")])
>icfes.tabla
tipoElect ABS CON ELE ING MEC MET
sexo ano
F 89 0 17 0 1 1 0
92 0 16 0 2 0 0
93 0 14 0 19 1 3
M 89 3 0 8 1 0 6
92 2 1 2 10 5 2
93 1 0 2 0 7 8
>
72

#Guardando la tabla anterior
#como un objeto R (ver figura 2.6):

dump("icfes.tabla",file="c:/tabla.txt")

#Guardando la misma tabla pero
#slo como una "pretty table"
"ver figura 2.7:

write.ftable(icfes.tabla,file="c:/tabla2.txt")

Figura 2.6: Datos en c:/tabla.txt"

73
Figura 2.7: Datos en c:/tabla2.txt"

74
Captulo 3: Manipulacin de Datos

La manipulacin de datos se hace de diferentes formas. Usualmente se toma ventaja de la
vectorizacin del lenguaje. Esto permite trabajar sobre un conjunto de elementos en lugar
de trabajar elemento a elemento como en lenguajes normales.

3.1. Operadores

+ : Suma

- : Resta

* : Multiplicacin

/ : Divisin

^ : Exponenciacin

%/% : Divisin entera

%% : Operador mdulo

Operadores de comparacin

< : menor

>: mayor
75
<= : menor o igual

>= : mayor o igual

= = : igual

!= : diferente

Operadores Lgicos

& : y
| :
! : no

all(...): Todo

any(...): Ninguno

Operadores de Control
&& : Si el primer operando es cierto se evala el segundo operando

|| : Si el primer operando es falso se evala el segundo operando.

Operaciones Bsicas: Siendo el lenguaje vectorizado, los vectores pueden usarse en
expresiones aritmticas, en cuyo caso las operaciones son ejecutadas elemento a elemento.
76
Si x y z son vectores, no necesariamente de la misma dimensin, entonces podemos
ejecutar los siguientes comandos

> y<-x+z
> y2<-x-z
> y3<-2*x+z-3

La dimensin de y , y2 y y3 ser igual a la dimensin mayor de los vectores x y z.
> y4<-1/x

El anterior comando produce un vector cuyos elementos corresponden a los inversos de x.
Subndices
Datos pueden ser extrados de un objeto de la siguiente forma:

x[ subindice]

La forma del subndice puede expresarse de varias formas.

Enteros positivos:

x[1] Solo nos quedamos con el primer elemento de x
x[1:3] Solo nos quedamos con los tres primeros elementos de x
x[2:5] Solo nos quedamos con elementos 2, 3, 4, y 5 de x
Valores lgicos:
77
x[x > 0] Slo tomamos los valores de x que sean positivos.

nombre[estatura > 175 & edad < 30] Nos quedamos con aquellos nombres cuyas
correspondientes esturas sean mayores a 175 y la edad sea menor de 30.

Enteros negativos:

x[-1] Nos quedamos con todo x pero eliminamos el primer elemento.

Ejemplo: Los siguientes datos corresponden a informacin tomada del anuario estadstico
de Antioquia de 1996, de los cuales la segunda columna se refiere a la temperatura en las
cabeceras municipales. El objetivo es crear una nueva variable categrica que clasifique
los municipios de acuerdo a rangos de temperatura Muy Baja, Baja, Media y
Alta:
>datos.antioquia<-scan()

1: 1 22 1834881 53822 432680 36053 4114 16763 489610 419676 35912 4068 11870 471526 95.3
16: 1 22 34985 1718 3481 432 14 32 3959 3130 430 14 31 3605 95.9
31: 1 22 293841 9472 63961 2205 266 968 67400 62288 2166 242 849 65545 95
46: 1 19 56488 1825 8481 1119 45 34 9679 8172 1103 45 32 9352 95
61: 1 22 49649 2306 10223 580 57 161 11021 8632 545 45 159 9381 91
76: 1 21 123943 5928 32652 2649 296 299 35896 30951 2619 291 295 34156 97.1
91: 1 22 31168 1662 4662 383 26 54 5125 4298 348 9 52 4707 95.6
106: 1 21 193381 11077 44940 4424 978 575 50917 42700 4366 956 513 48535 98.8
121: 1 20 41592 931 5352 259 95 204 5910 4766 243 89 187 5285 93.7
136: 1 20 29870 1476 6856 771 245 163 8035 6694 762 239 127 7822 97.1
151: 2 28 22362 1068 860 37 0 19 916 667 34 0 17 718 58.6
166: 2 28 54210 1228 8970 776 0 57 9803 3751 286 0 28 4065 39.8
181: 2 28 11003 309 1132 109 0 21 1262 38 0 0 0 38 20
.
.
.
1366: 8 21 12356 433 1002 102 1 33 1138 796 68 0 24 888 84.8
1381: 8 20 36194 308 3124 294 0 60 3478 3086 294 0 60 3440 91.6
1396: 8 21 9352 229 1032 77 0 31 1140 758 72 0 23 853 86
78
1411: 8 21 13830 429 1333 123 0 22 1478 989 107 0 16 1112 91.9
1426: 9 28 78019 2403 8868 882 3 70 9823 3662 713 0 28 4403 60
1441: 9 28 23895 677 1380 127 0 32 1539 1008 118 0 31 1157 45
1456: 9 28 44201 1762 3764 337 0 41 4142 2183 275 0 31 2489 44.5
1471: 9 28 2959 81 0 0 0 0 0 0 0 0 0 0 0
1486: 9 28 12670 1354 618 59 0 35 712 NA NA NA NA NA 80
1501: 9 28 99782 2277 5089 343 0 63 5495 NA NA NA NA NA 45
1516: 9 28 9403 96 450 47 0 0 497 0 0 0 0 0 0
1531:
Read 1530 items

datos.antioquia<-matrix(datos.antioquia,ncol=15,byrow=T)
temperatura<-c(datos.antioquia[,2])

tipo<-rep(NA,length(temperatura))
tipo[temperatura<=15]<-'MUy Baja'
tipo[15<temperatura & temperatura<=20]<-'Baja'
tipo[20<temperatura & temperatura<=25]<-'Media'
tipo[25<temperatura]<-'Alta'

> tipo
[1] "Media" "Media" "Media" "Baja" "Media" "Media"
[7] "Media" "Media" "Baja" "Baja" "Alta" "Alta"
[13] "Alta" "Alta" "Alta" "Alta" "Media" "Alta"
[19] "Alta" "Alta" "Media" "Media" "Media" "Media"
[25] "Media" "Baja" "Media" "Media" "Media" "Media"
[31] "Media" "MUy Baja" "Media" "Baja" "Baja" "Baja"
[37] "Baja" "Baja" "Media" "Media" "MUy Baja" "MUy Baja"
[43] "MUy Baja" "Baja" "Media" "MUy Baja" "Baja" "Baja"
[49] "Media" "Media" "Media" "Media" "Media" "Alta"
[55] "Media" "Media" "Baja" "Baja" "Baja" "Baja"
[61] "Media" "Baja" "Baja" "Baja" "Baja" "Baja"
[67] "Baja" "Baja" "Baja" "MUy Baja" "Baja" "Baja"
[73] "Baja" "Media" "Media" "Baja" "MUy Baja" "Media"
[79] "Media" "Baja" "Baja" "Baja" "Media" "Baja"
[85] "Media" "Baja" "Baja" "MUy Baja" "Baja" "Media"
[91] "Baja" "Media" "Baja" "Media" "Media" "Alta"
79
[97] "Alta" "Alta" "Alta"

3.1.1 Funciones que producen escalares
Existen una gran cantidad de funciones que al ser aplicadas a un vector producen como
resultado un escalar. Entre ellas tenemos:

max(): retorna el mximo del argumento

min(): retorna el mnimo del argumento

sum(): retorna la suma de todos los elementos del argumento

mean(): retorna el promedio aritmtico de todos los elementos del argumento.

var(): retorna la varianza de todos los elementos del argumento, cuando ste es un
vector, o la matriz de varianzas - covarianzas si el argumento es una matriz.

median(): retorna la mediana del argumento

quantile(...,probs=c(...)): retorna quantiles del argumento con la proporcin o
proporciones indicadas en `probs'.

prod(): retorna el producto de todos los elementos del argumento

length(): retorna el nmero de elementos del argumento si este es una lista o vector.

ncol(): nmero de columnas si el argumento es una matriz
80
nrow(): nmero de filas si el argumento es una matriz

Ejemplo:
> x<-rexp(20)
> x
[1] 0.65699969 4.38423147 1.39088864 1.82778784 0.07063072 0.16763033 0.26055624 0.13914072
[9] 0.19467512 1.43806059 0.33195089 0.53713890 1.03220040 1.64537448 0.76489143 0.77907097
[17] 0.08561684 0.01892189 0.53475832 2.32819674

> max(x)
[1] 4.384231
> min(x)
[1] 0.01892189
> sum(x)
[1] 18.58872
> mean(x)
[1] 0.9294361
> length(x)
[1] 20
> median(x)
[1] 0.5970693
> var(x)
[1] 1.102911
> quantile(x,probs=0.75)
75%
1.402682

La funcin summary nos proporciona los estadsticos bsicos del argumento:

> s<-summary(x)
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.01892 0.18790 0.59710 0.92940 1.40300 4.38400
81
> length(s)
[1] 6

#presentando un componente de s:
> s[1]
Min.
0.01892

Transformando a s en un vector:
> c<-as.vector(s)
> c
[1] 0.01892 0.18790 0.59710 0.92940 1.40300 4.38400

3.1.2 Funciones para redondeo de nmeros

En R existen las siguientes seis funciones para el redondeo de nmeros:

ceiling: Tiene un nico argumento: un valor o un vector `x'; devuelve en este
ltimo caso un vector numrico que contiene los enteros ms pequeos no menores
que los correspondientes elementos de `x'.

floor: Costa de un slo argumento numrico `x' y devuelve un vector numrico
que contiene los enteros ms grandes no mayores que los correspondientes elementos
de `x'.

round: Redondea los valores en su primer argumento al nmero especificado de
lugares decimales (por defecto 0). Para completar un 5, se usa el estndar IEEE,
llevar al dgito par. Por tanto, round(0.5) es 0 y round(-1.5) es -2.

82
signif: Redondea los valores en su primer argumento al nmero especificado de
dgitos significativos.

trunc: Toma un nico argumento numrico `x' y devuelve un vector numrico que
contiene los enteros truncando los valores en `x' hacia 0.

zapsmall: Determina un argumento `digits' `dr' para llamar a round(x,
digits = dr) tal que los valores cercanos a cero son zapped, es decir, tratados
como 0.

ceiling(x)
floor(x)
round(x, digits = 0)
signif(x, digits = 6)
trunc(x)
zapsmall(x, digits= getOption("digits"))

Argumentos:

x: Un vector numrico.

digits: Entero que indica la precisin a ser usada.

Ejemplos:
> a<-(.5 + -2:4)
> a
[1] -1.5 -0.5 0.5 1.5 2.5 3.5 4.5
> round(a)
[1] -2 0 0 2 2 4 4
> ceiling(a)
83
[1] -1 0 1 2 3 4 5
> floor(a)
[1] -2 -1 0 1 2 3 4
> round(a)
[1] -2 0 0 2 2 4 4
> signif(a)
[1] -1.5 -0.5 0.5 1.5 2.5 3.5 4.5
> trunc(a)
[1] -1 0 0 1 2 3 4
> zapsmall(a)
[1] -1.5 -0.5 0.5 1.5 2.5 3.5 4.5
> a<-rexp(6)
> a
[1] 0.9239737 0.1208308 0.2554847 0.1632143 0.1176684 0.7598348
> round(a)
[1] 1 0 0 0 0 1
> ceiling(a)
[1] 1 1 1 1 1 1
> floor(a)
[1] 0 0 0 0 0 0
> round(a,digits=3)
[1] 0.924 0.121 0.255 0.163 0.118 0.760
> signif(a,digits=3)
[1] 0.924 0.121 0.255 0.163 0.118 0.760
> trunc(a)
[1] 0 0 0 0 0 0
> zapsmall(a)
[1] 0.9239737 0.1208308 0.2554847 0.1632143 0.1176684 0.7598348

3.1.3 Funciones relacionadas con distribuciones
En R podemos calcular densidades, probabilidades acumuladas, hallar cuantiles y generar
nmeros aleatorios de la siguiente manera:
84

Distribucin Densidad Funcin Acumulada
Uniforme dunif(x,min=0,max=1,log = FALSE) punif(q,min=0,max=1, lower.tail =
TRUE,log.p = FALSE)
Normal dnorm(x, mean=0, sd=1, log =
FALSE)
pnorm(q, mean=0, sd=1, lower.tail =
TRUE, log.p = FALSE)
Binomial dbinom(x, size, prob, log = FALSE) pbinom(q, size, prob, lower.tail =
TRUE, log.p = FALSE)
Lognormal dlnorm(x, meanlog = 0, sdlog = 1,
log = FALSE)
plnorm(q, meanlog = 0, sdlog = 1,
lower.tail = TRUE, log.p = FALSE)
Beta dbeta(x, shape1, shape2, ncp=0,
log = FALSE)
pbeta(q, shape1, shape2, ncp=0,
lower.tail = TRUE, log.p = FALSE)
Geomtrica dgeom(x, prob, log = FALSE) pgeom(q, prob, lower.tail = TRUE,
log.p = FALSE)
Gamma dgamma(x, shape, scale=1, log =
FALSE)
pgamma(q, shape, scale=1, lower.tail =
TRUE, log.p = FALSE)
Ji cuadrado dchisq(x, df, ncp=0, log = FALSE) pchisq(q, df, ncp=0, lower.tail =
TRUE, log.p = FALSE)
Exponencial dexp(x, rate = 1, log = FALSE) pexp(q, rate = 1, lower.tail = TRUE,
log.p = FALSE)
F df(x, df1, df2, log = FALSE) pf(q, df1, df2, ncp=0, lower.tail =
TRUE,log.p = FALSE)
Hipergeom. dhyper(x, m, n, k, log = FALSE) phyper(q, m, n, k, lower.tail = TRUE,
log.p = FALSE)
t dt(x, df, log = FALSE) pt(q, df, ncp=0, lower.tail = TRUE,
log.p = FALSE)
Poisson dpois(x, lambda, log = FALSE) ppois(q, lambda,lower.tail = TRUE,
log.p = FALSE)
Weibull dweibull(x, shape, scale = 1, log
= FALSE)
pweibull(q, shape, scale = 1,
lower.tail = TRUE, log.p = FALSE)
Binom. Neg. dnbinom(x, size, prob, mu, log =
FALSE)
pnbinom(q, size, prob, mu, lower.tail
= TRUE, log.p = FALSE)
Donde:

x, q: Es un vector de cuantiles.

p: Vector de probabilidades.
85
log, log.p: Argumentos lgicos; si son TRUE, las probabilidades p son dadas como
log(p).

lower.tail: Argumento lgico; si es TRUE (por defecto), las probabilidades
corresponden a P[X <= x], de lo contrario, P[X > x].

min,max: En la distribucin uniforme corresponde a los lmites inferior y superior
de la distribucin. Por defecto son 0 y 1.

size: En la binomial, corresponde al nmero de intentos; en la binomial negativa
corresponde al nmero de intentos exitosos (o nmero de xitos) objetivo.

prob: En la binomial, binomial negativa y en la geomtrica, corresponde a la
probabilidad de xito en cada intento.

meanlog, sdlog: En la Log normal, media y desviacin estndar de la distribucin
en escala log con valores por defecto de 0 y 1 respectivamente.

shape1, shape2: Parmetros positivos de la distribucin Beta.

shape, scale: En las distribuciones Gamma y Weibull, parmetros de forma y
escala.

ncp: En las distribuciones Ji cuadrado, F y t, corresponde a parmetro de no
centralidad.

rate: En la distribucin exponencial, es un vector de tasas . Su valor por defecto es
1.
86
df: En las distribuciones t y Ji son los grados de libertad.

df1, df2: Grados de libertad del numerador y del denominador en la distribucin F.

Detalles:
La Hazard acumulada de la distribucin log normal H(t) = - log(1 - F(t))
se calcula con -plnorm(t, r,lower = FALSE, log = TRUE)
La distribucin geomtrica tiene densidad p(x) = p(1-p)
x
para x = 0, 1, 2, ...
donde X corresponde al nmero de fracasos antes de que ocurra el primer xito.

La densidad de la distribucin Beta es de la forma
( (( ( ) )) )
( (( ( ) )) ) ( (( ( ) )) )
( (( ( ) )) )
1
1
1
b
a
a b
x x
a b


I + I + I + I +

I I I I I I I I

La distribucin Gamma tiene densidad de la forma
( (( ( ) )) )
( (( ( ) )) )
1 /
1
a x s
a
f x x e
s a

= == =
I II I
, shape =
a y scale = s. Para x>0, a>0, s>0. La media y la varianza son E(X) =
as y Var(X) = as
2
La Hazard acumulada H(t)=-log(1-F(t)) se calcula con -pgamma(t, ...,lower =
FALSE, log = TRUE) .
La distribucin Ji cuadrado con df=n grados de libertad tiene densidad
( (( ( ) )) )
( (( ( ) )) )
/ 2 1 / 2
/ 2
1
2 / 2
n x
n n
f x x e
n

= == =
I II I
para x>0, con media y varianza n y 2n respectivamente.

87
La distribucin Ji cuadrado con df=n grados de libertad y parmetro de no
centralidad ncp= tiene densidad
( (( ( ) )) )
( (( ( ) )) )
( (( ( ) )) )
/ 2
0
/ 2
, 2
!
r
r
f x e dchisq x df r
r




= == =
= + = + = + = +

para x >0.
Esta es la distribucin de la suma de los cuadrados de n normales cada una con
varianza 1, donde es la suma de los cuadrados de las medias de las normales.

La distribucin exponencial con tasa tiene densidad ( (( ( ) )) )
x
f x e



= == = para x>0.
La Hazard acumulada de la distribucin exponencial H(t)=-log(1-F(t)) se
calcula con -pexp(t,r,lower.tail=FALSE,log=TRUE).
La distribucin F es la distribucin de la razn de los cuadrados medios de n1 y n2
normales estndar independientes y por tanto es la razn de dos variables aleatorias Ji
cuadrados cada una dividida por sus grados de libertad. De aqu que la razn de una
normal y la raz del cuadrado medio de m normales independientes tiene una
distribucin Student's
m
t .
La distribucin F no central es la razn de los cuadrados medios de normales
independientes de varianza unitaria, pero las que estn en el numerador pueden tener
medias no nulas y el ncp corresponde a la suma de los cuadrados de las medias.

La densidad de la distribucin hipergeomtrica con parmetros m, n y k es
( (( ( ) )) )
m n m n
p x
x k x k
+ ++ + | | | | | | | | | | | | | | | | | | | | | | | |
= == =
| | | | | | | | | | | |

\ . \ . \ . \ . \ . \ . \ . \ . \ . \ . \ . \ .
para max(0,k-n) s x s min(m,k)
88
La distribucin t no central con parmetros (df, ncp) es definida como la
distribucin de
( (( ( ) )) )
( (( ( ) )) ) ( (( ( ) )) )
,
/
U ncp
T df ncp
X df df
+ ++ +
= == =
, donde U y X(df) son variables aleatorias
independientes, con U~N(0,1) y X
2
(df)~_
2
.
La densidad de la distribucin Weibull con parmetros de forma shape=a y de
escala scale=b corresponde a ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) )
( (( ( ) )) )
1
/
/ /
a
a
x b
f x a b x b e


= == = para x>0. La Hazard
acumulada H(t)=-log(1-F(t)) se calcula con -
pweibull(t,a,b,lower=FALSE, log=TRUE) la cual corresponde a
H(t)=(t/b)
a
.
La distribucin binomial negativa con size=n y prob=p tiene densidad
( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) / ! 1
x
n
p x x n n x bp p ( ( ( ( = I + I = I + I = I + I = I + I

para x = 0, 1, 2, .... Esta representa el
nmero de fallas las cuales ocurren en una secuencia de intentos bernoullis antes de
que un nmero de xitos objetivo sea alcanzado. Una distribucin binomial negativa
se deriva como una mezcla de distribuciones poisson con media distribuda como una
gamma con parmetro de escala (1 - prob)/prob y de forma size (esta
definicin permite valores no enteros para size ). En este modelo
prob=scale/(1+scale) y la media es size*(1 - prob)/prob).
Distribucin Cuantiles Nmeros Aleatorios
Uniforme qunif(p; min=0; max=1;lower.tail = TRUE;log.p
= FALSE)
runif(n; min=0; max=1)
Normal qnorm(p; mean=0; sd=1; lower.tail =
TRUE;log.p = FALSE)
rnorm(n; mean=0; sd=1)
Binomial qbinom(p; size; prob; lower.tail = TRUE;
log.p = FALSE)
rbinom(n; size; prob)
Lognormal qlnorm(p; meanlog = 0; sdlog = 1; lower.tail
= TRUE; log.p = FALSE)
rlnorm(n; meanlog = 0; sdlog
= 1)
Beta qbeta(p; shape1; shape2; lower.tail = TRUE;
log.p = FALSE)
rbeta(n; shape1; shape2)
Geomtrica qgeom(p; prob; lower.tail = TRUE; log.p =
FALSE)
rgeom(n; prob)
89
Distribucin Cuantiles Nmeros Aleatorios
Gamma qgamma(p; shape; scale=1; lower.tail = TRUE;
log.p = FALSE)
rgamma(n; shape; scale=1)
JI cuadrado qchisq(p; df; ncp=0; lower.tail = TRUE; log.p
= FALSE)
rchisq(n; df; ncp=0)
Exponencial qexp(p; rate = 1; lower.tail = TRUE; log.p =
FALSE)
rexp(n; rate = 1)
F qf(p; df1; df2;lower.tail = TRUE; log.p =
FALSE)
rf(n; df1; df2)
Hipergeom. qhyper(p; m; n; k; lower.tail = TRUE; log.p =
FALSE)
rhyper(nn; m; n; k)
t qt(p; df;lower.tail = TRUE; log.p = FALSE) rt(n; df)
Poisson qpois(p; lambda; lower.tail = TRUE; log.p =
FALSE)
rpois(n; lambda)
Weibull qweibull(p; shape; scale = 1; lower.tail =
TRUE; log.p = FALSE)
rweibull(n; shape; scale =
1)
Binom.Neg. qnbinom(p; size; prob; mu; lower.tail = TRUE;
log.p = FALSE)
rnbinom(n; size; prob; mu)
Donde:

p: Es un vector de probabilidades (acumuladas).

n: Nmero de observaciones, excepto para la hipergeomtrica, donde nn
corresponde a tal. Si la longitud de n es mayor que 1, la longitud es tomada como el
nmero requerido.

3.2. Ejecuciones Condicionales y Loops (Flujos de
Control)
El lenguaje permite la construccin de condiciones para el control del flujo como cualquier
lenguaje de programacin. Son las construcciones de flujo de control bsicos del lenguaje
R. Son similares a los argumentos de control de cualquier lenguaje algortmico:

if(cond) expr
90
if(cond) cons.expr else alt.expr
for(var in seq) expr
while(cond) expr
repeat expr
break
next

if....else

El uso de este condicional es el siguiente:

> if(expresion 1) expresion 2 else expresion 3

donde si la expresin 1 es cierta se evala la expresin 2. En caso contrario se evala la
expresin 3. Si la expresin 2 expresin 3 son complejas, esto es, tienen ms de un
comando entonces deben encerrarse entre llaves:

> if(expresion 1) {
...comandos R... }
else {
...comandos R... }

Cuidado:

En lenguajes vectorizados se pueden cometer errores que son difciles de detectar. Por
ejemplo supongamos que tenemos la variable sexo codificada como (1, 2) y supongamos
que deseamos recodificarla a (1, 0). La siguiente instruccin, que en su estructura es similar
a la que utilizan muchos lenguajes, produce un error:

>if(sexo==2) sexo<-0 else sexo<-1
91
Una solucin es la siguiente:

> sexo1<-rep(NA, length(sexo))
> sexo1[sexo==2]<-0
> sexo1[sex!=2]<-1

Otra solucin es utilizar la funcin ifelse()

> sexo<-ifelse(sexo==2,0,1)

Si el conjunto de acciones a realizar mientras se cunpla la condicin de if(....) son
complejas (o tambin para el caso alterno else (...) ), procedemos como sigue:

if(...){
.
.
.
}
else{
.
.
.
}
Colocando entre llaves los pasos u operaciones requeridas en cada caso.

Ejemplo:

Supongamos que se lanza un dado cargado de forma que los pares son dos veces ms
probables que los impares (de donde probabilidad de cada impar es 1/9 y de cada par es
2/9). Simulemos 100 lanzamiento de dicho dado:

92
#Creacin de una funcin
#para simular el resultado
#del lanzamiento de un dado
#cargado con prob(par):2(impar)

lanzamiento1<-function(n=1){
#generar un numero entre
#0 y 1 (las cdf observadas):
F<-runif(n)
#Definir las cdf:
F1<-1/9
F2<-3/9
F3<-4/9
F4<-6/9
F5<-7/9
F6<-1
#Determinar el resultado
#con base en el valor
#cdf observado:
if(F<=F1)result<-1 else
if(F<=F2)result<-2 else
if(F<=F3)result<-3 else
if(F<=F4)result<-4 else
if(F<=F5)result<-5 else
if(F<=F6) result<-6
res<-c(F,result)
}
#Generar resultados en 1000
#lanzamientos:
> muestra<-matrix(rep(1,1000),ncol=1)
> result<-t(apply(muestra,1,lanzamiento1))
> result
[,1] [,2]
[1,] 0.709534370 5
[2,] 0.164301291 2
93
[3,] 0.088355489 1
[4,] 0.244265059 2
[5,] 0.197429391 2
[6,] 0.491711938 4
[7,] 0.739780114 5
[8,] 0.078908737 1
[9,] 0.389658087 3
[10,] 0.957607416 6
.
.
.
[992,] 0.091973664 1
[993,] 0.020980510 1
[994,] 0.128269766 2
[995,] 0.854701702 6
[996,] 0.127352686 2
[997,] 0.478872951 4
[998,] 0.290334604 2
[999,] 0.442169692 3
[1000,] 0.716538823 5

#Construir tabla de frecuencias:
> a<-table(result[,2])
> a
1 2 3 4 5 6
120 237 108 202 121 212
#Graficar frecuencias:
> barplot(a,space=0)

Funcin ifelse
Como ya se dijo previamente, el uso de if est limitado a expresiones que no sean
vectores. Si estamos evaluando vectores o matrices entonces lo indicado es hacerlo con
94
ifelse devuelve un valor con la misma forma que el argumento `test' el cual es llenado
con elementos seleccionados bien sea del argumento `yes' o del argumento `no'
dependiendo de si el elemento de `test' es `TRUE' O `FALSE'. si los argumentos `yes' `no'
son muy cortos, entonces sus elementos son reciclados.

ifelse(test, yes, no)

Argumentos:

test: Es un vector lgico o condicin lgica a ser evaluada.

yes: Devuelve valores para los elementos ciertos de `test'.

no: Devuelve valores para los elementos falsos de `test'.

Ejemplos:
x <- c(6:-4)
>sqrt(x)#Produce advertencia

[1] 2.449490 2.236068 2.000000 1.732051 1.414214 1.000000 0.000000 NaN
[9] NaN NaN NaN
Warning message:
NaNs produced in: sqrt(x)

> sqrt(ifelse(x >= 0, x, NA))#No produce advertencia

[1] 2.449490 2.236068 2.000000 1.732051 1.414214 1.000000 0.000000 NA
[9] NA NA NA

> ifelse(x >= 0, sqrt(x), NA)#produce advertencia

[1] 2.449490 2.236068 2.000000 1.732051 1.414214 1.000000 0.000000 NA
95
[9] NA NA NA
Warning message:
NaNs produced in: sqrt(x)

Generar 100 observaciones de una distribucin normal estndar y determinar cuntas estn
dentro de dos desviaciones estndar de la muestra:

x<-rnorm(100)

media<-mean(x)
desv.est<-sqrt(var(x))
desv<-abs(x-media)
cuenta<-ifelse(desv<(2*desv.est),1,0)
cuenta

[1] 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[38] 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[75] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1

sum(cuenta)
[1] 95
mean(cuenta)
[1] 0.95

for
Para loops el R proporciona varias formas. La ms usada es

> for( nombre in expresion1) expresion 2

nombre es una variable de control del loop. expresin1 es un vector, por ejemplo del
tipo 1:20; y expresin2 usualmente es un conjunto agrupado de instrucciones a ser
repetidas a medida que cambie la variable que controla el loop.

96
En lenguajes vectorizados, como el R, el uso de loops no es recomendado y en versiones
viejas del programa se presentaban grandes problemas con su uso. Uno de los problemas
que se presenta es que el programa no libera memoria sino cuando se regresa al prompt. De
esta forma cualquier operacin iterativa mucha memoria puede ser utilizada (no
necesariamente por un nmero grande de iteraciones, con nmeros tan pequeos como 10
puede ocurrir). Esto causa que el computador se quede sin memoria o que se presente un
uso intensivo del disco duro. Otro sntoma, cuando se trabaja en estaciones con posibilidad
de realizar mltiples tareas simultneamente o con varios usuarios, es que el sistema se
vuelva en extremo lento. Algunos remedios pueden ser los siguientes:

1. Evite las iteraciones tanto como sea posible utilizando los arreglos y las operaciones
sobre listas (ejemplos: apply, lapply; adems de las operaciones matriciales
corrientes).

x<-rnorm(100000)
media.1<-function(x){
temp<-0
for(i in 1:length(x)){ temp<-temp[i]
media<-temp/length(x)
media}
}
media.2<-function(x) sum(x)/length(x)
media.3<-function(x) mean(x)
#Determinacin del tiempo de
#uso de la cpu o procesamiento:
system.time(media.1(x))
[1] 0.45 0.00 0.45 NA NA

system.time(media.2(x))
[1] 0 0 0 NA NA

system.time(media.3(x))
97
[1] 0.01 0.00 0.01 NA NA

El tiempo gastado por el programa para calcular la media es 10 veces mayor utilizando el
for que utilizando la funcin mean() o con sum() .
2. Codifique la iteracin bsica en Fortran o C y llmela desde el programa. Esto
requiere un esfuerzo extra de programacin y puede no funcionar en algunas
plataformas.

Otras funciones para controlar loops son

>repeat expresion

y el comando

> while(condicion) expresion

En el siguiente ejemplo, se estima el nmero de unidades de reserva a emplear en un
sistema compuesto por una unidad principal y n de reserva (las reservas se utilizan una a
una a medida que vayan fallando) cada una con un tiempo T
i
, i=1,2,...,T
n+1
de vida
distribudo weibull con parmetro de forma a y de escala b, de manera que la probabilidad
de que el sistema opere por ms de t unidades de tiempo sea al menos cierta cantidad
0<<1; es decir P(t>t)>. El tiempo de vida del sistema es t =T
1
+T
2
+...+T
n+1

con T
i
~weibull(a,b), Supongamos que t=2, a=2, b=0.5, =0.9:
#iniciar un contador en 0

k<-0

#Definir valores para
98
#los parmetros
t<-2
a<-2
b<-0.5
gamma<-0.9

#inicializar la probabilidad
#buscada, con un valor de cero.
p.est.n<-0

#Determinar por simulacin
#valores aleatorios de la variable tau
#para nro. de reservas=0,1,2,...hasta
#el primer valor de n que cumpla la condicin
#de p(tau>t)>=gamma. A partir de 1000
#muestras de tamao 100 :

nsim<-1000
ksim<-100
while(p.est.n<gamma){
k<-k+1
conta<-0
#Repetir nsim veces la generacin de
#ksim valores aleatorios de tau para el valor
#actual de k:

for(i in 1:nsim){
tau.obs<-c(rep(0,ksim))
}
#Generar ksim valores de tau que
#corresponde a la suma de k weibulls(a,b)
#y guardarlos en el vector tau.obs previamente
#inicializado con ceros:

for(j in 1:ksim){
99
T<-rweibull(k,shape=a,scale=b)
tau.obs[j]<-sum(T)
}
#Conteo por cada muestra de tamao ksim
#de los valores generados de tau mayores
#que el valor t considerado, y almacenamiento
#de estos conteos en un vector ("conta" cuyo
#primer valor ser siempre 0 para poder usar
#luego la funcin append) cuyos elementos
# se van incrementado hasta que el valor de k
# es tal que la propocin muestral "p.est.n" de
# valores de (tau >t) es mayor o igual a gamma:
cont<-length(tau.obs[tau.obs>t])
conta<-append(conta,cont)
}
p.est.n<-sum(conta)/(ksim*nsim)
res<-list(nro.reserv=k-1,p.est.n=p.est.n)
}
> res
$nro.reserv
[1] 6
$p.est.n
[1] 0.97

De acuerdo a lo anterior, se requieren 6 unidades de reserva para garantizar que la
probabilidad de que el sistema opere ms de 2 unidades de tiempo.

3.2.1 Cmo parar ciclos: La funcin stop()
La funcin stop() sirve para abortar un procedimiento para el que se cumpla alguna
condicin particular. Detiene la ejecucin de la expresin actual, imprime el mensaje dado
como argumento, y luego ejecuta una accin de error.
100
stop(message = NULL, call. = TRUE)

Argumentos:

message: un vector de caracteres de longitud 1 o `NULL'.

call.: Argumento lgico que indica si la llamada ser parte del mensaje de error.

Ejemplo:
> for(i in 1:100){
+ temp<-rnorm(1)
+ if(temp>2) stop('Se logra un numero mayor que 2')
+ }
Error: Se logra un numero mayor que 2
>
3.3. Objetos en R
La informacin es manipulada en R es en forma de objetos. Ejemplos de objetos son
vectores de valores numricos (reales) o valores complejos, vectores de valores lgicos y
vectores de caracteres. Estos son conocidos como estructuras atmicas ya que sus
componentes son todos del mismo tipo o modo. Las mismas funciones del R son objetos. R
tambin opera con objetos llamados listas, que son del modo lista. Estos son secuencias
ordenadas de objetos que individualmente pueden ser de cualquier tipo.

3.3.1 Funcin append
Esta funcin permite agregar elementos a un vector o unir vectores.
101
append(x, values, after=length(x))

Argumentos:

x: El vector a ser modificado.

values: Valores a ser includos en el vector modificado.

after: Un subndice, despus del cual los valores van a ser agregados.

Valor: Esta funcin genera un vector que contiene los valores en `x' con los
elementos de `values' agregados despus del elemento de `x' especificado.

Ejemplos:
> a<-c(rnorm(10))
> a
[,1]
[1,] -1.2961701
[2,] -0.9220065
[3,] -1.1227425
[4,] -3.1331096
[5,] -1.3215306
[6,] 0.4399376
[7,] -1.6406378
[8,] -0.6781794
[9,] 2.1854698
[10,] -0.8711059

> b<-c(rexp(10))
> b
[,1]
[1,] 0.6752021
[2,] 0.9485898
102
[3,] 3.8524993
[4,] 1.8882795
[5,] 1.1236463
[6,] 1.3654229
[7,] 0.7593380
[8,] 0.3170737
[9,] 1.9335677
[10,] 1.1592543

#Formar un nuevo vector con
#los vectores a y b
> t<-append(a,b)
> t
[1] 0.750172910 -0.626747997 0.776044312 1.054390254 -0.093146289
[6] -0.435600090 -0.327977143 1.589835229 0.431930587 0.812786494
[11] 0.206826698 0.615974670 0.357283118 0.290794746 0.342937697
[16] 0.105532442 0.088188337 0.006005927 1.176917191 0.215131458

#Generar valores de
#una variable aleatoria poisson
#de lambda=1 hasta hallar el primero
#que sea mayor o igual a 2:
> t<-rpois(1,1)
> t
[1] 1
> p<-t
> while(p<2){
+ p<-rpois(1,1)
+ t<-append(t,p)
+
> x<-length(t)
> x
[1] 19
> t
[1] 1 0 1 1 0 1 0 1 0 1 0 0 1 1 0 1 0 1 2

#repitamos 100 veces este proceso
#veamos la distribucin de la
#variable x: No. de valores de una poisson
103
#generados hasta hallar el primer
#valor mayor o igual a 2:
#definir un valor arbitrario para
#el vector x para poder invocar
#posteriormente a la funcin append
x<--100
for(i in 1:1000){
t<-rpois(1,1)
p<-t
while(p<2){
p<-rpois(1,1)
t<-append(t,p)
}
x<-append(x,length(t))
}
#Eliminar el primer elemento
#del vector de conteos que fuera
#definido arbitrariamente
x<-x[-1]

#construccin de una tabla
#de frecuencias para x:
table(x)
x
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 18 20 21 22
269 186 139 109 74 51 47 25 33 19 10 14 8 5 3 3 1 1 1 1
27
1
#Construccin de un diagrama de
#barras para la distribucin de
#frecuencias de x:

> barplot(table(x),space=0,main="Distribucin muestral de X\nNmero de
valores poisson generados\nhasta el primer valor >=2",
xlab="X",ylab="Frecuebcias")
>
104
La distribucin de frecuencias de la variable x del ltimo experimento est representada en
la figura.3.1.

Figura 3.1: La variable aleatoria X de este experimento tiene una distribucin
geomtrica.
Un tipo de objeto importante en R es el arreglo de doble entrada, u objeto matriz . Para
crear una matriz usamos la funcin matrix(). Toma como argumentos un vector y dos
nmeros que especifican las filas y las columnas. Por ejemplo:

> matrix(1:16,nrow=4,ncol=4)

105
crea una matrix de 4 4 con los enteros desde el 1 hasta el 16. Si queremos llenar la
matriz por filas, usamos la opcin byrow=T en matrix . En el ejemplo
anterior pudimos haber escrito

> matrix(1:16,ncol=4,byrow=T)

3.3.2 Funcin matrix, is.matrix, as.matrix
En R es posible crear matrices y convertir data frames en matrices utilizando:

matrix Crea una matriz desde un conjunto de valores dado.

as.matrix Intenta convertir su argumento en una matriz.

is.matrix Prueba si su argumento es una matriz (estricta).

matrix(data = NA, nrow = 1, ncol = 1,
byrow = FALSE, dimnames = NULL)

as.matrix(x)

is.matrix(x)

Argumentos:

data: Un vector opcional de datos.

nrow: El nmero deseado de filas.

106
ncol: El nmero deseado de columnas.

byrow: Argumento lgico. Si es FALSE (valor por defecto), la matriz es llenada por
columnas (es decir los objetos en `data' son colocados en secuencia llenando la
primera columna, luego la siguiente, etc.) de lo contrario la matriz es llenada por
filas.

dimnames: Un atributo `dimnames' para la matriz, es decir, una lista (`list') de
longitud 2 dando los nombres de la dimensin correspondiente a las filas y de la
dimensin correspondiente a las columnas (no son los nombres de los niveles de cada
una de estas dos dimensiones).

x: Un objeto R.

Detalles:
Si `nrow' o `ncol' no es dado, el programa intenta inferirlo a partir de la longitud de
`data' y el otro parmetro.

is.matrix devuelve `TRUE' si `x' es una matriz (es decir, si no es una
`data.frame' y tiene un atributo `dim' de longitud 2) y `FALSE' en caso contrario.

Ver tambin: data.matrix .
Ejemplos:
is.matrix(as.matrix(1:10))
[1] TRUE
data(warpbreaks)
107
> warpbreaks
breaks wool tension
1 26 A L
2 30 A L
3 54 A L
4 25 A L
5 70 A L
6 52 A L
7 51 A L
8 26 A L
9 67 A L
10 18 A M
11 21 A M
12 29 A M
13 17 A M
14 12 A M
15 18 A M
16 35 A M
17 30 A M
18 36 A M
19 36 A H
20 21 A H
21 24 A H
22 18 A H
23 10 A H
24 43 A H
25 28 A H
26 15 A H
27 26 A H
28 27 B L
29 14 B L
30 29 B L
31 19 B L
32 29 B L
33 31 B L
34 41 B L
35 20 B L
36 44 B L
37 42 B M
108
38 26 B M
39 19 B M
40 16 B M
41 39 B M
42 28 B M
43 21 B M
44 39 B M
45 29 B M
46 20 B H
47 21 B H
48 24 B H
49 17 B H
50 13 B H
51 15 B H
52 15 B H
53 16 B H
54 28 B H

#Determinando la estructura del objeto R
> str(warpbreaks)
`data.frame': 54 obs. of 3 variables:
$ breaks : num 26 30 54 25 70 52 51 26 67 18 ...
$ wool : Factor w/ 2 levels "A","B": 1 1 1 1 1 1 1 1 1 1 ...
$ tension: Factor w/ 3 levels "L","M","H": 1 1 1 1 1 1 1 1 1 2 ...

#usando as.matrix.data.frame(.) method:
> str(as.matrix(warpbreaks))
chr [1:54, 1:3] "26" "30" "54" "25" "70" "52" "51" "26" "67" "18" "21" ...
- attr(*, "dimnames")=List of 2
..$ : chr [1:54] "1" "2" "3" "4" ...
..$ : chr [1:3] "breaks" "wool" "tension"

> a<-matrix(as.matrix(warpbreaks),ncol=3)
> a
[,1] [,2] [,3]
[1,] "26" "A" "L"
[2,] "30" "A" "L"
[3,] "54" "A" "L"
[4,] "25" "A" "L"
109
[5,] "70" "A" "L"
[6,] "52" "A" "L"
[7,] "51" "A" "L"
[8,] "26" "A" "L"
[9,] "67" "A" "L"
[10,] "18" "A" "M"
[11,] "21" "A" "M"
[12,] "29" "A" "M"
[13,] "17" "A" "M"
[14,] "12" "A" "M"
[15,] "18" "A" "M"
[16,] "35" "A" "M"
[17,] "30" "A" "M"
[18,] "36" "A" "M"
[19,] "36" "A" "H"
[20,] "21" "A" "H"
[21,] "24" "A" "H"
[22,] "18" "A" "H"
[23,] "10" "A" "H"
[24,] "43" "A" "H"
[25,] "28" "A" "H"
[26,] "15" "A" "H"
[27,] "26" "A" "H"
[28,] "27" "B" "L"
[29,] "14" "B" "L"
[30,] "29" "B" "L"
[31,] "19" "B" "L"
[32,] "29" "B" "L"
[33,] "31" "B" "L"
[34,] "41" "B" "L"
[35,] "20" "B" "L"
[36,] "44" "B" "L"
[37,] "42" "B" "M"
[38,] "26" "B" "M"
[39,] "19" "B" "M"
[40,] "16" "B" "M"
[41,] "39" "B" "M"
[42,] "28" "B" "M"
[43,] "21" "B" "M"
110
[44,] "39" "B" "M"
[45,] "29" "B" "M"
[46,] "20" "B" "H"
[47,] "21" "B" "H"
[48,] "24" "B" "H"
[49,] "17" "B" "H"
[50,] "13" "B" "H"
[51,] "15" "B" "H"
[52,] "15" "B" "H"
[53,] "16" "B" "H"
[54,] "28" "B" "H"

3.3.3 Funcin data.matrix
Permite construir una matriz convirtiendo todas las variables en un data frame a un modo
numrico y entonces pegarlos juntos como las columnas de una matriz. Los factores y los
factores ordenados son reemplazados por sus cdigos.

data.matrix(frame)

Argumentos:

frame: Un data frame cuyos componentes son bien sea vectores lgicos, factores o
vectores numricos.

Ver tambin: as.matrix, codes, data.frame, matrix.

Ejemplo:
> data.matrix(warpbreaks)
breaks wool tension
1 26 1 2
111
2 30 1 2
3 54 1 2
4 25 1 2
5 70 1 2
6 52 1 2
7 51 1 2
8 26 1 2
9 67 1 2
10 18 1 3
11 21 1 3
12 29 1 3
13 17 1 3
14 12 1 3
15 18 1 3
16 35 1 3
17 30 1 3
18 36 1 3
19 36 1 1
20 21 1 1
21 24 1 1
22 18 1 1
23 10 1 1
24 43 1 1
25 28 1 1
26 15 1 1
27 26 1 1
28 27 2 2
29 14 2 2
30 29 2 2
31 19 2 2
32 29 2 2
33 31 2 2
34 41 2 2
35 20 2 2
36 44 2 2
37 42 2 3
38 26 2 3
39 19 2 3
40 16 2 3
112
41 39 2 3
42 28 2 3
43 21 2 3
44 39 2 3
45 29 2 3
46 20 2 1
47 21 2 1
48 24 2 1
49 17 2 1
50 13 2 1
51 15 2 1
52 15 2 1
53 16 2 1
54 28 2 1

3.3.4 Funcin list
Otro objeto con el que trabaja R es el objeto lista , es el ms general y flexible para
guardar datos. Una lista es una coleccin ordenada de componentes. Estos componentes
pueden ser de diversas clases. Podemos tener una lista con dos componentes: un vector de
caracteres y una matriz de nmeros. Se puede crear una lista con la funcin list().
Existe una serie de funciones en R que permiten construir listas, convertir toda clase de
objetos R en listas y para chequear si lo son.

list(...)
pairlist(...)

as.list(x, ...)
as.list.default(x, ...)
as.pairlist(x)

is.list(x)
is.pairlist(x)

113
alist(...)

Argumentos:

...: Objetos.

x: Objeto R a ser forzado o probado como lista.

Detalles:
La mayora de las listas en R internamente son vectores genricos, mientras que las
listas de pares punteadas tradicionales (como en LISP) estn an disponibles.

Los argumentos para list o pairlist son de la forma `value' o `tag=value'.
Las funciones devuelven una lista compuesta de sus argumentos con cada valor ya
sea etiquetadas o no etiquetadas, dependiendo de cmo fue especificado el
argumento.

alist es como list , excepto en la manipulacin de los argumentos etiquetados
sin valor. Estos son manejados como si ellos describieran los argumentos de una
funcin sin valor por defecto. En tanto que list simplemente los ignora.

as.list intenta forzar su argumento al tipo lista. Para funciones, sta devuelve la
concatenacin de la lista de los argumentos formales y el cuerpo de la funcin. Para
expresiones, la lista de llamadas componentes es devuelta.

114
is.list devuelve un `TRUE' si y slo s su argumento es un `list' o un `pairlist' de
longitud mayor que 0, mientras que is.pairlist slo retorna un `TRUE' en el
ltimo caso.

Un pairlist vaco, pairlist() es igual a `NULL'. Esto es diferente de list().
Ver tambin: vector(., mode="list") , c para concatenacin; formals.
Ejemplos:
> x<-list(a=1:10, b=c(manzana, pera))

nos crea una lista, llamada x , que tiene componentes a y b. a es un vector de nmeros
y b es un vector de caracteres. Observe que los componentes tienen un nmero diferente
de componentes. Si queremos hacer referencia al componente a del objeto x escribimos
x$a.
> x$a

nos mostrar los elementos de a . Veamos otros ejemplos:

data(cars)
#Crear una estructura
#para graficacin
pts <- list(x=cars[,1], y=cars[,2])

#graficar los valores de
#cars[,2] vs. cars[,1]
plot(pts)

#Listar Argumentos
> f <- function(x,y)sin(x)*exp(-y)
115
>list(f)
[[1]]
function(x,y)sin(x)*exp(-y)

> t<-pairlist(f)
>t
[[1]]
function(x,y)sin(x)*exp(-y)

#Forzar un objeto R como lista
> as.list(f)
$x

$y

[[3]]
sin(x) * exp(-y)

#Verificar si un objeto R es una lista
> is.list(as.list(f))
[1] TRUE
> is.list(f)
[1] FALSE

#creando listas con objetos R
> a<-c("manzanas","naranjas","peras")
> b<-c(100,140,50)
> n<-list(frutas=a,cantidad=b)
>n
$frutas
[1] "manzanas" "naranjas" "peras"

$cantidad
[1] 100 140 50

> m<-pairlist(frutas=a,cantidad=b)
> m
$frutas
[1] "manzanas" "naranjas" "peras"
116

$cantidad
[1] 100 140 50

#invocando una componente de una lista
> n$cantidad
[1] 100 140 50

> n[1]
$frutas
[1] "manzanas" "naranjas" "peras"

#Forzando a ser lista

> as.list(c(a,b))
[[1]]
[1] "manzanas"

[[2]]
[1] "naranjas"

[[3]]
[1] "peras"

[[4]]
[1] "100"

[[5]]
[1] "140"

[[6]]
[1] "50"

> as.pairlist(c(a,b))
[[1]]
[1] "manzanas"

[[2]]
[1] "naranjas"
117

[[3]]
[1] "peras"

[[4]]
[1] "100"

[[5]]
[1] "140"

[[6]]
[1] "50"

> alist(c("manzanas","naranjas","peras"))
[[1]]
c("manzanas", "naranjas", "peras")

> list(c("manzanas","naranjas","peras"))
[[1]]
[1] "manzanas" "naranjas" "peras"

Muchas funciones en R cuando son ejecutadas entregan un objeto. Este objeto debe ser
manipulado en la forma descrita para obtener los resultados deseados.

3.3.5 Funcin unlist
Dada una estructura `x' tipo lista, esta funcin la simplifica para producir un vector que
contiene todos los componentes atmicos que ocurren en `x'.

unlist(x, recursive = TRUE, use.names = TRUE)

Argumentos:

x: Una lista o vector.
118
recursive: Argumento lgico. Debera unlisting ser aplicado para listar las
componentes de `x'?

use.names: Argumento lgico. Deberan preservarse los nombres?.

Detalles:
Si `recursive = FALSE', la funcin no se repite ms all de los items de
primer nivel en `x'.

`x' puede ser un vector, pero entonces unlist no hace nada til, ni siquiera quita
los nombres.

Por defecto, unlist intenta retener informacin de denominacin presente en `x'.
Si `use.names = FALSE' toda la informacin de denominacin es quitada.

Donde es posible los elementos de la lista son forzados a un modo comn durante el
unlisting, y as a menudo terminan como un vector de caracteres.

Una lista es un vector genrico, y el vector simplificado debe an ser una lista (y debe
ser incambiable). Elementos no vectoriales de la lista (tales como nombres, frmulas)
no son forzados, y as una lista contiene uno o ms de estos restos de una lista.

Ver tambin: `c', `as.list'.

Ejemplos:
>a<-c("manzanas","naranjas","peras")
>b<-c(100,140,50)
119
> n<-list(frutas=a,cantidad=b)

#Descomponiendo la lista
#note que en este caso la funcin
#forza a todos los elementos
#a ser caracteres
> unlist(n)
frutas1 frutas2 frutas3 cantidad1 cantidad2 cantidad3
"manzanas" "naranjas" "peras" "100" "140" "50"

#Eliminando los nombres de
#las componentes
> unlist(n,use.names=FALSE)
[1] "manzanas" "naranjas" "peras" "100" "140" "50"

#Otro ejemplo:
> tiempo1<-rexp(10)
> tiempo2<-rexp(10,rate=0.5)
> tiempos<-list(llegadas=tiempo1,servicio=tiempo2)
> tiempos

$llegadas
[1] 0.03234987 0.48611757 0.13446453 1.10649004 0.33979095 1.34478218
[7] 0.12969581 1.43734645 4.08248358 0.32642360

$servicio
[1] 3.19001640 0.19896770 1.13467186 14.93080135 3.84831055 0.23845463
[7] 0.14711193 0.89396062 0.34205063 0.08852118

> unlist(tiempos)
llegadas1 llegadas2 llegadas3 llegadas4 llegadas5 llegadas6
0.03234987 0.48611757 0.13446453 1.10649004 0.33979095 1.34478218
llegadas7 llegadas8 llegadas9 llegadas10 servicio1 servicio2
0.12969581 1.43734645 4.08248358 0.32642360 3.19001640 0.19896770
servicio3 servicio4 servicio5 servicio6 servicio7 servicio8
1.13467186 14.93080135 3.84831055 0.23845463 0.14711193 0.89396062
servicio9 servicio10
0.34205063 0.08852118
120
3.3.6 Funcin data.frame
Estas funciones crean o manipulan data frames, colecciones de variables conectadas
fuertemente las cuales comparten muchas de las propiedades de las matrices y listas, usados
como la estructura fundamental de datos por la mayora del software de modelacin de R.

data.frame(..., row.names = NULL, check.rows = FALSE,
check.names = TRUE)

as.data.frame(x, row.names = NULL, optional)
is.data.frame(x)

row.names(x)
row.names(x) <- names
print(x, ..., digits = NULL, quote = FALSE, right = TRUE)
plot (x, ...)

Argumentos:

...: Estos argumentos son o de la forma `value' o de la forma `tag=value'. Los
nombres de las componentes son creados con base en la etiqueta (si existe) o del
argumento suministrado por s mismo.

row.names: Un vector de caracteres dando los nombres de las filas para el data
frame.

check.rows: Argumento lgico. Si es `TRUE' entonces las filas son revisadas para
verificar la consistencia de la longitud y los nombres.

121
check.names: rgumento lgico. Si es `TRUE' entonces los nombres de las variables
en el data frame son revisados para asegurar que son nombres de variables
sintcticamente vlidos. Si es necesario ellos son ajustados (por medio de
`make.names') para que lo sean.

data.frame.obj: Objetos de clase `data.frame'.

...: Argumentos opcionales para los mtodos `print' o `plot'.

optional: Argumento lgico. Si es `TRUE', ajustar los nombres de fila es opcional.

Detalles:
Variables no numricas sometidas a data.frame son convertidas a columnas
factor a menos que sean protegidas por `I' (ver funcin `I'). Esta aplica a variables
caracter y variables lgicas, en particular. Tambin aplica para agregar columnas a
un data frame.

Si una lista, data frame o una matriz es pasada a data.frame esto resulta como si
cada columna hubiese sido pasada como un argumento separado, con la excepcin de
matrices de la clase `model.matrix'.
Valor:
Para `data.frame(.)' un data frame, una estructura como matricial cuyas
columnas pueden ser de diferentes tipos (numricos, tipo factor y caracteres).

122
`as.data.frame' es una funcin genrica con muchos mtodos. Intenta forzar
su argumento para que sea un data frame.

`is.data.frame' devuelve un `TRUE' si su argumento es un data frame y un
valor de `FALSE' de lo contrario.

`row.names' puede ser usado para ajustar y retroalimentar los nombres de fila de
un data frame, similarmente a `rownames' para arreglos (y es una funcin genrica
que llama a `rownames' para algn argumento de array .
Ejemplos:
#creacin de un data frame
#que contiene tres variables
#x, y, fac
>L3 <- LETTERS[1:3]
> d <- data.frame(cbind(x=1, y=1:10), fac=sample(L3, 10, repl=TRUE))
> d
x y fac
1 1 1 A
2 1 2 A
3 1 3 C
4 1 4 C
5 1 5 A
6 1 6 C
7 1 7 C
8 1 8 C
9 1 9 C
10 1 10 A

#llamada de una variable componente
#del dataframe
> d$x
123
[1] 1 1 1 1 1 1 1 1 1 1

#manipulacin de datos
#en variables numricas del
#dataframe
> mean(d$x)
[1] 1
> mean(d$y)
[1] 5.5

#Creacin de un dataframe con nombres de
#columnas automticos
> e<-data.frame(cbind( 1, 1:10),sample(L3, 10, repl=TRUE))
> e
X1 X2 sample.L3..10..repl...TRUE.
1 1 1 C
2 1 2 B
3 1 3 A
4 1 4 A
5 1 5 A
6 1 6 C
7 1 7 B
8 1 8 B
9 1 9 A
10 1 10 C

#forzando un objeto R a data frame
> as.data.frame((cbind(x=1, y=1:10)))
x y
1 1 1
2 1 2
3 1 3
4 1 4
5 1 5
6 1 6
7 1 7
8 1 8
9 1 9
10 1 10
124
3.3.7 Removiendo Objetos
Si objetos viejos no son removidos, eventualmente, el sistema podra copar el disco duro
con estos objetos y colapsar. Por esto es necesario hacer una labor de limpieza
regularmente. Dentro de una sesin R se deben eliminar los objetos que no se utilizarn
nuevamente. Para hacer esto se usa la funcin rm() . El argumentos de esta funcin es la
lista de objetos, separados por comas, que se quieren eliminar. Si se quiere saber que
objetos hay en el sistema se usa la funcin objects() ls(), cuyo resultado es una
lista de los objetos presentes.

125
Captulo 4: Creacin de Nuevas Funciones
en R
Una de las mayores ventajas del programa R es la facilidad que le deja al usuario de crear
nuevas funciones que se integran automticamente al sistema y que pueden seguir siendo
usadas posteriormente. En R se dispone de function, return las cuales
proporcionan los mecanismos de base para definir nuevas funciones en lenguaje R.

function( arglist ) expr
return(value)

Argumentos:

arglist: Vaco o uno o mas nombres separados por comas indicando los argumentos
de la funcin o trminos del tipo nombre=expresin.

value: Una expresin o una serie de expresiones separadas por comas.

Detalles
En R los nombres en una lista de argumentos no pueden estar entre comillas ni ser
nombres estndar.

Si `value' es una serie de expresiones, el valor devuelto es una lista de las expresiones
evaluadas, con los conjuntos de nombres para las expresiones donde stas son los
nombres de objetos R.

126
Ver tambin: args y body para accesar a los argumentos y al cuerpo de una funcin.

Ms detalladamente, La sintaxis para escribir funciones es la siguiente:

> mi.funcion<-function(argumento1,argumento2,...)
...Instrucciones en R...

Si slo tenemos una lnea de instrucciones las llaves no son necesarias. Por ejemplo si
queremos crear una funcin que nos entregue el coeficiente de kurtosis, podemos entrar el
siguiente comando.

> kurtosis<-function(x)
> mean(((x-mean(x))/sqrt(var(x)))^4)-3

As mismo si queremos definir una funcin que calcule el coeficiente de asimetra podemos
entrar el siguiente comando

> asimetria<-function(x)
mean(((x-mean(x))/sqrt(var(x)))^3)

Las anteriores funciones quedan integradas al R y pueden seguir siendo utilizadas sin
necesidad de definirlas. Si queremos ver cmo est definida una funcin damos su nombre
simplemente sin parntesis.

En caso de tener ms de una lnea las llaves son necesarias para distinguir la funcin de los
otros comandos. Una vez la funcin es definida pasa a ser parte integral del R y puede
llamarse en otras ocasiones.

127
Por ejemplo, para calcular la media geomtrica de un vector x podemos definir la siguiente
funcin:

> media.geometrica<-function(x) prod(x)^(1/length(x))

Si queremos usarla posteriormente para calcular la media geomtrica de un vector y
simplemente escribimos el comando

> media.geometrica(y)

Otro ejemplo es la siguiente funcin que permite hacer un rpido anlisis exploratorio
grfico de una variable:

> forma.aed<-function(x){
par(mfrow=c(2,2))
hist(x)
boxplot(x)
dic<-summary(x)[5]-summary(x)[2]
plot(density(x,width=2*dic), xlab="x", ylab=" ", type="l")
qqnorm(x)
qqline(x)}

Esta es una funcin que produce cuatro grficas: un histograma, una caja de Tukey, una
estimacin de la densidad y un grfico q-q (cuantil vs. cuantil), y le adiciona una lnea que
pasa por el primer y tercer cuartil.

Retomando el ejemplo presentado previamente sobre el clculo del nmero de unidades de
reservas necesarias para que la probabilidad opere por un perido mayor que cierto t sea
mayor o igual que un valor dado, asumiendo que los tiempos de vida de las reservas y de
la unidad principal se distribuyen weibull con los mismos parmetros. Una funcin para
este fin nos permitira hacer este clculo para cualquier conjunto de parmetros:
128
reservas.weibull<-function(a,b,t,gamma,nsim,ksim){
k<-0
p.est.n<-0
while(p.est.n<gamma){
k<-k+1
conta<-0
for(i in 1:nsim){
tau.obs<-c(rep(0,ksim))
for(j in 1:ksim){
T<-rweibull(k,shape=a,scale=b)
tau.obs[j]<-sum(T)
}
cont<-length(tau.obs[tau.obs>t])
conta<-append(conta,cont)
}
p.est.n<-sum(conta)/(ksim*nsim)
res<-list(nro.reserv=k-1,p.est.n=p.est.n)
}
res
}
#Una aplicacin de la funcin:

> reservas.weibull(2,0.5,2,0.9,1000,100)
$nro.reserv
[1] 6

$p.est.n
[1] 0.97237

Una funcin para el ejemplo previo donde se simul los valores de una variable aletatoria X
que contaba el nmero de variables poisson () a generar hasta obtener un nmero de
eventos mayor o igual a cierto valor:
129
geometrica<-function(lambda,nsim){
x<--100
for(i in 1:nsim){
t<-rpois(1,lambda)
p<-t
while(p<2){
p<-rpois(1,1)
t<-append(t,p)
}
x<-append(x,length(t))
}
x<-x[-1]
x
}
#Una aplicacin:

res<-geometrica(1,1000)

Algunas reglas para escribir funciones en R
Utilice nombres completos tanto para definir funciones como para los argumentos.
Aunque el nombre de los argumentos puede ser abreviado, el nombre completo puede
dar mayor claridad. Existen muchas funciones en R, por lo tanto la seleccin de un
buen nombre es importante.

Escoja defaults razonables para los argumentos.

Comience de una forma simple, chequeando inmediatamente y agregue capacidades y
complejidad gradualmente e interactivamente.

130
Trate de pensar en trminos de todo el problema. Qu es lo que se pretende
conseguir al final?. No trate de escribir las instrucciones secuencialmente como se
hace en un programa de Fortran.

Trate con la situacin ms general, si es posible. Por ejemplo, qu hacer con NA's
(datos faltantes), con datos de tipo caracter, listas, argumentos de longitud 0. De otra
parte, recuerde que es fcil complicarse demasiado. Un programa corto es preferible
si funciona bien el 90% de las veces a un programa extremadamente largo que
considera todos los casos posibles.

Haga los apropiados chequeos de errores.

Sea especialmente cuidadoso en la construccin de un vector elemento a elemento en
loops. Es preferible crear un objeto completo y reemplazar sus partes poco a poco que
tener que aumentar un objeto cada vez.

Utilice lneas de comentario. Escriba buena documentacin.

Utilice on.exit() para hacer limpieza final: cambios en parmetros en grficos,
remover archivos temporales, etc.

Las funciones cat() y readline() son de gran utilidad cuando trabajamos con
funciones. La funcin cat() permite imprimir en pantalla valores que tienen variables y
mensajes. Esto es til en el momento de depurar una funcin. Un ejemplo sencillo es el
siguiente:

y <- NULL
for(i in 1:3){
y <- y+i
131
cat("i es ",i,"\n")
}
i es 1
i es 2
i es 3

La funcin readline() regresa un conjunto de caracteres entrados por pantalla. La
entrada termina luego de pulsar la tecla enter. Consideremos el siguiente ejemplo que nos
permite escoger una de dos distribuciones para generar una muestra de tamao 10:

> ejemplo <- function(){
cat("Escriba el nombre de la distribucin para generar","\n")
cat("una muestra de 10 observaciones","\n")
cat("Normal o Uniforme?")
distrib <- readline()
switch(distrib,Normal=rnorm(10),Uniforme=runif(10),
stop("Seleccion invalida"))
}
Ejemplo:

> ejemplo()
Escriba el nombre de la distribucin para generar
una muestra de 10 observaciones
Normal o Uniforme?Normal
[1] 0.03739638 0.51370761 0.93633222 -0.96063739 -1.40418324 1.32700988
[7] 1.21586688 -0.23684435 1.04664870 -0.34162372

> ejemplo()
Escriba el nombre de la distribucin para generar
una muestra de 10 observaciones
132
Normal o Uniforme?Uniforme
[1] 0.4946902 0.3232580 0.7835886 0.5212327 0.6081415 0.5861348 0.6357172
[8] 0.9553567 0.7956487 0.5185195

4.1. Problemas de Memoria en R
Cuando se requiere el uso del R para ayudar a resolver ciertos problemas, como puede ser
el caso de simulaciones, a veces aparece un problema con la memoria disponible. El
problema es grave cuando se utilizan 'loops', por ejemplo for, while y repeat, ya que el
programa no libera memoria hasta que no se termina y vuelve a aparecer el prompt. En este
caso lo mejor es vectorizar. Soluciones, al menos parciales pueden ser:

1. Re-utilice las variables temporales si puede.

2. Evite ir creciendo un objeto

3. No asigne nombres a pasos intermedios si no es absolutamente necesario

4. Puede ser aconsejable que los clculos mas complejos sean codificados en C o
FORTRAN

133
Captulo 5: Matrices

R es un programa con una gran base de funciones que permiten resolver problemas de
lgebra lineal. Aqu mencionamos unas cuantas:

5.1. Operaciones bsicas con matrices

Si A y B son matrices entonces podemos usar los operadores *, %*%. El primero es la
operacin producto elemento a elemento, obviamente las matrices deben tener la misma
dimensin. El segundo operador corresponde a la multiplicacinde matrices.

> A<-matrix(1:20,ncol=4,byrow=T)
> A
[,1] [,2] [,3] [,4]
[1,] 1 2 3 4
[2,] 5 6 7 8
[3,] 9 10 11 12
[4,] 13 14 15 16
[5,] 17 18 19 20

> B<-matrix(2:21,ncol=4,byrow=T)
> B
[,1] [,2] [,3] [,4]
[1,] 2 3 4 5
[2,] 6 7 8 9
[3,] 10 11 12 13
[4,] 14 15 16 17
[5,] 18 19 20 21

> c<-A*B
> c
134
[,1] [,2] [,3] [,4]
[1,] 2 6 12 20
[2,] 30 42 56 72
[3,] 90 110 132 156
[4,] 182 210 240 272
[5,] 306 342 380 420

> d<-A%*%t(B)
> d
[,1] [,2] [,3] [,4] [,5]
[1,] 40 80 120 160 200
[2,] 96 200 304 408 512
[3,] 152 320 488 656 824
[4,] 208 440 672 904 1136
[5,] 264 560 856 1152 1448

5.2. Transposicin de una matriz
t(): Esta funcin retorna la matriz transpuesta del argumento:

> B<-matrix(c(1,2,8,3),ncol=2)
> B
[,1] [,2]
[1,] 1 8
[2,] 2 3

> t(B)
[,1] [,2]
[1,] 1 2
[2,] 8 3
>
135
5.3. Productos cruzados
crossprod(): Dadas las matrices `x' y `y' como argumentos crossprod retorna la
matriz del producto cruzado, es decir X
T
Y. Si slo se da un argumento, digamos X,
entonces devuelve X
T
X.
> A
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 4 5
[3,] 3 5 2

> crossprod(A)
[,1] [,2] [,3]
[1,] 14 25 19
[2,] 25 45 36
[3,] 19 36 38
>
> t(A)%*%A
[,1] [,2] [,3]
[1,] 14 25 19
[2,] 25 45 36
[3,] 19 36 38
>
5.4. Descomposicin SVD

svd(): produce la descomposicin en valores singulares de una matriz rectangular:

> A
[,1] [,2] [,3]
136
[1,] 1 2 3
[2,] 2 4 5
[3,] 3 5 2
> desc<-svd(A)
desc
$d [1] 9.51206040 2.55323549 0.04117509

$u
[,1] [,2] [,3]
[1,] -0.3789216 -0.3931549 -0.83776349
[2,] -0.6934136 -0.4788893 0.53837038
[3,] -0.6128589 0.7849168 -0.09115742

$v
[,1] [,2] [,3]
[1,] -0.3789216 0.3931549 -0.83776349
[2,] -0.6934136 0.4788893 0.53837038
[3,] -0.6128589 -0.7849168 -0.09115742

U<-desc$u
D<-diag(desc$d)
V<-desc$v

U%*%D%*%t(V)

[,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 4 5
[3,] 3 5 2

5.5. Descomposicin QR

qr(): Produce la descomposicin QR de una matriz:
137
qr(x, tol=1e-07) qr.coef(qr, y) qr.qy(qr, y) qr.qty(qr, y)
qr.resid(qr, y) qr.fitted(qr, y, k = qr$rank) qr.solve(a, b, tol =1e-7)
is.qr(x)
as.qr(x)

Argumentos:

x: La matriz sobre la cual se har la descomposicin.

tol: La tolerancia para detectar dependencias lineales entre las columnas de `x'.

qr: Una descomposicin del tipo calculada por qr.
y, b: Un vector o matriz de los lados derechos de sistemas de ecuaciones.

a: Una matriz o descomposicin QR.

Detalles
La descomposicin QR puede ser usada para resolver el sistema Ax = b, es til para
calcular los coeficientes de regresin y aplicar el algoritmo de Newton-Raphson.

Las funciones qr.coef, qr.resid, y qr.fitted devuelven los
coeficientes, los residuales y los valores ajustados obtenidos cuando se ajusta `y' a la
matriz que tiene `qr' como su descomposicin QR. qr.qy y qr. qty devuelven
la matriz Qy y Q
T
y, con Q siendo la matriz Q de la descomposicin.

qr.solve resuelve sistemas de ecuaciones mediante la descomposicin QR.

138
is.qr devuelve un `TRUE' si `x' es una lista con componentes denominados `qr',
`rank' y `qraux' y `FALSE' en caso contrario.

No es posible forzar objetos al modo `"qr"'. Los objetos son o no descomposiciones
QR.

Valor: Una lista que contiene los siguientes objetos:

qr: Una matriz con la misma dimensin de `x'. El tringulo superior contiene el R de
la descomposicin y el tringulo superior contiene informacin del Q de la
descomposicin.

qraux: Un vector de longitud `ncol(x)' que contiene informacin adicional de Q.

rank: El rango de `x' calculado por la descomposicin. Siempre esl rango completo
en el caso complejo.

pivot: Informacin sobre la estrategia de pivoteo usada durante la descomposicin.

Nota:

Para calcular el determinante de una matriz la descomposicin QR es mucho ms
eficiente que usar los valores propios (`eigen'). Ver `det'

El caso complejo usa pivoteo sobre columna y no intenta detectar matrices deficientes
en rango.

139
Ver tambin: qr.Q, qr.R, qr.X para reconstruccin de las matrices. solve.qr,
lsfit, eigen, svd.
Ejemplos:
A<-cbind(c(1,2,3),c(2,4,5),c(3,5,2))

> A
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 4 5
[3,] 3 5 2

descQR<-qr(A)
descQR
$qr
[,1] [,2] [,3]
[1,] -3.7416574 -6.6815310 -5.0779636
[2,] 0.5345225 -0.5976143 -3.4661630
[3,] 0.8017837 -0.8244771 -0.4472136

$rank
[1] 3

$qraux
[1] 1.2672612 1.5658953 0.4472136

$pivot
[1] 1 2 3

#Reconstruyendo las matrices de la
#descomposicin

Q<-qr.Q(descQR)
140
Q
[,1] [,2] [,3]
[1,] -0.2672612 -0.3585686 -8.944272e-01
[2,] -0.5345225 -0.7171372 4.472136e-01
[3,] -0.8017837 0.5976143 -5.551115e-16

R<-qr.R(descQR)
R
[,1] [,2] [,3]
[1,] -3.741657 -6.6815310 -5.0779636
[2,] 0.000000 -0.5976143 -3.4661630
[3,] 0.000000 0.0000000 -0.4472136

#Reconstruyendo la matriz original
#Observe que X es la
#matriz inicial A:

X<-qr.X(descQR)
X
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 4 5
[3,] 3 5 2

#Resolviendo un sistema de
#ecuaciones de la forma Ax=y:

y<-c(-1,-1,3.5)
x<-qr.solve(A,y,tol = 1e-10)
x
[1] 1.0 0.5 -1.0

#o bien:

x<-qr.coef(descQR,y)
141
x
[1] 1.0 0.5 -1.0

#Otro ejemplo:

y<-c(-1,-1,3.2)
x<-qr.coef(descQR,y)
x
[1] 0.4 0.8 -1.0

#o bien

x<-qr.solve(descQR, y)
x
[1] 0.4 0.8 -1.0

residuos<-qr.resid(descQR,y)
residuos
[1] 0 0 0

qr.fitted(descQR,y)
[1] -1.0 -1.0 3.2

5.6. Pegando matrices
cbind(): Esta funcin junta dos matrices por filas (o sea, una al lado de la otra)

> A<-matrix(c(1,3,5,7),ncol=2)
> A
[,1] [,2]
[1,] 1 5
[2,] 3 7
> B<-matrix(c(0,3,2,1,4,7),nrow=2)
142
> B
[,1] [,2] [,3]
[1,] 0 2 4
[2,] 3 1 7
> C<-cbind(A,B)
> C
[,1] [,2] [,3] [,4] [,5]
[1,] 1 5 0 2 4
[2,] 3 7 3 1 7
>
rbind(): Junta dos matrices por columna (una matriz sobre la otra)

> A<-matrix(c(1,3,5,7),ncol=2)
> A
[,1] [,2]
[1,] 1 5
[2,] 3 7
> B<-matrix(c(0,3,2,1,4,7),ncol=2)
> B
[,1] [,2]
[1,] 0 1
[2,] 3 4
[3,] 2 7
> C<-rbind(A,B)
> C
[,1] [,2]
[1,] 1 5
[2,] 3 7
[3,] 0 1
[4,] 3 4
[5,] 2 7
>
143
5.7. Descomposicin de Cholesky
chol(): produce la descomposicin de Cholesky de una matriz simtrica definida
positiva, devolviendo el factor correspondiente a la matriz triangular superior:

> A<-matrix(c(5,2,3,2,4,2,3,2,7),ncol=3)
> A
[,1] [,2] [,3]
[1,] 5 2 3
[2,] 2 4 2
[3,] 3 2 7
> B<-chol(A)
> B
[,1] [,2] [,3]
[1,] 2.236068 0.8944272 1.3416408
[2,] 0.000000 1.7888544 0.4472136
[3,] 0.000000 0.0000000 2.2360680
> t(B)%*%B
[,1] [,2] [,3]
[1,] 5 2 3
[2,] 2 4 2
[3,] 3 2 7
>
5.8. Clculo de valores y vectores propios
eigen(): produce los valores y vectores propios de una matriz cuadrada.

eigen(x, symmetric, only.values = FALSE)
La.eigen(x, symmetric, only.values = FALSE)

144
Argumentos:

x: La matriz cuya descomposicin espectral va a ser calculada.

symmetric: Si es `TRUE', se asume que la matriz es simtrica o hermitiana si es
compleja, y slo su tringulo inferior es usado. Si `symmetric' no es especificado, la
matriz es inspeccionada para simetra.

only.values: Si es `TRUE', slo son calculados los valores propios, de lo contrario
tanto los valores como los vectores propios son devueltos.

La descomposicin espectral de `x' es devuelta como las componentes de una lista:

values: Un vector con los p valores propios de `x', ordenados en orden decreciente,
de acuerdo a `Mod(values)' si son complejos.

vectors: Una matriz de dimensin pp cuyas columnas contienen los vectores
propios de of `x', o `NULL' si `only.values' es `TRUE'.

> A<-matrix(c(1,2,3,2,4,5,3,5,2),ncol=3)
> A
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 4 5
[3,] 3 5 2
> eigen(A)
$values
[1] 9.51206040 0.04117509 -2.55323549

$vectors
[,1] [,2] [,3]
145
[1,] 0.3789216 -0.83776349 0.3931549
[2,] 0.6934136 0.53837038 0.4788893
[3,] 0.6128589 -0.09115742 -0.7849168

5.9. Creacin de matrices diagonales
diag(): crea una matriz diagonal si el argumento es vectorial o retorna la matriz
diagonal de una matriz

> diag(c(1,2,3,4))
[,1] [,2] [,3] [,4]
[1,] 1 0 0 0
[2,] 0 2 0 0
[3,] 0 0 3 0
[4,] 0 0 0 4

> A<-matrix(c(1,2,3,2,4,5,3,5,2),ncol=3)
> A
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 4 5
[3,] 3 5 2

> diag(A)
[1] 1 4 2
> diag(diag(A))
[,1] [,2] [,3]
[1,] 1 0 0
[2,] 0 4 0
[3,] 0 0 2
>
146
5.10. Producto Kronecker
kronecker(): Producto kronecker entre matrices. Calcula el producto kronecker
generalizado de dos arreglos, `X' e `Y'. kronecker(X, Y) devuelve un arreglo `A'
con dimensiones `dim(X) * dim(Y)'.

kronecker(X, Y, FUN = "*", make.dimnames = FALSE, ...)
X %x% Y

X: Un vector o arreglo.

Y: Un vector o arreglo.

FUN: Una funcin; puede estar entre comillas.

make.dimnames: Proporciona los nombres de las dimensiones que son el producto
de `X' e `Y'.

...: Argumentos opcionales para `FUN'.

> A<-matrix(c(1,2,3,2,4,5,3,5,2),ncol=3)
> A
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 4 5
[3,] 3 5 2
> B<-matrix(c(1,2,2,3),ncol=2)
> B
[,1] [,2]
[1,] 1 2
147
[2,] 2 3
>
> kronecker(A,B)
[,1] [,2] [,3] [,4] [,5] [,6]
[1,] 1 2 2 4 3 6
[2,] 2 3 4 6 6 9
[3,] 2 4 4 8 5 10
[4,] 4 6 8 12 10 15
[5,] 3 6 5 10 2 4
[6,] 6 9 10 15 4 6

> kronecker(B,A)
[,1] [,2] [,3] [,4] [,5] [,6]
[1,] 1 2 3 2 4 6
[2,] 2 4 5 4 8 10
[3,] 3 5 2 6 10 4
[4,] 2 4 6 3 6 9
[5,] 4 8 10 6 12 15
[6,] 6 10 4 9 15 6
>
> kronecker(c(1,2,3),c(5,6))
[1] 5 6 10 12 15 18
> kronecker(c(5,6),c(1,2,3))
[1] 5 10 15 6 12 18

5.11. Inversa de una matriz
La matriz inversa no se encuentra directamente sino a travs de la funcin solve() Esta
funcin resuelve para `x' el sistema Ax=b donde `b' puede ser un vector o una matriz.

solve(a, b, tol = 1e-7)
148
Argumentos:

a: Una matriz numrica con los coeficientes del sistema lineal.

b: Un vetor numrico o matriz dando el (los) lado (s) derecho del sistema lineal. Si
se omite, se asume la matriz identidad y por tanto solve devolver la inversa de `a'.

tol: La tolerancia para detectar las dependencias lineales en las columnas de `a'.

Ver tambin: `backsolve', `qr.solve'.

> A<-matrix(c(1,2,3,2,4,5,3,5,2),ncol=3)
> A
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 4 5
[3,] 3 5 2
> solve(A)
[,1] [,2] [,3]
[1,] 17 -11 2.000000e+00
[2,] -11 7 -1.000000e+00
[3,] 2 -1 1.117140e-15
>
> b<-c(2,1,3)
> solve(A,b)
[1] 29 -18 3
>
5.12. Ordenando un vector
sort(): ordena en forma ascendente el vector dado como argumento.
149

> sort(c(-1,5,-2,4,3,9))
[1] -2 -1 3 4 5 9

5.13. Aplicando funciones sobre las componentes de
una matriz
Las siguientes funciones simplifican los clculos que operan de forma iterada sobre
columnas o filas de una matriz. Si tenemos arreglos tridimensionales opera sobre las
matrices en caso requerido.

Funcin Argumentos Lo que hace
apply apply(X,MARGIN,FUN,...) Devuelve un vector o arreglo o lista
de valores obtenidos aplicando una
funcin a las mrgenes de un arreglo

X: El arreglo a ser usado MARGIN: Un
vector con los subndices sobre los
cuales la funcin ser aplicada 1 indica
filas, 2 indica columnas, `c(1,2)' indica
filas y columnas.
...: Argumentos opcionales para `FUN'

tapply tapply(X,INDEX,FUN = NULL,..., simplify =
TRUE)
Aplica una funcin a cada celda de
un arreglo Ragged,es decir, a cada
grupo de valores (no vacos) dados
por una nica combinacin de los
niveles de ciertos factores.

X: Tpicamente un vector INDEX: Lista de
factores, cada uno de la misma longitud
de `X' FUN: La funcin a ser aplicada
...: Argumentos opcionales para `FUN'
simplify: Si es `FALSE',`tapply' siempre
devuelve un arreglo del tipo lista. Si es
`TRUE' (por defecto) y `FUN' siempre
produce un escalar, entonces `tapply'
150
Funcin Argumentos Lo que hace
devuelve un arreglo del modo escalar

lapply lapply(X,FUN,...) Devuelve una lista de la misma
longitud de `X'. Cada elemento de
sta resulta de aplicar `FUN' al
correspondiente elemento de `X'.

sapply sapply(X,FUN,...,simplify = TRUE,
USE.NAMES = TRUE)
Es una versin ms amigable de
`lapply' tambin trabaja sobre
vectores y devuelve un vector o
arreglo.
X: Lista o vector a ser usado.
FUN: La funcin a aplicar
...: Argumentos opcionales para `FUN'
simplify: Argumento lgico. debera el
resultado ser simplificado a un vector
cuando sea posible?
USE.NAMES: Argumento lgico, si es `TRUE'
y si `X' es caracter,usa a `X' como
`names' para los resultados a menos que
ya se tengan nombres.

Por ejemplo si deseamos calcular las medias de las columnas de una matriz X damos el
comando

medias.col<-apply(X,2,mean)

Otros ejemplos:

#Generando tres muestras bivariadas
#de tamao 10:
library(mass)
mu<-c(0,0)
Sigma<-matrix(c(1,0,0,1),ncol=2)
a<-matrix(rep(10,3),ncol=3)
151
b<-array(apply(a,2,mvrnorm,mu,Sigma),dim=c(10,2,3))

b
, , 1
[,1] [,2]
[1,] -0.9546754 -0.9788744
[2,] 0.3951823 -0.1284428
[3,] 1.0079476 -0.5692264
[4,] 0.1308736 0.4990434
[5,] 0.6154087 0.8054497
[6,] 0.8264678 -0.6473254
[7,] -0.4329034 0.8565902
[8,] 0.3916516 0.7230044
[9,] -0.8908572 0.5820368
[10,] -0.8976308 -0.6085847

, , 2
[,1] [,2]
[1,] 0.03365421 0.01812461
[2,] -0.66313500 2.31526069
[3,] -0.92103077 2.21952089
[4,] -0.97599197 1.39551295
[5,] -0.55824010 0.15656623
[6,] 0.77337990 0.52407043
[7,] -1.62980628 0.26459324
[8,] -1.01363258 -1.74454949
[9,] -0.32201918 -0.07920861
[10,] -1.40875243 -0.77490633

, , 3
[,1] [,2]
[1,] -0.9856771 -1.69944802
152
[2,] 0.6159202 1.01835201
[3,] 0.8225232 0.83393529
[4,] 0.7533535 0.01518407
[5,] 0.5899308 -0.46316405
[6,] 1.6388345 -1.30981318
[7,] 1.4050816 -0.35261864
[8,] -0.3563772 -0.94868464
[9,] -1.6126299 1.67723448
[10,] 0.4840092 -1.00325728

#estimacin de localizacin y
#matriz de covarianza clsicas
c<-apply(b, c(3, 2), mean)
d<-apply(b, c(3), var)
c
[,1] [,2]
[1,] 0.01914649 0.05336708
[2,] -0.66855742 0.42949846
[3,] 0.33549690 -0.22322799

d
[,1] [,2] [,3]
[1,] 0.56654836 0.49486624 1.0488130
[2,] 0.02954414 0.07806947 -0.2243212
[3,] 0.02954414 0.07806947 -0.2243212
[4,] 0.50585323 1.60101998 1.2107389

apply(b[,,1],2,mean)
[1] 0.01914649 0.05336708
var(b[,,1])
[,1] [,2]
[1,] 0.56654836 0.02954414
[2,] 0.02954414 0.50585323

153
Ejemplo: Datos Antropomtricos
La siguiente tabla contiene mediciones realizadas en el pie derecho de 10 estudiantes.
Cinco variables fueron medidas:

Longitud mxima de la huella (en cm)
Amplitud mxima de la huella (en cm)
Amplitud mxima del taln (en cm)
Longitud mxima del dedo mayor (en cm)
Amplitud mxima del dedo mayor (en cm)
Sexo (1: Hombre; 0: Mujer)

Observacin
Nmero
Longitud
Mxima
Ancho
Mximo
Ancho
del
Taln
Longitud
del Dedo
Mayor
Ancho del
Dedo
mayor
Sexo
1 24.20 9.40 5.50 3.00 3.20 1
2 21.70 8.50 6.10 3.20 2.60 0
3 25.40 9.60 5.50 4.00 3.10 1
4 25.00 10.10 5.30 3.50 2.70 1
5 22.00 8.50 5.70 3.10 2.70 0
6 25.90 9.30 6.10 4.30 3.30 1
7 22.20 8.60 5.20 3.90 2.90 0
8 21.70 8.40 5.00 3.20 2.30 0
9 25.50 9.20 6.10 3.30 3.20 1
10 24.40 9.40 4.70 3.60 2.80 1
Los datos fueron ledos en forma de matriz desde un archivo de texto:

> pies.dat <- matrix(scan('c:/datos/pies.txt'),ncol=6,byrow=T)
> pies.dat
V1 V2 V3 V4 V5 V6
1 24.2 9.4 5.5 3.0 3.2 1
154
2 21.7 8.5 6.1 3.2 2.6 0
3 25.4 9.6 5.5 4.0 3.1 1
4 25.0 10.1 5.3 3.5 2.7 1
5 22.0 8.5 5.7 3.1 2.7 0
6 25.9 9.3 6.1 4.3 3.3 1
7 22.2 8.6 5.2 3.9 2.9 0
8 21.7 8.4 5.0 3.2 2.3 0
9 25.5 9.2 6.1 3.3 3.2 1
10 24.4 9.4 4.7 3.6 2.8 1

Si queremos trabajar con los hombres y mujeres separadamente podemos usar los
siguientes comandos

> hombres.pies<-pies.dat[pies.dat[,6]= =1,]
> hombres.pies
V1 V2 V3 V4 V5 V6
1 24.2 9.4 5.5 3.0 3.2 1
3 25.4 9.6 5.5 4.0 3.1 1
4 25.0 10.1 5.3 3.5 2.7 1
6 25.9 9.3 6.1 4.3 3.3 1
9 25.5 9.2 6.1 3.3 3.2 1
10 24.4 9.4 4.7 3.6 2.8 1
> mujeres.pies<-pies.dat[pies.dat[,6]= =0,]
> mujeres.pies
V1 V2 V3 V4 V5 V6
2 21.7 8.5 6.1 3.2 2.6 0
5 22.0 8.5 5.7 3.1 2.7 0
7 22.2 8.6 5.2 3.9 2.9 0
8 21.7 8.4 5.0 3.2 2.3 0
>
155
lo cual genera dos matrices hombres.pies y mujeres.pies. Para propsitos
ilustrativos vamos a seleccionar las tres primeras variables: largo del pie, ancho del pie y
ancho del taln. Procedemos as:

> hombres.pies<-hombres.pies[,1:3]
> mujeres.pies<-mujeres.pies[,1:3]
> hombres.pies
V1 V2 V3
1 24.2 9.4 5.5
3 25.4 9.6 5.5
4 25.0 10.1 5.3
6 25.9 9.3 6.1
9 25.5 9.2 6.1
10 24.4 9.4 4.7
> mujeres.pies
V1 V2 V3
2 21.7 8.5 6.1
5 22.0 8.5 5.7
7 22.2 8.6 5.2
8 21.7 8.4 5.0
>
Si queremos calcula las matrices de dispersin (varianzas y covarianzas) y correlacin por
sexo, procedemos as:

> dispersion.hombres<-var(hombres.pies)
> dispersion.hombres
V1 V2 V3
V1 0.4386667 -0.030 0.2613333
V2 -0.0300000 0.104 -0.0680000
V3 0.2613333 -0.068 0.2786667
> dispersion.mujeres<-var(mujeres.pies)
> dispersion.mujeres
156
V1 V2 V3
V1 0.06000000 0.016666667 -0.030000000
V2 0.01666667 0.006666667 0.006666667
V3 -0.03000000 0.006666667 0.246666667
> correlacion.hombres<-cor(hombres.pies)
> correlacion.hombres
V1 V2 V3
V1 1.0000000 -0.1404550 0.7474549
V2 -0.1404550 1.0000000 -0.3994383
V3 0.7474549 -0.3994383 1.0000000
> correlacion.mujeres<-cor(mujeres.pies)
> correlacion.mujeres
V1 V2 V3
V1 1.0000000 0.8333333 -0.2465985
V2 0.8333333 1.0000000 0.1643990
V3 -0.2465985 0.1643990 1.0000000

5.14. Funciones colSums, rowSums,
colMeans, rowMeans
Calculan sumas y medias de filas y columnas en arreglos numricos. Es equivalente a usar
apply con `FUN = mean' o `FUN = sum' pero es mucho ms rpida.

colSums(x, na.rm = FALSE, dims = 1)
rowSums(x, na.rm = FALSE, dims = 1)
colMeans(x, na.rm = FALSE, dims = 1)
rowMeans(x, na.rm = FALSE, dims = 1)

Argumentos:

157
x: Un arreglo de dos o ms dimensiones con valores numricos, complejos, enteros,
o lgicos, o un data frame.

na.rm: Argumento lgico para especificar si se omiten los valores faltantes de los
clculos.

dims: Cules dimensiones son consideradas como rows o columns para la suma
total. Para `col*', la suma o la media es sobre la dimensin total `dims+1, ...'; para
`row*' es sobre las dimensiones `1:dims'.

Ejemplos:
x <- cbind(x1 = 3, x2 = c(4:1, 2:5))
x
x1 x2
[1,] 3 4
[2,] 3 3
[3,] 3 2
[4,] 3 1
[5,] 3 2
[6,] 3 3
[7,] 3 4
[8,] 3 5
> rowSums(x)
[1] 7 6 5 4 5 6 7 8
> colSums(x)
x1 x2
24 24
> rowMeans(x)
[1] 3.5 3.0 2.5 2.0 2.5 3.0 3.5 4.0
> colMeans(x)
x1 x2
158
3 3

##Caso complejo:

x <- cbind(x1 = 3 + 2i, x2 = c(4:1, 2:5) - 5i)
x[3, ] <- NA; x[4, 2] <- NA
> x
x1 x2
[1,] 3+2i 4-5i
[2,] 3+2i 3-5i
[3,] NA NA
[4,] 3+2i NA
[5,] 3+2i 2-5i
[6,] 3+2i 3-5i
[7,] 3+2i 4-5i
[8,] 3+2i 5-5i

> rowSums(x)
[1] 7-3i 6-3i NA NA 5-3i 6-3i 7-3i 8-3i
> colSums(x)
x1 x2
NA NA
> rowMeans(x)
[1] 3.5-1.5i 3.0-1.5i NA NA 2.5-1.5i 3.0-1.5i 3.5-1.5i 4.0-1.5i
> colMeans(x)
x1 x2
NA NA

rowSums(x, na.rm = TRUE); colSums(x, na.rm = TRUE)
[1] 7-3i 6-3i 0+0i 3+2i 5-3i 6-3i 7-3i 8-3i
x1 x2
21+14i 21-30i

159

Parte II
Grficos

160
Captulo 6: Introduccin
Una de las ventajas mayores del programa R es su capacidad de producir grficos de alta
calidad. Posee un gran nmero de funciones que son fciles de usar y de modificar para
ajustarlas a nuestras necesidades.

6.1. Funciones para Especificar Devices
postscript(archivo, comando, horizontal=F, width,height, rasters,
pointsize=14, font=1,preamble=ps.preamble, fonts=ps.fonts)

printer(width=80, height=64, file= , command= )
show()

6.2. Algunos Parmetros para Graficar en R
log='<x|y|xy>' Ejes Logartmicos
main='ttulo'&
new=<logical> Adiciona sobre el grfico actual
sub='ttulo de abajo'
type='<l|p|b|n>' Lnea, puntos, ambos, ninguno
lty=n Tipo de Lnea
pch='.' Caracter de dibujo\
xlab='Nombre del eje x'
ylab='Nombre del eje y'
xlim=c(x_ minimo ,x_ maximo )
ylim=c(y_ minimo ,y_ maximo )
161
6.3. Grficos Unidimensionales
barplot(Estaturas)
barplot(Estaturas,amplitud, nombres, space=.2, inside=TRUE,beside=FALSE,
horiz=FALSE, legend, angle,density, col, blocks=TRUE)
boxplot(..., rango, amplitud, varwidth=FALSE,notch=FALSE, names,
plot=TRUE)
hist(x, nclass, breaks, plot=TRUE, angle,density, col, inside)

6.4. Grficos Bidimensionales
lines(x, y, type="l")
points(x, y, type="p"))
plot(x, y, type="p", lty=1:5, pch=, col=1:4)
points(x, y, type="p", lty=1:5, pch=, col=1:4)
lines(x,y, type="l", lty=1:5, pch=, col=1:4)
plot(x, y, type="p", log="")
abline(coef)
abline(a, b)
abline(reg)
abline(h=a)
abline(v=a)
qqplot(x, y, plot=TRUE)
qqnorm(x, datax=FALSE, plot=TRUE)

6.5. Grficos Tridimensionales
contour(x, y, z, v, nint=5, add=FALSE, labels)
interp(x, y, z, xo, yo, ncp=0, extrap=FALSE)
persp(z, eye=c(-6,-8,5), ar=1)

162
6.6. Mltiples Grficos por Pgina (Ejemplos)
Cuatro grficos en una misma pgina, y un ttulo general:

par(mfrow=c(2,2), oma=c(0, 0, 4, 0))
plot(rnorm(50),main="Muestra normal estndar",cex.main=0.8)
plot(rexp(50),main="Muestra exponencial(1)", cex.main=0.8)
plot(rweibull(50,3,2),main="Muestra weibul(3,2)", cex.main=0.8)
plot(rnorm(50,mean=1),main="Muestra normal(1,1)", cex.main=0.8)
mtext(side=3, line=0, cex=1, outer=T,"Este es un Titulo para Toda la
Pgina")

Tres grficos: uno centrado en la parte superior, y los otros dos
abajo:

nf <- layout(rbind(c(0,1,1,0), c(2,2,3,3)))
plot(1:10)
plot(rnorm(10,0,1))
plot(rlnorm(10,0,1))

Otra presentacin, en la cual dos grficos son presentados en columna, y centrados en la
ventana graficadora, es posible de la forma siguiente:

nf <- layout(rbind(c(0,1,1,0), c(0,2,2,0)))
plot(rnorm(10))
plot(rlnorm(10))

Entre las funciones para graficar de ms uso estn:

163
6.7. Funcin persp
Esta funcin permite realizar grficos tridimensionales de perspectiva de superficies sobre
el plano x-y.
persp(x, ...)
persp.default(x = seq(0, 1, len = nrow(z)),
y = seq(0, 1, len = ncol(z)),
z, xlim = range(x), ylim = range(y),
zlim = range(z, na.rm = TRUE), xlab = NULL,ylab =
NULL, zlab = NULL, main = NULL, sub = NULL, theta = 0,
phi = 15, r = sqrt(3), d = 1,
scale = TRUE, expand = 1, col = NULL, border = NULL,
ltheta = -135, lphi = 0, shade = NA,
box = TRUE, axes = TRUE, nticks = 5, ticktype = "simple",...)

Argumentos:

x, y: Ubicacin de las lineas de la rejilla sobre la cual los valores en 'z' son medidos.
stas deben estar en orden ascendente. Por defecto, se usan valores igualmente
espaciados en el intervalo de 0 a 1. Si x es una lista, sus componentes x$x y x$y
son usados para x e y respectivamente.

z: Una matriz que contiene los valores a ser graficados (valores 'NA' son
permitidos). Notar que 'x' puede ser usada en ves de 'z' por conveniencia.

xlim, ylim, zlim: Lmites x, y y z para el grfico. El grfico es producido de
manera que el volumen rectangular definido por estos lmites sea visible.

164
xlab, ylab, zlab: Ttulos para los ejes. Estos deben ser cadenas de caracteres; no se
permiten expresiones.

main, sub: Ttulo y subttulo.

theta, phi: ngulos que definen la direccin de las vistas. 'theta' da la direccin
azimutal y 'phi' la colatitud.

r: La distancia del eyepoint desde el centro de la caja de graficacin.

d: Un valor que puede usarse para variar la longitud de la transformacin de la
perspectiva. Valores mayores que 1 reducirn el efecto perspectiva y valores menores
o iguales a 1 lo exagerarn.

scale: Antes de visualizar las coordenadas x, y y z de los puntos que definen la
superficie, stas son transformadas al intervalo [0,1]. Si 'scale' es TRUE las
coordenadas son transformadas separadamente. Si es FALSE las coordenadas son
escaladas de manera que el aspecto de las razones son mantenidas. Esto es til para
representar cosas como informacin DEM.

expand: Un factor de expansin aplicado a las coordenadas z. A menudo es usado
con 'expand' entre (0,1) para contraer el grfico en la direccin z.
col: El color de las facetas de la superficie.

border: El color de la linea dibujada alrededor de las facetas de la superficie. Un
valor de 'NA' inhabilitar el trazo de bordes. Esto resulta til cuando la superficie es
sombreada.
165
ltheta, lphi: Si se especifican valores finitos para estos, la superficie es sombreada
como si fuera iluminada desde la direccin especificada por el azimut 'ltheta' y la
colatitud 'lphi'.

shade: La sombra en un faceta de la superficie es calculada como
((1+d)/2)
shade
, donde 'd' es el producto punto de un vector unitario normal a la
faz y un vector unitario en la direccin de un fuente de luz. Los valores de 'shade'
cercanos a 1 producen sombreado similar a un modelo de fuente de luz puntual y
valores cercanos a 0 no producen sombra. Valores en el rango de 0.5 a 0.75
proporcionan una aproximacin a la iluminacin diurna.

box: Traza un caja para la superficie. Por defecto e 'TRUE'.

axes: Agrega ticks y etiquetas a la caja. Por defecto es 'TRUE'. Si 'box' es 'FALSE'
las etiquetas y los ticks no son dibujados.

ticktype: Caracter: simple dibuja un flecha paralela al eje para indicar la direccin
de aumento; detailed dibuja los ticks normales como en grficos 2D

nticks: El nmero aproximado de marcas ticks a dibujar en los ejes. No tiene efecto
si 'ticktype' es simple.
...: Parmetros grficos adicionales.

Ejemplo 1: Graficacin de normales bivariadas

x<-seq(-4,4,len=50)
y<-seq(-4,4,len=50)
normal.bivariada<-function(x,y,rho,mu1,sigma1,mu2,sigma2){
166
1/(2*pi*sigma1*sigma2*sqrt(1-rho^2))*exp(-1/(2*(1-rho^2))*(((x-
mu1)/sigma1)^2-2*rho*((x-mu1)/sigma1)*((y-mu2)/sigma2)+((y-
mu2)/sigma2)^2))
}
nf<-layout(matrix(c(1,2,3,4),ncol=2,byrow=T),
widths=c(rep(10,4)),heights=c(rep(10,4)),respect=T)
f<-outer(x,y,normal.bivariada,rho=0.85,mu1=0,sigma1=1,mu2=0,sigma2=1)
par(mar=c(1,1,4,1))
persp(x,y,f,theta = 30, phi = 30, col = "lightblue",xlab = "X", ylab =
"Y", zlab ="Z",main="rho=0.85",cex.main=0.8)
f<-outer(x,y,normal.bivariada,rho=0.5,mu1=0.5,sigma1=1,mu2=0,sigma2=1)
par(mar=c(1,1,4,1))
persp(x,y,f,theta = 30, phi = 30, col = "lightblue",xlab = "X", ylab =
"Y", zlab ="Z",main="rho=0.5",cex.main=0.8)
f<-outer(x,y,normal.bivariada,rho=0.0,mu1=0,sigma1=1,mu2=0,sigma2=1)
par(mar=c(1,1,4,1))
persp(x,y,f,theta = 30, phi = 30, col = "lightblue",xlab = "X", ylab =
"Y", zlab ="Z",main="rho=0.0",cex.main=0.8)
f<-outer(x,y,normal.bivariada,rho=-0.85,mu1=0,sigma1=1,mu2=0,sigma2=1)
par(mar=c(1,1,4,1))
persp(x,y,f,theta = 30, phi = 30, col = "lightblue",xlab = "X", ylab =
"Y", zlab ="Z",main="rho=-0.85",cex.main=0.8)
par(oma=c(1,1,1,1),new=T,font=2,cex=1)
mtext(outer=T,"Distribucin Normal
Bivariada",side=3,cex=0.8)

167
Figura 6.1: visualizacin de las superficies normales bivariadas para unos
parmetros especficos es posible gracias a la funcin `persp'.
6.8. Funcin contour
Esta funcin permite realizar grficos de contornos, tales como los contornos de
verosimilitud en dos parmetros o tambin en la graficacin de regiones de confianza,
mapas topogrficos, etc. Dichos contornos pueden ser agregados a un grfico previo, por
ejemplo a un grfico de dispersin:

contour(x = seq(0, 1, len = nrow(z)),y = seq(0, 1, len = ncol(z)), z,
nlevels = 10,levels = pretty(zlim, nlevels), labels = NULL,
xlim = range(x, finite = TRUE),ylim =range(y, finite = TRUE),
zlim = range(z, finite = TRUE),labcex = 0.6, drawlabels = TRUE,
168
method = "flattest",vfont = c("sans serif", "plain"),axes = TRUE,
frame.plot = axes, col= par("fg"), lty = par("lty"), lwd = par("lwd"),
add = FALSE, ...)

Argumentos:

x,y: Ubicacin de las lineas de la rejilla sobre la cual los valores en 'z' son medidos.
stas deben estar en orden ascendente. Por defecto, se usan valores igualmente
espaciados en el intervalo de 0 a 1. Si x es una lista, sus componentes x$x y $x$y
son usados para x e y respectivamente. Si la lista tiene componente 'z' sta es usada
para 'z'.

z: Una matriz que contiene los valores a ser graficados (son permitidos valores
'NA'). Notar que 'x' puede ser usada en ves de 'z' por conveniencia.

nlevels: El nmero de niveles de contorno deseados si 'levels' no es especificado.

levels: Vector numrico que da los niveles en los cuales se desea dibujar las lineas
de contorno.

labels: Un vector que proporciona etiquetas para las lineas de contorno. Si es
'NULL' entonces los niveles son usados como etiquetas.

labcex: Factor de expansin de caracter 'cex' para la etiquetacin de los contornos.

drawlabels: Argumento lgico. Si es 'TRUE' los contornos son etiquetados.

method: cadena de caracteres que especifica dnde se ubicarn las etiquetas. Los
valores posibles son (entre comillas) simple, edge y flattest (por defecto). El
169
primero dibuja la etiqueta en el borde del grfico, sobreponindola a la linea de
contorno; el segundo dibuja la etiqueta en el borde del grfico , incrustado en la linea
de contorno, sin superponerlas; y el tercero dibuja sobre la seccin ms plana del
contorno, incrustando la etiqueta en la linea de contorno sin superposicin. El
segundo y tercer mtodo pueden no dibujar un etiqueta en cada linea de contorno.

vfont: Si se especifica un vector de caracteres de longitud 2, entonces vector de
fuentes Hershey son usados para las etiquetas de los contornos. El primer elemento
del vector selecciona un estilo o tipo de fuente y el segundo elemento selecciona un
ndice de fuente .
xlim, ylim, zlim: Lmites x, y y z para el grfico.

axes, frame.plot: Argumento lgico para indicar si ejes o una caja deberan ser
dibujados.

col: Color de las lineas.

lty: Tipo de linea.

lwd: Ancho de linea.

add: Argumento lgico. Si es 'TRUE', adiciona los contornos a un grfico.

...: Pueden suministrarse parmetros grficos adicionales y argumentos para 'title'

Ver: 'filled.contour' para contornos con color-filled, 'image' y 'demo(graphics).

170
Ejemplo: Mapa topogrfico (ejemplo disponible en el Help de R, paquete: base):

data("volcano")
rx <- range(x <- 10*1:nrow(volcano))
ry <- range(y <- 10*1:ncol(volcano))
ry <- ry + c(-1,1) * (diff(rx) - diff(ry))/2
opar <- par(pty = "s")
plot(x = 0, y = 0,type = "n", xlim = rx, ylim = ry,xlab = "", ylab = "")
u <- par("usr")
rect(u[1], u[3], u[2], u[4], border = "black")
contour(x, y, volcano,lty = "solid", add = TRUE,vfont = c("sans serif",
"plain"))
title("Mapa topogrfico de Maunga Whau", font = 4)
abline(h = 200*0:4, v = 200*0:4,lty = 2, lwd = 0.1)
par(opar)

Figura 6.2: Aqu observamos una aplicacin no estadstica pero bastante til de
la funcin `contour' en el trazo de mapas topogrficos.
171
6.9. Funcin image
Esta funcin crea un grid de rectngulos en escala de gris o coloreados con los colores
correspondientes a los valores en `z'. Puede usarse para presentar imgenes
de datos aka tridimensionales o espaciales.

Las funciones `heat.colors', `terrain.colors' y `topo.colors' crean el espectro de calor (rojo a
blanco) y esquemas de colores topogrficos apropiados para presentar datos ordenados, con
`n' dando el nmero de colores deseados.

image(x, ...) image.default(x, y, z, zlim, xlim, ylim, col =
heat.colors(12), add = FALSE, xaxs = "i", yaxs = "i", xlab, ylab,
breaks, oldstyle = FALSE, ...)

Argumentos:

x,y: Ubicaciones de las lneas del grid en las cules los valores en `z' son medidos.
Estos deben estar en orden ascendente. Por defecto, son usados valores igualmente
espaciados de 0 a 1. Si `x' es una lista, sus componentes `x$x' y `x$y' son usados para
`x' e `y', respectivamente. Si la lista tiene componente `z' sta es usada para `z'.

z: Una matriz que contiene los valores a ser graficados (valores faltantes son
permitidos). Notar que `x' puede usarse en vez de `z' por conveniencia.

zlim: Los valores `z' mnimo y mximo para los cuales los colores van a ser
graficados. Cada uno de los colores dados ser usado para colorear un intervalo
igualmente espaciado de este rango. Los puntos medios de los intervalos cubren el
rango, de modo que los valores por fuera del rango sern graficados.

172
xlim, ylim: Rangos para los valores `x' y `y' graficados, por defecto es el rango de
valores finitos de `x' y `y'.

col: Una lista de colores como los generados por las funciones `rainbow',
`heat.colors', `topo.colors', `terrain.colors' o similares.

add: Argumento lgico; si es `TRUE', adiciona al grfico actual activo (y los
siguientes argumentos son ignorados). Esto es raramente til debido a que `image'
pinta sobre grficos existentes.

xaxs, yaxs: Estilo de los ejes `x' y `y'. Por defecto es `"i"' el cual es apropiado para
imgenes. Ver `par'.

xlab, ylab: Cadena de caracteres dando las etiquetas para los ejes `x' y `y'. Por
defecto usa `call names' de `x' o `y', o `""' si no fue especificado.

breaks: un conjunto de puntos de corte para los colores: deben darse uno o ms
puntos de corte que colores.

oldstyle: Argumento lgico. Si es `TRUE' los puntos medios de los intervalos de
colores estn igualmente espaciados, y `zlim[1]' y `zlim[2]' eran tomados como
puntos medios. El valor por defecto actual es tener intervalos de colores de igual
longitud entre los lmites.

...: Pueden usarsa parmetros grficos para `plot'.

Detalles: La longitud de `x' debera ser igual a `nrow(x)+1' o `nrow(x)'. En el primer caso
`x' especifica los lmites entre celdas; en el segundo caso, `x' especifica los puntos medios
173
de las celdas. Un razonamiento similar se aplica a `y'. Probablemente slo tenga sentido
especificar los puntos medios de un grid igualmente espaciado. Si se especifica slo una
fila o columna y la longitud de `x' o `y', el rea de usuario completa es llenada en la
direccin especificada.

Si `breaks' es especificado entonces `zlim' no es usado y el algoritmo utiliza `cut', as\'\i\ los
intervalos son cerrados a la derecha y abiertos a la izquierda excepto para el intrvalo
msinferior.

Autor: Basada en una funcin de Thomas Lumley tlumley@u.washington.edu.

Ver tambin: `contour', `heat.colors', `topo.colors', `terrain.colors', `rainbow', `hsv', `par'.

Ejemplos:
x <- y <- seq(-4*pi, 4*pi, len=27)
r <- sqrt(outer(x^2, y^2, "+"))
layout(rbind(c(1,1,2,2),c(0,3,3,0)))

image(z = z <-cos(r^2)*exp(-r/6), col=gray((0:32)/32),
main=expression(paste("Grid de la funcin",sep=" ",z ==cosr^2 *e^ -r/6 )
))
image(z, main=expression(paste("Grid de la funcin",sep=" ",z ==cosr^2 *
e^ -r/6 )), xlab="Lneas de Contorno incluidas")
contour(z, add = TRUE, drawlabels = FALSE)

data(volcano)
x <- 10*(1:nrow(volcano))
y <- 10*(1:ncol(volcano))
image(x, y, volcano, col = terrain.colors(100), axes = FALSE)
contour(x, y,volcano,levels=seq(90, 200, by=5),add = TRUE,col = "peru")
axis(1, at = seq(100, 800, by = 100))
174
axis(2, at =seq(100, 600, by = 100))
box()
title(main = "Maunga Whau Volcano\nMapa Topogrfico",cex.main=0.9)

Figura 6.3: `image' y `contour' permiten realizar grficas especiales tanto
estadsticas como de otra ndole como se observa en estos tres grficos
175
6.10. Funcin matplot
La funcin matplot grafica las columnas de una matriz contra las columnas de otra, tal que
la primera columna de x es graficada contra la primera columna de y, la segunda columna
de x contra la segunda de y, etc. Sin embargo si una matriz tiene pocas columnas, stas son
recicladas. El grfico se obtiene como sigue:

matplot(x, y, type = "p", lty = 1:5, lwd = 1, pch = NULL, col =
1:6, cex = NULL, xlab = NULL, ylab = NULL, xlim = NULL, ylim =
NULL,..., add = FALSE, verbose = getOption("verbose"))

Argumentos:

x,y: Vectores o matrices de datos a graficar. Es imprescindible que el nmero de
filas coincida. Si uno de los dos objetos (x o y) falta, el dado es tomado como y, y se
utiliza como x un vector de 1:n. Valores NA son permitidos.

type: Un vector para indicar el tipo de grfico para cada columna de y (como se vi
con la funcin plot), por defecto es p.

lty,lwd: Vectores para indicar los tipos y anchos de lneas para cada columna de y.

pch: Caracter o vector de caracteres o enteros para definir los plotting characters,
por cada columna de y second, etc. The default is the digits (1 through 9, 0).

col: Vector de colores, aunque si no se especifica los colores son usados cclicamente.

176
cex: Vector de dimensiones del factor de expansin de caracteres, es usado
cclicamente.

xlab, ylab: Ttulos de ejes x e y.

xlim, ylim: Rangos para los ejes x e y.

...: Parmetros grficos adicionales (ver par)
add: Argumento lgico. Si es TRUE, el grfico es agregado a un grfico previo. Se
debe garantizar que los rangos de los ejes en ambos grficos sean los mismos.

verbose: Argumento lgico. Si es TRUE, escribe una linea de lo que hace la
funcin, por ejemplo:

matplot: doing 5 plots with col= ("1" "2" "2" "4" "4") pch=("1" "2"
"3" "4" "5") ...

#Supongamos dos series de datos
#de longitud 40:
x1<-1:40
x2<-rnorm(40)
x3<-rexp(40)

aux<-cbind(x2,x3)
#Grafiquemos las dos series en el mismo plano:

matplot(x1,aux,type="l",col=1:2,lty=1:2,xlab="tiempo",
ylab="",yaxt="n",main="Grfica de dos series
simultneas\nmediante matplot")
legend(locator(1),c("serie 1","serie 2"),col=1:2,bty="n",lty=1:2)
177

Figura 6.4: Podemos graficar varias curvas en un mismo plano utilizando la
funcin matplot y adicionalmente agregar leyendas mediante la funcin
legend
Una funcin de utilidad es par(). Esta permite presentar ms de un grfico en la misma
pantalla o en la misma hoja. Su utilizacin es simple:

> par(mfrow=c(2,2))

Con el anterior comando estamos indicando que hasta cuatro grficas van a aparecer en la
pantalla o en la hoja.

Ejemplo:
Consideremos el conjunto de datos que hace referencia a las pruebas del ICFES. Si estamos
interesados en una comparacin por sexos podemos pensar en un anlisis grfico como el
siguiente. Para obtenerlo asumamos que tenemos nuestro archivo de datos en formato
178
ASCII guardado en el subdirectorio \it datos del disco duro. Una vez estamos en R
corremos los siguientes comandos:

> icfes<-scan(c:/datos/icfes.dat,
type=list( ,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ))
> win.graph()
> par(mfrow=c(2,2))
> boxplot(split(icfes[[3]],split[[1]]))
> boxplot(split(icfes[[4]],split[[1]]))
> boxplot(split(icfes[[5]],split[[1]]))
> boxplot(split(icfes[[6]],split[[1]]))

6.11. Imprimiendo Grficos
Si queremos imprimir un grfico generalmente procedemos en dos pasos:

1. Creamos un archivo con el grfico

2. Posterior a nuestra sesin R imprimes el archivo con el grfico.

Para crear el archivo con el grfico, el R posee la funcin postscript() , esta funcin
crea un archivo para ser impreso posteriormente en una impresora con lenguaje postscript.

Trabajando bajo Windows la impresin puede realizarse directamente de la pantalla,
escogiendo la opcin de impresin.

179
Captulo 7: Grficos para una variable
Los siguientes son algunas funciones que permiten graficar una variable: boxplot(),
hist(), stem(), qqnorm().
7.1. Funcin hist: Histogramas
Como argumentos esta funcin recibe un vector con datos. Adems, opcionalmente, puede
entrarse como argumento el nmero de barras a ser graficadas o en su defecto el nmero de
clases se determina con la frmula de Sturges.

Nota: Los programas de computador usualmente ajustan los histogramas
automticamente, pero el programa debe permitirnos variar el histograma. Si usted posee
un programa que no le permita hacer cambios, cambie de programa.

En R el comando bsico con el cual se obtiene este tipo de grfico es hist, veamos:

hist(x, ...)
hist.default(x, breaks, freq = NULL, probability = !freq,
include.lowest = TRUE,
right = TRUE, col = NULL, border = par("fg"),
main = paste("Histogram of" , xname),
xlim = range(breaks), ylim = NULL,
xlab = xname, ylab,
axes = TRUE, plot = TRUE, labels = FALSE,
nclass = NULL, ...)

Los argumentos de este comando son:
180
x: Vector de valores para el que se construye el histograma.

breaks: Puede ser un valor con el cual se indica el nmero aproximado de clases o
un vector cuyos elementos indican los puntos lmites entre las clases o intervalos.

freq: argumento lgico; si se especifica como TRUE, el histograma representar
las frecuencias absolutas o conteo de datos en cada clase; si se especifica
comoFALSE, se reprentarn las frecuencias relativas. Por defecto, este argumento
toma el valor de TRUE siempre y cuando los intervalos sean de igual ancho.

probability: Especifica un alias para !freq, para compatibilidad con S.

include.lowest: Argumento lgico; si se especifica como TRUE, un x[i] igual a
los equal a un valor breaks se incluir en la primera barra, si el argumento right
=TRUE, o en la ltima en caso contrario.

right: Argumento lgico; si es TRUE, los intervalos son abiertos a la izquierda -
cerrados a la derecha (a,b]. Para la primera clase o intervalo si
include.lowest=TRUE el valor ms pequeo de los datos ser incluido en ste. Si
es FALSE los intervalos sern de la forma [a,b) y el argumento
include.lowest=TRUE tendr el significado de incluir el ms alto.
col: Para definir el color de las barras. Por defecto, NULL produce barras sin
fondo.

border: Para definir el color de los bordes de las barras.

181
plot: Argumento lgico. Por defecto es TRUE, y el resultado es el grfico del
histograma; si se especifica como FALSE el resultado es una lista de conteos por
cada intervalo.

labels: Argumento lgico o carcter. Si se especifica como TRUE coloca
etiquetas arriba de cada barra.

nclass: Argumento numrico (entero). Para compatibilidad con S, nclass=n es
equivalente a breaks=n.
...: Parmetros grficos adicionales a title y axis.
hist(datos)
hist(datos,nclass=5)

Ejemplo: Para los datos de los tiempos de la media maratn de CONAVI:

maraton<-scan()
1: 10253 10302 10307 10309 10349 10353 10409 10442 10447 10452 10504 10517
13: 10530 10540 10549 10549 10606 10612 10646 10648 10655 10707 10726 10731
25: 10737 10743 10808 10833 10843 10920 10938 10949 10954 10956 10958 11004
37: 11009 11024 11037 11045 11046 11049 11104 11127 11205 11207 11215 11226
49: 11233 11239 11307 11330 11342 11351 11405 11413 11438 11453 11500 11501
61: 11502 11503 11527 11544 11549 11559 11612 11617 11635 11655 11731 11735
73: 11746 11800 11814 11828 11832 11841 11909 11926 11937 11940 11947 11952
85: 12005 12044 12113 12209 12230 12258 12309 12327 12341 12413 12433 12440
97: 12447 12530 12600 12617 12640 12700 12706 12727 12840 12851 12851 12937
109: 13019 13040 13110 13114 13122 13155 13205 13210 13220 13228 13307 13316
121: 13335 13420 13425 13435 13435 13448 13456 13536 13608 13612 13620 13646
133: 13705 13730 13730 13730 13747 13810 13850 13854 13901 13905 13907 13912
145: 13920 14000 14010 14025 14152 14208 14230 14344 14400 14455 14509 14552
157: 14652 15009 15026 15242 15406 15409 15528 15549 15644 15758 15837 15916
169: 15926 15948 20055 20416 20520 20600 20732 20748 20916 21149 21714 23256
182
181:
Read 180 items
horas<-maraton%/%10000
min<-(maraton-horas*10000)%/%100
seg<-maraton-horas*10000-min*100
Tiempos<-horas+min/60+seg/3600
> Tiempos
[1] 1.048056 1.050556 1.051944 1.052500 1.063611 1.064722 1.069167 1.078333
[9] 1.079722 1.081111 1.084444 1.088056 1.091667 1.094444 1.096944 1.096944
[17] 1.101667 1.103333 1.112778 1.113333 1.115278 1.118611 1.123889 1.125278
[25] 1.126944 1.128611 1.135556 1.142500 1.145278 1.155556 1.160556 1.163611
[33] 1.165000 1.165556 1.166111 1.167778 1.169167 1.173333 1.176944 1.179167
[41] 1.179444 1.180278 1.184444 1.190833 1.201389 1.201944 1.204167 1.207222
[49] 1.209167 1.210833 1.218611 1.225000 1.228333 1.230833 1.234722 1.236944
[57] 1.243889 1.248056 1.250000 1.250278 1.250556 1.250833 1.257500 1.262222
[65] 1.263611 1.266389 1.270000 1.271389 1.276389 1.281944 1.291944 1.293056
[73] 1.296111 1.300000 1.303889 1.307778 1.308889 1.311389 1.319167 1.323889
[81] 1.326944 1.327778 1.329722 1.331111 1.334722 1.345556 1.353611 1.369167
[89] 1.375000 1.382778 1.385833 1.390833 1.394722 1.403611 1.409167 1.411111
[97] 1.413056 1.425000 1.433333 1.438056 1.444444 1.450000 1.451667 1.457500
[105] 1.477778 1.480833 1.480833 1.493611 1.505278 1.511111 1.519444 1.520556
[113] 1.522778 1.531944 1.534722 1.536111 1.538889 1.541111 1.551944 1.554444
[121] 1.559722 1.572222 1.573611 1.576389 1.576389 1.580000 1.582222 1.593333
[129] 1.602222 1.603333 1.605556 1.612778 1.618056 1.625000 1.625000 1.625000
[137] 1.629722 1.636111 1.647222 1.648333 1.650278 1.651389 1.651944 1.653333
[145] 1.655556 1.666667 1.669444 1.673611 1.697778 1.702222 1.708333 1.728889
[153] 1.733333 1.748611 1.752500 1.764444 1.781111 1.835833 1.840556 1.878333
[161] 1.901667 1.902500 1.924444 1.930278 1.945556 1.966111 1.976944 1.987778
[169] 1.990556 1.996667 2.015278 2.071111 2.088889 2.100000 2.125556 2.130000
[177] 2.154444 2.196944 2.287222 2.548889
par(mfrow=c(2,2))
hist(Tiempos,nclass=2,main="",xlab='Tiempos-horas',ylab='frecuencias')
mtext("(A)",side=1,line=4,font=1)
hist(Tiempos,nclass=4,main="",xlab='Tiempos-horas',ylab='frecuencias')
mtext("(B)",side=1,line=4,font=1)
hist(Tiempos,nclass=8,main="",xlab='Tiempos-horas',ylab='frecuencias')
mtext("(C)",side=1,line=4,font=1)
hist(Tiempos,nclass=16,main="",xlab='Tiempos-horas',ylab='frecuencias')
mtext("(D)",side=1,line=4,font=1)
183
puntos<-c(quantile(Tiempos,probs=c(0,0.5,1)))
puntos2<-c(quantile(Tiempos,probs=c(0,0.25,0.5,0.75,1)))
puntos3<-c(quantile(Tiempos,probs=seq(0,1,by=0.10)))
puntos4<-c(quantile(Tiempos,probs=seq(0,1,by=0.05)))
puntos
0% 50% 100%
1.048056 1.384306 2.548889
puntos2
0% 25% 50% 75% 100%
1.048056 1.201806 1.384306 1.625000 2.548889
puntos3
0% 10% 20% 30% 40%
1.048056 1.111833 1.168889 1.233556 1.294889
50% 60% 70% 80% 90%
1.384306 1.498278 1.580667 1.653778 1.904694
100%
2.548889
puntos4
0% 5% 10% 15% 20% 25% 30% 35%
1.048056 1.081042 1.111833 1.141458 1.168889 1.201806 1.233556 1.260569
40% 45% 50% 55% 60% 65% 70% 75%
1.294889 1.327403 1.384306 1.435458 1.498278 1.539667 1.580667 1.625000
80% 85% 90% 95% 100%
1.653778 1.735625 1.904694 2.018069 2.548889
hist(Tiempos,breaks=puntos,freq=FALSE,ylim=c(0,2),labels=TRUE,main="",
ylab="densidad")
mtext("(A)",side=1,line=4,font=1)
hist(Tiempos,breaks=puntos2,freq=FALSE,ylim=c(0,2),labels=TRUE,main="",
ylab="densidad")
mtext("(B)",side=1,line=4,font=1)
hist(Tiempos,breaks=puntos3,freq=FALSE,ylim=c(0,2),main="",
ylab="densidad")
mtext("(C)",side=1,line=4,font=1)
hist(Tiempos,breaks=puntos4,freq=FALSE,ylim=c(0,2),main="",
ylab="densidad")
mtext("(D)",side=1,line=4,font=1)

184
Nota: En estos histogramas, las alturas corresponden a las intensidades (frec.
relativa/long. intervalo). Por tanto, el rea de cada rectngulo da cuenta de las frecuencias
relativas. Para el caso (A) ambos intervalos tienen igual rea y cada uno contiene 50 \% de
los datos. esto puede verificarse as:

Intensidad primera clase=1.4869888=0.5/(1.384306-1.048056)
Intensidad segunda clase=0.4293381=0.5/(2.548889-1.384306)
Figura 7.1: Se muestra la distribucin del tiempo utilizado por los atletas masculinos
clasificados en el grupo lite en la media maratn de CONAVI. El histograma A tiene solo 2
barras. El grfico B, con 4 barras,y el C, con 8 barras, muestra ms claramente la asimetra
(este es el que la mayora de los programas produce por defecto, ya que la regla de Sturges,
para este conjunto de datos aproxima a 8 barras). Si consideramos ms barras por ejemplo 16,
como tenemos en D, se refina ms la informacin y empezamos a notar multimodalidad.
185
Figura 7.2: La seleccin de histogramas con barras de amplitud variable no es recomendada
por diversos autores, pero si lo hacemos con cuidado podemos obtener grficos muy
ilustrativos. Se seleccionaron amplitudes de tal forma que cada barra posea el mismo nmero
de observaciones. El histograma A tiene barras que contienen el 50% de las observaciones, el
B con 25%, el C con 10% y el D con 5%. La multimodalidad es ms clara.
7.2. Funcin boxplot
El boxplot es obtenido mediante la siguiente funcin:

boxplot(x, ...)
boxplot.default(x,...,range=1.5,width=NULL,varwidth=FALSE,notch=FALSE,
names, boxwex = 0.8, data = parent.frame(), plot = TRUE, border =
par("fg"), col=NULL, log = "", pars =NULL,horizontal=FALSE,add= FALSE)
boxplot.formula(formula, data = NULL, subset, na.action, ...)

Argumentos:

186
x, ...: Los datos que van a ser graficados con el boxplot. Puede ser un conjunto de
vectores separados, cada uno correspondiendo a un boxplot componente o una lista
que contiene a tales vectores. Alternativamente, una especifiacn de la forma x ~ g
puede ser dada para indicar que las observaciones en el vector "x van a ser
agrupadas de acuerdo a los niveles del factor g. En este caso, el argumento data
puede usarse para par valores para la variables en la especificacin.`NA's son
permitidos en los datos.

range: Determina la extensin de los whiskers de la caja. Si es positivo, los
whiskers se extienden hasta el dato ms extremo, el cual no es ms que el rango
por rango intercuartlico de la caja. Un valor de cero hace que los whiskers se
extiendan hasta los datos extremos.

width: Un vector que da los anchos relativos de las cajas.

varwidth: Si es TRUE, las cajas son dibujadas con anchos proporcionales a las
races cuadradas del nmero de observaciones en los grupos.

notch: Si es TRUE, una cua es dibujada a cada lado de las cajas. Cuando las
cuas de dos grficos de caja no se traslapan, entonces las medianas son
significativamente diferentes a un nivel del 5%.

names: Un grupo de etiquetas a ser impresas debajo de cada boxplot.

boxwex: Un factor de escala a ser aplicado a todas las cajas. Cuando slo hay unos
pocos grupos, la apariencia del grfico puede mejorarse haciendo las cajas ms
angostas.

187
data: data.frame, list, o environment en el cual los nombres de las variables
son evaluados cuando x es una frmula.

plot: Si es TRUE (por defecto) entonces se produce el grfico. De lo contrario, se
producen los resmenes de los boxplots.

border: Un vector opcional de colores para las lneas de las cajas y debe ser de
longitud igual al nmero de grficos.

col: Si se especifica, los colores que contiene sern usados en el cuerpo de las cajas.

log: Para indicar si las coordenadas x o y o sern graficadas en escala
logartmica.

pars: Los parmetros grficos pueden ser pasados como argumentos para el boxplot.

horizontal: Si es FALSE (por defecto) los boxplots son dibujados verticalmente.

add: Si es TRUE agrega un boxplot al grfico actual.

formula: Una frmula tal como y ~ x.
data: Un data.frame (o lista) del cual las variables en frmula sern tomadas.

subset: Un vector opcional para especificar un subconjunto de observaciones a ser
usadas en el proceso de ajuste.

188
na.action: Una funcin la cual indica lo que debera pasar cuando los datos
contienen NA's.
En el siguiente ejemplo, se grafican simultneamente los datos sobre el nmero de
pasajeros por viaje registrados entre octubre 1 de 1997 a agosto 30 de 1999, de la ruta
Aranjuez - Anillo, en donde un viaje constituye el recorrido de salida y regreso de un bus
desde la terminal:

viajes97<-matrix(scan('a:/pasaje97.txt'),ncol=4,byrow=T)
viajes98<-matrix(scan('a:/pasaje98.txt'),ncol=4,byrow=T)
viajes99<-matrix(scan('a:/pasaje99.txt'),ncol=4,byrow=T)
pasajeros.viaj97<-matrix((viajes97[,4]/viajes97[,3]),ncol=1)
pasajeros.viaj98<-matrix((viajes98[,4]/viajes98[,3]),ncol=1)
pasajeros.viaj99<-matrix((viajes99[,4]/viajes99[,3]),ncol=1)
anos<-
c(rep(97,nrow(viajes97)),rep(98,nrow(viajes98)),rep(99,nrow(viajes99)))
pasajeros.viaje<-
rbind(pasajeros.viaj97,pasajeros.viaj98,pasajeros.viaj99)
boxplot(split(pasajeros.viaje,anos),
main='Promedio de pasajeros transportados\nporviajes- Ao',
xlab='aos', ylab='nmero por viaje')
#otraforma:

pasajeros97<-cbind(rep(97,nrow(viajes97)),pasajeros.viaj97)
pasajeros98<-cbind(rep(98,nrow(viajes98)),pasajeros.viaj98)
pasajeros99<-cbind(rep(99,nrow(viajes99)),pasajeros.viaj99)
pasajeros<-rbind(pasajeros97,pasajeros98,pasajeros99)
boxplot(pasajeros[,2]~pasajeros[,1], main='Promedio de pasajeros
transportados\npor viajes - Ao', xlab='aos',ylab='nmero por viaje')

189
Figura 7.3: Podemos comparar las distribuciones del nmero de pasajeros por
viaje durante tres aos. Se puede apreciar simultneamente la tendencia y la
dispersin.
7.3. Funcin stem
Nos permite obtener el grfico de tallo y hoja. Este grfico fue propuesto por Tukey (1977)
y a pesar de no ser un grfico para presentacin definitiva se utiliza a la vez que el analista
recoge la informacin ve la distribucin de los mismos. Estos grficos son fciles de
realizar a mano y se usan como una forma rpida y no pulida de mirar los datos.

Qu nos muestra?

1. El centro de la distribucin.

2. La forma general de la distribucin

190
Simtrica Si las porciones a cada lado del centro son imgenes espejos de las otras.

Sesgada a la izquierda Si la cola izquierda (los valores menores) es mucho ms larga que
los de la derecha (los valores mayores)

Sesgada a la derecha Opuesto a la sesgada a la izquierda.

3. Desviaciones marcadas de la forma global de la distribucin.

Outliers Observaciones individuales que caen muy por fuera del patrn general de
los datos.

gaps Huecos en la distribucin

Ventajas de grfico: Muy fcil de realizar y puede hacerse a manos.

Las desventajas son:

1. El grfico es tosco y no sirve para presentaciones definitivas.

2. Funciona cuando el nmero de observaciones no es muy grande.

3. No permite comparar claramente diferentes poblaciones.

191
7 67
7 11
6 8
6 00
5 5666677789999
5 000000011233344444
4 5555555666777788889999
4 00334
3 88
----+----+----+----+--

Datos de velocidades registradas con radar
Fecha de observacion: Sept. 10, 1994

7.4. Funcin qqnorm : Grficos cuantil - cuantil
Esta es una funcin genrica que por defecto produce un Q-Q Plot Normal para los valores
en `y'. Adicionalmente, la funcin qqline agrega una lnea al anterior grfico cuando es
normal, la cual pasa a travs del primer y tercer cuartil. La funcin qqplot produce un
Q-Q Plot de dons conjuntos de datos. En cualquiera de las tres anteriores funciones pueden
especificarse parmetros grficos (ver par).

qqnorm(y, ...)
qqnorm(y, ylim, main = "Normal Q-Q Plot", xlab ="Theoretical Quantiles",
ylab = "Sample Quantiles", plot.it =TRUE, ...)
qqline(y, ...)
qqplot(x, y, plot.it = TRUE, xlab =deparse(substitute(x)), ylab =
deparse(substitute(y)), ...)

Argumentos:

x: La primera muestra para `qqplot'.

y: La segunda o la nica muestra.
192
xlab, ylab, main: Etiquetas de ejes y ttulo del grfico.

plot.it: Argumento lgico. Debe graficarse el resultado?

ylim, ...: Parmetros grficos.

Ver: par

nf<-layout(rbind(c(0,1,1,0),c(0,2,2,0)))
y <- rt(200, df = 5)
qqnorm(y)
qqline(y, col = 2)
qqplot(y, rt(300, df = 5),main="Q-QPlot")

193
Figura 7.4: Grficos obtenidos mediante las funciones qqnorm,
qqline, qqplot
194
Captulo 8: Grficos Multivariables
R provee muchas funciones para el caso multivariable. pairs(), plot(),
faces(), stars().
8.1. Funcin pairs : Matrices de Dispersin
Las matrices de dispersin proporcionan un mtodo simple de presentar las relaciones entre
pares de variables, y es la versin mltiple de plot(). Consiste en una matriz donde cada
entrada presenta un grfico de dispersin sencillo. Un inconveniente es que si tenemos
muchas variables el tamao de cada entrada se reduce demasiado impidiendo ver con
claridad las relaciones entre los pares de variables.

La celda (i,j) de una matriz de dispersin contiene el scatterplot de la columna i versus la
columna j de la matriz de datos. Este grfico puede obtenerse mediante:

pairs(x, ...)
pairs.default(x, labels = colnames(x), panel = points, ...,
lower.panel = panel, upper.panel = panel,
diag.panel = NULL, text.panel = textPanel,
label.pos = 0.5 + has.diag/3, cex.labels = NULL,
font.labels = 1, row1attop = TRUE)

Por ejemplo:

pies<-matrix(scan("c:/graficosr/graficos/dedos.dat"),ncol=6,byrow=T)
#x1:longitud max de la huella #x2:amplitud max de la huella
#x3:amplitud max del talon #x4:longitud max del dedo mayor
#x5:amplitud max del dedo mayor #x6:sexo 1: hombre, 0: mujer
195
pairs(pies,labels=c("x1","x2","x3","x4","x5","x6"), main='Matriz
de dispersin\n \npara medidas de pies,cex.main=0.8)

Figura 8.1: Esta grfica corresponde a los cruces de las variables medidas en los pies de varias personas.

Los argumentos de esta funcin corresponden a:

x: Las coordenadas de puntos dados como columnas de una matriz.

196
labels: Un vector para identificar los nombres de las columnas. Por defecto toma los
nombres de columnas de la matriz x.

panel: Para especificar una funcin: function(x,y,...), a ser usada para
determinar los contenidos de los paneles o graficos componentes. Por defecto es
points, indicando que se graficarn los puntos de los pares de datos. Tambin es
posible utilizar aqu otras funciones prediseadas.

...: Indica que es posible agregar otros parmetros grficos, tales como pch y col, con
los cuales puede especificarse un vector de smbolos y colores a ser usados en los
scatterplots.

lower.panel, upper.panel: Para especificar funciones por separado a ser empleados
en los paneles abajo y arriba de la diagonal respectivamente.

diag.panel: Es opcional. Permite que una funcin: function(x, ...) sea
empleada para los paneles de la diagonal.

text.panel: Es opcional. Permite que una funcin: function(x, y, labels,
cex, font,...) sea aplicada a los paneles de la diagonal.

label.pos: Para especificar la posicin y de las etiquetas en el text panel.

cex.labels, font.labels: Parmetros para la expansin de caracteres y fuentes a usar
en las etiquetas de las variables.

197
row1attop: Parmetro lgico con el cual se especifica si el grfico para especificar
si el diseo lucir como una matriz con su primera fila en la parte superior o como un
grfico con fila uno en la base. Por defecto es lo primero.

Autores:

Enhancements for R 1.0.0 contributed by Dr. Jens

Oehlschlaegel-Akiyoshi and R-core members.

8.2. Funcin plot : Grficos de Dispersin
Es tal vez el ms antiguo de los grficos multivariables. Est limitado a la presentacin de
dos variables, aunque se pueden realizar modificaciones de tal forma que nos permita
incluir ms.

En R obtenemos este grfico mediante la funcin plot:

plot(x, ...)
plot(x, y, xlim=range(x), ylim=range(y), type="p",main, xlab, ylab, ...)
plot(y ~ x, ...)

Donde:

x: Objeto que contiene las coordenadas de los puntos del grfico.

y: Las coordenadas y de los puntos, sin embargo resulta innecesario cuando el
objeto x tiene la estructura apropiada para dar ambas coordenadas
198
xlim, ylim: Los rangos para los ejes x e y respectivamente.

type: Para especificar el tipo de grfico, as :

1. p para puntos, lo cual es por defecto
2. l para trazar lneas entre los puntos
3. b para puntos y lneas
4. o para puntos y lneas superpuestos
5. h para un histograma pero en vez de rectngulos traza lneas verticales
6. s Para grficos en escala
7. S Otros grficos en escala
8. n Para que no aparezca el grfico.

main: Para titular al grfico.

xlab, ylab: Para etiquetar a los ejes.

...: Otros parmetros grficos.

En el argumento type se especifica igual a p para representar las observaciones por
puntos, aunque este es el valor por defecto y por tanto no es necesario especificarlo. En el
siguiente ejemplo se observa el uso de esta funcin:

preciosr9<-matrix(scan("c:/graficosr/graficos/r9.txt"),ncol=13,byrow=T)
ano<-preciosr9[1,]
valor<-preciosr9[2,]
plot(ano,valor,main='Precio de Oferta Renault 9 vs.
Ao',xlab='ao',ylab='valor',pch=19)

199
Figura 8.2: Esta grfica presenta informacin sobre el precio de oferta de
carros Renault 9 vs. el ao del carro aparecidos en los avisos clasificados de un
peridico local.
8.3. Funcin stars: Grfico de Estrellas
Supngase un conjunto de datos multivariados ordenados matricialmente, de manera que
las filas corresponden a las observaciones y p columnas, una por cada variable. En dos
dimensiones se pueden construir crculos (uno por cada observacin multivariada) de un
radio prefijado, con p rayos igualmente espaciados emanando del centro de cada crculo.
Las longitudes de los rayos son proporcionales a los valores de las variables en cada
observacin. Los extremos de los rayos pueden conectarse con segmentos de lneas rectas
para formar una estrella. Con cada observacin representada por una estrella, stas pueden
ser agrupadas segn sus similitudes. Es conveniente estandarizar las observaciones, caso
en el cual pueden resultar valores negativos. (Johnson, Wichern (1998)).

En R la funcin correspondiente es:

200
stars(x, full = TRUE, scale = TRUE, radius = TRUE, labels =
dimnames(x)[[1]], locations = NULL, xlim = NULL, ylim = NULL,
len= 1, colors = NULL, key.loc = NULL, key.labels = NULL, key.xpd =
TRUE, draw.segments = FALSE, axes = FALSE, cex = 0.8, lwd = 0.25,...)

Los argumentos son:

x: La matriz de datos. Un grfico de estrella ser producido por cada fila de x.
Los valores faltantes sern tratados como si fueran cero.

full: Argumento lgico: Si es TRUE, Los grficos ocuparn un crculo completo.
De lo contrario slo ocuparn un semicrculo superior.

scale: Argumento lgico: Si es TRUE, las columnas de la matriz de datos sern
escaladas independientemente, de modo que el valor mximo en cada columna toma
el valor de 1 y el mnimo de 0. Si es FALSE, la presuncin es que los datos ya han
sido escalados por algn otro algoritmo al rango [0,1].

radius: Argumento lgico: Si es TRUE, dibujar el radio correspondiente a cada
variable.

labels: Un vector de caracteres para etiquetar cada grfico. Por defecto se tiene
especificado que use los nombres de las filas de la matriz de datos.

locations: Corresponde a una matriz de dos columnas con las coordenadas x e y
usadas para ubicar cada grfico de estrella. Si locations es NULL, es decir, no es
pre especificado, los grficos son colocados en un arreglo rectangular.

xlim: Es un vector para especificar el rango de las coordenadas x a graficar.
201
ylim: Es un vector con el rango de coordenadas y a graficar.

len: Factor de escala para la longitud del radio de los segmentos.

colors: Vector de valores enteros, cada uno de los cuales especifica un color para
uno de los segmentos. Es ignorado si draw.segments = FALSE
key.loc: Es un vector con las coordenadas x e y para ubicar la unidad que da las
claves que identifican las variables en cada start plot.

key.labels: Es un vector de caracteres para etiquetar los segmentos de la unidad de
claves que identifica las variables en cada start plot. Si se omite, la segunda
componente de dimnames(x) es usada, si est disponible.

key.xpd: Anexar un conmutador para la unidad de claves (dibujar y etiquetar), ver
par(xpd).
draw.segments: Argumento lgico. Si es TRUE dibuja un diagrama de segmento.

axes: Argumento lgico: Si es TRUE se agregan ejes al grfico.

cex: Factor de expansin de caracter para las etiquetas.

lwd: Ancho de lnea a ser usado para dibujar.

...: Argumentos adicionales, pasadas a la primera llamada de plot() .
Autor: Thomas S. Dye
202
Ejemplos:
datos.Hombres<-matrix(scan('a:/Acoplah.dat'),ncol=12,byrow=T)
datos.Mujeres<-matrix(scan('a:/Acoplam.dat'),ncol=12,byrow=T)

datos<-rbind(datos.Hombres,datos.Mujeres)

colnames(datos.Hombres)<-c("Sexo","Masa Corp","Per muslo
medio","Anch deltoideo","Per Abdom", "Per Cadera","Anch
bideltoideo","Estatura","Alt Acromial Parado", "Pliegue Cutaneo
Sub","Pliegue Cutaneo Trip","edad")

colnames(datos.Mujeres)<-c("Sexo","Masa Corp","Per muslo medio",
"Anch deltoideo","Per Abdom","Per Cadera","Anch bideltoideo",
"Estatura","Alt Acromial Parado","Pliegue Cutaneo Sub","Pliegue
Cutaneo Trip","edad")

nombres1<-c(paste("hombre",1:100,sep=""))
nombres2<-c(paste("mujer",1:100,sep=""))
rownames(datos.Hombres)<-nombres1
rownames(datos.Mujeres)<-nombres2

stars(datos.Hombres[1:12,2:12],key.loc=c(11,3),key.labels =
abbreviate(colnames(datos.Hombres)[2:12]), main='Stars Plots-Datos
antropomtricos (hombres)\nPoblacin laboral Colombiana')

stars(datos.Mujeres[1:12,2:12],key.loc=c(11,3),key.labels =
abbreviate(colnames(datos.Mujeres)[2:12]), main='Stars Plots-Datos
antropomtricos (mujeres)\nPoblacin laboral Colombiana')

stars(datos.Hombres[1:12,2:12],key.loc=c(11,3),key.labels =
abbreviate(colnames(datos.Hombres)[2:12]), main='Stars Plots-Datos
antropomtricos (hombres)\nPoblacin laboral Colombiana',
draw.segments=TRUE,len=0.8)
203
Nota: El argumento key.labels = abbreviate(colnames(datos.Hombres)[2:12]), indica
utilizar en el diagrama de claves los nombres de las columnas 2 a 12 de la matriz
datos.hombres. pero abrevindolos, de lo contrario las claves apareceran completas, pero
por su extensin esto resultara inadecuado. Algo similar puede hacerse con las etiquetas de
las observaciones (nombres de filas de la matriz), pero de la siguiente forma: labels =
abbreviate(case.names(datos.Hombres))

Figura 8.3: En este grfico se presentan los primeros 12 datos antropomtricos de la base de
datos de hombres. Observe que los hombres 3 y 6 presentan un comportamiento que sobresale
respecto al resto (el nmero 3 tiene medidas mayores y el 6 tiene medidas ms pequeas).
204
Figura 8.4: En este grfico se presentan los primeros 12 datos antropomtricos de la base de
datos de mujeres. Observe que las mujer 2 y 4 presenta un comportamiento que sobresale
respecto al resto (tienen medidas ms pequeas) y que en las variables pliegue cutneo
subescapular (PICS) y en pliegue cutneo triceps (PICT) parece mayor variabilidad (en la
parte inferior de las estrellas observe cmo varel patrn).
Figura 8.5: En este grfico se presentan los mismos 12 datos antropomtricos de la base de
datos de hombres, pero con una modificacin, los grficos presentan sectores circulares de
radios proporcionales a los valores de cada variable en el respectivo sujeto, adems que cada
sector ha sido coloreado. Esto fue posible especificando el argumento draw.segments=TRUE.
205
8.4. Grficas Trellis (de Rejilla)
Las grficas Trellis (de rejilla) son grficas que contienen uno o ms paneles, arreglados en
forma de rejilla o matriz triangular. Cada panel presenta un grfico con un subconjunto de
los datos. Todos los paneles presentan el mismo tipo de grfico. Los subconjuntos de datos
son escogidos con algn criterio uniforme, condicionando en variables continuas o
discretas, proporcionando una serie de vistas en forma de coordenadas.

Las grficas Trellis representan un paso de mayor importancia en grficas estadsticas.
Ellos proporcionan una forma general a las grficas mltiples y condicionales.

La funcin coplot permite obtener este tipo de grficos, sus argumentos son:

coplot(formula, data, given.values, panel = points, rows,
columns,show.given = TRUE, col = par("fg"), pch = par("pch"),
xlab = paste("Given :", a.name),ylab = paste("Given :", b.name),
number = 6, overlap = 0.5, ...)
co.intervals(x, number = 6, overlap = 0.5)

formula: Para definir la forma del grfico condicional como y~x|a, indicando que
se graficar y versus x condicionados a la variable a. Si la frmula es de la forma
y~x|a*b entonces los grficos de y versus x sern condicionados sobre las
variables a y b. x y y deben ser numricas pero a y b pueden no serlo.

data: Un marco de datos que contiene los valores para cualquiera de las variables en
la frmula, aunque por defecto coplot usa los datos del ambiente en el cual ha sido
invocado.

206
given.values: Corresponde a un valor o lista de dos valores los cuales determinan
cmo los condicionamientos sobre a y b van a darse. Si slo se condiciona sobre una
variable, entonces este argumento generalmente corresponde a una matriz con dos
columnas, con cada fila dando un intervalo sobre el cual se condiciona, pero tambin
puede ser un vector de nmeros o un conjunto de niveles de un factor cuando la
variable sobre la que se condiciona es un factor. En caso de slo una variable
condicionante, el resultado de co.intervals(..) puede ser usado directamente como el
valor de este argumento.

panel: Es una funcin function(x,y, col, pch, ...) que realiza la
accin a ser ejecutada en cada panel del grfico. Por defecto es points.
rows: Los paneles del grfico son puestos en un arreglo de filas por columnas. Este
argumento da el nmero de filas en el arreglo.

columns: Corresponde al nmero de columnas en el arreglo de paneles.

show.given: Es un argumento lgico, que puede ser de longitud dos cuando se
tienen dos variables condicionantes. Por defecto (TRUE) los grficos se presentan
para las correspondientes variables condicionantes

col: Para especificar un vector de colores a ser usados para los puntos. Si es muy
corto los valores son reciclados.

pch: Para especificar un vector de smbolos de graficacin.

xlab, ylab: Para etiquetar a la primera y segunda variable condicionante
respectivamente.
207
number: Nmero entero, para indicar el nmero de intervalos de la variable
condicionante. Puede ser de longitud dos para la direccin x y y.
overlap: Un valor numrico < 1, con el que se especifica la fraccin de
superposicin de los intervalos de las variables condicionantes, puede ser de longitud
2 para la direccin x e y. Un valor negativo produce huecos entre tramos de datos.

Ejemplo 1: Ver figura 8.6.

datos.icfes<-read.table('c:/graficos/icfes.dat')
sexo<-as.factor(datos.icfes[,1])
conoc.mat<-datos.icfes[,10]
apt.mat<-datos.icfes[,9]
electiva<-as.factor(datos.icfes[,12])
apt.verbal<-datos.icfes[,7]
fisica<-datos.icfes[,5]
coplot(conoc.mat ~ apt.mat | sexo*electiva,
panel=function(x,y,...) panel.smooth(x,y, span= .8, ...))

208
Figura 8.6: Hay paneles vacos indicando que las mujeres no tomaron las
electivas correspondientes. En cuanto a la influencia del sexo y la electiva sobre
los resultados en matemtica no parecen ser determinantes.
Ejemplo 2: Ver figura 8.7.

aux<- fisica ~ conoc.mat | apt.verbal*apt.mat
coplot(aux,number=c(3,4),overlap=c(0,0.1))

209
Figura 8.7: A mayor aptitud matemtica y verbal mejores resultados en fsica y
en matemticas. tambin quien tiene buenos resultados en matemticas logra
buenos resultados en fsica.
210

Parte III
Estadstica en R
211
Captulo 9: Modelos Estadsticos en R
R posee una amplia gama de funciones que nos permiten resolver asuntos de una forma
eficiente y elegante. Usualmente los resultados de las funciones no son extensos. Realmente
el programa trata de no llenar la pantalla de resultados, sino que el usuario pide lo que
necesita. A veces la combinacin de varias funciones produce resultados excelentes. R es
bastante flexible para la creacin de modelos altamente complejos.

9.1. Estadstica Bsica
Clculos estadsticos bsicos se pueden desarrollar de acuerdo con las necesidades
individuales. El R en este sentido es bastante diferente a otros programas que generan un
gran nmero de estadsticas, muchas intiles. Si se requiere un anlisis en particular se
recomienda crear una funcin que produzca todos los resultados necesarios en nuestro
problema usando las primitivas proporcionadas por el programa. Las funciones bsicas son:

9.1.1 mean():
Permite calcular la media aritmtica y medias recortadas de un vector.

mean(x, ...)
mean.default(x, trim = 0, na.rm = FALSE)

Argumentos:

x: Vector num\'rico cuyos valores van a promediarse. Slo se permiten vectores
complejos con `trim=0'.
212
trim: Fraccin de recorte (de 0 a 0.5) de cada extremo de `x' antes de calcular la
media.

na.rm: Un valor lgivo para indicar si valores `NA' deberan ser ignorados para los
clculos.

Ejemplo:
x <- c(0:10, 50)
xm <- mean(x)
xm
[1] 8.75

xt<-mean(x, trim = .10)
xt
[1] 5.5

9.1.2 weighted.mean():
Calcula una media ponderada de un vector numrico.

weighted.mean(x, w, na.rm=FALSE)

Argumentos:

x: Vector num\'rico.

w: Vector con los pesos para cada valor en `x'.

213
na.rm: Un valor lgivo para indicar si valores `NA' deberan ser ignorados para los
clculos. si no se especifican, entonces a todos los valores se les da el mismo peso.

Ejemplo
wt <- c(5, 5, 4, 1)/15
x <- c(3.7,3.3,3.5,2.8)
xw <- weighted.mean(x,wt)
xw
[1] 3.453333

9.1.3 cor(), var() y cov():
var calcula la matriz de varianzas y covarianzas de una matriz de datos, cor y cov
calculan respectivamente, la correlacin y la covarianza entre dos vectores `x' y `y'

var(x, y = NULL, na.rm = FALSE, use)
cor(x, y = NULL, use = "all.obs")
cov(x, y = NULL, use = "all.obs")

Argumentos:

x: Un vector o matriz numricos o un data frame.

y: `NULL' (por defecto) o un vector, matriz o dataframe compatible con la
dimensin de `x'. el valor por defecto es `y = x'.

214
use: Una cadena de caracteres opcional para indicar el mtodo para calcular
covarianzas en la presencia de valores faltantes. Debe ser una abreviacin de las
siguientes cadenas all.obs, `"complete.obs"' o pairwise.complete.obs.
na.rm: Argumento lgico. Deberan removerse los valores faltantes?.

Detalles: Si `use' es all.obs entonces si faltan observaciones se producir un error. Si es
complete.obs, entonces las observaciones faltantes son descartadas y si es
pairwise.complete.obs, entonces la correlacin entre cada par de variables es calculada
usando todos los pares completos de observaciones de estas variables. Esto ltimo puede
producir matrices de correlacin o de covarianzas que no son semidefinidas positivas.

Ejemplos:
x<-rnorm(10)
y<-rnorm(10)
y
[1] -0.9546754 0.3951823 1.0079476 0.1308736 0.6154087 0.8264678
[7] -0.4329034 0.3916516 -0.8908572 -0.8976308
var(x)
[1] 0.5058532
var(x,y)
[1] 0.02954414
cov(x,y)
[1] 0.02954414
cor(x,y)
[1] 0.05518748
library(mass)
#Generando una matriz de datos normales bivariados:
x<-matrix(mvrnorm(10,mu=c(0,0),Sigma=matrix(c(1,0,0,1),ncol=2)),ncol=2)
> x
[,1] [,2]
215
[1,] 0.03365421 0.01812461
[2,] -0.66313500 2.31526069
[3,] -0.92103077 2.21952089
[4,] -0.97599197 1.39551295
[5,] -0.55824010 0.15656623
[6,] 0.77337990 0.52407043
[7,] -1.62980628 0.26459324
[8,] -1.01363258 -1.74454949
[9,] -0.32201918 -0.07920861
[10,] -1.40875243 -0.77490633
var(x)
[,1] [,2]
[1,] 0.49486624 0.07806947
[2,] 0.07806947 1.60101998
cov(x)
[,1] [,2]
[1,] 0.49486624 0.07806947
[2,] 0.07806947 1.60101998
cor(x)
[,1] [,2]
[1,] 1.00000000 0.08770795
[2,] 0.08770795 1.00000000
cov(x,y)
[,1]
[1,] 0.1037037
[2,] 0.4147815

9.1.4 median():
Calcula la media de un vector de numrico.

median(x, na.rm=FALSE)

216
Ejemplo:
library(mass)
x<-matrix(mvrnorm(10,mu=c(0,0),Sigma=matrix(c(1,0,0,1),
ncol=2)),ncol=2)
apply(x,2,median)

[1] -0.7920829 0.2105797

apply(x,1,median)
[1] 0.02588941 0.82606284 0.64924506 0.20976049 -0.20083693 0.648725
[7] -0.68260652 -1.37909104 -0.20061389 -1.09182938

9.1.5 max(), min():
Devuelven el mximo y el mnimo respectivamente, de un vector.

9.1.6 pmax(), pmin():
Toman varios vectores como argumentos y retornan un slo vector dando el mximo y el
mnimo paralelo respectivamente, de los primeros elementos de todos los argumentos, el
segundo elemento de todos los argumentos, etc. Si los vectores no son de igual longitud, el
ms corto es reciclado.

Ejemplo:
library(mass)
x<-matrix(mvrnorm(10,mu=c(0,0),Sigma=matrix(c(1,0,0,1),ncol=2)),ncol=2)
min(x)
[1] -1.744549
max(x)
217
[1] 2.315261
apply(x,1,min)
[1] 0.01812461 -0.66313500 -0.92103077 -0.97599197 -0.55824010 0.52407043
[7] -1.62980628 -1.74454949 -0.32201918 -1.40875243
pmin(x[,1],x[,2])
[1] 0.01812461 -0.66313500 -0.92103077 -0.97599197 -0.55824010 0.52407043
[7] -1.62980628 -1.74454949 -0.32201918 -1.40875243
apply(x,2,max)
[1] 0.7733799 2.3152607
pmax(x[1,],x[2,])
[1] 0.03365421 2.31526069

9.1.7 quantile():
Produce los cuantiles muestrales correspondientes a las probabilidades dadas. La
observacin ms pequea corresponde a una probabilidad de 0 y la ms grande a una
probabilidad de 1.

quantile(x, probs = seq(0, 1, 0.25), na.rm = FALSE, names = TRUE)

Argumentos:
x: Un vector numrico.

probs: Un vector numrico con valores en $[0,1]$.

na.rm: Argumento logico; si es TRUE ningn valor faltante es removido antes de
calcular los cuantiles.

names: Argumento logico; si es TRUE el resultado tiene unos atributos de nombres.

218
quantile(x,p) como funcin de p interpola linealmente los puntos ((i-1)/(n-
1),ox[i]) , donde ox<-order(x) (los estadsticos de orden) y n<-length(x).
De donde quantile(x, p)=(1-f)*ox[i]+f*ox[i+1], donde r<-1+(n-
1)*p, i<-floor(r),f <-r-i y ox[n+1]:= ox[n]
Ejemplos:
quantile(x <- rnorm(1001))
0% 25% 50% 75% 100%
-3.59904264 -0.71189944 -0.02124716 0.59595264 2.82691475
quantile(x,probs=1:10/10)
10% 20% 30% 40% 50% 60%
-1.28010254 -0.89459997 -0.57376772 -0.27029481 -0.02124716 0.18551332
70% 80% 90% 100%
0.45891799 0.76740515 1.20626043 2.82691475

9.1.8 range():
Devuelve un vector con los valores mnimo y mximo de todos los argumentos dados.

Ejemplos:
print(r.x <- range(rnorm(100)))
[1] -2.314519 1.967344

diff(r.x) # El rango muestral
[1] 4.281863

9.1.9 rank():
Devuelve los rankeos de los valores de un vector numrico, de menor a mayor.
219
Ejemplos:
(r1 <- rank(x1 <- c(3,1,4,59,26)))
[1] 2 1 3 5 4

(r2 <- rank(x2 <- c(3,1,4,5,9,2,6,5,3,5))) # ties
[1] 3.5 1.0 5.0 7.0 10.0 2.0 9.0 7.0 3.5 7.0

9.1.10 summary():
Con esto obtenemos varias estadsticas de resumen sobre una variable, como lo son los
cuartiles, etc.

summary(x)
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.6718 -0.3072 0.6527 0.4333 1.2390 1.2540

Veamos ahora un ejemplo en el cual se obtienen estadsticos y grficos varios univariados:

PROGRAMA PARA OBTENER UN ANALISIS PRELIMINAR DATOS SOBRE EL
CONTENIDO DE ALCOHOL, CALORIAS Y PAIS EN CERVEZAS
LECTURA DE DATOS EN R

> cerveza.dat<-read.table('c:/datos/cerveza.dat')

GRAFICOS

1) HISTOGRAMAS

> hist(cerveza.dat[,2])
> hist(cerveza.dat[,2],col='grey',ylab='Frecuencia',x
lab='% de Alcohol',main=)
220
> title(main='Distribucin del Contenido de Alcohol \n
en Diferentes Cervezas')

2) GRAFICO DE CAJA

> boxplot(cerveza.dat[,2],col='grey',y
lab='% de Alcohol',main=)
> title(main='Distribucin del Contenido de Alcohol \n
en Diferentes Cervezas')
> boxplot(split(cerveza.dat[,2],cerveza.dat[,1]),col='grey',
ylab='% de Alcohol',main=)
> title(main='Distribucin del Contenido de Alcohol \n en
Diferentes Cervezas por Pases')

3) GRAFICO DE DISPERSION

> plot(cerveza.dat[,2],cerveza.dat[,3],col='grey',x
lab='% de Alcohol',ylab='Caloras',main=)
> plot(cerveza.dat[,2],cerveza.dat[,3],xlab='% de Alcohol',
ylab='Caloras',main=)
> title(main='Contenido de Alcohol vs. Caloras \n
en Diferentes Cervezas')

4) MEDIDAS DE RESUMEN

> calcule.todo(cerveza.dat[,2])

Estadisticas Basicas

Medidas de Localizacion

Media= 5.012704
Mediana= 4.96
221
Minimo= 2
Percentil 5%= 4.092
Percentil 10%= 4.27
Primer Cuartil= 4.655
Tercer Cuartil= 5.245
Percentil 90%= 5.906
Percentil 95%= 6.322
Maximo= 9.5

Medidas de Dispersion

rango Intercuartil= 0.59
Varianza= 0.6129312
Desviacion Tipica= 0.7828993
Desviacion Media Absoluta= 0.501083
Desv. Media Absoluta Robusta= 0.4972327
Diferencia Media de Gini= 0.7636707

Medidas de Forma

Sesgo= 1.073347
Kurtosis= 7.841771
Prueba de Normalidad Shapiro-Francia: W= 0.8573725
Rechace normalidad si W<0.947 Nivel:5%
>
graficos......histcerv.ps boxpcerv.ps *cerv.ps

9.2. Frmulas en R
Una frmula en R es una expresin simblica que define la forma estructural del modelo y
es utilizada en funciones que ajustan modelos. Un ejemplo de una frmula es el siguiente:

222
precio ~ modelo + tipo
La expresin al lado izquierdo de ~ es la respuesta, o la variable dependiente. En este
caso la respuesta es el precio. El lado derecho de la frmula corresponde a la expresin
usada para ajustar la respuesta. En el caso anterior tenemos un modelo aditivo y los
trminos estn separados por el signo +. A pesar de no aparecer explcitamente, se asume
el intercepto.El modelo anterior con la inclusin del intercepto ser:

Precio ~ 1 + modelo + tipo
Una frmula puede llegar a ser bastante compleja. En la frmula arriba hemos includo la
variable tipo que es categrica.Los siguientes tipos de datos pueden aparecer en una
frmula:

1) Un vector numrico, lo cual implica la presencia de un coeficiente;

2) un factor o un factor ordenado, lo cual implica un coeficiente para cada nivel;

3) una matriz, lo que implica un coeficiente por cada columna y

4) cualquier expresin vlida en R que evale a una variable correspondiente a cualquiera
de los tipos anteriormente descritos. Por ejemplo (modelo>75) evala una variable
lgica.

9.2.1 Interaccin y Encajamiento
Las frmulas en R pueden ser bastante compactas. Por ejemplo la frmula

precio ~ modelo*tipo
223
es equivalente al modelo

precio ~ 1 + modelo + tipo + modelo:tipo
donde el trmino modelo:tipo representa la interaccin entre el modelo y el tipo.

Trminos encajados surgen cuando los niveles de un factor dentro de un nivel de algn otro
factor o combinacin de factores. Por ejemplo si tenemos datos geogrficos y tenemos el
factor departamento y el factor municipio . Obviamente los niveles de municipio dependen
del departamento. En este caso el efecto principal carece de sentido, el modelo debe ajustar
un efecto principal para departamento y luego mirar los coeficientes para municipio dentro
de cada nivel de departamento. La frmula ser:

1 + departamento + municipio \%in\% departamento
9.2.2 Funcin formula
La funcin genrica formula y sus mtodos especficos proporcionan una manera de
extraer frmulas las cules han sido incluidas en otros objetos. as.formula es casi
idntica pero adicionalmente preserva atributos del objeto. El valor por defecto del
argumento env es usado slo cuando la frmula carezca de un ambiente.

y ~ model
formula(x, ...)
as.formula(object, env=parent.frame())
I(x)

Argumentos:

224
x, object: Un objeto.

...: Argumentos adicionales pasados a o desde otros mtodos.

env: El ambiente a asociar con el resultado.

Detalles:
Los modelos a justar por funciones como lm y glm son especificados en una
forma simblica compacta. El operador ~ es bsico en la formacin de tales modelos.
Una expresin de la forma y ~ model es interpretado como una especificacin de
que la respuesta `y' es modelada por un predictor lineal especificado simblicamente
por `model'. Tal modelo consiste de una serie de trminos separados por operadores
`+'. Los trminos en s mismos consisten de nombres de variables y factores
separados por operadores `:'. Tal trmino es interpretado como la interaccin de
todas las variables y factores que aparecen en el trmino.

Adems de `+' y `:', otros operadores son tiles en frmulas de modelos. El operador
`*' denota cruce de factores. `a*b' es interpretado como `a+b+a:b'. El operador `^'
indica cruzar al grado especificado. Por ejemplo (a+b+c)^2 es idntico a
(a+b+c)*(a+b+c) en cambio expande a una frmula que contiene los efectos
principales para `a', `b' y `c' junto con sus interacciones de segundo orden. El
operador `%in%' indica que los trminos a su izquierda estn anidados con aquellos a
su derecha. Por ejemplo a+b%in%a expande a la frmula a+a:b. El operador `-'
remueve los trminos especificados, de modo que (a+b+c)^2-a:b es idntico a
a+b+c+b:c+a:c. Puede usarse tambin para remover el trmino intercepto: y~x-
1 es una recta que pasa por el origen. Un modelo sin intercepto puede especificarse
tambin como y~x+0 o 0+y~x.
225
Mientras las frmulas slo involucren variables y nombres de factores, pueden
tambin incluir expresiones aritmticas. La frmula log(y)~a+log(x) es
bastante legal. Cuando tales expresiones aritmticas incluyen operadores que son
tambin usados simblicamente en la frmula del modelo, puede haber confusin
entre el operador aritmtico y el simblico.

Para evitar esta confucin, la funcin I() puede usarse para encerrar entre parntesis
aquellas porciones de una frmula de modelo donde los operadores son usados en su
sentido aritmtico. Por ejemplo, en la frmula y~a+I(b+c) el trmino `b+c' ser
interpretado como la suma de `b' y `c'.

Valor: Todas las funciones anteriores producen un objeto de clase `formula' que
contiene una frmula de modelo simblica.

Ambientes: Un objeto frmula tiene una ambiente asociado, y ste ambiente es usado por
model.frame para evaluar las variables que no son halladas en el argumento data
suministrado. Las frmulas creadas con as.formula sern usadas en el argumento env
por su ambiente. Frmulas preexistentes estraidas con as.formula slo tendrn su
ambiente cambiado si env es dado explcitamente.

Ejemplos:
>class(fo <- y ~ x1*x2)
[1] "formula"

> fo
y ~ x1 * x2
> typeof(fo)
[1] "language"

226
> terms(fo)
y ~ x1 + x2 + x1:x2
attr(,"variables")
list(y, x1, x2)
attr(,"factors")
x1 x2 x1:x2
y 0 0 0
x1 1 0 1
x2 0 1 1
attr(,"term.labels")
[1] "x1" "x2" "x1:x2"
attr(,"order")
[1] 1 1 2
attr(,"intercept")
[1] 1
attr(,"response")
[1] 1
attr(,".Environment")
<environment: R_GlobalEnv>

> environment(fo)
<environment: R_GlobalEnv>

> environment(as.formula("y~x"))
<environment: R_GlobalEnv>

> environment(as.formula("y~x",env=new.env()))
<environment: 01C8BCA4>
>
#Creacin de una frmula para un modelo
#con muchas variables:

#definiendo nombres de variables:
xnam <- paste("x", 1:25, sep="")

#definiendo frmula:

>(fmla <- as.formula(paste("y ~ ", paste(xnam, collapse= "+"))))
227
y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 +
x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20 + x21 +
x22 + x23 + x24 + x25

9.3. Funciones para pruebas estadsticas
En R encontramos disponibles en el paquete ctest las siguientes funciones para
diversas pruebas:

ansari.test(ctest) Prueba Ansari-Bradley
bartlett.test(ctest) Prueba de Bartlett para
homogeneidad de varianzas
binom.test(ctest) Prueba Binomial exacta.
chisq.test(ctest) Prueba Chi-cuadrado de Pearson para
datos de conteo
cor.test(ctest) Prueba para asociacin entre
muestras pareadas
fisher.test(ctest) Prueba exacta de Fisher para datos
de conteo
fligner.test(ctest) Prueba Fligner-Killeen para
homogeneidad de varianzas
friedman.test(ctest) Prueba Friedman de suma de rangos
kruskal.test(ctest) Prueba de suma rangos Kruskal-Wallis
ks.test(ctest) Prueba Kolmogorov-Smirnov
mantelhaen.test(ctest) Prueba Chi-cuadrado de Cochran-Mantel-Haenszel
para datos de conteo
mcnemar.test(ctest) Prueba Chi-cuadrado de McNemar
para datos de conteo
mood.test(ctest) Prueba de escala Mood para dos muestras
oneway.test(ctest) Prueba de igualdad de medias en
diseo de una va
pairwise.prop.test(ctest) Comparaciones pareadas de proporciones
pairwise.t.test(ctest) Prueba t datos pareados
pairwise.wilcox.test(ctest) Prueba de suma de rangos Wilcoxon
pareada
power.prop.test(ctest) Clculos de potencia pruebas de
228
dos muestras para proporciones
power.t.test(ctest) Clculos de potencia para
pruebas t de una y dos muestras
print.pairwise.htest(ctest) Mtodo de impresin para
pruebas pareadas
print.power.htest(ctest) Mtodo de impresin para objeto de
clculo de potencia
prop.test(ctest) Prueba de igualdad o proporciones dadas
prop.trend.test(ctest) Prueba para tendencia en proporciones
quade.test(ctest) Quade Test
shapiro.test(ctest) Test Shapiro-Wilk
t.test(ctest) test t de Student
var.test(ctest) Prueba F para comparar dos varianzas
wilcox.test(ctest) Pruebas de suma de rango de Wilcoxon k y
rango con signo

9.3.1 Test de normalidad: Funcin shapiro.test
En la librera ctest , se encuentra disponible la prueba de normalidad Shapiro-Wilk.

shapiro.test(x)

Argumentos:

x: Un vector numrico, de longitud entre 3 a 5000.

Valor: Una lista de clase `'htest que contiene:

statistic: El valor del estadstico Shapiro-Wilk

p.value: El valor p de la prueba.

229
method: Cadena de caracteres Shapiro-Wilk normality test
data.name: Una cadena de caractere dando el nombre de los datos.

Referencias:
Patrick Royston (1982) An Extension of Shapiro and Wilk's W Test for Normality to
Large Samples. Applied Statistics, 31, 115-124.

Patrick Royston (1982) Algorithm AS 181: The W Test for Normality. Applied
Statistics, 31, 176-180.

Patrick Royston (1995) A Remark on Algorithm AS 181: The W Test for Normality.
Applied Statistics, 44, 547-551.

Ejemplo
library(ctest)
shapiro.test(rnorm(100, mean = 2, sd = 4))
Shapiro-Wilk normality test
data: rnorm(100, mean = 2, sd = 4)
W = 0.9797, p-value = 0.1265
shapiro.test(rexp(100))
Shapiro-Wilk normality test
data: rexp(100)
W = 0.8524, p-value = 1.458e-08

9.4. Regresin lineal Clsica
La regresin lineal clsica es la herramienta estadstica ms utilizada. R presenta un
conjunto de funciones que permiten realizar el trabajo de una forma poco tradicional.
230
Siguiendo la filosofa del programa, el usuario puede crear sus propias funciones, basadas
en las que el programa provee de tal forma que los resultados que realmente se desean sean
los que se obtengan. Entre las funciones que trae el programa tenemos

1. lm(),
2. lm.influence(),
3 lm.object(),
4. mlm.object(),
5. ls.diag(),
6. ls.summary(),
7. ls.print(),
8. lsfit(),
9. poly(),q
10. stepwise(),
11. hat().
9.4.1 Funcin lm:
Es usada para ajustar modelos lineales. Puede usarse para realizar regresiones, anlisis de
varianza de un solo estrato, y anlisis de covarianza (aunque aov puede dar una interface
ms conveniente para estas).

lm(formula, data, subset, weights, na.action,method = "qr", model = TRUE,
x = FALSE, y = FALSE, qr = TRUE,singular.ok = TRUE, contrasts = NULL,
offset = NULL, ...)

Argumentos:

formula: Una descripcin simblica del modelo a ser especificado.
231
data: Marco de datos opcional que contiene las variables en el modelo. por defecto
las variables son tomadas de `environment(formula)' , tpicamente el
ambiente del cual lm es llamada.

subset: Un vector opcional para especificar un subconjunto de observaciones usadas
en el proceso de ajuste.

weights: Un vecto opcional con pesos a ser usados en el proceso de ajuste. Si es
especificado, mnimo cuadrados ponderados es usado con los pesos especificados, es
decir, se minimiza sum(w*e^2); de lo contrario se usa mnimos cuadrados
ordinarios.

na.action: Una funcin que indica lo que debera hacerse cuando hay datos faltantes
`NA's. El valor por defecto es el ajustado por `na.action'.

method: El mtodo a ser usado para el ajuste. Actualmente slo es soportado el
mtodo `qr' ; `method='model.frame ' devuelve el marco del modelo.

model, x, y, qr: Argumentos lgicos. Si son iguales a `TRUE' los componentes
correspondientes del ajuste (el marco del modelo, la matriz del modelo, la respuesta,
la descomposicin QR) son devueltos.

singular.ok: Argumento lgico, por defecto es `TRUE'. `FALSE' no est
implementado.

contrasts: Una lista opcional. Ver `contrasts.arg' de
`model.matrix.default'.

232
offset: Puede usarse para especificar una componente conocida anterior a ser
incluida en el predictor lineal durante el ajuste. Un trmino `offset' puede ser
incluido en la frmula en vez o tambin, y si ambos son especificados su suma es
usada.

...: Argumentos adicionales.

Detalles: Los modelos para lm se especifican simblicamente. El modelo usual tiene la
forma respuesta~trminos donde respuesta es el vector de respuesta y
trminos es una serie de predictores lineales. Estos trminos se especifican de la forma
`primero+segundo' indica todos los trminos en `primero' junto con todos los
trminos en `segundo' con duplicaciones removidas. Una especificacin de la forma
`primero:segundo' indica el conjunto de trminos obtenidos tomando las interacciones
de todos los trminos en `primero' con todos los trminos en `segundo'. La
especificacin `primero*segundo' indica el cruce de `primero' y `segundo' . Esto
es lo mismo que primero+segundo+primero:segundo'.

Las funciones summary y anova son usadas para obtener e imprimir un resumen y una
tabla de anlisis de varianzas de los resultados. Las funciones genricas extractoras
coefficients, effects, fitted.values y residuals extraen varias
caractersticas tiles de los valores retornados por lm.
Un objeto de clase lm es una lista con los siguientes componentes, entre otros:

coefficients: Un vector con los coeficientes

residuals: Los residuales, es decir la respuesta menos valores ajustados.

233
fitted.values: Los valores ajustados.

rank: El grado del modelo lineal ajustado.

weights: Pesos si se hizo ajuste ponderado.

df.residual: Grados de libeertad de los residuales.

formula: La frmula dada.

terms: El objeto `terms' usado.

contrasts: Slo donde son relevantes, los contrastes usados.

xlevels: Slo si son relevante, un registro de los niveles de los factores usados en el
ajuste.

y: Si es requerido, la respuesta usada.

x: Si es requerido, la matriz modelo usada.

model: El marco de modelo usado.

Nota: los offsets especificados por `offset' no sern incluidas las predicciones por
predict.lm mientras aquellas especificadas por un trmino offset en formula si ser
incluido.

234
Ver tambin: summary.lm, anova.lm, coefficients, effects, residuals,
fitted.values, predict.lm (para prediccin e intervalos de prediccin),
lm.influence (para diagnsticos de regresin) y glm (para modelos lineales
generalizados).

9.4.2 Funcin lsfit:
Halla los estimadores mnimo cuadrados del modelos y=X b + e.
lsfit(x, y, wt=NULL, intercept=TRUE, tolerance=1e-07, yname=NULL)

Argumentos
x: Una matriz cuyas filas corresponden a los casos y las columnas a las variables.

y: Las respuestas. Puede ser una matriz de valores si se quiere mltiple ajuste en el
lado izquiedo.

wt: Un vector opcional de pesos para mnimos cuadrados ponderados.

intercept: Para indicar si o no ser usado un trmino de intercepto.

tolerance: La tolerancia a usar en la descomposicin de la matriz.

yname: Un parmetro no usado para compatibilidad.

Detalles: Las observaciones con campos faltantes son omitidas antes del anlisis.

235
Valor: Una lista con los siguientes componentes:

coef: Las estimaciones mnimo cuadrticas de los coeficientes.

residuals: Los residuales del ajuste.

intercept: Indica si un intercepto fue hallado.

qr: La descomposicin QR de la matriz de diseo.

9.4.3 Funcin ls.diag:
Calcula diagnsticos para resultados de regresin con lsfit, estadsticos bsicos
incluyendo errores estndar, valores t y valores p, para los coeficientes de regresin.

ls.diag(ls.out)

Argumentos:

ls.out: El resultado de lsfit().
Valor: Una lista con los siguientes componentes:

std.dev: La desviacin estndar de los errores, una estimacin de sigma.

hat: Entradas h
ii
de la matriz hat.

std.res: Residuales estandarizados.
236
stud.res: Residuaes estudentizados.

cooks: Distancias Cook's.

dfits: Estadsticos DFITS.

correlation: Matriz de correlacin.

std.err: Errores estndar de los coeficientes de la regresin.

cov.scaled: Matriz de covarianza de los coeficientes escala.

cov.unscaled: Matriz de covarianza de los coeficientes no escalada.

Como un ejemplo de lsfit() tenemos el siguiente programa que hace referencia a los precios
de oferta de carros Renault que aparecen en el apndice. Dediquemos un momento a
plantear el modelo que podra explicar el precio de oferta de carros Renault. Una variable
que explica el precio de oferta es el ao del carro. Obviamente esperamos que un carro
viejo sea ms barato que un carro ms nuevo, asimismo el modelo o tipo del carro, si es R4
esperamos tenga un menor valor que un R12 del mismo ao. Preguntas interesantes pueden
ser: Cul es el cambio en el precio de oferta entre dos carros de aos consecutivos? La
diferencia en precios entre R4 y R12 se conserva para diferentes aos? etc. Dado que en el
conjunto de datos tenemos una variable alfanumrica no podemos utilizarla directamente en
la funcin lsfit(). Podemos crear una funcin como la siguiente que nos crea una variable
binaria a partir de una variable alfanumrica y luego la usamos con apply() para resolver
este inconveniencia:

> binaria<-function(a,texto,b)
> if(a==texto) b<-0
237
> else b<-1
> modelo<-matrix(renault$modelo,ncol=1)
> tipo<-apply(modelo,1,binaria,r4,tipo)
> renault.reg<-lsfit(cbind(renault$ano,tipo),
renault$precio,intercept=T)

El objeto que se produce es el siguiente:

$coef:
Intercept tipo
-9.846147 0.1618658 1.527716

$residuals:
[1] 0.08755707 -0.09804023 -0.41497986
[4] -0.15311409 0.71554359 -0.16751679
[7] 0.35367782 0.50195977 -0.35191948
[10] -0.27005371 -0.20311409 -0.03083053
[13] -0.18336745 0.49290101 0.23103524
[16] -0.38336745 0.19290101 -0.15963592
[19] -0.15963592

$intercept:
[1] T

$qr:
$qr$qt:
[1] -14.91890517 -2.85727082 3.22552976
[4] -0.10954689 0.76553080 -0.12202358
[7] 0.40302303 0.54039095 -0.30450028
[10] -0.22199251 -0.15954689 -0.16348059
[13] -0.31344951 0.36153495 0.09902718
[16] -0.51344951 0.06153495 -0.28843397
[19] -0.28843397

238
$qr$qr:
Intercept tipo
[1,] -4.3588989 -339.99411760 -1.83532587
[2,] 0.2294157 -21.58703314 0.41691695
[3,] 0.2294157 0.07846199 2.11134062
[4,] 0.2294157 0.03213788 0.15397011
[5,] 0.2294157 -0.43110317 0.27275040
[6,] 0.2294157 -0.10683443 0.18960420
[7,] 0.2294157 -0.38477907 0.26087237
[8,] 0.2294157 0.40273073 0.05894589
[9,] 0.2294157 -0.24580675 0.22523828
Intercept tipo
[10,] 0.2294157 -0.29213086 0.2371163
[11,] 0.2294157 0.03213788 0.1539701
[12,] 0.2294157 0.03213788 -0.3196626
[13,] 0.2294157 -0.15315854 -0.2721505
[14,] 0.2294157 -0.06051033 -0.2959066
[15,] 0.2294157 -0.01418622 -0.3077846
[16,] 0.2294157 -0.15315854 -0.2721505
[17,] 0.2294157 -0.06051033 -0.2959066
[18,] 0.2294157 -0.24580675 -0.2483944
Intercept tipo
[19,] 0.2294157 -0.2458068 -0.2483944

$qr$qraux:
[1] 1.229416 1.402731 1.142092

$qr$rank:
[1] 3

$qr$pivot:
[1] 1 2 3

$qr$tol:
[1] 1e-007
239
Un resumen mejor del objeto anterior se obtiene con la funcin print.ls()
> print.ls(renault.reg)

Residual Standard Error = 0.3477, Multiple R-Square = 0.9057
N = 19, F-statistic = 76.8016 on 2 and 16 df, p-value = 0

coef std.err t.stat p.value
Intercept -9.8461 1.2982 -7.5844 0
0.1619 0.0164 9.8596 0
tipo 1.5277 0.1647 9.2772 0

Si se desea realizar diagnsticos entonces podemos utilizar la funcin ls.summary() . Esta
funcin cuando es aplicada al objeto creado por lsfit() produce los bien conocidos
resultados de Belsey et al. Por ejemplo en el caso de los carros Renault:

> renault_diagnosticos<-ls.summary(renault.reg)
> renault_diagnostico

$std.dev:
[1] 0.3476825

$hat:
[1] 0.17611290 0.27887709 0.10152271
[4] 0.09402316 0.26428336 0.09827966
[7] 0.22719096 0.27887709 0.14266893
[10] 0.16638374 0.09402316 0.14677342
[13] 0.12670704 0.12782183 0.13506803
[16] 0.12670704 0.12782183 0.14342902

[19] 0.14342902

$std.res:
[1] 0.27744351 -0.33206026 -1.25918828
240
[4] -0.46267263 2.39937436 -0.50738731
[7] 1.15714808 1.70012741 -1.09316629
[10] -0.85071535 -0.61376018 -0.09599883
[13] -0.56436423 1.51800887 0.71450367
[16] -1.17991973 0.59408571 -0.49609647
[19] -0.49609647

$stud.res:
[1] 0.26928206 -0.32262958 -1.28450956
[4] -0.45100806 2.90355461 -0.49527634
[7] 1.17044941 1.81858216 -1.10034238
[10] -0.84298733 -0.60139245 -0.09297725
[13] -0.55196483 1.58865147 0.70312350
[16] -1.19565489 0.58167223 -0.48408083
[19] -0.48408083

$cooks:
[1] 0.0054846808 0.0142139930 0.0597195059
[4] 0.0074053247 0.6893408505 0.0093529744
[7] 0.1312125795 0.3726020444 0.0662875629
[10] 0.0481495248 0.0130314846 0.0005284375
[13] 0.0154041759 0.1125711756 0.0265740826
[16] 0.0673324542 0.0172415693 0.0137367722
[19] 0.0137367722

$dfits:
[1] 0.12449994 -0.20063466 -0.43178286
[4] -0.14529249 1.74024190 -0.16350968
[7] 0.63461754 1.13092734 -0.44886760
[10] -0.37661135 -0.19373890 -0.03856277
[13] -0.21024796 0.60817498 0.27785417
[16] -0.45543482 0.22267848 -0.19808643
[19] -0.19808643

$correlation:
241
Intercept tipo
Intercept 1.0000000 -0.9967344 -0.2444971
-0.9967344 1.0000000 0.1937247
tipo -0.2444971 0.1937247 1.0000000

$std.err:
[,1]
Intercept 1.29820431
0.01641709
tipo 0.16467379

$cov.unscaled:
Intercept
Intercept 13.9418531 -0.175732854
-0.1757329 0.002229598
tipo -0.4323900 0.004332514
tipo
Intercept -0.432389977
0.004332514
tipo 0.224327954

Si queremos un grfico Cuantil-Cuantil para ver si los residuales studentizados se
aproximan a la normal podemos dar los siguientes comandos:

win.graph()
titulo<-Grafico QQ de los Residuales Studentizados
qqnorm(renault\_diagnosticos\$stud.res, main=titulo,
xlab=Grafico QQ con la Normal,
ylab=Residuales Studentizados)
9.4.4 Funcin step:
Elige un modelo con el criterio AIC en un algoritmo Stepwise
242

step(object,scope,scale=0,direction=c("both","backward","forward"),
trace=1,keep=NULL,steps=1000,k=2,...)

Argumentos:

object: Un objeto representando un modelo de una clase apropiada (principalmente
lm y glm). Este es usado como el modelo inicial en la bsqueda stepwise.

scope: Define el rango de los modelos examinados en la bsqueda stepwise. Debe
ser ya sea una frmula, o una lista que contiene las componentes `upper' y `lower',
ambas frmulas.

scale: Usada en la definicin del estadstico AIC para seleccionar los modelos,
actualmente, slo para los modelos lm.aov y glm.

direction: El modo de bsqueda, puede ser uno de los siguientes: `'both,
`'backward, o `'forward, siendo por defecto `'both. Si el argumento `scope' no es
especificado (o el modelo inicial es el modelo superior) el valor por defecto para
`direction' es `'backward.
trace: Si es positivo, la informacin es impresa durante la corrida de step . Valores
grandes pueden dar informacin ms detallada.

keep: Una funcin filtro cuya entrada es un objeto modelo ajustado y el estadstico
AIC asociado, y cuya salida es arbitraria. Tpicamente este argumento selecciona un
subconjunto de las componentes del objeto y las retorna. El valor por defecto es no
guardar nada.

243
steps: El nmero mximo de pasos a ser considerado. Por defecto es 1000.

k: El mltiplo de los grados de libertad usado para penalizacin. Slo `k = 2' da el
genuino AIC: `k = log(n)' es algunas veces referido como BIC o SBC.

...: Cualesquier argumentos adicionales para `extractAIC'.

Hay un problema potencial al usar ajustes glm con una variable de escala, ya que en ese
caso el deviance no est relacionado simplemente al log de verosimilitud maximizado. La
funcin extractAIC.glm hace el ajuste apropiado para una familia gaussiana, pero
pueden ser necesarias correciones para otros casos.

Valor: El modelo seleccionado stepwise es devuelto, con hasta dos componentes
adicionales. Hay una componente `'anova correspondiente a los pasos tomados en la
bsqueda, como tambin una componente `'keep si el argumento `keep=' fue
proporcionado. La columna `'Resid. Dev de la tabla de anlisis del deviance se refiere a
una constante menos dos veces el log de verosimilitud maximizado: Ser un deviance slo
en los casos donde un modelo saturado sea bien definido.

Los modelos ajustados deben ser aplicados al mismo conjunto de datos. Esto puede ser un
problema si hay valores faltantes y el valor por defecto de R, `na.action = na.omit' es usado.
Se sugiere remover antes las observaciones con valores faltantes.

Esta funcin tiene una implementacin mnima. Usar la funcin stepAIC de la librera
MASS para un rango de objetos ms amplio.

Autor: B. D. Ripley.

244
Ver tambin: `stepAIC' (en librera MASS), `add1', `drop1'

Ejemplo: Tomado Directamente de R:

data(swiss)
summary(lm1 <- lm(Fertility ~ ., data = swiss))

Call:
lm(formula = Fertility ~ ., data = swiss)

Residuals:
Min 1Q Median 3Q Max
-15.2743 -5.2617 0.5032 4.1198 15.3213

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 66.91518 10.70604 6.250 1.91e-07 ***
Agriculture -0.17211 0.07030 -2.448 0.01873 *
Examination -0.25801 0.25388 -1.016 0.31546
Education -0.87094 0.18303 -4.758 2.43e-05 ***
Catholic 0.10412 0.03526 2.953 0.00519 **
Infant.Mortality 1.07705 0.38172 2.822 0.00734 **
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

Residual standard error: 7.165 on 41 degrees of freedom
Multiple R-Squared: 0.7067, Adjusted R-squared: 0.671
F-statistic: 19.76 on 5 and 41 DF, p-value: 5.594e-10

slm1 <- step(lm1)
Start: AIC= 190.69
Fertility ~ Agriculture + Examination + Education + Catholic +
Infant.Mortality

245
Df Sum of Sq RSS AIC
- Examination 1 53.0 2158.1 189.9
<none> 2105.0 190.7
- Agriculture 1 307.7 2412.8 195.1
- Infant.Mortality 1 408.8 2513.8 197.0
- Catholic 1 447.7 2552.8 197.8
- Education 1 1162.6 3267.6 209.4

Step: AIC= 189.86
Fertility ~ Agriculture + Education + Catholic + Infant.Mortality

Df Sum of Sq RSS AIC
<none> 2158.1 189.9
- Agriculture 1 264.2 2422.2 193.3
- Infant.Mortality 1 409.8 2567.9 196.0
- Catholic 1 956.6 3114.6 205.1
- Education 1 2250.0 4408.0 221.4
> summary(slm1)

Call:
lm(formula = Fertility ~ Agriculture + Education + Catholic +
Infant.Mortality, data = swiss)

Residuals:
Min 1Q Median 3Q Max
-14.6765 -6.0522 0.7514 3.1664 16.1422

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 62.10131 9.60489 6.466 8.49e-08 ***
Agriculture -0.15462 0.06819 -2.267 0.02857 *
Education -0.98026 0.14814 -6.617 5.14e-08 ***
Catholic 0.12467 0.02889 4.315 9.50e-05 ***
Infant.Mortality 1.07844 0.38187 2.824 0.00722 **
---
246
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

Residual standard error: 7.168 on 42 degrees of freedom
Multiple R-Squared: 0.6993, Adjusted R-squared: 0.6707
F-statistic: 24.42 on 4 and 42 DF, p-value: 1.717e-10

slm1$anova
Step Df Deviance Resid. Df Resid. Dev AIC
1 NA NA 41 2105.043 190.6913
2 - Examination 1 53.02656 42 2158.069 189.8606

9.4.5 Medidas de Influencia
El siguiente conjunto de funciones permiten calcular algunos de los diagnsticos de
regresin discutidos en Belsley, Kuh and Welsch(1980), y en Cook and Weisberg (1982).

influence.measures(lm.obj)
rstandard(lm.obj,
infl = lm.influence(lm.obj),
res = weighted.residuals(lm.obj),
sd = sqrt(deviance(lm.obj)/df.residual(lm.obj)))
rstudent (lm.obj, infl = ..., res = ...)
dffits (lm.obj, infl = ..., res = ...)
dfbetas (lm.obj, infl = ...)
covratio (lm.obj, infl = ..., res = ...)
cooks.distance(lm.obj, infl = ..., res = ..., sd = ...)

hat(x, intercept = TRUE)

Argumentos:

lm.obj: El objeto resultante devuelto por lm.
247
infl: Estructura de influencia como la retornada por la funcin lm.influence.
res: Residuales, posiblemente ponderados.

sd: Desvaicin estndar a usar.

x: X o la matriz de diseo.

intercept: Debera una columna intercepto ser pre anexada a X?

Detalles: La funcin principal es influence.measures que produce un objeto
tabular de clase infl mostrando los DFBETAS para cada variable del modelo, DFFITS,
covariance ratios, Cook's distances y los elementos de la diagonal de la matriz Hat. Los
casos que son influenciales para cualquiera de estas medidas son marcados con asterisco.

Las funciones dfbetas, dffits, covratio y cooks.distance proporcionan
acceso directo a las correspondientes cantidades de diagn'ostico. Las funciones
rstandard y rstudent dan respectivamente, los residuales estandarizados y
estudentizados.

Los argumentos opcionales `infl', `res' y `sd' estn all para el uso de estas funciones de uso
directo, cuando por ejemplo, las medidas subyacentes de influencia bsicas (de
lm.influence) ya estn disponibles.

Referencias.
Belsley, D. A., Kuh, E. and Welsch, R. E. (1980) Regression Diagnostics. New York:
Wiley.
248
Cook, R. D. and Weisberg, S. (1982) Residuals and Influence in Regression. London:
Chapman and Hall.

Ejemplo:
data(LifeCycleSavings)
#ajustando un modelo:
lm.SR <- lm(sr ~ pop15 + pop75 + dpi + ddpi, data = LifeCycleSavings)
#obteniendo slo las observaciones potencialmente
#influyentes:
summary(inflm.SR <- influence.measures(lm.SR))
Potentially influential observations of
lm(formula = sr ~ pop15 + pop75 + dpi + ddpi, data = LifeCycleSavings) :
dfb.1_ dfb.pp15 dfb.pp75 dfb.dpi dfb.ddpi dffit cov.r cook.d
Chile -0.20 0.13 0.22 -0.02 0.12 -0.46 0.65_* 0.04
United States 0.07 -0.07 0.04 -0.23 -0.03 -0.25 1.66_* 0.01
Zambia 0.16 -0.08 -0.34 0.09 0.23 0.75 0.51_* 0.10
Libya 0.55 -0.48 -0.38 -0.02 -1.02_* -1.16_* 2.09_* 0.27
hat
Chile 0.04
United States 0.33_*
Zambia 0.06
Libya 0.53_*
#o bien:

which(apply(inflm.SR$is.inf, 1, any))
Chile United States Zambia Libya
7 44 46 49

#Obteniendo una medida especfica:
covratio(lm.SR)
Australia Austria Belgium Bolivia Brazil
1.1928303 1.2678392 1.1761879 1.2238199 1.0823332
Canada Chile China Colombia Costa Rica
1.3283009 0.6547098 1.1498637 1.1666845 0.9681384
Denmark Ecuador Finland France Germany
0.9344047 1.1393880 1.2031561 1.2262654 1.2256855
249
Greece Guatamala Honduras Iceland India
1.1396174 1.0852720 1.1855450 0.8658808 1.2024438
Ireland Italy Japan Korea Luxembourg
1.2680432 1.1624611 1.0845999 0.8695843 1.1961844
Malta Norway Netherlands New Zealand Nicaragua
1.1282611 1.1680616 1.2285315 1.1336998 1.1742677
Panama Paraguay Peru Philippines Portugal
1.0667255 0.8732040 0.8312741 0.8177726 1.2331038
South Africa South Rhodesia Spain Sweden Switzerland
1.1945449 1.3130954 1.2081541 1.0864869 1.1471125
Turkey Tunisia United Kingdom United States Venezuela
1.1003557 1.1314365 1.1886236 1.6554816 1.0945955
Zambia Jamaica Uruguay Libya Malaysia
0.5116454 1.1995171 1.1872025 2.0905736 1.1126445

9.5. Mnimos cuadrados no lineales: Funcin nls
En el paquete nls se halla la funcin nls que permite hallar estimaciones de los
parmetros en modelos no lineales.

nls(formula, data, start, control = nls.control(),
algorithm = "default", trace = FALSE, subset,
weights, na.action)

Argumentos:

formula: Frmula de un modelo no lineal que incluye variables y parmetros.

data: Un data frame opcional en el cual se hallen las variables en `formula'.

start: Una lista de denominacin o vector numrico de estimaciones iniciales.

250
control: Una lista opcional de ajustes de control.

algorithm: Cadena de caracteres especificando algoritmo a usar. Por defecto es el
algoritmo Gauss-Newton. Puede ser tambin plinear, el algoritmo Golub-Pereyra
para modelos mnimo cuadrados parcialmente lineales.

trace: Argumento lgico para solicitar traza de las iteraciones. Por defecto es
`FALSE'.

subset: Vector opcional para especificar un subconjunto de observaciones a ser
usados en el ajuste.

weights: Vector opcional de pesos. Si se da, la funcin objetivo es de mnimos
cuadrados ponderados. No est implementada.

na.action: Funcin de accin para valores `NA's.

Valor: Una lista con:

m: Un objeto `nlsModel'.

data: Los datos sobre los que se ajust.

Autor: Douglas M. Bates and Saikat DebRoy

Ejemplos:
library(nls)
data( DNase )
251
DNase1 <- DNase[ DNase$Run == 1, ]
## Usando un modelo de autoarranque
fm1DNase1<- nls( density ~ SSlogis( log(conc), Asym, xmid, scal ),
DNase1 )

>fm1DNase1
Nonlinear regression model
model: density ~ SSlogis(log(conc), Asym, xmid, scal)
data: DNase1
Asym xmid scal
2.345180 1.483090 1.041455
residual sum-of-squares: 0.004789569

summary( fm1DNase1 )

Formula: density ~ SSlogis(log(conc), Asym, xmid, scal)

Parameters:
Estimate Std. Error t value Pr(>|t|)
Asym 2.34518 0.07815 30.01 2.16e-13 ***
xmid 1.48309 0.08135 18.23 1.22e-10 ***
scal 1.04146 0.03227 32.27 8.50e-14 ***
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

Residual standard error: 0.01919 on 13 degrees of freedom

Correlation of Parameter Estimates:
Asym xmid
xmid 0.9868
scal 0.9008 0.9063

## usando linealidad condicional
> fm2DNase1 <- nls( density ~ 1/(1 + exp(( xmid - log(conc) )/scal ) ),
data = DNase1,start = list( xmid = 0, scal = 1 ),
252
alg = "plinear", trace = TRUE )
0.7139315 : 0.000000 1.000000 1.453853
0.1445295 : 1.640243 1.390186 2.461754
0.008302152 : 1.620899 1.054228 2.478388
0.004794192 : 1.485226 1.043709 2.347334
0.004789569 : 1.483130 1.041468 2.345218
0.004789569 : 1.483090 1.041455 2.345180

> summary( fm2DNase1 )

Formula: density ~ 1/(1 + exp((xmid - log(conc))/scal))

Parameters:
Estimate Std. Error t value Pr(>|t|)
xmid 1.48309 0.08135 18.23 1.22e-10 ***
scal 1.04145 0.03227 32.27 8.50e-14 ***
.lin 2.34518 0.07815 30.01 2.16e-13 ***
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

Residual standard error: 0.01919 on 13 degrees of freedom

Correlation of Parameter Estimates:
xmid scal
scal 0.9063
.lin 0.9868 0.9008

##Sin linealidad condicional:
fm3DNase1 <- nls( density ~ Asym/(1 + exp(( xmid - log(conc) )/scal ) ),
data = DNase1,
start = list( Asym = 3, xmid = 0, scal = 1 ),
trace = TRUE )
14.32279 : 3 0 1
0.4542698 : 2.1152456 0.8410193 1.2000640
0.05869601 : 2.446376 1.747516 1.189515
253
0.005663523 : 2.294087 1.412198 1.020463
0.004791528 : 2.341429 1.479688 1.040758
0.004789569 : 2.345135 1.483047 1.041439
0.004789569 : 2.345179 1.483089 1.041454
>
> summary( fm3DNase1 )

Formula: density ~ Asym/(1 + exp((xmid - log(conc))/scal))

Parameters:
Estimate Std. Error t value Pr(>|t|)
Asym 2.34518 0.07815 30.01 2.16e-13 ***
xmid 1.48309 0.08135 18.23 1.22e-10 ***
scal 1.04145 0.03227 32.27 8.50e-14 ***
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

Residual standard error: 0.01919 on 13 degrees of freedom

Correlation of Parameter Estimates:
Asym xmid
xmid 0.9868
scal 0.9008 0.9063

9.6. Anlisis Multivariable
El anlisis multivariable trata con datos que contienen observaciones con dos o ms
variables obtenidas por cada sujeto. Vamos a suponer que nuestra matriz de datos se llama
DATOS y que es numrica. Cada fila representa las variables observadas a cada sujeto y
cada columna representa el conjunto de observaciones para una variable.

254
9.6.1 Discriminacin, Funcin: lda
El problema de clasificacin consiste en clasificar un individuo en una de k poblaciones P
1
,
P
2
, ... ,P
k
. Para ello se utiliza una regla construida teniendo como base las mediciones de d
variables de n individuos, digamos x
1
, x
2
, ... , x
n
, los cuales sabemos a cuales poblaciones
pertenecen con certeza. La tcnica para construir la regla se conoce como discriminacin.
La funcin R Disponible en el paquete mass, lda permite realizar anlisis discriminante
lineal.

lda(formula, data, prior = proportions, tol = 1.0e-4,
subset, na.action = na.fail,
method, CV = FALSE, nu)
lda(x, grouping, prior = proportions, tol = 1.0e-4,
subset, na.action = na.fail,
method, CV = FALSE, nu)

Argumentos:

formula: Una frmula de la forma `groups~x1+x2+...' , es decir la respuesta
es el factor de agrupamiento y el lado derecho especifica los discriminadores.

data: Data frame dese el cual se toman las variables especificadas en frmula.

x: Se requiere si no se da ninguna frmula. Es una matriz de datos o data frame o
una matriz con las variables explicatorias.

grouping: Se requiere si no de da ninguna frmula. Es un factor que especifica la
clase de cada observacin.
255
prior: Las probabilidades previas de los miembros de clase. Si no se especifican, las
proporciones de clase para el conjunto de entrenamiento son usadas. Si son dadas,
deben ser especificadas en el orden de los niveles de factor.

tol: Una tolerancia para determinar si una matriz es singular. Rechazar variables y
combinaciones lineales de variables de varianza unitaria cuyas varianza es menor que
`tol
2
'.

subset: Un vector ndice que especifica los casos a ser usados en la muestra de
entrenamiento. Este argumento debe ser un nombre del vector.

na.action: Una funcin para especificar la accin a tomar con valores `NA's.

method: moment para estimadores estndar de media y varianza, mle, para
estimadores MLE, mve para usar `cov.mve', o t para usar estimaciones robustas
basadas en la distribucin t.

CV: Si es TRUE, devuelve resultados (clases y probabilidades posteriores) para
validacin cruzada. Si las probabilidades posteriores son estimadas, las proporciones
en el conjunto total de datos son usadas.

nu: Grados de libertad para `method = t '.

...: Argumentos pasados a o desde otros mtodos.

Esta funcin puede ser llamada dando un frmula y un data frame opcional, o una matriz y
un factor de agrupamiento como los primeros dos argumentos. Los otros argumentos son
256
opcionales, pero `subset=' y `na.action=', si son requeridos, deben ser nombrados
completamente.

Valor: un objeto de clase lda que contiene los siguiente componentes:

prior: Las probabilidades apriori usadas.

means: Las medias de grupos.

scaling: Una matriz que transforma las observaciones a funciones discriminantes,
normalizadas de manera que la matriz de covarianza dentro de los grupos es esfrica.

svd: Los valores singulares, los cuales dan la razn de las desviaciones estndar
entre y dentro de los grupos en las variables discriminantes lineales. Sus cuadrados
son los estadsticos F cannicos.

N: El nmero de observaciones usadas.

call: La llamada de la funcin

class: La clasificacin MAP.

posterior: Las probabilidades posteriores para las clases.

Ejemplos:
library(mass)
data(iris3)
Iris <- data.frame(rbind(iris3[,,1], iris3[,,2], iris3[,,3]),
257
Sp = rep(c("s","c","v"), rep(50,3)))
train <- sample(1:150, 75)
table(Iris$Sp[train])

z <- lda(Sp ~ ., Iris, prior = c(1,1,1)/3, subset = train)

>z
Call:
lda.formula(Sp ~ ., data = Iris, prior = c(1, 1, 1)/3, subset = train)

Prior probabilities of groups:
c s v
0.3333333 0.3333333 0.3333333

Group means:
Sepal.L. Sepal.W. Petal.L. Petal.W.
c 5.970370 2.777778 4.329630 1.318519
s 4.959091 3.295455 1.472727 0.250000
v 6.719231 3.061538 5.684615 2.053846

Coefficients of linear discriminants:
LD1 LD2
Sepal.L. 0.5831979 -0.3812877
Sepal.W. 1.8356729 2.6112610
Petal.L. -2.3052398 -0.7051669
Petal.W. -2.3131828 2.5428727

Proportion of trace:
LD1 LD2
0.9892 0.0108

predict(z, Iris[-train, ])$class
[1] s s s s s s s s s s s s s s s s s s s s s s s s s s s s c c c c c c c c c c
[39] c c c c c c c c c c c c c v v v v v v v v v v v v v v v v v v v v v v v v
Levels: c s v
258
9.6.2 Funcin mahalanobis
Devuelve las distancias de Mahalanobis de todas las filas en una matriz de datos `x' y el
vector mu=`center' con respecto a Sigma=`cov'. Para un vector `y' est definida como
D
2
=(y-mu)
t
Sigma
-1
(y - mu).
mahalanobis(x, center, cov, inverted=FALSE)

Argumentos:

x: Vector o matriz de datos con p columnas.

center: Vector de medias de la distribucin o el segundo vector de datos de longitud
p.

cov: Matriz de covarianza (p x p) de la distribucin.

inverted: Argumento lgico. Si es `TRUE', se supone que el argumento `cov'
contiene la inversa de la matriz de covarianza.

Ejemplo:
library(mass)
mu<-c(0,0)
Sigma<-matrix(c(1,0,0,1),ncol=2)
X<-mvrnorm(5,mu,Sigma)
X
[,1] [,2]
[1,] -0.6473254 -0.9788744
[2,] 0.8565902 -0.1284428
[3,] 0.7230044 -0.5692264
259
[4,] 0.5820368 0.4990434
[5,] -0.6085847 0.8054497

T2<-mahalanobis(X,center=mu,cov=Sigma)
T2
[1] 1.3772253 0.7502443 0.8467540 0.5878112 1.0191247

mu<-c(0,0,0)
Sigma<-matrix(c(1,0,0,0,1,0,0,0,1),ncol=3)
X<-mvrnorm(100,mu,Sigma)
Sx <- cov(X)
Sx
[,1] [,2] [,3]
[1,] 0.73037799 0.05741202 -0.1222489
[2,] 0.05741202 1.09179799 0.1149610
[3,] -0.12224895 0.11496101 1.0579335

centro<-apply(X,2,mean)
centro
[1] -0.02902490 -0.07151261 0.01496225

D2<-mahalanobis(X,centro,Sx)
qqplot(qchisq(ppoints(100), df=3), D2,
main = expression("Q-Q plot de las distancias de Mahalanobis" * ~D^2 *
" vs. cuantiles" * ~ chi[3]^2),xlab=expression("Cuantil"*~chi[3]^2),
ylab=expression(D^2),cex.main=0.8,cex.lab=0.7,cex=0.7,pch=20,cex.axis=0.7)
abline(0, 1, col = 'gray',lty=2)

260
Figura 9.1: Grfico _
2
que nos permite evaluar el supuesto de multinormalidad
9.6.3 Funcin cov.wt
Esta funcin proporciona una lista que contiene estimaciones de la matriz de covarianza
ponderada y la media de los datos , y opcionalmente, la matriz de correlacin ponderada.

cov.wt(x, wt = rep(1/nrow(x), nrow(x)), cor = FALSE, center = TRUE)

Argumentos:

x: Una matriz o data frame. Las filas son las observaciones y las columnas las
variables.

wt: Un vector de pesos no nulo y no negativos para cada una de las observaciones.
Debe tener longitud igual al nmero de filas de `x'.
261
cor: Un argumento lgico para indicar si tambin deber retornarse la matriz de
correlacin estimada ponderada.

center: Puede ser un argumento lgico o especificarse como un vector numrico
dando el centro a usar para calcular las covarianzas. Si es TRUE, se usa la media
ponderada de cada variable, ysi es FALSE, se usa cero. Si se especifica un vector, su
longitud debe ser igual al nmero de variables.

Detalles: La matriz de covarianza es dividida por uno menos la suma de los cuadrados de
los pesos, as si los pesos son (1/n), la estimacin usual insesgada de la matriz de
covarianza con divisor (n-1) es retornada.

Valor: Esta funcin arroja una lista con las siguientes componentes:

cov: La matriz de covarianza ponderada estimada.

center: Una estimacin para el centro de los datos.

n.obs: El nmero de observaciones.

wt: Los pesos usados en la estimacin. Slo los devuelve cuando sean
especificados.

cor: La matriz de correlacin estimada. Es devuelta slo si el argumento
`cor=TRUE'.

9.6.4 Funcin prcomp
262
Esta funcin est disponible en el paquete mva, y permite realizar un anlisis de
componentes principales sobre una matriz de datos dada y devuelve los resultados como un
objeto de clase `prcomp'.

prcomp(x, retx = TRUE, center = TRUE, scale. = FALSE, tol = NULL)

Argumentos:

x: Matriz o data frame con los datos.

retx: Argumento lgico para indicar si deben retornarse las variables rotadas.

center: Argumento lgico para indicar si las variables deben ser desviadas para
centrarlas en cero. Alternativamente, puede ser un vector de longitud igual al nmero
de columnas de la matriz de datos. El valor es pasado a `scale'.

scale: Argumento lgico para indicar si las variables deberan ser escaladas para
que tengan varianza unitaria antes de que se realice el anlisis. El valor por defecto
es `FALSE' . Tambin puede proporcionarse un vector de longitud igual al nmero
de columnas de la matriz de datos. El valor es pasado a `scale'.

tol: Un valor para indicar la cantidad por debajo de la cual las componentes deberan
ser omitidas. Las componentes son omitidas si sus desviaciones estndar son
menores o iguales a `tol' por la desviacin estndar de la primera componente. Otros
ajustes pueden ser tol = 0' o `tol =sqrt(.Machine$double.eps)', lo cual podra omitir
componentes constantes.

Detalles: El clculo es realizado mediante la descomposicin SVD de la matriz de datos
centrada y escalada. Este es el mtodo preferido por exactitud numrica. El mtodo `print'
263
para estos objetos imprime los resultado en un buen formato y el mtodo `plot' produce un
scree plot.

Valor: La funcin devuelve una lista de clase `'prcomp, que contiene los siguientes
componentes:

sdev: Las desviaciones estndar de las componentes principales, es decir, las races
cuadradas de los valores propios de la matriz de covarianza/correlacin.

rotation: La matriz de los loadings de las variables (es decir, una matriz cuyas
columnas son los vectores propios). La funcin princomp devuelve esto en el
elemento `loadings'.

x: Si `retx' es TRUE son devueltos los datos rotados (Los datos multiplicados por la
matriz de rotacin).

Referencias:
Mardia, K. V., J. T. Kent, and J. M. Bibby (1979) Multivariate Analysis, London:
Academic Press.

Venables, W. N. and B. D. Ripley (1997, 9) Modern Applied Statistics with S-PLUS,
Springer-Verlag.

Ver tambin: `princomp', `cor', `cov', `svd', `eigen'.

Ejemplos:
##Las varianzas en las variables en los datos
264
##USArrests varan por orden de magnitud, por
##tanto, escalar los datos resulta apropiado.

data(USArrests)
USArrests
Murder Assault UrbanPop Rape
Alabama 13.2 236 58 21.2
Alaska 10.0 263 48 44.5
Arizona 8.1 294 80 31.0
Arkansas 8.8 190 50 19.5
California 9.0 276 91 40.6
Colorado 7.9 204 78 38.7
Connecticut 3.3 110 77 11.1
Delaware 5.9 238 72 15.8
Florida 15.4 335 80 31.9
Georgia 17.4 211 60 25.8
Hawaii 5.3 46 83 20.2
Idaho 2.6 120 54 14.2
Illinois 10.4 249 83 24.0
Indiana 7.2 113 65 21.0
Iowa 2.2 56 57 11.3
Kansas 6.0 115 66 18.0
Kentucky 9.7 109 52 16.3
Louisiana 15.4 249 66 22.2
Maine 2.1 83 51 7.8
Maryland 11.3 300 67 27.8
Massachusetts 4.4 149 85 16.3
Michigan 12.1 255 74 35.1
Minnesota 2.7 72 66 14.9
Mississippi 16.1 259 44 17.1
Missouri 9.0 178 70 28.2
Montana 6.0 109 53 16.4
Nebraska 4.3 102 62 16.5
Nevada 12.2 252 81 46.0
New Hampshire 2.1 57 56 9.5
New Jersey 7.4 159 89 18.8
New Mexico 11.4 285 70 32.1
New York 11.1 254 86 26.1
North Carolina 13.0 337 45 16.1
265
North Dakota 0.8 45 44 7.3
Ohio 7.3 120 75 21.4
Oklahoma 6.6 151 68 20.0
Oregon 4.9 159 67 29.3
Pennsylvania 6.3 106 72 14.9
Rhode Island 3.4 174 87 8.3
South Carolina 14.4 279 48 22.5
South Dakota 3.8 86 45 12.8
Tennessee 13.2 188 59 26.9
Texas 12.7 201 80 25.5
Utah 3.2 120 80 22.9
Vermont 2.2 48 32 11.2
Virginia 8.5 156 63 20.7
Washington 4.0 145 73 26.2
West Virginia 5.7 81 39 9.3
Wisconsin 2.6 53 66 10.8
Wyoming 6.8 161 60 15.6

library(mva)
prcomp(USArrests) # inapropiado
Standard deviations:
[1] 83.732400 14.212402 6.489426 2.482790

Rotation:
PC1 PC2 PC3 PC4
Murder -0.04170432 -0.04482166 0.07989066 0.99492173
Assault -0.99522128 -0.05876003 -0.06756974 -0.03893830
UrbanPop -0.04633575 0.97685748 -0.20054629 0.05816914
Rape -0.07515550 0.20071807 0.97408059 -0.07232502

prcomp(USArrests, scale = TRUE)
Standard deviations:
[1] 1.5748783 0.9948694 0.5971291 0.4164494

Rotation:
PC1 PC2 PC3 PC4
Murder -0.5358995 -0.4181809 0.3412327 -0.64922780
Assault -0.5831836 -0.1879856 0.2681484 0.74340748
UrbanPop -0.2781909 0.8728062 0.3780158 -0.13387773
266
Rape -0.5434321 0.1673186 -0.8177779 -0.08902432

plot(prcomp(USArrests))

summary(prcomp(USArrests, scale = TRUE))
Importance of components:
PC1 PC2 PC3 PC4
Standard deviation 1.57 0.995 0.5971 0.4164
Proportion of Variance 0.62 0.247 0.0891 0.0434
Cumulative Proportion 0.62 0.868 0.9566 1.0000

9.6.5 Funcin biplot.princomp
Esta funcin (disponible en librera mva) produce un biplot de los reultados del anlisis de
componentes principales realizado con la funcin princomp.
biplot(x, choices = 1:2, scale = 1, pc.biplot = FALSE, ...)

Argumentos:

x: Un objeto de clase `'princomp.
choices: Vector de longitud 2 para especificar las componentes a graficar.

scale: Las variables son escaladas por `lambda
scale
' y las observaciones son
escaladas por `lambda
(1-scale)
', donde lambda son los valores singulares calculados por
princomp. Normalmente 0 s scale s 1, y una advertencia se exhibir si `scale'
especificado est por fuera de rango.

pc.biplot: Si es TRUE, usa biplot de componente principal, con las observaciones
escaladas por arriba por la raz cuadrada de n y las variables escaladas por abajo por
267
la misma cantidad . Luego los productos internos de las covarianzas aproximadas de
las variables y las distancias entre la distancia de Mahalanobis aproximada de las
observaciones.

...: Argumentos grficos opcionales.

Referencias:
Gabriel, K. R. (1971). The biplot graphical display of matrices with applications to
principal component analysis. Biometrika, 58, 453-467.

Gabriel, K. R. and Odoroff, C. L. (1990). Biplots in biomedical research. Statistics in
Medicine, 9, 469-485.

9.6.6 Funcin biplot
Realiza un biplot de datos multivariados sobre el dispositivo grfico actual. Un biplot es un
grfico que pretende presentar tanto las observaciones y las variables de una matriz de
datos multivariados sobre un mismo grfico. Hay muchas variaciones de un biplot y quiz
la ms ampliamente usada es la implementada en la funcin biplot.princomp.
biplot(x, ...)
biplot.default(x, y, var.axes = TRUE, col, cex = rep(par("cex"), 2),
xlabs = NULL, ylabs = NULL, expand = 1,
xlim = NULL, ylim = NULL, arrow.len = 0.1, ...)

Argumentos:

268
x: Para `biplot', es un objeto ajustado. Para `biplot.default' es el primer conjunto de
puntos o una matriz de dos columnas, usualmente asociada con las observaciones.

y: El segundo conjunto de puntos o una matriz de dos columnas, usualmente
asociada con las variables.

var.axes: Si es igual a `TRUE' el segundo conjunto de puntos tiene filas
representndolas como ejes.

col: Un vector de longitus 2 dando los colores para el primer y segundo conjunto de
puntos respectivamente (y de los correspondientes ejes). Si slo se especifica un
coloreste ser usado en ambos conjuntos.

cex: Factor de expacin de caracter usado para etiquetar los puntos. Las estiquetas
pueden ser de diferentes tamaos para los dos conjuntos proporcionando un vector de
longitud 2.

xlabs: Un vector de cadena de caracteres para etiquetar el primer conjunto de
puntos. Por defecto usa el nombre de dimensin de la fila de `y', o 1:n si la
dimensin es 'NULL'.

expand: Un factor de expansin para aplicar cuando se traza el segundo conjunto de
puntos en relacin al primero. Puede utilizarse para obtener los dos conjuntos sobre
una escala fsicamente comparable.

arrow.len: Las longitudes de las puntas de flechas sobre los ejes en `var.axes'
Pueden suprimirse las puntas de flecha mediante `arrow.len = 0'.

269
xlim, ylim, ...: Parmetros grficos.

Nota: La funcin biplot.default proporciona meramente el cdigo subyacente
para graficar dos conjuntos de variables sobre la misma figura.

Autor: B.D. Ripley.

Referencias:
K. R. Gabriel (1971). The biplot graphical display of matrices with application to
principal component analysis. Biometrika 58, 453-467.

J.C. Gower and D. J. Hand (1996). Biplots. Chapman \& Hall.

Ejemplo:
data(USArrests)
library(mva)
biplot(princomp(USArrests),cex=0.5,expand = 2.5,xlim=c(-0.6,0.4))

270
Figura 9.2: Grfico Biplot de los datos en data(USArrest), en el anlisis de
componentes principales
9.6.7 Funcin screeplot
Disponible en el paquete mva, realiza grfico de las varianzas vs. el nmero de la
componente principal, con el fin de identificar el codo para decidir respecto al nmero de
componentes a dejar.

screeplot(x, npcs = min(10, length(x$sdev)), type = c("barplot",
"lines"), main = deparse(substitute(x)), ...)

Argumentos:
x: un objeto de clase princomp
271
npcs: El nmero de componentes principales a graficar.

type: El tipo de grfico.

main, ...: Parmetros grficos.

Ejemplo:
library(mva)
data(USArrests)
(pc.cr <- princomp(USArrests, cor = TRUE))
screeplot(pc.cr,type="lines")

Figura 9.3: Grfico screeplot de los datos en data(USArrest), en el anlisis de
componentes principales. Nos indica que las dos primeras componentes son
significativas.
9.6.8 Funcin factanal
Permite realizar anlisis de factor mediante mxima verosimilitud, sobre una matriz de
covarianza o una matriz de datos. Disponible en le paquete mva.
272
factanal(x, factors, data, covmat = NULL,
n.obs = NA, subset, na.action,
start = NULL, scores = c("none", "regression", "Bartlett"),
rotation = "varimax", control = NULL, ...)

Argumentos:

x: Una frmula o una matriz numrica o un objeto que puede ser forzado a ser una
matriz numrica. factors: The number of factors to be fitted.

data: Un data frame.

covmat: Una matriz de covarianza, o una lista de covarianzas como la producida por
`cov.wt'.

n.obs: El nmero de observaciones, usado si `covmat' es una matriz de covarianza.

subset: Una especificacin de los casos a usar, si `x' es usado como una matriz o
frmula.

na.action: El `na.action' a usar si `x' es usado como una frmula.

start: `NULL' o matriz de valores iniciales, con cada columna dando un conjunto
inicial de unicidades.

scores: Tipo de scores a producir. Por defecto es ninguno, `'regression da los
scores Thompson, `'Bartlett da los scores mnimo cuadrados de Bartlett.

273
rotation: Caracter. `'none o el nombre de una funcin a usar para rotar los factores:
ser llamada con el primer argumento la matriz de loadings.

control: Una lista de valores de control:

1. nstart: El nmero de valores de inicio a ser intentados si `start = NULL', por
defecto es 1.

2. trace logical: Informacin de seguimiento de la salida? Por defecto es `FALSE'.

3. lower: El lmite inferior para las unicidades durante la optimizacin. Debe ser
positivo, por defecto es 0.005.

4. opt: Una lista de valores de control a pasar al argumento `control' de `optim'.

5. rotate: Una lista de argumentos adicionales para la funcin de rotacin.

...: Componentes de `control' pueden suministrarse como argumentos.

Detalles: El modelo de anlisis de factor es x=Lambda f+e para un vector fila x de p
elementos, una matriz de loadings p x k un vector de scores de k elementos y un vector
de errores de p elementos. Excepto x ningn otro elemento es observado, los scores son
incorrelacionados y de varianza unitaria, y los errores son independientes con varianza |, la
unicidad. Por tanto el anlisis de factor en un modelo para la matriz de covarianza de x,
Sigma=Lambda'Lambda+Psi.
Las unicidades estn restringidas al intervalo entre cero y 1, pero valores cercanos a cero
son problemticos por lo que la optimizacin se hace con un valor frontera de
274
`control$lower'. Los scores pueden producirse si de da una matriz de datos. El primer
mtodo usado es el mtodo de regresin de Thomson (1951), el segundo es del mtodo de
mnimos cuadrados ponderados de Bartlett (1937). Ambo se estiman los scores f no
observados.

Valor: Un objeto de clase factanal con los siguientes componentes:

loadings: Una matriz de loadings, una columna por factor. Los factores se ordenan
en forma decreciente de las sumas de los cuadrados de los loadings, y dando el sigo
que har que la suma de los loadings sea positiva.

uniquenesses: Las unicidades calculadas.

correlation: Matriz de correlacin usada.

criteria: Resultados de la optimizacin: el valor negativo del log de verosimilitud e
informacin en las iteraciones usadas.

factors: El argumento `factors'.

dof: El nmero de grados de libertad del modelo de anlisis de factor.

method: Siempre es mle.
scores: Si son requeridos, Una matriz de scores.

n.obs: El nmero de observaciones disponibles.

275
call: Coincide la llamada?.

Autor: B. D. Ripley

Ver: `print.loadings', `varimax', `princomp', `ability.cov'

Ejemplos:
library(mva)

# v2 es como v1 con ruido v2 is just v1 with noise,
# lo mismo para v4 vs. v3 y v6 vs. v5
# los ltimos casos en cada vector slo agregan ruido
# e introducen un mltiplo positivo
v1 <- c(1,1,1,1,1,1,1,1,1,1,3,3,3,3,3,4,5,6)
v2 <- c(1,2,1,1,1,1,2,1,2,1,3,4,3,3,3,4,6,5)
v3 <- c(3,3,3,3,3,1,1,1,1,1,1,1,1,1,1,5,4,6)
v4 <- c(3,3,4,3,3,1,1,2,1,1,1,1,2,1,1,5,6,4)
v5 <- c(1,1,1,1,1,3,3,3,3,3,1,1,1,1,1,6,4,5)
v6 <- c(1,1,1,2,1,3,3,3,4,3,1,1,1,2,1,6,5,4)
m1 <- cbind(v1,v2,v3,v4,v5,v6)
cor(m1)
v1 v2 v3 v4 v5 v6
v1 1.0000000 0.9393083 0.5128866 0.4320310 0.4664948 0.4086076
v2 0.9393083 1.0000000 0.4124441 0.4084281 0.4363925 0.4326113
v3 0.5128866 0.4124441 1.0000000 0.8770750 0.5128866 0.4320310
v4 0.4320310 0.4084281 0.8770750 1.0000000 0.4320310 0.4323259
v5 0.4664948 0.4363925 0.5128866 0.4320310 1.0000000 0.9473451
v6 0.4086076 0.4326113 0.4320310 0.4323259 0.9473451 1.0000000

#Rotacin varimax

factanal(m1, factors=3)

Call:
factanal(x = m1, factors = 3)
276

Uniquenesses:
v1 v2 v3 v4 v5 v6
0.005 0.101 0.005 0.224 0.084 0.005

Loadings:
Factor1 Factor2 Factor3
v1 0.184 0.943 0.268
v2 0.236 0.904 0.161
v3 0.210 0.234 0.947
v4 0.243 0.178 0.828
v5 0.881 0.240 0.286
v6 0.959 0.191 0.196

Factor1 Factor2 Factor3
SS loadings 1.889 1.887 1.800
Proportion Var 0.315 0.315 0.300
Cumulative Var 0.315 0.629 0.929

The degrees of freedom for the model is 0 and the fit was 0.4755

#Rotacin promax
factanal(m1, factors=3, rotation="promax")

Call:
factanal(x = m1, factors = 3, rotation = "promax")

Uniquenesses:
v1 v2 v3 v4 v5 v6
0.005 0.101 0.005 0.224 0.084 0.005

Loadings:
Factor1 Factor2 Factor3
v1 0.984
v2 0.951
v3 1.003
v4 0.867
v5 0.910
v6 1.033
277
Factor1 Factor2 Factor3
SS loadings 1.903 1.876 1.772

The degrees of freedom for the model is 0 and the fit was 0.4755

9.6.9 Funcin cancor
Esta funcin permite calcular las correlaciones cannicas entre dos matrices de datos. Est
disponible en el paquete mva. El anlisis de correlacin cannica busca combinaciones
lineales de las variables `y' las cuales son bien explicadas (lo cual es medido por las
correlaciones) por combinaciones lineales de las variables `x'. La relacin es simtrica en
cuanto a que `tambin son explicadas'.

cancor(x, y, xcenter = TRUE, ycenter = TRUE)

Argumentos:

x: Una matriz numrica de tamao np1 que contiene las coordenadas x.

y: Una matriz numrica de tamao np1 que contiene las coordenadas y.

xcenter: Un argumentolgivo o un vector numrco de longitud p1 describiendo
cualquier centramiento a ser hecho sobre los valores de x antes del anlisis. Si es
`TRUE' (el valor por defecto), las medias de las columnas son substraidas. Si es
`FALSE', no se ajustan las columnas. Cuando se especifica como un vector, los
valores de ste son substraidos de las columnas.

ycenter: Semejante a `xcenter', pero sobre los valores de y.

278
Valor: Una lista que contiene las siguientes componentes:

cor: Las correlaciones.

xcoef: Los coeficientes estimados para las variables `x'.

ycoef: Los coeficientes estimados para las variables `y'.

xcenter: Los valores usados para ajustar a las variables `x'.

ycenter: Los valores usados para ajustar a las variables `y'.

Referencias:
Hotelling H. (1936). Relations between two sets of variables. Biometrika, 28, 321-
327.

Seber, G. A. F. (1984). Multivariate Observations. New York: Wiley, p. 506f.

Ejemplo:
data(LifeCycleSavings)
LifeCycleSavings
sr pop15 pop75 dpi ddpi
Australia 11.43 29.35 2.87 2329.68 2.87
Austria 12.07 23.32 4.41 1507.99 3.93
Belgium 13.17 23.80 4.43 2108.47 3.82
Bolivia 5.75 41.89 1.67 189.13 0.22
Brazil 12.88 42.19 0.83 728.47 4.56
Canada 8.79 31.72 2.85 2982.88 2.43
Chile 0.60 39.74 1.34 662.86 2.67
279
China 11.90 44.75 0.67 289.52 6.51
Colombia 4.98 46.64 1.06 276.65 3.08
Costa Rica 10.78 47.64 1.14 471.24 2.80
Denmark 16.85 24.42 3.93 2496.53 3.99
Ecuador 3.59 46.31 1.19 287.77 2.19
Finland 11.24 27.84 2.37 1681.25 4.32
France 12.64 25.06 4.70 2213.82 4.52
Germany 12.55 23.31 3.35 2457.12 3.44
Greece 10.67 25.62 3.10 870.85 6.28
Guatamala 3.01 46.05 0.87 289.71 1.48
Honduras 7.70 47.32 0.58 232.44 3.19
Iceland 1.27 34.03 3.08 1900.10 1.12
India 9.00 41.31 0.96 88.94 1.54
Ireland 11.34 31.16 4.19 1139.95 2.99
Italy 14.28 24.52 3.48 1390.00 3.54
Japan 21.10 27.01 1.91 1257.28 8.21
Korea 3.98 41.74 0.91 207.68 5.81
Luxembourg 10.35 21.80 3.73 2449.39 1.57
Malta 15.48 32.54 2.47 601.05 8.12
Norway 10.25 25.95 3.67 2231.03 3.62
Netherlands 14.65 24.71 3.25 1740.70 7.66
New Zealand 10.67 32.61 3.17 1487.52 1.76
Nicaragua 7.30 45.04 1.21 325.54 2.48
Panama 4.44 43.56 1.20 568.56 3.61
Paraguay 2.02 41.18 1.05 220.56 1.03
Peru 12.70 44.19 1.28 400.06 0.67
Philippines 12.78 46.26 1.12 152.01 2.00
Portugal 12.49 28.96 2.85 579.51 7.48
South Africa 11.14 31.94 2.28 651.11 2.19
South Rhodesia 13.30 31.92 1.52 250.96 2.00
Spain 11.77 27.74 2.87 768.79 4.35
Sweden 6.86 21.44 4.54 3299.49 3.01
Switzerland 14.13 23.49 3.73 2630.96 2.70
Turkey 5.13 43.42 1.08 389.66 2.96
Tunisia 2.81 46.12 1.21 249.87 1.13
United Kingdom 7.81 23.27 4.46 1813.93 2.01
United States 7.56 29.81 3.43 4001.89 2.45
Venezuela 9.22 46.40 0.90 813.39 0.53
Zambia 18.56 45.25 0.56 138.33 5.14
280
Jamaica 7.72 41.12 1.73 380.47 10.23
Uruguay 9.24 28.13 2.72 766.54 1.88
Libya 8.89 43.69 2.07 123.58 16.71
Malaysia 4.71 47.20 0.66 242.69 5.08

pop <- LifeCycleSavings[, 2:3]
oec <- LifeCycleSavings[, -(2:3)]
library(mva)
cancor(pop, oec)

$cor
[1] 0.8247966 0.3652762

$xcoef
[,1] [,2]
pop15 -0.009110856 -0.03622206
pop75 0.048647514 -0.26031158

$ycoef
[,1] [,2] [,3]
sr 0.0084710221 3.337936e-02 -5.157130e-03
dpi 0.0001307398 -7.588232e-05 4.543705e-06
ddpi 0.0041706000 -1.226790e-02 5.188324e-02

$xcenter
pop15 pop75
35.0896 2.2930

$ycenter
sr dpi ddpi
9.6710 1106.7584 3.7576

Anlisis de Agrupamientos (Cluster)
El anlisis de agrupamientos tiene como objetivo agrupar objetos similares usando la
informacin obtenida de los objetos. Veamos algunas funciones.

281
9.6.10 Funcin dist
Esta funcin calcula y devuelve la matriz de distancias usndo la medida de distancia para
calcular distancias entre las filas de una matriz de datos. Debe llamarse desde el paquete
mva.

dist(x, method = "euclidean", diag = FALSE, upper = FALSE)
print.dist(x, diag = NULL, upper = NULL, ...)
as.matrix.dist(x)
as.dist(m, diag = FALSE, upper = FALSE)

Argumentos:
x: Una matriz o data frame.

method: Medida de distancia a usar. euclidean(distancia euclidiana), maximum
distancia mxima), manhattan (distancia absoluta entre vectores), canberra
i i i i
i
x y x y + + + +

o binary (aka asymmetric binary). Puede usarse cualquier
sustraccin ambigua.

diag: Argumento lgico que indica si la diagonal de la matriz de distancias deber
ser impresa por `print.dist'.

upper: Argumento lgico que indica si el tringulo superior de la matriz de
distancias deber ser impresa por `print.dist'.

m: Una matriz de distancias a ser convertida en un objeto dist.
...: Argumentos adicionale para el mtodo `print'.
282
Son permitidos valores faltantes, que son omitidos de los clculos las filas donde ocurren.
si alguna columna es omitida en los clculos con Euclidean, Manhattan o Canberra, la suma
es escalada proporcionalmente al nmero de columnas usadas. Las funciones
as.matrix.dist() y as.dist() se usan para convertir objetos de clase dist y
matrices de distancias convencionales.

Valor: Un objeto de clase dist: el tringulo inferior de la matriz de distancia guardado
por columnas en un slo vector.

Referencias: Mardia, K. V., Kent, J. T. and Bibby, J. M. (1979) Multivariate Analysis.
London: Academic Press.

Ejemplos:
library(mva)
x <- matrix(rnorm(100), nrow=5)

dist(x)
1 2 3 4
2 6.160498
3 6.626156 5.465186
4 7.123074 6.998268 6.137816
5 6.157322 6.196263 6.196402 6.013627
dist(x, diag = TRUE)
1 2 3 4 5
1 0.000000
2 6.160498 0.000000
3 6.626156 5.465186 0.000000
4 7.123074 6.998268 6.137816 0.000000
5 6.157322 6.196263 6.196402 6.013627 0
dist(x, upper = TRUE)
1 2 3 4 5
283
1 6.160498 6.626156 7.123074 6.157322
2 6.160498 5.465186 6.998268 6.196263
3 6.626156 5.465186 6.137816 6.196402
4 7.123074 6.998268 6.137816 6.013627
5 6.157322 6.196263 6.196402 6.013627
m <- as.matrix(dist(x))
m
1 2 3 4 5
1 0.000000 6.160498 6.626156 7.123074 6.157322
2 6.160498 0.000000 5.465186 6.998268 6.196263
3 6.626156 5.465186 0.000000 6.137816 6.196402
4 7.123074 6.998268 6.137816 0.000000 6.013627
5 6.157322 6.196263 6.196402 6.013627 0.000000
d <- as.dist(m)
d
1 2 3 4
2 6.160498
3 6.626156 5.465186
4 7.123074 6.998268 6.137816
5 6.157322 6.196263 6.196402 6.013627
print(d, digits = 3)
1 2 3 4
2 6.16
3 6.63 5.47
4 7.12 7.00 6.14
5 6.16 6.20 6.20 6.01

9.6.11 Funcin kmeans
Realiza clustering K-Means.

kmeans(x, centers, iter.max = 10)

284
Argumentos:

x: Una matrix de datos numrica o un objeto que puede ser forzado a matriz, tal
como un data frame con todas las columnas numricas.

centers: Puede ser el nmero de clusters o un conjunto de los centros de los clusters
iniciales. Si es lo primero, un conjunto aleatorio de filas en `x' son elegidas como los
centros iniciales.

iter.max: El nmero mximo de iteraciones permitidas.

Detalles: Los datos dados por `x' son clustered por el algoritmo k-means basado en el
algoritmo de Hartigan and Wong (1979) . Cuando este finaliza, todos los centros de cluster
estn en la media de sus conjuntos Voronoi (los conjuntos de puntos que estn ms cerca al
centro del cluster).

Valor: Una lista con los siguientes componentes:

cluster: Un vector de enteros indicando el cluster en el cual qued ubicado cada
punto.

centers: Una matriz de centros de clusters.

withinss: La suma de cuadrados dentro de cluster para cada cluster.

size: El nmero de puntos en cada cluster.

285
Referencias: Hartigan, J.A. and Wong, M.A. (1979). A K-means clustering algorithm.
Applied Statistics 28, 100-108.

Ejemplos:
# Un ejemplo en dos dimensiones
x <- rbind(matrix(rnorm(100, sd = 0.3), ncol = 2),
matrix(rnorm(100, mean = 1, sd = 0.3), ncol = 2))
library(mva)
cl <- kmeans(x, 2, 20)
cl
$cluster
[1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2
[38] 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[75] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

$centers
[,1] [,2]
1 0.97672987 0.91615525
2 -0.05270322 0.03347406

$withinss
[1] 10.69373 7.91773

$size
[1] 52 48

plot(x, col = cl$cluster,pch=cl$cluster)
points(cl$centers, col = 1:2, pch = 20,cex=2)

data(LifeCycleSavings)
cl <- kmeans(LifeCycleSavings,2 , 20)
cl
$cluster
[1] 1 1 1 2 2 1 2 2 2 2 1 2 1 1 1 2 2 2 1 2 2 1 2 2 1 2 1 1 1 2 2 2 2 2 2 2 2 2
[39] 1 1 2 2 1 1 2 2 2 2 2 2

286
$centers
sr pop15 pop75 dpi ddpi
1 10.920556 26.13611 3.636111 2262.3750 3.264444
2 8.968125 40.12594 1.537500 456.7241 4.035000
$withinss
[1] 7789032 2763898
$size
[1] 18 32
plot((LifeCycleSavings), col = cl$cluster,pch=cl$cluster)
data(USArrests)
cl <- kmeans(USArrests, 3, 20)
plot(USArrests, col = cl$cluster,pch=cl$cluster)
pairs(USArrests)

Figura 9.4: Clusters con kmeans aplicados sobre datos simulados bivariados
287
Figura 9.5: Grfico de clusters de los datos en data(USArrest), en
el anlisis con kmeans
9.6.12 Funcin hclust
Esta funcin (del paquete mva) realiza anlisis de clustering jerrquico sobre un conjunto
de disimilaridades para los n objetos a ser clustered. Inicialmente cada objeto es asignado a
su propio cluster y luego el algoritmo procede iterativamente, en cada etapa juntando los
dos cluster ms similares, continuando hasta que haya un slo cluster. En cada etapa las
distancias entre clusters son recalculadas por la frmula actualizada de disimilaridad de
Lance-Williams de acuerdo al mtodo particular de clustering que se est usando.

hclust(d, method = "complete", members=NULL)
plot(x, labels = NULL, hang = 0.1,
axes = TRUE, frame.plot = FALSE, ann = TRUE,
288
main = "Cluster Dendrogram",
sub = NULL, xlab = NULL, ylab = "Height", ...)
plclust(tree, hang = 0.1, unit = FALSE, level = FALSE, hmin = 0,
square = TRUE, labels = NULL, plot. = TRUE,
axes = TRUE, frame.plot = FALSE, ann = TRUE,
main = "", sub = NULL, xlab = NULL, ylab = "Height")

Argumentos:

d: Una estructura de disimilaridad como la producida por la funcin dist.
method: El mtodo de aglomeracin a ser usado. Este podra ser uno de los
siguientes `ward', `single', `complete', `average', `mcquitty', `median' o `centroid'.

members: `NULL' o un vector con longitud `d'.

x, tree: Un objeto del tipo producido por `hclust'.

hang: La fraccin de la altura del grfico par la cual las etiquetas deberan colgar
por debajo del resto del grfico. Un valor negativo har que las etiquetas cuelguen
debajo de cero.

labels: Un vector de caracteres para las etiquetas de las hojas del rbol. Por defecto
toma los nombres de las filas o los nmeros de las filas de los datos originales. Si
`labels=FALSE' no se colocan etiquetas.

axes, frame.plot, ann: Argumentos lgicos como en `plot.default'.

main, sub, xlab, ylab: Cadena de caracteres para `title'. `sub' and `xlab'.
289
...: Argumentos grficos adicionales. Ver par en ayuda del R.

unit, level, hmin, square, plot.: Argumentos an no implementados de `plclust'
para compatibilidad con S-plus.

Detalles:
Diferentes mtodos de clustering son proporcionados. El mtodo de mnima varianza de
Ward apunta a hallar clusters esfricos compactos. El mtodo de linkeo completo halla
clusters similares. El mtodo de linkeo nico adopta la estrategia de clustering `amigos de
amigos'. Los otros mtodos pueden considerarse como apuntando a clusters con
caractersticas entre los mtodos de linkeo nico y completos.

Si `members!=NULL', `d' es tomado como una matriz de disimilaridad entre clusters en
vez de disimilaridades entre individuos y `members' da el nmero de observaciones por
cluster. De esta forma el algoritmo de cluster jerrquico puede ser iniciado en la mitad del
dendrograma, es decir, con el fin de reconstruir la parte del rbol arriba del corte. Las
disimilaridades entre cluster pueden calcularse eficientemente slo para un nmero limitado
de combinaciones de distancia/linkeo, siendo la ms simple de ellas la distancia euclidiana
cuadrada y el linkeo centroide. En este caso las disimilaridades entre clusters corresponden
a las distancias euclidianas cuadradas entre medias de clusters.

El algoritmo usado en hclust ordena los sub rboles de modo que el cluster ms
apretado est a la izquierda (el ms reciente, anexo al sub rbol de la izquierda es un valor
inferior que el ltimo anexo al sub rbol derecho). Las observaciones individuales son los
clusters ms apretados posibles y las uniones incluyen dos observaciones colocadas en
orden segn el nmero de su la secuencia de observacin.

290
Valor: La funcin produce un objeto de clase hclust que describe el rbol producido por el
proceso de clustering. Es una lista con los siguientes componentes:

merge: Una matriz de n-1 por 2 . La fila de esta componente describe lasuniones de
clusters en el paso i del clustering. Si un elemento j en la fila es negativo, la
observacin -j fue unida en esta etapa. Si j es positiva entonces la unin fue con el
cluster formado en la etapa j anterior del algoritmo. As, entradas negativas en
`merge' indican aglomeraciones de individuos, y entradas positicas indican
aglomeraciones de no individuos.

height: Un conjunto de of n-1 valores reales no decrecientes. La altura del
clustering, es decir, el valor del criterio asociado con el mtodo de clustering para la
aglomeracin particular.

order: Un vector dando la permutacin de las observaciones originales apropiada
para graficar, en el sentido de que un grfico de cluster usando este ordenamiento y la
matriz `merge' no tendr cruce de ramas.

labels: Las etiquetas para cada uno de los objetos que estn siendo clustered.

call: La llamda que produjo el resultado.

method: El mtodo de cluster que ha sido usado.

dist.method: La distancia usada para crear a `d' (nicamente es devuelta si el objeto
distancia tiene un atributo `method' ).

291
Hay un mtodo `print' y `plot' para los objetos `hclust' . La funcin plclust()
bsicamente es la misma que el mtodo plot, `plot.hclust', principalmente para
compatibilidad con S-plus.

Autor: Esta funcin est basada en el cdigo fortran contribuido a STATLIB por F.
Murtagh.

Referencias:
Everitt, B. (1974). Cluster Analysis. London: Heinemann Educ. Books.

Hartigan, J. A. (1975). Clustering Algorithms. New York: Wiley.

Sneath, P. H. A. and R. R. Sokal (1973). Numerical Taxonomy. San Francisco:
Freeman.

Anderberg, M. R. (1973). Cluster Analysis for Applications. Academic Press: New
York.

Gordon, A. D. (1999). Classification. Second Edition. London: Chapman and Hall /
CRC

Murtagh, F. (1985). Multidimensional Clustering Algorithms, in COMPSTAT
Lectures 4. Wuerzburg: Physica-Verlag .

292
9.6.13 Funcin cutree
Disponible en el paquete mva, permite cortar un rbol obtenido previamente con la fucnn
hclust, en varios grupos bien sea mediante la indicacin del nmero de grupos deseados
o la altura del corte.

cutree(tree, k=NULL, h=NULL)

Argumentos:

tree: Un rbol producido por `hclust'

k: Un entero o un vector de enteros con el nmero deseado de grupos.

h: Un nmero o vector con las alturas en donde el rbol deber ser cortado.

Al menos uno de k' o `h' debe ser especificado. Si ambos son dados k' es considerado por
encima de `h'.

Valor: Esta funcin devuelve un vector con los miembros de grupo si `k' o `h' son un
escalar, de otra forma devuelve una matriz con miembros de grupo, donde cada columna
corresponde a los elementos de `k' o `h' , respectivamente (los cuales son usados como
nombres de columna).

Ejemplos:
#require( ) tambin permite cargar paquetes
#como library( ):
require(mva)
293
Loading required package: mva
[1] TRUE
data(USArrests)
hc <- hclust(dist(USArrests), "ave")
plot(hc,cex=0.5,main="Dendrograma Cluster data USArrest\nmediante mtodo
'average' ")
plot(hc, hang = -1,cex=0.5,main="Dendrograma Cluster data USArrest\nmediante
mtodo 'average' ")
## Clusters usando el mtodo centroide y la
##distancia euclidiana cuadrada. Corte del rbol
##en 10 clusters y reconstruccin de la parte
##superior del rbol desde los centros de clusters.
hc <- hclust(dist(USArrests)^2, "cen")
memb <- cutree(hc, k = 10)
cent <- NULL
for(k in 1:10)
cent <- rbind(cent, colMeans(USArrests[memb == k, , drop = FALSE]))
cent
Murder Assault UrbanPop Rape
[1,] 11.471429 247.57143 74.28571 27.20000
[2,] 13.500000 267.00000 46.66667 28.03333
[3,] 9.950000 288.75000 77.00000 32.87500
[4,] 11.500000 195.33333 66.16667 27.43333
[5,] 5.590000 112.40000 65.60000 17.27000
[6,] 15.400000 335.00000 80.00000 31.90000
[7,] 5.300000 46.00000 83.00000 20.20000
[8,] 2.688889 64.55556 50.66667 10.54444
[9,] 5.750000 156.75000 74.00000 19.40000
[10,] 13.000000 337.00000 45.00000 16.10000
hc1 <- hclust(dist(cent)^2, method = "cen", members = table(memb))
opar <- par(mfrow = c(1, 2))
plot(hc, labels = FALSE, hang = -1, main = "rbol original")
plot(hc1, labels = FALSE, hang = -1, main = "Reinicio desde clusters 10 ")
par(opar)
##Obteniendo varios agrupamientos simultneamente:
hc <- hclust(dist(USArrests))
cutree(hc, k=1:5)#k = 1 es trivial
1 2 3 4 5
Alabama 1 1 1 1 1
294
Alaska 1 1 1 1 1
Arizona 1 1 1 1 1
Arkansas 1 2 2 2 2
California 1 1 1 1 1
Colorado 1 2 2 2 2
Connecticut 1 2 3 3 3
Delaware 1 1 1 1 1
Florida 1 1 1 4 4
Georgia 1 2 2 2 2
Hawaii 1 2 3 3 5
Idaho 1 2 3 3 3
Illinois 1 1 1 1 1
Indiana 1 2 3 3 3
Iowa 1 2 3 3 5
Kansas 1 2 3 3 3
Kentucky 1 2 3 3 3
Louisiana 1 1 1 1 1
Maine 1 2 3 3 5
Maryland 1 1 1 1 1
Massachusetts 1 2 2 2 2
Michigan 1 1 1 1 1
Minnesota 1 2 3 3 5
Mississippi 1 1 1 1 1
Missouri 1 2 2 2 2
Montana 1 2 3 3 3
Nebraska 1 2 3 3 3
Nevada 1 1 1 1 1
New Hampshire 1 2 3 3 5
New Jersey 1 2 2 2 2
New Mexico 1 1 1 1 1
New York 1 1 1 1 1
North Carolina 1 1 1 4 4
North Dakota 1 2 3 3 5
Ohio 1 2 3 3 3
Oklahoma 1 2 2 2 2
Oregon 1 2 2 2 2
Pennsylvania 1 2 3 3 3
Rhode Island 1 2 2 2 2
South Carolina 1 1 1 1 1
295
South Dakota 1 2 3 3 5
Tennessee 1 2 2 2 2
Texas 1 2 2 2 2
Utah 1 2 3 3 3
Vermont 1 2 3 3 5
Virginia 1 2 2 2 2
Washington 1 2 2 2 2
West Virginia 1 2 3 3 5
Wisconsin 1 2 3 3 5
Wyoming 1 2 2 2 2
#Cortando el rbol en la altura 250:
cutree(hc, h=250)
Alabama Alaska Arizona Arkansas California
1 1 1 2 1
Colorado Connecticut Delaware Florida Georgia
2 2 1 1 2
Hawaii Idaho Illinois Indiana Iowa
2 2 1 2 2
Kansas Kentucky Louisiana Maine Maryland
2 2 1 2 1
Massachusetts Michigan Minnesota Mississippi Missouri
2 1 2 1 2
Montana Nebraska Nevada New Hampshire New Jersey
2 2 1 2 2
New Mexico New York North Carolina North Dakota Ohio
1 1 1 2 2
Oklahoma Oregon Pennsylvania Rhode Island South Carolina
2 2 2 2 1
South Dakota Tennessee Texas Utah Vermont
2 2 2 2 2
Virginia Washington West Virginia Wisconsin Wyoming
2 2 2 2 2
## Comparando los agrupamientos en 2 y 4:
g24 <- cutree(hc, k = c(2,4))
g24
2 4
Alabama 1 1
Alaska 1 1
Arizona 1 1
296
Arkansas 2 2
California 1 1
Colorado 2 2
Connecticut 2 3
Delaware 1 1
Florida 1 4
Georgia 2 2
Hawaii 2 3
Idaho 2 3
Illinois 1 1
Indiana 2 3
Iowa 2 3
Kansas 2 3
Kentucky 2 3
Louisiana 1 1
Maine 2 3
Maryland 1 1
Massachusetts 2 2
Michigan 1 1
Minnesota 2 3
Mississippi 1 1
Missouri 2 2
Montana 2 3
Nebraska 2 3
Nevada 1 1
New Hampshire 2 3
New Jersey 2 2
New Mexico 1 1
New York 1 1
North Carolina 1 4
North Dakota 2 3
Ohio 2 3
Oklahoma 2 2
Oregon 2 2
Pennsylvania 2 3
Rhode Island 2 2
South Carolina 1 1
South Dakota 2 3
Tennessee 2 2
297
Texas 2 2
Utah 2 3
Vermont 2 3
Virginia 2 2
Washington 2 2
West Virginia 2 3
Wisconsin 2 3
Wyoming 2 2
table(g24[,"2"], g24[,"4"])
1 2 3 4
1 14 0 0 2
2 0 14 20 0
Figura 9.6: Efecto de la funcin cutree sobre un dendrograma

298
Figura 9.7: Efecto del argumento hang=-1, en el plot del dendrograma: Observe
la organizacin de las etiquetas debajo de cada rama
299
A continuacin presentamos un conjunto de funciones para realizar pruebas corrientes en
anlisis multivariable.

#Esta funcion realiza una prueba de Hotelling para Ho:u1=u2
# muestras independientes, normales y con igual dispersion

d2.T2<-function(X, Y, alpha)
{
n1 <- nrow(X)
n2 <- nrow(Y)
if(ncol(X) != ncol(Y))
byrow = T)
cat("\n")
cat("Vector de Medias de la Primera Muestra",
"\n")
cat("======================================",
"\n")
cat(media.x, "\n")
media.y <- matrix(apply(Y, 2, mean), ncol = 1,
byrow = T)
cat("\n")
cat("Vector de Medias de la Segunda Muestra",
"\n")
cat("======================================",
"\n")
cat(media.y, "\n")
cat("\n")
dif <- media.x - media.y
t2.c <- (n1 * n2)/(n1 + n2) * t(dif) %*% solve(
cov.p) %*% dif
cat("T2 calculado", "\n")
cat("============", "\n")
cat(t2.c, "\n")
cat("\n")
t2.critico <- (d * (n1 + n2 - 2))/(n1 + n2 - d -
1) * qf(1-alpha, d, n1 + n2 - d - 1)
cat("T2 critico a un nivel ", alpha, "\n")
cat("==============================", "\n")
300
cat(t2.critico, "\n")
cat("\n")
decision <- "Rechazamos Ho"
if(t2.c < t2.critico)
decision <- "No rechazamos Ho"
cat("============DECISION==================",
"\n")
cat(decision, "\n")
cat("======================================",
"\n")
invisible()
}
# Analisis de Perfiles
# ====================

perfiles.grafico<-function(X,Y){
n1 <- nrow(X)
n2 <- nrow(Y)
if(ncol(X) != ncol(Y))
stop("El numero de variables es diferente!!!"
)
d <- ncol(X)
win.graph()
media.x <- matrix(apply(X, 2, mean), ncol = 1,
byrow = T)
media.y <- matrix(apply(Y, 2, mean), ncol = 1,
byrow = T)
variables<-1:d
x<-cbind(media.x,media.y)
x1<-min(x)
x2<-max(x)
plot(variables,media.x,type="l",ylim=c(x1,x2))
title(main="Grafico de Perfiles",sub="variables")
par(new=T)
plot(variables,media.y,type="l",ylab="",xlab=" ")
}
301
perfiles.paralelo<-function(X,Y,alpha){
n1 <- nrow(X)
n2 <- nrow(Y)
if(ncol(X) != ncol(Y))
stop("El numero de variables es diferente!!!"
)
d <- ncol(X)
q<-d-1
cov.p <- ((n1 - 1) * var(X) + (n2 - 1) * var(Y))/(
n1 + n2 - 2)
cat("Matriz de Covarianzas Mezcladas", "\n")
cat("===============================", "\n")
cat(cov.p, "\n")

c1<-cbind(matrix(rep(1,d-1),ncol=1),as.matrix(diag(rep(-1,d-1))))
n1 <- nrow(X)
n2 <- nrow(Y)
if(ncol(X) != ncol(Y))
stop("El numero de variables es diferente!!!"
)
d <- ncol(X)
cat("\n")
cat("Vector de Medias de la Primera Muestra",
"\n")
cat("======================================",
"\n")
media.x <- matrix(apply(X, 2, mean), ncol = 1,
byrow = T)

cat(media.x, "\n")
media.y <- matrix(apply(Y, 2, mean), ncol = 1,
byrow = T)
cat("\n")
cat("Vector de Medias de la Segunda Muestra",
"\n")
cat("======================================",
"\n")
cat(media.y, "\n")
302
cat("\n")
dif <- media.x - media.y
t2.c <- (n1 * n2)/(n1 + n2) * t(c1%*%dif) %*% solve(
c1%*%cov.p%*%t(c1)) %*% c1%*%dif
cat("T2 calculado", "\n")
cat("============", "\n")
cat(t2.c, "\n")
cat("\n")
t2.critico <- (q * (n1 + n2 - 2))/(n1 + n2 - q -
1) * qf(1-alpha, q, n1 + n2 - q - 1)
cat("T2 critico a un nivel ", alpha, "\n")
cat("==============================", "\n")
cat(t2.critico, "\n")
cat("\n")
decision <- "Rechazamos Ho:Perfiles paralelos"
if(t2.c < t2.critico)
decision <- "No rechazamos Ho:Perfiles paralelos"
cat("============DECISION==================",
"\n")
cat(decision, "\n")
cat("======================================",
"\n")
invisible()
}
perfiles.iguales<-function(X,Y,alpha){
n1 <- nrow(X)
n2 <- nrow(Y)
if(ncol(X) != ncol(Y))
stop("El numero de variables es diferente!!!"
)
d <- ncol(X)
q<-d-1
cov.p <- ((n1 - 1) * var(X) + (n2 - 1) * var(Y))/(
n1 + n2 - 2)
cat("Matriz de Covarianzas Mezcladas", "\n")
cat("===============================", "\n")
cat(cov.p, "\n")
303

c1<-matrix(rep(1/d,d),nrow=1)
media.x <- matrix(apply(X, 2, mean), ncol = 1,
byrow = T)
cat("\n")
cat("Vector de Medias de la Primera Muestra",
"\n")
cat("======================================",
"\n")
cat(media.x, "\n")
media.y <- matrix(apply(Y, 2, mean), ncol = 1,
byrow = T)
cat("\n")
cat("Vector de Medias de la Segunda Muestra",
"\n")
cat("======================================",
"\n")
cat(media.y, "\n")
cat("\n")
dif <- media.x - media.y
t2.c <- (n1 * n2)/(n1 + n2) * t(c1%*%dif) %*% solve(
c1%*%cov.p%*%t(c1)) %*% c1%*%dif
cat("T2 calculado", "\n")
cat("============", "\n")
cat(t2.c, "\n")
cat("\n")
t2.critico <- (1*(n1 + n2 - 2))/(n1 + n2 - 1-
1) * qf(1-alpha, 1, n1 + n2 - q - 1)
cat("T2 critico a un nivel ", alpha, "\n")
cat("==============================", "\n")
cat(t2.critico, "\n")
cat("\n")
decision <- "Rechazamos Ho:Igual Nivel"
if(t2.c < t2.critico)
decision <- "No rechazamos Ho:Igual Nivel"
cat("============DECISION==================",
"\n")
cat(decision, "\n")
cat("======================================",
304
"\n")
invisible()
}
perfiles.promedio<-function(X,Y,alpha){
n1 <- nrow(X)
n2 <- nrow(Y)
if(ncol(X) != ncol(Y))
stop("El numero de variables es diferente!!!"
)
d <- ncol(X)
q<-d-1
cov.p <- ((n1 - 1) * var(X) + (n2 - 1) * var(Y))/(
n1 + n2 - 2)
cat("Matriz de Covarianzas Mezcladas", "\n")
cat("===============================", "\n")
cat(cov.p, "\n")

c1<-cbind(matrix(rep(1,d-1),ncol=1),as.matrix(diag(rep(-1,d-1))))
media.x <- matrix(apply(X, 2, mean), ncol = 1,
byrow = T)
cat("\n")
cat("Vector de Medias de la Primera Muestra",
"\n")
cat("======================================",
"\n")
cat(media.x, "\n")
media.y <- matrix(apply(Y, 2, mean), ncol = 1,
byrow = T)
cat("\n")
cat("Vector de Medias de la Segunda Muestra",
"\n")
cat("======================================",
"\n")
cat(media.y, "\n")
cat("\n")
dif <- media.x + media.y
t2.c <- (n1 * n2)/(n1 + n2) * t(c1%*%dif) %*% solve(
305
c1%*%cov.p%*%t(c1)) %*% c1%*%dif
cat("T2 calculado", "\n")
cat("============", "\n")
cat(t2.c, "\n")
cat("\n")
t2.critico <- (q * (n1 + n2 - 2))/(n1 + n2 - q -
1) * qf(1-alpha, q, n1 + n2 - q - 1)
cat("T2 critico a un nivel ", alpha, "\n")
cat("==============================", "\n")
cat(t2.critico, "\n")
cat("\n")
decision <- "Rechazamos Ho:Promedios Iguales"
if(t2.c < t2.critico)
decision <- "No rechazamos Ho:Promedios Iguales"
cat("============DECISION==================",
"\n")
cat(decision, "\n")
cat("======================================",
"\n")
invisible()
}
# Determinante de una matrix
determinante<-function(A){
if(ncol(A)!=nrow(A)) stop("Matriz no es cuadrada!")
y<-eigen(A)
det<-prod(y$values)
det
}
# Pruebas para matrices de covarianzas
independencia.covarianzas<-function(X,c1,c2,alpha){
Sigma<-var(X)
Sigma1<-Sigma[c1,c1]
Sigma2<-Sigma[c2,c2]
d<-determinante(Sigma)
if(d==0) stop("Covarianza no singular")
d1<-determinante(Sigma1)
d2<-determinante(Sigma2)
306
lambda<-d/(d1*d2)
gl<-nrow(Sigma1)*nrow(Sigma2)
chi.c<- -(nrow(X)-0.5*(nrow(Sigma1)+nrow(Sigma2))-1.5)*log(lambda)
chi.critico<-qchisq(1-alpha,gl)
valor.p<-1-pchisq(chi.c,gl)
cat("Matriz de Dispersion Estimada para el Primer Grupo","\n")
cat(" de Variables","\n")
cat(Sigma1,"\n")
cat("\n")
cat("Matriz de Dispersion Estimada para el Segundo Grupo","\n")
cat(" de Variables","\n")
cat(Sigma1,"\n")
cat("\n")
cat("Resultados de la Prueba Ho:Los dos bloques de variables","\n")
cat(" son independientes","\n")
cat("*******************************************************","\n")
cat("Chi-cuadrado calculado: ",chi.c,"\n")
cat("Chi-cuadrado critico: ",chi.critico,"\n")
cat("Valor p: ",valor.p,"\n")
}
9.7. Anlisis de Datos Categricos
9.7.1 Funcin cut:
Nos permite categorizar una variable continua. Acepta tanto un vector de puntos de corte
que definen las categorias o un entero que indica cuantas clases queremos y la funcin
automticamente halla los puntos de corte equiespaciados. Esta funcin permite partir un
vector de datos en grupos con igual amplitud, por ejemplo,

>edad<-c(22,31,37,23,22,35,23,19,42,35,33,36,18)
>cut(edad,breaks=3)

307
Si deseamos que los puntos de corte sean con un formato presentable, podemos usar la
funcin pretty()
>cut(edad,pretty(edad))

La sintaxis general es:

cut(x, ...)
cut.default(x, breaks, labels = NULL,
include.lowest = FALSE, right = TRUE, dig.lab = 3, ...)

Argumentos:

x: Un vector numrico a ser convertido en factor con cut.
breaks: Puede ser un vector con puntos de corte o un nmero indicando el nmero
de intervalos en los cuales se ha de dividir a `x'.

labels: Etiquetas para los niveles de la categora resultante. Por defecto las etiquetas
son de la forma (a,b]. Si `labels = FALSE', se usan cdigos enteros.

include.lowest: Argumento lgico. Si s `TRUE', un valor igual al punto de corte es
incluido en el intervalo.

right: rgumento lgico para indicar si los intervalos deben ser cerrados a la derecha
y abiertos a la izquierda o vice versa.

dig.lab: Entero usado cuando no se dan etiquetas. Indica el nmero de dgitos a usar
en el formato de los nmeros de corte.
308
...: Argumentos adicionales pasados a o desde otros mtodos.

Valor: La funcin devuelve un factor, a menos que `labels = FALSE' en cuyo caso slo
devuelve los cdigos enteros de los niveles.

Nota: `hist(x, br, plot = FALSE)' es ms eficiente y usa menos memoria
que `table(cut(x, br))'.
Ver tambin: `split', `factor', `tabulate', `table'.

Ejemplos:
Z <- round(rnorm(10000),digits=0)
table(cut(Z, br = -3:3))
(-3,-2] (-2,-1] (-1,0] (0,1] (1,2] (2,3]
590 2431 3842 2378 623 76
table(cut(Z, br = -3:3,right = FALSE))
[-3,-2) [-2,-1) [-1,0) [0,1) [1,2) [2,3)
56 590 2431 3842 2378 623
## Modificando eqtiquetas:
y <- rnorm(100)
table(cut(y, breaks = pi/3*(-3:3)))
(-3.14,-2.09] (-2.09,-1.05] (-1.05,0] (0,1.05] (1.05,2.09]
1 12 46 31 7
(2.09,3.14]
3
table(cut(y, breaks = pi/3*(-3:3), dig.lab=4))
(-3.142,-2.094] (-2.094,-1.047] (-1.047,0] (0,1.047] (1.047,2.094]
1 12 46 31 7
(2.094,3.142]
3
309
9.7.2 Funcin table:
Esta funcin permite crear una tabla de contingencia. Por ejemplo,

>edad<-c(22,31,37,23,22,35,23,19,42,35,33,36,18)
>table(cut(edad,breaks=3))

Otro ejemplo un poco ms elaborado es el siguiente, en el cual se hace una tabla de doble
entrada contando con el sexo:

>sexo<-factor(c(1,2,1,2,2,1,1,1,2,2,1,1,2),
labels=c(Mujer,Hombre))
>table(cut(edad,breaks=3),sexo)

9.7.3 Funcin levels
Proporciona acceso a los atributos de nivel de una variable. La primera devuelve el valor de
los niveles y la segunda ajusta el atributo. La forma de asignacin levels<- es una
funcin genrica y nuevos mtodos pueden ser escritos para ste.

levels(x)
levels(x) <- value

x es un objeto, como un factor.

9.7.4 Funcin factor
La funcin factor se usa para codificar un como factor. `is.factor',
`is.ordered', `as.factor' and `as.ordered' son las funciones miembro y de coercin para
estas clases de objetos.
310
factor(x, levels = sort(unique(x), na.last = TRUE),
labels = levels,exclude = NA, ordered = is.ordered(x))
ordered(x, ...)
is.factor(x)
is.ordered(x)
as.factor(x)
as.ordered(x)

Argumentos:

x: Un vector de datos (no tiene restriccin respecto al tipo).

levels: Un vector opcional con los valores que debi tomar `x'. El valor por defecto
son los valores de `x', ordenados en forma creciente.

labels: Un vectro opcioanl de etiquetas para los niveles, en el orden de `levels'
despus de remover aquellos en `exclude', o una cadena de caracteres de longitud 1.

exclude: Vector con valores a excluir cuando se forme el conjunto de niveles. Debe
ser del mismo tipo de `x', y si no ser forzado de ser necesario.

ordered: Argumento lgico para indicar si los niveles deben ser considerados como
ordenados en el orden dado.

...: Cualquiera de los anteriores para la funcin `ordered'.

Debe tenerse en cuenta que los factore y los factores ordenados difieren slo en sus clase,
pero los mtodos y las funciones de ajuste de modelos tratan a ambos de modo muy
diferente.

311
Si `factor(x)' es aplicado a un factor no har nada a menos que hayan niveles no usados, en
este caso es devuelto un factor con nivel reducido.

Valor: `factor' produce un objeto de clase factor, que tiene un conjunto de cdigos
numricos de la misma longitud de `x' con unos atributos levels de modo `character'. Si
`ordered' es TRUE, el resultado tiene clase `c(ordered, factor)'.

`is.factor' devuelve un TRUE o FALSE dependiendo de si el argumento es o no un factor.
`is.ordered' devuelve un TRUE o un FALSE dependiendo de si el argumento est o no
ordenado.

`as.factor'forza a su argumento a ser un factor.

`as.ordered(x)' devuelve a `x' si este est ordenado, y `ordered(x)' en caso contrario.

Ver tambin: `gl' para construir factores balanceados y `C' para factores con contrastes
especficos. `levels' y `nlevels' para accesar a niveles y `codes' para ontener cdigos
enteros.

9.7.5 Funcin binom.test:
Permite realizar pruebas de hiptesis exactas acerca de t (probabilidad de xito) en una
poblacin dictoma.

binom.test(x, n, p = 0.5,alternative = c("two.sided", "less",
"greater"),conf.level = 0.95)

Argumentos:
312
x: Nmero de xito o un vector de longitud 2 dando el nmero de xitos y fracasos.

n: Nmero de ensayos; es ignorado si `x' tiene longitud 2.

p: Probabilidad de xito hipotetizada.

alternative: La hiptesis alternativa y debe ser una de las siguientes two.sided,
greater, less.
conf.level: Nivel de confianza para el intervalo devuelto.

Los intervalos de confianza son obtenidos segn procedimiento dado en Clopper and
Pearson (1934) que garantizan que el nivel de confianza es al menos el especificado pero
no dan los intervalos de confianza ms cortos.

Valor:
Una lista con clase htest con los siguientes componentes:

statistic: El nmero de xitos.

parameter: El nmero de ensayos.

p.value: El valor p de la prueba.

conf.int: Un intervalo de confianza para la probabilidad de xito.

estimate: La probabilidad de xito estimada.
313
null.value: La probabilidad de xito bajo la hiptesis nula.

alternative: Cadena de caracteres que describen la hiptesis alternativa.

method: La cadena de caracteres Exact binomial test.
data.name: Cadena de caracter que da el nombre de los datos.

Referencias:
Clopper, C. J. \& Pearson, E. S. (1934). The use of confidence or fiducial limits
illustrated in the case of the binomial. Biometrika, 26, 404-413.

Conover, W. J. (1971), Practical nonparametric statistics. New York: John Wiley \&
Sons. Pages 97-104.

Myles Hollander \& Douglas A. Wolfe (1973), Nonparametric statistical inference.
New York: John Wiley \& Sons. Pages 15-22.

Ver tambin: `prop.test' para una prueba general aproximada para igualdad de
proporciones.

Ejemplos:
library(ctest)
#Prueba bilateral
binom.test(42,100,p=0.5)
Exact binomial test
data: 42 and 100
number of successes = 42, number of trials = 100, p-value = 0.1332
314
alternative hypothesis: true probability of success is not equal to 0.5
95 percent confidence interval:
0.3219855 0.5228808
sample estimates:
probability of success
0.42
#Solicitando el valor p:
binom.test(42,100,p=0.5)$p.value
#Prueba de cola izquierda:
binom.test(42,100,p=0.5,alt='l')
Exact binomial test
data: 42 and 100
number of successes = 42, number of trials = 100, p-value = 0.0666
alternative hypothesis: true probability of success is less than 0.5
95 percent confidence interval:
0.0000000 0.5071585
sample estimates:
probability of success
0.42
#Prueba de cola derecha:
binom.test(42,100,p=0.5,alt='g')
Exact binomial test
data: 42 and 100
number of successes = 42, number of trials = 100, p-value = 0.9557
alternative hypothesis: true probability of success is greater than 0.5
95 percent confidence interval:
0.3364797 1.0000000
sample estimates:
probability of success
0.42
#calculando un intervalo de
#confianza del 90%:
binom.test(42,100,p=0.5,conf.level=0.9)$conf.int
[1] 0.3364797 0.5071585
attr(,"conf.level")
[1] 0.9
#Intervalo de confianza aproximado
#del 90%:
prop.test(42,100,p=0.5,conf.level=0.9)$conf.int
315
[1] 0.3372368 0.5072341
attr(,"conf.level")
[1] 0.9

9.7.6 Funcin loglin
Esta funcin es usada para ajustar modelos log lineales a tablas de contingencia
multidimensionales mediante ajuste proporcional iterativo.

loglin(table, margin, start = rep(1, length(table)), fit = FALSE,
eps = 0.1, iter = 20, param = FALSE, print = TRUE)

Argumentos:

table: Una tabla de contingencia obtenida tpicamente con table.
margin: Una lista de vectores con los totales marginales a ser ajustados. Los
modelos log lineales pueden especificarse en trminos de estos totales marginales
dando los subconjuntos factor maximal contenidos en el modelo. Por ejemplo,
`list(c(1, 2), c(1, 3))' especifica, en un modelo de tres factores, que el modelo contiene
parmetros para la gran media en cada factor, y las interaciones 1-2 y 1-3 (un modelo
donde los factores 2 y 3 son independientes dado el factor 1). Pueden usarse los
nombres de los factores.

start: Argumento opcional que da una estimacin inicial para la tabla ajustada. Es
til para tablas incompletas con estructura de ceros en `table'. En este caso, las
entradas en `start' debern ser cero y ls otras pueden ser uno.

fit: Argumento lgico para indicar si los valores ajustados deben ser devueltos.
316
eps: Desviacin mxima permitida entre los mrgenes observados y ajustados.

iter: Nmero mximo de iteraciones.

param: Argumento lgico para indicar si los valores de los parmetros deben ser
devueltos.

print: Argumento lgico. Si es `TRUE', el nmero de iteraciones y la desviacin
final son devueltos.

Si no hay ceros estructurales los estadsticos de razn de verosimilitud y el estadstico de
prueba de pearson tiene distribuc\i'on asinttica ji cuadrado.

Valor: Una lista con los siguientes componentes:

lrt: Estadstico de prueba de razn de verosimilitud.

pearson: el estadstico de prueba de Pearson.

df: Los grados de libertad para el modelo ajustado. No hay ajuste para ceros
estructurales.

margin: Lista de las mrgenes que fueron ajustadas. Bsicamente las mismas a la
entrada de `margin', pero con los nmeros reemplazados por nombres cuando esto es
posible.

fit: Un arreglo que contiene los valores ajustados. Slo es devuelto si `fit' es TRUE.

317
param: Una lista con los parmetros estimados del modelo. Slo es devuelta si
`param' es TRUE.

Ejemplos:
data(HairEyeColor)

>HairEyeColor
, , Sex = Male
Eye
Hair Brown Blue Hazel Green
Black 32 11 10 3
Brown 38 50 25 15
Red 10 10 7 7
Blond 3 30 5 8
, , Sex = Female
Eye
Hair Brown Blue Hazel Green
Black 36 9 5 2
Brown 81 34 29 14
Red 16 7 7 7
Blond 4 64 5 8

## Modelo de la independencia conjunta de
##sexo de cabello y color ojos:

fm <-loglin(HairEyeColor, list(c(1, 2), c(1, 3), c(2, 3)))
fm
$lrt
[1] 8.187009
$pearson
[1] 8.50081
$df
[1] 9
$margin
$margin[[1]]
[1] "Hair" "Eye"
318
$margin[[2]]
[1] "Hair" "Sex"
$margin[[3]]
[1] "Eye" "Sex"

##El modelo sin interaccin
##de los tres factores ajusta bien:

1 - pchisq(fm$lrt, fm$df)
[1] 0.5154158

Considere la siguiente tabla de frecuencias

Factor B
Factor 222 115
A 240 185
y suponga queremos ajustar un modelo log-lineal saturado y obtener los parmetros del
modelo, las instrucciones son:

frecuencias.obs<-matrix(c(222,115,240,185), ncol=2,byrow=T)
loglin(frecuencias.obs,list(1:2),fit=T,param=T)
2 iterations: deviation 0
$lrt
[1] 0
$pearson
[1] 0
$df
[1] 0
$margin
$margin[[1]]
[1] 1 2
$fit
[,1] [,2]
319
[1,] 222 115
[2,] 240 185
$param
$param$"(Intercept)"
[1] 5.212151
$param$"1"
[1] -0.1383463 0.1383463
$param$"2"
[1] 0.2295071 -0.2295071
$param$"1.2"
[,1] [,2]
[1,] 0.09936554 -0.09936554
[2,] -0.09936554 0.09936554

la opcin fit=T nos presenta la tabla de valores esperados bajo el modelo y param=T
nos da los valores estimados del modelo que ajustamos.Si queremos ajustar un modelo de
independencia, la instruccin es

> loglin(frecuencias.obs,list(1,2),fit=T,param=T)

Si queremos un modelo donde no hay efecto de A

> loglin(frecuencias.obs,list(1),fit=T,param=T)

Como se observa con la opcin list() nosotros introducimos el modelo a ser estimado.

9.7.7 Funcin split
Permite dividir los datos de un vector `x' en grupos definidos por `f'. Las formas de
asignacin reemplazan los valores correspondientes a tal divisin. unsplit reversa el
efecto de split.
320
split(x, f)
split.default(x, f)
split.data.frame(x, f)
split(x, f) <- value
split.default(x, f) <- value
split.data.frame(x, f) <- value
unsplit(value, f)

Argumentos:

x: Vector o marco de datos con los valores a ser divididos en grupos.

f: Un factor tal que `factor(f)' define el agrupamiento, o una lista de tales factores
cuyo caso sus interacciones son usadas para el agrupamiento.

value: Una lista de vectores o data frames compatible con un splitting de `x'.

`unsplit' slo funciona con listas de vectores. El mtodo data frame puede usarse tambin
para particionar una matriz en una lista de matrices.

Valor: Esta funcin produce una lista de vectores que contienen los valores para los
grupos. Los componentes de la lista son denominados por los niveles de factor dados por
`f'. Si `f' es de mayor longitud que `x' algunos de estos valores sern de longitud cero.

Ejemplos:
n <- 10
nn <- 100
##generando un vector, aleatoriamente
##con los nmeros que identifican
##el nivel del factor al que pertenecen cada una de
321
##1000 observaciones. Los niveles
##numerados de 0 a 10.
g <- factor(round(n * runif(n * nn)))

##Definiendo el vector de valores a
##particionar en 11 grupos:
x <- rnorm(n * nn) + sqrt(as.numeric(g))

##Particionando el vector x de acuerdo
##a la asignacin de factores en g:
xg <- split(x, g)

boxplot(xg, col = "lavender", notch = TRUE, varwidth = TRUE)
sapply(xg, length)
0 1 2 3 4 5 6 7 8 9 10
54 114 74 103 112 107 75 100 103 111 47
sapply(xg, mean)
0 1 2 3 4 5 6
0.8842438 1.4449423 1.7574916 1.9668411 2.2904859 2.4450622 2.5734979
7 8 9 10
2.7544654 2.9478100 3.3161729 3.0368155

##o bien:
tapply(x,g,length)
0 1 2 3 4 5 6 7 8 9 10
54 114 74 103 112 107 75 100 103 111 47
tapply(x,g,mean)
0 1 2 3 4 5 6
0.8842438 1.4449423 1.7574916 1.9668411 2.2904859 2.4450622 2.5734979
7 8 9 10
2.7544654 2.9478100 3.3161729 3.0368155

## Calculando scores z por grupo:
xgs<-sapply(xg,scale)
z<-unsplit(xgs,g)
tapply(z,g,mean)
0 1 2 3 4
1.015134e-17 -1.186307e-16 4.899422e-17 -6.762895e-17 1.876134e-16
5 6 7 8 9
322
1.426932e-16 -4.121703e-17 1.565588e-18 1.311316e-16 -6.876381e-17
10
1.371354e-16

##o bien:
sapply(xgs,mean)
0 1 2 3 4
1.015134e-17 -1.186307e-16 4.899422e-17 -6.762895e-17 1.876134e-16
5 6 7 8 9
1.426932e-16 -4.121703e-17 1.565588e-18 1.311316e-16 -6.876381e-17
10
1.371354e-16

## Dividir una matriz en una lista por columna
ma <- cbind(x = 1:10, y = (-4:5)^2)
ma
x y
[1,] 1 16
[2,] 2 9
[3,] 3 4
[4,] 4 1
[5,] 5 0
[6,] 6 1
[7,] 7 4
[8,] 8 9
[9,] 9 16
[10,] 10 25

split(ma, col(ma))
$"1"
[1] 1 2 3 4 5 6 7 8 9 10
$"2"
[1] 16 9 4 1 0 1 4 9 16 25

##Otro ejemplo:
split(1:10, 1:2)
$"1"
[1] 1 3 5 7 9
$"2"
323
[1] 2 4 6 8 10
Warning message:
argument lengths differ in: split(x, f)

9.8. Modelo Lineal Generalizado: Funcin glm
Uno de los atractivos de R es su facilidad de manejo para modelos. Entre ellos tenemos el
modelo lineal generalizado con la funcin glm(). Esta funcin permite realizar ajuste de
modelos lineales generalizados, mediante la especificacin de una frmula que describe
simblicamente el predictor lineal y una descripcin de la distribucn del error.

glm(formula, family = gaussian, data, weights = NULL, subset =
NULL, na.action, start = NULL, offset = NULL, control =
glm.control(...), model = TRUE, method = "glm.fit", x = FALSE, y =
TRUE, contrasts = NULL, ...)
glm.fit(x, y, weights = rep(1, nrow(x)), start = NULL, etastart =
NULL, mustart = NULL, offset = rep(0, nrow(x)), family =
gaussian(), control = glm.control(), intercept = TRUE)
weights.glm(object, type = c("prior", "working"), ...)

Argumentos:

formula: Una descripcin simblica del modelo a ser ajustado.

family: Una descripcin de la distribucin del error y la funcin de linkeo a ser
usada en el modelo.

data: Un data frame opcional con las variables en el modelo. Por defecto las
variables son tomadas de `environment(formula)', generalmente el ambiente desde el
cual es llamada la funcin glm .
324
weights: Un vector opcional con pesos a utilizar en el ajuste.

subset: Un vector opcional especificando un subconjunto de observaciones a ser
usadas en el ajuste.

na.action: Una funcin que indica lo que debera pasar cuando los datos tienes
valores faltantes (`NA's). El valor por defecto corresponde al ajuste dado por
`na.action' de `options'.

start: Valores de inicio para los parmetros en el predictor lineal.

etastart: Valores de inicio para el predictor lineal.

mustart: Valores de inicio para el vector de medias.

offset: Puede utilizarse para especificar una componente conocida apriori a ser
incluida en el predictor lineal durante el ajuste.

control: Una lista de parmetros para controlar el proceso de ajuste. Ver
`glm.control'.

model: Un valor lgico que indica si el marco del modelo debe ser incluido como
una componente del valor retornado.

method: El mtodo a ser usado en el ajuste. Por defecto (y es el nico por el
momento) se usa mnimos cuadrados ponderados iterativamente (IWLS ).

325
x, y: Valores lgicos que indican si el vector de respuesta y la matriz de diseo usada
en el ajuste deben ser devueltos en la salida del procedimiento.

contrasts: Una lista opcional. Ver `contrasts de `model.matrix.default'.

object: Un objeto de la clase`glm'.

type: Caracter que indica el tipo de pesos a extraer del objeto modelo ajustado.

intercept: Argumento lgico para indicar si el modelo incluye intercepto.

...: Argumentos adicionales pasados a o desde otros mtodos.

Detalles: El modelo tpico tiene la forma `respuesta~trminos' donde
`respuesta' es el vector respuesta numrico y `trminos' es una serie de trminos que
especifican un predictor lineal para `respuesta' . En los modelos binomiales (`binomial') la
respuesta puede especificarse como un `factor' (cuando el primer nivel corresponde a
fracaso y los dems casos son xitos) o como una matriz de dos columnas con las columnas
dando los nmeros de xitos y fracasos. Una especificacin como `primero+segundo'
indica todos los trminos en `primero' junto con todos los trminos en `segundo' con las
duplicaciones eliminadas.

Valor:
glm devuelve un objeto de clase `glm' el cual desciende de la clase `lm'. La
funcin summary (`summary.glm') puede usarse para obtener o imprimir un
resumen de los resultados, y la funcin anova (`anova.glm') retorna una tabla de
anlisis de varianza.
326
Las funciones genricas coefficients, effects, fitted.values y
residuals pueden utilizarse para extraer estos valores del objeto `glm'.

La funcin weights extrae un vector de pesos, para cada caso en el ajuste.

Un objeto de clase `glm' es una lista que contiene los siguientes componentes:

coefficients: Un vector de coeficientes.

residuals: Residuales en la iteracin final del ajuste IWLS (residuos de trabajo).

fitted.values: Valores medios ajustados, obtenidos transformando los predictores
lineales por la invers ade la funcin de linkeo.

rank: El rango numrico del modelo lineal ajustado.

family: La familia usada.

linear.predictors: El ajuste lineal sbre la escala de linkeo.

deviance: Una constante menos dos veces el log de verosimilitud maximizado.
Donde sea sensible, la constante es elegida de modo que el modelo saturado tenga
deviance igual a cero.

aic: Criterio de informacin de Akaike, menos dos veces el log de verosimilitud
maximizado ms dos veces el nmero de coeficientes (asumiendo que la dispersi'on
es conocida).

327
null.deviance: El deviance para el modelo nulo, comparable con `deviance'. El
modelo nulo incluye el offset, y un intercepto si el modelo lo incluye.

iter: El nmero de iteraciones del IWLS.

weights: De los residuoales de trabajo, es decir los pesos en la iteraccin final del
ajuste IWLS.

prior.weights: Los pesos inicialemtne suminstrados.

df.residual: Los grados de libertad residuales.

df.null: Los grados de libertad residuales para el modelo nulo.

y: El vector `y' usado.

converged: Argumento lgico para indicar si el algoritmo IWLS convergi.

boundary: Argumento lgico para indicar si el valor ajustado est sobre la frontera
de los valores alcanzados.

formula: La frmula proporcionada.

terms: El objeto `terms' usado.

data: El `data argument'.

offset: El vector offset usado.
328
control: El valor del argumento `control' usado.

method: El nombre de la funcin filtro usada. Siempre es `glm.fit'.

contrasts: El contraste usado.

xlevels: Un registro de los niveles de los factores usados en el ajuste.

Los ajustes no nulos tendrn componentes `qr', `R' y `effects' en relacin al ajuste lineal
ponderado final.

Si un modelo `glm' binomial es especificado mediante una respuesta de dos columnas, los
pesos devueltos por `prior.weights' corresponden al total de casos (factorizado por los pesos
proporcionados) y la componente `y' de los resultados es la proporcin de xitos.

Los offsets especificados en `offset' no se incluirn en las predicciones por `predict.glm',
en tanto que los especificados por un trmino offset en la frmula si lo sern.

Referencias:
McCullagh P. and Nelder, J. A. (1989) Generalized Linear Models. London:
Chapman and Hall.

Dobson, A. J. (1990) An Introduction to Generalized Linear Models. London:
Chapman and Hall.

Venables, W. N. and Ripley, B. D. (1999) Modern Applied Statistics withe S-PLUS.
New York: Springer.
329
Ver tambin: `anova.glm', `summary.glm', etc. `anova', `summary', `effects',
`fitted.values', y `residuals'.

Ejemplos:
## Dobson (1990) Pag. 93: Experimentos
##aleatorizados controlados
conteos <- c(18,17,15,20,10,20,25,13,12)
#Generando un factor de 3 niveles con
#1 rplica y resultado de longitud 1,
#para las salidas.
salidas<- gl(3,1,9)
#Generando un factor de 3 niveles con
#3 rplicas para los tratamientos:
tratamiento <- gl(3,3)
print(d.AD <- data.frame(tratamiento, salidas, conteos))
tratamiento salidas conteos
1 1 1 18
2 1 2 17
3 1 3 15
4 2 1 20
5 2 2 10
6 2 3 20
7 3 1 25
8 3 2 13
9 3 3 12
glm.D93 <- glm(conteos~ salidas + tratamiento, family=poisson())
anova(glm.D93)
Analysis of Deviance Table
Model: poisson, link: log
Response: conteos
Terms added sequentially (first to last)
Df Deviance Resid. Df Resid. Dev
NULL 8 10.5814
salidas 2 5.4523 6 5.1291
tratamiento 2 0.0000 4 5.1291
summary(glm.D93)
330
Call:
glm(formula = conteos ~ salidas + tratamiento, family = poisson())
Deviance Residuals:
1 2 3 4 5 6 7
-0.67125 0.96272 -0.16965 -0.21999 -0.95552 1.04939 0.84715
8 9
-0.09167 -0.96656
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 3.045e+00 1.709e-01 17.815 <2e-16 ***
salidas2 -4.543e-01 2.022e-01 -2.247 0.0246 *
salidas3 -2.930e-01 1.927e-01 -1.520 0.1285
tratamiento2 1.924e-08 2.000e-01 9.62e-08 1.0000
tratamiento3 8.383e-09 2.000e-01 4.19e-08 1.0000
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance: 10.5814 on 8 degrees of freedom
Residual deviance: 5.1291 on 4 degrees of freedom
AIC: 56.761
Number of Fisher Scoring iterations: 3
#Ejemplo de McCullagh & Nelder (1989, pp. 300-2)
clotting <- data.frame(
u = c(5,10,15,20,30,40,60,80,100),
lot1 = c(118,58,42,35,27,25,21,19,18),
lot2 = c(69,35,26,21,18,16,13,12,12))
summary(glm(lot1 ~ log(u), data=clotting, family=Gamma))
Call:
glm(formula = lot1 ~ log(u), family = Gamma, data = clotting)
Deviance Residuals:
Min 1Q Median 3Q Max
-0.04008 -0.03756 -0.02637 0.02905 0.08641
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.0165544 0.0009275 -17.85 4.28e-07 ***
log(u) 0.0153431 0.0004150 36.98 2.75e-09 ***
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
(Dispersion parameter for Gamma family taken to be 0.002446013)
331
Null deviance: 3.512826 on 8 degrees of freedom
Residual deviance: 0.016730 on 7 degrees of freedom
AIC: 37.99
Number of Fisher Scoring iterations: 3
summary(glm(lot2 ~ log(u), data=clotting, family=Gamma))
Call:
glm(formula = lot2 ~ log(u), family = Gamma, data = clotting)
Deviance Residuals:
Min 1Q Median 3Q Max
-0.05574 -0.02925 0.01030 0.01714 0.06372
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.0239085 0.0013265 -18.02 4.00e-07 ***
log(u) 0.0235992 0.0005768 40.91 1.36e-09 ***
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
(Dispersion parameter for Gamma family taken to be 0.001813340)
Null deviance: 3.118557 on 8 degrees of freedom
Residual deviance: 0.012672 on 7 degrees of freedom
AIC: 27.032
Number of Fisher Scoring iterations: 3

9.8.1 Funcin family
Permite especificar una familia de distribucin para los modelos lineales generalizados en
la funcin glm.
family(object, ...)
binomial(link = "logit")
gaussian(link ="identity")
Gamma(link = "inverse")
inverse.gaussian(link = "1/mu^2")
poisson(link = "log")
quasi(link = "identity", variance = "constant")
332
quasibinomial(link = "logit")
quasipoisson(link = "log")

Argumentos:

link: Una especificacin para la funcin de linkeo del modelo. La familia
`binomial' admite funciones de linkeo `logit', `probit', `log', and `cloglog' (loglog
complementaria); la familia `Gamma' admite las funciones `identity', `inverse', y
`log'; La familia `poisson', las funciones `identity', `log', y `sqrt'; la familia `quasi'
los links `logit', `probit', `cloglog', `identity', `inverse', `log', `1/mu^2' y `sqrt'. La
funcin `power' puede usarse para crear una funcin linkeo de potencia para la
familia `quasi' . La familia `gaussian' slo admite la funcin `identity' y la familia
`inverse.gaussian' la funcin `1/mu^2'.

variance: Para todas las familias excepto la familia `quasi' , la funcin de varianza
es determinada por la familia. La familia `quasi' aceptar las especificaciones
`constant', `mu(1-mu)', `mu', `mu^2' y `mu^3' para la funcin varianza.

object: La funcin family accesa a los objetos `family' que son guardados dentro
de los objetos creado spor las funciones de modelacin.

...: Argumentos adicionales para los mtodos.

Detalles: Las familias `quasibinomial' y `quasipoisson' difieren de las familias `binomial'
y `poisson' respectivamente, en que el parmetro de dispersin no estn fijados en uno, por
lo que estos pueden modelar con sobredispersin.

Ejemplos:
333
conteos <- c(18,17,15,20,10,20,25,13,12)
salidas <- gl(3,1,9)
tratamiento <- gl(3,3)
d.AD <- data.frame(tratamiento, salidas, conteos)
glm.qD93 <- glm(conteos~ salidas + tratamiento, family=quasipoisson())
anova(glm.qD93, test="F")
summary(glm.qD93)
## Uso de resultados poisson:
anova(glm.qD93, dispersion = 1, test="Chisq")
summary(glm.qD93, dispersion = 1)
## Pruebas de quasi:
x <- rnorm(100)
y <- rpois(100, exp(1+x))
glm(y ~x, family=quasi(var="mu", link="log"))
## Es lo mismo que:
glm(y ~x, family=poisson)
glm(y ~x, family=quasi(var="mu^2", link="log"))
y <- rbinom(100, 1, plogis(x))
##Se necesita ajustar un valor inicial
##para el siguiente ajuste:
glm(y ~x, family=quasi(var="mu(1-mu)", link="logit"), start=c(0,1))

9.9. Anlisis de Varianza: Funcin aov
Con esta funcin podemos ajustar un modelo de anlisis de varianza aplicando la funcin
lm a cada estrato, en diseos balanceados y desbalanceados.

aov(formula, data = NULL, projections = FALSE, qr = TRUE,
contrasts = NULL, ...)

Argumentos:

formula: Una frmula que especifica el modelo. Puede especificar respuestas
mltiples.
334
data: Un data frame en el cual se hallan las variables especificadas en la frmula. Si
no se especifica, las variables son buscadas en el ambiente desde el cual se llam la
funcin aov.
projections: Argumento lgico. Deber retornarse las proyecciones?

qr: Argumento lgico. Deber retornarse la descomposicin QR?

contrasts: Una lista de los contrastes a usar para alguno de los factores en la
frmula. No son usados para ningn trmino de `Error'. Proporcional contrastes para
los factores nicamente en el trmino de `Error' dar una advertencia.

...: Argumentos a ser pasados a la funcin \tt lm , tal como `subset', o `na.action'.

Si la frmua contiene slo un trmino de `Error', este es usado para especificar los estratos
de errores, y los modelos apropiados son ajustados dentro de cada estrato de error.

Valor: Un objeto de clase `c(aov, "lm")', o de clase `c("maov", aov", "mlm", "lm")' si
hay mltiples respuestas, o de clase aovlist para estratos de error mltiples.

Autor: B. D. Ripley

Ejemplo: Para ilustrar un modelo completamente aleatorizado con un factor consideremos
el siguiente ejemplo de Lentner y Bishop, pp. 44: El problema trata del entrenamiento de
unos vendedores. Se dividen en cuatro grupos, cada vendedor es asignado al azar en uno de
los grupos, y a cada grupo se le entrena con un programa diferente. Luego de cinco
semanas se registran las comisiones obtenidas por cada vendedor. Se desea verificar si hay
diferencias entre los programas. El programa en R podra ser el siguiente.
335
programa<-c(1,1,1,1,1,1,2,2,2,2,2,3,3,3,3,3,4,4,4,4,4,4)
comisiones<-c(231,209,226,214,230,218,160,183,210,179,191,
251,246,238,227,240,195,188,204,192,210,197)
programa<-as.factor(programa)
aov.comisiones<-aov(comisiones~programa)
summary(aov.comisiones)
Df Sum Sq Mean Sq F value Pr(>F)
programa 3 9513.5 3171.2 23.913 1.677e-06 ***
Residuals 18 2387.1 132.6
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

Si deseamos hacer un anlisis grfico el programa puede modificarse as:

nf<-layout(rbind(c(0,1,1,0),c(0,2,2,0)))
programa<-c(1,1,1,1,1,1,2,2,2,2,2,3,3,3,3,3,4,4,4,4,4,4)
comisiones<-c(231,209,226,214,230,218,160,183,210,179,191,
251,246,238,227,240,195,188,204,192,210,197)
programa<-as.factor(programa)
comisiones.df<-data.frame(comisiones,programa)
plot(comisiones.df)
plot.factor(comisiones.df)
aov.comisiones<-aov(comisiones~programa, comisiones.df)
> aov.comisiones
Call:
aov(formula = comisiones ~ programa, data = comisiones.df)
Terms:
programa Residuals
Sum of Squares 9513.524 2387.067
Deg. of Freedom 3 18
Residual standard error: 11.51585
Estimated effects may be unbalanced
summary(aov.comisiones)
Df Sum Sq Mean Sq F value Pr(>F)
programa 3 9513.5 3171.2 23.913 1.677e-06 ***
Residuals 18 2387.1 132.6
---
336
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

Un ejemplo de Venables and Ripley (1997) p.210. (tomado de R Documentation)

N <- c(0,1,0,1,1,1,0,0,0,1,1,0,1,1,0,0,1,0,1,0,1,1,0,0)
P <- c(1,1,0,0,0,1,0,1,1,1,0,0,0,1,0,1,1,0,0,1,0,1,1,0)
K <- c(1,0,0,1,0,1,1,0,0,1,0,1,0,1,1,0,0,0,1,1,1,0,1,0)
yield <- c(49.5,62.8,46.8,57.0,59.8,58.5,55.5,56.0,62.8,55.8,69.5,55.0,
62.0,48.8,45.5,44.2,52.0,51.5,49.8,48.8,57.2,59.0,53.2,56.0)
npk <- data.frame(block=gl(6,4), N=factor(N), P=factor(P),
K=factor(K), yield=yield)

( npk.aov <- aov(yield ~ block + N*P*K, npk) )
Call:
aov(formula = yield ~ block + N * P * K, data = npk)
\end verbatim
\scriptsize
\begin verbatim
Terms:
block N P K N:P N:K P:K
Sum of Squares 343.2950 189.2817 8.4017 95.2017 21.2817 33.1350 0.4817
Deg. of Freedom 5 1 1 1 1 1 1
Residuals
Sum of Squares 185.2867
Deg. of Freedom 12

Residual standard error: 3.929447
1 out of 13 effects not estimable
Estimated effects may be unbalanced

summary(npk.aov)
Df Sum Sq Mean Sq F value Pr(>F)
block 5 343.29 68.66 4.4467 0.015939 *
N 1 189.28 189.28 12.2587 0.004372 **
P 1 8.40 8.40 0.5441 0.474904
K 1 95.20 95.20 6.1657 0.028795 *
N:P 1 21.28 21.28 1.3783 0.263165
N:K 1 33.13 33.13 2.1460 0.168648
337
P:K 1 0.48 0.48 0.0312 0.862752
Residuals 12 185.29 15.44
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

coefficients(npk.aov)
(Intercept) block2 block3 block4 block5 block6
51.8250000 3.4250000 6.7500000 -3.9000000 -3.5000000 2.3250000
N1 P1 K1 N1:P1 N1:K1 P1:K1
9.8500000 0.4166667 -1.9166667 -3.7666667 -4.7000000 0.5666667

338
Captulo 10: Apndice: Datos
10.1. Datos de Velocidades de Autos
Los siguientes datos representan las velocidades de autos medidas con radar en una calle de
la ciudad.

48 47 49 50 57 44 54 49 52 68 45
77 45 46 51 50 46 47 48 45 57 40
56 40 38 48 50 45 59 54 48 55 47
50 53 49 76 53 54 71 56 59 43 49
45 45 46 58 51 56 45 54 59 38 71
47 56 60 53 54 43 59 60 50 57 50
50

10.2. Datos de Precios de Carros Reanult 4 y 12
Los siguientes datos corresponden al modelo (R-4 o R-12), el ao del carro y el precio de
oferta de varios carros marca Renault aparecidos en los clasificados del El Colombiano
aparecidos en Noviembre 19/94

r4 85 4.00
r4 88 4.30
r4 81 2.85
r4 80 2.95
r4 70 2.20
r4 77 2.45
r4 71 2.00
r4 88 4.90
r4 74 1.78
r4 73 1.70
r4 80 2.90
339
r12 80 4.60
r12 76 3.80
r12 78 4.80
r12 79 4.70
r12 76 3.60
r12 78 4.50
r12 74 3.50
r12 74 3.50

10.3. Datos de las pruebas nacionales del ICFES
La siguiente tabla contiene una muestra de las siguientes variables (por columnas)
relacionadas con los resultados en las pruebas del ICFES realizadas en Colombia
durante varios aos.

1a. variable: SEXO (Alfanumrica: F:femenino, M:masculino)

2a. : Ao en que se tomo la prueba

3a. : Resultado en Biologa
4a. :Resultado en Qumica
5a. :Resultado en Fsica
6a. :Resultado en Sociales
7a. :Resultado en Aptitud Verbal
8a. :Resultado en Espaol y Literatura
340

9a. :Resultado en Aptitud Matemtica
10a. :Resultado en Conocimientos en Matemticas
11a. :Resultado en Electiva
12a. : Electiva (Alfanumrica):

MET: Metalmecnica, CON: Contabilidad ING:Ingls, ELE:Electricidad, MEC:
Razonamiento Mecnico, MET:Metalmecnica

F 89 51 41 40 52 55 49 54 57 47 CON
F 89 46 29 40 40 39 49 50 48 51 CON
F 89 36 32 45 38 51 51 42 40 47 CON
F 92 50 45 54 63 67 65 67 50 57 ING
M 92 50 45 54 63 67 65 67 50 57 ING
F 93 54 50 55 40 55 61 49 44 55 MET
M 89 54 55 53 60 57 50 46 55 48 ABS
M 89 52 42 55 51 51 56 50 55 48 MET
F 89 47 44 42 37 50 57 52 51 55 CON
F 89 50 44 42 47 40 54 40 42 56 CON
F 89 46 47 44 39 53 45 48 51 40 CON
F 89 71 65 64 69 66 78 63 67 57 MEC
M 89 62 70 74 66 71 64 69 70 64 ING
M 89 69 58 69 70 69 76 63 67 64 ELE
F 89 54 41 40 55 56 46 56 36 55 CON
F 89 55 44 48 46 57 51 50 46 55 CON
M 93 46 42 56 56 52 54 47 44 61 MEC
F 93 42 45 47 40 42 50 36 42 41 MEC
M 93 42 50 50 42 59 47 44 48 48 MET
M 93 54 44 51 51 44 47 56 50 60 ABS
M 93 50 50 55 55 53 51 58 48 51 MEC
F 93 37 36 40 36 36 47 36 44 40 CON
F 93 32 42 39 32 45 36 40 36 42 CON
341
F 93 53 53 42 57 59 54 38 40 50 ING
M 93 66 63 64 62 68 59 69 70 69 ELE
M 92 55 49 57 49 61 57 52 60 47 ELE
F 92 43 46 45 42 49 58 57 50 56 ING
F 93 40 44 51 36 47 48 44 42 47 ING
F 93 40 41 40 51 45 44 46 44 48 CON
F 93 44 44 45 45 59 54 56 56 56 CON
F 93 36 44 51 39 37 36 44 50 48 CON
F 89 62 35 55 55 58 47 37 46 56 CON
M 89 54 44 58 52 48 62 54 59 42 MET
M 89 54 44 50 45 61 53 48 65 50 ABS
F 89 55 39 47 44 55 56 54 57 56 CON
M 89 47 48 50 49 52 42 71 63 51 ELE
F 89 60 45 55 55 61 54 52 48 47 CON
F 89 51 44 52 47 60 65 39 55 60 CON
M 89 56 52 60 53 49 51 52 57 55 MET
F 89 50 45 50 50 61 62 67 57 49 CON
M 89 49 48 53 54 56 51 65 63 55 MET
M 89 59 52 66 58 57 53 58 59 48 ELE
M 89 60 48 58 56 60 49 69 51 55 MET
M 89 56 55 64 55 61 60 67 65 49 ELE
M 89 63 53 60 67 71 60 54 53 46 ELE
M 89 66 48 63 64 66 54 56 57 56 ELE
M 89 56 52 58 65 60 58 65 59 57 MET
F 89 58 47 60 55 63 64 56 53 71 CON
M 89 69 55 64 65 64 60 54 55 56 ELE
M 89 58 55 55 57 56 57 67 70 66 ABS
F 89 63 53 50 68 63 62 50 55 68 CON
M 89 59 65 68 57 69 72 65 67 59 ELE
F 89 58 56 58 55 66 62 63 67 77 ING
F 93 42 44 51 45 56 55 36 42 46 ING
F 93 40 41 50 45 56 54 49 32 59 ING
M 93 48 45 58 49 46 51 51 44 53 MET
F 93 38 35 47 36 43 43 40 40 33 ING
F 93 46 44 48 49 47 55 36 38 56 ING
F 93 28 42 50 39 40 46 51 42 48 CON
M 93 39 33 47 47 41 48 40 28 53 MET
F 93 38 45 40 44 50 51 33 42 50 CON
M 93 55 54 59 50 54 62 64 64 53 MEC
342
M 93 56 44 45 53 59 51 49 36 56 MET
F 93 62 48 58 49 58 61 55 44 62 ING
F 93 54 59 51 50 62 70 55 50 60 ING
F 93 38 41 42 35 37 43 35 44 35 CON
F 93 36 51 47 53 61 50 49 46 58 ING
M 93 48 39 50 54 47 48 40 46 63 MET
F 93 34 48 47 38 46 56 36 42 50 ING
M 93 49 39 47 50 54 52 42 40 50 MET
M 93 51 48 58 54 51 52 47 46 63 MET
F 93 57 57 56 57 62 65 60 48 65 ING
F 93 34 41 47 40 43 43 49 32 42 CON
F 93 38 41 43 47 52 47 47 44 63 CON
M 93 61 60 67 67 68 73 66 74 73 MEC
M 93 53 48 56 51 50 51 60 52 61 MET
M 93 53 41 45 56 43 54 49 48 59 MEC
M 93 67 45 67 64 68 59 69 64 71 MEC
M 92 64 49 61 57 66 54 57 48 46 ING
M 92 65 55 64 64 63 60 59 52 61 ING
M 92 65 59 75 59 65 53 65 66 60 ABS
F 92 54 51 45 46 52 49 41 42 58 CON
F 92 50 48 32 45 50 39 47 46 51 CON
F 92 46 46 37 31 39 41 41 34 43 CON
F 92 43 35 41 45 46 43 54 38 65 CON
M 92 54 51 46 54 59 49 57 54 40 MEC
M 92 57 41 54 51 61 52 56 50 53 MET
F 92 38 32 30 39 35 30 36 32 46 CON
F 92 45 32 37 39 42 33 43 44 58 CON
M 92 54 41 45 33 52 50 47 40 53 MEC
F 92 36 41 33 39 31 31 32 32 51 CON
M 92 45 51 51 63 52 54 47 34 54 ING
M 92 54 59 51 46 59 56 52 52 56 ING
M 92 47 49 57 55 63 65 52 54 63 ING
M 92 57 49 62 58 60 70 59 52 66 ING
F 92 41 40 43 45 43 48 43 36 42 CON
M 92 55 57 59 42 46 42 48 52 66 ABS
M 92 40 40 48 46 43 45 45 42 46 MET
M 92 64 46 59 60 62 56 45 50 40 MEC
F 93 38 56 51 48 51 50 47 46 55 MET
F 93 59 56 56 49 56 56 53 62 60 CON
343
M 92 63 66 70 64 70 68 68 54 69 ING
M 92 59 57 59 53 59 60 76 68 59 ING
M 92 65 71 72 67 68 66 74 70 66 ING
M 92 47 52 41 52 53 46 39 36 43 CON
M 92 56 54 61 64 60 62 61 56 67 MEC
F 92 50 49 51 54 49 56 39 50 65 CON
F 92 63 51 48 57 62 58 50 54 67 CON
F 92 56 45 57 59 65 70 57 50 50 CON
F 92 56 35 53 56 62 64 52 50 58 CON
F 92 56 40 57 61 54 60 52 46 58 CON
F 92 43 51 49 56 61 61 59 66 64 CON
F 92 52 60 54 47 64 57 57 48 64 CON
M 92 55 66 59 57 61 43 57 52 65 ElE
M 92 57 48 54 62 58 56 52 56 61 MEC
F 92 46 46 48 50 52 45 47 42 58 CON
F 93 44 50 43 53 45 44 51 44 45 MET
F 93 62 56 58 57 60 56 49 42 78 CON
F 93 31 31 39 28 35 41 44 44 37 CON
F 93 61 47 61 61 66 69 58 56 49 ING
M 93 59 48 64 61 64 65 58 54 56 ElE
F 93 27 50 39 32 42 46 44 38 36 ING
F 93 43 44 55 46 56 59 51 46 66 ING
F 93 46 53 50 56 69 65 47 44 60 ING
F 93 34 44 42 38 54 41 42 28 39 ING
F 93 49 48 47 51 51 55 47 52 52 ING
M 93 48 48 53 49 58 50 49 58 54 MEC
F 93 45 53 51 54 55 50 51 50 50 CON
F 93 43 38 42 48 44 44 35 40 52 ING
F 93 38 42 50 41 45 51 46 48 55 ING
F 89 50 39 42 43 49 50 39 36 40 CON
F 89 43 39 31 36 49 32 42 36 41 CON

344
Captulo 11: Referencias
Becker R. A., Chambers, J. M. y Wilks, A. R. (1988) The New S Language.
Wadsworth & Brooks/Cole Advanced Books & Software.

Chambers, J. M. y Hastie, T. J. (1992). Statistical Models in S. Wadsworth &
Brooks/Cole Advanced Books & Software.

Jonhson R.A y Wichern D. W. Applied Multivariate Statistical Anlisis. 4. Ed.
Prentice may, 1998

Lentner, M y Bishop, T. (1986) Experimental Design and Analysis . Valley Book
Company: Blacksburg.

R Documentation (Help R 1.5.0).