====== 2.28. Datos, gráficos, estadística y juegos para aprender: Usando R. Nivel medio ======

===== Creando animaciones =====

Crearemos una animación que desplace un punto por la curva de la función seno entre ''-pi'' y ''pi''

  for(i in seq(-pi,pi,0.1)){plot(sin,-pi,pi);points(i,sin(i))}

Con un poco de control sobre el tiempo se puede apreciar mejor:

  for(i in seq(-pi,pi,0.1)){plot(sin,-pi,pi);abline(h=0,col="grey");points(i,sin(i));Sys.sleep(0.1)}

===== Cuando las cosas se complican =====

Vaya lio ... es necesario un poco de organización: R + editor = solución: ''vim'', ''emacs'', ''gvim''
''xemacs'', ''gedit'', ''kedit'', ''tinn-R'', ''nano'', ... block de notas. La ayuda se mejora cuando el
editor nos muestra las pareja de los paréntesis, corchetes o llaves.


  for (i in seq(-pi, pi, 0.1)){
      plot(sin, -pi, pi)
      abline(h = 0, col = "grey")
      points(i, sin(i))
      Sys.sleep(0.1)
      }

Otro ejemplo:

  for (i in 1:360) {
      plot(1, ann = F, type = "n", axes = F)
      text(1, 1, "Animation", srt = i, col = rainbow(360)[i], cex = 7 * i/360)
      Sys.sleep(0.01)}

Extraido de esta [[http://r.yihui.name/intro/documentations/index.htm|página]].

===== Salidas gráficas =====
Para obtener la lista de formatos de salida puede utilizarse ''?Devices'': pdf(), postscript(), png(), ...
En ellos puede definirse más de un gráfico por página mediante la función ''par()'', por ejemplo: ''par(mfrow=c(2,3))'', 
para una división regular del área gráfica; o mediante ''layout()'', que permite un reparto del área más completo. 


===== Lectura de un fichero de datos =====
Para leer datos de un fichero, local en red, utilizaremos la función ''read.table()''.

  read.table("http://www.um.es/docencia/emc/datos/evolpobmun.dat") -> x

Cuando se utiliza fichero de datos datos de otros directorios siempre (winxx, linux, ...) se utiliza el caraćter ''\'' para
describir el nombre:

  read.table("c:/tesis/experimento/lote1/datos.dat") -> x

Debe cuidarse siempre de que el fichero se lee con las especificaciones adecuadas: separador de campos,
caracter para separar los decimales, tipo de codificación de los caracteres, ...

  read.table("http://www.um.es/docencia/emc/datos/din.pob.dat",sep=",")

Una vez leido el fichero, y para el  ''data.frame'' obtenido: ''x'',  puede comprobarse que se corresponde con lo esperado utilizando las
siguientes funciones:

  * ''ncol(x)'' y ''nrow(x)'': proporciona el número de columnas y filas de x.
  * ''dim(x)'': vector con el número de columnas y filas de x
  * ''colnames(x)'': nombre de las columnas de x.
  * ''rownames(x)'': nombre de las filas de x
  * ''t(x)'': traspone la tabla (cuidado con la homogendidad de las variables).



===== Otros objetos en R: Historia de un histograma =====

Desribiremos el comportamiento de una variables mediante un histograma y
analizaremos que es un objeto de la //clase histograma//

  read.table("http://www.um.es/docencia/emc/datos/iris.dat") -> x
  attach(x)
  hist(lonsep, 5)
  hist(lonsep, 5, freq = F)
  hist(lonsep, 5, plot = F)
  hist(lonsep, 5, plot = F)->x.hist

Una vez construido el objeto histograma ''x.hist'' conoceremos su propiedades mediante:

  names(x.hist)
  str(x.hist)

Podemos acceder a los elemento el objeto escrinbiendo  ''x.hist$'' y pulsando el tabulador

  lines(x.hist$mids,x.hist$density,lwd=5)
  lines(x.hist$mids,x.hist$density,lwd=2,col=2)

La función ''attributes()'' nos ayuda a identificar rápidamente el tipo de objeto:

  attributes(x.hist)
  attributes(x)
  attributes(x)$class


===== Algo de probabilidad =====

Para cada una de las funciones de R que describen distribuciones de probabilidad hay las cuatro variantes
que se identifican por la inicial:

|''dffff(x)''|para el valor la funcion de distribución en ''x''|
|''pffff(x)''|para la probabilidad acumulada hasta el valor ''x''|
|''qffff(p)''|para el percentil que acumula la probabilidad ''p''|
|''rffff(n)''|que genera ''n'' valores aleatorios de la distribución|

Siendo ''ffff'':

|''unif'' | distribución uniforme |
|''norm'' | distribución normal |
|''pois'' | distribución de Poisson |
|''binom''| distribución binomial |
|''gamma''| distribución gamma |
| ...     | ''apropos ("^r")'' para echar un vistazo rápido  |


Calculando y representando valores de la normal:

  plot(dnorm,-3,3)
  dnorm(0)
  pnorm(2)
  qnorm(0.975)
  
  plot(pnorm,-3,3)
  plot(qnorm,0,1)
  
  plot(rnorm,-3,3)
  
  plot(rnorm,-3,3,ylim=c(-3,3))


===== Estadísticos y condiciones =====

Media de los individuos por grupos:

  split(lonsep,especie,mean)
  
  lapply(split(lonsep,especie),mean)

  as.matrix(lapply(split(lonsep,especie),mean))

Otra opción:

  by(lonsep, especie, mean)
  as.matrix(by(lonsep, especie, mean))

Todas las variables a la vez:

  aggregate(x, by=list(especie), FUN = "mean")


===== Análisis multivariante de una matriz de datos =====

Utilizaremos el fichero de datos ''evolpobmun.dat'', que ya hemos comprobado antes:

  read.table("http://www.um.es/docencia/emc/datos/evolpobmun.dat") -> x

Se puede hacer una selección de filas automáticamente:

  apply(x,1,sum) #¿Hay problemas con NA?
  !is.na(apply(x,1,sum))->seleccion.casos

Una clasificación por //k-means//

  kmeans(x[seleccion.casos, ], 8)
  kmeans(x[seleccion.casos, ], 8) -> x.km8

Una clasificación jerárquica:

  plot(hclust(dist(x[seleccion.casos,]),method="mc"),hang=-1)

Transformado los datos para otro análisis:

  tc <- (x[seleccion.casos,1:9] - x[seleccion.casos,2:10]) / x[seleccion.casos,1:9]
  
  plot(hclust(dist(tc),method="mc")->tc.hcl,hang=-1)

Comparando las dos clasificaciones:

  cutree(tc.hcl,8) ->tc.h8
  
  table(x.km8$cl,tc.h8)