Continuamos con ejemplos de análisis de la varianza con R. En este caso trabajaremos con diseño de experimentos anidados. Definimos un factor B está anidado a un factor A si para nivel de B tenemos un único nivel de A asociado, es decir, A dos niveles, B tres niveles; A1 (B1, B2, B3) ; A2(B1, B2, B3). En este caso se dice que el nivel B está anidado a A. El modelo matemático viene expresado como: ...
En esta nueva entrega del manual de R vamos a trabajar con más ejemplos de regresión lineal haciendo especial mención a las posibilidades gráficas de R. El ejemplo de partida será el mismo empleado en el capítulo 9. Ejemplo 10.1: Si recordamos en el capítulo 9 en el ejemplo 9.2 hicimos un modelo para predecir las notas finales a partir de las notas de los exámenes previos, el test y la puntuación del laboratorio. Teníamos una variable dependiente que era la nota final y cuatro variables regresoras. Vimos que el modelo presentaba múltiples lagunas (multicolinealidad, un modelo con un r cuadrado bajo,…). Pues ahora hemos de mejorar el modelo. Es difícil mejorarlo en precisión porque no tenemos más variables regresoras en el conjunto de datos por eso podemos mejorarlo haciéndolo más sencillo y recogiendo una cantidad de información lo más grande posible con un modelo lo más reducido posible, es decir, vamos a seleccionar un modelo de regresión. Para hacer esto contamos con la función step que selecciona el modelo a partir del criterio de información de Akaike (AIC, siglas en inglés). Creamos un estadístico que permite decidir el orden de un modelo. AIC toma en consideración tanto la medida en que el modelo se ajusta a las series observadas como el número de parámetros utilizados en el ajuste. Buscamos el modelo que describa adecuadamente las series y tenga el mínimo AIC. Comencemos a trabajar con R, el primer paso será obtener y preparar el conjunto de datos: ...
Para realizar la introducción al análisis de la varianza (ANOVA) con R comenzaremos estableciendo unos conceptos básicos. Lo primero que hacemos es plantear una hipótesis que va a motivar un experimento, elegimos el diseño para nuestro experimento y recogemos los datos y los analizamos mediante el análisis de la varianza que consiste en descomponer la variabilidad total de los datos en sumandos cada uno de ellos asignable a una fuente de variación; posteriormente ya sacamos conclusiones. Lo que se expone a continuación viene recogido en los libros: ...
En esta nueva entrega del curso de R vamos a trabajar con algunos conceptos básicos de inferencia estadística. En primer lugar hacemos inferencia a partir de unas observaciones obtenidas a partir de la población a las que vamos a extraer unas propiedades que se denominan estadísticos muestrales. Además vamos a conocer la distribución de dichos estadísticos (generalmente distribución normal) por lo que hacemos inferencia paramétrica. La inferencia paramétrica puede recogerse en una vertiente o en otra según el parámetro a estimar; tenemos por un lado la estadística clásica (que es en la que nos vamos a centrar) y por otro lado la estadística ballesiana. ...
R dispone de múltiples posibilidades a la hora de realizar gráficos. De hecho, bajo mi punto de vista, puede ser una de las herramientas estadísticas más potentes al respecto, además es gratuita y existe una comunidad detrás que pone a nuestra disposición múltiples manuales y documentación. Debido al gran material existente este capítulo sólo será una pequeña introducción a sus posibilidades en sucesivas entregas veremos nuevas funciones y nuevos gráficos más aplicados a ejemplos reales. ...
En R trabajaremos con objetos y funciones. En capítulos anteriores hemos empezado a crear objetos, fundamentalmente vectores y matrices. En la presente entrega vamos a estudiar las funciones básicas de estadística descriptiva. Como funciones de medida de tendencia y localización tendremos: alturas<- scan() #creamos el objeto alturas con 11 observaciones 1: 1.75 1.67 1.89 1.78 1.54 1.90 1.87 8: 1.67 1.76 1.75 1.90 12: Read 11 items mean(alturas) 1.770909 median(alturas) 1.76 min(alturas) 1.54 max(alturas) 1.9 quantile(alturas) #cuartiles 0% 25% 50% 75% 100% 1.54 1.71 1.76 1.88 1.90 IQR(alturas) #rango intercuartílico 0.17 Como funciones de medida de dispersión tenemos: ...
En esta nueva entrega aprenderemos a importar datos a R desde otras fuentes. Habitualmente no introduciremos manualmente los datos, emplearemos las posibilidades de lectura que nos ofrece R. En este capítulo leeremos ficheros de texto y ficheros Access, para ello necesitaremos el paquete de R RODBC. Para leer fichero de texto emplearemos un fichero de ejemplo GRADES.TXT que es un fichero de texto delimitado por espacios y sin cabeceras, tiene los siguientes campos: ...
El otro día programando un algoritmo en R me di cuenta de que existe una cosa básica que no esta cubierta por el manual del software: ordenar un data frame. Decidí consultar al dios google antes de meterme a programarla y encontré una maravillosa función hecha por Kevin Wright que os enlazo a continuación: http://tolstoy.newcastle.edu.au/R/help/04/09/4300.html La he utilizado y me ha funcionado muy bien. Espero que os sea útil. Un saludo.
En esta nueva entrega del manual introducctorio a la programación en R comenzaremos a familiarizarnos con las contribuciones que se realizan en el mundo a esta herramienta. La intención es cargar un paquete que contenga una funcionalidad en R que nos permita leer orígenes de datos ODBC para que, en sucesivas entregas, podamos leer datos de Access, Excel,… Los paquetes de R son contribuciones de programadores de todo el mundo para la creación de funcionalidades de R que contienen funciones que permiten que día a día R mejore y adquiera un mayor potencial. Estos paquetes se encuentran en el Comprehensive R Archive Network CRAN que es una red de ftp y servidores donde nos podemos descargar R o nos podemos descargar las contribuciones de los programadores de R de todo el mundo. En este caso para España tenemos la red CRAN espejo España En ella tenemos todos los paquetes disponibles por orden alfabético. ...
En el anterior capítulo creábamos vectores y matrices con las funciones c y matrix pero en R disponemos de otros medios para leer o introducir datos. Empezamos con la entrada manual de datos: # Entrada manual de datos ej.3.1 <- scan() 1: 1 2 3: 4 5 5: 6 7 7: Read 6 items ej.3.1 [1] 1 2 4 5 6 7 Para introducir manualmente datos en R disponemos de la función scan e introduciremos los datos manualmente separando las entradas con un espacio, para finalizar empleamos intro en una línea sin datos, R nos indicará los registros leídos. La función scan también puede leer ficheros de texto planos si le pasamos el fichero como parámetro : ...