Saturday, December 14, 2013

ANOVA DE 1 VÍA

El análisis de varianza (ANOVA) permite realizar test simultáneos de comparación de más de dos medias. 

La idea detrás del ANOVA, es que si la variación producida por el o los factores que -supuestamente- hace que las medias sean estadísticamente distintas, es mayor que la variación propia o interna (también llamada "error" por factores no explicados en el modelo), entonces la evidencia indica que es el factor quien produce o explica las diferencias en las medias.

En R el código es muy sencillo, por ejemplo tomemos como ejemplo anova de 1 vía, es decir sólo presumimos que 1 factor es el que causa la diferencias de medias: 

#Anova One-Way

# Clean memory
rm(list=ls(all=TRUE)) 
options(scipen=100)
options(digits=4)

#ejemplo pag.446

millas = c(220, 251, 226, 246, 260, 244, 235, 232, 242, 225, 252, 272, 250, 238, 256) 
gas = c(rep("A",5), rep("B",5), rep("C",5)) 
data = data.frame(millas,gas) 

data = read.csv('C:/Users/MValle/Desktop/ejemplo.csv')


plot(millas ~ gas, data=data) 
results = aov(millas ~ gas, data=data) 
summary(results)

#ejemplo pag.451
puntos = c(3.2, 3.4, 3.3, 3.5, 3.4, 3.0, 3.7, 3.3, 2.8, 2.6, 3.0, 2.7) 
escuela = c(rep("La Pintana",4), rep("Vitacura",4), rep("Puente Alto",4)) 
data2 = data.frame(puntos,escuela) 

plot(puntos ~ escuela, data=data2) 
results2 = aov(puntos ~ escuela, data=data2) 
summary(results2)

#multiple comparisons
pairwise.t.test(puntos, escuela, p.adjust="bonferroni") 

TukeyHSD(results2, conf.level = 0.95) 

Friday, November 15, 2013

Curvas de Operación

Las curvas de operación (CO) representan la capacidad del test de hipótesis o de la carta de control para detectar o corroborar el verdadero valor de una variable, sobre la cual hipotetizamos.

Supongamos que tenemos el test:
H0: mu = 8
H1: mu <> 8
Supongamos que el valor de sigma es conocido igual a 2, y la muestra es de n=5.

La curva de operación de este test, representa el error tipo II (beta) que cometeríamos, para distintos valores VERDADEROS de mu, es decir, la probabilidad de no rechazar H0 cuando en realidad la debimos haber rechazado.

Desafío:
Graficar las CO's para el test anterior, para niveles de significancia del 5% y del 10%.

El código en R sería el siguiente:

############################################################
sigma = 2
n = 5
alpha <- .05

#hipoteis nula
mu.0 = 8
mu <- seq(from = 10, to = 20, by = 0.1)
valor <- (sqrt(n)/sigma)*(mu.0-mu)
z.critico <- qnorm(alpha/2, mean = 0, sd = 1, lower.tail = FALSE, log.p = FALSE)
beta <- dnorm(valor+z.critico, mean = 0, sd = 1, log = FALSE) - dnorm(valor-z.critico, mean = 0, sd = 1, log = FALSE)
valor = valor*(-1)
A <- data.frame(valor, beta)

#mismo que antes pero a alpha=0.1
alpha <- 0.1
z.critico2 <- qnorm(alpha/2, mean = 0, sd = 1, lower.tail = FALSE, log.p = FALSE)
beta2 <- dnorm(valor+z.critico2, mean = 0, sd = 1, log = FALSE) - dnorm(valor-z.critico2, mean = 0, sd = 1, log = FALSE)
beta <- (-1)*beta2
B <- data.frame(valor, beta)

#gráfica de CO para alpha = 0.05 y para alpha  = 0.1
df <- rbind(A, B)
df$dataset <- c(rep("alpha=0.05", nrow(A)), rep("alpha=0.1", nrow(B)))

ggplot(data=df, aes(x=valor, y=beta, col=dataset)) + geom_point()
############################################################

Como puede observar, cuando utilizamos un alpha de 10%, vemos que los betas son mejores respecto a la condición de 5%, sin embargo, lo que ganamos con disminuir el error tipo II, lo perdemos al aumentar el error tipo I.

La única forma que tenemos de incrementar el error tipo II sin sacrificar el error tipo I, es aumentando el tamaño de la muestra (n).

Friday, October 4, 2013

Ejemplos de visualización de data en R


Para visualizar la data, es necesario cargar el paquete MVA, el cual contiene la base de datos de contaminación del aire de ciudades de USA.

Para instalar el paquete:
install.packages("MVA")

Para cargar el paquete:
library("MVA")

#########################CÓDIGO
# lab 1 de multivariado (visualization)
#  multi1.R

options(digits=3)
# Clean memory
rm(list=ls(all=TRUE)) 

library("MVA")
data <- USairpollution
summary(data)
##

mlab <- "Empresas de manofactura con 20 o mas trabajadores"
plab <- "tamaño de la población (1970) en miles"
plot(popul ~ manu, data = USairpollution, xlab=mlab, ylab=plab)
##


plot(popul ~ manu, data = USairpollution, xlab=mlab, ylab=plab)
rug(USairpollution$manu, side = 1)
rug(USairpollution$manu, side = 2)
##

hist(data$manu)
boxplot(data$popul)

##
xlim <- range(data$manu)*1.1
plot(popul ~ manu, data = USairpollution, cex.lab=0.9, xlab=mlab, ylab=plab, type="n", xlim=xlim)
text(data$manu, data$popul, cex=0.6, labels=abbreviate(row.names(data)))
##

##
myvars <- c("manu", "popul")
newdata <- data[myvars]
bvbox(newdata, mtitle="", xlab=mlab, ylab=plab)
cor(newdata[,1], newdata[,2])

##
ylim <- range(data$wind)*c(0.95, 1)
plot(data$wind ~ data$tem, xlab="Promedio anual de temperatura", ylab="promedio anual de viento", pch=4, ylim=ylim)
symbols(data$temp, data$wind, circles=data$SO2, inches=0.5, add=TRUE)
##

Thursday, October 3, 2013

En una simulación de montecarlo..

Usualmente, para una simulación de montecarlo en R, es buena idea definir claramente desde un principio, los parámetros, luego las variables estocásticas y finalmente definir vectores o matrices vacías que serán llenadas posteriormente con las variables output derivadas del modelo.

Parámetros:
En general, constantes y datos del problema del sistema a modelar se definen directamente. Por ejemplo, un costo de capital o un costo fijo:

c.cap <- .12  #asignamos a c.cap el valor .12
c.fijo <- 12000 #asignamos a c.fijo el valor 12000
constante <- 10 #asignamos a constante el valor 10

Variables estocásticas:
Por ejemplo, si nuestro modelo considera que la demanda de un producto se distribuye en forma normal con media 10 y sd 5 y deseamos generar 100 valores aleatorios tomados de esta distribuciones entonces hacemos:

demanda <- rnorm(100,10,5) #demanda será un vector con 100 valores aleatorios de una Normal con media 10 y sd 5.

Existen muchas posibilidades en R para generar números aleatorios de distintas distribuciones. En Internet puede buscar muchas referencias respecto a esto.

Vectores o matrices vacías:
Los resultados de un modelo, son variables, outputs. Esos outputs son los valores que deseamos analizar porque reflejan el resultado o performance de un sistema del cual queremos saber más. En cada iteración en el cálculo de un output, se genera un valor que debe ser guardado. Estos valores se van guardando en una matriz o vector que debemos definir previamente. Por ejemplo:

output <- matrix(nrow=100, ncol=1)  #generamos un vector vacío de 100 filas y 1 columna

output <- matrix(nrow=n, ncol=3)  #generamos una matriz vacía de n filas y 3 columnas

Estos son algunos elementos básicos, pero que siempre están presentes en una simulación en R.





R? una letra del abecedario

Recientemente apareció un articulo en el New York Times (NYT) relacionado con el R y como este software está siendo utilizado por empresas grandes como Google y Shell para Data Mining, lo cual demuestra que esta herramienta no es sólo otro paquete académico para mortificar a estudiantes de ingeniería, sino también para aplicaciones industriales y de research.

les dejo el link, recomiendo que lo lean:

Artículo

Friday, September 27, 2013

Sunday, September 22, 2013

Instalar el R


R es un software de estadística computacional gratuito que se puede descargar de:

Adiconalmente, se puede descargar e instalar el R-Studio, que es una interfaz amigable para el R y se puede descargar desde:


Existe enorme cantidad de tutoriales de R en Internet. Sólo ingrese a google y busque por "tutorial R".