Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INERZIA TOTALE
Dati=read.csv('StatoSalute2005.csv',sep=';')
X=Dati[,2:6]
rownames(X)=Dati$X #nome della colonna nomi della tabella originaria
r=apply(X,1,sum) #totali marginali di riga
c=apply(X,2,sum) #totali marginali di colonna
P=X/sum(X) #frequenze relativematrice di corrispondenza delle frequenze relative, per
normalizzare
r=rowSums(P) #vettore riga, masse di riga (frequenze marginali di riga)
c=colSums(P) #vettore colonna, masse di colonna(frequenze marginali di colonna)
round(r,3) #arrotonda a 3 cifre
round(c,3) #arrotonda a 3 cifre
R=diag(r^-1)%*%as.matrix(P) #distribuzioni condizionate delle Y date Xi matrice dei profili
#riga
round(R,3) #arrotonda a 3 cifre
C=as.matrix(P)%*%diag(c^-1) ##distribuzioni condizionate delle X date Yimatrice dei profili
#colonna
S=diag(r^-.5)%*%(as.matrix(P)-r%*%t(c))%*%diag(c^-.5) #matrice fondamentale che mi
#dice quanto mi discosto dall’indipendenza, per normalizzare
sum(S^2) #inerzia totale somma autovalori
sum(S^2)*sum(X) # chi quadrato oppure chisq.test(X) se alto rifiuto sempre ipotesi di
#indipendenza
d1=sum((R[1,]-t(c))^2/t(c))
d2=sum((R[2,]-t(c))^2/t(c))
r[1]*d1+r[2]*d2 #media ponderata al quadrato delle masse di rigaritrovo l’inerzia totale ma non
si trova!!
QR=Yr^2*r
L=G^2
round(QR%*%diag(L^-1),3) # punti dominanti delle prime due dimensioni per i profili riga
QC=Yc^2*c
round(QC%*%diag(L^-1),3) # punti dominanti delle prime due dimensioni per i profili
colonna
Xtilde=X-rep(1,6)%*%t(colMeans(X)) #matrice degli scarti dalla media
#6 perche 6 sono le righe
S=(t(as.matrix(Xtilde)))%*%as.matrix(Xtilde)/6 #matrice varianza e covarianza
#6 numero di righe
R=diag(diag(S)^-.5)%*%S%*%diag(diag(S)^-.5) #matrice di correlazione o dei coefficienti
di correlazione oppure direttamente #cor(X)
R=cor(X)
(R[2,1]*sqrt(4))/sqrt(1-R[2,1]^2) #formula della t di student
# dove 2,1 e 1,2 sono le coordinate
as.matrix(dist(X,'man')) #distanza di Manhattan
D=dist(X,'man')
CL=hclust(D,'single') #cluster analisis
plot(as.dendrogram(CL))
X=matrix(c(4,2,7,3,8,8,1,3),4,2)
X
Xtilde=X-rep(1,4)%*%t(colMeans(X))
S=(t(Xtilde)%*%Xtilde)/4
S
svd(S) #decomposizione spettrale