Analisi dei dati con R

Transcript

1 Analisi dei dati con R Riccardo Massari riccardo.massari@uniroma1.it Corso di STATISTICA Facoltà di Ingegneria Sapienza Università di Roma (Corso di statistica) Analisi dei dati - R. Massari 1 / 96

2 ANALISI DEI DATI CON R 1 INTRODUZIONE Generalità Nozioni preliminari di R 2 GLI OGGETTI IN R Funzioni e pacchetti Inserimento dei dati in R 3 LAVORARE CON R Importare ed esportare dati con R Analisi dei dati Creare grafici con R Creare le proprie funzioni (Corso di statistica) Analisi dei dati - R. Massari 2 / 96

3 INTRODUZIONE Generalità Introduzione a R R è un ambiente basato sul linguaggio S, per la gestione e l analisi statistica di dati e la produzione di grafici. R è disponibile gratuitamente sotto i vincoli della GPL (General Public Licence). Informazioni, risorse e molto altro sono disponibili al sito: (Corso di statistica) Analisi dei dati - R. Massari 3 / 96

4 INTRODUZIONE Generalità Istruzioni per l installazione su Windows 1 La versione più recente di R può essere scaricata dalla pagina 2 Una volta scaricato il file.exe sul proprio computer è sufficiente lanciare il programma di installazione. 3 Sono comunque presenti dettagliate spiegazioni sul sito di distribuzione del programma. (Corso di statistica) Analisi dei dati - R. Massari 4 / 96

5 INTRODUZIONE Generalità Avvertenze R è case sensitive. E un ambiente interattivo, ossia i comandi producono una risposta immediata. In R un analisi è fatta attraverso una serie di passi, con risultati intermedi che sono immagazzinati in oggetti. 1 Rispetto ad altri programmi (SPSS, ecc.), R fornisce un output minimo. 2 I rimanenti risultati possono essere successivamente richiamati tramite opportuni comandi. (Corso di statistica) Analisi dei dati - R. Massari 5 / 96

6 INTRODUZIONE Generalità Bibliografia 1 Iacus, Masarotto Laboratorio di Statistica con R, McGraw-Hill Italia, Crivellari Analisi statistica dei dati con R, Apogeo, In rete sono inoltre disponibili numerose dispense per i primi passi in R. In particolare, nel sito si possono trovare anche dispense in italiano (sezione Other languages). (Corso di statistica) Analisi dei dati - R. Massari 6 / 96

7 Accedere ad R INTRODUZIONE Nozioni preliminari di R Avviato il programma R, apparirà una finestra (consolle) con il simbolo di prompt > che indica che l ambiente è pronto per ricevere delle istruzioni. (Corso di statistica) Analisi dei dati - R. Massari 7 / 96

8 Primi passi INTRODUZIONE Nozioni preliminari di R Una volta concluso il comando si digita il tasto di Invio : 1 Se il comando è completo, comparirà una nuova riga di comando con il simbolo di prompt. 2 Altrimenti comparirà una nuova riga di comando con il simbolo + che sta a significare che il comando deve essere completato. Per richiamare i comandi già inseriti, basta usare i tasti e per scorrere in avanti e indietro. (Corso di statistica) Analisi dei dati - R. Massari 8 / 96

9 INTRODUZIONE Nozioni preliminari di R Operare con R La console di R può essere utilizzata come semplice calcolatrice. Alcuni esempi: [1] 4 2 * 2 [1] 4 (2-3)/6 [1] ^2 [1] 4 sqrt(9) [1] 3 sin(pi/2) [1] 1 log(1) [1] 0 (Corso di statistica) Analisi dei dati - R. Massari 9 / 96

10 INTRODUZIONE Nozioni preliminari di R Operatori aritmetici Per le quattro operazioni base si utilizzano i segni: + - * / Per l elevamento a potenza si utilizza ^. Esempio: 3^2 Per la radice quadrata si impiega il comando sqrt(). Esempio: sqrt(9) Gli operatori di confronto tra due oggetti numerici sono: == < <= > >=!= (Corso di statistica) Analisi dei dati - R. Massari 10 / 96

11 INTRODUZIONE Nozioni preliminari di R Salvare oggetti in R I risultati dei calcoli fatti con R possono essere salvati con un nome scelto dall utilizzatore, per essere richiamati in qualsiasi momento durante la sessione di lavoro. Per assegnare un nome al risultato dell operazione si impiega il comando <- esempio < esempio [1] 4 I nomi possono contenere un qualunque carattere alfa-numerico. Non devono mai iniziare con un numero, né contenere spazi vuoti. E bene non dare ad una variabile il nome di una funzione o di un operatore (ad esempio, c o sum, etc). In generale, è possibile salvare con un nome numeri, vettori, matrici, funzioni, ecc. (Corso di statistica) Analisi dei dati - R. Massari 11 / 96

12 INTRODUZIONE Nozioni preliminari di R Lo spazio di lavoro Gli oggetti vengono salvati nello spazio di lavoro (workspace). Il comando ls() permette di visualizzare i nomi degli oggetti memorizzati. Lo spazio di lavoro, di default, si trova nella cartella: C:\Programmi\R\R-(numero versione). Per eliminare uno o più oggetti dallo spazio di lavoro si utilizza il comando rm(). Esempio: rm(x, y, z) Per eliminare tutti gli elementi salvati si scrive: rm(list = ls()) (Corso di statistica) Analisi dei dati - R. Massari 12 / 96

13 INTRODUZIONE Nozioni preliminari di R Salvataggio dello spazio di lavoro Alla fine di ogni sessione R chiede se si vuole salvare lo spazio di lavoro. 1 Lo spazio di lavoro viene salvato in un file chiamato.rdata nella cartella corrente. 2 Viene inoltre generato un altro file.rhistory, che contiene tutti i comandi digitati. 3 Quando si riapre R, cliccando sul file.rdata, lo spazio di lavoro ed i comandi vengono automaticamente caricati. E bene salvare spazi di lavoro relativi a lavori diversi in cartelle diverse, per non generare confusione. (Corso di statistica) Analisi dei dati - R. Massari 13 / 96

14 Cartella di lavoro INTRODUZIONE Nozioni preliminari di R Per cambiare cartella di lavoro, dal menù di R, cliccare su Cambia directory, nel menù File : (Corso di statistica) Analisi dei dati - R. Massari 14 / 96

15 Cartella di lavoro/2 INTRODUZIONE Nozioni preliminari di R Successivamente si sceglie la cartella su cui salvare lo spazio di lavoro: (Corso di statistica) Analisi dei dati - R. Massari 15 / 96

16 INTRODUZIONE Nozioni preliminari di R Cartella di lavoro/3 In alternativa, direttamente dalla linea di comando: setwd([path]) dove [path] indica la cartella di lavoro di destinazione. Se, ad esempio, si vuole salvare il lavoro nella cartella laboratorior in C:: setwd("c:/laboratorior") oppure setwd("c:\\laboratorior") Per vedere qual è la cartella di lavoro corrente, si usa il comando getwd(). (Corso di statistica) Analisi dei dati - R. Massari 16 / 96

17 GLI OGGETTI IN R Funzioni e pacchetti Funzioni Una funzione è un insieme di comandi elementari. In R sono disponibili un gran numero di funzioni per risolvere la maggior parte dei problemi di analisi dei dati. Esempi di funzioni: sum(x) mean(y) dist(a, method = "euclidean") (Corso di statistica) Analisi dei dati - R. Massari 17 / 96

18 GLI OGGETTI IN R Funzioni e pacchetti Funzioni/2 La sintassi di una funzione è del tipo: nomefunzione(argomento1, argomento2, argomento3,...) Gli argomenti di una funzione, possono essere oggetti come vettori, matrici, altre funzioni, parametri o operatori logici. Non è sempre necessario specificare tutti gli argomenti di una funzione. Per richiamare l help in linea su una funzione è sufficiente scrivere:?nomefunzione. (Corso di statistica) Analisi dei dati - R. Massari 18 / 96

19 GLI OGGETTI IN R Funzioni e pacchetti Pacchetti Le funzioni di R sono organizzate in pacchetti, i più importanti dei quali sono già disponibili quando si accede al programma. Per alcune funzioni è però necessario caricare prima il pacchetto. Si può utilizzare direttamente il comando: library(nomepacchetto) Oppure il comando: require(nomepacchetto) Per avere informazioni generali sul pacchetto: help(package = "nomepacchetto") (Corso di statistica) Analisi dei dati - R. Massari 19 / 96

20 Pacchetti/2 GLI OGGETTI IN R Funzioni e pacchetti In alternativa, dal menù Pacchetti si sceglie l opzione Carica pacchetto : (Corso di statistica) Analisi dei dati - R. Massari 20 / 96

21 Pacchetti/3 GLI OGGETTI IN R Funzioni e pacchetti In tal caso apparirà una finestra con la lista dei pacchetti già installati. (Corso di statistica) Analisi dei dati - R. Massari 21 / 96

22 Installare pacchetti GLI OGGETTI IN R Funzioni e pacchetti Per installare un pacchetto non presente nella versione di R, dal menù Pacchetti si seleziona Installa pacchetti. (Corso di statistica) Analisi dei dati - R. Massari 22 / 96

23 Installare pacchetti/2 GLI OGGETTI IN R Funzioni e pacchetti Successivamente, si dovrà selezionare il mirror da cui scaricare il pacchetto. (Corso di statistica) Analisi dei dati - R. Massari 23 / 96

24 Installare pacchetti/3 GLI OGGETTI IN R Funzioni e pacchetti Infine si seleziona il pacchetto dalla lista. (Corso di statistica) Analisi dei dati - R. Massari 24 / 96

25 Installare pacchetti/4 GLI OGGETTI IN R Funzioni e pacchetti In alternativa, si può scaricare il file compresso del pacchetto dal seguente sito: una volta che il file è stato scaricato sul proprio computer, dal menù Pacchetti si seleziona Installa pacchetti da file zip locali (Corso di statistica) Analisi dei dati - R. Massari 25 / 96

26 GLI OGGETTI IN R Inserimento dei dati in R Vettori Un vettore è un insieme ordinato di numeri. In R i vettori sono considerati vettori-colonna. Per definire un vettore si usa il comando c(). Esempio: x <- c(1, 2, 3, 4) x [1] Un vettore può anche contenere valori logici o caratteri. (Corso di statistica) Analisi dei dati - R. Massari 26 / 96

27 GLI OGGETTI IN R Inserimento dei dati in R Operazioni tra vettori Gli operatori aritmetici base possono essere utilizzati per compiere operazioni tra vettori. Esempio: y <- c(2, 3, 4, 5) x + y [1] x * y [1] Per il prodotto scalare tra due vettori, si impiega l operatore %*%. Esempio: t(x) %*% y [,1] [1,] 40 dove la funzione t() opera la trasposizione del vettore. (Corso di statistica) Analisi dei dati - R. Massari 27 / 96

28 GLI OGGETTI IN R Inserimento dei dati in R Estrazione di elementi da un vettore Gli elementi di un vettore possono essere selezionati tramite un vettore di indici racchiuse tra parentesi quadre. Esempi: y[1] [1] 2 y[y <= 3] [1] 2 3 y[c(1, 3)] [1] 2 4 (Corso di statistica) Analisi dei dati - R. Massari 28 / 96

29 GLI OGGETTI IN R Inserimento dei dati in R L operatore seq seq genera un vettore che contiene una sequenza regolare di numeri, generata in base a determinate regole. Esempi: seq(1, 5) [1] seq(1, 3, length = 5) [1] seq(1, 3, by = 0.5) [1] :5 [1] Si osservi che seq(1, 5) e 1:5 forniscono lo stesso risultato. (Corso di statistica) Analisi dei dati - R. Massari 29 / 96

30 GLI OGGETTI IN R Inserimento dei dati in R L operatore rep rep genera un vettore in cui un numero, o una sequenza di numeri, o un vettore viene ripetuta un dato numero di volte. Esempi: rep(1, 5) [1] rep(c(1, 2), 2) [1] rep(x, 2) [1] (Corso di statistica) Analisi dei dati - R. Massari 30 / 96

31 GLI OGGETTI IN R Inserimento dei dati in R Matrici Una matrice è un insieme di numeri con due dimensioni. Il comando per generare una matrice è matrix: Di norma una matrice viene generata con la seguente sintassi: A <- matrix(x, nrow = n, ncol = m, byrow =...) dove: x è un vettore di dati; nrow e ncol sono, rispettivamente il numero di righe e di colonne (in genere è sufficiente definire solo uno dei due); byrow è un operatore logico. Di default è FALSE, per cui la matrice viene costruita per colonna. (Corso di statistica) Analisi dei dati - R. Massari 31 / 96

32 Esempi di matrici GLI OGGETTI IN R Inserimento dei dati in R A <- matrix(1:8, nrow = 2) A [,1] [,2] [,3] [,4] [1,] [2,] B <- matrix(1:8, nrow = 2, byrow = TRUE) B [,1] [,2] [,3] [,4] [1,] [2,] B <- matrix(1:8, ncol = 4, byrow = T) B [,1] [,2] [,3] [,4] [1,] [2,] (Corso di statistica) Analisi dei dati - R. Massari 32 / 96

33 Matrici/2 GLI OGGETTI IN R Inserimento dei dati in R Una matrice può anche essere generata unendo più vettori o matrici. I comandi cbind e rbind, rispettivamente, generano una matrice unendo i vettori (le matrici) per colonna e per riga. Esempi: rbind(x,y) [,1] [,2] [,3] [,4] x y cbind(x,y) x y [1,] 1 2 [2,] 2 3 [3,] 3 4 [4,] 4 5 rbind(x,a) [,1] [,2] [,3] [,4] x (Corso di statistica) Analisi dei dati - R. Massari 33 / 96

34 GLI OGGETTI IN R Inserimento dei dati in R Operazioni tra matrici L operatore %*% permette il prodotto matriciale tra due matrici conformi, o tra un vettore ed una matrice. Esempi: A%*%t(B) [,1] [,2] [1,] [2,] t(a)%*%b [,1] [,2] [,3] [,4] [1,] [2,] [3,] [4,] x%*%t(a) [,1] [,2] [1,] (Corso di statistica) Analisi dei dati - R. Massari 34 / 96

35 GLI OGGETTI IN R Inserimento dei dati in R Estrazione di dati da una matrice Per l estrazione dei dati bisogna tener conto del fatto che la matrice ha due dimensioni. A[i, j] estrae l elemento che si trova nell i-ma riga e nella j-ma colonna. Esempi: A [,1] [,2] [,3] [,4] [1,] [2,] A[1, 2] [1] 3 A[1, c(3, 4)] [1] 5 7 A[2, ] [1] A[,3] [1] 5 6 (Corso di statistica) Analisi dei dati - R. Massari 35 / 96

36 GLI OGGETTI IN R Inserimento dei dati in R Data-frame I data-frame sono delle matrici in cui le colonne possono essere di natura differente. Sono particolarmente utili per trattare matrici di dati, in cui le colonne rappresentano le variabili e le righe le unità. Per questo motivo, di solito solo le colonne sono identificate con un nome. Il comando per generare un data-frame è data.frame. L estrazione di dati da un data-frame può essere effettuata nello stesso modo in cui si opera per le matrici. L estrazione di una colonna da un data-frame può anche essere fatta in questo modo: nomedata-frame$nomecolonna (Corso di statistica) Analisi dei dati - R. Massari 36 / 96

37 GLI OGGETTI IN R Inserimento dei dati in R Liste Le liste sono insiemi di oggetti di natura e dimensione diversa. Sono spesso usate per raccogliere i risultati di un analisi. Per generare una lista si impiega il comando list. Per estrarre un oggetto da una lista: nomelista$nomeoggetto, oppure nomelista[[numerooggetto]] (Corso di statistica) Analisi dei dati - R. Massari 37 / 96

38 LAVORARE CON R Importare ed esportare dati con R Importare dati in R R legge i dati in ogni formato. Per i dati salvati da altri pacchetti statistici è necessario caricare il pacchetto foreign. I file di testo possono essere letti direttamente senza caricare alcun pacchetto aggiuntivo. I file di dati importati vengono convertiti in un data-frame. E conveniente mettere il file di dati nella cartella di lavoro corrente. (Corso di statistica) Analisi dei dati - R. Massari 38 / 96

39 LAVORARE CON R Importare ed esportare dati con R La funzione read.table Se il file è di testo con estensione.txt può essere importato in R con la funzione read.table. La sintassi del comando è: read.table("[path]\\nomefile.txt")) dove [path] indica il percorso per individuare il file. Esempio: "C:/laboratorioR/dati.txt" o "C:\\laboratorioR\\dati.txt" Se il file di dati si trova nella cartella corrente, basta scrivere: read.table("dati.txt") In alcuni casi occorre anche specificare l elemento separatore tra le colonne, con l argomento sep, o l elemento separatore dei decimali, con dec. Inoltre, a volte bisogna specificare se la prima riga contiene i nomi delle variabili. Alcuni esempi saranno introdotti durante le lezioni. (Corso di statistica) Analisi dei dati - R. Massari 39 / 96

40 Esempio LAVORARE CON R Importare ed esportare dati con R state è un data-set che riporta alcune statistiche socio-demografiche dei 51 stati degli USA: 1 VR = tasso di crimini violenti; 2 MR = tasso di omicidi; 3 M = % di popolazione residente nelle aree metropolitane 4 W = % di bianchi; 5 H = % di persone che hanno completato la scuola secondaria superiore; 6 P = tasso di povertà 7 S = % di famiglie il cui capfoamiglia è single; 8 REGION, DIVISION = macro-aree amministrative. (Corso di statistica) Analisi dei dati - R. Massari 40 / 96

41 LAVORARE CON R Importare ed esportare dati con R Esempio/2 state <- read.table("c:/laboratorior/state.txt", header = TRUE, row.names = 1) state VR MR M W H P S REGION DIVISION AK West Pac AL South EasSouCen AR South WesSouCen AZ West Mou... WV South SouAtl WY West Mou DC South SouAtl L opzione header = TRUE serve a specificare che la prima riga della matrice dei dati contiene i nomi delle variabili. L opzione row.names = 1 specifica che nella prima colonna del data-set sono presenti le etichette delle unità. (Corso di statistica) Analisi dei dati - R. Massari 41 / 96

42 LAVORARE CON R Importare ed esportare dati con R Altre funzioni per l importazione dei dati Più in generale, la funzione read.table può essere impiegata per file di testo di qualunque formato, specificando in maniera opportuna i vari argomenti. Ma può essere utile impiegare funzioni più specifiche. Se il file ha estensione.csv, si può anche usare la funzione read.csv, o la funzione read.cvs2, a seconda delle impostazioni internazionali del sistema operativo. La sintassi è simile a quella di read.table Anche la funzione scan può essere impiegata per importare file di testo, anche se il suo impiego è in generale sconsigliato agli utenti poco esperti. Per una più approfondita descrizione di queste funzioni si rimanda all help in linea. (Corso di statistica) Analisi dei dati - R. Massari 42 / 96

43 LAVORARE CON R Importare ed esportare dati con R Importare file da Excel I file con estensione.xls non possono essere importati con le funzioni viste sopra. In questo caso si può impiegare la funzione read.xls dal pacchetto xlsreadwrite. In alternativa, la funzione odbcconnect dal pacchetto RODBC, che può essere impiegata anche per file provenienti da Access, o da altri programmi di gestione di data-base. (Corso di statistica) Analisi dei dati - R. Massari 43 / 96

44 LAVORARE CON R Importare ed esportare dati con R Esportare file di dati Per esportare un data-frame da R si impiega la funzione write.table La sintassi è: write.table(nomedata-frame, "[path]\\nomefile.txt") dove [path] indica la directory dove si vuole salvare il file. Esempio: write.table(dati, "C:\\laboratorioR\\dati.txt") Se si vuole salvare il file nella cartella corrente, basta scrivere: write.table(nomedata-frame, "dati.txt") Attenzione: R non avverte se si sovra-scrive su un file esistente. (Corso di statistica) Analisi dei dati - R. Massari 44 / 96

45 LAVORARE CON R Importare ed esportare dati con R Esportare di file di dati/2 Analogamente a quanto visto sopra, è possibile esportare i dati anche in altri formati. File con estensione.csv con write.table, write.csv o write.csv2 File con estensione.xls con write.xls, dal pacchetto xlsreadwrite o sqlsave dal pacchettorodbc (Corso di statistica) Analisi dei dati - R. Massari 45 / 96

46 LAVORARE CON R Importare ed esportare dati con R Editor di testi E utile scrivere i comandi in un editor di testo, e poi copiarli sulla console di R. In tal modo sarà possibile salvare script contenenti i comandi per l analisi. R contiene un editor di testo, che non è molto efficiente. Sono disponibili in rete programmi freeware specifici per R, tra i quali Tinn-R ( (Corso di statistica) Analisi dei dati - R. Massari 46 / 96

47 LAVORARE CON R Analisi dei dati Struttura del data-set La funzione str permette di analizzare la struttura del data-set (ed in generale di un oggetto di R): str(state) data.frame : 51 obs. of 9 variables: $ VR : int $ MR : num $ M : num $ W : num $ H : num $ P : num $ S : num $ REGION : Factor w/ 4 levels "Midwest","Northeast",..: 4... (Corso di statistica) Analisi dei dati - R. Massari 47 / 96

48 LAVORARE CON R Struttura del data-set/2 Analisi dei dati Nella prima riga è indicata la classe dell oggetto (in questo caso data.frame), il numero delle osservazioni e delle variabili. Nella prima colonna ci sono i nomi delle variabili, e nella seconda la natura delle stesse. In questo caso si ha: 1 int se la variabile è quantitativa discreta, o comunque un intero; 2 num se è continua; 3 Factor se è una variabile categorica (eventualmente può anche essere ordinata); 4 dopo la classe della variabile, sono riportati i primi valori di ciascuna variabile. (Corso di statistica) Analisi dei dati - R. Massari 48 / 96

49 LAVORARE CON R Analisi dei dati Le funzioni head, tail e fix Le funzioni head e tail mostrano le prime e le ultime righe della matrice dei dati, rispettivamente. Infine, la funzione fix apre una finestra simile ad un foglio di lavoro Excel, che permette di visualizzare l intero data-set. E particolarmente utile nel caso di matrici di dati molto grandi. (Corso di statistica) Analisi dei dati - R. Massari 49 / 96

50 LAVORARE CON R Analisi dei dati Alcune funzioni per l analisi statistica dei dati mean() calcola la media di un vettore di dati. median() calcola la mediana di un vettore di dati var() calcola la varianza di un vettore di dati, la covarianza tra due vettori, o la matrice di varianze e covarianze di una matrice di dati. cor() calcola la correlazione tra due vettori, o la matrice di correlazione di una matrice di dati. sd() calcola lo scarto quadratico medio (standard error) di un vettore di dati. summary() riporta le principali statistiche descrittive di un vettore o di una matrice di dati. (Corso di statistica) Analisi dei dati - R. Massari 50 / 96

51 LAVORARE CON R Analisi dei dati Esempio di analisi dei dati A scopo puramente introduttivo, proviamo ad applicare alcune funzioni per l analisi statistica dei dati al data-set state. Analizziamo inizialmente solo il tasso di omicidi: MR <- state$mr summary(mr) Min. 1st Qu. Median Mean 3rd Qu. Max sd(mr) [1] 10.7 Considerando anche i la percentuale di popolazione nelle aree metropolitane: M <- state$m mean(m) [1] 67.4 cor(mr, M) [1] (Corso di statistica) Analisi dei dati - R. Massari 51 / 96

52 LAVORARE CON R Analisi dei dati Matrice di varianze e covarianze Per il calcolo della matrice di varianze e covarianze occorre selezionare solo le variabili quantitative. state.data <- state[, 1:7] #oppure state.data <- state[, -c(8, 9)] #è lo stesso var(state.data) VR MR M W H P S VR MR M W H P S NB: tutto quello che viene scritto dopo # non viene letto dal programma. (Corso di statistica) Analisi dei dati - R. Massari 52 / 96

53 LAVORARE CON R Matrice di correlazione Analisi dei dati cor(state.data) VR MR M W H P S VR MR M W H P S (Corso di statistica) Analisi dei dati - R. Massari 53 / 96

54 LAVORARE CON R Analisi dei dati Tabelle di frequenza Per variabili categoriche, o quantitative discrete, è possibile ricavare una tabella di frequenze tramite la funzione table. La funzione table può anche essere impiegata per tabelle a doppia entrata, o di dimensioni maggiori. table(state$region) Midwest Northeast South West table(state$region, state$division) EasNorCen EasSouCen MidAtl Mou NewEng Pac SouAtl... Midwest Northeast South West (Corso di statistica) Analisi dei dati - R. Massari 54 / 96

55 La funzione apply LAVORARE CON R Analisi dei dati apply permette di calcolare una generica funzione sulle righe o sulle colonne di una matrice. In generale, la sintassi è apply(x, dim, FUN): 1 X è una matrice di dati; 2 dim è la dimensione per la quale si vuole calcolare la funzione (1 = per riga, 2 = per colonna); 3 FUN è la funzione da applicare ai dati. Deve essere coerente con i dati che si vogliono analizzare. apply(state.data, 2, median) VR MR M W H P S (Corso di statistica) Analisi dei dati - R. Massari 55 / 96

56 LAVORARE CON R Analisi dei dati La funzione tapply tapply permette di calcolare una generica funzione sui sottogruppi di prodotti posti sullo stesso scaffale. La sintassi è tapply(x, ID, FUN): 1 x è un vettore di dati; 2 ID è un vettore, della stessa lunghezza di x che permette di assegnare ogni unità ad un dato gruppo; 3 FUN è la funzione da applicare ai dati. Deve essere coerente con i dati che si vogliono analizzare. E molto utile quando la popolazione osservata è stratificata in base ad una, o più caratteristiche. tapply(state$m, state$region, mean) Midwest Northeast South West (Corso di statistica) Analisi dei dati - R. Massari 56 / 96

57 LAVORARE CON R Analisi dei dati Trattamento dei decimali Di default R inserisce un elevato numero di decimali. Per rendere l output più leggibile si può impiegare la funzione round(x, digits): 1 x è l oggetto su cui si applica l operazione di arrotondamento; 2 digits è il numero di decimali da considerare. round(cor(state$m, state$h), 3) [1] (Corso di statistica) Analisi dei dati - R. Massari 57 / 96

58 LAVORARE CON R Analisi dei dati Trattamento dei decimali/2 In alternativa, si può impiegare il comando options(digits), che permette di fissare, per tutta la durata della sessione, o fino a quando non viene cambiata l opzione, il numero di decimali. In questo caso l arrotondamento avviene con le prime cifre utili. options(digits = 3) cor(state$m, state$h) [1] (Corso di statistica) Analisi dei dati - R. Massari 58 / 96

59 LAVORARE CON R Creare grafici con R Rappresentazioni grafiche in R R è in grado di produrre diversi tipi di grafico. I comandi per i grafici possono essere divisi in tre gruppi: 1 funzioni di alto livello, che creano un nuovo grafico sulla finestra grafica; 2 funzioni di basso livello, che aggiungono parti ad un grafico già esistente; 3 funzioni per grafici interattivi, che consentono di aggiungere interattivamente informazioni, o di estrarne, da un grafico esistente. In R è disponibile una lunga serie di parametri grafici, che possono essere modificati dall utilizzatore. Si rimanda all help in linea della funzione par per una lista di tali argomenti. (Corso di statistica) Analisi dei dati - R. Massari 59 / 96

60 LAVORARE CON R Creare grafici con R Rappresentazioni grafiche in R/2 La funzione di alto livello principale è plot(). A seconda dell analisi condotta, si possono impiegare altre funzioni di alto livello, più specifiche. Ogni volta che si utilizza la funzione plot(), o qualsiasi altra funzione di alto livello, si apre una nuova finestra grafica, che sostituisce quella precedentemente aperta. (Corso di statistica) Analisi dei dati - R. Massari 60 / 96

61 LAVORARE CON R Creare grafici con R Rappresentazioni grafiche in R/3 Per salvare la cronologia dei grafici, dal menù Salva cronologia si seleziona Registro, quando la finestra grafica è attiva. (Corso di statistica) Analisi dei dati - R. Massari 61 / 96

62 LAVORARE CON R Creare grafici con R Scatterplot semplice Come esempio di analisi grafica in R, consideriamo lo scatterplot, o grafico a dispersione, che permette la rappresentazione di una matrice di dati bi-dimensionale. La sintassi di base è: plot(x, y,...) dove x e y sono due vettori che rappresentano le coordinate dei punti nel grafico. Una formulazione alternativa è: plot(y~x, data) Questa formulazione è particolarmente utile quando i dati sono variabili prese da una matrice di dati, perché alleggerisce la sintassi. In questo caso, va specificato nell argomento data il nome della matrice dei dati di origine. (Corso di statistica) Analisi dei dati - R. Massari 62 / 96

63 Esempio LAVORARE CON R Creare grafici con R plot(state$vr, state$mr) #oppure plot(mr~vr, data = state) #danno lo stesso risultato MR VR (Corso di statistica) Analisi dei dati - R. Massari 63 / 96

64 LAVORARE CON R Creare grafici con R Argomenti grafici opzionali Tra gli altri argomenti, quelli di uso più comune sono: 1 type che specifica il tipo di grafico. Di default il grafico è a punti, il che equivale a scrivere type="p". Altre possibili opzioni possono essere type="l", per disegnare delle line, type="l" per disegnare sia linee che punti o type="n" per lasciare il grafico vuoto e riempirlo successivamente con altre funzioni di basso livello; 2 main per inserire il titolo del grafico; 3 xlab e ylab per inserire le intestazioni dell asse delle ascisse e delle ordinate rispettivamente. (Corso di statistica) Analisi dei dati - R. Massari 64 / 96

65 Esempio LAVORARE CON R Creare grafici con R plot(mr~vr, xlab = "Tasso di omicidi", ylab = "Tasso di crimini violenti", main = "Indici di criminalità", data = state) Indici di criminalità Tasso di crimini violenti Tasso di omicidi (Corso di statistica) Analisi dei dati - R. Massari 65 / 96

66 LAVORARE CON R Creare grafici con R Identificare le unità sul grafico plot(mr~vr, xlab = "Tasso di omicidi", ylab = "Tasso di crimini violenti", main = "Indici di criminalità", data = state) identify(x = state$vr, y = state$mr, labels = row.names(state)) La funzione identify permette di individuare interattivamente gli stati corrispondenti ai punti, con il puntatore del mouse. Nella funzione vanno specificate le coordinate dei punti e le etichette, tramite l opzione labels. Di norma le etichette vengono ricavate dai nomi delle righe del data-set, se ci sono. Usando il tasto destro del mouse compare un menù a tendina, che permette di interrompere l individuazione dei punti in qualsiasi momento. (Corso di statistica) Analisi dei dati - R. Massari 66 / 96

67 LAVORARE CON R Creare grafici con R Identificare le unità sul grafico/4 (Corso di statistica) Analisi dei dati - R. Massari 67 / 96

68 LAVORARE CON R Creare grafici con R Identificare le unità sul grafico/3 Indici di criminalità Tasso di crimini violenti DC Tasso di omicidi (Corso di statistica) Analisi dei dati - R. Massari 68 / 96

69 LAVORARE CON R Creare grafici con R Trattamento dei dati anomali Dal momento che, in base anche ad altre considerazioni, i dati relativi al District of Columbia sembrano essere degli outliers, si fa la scelta di eliminarli per le successive elaborazioni. L eliminazione avviene attraverso la funzione subset, che è una funzione molto versatile per il trattamento delle matrici dei dati. Si rimanda all help della funzione per ulteriori informazioni ed esempi. state.data <- subset(state.data, subset = row.names(state.data)!= "DC") (Corso di statistica) Analisi dei dati - R. Massari 69 / 96

70 LAVORARE CON R Creare le proprie funzioni Scrivere proprie funzioni E possibile creare delle funzioni proprie. Si utilizza il comando function(...) specificando i vari argomenti da impiegare nella sintassi. Gli argomenti possono essere fissati di default, oppure lasciati liberi. Nel secondo caso vanno sempre specificati, quando si impiega la funzione. La sintassi va in genere racchiusa tra due parentesi graffe. Se si tratta di una funzione particolarmente semplice, che può essere scritta in una sola riga, non è necessario. N.B.: le funzioni create dall utente vengono salvate solo nello spazio di lavoro corrente. Se non si salva lo spazio di lavoro, bisogna inserirle nuovamente. Lo stesso vale se la funzione viene inserita in uno spazio di lavoro differente. (Corso di statistica) Analisi dei dati - R. Massari 70 / 96

71 LAVORARE CON R Creare le proprie funzioni Scrivere proprie funzioni/2 Nel caso più semplice si può scrivere: nome <- function(arg1, arg2,...) espressione espressione può essere in realtà un gruppo di espressioni racchiuse da parentesi. Più in generale si scriverà: nome <- function(arg1, arg2,...) { espressione1 espressione2 espressione3... } Il risultato della funzione sarà in generale l ultimo valore calcolato. (Corso di statistica) Analisi dei dati - R. Massari 71 / 96

72 LAVORARE CON R Creare le proprie funzioni Esempio: calcolo della media aritmetica media <- function(x) sum(x)/length(x) media1 <- function(x) #x è un vettore di numeri {tot <- sum(x) n <- length(x) #lunghezza del vettore x out <- tot/n return(out)} #restituisce il risultato della funzione #ESEMPIO y <- c(1, 3, 5) media(y) [1] 3 media1(y) [1] 3 (Corso di statistica) Analisi dei dati - R. Massari 72 / 96

73 LAVORARE CON R Creare le proprie funzioni Esempio: calcolo della media aritmetica/2 Un esempio più complesso: calcolo della media aritmetica, eventualmente ponderata. media.pond <- function(x, w = NULL) #w è il vettore dei pesi {if (is.null(w)) #se manca il vettore dei pesi w <- rep(1, length(x)) #crea un vettore di 1. tot <- sum(x * w) out <- tot/sum(w) return(out)} #ESEMPIO y <- c(1, 3, 5) media.pond(y) [1] 3 #senza i pesi coincide con la media aritmetica semplice pesi <- c(1, 1, 2) media.pond(y, pesi) [1] 3.5 In questo caso l argomento w dei pesi è fissato di default come mancante. (Corso di statistica) Analisi dei dati - R. Massari 73 / 96

74 LAVORARE CON R Creare le proprie funzioni Esempio: calcolo della media aritmetica/3 Cosa succede se entrambi gli argomenti sono liberi?. media.pond2 <- function(x, w) {tot <- sum(x * w) out <- tot/sum(w) return(out)} #ESEMPIO media.pond2(y, pesi) [1] 3.5 #se non si specifica l argomento w #si ha un messaggio di errore. media.pond2(y) Errore in media.pond2(y) : element 2 is empty; the part of the args list of * being evaluated was: (x, w) (Corso di statistica) Analisi dei dati - R. Massari 74 / 96

75 STATISTICA INFERENZIALE CON R 4 VARIABILI CASUALI Variabili casuali discrete Variabili casuali continue Esempi Grafici variabili discrete Grafici variabili continue 5 Test di ipotesi e intervalli di confidenza (Corso di statistica) Analisi dei dati - R. Massari 75 / 96

76 Introduzione VARIABILI CASUALI In R sono disponibili funzioni per operare con le principali variabili casuali. In particolare è possibile: 1 calcolarne la densità; 2 ricavare la funzione di ripartizione; 3 calcolare i singoli quantili; 4 generare una sequenza di numeri casuali in base ad una determinata legge. (Corso di statistica) Analisi dei dati - R. Massari 76 / 96

77 VARIABILI CASUALI Variabili casuali discrete Distribuzione binomiale #Densità dbinom(x, size, prob) #Funzione di ripartizione pbinom(q, size, prob) #Quantile qbinom(p, size, prob) #Generazione casuale di numeri rbinom(n, size, prob) x e q: vettori di quantili; p: vettore di probabilità; n: numero di osservazioni; size: numero di prove. Se size = 1 si ha la variabile casuale di Bernoulli; prob: probabilità di successo in ogni prova. (Corso di statistica) Analisi dei dati - R. Massari 77 / 96

78 VARIABILI CASUALI Variabili casuali discrete Distribuzione geometrica #Densità dgeom(x, prob) #Funzione di ripartizione pgeom(q, prob) #Quantile qgeom(p, prob) #Generazione casuale di numeri rgeom(n, prob) x e q: vettori di quantili; p: vettore di probabilità; n: numero di osservazioni; prob: probabilità di successo in ogni prova. (Corso di statistica) Analisi dei dati - R. Massari 78 / 96

79 VARIABILI CASUALI Variabili casuali discrete Distribuzione di Poisson, di parametro λ #Densità dpois(x, lambda) #Funzione di ripartizione ppois(q, lambda) #Quantile qpois(p, lambda) #Generazione casuale di numeri rpois(n, lambda) x e q: vettori di quantili; p: vettore di probabilità; n: numero di osservazioni; lambda: media, non negativa, della distribuzione. (Corso di statistica) Analisi dei dati - R. Massari 79 / 96

80 VARIABILI CASUALI Variabili casuali continue Distribuzione esponenziale #Densità dexp(x, rate) #Funzione di ripartizione pexp(q, rate) #Quantile qexp(p, rate) #Generazione casuale di numeri rexp(n, rate) x e q: vettori di quantili; p: vettore di probabilità; n: numero di osservazioni; rate: reciproco della media della distribuzione. Se non viene specificato alcun valore rate = 1. (Corso di statistica) Analisi dei dati - R. Massari 80 / 96

81 VARIABILI CASUALI Variabili casuali continue Distribuzione normale #Densità dnorm(x, mean, sd) #Funzione di ripartizione pnorm(q, mean, sd) #Quantile qnorm(p, mean, sd) #Generazione casuale di numeri rnorm(n, mean, sd) x e q: vettori di quantili; p: vettore di probabilità; n: numero di osservazioni; mean: media della distribuzione. Se non viene specificato alcun valore mean = 1. sd: errore standard della distribuzione. Se non viene specificato alcun valore sd = 0. (Corso di statistica) Analisi dei dati - R. Massari 81 / 96

82 VARIABILI CASUALI Variabili casuali continue Distribuzione t di Student #Densità dt(x, df) #Funzione di ripartizione pt(q, df) #Quantile qt(p, df) #Generazione casuale di numeri rt(n, df) x e q: vettori di quantili; p: vettore di probabilità; n: numero di osservazioni; df: numero di gradi di libertà. (Corso di statistica) Analisi dei dati - R. Massari 82 / 96

83 VARIABILI CASUALI Variabili casuali continue Distribuzione χ 2 #Densità dchisq(x, df) #Funzione di ripartizione pchisq(q, df) #Quantile qchisq(p, df) #Generazione casuale di numeri rchisq(n, df) x e q: vettori di quantili; p: vettore di probabilità; n: numero di osservazioni; df: numero di gradi di libertà. (Corso di statistica) Analisi dei dati - R. Massari 83 / 96

84 VARIABILI CASUALI Variabili casuali continue Distribuzione F di Fisher #Densità df(x, df1, df2) #Funzione di ripartizione pf(q, df1, df2) #Quantile qf(p, df1, df2) #Generazione casuale di numeri rf(n, df1, df2) x e q: vettori di quantili; p: vettore di probabilità; n: numero di osservazioni; df1, df2: numero di gradi di libertà a numeratore e a denominatore, rispettivamente. (Corso di statistica) Analisi dei dati - R. Massari 84 / 96

85 Alcuni esempi VARIABILI CASUALI Esempi dbinom(3, 10, 0.3) [1] dpois(0, lambda = 3) [1] pnorm(1.64, mean = 0, sd = 1) [1] 0.95 qnorm(0.05, mean = 0, sd = 1) [1] qnorm(0.95,mean = 0, sd = 1) [1] 1.64 (Corso di statistica) Analisi dei dati - R. Massari 85 / 96

86 Alcuni esempi/2 VARIABILI CASUALI Esempi qt(0.05, df = 4) rchisq(2, df = 4) [1] r <- rnorm(10, mean = 4, sd = 4) r [1] [6] (Corso di statistica) Analisi dei dati - R. Massari 86 / 96

87 Poisson VARIABILI CASUALI Grafici variabili discrete k <- 0:10 p <- dpois(k, 2) plot(k, p) p k (Corso di statistica) Analisi dei dati - R. Massari 87 / 96

88 Poisson/2 VARIABILI CASUALI Grafici variabili discrete plot(k, p, type = "h") p k (Corso di statistica) Analisi dei dati - R. Massari 88 / 96

89 Poisson/3 VARIABILI CASUALI Grafici variabili discrete plot(k, p, type = "h", lwd = 10) p k (Corso di statistica) Analisi dei dati - R. Massari 89 / 96

90 Normale standardizzata VARIABILI CASUALI Grafici variabili continue curve(dnorm(x, mean = 0, sd = 1), 5, 5) x (Corso di statistica) Analisi dei dati - R. Massari 90 / 96

91 VARIABILI CASUALI Grafici variabili continue χ 2 curve(dchisq(x, df = 4), 0, 10) x (Corso di statistica) Analisi dei dati - R. Massari 91 / 96

92 Test di ipotesi e intervalli di confidenza La funzione t.test La funzione t.test permette: 1 di costruire un intervallo di confidenza per la media; 2 di eseguire test di ipotesi sia su un singolo campione, sia per il confronto tra due campioni. La sintassi di base della funzione è: t.test(x, y = NULL, mu, alternative, conf.level) (Corso di statistica) Analisi dei dati - R. Massari 92 / 96

93 Test di ipotesi e intervalli di confidenza Argomenti della funzione I principali argomenti della funzione sono: 1 x, vettore di dati; 2 y, vettore (opzionale) di dati, quando si vuole effettuare il confronto tra due campioni; 3 mu è l ipotesi nulla sul valore della media. Di default mu = 0; 4 alternative serve a specificare l ipotesi alternativa. Può essere "two.sided", "less" o "greater"; 5 conf.level è il livello di confidenza dell intervallo. Di default è posto uguale a (Corso di statistica) Analisi dei dati - R. Massari 93 / 96

94 Esempio Test di ipotesi e intervalli di confidenza exams <- read.table("exams.txt", header = TRUE) exams Economia.I Economia.II Statistica.I Statistica.II Marketing Chiara Piero Sabrina Elena Sara Marta attach(exams) #permette di accedere direttamente alle variabili #alla fine dell esercizio scivere #detach(exams) (Corso di statistica) Analisi dei dati - R. Massari 94 / 96

95 Test di ipotesi e intervalli di confidenza Esempio: intervallo di confidenza t.test(economia.i, conf.lev = 0.95) One Sample t-test data: Economia.I t = 12.3, df = 5, p-value = 6.356e-05 alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: sample estimates: mean of x 24.8 (Corso di statistica) Analisi dei dati - R. Massari 95 / 96

96 Test di ipotesi e intervalli di confidenza Esempio: test di ipotesi t.test(economia.i, Economia.II, alternative = "greater") Welch Two Sample t-test data: Economia.I and Economia.II t = , df = 9.9, p-value = alternative hypothesis: true difference in means is greater than 0 95 percent confidence interval: Inf sample estimates: mean of x mean of y (Corso di statistica) Analisi dei dati - R. Massari 96 / 96