stDesciptiva.Rmd

---
title: 'Tecnica descriptiva y inferencial - Modelo de regresion simple'
author: "Anthony Servitá"
date: "5/8/2020"
output: html_document
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

```{r echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE}
install.packages("skimr")
install.packages("tidyr")
install.packages("lubridate")
install.packages("ggplot2")
install.packages("tidyverse")

library(tidyverse)
library(dplyr)
library(skimr)
library(lubridate)
library(ggplot2)
library(tidyr)

```

1. importación de los datos. 
  la data es recolectada desde el repositorio UCI Machine Learning https://archive.ics.uci.edu/ml/datasets/wine , 
  la misma recolecta información de los componente que constituyen el 3 tipos de vinos. 
```{r wine}
download.file("https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data", "wine.data")
readLines("wine.data", n = 10)
wine <- read.table("wine.data", sep = ",", header = FALSE)
head(wine)
```
Las observaciones al dataset , indican que la variable 1 es que que posee la variable dependiente "tipo de vino".
```{r}
# resumen de los datos.
summary(wine)
```

El resto de la columnas son las composiciones químicas de estos 3 tipos de vino. Se habla de 3 tipos de vino,
pues la tabla indica que la comparación del valor mínimo, máximo y la mediana coinciden en valores  1, 2, 3; y debido
a que es una variable del tipo entero no puede contener valores del tipo double "coma flotante". mas a delante, en 
la visualización nos aseguramos de esto.

El archivo "wine.names", contiene la metadata de los datos, estos mismo contiene la información especifica de 13 
variables. Ahora bien, en nuestro dataset tenemos 14 variables. la cual, desconocemos su procedencia y su nombre;
esto llevara a la eliminación de la misma, ya que por los momentos su información es irrelevante para el análisis.

el resto de la variables si corresponden con los metadatos. 

Nombraremos las variables.

```{r}
varnames <- c("Alcohol", "Malicacid", "Cenizas", "AlcalinidadCenizas",
              "Magnesio", "TotalFenoles", "Flavonoides", "FenolesNoFlavonoides",
              "Proantocianinas", "IntensidadColor", "Tono", "OD280/OD315ofVinosDiluidos",
              "Prolina", "none")
colnames(wine) <- varnames
df <- wine

glimpse(df)
```
visualizamos que los tipos de variables corresponden a los tipos de datos en el dataset df.

1. Compresión de los datos.
  en este apartado se expondrán a conocer con exactitud los datos.
```{r}
skim(df)
```
Como se puede observar en la tabla descriptiva, los datos que quizas posean una distribución normal, pertenecen a la variable
Malicacid, AlcalinidadCenizas, Magnesio, Proantocianinas, Intensidad de color.

1.2.    Comprensión la primera variable: "Malicacid" 
  La cual mide la concentración de ácido málico que contienen los tres tipo de vino.
  El ácido málico comúnmente esta en la pulpa de la uva, y pasa a fermentación en el vino transformándose en ácido láctico. 
  Este producto es el determinante de la acidez del vino. 
```{r}
df %>%
  arrange(Malicacid) %>%
  filter(Alcohol == 2)

df %>% 
  select(Malicacid) %>%
  filter(Alcohol == 2) %>%
  summarize(mean(Malicacid), mfv(Malicacid), median(Malicacid))
  
  
df %>%
  select(Malicacid) %>%
  filter(Alcohol == 2) %>%
  gather() %>%
  ggplot(aes(value)) + 
  geom_density()

shapiro.test(df[Alcohol == 2,2][])

		
# mean = 12.27873	moda = 12.37	median = 12.29	
```
Como se observa, las concentraciones de "ácido málico" van cercanos a 11.00 hasta 14, estas concentraciones son distinguibles para el tipo de vino 2.

```{r}
df %>%
  arrange(Malicacid) %>%
  filter(Alcohol == 3)

df %>%
  select(Malicacid) %>%
  filter(Alcohol == 3) %>%
  summarize(mean(Malicacid), mfv(Malicacid), median(Malicacid))

df %>%
  select(Malicacid) %>%
  filter(Alcohol == 3) %>%
  gather() %>%
  ggplot(aes(value)) + 
  geom_density()

shapiro.test(df[Alcohol == 2,2][])

# mean = 13.15, moda = 12.25; 13.17; 13.40, median = 13.165
```
Con respecto al tipo de vino 3, las concentraciones de 'ácido málico' osilan entre 12 y 14.5.

```{r}
df %>%
  arrange(Malicacid) %>%
  filter(Alcohol == 1)

df %>%
  select(Malicacid) %>%
  filter(Alcohol == 1) %>%
  summarize(mean(Malicacid), mfv(Malicacid), median(Malicacid))

df %>%
  select(Malicacid) %>%
  filter(Alcohol == 1) %>%
  gather() %>%
  ggplot(aes(value)) + 
  geom_density()

shapiro.test(df[Alcohol == 1,2][])

# mean = 13.74, moda = 13.05, median = 13.75
```
El vino de tipo 1 contiene concentraciones de ácido málico que oscilan entre los 12.80 y 14.85..
 
Conclusiones: A pesar de que el ácido málico es característico de cada tipo de vino , 
pues sus variaciones en las concentraciones determinan (entre otras cosas)
el grado de acidez que contenga el vino. Debido a esto podemos decir, que los distintos tipos de vinos 
1, 2, 3 no son muy diferentes con respecto a su grado de acidez, lo que nos lleva a pensar que esta variable,
no podría ser un buen clasificador de la variable dependiente.

Observamos como se distribuye la variable 'Macil Acido' en los datos completos
```{r}
df %>%
  select(Malicacid) %>%
  gather() %>%
  ggplot() + geom_density(aes(value)) +
  facet_wrap(~key, scales = 'free') +
  theme_modern_rc()

df %>%
  select(Malicacid) %>%
  summarize(mean(Malicacid), mfv(Malicacid), median(Malicacid))

shapiro.test(df$Malicacid)

# mean = 13.00 moda = 12.37, 13.05 median = 13.05
```
Por lo tanto, no se acepta la hipotesis nula (H0) de normalidad de datos. es bimodal, y tiene una tendencia asimetrica hacia la izquierda.

Otra variable que muestra mucho interes, es la cenizas el cual es el resultado final de la evaporacion porvocado por la incineracion del vino.

```{r}
df %>%
  select(Cenizas) %>%
  gather() %>%
  ggplot() + geom_density(aes(value)) +
  facet_wrap(~key, scales = 'free') +
  theme_modern_rc()
  
df %>% 
  select(Alcohol, Cenizas) %>%
  filter(Alcohol == 1) %>%
  summarise(range(Cenizas), length(Cenizas), mean(Cenizas), median(Cenizas), mfv(Cenizas))
  

# El rango de valores de la variable Cenizas con respecto al tipo de alcohol 2 va desde, 1.35 y 4.04.
# Con una media = 2.01 una media = 1.77 y una moda = 1.73
```

```{r}
df %>%
  select(Alcohol, Cenizas) %>%
  filter(Alcohol == 2) %>%
  summarise(range(Cenizas), length(Cenizas), mean(Cenizas), median(Cenizas), mfv(Cenizas))

# El rango de valores de la variable Cenizas con respecto al tipo de alcohol 2 va desde, 0.74 asta 5.80
# con una media = 1.93 una mediana = 1.61 y moda == bimodal = 1.51, 1.61
```
```{r}
df %>%
  select(Alcohol, Cenizas) %>%
  filter(Alcohol == 3) %>%
  summarise(range(Cenizas), length(Cenizas), mean(Cenizas), median(Cenizas), mfv(Cenizas))
# el rango de valores de la variable Cenizas va desde 1.24 hasta 5.65.
# Con media = 3.375 media = 3.265 y moda = 0.03


```
Conclusiones: Como puede observarse, cada tipo de alcohol posee valores similares de cenizas durante la evaporación obtenida por la incineración del vino.
el tipo de alcohol 2 es el único que posee valores un poco menores a los que se encuentran en los otros dos tipos de vino. Los valores de los otros dos tipos 
de vino no bajan del 1.24 para el de tipo 3 y de 1.35 para el de tipo 1, probablemente por la diferencia de datos que existen entre ellos, tomando en cuenta 
que no son valores muy alejado. aun así, no existe evidencia hasta ahora que que haya un desbalanceo 'pronunciado' entre los datos colectados para los 3 tipos de vino.

Análisis de correlación de variables

```{r}
df %>%
  cor() %>%
  round(digits = 2)

#graficamos estas correlaciones
ggcorr(df, method = c("everything", "pearson"))
```
Conclusiones: la correlaciones mayormente pronunciadas se encuentran entre las variables: 
  1.- [acido malico] con respecto al tono (R²(+)).
  2.- Cenizas con respecto al [Flavonoides] (R²(-)), [Fenoles no flavonoides] (R²(-)) y OD280.OD315 de vino diluidos (R²(-))
  3.- Alcalindad de cenizas con respecto al Magnesio (R²(+)).
  4.- El [Magnesio] con respecto a los [Flavonoides] (R²(-)), [fenoles no flavonoides] (R²(-)).
  5.- [Flavonoides] con respecto a los [fenoles no flavonoides] (R²(+)), [Proantocianinas] (R²(-)), intensidad de color (R²(+)),
      [Prolina] (R²(+)).
  6.- [FenolesNoFlavonoides] con respecto a las [Proantocianinas] (R²(-)), intensidad de color (R²(+)), OD280.OD314 de vinos diluidos (R²(+)), 
      [Prolina] (R²(+)).
  7.- [Proantocianinas] con respecto a la intensidad de color (R²(-)) y [Prolina] (R²(-)).
  8.- INtensidad de color con respecto a la [Prolina] (R²(+)).
  9.- Tono con respecto al OD280.OD315 de vinos diluidos (R²(-)), [Prolína] (R²(-)).
  10.- OD280.OD315 de vinos diluidos con respectos a las concentraciones de [Prolína] (R²(+)).
  
  # el símbolo [] representa "concentración" en términos químicos. por ejemplo: [ácido málico] significa: concentración de ácido málico.

# grafico de dispersion de las variables Tono y acido malico  
```{r}
df %>% 
  ggplot() + 
  geom_point(aes(x = Malicacid, y = Tono)) +
  theme_gray()
```
Evaluación de la correlación para la variable tarjet.
```{r}
shapiro.test(df$Tono)
```
Como puede observarse, no existe una distribución normal de la variable Tono (tarjet). 
  como anteriormente ya habíamos calculado el test de normalidad para la variable ácido malíco, 
  vimos que tampoco se distribuye normal. 

evaluaremos la correlación por el método de Spearman debido a que no cumple los criterios necesario para ser evaluados
por la de Pearson.

la decisión se correlación significante se tomara a partir de la siguiente  prueba de hipótesis.

H0: rho = 0
h1: rho != 0 

tomando como valor de alpha de significancia, .05 para la prueba de hipótesis. Si se acepta la hipótesis nula; entonces, el valor de correlación
entre ambas variables, no es significativo.

```{r}
cor.test(df$Malicacid, df$Tono, method = "spearman")
```
Decisión: 
  Debido, a que el valor rho, es distinto positivamente de 0, y el valor p es mucho menor al valor alpha de significancia, entonces:
  tenemos un 95% de confianza de que la relación entre la variable Tono y la variable ácido málico, se corresponden mutuamente para
  este conjunto de datos, por lo que no se acepta la hipotesis nula de variables no relación.