#El cafe_calidad es un grupo de 10 tipos de cafe, que fueron evaluados por unos respectivos catadores de cafe los cuales designaron unas caracteristicas relacionada con la intensidad, el olor, etc. para asi categorizar la calidad de dichos cafes.

load("C:/Users/57318/Downloads/cafe.Rdata")
library(ade4)
library(FactoClass)
## Loading required package: ggplot2
## Loading required package: ggrepel
## Loading required package: xtable
## Loading required package: scatterplot3d
library(ggplot2)
cafe_calidad
##      Intensidad Aroma Cuerpo Acidez Amargo Astringencia
## ExCl       7.72  7.00   6.84   5.02   5.04         5.36
## C40M       6.02  5.42   6.22   4.34   4.60         4.78
## C40C       6.48  5.98   6.44   4.58   4.82         4.80
## C20M       6.82  6.44   6.70   4.62   4.38         4.80
## C20C       7.08  6.20   6.72   4.78   4.94         4.90
## ExOs       7.66  7.42   6.98   5.12   5.18         5.22
## O40M       6.18  5.82   6.26   4.00   4.46         4.96
## O40C       6.84  6.56   6.82   4.30   4.96         4.84
## O20M       6.66  7.06   6.70   4.64   5.00         4.90
## O20C       7.00  6.70   7.04   4.60   4.88         5.18
  1. #ACP analisis de componentes principales, adicionalmente a esto esta la tabla de inercia, con ella nos encargamos de ver como esta distribuida la variabilidad.
acp_cafe_calidad=dudi.pca(df = cafe_calidad, scannf = FALSE, nf = 2)
inertia.dudi(acp_cafe_calidad)
## Inertia information:
## Call: inertia.dudi(x = acp_cafe_calidad)
## 
## Decomposition of total inertia:
##     inertia     cum  cum(%)
## Ax1 4.60148   4.601   76.69
## Ax2 0.46937   5.071   84.51
## Ax3 0.38451   5.455   90.92
## Ax4 0.34462   5.800   96.67
## Ax5 0.14488   5.945   99.08
## Ax6 0.05514   6.000  100.00

#En la tabla de distribucion de inercia nos permite analizar todo lo que este relacionado con la distribucion de variabilidad, en el caso de este estudio, podemos observar como los dos primeros componentes agrupan aproximadamente el 84% de los datos.

#A pesar que de que el primer componente es el mas importante se necesita del segundo para agrupar el 80% de los datos.

  1. Circulo de correlaciones [se deligen los componentes elegidos 1 y 2]
s.corcircle(acp_cafe_calidad$co[,1:2])

#La acidez esta muy relacionada con el cuerpo y con la intensidad. #El amargo no esta tan relacionado con la intensidad sin embargo esta mas aproximado que la astringencia. #Una conclusion puede ser, que los catadores de cafe utilizan como factores mas importantes a tomar en cuenta la acidez, el amargo y la intensidad. #La astringencia no es un factor tan fuerte a la hora de catar el cafe.

  1. #con el siguiente grafico observamos que los cafés mas cercanos son los que más relacionados están.
s.label(acp_cafe_calidad$li[,1:2])

#Observamos una relacion fuerte estre los cafes o40C y o20M. #observamos una relacion debil entre los cafes C40M y ExOs. #Podemos concluir que los cafes o40C,o20M y C20C son los que mas comparten caracteristicas en comparacion con el resto de los cafes. #Hay que tomar los datos de la primera y segunda grafica para transformarlos en una tercera y asi determinar cual de los cafes es el mejor.

tipo=c("E","M","C","M","C","E","M","C","M","C")
tipo=as.factor(tipo)
s.class(acp_cafe_calidad$li[,1:2],fac = tipo)

#Con esta grafica podemos determinar que los mejores cafes fueron los “E” ya que tuvieron mejor categorizacion en amargura, intensidad, cuerpo, aroma y las demas categorias. #Los cafes “M” y “C” tenian calificaciones mas variables. #A cada uno de los 10 cafes se les realizaron una pruebas quimicas con una nueva categoria de datos que indujo a una nueva base de datos llamada cafe_quimica, utilizando datos como el pH, LA DENSIDAD, entre otros.

5 y 6) #Para hacer el nuevo analisis se hace una matriz con los datos de cafe_calidad y cafe_quimico. Se realiza la tabla de incercia para que con ella se pueda evaluar la distribucion de variabilidad.

load("C:/Users/57318/Downloads/cafe.Rdata")
cafe_quimica
##      Color    DA   pH AcidezT Cafeina AcidosCl
## ExCl   298 385.1 5.02    11.7    1.40     2.74
## C40M   361 481.3 5.11     6.5    0.81     1.62
## C40C   321 422.6 5.12     5.8    0.80     1.61
## C20M   335 444.3 5.05     8.8    1.10     2.20
## C20C   314 368.7 5.04     9.3    1.10     2.19
## ExOs   186 346.6 5.31     8.7    1.35     2.30
## O40M   278 422.6 5.45     4.9    0.80     1.35
## O40C   238 403.0 5.33     5.2    0.79     1.36
## O20M   226 368.7 5.33     6.7    1.10     1.83
## O20C   210 368.7 5.31     7.0    1.05     1.83
cafe_all=data.frame(cafe_quimica,cafe_calidad)
cafe_all
##      Color    DA   pH AcidezT Cafeina AcidosCl Intensidad Aroma Cuerpo Acidez
## ExCl   298 385.1 5.02    11.7    1.40     2.74       7.72  7.00   6.84   5.02
## C40M   361 481.3 5.11     6.5    0.81     1.62       6.02  5.42   6.22   4.34
## C40C   321 422.6 5.12     5.8    0.80     1.61       6.48  5.98   6.44   4.58
## C20M   335 444.3 5.05     8.8    1.10     2.20       6.82  6.44   6.70   4.62
## C20C   314 368.7 5.04     9.3    1.10     2.19       7.08  6.20   6.72   4.78
## ExOs   186 346.6 5.31     8.7    1.35     2.30       7.66  7.42   6.98   5.12
## O40M   278 422.6 5.45     4.9    0.80     1.35       6.18  5.82   6.26   4.00
## O40C   238 403.0 5.33     5.2    0.79     1.36       6.84  6.56   6.82   4.30
## O20M   226 368.7 5.33     6.7    1.10     1.83       6.66  7.06   6.70   4.64
## O20C   210 368.7 5.31     7.0    1.05     1.83       7.00  6.70   7.04   4.60
##      Amargo Astringencia
## ExCl   5.04         5.36
## C40M   4.60         4.78
## C40C   4.82         4.80
## C20M   4.38         4.80
## C20C   4.94         4.90
## ExOs   5.18         5.22
## O40M   4.46         4.96
## O40C   4.96         4.84
## O20M   5.00         4.90
## O20C   4.88         5.18
acp_cafe=dudi.pca(df = cafe_all, scannf = FALSE, nf = 2)
inertia.dudi(acp_cafe)
## Inertia information:
## Call: inertia.dudi(x = acp_cafe)
## 
## Decomposition of total inertia:
##     inertia     cum  cum(%)
## Ax1 7.57390   7.574   63.12
## Ax2 2.88991  10.464   87.20
## Ax3 0.60177  11.066   92.21
## Ax4 0.38830  11.454   95.45
## Ax5 0.24643  11.700   97.50
## Ax6 0.15678  11.857   98.81
## Ax7 0.07184  11.929   99.41
## Ax8 0.04579  11.975   99.79
## Ax9 0.02528  12.000  100.00

#Se evidencia como los dos primeros datos son los mas significativos con un 87%, por ende se debe de hacer el grafico de circulo de correlacion.

  1. Segundo Grafico de circulo de correlacion:
s.corcircle(acp_cafe$co[,1:2])

#Las variables color, pH y densidad aparente no estan tan relacionadas, lo que indica que no son un factor tan relevante a la hora de determinar cual es el mejor cafe. #La cafeina es de las categorias quimicas mas importante a la hora de analizar cual es el mejor cafe ya que es la que mas relacionada esta. sin embargo tambien estan debilmente incluidas la acidez T y los acidos Cl.

  1. #grafico de los individuos (cafés) del primer plano factorial
s.label(acp_cafe$li[,1:2])

#Los cafes O40C, O20M y O20C, siguen siendo los cafes que mas relacionados estan y los que compartes mas caracteristicas. #Los cafes C40M y ExOs, son los cafes menos relacionados.

  1. #Teniendo encuenta los dos graficos anteriores, se hace un tercer grafico para que se determine cual es el mejor cafe.
tipo=c("E","M","C","M","C","E","M","C","M","C")
tipo=as.factor(tipo)
s.class(acp_cafe$li[,1:2],fac = tipo)

#En base a todo el trabajo realizado se llega a la conclusion que el mejor cafe es el cafe “E”, ya que es el que esta mejor calificado es todas las categorias tanto de cafe_calidad y cafe_quimico.