library(readr)
datos_ejercicio <- read_table2("http://halweb.uc3m.es/esp/Personal/personas/agrane/libro/ficheros_datos/capitulo_7/datos_prob_7_3.txt",col_names = FALSE)#Funciones para normalizar los datos.
norm_directa <- function(x){
return((x-min(x)) / (max(x)-min(x)))
}
norm_inversa <- function(x){
return((max(x)-x) / (max(x)-min(x)))
}
#Normalizacion de los datos.
library(dplyr)
datos_ejercicio %>%
dplyr::select(X3,X7,X8) %>%
dplyr::transmute(X3=norm_directa(X3), X7=norm_directa(X7), X8=norm_inversa(X8)) -> data_factor_1
print(data_factor_1)## # A tibble: 18 x 3
## X3 X7 X8
## <dbl> <dbl> <dbl>
## 1 0.983 0.768 0.353
## 2 0.55 0.165 0.765
## 3 0.483 0 1
## 4 1 0.744 0.118
## 5 0.0333 0.00478 1
## 6 0.517 0.175 0.941
## 7 0.283 0.0215 1
## 8 0.867 0.440 0.706
## 9 0.333 0.215 0.941
## 10 0 0.0478 1
## 11 0.2 0.0191 1
## 12 0.5 0.670 0.706
## 13 0.867 0.184 0.824
## 14 0.3 0.110 1
## 15 0.0667 0.0335 1
## 16 0.3 0.445 0.647
## 17 0.533 0.309 0.882
## 18 0.767 1 0#Funcion para ponderadores
fun_ponder_CRITIC<-function(data_factor_1){
apply(data_factor_1,2,sd)->vector_sd #vector de desviaciones estandar.
cor(data_factor_1)->matriz_R #matriz de correlacion.
1-matriz_R->sum_data #
colSums(sum_data)->sum_vector #factor de correlacion residual.
vector_sd*sum_vector ->vj #ponderadores brutos.
list(Desviacion_estandar=vector_sd,matrizde_correlacion=matriz_R,FactorCorrelacionResidual=sum_vector,ponderadores_brutos=vj,ponderadores_netos=vj/sum(vj),ponderadores_porcentuales=((vj/sum(vj))*100))
}
#aplicando la funcion.
metodo_critic<-fun_ponder_CRITIC(data_factor_1)#escribir la variable donde este aplicada la funcion, y seleccionar la salida deseada.
metodo_critic$ponderadores_brutos## X3 X7 X8
## 0.6419218 0.6926720 1.1436656#Normalización de los datos.
library(dplyr)
datos_ejercicio %>%
dplyr::select(X3,X7,X8)-> data_norm #Acá falta aplicar el N.A. para quitar los valores negativos, y reemplzarlos por 0
apply(data_norm,2,prop.table) -> data_norm
data_nor<-na.omit(data_norm)
print(data_norm)## X3 X7 X8
## [1,] 0.10166920 0.131305352 0.13636364
## [2,] 0.06221548 0.034270312 0.05681818
## [3,] 0.05614568 0.007701194 0.01136364
## [4,] 0.10318665 0.127454755 0.18181818
## [5,] 0.01517451 0.008471313 0.01136364
## [6,] 0.05918058 0.035810551 0.02272727
## [7,] 0.03793627 0.011166731 0.01136364
## [8,] 0.09104704 0.078552176 0.06818182
## [9,] 0.04248862 0.042356565 0.02272727
## [10,] 0.01213961 0.015402387 0.01136364
## [11,] 0.03034901 0.010781671 0.01136364
## [12,] 0.05766313 0.115517905 0.06818182
## [13,] 0.09104704 0.037350789 0.04545455
## [14,] 0.03945372 0.025413939 0.01136364
## [15,] 0.01820941 0.013092029 0.01136364
## [16,] 0.03945372 0.079322295 0.07954545
## [17,] 0.06069803 0.057373893 0.03409091
## [18,] 0.08194234 0.168656142 0.20454545#funcion de tarea.
fun_ponder_ENTROPIA<- function(data_norm){
data_norm*log(data_norm)->entropia #funcion de entropia.
nrow(data_norm)->m #Obtener el valor m, cuenta el No. de observaciones.
-1/log(m)->K #K, Constante de entropia.
K*colSums(entropia)->Ej #Calculo de entropias.
1-Ej->vj #Especificidades.
prop.table(vj)->wj #ponderadores.
list(entropia=entropia,num_observaciones=m,const_entropia=K,entropias=Ej,especificidades=vj,ponderadores=wj)
}
#Aplicando funcion.
metodo_entropia<-fun_ponder_ENTROPIA(data_norm)#escribir la variable donde este aplicada la funcion, y seleccionar la salida deseada.
metodo_entropia$num_observaciones## [1] 18