############################################################################
# inicialización
linnerud <- read.csv("Linnerud.csv",row.names=1,header=TRUE)
data     <- linnerud
n     <- dim(data)[1]                     # número de filas     
p     <- dim(data)[2]                     # número de columnas  
m     <- apply(data,2,mean); m            # promedios
vard  <- (n-1)/n*var(data) ; vard         # matriz de covarianza   
stdev <- sqrt(diag(vard)) ; stdev         # desvío estándar
corr  <- cor(data); corr                  # matriz de correlación 
# estandarización de la tabla de datos
z     <- 1/sqrt(n)*scale(data,center=TRUE,scale=stdev); 
rownames(z) <- rownames(data) ; z
# controles
corr  <- t(z)%*%z ; corr            # correlación
facnames <- paste("Dim", c(1:p), sep = " "); facnames # nombres factores
#########################################################################
# análisis de componentes principales con svd
# componentes principales y correlaciones
svdz              <- svd(z)                      # descomposición     
names(svdz$d)     <- facnames             
colnames(svdz$u)  <- facnames             
rownames(svdz$u)  <- rownames(data)
rownames(svdz$v)  <- colnames(data)
colnames(svdz$v)  <- facnames
svdz 
s        <- svdz$d                            # valores singulares
l        <- s^2                               # autovalores
v        <- svdz$v                            # autovectores X'X
u        <- svdz$u                            # autovectores XX'
c <- (sweep(u,2,s,"*")); round(c,3)           # componentes principales
r <-  sweep(v,2,s,"*"); round(r,3)            # correlaciones
diag(t(c)%*%c)                                # su productos escalares
diag(t(r)%*%r)                                # igualan a los autovalores
# para conseguir la varianza de c = autovalor, hay que multiplicar c para raíz(n)
cn <- c*sqrt(n); round(cn,3)                  # componentes principales 
diag((n-1)/n*(var(cn)))                       # su varianza
###########################################################################
# circle of correlations
ccor <- function (dat) {
            plot(0, 0, xlim=c(-1.0,1.0),ylim=c(-1.0,1.0), col = "white", asp = 1, xlab = "Dim 1", ylab = "Dim 2")
            cercor(dat)
            }
            
cercor <- function (dat) {
            x.cercle <- seq(-1, 1, by = 0.01)
            y.cercle <- sqrt(1 - x.cercle^2)
            lines(x.cercle, y = y.cercle)
            lines(x.cercle, y = -y.cercle)
            abline(v = 0, lty = 2)
            abline(h = 0, lty = 2)

            for (v in 1:dim(dat)[1]) {
                arrows(0, 0, dat[v, 1], dat[v, 2], 
                  length = 0.1, angle = 15, code = 2, col = "blue")
            }
#            identify (dat[,1],dat[,2], col="blue", lab=rownames(dat))
            text(dat[,1],dat[,2], col="blue", lab=rownames(dat),pos=3)
}
###########################################################################
# gráfico de variables
ccor(r)
dev.copy(pdf,"linv-12.pdf")
dev.off()
# gráfico de unidades
plot(cn,asp=1,xlab="Dim 1",ylab="Dim 2")
  abline(v = 0, lty = 2)
  abline(h = 0, lty = 2)
  text(cn,lab=rownames(data),pch=20,pos=4,cex=0.8)
# identify(c,lab=rownames(data))
  dev.copy(pdf,"lini-12.pdf")
  dev.off()
# cambio de signal para segunda dimensión: hay que cambiar en todos
v[,2]  <- -v[,2]  
u[,2]  <- -u[,2]  
c[,2]  <- -c[,2]
cn[,2] <- -cn[,2]
r[,2]  <- -r[,2]
ccor(r)
dev.copy(pdf,"linvar-12.pdf")
dev.off()
# gráfico de unidades
plot(cn,asp=1,xlab="Dim 1",ylab="Dim 2")
abline(v = 0, lty = 2)
abline(h = 0, lty = 2)
text(cn,lab=rownames(data),pch=20,pos=4,cex=0.8)
dev.copy(pdf,"linind-12.pdf")
dev.off()
#########################################################################
# reconstrucción de Z
Z  <- u %*% diag(s) %*% t(v);Z
Z1 <- s[1]*u[,1] %*% t(v[,1]); rownames(Z1) = rownames(Z); Z1
Z2 <- s[2]*u[,2] %*% t(v[,2]); rownames(Z2) = rownames(Z); Z2
Z1+Z2
apply(Z,2,mean)                    # Z es centrado
vz <- ((n-1)/n)*apply(Z,2,var); vz # Z tiene norma 1 y varianza 1/n
sd <- sqrt(vz); sd                 # y sd = 1/sqrt(n)
# para la reconstrucción de X se necesita el promedio m y la razón
# entre stdev y sd, el desvío estándar de Z
X  <- sweep(sweep(Z,2,stdev/sd,"*"),2,m,"+");X  
X1 <- sweep(sweep(Z1,2,stdev/sd,"*"),2,m,"+"); X1; X-X1    
X2 <- sweep(sweep((Z1+Z2),2,stdev/sd,"*"),2,m,"+"); X2; X-X2
sum((X-X1)^2)         # sumas de cuadrados de residuos (disminuyendo)  
sum((X-X2)^2)
#########################################################################
