lin        <- read.csv("Linnerud.csv",header=TRUE,row.names = 1)  # acuerdar row.names
data       <- lin                                                 # nombre genérico por la seguida
#########################
library(FactoMineR)
n          <- dim(data)[1]                                        # número de filas-unidades
p          <- dim(data)[2]                                        # número de columnas-variables < n
round(cor(data),3)                                                # matriz de correlación
#########################
data.pca   <- PCA(data, ncp=p, graph = FALSE)                     # graph = FALSE solo para mi  
                                                                  # ncp = p para tener todo
sum(data.pca$eig[,1])                                             # tiene que igualar a p  
data.pca$eig                                                      # tabla de autovalores                                      
# Cada autovalor se corresponde a la inercia a lo largo del factor correspondiente
var.coor   <- round((n-1)/n*var(data.pca$ind$coord),5)            # las coordenadas son ortogonales
                                                                  # la varianza iguala el autovalor
in.coor    <- (1/n)*sum(data.pca$ind$coor^2); in.coor             # se corresponde a p
var.data   <- round((n-1)/n*var(data),5)                          # varianza de la muestra
sd         <- sqrt(diag(var.data))                                # desvío estándar
in.data    <- 1/n*sum(data^2); in.data                            # inercia original de los datos  
z          <- scale(data,center = TRUE,scale = sd);z
round(apply(z,2,mean),3)
round(((n-1)/n)*var(z),3)                                         # z es estandarizado  
t(z)%*%z                                                          # n veces la inercia 
data.pca$eig                                                      # tabla de autovalores                                      
############################################################################################
# resultados por cada dimension
# resultados por cada dimension
nf     <- 3                  # elección de 3 factores
lv     <- data.pca$var       # memorización de los resultados de variables
vcum   <- t(apply(lv$cos2*100,1,cumsum)) # se ajunta la calidad cumulada
noquote(paste("Average contribution of variables = ", round(100/p,3),".", sep=""))
tabvar <- list()             # lista con resultados
for (i in 1:nf) {            # se construyen nf tablas
  tvar <- round(cbind(lv$contrib[,i],lv$coord[,i],lv$cos2[,i]*100,vcum[,i]),3)
  colnames(tvar) <- c("contributions","correlations","quality","cum.qual.")
  tabvar[[i]] <- tvar
}
tabvar
# La contribución promedio es 100/p = 16.66.  
# Factor 1: Contribuciónes fuertes Squats > -Waist > -Weight > Pulls
#           <0: gordos  >0 Buenas prestaciones --> factor de calidad del atleta      
#           buena correlación con dichos caracteres (y los demás también)
#           el factor explica bien dichas variables, pero poco las demás
# Factor 2: Contribuciones fuertes Jumps > -Pulse. Correlaciones opuestas
#           atletas con pocas pulsaciones y muchos saltos (>0) <--> atletas con muchas 
#           pulsaciones y pocos saltos. 
# Factor 3: contribución muy fuerte (70%) de pulsaciones, fuertemente correladas.
#           correlaciones de las demás todas muy bajas.
#           este factor solo representa mitad de las pulsaciones.
li <- data.pca$ind           # memorización de los resultados de unidades
icum <- t(apply(li$cos2*100,1,cumsum)) # se ajunta la calidad cumulada
noquote(paste("Average contribution of units = ", round(100/n,3),".", sep=""))
tabind <- list()             # lista con resultados
for (i in 1:nf) {            # se construyen nf tablas, con datos rondeados
  tind <- round(cbind(li$dist,li$contrib[,i],li$coord[,i],li$cos2[,i]*100,icum[,i]),3)
  colnames(tind) <- c("distance","contributions","coordinates","quality","cum.qual.")
  tabind[[i]] <- tind
}
tabind
# La contribución promedio es 100/n = 5. 
# Factor 1: muy fuerte 10 y 14 (52%), entonces los dos atletas pesan mucho en la determinación 
#           de este factor. Las coordenadas representan una medición indirecta del factor 
#           "condición física" del atleta, medida a través las variables correladas con el factor.
#           14 el atleta poer, 10 mejor
# Factor 2: Atletas con buenas prestaciones de Saltos con pocas pulsaciones (10) contra malos 
#           Saltos y altas pulsaciones (9)
#           atletas mejores con pocas pulsaciones
# Factor 3: Varios atletas contribuyen mucho. 6 > 2 veces el promedio: 5, 11, 15 negativos 
#           (bajas pulsaciones) y 9, 14, 16 positivos (altas pulsaciones)
##################
attach(lin)
plot(Waist,Squats) # correlación negativa pues la tendencia conjunta es decreciente
plot(Waist,Weight) # correlación positiva pues la tendencia conjunta es creciente
plot(Pulse,Pulls)  # correlación casi cero pues no resulta tendencia

plot.PCA(data.pca,choix = "var", axes=c(1,2),graph.type="classic")
plot.PCA(data.pca,choix = "var", axes=c(2,3),graph.type="classic")
# Sobre el plan 1-2 se vee una buena oposición de condición física y prestaciones, pero también 
# con las pulsaciones, que se opone a las prestaciones tambien. Sobre el plan 2-3 las pulsaciones
# estan muy bien representadas, pero solitas.
plot.PCA(data.pca,choix = "ind", axes=c(1,2),graph.type="classic")
plot.PCA(data.pca,choix = "ind", axes=c(2,3),graph.type="classic")
# Sobre el plan 1-2 se vee una oposición muy fuerte de 14 con 10 sobre el primero eje, y también de ellos 
# con 20 sobre es segundo.
# Sobre el plan 2-3 oposición entre 20 y 10 sobre el segundo factor y varios opuestos sobre el 3.
round(t(apply(data.pca$var$cos2*100,1,cumsum)),3)
# observando la  calidad cumulada de representación de las variables se encuentra que la cuarta
# mejora mucho Pulls, la sola que tiene en 3 dimensiones una calidad cumulada menor de 70%.
round(t(apply(data.pca$ind$cos2*100,1,cumsum)),3)
# en el caso de las unidades, con cuatro dimensiones 1, 4, y 11 mejoran bastante. ¿es la pena 
# de estudiar esta dimension?
#############################################################################################