R help es - Jun 2014 - Resumen de R-help-es, Vol 64, Envío 33

Hola, Marta,
Por lo que he podido ver tus datos ya tienen calculados las tasas de verdaderos
y falsos positivos (TPR y FPR). También parece que los tienes ordenados por la
variable FishSpeed y supongo que también por las que parecen marcas de tiempo.
No necesitas ROCR porque con un simple plot te sale algo parecido a una curva.
Eso sí, veo que son medidas repetidas en el tiempo para cada valor de FishSpeed.
Como apaño rápido he promediado por esa variable para que salga algo parecido a
una curva ROC, lo podrás hacer con el código que pongo abajo.
Te cuento hasta donde sé lo que se puede hacer a partir de aquí:
- Las librerías especializadas en ROC (ROCR y pROC) suponen que tú le pasas cada
registro y un resultado 0/1 (fallo/acierto) de tal manera que es la propia
librería la que se encarga de calcular TPR, FPR (entre otros muchos indicadores
como los que pones en tu código -ojo que FPR es (1-specificity). Con ese cálculo
se genera un objeto R que facilita luego el dibujo, así como el cálculo de área
bajo la curva, etc. Así que si tienes los datos en bruto ambas librerías te
facilitarán mucho todo el proceso.
- Tanto ROCR como pROC incorporan funciones para ROC estáticas (las medidas no
son repetidas en el tiempo, se suponen casos independientes). ROCR genera
gráficos más vistosos (va en gustos y depende de muchas cosas, ojo) y quizás sea
más fácil de usar. pROC añade montones de funciones para comparar y pruebas
estadísticas para comparar las curvas entre ellas y frente a la predicción nula
(la diagonal en el espacio ROC).
Según parece, tus datos son dinámicos (se repiten en intervalos para cada medida
de FIshSpeed), y si lo que quieres es modelizar ROC dinámicas hay alternativas
en R (pero este enfoque es mucho más complicado que el de ROC estática):
- el paquete survivalROC 
http://cran.r-project.org/web/packages/survivalROC/survivalROC.pdf
- y risksetROC http://cran.r-project.org/web/packages/risksetROC/risksetROC.pdf

El siguiente artículo sobre pROC está muy bien para ver las capacidades de la
librería: http://www.biomedcentral.com/1471-2105/12/77

#### con tus datos
# Pon tu directorio de trabajo
setwd("C:/Users/pedroc/Downloads")

list.files()

# Lees el fichero, ojo al separador decimal
rocdata <- read.table(file = "roc.csv",
                      header = T,
                      sep = ";",
                      dec = ",")

# Convertimos los FP Y TP a porcentajes entre 0 y 1
rocdata$FP <- gsub("%", "", rocdata$FP)
rocdata$FP <- gsub(",", ".", rocdata$FP)
rocdata$FP <- as.numeric(rocdata$FP)/100


rocdata$TP <- gsub("%", "", rocdata$TP)
rocdata$TP <- gsub(",", ".", rocdata$TP)
rocdata$TP <- as.numeric(rocdata$TP)/100

# Resulta interesante tener FishSpeed como factor
rocdata$FishSpeed <- as.factor(rocdata$FishSpeed)
summary(rocdata)

# Estas son tus curvas ROC tal y como vienen ordenadas (por FishSpeed y supongo
que por alguna de tiempo)
# Fíjate que *no* necesitas ROCR
plot(rocdata$FP, rocdata$TP)


# Si promediamos todas las medidas dentro de cada FishSpeed tendremos:
TPaverage <- tapply(rocdata$TP, rocdata$FishSpeed, mean)
FPaverage <- tapply(rocdata$FP, rocdata$FishSpeed, mean)

plot.new()
plot(FPaverage, TPaverage,
     xlim = c(0,1),
     ylim = c(0,1),
     col = "green",
     type = "l")

abline(0, 1, col = "red")


El 20/06/2014 14:12,
r-help-es-request@r-project.org<mailto:r-help-es-request@r-project.org>
escribió:


Asuntos del día:

   1. Como construir una curva ROC (Marta valdes lopez)


----------------------------------------------------------------------

Message: 1
Date: Fri, 20 Jun 2014 12:11:56 +0000
From: Marta valdes lopez
<martavaldes85@gmail.com><mailto:martavaldes85@gmail.com>
To: r-help-es@r-project.org<mailto:r-help-es@r-project.org>
Subject: [R-es] Como construir una curva ROC
Message-ID:
       
<CAE0cxbGAk4Uu6aphBES0OdVyB10X2sdmkc-4aLp0H96-uAsXHw@mail.gmail.com><mailto:CAE0cxbGAk4Uu6aphBES0OdVyB10X2sdmkc-4aLp0H96-uAsXHw@mail.gmail.com>
Content-Type: text/plain; charset="utf-8"

Hola!

Tengo que hacer una curva ROC com unos datos que obtuve de hacer una macro
de excel y aplicar unas reglas, y basicamente tengo que a partir de la
variacion del tiempo y la velocidad del barco obtengo diferentes
porcentajes de true positives (TP) y false positives (FP) y con eso deberia
de construir una curva ROC.

Dada mi ignorância en este tema, no se muy bien por donde empezar , estuve
mirando los manuales de dos paquetes el ROCR y el pROC, alguien me
recomienda alguno en particular?

Yen los manuales el script del ROCR para hacer la curva era algo asi:

library(ROCR)
data(ROCR.simple)
pred <- prediction( ROCR.simple$predictions, ROCR.simple$labels)
perf <- performance(pred,"tpr","fpr")
plot(perf)
## precision/recall curve (x-axis: recall, y-axis: precision)
perf1 <- performance(pred, "prec", "rec")
plot(perf1)
## sensitivity/specificity curve (x-axis: specificity,
## y-axis: sensitivity)
perf1 <- performance(pred, "sens", "spec")
plot(perf1)

Me parecio mas fácil de entender que el del otro paquete pero no se como
aplicarlo a mis datos y si voy a obtener lo que quiero, si alguien me puede
orientar un poco, agradeceria.

Adjunto mis datos para tener una idea.

Muchas gracias, un saludo
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL:
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.html><https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.html>
------------ próxima parte ------------
A non-text attachment was scrubbed...
Name: amanhecer ROC csv.csv
Type: text/csv
Size: 51489 bytes
Desc: no disponible
URL:
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.bin><https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.bin>

------------------------------

_______________________________________________
R-help-es mailing list
R-help-es@r-project.org<mailto:R-help-es@r-project.org>
https://stat.ethz.ch/mailman/listinfo/r-help-es


Fin de Resumen de R-help-es, Vol 64, Envío 33
*********************************************



--
Pedro Concejero
BI & Big Data - Internal Exploitation - Telefónica CCDO & Telefónica
I+D<http://www.tid.es>
E-mail: pedro.concejero@tid.es<mailto:pedro.concejero@tid.es>
skype: pedro.concejero
twitter: @ConcejeroPedro
linkedin <http://www.linkedin.com/in/pedroconcejero/es>
Únete a la lista R en
español<https://stat.ethz.ch/mailman/listinfo/r-help-es#%21> y a tu gRupo
local R, el mío es el gRupo R madRid
<http://r-es.org/Grupo+de+Inter%C3%A9s+Local+de+Madrid+-+GIL+Madrid&structure=Comunidad>

________________________________

Este mensaje se dirige exclusivamente a su destinatario. Puede consultar nuestra
política de envío y recepción de correo electrónico en el enlace situado más
abajo.
This message is intended exclusively for its addressee. We only send and receive
email on the basis of the terms set out at:
http://www.tid.es/ES/PAGINAS/disclaimer.aspx

	[[alternative HTML version deleted]]

Hola Pedro,

Muchisimas gracias por tu respuesta, me há aclarado mucho. Es  lo que veia
que ya tenia esas tasas en realidad.
Voy a probar lo que me dices y te cuento.

Gracias! un saludo

Marta


El 23 de junio de 2014, 14:32, Pedro Concejero Cerezo <pedroc@tid.es>
escribió:
>  Hola, Marta,
> Por lo que he podido ver tus datos ya tienen calculados las tasas de
> verdaderos y falsos positivos (TPR y FPR). También parece que los tienes
> ordenados por la variable FishSpeed y supongo que también por las que
> parecen marcas de tiempo. No necesitas ROCR porque con un simple plot te
> sale algo parecido a una curva. Eso sí, veo que son medidas repetidas en el
> tiempo para cada valor de FishSpeed. Como apaño rápido he promediado por
> esa variable para que salga algo parecido a una curva ROC, lo podrás hacer
> con el código que pongo abajo.
> Te cuento hasta donde sé lo que se puede hacer a partir de aquí:
> - Las librerías especializadas en ROC (ROCR y pROC) suponen que tú le
> pasas cada registro y un resultado 0/1 (fallo/acierto) de tal manera que es
> la propia librería la que se encarga de calcular TPR, FPR (entre otros
> muchos indicadores como los que pones en tu código -ojo que FPR es
> (1-specificity). Con ese cálculo se genera un objeto R que facilita luego
> el dibujo, así como el cálculo de área bajo la curva, etc. Así que si
> tienes los datos en bruto ambas librerías te facilitarán mucho todo el
> proceso.
> - Tanto ROCR como pROC incorporan funciones para ROC estáticas (las
> medidas no son repetidas en el tiempo, se suponen casos independientes).
> ROCR genera gráficos más vistosos (va en gustos y depende de muchas cosas,
> ojo) y quizás sea más fácil de usar. pROC añade montones de funciones para
> comparar y pruebas estadísticas para comparar las curvas entre ellas y
> frente a la predicción nula (la diagonal en el espacio ROC).
> Según parece, tus datos son dinámicos (se repiten en intervalos para cada
> medida de FIshSpeed), y si lo que quieres es modelizar ROC dinámicas hay
> alternativas en R (pero este enfoque es mucho más complicado que el de ROC
> estática):
> - el paquete survivalROC
> http://cran.r-project.org/web/packages/survivalROC/survivalROC.pdf
> - y risksetROC
> http://cran.r-project.org/web/packages/risksetROC/risksetROC.pdf
>
> El siguiente artículo sobre pROC está muy bien para ver las capacidades de
> la librería: http://www.biomedcentral.com/1471-2105/12/77
>
> #### con tus datos
> # Pon tu directorio de trabajo
> setwd("C:/Users/pedroc/Downloads")
>
> list.files()
>
> # Lees el fichero, ojo al separador decimal
> rocdata <- read.table(file = "roc.csv",
>                       header = T,
>                       sep = ";",
>                       dec = ",")
>
> # Convertimos los FP Y TP a porcentajes entre 0 y 1
> rocdata$FP <- gsub("%", "", rocdata$FP)
> rocdata$FP <- gsub(",", ".", rocdata$FP)
> rocdata$FP <- as.numeric(rocdata$FP)/100
>
>
> rocdata$TP <- gsub("%", "", rocdata$TP)
> rocdata$TP <- gsub(",", ".", rocdata$TP)
> rocdata$TP <- as.numeric(rocdata$TP)/100
>
> # Resulta interesante tener FishSpeed como factor
> rocdata$FishSpeed <- as.factor(rocdata$FishSpeed)
> summary(rocdata)
>
> # Estas son tus curvas ROC tal y como vienen ordenadas (por FishSpeed y
> supongo que por alguna de tiempo)
> # Fíjate que *no* necesitas ROCR
> plot(rocdata$FP, rocdata$TP)
>
>
> # Si promediamos todas las medidas dentro de cada FishSpeed tendremos:
> TPaverage <- tapply(rocdata$TP, rocdata$FishSpeed, mean)
> FPaverage <- tapply(rocdata$FP, rocdata$FishSpeed, mean)
>
> plot.new()
> plot(FPaverage, TPaverage,
>      xlim = c(0,1),
>      ylim = c(0,1),
>      col = "green",
>      type = "l")
>
> abline(0, 1, col = "red")
>
>
> El 20/06/2014 14:12, r-help-es-request@r-project.org escribió:
>
> Asuntos del día:
>
>    1. Como construir una curva ROC (Marta valdes lopez)
>
>
> ----------------------------------------------------------------------
>
> Message: 1
> Date: Fri, 20 Jun 2014 12:11:56 +0000
> From: Marta valdes lopez <martavaldes85@gmail.com>
<martavaldes85@gmail.com>
> To: r-help-es@r-project.org
> Subject: [R-es] Como construir una curva ROC
> Message-ID:
> 	<CAE0cxbGAk4Uu6aphBES0OdVyB10X2sdmkc-4aLp0H96-uAsXHw@mail.gmail.com>
<CAE0cxbGAk4Uu6aphBES0OdVyB10X2sdmkc-4aLp0H96-uAsXHw@mail.gmail.com>
> Content-Type: text/plain; charset="utf-8"
>
> Hola!
>
> Tengo que hacer una curva ROC com unos datos que obtuve de hacer una macro
> de excel y aplicar unas reglas, y basicamente tengo que a partir de la
> variacion del tiempo y la velocidad del barco obtengo diferentes
> porcentajes de true positives (TP) y false positives (FP) y con eso deberia
> de construir una curva ROC.
>
> Dada mi ignorância en este tema, no se muy bien por donde empezar , estuve
> mirando los manuales de dos paquetes el ROCR y el pROC, alguien me
> recomienda alguno en particular?
>
> Yen los manuales el script del ROCR para hacer la curva era algo asi:
>
> library(ROCR)
> data(ROCR.simple)
> pred <- prediction( ROCR.simple$predictions, ROCR.simple$labels)
> perf <- performance(pred,"tpr","fpr")
> plot(perf)
> ## precision/recall curve (x-axis: recall, y-axis: precision)
> perf1 <- performance(pred, "prec", "rec")
> plot(perf1)
> ## sensitivity/specificity curve (x-axis: specificity,
> ## y-axis: sensitivity)
> perf1 <- performance(pred, "sens", "spec")
> plot(perf1)
>
> Me parecio mas fácil de entender que el del otro paquete pero no se como
> aplicarlo a mis datos y si voy a obtener lo que quiero, si alguien me puede
> orientar un poco, agradeceria.
>
> Adjunto mis datos para tener una idea.
>
> Muchas gracias, un saludo
> ------------ próxima parte ------------
> Se ha borrado un adjunto en formato HTML...
> URL:
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.html>
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.html>
> ------------ próxima parte ------------
> A non-text attachment was scrubbed...
> Name: amanhecer ROC csv.csv
> Type: text/csv
> Size: 51489 bytes
> Desc: no disponible
> URL:
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.bin>
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.bin>
>
> ------------------------------
>
> _______________________________________________
> R-help-es mailing
listR-help-es@r-project.orghttps://stat.ethz.ch/mailman/listinfo/r-help-es
>
>
> Fin de Resumen de R-help-es, Vol 64, Envío 33
> *********************************************
>
>
>
> --
>
>
>
>
>
>
> *Pedro Concejero BI & Big Data - Internal Exploitation - Telefónica
CCDO &
> Telefónica I+D <http://www.tid.es> E-mail: pedro.concejero@tid.es
> <pedro.concejero@tid.es> skype: pedro.concejero twitter:
@ConcejeroPedro
> linkedin <http://www.linkedin.com/in/pedroconcejero/es> Únete a la
lista R
> en español <https://stat.ethz.ch/mailman/listinfo/r-help-es#%21> y a
tu
> gRupo local R, el mío es el gRupo R madRid
>
<http://r-es.org/Grupo+de+Inter%C3%A9s+Local+de+Madrid+-+GIL+Madrid&structure=Comunidad>*
>
> ------------------------------
>
> Este mensaje se dirige exclusivamente a su destinatario. Puede consultar
> nuestra política de envío y recepción de correo electrónico en el enlace
> situado más abajo.
> This message is intended exclusively for its addressee. We only send and
> receive email on the basis of the terms set out at:
> http://www.tid.es/ES/PAGINAS/disclaimer.aspx
>
	[[alternative HTML version deleted]]

Hola,
Gracias, me funciono¡ Echare un vistazo a lo de hacer las ROC dinamicas.

Gracias por la ayuda, un saludo


El 23 de junio de 2014, 16:42, Marta valdes lopez
<martavaldes85@gmail.com>
escribió:
> Hola Pedro,
>
> Muchisimas gracias por tu respuesta, me há aclarado mucho. Es  lo que veia
> que ya tenia esas tasas en realidad.
> Voy a probar lo que me dices y te cuento.
>
> Gracias! un saludo
>
> Marta
>
>
> El 23 de junio de 2014, 14:32, Pedro Concejero Cerezo <pedroc@tid.es>
> escribió:
>
>  Hola, Marta,
>> Por lo que he podido ver tus datos ya tienen calculados las tasas de
>> verdaderos y falsos positivos (TPR y FPR). También parece que los
tienes
>> ordenados por la variable FishSpeed y supongo que también por las que
>> parecen marcas de tiempo. No necesitas ROCR porque con un simple plot
te
>> sale algo parecido a una curva. Eso sí, veo que son medidas repetidas
en el
>> tiempo para cada valor de FishSpeed. Como apaño rápido he promediado
por
>> esa variable para que salga algo parecido a una curva ROC, lo podrás
hacer
>> con el código que pongo abajo.
>> Te cuento hasta donde sé lo que se puede hacer a partir de aquí:
>> - Las librerías especializadas en ROC (ROCR y pROC) suponen que tú le
>> pasas cada registro y un resultado 0/1 (fallo/acierto) de tal manera
que es
>> la propia librería la que se encarga de calcular TPR, FPR (entre otros
>> muchos indicadores como los que pones en tu código -ojo que FPR es
>> (1-specificity). Con ese cálculo se genera un objeto R que facilita
luego
>> el dibujo, así como el cálculo de área bajo la curva, etc. Así que si
>> tienes los datos en bruto ambas librerías te facilitarán mucho todo el
>> proceso.
>> - Tanto ROCR como pROC incorporan funciones para ROC estáticas (las
>> medidas no son repetidas en el tiempo, se suponen casos
independientes).
>> ROCR genera gráficos más vistosos (va en gustos y depende de muchas
cosas,
>> ojo) y quizás sea más fácil de usar. pROC añade montones de funciones
para
>> comparar y pruebas estadísticas para comparar las curvas entre ellas y
>> frente a la predicción nula (la diagonal en el espacio ROC).
>> Según parece, tus datos son dinámicos (se repiten en intervalos para
cada
>> medida de FIshSpeed), y si lo que quieres es modelizar ROC dinámicas
hay
>> alternativas en R (pero este enfoque es mucho más complicado que el de
ROC
>> estática):
>> - el paquete survivalROC
>> http://cran.r-project.org/web/packages/survivalROC/survivalROC.pdf
>> - y risksetROC
>> http://cran.r-project.org/web/packages/risksetROC/risksetROC.pdf
>>
>> El siguiente artículo sobre pROC está muy bien para ver las capacidades
>> de la librería: http://www.biomedcentral.com/1471-2105/12/77
>>
>> #### con tus datos
>> # Pon tu directorio de trabajo
>> setwd("C:/Users/pedroc/Downloads")
>>
>> list.files()
>>
>> # Lees el fichero, ojo al separador decimal
>> rocdata <- read.table(file = "roc.csv",
>>                       header = T,
>>                       sep = ";",
>>                       dec = ",")
>>
>> # Convertimos los FP Y TP a porcentajes entre 0 y 1
>> rocdata$FP <- gsub("%", "", rocdata$FP)
>> rocdata$FP <- gsub(",", ".", rocdata$FP)
>> rocdata$FP <- as.numeric(rocdata$FP)/100
>>
>>
>> rocdata$TP <- gsub("%", "", rocdata$TP)
>> rocdata$TP <- gsub(",", ".", rocdata$TP)
>> rocdata$TP <- as.numeric(rocdata$TP)/100
>>
>> # Resulta interesante tener FishSpeed como factor
>> rocdata$FishSpeed <- as.factor(rocdata$FishSpeed)
>> summary(rocdata)
>>
>> # Estas son tus curvas ROC tal y como vienen ordenadas (por FishSpeed y
>> supongo que por alguna de tiempo)
>> # Fíjate que *no* necesitas ROCR
>> plot(rocdata$FP, rocdata$TP)
>>
>>
>> # Si promediamos todas las medidas dentro de cada FishSpeed tendremos:
>> TPaverage <- tapply(rocdata$TP, rocdata$FishSpeed, mean)
>> FPaverage <- tapply(rocdata$FP, rocdata$FishSpeed, mean)
>>
>> plot.new()
>> plot(FPaverage, TPaverage,
>>      xlim = c(0,1),
>>      ylim = c(0,1),
>>      col = "green",
>>      type = "l")
>>
>> abline(0, 1, col = "red")
>>
>>
>> El 20/06/2014 14:12, r-help-es-request@r-project.org escribió:
>>
>> Asuntos del día:
>>
>>    1. Como construir una curva ROC (Marta valdes lopez)
>>
>>
>> ----------------------------------------------------------------------
>>
>> Message: 1
>> Date: Fri, 20 Jun 2014 12:11:56 +0000
>> From: Marta valdes lopez <martavaldes85@gmail.com>
<martavaldes85@gmail.com>
>> To: r-help-es@r-project.org
>> Subject: [R-es] Como construir una curva ROC
>> Message-ID:
>> 
<CAE0cxbGAk4Uu6aphBES0OdVyB10X2sdmkc-4aLp0H96-uAsXHw@mail.gmail.com>
<CAE0cxbGAk4Uu6aphBES0OdVyB10X2sdmkc-4aLp0H96-uAsXHw@mail.gmail.com>
>> Content-Type: text/plain; charset="utf-8"
>>
>> Hola!
>>
>> Tengo que hacer una curva ROC com unos datos que obtuve de hacer una
macro
>> de excel y aplicar unas reglas, y basicamente tengo que a partir de la
>> variacion del tiempo y la velocidad del barco obtengo diferentes
>> porcentajes de true positives (TP) y false positives (FP) y con eso
deberia
>> de construir una curva ROC.
>>
>> Dada mi ignorância en este tema, no se muy bien por donde empezar ,
estuve
>> mirando los manuales de dos paquetes el ROCR y el pROC, alguien me
>> recomienda alguno en particular?
>>
>> Yen los manuales el script del ROCR para hacer la curva era algo asi:
>>
>> library(ROCR)
>> data(ROCR.simple)
>> pred <- prediction( ROCR.simple$predictions, ROCR.simple$labels)
>> perf <- performance(pred,"tpr","fpr")
>> plot(perf)
>> ## precision/recall curve (x-axis: recall, y-axis: precision)
>> perf1 <- performance(pred, "prec", "rec")
>> plot(perf1)
>> ## sensitivity/specificity curve (x-axis: specificity,
>> ## y-axis: sensitivity)
>> perf1 <- performance(pred, "sens", "spec")
>> plot(perf1)
>>
>> Me parecio mas fácil de entender que el del otro paquete pero no se
como
>> aplicarlo a mis datos y si voy a obtener lo que quiero, si alguien me
puede
>> orientar un poco, agradeceria.
>>
>> Adjunto mis datos para tener una idea.
>>
>> Muchas gracias, un saludo
>> ------------ próxima parte ------------
>> Se ha borrado un adjunto en formato HTML...
>> URL:
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.html>
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.html>
>> ------------ próxima parte ------------
>> A non-text attachment was scrubbed...
>> Name: amanhecer ROC csv.csv
>> Type: text/csv
>> Size: 51489 bytes
>> Desc: no disponible
>> URL:
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.bin>
<https://stat.ethz.ch/pipermail/r-help-es/attachments/20140620/49a6085b/attachment.bin>
>>
>> ------------------------------
>>
>> _______________________________________________
>> R-help-es mailing
listR-help-es@r-project.orghttps://stat.ethz.ch/mailman/listinfo/r-help-es
>>
>>
>> Fin de Resumen de R-help-es, Vol 64, Envío 33
>> *********************************************
>>
>>
>>
>> --
>>
>>
>>
>>
>>
>>
>> *Pedro Concejero BI & Big Data - Internal Exploitation - Telefónica
CCDO
>> & Telefónica I+D <http://www.tid.es> E-mail:
pedro.concejero@tid.es
>> <pedro.concejero@tid.es> skype: pedro.concejero twitter:
@ConcejeroPedro
>> linkedin <http://www.linkedin.com/in/pedroconcejero/es> Únete a
la lista R
>> en español <https://stat.ethz.ch/mailman/listinfo/r-help-es#%21>
y a tu
>> gRupo local R, el mío es el gRupo R madRid
>>
<http://r-es.org/Grupo+de+Inter%C3%A9s+Local+de+Madrid+-+GIL+Madrid&structure=Comunidad>*
>>
>> ------------------------------
>>
>> Este mensaje se dirige exclusivamente a su destinatario. Puede
consultar
>> nuestra política de envío y recepción de correo electrónico en el
enlace
>> situado más abajo.
>> This message is intended exclusively for its addressee. We only send
and
>> receive email on the basis of the terms set out at:
>> http://www.tid.es/ES/PAGINAS/disclaimer.aspx
>>
>
>
	[[alternative HTML version deleted]]