A compositional data analysis package for R providing multiple approaches

”compositions” is a new R-package for the analysis of compositional and positive data. It contains four classes corresponding to the four different types of compositional and positive geometry (including the Aitchison geometry). It provides means for computation, plotting and high-level multivariate statistical analysis in all four geometries. These geometries are treated in an fully analogous way, based on the principle of working in coordinates, and the object-oriented programming paradigm of R. In this way, called functions automatically select the most appropriate type of analysis as a function of the geometry. The graphical capabilities include ternary diagrams and tetrahedrons, various compositional plots (boxplots, barplots, piecharts) and extensive graphical tools for principal components. Afterwards, ortion and proportion lines, straight lines and ellipses in all geometries can be added to plots. The package is accompanied by a hands-on-introduction, documentation for every function, demos of the graphical capabilities and plenty of usage examples. It allows direct and parallel computation in all four vector spaces and provides the beginner with a copy-and-paste style of data analysis, while letting advanced users keep the functionality and customizability they demand of R, as well as all necessary tools to add own analysis routines. A complete example is included in the appendix

Àlgebra vectorial: aplicacions lineals

Oferim als estudiants universitaris i als lectors interessats aquesta guia didàctica de la matemàtica universitària com a fruit dels nostres anys de docència de les matemàtiques a la Universitat. El resultat final ha esdevingut una col·lecció de setze petits volums agrupats en els dos mòduls d'Àlgebra Lineal i de Càlcul Infinitesimal. En aquest volum es generalitza en primer lloc el concepte d'aplicació entre dos espais vectorials i s'introdueix la important definició d'aplicació lineal. Pel seu estudi s'utilitza l'àlgebra matricial. A continuació es desenvolupen els temes de valors i vectors propis, la diagonalització d'endomorfismes i l'estudi de les formes quadràtiques

Àlgebra vectorial: vectors

Oferim als estudiants universitaris i als lectors interessats aquesta guia didàctica de la matemàtica universitària com a fruit dels nostres anys de docència de les matemàtiques a la Universitat. El resultat final ha esdevingut una col·lecció de setze petits volums agrupats en els dos mòduls d'Àlgebra Lineal i de Càlcul Infinitesimal. Amb aquest sisè volum de la col•lecció iniciem l’estudi de l’Àlgebra vectorial a partir de conceptes propers a la intuïció com són els vectors del pla i de l’espai per, a continuació, fer una generalització del concepte de vector a altres ens matemàtics com polinomis, successions, magnituds econòmiques, etc. En aquest volum utilitzarem sovint la notació matricial, ja coneguda i emprada en volums anteriors, i que esdevé una eina idònia per facilitar la notació dels conceptes i del càlcul entre vectors. Seguim amb l’estudi axiomàtic de l’estructura d’espai vectorial i les seves propietats, que com veurem en el proper volum ens permetrà, entre altres aplicacions a l’economia, deduir els valors i vectors propis d’un endomorfisme i diagonalitzar formes quadràtiques

Aitchison Geometry for Probability and Likelihood as a new approach to mathematical statistics

The Aitchison vector space structure for the simplex is generalized to a Hilbert space structure A2(P) for distributions and likelihoods on arbitrary spaces. Central notations of statistics, such as Information or Likelihood, can be identified in the algebraical structure of A2(P) and their corresponding notions in compositional data analysis, such as Aitchison distance or centered log ratio transform. In this way very elaborated aspects of mathematical statistics can be understood easily in the light of a simple vector space structure and of compositional data analysis. E.g. combination of statistical information such as Bayesian updating, combination of likelihood and robust M-estimation functions are simple additions/ perturbations in A2(Pprior). Weighting observations corresponds to a weighted addition of the corresponding evidence. Likelihood based statistics for general exponential families turns out to have a particularly easy interpretation in terms of A2(P). Regular exponential families form finite dimensional linear subspaces of A2(P) and they correspond to finite dimensional subspaces formed by their posterior in the dual information space A2(Pprior). The Aitchison norm can identified with mean Fisher information. The closing constant itself is identified with a generalization of the cummulant function and shown to be Kullback Leiblers directed information. Fisher information is the local geometry of the manifold induced by the A2(P) derivative of the Kullback Leibler information and the space A2(P) can therefore be seen as the tangential geometry of statistical inference at the distribution P. The discussion of A2(P) valued random variables, such as estimation functions or likelihoods, give a further interpretation of Fisher information as the expected squared norm of evidence and a scale free understanding of unbiased reasoning