#### Analisis de conglomerados:
#### Para obtener la matriz de distancias, puede usarse la funcion en R 'dist' -ver help(dist)  
#### Para otras distancias, usar la libreria 'labdsv'  y usar la funcion 'dsvdis' - ver help(dsvdis)


#### Ejemplo concordancias en la primera letra para los numeros entre 11 lenguas

sim.idiom <- matrix(c(10,  8,  8,  3,  4,  4,  4,  4,  3,  1,  1, 
 8, 10,  9,  5,  6,  4,  4,  4,  3,  2,  1, 
 8,  9, 10,  4,  5,  4,  1,  1,  0,  2,  1,
 3,  5,  4, 10,  5,  1,  1,  1,  0,  2,  1,  
 4,  6,  5,  5, 10,  3,  3,  3,  2, 1,  1,
 4,  4,  4,  1,  3, 10,  8,  9,  5,  0,  1,
 4,  4,  5,  1,  3,  8, 10,  9,  7,  0,  1,
 4,  4,  5,  1,  3,  9,  9, 10,  6,  0,  1,
 3,  3,  4,  0,  2,  5,  7,  6, 10,  0,  1,
 1,  2, 2,  2,  1,  0,  0,  0,  0, 10,  2,
 1,  1,  1,  1,  1,  1,  1,  1,  1,  2, 10),nrow=11,ncol=11,byrow=T);


dist.idiom <- as.dist(10-sim.idiom); ## Convierte la matriz de distancias en un objeto tipo 'dist' en R 
dimnames(dist.idiom) <- list(c("E","N","Da","Du","G","Fr","Sp","I","P","H","Fi"),c("E","N","Da","Du","G","Fr","Sp","I","P","H","Fi"));


### Conglomerados jerarquicos
# a) Single linkage:

single.clus <- hclust(d=dist.idiom, method="single")
plclust(single.clus,labels=c("E","N","Da","Du","G","Fr","Sp","I","P","H","Fi"), main="Single Linkage", xlab="",sub="")

# b y c): para  "average" y "complete linkage", solo cambiar argumento "method" a "method=average" o "method=complete"


### Conglomerados no jerarquicos: K-means

### kmeans(x= "matriz datos", centers= "numero de grupos iniciales o baricentros iniciales")
### la funcion 'plot' hace un plot similar al pasado del objeto calculado por 'kmeans()-

### alternativamente, se puede empezar de una matriz de distancias usando la funcion 'pam' de la 
### libraria 'cluster'.  El plot no es muy bonito que digamos, pero esta funcion incluye otros algoritmos para hacer 
### k-means
library(cluster)
kmeans.idiom <- pam(dist.idiom,k=3,diss=T, metric="euclidean");
kmeans.idiom$medoids ## los objetos que sirven de centroides
[1]  2  8 11
kmeans.idiom$clustering
[1] 1 1 1 1 1 2 2 2 2 1 3