# Nel 1992 (SperanzaDiVita, TassoDiFecondità, MortalitàInfantile)
# (mortalità in morti entro il 1^ anno di vita su 1000 nati)
Aspetti <- c("SperanzaVita","TassoFecond","MortInfant")
Africa   <- c(53,  6,95)
AmLatina <- c(68,2.1,47)
AmSett   <- c(76,  2, 8)
Asia     <- c(65,3.2,62)
Europa   <- c(75,1.7,10)
Oceania  <- c(73,2.5,22)
ExUrss   <- c(70,2.3,21)
dati <- c(Africa,AmLatina,AmSett,Asia,Europa,Oceania,ExUrss)
# I dati vengono messi colonna per colonna: Africa nella prima
# colonna, AmLatina nella seconda,...; uso quindi una tabella
# a (3 righe e) 7 colonne. Poi traspongo (con t) righe e colonne
# (il programma analizza le variabili messe nelle colonne)
tabella <- array(dati,dim=c(3,7)); tabella <- t(tabella); tabella
      [,1] [,2] [,3]
[1,]   53  6.0   95
[2,]   68  2.1   47
[3,]   76  2.0    8
[4,]   65  3.2   62
[5,]   75  1.7   10
[6,]   73  2.5   22
[7,]   70  2.3   21
cor(tabella)
           [,1]       [,2]       [,3]
[1,]  1.0000000 -0.9429762 -0.9750803
[2,] -0.9429762  1.0000000  0.8962503
[3,] -0.9750803  0.8962503  1.0000000
# C'è (nel complesso delle regioni esaminate) un'alta correlazione
# positiva tra mortalità e fecondità e alte correlazioni negative
# tra le altre 2 coppie di variabili. Ecco i diagrammi di dispersione:
plot(tabella[,1],tabella[,2],pch=19)
abline(v=seq(50,80,5),h=seq(2,6,1),lty=3)
plot(tabella[,1],tabella[,3],pch=19)
abline(v=seq(50,80,5),h=seq(10,90,10),lty=3)
plot(tabella[,2],tabella[,3],pch=19)
abline(v=seq(2,6,1),h=seq(10,90,10),lty=3)