Carrera de Ingeniería
Eléctrica PROGRAMACIÓN III
Tarea: Análisis en R
Índice
1. Marco Teórico
muestras aleatorias se pueden tomar de una en una, mientras que teniendo en cuenta la fila
y columna de los puntos de muestra generados previamente. (Gomero, 2012)
La correlación es una técnica estadística utilizada para medir la fuerza de la relación entre
las medidas de resultado y los parámetros en un modelo. Utilizando los residuos obtenidos
del procedimiento de regresión, se caracteriza por la correlación parcial.
Argumentos
modelo
La función a ejecutar, que representa el modelo o simulación. Si es NULL, no se ejecuta
ninguna función y el objeto generado está incompleto, vea también el método tell.
factores
Los nombres de las variables de entrada (usadas para nombrar el data.frame de 'datos' y en
el trazado) Ya sea un vector de cadenas o un solo número que representa el número de
factores
norte
El tamaño del hipercubo, es decir, cuántas muestras se generan. Debe ser al menos el número
de factores más 2.
q
Las funciones cuantiles a utilizar. Si solo se proporciona uno, se utilizará para todos los
parámetros. El valor predeterminado es "qunif".
q.arg
Una lista que contiene los argumentos para las funciones 'q'. Cada parámetro debe
especificarse mediante una lista con nombre, que contenga todos los argumentos para la
distribución de cuantiles. Si no se suministra, se utilizan valores predeterminados para los
parámetros.
cl
Clúster generado con la librería `` paralela ''. Puede ser de cualquier tipo soportado. Si se
proporciona un clúster, el modelo se ejecutará en paralelo o se distribuirá en el clúster a
través de clusterApply. No se proporciona balanceo de carga, por lo que los resultados del
modelo son reproducibles.
X: Un objeto LHS / PLUE. Para "tell", un objeto LHS incompleto (creado con el modelo =
NULL) Actualmente ignorado
2. Objetivos de la practica
• Conocer el programa estadístico R para poder realizar las prácticas las cuales se
hacen mediante la utilización de este.
• Revisar cada una de las librerías del programa y saber para qué sirve cada una de
ella.
• Analizar cada uno de los problemas dados para poder darle una solución más
rápida y entendible.
• Página WEB
• PDF de LHS y PRCC
• Computadora
• Microsoft Word
• Programa estadístico R
4. Procedimiento experimental
install.packages("Formula")
Lo primero que se debe hacer es determinar exactamente cuáles son los parámetros de entrada
para el modelo matemático. Debemos enumerar cuales parámetros deben ser investigados, se
calcularán, en este ejemplo, usaremos un modelo simple de crecimiento logístico de la población,
en que una población tiene una tasa intrínseca de crecimiento r, una capacidad de carga de K y una
población inicial de X0.
En cada paso del tiempo, la población puede crecer o disminuir, después de la siguiente expresión:
Xt + 1 = Xt + rXt (1 - Xt / K)
Las especies de interés, r y K siguen una distribución normal con parámetros conocidos.
Sin embargo, no se puede determinar de manera confiable cuál debería ser la población inicial,
así que hemos utilizado una distribución uniforme que cubre todos los valores razonables. los
K normal µ = 40, σ = 1
análisis, que contiene (1) los nombres de los parámetros, (2) la densidad de probabilidad
funciones, y (3) una lista que contiene las listas con todos los parámetros a la densidad
funciones:
> q.arg <- lista (lista (media = 1.7, dd = 0.3), lista (media = 40, dd = 1),
#librerias a instalar
#install.packages("pse")
#install.packages("lhs")
#install.packages("sensitivity")
#install.packages("Hmisc")
#install.packages("ks")
#install.packages("Rarity")
#install.packages("ggplot2")
#install.packages("lattice")
#install.packages("survival")
#install.packages("Formula")
library(pse)
library(lhs)
library(sensitivity)
library(Hmisc)
library(ks)
library(Rarity)
library(ggplot2)
library(lattice)
library(survival)
library(Formula)
q <- c("qnorm","qnorm","qunif")
q.arg <- list(list(mean = 1.7 , sd = 0.3 ), list(mean = 40 , sd = 1), list(min = 1 , max = 50))
Time <- 6
X <- array();
for (i in 1: Time){
Xl <- X[length(X)]
return (X)
#aqui tenemos las diferentes manera de graficar con las diferentes funciones
#plotecdf(myLHS)
#plotscatter(myLHS)
#plotprcc(myLHS)
pic(myLHS, nboot=40)
Anexos
Bibliografía
• Gomero, B. (2012). Latin Hypercube Sampling and Partial Rank. España: DEgre.
• Chalom, A.( 2013). Sensitivity analyses: a brief tutorial with R package pse. Obtenido de
https://cran.pau.edu.tr/web/packages/pse/vignettes/pse_tutorial.pdf
• McKay, MD y Beckman, RJ 1979. Una comparación de tres métodos para
seleccionar valores de variables de entrada en el análisis de salida de un código de
computadora, Technometrics 21: 239-244
• Chalom, A. y Prado, PIKL 2012. Parámetros de exploración espacial de modelos
ecológicos arXiv : 1210.6278 [q-bio.QM]