Analisis espectral con R
|
|
- María del Rosario Iglesias Pérez
- hace 6 años
- Vistas:
Transcripción
1 1 of 15 28/11/ :29 Analisis espectral con R Documento tecnico: Leer librerias/datos/ crear nuevas variables Niveles de significación para el test de Durbin(1969) : Test <- read.csv("td.csv", header = TRUE, sep = ";", dec = ",") Warning: cannot open file 'TD.csv': No such file or directory Error: cannot open the connection Datos de energía y PIB españa: datos <- read.csv("energia.csv", header = TRUE, sep = ";", dec = ",") celec <- datos$y PIB <- datos$x Función gdt(a) Transforma los datos del dominio del tiempo al dominio de la frecuencia pre-multiplicandolos por la matriz ortogonal, A, sugerida por Harvey (1978) gdf <- function(a) { a <- matrix(a, nrow = 1) n <- length(a) uno <- as.numeric(1:n) A <- matrix(rep(sqrt(1/n), n), nrow = 1) for (i in 3:n - 1) { if (i%%2 == 0) { A1 <- matrix(sqrt(2/n) * cos(pi * i * (uno - 1)/n), nrow = 1) A <- rbind(a, A1) else { A2 <- matrix(sqrt(2/n) * sin(pi * (i - 1) * (uno - 1)/n), nrow = 1) A <- rbind(a, A2) AN <- matrix(sqrt(1/n) * (-1)^(uno + 1), nrow = 1) A <- rbind(a, AN) A %*% t(a)
2 2 of 15 28/11/ :29 Transforma los datos del dominio de frecuencias al dominio del tiempo pre-multiplicandolos por la matriz ortogonal, A, sugerida por Harvey (1978) gdt <- function(a) { a <- matrix(a, nrow = 1) n <- length(a) uno <- as.numeric(1:n) A <- matrix(rep(sqrt(1/n), n), nrow = 1) for (i in 3:n - 1) { if (i%%2 == 0) { A1 <- matrix(sqrt(2/n) * cos(pi * i * (uno - 1)/n), nrow = 1) A <- rbind(a, A1) else { A2 <- matrix(sqrt(2/n) * sin(pi * (i - 1) * (uno - 1)/n), nrow = 1) A <- rbind(a, A2) AN <- matrix(sqrt(1/n) * (-1)^(uno + 1), nrow = 1) A <- rbind(a, AN) t(a) %*% t(a) Otiene la matriz auxiliar para operaciones con vectores en dominio de tiempo y dominio de la frecuencia, pre-multiplica un vector por la matriz ortogonal, A y por su transpuesta, Parra F. (2013) cdf <- function(a) { a <- matrix(a, nrow = 1) n <- length(a) uno <- as.numeric(1:n) A <- matrix(rep(sqrt(1/n), n), nrow = 1) for (i in 3:n - 1) { if (i%%2 == 0) { A1 <- matrix(sqrt(2/n) * cos(pi * i * (uno - 1)/n), nrow = 1) A <- rbind(a, A1) else { A2 <- matrix(sqrt(2/n) * sin(pi * (i - 1) * (uno - 1)/n), nrow = 1) A <- rbind(a, A2) AN <- matrix(sqrt(1/n) * (-1)^(uno + 1), nrow = 1) A <- rbind(a, AN) I <- diag(c(a)) B <- A %*% I B %*% t(a) Función periodogrma (a)
3 3 of 15 28/11/ :29 Calcula y presenta el espectro de la variabe a periodograma <- function(a) { cf <- gdf(a) n <- length(a) if (n%%2 == 0) { m1 <- c(0) m2 <- c() for (i in 1:n) { if (i%%2 == 0) m1 <- c(m1, cf[i]) else m2 <- c(m2, cf[i]) m2 <- c(m2, 0) frecuencia <- seq(0:(n/2)) frecuencia <- frecuencia - 1 omega <- pi * frecuencia/(n/2) periodos <- n/frecuencia densidad <- (m1^2 + m2^2)/(4 * pi) tabla <- data.frame(omega, frecuencia, periodos, densidad) tabla$densidad[(n/2 + 1)] <- 2 * tabla$densidad[(n/2 + 1)] data.frame(tabla[2:(n/2 + 1), ]) else { m1 <- c(0) m2 <- c() for (i in 1:(n - 1)) { if (i%%2 == 0) m1 <- c(m1, cf[i]) else m2 <- c(m2, cf[i]) m2 <- c(m2, cf[n]) frecuencia <- seq(0:((n - 1)/2)) frecuencia <- frecuencia - 1 omega <- pi * frecuencia/(n/2) periodos <- n/frecuencia densidad <- (m1^2 + m2^2)/(4 * pi) tabla <- data.frame(omega, frecuencia, periodos, densidad) data.frame(tabla[2:((n + 1)/2), ]) Función gperiodogrma (a) Presenta gráficamente el espectro de la variabe a gperiodograma <- function(a) { tabla <- periodograma(a) plot(tabla$frecuencia, tabla$densidad, main = "Espectro", ylab = "densidad", xlab = "frecuencia", type = "l", col = "#ff0000") Función td (a,b) Realiza una prueba estadística para estudiar la dependencia serial sobre el periodograma
4 4 of 15 28/11/ :29 acumulado de a, con una significación de 0,1(b=1); 0,05(b=2); 0,025(b=3); 0,01(b=4) y 0,005 (b=5) (Durbin; 1969) td <- function(a, b) { per <- periodograma(a) p <- as.numeric(per$densidad) n <- length(p) s <- p[1] t <- 1:n for (i in 2:n) { s1 <- p[i] + s[(i - 1)] s <- c(s, s1) s2 <- s/s[n] while (n > 50) n <- 50 if (b == 1) c <- Test[n, 1] else { if (b == 2) c <- Test[n, 2] else { if (b == 2) c <- Test[n, 3] else c <- Test[n, 4] min <- -c + (t/length(p)) max <- c + (t/length(p)) data.frame(s2, min, max) Fuction gtd (a,b) Presenta graficamente los resultados de la prueba de Durbin (Durbin; 1969) : gtd <- function(a, b) { S <- td(a, b) plot(ts(s), plot.type = "single", lty = 1:3) Función rbs (a) Realiza la regresión band spectrum del vector de datos a con el vector de datos b para las d frecuencias empezando por c. rbs <- function(a, b, c, d) { a <- matrix(a, nrow = 1) n <- length(a) A <- c(1, rep(0, c - 1), rep(1, d), rep(0, n - c - d)) unos <- rep(1, n) lm1 <- lm(diag(a) %*% gdf(a) ~ 0 + diag(a) %*% gdf(b) + diag(a) %*% gdf(unos)) summary(lm1) Realiza la regresión dependiente del tiempo de los vectores a y b, en las d primeras
5 5 of 15 28/11/ :29 frecuencias. rdt <- function(a, b, d) { a <- matrix(a, nrow = 1) b <- matrix(b, nrow = 1) n <- length(a) f <- function(x) { for (i in 1:d) x[i] A <- c(x[1:d], rep(0, n - d)) B <- c(x[d + 1], rep(0, n - 1)) unos <- c(rep(1, n)) colsums((gdf(celec) - cdf(pib) %*% t(t(a)) - cdf(unos) %*% t(t(b)))^2) xmin <- optim(c(rep(1, d + 1)), f, NULL, method = "BFGS") A <- c(xmin$par[1:d], rep(0, n - d)) B <- c(xmin$par[d + 1], rep(0, n - 1)) fitted <- cdf(b) %*% t(t(a)) + cdf(unos) %*% t(t(b)) plot(b, a, pch = 19, col = "blue") lines(b, gdt(fitted), lwd = 3, col = "red") print(xmin) fitted <- gdt(fitted) betas <- gdt(a) alfha <- gdt(b) ta <- t(a) error <- ta - fitted ajuste <- 1 - colsums(error^2)/colsums(ta^2) print(fitted) print(betas) print(alfha) print(ajuste) plot(b, error, pch = 19, col = "blue") gtd(error, 2) Output: Analisis PIB periodograma(pib) omega frecuencia periodos densidad e e e e e e e e+08 plot(ts(pib), plot.type = "single", lty = 1:3)
6 6 of 15 28/11/ :29 gperiodograma(pib) gtd(pib, 3)
7 7 of 15 28/11/ :29 Error: object 'Test' not found Analisis Consumo de electricidad periodograma(celec) omega frecuencia periodos densidad plot(ts(celec), plot.type = "single", lty = 1:3) gperiodograma(celec)
8 8 of 15 28/11/ :29 gtd(celec, 3) Error: object 'Test' not found Regresión consumo energía electrica y PIB en el dominio del tiempo lm1 <- lm(celec ~ PIB) plot(pib, celec, pch = 19, col = "blue") lines(pib, lm1$fitted, lwd = 3, col = "red")
9 9 of 15 28/11/ :29 summary(lm1) Call: lm(formula = celec ~ PIB) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) -6.65e e e-11 *** PIB 3.68e e < 2e-16 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 245 on 14 degrees of freedom Multiple R-squared: 0.997, Adjusted R-squared: F-statistic: 4.04e+03 on 1 and 14 DF, p-value: <2e-16 plot(lm1$residuals, celec, pch = 19, col = "blue")
10 10 of 15 28/11/ :29 gperiodograma(lm1$residuals) gtd(lm1$residuals, 3)
11 11 of 15 28/11/ :29 Error: object 'Test' not found Regresión consumo energía electrica y PIB en el dominio de la frecuencia unos <- rep(1, 16) lm2 <- lm(gdf(celec) ~ 0 + gdf(pib) + gdf(unos)) summary(lm2) Call: lm(formula = gdf(celec) ~ 0 + gdf(pib) + gdf(unos)) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) gdf(pib) 3.68e e < 2e-16 *** gdf(unos) -6.65e e e-11 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 245 on 14 degrees of freedom Multiple R-squared: 1, Adjusted R-squared: 1 F-statistic: 3.98e+04 on 2 and 14 DF, p-value: <2e-16 Regresión band spectrum del consumo de electricidad y el PIB para las 4/2 frecuencias, comenzando por la frecuencia de periodo n. rbs(celec, PIB, 1, 4)
12 12 of 15 28/11/ :29 Call: lm(formula = diag(a) %*% gdf(a) ~ 0 + diag(a) %*% gdf(b) + diag(a) %*% gdf(unos)) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) diag(a) %*% gdf(b) 3.74e e < 2e-16 *** diag(a) %*% gdf(unos) -7.01e e e-13 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 153 on 14 degrees of freedom Multiple R-squared: 1, Adjusted R-squared: 1 F-statistic: 1.01e+05 on 2 and 14 DF, p-value: <2e-16 A <- c(rep(1, 5), rep(0, 11)) unos <- rep(1, 16) lm5 <- lm(gdf(celec) ~ 0 + cdf(unos) %*% gdf(pib) + gdf(unos)) plot(pib, celec, pch = 19, col = "blue") lines(pib, gdt(lm5$fitted), lwd = 3, col = "red") summary(lm5)
13 13 of 15 28/11/ :29 Call: lm(formula = gdf(celec) ~ 0 + cdf(unos) %*% gdf(pib) + gdf(unos)) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) cdf(unos) %*% gdf(pib) 3.68e e < 2e-16 *** gdf(unos) -6.65e e e-11 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 245 on 14 degrees of freedom Multiple R-squared: 1, Adjusted R-squared: 1 F-statistic: 3.98e+04 on 2 and 14 DF, p-value: <2e-16 Realiza la regresión dependiente del tiempo de los vectores a y b, en la frecuencia de periodo n y n/2. rdt(celec, PIB, 5)
14 14 of 15 28/11/ :29 $par [1] 1.377e e e e e e+04 $value [1] $counts function gradient $convergence [1] 0 $message NULL [,1] [1,] [2,] [3,] [4,] [5,] [6,] [7,] [8,] [9,] [10,] [11,] [12,] [13,] [14,] [15,] [16,] [,1] [1,] [2,] [3,] [4,] [5,] [6,] [7,] [8,] [9,] [10,] [11,] [12,] [13,] [14,] [15,] [16,] [,1] [1,] [2,] -5180
15 15 of 15 28/11/ :29 [3,] [4,] [5,] [6,] [7,] [8,] [9,] [10,] [11,] [12,] [13,] [14,] [15,] [16,] [1] Error: object 'Test' not found
Ejercicios de Análisis de la Varianza con R
Ejercicios de Análisis de la Varianza con R Francesc armona Departament d Estadística 30 de noviembre de 2006 1. Introducción En este documento se resuelven algunos de los problemas del libro Problemas
Más detallesDatos binomiales 1.70 1.75 1.80 1.85. beetles$dosis
Datos binomiales Modelos de dosis-respuesta Carga de datos y calculo de proporciones: beetles
Más detalles> y <- c(19, 57, 29, 63, 29, 49, 27, 53, 23, 47, 33, 66, 47, 55, 23, 50, + 24, 37, 42, 68, 43, 52, 30, 42) > ly <- length( y )
Preferencia por un nuevo Detergente: Para un estudio de mercado sobre las preferencias entre un nuevo detergente Xx y uno standard Mm se consideró una muestra de 1008 consumidores, a los que se preguntó
Más detallesLa distribución de Poisson es de tipo exponencial con parámetro dispersión 1.
Reclaaciones y Edad (Pawitan). Una copañía aseguradora quiere conocer cóo depende el núero de reclaaciones de los clientes con cierta póliza, de su edad. El archivo reclaaciones.txt contiene los datos
Más detalles... *Elasticidad ingreso del gasto en electricidad (Modelo Restringido). reg lviv ling
---- ---------------------------------------- log: C:\datos\docencia\econIccee\practicas2009\chowlog log type: text opened on: 17 Sep 2009, 17:58:52 use "$ruta\chowdta", clear * crear variable logaritmo
Más detallesAnálisis de Series Temporales. Análisis de 10 series de datos aplicando técnicas y métodos estadísticos de análisis de series temporales con R.
Análisis de Series Temporales. Análisis de 10 series de datos aplicando técnicas y métodos estadísticos de análisis de series temporales con R. Juan Antonio Breña Moral Pagina 1 Índice. 1. Introducción
Más detallesModelos lineales: Regresión, ANOVA y ANCOVA
: Regresión, ANOVA y ANCOVA Luis Cayuela Junio de 2010 EcoLab, Centro Andaluz de Medio Ambiente, Universidad de Granada Junta de Andalucía, Avenida del Mediterráneo s/n, E-18006, Granada. E-mail: lcayuela@ugr.es.
Más detallesDiferencia de la tasa de cambio
Ejemplo 1: Prueba de raíz unitaria de Dickey y Fuller Este ejemplo utiliza información del archivo erate1.wf1. Sea LO el logaritmo de la tasa de cambio oficial peso-dólar en Colombia para el período 197:1
Más detallesPráctica 0: Introducción a Matlab. Series Temporales. Diplomatura en Estadística. 2009/2010
Práctica 0: Introducción a Matlab. Series Temporales. Diplomatura en Estadística. 2009/200 Matlab es un programa inicialmente diseñado para realizar operaciones matriciales (MATrix LABoratory) que ha ido
Más detallesUniversidade de Vigo. Linealidad. El comportamiento esperado de la variable dependiente
Linealidad El comportamiento esperado de la variable dependiente El concepto de linealidad Indica que el valor esperado de la variable dependiente depende linealmente de las variables independientes El
Más detallesProyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico.
1 Primeros pasos en R. Al iniciarse R (ver Figura 16), R espera la entrada de órdenes y presenta un símbolo para indicarlo. El símbolo asignado, como puede observarse al final, es > Figura 16. Pantalla
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Abril 2013 Aniel Nieves-González () Time Series Abril 2013 1 / 15 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por
Más detallesTutorial Ambiente de Trabajo en InfoStat
INTRODUCCIÓN A LA INTERFAZ DE INFOSTAT CON R R Project, más conocido como R, es un lenguaje de programación que ha sido desarrollado principalmente para análisis estadístico. Es un lenguaje libre que permite
Más detallesGUÍA BÁSICA DE SCHEME v.4
Esta guía básica pretende ser una introducción elemental al lenguaje de programación Scheme. Se presenta como una guía de comienzo rápido de tal forma que permita conocer de una forma muy esquemática los
Más detallesTaller de Introducción a R 2. Manipulación de datos
Taller de Introducción a R 2. Manipulación de datos Ricardo Alvarado Rodolfo Mora Ricardo Román ralvarado@cenat.ac.cr rmora@cenat.ac.cr rroman@cenat.ac.cr Noviembre, 2015 Contenido 1 Estructuras de datos
Más detallesIIC 3633 - Sistemas Recomendadores
Tests Estadísticos para Comparar Recomendaciones IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile Page 1 of 11 TOC En esta clase 1. Significancia Estadistica de los Resultados
Más detallesTutorial 10: Regresión
PostData Curso de Introducción a la Estadística Tutorial 10: Regresión Atención: Este documento pdf lleva adjuntos algunos de los ficheros de datos necesarios. Y está pensado para trabajar con él directamente
Más detallesRedalyc. Disponible en: http://redalyc.uaemex.mx/src/inicio/artpdfred.jsp?icve=40211814018
Redalyc Sistema de Información Científica Red de Revistas Científicas de América Latina, el Caribe, España y Portugal Mandeville, Peter B. Tema 21: Tamaño de la muestra para modelos lineales Ciencia UANL,
Más detallesRegresión lineal múltiple con R
Regresión lineal con R Mathieu Kessler Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Regresión lineal múltiple con R 1 Regresión lineal simple 1.1 Old Faithful
Más detallesLos modelos lineales (regresión, ANOVA, ANCOVA), se basan en los siguientes supuestos:
GLM-Introducción Los modelos lineales (regresión, ANOVA, ANCOVA), se basan en los siguientes supuestos: 1. Los errores se distribuyen normalmente. 2. La varianza es constante. 3. La variable dependiente
Más detallesComputación Estadística
Computación Estadística Introducción a R (2): Gráficos y Estadística descriptiva con R María Teresa González Arteaga Gráficos(1) X11() para activar un dispositivo gráfico dev.off() para cerrar dispositivos
Más detalles1. Introducción al programa R
BASES DE ESTADÍSTICA 1º de CC. Ambientales, curso 2009 2010 GUIÓN DE LAS PRÁCTICAS CON R 1. Introducción al programa R El programa R funciona con una ventana donde se escriben los comandos más una ventana
Más detallesRegresión Lineal Simple
Capítulo 19 Regresión Lineal Simple Jordi Cortés, Nerea Bielsa y Erik Cobo Pilar Muñoz, Ángel Ruiz, José Antonio González Febrero 2015 Regresión Lineal Simple Regresión lineal simple Presentación... 3
Más detalles2. El Modelo de Regresión Lineal Simple
Tema 2 El Modelo de Regresión Lineal Simple 2-1 2. El Modelo de Regresión Lineal Simple Problema de mínimos cuadrados. Estimadores mínimos cuadrados ˆβ 0, ˆβ 1, y s 2. Estimadores de máxima verosimilitud
Más detallesTutorial 10: Regresión lineal simple.
PostData Curso de Introducción a la Estadística Tutorial 10: Regresión lineal simple. Atención: Este documento pdf lleva adjuntos algunos de los cheros de datos necesarios. Y está pensado para trabajar
Más detallesGradiente conjugado. MSc. Miguel Vargas-Félix miguelvargas@cimat.mx http://www.cimat.mx/~miguelvargas 07/09/11 1/23
Gradiente conjugado MSc. Miguel Vargas-Félix miguelvargas@cimat.mx http://www.cimat.mx/~miguelvargas 07/09/11 1/23 Contenido Contenido Estructura de una matriz rala a partir de conectividades Compressed
Más detallesTema 2. El lenguaje JAVA
Tema 2. El lenguaje JAVA Nomenclatura habitual Variables Tipos de variables Tipos primitivos Referencias Arrays Operadores Operadores de Java Precedencia de operadores Sentencias de control Sentencias
Más detallesÁlgebra Lineal Tutorial básico de MATLAB
Escuela de Matemáticas. Universidad Nacional de Colombia, Sede Medellín. 1 VECTORES Álgebra Lineal Tutorial básico de MATLAB MATLAB es un programa interactivo para cómputos numéricos y visualización de
Más detalles>> 10.5 + 3.1 % suma de dos números reales, el resultado se asigna a ans
Universidad de Concepción Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Matemática Cálculo Numérico (521230) Laboratorio 1: Introducción al Matlab Matlab es una abreviatura para
Más detallesIntroducción a R. Buenos Aires, Oct 2011 GENOMICA UBA. Francisco García fgarcia@cipf.es http://bioinfo.cipf.es/fgarcia
Introducción a R Buenos Aires, Oct 2011 GENOMICA UBA Francisco García fgarcia@cipf.es http://bioinfo.cipf.es/fgarcia Bioinformatics and Genomics Department Centro de Investigación Príncipe Felipe (CIPF)
Más detallesECONOMETRIA APLICADA NOTAS DATOS DE PANEL
ECONOMETRIA APLICADA NOTAS DATOS DE PANEL Revisión En una de las referencias clásicas en la literatura, Hsiao (1986) los describe como secciones cruzadas de individuos observadas a lo largo del tiempo.
Más detallesGUÍA TEÓRICO PRÁCTICA 2.
Matrices, Listas y Data Frames Matrices GUÍA TEÓRICO PRÁCTICA 2. Una matriz es un arreglo bidimensional. Una forma de crear una matriz es generando un vector y aplicándole la función matrix(). Por defecto
Más detallescon R y R Commander (Versión Febrero 2008) Autores: A. J. Arriaza Gómez M. A. López Sánchez S. Pérez Plaza A. Sánchez Navas
Estadística Básica con R y R Commander (Versión Febrero 2008) Autores: A. J. Arriaza Gómez F. Fernández Palacín M. A. López Sánchez M. Muñoz Márquez S. Pérez Plaza A. Sánchez Navas Copyright c 2008 Universidad
Más detallesNUEVO LEÓN, MOTOR DE CRECIMIENTO EN MÉXICO: LA ECONOMÍA DEL ESTADO AL CIERRE DE 2011
NUEVO LEÓN, MOTOR DE CRECIMIENTO EN MÉXICO: LA ECONOMÍA DEL ESTADO AL CIERRE DE Debido de manera importante a las inversiones por la reconstrucción, a la inversión nacional y extranjera y a las exportaciones,
Más detallesESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO
ESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO INTRODUCCION A continuación se presenta un modelo sobre las ventas de autos de pasajeros en Estados Unidos. Se debe recordar que Estados Unidos posee
Más detallesR es un programa de 32 bits y precisa Windows 95 o superior para funcionar. Existen versiones para Linux, pero no para Windows 3 o DOS.
Apuntes de R Créditos: Estos apuntes se basan en una traducción de parte de un documento facilitado por Pablo E. Verde, del AMS y otros documentos sobre SPLUS o R de dominio público. Inicio de R R es un
Más detallesEs el comercio exterior de bienes la solución a la crisis en España? Trabajo Fin de Grado
Es el comercio exterior de bienes la solución a la crisis en España? Trabajo Fin de Grado 4 de Septiembre 2014 Universidad Politécnica de Cartagena. Facultad de Ciencias de la Empresa. Departamento de
Más detallesUSO DE LA LIBRERÍA TCL/TK EN EL DESARROLLO DE UNA INTERFAZ GRÁFICA DE USUARIO (GUI) EN R
USO DE LA LIBRERÍA TCL/TK EN EL DESARROLLO DE UNA INTERFAZ GRÁFICA DE USUARIO (GUI) EN R Ospina G. Johann A. Escuela de Estadística, Facultad de Ingeniería, Universidad del Valle e-mail: johann.ospina@correounivalle.edu.co
Más detallesHipótesis Alternativa: Afirmación sobre las posibles alternativas que se tienen a la afirmación hecha en la hipótesis nula.
PRUEBA DE HIPÓTESIS Introducción (10 min) En el mundo de las finanzas, la administración y la economía tan importante como saber hacer y entender a cabalidad las estimaciones que nos ayudaran a la toma
Más detallesLA PARIDAD DEL PODER DE COMPRA ENTRE PERÚ y ESTADOS ( )
LA PARIDAD DEL PODER DE COMPRA ENTRE PERÚ y ESTADOS UNIDOS (1991.01 2011.07) Ponente: Mag. Cornelio TicseNúñez RESUMEN Los resultados obtenidos muestran que los datosnoseajustan a lo que predice la teoría
Más detallesMuestreo e inferencia
Images created with STATA software. 1 Muestreo e inferencia Calidad de los datos y las mediciones Razones para hablar de muestreo Formación académica de la población Comprender los datos que se van a utilizar
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesProblemas de contorno: Series de Fourier y aproximación numérica de soluciones.
Problemas de contorno: Series de Fourier y aproximación numérica de soluciones. Capítulo 5 - Libro + Hoja de problemas 8 + Complementos Resumen de contenidos: - Resoluciones explícitas (si se puede) -
Más detallesProgramación 1. Tema II. Diseño de programas elementales. Lección 7. Diseño modular y descendente de programas
Programación 1 Tema II. Diseño de programas elementales Lección 7. Diseño modular y descendente de programas 1 Objetivos de la lección : Aprender qué es un diseño modular de un programa Aprender a diseñar
Más detallesIntroducción a MATLAB/ OCTAVE. Fundamentos Físicos de la Informática, 2006
Introducción a MATLAB/ OCTAVE Fundamentos Físicos de la Informática, 006 Matlab/ Octave Matlab es un lenguaje de programación orientado al cálculo numérico, principalmente matricial Octave es un programa
Más detallesREGRESIÓN LINEAL MÚLTIPLE
REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables... 5 3.- Correlaciones parciales y semiparciales... 8 4.- Multicolinealidad en las variables explicativas...
Más detallesCointegración El caso bivariado
Cointegración El caso bivariado Definición: La serie Y t es integrada de orden d (denotada I(d)) si al menos debe ser diferenciada d veces para que sea estacionaria. Ejemplos: 1. El proceso random walk
Más detallesIntroducción a MATLAB
Introducción a MATLAB Sistemas Conexionistas - Curso 07/08 MATLAB es un sistema interactivo basado en matrices para cálculos científicos y de ingeniería. Se pueden resolver problemas numéricos relativamente
Más detallesInformation Retrieval:
Information Retrieval: Consiste en encontrar información, mayormente en la forma de documentos, pero que se encuentran en una forma no estructurada. Estos datos satisfacen las necesidades de grandes repositorios
Más detallesLos bloques DLL (Figura A.1) externos permiten al usuario escribir su propio código y
Apéndice A Bloques DLL Los bloques DLL (Figura A.1) externos permiten al usuario escribir su propio código y programarlo en lenguaje C, compilarlo dentro de un archivo DLL usando el Microsoft C/C++ o el
Más detallesUN PROGRAMA PARA APLICAR EL METODO DE DESAGREGACION TEMPORAL DE LITTERMAN. Enrique M. Quilis 1. Instituto Nacional de Estadística
UN PROGRAMA PARA APLICAR EL METODO DE DESAGREGACION TEMPORAL DE LITTERMAN Enrique M. Quilis 1 Instituto Nacional de Estadística 1 Agradezco a Juan Bógalo (INE, España) sus comentarios. El interés por el
Más detallesPL/SQL. DECLARE /* Parte Declarativa */ BEGIN /* Parte de Ejecución */ EXCEPTION /* Parte de Excepciones */ END;
18 de marzo de 2002 1 1. Declaraciones Variables y constantes Cursores Excepciones 2. Instrucciones Asignación Control de flujo Bucles 3. Manejadores de excepciones 4. Anidamiento de bloques 5. Tipos de
Más detallesIntroducción a MATLAB
Introducción a MATLAB Sistemas Conexionistas - Curso 08/09 MATLAB es un sistema interactivo basado en matrices que se utiliza para cálculos científicos y de ingeniería. Puede resolver problemas numéricos
Más detallesUSO DEL MÉTODO DE PRECIOS HEDÓNICOS, PARA ESTIMAR
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERIA CIVIL USO DEL MÉTODO DE PRECIOS HEDÓNICOS, PARA ESTIMAR VARIACIÓN EN PRECIOS DE VIVIENDAS PRODUCTO DE NUEVAS LÍNEAS
Más detallesComandos de MatLab utilizados para el procesamiento de imágenes.
Comandos de MatLab utilizados para el procesamiento de imágenes. Cargar imágenes en matrices: A=double(imread(NombreImagen,Formato)); Donde NombreImagen representa el nombre de la imagen con el path completo
Más detallesCálculos con el programa R
Cálculos con el programa R Introducir el concepto de distribución normal Aprender el uso del programa R para realizar cálculos con la distribución normal Probabilidad de intervalos Cálculo e interpretación
Más detallesAlternativas de diseño de una granja de truchas: volumen de producción y número de lotes anuales con dos perfiles de temperaturas
Revista AquaTIC, nº 19-23 35 Revista AquaTIC, nº 19, pp. 35-4. Año 23 http://www.revistaaquatic.com/aquatic/art.asp?t=p&c=169 Alternativas de diseño de una granja de truchas: volumen de producción y número
Más detallesVECTORES EN EL ESPACIO. 1. Determina el valor de t para que los vectores de coordenadas sean linealmente dependientes.
VECTORES EN EL ESPACIO. Determina el valor de t para que los vectores de coordenadas (,, t), 0, t, t) y(, 2, t) sean linealmente dependientes. Si son linealmente dependientes, uno de ellos, se podrá expresar
Más detallesTaller de gráficos. Servicio de Apoyo a la Investigación Universidad de Murcia. Carlos Balsalobre (cbalsalobre@umh.es) www.um.es/sai www.um.
Taller de gráficos Servicio de Apoyo a la Investigación Universidad de Murcia. Carlos Balsalobre (cbalsalobre@umh.es) www.um.es/sai www.um.es/ae Servicio de Apoyo a la Investigación. Sección de Apoyo Estadístico
Más detallesLAB 13 - Análisis de Covarianza - CLAVE
LAB 13 - Análisis de Covarianza - CLAVE Se realizó un experimento para estudiar la eficacia de un promotor de crecimiento en terneros en lactación. Se usaron cuatro dosis de la droga (0, 2.5, 5 y 7.5 mg).
Más detallesUniversidad Politécnica de Madrid Escuela Técnica Superior de Ingenieros Industriales. Matemáticas de Especialidad Ingeniería Eléctrica
Universidad Politécnica de Madrid Escuela Técnica Superior de Ingenieros Industriales Matemáticas de Especialidad Ingeniería Eléctrica Fundamentos de Álgebra Lineal Numérica Clase_algnu_2014.pdf José Luis
Más detallesTema 2 Descripción de VHDL (2/2)
TECNOLOGÍA DE COMPUTADORES Tema 2 Descripción de VHDL (2/2) Agustín Álvarez Marquina Tipos de sentencias en VHDL Sentencias concurrentes PROCESS Asignación de señal BLOCK Llamadas a procedimientos Llamadas
Más detallesPráctica 0 Introducción a la programación en C
DEPARTAMENTO DE AUTOMÁTICA ARQUITECTURA Y TECNOLOGÍA DE COMPUTADORES OBJETIVO Grado en Ingeniería de Computadores COMPUTACIÓN DE ALTAS PRESTACIONES Práctica 0 Introducción a la programación en C Se pretende
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesClases abstractas no polimórficas para C++
Clases abstractas no polimórficas para C++ Adolfo Di Mare Universidad de Costa Rica Escuela de Ciencias de la Computación e Informática adolfo.dimare@ecci.ucr.ac.cr RESUMEN Se describe cómo lograr que
Más detallesLABORATORIO DE PROGRAMACIÓN II Problemas HOJA 1 RECURSIVIDAD
LABORATORIO DE PROGRAMACIÓN II Problemas HOJA 1 RECURSIVIDAD NÚMERO 1. PROGRAM Hoja1_numero1 (input,output); **** Este programa pide al usuario N letras y las escribe, en el orden inverso al que fueron
Más detallesPor ejemplo, si se desea discriminar entre créditos que se devuelven o que presentan
Regresión Logística Introducción El problema de clasificación en dos grupos puede abordarse introduciendo una variable ficticia binaria para representar la pertenencia de una observación a uno de los dos
Más detallesModelo Econométrico Empleo en México
Memoria del XXI Coloquio Mexicano de Economía Matemática y Econometría Modelo Econométrico Empleo en México Mónica González Morales 1 Introducción 2000 a 2010 trimestralmente comprar productos fabricados
Más detalles324 MR Versión 1 Prueba Integral 1/3 Semana 10 Lapso 2015-2
324 MR Versión 1 Prueba Integral 1/3 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Computación II CÓDIGO: 324 MOMENTO: Prueba Integral FECHA DE APLICACIÓN:
Más detallesAdrian De León Arias. 1. Introducción.
EL CRECIMIENTO EN MEXICO Y SU INTERDEPENDENCIA CON ESTADOS UNIDOS: UN ANÁLISIS DE COINTEGRACIÓN. MEXICO S ECONOMIC GROWTH AND ITS INTERDEPENDENCE WITH THE UNITED STATES: A COINTEGRATION ANALYSIS- Adrian
Más detallesCurso de Iniciación a R
Curso de Iniciación a R Ibon Martínez http://fdesnedecor.wordpress.com/ µ ¹ ½ http://fdesnedecor.wordpress.com/, Agosto 2011 p. 1/51 Proyecto R - Qué es R? R es un lenguaje de programación para entorno
Más detallesPráctica 1: Introducción a R
Práctica 1: Introducción a R 1. Introducción R es un lenguaje de alto nivel y un entorno para el análisis de datos y gráficos. Puede descargarse libremente del sitio llamado CRAN (Comprehensive R Archive
Más detallesTrabajando en la ventana de comandos en el programa gretl.
Proyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico. 1 Trabajando en la ventana de comandos en el programa gretl. Gretl permite trabajar mediante comandos y funciones,
Más detallesTrabajando en la ventana de comandos en el programa gretl.
Trabajando con comandos. Prof. Jorge Chica Olmo. Univ. Granada. 1 Trabajando en la ventana de comandos en el programa gretl. Gretl permite trabajar mediante comandos y funciones, es decir mediante un conjunto
Más detallesFunciones & Estructuras de control
Funciones & Estructuras de control Universidad de Concepción, Chile Departamento de Geofísica Programación Científica con Software libre Primavera, 2011 Universidad de Concepción Contenidos 1 2 3 En la
Más detallesUNIDAD 4: MATRICES, MARCOS DE DATOS Y LECTURA DE DATOS EN R
UNIDAD 4: MATRICES, MARCOS DE DATOS Y LECTURA DE DATOS EN R Técnicas Inteligentes en Bioinformática Máster en Lógica, Computación e Inteligencia Artificial Dpto. Ciencias de la Computación e Inteligencia
Más detalles8 PROCESAMIENTO DIGITAL DE IMÁGENES USANDO MATLAB & SIMULINK RA-MA
ÍNDICE PRÓLOGO...19 CAPÍTULO 1. INTRODUCCIÓN...25 1.1 SISTEMA DE VISIÓN Y PROCESAMIENTO DE IMÁGENES...25 1.2 PROCESAMIENTO DIGITAL DE IMÁGENES...26 1.3 RELACIONES BÁSICAS ENTRE PÍXELES...27 1.3.1 Vecinos
Más detallesSatisfacción en el trabajo Muy insatisfecho. Poco insatisfecho. Muy satisfecho < 12000 20 24 80 82 Ingresos( )
Ingresos y Satisfacción en el trabajo: La siguiente tabla presenta el resultado de una encuesta para estudiar la relación entre el nivel de ingresos y la satisfacción en el trabajo. Satisfacción en el
Más detallesInstrucciones de uso de EViews.
Instrucciones de uso de EViews. Índice Abrir un fichero de trabajo........................................................ 1.2 Borrar una variable...............................................................
Más detallesUNIVERSIDAD DE VIGO. PROGRAMA DE DOCTORADO Ingeniería del Software basada en componentes reutilizables, aplicaciones en Interfaces Hombre-Máquina
UNIVERSIDAD DE VIGO PROGRAMA DE DOCTORADO Ingeniería del Software basada en componentes reutilizables, aplicaciones en Interfaces Hombre-Máquina Bienio.- 2007/2009 Curso de Doctorado Algoritmos y Aplicaciones
Más detallesIntroducción a Matlab.
Introducción a Matlab. Ejercicios básicos de manipulación de imágenes. Departamento de Ingeniería electrónica, Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática OBJETIVOS: Iniciación
Más detallesFernando Casanoves Laura Pla Jhonny Demey Nélida Winzer Gabriela Cendoya Raúl Macchiavelli
DEFINICIÓN DE GRUPOS FUNCIONALES DE ESPECIES ARBÓREAS Y CARACTERIZACIÓN DE SU RESPUESTA A DIFERENTES INTENSIDADES DE PERTURBACIÓN EN UN BOSQUE MUY HÚMEDO TROPICAL MESOAMERICANO Fernando Casanoves Laura
Más detallesIntroducción Comandos básicos en R. Introducción a R. Felipe Bravo Márquez. 13 de noviembre de 2013
Felipe José Bravo Márquez 13 de noviembre de 2013 Motivación Diaramente se almacenan masivamente grandes colecciones de datos. Ej: La Web, comercio electrónico, datos transaccionales. Los computadores
Más detallesAnálisis de Regresión y Correlación con MINITAB
Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables
Más detallesCapítulo 22. ESTIMACIÓN Y SIMULACIÓN DE SISTEMAS MULTIECUACIONALES
Capítulo 22. ESTIMACIÓN Y SIMULACIÓN DE SISTEMAS MULTIECUACIONALES 22.1 SUPUESTOS EN LA ESTIMACIÓN DE MÚLTIPLE ECUACIONES... 956 22.2 ESTIMACIÓN DE MODELOS LINEALES DE ECUACIONES MÚLTIPLES... 958 TÉCNICAS
Más detallesPrácticas R. Grupo de investigación de Diseño y Análisis de Experimentos (OED) Red nacional de Bioestadística (BioStatNet)
Prácticas R Jesus López Fidalgo Grupo de investigación de Diseño y Análisis de Experimentos (OED) Red nacional de Bioestadística (BioStatNet) Departamento de Matemáticas Instituto de Matemática Aplicada
Más detallesPrincipios de Estadística. Intro. En R. Ejercicios
Leonardo Collado Torres y María Gutiérrez Arcelus Licenciatura en Ciencias Genómicas, UNAM www.lcg.unam.mx/~lcollado/index.php www.lcg.unam.mx/~mgutierr/index.php Cuernavaca, México Febrero - Junio, 2009
Más detallesSoftware Estadístico para Regresión. El caso de Regresión Logística y Regresión Poisson
Software Estadístico para Regresión. El caso de Regresión Logística y Regresión Poisson Andrea Fuentes, Nathaly Rivera, Raúl Pinos, Gaudencio Zurita Instituto de Ciencias Matemáticas Escuela Superior Politécnica
Más detallesANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE
ANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE Para la realización de la presente tesis se utilizó una versión demostrativa del paquete computacional llamado Versión 2.10 de febrero del año 2002. Este software
Más detallesSe asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación.
EJEMPLO 1 Se asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación. DIETA1 DIETA2 DIETA3 DIETA4 62 63 68 56 60 67 66 62 63 71 71
Más detallesTécnicas de análisis de la variabilidad de la frecuencia cardíaca
Técnicas de análisis de la variabilidad de la frecuencia cardíaca http://webs.uvigo.es/mrarthur/analisisvfc/index.html Grupo MILE Medical Informatics & Learning Environments Contenidos Parte I: Procesado
Más detallesEJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE
EJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE. En un estudio diseñado para analizar l efect de añadir avena a la dieta estadounidense tradicional, se dividieron aleatoriamente l individu en d
Más detalleswww.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve
Autor: José Arturo Barreto M.A. Páginas web: www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com Capítulo I El Problema 1.1 Planteamiento del problema
Más detallesProyecciones del PBI para el 2003.
Proyecciones del PBI para el 2003. Por Pablo Frigolé, para Stockssite pablofrigole@stockssite.com Después de muchas preguntas sobre cuál sería el valor de las variables futuras más importantes de la economía
Más detallesÁlgebra Lineal Taller N o 2 con Matlab
Álgebra Lineal Taller N o con Matlab Tema: Introducción a las transformaciones lineales. Determinantes. Valores y vectores propios de matrices de orden n:diagonaliación de matrices de orden n. plicación
Más detallesUn enfoque de regresión a selección de portafolio de inversión
Un enfoque de regresión a selección de portafolio de inversión 1er Workshop CIIE UPAEP Banco de México Junio 2012 Resumen El objetivo de esta platica es introducir, con un ejemplo relativamente sencillo,
Más detalles