Friday, October 4, 2013
Ejemplos de visualización de data en R
Para visualizar la data, es necesario cargar el paquete MVA, el cual contiene la base de datos de contaminación del aire de ciudades de USA.
Para instalar el paquete:
install.packages("MVA")
Para cargar el paquete:
library("MVA")
#########################CÓDIGO
# lab 1 de multivariado (visualization)
# multi1.R
options(digits=3)
# Clean memory
rm(list=ls(all=TRUE))
library("MVA")
data <- USairpollution
summary(data)
##
mlab <- "Empresas de manofactura con 20 o mas trabajadores"
plab <- "tamaño de la población (1970) en miles"
plot(popul ~ manu, data = USairpollution, xlab=mlab, ylab=plab)
##
plot(popul ~ manu, data = USairpollution, xlab=mlab, ylab=plab)
rug(USairpollution$manu, side = 1)
rug(USairpollution$manu, side = 2)
##
hist(data$manu)
boxplot(data$popul)
##
xlim <- range(data$manu)*1.1
plot(popul ~ manu, data = USairpollution, cex.lab=0.9, xlab=mlab, ylab=plab, type="n", xlim=xlim)
text(data$manu, data$popul, cex=0.6, labels=abbreviate(row.names(data)))
##
##
myvars <- c("manu", "popul")
newdata <- data[myvars]
bvbox(newdata, mtitle="", xlab=mlab, ylab=plab)
cor(newdata[,1], newdata[,2])
##
ylim <- range(data$wind)*c(0.95, 1)
plot(data$wind ~ data$tem, xlab="Promedio anual de temperatura", ylab="promedio anual de viento", pch=4, ylim=ylim)
symbols(data$temp, data$wind, circles=data$SO2, inches=0.5, add=TRUE)
##
Thursday, October 3, 2013
En una simulación de montecarlo..
Usualmente, para una simulación de montecarlo en R, es buena idea definir claramente desde un principio, los parámetros, luego las variables estocásticas y finalmente definir vectores o matrices vacías que serán llenadas posteriormente con las variables output derivadas del modelo.
Parámetros:
En general, constantes y datos del problema del sistema a modelar se definen directamente. Por ejemplo, un costo de capital o un costo fijo:
c.cap <- .12 #asignamos a c.cap el valor .12
c.fijo <- 12000 #asignamos a c.fijo el valor 12000
constante <- 10 #asignamos a constante el valor 10
Variables estocásticas:
Por ejemplo, si nuestro modelo considera que la demanda de un producto se distribuye en forma normal con media 10 y sd 5 y deseamos generar 100 valores aleatorios tomados de esta distribuciones entonces hacemos:
demanda <- rnorm(100,10,5) #demanda será un vector con 100 valores aleatorios de una Normal con media 10 y sd 5.
Existen muchas posibilidades en R para generar números aleatorios de distintas distribuciones. En Internet puede buscar muchas referencias respecto a esto.
Vectores o matrices vacías:
Los resultados de un modelo, son variables, outputs. Esos outputs son los valores que deseamos analizar porque reflejan el resultado o performance de un sistema del cual queremos saber más. En cada iteración en el cálculo de un output, se genera un valor que debe ser guardado. Estos valores se van guardando en una matriz o vector que debemos definir previamente. Por ejemplo:
output <- matrix(nrow=100, ncol=1) #generamos un vector vacío de 100 filas y 1 columna
output <- matrix(nrow=n, ncol=3) #generamos una matriz vacía de n filas y 3 columnas
Estos son algunos elementos básicos, pero que siempre están presentes en una simulación en R.
Parámetros:
En general, constantes y datos del problema del sistema a modelar se definen directamente. Por ejemplo, un costo de capital o un costo fijo:
c.cap <- .12 #asignamos a c.cap el valor .12
c.fijo <- 12000 #asignamos a c.fijo el valor 12000
constante <- 10 #asignamos a constante el valor 10
Variables estocásticas:
Por ejemplo, si nuestro modelo considera que la demanda de un producto se distribuye en forma normal con media 10 y sd 5 y deseamos generar 100 valores aleatorios tomados de esta distribuciones entonces hacemos:
demanda <- rnorm(100,10,5) #demanda será un vector con 100 valores aleatorios de una Normal con media 10 y sd 5.
Existen muchas posibilidades en R para generar números aleatorios de distintas distribuciones. En Internet puede buscar muchas referencias respecto a esto.
Vectores o matrices vacías:
Los resultados de un modelo, son variables, outputs. Esos outputs son los valores que deseamos analizar porque reflejan el resultado o performance de un sistema del cual queremos saber más. En cada iteración en el cálculo de un output, se genera un valor que debe ser guardado. Estos valores se van guardando en una matriz o vector que debemos definir previamente. Por ejemplo:
output <- matrix(nrow=100, ncol=1) #generamos un vector vacío de 100 filas y 1 columna
output <- matrix(nrow=n, ncol=3) #generamos una matriz vacía de n filas y 3 columnas
Estos son algunos elementos básicos, pero que siempre están presentes en una simulación en R.
R? una letra del abecedario
Recientemente apareció un articulo en el New York Times (NYT) relacionado con el R y como este software está siendo utilizado por empresas grandes como Google y Shell para Data Mining, lo cual demuestra que esta herramienta no es sólo otro paquete académico para mortificar a estudiantes de ingeniería, sino también para aplicaciones industriales y de research.
les dejo el link, recomiendo que lo lean:
Artículo
les dejo el link, recomiendo que lo lean:
Artículo
Subscribe to:
Posts (Atom)