Ir al contenido principal

Estadística Computacional

Buscar este blog

SPSS.

septiembre 13, 2009

Obtener enlace
Facebook
Twitter
Pinterest
Correo electrónico
Otras aplicaciones

Análisis exploratorio con SPSS: SPSS_Act2_ej1

Cubos OLAP: SPSS_Act2_ej2

Análisis cluster: SPSS_Act2_ej4

Regresión lineal: SPSS_e23

Regresión logística: SALIDASPSS

cubo OLAP EDA regresión lineal regresión logística

Obtener enlace
Facebook
Twitter
Pinterest
Correo electrónico
Otras aplicaciones

Comentarios

Publicar un comentario

Entradas populares

Clase 6: Índices de biodiversidad en R-project

Índices de biodiversidad Continuando con este breve curso sobre bioestadística en R ( Clase 1 , Clase 2 , Clase 3 , Clase 4 y Clase 5 ), en esta oportunidad intentaremos abordar el problema de los índices de biodiversidad utilizando R. Comenzaremos con algunos conceptos previos. ¿Qué queremos decir por biodiversidad? La biodiversidad o diversidad biológica se define como “la variabilidad entre los organismos vivientes de todas las fuentes, incluyendo, entre otros, los organismos terrestres, marinos y de otros ecosistemas acuáticos, así como los complejos ecológicos de los que forman parte; esto incluye diversidad dentro de las especies, entre especies y de ecosistemas” (UNEP, 1992). El término comprende, por tanto, diferentes escalas biológicas: desde la variabilidad en el contenido genético de los individuos y las poblaciones, el conjunto de especies que integran grupos funcionales y comunidades completas, hasta el conjunto de comunidades de un paisaje o regió

Regresión: selección de variables. Stepwise, Forward, Backward

¿Cómo realizar una selección de variables predictoras para un modelo de regresión lineal múltiple? A menudo nos encontramos estudiando un gran número de variables explicativas (regresoras, predictoras, causales o independientes) y nos preguntamos cuál de ellas incluir en un modelo de regresión múltiple tanto por problemas de multicolinealidad como por su significación en la regresión. Estrategias de regresión Los métodos más comunes de selección de variables son: el de pasos sucesivos (stepwise), el de introducción progresiva (forward) y el de eliminación progresiva (backward). Eliminación hacia atrás (Backward Stepwise Regression). Se introducen todas las variables en la ecuación y después se van excluyendo una tras otra. En cada etapa se elimina la variable menos influyente según el contraste individual (de la t o de la F). 􏰐 Selección hacia adelante (Fordward Stepwise Regression). Las variables se introducen secuencialmente en el mod

Sistemas de colas en R. Programación

####Sistemas de colas #1)Sistema de servicio discreto #se considera un tiempo discreto #se considera un servidor de una sola cola #la llegada de los clientes al sistema se realiza según una secuencia independiente {a_i, i=1,...,k} donde a_k es el número de llegadas que se han producido hasta el instante k #los clientes esperan hasta que el servicio queda libre #el número de clientes en el sistema al tiempo k, está dado por n(k)=n(k-1)+a(k)-I{n(k-2)+a(k)>=1}, k>=2 (condición inicial: n(1)=0) #esta recursión define la cadena de Markov {n(k)}, k>=1 #En matlab: # m = 200; p = 0;2; # N = zeros(1,m); # A = geornd(1-p,1,m); # for n = 2 : m # N(n) = N(n-1) + A(n) - (N(n-1) + A(n) >= 1); # end # stairs((0 : m-1);N); colas_discreto <- function ( m= 100 , p= .2 ) { N= rep ( 0 , m ) A= rgeom ( m , 1 - p ) #Aplica el modelo de secuencia de llegadas (En este caso geométrico: genera m números aleatorios geométricos, con probabilidad 1-p) for ( n in 2 : m )

Con la tecnología de Blogger