Ir al contenido principal

Rosana Ferrero

Buscar este blog

Más libros gratis

Obtener enlace
Facebook
X
Pinterest
Correo electrónico
Otras aplicaciones

Bolker 2007. Ecological Models and Data in R

Introduction to Population Biology

Stevens 2009. R Ecology

Ecology and Ecosystem Conservation

A Primer of Ecology with R

Mathematical Modeling of Biological Systems Vol.2 Epidemiology Evolution and Ecology

Statistical Ecology

Springer. Mathematics for Ecology and Environmental Sciences 2007

Theoretical Ecology: Principles and Applications 3rdEd

Etiquetas: descargas free download

Obtener enlace
Facebook
X
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.

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 modelo. ...

ARIMA. Modelos no estacionarios estacionales

Muchas series temporales no son estacionarias , ya sea porque presentan tendencias o por efectos estacionales. En particular, las caminatas aleatorias, que caracterizan muchos tipos de series, no son estacionarias pero pueden transformarse en series estacionarias utilizando la diferenciación de primer orden . Como la serie diferenciada necesita ser agregada (o integrada) para recuperar la serie original, el proceso estocástico subyacente se llama media móvil integrada autorregersiva ( ARIMA ). Los procesos ARIMA se pueden extender para incluir términos estacionales, dando paso a modelos ARIMA estacionales no-estacionarios ( SARIMA ). Las series no-estacionarias porque la varianza está correlacionada en serie (heterocedástica condicional) resultan en períodos de volatilidad (un cambio claro en la varianza) . Una aproximación para modelar este tipo de series es el modelo heterocedástico condicional autorregresivo ( ARCH ). Asimismo, podemos utilizar la generalización del modelo ARCH ( ...

Curso con R: Multivariante
Cursos con SPSS
Introducción a R
Gráficos google en R
Autómatas celulares
Dinamica poblacional en el espacio
Crecimiento logístico denso-dependiente
Crecimiento exponencial discreto
Series temporales: modelos ARIMA
Minería de datos y Redes neuronales
Interfaz R con el GIS GRASS
Latex (Lyx) desde R

Con la tecnología de Blogger