Ir al contenido principal

Rosana Ferrero

Buscar este blog

Contenidos

Obtener enlace
Facebook
X
Pinterest
Correo electrónico
Otras aplicaciones

HERRAMIENTAS ÚTILES PARA TRABAJAR EN R

Breve introducción a R. (I)

Tablas exportables a Latex o Lyx desde R
Knitr en R y aquí
LATEX: buenos manuales online
Tablas exportables latex en R
Graficos en movimiento de google en R
Resaltador de sintaxis en R
Logo en R
Gráficos xkcd en R
Shiny en R

CURSO BÁSICO DE ESTADÍSTICA APLICADA EN R

"R" you ready for R? commandos básicos
Clase 1: Manejo de datos en R
Ingresar y preparar datos en R
Clase 2: Análisis unidimensional en R
Estadística descriptiva en R
Diagramas de cajas (boxplot), cuantiles, IQR, valores atípicos, y más.
Clase 3: Distribuciones de probabilidad en R
Clase 4: Contrastes de hipótesis en R
Clase 5: Remuestreo en R
Clase 6: índices de biodiversidad en R

DINÁMICA POBLACIONAL

Autómatas celulares: dinámica poblacional en R

Dinámica poblacional-espacial en R

Crecimiento logístico denso-dependiente en R

Modelo UPCA aplicación en R

Modelos epidemiológicos SIR en R

Modelo predador-presa en R

Sistemas lotka-volterra en R

Crecimiento denso-dependiente en R

Crecimiento poblacional con estructura de edades en R

ANÁLISIS DE SERIES TEMPORALES

Análisis de series de temperatura en R

Series temporales: comandos temporales (Stoffer)

Series temporales: notas (Stoffer)

Granger: casualidad-causalidad

Estacionariedad y cointegración

Crecimiento exponencial discreto en R

ARIMA modelos-no-estacionarios en R

ARMA modelos estacionarios en R

Regresión con series temporales

Análisis y predicción de dos series temporales

Análisis de la estacionalidad se series temporales

Análisis de la estacionariedad de series temporales

Gráficos peculiares para algún colgado

Identificación de modelos ARIMA

Construcción de modelos ARIMA

Construcción de modelos ARIMA en R

Ajuste de modelos ARIMA en R

Simulación de procesos escolásticos en R

Suavizado de series temporales en R

Estimación de modelos de series temporales

Validación de modelos de series temporales

Identificación de modelos de series temporales

Modelos de series temporales

Aplicaciones con R de distintas series

Análisis de series temporales

Modelos y métodos estadísticos espacio-temporales

REDES NEURONALES

Construcción de redes neuronales en R

Entrenamiento de redes neuronales en R

Redes neuronales aplicaciones en R

Redes neuronales en R II

Redes neuronales en R: amore

Construcción de una red neuronal

Descripción y valoración de programas sobre redes neuronales

Minería de datos y redes neuronales

ANÁLISIS ESPACIAL

Herramientas de Análisis Espacial en R

Geoestadística en R

Geoestadística en R

Procesos espaciales puntuales en R

Análisis geoestadístico en R

Procesos espaciales puntuales en R

Mapas de paisaje fractales en R

Análisis estadístico y localizacion

Superficie de coste interfaz R-GRASS

Álgebra de mapas interfaz R-GRASS

Consulta y transformacion de mapas R-GRASS

Visualización de mapas R-GRASS

Conceptos básicos covarianzas

Modelos de covarianzas espacial

Mapas en R: revisión de paquetes

Formatos de archivo

Mapas de paisaje fractales en R

Mapas de paisaje fractales en R I

Geoestadística

Procesos puntuados

DISEÑO EXPERIMENTAL

Aproximación Monte Carlo en R

Sistemas de colas en R

Caminata aleatoria en R

Generación de variables aleatorias

Inferencia estadística en R II

Inferencia estadística en R I

Programación en R: muestra aleatoria

Estadistica descriptiva en R

SPSS regresión lineal

R Programación

R Inferencia estadística

R estadística descriptiva

Procesos markovianos

Variables aleatorias

Movimiento browniano

Procesos de poisson

Simulacion Monte Carlo

Análisis espectral

Autómatas celulares en R

Simulación de procesos escolásticos

Análisis de la varianza de una sola vía

Regresión lineal simple

Análisis multidimensional

Univariantes o univariados

Regresión: selección de variables. Stepwise, Forward, Backward en R
Bondad de ajuste en modelos no lineales en R

ANÁLISIS MULTIVARIANTE

SPSS análisis cluster

SPSS análisis exploratorio de datos

R análisis de correspondencia

Multivariante aplicaciones

R análisis factorial

R análisis discriminante

R análisis cluster

R análisis de componentes principales

R

Análisis multivariante

Obtener enlace
Facebook
X
Pinterest
Correo electrónico
Otras aplicaciones

Comentarios

Unknown4 de julio de 2014, 20:27
ola rosana, e visto que manejas el software FRAGSTATS,
estoy interesado en estudiar este programa, debido a que estoy realizando un trabajo con este programa y tengo muchas dudas.
podria contactarme con usted,

muchas gracias por su atencion
ResponderEliminar
Respuestas
Liza14 de octubre de 2015, 17:24
Hola Rosana, que suerte encontrarte!! Primero voy a intentar aprender de tus publicaciones. Aun así me gustaría poder consultarte o contar con tu apoyo en la parte estadística para nuestros trabajos, específicamente en ecología química de plagas. Normalmente hacemos diseños simples de prueba de hipótesis y comparación de medias sin embargo tengo situaciones en las cuales me gustaría tener una perspectiva mejor para la construcción de modelos. Gracias y te felicito por tu blog!!
ResponderEliminar
Respuestas

Añadir comentario

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