Tutorial de
33 pages
Catalan

Tutorial de

-

Le téléchargement nécessite un accès à la bibliothèque YouScribe
Tout savoir sur nos offres
33 pages
Catalan
Le téléchargement nécessite un accès à la bibliothèque YouScribe
Tout savoir sur nos offres

Description

Tutorial deJavier Ramírez Pérez de InestrosaDepartamento de Teoría de la Señal, Telemática y ComunicacionesUniversidad de GranadaInstalación de R Descarga de: http://www.r-project.org/ Manuales: http://cran.r-project.org/manuals.html Paquetes: http://cran.r-project.org/web/packages/ Rwave Time-Frequency analysis of 1-D signals signalextraction Real-Time Signal Extraction (Direct Filter Approach) wavelets A package of funtions for computing wavelet filters, wavelet transforms and multiresolution analyses waveslim Basic wavelet routines for one-, two- and three-dimensional signal processing FKF Fast Kalman Filter KFAS Multivariate Kalman filter and smoother, simulation smoother and forecasting of state space models. State smoothing and approximate likelihood of exponential family state space models robfilter Robust Time Series Filters sapa Insightful Spectral Analysis for Physical Applications biOps Image processing and analysis biOpsGUI GUI for Basic image operations PET Simulation and Reconstruction of PET Images ReadImages Image Reading Module for R rimage Image Processing Module for R ripa R Image Processing and Analysis class Functions for ClassificationIntroducción a R. Javier Ramírez Pérez de InestrosaEntorno de trabajoIntroducción a R. Javier Ramírez Pérez de InestrosaDemostraciones y Ayuda demo() Para ver todas las demostraciones ...

Informations

Publié par
Nombre de lectures 39
Langue Catalan

Extrait

Tutorial de
Javier Ramírez Pérez de Inestrosa
Departamento de Teoría de la Señal, Telemática y Comunicaciones
Universidad de GranadaInstalación de R
 Descarga de: http://www.r-project.org/
 Manuales: http://cran.r-project.org/manuals.html
 Paquetes: http://cran.r-project.org/web/packages/
 Rwave Time-Frequency analysis of 1-D signals
 signalextraction Real-Time Signal Extraction (Direct Filter Approach)
 wavelets A package of funtions for computing wavelet filters, wavelet transforms and multiresolution analyses
 waveslim Basic wavelet routines for one-, two- and three-dimensional signal processing
 FKF Fast Kalman Filter
 KFAS Multivariate Kalman filter and smoother, simulation smoother and forecasting of state space models.
State smoothing and approximate likelihood of exponential family state space models
 robfilter Robust Time Series Filters
 sapa Insightful Spectral Analysis for Physical Applications
 biOps Image processing and analysis
 biOpsGUI GUI for Basic image operations
 PET Simulation and Reconstruction of PET Images
 ReadImages Image Reading Module for R
 rimage Image Processing Module for R
 ripa R Image Processing and Analysis
 class Functions for Classification
Introducción a R. Javier Ramírez Pérez de InestrosaEntorno de trabajo
Introducción a R. Javier Ramírez Pérez de InestrosaDemostraciones y Ayuda
 demo()
 Para ver todas las demostraciones incluidas en los paquetes:
 demo(package = .packages(all.available = TRUE))
 Demostraciones interesantes:
 demo(graphics)
 demo(image)
 Obtención de ayuda:
 help()
 help(qnorm)
Introducción a R. Javier Ramírez Pérez de InestrosaVectores y asignaciones
 x <- c(10.4, 5.6, 3.1, 6.4, 21.7) % Asignación de vectores.
 x[1] % Indexado de vectores
[1] 10.4
Alternativas:
 x = c(10.4, 5.6, 3.1, 6.4, 21.7) % =
 assign("x", c(10.4, 5.6, 3.1, 6.4, 21.7)) % Comando assign
 c(10.4, 5.6, 3.1, 6.4, 21.7) -> x % Asignación en dirección opuesta.
 y <- c(x, 0, x)
[1] 10.4 5.6 3.1 6.4 21.7 0.0 10.4 5.6 3.1 6.4 21.7
Introducción a R. Javier Ramírez Pérez de InestrosaOperaciones con vectores
 Operadores usuales: +, -, *, / y ^
 Funciones aritméticas: log, exp, sin, cos, tan, sqrt, etc.
 Máximo, mínimo y rango: max, min, range equiv. a c(min(x), max(x))
 Longitud: length
 Producto y suma prod, sum
 Media y varianza mean, var
 Si la entrada de var es una matriz nxp var calcula la matriz de covarianza (pxp)
 Ordenación sort
 Números complejos
Introducción a R. Javier Ramírez Pérez de InestrosaGeneración de secuencias regulares
 1:10 Secuencia creciente
 Prioridades: 2*1:15 [1] 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
 Ejercicio: n<-10 1:n-1 1:(n-1)
 30:1 Secuencia decreciente
 Función seq(from=value,to=value,by=value,length=value,along=vector)
Ejemplos: seq(1,30), seq(from=1, to=30), seq(to=30, from=1)
seq(-5, 5, by=.2) -> s3
s4 <- seq(length=51, from=-5, by=.2)
 Función rep()
Ejemplos: s5 <- rep(x, times=5), s6 <- rep(x, each=5)
Introducción a R. Javier Ramírez Pérez de InestrosaOperaciones lógicas
 temp <- x > 13 %Toma valores FALSE and TRUE
 Operaciones lógicas: <, <=, >, >=, == y !=
 AND(&), OR (|), NOT (!)
Introducción a R. Javier Ramírez Pérez de InestrosaRedimensionado e indexación de matrices
 Redimensionado de vectores:
 Si z es un vector de 1500 elementos
 dim(z) <- c(3,5,100) Redimensiona z a un vector de 3x5x100.
 Indexación z[, ,]
 Ejemplo:
 z= 1:1500
 dim(z) <- c(3,5,100)
 dim(z) % Salida: [1] 3 5 100
 z[2,4,2] % Salida: [1] 26
 z[2,,] % Submatriz de 5x100 elementos de z.
Introducción a R. Javier Ramírez Pérez de InestrosaIndexación de matrices
 Ejemplo: X es una matriz 4x5 y se desea:
 1) Extraer X[1,3], X[2,2] y X[3,1] y
 2) reemplazar estos valores por 0
[,1] [,2] [,3] [,4] [,5]
 x <- array(1:20, dim=c(4,5)) [1,] 1 5 9 13 17
[2,] 2 6 10 14 18
[3,] 3 7 11 15 19 x
[4,] 4 8 12 16 20
 i <- array(c(1:3,3:1), dim=c(3,2))
[,1] [,2]
[1,] 1 3
 i
[2,] 2 2
[3,] 3 1
 x[i] <- 0
[,1] [,2] [,3] [,4] [,5]
 x [1,] 1 5 0 13 17
[2,] 2 0 10 14 18
[3,] 0 7 11 15 19
[4,] 4 8 12 16 20
Introducción a R. Javier Ramírez Pérez de Inestrosa

  • Univers Univers
  • Ebooks Ebooks
  • Livres audio Livres audio
  • Presse Presse
  • Podcasts Podcasts
  • BD BD
  • Documents Documents