Tutorial de

icon

33

pages

icon

Catalan

icon

Documents

Écrit par

Publié par

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

icon

33

pages

icon

Catalan

icon

Documents

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

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 ...
Voir icon arrow

Publié par

Nombre de lectures

24

Langue

Catalan

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

Voir icon more
Alternate Text