Universidad Laica Eloy Alfaro de Manabí

Carrera de Ingeniería
Eléctrica PROGRAMACIÓN III

Tarea: Análisis en R

Tema: Desarrollo y Prueba de simulación de sensibilidad

(LHS y PRCC) usando en un modelo crecimiento, en
el lenguaje R

Nombre del profesor MG. ING. Washington García

Nombre del alumno Velesaca Zambrano Bryan Steven

Semestre Cuarto semestre

Fecha de tarea: 04-01-2019

Fecha presentación de la 10-01-2019

tarea:
Universidad Laica
PRÀCTICA EN R…………………………………………………………………….. Ingeniería Electrica
Eloy Alfaro de Manabí

Índice

1. Marco Teórico ........................................................................................................................ 3

2. Objetivos de la practica .......................................................................................................... 6
3. Equipos requeridos y/o software ............................................................................................ 6
4. Procedimiento experimental ................................................................................................... 6
Anexos .............................................................................................................................................. 9
Bibliografía .................................................................................................................................... 10

Prof. MSc. Ing. Washington García Bryan Velesaca Zambrano

Universidad Laica
PRÀCTICA EN R…………………………………………………………………….. Ingeniería Electrica
Eloy Alfaro de Manabí

1. Marco Teórico

El muestreo de hipercubo latino / Coeficiente de correlación de rango

parcial (LHS / PRCC).

El análisis de sensibilidad es una herramienta eficiente que se emplea a menudo en el análisis

de incertidumbre para explorar todo el espacio de parámetros de un modelo. A pesar de la
utilidad de LHS / PRCC en el estudio de la sensibilidad de un modelo a los valores de los
parámetros utilizados.

En el modelo, no se ha realizado ningún estudio que integre completamente el muestreo del

hipercubo latino con análisis de control óptimo.

LHS (Latin Hypercube Sampling)

Muestreo De Hipercubos Latinos Para Análisis De Incertidumbre Y Sensibilidad

Genera el muestreo del hipercubo latino para análisis de incertidumbre y sensibilidad.

Se acoplo el procedimiento numérico de control óptimo al Procedimiento LHS / PRCC y

realizar un examen simultáneo de los efectos de todo el parámetro LHS en el valor funcional
objetivo. Para probar la efectividad de nuestro procedimiento, examinamos los parámetros
sensibles en un determinista ordinario, ecuaciones diferenciales del modelo del cólera con
siete compartimentos humanos y dos compartimientos bacterianos.

El procedimiento LHS se implementa dividiendo el rango de valores para un determinado

parámetro en intervalos igualmente probables. El esquema LHS es un llamado estratificado.
Esquema por el cual las distribuciones de probabilidad se asignan a los parámetros, los
intervalos en la distribución se divide en regiones equiprobables, y estos intervalos son
entonces cada muestra sin reemplazo. Una ventaja del procedimiento de LHS es que los
parámetros se muestrean independientemente unos de otros. Según McKay et al., el método
LHS realiza una estimación sin sesgo de la salida media del modelo. El procedimiento de
muestreo de LHS es diferente de aleatorio muestreo porque en el muestreo de LHS, las

Prof. MSc. Ing. Washington García Bryan Velesaca Zambrano

Universidad Laica
PRÀCTICA EN R…………………………………………………………………….. Ingeniería Electrica
Eloy Alfaro de Manabí

muestras aleatorias se pueden tomar de una en una, mientras que teniendo en cuenta la fila
y columna de los puntos de muestra generados previamente. (Gomero, 2012)

Por lo tanto, en comparación con los esquemas de muestreo aleatorio simple, el

procedimiento de muestreo LHS requiere menos muestras para lograr el mismo nivel de
precisión.

La correlación es una técnica estadística utilizada para medir la fuerza de la relación entre
las medidas de resultado y los parámetros en un modelo. Utilizando los residuos obtenidos
del procedimiento de regresión, se caracteriza por la correlación parcial.

La transformación de clasificación se realiza para reducir el efecto de los datos no lineales,

y funciona mejor cuando hay una relación monotónica entre la medida de resultado y el
parámetro de interés específicamente, cuando se usan datos de rango transformado, el
coeficiente de correlación de rango indicará el nivel de monotonicidad entre el LHS
parámetros y medidas de resultado. (Gavilanes, 2017)

Argumentos

modelo
La función a ejecutar, que representa el modelo o simulación. Si es NULL, no se ejecuta
ninguna función y el objeto generado está incompleto, vea también el método tell.

factores
Los nombres de las variables de entrada (usadas para nombrar el data.frame de 'datos' y en
el trazado) Ya sea un vector de cadenas o un solo número que representa el número de
factores

norte
El tamaño del hipercubo, es decir, cuántas muestras se generan. Debe ser al menos el número
de factores más 2.

Prof. MSc. Ing. Washington García Bryan Velesaca Zambrano

Universidad Laica
PRÀCTICA EN R…………………………………………………………………….. Ingeniería Electrica
Eloy Alfaro de Manabí

q
Las funciones cuantiles a utilizar. Si solo se proporciona uno, se utilizará para todos los
parámetros. El valor predeterminado es "qunif".

q.arg
Una lista que contiene los argumentos para las funciones 'q'. Cada parámetro debe
especificarse mediante una lista con nombre, que contenga todos los argumentos para la
distribución de cuantiles. Si no se suministra, se utilizan valores predeterminados para los
parámetros.

cl
Clúster generado con la librería `` paralela ''. Puede ser de cualquier tipo soportado. Si se
proporciona un clúster, el modelo se ejecutará en paralelo o se distribuirá en el clúster a
través de clusterApply. No se proporciona balanceo de carga, por lo que los resultados del
modelo son reproducibles.

X: Un objeto LHS / PLUE. Para "tell", un objeto LHS incompleto (creado con el modelo =
NULL) Actualmente ignorado

Y: Un data.frame que contiene las respuestas del modelo

Prof. MSc. Ing. Washington García Bryan Velesaca Zambrano

Universidad Laica
PRÀCTICA EN R…………………………………………………………………….. Ingeniería Electrica
Eloy Alfaro de Manabí

2. Objetivos de la practica

• Conocer el programa estadístico R para poder realizar las prácticas las cuales se
hacen mediante la utilización de este.
• Revisar cada una de las librerías del programa y saber para qué sirve cada una de
ella.
• Analizar cada uno de los problemas dados para poder darle una solución más
rápida y entendible.

3. Equipos requeridos y/o software

• Página WEB
• PDF de LHS y PRCC
• Computadora
• Microsoft Word
• Programa estadístico R

4. Procedimiento experimental

Antes de comenzar a utilizar R debemos instalar las siguientes librerías

install.packages("pse") install.packages("lhs") install.packages("sensitivity")

install.packages("Hmisc") install.packages("ks") install.packages("Rarity")

install.packages("ggplot2") install.packages("lattice") install.packages("survival")

install.packages("Formula")

Lo primero que se debe hacer es determinar exactamente cuáles son los parámetros de entrada
para el modelo matemático. Debemos enumerar cuales parámetros deben ser investigados, se
calcularán, en este ejemplo, usaremos un modelo simple de crecimiento logístico de la población,
en que una población tiene una tasa intrínseca de crecimiento r, una capacidad de carga de K y una
población inicial de X0.

En cada paso del tiempo, la población puede crecer o disminuir, después de la siguiente expresión:

Xt + 1 = Xt + rXt (1 - Xt / K)

Estamos interesados en estudiar los efectos de los parámetros r, K y X0 en el población final.

Las especies de interés, r y K siguen una distribución normal con parámetros conocidos.

Sin embargo, no se puede determinar de manera confiable cuál debería ser la población inicial,

Prof. MSc. Ing. Washington García Bryan Velesaca Zambrano

Universidad Laica
PRÀCTICA EN R…………………………………………………………………….. Ingeniería Electrica
Eloy Alfaro de Manabí

así que hemos utilizado una distribución uniforme que cubre todos los valores razonables. los

La siguiente tabla resume esto:

Parámetros de distribución de parámetros

r normal µ = 1.7, σ = 0.3

K normal µ = 40, σ = 1

X0 uniforme min = 1, max = 50

A continuación, traducimos esta tabla a tres objetos R que se utilizarán en la sensibilidad.

análisis, que contiene (1) los nombres de los parámetros, (2) la densidad de probabilidad

funciones, y (3) una lista que contiene las listas con todos los parámetros a la densidad

funciones:

> factores <- c ("r", "K", "X0")

> q <- c ("qnorm", "qnorm", "qunif")

> q.arg <- lista (lista (media = 1.7, dd = 0.3), lista (media = 40, dd = 1),

+ lista (min = 1, max = 50)).

Luego ya desarrollando el ejercicio nos queda de la siguiente manera

#librerias a instalar

#install.packages("pse")

#install.packages("lhs")

#install.packages("sensitivity")

#install.packages("Hmisc")

#install.packages("ks")

#install.packages("Rarity")

#install.packages("ggplot2")

#install.packages("lattice")

#install.packages("survival")

#install.packages("Formula")

library(pse)

library(lhs)

library(sensitivity)

Prof. MSc. Ing. Washington García Bryan Velesaca Zambrano

Universidad Laica
PRÀCTICA EN R…………………………………………………………………….. Ingeniería Electrica
Eloy Alfaro de Manabí

library(Hmisc)

library(ks)

library(Rarity)

library(ggplot2)

library(lattice)

library(survival)

library(Formula)

factores <- c("r", "K", "X0")

q <- c("qnorm","qnorm","qunif")

#creamos una lista de los parametros

q.arg <- list(list(mean = 1.7 , sd = 0.3 ), list(mean = 40 , sd = 1), list(min = 1 , max = 50))

# ingresamos el tiempo inicial

Time <- 6

oneRun <- function(r,K,X0){

X <- array();

X[1] <- X0; # X1 se sobreescribe

for (i in 1: Time){

Xl <- X[length(X)]

X[i] <- Xl + r*Xl*(1-Xl/K)

return (X)

modelRun <- function(dados){

mapply(oneRun, dados[,1], dados[,2], dados[,3])

res.names <- paste ("Time", 1:Time)

myLHS <- LHS(modelRun, factores, 100, q, q.arg, res.names, nboot=50)

#aqui tenemos las diferentes manera de graficar con las diferentes funciones

Prof. MSc. Ing. Washington García Bryan Velesaca Zambrano

Universidad Laica
PRÀCTICA EN R…………………………………………………………………….. Ingeniería Electrica
Eloy Alfaro de Manabí

#plotecdf(myLHS)

#plotscatter(myLHS)

#plotprcc(myLHS)

pic(myLHS, nboot=40)

#plotecdf(myLHS, pila =TRUE)

#plotscatter(myLHS, index.res = c(1,3,6), add.lm =FALSE)

Anexos

Prof. MSc. Ing. Washington García Bryan Velesaca Zambrano

Universidad Laica
PRÀCTICA EN R…………………………………………………………………….. Ingeniería Electrica
Eloy Alfaro de Manabí

Bibliografía

• Gavilanes, I. M. (26 de 10 de 2017). tipo+de+dato. Obtenido de fundamentos de

programacion en visual basic. Obtenido de
https://wilmagavilanes.wikispaces.com/file/view/tipos+de+datos.pdf

• Gomero, B. (2012). Latin Hypercube Sampling and Partial Rank. España: DEgre.

• Chalom, A.( 2013). Sensitivity analyses: a brief tutorial with R package pse. Obtenido de
https://cran.pau.edu.tr/web/packages/pse/vignettes/pse_tutorial.pdf
• McKay, MD y Beckman, RJ 1979. Una comparación de tres métodos para
seleccionar valores de variables de entrada en el análisis de salida de un código de
computadora, Technometrics 21: 239-244
• Chalom, A. y Prado, PIKL 2012. Parámetros de exploración espacial de modelos
ecológicos arXiv : 1210.6278 [q-bio.QM]

Prof. MSc. Ing. Washington García Bryan Velesaca Zambrano