Taller 02

Comandes d’exemple
Recordem com fer grà fiques lineals, semi-log i log-log:
x = 1:10; y = x^2
plot(x, y, xlab="Etiqueta eix horitzontal", ylab="Etiqueta eix vertical",
main="Títol")

plot(x, y, xlab="Etiqueta eix horitzontal", ylab="Etiqueta eix vertical",

main="Títol", log="y")
plot(x, y, xlab="Etiqueta eix horitzontal", ylab="Etiqueta eix vertical",
main="Títol", log="xy")
Comandes per crear matrius/vectors, i multiplicar-los:
A = matrix(c(1, 2, 3, 4), nrow=2)
B = matrix(c(1, 2, 3, 4), nrow=2, byrow=TRUE)
v = matrix(c(1, 0), ncol=1)
A %*% B %*% v

## [,1]
## [1,] 10
## [2,] 14

Així invertim una matriu i calculem el seu determinant:

solve(A)

## [,1] [,2]
## [1,] -2 1.5
## [2,] 1 -0.5

det(A)

## [1] -2

Podem calcular la descomposició diagonal d’una matriu que sigui diagonalitzable:

eigen(A)

## eigen() decomposition
## $values
## [1] 5.3722813 -0.3722813
##
## $vectors
## [,1] [,2]
## [1,] -0.5657675 -0.9093767
## [2,] -0.8245648 0.4159736

Els valors propis, que ens dona la descomposició diagonal, els utilitzam per crear la matriu
diagonal D:
valors_propis = eigen(A)$values
D = diag(valors_propis)

La matriu dels vectors propis, P, l’obtenim directament de la descomposició diagonal.

P = eigen(A)$vectors
primer_vector_propi = P[ , 1]
segon_vector_propi = P[ , 2]

Podem calcular la potència d’una matriu grà cies a la descomposició diagonal:

A %*% A %*% A %*% A %*% A
## [,1] [,2]
## [1,] 1069 2337
## [2,] 1558 3406

P %*% D^5 %*% solve(P)

## [,1] [,2]
## [1,] 1069 2337
## [2,] 1558 3406

Taller 02
[P1, 2 punts] Traça una gràfica lineal i una gràfica semi-log per visualitzar els
punts donats. A quina gràfica els punts apareixen més “colineals”? Per què?
n = 0:30
e= 150 * 0.96^n
model_lineal = lm(e ~ n)
summary(model_lineal)

##
## Call:
## lm(formula = e ~ n)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.595 -4.463 -1.563 3.735 11.350
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 138.650 1.816 76.36 <2e-16 ***
## n -3.454 0.104 -33.22 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.177 on 29 degrees of freedom
## Multiple R-squared: 0.9744, Adjusted R-squared: 0.9735
## F-statistic: 1104 on 1 and 29 DF, p-value: < 2.2e-16

plot(n, e)
abline(model_lineal)
n = 0:30
e= 150 * 0.96^n
model_exp = lm(log10(e) ~ n)
summary(model_exp)

## Warning in summary.lm(model_exp): essentially perfect fit: summary may be

## unreliable

##
## Call:
## lm(formula = log10(e) ~ n)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.653e-16 -1.577e-16 -4.121e-17 4.114e-17 2.200e-15
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.176e+00 1.575e-16 1.382e+16 <2e-16 ***
## n -1.773e-02 9.018e-18 -1.966e+15 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.491e-16 on 29 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: 1
## F-statistic: 3.865e+30 on 1 and 29 DF, p-value: < 2.2e-16
plot(x=n, y=e, log="y", col= "red", type= "l")
abline(model_exp)

Els punts só n més colineals a la grà fica semi-log degut a l’ordre de magnitud d’aquesta

[P2, 2 punts] Troba els paràmetres del model, i digues quina és l’equació
recurrent.
n = 0:30
y_n = 100 + 0.95^n * 200
y_n

## [1] 300.0000 290.0000 280.5000 271.4750 262.9013 254.7562 247.0184

239.6675
## [9] 232.6841 226.0499 219.7474 213.7600 208.0720 202.6684 197.5350
192.6582
## [17] 188.0253 183.6241 179.4429 175.4707 171.6972 168.1123 164.7067
161.4714
## [25] 158.3978 155.4779 152.7040 150.0688 147.5654 145.1871 142.9278

Els parà meters del model só n els segü ents: y_0=300 q=0.95 b=5
La ecuació n recurrente es:
y_n+1= 0.95 * y_n + 5
[P3, 1 punt] Troba els coeficients de l’equació malthusiana matricial que
representa l’evolució anual de la població de voltors negres a la serra de
tramuntana.
Los coeficientes son los siguientes: a=0.8 (mueren el 20% de buitres adultos) b=0.65
(mortalidad del 35% en los polluelos) c=3.45 (coeficiente obtenido de la multiplicació n de
0.23*15, debido a que de 15 huevos de media se pierden el 77%) d=0 (no hay polluelos en
funció n de buitres)

[P4, 1 punt] Diagonalitza la matriu que defineix el model malthusià

amb l’instrucció eigen(…) de R. Demostra que (-1, 3) és un vector
propi, i troba l’altre.
A=matrix(c(0.80,0.65,3.45,0), nrow=2)
eigen (A)

## eigen() decomposition
## $values
## [1] 1.95 -1.15
##
## $vectors
## [,1] [,2]
## [1,] 0.9486833 -0.8705628
## [2,] 0.3162278 0.4920573

Els valors propis só n 1.95 i -1.15. L’altre vector propi és igual a (1 , 1.77), que s’obté
dividint 1.15 entre 0.65.

[P5, 1 punt] En aquestes condicions, la població de voltors tendeix a

extingir-se?
No, no tendeix a extingir-se, tendeix a que hi hagi infinits individus. Això es degut a que el
terme dominant es (1.95)

[P6, 1 punt] Segons el model, i en absència d’indígenes, quin percentatge anual

creix la quantitat d’arbres de l’illa de Pasqüa?
P = matrix(c(2.943+2.943i,0.002-0.002i,2.943-2.943i,0.002+0.002i ), nrow=2,
ncol = 2)
D = matrix(c(1.026 + 0.04i,0 ,0 ,1.026 - 0.04i), nrow=2, ncol = 2)
A = P%*%D%*%solve(P)
A

## [,1] [,2]
## [1,] 1.026000e+00+0i -58.860+0i
## [2,] 2.718315e-05+0i 1.026+0i
En absència d’ndígenes, la quantitat d’arbres de l’illa de Pasqü a creix anualment un 2.6%, ja
que q=0.26, i per obtenir un percentatge hi ha que multiplicar per 100 (0.26*100=2.6%)

[P7, 1 punt] Suposem que els primers indígenes eren només 5 habitants, i que
en aquell moment l’illa tenia 100000 arbres. Quants arbres quedaven a l’illa 10
anys després?
P = matrix(c(2.943+2.943i,0.002-0.002i,2.943-2.943i,0.002+0.002i ), nrow=2,
ncol = 2)
D = matrix(c(1.026 + 0.04i,0 ,0 ,1.026 - 0.04i), nrow=2, ncol = 2)
v_0=matrix(c(100000,5), nrow=2, ncol=1)
v_10=P%*%D^10%*%solve(P)%*%v_0
v_10

## [,1]
## [1,] 116843.83671+0i
## [2,] 39.64883+0i

10 anys després hi haurà 116843.83671 arbres.

[P8, 1 punt] Suposem que els primers indígenes eren només 5 habitants, i que
en aquell moment l’illa tenia 100000 arbres. Calcula el valor a_{40} i comprova
que has obtengut un nombre negatiu. Explica breument què podem concloure.
P = matrix(c(2.943+2.943i,0.002-0.002i,2.943-2.943i,0.002+0.002i ), nrow=2,
ncol = 2)
D = matrix(c(1.026 + 0.04i,0 ,0 ,1.026 - 0.04i), nrow=2, ncol = 2)
v_0=matrix(c(100000,5), nrow=2, ncol=1)
v_40=P%*%D^40%*%solve(P)%*%v_0
v_40

## [,1]
## [1,] -17681.7864+0i
## [2,] 195.7409+0i

El nombre negatiu que hem obtingut es -17681.7864, que indica el nombre d’arbres que hi
hauria a l’illa 40 anys després de que arribassin els primers indígenes. Això ens indica que
en aquest moment els indígenes ja han acabat amb tots els arbres.