pessoais:eder - Wiki do LEG

Não foi possível enviar o arquivo. Será algum problema com as permissões?

Você está aqui: start » pessoais » eder

Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

--- pessoais:eder [2011/06/05 19:53]
eder [section 3]
+++ pessoais:eder [2011/09/12 21:02]
eder [section 2]
@@ Linha 12: / Linha 12: @@
   *  Estatística Espacial
   * [[http://www.leg.ufpr.br/doku.php/projetos:gem2|GEM²]] Grupo de estudos em modelos mistos
+  * {{:pessoais:inlarrblup.r|GWS}} Seleção Genomica Ampla Via ML REML INLA
+===== Disciplinas 2011/1 =====
+  * [[http://www.leg.ufpr.br/doku.php/disciplinas:ce210-2010-02|CE-210: Inferência estatística II]]
+  * [[http://www.leg.ufpr.br/doku.php/disciplinas:ce718|CE-718: Métodos Computacionalmente Intensivos]]
 ===== Minicursos =====
@@ Linha 19: / Linha 24: @@
 ===== Códigos =====
 <code R>
-###buf
+###-----------------------------------------------------------------###
-buf <- function(n){
+### Agulha de buffon
-  ttt <- NULL
+buffon <- function(n,l=1,a=1){
-  ttt[1] <- 0
+  if(a<l){cat('Erro: a < l, deve ser a > l\n')}
-  x <- runif(n)
+  if(a>=l){
-  th <- runif(n,0,pi)
+  theta <- runif(n,0,pi)
-  st <- sin(th)
+  dist <- runif(n,0,a/2)
-  for ( i in 1:n){
+  inter <- sum(dist <= l/2*sin(theta))
-    if(st[i]>x[i]){
+  phi_est <- round((n/inter)*(2*l/a),12)
-      ttt[i+1]  <- ttt[i]+1
+  cat('Número Simulação',n,'phi_estimado',phi_est,'Erro',round(pi-phi_est,12),'\n')
-    }
+  return(c(n,phi_est))
-    else {
+}}
-      ttt[i+1] <- ttt[i]
-    }}
+n <- seq(10000,1000000,by=20000)
-    if (ttt[n+1]>0){
+res <- matrix(NA,ncol=2,nrow=length(n))
-      plot((0:n)[ttt>0],2*(0:n)[ttt>0]/ttt[ttt>0],type='l',xlab='numero simulação',ylab='pi')
+con <- 1
-    }
+for (i in n){
-    else{print('no sucesso')}
+  res[con,] <- buffon(i)
-    abline(pi,0)
+  con <- con+1
-    }
+}
-  buf(100000)
+plot(res,type='l',ylab=expression(pi),xlab='Simulações')
+abline(h=pi,col='red')
+###-----------------------------------------------------------------###
 ### MOnte carlo
 ## Calcula a área via simulação de monte carlo
@@ Linha 72: / Linha 78: @@
 }
 MCcirculo(1,seq(5,5000,by=1000),plotS=FALSE)
-### inversão de p
+###-----------------------------------------------------------------###
 ### Inversão de Probabilidade
+### OBJ: gerar x~exp transformando de uma uniforme
 NS <- 10000
+lam <- 0.5
+#f(x)=exp(lam) F(x)=1-exp(-lam*x), logo: F^-1(x)= -lam^-1*log(1-x)
+Gexp <- function(x,lam){-(log(1-U))/lam}
 U <- runif(NS)
-X <- - log(U)
+X <- Gexp(U,lam)
-Y <- rexp(NS)
+Y <- rexp(NS,lam)
 par(mfrow=c(1,3))
 hist(U,freq=FALSE,main='Uniforme',col='lightblue')
 lines(density(U),col='red',lwd=2)
 hist(X,freq=FALSE,main='Expoencial via uniforme',col='lightblue')
 lines(density(X),col='red',lwd=2)
-lines(curve(dexp(x,1),min(X),max(X),add=TRUE),col='blue',lwd=2)
+lines(curve(dexp(x,lam),min(X),max(X),add=TRUE),col='blue',lwd=2)
 hist(Y,freq=FALSE,main='Expoencial do R',col='lightblue')
 lines(density(Y),col='red',lwd=2)
-lines(curve(dexp(x,1),min(Y),max(Y),add=TRUE),col='blue',lwd=2)
+lines(curve(dexp(x,lam),min(Y),max(Y),add=TRUE),col='blue',lwd=2)
-################################################################################
+###-----------------------------------------------------------------###
-###----------------------------------------------------------###
+### Metodos de integração numerica
+#Função
+f <- function(x){exp(-x^2)}
+a <- -3
+b <- 3
+# integrar de -3,3
+x <- seq(a,b,l=100)
+plot(x,f(x),type='l',ylim=c(0,1))
+# Integração nativa do R - Gauss–Kronrod quadrature
+integrate(f,a,b)
+###Simpson 1/3 - INtervalos par, igualmente espaçados
+n <- 1200
+xi <- seq(a,b,l=n+1)
+i <- seq(2,n,by=2)
+j <- seq(3,n-1,by=2)
+((b-a)/n/3)*(f(a)+4*sum(f(xi[i]))+2*sum(f(xi[j]))+f(b))
+###Simpson 3/8 - Intervalos divisiveis por 3
+n <- 1200
+xi <- seq(a,b,l=n+1)
+i <- seq(2,n,by=3)
+j <- seq(4,n-2,by=3)
+((3*(b-a)/n)/8)*(f(a)+3*sum(f(xi[i])+f(xi[i+1]))+2*sum(f(xi[j]))+f(b))
+### Quadratura gausiana 3º Ordem
+w <- c(0.555555,0.888888,0.555555)
+xi <- c(-0.77459667,0,0.77459667)
+(b-a)/2*sum(f((b-a)/2*xi+(a+b)/2)*w)
+### Quadratura gausiana 4º Ordem
+w <- c(0.3478548,0.6521452,0.6521452,0.3478548)
+xi <- c(-0.86113631,-0.33998104,0.33998104,0.86113631)
+(b-a)/2*sum(f((b-a)/2*xi+(a+b)/2)*w)
+### Quadratura gausiana 6º Ordem
+w <- c(0.1713245,0.3607616,0.4679139,0.4679139,0.3607616,0.1713245)
+xi <- c(-0.933246951,-0.66120938,-0.23861919,0.23861919,0.66120938,0.933246951)
+(b-a)/2*sum(f((b-a)/2*xi+(a+b)/2)*w)
+###Monte Carlo
+n <- 10000
+xi <- runif(n,a,b)
+Ls <- max(f(seq(a,b,l=100)))
+Li <- 0
+yi <- runif(n,Li,Ls)
+sum(f(xi)>=yi)/n*((b-a)*(Ls-Li))
+points(xi,yi)
+###Laplace
+#f' <- -2*x*exp(-x^2)
+D2f  <- function(x){(4*x^2-2)*exp(-x^2)}
+D2f(0)
+((2*pi)/((-D2f(0))))^0.5*f(0)
+##Avaliando
+x <- seq(a,b,l=100)
+plot(x,f(x),type='l',ylim=c(0,2))
+lines(x,((2*pi)/((-D2f(0))))^0.5*f(x),col="red")
+###------------------------------------------------------------###
+###------------------------------------------------------------###
+### Solução analitica, númerica e por simulação do modelo
+# X ~ B(n,p)
+# p ~ Beta(alfa,beta)
+###------------------------------------------------------------###
+###------------------------------------------------------------###
+require(sfsmisc)
+require(latticeExtra)
+require(MASS)
+#browseURL('http://cs.illinois.edu/class/sp10/cs598jhm/Slides/Lecture02HO.pdf')
+###------------------------------------------------------------###
+###------------------------------------------------------------###
+### grid de p
+p <- seq(0,0.99999,by=0.001)
+### Priori
+alfa <- 1
+beta <- 1
+p.priori <- dbeta(p,alfa,beta)
+### Verossimilhança
+n <- 1000
+x <- rbinom(1,n,0.3)
+vero <- function(p,n,x){exp(sum(dbinom(x,n,p,log=TRUE)))}
+p.vero <- apply(matrix(p),1,vero,n=n,x=x)
+###------------------------------------------------------------###
+###------------------------------------------------------------###
+### Solução analitica
+### Posteriori
+p.posteA <- dbeta(p,alfa+sum(x),beta+sum(n-x))
+### Plotando
+doubleYScale(xyplot(p.priori + p.posteA ~ p, foo, type = "l",lwd=3),
+             xyplot(p.vero ~ p, foo, type = "l",lwd=2,lty=2),
+             style1 = 0, style2 = 3, add.ylab2 = TRUE,
+             text = c("Priori", "Posteriori", "Verossimilhança"), columns = 3)
+### confirmando se a posteriori é uma fdp
+integrate.xy(p,p.posteA)
+###------------------------------------------------------------###
+###------------------------------------------------------------###
+### INtegração númerica para normalização
+### posteriori
+p.posteN <- (p.priori*p.vero)/(integrate.xy(p,p.priori*p.vero))
+### Plotando
+doubleYScale(xyplot(p.priori + p.posteN ~ p, foo, type = "l",lwd=2),
+             xyplot(p.vero ~ p, foo, type = "l",lwd=2,lty=2),
+             style1 = 0, style2 = 3, add.ylab2 = TRUE,
+             text = c("Priori", "Posteriori", "Verossimilhança"), columns = 3)
+### confirmando se a posteriori é uma fdp
+integrate.xy(p,p.posteN)
+###------------------------------------------------------------###
+###------------------------------------------------------------###
+### Amostragem da posteriori
+ns <- 100000
+theta_chapeu <- sum(x)/(n*length(x))
+theta_i <- rbeta(ns,alfa,beta)
+    u_i <- runif(ns,0,1)
+crite <- u_i <= ((dbeta(theta_i,alfa,beta)*apply(matrix(theta_i),1,vero,n=n,x=x))/
+                 (dbeta(theta_chapeu,alfa,beta)*vero(theta_chapeu,n=n,x=x)))
+a.posteriori <- theta_i[crite]
+mean(a.posteriori,na.rm=TRUE)
+### Taxa Aceitação
+sum(crite)/ns
+###------------------------------------------------------------###
+###------------------------------------------------------------###
+### Comparando os resultados
+hist(a.posteriori,prob=TRUE)
+rug(a.posteriori)
+lines(density(a.posteriori))
+lines(p,p.posteA,col='red',lwd=3)
+lines(p,p.posteN,col='blue',lty=2)
+legend('topleft',c('Amostragem','Analitico','Númerica'),lty=c(1,1,2),col=c('black','red','blue'))
+### Intervalos via verosimilhança aproximado
+theta_chapeu+c(-1,1)*1.96*sqrt((theta_chapeu*(1-theta_chapeu))/n)
+### IC amostragem
+quantile(a.posteriori,c(0.025,0.975))
+### Analitico da conjugada
+qbeta(c(0.025,0.975),alfa+sum(x),beta+sum(n-x))
+###------------------------------------------------------------###
+##------------------------------------------------------------###
+###-----------------------------------------------------------------###
 ### Regressão Beta
 ### pacote oficial
@@ Linha 95: / Linha 240: @@
 fe_beta <- betareg(I(food/income) ~ income + persons , data = FoodExpenditure)
 summary(fe_beta)
-###----------------------------------------------------------###
+###-----------------------------------------------------------------###
 ### log vero da regressão beta com duas covariaveis,
 log.vero <- function(par,y,x1,x2){
@@ Linha 102: / Linha 247: @@
         return(ll)
 }
-###----------------------------------------------------------###
+###-----------------------------------------------------------------###
 opt <- optim(c(B0=-0.5,B1=-0.51,B2=0.11,phi=35),log.vero,y=FoodExpenditure$food/FoodExpenditure$income,
                                                         x1=FoodExpenditure$income,
@@ Linha 112: / Linha 257: @@
 sqrt(-diag(solve(opt$hessian)))
 summary(fe_beta)
+###-----------------------------------------------------------------###
+log.veroP <- function(par,phi,y,x1,x2){
+        mu <- exp((par[1] + par[2] * x1 + par[3] * x2))/(1+exp((par[1] + par[2] * x1 + par[3] * x2)))##logit^-1
+        ll  <- sum(dbeta(y, mu* phi, (1-mu)*phi,log = TRUE))
+        return(ll)
+}
+opt <- grid.phi <- seq(20,60,l=150)
+con <- 1
+for (i in grid.phi){
+  opt[con] <- optim(c(B0=-0.5,B1=-0.51,B2=0.11),log.veroP,phi=i,y=FoodExpenditure$food/FoodExpenditure$income,
+                                                        x1=FoodExpenditure$income,
+                                                        x2=FoodExpenditure$persons,
+                                                        hessian = TRUE, control=(list(fnscale=-1)))$value
+  con <- con+1
+}
+plot(grid.phi,2*(max(opt)-opt),type='l')
+abline(h=3.84)
+##############################################################################################
+###--------------------------------------------------###
+###--------------------------------------------------###
+### Algumas funções para analise utilizando MCMC
+### topicos:
+### 1) Modelos com JAGS via R (Regressão linear, Logistica)
+### 2) dclone juntamente com JAGS
+### 3) MCMCsamp em modelos mistos
+### 4) MCMCglmm
+### 5) MCMCpack
+###--------------------------------------------------###
+###--------------------------------------------------###
+rm(list=ls())
+### JAGS
+require(runjags)
+###--------------------------------------------------###
+#### Exemplo JAGS (função run-jags)
+## Exemplo de regressão linear simples
+# Simulação de dados
+X <- 1:50
+Y <- rnorm(length(X), 2*X + 10, 6)
+plot(X,Y)
+###--------------------------------------------------###
+### Inferencia por minimos quadrados
+m0 <- lm(Y~X)
+summary(m0)
+###--------------------------------------------------###
+### Modelo y = a*x+b
+### Ajustando com o JAGS
+### Priori para a ~ dnorm(0,0.001)
+### Priori para b ~ dnorm(0,0.001)
+### Priori para sigma ~ exp(1)
+### Escrevendo o modelo
+model <- "model {
+for(i in 1 : N){
+   Y[i] ~ dnorm(y.est[i],sigma);
+   y.est[i] <- (a * X[i]) + b;
+}
+a ~ dnorm(0,0.001);
+b ~ dnorm(0,0.001);
+sigma ~ dexp(1);
+}"
+### Data e valor inicial
+data <- dump.format(list(X=X, Y=Y, N=length(X)))
+inits0 <- dump.format(list(m=1, c=10, sigma=1))
+inits1 <- dump.format(list(m=0, c=0, sigma=1))
+# Run the model
+m1 <- run.jags(model=model, monitor=c("a","b","sigma"),
+data=data, inits=c(inits0,inits1),n.chains=3, plots = TRUE)
+### informações do objeto
+names(m1)
+### Verificando a cadeia
+plot(m1$mcmc[[1]])
+### Intervalos de credibilidade
+m1$HPD
+### Sumario
+m1$summary
+###--------------------------------------------------###
+###--------------------------------------------------###
+### Regressão logistica (Livro Introdução Analise Bayesiana)
+## pi (n/y) é a proporção de embriões com asas
+## ti é a variável “tempo desde a deposição dos ovos”
+## função de ligação logit
+t <- c(5,6,8,8,10,11,16,18)
+n <- c(34,33,33,35,30,27,33,39)
+y <- c(6,4,23,18,28,27,33,39)
+dados <- cbind(y,n-y)
+m0 <- glm(dados~t,family=binomial(link=logit))
+summary(m0)
+datalist <- dump.format(list(metamorfose=y,total=n,tempo=t))
+params <- c("beta0","beta1")
+inicial <- dump.format(list(beta0=coef(m0)[1],
+                            beta1=coef(m0)[2]))
+###--------------------------------------------------###
+modmcmc <- "model{
+for(i in 1:length(metamorfose)){
+    metamorfose[i] ~ dbin(p[i],total[i])
+    logit(p[i]) <- beta0+beta1*tempo[i]
+}
+beta0 ~ dnorm(0,0.001)
+beta1 ~ dnorm(0,0.001)
+}"
+### rodando o modelo
+modfit <- run.jags(model=modmcmc,monitor=params,data=datalist,
+inits=inicial,n.chains=1,burnin=10000,thin=3,sample=9000,check.conv=TRUE)
+### Verificando a cadeia
+plot(modfit$mcmc[[1]])
+### Intervalos de credibilidade
+modfit$HPD
+### Sumario
+modfit$summary
+###--------------------------------------------------###
+###--------------------------------------------------###
+### Modelos com repetição
+x <- gl(5,4)
+y <- rnorm(20,10,5)
+X <- model.matrix(~x)
+datalist <- dump.format(list(y=y,X=X))
+params <- c("beta1","tau")
+inicial <- dump.format(list(beta1=rep(0,nlevels(x)),tau=1))
+###--------------------------------------------------###
+modmcmc <- "model{
+for(i in 1:length(y)){
+    y[i] ~ dnorm(yb[i],tau)
+    yb[i] <- inprod(X[i,], beta1)
+}
+tau ~ dexp(1);
+for(j in 1:5){
+    beta1[j] ~ dnorm(0,0.001)
+}
+}"
+### rodando o modelo
+modfit <- run.jags(model=modmcmc,monitor=params,data=datalist,
+inits=inicial,check.conv=TRUE)
+### Verificando a cadeia
+plot(modfit$mcmc[[1]])
+### Intervalos de credibilidade
+modfit$HPD
+### Sumario
+modfit$summary
+#### Minimos quadrados
+summary(lm(y~x))
+###--------------------------------------------------###
+###--------------------------------------------------###
+### JAGS com Dclone
+require(dclone)
+## simple regression example from the JAGS manual
+jfun <- function() {
+for (i in 1:N) {
+  Y[i] ~ dnorm(mu[i], tau)
+  mu[i] <- alpha + beta * (x[i] - x.bar)
+}
+x.bar <- mean(x[])
+alpha ~ dnorm(0.0, 1.0E-4)
+beta ~ dnorm(0.0, 1.0E-4)
+sigma <- 1.0/sqrt(tau)
+tau ~ dgamma(1.0E-3, 1.0E-3)
+}
+## data generation
+set.seed(1234)
+N <- 100
+alpha <- 1
+beta <- -1
+sigma <- 0.5
+x <- runif(N)
+linpred <- model.matrix(~x) %*% c(alpha, beta)
+Y <- rnorm(N, mean = linpred, sd = sigma)
+## list of data for the model
+jdata <- list(N = N, Y = Y, x = x)
+## what to monitor
+jpara <- c("alpha", "beta", "sigma")
+## fit the model with JAGS
+regmod <- jags.fit(jdata, jpara, jfun, n.chains = 3)
+## model summary
+summary(regmod)
+## data cloning
+dcdata <- dclone(jdata, 5, multiply = "N")
+dcmod <- jags.fit(dcdata, jpara, jfun, n.chains = 3)
+summary(dcmod)
+#### opções de computação paralela
+?jags.parfit
+###--------------------------------------------------###
+###--------------------------------------------------###
+### Modelo misto - Amostrando a posteriorir via MCMC
+require(lme4)
+### Resposta normal
+m0 <- lmer(Reaction ~ Days + (1|Subject) + (0+Days|Subject), sleepstudy)
+summary(m0)
+sampm0 <- mcmcsamp(m0, n = 1000)
+HPDinterval(sampm0)
+xyplot(sampm0)
+qqmath(sampm0)
+densityplot(sampm0)
+###--------------------------------------------------###
+###--------------------------------------------------###
+browseURL("http://cran-r.c3sl.ufpr.br/web/packages/MCMCglmm/vignettes/CourseNotes.pdf")
+browseURL("http://cran-r.c3sl.ufpr.br/web/packages/MCMCglmm/vignettes/Overview.pdf")
+browseURL("http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.160.5098&rep=rep1&type=pdf")
+require(MCMCglmm)
+?MCMCglmm
+data(PlodiaPO)
+### Modelo normal
+model1<-MCMCglmm(PO~1, random=~FSfamily, data=PlodiaPO, verbose=FALSE)
+summary(model1)
+plot.MCMCglmm(model1)
+### MOdelo binomial
+model2 <- MCMCglmm(cbind(Pupated, Infected) ~ 1,random=~FSfamily, family = "multinomial2",
+data = PlodiaR, verbose = FALSE)
+plot.MCMCglmm(model2)
+###--------------------------------------------------###
+###--------------------------------------------------###
+require(MCMCpack)
+### Modelo Poisson
+counts <- c(18,17,15,20,10,20,25,13,12)
+outcome <- gl(3,1,9)
+treatment <- gl(3,3)
+posterior <- MCMCpoisson(counts ~ outcome + treatment)
+plot(posterior)
+summary(posterior)
+###--------------------------------------------------###
+###--------------------------------------------------###
+##############################################################################################
 </code>

Diferenças

Navegação

Busca

Ferramentas

QR Code