Descargado 63 veces
![>>> from numpy import *
>>> from numpy.linalg import solve
>>>
>>> # Sistema a resolver para (x0,x1,x2):
>>> # 3 * x0 + 1 * x1 + 5 * x2 = 6
>>> # 1 * x0 + 8 * x2 = 7
>>> # 2 * x0 + 1 * x1 + 4 * x2 = 8
>>>
>>> a = array([[3,1,5],[1,0,8],[2,1,4]])
>>> b = array([6,7,8])
>>> x = solve(a,b)
>>> print x # La solución!
[-3.28571429 9.42857143 1.28571429]
>>>
>>> dot(a,x) # Verificación
array([ 6., 7., 8.])](https://image.slidesharecdn.com/python-r-economia-coputacional-091213085614-phpapp01/85/Gestion-y-Analisis-de-Datos-para-las-Ciencias-Economicas-con-Python-y-R-15-320.jpg)
![from scipy import optimize, special
from numpy import *
from pylab import *
x = arange(0,10,0.01)
for k in arange(0.5,5.5):
y = special.jv(k,x)
plot(x,y)
f = lambda x: -special.jv(k,x)
x_max = optimize.fminbound(f,0,6)
plot([x_max], [special.jv(k,x_max)],'ro')
title(u'Funciones Bessel con optimos locales')
show()](https://image.slidesharecdn.com/python-r-economia-coputacional-091213085614-phpapp01/85/Gestion-y-Analisis-de-Datos-para-las-Ciencias-Economicas-con-Python-y-R-17-320.jpg)
![library(spatstat)
data(cells)
cells
planar point pattern: 42 points
window: rectangle = [0,1] x [0,1]
plot(cells)
plot(density.ppp(cells))
plot(Kest(cells))](https://image.slidesharecdn.com/python-r-economia-coputacional-091213085614-phpapp01/85/Gestion-y-Analisis-de-Datos-para-las-Ciencias-Economicas-con-Python-y-R-24-320.jpg)
![# Formular el problema: maximizar
# x1 + 9 x2 + x3 sujeto a
# x1 + 2 x2 + 3 x3 <= 9
# 3 x1 + 2 x2 + 2 x3 <= 15
#
f.obj <- c(1, 9, 3)
f.con <- matrix (c(1, 2, 3, 3, 2, 2), nrow=2, byrow=TRUE)
f.dir <- c("<=", "<=")
f.rhs <- c(9, 15)
#
# Ejecutar.
#
lp ("max", f.obj, f.con, f.dir, f.rhs)
## Salida: Exito: la funcion objetivo es 40.5
lp ("max", f.obj, f.con, f.dir, f.rhs)$solution
## Salida: [1] 0.0 4.5 0.0
#
# Obtener variables duales
lp ("max", f.obj, f.con, f.dir, f.rhs, compute.sens=TRUE)$duals
## Salida: [1] 4.5 0.0 -3.5 0.0 -10.5](https://image.slidesharecdn.com/python-r-economia-coputacional-091213085614-phpapp01/85/Gestion-y-Analisis-de-Datos-para-las-Ciencias-Economicas-con-Python-y-R-29-320.jpg)
Subido porFrancisco Palm
Gestión y Análisis de Datos para las Ciencias Económicas con Python y R
El documento trata sobre la gestión y análisis de datos en las ciencias económicas utilizando Python y R, enfatizando la importancia de la economía computacional. Se comparan ambos lenguajes, señalando sus similitudes y diferencias, así como sus aplicaciones en estadística, econometría y finanzas. Además, se mencionan diversas bibliotecas y herramientas disponibles para cada lenguaje que facilitan el análisis de datos.
Más contenido relacionado
Similar a Gestión y Análisis de Datos para las Ciencias Económicas con Python y R
![[Sesion03] introduccion python](https://cdn.slidesharecdn.com/ss_thumbnails/sesion03introduccionpython-210521020557-thumbnail.jpg?width=640&height=640&fit=bounds)
Gestión y Análisis de Datos para las Ciencias Económicas con Python y R
- 1. Gestión y Análisisde Datos para las Ciencias Económicas con Python y R Emancipando la Economía Computacional Francisco Palm Spiralia :: SoLVe :: ULA
- 2. ¿Economía Computacional? Intersección entre el Análisis Económico y la Informática
- 3. ¿De qué hayque liberarse?
- 4. ¿De qué hayque liberarse? Herramientas inferiores Enfoques limitados Formatos cerrados Obsolencia planificada Interoperabilidad reducida
- 5. "...es probable queel crecimiento conjunto de Python y R sea el factor más importante en el futuro de la estadística computacional". "The Future of Statistical Computing" Leland Wilkinson (TECHNOMETRICS, Vol. 50, Num. 4, Nov. 2008),
- 6.
- 7. ¿Qué es Python? ➔ Lenguaje dinámico ➔multiparadigma, multipropósito, multiplataforma, multiimplementación... multi* ➔ El único compromiso es la productividad del programador ➔ Viene con las pilas puestas
- 8.
- 9. ¿Qué es R? ➔Entorno para computación estadística y gráficos ➔ Un amplio rango de técnicas y utilidades (2000+ Paquetes) ➔ Varios años por delante de sus contrapartes privativas (SAS, SPSS). ➔ Potentes capacidades gráficas
- 10. ¿En qué separecen Python y R?
- 11. ¿En qué separecen Python y R? Lenguajes interpretados Libres "Armas secretas" de Google Desarrollados por comunidades internacionales e independientes Amplia difusión internacional Modulares y extensibles
- 12. ¿En qué sediferencian Python y R?
- 13. ¿En qué sediferencian? Python R Horizontal, Vertical, análisis multipropósito estadístico Diseñado para ser Orientación sencillo científica Técnicas Funcional, pero avanzadas de conservador programación Hay que instalarlo Incluido en Linux (incluso en Linux)
- 14.
- 15. >>> from numpyimport * >>> from numpy.linalg import solve >>> >>> # Sistema a resolver para (x0,x1,x2): >>> # 3 * x0 + 1 * x1 + 5 * x2 = 6 >>> # 1 * x0 + 8 * x2 = 7 >>> # 2 * x0 + 1 * x1 + 4 * x2 = 8 >>> >>> a = array([[3,1,5],[1,0,8],[2,1,4]]) >>> b = array([6,7,8]) >>> x = solve(a,b) >>> print x # La solución! [-3.28571429 9.42857143 1.28571429] >>> >>> dot(a,x) # Verificación array([ 6., 7., 8.])
- 16.
- 17. from scipy importoptimize, special from numpy import * from pylab import * x = arange(0,10,0.01) for k in arange(0.5,5.5): y = special.jv(k,x) plot(x,y) f = lambda x: -special.jv(k,x) x_max = optimize.fminbound(f,0,6) plot([x_max], [special.jv(k,x_max)],'ro') title(u'Funciones Bessel con optimos locales') show()
- 18.
- 19. from mpl_toolkits.mplot3d importAxes3D from matplotlib import cm import matplotlib.pyplot as plt import numpy as np fig = plt.figure() ax = Axes3D(fig) X = np.arange(-5, 5, 0.25) Y = np.arange(-5, 5, 0.25) X, Y = np.meshgrid(X, Y) R = np.sqrt(X**2 + Y**2) Z = np.sin(R) ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.jet) plt.show()
- 20. Python: persistencia pickle marshall sqlite zodb sqlalchemy
- 21.
- 22.
- 23.
- 24. library(spatstat) data(cells) cells planarpoint pattern: 42 points window: rectangle = [0,1] x [0,1] plot(cells) plot(density.ppp(cells)) plot(Kest(cells))
- 25. R: Econometría yseries de tiempo http://cran.r-project.org/web/views/Econometrics.html http://cran.r-project.org/web/views/TimeSeries.html
- 26. > mort =ts(scan("cmort.dat"),start=1970, frequency=52) Read 508 items > part = ts(scan("part.dat"),start=1970, frequency=52) Read 508 items > ded = ts.intersect(mort,part,part4=lag(part,-4),dframe=TRUE) > fit = lm(mort~part+part4, data=ded, na.action=NULL) > summary(fit) Call: lm(formula = mort ~ part + part4, data = ded, na.action = NULL) Residuals: Min 1Q Median 3Q Max -22.7429 -5.3677 -0.4136 5.2694 37.8539 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 69.01020 1.37498 50.190 < 2e-16 *** part 0.15140 0.02898 5.225 2.56e-07 *** part4 0.26297 0.02899 9.071 < 2e-16 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 8.323 on 501 degrees of freedom Multiple R-squared: 0.3091, Adjusted R-squared: 0.3063 F-statistic: 112.1 on 2 and 501 DF, p-value: < 2.2e-16
- 27.
- 28.
- 29. # Formular elproblema: maximizar # x1 + 9 x2 + x3 sujeto a # x1 + 2 x2 + 3 x3 <= 9 # 3 x1 + 2 x2 + 2 x3 <= 15 # f.obj <- c(1, 9, 3) f.con <- matrix (c(1, 2, 3, 3, 2, 2), nrow=2, byrow=TRUE) f.dir <- c("<=", "<=") f.rhs <- c(9, 15) # # Ejecutar. # lp ("max", f.obj, f.con, f.dir, f.rhs) ## Salida: Exito: la funcion objetivo es 40.5 lp ("max", f.obj, f.con, f.dir, f.rhs)$solution ## Salida: [1] 0.0 4.5 0.0 # # Obtener variables duales lp ("max", f.obj, f.con, f.dir, f.rhs, compute.sens=TRUE)$duals ## Salida: [1] 4.5 0.0 -3.5 0.0 -10.5
- 30.
- 31. R: persistencia read.table, write.table DBI, filehash, filehashsqlite, RMySQL, RODBC, ROracle, RPostgreSQL TSSQLite, TSMySQL, TSodbc, TSPostgreSQL ...
- 32. Python & R:Sage http://www.sagemath.org/
- 34. Python & R:manageR http://www.ftools.ca/manageR/
- 35. Notas Finales Komodo Edit – Sciviews-K http://www.sciviews.org/SciViews-K/index.html
- 36. Contacto francisco.palm@gmail.com fpalm@ula.ve