Publications by Juan Pablo Acuña González
Reporte
1 Especificación del modelo Se plantea un modelo para expresar la “pendiente”, es decir, el cambio promedio en el recuento de células CD4 debido al aumento en una unidad de partículas virales. Así, la forma del modelo toma a la carga viral como una variable explicativa para el recuento de células CD4, expresada en la Ecuación (1). \[\begi...
4992 sym 3 tbl
MMEA
1 Objetivos Los últimos 15 años han visto una enorme acumulación de datos sobre los retrovirus y la secuencia y estructura de sus genomas y proteínas (http://www.wwpdb.org/, Berman et al., 2000, http://www.openrasmol.org/). Los retrovirus se dividen actualmente en siete géneros, y dos grupos más esperan clasificación. La clasificación se ...
4173 sym 2 img 2 tbl
Protocolo de investigación
Protocolo de investigación. MMEA, UAGro. Juan Pablo Acuña González Título del proyecto: Una aplicación web para modelación estocástica de la red genética auto-regulatoria del virus de inmunodeficiencia humana (VIH) Modelación estocástica Proceso biológico \(->\) Reacciones bioquímicas Representación gráfica Representación anal...
5390 sym 9 img
An introduction to the randomverse
1 State of the art and general background In silico systems biology refers to the modeling in biology at the systems level through synthetic devices. Advances in the study of biological systems rely on the assumed underlying predictive factor that models provide in understanding the functionality of the whole of a system as well as the different ...
27247 sym 14 img 6 tbl
Función de verosimilitud
Tarea 7. Distribución Exponencial La solución general para la distribución exponencial es \[l(\theta)=\sum_{j=1}^n(-\ln(\theta)-x_j\theta^{-1})=-n\ln(\theta)-n\overline{x}\theta^{-1},\] \[l'(\theta)=-n\theta^{-1}+n\overline{x}\theta^{-2}=0,\] \[n\theta=n\overline{x},\] \[\hat{\theta}=\overline{x}.\] Tomando por ejemplo la siguiente data dsB<-...
1753 sym R (2222 sym/27 pcs) 4 img
T2
2. Tipos de datos (I) 2.1 Tipos de datos simples 2.1.1 Clase y tipo de un dato class(45) ## [1] "numeric" class(34.5) ## [1] "numeric" class("R") ## [1] "character" class(TRUE) ## [1] "logical" class(Inf) ## [1] "numeric" class(1+2i) ## [1] "complex" class(NaN) ## [1] "numeric" typeof(45) ## [1] "double" typeof(34.5) ## [1] "double" typeof("R")...
539 sym
Práctica 2
Data frames Creación de un data frame dias <- c('Lun','Mar','Mie','Jue','Vie','Sab','Dom') mdias <- c(dias[as.integer(runif(1000,0,7)+1)]) fdias <- factor(mdias) df <- data.frame(Dia = fdias[1:20], Estimado = rep(c(T,F),10), Lectura = rnorm(20,5)) head(df) ## Dia Estimado Lectura ## 1 Sab TRUE 5.549506 ## 2 Dom FALSE 5.008355 ## 3 Mi...
480 sym
An Introduction to the RandomVerse
1 Introduction and general background In silico systems biology refers to the modeling in biology at the systems level through synthetic devices. Advances in the study of biological systems rely on the assumed underlying predictive factor that models provide in understanding the functionality of the whole of a system as well as the different part...
26134 sym 10 img 6 tbl
Práctica 3
Ejercicio 1 sumaVectores <- function(x,y){ if(length(x) != length(y)) return("NULL") else return(x+y) } Ejercicio 2 escoger <- function(n,k){ #return(factorial(n)/(factorial(n-k)*factorial(k))) return(gamma(n+1)/(gamma((n-k)+1)*gamma(k+1))) } Ejercicio 3 serLeib <- function(n){ leib <- c() for(i in 0:n) leib <- c(...
138 sym
Distribuciones muestrales
Diez muestras Se toman \(10\) muestras de tamaño \(n=12\) para generar \(10\) valores de la media muestral asociada con lanzar un dado balanceado Y1 <- matrix(runif(12*10,1,6),ncol=12) Y1media <- apply(Y1, 1, mean) mean(Y1media); sd(Y1media) ## [1] 3.503194 ## [1] 0.4257131 library(rcompanion) plotNormalHistogram( Y1media, prob = TRUE, ...
1603 sym R (786 sym/14 pcs) 3 img