Skip to content

Commit

Permalink
enfermedad x arreglos
Browse files Browse the repository at this point in the history
  • Loading branch information
@Joskerus
Joskerus committed Dec 7, 2023
1 parent a9ed6b6 commit a96ec40
Show file tree
Hide file tree
Showing 2 changed files with 25 additions and 27 deletions.
24 changes: 12 additions & 12 deletions episodes/EnfermedadX.Rmd
View file
Original file line number Diff line number Diff line change
Expand Up @@ -891,7 +891,7 @@ converg_diag_gamma
```


```{r gamma check res}
```{r gamma sample MCMC}
# Guardar las muestras MCMC en un dataframe
si_samples_gamma <- data.frame(
type = 'Symptom onset',
Expand Down Expand Up @@ -922,7 +922,7 @@ si_summary_gamma
```


```{r gamma check res, echo=TRUE, results=FALSE}
```{r gamma check res si, echo=TRUE, results=FALSE}
# Obtenga las mismas estadísticas de resumen para los parámetros de la distribución
si_samples_gamma |>
summarise(
Expand All @@ -936,7 +936,7 @@ scale_u_ci = quantile(scale, probs=.975)
```


```{r gamma check res, results=FALSE}
```{r gamma check res parms, results=FALSE}
# Necesita esto para hacer gráficos más tarde
gamma_shape <- si_fit_gamma@ests['shape',][1]
gamma_rate <- 1 / si_fit_gamma@ests['scale',][1]
Expand Down Expand Up @@ -985,14 +985,14 @@ seed = mcmc_control$seed)

Revise los resultados.

```{r log normal res}
```{r log normal res conver}
# Revise la convergencia de las cadenas MCMC
converg_diag_lnorm <- check_cdt_samples_convergence(si_fit_lnorm@samples)
converg_diag_lnorm
```


```{r log normal res, results=FALSE}
```{r log normal res samples MCM, results=FALSE}
# Guarde las muestras de MCMC en un dataframe
si_samples_lnorm <- data.frame(
type = 'Symptom onset',
Expand All @@ -1009,7 +1009,7 @@ sd = sqrt((exp(sdlog^2)-1) * (exp(2*meanlog + sdlog^2)))
```


```{r log normal res}
```{r log normal res si sum}
# Obtenga la media, desviación estándar e intervalo de credibilidad del 95%
si_summary_lnorm <-
si_samples_lnorm %>%
Expand All @@ -1025,7 +1025,7 @@ si_summary_lnorm
```


```{r log normal res}
```{r log normal res stad}
# Obtenga las estadísticas resumen para los parámetros de la distribución
si_samples_lnorm |>
summarise(
Expand All @@ -1039,7 +1039,7 @@ sdlog_u_ci = quantile(sdlog, probs=.975)
```


```{r log normal res}
```{r log normal res end}
lognorm_meanlog <- si_fit_lnorm@ests['meanlog',][1]
lognorm_sdlog <- si_fit_lnorm@ests['sdlog',][1]
Expand Down Expand Up @@ -1095,7 +1095,7 @@ converg_diag_weibull
```


```{r weibull check res}
```{r weibull check res si}
# Guarde las muestra MCMC en un dataframe
si_samples_weibull <- data.frame(
type = 'Symptom onset',
Expand All @@ -1112,7 +1112,7 @@ sd = sqrt(scale^2*(gamma(1+2/shape)-(gamma(1+1/shape))^2))
```


```{r weibull check res, echo=TRUE}
```{r weibull check res si sum, echo=TRUE}
# Obtenga las estadísticas resumen
si_summary_weibull <-
si_samples_weibull %>%
Expand All @@ -1128,7 +1128,7 @@ si_summary_weibull
```


```{r weibull check res, echo=TRUE}
```{r weibull check res si samples, echo=TRUE}
# Obtenga las estadísticas resumen para los parámetros de la distribución.
si_samples_weibull |>
summarise(
Expand All @@ -1142,7 +1142,7 @@ scale_u_ci = quantile(scale, probs=.975)
```


```{r weibull check res}
```{r weibull check res parms}
weibull_shape <- si_fit_weibull@ests['shape',][1]
weibull_scale <- si_fit_weibull@ests['scale',][1]
Expand Down
28 changes: 13 additions & 15 deletions episodes/EnfermedadX2.Rmd
View file
Original file line number Diff line number Diff line change
Expand Up @@ -457,7 +457,6 @@ Ahora, enfoquese en el período de incubación. Se utilizará los datos del `lin
- ¿Para cuántos casos tiene datos tanto de la fecha de inicio de síntomas como de exposición?

- Calcule las ventanas de exposición. ¿Cuántos casos tienen una única fecha de exposición?

:::

```{r estimate ip, warning = FALSE}
Expand Down Expand Up @@ -494,6 +493,7 @@ Recuerde que el interés principal es considerar tres distribuciones de probabil

`Stan` es un programa de software que implementa el algoritmo Monte Carlo Hamiltoniano (HMC por su siglas en inglés de Hamiltonian Monte Carlo). HMC es un método de Monte Carlo de cadena de Markov (MCMC) para ajustar modelos complejos a datos utilizando estadísticas bayesianas.


#### **7.1.1. Corra el modelo en Stan**

Ajuste las tres distribuciones en este bloque de código.
Expand Down Expand Up @@ -891,7 +891,7 @@ converg_diag_gamma
```


```{r gamma check res}
```{r gamma sample MCMC}
# Guardar las muestras MCMC en un dataframe
si_samples_gamma <- data.frame(
type = 'Symptom onset',
Expand Down Expand Up @@ -922,7 +922,7 @@ si_summary_gamma
```


```{r gamma check res, echo=TRUE, results=FALSE}
```{r gamma check res si, echo=TRUE, results=FALSE}
# Obtenga las mismas estadísticas de resumen para los parámetros de la distribución
si_samples_gamma |>
summarise(
Expand All @@ -936,7 +936,7 @@ scale_u_ci = quantile(scale, probs=.975)
```


```{r gamma check res, results=FALSE}
```{r gamma check res parms, results=FALSE}
# Necesita esto para hacer gráficos más tarde
gamma_shape <- si_fit_gamma@ests['shape',][1]
gamma_rate <- 1 / si_fit_gamma@ests['scale',][1]
Expand Down Expand Up @@ -985,14 +985,14 @@ seed = mcmc_control$seed)

Revise los resultados.

```{r log normal res}
```{r log normal res conver}
# Revise la convergencia de las cadenas MCMC
converg_diag_lnorm <- check_cdt_samples_convergence(si_fit_lnorm@samples)
converg_diag_lnorm
```


```{r log normal res, results=FALSE}
```{r log normal res samples MCM, results=FALSE}
# Guarde las muestras de MCMC en un dataframe
si_samples_lnorm <- data.frame(
type = 'Symptom onset',
Expand All @@ -1009,7 +1009,7 @@ sd = sqrt((exp(sdlog^2)-1) * (exp(2*meanlog + sdlog^2)))
```


```{r log normal res}
```{r log normal res si sum}
# Obtenga la media, desviación estándar e intervalo de credibilidad del 95%
si_summary_lnorm <-
si_samples_lnorm %>%
Expand All @@ -1025,7 +1025,7 @@ si_summary_lnorm
```


```{r log normal res}
```{r log normal res stad}
# Obtenga las estadísticas resumen para los parámetros de la distribución
si_samples_lnorm |>
summarise(
Expand All @@ -1039,7 +1039,7 @@ sdlog_u_ci = quantile(sdlog, probs=.975)
```


```{r log normal res}
```{r log normal res end}
lognorm_meanlog <- si_fit_lnorm@ests['meanlog',][1]
lognorm_sdlog <- si_fit_lnorm@ests['sdlog',][1]
Expand Down Expand Up @@ -1095,7 +1095,7 @@ converg_diag_weibull
```


```{r weibull check res}
```{r weibull check res si}
# Guarde las muestra MCMC en un dataframe
si_samples_weibull <- data.frame(
type = 'Symptom onset',
Expand All @@ -1112,7 +1112,7 @@ sd = sqrt(scale^2*(gamma(1+2/shape)-(gamma(1+1/shape))^2))
```


```{r weibull check res, echo=TRUE}
```{r weibull check res si sum, echo=TRUE}
# Obtenga las estadísticas resumen
si_summary_weibull <-
si_samples_weibull %>%
Expand All @@ -1128,7 +1128,7 @@ si_summary_weibull
```


```{r weibull check res, echo=TRUE}
```{r weibull check res si samples, echo=TRUE}
# Obtenga las estadísticas resumen para los parámetros de la distribución.
si_samples_weibull |>
summarise(
Expand All @@ -1142,7 +1142,7 @@ scale_u_ci = quantile(scale, probs=.975)
```


```{r weibull check res}
```{r weibull check res parms}
weibull_shape <- si_fit_weibull@ests['shape',][1]
weibull_scale <- si_fit_weibull@ests['scale',][1]
Expand Down Expand Up @@ -1335,5 +1335,3 @@ Kelly Charniga, Zachary Madewell, Zulma M. Cucunubá
6. Lambert B. A Student's Guide to Bayesian Statistics. Los Angeles, London, New Delhi, Singapore, Washington DC, Melbourne: SAGE, 2018.
7. Vehtari A et al. Rank-normalization, folding, and localization: An improved R-hat for assessing convergence of MCMC. Bayesian Analysis 2021: Advance publication 1-28. <https://doi.org/10.1214/20-BA1221>
8. Nishiura H et al. Serial interval of novel coronavirus (COVID-19) infections. Int J Infect Dis. 2020;93:284-286. <https://doi.org/10.1016/j.ijid.2020.02.060>


0 comments on commit a96ec40

Please sign in to comment.