Hasta aquí nuestros análisis fueron basados en una entrada y en una salida que pasa si queremos mirar el efecto de muchas entradas y una sola salida? el efecto de múltiples salidas también sería interesante, pero eso implica crear muchos más gráficos en la mayoría de los casos pero que pasa si queremos ver el efecto de 2 entradas diferentes sobre la misma salida? una cosa que podemos hacer es ver los 4 modos diferentes que suelen denominarse análisis multivariado podemos establecer un ajuste de base para una de las entradas y entonces hacer variar las salidas para poder ver qué tipo de relaciones existen podemos hacer la misma variación, pero luego agregar sobre todas las otras posibles variaciones en la otra variable podemos buscar por gráficos de 3 dimensiones o podemos usar regresiones como una herramienta en particular vamos a ver el ejemplo en el "espacio de conducta", donde vamos a modificar la densidad de la población y la variable de decaimiento en el medioambiente, la misma que vimos antes y vamos a ver qué efectos tienen juntas sobre la tasa del tiempo para llegar al 100% de las infecciones entonces vamos a "espacio de conducta" y corremos el modelo aquí tenemos el experimento sobre la densidad y el decaimiento, como podemos ver, variamos el decaimiento de la enfermedad desde 0 a 10, con un incremento de 1 variamos el número de personas, desde 50 hasta 200, con un incremento de 50 luego tenemos 10 repeticiones y vamos a medir los ticks, porque queremos ver como llegamos a la infección completa lo corremos 440 veces, esto es porque ahora estamos diciendo que queremos 10 corridas, por ejemplo un decaimiento de la enfermedad a 0 y con un número de personas de 50, luego 10 veces corremos y queda un decaimiento en 0 pero con un número de personas en 100 y así sucesivamente 10 veces 4, que es el número de las diferentes poblaciones que estamos mirando 50, 100 y 150, que son 11 veces que es el número de los diferentes decaimientos que estamos viendo, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 11 veces 4, 10 veces que nos lleva al 440 lo dejamos correr y apagamos los resultados dicho sea de paso notemos que estamos en la variante de red, pero a medida que cambio a, a medida que corro los experimentos, cambio a la variante de entorno y eso es debido a que, si miramos al espacio de conducta, dice variante de entorno, podemos cambiar todos los deslizadores que están acá para ver otras variables, si queremos mirar los resultados de un experimento, una cosa que podemos hacer es cargar el experimento y correr y parar y modificar los deslizadores, yo a veces lo hago porque no quiero manipular todos los deslizadores llevemos todos estos datos a R y miremos los resultados volvimos a R y voy a llamar al script de multivariado, resulta que tenemos que llamar algunas librerías, una llamada plot3D y esta puede ser la que no hemos instalado, resulta que creo que mi CRAN hizo una copia dicho sea de paso, una cosa que se puede hacer es bajar el parámetro para modificar el espejo en el que estaba buscando, esto es algo técnico, si tienen problemas con esto, pueden entrar al foro pero ahora tengo la lista de paquetes, escribí el nombre que quiero del paquete plot3D y de hecho en este caso, no lo he instalado, por lo que lo instalo ahora hago click donde dice "install" y vemos lo que sucede, busca de internet lo que se necesita, los diferentes paquetes, parece que tengo la mayoría de los otros paquetes no es un gran problema, puedo cerrar esto y ahora puedo correr la biblioteca plot3D y corre sin inconvenientes ahora tengo los dos paquetes instalados ahora podemos leer los datos, de la manera usual, dispersión de la enfermedad, la densidad, la caída, es decir los experimentos veamos los datos, hacemos esto y notaremos que los resúmenes de los datos y de la red en el medioambiente se ven como se veían antes, los recuentos son los mismos podemos seguir adelante y asignar los nombres de columnas podemos "agregar" y en este caso, debido a que estamos interesados en "agregar" a partir de las enfermedades y de las interacciones entre la caída de la enfermedad y el número de personas, nuestra lista consistirá en ambos entonces podemos agregar a partir de los dos, promedios y desvíos estándar hacemos todo el truco usando "cbind" y luego ponemos todo en dataframe lo que significa que tenemos toda nuestra data, que queremos ver en un solo lugar lindo, es bastante grande, tenemos cada una de las caídas de la enfermedad, por cada número de personas, tenemos la media y el desvío estándar entonces el método del que voy a hablar es establecer un caso base para cada uno de los diferentes parámetros y variar a partir de ellos asumamos que un caso base del número de personas que es igual a 100 y la caída de la enfermedad que sea igual a 5 lo que quiero decir con un caso base, es que, aquí tenemos la situación inicial y queremos ver como cada variable se aleja de ella y luego probamos con otra de ellas, esto produce dos gráficas, que se arman con el mismo conjunto de datos pero nos permite ver alguna clase de interacción entre ellos, no verdaderas interacciones pero sí el efecto de estas dos variables diferentes en los resultados generales en este caso usamos el comando "with" que nos permite tomar un subconjunto y vamos a buscar todos los casos donde el número de personas es igual a 100 y vamos a graficar el decaimiento de la enfermedad en el eje x, la media del tiempo de infección y el resto de lo que los rodea en este caso tenemos la siguiente variable ahora, es importante en este gráfico poner el número de personas, que es una de las variables importantes, el número de personas que sea igual a 100 y podemos hacer lo mismo, otra vez, para las otras, en este caso vamos a asignar a la variable de decaimiento de la enfermedad que sea igual a 5, vamos a ver como varía el número de personas y lo vamos a correr y obtendremos resultados diferentes y por supuesto tenemos que mirar el resumen, para ver cual parece ser más grande o más chico hay una forma de hacer análisis multivariado y luego volveremos cuando hablemos de ello. Otra forma de hacer análisis multivariado, involucra agrupar todos los datos con todos los diferentes valores que toman las otras variables. Por ejemplo puedo decirle al R que haga, es que agrupe sólo por el decaimiento de la enfermedad, aún cuando sé que hay otras variables, como el número de personas en el otro conjunto de datos y puedo computar la media, el desvío estándar y computar una tabla para ello la diferencia aquí, si miramos a los datos en este caso, estoy promediando para cada valor del decaimiento de la enfermedad, por sobre todos los casos donde el número de personas es 50, el número de personas es 100, el número de personas es 200 esto nos permite hacer, es poder ver cuan robusto es el resultado para el efecto del decaimiento de la enfermedad y el tiempo que tarda en llegar a 100% de la infección sin importar el número de personas, porque podemos inferirlo desde el trasfondo este es un modo en el que pueden ver cuan robusto puede ser el resultado si vemos la ventana, podemos ver que las barras y si volvemos al viejo gráfico, lo pongo rápido, por aquí, veamos, no, no no son los datos que acabo de colocar, puede que sea éste ahora podemos ver estos resultados, lado a lado y podemos ver el número de personas tenemos barras más pequeñas, tenemos diferentes resultados con el tiempo, las escalas son diferentes, aquí hay 300 y aquí hay 200, las medias permanecen igual aproximadamente, podemos evaluar cuánto es el número, las interacciones del número de personas que están interactuando con estos resultados diferentes y para el medioambiente cuando es 0, aparece como interactuando un poco podemos repetir el mismo truco para la variable del número de personas, ahora agregamos sólo el número de personas que nos permite ver el decaimiento de la enfermedad y como varía y podemos ver los resultados de eso y como pueden ver las barras son más anchas de lo que eran anteriormente, lo cual parece indicar que este es un caso donde, haciendo esto nos muestra, cuan robusta es una de las variables para poder modificar al resto de las variables en los casos donde se ven patrones claros donde los resultados muestran barras más pequeñas, ustedes saben que es muy robusto y en este caso ustedes pueden decir, por ejemplo, para la cantidad de gente, parece que se producen muy diferentes resultados dependiendo del valor de decaimiento del medioambiente, para el decaimiento del medioambiente, excepto cuando llega a 0 los resultados son muy consistentes, sin importar el número de personas, con lo que podemos obtener algún conocimiento acerca del modelo