Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Look up keyword
Like this
1Activity
0 of .
Results for:
No results containing your search query
P. 1
2 Cluster Peces

2 Cluster Peces

Ratings: (0)|Views: 10 |Likes:
Published by aletheia_aiehtela

More info:

Published by: aletheia_aiehtela on Feb 05, 2014
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

10/04/2014

pdf

text

original

 
Análisis multivariante en R: aplicación en ecología
Rosana Ferrero5 de febrero de 2014
Índice
1.1. Análisis jerárquico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.1.1. PASO 1. Elección de variables (o casos) . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.1.2. PASO 2. Elección de la técnica cluster . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.1.3. PASO 3: Determinar el número de conglomerados finales . . . . . . . . . . . . . . . . 51.1.4. PASO 4. Representación e interpretación de los resultados . . . . . . . . . . . . . . . . 81.2. Análisis no jerárquico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.2.1. Partición por k-medias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.2.2. k-medoides (PAM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131.3. PLUS: Análisis extra para mejorar la interpretación y validación. . . . . . . . . . . . . . . . . 171.3.1. Comparación con datos ambientales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171.3.2. Ensables de especies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
 
1. Análisis cluster con R: datos de peces (ambos métodos).
Análisis cluster jerárquico y no jerárquico para datos de abundancia de peces a lo largo del río Doubs(francés-suizo) obtenidos por Verneaux (1973) y las características ambientales del sitio. Se quiere analizar:a) Si existen distintos ensambles de peces a lo largo del cauce del río. b) Cómo los cambios ambientalesregistrados en el río se relacionan con los cambios en la estructura de los ensambles de peces. Tenemos30 filas (sitios), 27 especies de peces (columnas del archivo spe), 11 variables ambientales (columnas delarchivo env) y las coordenadas espaciales de los sitios (columnas del archivo spa). Para obtener más detallesde los datos puedes preguntar en R sobre los datos
 doubs
 del paquete
 ade4
.
1.1. Análisis jerárquico
# --------- Análisis jerárquico ---------# cargamos los paquetes que vamos a necesitar (activar vegan luego de# ade4 para evitar conflictos)library(ade4)library(vegan)library(gclus)library(cluster)library(RColorBrewer)library(labdsv)library(mvpart)library(MVPARTwrap)# cargamos algunas funciones que hemos de necesitar (los archivos# deben estar en nuestro directorio de trabajo)source("hcoplot.R") source("test.a.R") source("coldiss.R")
1.1.1. PASO 1. Elección de variables (o casos)
# PASO 1. Elección de variables (o casos) importamos los archivos de# datos (csv) (los archivos deben estar en nuestro directorio de# trabajo)spe <- read.csv("DoubsSpe.csv", row.names = 1) env <- read.csv("DoubsEnv.csv", row.names = 1) spa <- read.csv("DoubsSpa.csv", row.names = 1) # Remove empty site 8spe <- spe[-8, ]env <- env[-8, ]spa <- spa[-8, ]# estandarizamos los datosspe.norm <- decostand(spe, "normalize")
1.1.2. PASO 2. Elección de la técnica cluster
2
 
# PASO 2. Elección de la técnica cluster I) Análisis de conglomerados# jerárquico de los datos de abundancias de especies ---# ------ Determinar qué método de conglomerado es el mejor ----# calculamos la matriz de distanciasspe.ch <- vegdist(spe.norm, "euc") # calculamos el cluster por varios métodos para elegir luego el más# adecuadopar(mfrow = c(2, 3)) #para disponer juntos los gráficos # Método ’single’spe.ch.single <- hclust(spe.ch, method = "single") plot(spe.ch.single) # graficamos el dendrograma# Método ’complete’spe.ch.complete <- hclust(spe.ch, method = "complete") plot(spe.ch.complete)# Métod ’UPGMAspe.ch.UPGMA <- hclust(spe.ch, method = "average") plot(spe.ch.UPGMA)# Método ’centroid’spe.ch.centroid <- hclust(spe.ch, method = "centroid") plot(spe.ch.centroid)# Método de mínima varianza de Wardspe.ch.ward <- hclust(spe.ch, method = "ward") plot(spe.ch.ward)# transformación de la raíz cuadradaspe.ch.ward$height <- sqrt(spe.ch.ward$height)plot(spe.ch.ward)dev.off() #cierro los gráficos## null device## 1# Correlaciones cofenéticas -------# Singlespe.ch.single.coph <- cophenetic(spe.ch.single)cor(spe.ch, spe.ch.single.coph)## [1] 0.5992# Completespe.ch.comp.coph <- cophenetic(spe.ch.complete)cor(spe.ch, spe.ch.comp.coph)
3

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->