Documentos de Académico
Documentos de Profesional
Documentos de Cultura
David Castañeda
29 de marzo de 2019
El conjunto de datos lansing se encuentra en el paquete spatstat. Los datos dan las localidades
de 2251 árboles y su clasificación botánica en hickories (nogales), maples (arces), red oaks
(robles rojos), white oaks (robles blancos), black oaks (robles negros) y miscellaneous trees
(otros árboles). El tamaño original de la parcela donde se localizan los árboles (924 x 924 pies)
se ha reescalado al cuadrado unitario.
Excepto para el conjunto de datos para nogales(hickories), los cuales ya fueron analizados en
clase, lleve a cabo lo siguiente para el conjunto de datos de cada uno de los cinco tipos de
árboles restantes:
library(spatstat)
1
arces
summary(arces)
2
rrojos
summary(rrojos)
3
rblancos
summary(rblancos)
4
rnegros
summary(rnegros)
5
otros
summary(otros)
6
Ghat
0.8
0.6
G k m (r )
^
G (r )
G b ord (r )
^
0.4
G h an (r )
^
0.2
G poi s (r )
0.0
Ghat
0.8
0.6
G k m (r )
^
G (r )
G b ord (r )
^
0.4
G h an (r )
^
0.2
G poi s (r )
0.0
7
Ghat<-Gest(rblancos)
plot(Ghat)
Ghat
0.8
G k m (r )
^
G b ord (r )
^
0.6
G (r )
G h an (r )
^
0.4
G poi s (r )
0.2
0.0
Ghat
0.8
0.6
G k m (r )
^
G (r )
G b ord (r )
^
0.4
G h an (r )
^
0.2
G poi s (r )
0.0
8
Para otros arboles:
Ghat<-Gest(otros)
plot(Ghat)
Ghat
0.8
G k m (r )
^
G b ord (r )
^
0.6
G (r )
G h an (r )
^
0.4
G poi s (r )
0.2
0.0
3. Use la función envelope del paquete spatstat para generar los envolventes de la función G
de un proceso con AEC que consista del mismo número de puntos que los datos originales.
Use nsim = 200. Reporte en una misma gráfica la curva de Ĝ y los envolventes simulados. ¿Qué
información proporciona esta gráfica acerca del patrón espacial de los árboles? Comente.
La información que proporciona la gráfica lde la funcion G es que al graficar Ĝ contra la distancia, el gráfico
podría sugerir algún patrón en la localización de los datos, ya sea de espaciamiento o de agrupamiento.
Al generar los envolventes superior e inferior tendremos que:
Si los datos observados no proporcionan evidencia suficiente contra el patrón de AEC, entonces Ĝ(r) debería
caer entre el límite superior U (r) e inferior L(r).
Si los datos observados exhiben agrupamiento, entonces Ĝ(r) debería caer sobre el límite superior U (r).
Si los datos observados exhiben un patrón regular, entonces Ĝ(r) debería caer bajo el límite inferior L(r).
Para arces:
plot(envelope(arces,Gest,nsim=200))
9
envelope(arces, Gest, nsim = 200)
0.8
G ob s (r )
^
G th eo (r )
0.6
G (r )
G h i (r )
^
0.4
G l o (r )
^
0.2
0.0
10
envelope(rrojos, Gest, nsim = 200)
0.0 0.2 0.4 0.6 0.8
G ob s (r )
^
G th eo (r )
G (r )
G h i (r )
^
G l o (r )
^
11
envelope(rblancos, Gest, nsim = 200)
G ob s (r )
^
0.0 0.2 0.4 0.6 0.8
G th eo (r )
G (r )
G h i (r )
^
G l o (r )
^
12
envelope(rnegros, Gest, nsim = 200)
0.0 0.2 0.4 0.6 0.8
G ob s (r )
^
G th eo (r )
G (r )
G h i (r )
^
G l o (r )
^
13
envelope(otros, Gest, nsim = 200)
0.8
G ob s (r )
^
G th eo (r )
0.6
G (r )
G h i (r )
^
0.4
G l o (r )
^
0.2
0.0
Podemos observar que, a exepción de los robles blancos, en las demás especies de árboles es notorio que se
sigue un patrón de agrupamiento, ya que su respectiva función Ĝ pasa sobre el envolvente superior.
4. Haciendo uso de la función Kest del paquete spatstat compute la función K̂ . Reporte la
gráfica de K̂ versus Distancia.
Obtenemos en cada caso Ĝ
Para arces:
Khat<-Kest(arces)
plot(Khat)
14
Khat
K i so (r )
^
0.20
K t rans (r )
^
K (r )
K b ord (r )
^
0.10
K poi s (r )
0.00
Khat
0.20
K i so (r )
^
K t rans (r )
^
K (r )
K b ord (r )
^
0.10
K poi s (r )
0.00
15
Khat<-Kest(rblancos)
plot(Khat)
Khat
0.20
K i so (r )
^
K t rans (r )
^
K (r )
0.10
K b ord (r )
^
K poi s (r )
0.00
Khat
K i so (r )
^
0.20
K t rans (r )
^
K (r )
K b ord (r )
^
0.10
K poi s (r )
0.00
16
Para otros arboles:
Khat<-Kest(otros)
plot(Khat)
Khat
0.30
K i so (r )
^
0.20
K t rans (r )
^
K (r )
K b ord (r )
^
K poi s (r )
0.10
0.00
5. Use la función envelope del paquete spatstat para generar los envolventes de la función K
de un proceso con AEC que consista del mismo número de puntos que los datos originales. Use
nsim = 200. Reporte en una misma gráfica la curva de K̂ y los envolventes simulados. ¿Qué
información proporciona esta gráfica acerca del patrón espacial de los árboles? Comente.
La función K es una medida de dependencia espaial, la forma de conocer si un conjunto de datos siguen un
patrón estimando la función K̂ se da por medio de los mismo criterios que con la función Ĝ.
Si los datos observados no proporcionan evidencia suficiente contra el patrón de AEC, entonces K̂(r) debería
caer entre el límite superior U (r) e inferior L(r).
Si los datos observados exhiben agrupamiento, entonces K̂(r) debería caer sobre el límite superior U (r).
Si los datos observados exhiben un patrón regular, entonces K̂(r) debería caer bajo el límite inferior L(r).
Para arces:
plot(envelope(arces,Kest,nsim=200))
17
envelope(arces, Kest, nsim = 200)
K ob s (r )
^
0.20
K t h eo (r )
K (r )
K h i (r )
^
0.10
K l o (r )
^
0.00
18
envelope(rrojos, Kest, nsim = 200)
0.20
K ob s (r )
^
K t h eo (r )
K (r )
K h i (r )
^
0.10
K l o (r )
^
0.00
19
envelope(rblancos, Kest, nsim = 200)
0.20
K ob s (r )
^
K t h eo (r )
K (r )
0.10
K h i (r )
^
K l o (r )
^
0.00
20
envelope(rnegros, Kest, nsim = 200)
K ob s (r )
^
0.20
K t h eo (r )
K (r )
K h i (r )
^
0.10
K l o (r )
^
0.00
21
envelope(otros, Kest, nsim = 200)
0.30
K ob s (r )
^
0.20
K t h eo (r )
K (r )
K h i (r )
^
0.10
K l o (r )
^
0.00
Podemos observar que en todas las especies se sigue un patrón de agrupamiento, ya que la función K̂ pasa
sobre el límite superior de la función teórica.
6. ¿Cómo se comparan los resultados obtenidos del análisis con la función K y los obtenidos
del análisis con la función G respecto al patrón espacial de las localizaciones de los árboles?
¿Existe congruencia entre ambos análisis? Explique.
Como ya se mencionó, los criterios sobre las funciónes estimadas y sus envolventes son semejantes, también
notamos que existe congruencia en 4 de los cinco casos.
En el caso del roble blanco la función G indica que existe AEC ya que la función estimada caé entre los
envolventes, sin embargo la función G tiende a tirarse al limite superior U (r) y la función K indica que existe
agrupamiento, la difefencia en estos casos puede deberse a que se trata de estimaciones, y como son diferentes
funciones, habrá diferentes estimaciones.
22