Tarea 1 PDF

Tarea #1
David Castañeda
29 de marzo de 2019
EST ADÍST ICA ESP ACIAL II
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)
## Warning: package 'spatstat' was built under R version 3.4.4

## Loading required package: spatstat.data
## Warning: package 'spatstat.data' was built under R version 3.4.4
## Loading required package: nlme
## Loading required package: rpart
##
## spatstat 1.59-0 (nickname: 'J'ai omis les oeufs de caille')
## For an introduction to spatstat, type 'beginner'
##
## Note: R version 3.4.3 (2017-11-30) is more than 9 months old; we strongly recommend upgrading to the
1. Grafique las localidades de los árboles sobre el cuadrado unitario. Reporte la gráfica.
Para arces:
arces<-split(lansing)$maple
plot(arces)
1
arces
summary(arces)
## Planar point pattern: 514 points

## Average intensity 514 points per square unit (one unit = 924 feet)
##
## Coordinates are given to 3 decimal places
## i.e. rounded to the nearest multiple of 0.001 units (one unit = 924 feet)
##
## Window: rectangle = [0, 1] x [0, 1] units
## Window area = 1 square unit
## Unit of length: 924 feet
Para robles rojos:
rrojos<-split(lansing)$redoak
plot(rrojos)
2
rrojos
summary(rrojos)

##
##
Para robles blancos:
rblancos<-split(lansing)$whiteoak
plot(rblancos)
3
rblancos
summary(rblancos)

##
##
Para robles negros:
rnegros<-split(lansing)$blackoak
plot(rnegros)
4
rnegros
summary(rnegros)

##
##
Para otros arboles:
otros<-split(lansing)$misc
plot(otros)
5
otros
summary(otros)

##
##
2. Haciendo uso de la función Gest del paquete spatstat compute la función Ĝ. Reporte la
gráfica de Ĝ versus Distancia.
Obtenemos en cada caso Ĝ
Para arces:
Ghat<-Gest(arces)
plot(Ghat)
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
0.000 0.005 0.010 0.015 0.020 0.025 0.030
r (one unit = 924 feet)
Para robles rojos:

Ghat<-Gest(rrojos)
plot(Ghat)
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
0.00 0.01 0.02 0.03 0.04
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
0.00 0.01 0.02 0.03 0.04
Para robles negros:

Ghat<-Gest(rnegros)
plot(Ghat)
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
0.00 0.01 0.02 0.03 0.04 0.05 0.06
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
0.00 0.01 0.02 0.03 0.04 0.05 0.06
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))
## Generating 200 simulations of CSR ...

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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
0.000 0.005 0.010 0.015 0.020 0.025 0.030
Para robles rojos:

plot(envelope(rrojos,Gest,nsim=200))

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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 )
^
0.00 0.01 0.02 0.03 0.04

plot(envelope(rblancos,Gest,nsim=200))

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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 )
^
0.00 0.01 0.02 0.03 0.04
Para robles negros:

plot(envelope(rnegros,Gest,nsim=200))

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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 )
^
0.00 0.01 0.02 0.03 0.04 0.05 0.06
Para otros arboles:

plot(envelope(otros,Gest,nsim=200))

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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
0.00 0.01 0.02 0.03 0.04 0.05 0.06
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
0.00 0.05 0.10 0.15 0.20 0.25
Para robles rojos:

Khat<-Kest(rrojos)
plot(Khat)
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
0.00 0.05 0.10 0.15 0.20 0.25
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
0.00 0.05 0.10 0.15 0.20 0.25
Para robles negros:

Khat<-Kest(rnegros)
plot(Khat)
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
0.00 0.05 0.10 0.15 0.20 0.25
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
0.00 0.05 0.10 0.15 0.20 0.25
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))

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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
0.00 0.05 0.10 0.15 0.20 0.25
Para robles rojos:

plot(envelope(rrojos,Kest,nsim=200))

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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
0.00 0.05 0.10 0.15 0.20 0.25

plot(envelope(rblancos,Kest,nsim=200))

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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
0.00 0.05 0.10 0.15 0.20 0.25
Para robles negros:

plot(envelope(rnegros,Kest,nsim=200))

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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
0.00 0.05 0.10 0.15 0.20 0.25
Para otros arboles:

plot(envelope(otros,Kest,nsim=200))

## 1, 2, 3, 4.6.8.10.12.14.16.18.20.22.24.26.28.30.32.34.36.38.
## 40.42.44.46.48.50.52.54.56.58.60.62.64.66.68.70.72.74.76.78
## .80.82.84.86.88.90.92.94.96.98.100.102.104.106.108.110.112.114.116.
## 118.120.122.124.126.128.130.132.134.136.138.140.142.144.146.148.150.152.154.156
## .158.160.162.164.166.168.170.172.174.176.178.180.182.184.186.188.190.192.194.
## 196.198. 200.
##
## Done.
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
0.00 0.05 0.10 0.15 0.20 0.25
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

Tarea 1 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tarea 1 PDF

Cargado por

Copyright:

Formatos disponibles

Tarea #1

EST ADÍST ICA ESP ACIAL II

## Warning: package 'spatstat' was built under R version 3.4.4

## Planar point pattern: 514 points

## Planar point pattern: 346 points

## Planar point pattern: 448 points

## Planar point pattern: 135 points

## Planar point pattern: 105 points

0.000 0.005 0.010 0.015 0.020 0.025 0.030

r (one unit = 924 feet)

Para robles rojos:

0.00 0.01 0.02 0.03 0.04

r (one unit = 924 feet)

Para robles blancos:

0.00 0.01 0.02 0.03 0.04

r (one unit = 924 feet)

Para robles negros:

0.00 0.01 0.02 0.03 0.04 0.05 0.06

r (one unit = 924 feet)

0.00 0.01 0.02 0.03 0.04 0.05 0.06

r (one unit = 924 feet)

## Generating 200 simulations of CSR ...

0.000 0.005 0.010 0.015 0.020 0.025 0.030

r (one unit = 924 feet)

Para robles rojos:

## Generating 200 simulations of CSR ...

0.00 0.01 0.02 0.03 0.04

r (one unit = 924 feet)

Para robles blancos:

## Generating 200 simulations of CSR ...

0.00 0.01 0.02 0.03 0.04

r (one unit = 924 feet)

Para robles negros:

## Generating 200 simulations of CSR ...

0.00 0.01 0.02 0.03 0.04 0.05 0.06

r (one unit = 924 feet)

Para otros arboles:

## Generating 200 simulations of CSR ...

0.00 0.01 0.02 0.03 0.04 0.05 0.06

r (one unit = 924 feet)

0.00 0.05 0.10 0.15 0.20 0.25

r (one unit = 924 feet)

Para robles rojos:

0.00 0.05 0.10 0.15 0.20 0.25

r (one unit = 924 feet)

Para robles blancos:

0.00 0.05 0.10 0.15 0.20 0.25

r (one unit = 924 feet)

Para robles negros:

0.00 0.05 0.10 0.15 0.20 0.25

r (one unit = 924 feet)

0.00 0.05 0.10 0.15 0.20 0.25

r (one unit = 924 feet)

## Generating 200 simulations of CSR ...

0.00 0.05 0.10 0.15 0.20 0.25

r (one unit = 924 feet)

Para robles rojos:

## Generating 200 simulations of CSR ...

0.00 0.05 0.10 0.15 0.20 0.25

r (one unit = 924 feet)

Para robles blancos:

## Generating 200 simulations of CSR ...

0.00 0.05 0.10 0.15 0.20 0.25