Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Bootstrap
2023-06-12
#Bases de datos #Los datos fueron proporcionados por la #Dra. Katrin Sieron
investigadora del Centro de #Ciencias de la Tierra de la Universidad Veracruzana. #Los
datos proporcionados se analizaron y presentaron en este proyecto #con su autorizació n
previa.
#Se cargan las bases de datos #El campo volcá nico Chichinautzin posee una cantidad de
356 volcanes individuales #El campo volcá nico de los Tuxtlas poseen 368 volcanes
individuales #Los dos campos poseen las variables de latitud y longitud en coordenadas
UTM
library(dplyr) library(spatstat) library(ggplot2)
chichinautzin<-read.csv(file.choose()) tuxtlas<-read.csv(file.choose()) tuxtlas<-
dplyr::select(tuxtlas,x,y)
#Capitulo uno
#Donde se busca contestar a la pregunta de si las intensidades de los campos volcanicos
son iguales
cap1_ch<-chichinautzin%>% mutate(clase=“CV Chichinauztin”)
cap1_tux<-tuxtlas%>% mutate(clase=“CV Los Tuxtlas”)
cap1_union<-rbind(cap1_tux,cap1_ch)
ggplot(cap1_union,aes(x/1000,y/1000))+ geom_point()+ facet_wrap(~clase,scales =
“free”)+ labs(x=“Latitud en Kilométros”, y=“Longitud en Kilométros”)+ theme_bw()
#Capítulo 2
#Herramientas de modelació n. set.seed(2023)
#Proceso Poisson Homogéneo
cap_2X<- runifpoint(200) cap_2X<-as.data.frame(cap_2X)
cap_2X<-cap_2X%>%mutate(clase=“Aleatorio”)
ggplot(data=cap_2X, mapping=aes(x=x, y=y)) + geom_point()+ theme_bw()
#Proceso puntual regular
cap2_r<- rSSI(0.05, 200)
cap2_r<-as.data.frame(cap2_r)
cap2_r<-cap2_r%>%mutate(clase=“Regular”)
ggplot(data=cap2_r, mapping=aes(x=x, y=y)) + geom_point()+ theme_bw()
#Proceso Puntual agrupado
Representación gráfica
ggplot(data=cap2_df, mapping=aes(x=x, y=y)) + geom_point()+ theme_minimal()
#Union de grá ficos capítulo 2
cap2_tpatrones<-rbind(cap_2df, cap_2X, cap2_r)
ggplot(cap2_tpatrones,aes(x,y))+ geom_point()+ facet_wrap(~clase)+ theme_bw()
#Realizacion de proceso puntuales poisson no homogéneos #Bajo aleatoriedad espacial
completa set.seed(2023) cap_21<- runifpoint(200) cap_21<-as.data.frame(cap_21)
cap_211<-cap_21%>%mutate(clase=“1”)
cap_22<-cap_21%>%mutate(clase=“2”)
cap_23<-cap_21%>%mutate(clase=“3”)
cap2_real<-rbind(cap_211,cap_22, cap_23)
ggplot(data=cap2_real, mapping=aes(x=x, y=y)) + geom_point()+ theme_bw()+
facet_wrap(~clase)
#Capitulo 3
library(dplyr) library(spatstat) library(ggplot2)
tuxtlas<-read.csv(file.choose()) tuxtlas1.0<-dplyr::select(tuxtlas,x,y) #se seleccionan las
variables de x e y
cap3_tux1.1<-tuxtlas1.0
cap3_tux1.2<-cap3_tux1.1%>%#se transforma a escala kilómetros
mutate(x=x/1000)%>%
mutate(y=y/1000)
cap3_modelo_tux_nppparam<-cap3_model0_tux%>%
mutate(x=x,
y=y)
cap3_chintzn1.1<-chichinautzin
cap3_chintzn1.2<-cap3_chintzn1.1%>%
mutate(x=x/1000)%>%
mutate(y=y/1000)
cap3_chintzn1.3<-cap3_chintzn1.2%>%
mutate(x=(x-min(x))/(max(x)-min(x)))%>%
mutate(y=(y-min(y))/(max(y)-min(y)))
cap3_pc_chtzn<-prcomp(cap3_chintzn1.3)#cálculo de componentes
fviz_pca_var(cap3_pc_chtzn,#grafico de biplot
col.var = "contrib", # Color by contributions to the PC
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = TRUE # Avoid text overlapping
)+
guides(color=FALSE)+
labs(title="")+
theme_bw()
#se extraen las coordenadas de cada evento para posterior aná lisis
cap_3_chtzn_res.ind <- get_pca_ind(cap3_pc_chtzn)#extraccion de coordenadas
cap3_rotac_chntz<-as.data.frame(cap_3_chtzn_res.ind$coord)#guardado base
nueva
cap3_modelo_chtzn_nparam1.1<-cap3_modelo_chtzn_nparam%>%#ajuste de
valores
mutate(x=x,
y=y)
cap3_fit_tux_polinom1.1<-step(cap3_fit_tux_polinom)#eliminación hacia
atrás
d<-as.vector(coef(cap3_fit_tux_polinom1.1))#guardado de los
coeficientes del modelo ajustado
-(exp(d[1]+
d[2]*x_tux[i]+
d[3]*y_tux[i]+
d[4]*(x_tux[i]^2)+
d[5]*(y_tux[i]^2))
)
cap3_modelo_H01.0<-ppm(cap3_modelo_H0~polynom(x,y,2))#ajuste del
polinomio de 2do grado
cap3_modelo_H01.1<-step(cap3_modelo_H01.0)#elimincacion hacia atrás
}
Verosimilitud_H0<-sum(L_H0)#se calcula la verosimilitud
H1<-log(Verosimilitud_chtzn)+log(Verosimilitud_tux) #Se calcula la
verosimilitud para H1
#######prueba de permutaciones#—————————————–
#para la prueba de permutaciones se juntan las dos bases de datos en
#la base llamada perm
perm<-rbind(cap3_modelo_chtzn_nparam1.1,cap3_modelo_tux_nppparam)
G_perm<-as.vector(NULL)#se crea un vector donde se guardarán los
estadísticos de
#prueba calculados
-(exp(d_perm1[1]+
d_perm1[2]*x_perm1[j]+
d_perm1[3]*y_perm1[j]+
d_perm1[4]*(x_perm1[j]^2)+
d_perm1[5]*(y_perm1[j]^2))
)
}
-(exp(d_perm2[1]+
d_perm2[2]*x_perm2[l]+
d_perm2[3]*y_perm2[l]+
d_perm2[4]*(x_perm2[l]^2)+
d_perm2[5]*(y_perm2[l]^2))
)
}
hist(G_perm)#grafico de la distribució n del estadístico de prueba ((sum(G_perm>=G))
+1)/(1000+1)# p valor< 0.05
as.data.frame(G_perm)%>% ggplot(aes(x=(G_perm)))+
geom_histogram(aes(y=..density..),position=“identity”, #fill=“midnightblue”,
color=“white”,alpha=.3)+ geom_density()+#size=1.1,#color=“darkgreen”, #linetype=““)+
labs(x=”Cá lculo del Estadístico de Prueba”, y=“Densidad”)+ scale_y_continuous(labels =
scales::percent_format(scale = .1))+ theme_bw()#+ geom_vline(xintercept = (G), color =
“red”, size=1.5,linetype=“dashed”)+ theme(axis.text.y=element_blank(),
axis.ticks.y=element_blank())