Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
0.001
0.001
0.022
0.021
0.033
0.043
Доверительный
интервал
0.643 ¸ 0.918
0.428 ¸ 0.711
0.207 ¸ 0.736
0.25 ¸ 0.588
0.19 ¸ 0.614
0 ¸ 0.991
Вид
Скрытница
Прибрежница
Лебеда копьелист.
Петросимония
Клубнекамыш
Рогоз
224
К разделу 6.5:
load(file="Fito_Full.RData"); Species <- Species[,-8] ; Env <- Fito_Full[,27:36]
library(mvpart) ; library(rpart.plot) ; library(labdsv) ; library(indicspecies)
# При выполнении функции mvpart выберите число групп щелчком мыши (например. 4)
spe.mvpart <- mvpart(data.matrix(Species) ~ ., Env, margin=0.08, cp=0,
xv="pick", xval=nrow(Species), xvmult=100, which=4, bars = FALSE)
plot(spe.mvpart) ; text(spe.mvpart) ; summary(spe.mvpart) ; printcp(spe.mvpart1)
prp(spe.mvpart, extra=5) # Другой вариант отображения дерева
leaf.sum <- matrix(0, length(groups.mrt), ncol(Species)) # Доля биомассы видов в группах
(groups.mrt <- levels(as.factor(spe.mvpart$where))) ; colnames(leaf.sum) <- colnames(Species)
for(i in 1:length(groups.mrt)){ leaf.sum[i,] <-
apply(Species[which(spe.mvpart$where==groups.mrt[i]),], 2, sum)} ; leaf.sum
# Вывод диаграммы типа «разрезанный пирог»
par(mfrow=c(2,5)) ; for(i in 1:length(groups.mrt)){
pie(which(leaf.sum[i,]>0), radius=1, main=c("Гр. № ", groups.mrt[i])) }
# Расчет индикаторных значений IndVal
spe.MRT.indval <- indval(Species, spe.mvpart$where) ; spe.MRT.indval$pval # P-значения
spe.MRT.indval$maxcls[which(spe.MRT.indval$pval<=0.05)] # Номера групп с max[d]
spe.MRT.indval$indcls[which(spe.MRT.indval$pval<=0.05)] # Значения IndVal для видов с р<0.05
# Оценка доверительных интервалов IndVal
Ind.spe <- strassoc(Species, spe.mvpart$where, func="IndVal.g", nboot = 1000)
Ind.spe$stat^2 ; Ind.spe$lowerCI^2 ; Ind.spe$upperCI^2
6.6. Преобразование координат в геометрической морфометрии
Предметом многочисленных исследований в экологии, эволюции и систематике
является выделение морфотипов изучаемой популяции и оценка их частотного
распределения. При этом элементами морфопространства являются комбинации значений
биометрических признаков для каждого наблюдаемого объекта (всей особи, части тела
или отдельного органа), которые при их геометрической интерпретации соответствуют
примера
совокупностям
внутрипопуляционную дифференциацию формы нижней челюсти мышевидных грызунов.
На рис. 6.17а показано расположение ключевых точек, относительно которых
выполнялись замеры. Если жевательную поверхность зубов расположить вдоль оси
абсцисс, а передний край будет касаться оси ординат, то мы получим центр координат в
метке 6. В качестве другого важного краниометрического элемента используется
положение первого коренного зуба – метка 1.
плоскости12.
Рассмотрим
качестве
точек
на
в
При изучении морфометрической изменчивости широко используются подходы,
основанные на традиционных многомерных методах статистики (Marcus at al., 1996;
Claude, 2008). При этом в общем случае оценка различий между подмножествами
объектов сводится к сравнению положения центроидов выделяемых групп и анализу
компонентов дисперсий для всего множества координат меток. Необходимо найти ответы
на два вопроса: (а) являются ли различия между группами статистически значимыми, что
является целью многомерного дисперсионного
анализа MANOVA, подробно
рассмотренного в разделе 4.7, и (б) на основе каких решающих правил или моделей с
использованием информативных переменных можно идентифицировать принадлежность
неизвестного объекта к той или иной группе.
В табл. 6.6 приведен статистический анализ MANOVA значимости различий
между группами красной полевки (всего 837 особей) на основе формы нижней челюсти,
представленной на рис. 6.17а декартовыми морфометрическими координатами меток.
Группировка выполнялась по двум категориям: "Пол" (419 самок и 418 самцов) и