Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
Community
1
text
stringlengths
0
1.95k
i
ö
÷
ø
/
m
;
° нижнюю и верхнюю границы 95% доверительного интервала J:
°
Jl = Jjack - t0.05 SJ
* и Ju = Jjack + t0.05 SJ
* соответственно,
где t0,05 – табличное значение критерия Стьюдента для уровня значимости α = 0,05 и
числа степеней свободы df = m – 1.
В нашем примере для ювенильных особей вида M. carthusiana показатель
внутривидовой агрегации Айвза, оценивая размещение улиток как случайное, вступил в
противоречие с индексом Морисита (табл. 7.2). Последнего также поддержали результаты
теста статистики c2 , которые показали, что число особей, приходящееся на единицу
площади, нельзя считать постоянным: c2 = 241, р = 0.0003.
277
Другой показатель межвидовой агрегации (interspecific aggregation) популяций со
средними плотностями D1 и D2, также предложенный Айвзом, оценивает меру увеличения
(уменьшения) числа гетероспецифичных особей по отношению к ожидаемому их числу
при случайном распределении:
, где Cov12 – ковариация численностей в
DD
)
×
1
2
квадратах между анализируемой парой видов 1 и 2.
Cov
C
/(
=
12
12
Показатель межвидовой агрегации С будет иметь положительный знак, если два
вида имеют позитивную ассоциативность, и отрицательный – в случае конкуренции за
пространственный ресурс. В нашем примере для видов B.cylindrica и M. carthusiana
(объединено для всех возрастных групп) этот индекс имеет значение C = -0,13, что
свидетельствует о том, что при увеличении численности одного вида плотность другого
вида имеет тенденцию к уменьшению.
Для того, чтобы оценить, насколько статистически значимо показатель Айвза
отличается от нуля, которому соответствует отсутствие межвидового взаимодействия,
опять воспользуемся методами ресамплинга. Доверительные интервалы величины С при
справедливости нулевой гипотезы можно найти по тому же алгоритму, что мы
использовали для индекса Мориситы, т.е. с применением моделей, имитирующих
случайное совместное распределение анализируемых видов. Диапазон критических
значений Скрит, ограничивающих область Н0, составил от -0.053 до 0.0593, т.е. величина
показателя С для наших эмпирических данных является статистически значимой.
К разделу 7.5:
MOL <- read.xls("Mol.xls", sheet = 1, rowNames=FALSE) ; attach (MOL)
library(spatstat) # Расчеты проводим на базе пакета spatstat
# Две функции, осуществляющие случайное размещение особей внутри пробной площадки
q.point <- function(xq, yq, nq) {
xp <- matrix(rep(0, nq*2), ncol=2) ; xp[,1] <- 1.5*(xq - 1) + runif(nq,0,1.5)
xp[,2] <- 1.5*(yq - 1) + runif(nq,0,1.5) ; return (xp) }
df.point <- function(df, cx, cy, cm) {
df.nz <- subset(df, df[,cm]>0, select = c(cx,cy,cm))
x <- q.point(df.nz[1,1],df.nz[1,2], df.nz[1,3])
for (i in 2:nrow(df.nz)) {x <- rbind(x, q.point(df.nz[i,1],df.nz[i,2], df.nz[i,3]))}
colnames(x) <- c("X","Y") ; return( transform(as.data.frame(x),
spec=substr(colnames(df)[cm],1,2), age=substr(colnames(df)[cm],4,6))) }
# Создадим объекты ppp (point pattern)
p.Mc <- df.point(MOL,cm=5,cx=1,cy=2); p.Mc <- rbind(p.Mc, df.point(MOL,cm=6,cx=1,cy=2))
ppp.Mc <- ppp(x=p.Mc$X, y=p.Mc$Y, marks=data.frame(spec=p.Mc$spec, age=p.Mc$age ),
window=owin(c(0, 30), c(0, 12)))
# вычислим размер скользящего окна bandwidth по правилу Silverman
sigma<-(sd(ppp.Mc$x)+sd(ppp.Mc$y))/2 ; iqr<-(IQR(ppp.Mc$x)+IQR(ppp.Mc$y))/2
bandwidth <- 0.9*min(sigma, iqr)*ppp.Mc$n^(-1/5)
Mc.intensity <- density.ppp(ppp.Mc, sigma=bandwidth)