Fiche TD avec le logiciel tdr62

profil-urra-2012

Découvre YouScribe en t'inscrivant gratuitement

Je m'inscris

Obtenez un accès à la bibliothèque pour le consulter en ligne
En savoir plus

35 pages

Italiano

Obtenez un accès à la bibliothèque pour le consulter en ligne
En savoir plus

A propos
Informations
Extrait

Description

fiche - matière potentielle : td avec le logiciel

fiche - matière potentielle : illustre

Fiche TD avec le logiciel : tdr62 ————— Pratique de l'analyse des correspondances A.B. Dufour & D. Chessel ————— La fiche illustre la pratique de l'analyse des correspondances en eco- logie (ordination indirecte), sur des tables de contingence pour les- quelles elle est une analyse canonique et sur les tableaux de fre- quences alleliques qui demandent l'introduction de la version intra- classes. Table des matieres 1 L'ordination directe 2 2 AFC et ordination indirecte 7 3 Fer a cheval 8 4 Correlation canonique 15 5 Une curiosite 20 6 AFC comme analyse canonique 23 7 Frequences alleliques 30 References 35 1

ordination indirecte

model model

courbes de reponses

pratique de l'analyse des correspondances en eco- logie

introduction de la version intra- classes

analyse canonique

fiche td avec le logiciel

sixieme courbe

Informations

Publié par	profil-urra-2012
Nombre de lectures	26
Langue	Italiano
Poids de l'ouvrage	1 Mo

Extrait

Fiche TD avec le logiciel :tdr62 ————— Pratique de l’analyse des correspondances A.B. Dufour & D. Chessel —————

Laﬁcheillustrelapratiquedel’analysedescorrespondancesen´eco-logie (ordination indirecte), sur des tables de contingence pour les-quelleselleestuneanalysecanoniqueetsurlestableauxdefr´e-quencesalle´liquesquidemandentl’introductiondelaversionintra-classes. Tabledesmati`eres 1 L’ordination directe 2 AFC et ordination indirecte 3Fer`acheval 4Corre´lationcanonique 5Unecuriosite´ 6 AFC comme analyse canonique 7Fre´quencesalle´liques R´ef´erences

2 7 9 16 20 22 28 33

A.B. Dufour & D. Chessel

1 L’ordination directe Co´thodesous-e´valu´eepourlesuns(Hill1974[9]),sure´valu´eepour mme me d’autres (”Correspondence analysis rapidly gained popularity, ﬁrst in France, where classical statistics did not exist 1987 [27]), l’AFC est un lieu de” (Heijden de´bat. Dans la documentation decorresp(librairie MASS) : nf : The number of factors to be computed. Note that although 1 is the most usual, one school of thought takes the first two singular vectors for a sort of biplot. Onpeutparlericidecettee´colequigardeplusieursfacteurs.Utiliserunjeude donne´esclassiques(Gauchetal.1974[8]): library(ade4) data(santacatalina) santacatalina v1 v2 v3 v4 v5 v6 v7 v8 v9 v10 Pinus.ponderosa 36 646 472 212 48 4 4 0 0 0 Quecus.hypoleucoides 4 450 670 820 1304 724 248 106 124 22 Pinus.cembroides 0 0 0 6 26 58 186 322 156 242 Arctostaphylos.pringlei 0 0 0 12 42 268 108 308 438 68 Quercus.arizonaca 0 94 18 36 218 186 74 226 50 38 Quercus.rugosa 252 136 170 22 50 24 32 20 36 22 Garrya.wrightii 0 0 0 8 28 0 26 232 18 20 Pseudostuga.menziesii 88 156 28 0 0 0 0 0 0 0 Quercus.emoryi 0 0 0 0 0 26 0 36 28 152 Pinus.chihuahuana 0 2 2 6 84 86 0 0 0 0 Arbutus.arizonaca 0 4 16 54 34 16 0 0 0 0 Densiteal’hectarede11espe`cesd’arbresparclassedevaleursdel’humidit´edu ´ ` sol(moyennesurplusieursstationsparclasse).Tracerlescourbesder´eponse desesp`eceslelongdugradient: g <- t(santacatalina) par(mfrow = c(3, 4)) par(mar = c(2, 2, 1, 0.2)) apply(g, 2, barplot)

LogicielRversion2.7.1(2008-06-23)–tdr62.rnw–Page2/35–Compile´le2008-08-26 Maintenance : S. Penel, URL :/Rdpfunl.-livn1yor/.fth/:ptibp//dt6r.2dpf

A.B. Dufour & D. Chessel

Lescourbesdereponsessurungradientsontenge´ne´ralunimodalesetpr´esentent ´ un mode (preferendumunet)meleta´eilpma(tnrac)eduterisact´edeltique`ece’ps. L’ordinationgaussienneajustea`cesobservationsdescourbesdutype: y=A exp−(x2σ−2µ)2 Ajusterauxmoindrescarr´eesles11courbes. Onessayequelquechosedetr`ese´l´ementaire! deb <- function(x, y) { A <- max(y) mu <- sum(x * y)/sum(y) sigma2 <- sum((x - mu)^2 * y)/sum(y) return(list(A = A, mu = mu, sigma2 = sigma2)) } x <- 1:10 y <- g[, 2] nls(y ~ A * exp(-(x - mu)^2/2/sigma2), start = deb(x, y)) Nonlinear regression model model: y ~ A * exp(-(x - mu)^2/2/sigma2) data: parent.frame() A mu sigma2 1119.443 4.615 2.462 residual sum-of-squares: 152035 Number of iterations to convergence: 6 Achieved convergence tolerance: 3.61e-06 Et cela marche ! nls0 <- nls(y ~ A * exp(-(x - mu)^2/2/sigma2), start = deb(x, y)) plot(x, y) lines(x, predict(nls0))

L’essentiel du travail est fait. On peauﬁne : fun1 <- function(x, y) { deb <- function(x, y) { A <- max(y) mu <- sum(x * y)/sum(y) sigma2 <- sum((x - mu)^2 * y)/sum(y) return(list(A = A, mu = mu, sigma2 = sigma2)) } nls0 <- nls(y ~ A * exp(-(x - mu)^2/2/sigma2), start = deb(x, y))