#agrupamientos -clusters- multivariados
campo=read.table("datos2.csv", sep=",",header=T) # lectura de la base de datos
campo
## lugar N.Rows lux cober hum.suelo pH temp.suelo
## 1 Borde 12 11.12750 25.975 0.8375000 6.125000 NA
## 2 bosque 16 0.82750 2.595 0.8575000 5.687500 10.500000
## 3 Ecoclina 9 15.75667 6.750 0.5500000 6.000000 NA
## 4 paramización 12 7.53375 14.900 0.8375000 5.750000 NA
## 5 paramo 60 36.87687 NA 0.7982143 5.653571 9.166667
## 6 transición 12 13.73250 31.700 0.8875000 5.550000 NA
## vel.viento temp.ambiente temp.rocio hum.ambiente temp.morfo morfos
## 1 0.7916667 12.10880 10.298611 92.25000 3.850000 1.300000
## 2 0.6500000 13.63264 11.573611 88.96250 3.800000 3.000000
## 3 2.5000000 12.76667 12.885185 94.90000 6.000000 2.285714
## 4 0.2333333 14.21944 12.777778 94.40000 NA 1.666667
## 5 2.5886667 14.71296 8.040278 68.74688 8.322857 2.728814
## 6 2.2166667 12.02019 11.755972 93.18750 19.900000 2.166667
## altura.veg
## 1 93.90417
## 2 73.10571
## 3 148.12500
## 4 88.36667
## 5 63.27949
## 6 65.22000
campo2=transform(campo, lux=scale(lux), cober=scale(cober), hum.suelo=scale(hum.suelo), pH=scale(pH), temp.suelo=scale(temp.suelo), vel.viento=scale(vel.viento), temp.ambiente=scale(temp.ambiente), temp.rocio=scale(temp.rocio),hum.ambiente=scale(hum.ambiente),temp.morfo=scale(temp.morfo),morfos=scale(morfos),altura.veg=scale(altura.veg)) # estandarizar variables
d <- dist(campo2, method = "euclidean") # matriz de distancias
## Warning in dist(campo2, method = "euclidean"): NAs introduced by coercion
d
## 1 2 3 4 5
## 2 6.322881
## 3 5.697938 9.060820
## 4 3.542309 5.432563 5.910479
## 5 54.512835 47.816973 57.912843 57.138369
## 6 4.593456 6.400982 6.557511 3.904804 54.433808
fit <- hclust(d, method="ward.D") # genera cluster jerarquico
plot(fit) # dibuja el cluster
