Estimacion de poblacion de Oso Andino
R Capture
Instalar y cargar paquete
library(Rcapture)Cargue los datos siguiendo el formato 1 que indica en la ayuda del pack “help(Rcapture)”:
- Filas: Cantidad de unidades muestreadas = Numero de Osos ID
- Columnas: Numero de ocaciones = Deteccion
# Matriz
oso<- read.delim2("C:/Users/computador/Desktop/Analsis - Oso/Base-Oso.txt", header = T, sep = "\t")
## Convertir matriz a presencia - ausencia (1 - 0)
ps_oso<- ifelse(oso>0,1,0)Descripcion de datos:
Para describir la heterogeneidad capurada:
Usamos “plot.descriptive” que genera dos graficos.
En ausencia de hetrogeneidad, el grafico debe presentar una relacion lineal o casi-lineal. Funciones convexas indicaran heterogeneidad.
desc<- descriptive(ps_oso)
plot(desc)
Ajuste Modelo loglineal
Funcion “closedp”:
Estima la abundancia de una poblacion cerrada en experimentos de captura recaptura. Los mdelos son: M0, Mt, Mh Chao (LB), Mh Poisson2, Mh Darroch, Mh Gamma3.5, Mth Chao (LB), Mth Poisson2, Mth Darroch, Mth Gamma3.5, Mb and Mbh.
A esta funcion solo debemos darle como argumento la matriz del conjunto de datos porque ya tiene los valores dfreq=FALSE y dtype = “hist” por defecto.
- dfreq = false, porque no tiene columna de frecuencias al final.
dtype = “hist”, porque es un historial de acurrencias (ocaciones de captura).
closedp(ps_oso, dfreq=FALSE, dtype = "hist")##
## Number of captured units: 6
##
## Abundance estimations and model fits:
## abundance stderr deviance df AIC BIC infoFit
## M0 11.7 6.3 17.468 125 32.082 31.665 warning #1
## Mt 11.5 6.1 16.748 119 43.362 41.696 warning #1
## Mh Chao (LB) 34.8 48.7 15.348 124 31.962 31.337 warning #1
## Mh Poisson2 13.0 8.0 17.305 124 33.919 33.294 warning #1
## Mh Darroch 26.1 33.7 16.802 124 33.416 32.791 OK
## Mh Gamma3.5 69.9 156.7 16.529 124 33.143 32.518 warning #1
## Mth Chao (LB) 34.2 47.9 14.592 118 43.206 41.332 warning #1
## Mth Poisson2 12.8 7.9 16.580 118 45.193 43.319 warning #1
## Mth Darroch 25.9 33.3 16.064 118 44.677 42.803 OK
## Mth Gamma3.5 70.3 157.6 15.785 118 44.399 42.524 warning #1
## Mb -4.2 10.8 16.025 124 32.639 32.014 warning #1
## Mbh -0.4 3.5 15.521 123 34.134 33.301 warning #1Los elementos que aparecen en la tabla para describir el modelo son:
- stderr: Error estandar de la estimacion.
- deviance: Desviacion del modelo.
- df: Numero de grados de libertad.
- BIC: Criterio de informacion bayesiano infoFit: Codigo que nos indica si ha habido errores en el ajuste del modelo.
Seleccion del Modelo:
Observamos que aparece el AIC para cada modelo, lo que nos puede ayudar a elegir el modelo que mejor se ajuste a los datos.
Estimacion de la abundancia:
El modelo nulo nos da una estimacion del tamano poblacional de [11,7].
Elejimos el AIC con menor valor. En este caso elejimos el M0 con un AIC de [32.082].
Intervalos de confianza
Se construyen intervalos de confianza de perfil multinomial para la abundancia.
*Calculamos los intervalos de confianza para el MO.
closedpCI.t(ps_oso, m = "M0")##
## Number of captured units: 6
##
## Poisson estimation and model fit:
## abundance stderr deviance df AIC BIC infoFit
## M0 11.7 6.3 17.468 125 32.082 31.665 warning #1
##
## Multinomial estimation, 95% profile likelihood confidence interval:
## abundance infCL supCL infoCI
## M0 9.9 6 >35.1 warnings #5 #6