Analisis estadistico de acuacultura
Javier Barreras,Ruben Cardoza,Jesus Murguia
25/2/2020
Analisis de regresion logistica
La grafica demuestra que el arte de pescar con red de chinchorro es mas efectiva cuando los peces tienen un peso mayor a los 100 gramos. Esto tiene sentido ya que es mas dificil que los peces grandes se liberen de las redes de chinchorro.
colores= NULL
colores[peces$Chinch==1]<-"green"
colores[peces$Chinch==0]<-"red"
table(peces$Chinch)##
## 0 1
## 309 214reg<-glm(Chinch~X.W..org,data=peces,family = binomial)
summary(reg)##
## Call:
## glm(formula = Chinch ~ X.W..org, family = binomial, data = peces)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -4.5232 -0.9659 -0.9619 1.3483 1.4098
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.531630 0.097962 -5.427 5.73e-08 ***
## X.W..org 0.022896 0.006262 3.656 0.000256 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 707.68 on 522 degrees of freedom
## Residual deviance: 686.96 on 521 degrees of freedom
## AIC: 690.96
##
## Number of Fisher Scoring iterations: 5plot(peces$X.W..org,peces$Chinch,pch=21,bg=colores,xlab="Peso",ylab="prob de pesca (chinchorro)")
legend("bottomright",c("si chinchorro","no chinchorro"),pch = 21,col = c("green","red"))
#modelacion numerica para conocer rangos de temperatura
datos1<- data.frame(X.W..org=seq(10,500,0.9))
posibilidades<-predict(reg,datos1,type="response")
#por default calcularia log p_i(1-p_1) para aclarar p_i
#usamos el argumento type
lines(datos1$X.W..org,posibilidades,col="blue",lwd=2)
Analisis descriptivo
De las muestras de peces realizadas con 4 distintos artes de pesca, la grafica nos dice que la pesca con red de chinchorro y la pesca con red de renfro son las que mas peces atrapan. Siendo la red de chinchorro la que predomina sobre los otros tres artes de pesca,tambien nos dice que la pesca por red de chinchorro atrae mas peces de especie melanopterus.
a=ggplot(data = peces , aes(x =(peces$Arte), y=N..Org,fill=peces$Especie))+
geom_bar(stat = "identity")
ggplotly(a)Analisis de regresion lineal
En la siguiente grafica se hace una prediccion sobre el numero de organismos y la biomasa, esta nos predice la biomasa que peude tener un rango de organismos con una confiabilidad del 97.5%
peces<-read.csv("peces.csv", header = TRUE)
names(peces)## [1] "ï..ID" "AÃ.o" "Fecha" "AÃ.o.Real" "Mes"
## [6] "Sitio" "Localidad" "Arte" "Rept" "Habitat"
## [11] "Grupo" "clase" "orden" "Familia" "Genero"
## [16] "Especie" "Gen.Especie" "N..Org" "X.W..org" "Densidad"
## [21] "Biomasa" "Chinch" "X62" "Cuchara" "X0.87"
## [26] "Renfro" "X50" "PatÃ.n" "X4.416"head(peces)## ï..ID AÃ.o Fecha AÃ.o.Real Mes Sitio Localidad Arte
## 1 CRPT3996 2016 12/09/2016 2016 Septiembre 4 ElAposquero Renfro
## 2 CRPT3997 2016 12/09/2016 2016 Septiembre 1 LaBoca Renfro
## 3 CRPT3998 2016 13/09/2016 2016 Septiembre 5 ElArrastradero Renfro
## 4 CRPT3999 2016 12/09/2016 2016 Septiembre 3 ElMojarrero Chinchorro
## 5 CRPT4000 2016 12/09/2016 2016 Septiembre 1 LaBoca Chinchorro
## 6 CRPT4001 2016 13/09/2016 2016 Septiembre 5 ElArrastradero Renfro
## Rept Habitat Grupo clase orden Familia
## 1 2 Pastos Peces Actinopterygii Perciformes Gerreidae
## 2 3 Pastos Peces Actinopterygii Batrachoidiformes Batrachoidiformes
## 3 1 Arena Peces Actinopterygii Perciformes Gerreidae
## 4 2 Manglar Peces Actinopterygii Perciformes Sparidae
## 5 3 Arena Peces Actinopterygii Perciformes Sciaenidae
## 6 1 Arena Peces Actinopterygii Clupeiformes Engraulidae
## Genero Especie Gen.Especie N..Org X.W..org
## 1 Eucinostomus melanopterus Eucinostomus melanopterus 1 0.43
## 2 Opsanus beta Opsanus beta 1 33.16
## 3 Diapterus rhombeus Diapterus rhombeus 1 0.55
## 4 Lagodon rhomboides Lagodon rhomboides 1 31.64
## 5 Micropogonias undulatus Micropogonias undulatus 3 21.50
## 6 Anchoa mitchilli Anchoa mitchilli 4 0.50
## Densidad Biomasa Chinch X62 Cuchara X0.87 Renfro X50 PatÃ.n X4.416
## 1 0.003333333 0.001433333 0 NA NA NA NA NA NA NA
## 2 0.002222222 0.073688889 0 NA NA NA NA NA NA NA
## 3 0.003333333 0.001833333 0 NA NA NA NA NA NA NA
## 4 0.002688172 0.085053763 1 NA NA NA NA NA NA NA
## 5 0.005376344 0.038530466 1 NA NA NA NA NA NA NA
## 6 0.013333333 0.001666667 0 NA NA NA NA NA NA NA#regresion lineal simple
x<- peces[, c( "X.W..org", "Rept" , "Densidad", "Biomasa", "Arte" )]
head(x)## X.W..org Rept Densidad Biomasa Arte
## 1 0.43 2 0.003333333 0.001433333 Renfro
## 2 33.16 3 0.002222222 0.073688889 Renfro
## 3 0.55 1 0.003333333 0.001833333 Renfro
## 4 31.64 2 0.002688172 0.085053763 Chinchorro
## 5 21.50 3 0.005376344 0.038530466 Chinchorro
## 6 0.50 1 0.013333333 0.001666667 Renfroy<- peces[, c( "Biomasa", "X.W..org" )]
head(y)## Biomasa X.W..org
## 1 0.001433333 0.43
## 2 0.073688889 33.16
## 3 0.001833333 0.55
## 4 0.085053763 31.64
## 5 0.038530466 21.50
## 6 0.001666667 0.50library(ggplot2)
pairs(x)
pairs(y)
#tabla de correlacion
cor(y)## Biomasa X.W..org
## Biomasa 1.0000000 0.6341532
## X.W..org 0.6341532 1.0000000#recta de minimos
#cuadrados
regresion = lm(Biomasa ~ X.W..org, data=peces)
summary(regresion)##
## Call:
## lm(formula = Biomasa ~ X.W..org, data = peces)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.06703 -0.00936 -0.00919 -0.00730 1.49145
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.0093596 0.0034835 2.687 0.00744 **
## X.W..org 0.0022253 0.0001189 18.720 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.07643 on 521 degrees of freedom
## Multiple R-squared: 0.4022, Adjusted R-squared: 0.401
## F-statistic: 350.5 on 1 and 521 DF, p-value: < 2.2e-16#Grafico del ajuste lineal
plot (peces$X.W..org, peces$Biomasa, xlab="n organismos", ylab = "biomasa")
abline(regresion)
#calculo de predicciones
prediccion_organismos = data.frame(X.W..org=seq(100,200))
predict(regresion, prediccion_organismos)## 1 2 3 4 5 6 7 8
## 0.2318861 0.2341114 0.2363366 0.2385619 0.2407872 0.2430124 0.2452377 0.2474630
## 9 10 11 12 13 14 15 16
## 0.2496882 0.2519135 0.2541388 0.2563640 0.2585893 0.2608145 0.2630398 0.2652651
## 17 18 19 20 21 22 23 24
## 0.2674903 0.2697156 0.2719409 0.2741661 0.2763914 0.2786167 0.2808419 0.2830672
## 25 26 27 28 29 30 31 32
## 0.2852925 0.2875177 0.2897430 0.2919683 0.2941935 0.2964188 0.2986441 0.3008693
## 33 34 35 36 37 38 39 40
## 0.3030946 0.3053199 0.3075451 0.3097704 0.3119957 0.3142209 0.3164462 0.3186714
## 41 42 43 44 45 46 47 48
## 0.3208967 0.3231220 0.3253472 0.3275725 0.3297978 0.3320230 0.3342483 0.3364736
## 49 50 51 52 53 54 55 56
## 0.3386988 0.3409241 0.3431494 0.3453746 0.3475999 0.3498252 0.3520504 0.3542757
## 57 58 59 60 61 62 63 64
## 0.3565010 0.3587262 0.3609515 0.3631768 0.3654020 0.3676273 0.3698526 0.3720778
## 65 66 67 68 69 70 71 72
## 0.3743031 0.3765283 0.3787536 0.3809789 0.3832041 0.3854294 0.3876547 0.3898799
## 73 74 75 76 77 78 79 80
## 0.3921052 0.3943305 0.3965557 0.3987810 0.4010063 0.4032315 0.4054568 0.4076821
## 81 82 83 84 85 86 87 88
## 0.4099073 0.4121326 0.4143579 0.4165831 0.4188084 0.4210337 0.4232589 0.4254842
## 89 90 91 92 93 94 95 96
## 0.4277095 0.4299347 0.4321600 0.4343853 0.4366105 0.4388358 0.4410610 0.4432863
## 97 98 99 100 101
## 0.4455116 0.4477368 0.4499621 0.4521874 0.4544126#intervalo de confianza
confint(regresion)## 2.5 % 97.5 %
## (Intercept) 0.002516102 0.016203010
## X.W..org 0.001991746 0.002458785