-
Notifications
You must be signed in to change notification settings - Fork 0
/
README.Rmd
588 lines (411 loc) · 20.2 KB
/
README.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
---
title: "Prácticas de aula (PA04): Análisis Exploratorio de Datos (AED) y Paradoja de Orlócy<small><br>Biogeografía (GEO-131)<br>Universidad Autónoma de Santo Domingo (UASD)<br>Semestre 2024-02</small>"
author: "El Tali"
date: "`r format(Sys.Date(), '%Y-%m-%d')`"
output:
# bookdown::github_document2:
# number_sections: false
# fig_caption: yes
bookdown::html_document2:
number_sections: false
code_folding: hide
fig_caption: yes
md_extensions: "-fancy_lists"
toc: true
toc_depth: 3
editor_options:
chunk_output_type: console
always_allow_html: true
# bibliography: references.bib
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(
echo = TRUE,
warning = FALSE,
message = FALSE,
out.width = '100%',
fig.retina = 4)
```
```{r, include=F}
output_format <- knitr::opts_knit$get("rmarkdown.pandoc.to")
repo_url <- system("git config --get remote.origin.url", intern = TRUE)
repo_name <- sub(".git$", "", basename(repo_url))
org_name <- basename(dirname(repo_url))
rmd_filename <- tools::file_path_sans_ext(basename(knitr::current_input()))
github_pages_url <- paste0("https://", org_name, ".github.io/", repo_name, "/", rmd_filename, ".html")
```
```{r, results='asis', echo=F}
if (grepl('gfm', output_format)) {
cat('Versión HTML (quizá más legible), [aquí](', github_pages_url, ')\n', sep = '')
} else if (output_format == 'latex') {
cat('Versión HTML (quizá más legible), [aquí](', github_pages_url, ')\n', sep = '')
}
```
Paquetes
```{r}
library(tidyverse)
```
# Fecha/hora de entrega
**11 de septiembre de 2024, 11:59 pm.**
# Introducción
La biogeografía estudia la distribución de especies y ecosistemas en el espacio geográfico y a lo largo del tiempo. El análisis exploratorio de datos (AED) permite identificar patrones en los datos biológicos, mientras que la paradoja de Orlócy ilustra cómo las transformaciones de datos afectan la percepción de similitud y disimilitud entre comunidades biológicas. Esta práctica permitirá a los estudiantes explorar ambas técnicas y comprender cómo los datos biológicos pueden ser transformados y analizados para obtener conclusiones más significativas.
En principio, al menos para mí como profesor, me interesan dos cosas:
1. Que identifiques la matriz de comunidad como una clase de datos ecológicos específica, pues es muy usada en ecología numérica.
2. Que visibilices las dificultades inherentes de realizar análisis exploratorio de datos (AED) manualmente, y que a la vez comprendas la teoría detrás de algunos estadísticos y representaciones básicas. Recuerda la referencia sobre el "Cuarteto de Anscombe" y "La docena del Datasauro".
3. Que identifiques **la importancia de aplicar transformaciones a los datos cuando se requiera**. El desconocimiento sobre la necesidad de transformar los datos, comúnmente se traduce cometen en errores en los análisis de diversidad alpha y beta, especialmente donde interviene cualquier métrica de disimilitud/similitud (el denominado "modo Q"). Podrás encontrar más detalles en el capítulo 3 de @borcard_numerical_2018 (*Association Measures and Matrices*).
# Ejercicio 1: Análisis Exploratorio de Datos (AED)
## Objetivo
Calcular estadísticos descriptivos básicos de la abundancia de especies por sitio y representar los resultados en diagramas de caja.
## Planteamiento del Problema
Utiliza una de las 20 matrices de comunidad proporcionadas, cada una con cinco especies y tres sitios, para calcular las siguientes medidas: media, desviación estándar, primer cuartil, tercer cuartil, rango intercuartilar (RIC), máximo, mínimo y atípicos (usando bisagras de Tukey).
## Datos Proporcionados
Se proporcionan 20 matrices de comunidad generadas aleatoriamente, cada una representando la abundancia de cinco especies en tres sitios. Elige una de las matrices.
### Matrices de Comunidad
```{r}
# Generación de 20 matrices de comunidad
set.seed(123)
community_matrices <- lapply(1:20, function(i) {
matrix(rpois(15, lambda = 5), nrow = 3, ncol = 5) %>%
`colnames<-`(paste0("sp", 1:5)) %>%
`rownames<-`(paste0("sit", 1:3))
})
names(community_matrices) <- paste0("Matriz de comunidad ", 1:20)
community_matrices_k <- lapply(
community_matrices,
function(x) {
colnames(x) <- gsub('\\n', '', colnames(x))
knitr::kable(x, digits = 2, align = 'c')
})
```
```{r, results='asis'}
# Imprimir tablas
for (tabla in 1:length(community_matrices_k)) {
cat("\n\n\n")
cat('Matriz de comunidad', tabla)
print(community_matrices_k[[tabla]])
}
```
## Ejemplo Práctico
Calculemos las estadísticas descriptivas para la **Matriz de comunidad 1**. Los estadísticos a calcular son: media, desviación estándar, primer cuartil (Q1), tercer cuartil (Q3), rango intercuartilar (RIC), máximo, mínimo y valores atípicos (usando bisagras de Tukey).
### Plantilla para Cálculos
| Sitio | Media | Desviación Estándar | Q1 | Q3 | RIC | Mínimo | Máximo | Atípicos |
|---------|-------|---------------------|----|----|-----|--------|--------|----------|
| Sitio 1 | | | | | | | | |
| Sitio 2 | | | | | | | | |
| Sitio 3 | | | | | | | | |
```{r, echo=F, include=F}
# Cálculo de estadísticas descriptivas
library(tidyverse)
community_matrix_1 <- community_matrices[[1]]
community_matrix_1 <- as.data.frame(community_matrix_1)
```
### Datos Proporcionados: Matriz de Comunidad 1
La **Matriz de comunidad 1** es la siguiente:
| Sitio | sp1 | sp2 | sp3 | sp4 | sp5 |
|--------|-----|-----|-----|-----|-----|
| sit1 | 4 | 8 | 5 | 5 | 6 |
| sit2 | 7 | 9 | 8 | 9 | 5 |
| sit3 | 4 | 2 | 5 | 5 | 2 |
Para el **Sitio 1**, se consideran los valores de abundancia de las cinco especies: 4, 8, 5, 5, 6.
### Paso 1: Cálculo de la Media
La **media** de la abundancia de especies en el Sitio 1 se calcula sumando las abundancias de todas las especies en ese sitio y dividiendo por el número de especies (5).
\[
\text{Media}_{Sitio 1} = \frac{\text{Abundancia de sp1} + \text{Abundancia de sp2} + \text{Abundancia de sp3} + \text{Abundancia de sp4} + \text{Abundancia de sp5}}{5}
\]
Sustituyendo los valores:
\[
\text{Media}_{Sitio 1} = \frac{4 + 8 + 5 + 5 + 6}{5} = \frac{28}{5} = 5.6
\]
### Paso 2: Cálculo de la Desviación Estándar
La **desviación estándar** mide la dispersión de las abundancias alrededor de la media. Se calcula utilizando la fórmula:
\[
\text{Desviación Estándar}_{Sitio 1} = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (x_i - \text{Media})^2}
\]
donde:
- \(x_i\) es la abundancia de cada especie en el Sitio 1.
- \(n = 5\) es el número de especies.
Primero, calculamos las diferencias al cuadrado entre cada abundancia y la media:
\[
(4 - 5.6)^2 = (-1.6)^2 = 2.56
\]
\[
(8 - 5.6)^2 = (2.4)^2 = 5.76
\]
\[
(5 - 5.6)^2 = (-0.6)^2 = 0.36
\]
\[
(5 - 5.6)^2 = (-0.6)^2 = 0.36
\]
\[
(6 - 5.6)^2 = (0.4)^2 = 0.16
\]
Sumamos estos valores:
\[
\sum = 2.56 + 5.76 + 0.36 + 0.36 + 0.16 = 9.20
\]
Calculamos la desviación estándar:
\[
\text{Desviación Estándar}_{Sitio 1} = \sqrt{\frac{9.2}{5-1}} = \sqrt{\frac{9.2}{4}} = \sqrt{2.3} \approx 1.52
\]
### Paso 3: Cálculo de los Cuartiles (Q1, Q2, Q3) usando Bisagras de Tukey
Para calcular el **primer cuartil (Q1)**, el **segundo cuartil (Q2, mediana)** y el **tercer cuartil (Q3)** utilizando el método de **bisagras de Tukey** (existen otros métodos), seguimos estos pasos:
1. **Ordenar los datos** de abundancia en el Sitio 1 de menor a mayor:
\[
4, 5, 5, 6, 8
\]
2. **Calcular la mediana (Q2)**:
La **mediana (Q2)** es el valor central que divide el conjunto de datos en dos mitades iguales. Como hay un número impar de datos (5), la mediana es el tercer valor en el conjunto ordenado:
\[
Q2 = 5
\]
3. **Dividir el conjunto de datos en dos mitades** usando la mediana:
- Dado que hay un número impar de datos (5), incluimos la mediana en **ambas mitades** del conjunto de datos.
- **Mitad inferior** (incluye la mediana): \(4, 5, 5\)
- **Mitad superior** (incluye la mediana): \(5, 6, 8\)
4. **Calcular el primer cuartil (Q1)**:
El **primer cuartil (Q1)** es la mediana de la mitad inferior:
- Mitad inferior: \(4, 5, 5\)
La mediana de esta mitad es el segundo valor, que nos dará **primer cuartil (Q1)**:
\[
Q1 = 5
\]
5. **Calcular el tercer cuartil (Q3)**:
El **tercer cuartil (Q3)** es la mediana de la mitad superior:
- Mitad superior: \(5, 6, 8\)
La mediana de esta mitad es el segundo valor, que nos dará **tercer cuartil (Q3)**:
\[
Q3 = 6
\]
### Paso 4: Cálculo del Rango Intercuartílico (RIC)
El **rango intercuartílico (RIC)** se calcula como la diferencia entre el tercer cuartil y el primer cuartil:
\[
\text{RIC}_{Sitio 1} = Q3 - Q1 = 6 - 5 = 1
\]
### Paso 5: Cálculo del mínimo, máximo y valores atípicos
Para identificar los valores mínimo, máximo y atípicos utilizando el método del diagrama de caja, calculamos los límites de los bigotes:
- **Mínimo**: \(Q1 - 1.5 \times \text{RIC}\)
\[
\text{Mínimo}_{Sitio 1} = 5 - 1.5 \times 1 = 5 - 1.5 = 3.5
\]
En el diagrama de caja, se dibujaría un bigote en 4, ya que no existe ningún valor menor a este en el conjunto.
- **Máximo**: \(Q3 + 1.5 \times \text{RIC}\)
\[
\text{Máximo}_{Sitio 1} = 6 + 1.5 \times 1 = 6 + 1.5 = 7.5
\]
En el diagrama de caja, no se dibujaría bigote, dado que sólo hay un valor por encima del tercer cuartil, y es un valor atípico (que menciono más abajo como dibujarlo).
Los valores atípicos son aquellos dentro del conjunto de datos que están fuera de los límites superior e inferior. En este caso:
- **Valor atípico inferior**: Ninguno, ya que todos los valores están por encima de 3.5. No se dibuja valor atípico (*)
- **Valor atípico superior**: \(8\), ya que \(8 > 7.5\). Se dibuja valor atípico en 8 (*).
### Resumen de Resultados para el Sitio 1
| Sitio | Media | Desviación Estándar | Q1 | Q3 | RIC | Mínimo | Máximo | Atípicos |
|:---------:|-------:|---------------------:|-----:|-----:|------:|--------:|--------:|----------:|
| Sitio 1 | 5.6 | 1.52 | 5 | 6 | 1 | 3.5 | 7.5 | [NA,8] |
Recuerda que en este ejemplo práctico mostré cómo calcular las estadísticas descriptivas de la abundancia de especies para el sitio 1, pero que debes hacer lo mismo para los sitios 2 y 3.
### Representación Gráfica
A continuación, se representan los tres sitios, no sólo Sitio 1. Debes hacer una representación similar con tus datos, es decir, un diagrama de caja con los tres sitios.
```{r}
# Diagrama de caja
community_matrix_1_long <- community_matrix_1 %>% t %>% as.data.frame %>%
pivot_longer(cols = everything(), names_to = "sitios", values_to = "abundancia")
ggplot(community_matrix_1_long, aes(x = sitios, y = abundancia)) +
geom_boxplot() +
theme_minimal() +
ggtitle("Diagrama de Caja para la Matriz de Comunidad 1")
```
### Resultados
#### Redacción en Voz Activa
"Obtuve que la media de la abundancia de especies en el Sitio 1 es de 5.6 individuos, con una desviación estándar de 1.52. El primer cuartil (Q1) es 5, y el tercer cuartil (Q3) es 6, lo que da un rango intercuartílico (RIC) de 1. El valor mínimo de abundancia observado es 3.5, mientras que el valor máximo es 7.5. Identifiqué un valor atípico de 8, que está fuera del rango intercuartílico permitido."
#### Redacción en Voz Pasiva
"Se obtuvieron una media de 5.6 individuos y una desviación estándar de 1.52 para la abundancia de especies en el Sitio 1. El primer cuartil (Q1) fue calculado en 5, y el tercer cuartil (Q3) en 6, resultando en un rango intercuartílico (RIC) de 1. La abundancia mínima registrada fue de 3.5, y la máxima de 7.5. Se identificó un valor atípico de 8, que excede los límites del rango intercuartílico."
## Ejercicio 2: Paradoja de Orlócy, Distancias, Disimilitudes, Similitudes y Transformaciones
### Objetivo
Calcular distancias entre pares de sitios utilizando una matriz de comunidad, representar gráficamente la localización en un espacio bidimensional sin transformar y con la transformación de Hellinger.
### Planteamiento del Problema
Usaremos una **nueva Matriz de comunidad 1** para este ejemplo práctico y realizaremos los siguientes pasos:
1. Calcular las distancias entre los sitios (sitio 1, sitio 2, sitio 3) sin transformar los datos.
2. Aplicar la transformación de Hellinger a los datos y recalcular las distancias.
3. Representar gráficamente las distancias antes y después de la transformación en un espacio bidimensional.
### Datos Proporcionados
Se proporcionan 20 matrices de comunidad generadas aleatoriamente, cada una representando la abundancia de cinco especies en tres sitios. Elige una de las matrices.
### Matrices de Comunidad
```{r}
# Definir una función para generar una matriz de comunidad
generate_community_matrix <- function() {
# Inicializar la matriz de comunidad con 3 sitios y 2 especies
matrix <- matrix(0, nrow = 3, ncol = 2)
colnames(matrix) <- c("sp1", "sp2")
rownames(matrix) <- c("sit1", "sit2", "sit3")
# Elegir aleatoriamente un sitio para que tenga 'doble ceros'
zero_site <- sample(1:3, 1)
# Asignar valores a los sitios de acuerdo a las condiciones
for (i in 1:3) {
if (i == zero_site) {
matrix[i, ] <- c(0, 0) # Sitio con doble ceros
} else if (runif(1) > 0.5) {
matrix[i, ] <- sample(1:4, 2, replace = TRUE) # Sitio con valores pequeños
} else {
matrix[i, ] <- sample(15:19, 2, replace = TRUE) # Sitio con valores grandes
}
}
return(matrix)
}
# Generar 20 matrices de comunidad
community_matrices <- lapply(1:20, function(x) generate_community_matrix())
# Convertir cada matriz a un data frame y asignar nombres
community_matrices <- lapply(community_matrices, as.data.frame)
names(community_matrices) <- paste0("Matriz de Comunidad ", 1:20)
# Mostrar las matrices generadas
# community_matrices
# Crear la Matriz de comunidad 1 manualmente
community_matrix_1 <- matrix(c(1, 0, 4, # Valores para sp1
1, 0, 8), # Valores para sp2
nrow = 3, ncol = 2, byrow = FALSE)
# Asignar nombres a las filas y columnas
colnames(community_matrix_1) <- c("sp1", "sp2")
rownames(community_matrix_1) <- c("sit1", "sit2", "sit3")
# Convertir a data frame para mejor visualización
community_matrix_1 <- as.data.frame(community_matrix_1)
community_matrices[[1]] <- community_matrix_1
# names(community_matrices) <- paste0("Matriz de comunidad ", 1:20)
community_matrices_k <- lapply(
community_matrices,
function(x) {
colnames(x) <- gsub('\\n', '', colnames(x))
knitr::kable(x, digits = 2, align = 'c')
})
```
```{r, results='asis'}
# Imprimir tablas
for (tabla in 1:length(community_matrices_k)) {
cat("\n\n\n")
cat('Matriz de comunidad', tabla)
print(community_matrices_k[[tabla]])
}
```
### Ejemplo práctico
#### Matriz de Comunidad 1
La **Matriz de comunidad 1** para este ejercicio es:
| Sitio | sp1 | sp2 |
|--------|-----|-----|
| sit1 | 1 | 1 |
| sit2 | 0 | 0 |
| sit3 | 4 | 8 |
Esta matriz tiene tres sitios (sit1, sit2, sit3) y dos especies (sp1, sp2). Notemos que:
- **sit2** tiene "doble ceros" (ausencia total de ambas especies).
- **sit1** tiene abundancias bajas de ambas especies.
- **sit3** tiene abundancias más altas de ambas especies.
#### Paso 1: Calcular Distancias sin Transformación
Antes de realizar la transformación de Hellinger, calculamos las distancias entre cada par de sitios. Utilizaremos la distancia euclidiana, una medida común de disimilitud:
\[
\text{Distancia Euclidiana} = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2}
\]
donde \(x_i\) y \(y_i\) son los valores de abundancia de las especies en cada sitio.
##### Cálculo Manual de Distancias
1. **Distancia entre sit1 y sit2:**
\[
\text{Distancia}_{\text{sit1-sit2}} = \sqrt{(1 - 0)^2 + (1 - 0)^2} = \sqrt{1 + 1} = \sqrt{2} \approx 1.41
\]
2. **Distancia entre sit1 y sit3:**
\[
\text{Distancia}_{\text{sit1-sit3}} = \sqrt{(1 - 4)^2 + (1 - 8)^2}
\]
\[
= \sqrt{(-3)^2 + (-7)^2} = \sqrt{9 + 49} = \sqrt{58} \approx 7.62
\]
3. **Distancia entre sit2 y sit3:**
\[
\text{Distancia}_{\text{sit2-sit3}} = \sqrt{(0 - 4)^2 + (0 - 8)^2}
\]
\[
= \sqrt{(-4)^2 + (-8)^2} = \sqrt{16 + 64} = \sqrt{80} \approx 8.94
\]
Estas distancias indican que **sit1** y **sit2** están más próximos entre sí que **sit1** y **sit3**, mientras que **sit2** está más lejos de **sit3**.
#### Paso 2: Aplicar la Transformación de Hellinger
La **transformación de Hellinger** se utiliza para hacer que las distancias entre sitios reflejen mejor las similitudes basadas en la presencia de especies compartidas. Esta transformación se realiza en dos pasos:
1. **Relativizar por el total de abundancia de cada sitio**:
Para cada valor de abundancia de una especie en un sitio, se divide por el total de abundancia de todas las especies en ese sitio.
\[
h_{ij} = \frac{x_{ij}}{\sqrt{\sum_{j=1}^{n} x_{ij}}}
\]
donde:
- \(x_{ij}\) es la abundancia de la especie \(j\) en el sitio \(i\).
- \(h_{ij}\) es el valor transformado de Hellinger.
2. **Calcular la raíz cuadrada de los valores relativizados**:
Ahora calculamos los valores transformados de Hellinger para cada sitio:
- **sit1**:
- Total de abundancia = \(1 + 1 = 2\)
- \(h_{11} = \sqrt{\frac{1}{2}} \approx 0.707\)
- \(h_{12} = \sqrt{\frac{1}{2}} \approx 0.707\)
- **sit2**:
- Total de abundancia = \(0 + 0 = 0\)
- Transformación de Hellinger para cualquier abundancia en **sit2** es 0, ya que no hay especies presentes:
- \(h_{21} = 0\)
- \(h_{22} = 0\)
- **sit3**:
- Total de abundancia = \(4 + 8 = 12\)
- \(h_{31} = \sqrt{\frac{4}{12}} = \sqrt{\frac{1}{3}} \approx 0.577\)
- \(h_{32} = \sqrt{\frac{8}{12}} = \sqrt{\frac{2}{3}} \approx 0.816\)
La **matriz transformada de Hellinger** es:
| Sitio | sp1 | sp2 |
|--------|-------|-------|
| sit1 | 0.707 | 0.707 |
| sit2 | 0 | 0 |
| sit3 | 0.577 | 0.816 |
#### Paso 3: Calcular Distancias con Transformación de Hellinger
Ahora, calculamos nuevamente las distancias utilizando la **matriz transformada de Hellinger**.
1. **Distancia entre sit1 y sit2:**
\[
\text{Distancia}_{\text{sit1-sit2}} = \sqrt{(0.707 - 0)^2 + (0.707 - 0)^2} = \sqrt{0.5 + 0.5} = \sqrt{1} = 1
\]
2. **Distancia entre sit1 y sit3:**
\[
\text{Distancia}_{\text{sit1-sit3}} = \sqrt{(0.707 - 0.577)^2 + (0.707 - 0.816)^2}
\]
\[
= \sqrt{(0.13)^2 + (-0.11)^2} = \sqrt{0.0169 + 0.0121} = \sqrt{0.029} \approx 0.17
\]
3. **Distancia entre sit2 y sit3:**
\[
\text{Distancia}_{\text{sit2-sit3}} = \sqrt{(0 - 0.577)^2 + (0 - 0.816)^2}
\]
\[
= \sqrt{(0.577)^2 + (0.816)^2} = \sqrt{0.333 + 0.666} = \sqrt{1} = 1
\]
#### Paso 4: Representación Gráfica
Para representar las distancias en un diagrama de dispersión:
1. **Datos sin Transformar**: Los puntos se colocan en un plano bidimensional utilizando las coordenadas de abundancia originales (sp1 en el eje X y sp2 en el eje Y).
2. **Datos Transformados con Hellinger**: Los puntos se colocan nuevamente, pero utilizando las coordenadas transformadas.
```{r, eval=F,echo=F,include=F}
p1 <- mc_orloci %>%
rownames_to_column('id') %>%
ggplot() +
aes(x = sp1, y = sp2, label = id) +
geom_point(size = 3) +
geom_text(vjust="inward",hjust="inward", size = 5, color = 'grey40') +
coord_equal() +
theme_bw() +
theme(text = element_text(size = 16)) +
ggtitle('mc original')
p2 <- mc_orloci_norm %>%
rownames_to_column('id') %>%
ggplot() +
aes(x = sp1, y = sp2, label = id) +
geom_point(size = 3) +
geom_text(vjust="inward",hjust="inward", size = 5, color = 'grey40') +
coord_equal() +
theme_bw() +
theme(text = element_text(size = 16)) +
ggtitle('mc transformada')
grid.arrange(p1, p2, nrow = 1)
```
#### Explicación Adicional y Enlace
Para una explicación más detallada de la paradoja de Orlócy y cómo se aplican las medidas de asociación en este contexto, consulta [este enlace](https://github.com/biogeografia-master/scripts-de-analisis-BCI/blob/master/medicion_asociacion_1_modo_Q_paradoja_orloci.md).
**Nota**: La matriz de disimilaridad (distancias) se puede obtener a partir de la similitud utilizando la fórmula:
\[
D = 1 - S \quad \text{y viceversa,} \quad S = 1 - D
\]
donde \(D\) es la disimilitud y \(S\) es la similitud entre los sitios.
```{r}
knitr::knit_exit()
```