################################################################################
### R BASICS WORKSHOP                                                        ###
### PRESENTACIÓN 7: GENERACIÓN DE DATOS                                      ### 
###                                                                          ###
### Center for Conservation and Sustainable Development                      ###
### Missouri Botanical Garden                                                ###
### Sitio en la red: rbasicsworkshop.weebly.com                              ### 
################################################################################


### A. ¿POR QUÉ GENERAR DATA CON R? ############################################

# 1. Inventarse datos para publicar y ser famoso

# 2. Explorar modelos teóricos, numérica o gráficamente

# 3. Realizar simulaciones


### B. GENERAR SECUENCIAS REGULARES ##############################################

# Funcion *c*
x <- c(1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5, 5)
x

# Operador *:*
x <- 1:30
x

# IMPORTANTE: Fijarse en la prioridad de los operadores
1:10-1 # Esto, no es lo mismo que esto:
1:(10-1)


# funcion *rep*
rep(1, 30)

rep(1:4, 3)

rep(1:4, each = 3) 


# funcion *scan*
z <- scan()
z


# funcion *seq*
seq(1, 5, 0.5)
seq(length=9, from=1, to=5)


# funcion *sequence*
sequence(4:30)
sequence(c(10,5))


# funcion *gl* (genera niveles de un factor)
gl(3, 5)
gl(3, 5, length=30)
gl(2, 6, label=c("Male", "Female"))
gl(2, 10)
gl(2, 1, length=20)
gl(2, 2, length=20)


# funcion *expand.grid*
expand.grid(a=c(60,80), p=c(100, 300), sexo=c("Male", "Female"))



### C. GENERAR SECUENCIAS ALEATORIAS #############################################

# Funcion *rnorm*: Gaussian (normal)
x.norm <- rnorm(n=1000, mean=0, sd=1)
x.norm

hist(x.norm)

# Otras distribuciones estadísticas disponibles en R

# Poisson
x.pois <- rpois(n=1000, lambda=5)
hist(x.pois)

# Uniforme
x.unif <- runif(n=1000, min=0, max=1)
hist(x.unif)

# Exponential
x.exp <- rexp(n=100, rate=1)
hist(x.exp)

par(mfrow=c(2,2)) # Esto crea una ventana con varios paneles (2x2)
hist(x.norm, main="Normal")
hist(x.pois, main="Poisson")
hist(x.unif, main="Uniforme")
hist(x.exp, main="Exponential")


# Gamma
# rgamma(n, shape, scale=1)

# Weibull
# rweibull(n, shape, scale=1)

# Cauchy
# rcauchy(n, location=0, scale=1)

# Beta
# rbeta(n, shape1, shape2)

# Student t 
# rt(n, df)

# Fisher-Snedecor (F)
# rf(n, df1, df2)

# Pearson chi-squared
# rchisq(n, df)

# binomial
# rbinom(n, size, prob)

# multinomial
# rmultinom(n, size, prob)

# geometric
# rgeom(n, prob)

# hypergeometric
# rhyper(nn, m, n, k)

# logistic
# rlogis(n, location=0, scale=1)

# lognormal
# rlnorm(n, meanlog=0, sdlog=1)

# negative binomial 
# rnbinom(n, size, prob)

# Wilcoxon's statistics
# rwilcox(nn, m, n)
# rsignrank(nn, n)



### D. UN EJEMPLO BASADO EN UN ANÁLISIS ESPACIAL #################################

# En este ejemplo, vamos a simular la distribución de individuos (e.g. arboles)
# dentro de un espacio rectangular (e.g. una parcela), y vamos a estudiar el
# comportamiento de una medida de agregación bajo distintas distribuciones 
# teóricas.

# Abra el paquete *spatstat* que se necesitara para análisis
library(spatstat)

# Defina el dominio espacial de la simulación
max.coord <- 125
min.coord <-  -125

domain <- cbind(c(min.coord, max.coord), c(min.coord, max.coord))
colnames(domain) <- c("x", "y")

par(mfrow=c(1,1))
plot(domain, type="n")


# Defina los siguientes valores para las simulaciones
clumps.n <- 10^2 # El numero de grupos de individuos
n.per.clump <- 4^2 # El numero de individuos dentro de cada grupo
n <- n.per.clump*clumps.n # el numero total de individuos

# Este es un objeto de clase *owin* que se necesitara luego, simplemente define
# la ventana espacial para análisis
distri.window <- owin(xrange=c(-100, 100), yrange=c(-100, 100))
class(distri.window)


## 1. Genere una distribución de individuos aleatoria ##
rand.x <- runif(n, min.coord, max.coord) # secuencia aleatoria uniforme
rand.y <- runif(n, min.coord, max.coord) # secuencia aleatoria uniforme

coords.rand <- cbind(rand.x, rand.y) 
colnames(coords.rand) <- c("x", "y")
dim(coords.rand)

# Esto calcula el "pair-correlation function"  que describe la distribución 
# espacial de individuos a varias distancias - valores de mas de 1 indican 
# agregación (mayor densidad de individuos), valores menores que uno indican
# segregación (menor densidad de individuos). El valor 1 se espera bajo una 
# distribución aleatoria. Para saber mas, lee el archivo de ayuda
# *?pcf*

pcf.rand <- pcf(as.ppp(coords.rand, W=distri.window)) 

par(mfrow=c(1,2))
plot(domain, type="n", asp=1)
plot(distri.window, col="red", add=TRUE)
points(coords.rand)
plot(pcf.rand)


## 2. Generamos una distribución de individuos perfectamente regular ##
reg.x <- seq(domain[1,"x"], domain[2,"x"], length.out=sqrt(n)) # secuencia regular
reg.y <- seq(domain[1,"y"], domain[2,"y"], length.out=sqrt(n)) # secuencia regular

coords.reg <- expand.grid(reg.x, reg.y) # uso de *expand grid*
colnames(coords.reg) <- c("x", "y")
dim(coords.reg)

pcf.reg <- pcf(as.ppp(coords.reg, W=distri.window)) 

par(mfrow=c(1,2))
plot(domain, type="n", asp=1)
plot(distri.window, col="red", add=TRUE)
points(coords.reg)
plot(pcf.reg)


## 3. Una distribución de individuos agregados - agregación alta ##
rand.x <- rnorm(n, 0, 6)
rand.y <- rnorm(n, 0, 6)

coords.agreg <- cbind(rand.x, rand.y)
colnames(coords.agreg) <- c("x", "y")

pcf.agreg <- pcf(as.ppp(coords.agreg, W=distri.window))

par(mfrow=c(1,2))
plot(domain, type="n", asp=1)
plot(distri.window, col="red", add=TRUE)
points(coords.agreg)
plot(pcf.agreg)


## 4. Una distribución de individuos agregados - agregación baja ##
rand.x <- rnorm(n, 0, 25)
rand.y <- rnorm(n, 0, 25)

coords.agreg.2 <- cbind(rand.x, rand.y)
colnames(coords.agreg.2) <- c("x", "y")

pcf.agreg.2 <- pcf(as.ppp(coords.agreg.2, W=distri.window))

par(mfrow=c(1,2))
plot(domain, type="n", asp=1)
plot(distri.window, col="red", add=TRUE)
points(coords.agreg.2)
plot(pcf.agreg)


## 5. Una distribución a dos niveles - distribución regular de grupos y 
# distribución agregada de individuos dentro de grupos ##

reg.clump.x <- seq(domain[1,"x"], domain[2,"x"], length.out=sqrt(clumps.n))
reg.clump.y <- seq(domain[1,"y"], domain[2,"y"], length.out=sqrt(clumps.n))

coords.clump.reg <- expand.grid(reg.clump.x, reg.clump.y)
colnames(coords.clump.reg) <- c("x", "y")

dist.x <- rnorm(n, 0, 2)
dist.y <- rnorm(n, 0, 2)

coords.reg.agreg <- cbind(coords.clump.reg[,"x"]+dist.x, 
  coords.clump.reg[,"y"]+dist.y)

pcf.reg.agreg <- pcf(as.ppp(coords.reg.agreg, W=distri.window))


par(mfrow=c(1,2))
plot(domain, type="n", asp=1)
  plot(distri.window, col="red", add=TRUE)
  points(coords.reg.agreg)

points(coords.clump.reg, col="red")
plot(pcf.reg.agreg)