Dados de besouros

Contexto

Os dados que serão utilizados para a realização do exercício é o resultado de 30 coletas de 50 espécies de besouros e suas respectivas abundâncias.

Upload de dados

Pacotes utilizados

Para dar início à atividade, foi necessária a instalação do Rtools, uma extensão do R para ser usada no Windows, servindo como um conjunto ou compilado de pacotes que podem ser usados pelo RStudio. Após isso, intalei o pacote ‘devtools’ através do comando install.packages("devtools"). O devtools permite o meu acesso ao pacote feito pelo professor da disciplina para a realização da atividade. E para finalmente conseguir os dados, no formato de ‘ecodados’, tive que istalar o devtools::install_github("paternogbc/ecodados"), sendo que antes tive de pôr outro códido para que a instalação de fato ocorresse options(download.file.method = "wininet"). Também instalei o pacote ‘vegan’ pelo comando install.packages("vegan"). E também instalei o pacote ‘ggplot2’ pelo comando install.packages("ggplot2"), para que os gráficos necessários sejam construídos. Outros pacotes foram os ‘nlme’, ‘dplyr’, ‘piecewiseSEM’ e ‘iNEXT’.

## Carregando pacotes exigidos: usethis
## Carregando pacotes exigidos: permute
## 
## Attaching package: 'permute'
## The following object is masked from 'package:devtools':
## 
##     check
## Carregando pacotes exigidos: lattice
## This is vegan 2.6-4
## 
## Attaching package: 'dplyr'
## The following object is masked from 'package:nlme':
## 
##     collapse
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
## 
##   This is piecewiseSEM version 2.1.0.
## 
## 
##   Questions or bugs can be addressed to <LefcheckJ@si.edu>.
## 
## Attaching package: 'kableExtra'
## The following object is masked from 'package:dplyr':
## 
##     group_rows

Data Frame

sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10 sp11 sp12 sp13 sp14 sp15 sp16 sp17 sp18 sp19 sp20 sp21 sp22 sp23 sp24 sp25 sp26 sp27 sp28 sp29 sp30 sp31 sp32 sp33 sp34 sp35 sp36 sp37 sp38 sp39 sp40 sp41 sp42 sp43 sp44 sp45 sp46 sp47 sp48 sp49 sp50
Amostra_1 0 0 0 18 1 0 0 0 1 0 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 38 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0
Amostra_2 2 0 0 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 2 0 0 0 0 0 0 0 0 7 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0
Amostra_3 0 0 1 17 3 0 0 2 2 0 0 0 0 0 4 0 1 0 0 0 0 1 0 0 3 1 0 8 0 0 3 2 0 0 30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Amostra_4 0 0 0 9 2 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 2 0 0 0 0 0 0 6 0 1 0 3 0 0 0 0 0 0 0 0 0 3 1
Amostra_5 0 1 1 9 8 0 1 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 1 1 0 0 0 0 0 1 9 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0
Amostra_6 2 0 1 8 11 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 7 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Amostra_7 0 2 0 3 8 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 5 1 0 1 0 0 0 5 0 0 0 8 0 0 0 0 0 0 1 0 0 3 0
Amostra_8 2 0 1 10 1 0 0 1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 2 0 0 2 0 0 0 1 0 0 14 0 0 0 1 0 0 0 0 0 0 0 0 0 3 0
Amostra_9 0 0 2 12 2 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 2 0 0 0 0 0 0 0 0 2 0 0 0 2 3 0 2 0 0 0 0 0 0 2 0
Amostra_10 2 1 0 1 3 0 0 2 2 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 2 1 3 0 0 1 0 0 0 13 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0
Amostra_11 1 0 0 38 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 5 1 0 0 0 0 1 0 0 0 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Amostra_12 1 0 4 29 3 0 0 1 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 5 0 0 2 0 0 0 2 0 0 14 0 0 0 0 0 0 0 0 0 0 2 0 0 1 0
Amostra_13 0 3 0 2 5 0 0 2 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 2 0 2 0 0 2 0 0 0 1 0 0 0 1 1 0 2 0 2 0 1 0 0 0 0
Amostra_14 0 0 0 1 5 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 3 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
Amostra_15 0 0 0 2 4 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 2 0 0 0 3 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
Amostra_16 1 0 0 7 6 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 2 0 1 0 0 0 0 1 0 0 0 2 0 0 0 0 1 0 1 0 1 1 0
Amostra_17 0 0 0 25 5 0 0 3 0 0 0 0 0 0 0 0 2 0 0 0 1 0 0 0 1 0 0 3 0 0 0 0 0 0 23 0 0 0 7 0 1 2 0 0 0 0 1 0 1 0
Amostra_18 0 0 0 16 11 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 2 0 0 1 0 0 9 0 0 0 1 0 0 6 0 0 0 2 0 0 0 0 0 0 1 0 0 0 0
Amostra_19 2 0 0 17 2 0 0 0 1 0 0 0 0 0 2 1 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 10 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0
Amostra_20 0 0 2 4 6 0 0 3 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 4 3 0 5 0 0 1 0 0 0 14 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0
Amostra_21 2 0 2 13 17 0 0 0 0 0 0 2 0 0 1 1 0 0 0 0 0 0 1 0 14 1 0 0 0 0 0 0 0 0 12 0 0 0 0 1 0 0 0 0 0 0 0 0 2 0
Amostra_22 0 0 0 4 3 0 0 2 1 0 0 2 0 0 2 0 0 1 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 3 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0
Amostra_23 1 0 3 27 2 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 2 0 0 0 0 0 1 0 0 0 4 0 0 0 5 0 0 0 0 0 1 0 0 0 0 0
Amostra_24 1 1 2 29 5 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 4 1 0 3 0 0 1 3 1 0 16 0 0 0 1 1 0 1 0 0 0 0 0 0 1 0
Amostra_25 1 0 0 13 10 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 3 0 1 2 0 0 0 0 0 0 5 0 0 0 3 1 0 0 0 1 0 0 0 0 0 0
Amostra_26 1 2 1 12 3 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 7 0 0 1 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Amostra_27 1 0 1 11 1 0 0 2 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0
Amostra_28 0 0 0 17 2 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 1 0 0 0 0 1 0 0 55 0 0 0 2 0 0 0 0 0 0 0 0 1 1 0
Amostra_29 1 1 0 42 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 14 1 0 0 0 0 0 2 0 0 58 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Amostra_30 0 0 0 16 5 0 0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 4 1 0 1 0 1 7 0 0 0 0 0 0 11 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0

Exercício 1

CHAO1

Estimador simples do número absoluto de espécies em uma comunidade. É baseado no número de espécies raras dentro de uma amostra.

De acordo com os resultados apresentados no gráfico abaixo, foram estimadas em média mais 42.95754 espécies (82.95754 - 40= 42.95754), se o esforço amostral fosse maior, e ainda se observou um certo platô ocorrendo em ambas as curvas.

## $chao
##             N     Chao      2.5%     97.5%   Std.Dev
## Amostra_3   1 17.05333  7.333333  30.00000  7.105672
## Amostra_12  2 24.53339 14.500000  53.68333  9.283067
## Amostra_7   3 31.40600 19.178125  58.72500 16.539526
## Amostra_6   4 34.48881 23.000000  75.27500 13.958563
## Amostra_25  5 37.59374 24.547500  67.62500 13.110485
## Amostra_8   6 40.42488 28.067857  74.88750 11.841452
## Amostra_9   7 43.52055 29.056250  75.06875 11.893206
## Amostra_26  8 47.19800 29.421667  79.13750 13.708017
## Amostra_18  9 48.53007 31.937500  74.05000 10.754638
## Amostra_16 10 50.04190 32.175000  69.20833 10.649009
## Amostra_20 11 53.31623 35.618750  81.27500 12.948915
## Amostra_23 12 56.06832 37.316667  83.98750 12.646102
## Amostra_5  13 59.35567 39.368750  96.72500 14.341518
## Amostra_19 14 62.33817 40.316667 102.57500 16.313407
## Amostra_27 15 65.42215 41.081250 110.52500 18.897349
## Amostra_15 16 70.87308 42.950000 176.52500 29.593555
## Amostra_24 17 74.18363 43.975000 165.12500 30.999818
## Amostra_30 18 76.85563 44.628571 170.92500 31.799468
## Amostra_11 19 77.57001 47.040625 157.25000 35.321390
## Amostra_29 20 77.26354 47.737500 132.87500 22.706840
## Amostra_14 21 80.13283 51.000000 136.01250 29.226991
## Amostra_17 22 82.44526 52.475000 147.77500 33.960707
## Amostra_22 23 82.88283 57.790000 147.77500 27.131288
## Amostra_28 24 82.18843 57.000000 147.77500 25.824217
## Amostra_1  25 80.97012 57.475000 123.20000 24.590927
## Amostra_10 26 78.44955 60.166667 111.33333 14.312114
## Amostra_4  27 79.80233 60.562500 115.35833 13.696795
## Amostra_2  28 80.02676 63.500000 123.20000 13.972249
## Amostra_21 29 79.78833 70.666667  99.65000  8.469787
## Amostra_13 30 78.50000 78.500000  78.50000  0.000000
## 
## attr(,"class")
## [1] "summary.poolaccum"

ACE - Abundance-based Coverage Estimator

Este método trabalha com a abundância das espécies raras (i.e. abundância baixa) (Chao and Lee 1992; Chao et al. 2000). Entretanto, diferente do estimador anterior, esse método permite ao pesquisador determinar os limites para os quais uma espécie seja considerada rara. Em geral, são consideradas raras espécies com abundância entre 1 e 10 indivíduos. A riqueza estimada pode variar conforme se aumente ou diminua o limiar de abundância, e infelizmente não existem critérios biológicos definidos para a escolha do melhor intervalo.

De acordo com os resultados apresentados no gráfico abaixo, foram estimadas em média 37.82758 espécies (84.82758 - 47= 37.82758) a mais, se o esforço amostral fosse maior, no entanto, não se observou um platô ocorrendo em nenhuma das curvas, sendo o esforço amostral insuficiente.

## $ace
##             N      ACE      2.5%    97.5%   Std.Dev
## Amostra_19  1 23.44769  8.836932 44.58557 12.459308
## Amostra_15  2 31.42857 16.086957 70.37156 13.317991
## Amostra_26  3 36.34487 19.758369 87.53217 16.104116
## Amostra_27  4 39.16309 22.581928 96.05667 15.633605
## Amostra_9   5 39.55051 26.930243 69.74300 11.436722
## Amostra_25  6 40.74756 27.303177 71.27285 10.567075
## Amostra_3   7 41.80665 29.999232 62.64504  9.001495
## Amostra_7   8 42.85010 31.848005 63.73446  8.598646
## Amostra_14  9 44.22328 32.938956 62.37915  7.821374
## Amostra_10 10 45.86206 34.095859 61.92152  7.457792
## Amostra_13 11 48.08972 35.696488 63.30841  8.047018
## Amostra_23 12 49.21087 35.989742 64.75137  8.003398
## Amostra_6  13 50.38104 36.851215 67.92683  7.674533
## Amostra_20 14 52.43045 39.172235 67.78125  7.713465
## Amostra_18 15 53.14981 40.542657 66.93964  6.991880
## Amostra_30 16 55.00736 43.680349 68.15164  6.471681
## Amostra_11 17 56.64143 45.286522 69.28577  6.466716
## Amostra_16 18 58.14675 46.986951 72.37779  6.620204
## Amostra_17 19 60.35016 48.251356 73.13812  6.715232
## Amostra_12 20 62.43603 49.852893 76.14798  6.896025
## Amostra_8  21 63.97916 50.635023 77.56358  7.331129
## Amostra_29 22 66.02859 52.427473 79.52384  7.228773
## Amostra_5  23 68.62192 55.938784 86.07535  7.873251
## Amostra_4  24 70.29715 54.944673 86.87112  8.075536
## Amostra_28 25 72.76710 56.126847 89.75597  8.464861
## Amostra_24 26 75.09669 61.656126 89.68447  7.848112
## Amostra_2  27 77.84037 65.276065 90.21641  7.323134
## Amostra_21 28 80.55460 67.572405 94.59327  7.041590
## Amostra_1  29 82.36331 72.329125 93.97271  5.647184
## Amostra_22 30 84.82758 84.827576 84.82758  0.000000
## 
## attr(,"class")
## [1] "summary.poolaccum"

Exercício 2

JACKKNIFE 1

Este estimador baseia-se no número de espécies que ocorrem em somente uma amostra. Jackknife é um método de reamostragem (sem repetição) não paramétrico usado para estimar a riqueza de espécies e a variância associada com a estimativa. Para isso, o método: i) exclui uma amostra e contabiliza o valor da riqueza estimada usando a fórmula acima, ii) repete este processo n vezes até que todas as amostras tenham sido excluídas, e iii) estima a média e a variância da riqueza de espécie (Smith and van Belle 1984).

Palmer (1990) verificou que Jackknife 1 foi o estimador mais preciso e menos enviesado comparado a outros métodos de extrapolação.

De acordo com os resultados apresentados no gráfico abaixo, foram estimadas em média 18.36667 espécies (68.36667 - 50= 18.36667) a mais, se o esforço amostral fosse maior. No entanto, não se observou um platô ocorrendo em nenhuma das curvas, sendo o esforço amostral insuficiente.

## $jack1
##        N Jackknife 1     2.5%    97.5%  Std.Dev
##  [1,]  3    28.84667 21.49167 39.17500 4.251736
##  [2,]  4    32.42000 23.60625 42.88125 4.659068
##  [3,]  5    35.82600 28.40000 46.83000 5.098279
##  [4,]  6    38.14667 30.39583 47.92083 4.864279
##  [5,]  7    40.15143 32.06786 49.57143 4.644076
##  [6,]  8    41.81125 32.60625 53.25312 4.861286
##  [7,]  9    43.62778 35.53333 53.51944 4.764732
##  [8,] 10    45.28000 36.20750 54.35250 4.645515
##  [9,] 11    46.76909 36.88636 57.27045 5.084435
## [10,] 12    47.68750 37.89583 57.58750 5.182722
## [11,] 13    49.08538 38.97692 59.13654 5.248483
## [12,] 14    49.95857 40.01250 58.30714 4.987401
## [13,] 15    51.16133 40.53333 61.29000 5.271554
## [14,] 16    52.24000 42.50000 62.33750 5.448578
## [15,] 17    53.76529 44.03235 62.88235 5.219869
## [16,] 18    55.04333 44.58194 64.41389 5.133051
## [17,] 19    56.30158 46.55132 65.49737 5.031454
## [18,] 20    57.61350 46.57375 67.95000 5.378257
## [19,] 21    58.79810 47.97619 68.52262 5.197649
## [20,] 22    60.04818 49.51932 68.06932 4.743768
## [21,] 23    61.09348 52.49891 69.08696 4.388524
## [22,] 24    62.14792 54.50000 69.14687 4.006542
## [23,] 25    63.09360 56.45900 69.20000 3.391813
## [24,] 26    64.39962 58.46154 69.73558 3.063392
## [25,] 27    65.48000 60.44444 69.76481 2.614275
## [26,] 28    66.54036 62.42857 70.25000 2.493501
## [27,] 29    67.40517 63.38190 69.31034 1.854995
## [28,] 30    68.36667 68.36667 68.36667 0.000000
## 
## attr(,"class")
## [1] "summary.poolaccum"

BOOTSTRAP

Este método difere dos demais por utilizar dados de todas as espécies coletadas para estimar a riqueza total, não se restringindo às espécies raras (Smith and van Belle 1984). Ele requer somente dados de incidência. A estimativa pelo bootstrap é calculada somando-se a riqueza observada à soma do inverso da proporção de amostras em que cada espécie ocorre.

Bootstrap é um método não paramétrico usado para estimar os parâmetros de uma população por reamostragem. A premissa é que as reamostragens podem ser entendidas como pseudo-populações, com características similares as da população original. Para isso, o método: i) seleciona ao acaso um conjunto de amostras (no nosso exemplo 14 amostras) com reposição, ii) repete este processo n vezes, e iii) estima a média e a variância da riqueza de espécie (Smith and van Belle 1984).

De acordo com os resultados apresentados no gráfico abaixo, foram estimadas em média 7.53366 espécies (57.53366 - 50= 7.53366) a mais, se o esforço amostral fosse maior. No entanto, não se observou um platô ocorrendo em nenhuma das curvas, sendo o esforço amostral insuficiente.

## $boot
##        N Bootstrap     2.5%    97.5%  Std.Dev
##  [1,]  3  25.37407 19.33148 31.20648 3.279866
##  [2,]  4  28.91004 22.88535 35.17363 3.205170
##  [3,]  5  31.21483 25.55885 37.23548 2.939164
##  [4,]  6  33.13790 27.62404 37.27223 2.734268
##  [5,]  7  34.96999 30.16043 39.31376 2.585393
##  [6,]  8  36.59006 31.52351 41.69820 2.597320
##  [7,]  9  38.15289 33.35250 44.45268 2.864852
##  [8,] 10  39.45184 34.47394 45.57246 3.034460
##  [9,] 11  40.61742 35.56587 47.40702 3.068344
## [10,] 12  41.46959 35.74651 47.57887 3.084263
## [11,] 13  42.28534 36.21677 48.81602 3.079694
## [12,] 14  43.41085 37.29548 48.87669 3.135842
## [13,] 15  44.32760 38.13189 50.53942 3.372308
## [14,] 16  45.23537 38.59279 52.18433 3.429629
## [15,] 17  46.24296 39.06262 52.63911 3.475524
## [16,] 18  47.23410 40.57636 52.68933 3.315378
## [17,] 19  48.41544 41.24201 53.99570 3.373829
## [18,] 20  49.34741 42.47021 54.84754 3.229331
## [19,] 21  50.50674 44.33914 55.08002 2.915892
## [20,] 22  51.28958 45.58076 56.80854 2.834832
## [21,] 23  52.12410 47.01713 56.87679 2.620924
## [22,] 24  52.85399 47.59088 56.80255 2.483667
## [23,] 25  53.79481 48.89385 57.60317 2.417399
## [24,] 26  54.42803 49.61517 58.01729 2.280688
## [25,] 27  55.23455 50.74088 57.80424 2.104624
## [26,] 28  56.01605 52.10592 58.03232 1.703716
## [27,] 29  56.84634 54.09143 57.79160 1.212403
## [28,] 30  57.53366 57.53366 57.53366 0.000000
## 
## attr(,"class")
## [1] "summary.poolaccum"

Comunidade culinária

Preparando e analizando dados

Upload de dados

q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
arroz_c 0 1 7 6 1 4 4 1 1 5 3 8 5 6 3 0 0 0 0 3
arroz_e 1 0 0 1 0 0 8 4 0 3 0 1 8 1 1 0 0 0 1 0
milho 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
ervilha 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0
feijao_preto 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0
carioca_c 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1
carioca_e 0 0 0 2 2 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0
mac_paraf 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
mac_tubo 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
mac_espag 0 0 0 3 1 0 0 0 6 4 16 9 0 0 0 0 2 2 1 0

Separando dados

Fiz a separação dos dados de amostragem por transectos e por quadrantes.

Amostragem aleatória

q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
arroz_c 0 1 7 6 1 4 4 1 1 5
arroz_e 1 0 0 1 0 0 8 4 0 3
milho 0 0 0 0 0 0 0 0 0 0
ervilha 0 0 1 0 0 0 1 0 0 0
feijao_preto 0 0 0 0 0 0 0 0 0 0
carioca_c 0 0 1 1 0 0 0 0 0 0
carioca_e 0 0 0 2 2 0 0 0 0 8
mac_paraf 0 0 0 0 0 0 0 0 0 0
mac_tubo 0 0 0 0 0 0 0 0 0 0
mac_espag 0 0 0 3 1 0 0 0 6 4

Amostragem por transecto

t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
arroz_c 3 8 5 6 3 0 0 0 0 3
arroz_e 0 1 8 1 1 0 0 0 1 0
milho 0 0 0 0 0 0 0 0 0 0
ervilha 0 0 1 0 0 0 0 0 0 0
feijao_preto 0 0 6 0 0 0 0 0 0 0
carioca_c 0 0 0 0 0 2 0 0 0 1
carioca_e 0 0 0 0 0 0 0 0 0 0
mac_paraf 0 0 0 0 0 0 1 0 0 0
mac_tubo 0 0 0 0 0 0 0 0 0 0
mac_espag 16 9 0 0 0 0 2 2 1 0

Exercício 1 - 2.0

CHAO1

Estimador simples do número absoluto de espécies em uma comunidade. É baseado no número de espécies raras dentro de uma amostra.

Amostragem aleatória

Observando os resultados apresentados no gráfico abaixo, foram estimadas em média 2.556667 espécies (9.556667 - 7= 2.556667) a mais, se o esforço amostral fosse maior. No entanto, se observou o início de um platô ocorrendo em ambas as curvas.

## $chao
##               N      Chao 2.5% 97.5%  Std.Dev
## feijao_preto  1  3.300000    0    15 4.719399
## arroz_c       2  6.276667    0    15 5.111123
## carioca_c     3  7.741667    0    16 4.559150
## mac_espag     4  9.063333    3    16 4.006993
## arroz_e       5  9.423333    4    16 3.302927
## mac_paraf     6  9.765000    4    16 2.712164
## ervilha       7 10.250000    5    16 2.163167
## milho         8 10.425000    7    13 1.695769
## mac_tubo      9 10.745000    8    13 1.200789
## carioca_e    10 11.000000   11    11 0.000000
## 
## attr(,"class")
## [1] "summary.poolaccum"

Amostragem por transecto

Observando os resultados apresentados no gráfico abaixo, foram estimadas em média 0.857500 espécies (6.857500 - 6= 0.857500) a mais, se o esforço amostral fosse maior. No entanto, se observou o início de um platô ocorrendo em ambas as curvas.

## $chao
##               N      Chao      2.5%   97.5%   Std.Dev
## ervilha       1  2.340000  0.000000 11.0000 2.8787624
## mac_paraf     2  5.143333  0.000000 16.0000 4.1264402
## carioca_e     3  7.172667  1.000000 16.0000 4.0020944
## arroz_e       4  8.291833  1.475000 16.0000 3.4304665
## feijao_preto  5  8.594333  3.500000 15.7625 2.9435021
## milho         6  9.643500  6.475000 15.5000 2.3566760
## arroz_c       7 10.009833  8.000000 15.5000 1.9263037
## mac_espag     8 10.045000  8.333333 15.5000 1.3917355
## carioca_c     9  9.925000  9.000000 10.7500 0.3667011
## mac_tubo     10 10.000000 10.000000 10.0000 0.0000000
## 
## attr(,"class")
## [1] "summary.poolaccum"

Exercício 2 - 2.0

JACKKNIFE 1

Este estimador baseia-se no número de espécies que ocorrem em somente uma amostra. Jackknife é um método de reamostragem (sem repetição) não paramétrico usado para estimar a riqueza de espécies e a variância associada com a estimativa. Para isso, o método: i) exclui uma amostra e contabiliza o valor da riqueza estimada usando a fórmula acima, ii) repete este processo n vezes até que todas as amostras tenham sido excluídas, e iii) estima a média e a variância da riqueza de espécie (Smith and van Belle 1984).

Palmer (1990) verificou que Jackknife 1 foi o estimador mais preciso e menos enviesado comparado a outros métodos de extrapolação.

Amostragem aleatória

De acordo com os resultados apresentados no gráfico abaixo, não se observou nenhum platô ocorrendo nas curvas.

## $jack1
##       N Jackknife 1      2.5%    97.5%  Std.Dev
## [1,]  3     8.86000  0.000000 15.00000 3.955187
## [2,]  4    10.37000  3.500000 14.50000 3.212484
## [3,]  5    11.02400  4.800000 14.31500 2.525391
## [4,]  6    11.51167  6.579167 14.16667 2.180834
## [5,]  7    11.73429  7.714286 14.28571 1.833293
## [6,]  8    12.09875  7.750000 13.50000 1.304651
## [7,]  9    12.39556 10.666667 13.55556 0.794877
## [8,] 10    12.70000 12.700000 12.70000 0.000000
## 
## attr(,"class")
## [1] "summary.poolaccum"

Amostragem por transecto

Considerando os resultados apresentados no gráfico abaixo, se observou um leve platô ocorrendo nas curvas.

## $jack1
##       N Jackknife 1      2.5%    97.5%  Std.Dev
## [1,]  3     7.86000  1.000000 13.66667 3.777831
## [2,]  4    10.02500  1.356250 15.25000 3.587911
## [3,]  5    11.19400  3.655000 15.60000 2.771639
## [4,]  6    12.35167  9.333333 15.83333 1.737533
## [5,]  7    12.84429 10.421429 16.00000 1.740551
## [6,]  8    12.88875 10.750000 15.70937 1.463669
## [7,]  9    12.44889 10.777778 15.33333 1.219405
## [8,] 10    11.80000 11.800000 11.80000 0.000000
## 
## attr(,"class")
## [1] "summary.poolaccum"

Referências