ATIVIDADE CAPÍTULO 12
Nesta atividade 1, realizou-se um exercicío dinâmico com comunidades culinárias, onde foram utilizadaos grãos e massas para simulação da montagem de uma comundaidade biológica em uma ilha oceânica recém formada, onde nessa ultima atividade tem o objetivo de criar seu próprio roteiro de análise, comparar os resultados e aprimorar os conhecimentos.Diante disso, dois grupos foram formados e suas tecnicas foram:
GRUPO 1: A técnica usada foi de aleatorização das amostras, sorteando quadrados aleatórios na ilha oceânica que correspondiam a 10% da área da ilha.
GRUPO 2: A técnica usada foi dois transectos localizados de maneira planejada para maximizar a captura da diverisdade da ilha.
#DADOS)
library(devtools)## Carregando pacotes exigidos: usethislibrary(ecodados)
library(vegan)## Carregando pacotes exigidos: permute##
## Attaching package: 'permute'## The following object is masked from 'package:devtools':
##
## check## Carregando pacotes exigidos: lattice## This is vegan 2.6-4library(ggplot2)
library(BiodiversityR)## Carregando pacotes exigidos: tcltk## BiodiversityR 2.15-1: Use command BiodiversityRGUI() to launch the Graphical User Interface;
## to see changes use BiodiversityRGUI(changeLog=TRUE, backward.compatibility.messages=TRUE)library(hillR)
library(betapart)base <- read.csv("https://raw.githubusercontent.com/fplmelo/ecoaplic/main/content/collection/eco_num/com_cul.csv", row.names = 1)Na tabela acima, pode-se distinguir que as comunidades culinárias foram analisadas a partir de 10 espécies que estariam presentes na ilha oceânica, onde nesta tabela é evidente quantas espécies e a respectiva abundância de cada espécie na área escolhida analisada.
12.1 Análise dos dados e riqueza
base_q<-base[,1:10]
base_q## 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 4A base “q” da tabela, foi relizada pelo grupo 1, onde a estratégia do mesmo apresentou em um total de 6 espécies apresentadas nos plots cobrindo 10% da ilha de forma aleatória.
rowSums(base_q)## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 30 17 0 2 0 2
## carioca_e mac_paraf mac_tubo mac_espag
## 12 0 0 14Foi somado os valores de todas as espécies em cada linha, ou seja, soma dos elementos de cada linha da matriz da base q. A partir disso, pode-se concluir a abundância de cada espécie em cada plot aleatório analisado.
specnumber(base_q)## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 9 5 0 2 0 2
## carioca_e mac_paraf mac_tubo mac_espag
## 3 0 0 4Após a análise, pode-se constar o número total das espécies em cada plot analisado no método do grupo q.
riqueza_sp <- specnumber(base_q)
riqueza_sp## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 9 5 0 2 0 2
## carioca_e mac_paraf mac_tubo mac_espag
## 3 0 0 4base_t<-base[,11:20]
base_t## 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 0A base “T” da tabela, foi relizada pelo grupo 2, onde a estratégia usada foi dois transectos cobrindo 10% da ilha. É evidente que foram registradas 7 espécies com diferentes abundâncias entre si.
rowSums(base_t)## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 28 12 0 1 6 3
## carioca_e mac_paraf mac_tubo mac_espag
## 0 1 0 30Foi somado os valores de todas as espécies em cada linha, ou seja, soma dos elementos de cada linha da matriz da base t. A partir disso, pode-se concluir a abundância de cada espécie nos dois transectos localizados de maneira planejada para maximizar a captura da diverisdade da ilha.
specnumber(base_t)## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 6 5 0 1 1 2
## carioca_e mac_paraf mac_tubo mac_espag
## 0 1 0 5Após a análise, pode-se constar o número total das espécies em cada plot analisado no método do grupo t.
riqueza_sp <- specnumber(base_t)
riqueza_sp## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 6 5 0 1 1 2
## carioca_e mac_paraf mac_tubo mac_espag
## 0 1 0 512.2 Curva de Rank-abundância
abundancia <- apply(base_t, 1, sum)
abundancia## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 28 12 0 1 6 3
## carioca_e mac_paraf mac_tubo mac_espag
## 0 1 0 30abundancia <- apply(base_q, 1, sum)
abundancia## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 30 17 0 2 0 2
## carioca_e mac_paraf mac_tubo mac_espag
## 12 0 0 14mod22 <- radfit(base_q[1,])
mod222 <- radfit(base_t[1,])
plot(mod22)
plot(mod222)
12. Curvas de distribuição de abundâncias
curvas_dominancia_com2 <- radfit(base_q[2,])
curvas_dominancia_com2##
## RAD models, family poisson
## No. of species 5, total abundance 17
##
## par1 par2 par3 Deviance AIC BIC
## Null 0.41993 14.61567 14.61567
## Preemption 0.43903 0.37844 16.57418 16.18362
## Lognormal 0.92942 0.97398 0.36032 18.55606 17.77494
## Zipf 0.49291 -1.2078 0.57233 18.76807 17.98695
## Mandelbrot Inf -3.5881e+06 6.3384e+06 0.32061 20.51635 19.34466curvas_dominancia_com2 <- radfit(base_t[2,])
curvas_dominancia_com2##
## RAD models, family poisson
## No. of species 5, total abundance 12
##
## par1 par2 par3 Deviance AIC BIC
## Null 3.8550 15.7931 15.7931
## Preemption 0.50429 3.3807 17.3188 16.9283
## Lognormal 0.41453 1.2373 2.8856 18.8238 18.0426
## Zipf 0.6018 -1.6378 1.5030 17.4412 16.6601
## Mandelbrot 0.6018 -1.6378 8.7117e-07 1.5030 19.4412 18.269512.3 Indice de Margalef
Margalef <- round((riqueza_sp - 1)/log(abundancia), 2)
Margalef## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 1.47 1.41 0.00 0.00 0.00 1.44
## carioca_e mac_paraf mac_tubo mac_espag
## -0.40 0.00 0.00 1.5212.4 Indice de Menhinik
Menhinick <- round(riqueza_sp/sqrt(abundancia), 2)
Menhinick## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 1.10 1.21 NaN 0.71 Inf 1.41
## carioca_e mac_paraf mac_tubo mac_espag
## 0.00 Inf NaN 1.3412.5 Indice de shannon
shannon_res <- diversity(base_q, index = "shannon", MARGIN = 1)
shannon_res## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 1.9508816 1.3345930 0.0000000 0.6931472 0.0000000 0.6931472
## carioca_e mac_paraf mac_tubo mac_espag
## 0.8675632 0.0000000 0.0000000 1.2396594shannon_res <- diversity(base_t, index = "shannon", MARGIN = 1)
shannon_res## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 1.7136049 1.0986123 0.0000000 0.0000000 0.0000000 0.6365142
## carioca_e mac_paraf mac_tubo mac_espag
## 0.0000000 0.0000000 0.0000000 1.170896412.6 Indice de simpson
simpson_res <- diversity(base_q, index = "simpson", MARGIN = 1)
simpson_res## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 0.8377778 0.6851211 1.0000000 0.5000000 1.0000000 0.5000000
## carioca_e mac_paraf mac_tubo mac_espag
## 0.5000000 1.0000000 1.0000000 0.6836735simpson_res <- diversity(base_t, index = "simpson", MARGIN = 1)
simpson_res## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 0.8061224 0.5277778 1.0000000 0.0000000 0.0000000 0.4444444
## carioca_e mac_paraf mac_tubo mac_espag
## 1.0000000 0.0000000 1.0000000 0.615555612.7 Índice de Equabilidade (ou Equitabilidade) de Pielou
Pielou <- shannon_res/log(specnumber(base_q))
Pielou## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 0.7798952 0.6826062 0.0000000 0.0000000 0.0000000 0.9182958
## carioca_e mac_paraf mac_tubo mac_espag
## 0.0000000 0.0000000 0.0000000 0.8446232Pielou <- shannon_res/log(specnumber(base_t))
Pielou## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 0.9563811 0.6826062 0.0000000 NaN NaN 0.9182958
## carioca_e mac_paraf mac_tubo mac_espag
## 0.0000000 NaN 0.0000000 0.727518812.8 Números de Hill
12.8.1 Método t
hill_res_q_0_1 <- hill_taxa(t(base_t), q = 0)
hill_res_q_0_1## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## 2 3 4 2 2 1 2 1 2 2hill_res_q_1_1 <- hill_taxa(t(base_t), q = 1)
hill_res_q_1_1## t1 t2 t3 t4 t5 t6 t7 t8
## 1.546760 2.381102 3.400996 1.506993 1.754765 1.000000 1.889882 1.000000
## t9 t10
## 2.000000 1.754765hill_res_q_2_1 <- hill_taxa(t(base_t), q = 2)
hill_res_q_2_1## t1 t2 t3 t4 t5 t6 t7 t8
## 1.362264 2.219178 3.174603 1.324324 1.600000 1.000000 1.800000 1.000000
## t9 t10
## 2.000000 1.600000res_hill1 <- data.frame(hill_res_q_0_1, hill_res_q_1_1, hill_res_q_2_1)
colnames(res_hill1) <- c("q=0", "q=1", "q=2")
res_hill1## q=0 q=1 q=2
## t1 2 1.546760 1.362264
## t2 3 2.381102 2.219178
## t3 4 3.400996 3.174603
## t4 2 1.506993 1.324324
## t5 2 1.754765 1.600000
## t6 1 1.000000 1.000000
## t7 2 1.889882 1.800000
## t8 1 1.000000 1.000000
## t9 2 2.000000 2.000000
## t10 2 1.754765 1.60000012.8.2 Método q
hill_mq_q_0 <- hill_taxa(base_q, q = 0)
hill_mq_q_0## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 9 5 0 2 0 2
## carioca_e mac_paraf mac_tubo mac_espag
## 3 0 0 4hill_mq_q_1 <- hill_taxa(base_q, q = 1)
hill_mq_q_1## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 7.034887 3.798449 1.000000 2.000000 1.000000 2.000000
## carioca_e mac_paraf mac_tubo mac_espag
## 2.381102 1.000000 1.000000 3.454437hill_mq_q_2 <- hill_taxa(base_q, q = 2)
hill_mq_q_2## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 6.164384 3.175824 Inf 2.000000 Inf 2.000000
## carioca_e mac_paraf mac_tubo mac_espag
## 2.000000 Inf Inf 3.161290resq_hill <- data.frame(hill_mq_q_0, hill_mq_q_1, hill_mq_q_2)
colnames(resq_hill) <- c("q=0", "q=1", "q=2")
resq_hill## q=0 q=1 q=2
## arroz_c 9 7.034887 6.164384
## arroz_e 5 3.798449 3.175824
## milho 0 1.000000 Inf
## ervilha 2 2.000000 2.000000
## feijao_preto 0 1.000000 Inf
## carioca_c 2 2.000000 2.000000
## carioca_e 3 2.381102 2.000000
## mac_paraf 0 1.000000 Inf
## mac_tubo 0 1.000000 Inf
## mac_espag 4 3.454437 3.161290A partir da análise dos resultados obtidos, é possível notar que em ambos os métodos o resultado caiu conforme a mudança do número de Hill do 0 em direção ao 2, podendo perceber também que nos quadrantes 1, 2 e 6 são igualmente diversas, onde as abundâncias de cada uma das espécies são iguais. Já nas outras, pode-se observar que com a mudança do valor de q de 1 e 2 o indice de diversidade apresenta uma redução, mostrando claramente uma baixa dominancia de abundâncias de espécies, ou seja, sendo as espécies mais comuns e dominantes as que tiveram maior queda, isso ocorre pois existe uma sensibilidade em cada número de Hill a graus de diferentes abundâncias.
(q=0 raras; q=1 comuns; q=2 abundantes) 12.9 calculando diversidades
12.9.1 Cálculo da diverisidade beta para a riqueza do grupo q e grupo t -
composiçãog1 <- decostand(base_q, method = "pa")
composiçãog1## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## arroz_c 0 1 1 1 1 1 1 1 1 1
## arroz_e 1 0 0 1 0 0 1 1 0 1
## 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 1 1 0 0 0 0 1
## 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 1 1 0 0 0 1 1resultadog1 <- beta.pair(composiçãog1, index.family = "sorensen")
resultadog1$beta.sor## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## arroz_e 0.4285714
## milho 1.0000000 1.0000000
## ervilha 0.6363636 0.7142857 1.0000000
## feijao_preto 1.0000000 1.0000000 NaN 1.0000000
## carioca_c 0.6363636 0.7142857 1.0000000 0.5000000 1.0000000
## carioca_e 0.5000000 0.5000000 1.0000000 1.0000000 1.0000000 0.6000000
## mac_paraf 1.0000000 1.0000000 NaN 1.0000000 NaN 1.0000000
## mac_tubo 1.0000000 1.0000000 NaN 1.0000000 NaN 1.0000000
## mac_espag 0.3846154 0.5555556 1.0000000 1.0000000 1.0000000 0.6666667
## carioca_e mac_paraf mac_tubo
## arroz_e
## milho
## ervilha
## feijao_preto
## carioca_c
## carioca_e
## mac_paraf 1.0000000
## mac_tubo 1.0000000 NaN
## mac_espag 0.1428571 1.0000000 1.0000000data.frame_PA1 <- data.frame(round(as.numeric(resultadog1$beta.sor), 2),
round(as.numeric(resultadog1$beta.sim), 2),
round(as.numeric(resultadog1$beta.sne), 2))
colnames(data.frame_PA1) <- c("Sorensen", "Simpson", "Aninhamento")
data.frame_PA1## Sorensen Simpson Aninhamento
## 1 0.43 0.20 0.23
## 2 1.00 NaN NaN
## 3 0.64 0.00 0.64
## 4 1.00 NaN NaN
## 5 0.64 0.00 0.64
## 6 0.50 0.00 0.50
## 7 1.00 NaN NaN
## 8 1.00 NaN NaN
## 9 0.38 0.00 0.38
## 10 1.00 NaN NaN
## 11 0.71 0.50 0.21
## 12 1.00 NaN NaN
## 13 0.71 0.50 0.21
## 14 0.50 0.33 0.17
## 15 1.00 NaN NaN
## 16 1.00 NaN NaN
## 17 0.56 0.50 0.06
## 18 1.00 NaN NaN
## 19 NaN NaN NaN
## 20 1.00 NaN NaN
## 21 1.00 NaN NaN
## 22 NaN NaN NaN
## 23 NaN NaN NaN
## 24 1.00 NaN NaN
## 25 1.00 NaN NaN
## 26 0.50 0.50 0.00
## 27 1.00 1.00 0.00
## 28 1.00 NaN NaN
## 29 1.00 NaN NaN
## 30 1.00 1.00 0.00
## 31 1.00 NaN NaN
## 32 1.00 NaN NaN
## 33 NaN NaN NaN
## 34 NaN NaN NaN
## 35 1.00 NaN NaN
## 36 0.60 0.50 0.10
## 37 1.00 NaN NaN
## 38 1.00 NaN NaN
## 39 0.67 0.50 0.17
## 40 1.00 NaN NaN
## 41 1.00 NaN NaN
## 42 0.14 0.00 0.14
## 43 NaN NaN NaN
## 44 1.00 NaN NaN
## 45 1.00 NaN NaNcomposiçãog2 <- decostand(base_t, method = "pa")
composiçãog2## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## arroz_c 1 1 1 1 1 0 0 0 0 1
## arroz_e 0 1 1 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 1 0 0 0 0 0 0 0
## carioca_c 0 0 0 0 0 1 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 1 1 0 0 0 0 1 1 1 0resultadog2 <- beta.pair(composiçãog2, index.family = "sorensen")
resultadog2$beta.sor## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## arroz_e 0.2727273
## milho 1.0000000 1.0000000
## ervilha 0.7142857 0.6666667 1.0000000
## feijao_preto 0.7142857 0.6666667 1.0000000 0.0000000
## carioca_c 0.7500000 1.0000000 1.0000000 1.0000000 1.0000000
## carioca_e 1.0000000 1.0000000 NaN 1.0000000 1.0000000 1.0000000
## mac_paraf 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000
## mac_tubo 1.0000000 1.0000000 NaN 1.0000000 1.0000000 1.0000000
## mac_espag 0.6363636 0.6000000 1.0000000 1.0000000 1.0000000 1.0000000
## carioca_e mac_paraf mac_tubo
## arroz_e
## milho
## ervilha
## feijao_preto
## carioca_c
## carioca_e
## mac_paraf 1.0000000
## mac_tubo NaN 1.0000000
## mac_espag 1.0000000 0.6666667 1.0000000data.frame_PA2 <- data.frame(round(as.numeric(resultadog2$beta.sor), 2),
round(as.numeric(resultadog2$beta.sim), 2),
round(as.numeric(resultadog2$beta.sne), 2))
colnames(data.frame_PA2) <- c("Sorensen", "Simpson", "Aninhamento")
data.frame_PA2## Sorensen Simpson Aninhamento
## 1 0.27 0.2 0.07
## 2 1.00 NaN NaN
## 3 0.71 0.0 0.71
## 4 0.71 0.0 0.71
## 5 0.75 0.5 0.25
## 6 1.00 NaN NaN
## 7 1.00 1.0 0.00
## 8 1.00 NaN NaN
## 9 0.64 0.6 0.04
## 10 1.00 NaN NaN
## 11 0.67 0.0 0.67
## 12 0.67 0.0 0.67
## 13 1.00 1.0 0.00
## 14 1.00 NaN NaN
## 15 1.00 1.0 0.00
## 16 1.00 NaN NaN
## 17 0.60 0.6 0.00
## 18 1.00 NaN NaN
## 19 1.00 NaN NaN
## 20 1.00 NaN NaN
## 21 NaN NaN NaN
## 22 1.00 NaN NaN
## 23 NaN NaN NaN
## 24 1.00 NaN NaN
## 25 0.00 0.0 0.00
## 26 1.00 1.0 0.00
## 27 1.00 NaN NaN
## 28 1.00 1.0 0.00
## 29 1.00 NaN NaN
## 30 1.00 1.0 0.00
## 31 1.00 1.0 0.00
## 32 1.00 NaN NaN
## 33 1.00 1.0 0.00
## 34 1.00 NaN NaN
## 35 1.00 1.0 0.00
## 36 1.00 NaN NaN
## 37 1.00 1.0 0.00
## 38 1.00 NaN NaN
## 39 1.00 1.0 0.00
## 40 1.00 NaN NaN
## 41 NaN NaN NaN
## 42 1.00 NaN NaN
## 43 1.00 NaN NaN
## 44 0.67 0.0 0.67
## 45 1.00 NaN NaN12.9.2 Calculando diverisidade beta para a abundância do grupo q e grupo t -
resultado_AB1 <- beta.pair.abund(base_q, index.family = "bray")
resultado_AB2 <- beta.pair.abund(base_t, index.family = "bray")data.frame_AB1 <- data.frame(round(as.numeric(resultado_AB1$beta.bray), 2),
round(as.numeric(resultado_AB1$beta.bray.bal), 2),
round(as.numeric(resultado_AB1$beta.bray.gra), 2))
colnames(data.frame_AB1) <- c("Bray", "Balanceada", "Gradiente")
data.frame_AB1## Bray Balanceada Gradiente
## 1 0.62 0.47 0.15
## 2 1.00 NaN NaN
## 3 0.88 0.00 0.88
## 4 1.00 NaN NaN
## 5 0.88 0.00 0.88
## 6 0.62 0.33 0.29
## 7 1.00 NaN NaN
## 8 1.00 NaN NaN
## 9 0.59 0.36 0.23
## 10 1.00 NaN NaN
## 11 0.89 0.50 0.39
## 12 1.00 NaN NaN
## 13 0.89 0.50 0.39
## 14 0.72 0.67 0.06
## 15 1.00 NaN NaN
## 16 1.00 NaN NaN
## 17 0.74 0.71 0.03
## 18 1.00 NaN NaN
## 19 NaN NaN NaN
## 20 1.00 NaN NaN
## 21 1.00 NaN NaN
## 22 NaN NaN NaN
## 23 NaN NaN NaN
## 24 1.00 NaN NaN
## 25 1.00 NaN NaN
## 26 0.50 0.50 0.00
## 27 1.00 1.00 0.00
## 28 1.00 NaN NaN
## 29 1.00 NaN NaN
## 30 1.00 1.00 0.00
## 31 1.00 NaN NaN
## 32 1.00 NaN NaN
## 33 NaN NaN NaN
## 34 NaN NaN NaN
## 35 1.00 NaN NaN
## 36 0.86 0.50 0.36
## 37 1.00 NaN NaN
## 38 1.00 NaN NaN
## 39 0.88 0.50 0.38
## 40 1.00 NaN NaN
## 41 1.00 NaN NaN
## 42 0.46 0.42 0.04
## 43 NaN NaN NaN
## 44 1.00 NaN NaN
## 45 1.00 NaN NaNdata.frame_AB2 <- data.frame(round(as.numeric(resultado_AB2$beta.bray), 2),
round(as.numeric(resultado_AB2$beta.bray.bal), 2),
round(as.numeric(resultado_AB2$beta.bray.gra), 2))
colnames(data.frame_AB2) <- c("Bray", "Balanceada", "Gradiente")
data.frame_AB2## Bray Balanceada Gradiente
## 1 0.60 0.33 0.27
## 2 1.00 NaN NaN
## 3 0.93 0.00 0.93
## 4 0.71 0.17 0.54
## 5 0.94 0.67 0.27
## 6 1.00 NaN NaN
## 7 1.00 1.00 0.00
## 8 1.00 NaN NaN
## 9 0.62 0.61 0.01
## 10 1.00 NaN NaN
## 11 0.85 0.00 0.85
## 12 0.33 0.00 0.33
## 13 1.00 1.00 0.00
## 14 1.00 NaN NaN
## 15 1.00 1.00 0.00
## 16 1.00 NaN NaN
## 17 0.90 0.83 0.07
## 18 1.00 NaN NaN
## 19 1.00 NaN NaN
## 20 1.00 NaN NaN
## 21 NaN NaN NaN
## 22 1.00 NaN NaN
## 23 NaN NaN NaN
## 24 1.00 NaN NaN
## 25 0.71 0.00 0.71
## 26 1.00 1.00 0.00
## 27 1.00 NaN NaN
## 28 1.00 1.00 0.00
## 29 1.00 NaN NaN
## 30 1.00 1.00 0.00
## 31 1.00 1.00 0.00
## 32 1.00 NaN NaN
## 33 1.00 1.00 0.00
## 34 1.00 NaN NaN
## 35 1.00 1.00 0.00
## 36 1.00 NaN NaN
## 37 1.00 1.00 0.00
## 38 1.00 NaN NaN
## 39 1.00 1.00 0.00
## 40 1.00 NaN NaN
## 41 NaN NaN NaN
## 42 1.00 NaN NaN
## 43 1.00 NaN NaN
## 44 0.94 0.00 0.94
## 45 1.00 NaN NaN