Atividade 1: Análise de População e Amostragem em Ecologia.

  1. Utilizando as amostras fornecidas, estime a população total de tartarugas na ilha, considerando uma área de 500 hectares. Suponha que temos uma amostra de contagens de tartarugas por hectare
tartarugas_amostra <- sample(8:20, 50, replace=TRUE)
media_amostral <- mean(tartarugas_amostra)
area_total <- 500
estimativa_populacional <- media_amostral * area_total
estimativa_populacional
## [1] 6710
  1. Calcule o desvio padrão das amostras usando a função sd( ) do R. Interprete o valor encontrado.
desvio_padrao <- sd(tartarugas_amostra)
desvio_padrao
## [1] 3.876091
  1. Calcule o intervalo de confiança para a média com um nível de confiançade 95%, levando em consideração a variabilidade das amostras.
n <- length(tartarugas_amostra)
error_margin <- qt(0.975, df=n-1) * (desvio_padrao / sqrt(n))
conf_int_lower <- media_amostral - error_margin
conf_int_upper <- media_amostral + error_margin
c(conf_int_lower, conf_int_upper)
## [1] 12.31843 14.52157
  1. Calcule o erro amostral com base no desvio padrão e na quantidade de quadrantes amostrados.
erro_amostral <- desvio_padrao / sqrt(n)
erro_amostral
## [1] 0.548162

e.Avalie a importância do tamanho da amostra na precisão da estimativa populacional, propondo uma alteração na metodologia de amostragem.

#R: O tamanho da amostra é fundamental para a precisão da estimativa populacional das tartarugas, pois amostras pequenas podem gerar alta variabilidade e estimativas imprecisas. Para melhorar a metodologia, recomenda-se aumentar o número de quadrantes amostrados, adotando a amostragem estratificada para garantir representatividade de diferentes zonas da ilha. Além disso, a amostragem sistemática, com intervalos regulares entre os pontos amostrais, pode reduzir vieses. Métodos complementares, como marcação e recaptura, também podem aprimorar a estimativa. Essas mudanças ajudam a obter resultados mais confiáveis e representativos da população real.

Atividade 2: Probabilidade Genética e Cruzamentos Mendelianos

  1. Construa o quadro de Punnett para o cruzamento entre Vv e vv. Calcule as probabilidades genotípicas dos descendentes.
punnett_square <- matrix(c("Vv", "vv", "Vv", "vv"), nrow=2, byrow=TRUE)
colnames(punnett_square) <- c("V", "v")
rownames(punnett_square) <- c("V", "v")
punnett_square
##   V    v   
## V "Vv" "vv"
## v "Vv" "vv"
  1. Determine a probabilidade fenotípica de flores violetas e brancas no cruzamento.
prob_violeta <- 0.5  # Vv
prob_branca <- 0.5  # vv
c(prob_violeta, prob_branca)
## [1] 0.5 0.5
  1. No cruzamento Vv x Vv, calcule a probabilidade de descendentes homozigotos dominantes.
prob_homo_dom <- 1/4  # VV
table(c("VV", "Vv", "Vv", "vv")) / 4
## 
##   vv   Vv   VV 
## 0.25 0.50 0.25
  1. Se um cruzamento for entre Vv e VV, determine a distribuição fenotípica e genotípica dos descendentes.
probabilidades <- table(c("VV", "Vv", "VV", "Vv")) / 4
probabilidades
## 
##  Vv  VV 
## 0.5 0.5
  1. Explique a importância do conceito de probabilidade para a previsão de características em populações naturais.
#R: A probabilidade é essencial para prever características genéticas em populações naturais, pois determina a distribuição dos diferentes genótipos e fenótipos ao longo das gerações. Com base nas leis de Mendel, a herança dos alelos segue padrões probabilísticos, permitindo estimar a frequência de características dominantes e recessivas. Isso é crucial em ecologia e conservação, pois auxilia na previsão da diversidade genética, adaptação a ambientes e riscos de extinção. Métodos probabilísticos também são aplicados em cruzamentos seletivos, ajudando a manter variabilidade genética e melhorar estratégias de manejo de espécies.

Atividade 3: Análise de Distribuições de Dados em Ecologia

  1. Calcule as medidas de tendência central (média, mediana e moda) para os dados das plantas A e B em cada habitat.
dados_planta_A <- sample(20:35, 50, replace=TRUE)
dados_planta_B <- sample(15:30, 50, replace=TRUE)
media_A <- mean(dados_planta_A)
mediana_A <- median(dados_planta_A)
moda_A <- names(sort(table(dados_planta_A), decreasing=TRUE)[1])
c(media_A, mediana_A, moda_A)
## [1] "27.06" "28"    "20"
  1. Calcule o desvio padrão para cada espécie de planta nos diferentes habitats, utilizando o R.
desvio_padrao_A <- sd(dados_planta_A)
desvio_padrao_B <- sd(dados_planta_B)
c(desvio_padrao_A, desvio_padrao_B)
## [1] 4.829374 4.634432
  1. Crie um gráfico de dispersão para observar a correlação entre as abundâncias das plantas nos três habitats.
plot(dados_planta_A, dados_planta_B, main="Correlação entre Espécies", xlab="Planta A", ylab="Planta B")

  1. Realize um teste de normalidade para cada conjunto de dados. Utilize o teste de Shapiro-Wilk no R.
shapiro.test(dados_planta_A)
## 
##  Shapiro-Wilk normality test
## 
## data:  dados_planta_A
## W = 0.91786, p-value = 0.001975
shapiro.test(dados_planta_B)
## 
##  Shapiro-Wilk normality test
## 
## data:  dados_planta_B
## W = 0.94009, p-value = 0.01358
  1. Interprete os resultados das distribuições de dados e relacione com fatores ambientais.
#R: A distribuição dos dados das plantas A e B revela padrões que podem estar diretamente relacionados a fatores ambientais, como disponibilidade de recursos, competição e variação do solo. A média e a mediana indicam a tendência central do crescimento, enquanto o desvio padrão mostra a dispersão dos valores, refletindo a heterogeneidade do habitat. O teste de normalidade sugere se os dados seguem uma distribuição normal, o que influencia a escolha de análises estatísticas apropriadas. Já o gráfico de dispersão ajuda a visualizar a correlação entre as espécies, indicando se há competição ou coexistência harmoniosa. Esses resultados podem ser usados para entender como fatores ambientais moldam a distribuição das plantas e direcionar estratégias de conservação.

Atividade 4: Impacto Ambiental no Crescimento de Plantas

  1. Calcule a média e o desvio padrão para o crescimento das plantas nos três grupos de poluição.
dados_pol_1 <- sample(4:6, 50, replace=TRUE)
dados_pol_2 <- sample(3:5, 50, replace=TRUE)
dados_pol_3 <- sample(2:4, 50, replace=TRUE)
mean(dados_pol_1)
## [1] 5.1
mean(dados_pol_2)
## [1] 4.02
mean(dados_pol_3)
## [1] 2.96
sd(dados_pol_1)
## [1] 0.8630747
sd(dados_pol_2)
## [1] 0.8449127
sd(dados_pol_3)
## [1] 0.8320126
  1. Realize uma análise de variância (ANOVA) para comparar o crescimento das plantas nos três níveis de poluição.
grupos <- factor(rep(c("Baixa", "Média", "Alta"), each=50))
crescimento <- c(dados_pol_1, dados_pol_2, dados_pol_3)
anova_result <- aov(crescimento ~ grupos)
summary(anova_result)
##              Df Sum Sq Mean Sq F value Pr(>F)    
## grupos        2  114.5   57.25   79.84 <2e-16 ***
## Residuals   147  105.4    0.72                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Crie um boxplot comparando os três grupos experimentais e explique os resultados observados.
boxplot(crescimento ~ grupos, main="Impacto da Poluição", ylab="Crescimento")

  1. Comente sobre os efeitos da poluição no crescimento das plantas com base nos resultados de ANOVA.
#R: Os resultados da ANOVA indicam se há diferenças estatisticamente significativas no crescimento das plantas sob diferentes níveis de poluição. Se o valor de p for menor que 0,05, significa que pelo menos um dos grupos apresenta uma média significativamente diferente. Caso contrário, não há evidências fortes de impacto da poluição no crescimento. O boxplot reforça essa análise, mostrando a variação entre os grupos e possíveis outliers. Se a poluição afeta negativamente o crescimento, espera-se uma redução na média e maior dispersão nos grupos mais impactados.
  1. Sugira uma melhoria no desenho experimental para obter resultados mais precisos sobre o impacto da poluição no crescimento das plantas.
#R: Para obter resultados mais precisos sobre o impacto da poluição no crescimento das plantas, uma melhoria no desenho experimental seria aumentar o número de réplicas para reduzir a variabilidade dos dados e melhorar a confiabilidade estatística. Além disso, a inclusão de um grupo controle em ambiente sem poluição ajudaria a isolar os efeitos da poluição de outros fatores ambientais. Outra sugestão é realizar medições em diferentes estágios de crescimento, permitindo avaliar se os efeitos se intensificam ao longo do tempo. Por fim, a aplicação de técnicas de randomização e bloqueio pode minimizar vieses e garantir que os resultados sejam representativos.