3
Bioestatística
UNB
21
Bioestatística
UFRB
2
Bioestatística
UNB
1
Bioestatística
UFRB
Texto de pré-visualização
Questão 1 O arquivo DinoliteNoTiltEOT2csv contém dados oriundos de Fox et al 2020 que investigaram o efeito de quatro possíveis fontes de erro durante a aquisição de dados de morfometria geométrica sobre a classificação de cinco espécies viventes de Microtusda América do Norte M californicus M longicaudus M montanus M oregoni e M townsendi Os dados consistem das coordenadas XY de 21 marcos landmarks do primeiro molar inferior e de uma medida do tamanho size Fox N S Veneracion J J Blois J L 2020 Are geometric morphometric analyses replicable Evaluating landmark measurement error and its impact on extant and fossil Microtus classification Ecology and Evolution 107 32603275 doi101002ece36063 11 Através de uma MANOVA verifique se existem diferenças entre as cinco espécies de Microtus considerando simultaneamente os 21 marcos dentários 12 Teste as premissas de normalidade multivariada e homocedasticidade das matrizes de covariância dos 21 marcos dentários obtidos das cinco espécies de Microtus 13 Através de uma análise discriminante determine a acurácia de um modelo de classificação das cinco espécies de Microtusbaseado nos 21 marcos dentários Use a taxa de classificação correta baseada em 100 repetições de bootstrap como medida de acurácia Questão 2 Adams e Matthews 2019 investigaram determinantes da composição das comunidades de aves em florestas temperadas no sudeste do estado de Ohio EUA Os dados utilizados no estudo estão disponíveis na plataforma DRYAD httpsdatadryadorgstashdatasetdoi1050612Fdryadk48h616 21 Através de uma RDA avalie a associação entre variáveis estruturais da vegetação determinadas por LiDAR btasnmvlidarcsv e por amostragem no campo btasnmvfieldcsv Considere os dados obtidos por LiDAR como variáveis respostas Ilustre seus resultados com triplots 22 Através de uma CCA avalie a associação entre as abundâncias das espécies de aves btasnmvbirdscsv e as variáveis estruturais da vegetação determinadas por LiDAR btasnmvlidarcsv Ilustre seus resultados com triplots QUESTÃO 1 librarydplyr librarymvnormtest librarybiotools libraryMASS dados readcsv1751845908317DinoliteNoTiltEOT2csv NOMECOLUNAESPECIE species INDICESCOLUNASMARCOS 344 colunasmarcosnomes namesdadosINDICESCOLUNASMARCOS dadosparaanalise dados cNOMECOLUNAESPECIE colunasmarcosnomes dadoslimpos naomitdadosparaanalise especies asfactordadoslimposNOMECOLUNAESPECIE marcoscoords asmatrixdadoslimpos 1 pcaresultado prcompmarcoscoords ndims 38 marcos pcaresultadox 1ndims manovaresultado manovamarcos especies summarymanovaresultado test Wilks niveisespecies levelsespecies for especie in niveisespecies dadosespecie marcosespecies especie if nrowdadosespecie ncoldadosespecie catNão foi possível realizar o teste para a espécie especie else shapiroresultado mshapirotesttdadosespecie printshapiroresultado boxmresultado boxMmarcos especies printboxmresultado dadoslda dataframeespecies marcos nboot 100 taxasacuracia numericnboot nobs nrowdadoslda for i in 1nboot indicesboot sample1nobs nobs replace TRUE dadosboot dadosldaindicesboot ldamodeloboot ldaespecies data dadosboot predicoes predictldamodeloboot newdata dadoslda tabelaconfusao tablepredicoesclass dadosldaespecies classificacaocorreta sumdiagtabelaconfusao taxaacuraciaatual classificacaocorreta nobs taxasacuraciai taxaacuraciaatual acuraciamedia meantaxasacuracia desviopadraoacuracia sdtaxasacuracia printpasteAcurácia Média Bootstrap roundacuraciamedia 4 printpasteDesvio Padrão da Acurácia rounddesviopadraoacuracia 4 ldamodelooriginal ldaespecies data dadoslda predicoesoriginais predictldamodelooriginal newdata dadoslda matrizconfusaooriginal tablePredicted predicoesoriginaisclass Original dadosldaespecies printmatrizconfusaooriginal acuraciaoriginal sumdiagmatrizconfusaooriginal summatrizconfusaooriginal printpasteAcurácia de Resubstituição roundacuraciaoriginal 4 Questão 11 MANOVA demonstrou que existem diferenças estatisticamente muito significativas na morfologia dos molares entre as cinco espécies de Microtus Lambda de Wilks 0014 p 0001 O pvalor baixo indica que a forma média dos dentes considerando os 21 marcos simultaneamente difere de maneira acentuada entre os grupos rejeitando fortemente a hipótese de que as espécies são morfologicamente iguais Questão 12 Os testes das premissas estatísticas da MANOVA indicaram que os dados não atendem plenamente às condições ideais O teste de ShapiroWilk multivariado rejeitou a premissa de normalidade para todos os grupos de espécies p 0001 e o Teste M de Box rejeitou a premissa de homogeneidade das matrizes de covariância p 0001 Isso significa que a distribuição da variação da forma dentária não é normal nem igual entre as espécies Contudo devido à robustez da MANOVA com amostras grandes n247 e à força do resultado obtido as conclusões sobre as diferenças entre as espécies permanecem válidas Questão 13 O modelo de classificação baseado nos 21 marcos dentários possui uma excelente acurácia A validação por meio de 100 repetições de bootstrap resultou em uma taxa média de classificação correta de 8894 Este valor representa uma estimativa da capacidade do modelo de identificar corretamente a espécie de um espécime desconhecido A análise detalhada mostrou que enquanto M oregoni e M townsendi são distinguidos com precisão quase perfeita existem raras confusões entre M californicus M longicaudus e M montanus indicando uma maior semelhança morfológica entre eles QUESTÃO 2 libraryvegan lidar readcsvbtasnmvlidarcsv rownames 1 field readcsvbtasnmvfieldcsv rownames 1 birds readcsvbtasnmvbirdscsv rownames 1 indicescolunasnumericas sapplyfield isnumeric fieldnumerico field indicescolunasnumericas fieldscaled scalefieldnumerico rdalidarfield rdalidar data asdataframefieldscaled printsummaryrdalidarfield anovarda anovaccardalidarfield step 1000 printanovarda plotrdalidarfield scaling 2 main RDA Variáveis LiDAR Variáveis de Campo lidarscaled asdataframescalelidar birdshel decostandbirds method hellinger ccabirdslidar ccabirdshel data lidarscaled printsummaryccabirdslidar anovacca anovaccaccabirdslidar step 1000 printanovacca plotccabirdslidar scaling 2 main CCA Abundância de Aves Variáveis LiDAR QUESTÃO 11 O resultado foi altamente significativo Lambda de Wilks 0014 F 1013 p 0001 indicando que ao considerar os 21 marcos de forma conjunta a forma média dos molares varia de maneira distinta e significativa entre as espécies o que nos leva a rejeitar a hipótese de que elas são morfologicamente iguais QUESTÃO 12 Os testes de ShapiroWilk multivariado indicaram que a distribuição da forma dos molares para cada espécie não segue uma distribuição normal p 0001 para todos os grupos Além disso o Teste M de Box rejeitou a hipótese de homogeneidade das matrizes de covariância p 0001 revelando que os padrões de variação morfológica não são consistentes entre as espécies Apesar dessas violações a conclusão da MANOVA é considerada robusta devido ao grande tamanho da amostra e à força do sinal de diferenciação encontrado CCA Abundância de Aves Variáveis LiDAR RDA Variáveis LiDAR Variáveis de Campo pen15 chmmea pen210 chmmax vegEven en250 chmstd cancovrmea allstem anheigmea bigstembas
3
Bioestatística
UNB
21
Bioestatística
UFRB
2
Bioestatística
UNB
1
Bioestatística
UFRB
Texto de pré-visualização
Questão 1 O arquivo DinoliteNoTiltEOT2csv contém dados oriundos de Fox et al 2020 que investigaram o efeito de quatro possíveis fontes de erro durante a aquisição de dados de morfometria geométrica sobre a classificação de cinco espécies viventes de Microtusda América do Norte M californicus M longicaudus M montanus M oregoni e M townsendi Os dados consistem das coordenadas XY de 21 marcos landmarks do primeiro molar inferior e de uma medida do tamanho size Fox N S Veneracion J J Blois J L 2020 Are geometric morphometric analyses replicable Evaluating landmark measurement error and its impact on extant and fossil Microtus classification Ecology and Evolution 107 32603275 doi101002ece36063 11 Através de uma MANOVA verifique se existem diferenças entre as cinco espécies de Microtus considerando simultaneamente os 21 marcos dentários 12 Teste as premissas de normalidade multivariada e homocedasticidade das matrizes de covariância dos 21 marcos dentários obtidos das cinco espécies de Microtus 13 Através de uma análise discriminante determine a acurácia de um modelo de classificação das cinco espécies de Microtusbaseado nos 21 marcos dentários Use a taxa de classificação correta baseada em 100 repetições de bootstrap como medida de acurácia Questão 2 Adams e Matthews 2019 investigaram determinantes da composição das comunidades de aves em florestas temperadas no sudeste do estado de Ohio EUA Os dados utilizados no estudo estão disponíveis na plataforma DRYAD httpsdatadryadorgstashdatasetdoi1050612Fdryadk48h616 21 Através de uma RDA avalie a associação entre variáveis estruturais da vegetação determinadas por LiDAR btasnmvlidarcsv e por amostragem no campo btasnmvfieldcsv Considere os dados obtidos por LiDAR como variáveis respostas Ilustre seus resultados com triplots 22 Através de uma CCA avalie a associação entre as abundâncias das espécies de aves btasnmvbirdscsv e as variáveis estruturais da vegetação determinadas por LiDAR btasnmvlidarcsv Ilustre seus resultados com triplots QUESTÃO 1 librarydplyr librarymvnormtest librarybiotools libraryMASS dados readcsv1751845908317DinoliteNoTiltEOT2csv NOMECOLUNAESPECIE species INDICESCOLUNASMARCOS 344 colunasmarcosnomes namesdadosINDICESCOLUNASMARCOS dadosparaanalise dados cNOMECOLUNAESPECIE colunasmarcosnomes dadoslimpos naomitdadosparaanalise especies asfactordadoslimposNOMECOLUNAESPECIE marcoscoords asmatrixdadoslimpos 1 pcaresultado prcompmarcoscoords ndims 38 marcos pcaresultadox 1ndims manovaresultado manovamarcos especies summarymanovaresultado test Wilks niveisespecies levelsespecies for especie in niveisespecies dadosespecie marcosespecies especie if nrowdadosespecie ncoldadosespecie catNão foi possível realizar o teste para a espécie especie else shapiroresultado mshapirotesttdadosespecie printshapiroresultado boxmresultado boxMmarcos especies printboxmresultado dadoslda dataframeespecies marcos nboot 100 taxasacuracia numericnboot nobs nrowdadoslda for i in 1nboot indicesboot sample1nobs nobs replace TRUE dadosboot dadosldaindicesboot ldamodeloboot ldaespecies data dadosboot predicoes predictldamodeloboot newdata dadoslda tabelaconfusao tablepredicoesclass dadosldaespecies classificacaocorreta sumdiagtabelaconfusao taxaacuraciaatual classificacaocorreta nobs taxasacuraciai taxaacuraciaatual acuraciamedia meantaxasacuracia desviopadraoacuracia sdtaxasacuracia printpasteAcurácia Média Bootstrap roundacuraciamedia 4 printpasteDesvio Padrão da Acurácia rounddesviopadraoacuracia 4 ldamodelooriginal ldaespecies data dadoslda predicoesoriginais predictldamodelooriginal newdata dadoslda matrizconfusaooriginal tablePredicted predicoesoriginaisclass Original dadosldaespecies printmatrizconfusaooriginal acuraciaoriginal sumdiagmatrizconfusaooriginal summatrizconfusaooriginal printpasteAcurácia de Resubstituição roundacuraciaoriginal 4 Questão 11 MANOVA demonstrou que existem diferenças estatisticamente muito significativas na morfologia dos molares entre as cinco espécies de Microtus Lambda de Wilks 0014 p 0001 O pvalor baixo indica que a forma média dos dentes considerando os 21 marcos simultaneamente difere de maneira acentuada entre os grupos rejeitando fortemente a hipótese de que as espécies são morfologicamente iguais Questão 12 Os testes das premissas estatísticas da MANOVA indicaram que os dados não atendem plenamente às condições ideais O teste de ShapiroWilk multivariado rejeitou a premissa de normalidade para todos os grupos de espécies p 0001 e o Teste M de Box rejeitou a premissa de homogeneidade das matrizes de covariância p 0001 Isso significa que a distribuição da variação da forma dentária não é normal nem igual entre as espécies Contudo devido à robustez da MANOVA com amostras grandes n247 e à força do resultado obtido as conclusões sobre as diferenças entre as espécies permanecem válidas Questão 13 O modelo de classificação baseado nos 21 marcos dentários possui uma excelente acurácia A validação por meio de 100 repetições de bootstrap resultou em uma taxa média de classificação correta de 8894 Este valor representa uma estimativa da capacidade do modelo de identificar corretamente a espécie de um espécime desconhecido A análise detalhada mostrou que enquanto M oregoni e M townsendi são distinguidos com precisão quase perfeita existem raras confusões entre M californicus M longicaudus e M montanus indicando uma maior semelhança morfológica entre eles QUESTÃO 2 libraryvegan lidar readcsvbtasnmvlidarcsv rownames 1 field readcsvbtasnmvfieldcsv rownames 1 birds readcsvbtasnmvbirdscsv rownames 1 indicescolunasnumericas sapplyfield isnumeric fieldnumerico field indicescolunasnumericas fieldscaled scalefieldnumerico rdalidarfield rdalidar data asdataframefieldscaled printsummaryrdalidarfield anovarda anovaccardalidarfield step 1000 printanovarda plotrdalidarfield scaling 2 main RDA Variáveis LiDAR Variáveis de Campo lidarscaled asdataframescalelidar birdshel decostandbirds method hellinger ccabirdslidar ccabirdshel data lidarscaled printsummaryccabirdslidar anovacca anovaccaccabirdslidar step 1000 printanovacca plotccabirdslidar scaling 2 main CCA Abundância de Aves Variáveis LiDAR QUESTÃO 11 O resultado foi altamente significativo Lambda de Wilks 0014 F 1013 p 0001 indicando que ao considerar os 21 marcos de forma conjunta a forma média dos molares varia de maneira distinta e significativa entre as espécies o que nos leva a rejeitar a hipótese de que elas são morfologicamente iguais QUESTÃO 12 Os testes de ShapiroWilk multivariado indicaram que a distribuição da forma dos molares para cada espécie não segue uma distribuição normal p 0001 para todos os grupos Além disso o Teste M de Box rejeitou a hipótese de homogeneidade das matrizes de covariância p 0001 revelando que os padrões de variação morfológica não são consistentes entre as espécies Apesar dessas violações a conclusão da MANOVA é considerada robusta devido ao grande tamanho da amostra e à força do sinal de diferenciação encontrado CCA Abundância de Aves Variáveis LiDAR RDA Variáveis LiDAR Variáveis de Campo pen15 chmmea pen210 chmmax vegEven en250 chmstd cancovrmea allstem anheigmea bigstembas