| Arquivo (.xlsx) | Tipo de matriz | Descrição | Tipo de dados |
|---|---|---|---|
| ppbio06c | Matriz comunitária | O arquivo ppbio06 traz os dados brutos que serão usados nas análises. A matriz de dados brutos contendo 26 localidades em estações do ano diferentes (objetos) x 35 espécies (atributos), antes de qualquer modificação. | Contagens de indivíduos com alta amplitude de variação, sugerido uso de matriz relativizada. |
| ppbio06h | Matriz ambiental | O arquivo ppbio06h traz os dados brutos que serão usados nas análises. A matriz de dados brutos contendo 26 localidades em estações diferentes (objetos) x 35 variáveis ambienteis (atributos) medidas em diferentes escalas espaciais, antes de qualquer modificação. | Unidades de medição diferentes (cm, m, °C, mg/L, etc.), com uma alta amplitude de variação, sugerido uso de matriz transformada e/ou reescalada. |
| ppbio06 | Matriz comunitária | O arquivo ppbio06 traz os dados brutos que serão usados nessa análise. A matriz de dados brutos contendo 26 locais/ocasiões (objetos) x 35 espécies (atributos), antes de qualquer modificação. | Contagens de indivíduos com alta amplitude de variação, sugerido uso de matriz relativizada. |
| ppbio06cpue | Matriz comunitária | O arquivo ppbio06cpue traz os valores depois de terem sidos ajustados pela Captura Por Unidade de Esforço (CPUE), onde o número de indivíduos de cada espécie em uma determinada UA é dividido pelo esforço de captura daquela UA. Isso significa que os dados foram relativizados pela CPUE. A matriz de dados brutos contendo 26 localidades em estações do ano diferentes (objetos) x 35 espécies (atributos), antes de qualquer modificação. | Densidades de indivíduos (no. de indivíduos por Unidade de Esforço de Captura) com alta amplitude de variação, sugerido uso de matriz relativizada. |
Tutorial R Módulo 4. Estrutura comunitária e descritores de diversidade
Disciplina de Ecologia Numérica1
Resumo
Na ecologia de comunidades, a diversidade de espécies é uma medida importante para entender a complexidade e a estrutura de uma comunidade de organismos. Vamos explorar algumas das métricas comuns usadas para avaliar a diversidade de espécies.
1 Introdução
Na ecologia de comunidades, a diversidade de espécies é uma medida importante para entender a complexidade e a estrutura de uma comunidade de organismos. Vamos explorar algumas das métricas comuns usadas para avaliar a diversidade de espécies. Essas métricas são usadas para avaliar a diversidade e a estrutura de comunidades ecológicas. Elas podem fornecer informações importantes sobre como as diferentes espécies interagem em um ecossistema e como a diversidade de espécies pode ser afetada por mudanças ambientais ou distúrbios.
2 Sobre os dados
Usaremos para esse tutorial dados coletados no Programa de Pesquisa em Biodiversidade - PPBio (Veja Programa de Pesquisa em Biodiversidade – PPBio). Parte desses dados está armazenada na planilha de Excel ppbio**.xlsx. Essa planilha contém os dados de espécies de peixes dstribuidas em diversas unidades amostrais (UA’s ou sítios) (Figura 1). Essa é a matriz bruta de dados, porque os valores ainda não foram ajustados para os valores de Captura Por Unidade de Esforço (CPUE), nem foram relativizados ou transformados (Tabela 1).
A planilha ppbio contém o delineamento amostral de um dos estudos do Projeto PPBio (Figura 2). Nas linhas são apresentadas as abreviações dos nomes das unidades amostrais (UA’s) e nas colunas são apresentados os nomes abreviados das espécies - temos portando uma matriz comunitária (Tabela 1). No corpo da planilha temos os valores para o tipo de dados amostrado. Quantitativo, semi-quatitativo ou qualitativo.
Qual desses tipos de dados você acha que é apresentado na planilha?
Várias das espécies nessa matriz tem grande importância ecológica, como é o caso de Astyanax bimaculatus 2 (Figura 3), que é muito comum em rios intermitentes e serve de alimento para predadores maiores como a espécie Hoplias malabaricus 3 (Figura 4).
3 Organização básica
rm(list=ls(all=TRUE)) #limpa a memóriaInstalando os pacotes necessários para esse módulo
install.packages("openxlsx")
install.packages("vegan")
install.packages("moments")
install.packages("ggplot2")
install.packages("dplyr")
install.packages("tidyr")
#install.packages("tibble")
#install.packages("tidyverse") #atente para alguma msg de erro qdo executar essa linha
install.packages("forcats")
install.packages("iNEXT")library(openxlsx)
library(vegan)
library(moments)
library(ggplot2)
library(dplyr)
library(tidyr)
library(tibble)
#library(tidyverse)
library(forcats)
library(iNEXT)Os códigos acima, são usados para instalar e carregar os pacotes necessários para este módulo. Esses códigos são comandos para instalar pacotes no R. Um pacote é uma coleção de funções, dados e documentação que ampliam as capacidades do R (R CRAN (R Core Team 2017) e RStudio) (Team 2022). No exemplo acima, o pacote openxlsx permite ler e escrever arquivos Excel no R. Para instalar um pacote no R, você precisa usar a função install.packages().
Depois de instalar um pacote, você precisa carregá-lo na sua sessão R com a função library(). Por exemplo, para carregar o pacote openxlsx, você precisa executar a função library(openxlsx). Isso irá permitir que você use as funções do pacote na sua sessão R. Você precisa carregar um pacote toda vez que iniciar uma nova sessão R e quiser usar um pacote instalado.
Agora vamos definir o diretório de trabalho. Esse código é usado para obter e definir o diretório de trabalho atual no R. O comando getwd() retorna o caminho do diretório onde o R está lendo e salvando arquivos. O comando setwd() muda esse diretório de trabalho para o caminho especificado entre aspas. No seu caso, você deve ajustar o caminho para o seu próprio diretório de trabalho. Lembre de usar a barra “/” entre os diretórios. E não a contra-barra “\”.
getwd()
setwd("C:/Seu/Diretório/De/Trabalho")3.1 Importando a planilha
Note que o sómbolo # em programação R significa que o texto que vem depois dele é um comentário e não será executado pelo programa. Isso é útil para explicar o código ou deixar anotações. Ajuste a segunda linha do código abaixo para refletir “C:/Seu/Diretório/De/Trabalho/Planilha.xlsx”.
ppbio <- read.xlsx("D:/Elvio/OneDrive/Disciplinas/_EcoNumerica/5.Matrizes/ppbio06.xlsx",
rowNames = T, colNames = T,
sheet = "Sheet1")
ppbio ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
S-A-ZA1 0 1 0 0 0 0 0 0
S-R-CC1 0 99 0 0 0 0 0 0
S-R-CT1 0 194 55 0 0 5 0 1
S-R-CP1 0 19 0 0 0 0 0 0
S-A-TA1 0 23 1 13 0 0 0 0
S-R-CT2 0 142 3 3 0 69 0 0
S-R-CP2 0 5 1 0 40 9 0 0
S-A-TA2 0 46 0 178 0 0 0 0
S-R-CT3 0 206 64 0 0 25 0 0
S-R-CP3 0 16 0 0 13 24 0 0
S-A-TA3 0 234 7 238 0 0 2 0
S-R-CT4 0 0 1 0 0 5 0 0
S-R-CP4 0 0 0 0 11 6 0 0
S-A-TA4 0 394 0 273 0 0 0 0
B-A-MU1 0 12 0 0 0 0 0 0
B-R-ET1 0 3 0 0 0 0 0 0
B-A-GU1 0 2 2 0 0 0 0 0
B-R-PC2 5 44 0 0 2 0 0 0
B-A-MU2 0 99 0 0 0 0 0 0
B-A-GU2 0 0 0 0 0 0 0 0
B-R-PC3 22 75 7 0 4 0 0 0
B-A-MU3 0 511 0 0 0 0 0 0
B-A-GU3 0 6 0 0 0 0 0 0
B-R-PC4 0 7 17 0 0 0 0 0
B-A-MU4 0 235 0 0 0 0 0 0
B-A-GU4 0 13 0 0 0 0 0 0
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
S-A-ZA1 0 0 0 0 0 0 0 0
S-R-CC1 0 0 0 0 0 0 0 0
S-R-CT1 14 0 0 3 0 1 9 0
S-R-CP1 0 0 0 0 0 5 2 0
S-A-TA1 0 0 0 0 0 0 0 0
S-R-CT2 4 0 0 0 1 17 43 0
S-R-CP2 0 0 0 0 0 10 2 0
S-A-TA2 0 0 0 0 0 2 0 0
S-R-CT3 8 0 0 1 0 31 11 0
S-R-CP3 0 0 0 0 0 4 0 0
S-A-TA3 0 0 0 0 0 20 0 0
S-R-CT4 1 0 50 3 1 4 3 0
S-R-CP4 0 0 0 0 0 2 0 0
S-A-TA4 1 0 0 1 0 9 0 0
B-A-MU1 0 0 0 190 0 0 0 0
B-R-ET1 0 0 0 0 0 0 0 0
B-A-GU1 0 0 0 7 0 0 0 0
B-R-PC2 0 0 0 8 0 0 0 2
B-A-MU2 0 0 0 67 0 1 0 0
B-A-GU2 0 0 0 23 0 0 0 0
B-R-PC3 0 21 0 16 0 2 1 0
B-A-MU3 0 0 0 145 0 0 0 0
B-A-GU3 0 0 0 32 0 0 0 0
B-R-PC4 0 0 81 5 0 1 0 0
B-A-MU4 0 0 0 509 0 0 0 0
B-A-GU4 0 0 0 10 0 0 0 0
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
S-A-ZA1 0 0 0 0 0 0 0 0
S-R-CC1 0 0 0 1 2 0 0 0
S-R-CT1 3 0 0 39 36 0 6 0
S-R-CP1 0 0 0 0 0 0 0 0
S-A-TA1 0 0 0 0 0 0 0 0
S-R-CT2 1 0 0 1 77 0 0 20
S-R-CP2 3 0 0 0 0 0 0 0
S-A-TA2 0 0 0 0 0 0 0 0
S-R-CT3 2 0 0 0 138 0 0 5
S-R-CP3 1 0 0 0 0 0 0 0
S-A-TA3 0 0 0 0 0 0 0 0
S-R-CT4 0 0 0 0 73 0 0 0
S-R-CP4 2 0 0 0 0 0 0 0
S-A-TA4 2 0 0 0 1 0 0 0
B-A-MU1 0 0 0 0 6 0 0 0
B-R-ET1 0 0 0 0 8 1 0 34
B-A-GU1 0 0 0 0 3 11 0 0
B-R-PC2 0 1 0 0 5 0 0 0
B-A-MU2 0 0 0 0 1 0 0 10
B-A-GU2 0 0 0 0 36 102 0 0
B-R-PC3 0 0 1 0 65 0 0 0
B-A-MU3 0 0 0 0 11 0 0 46
B-A-GU3 0 0 0 0 247 250 0 0
B-R-PC4 1 0 0 0 9 0 0 0
B-A-MU4 0 0 0 0 1 0 0 266
B-A-GU4 0 0 0 0 129 190 0 0
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo
S-A-ZA1 0 9 0 0 0 0 0
S-R-CC1 0 0 0 0 0 0 0
S-R-CT1 47 5 0 0 40 68 0
S-R-CP1 15 0 0 0 14 0 0
S-A-TA1 0 1 0 0 4 0 0
S-R-CT2 221 15 0 0 60 0 0
S-R-CP2 32 5 0 0 0 0 0
S-A-TA2 0 2 0 0 0 0 0
S-R-CT3 326 164 1 1 38 0 1
S-R-CP3 10 0 0 0 0 0 0
S-A-TA3 0 0 0 0 0 0 0
S-R-CT4 28 59 0 0 3 0 0
S-R-CP4 80 0 0 0 3 0 0
S-A-TA4 0 3 0 0 0 0 0
B-A-MU1 0 0 0 0 0 0 0
B-R-ET1 0 0 0 0 0 0 0
B-A-GU1 0 0 0 0 0 0 0
B-R-PC2 0 9 0 0 10 0 0
B-A-MU2 8 0 0 0 0 0 0
B-A-GU2 0 0 0 0 0 0 0
B-R-PC3 0 6 0 0 93 0 0
B-A-MU3 48 1 0 0 0 0 0
B-A-GU3 0 0 0 0 0 0 0
B-R-PC4 0 0 0 0 31 0 0
B-A-MU4 163 0 0 0 0 0 0
B-A-GU4 0 0 0 0 0 0 0
st-noton sy-marmo te-chalc tr-signa
S-A-ZA1 0 0 0 0
S-R-CC1 0 0 0 0
S-R-CT1 1 0 0 18
S-R-CP1 0 0 0 0
S-A-TA1 0 0 0 0
S-R-CT2 25 0 0 15
S-R-CP2 0 1 0 0
S-A-TA2 0 0 0 0
S-R-CT3 115 0 0 7
S-R-CP3 0 0 0 0
S-A-TA3 0 0 0 0
S-R-CT4 64 0 0 141
S-R-CP4 0 0 0 0
S-A-TA4 0 0 0 0
B-A-MU1 0 0 0 0
B-R-ET1 0 0 0 0
B-A-GU1 0 0 0 0
B-R-PC2 0 0 76 23
B-A-MU2 0 0 0 0
B-A-GU2 0 0 0 0
B-R-PC3 0 0 58 0
B-A-MU3 0 0 0 0
B-A-GU3 0 0 0 0
B-R-PC4 0 0 0 4
B-A-MU4 0 0 0 0
B-A-GU4 0 0 0 0Exibindo os dados importados (esses comando são “case-sensitive” ignore.case(object)).
View(ppbio)
print(ppbio)
ppbio
str(ppbio)
mode(ppbio)
class(ppbio)Vamos transpor a matriz para trabalharmos com as espécies. O comando t é usado para transpor a matriz. Lembrando que as espécies como colunas representam uma matriz comunitária e a espécies como linhas representam uma matriz (comunitária) transposta.
ppbiot <- t(ppbio)
print(ppbiot)
ppbiot
str(ppbiot)
mode(ppbiot)
class(ppbiot) S-A-ZA1 S-R-CC1 S-R-CT1 S-R-CP1 S-A-TA1 S-R-CT2 S-R-CP2 S-A-TA2
ap-davis 0 0 0 0 0 0 0 0
as-bimac 1 99 194 19 23 142 5 46
as-fasci 0 0 55 0 1 3 1 0
ch-bimac 0 0 0 0 13 3 0 178
ci-ocela 0 0 0 0 0 0 40 0
ci-orien 0 0 5 0 0 69 9 0
co-macro 0 0 0 0 0 0 0 0
co-heter 0 0 1 0 0 0 0 0
cr-menez 0 0 14 0 0 4 0 0
cu-lepid 0 0 0 0 0 0 0 0
cy-gilbe 0 0 0 0 0 0 0 0
ge-brasi 0 0 3 0 0 0 0 0
he-margi 0 0 0 0 0 1 0 0
ho-malab 0 0 1 5 0 17 10 2
hy-pusar 0 0 9 2 0 43 2 0
le-melan 0 0 0 0 0 0 0 0
le-piau 0 0 3 0 0 1 3 0
le-taeni 0 0 0 0 0 0 0 0
mo-costa 0 0 0 0 0 0 0 0
mo-lepid 0 1 39 0 0 1 0 0
or-nilot 0 2 36 0 0 77 0 0
pa-manag 0 0 0 0 0 0 0 0
pimel-sp 0 0 6 0 0 0 0 0
po-retic 0 0 0 0 0 20 0 0
po-vivip 0 0 47 15 0 221 32 0
pr-brevi 9 0 5 0 1 15 5 2
ps-rhomb 0 0 0 0 0 0 0 0
ps-genise 0 0 0 0 0 0 0 0
se-heter 0 0 40 14 4 60 0 0
se-piaba 0 0 68 0 0 0 0 0
se-spilo 0 0 0 0 0 0 0 0
st-noton 0 0 1 0 0 25 0 0
sy-marmo 0 0 0 0 0 0 1 0
te-chalc 0 0 0 0 0 0 0 0
tr-signa 0 0 18 0 0 15 0 0
S-R-CT3 S-R-CP3 S-A-TA3 S-R-CT4 S-R-CP4 S-A-TA4 B-A-MU1 B-R-ET1
ap-davis 0 0 0 0 0 0 0 0
as-bimac 206 16 234 0 0 394 12 3
as-fasci 64 0 7 1 0 0 0 0
ch-bimac 0 0 238 0 0 273 0 0
ci-ocela 0 13 0 0 11 0 0 0
ci-orien 25 24 0 5 6 0 0 0
co-macro 0 0 2 0 0 0 0 0
co-heter 0 0 0 0 0 0 0 0
cr-menez 8 0 0 1 0 1 0 0
cu-lepid 0 0 0 0 0 0 0 0
cy-gilbe 0 0 0 50 0 0 0 0
ge-brasi 1 0 0 3 0 1 190 0
he-margi 0 0 0 1 0 0 0 0
ho-malab 31 4 20 4 2 9 0 0
hy-pusar 11 0 0 3 0 0 0 0
le-melan 0 0 0 0 0 0 0 0
le-piau 2 1 0 0 2 2 0 0
le-taeni 0 0 0 0 0 0 0 0
mo-costa 0 0 0 0 0 0 0 0
mo-lepid 0 0 0 0 0 0 0 0
or-nilot 138 0 0 73 0 1 6 8
pa-manag 0 0 0 0 0 0 0 1
pimel-sp 0 0 0 0 0 0 0 0
po-retic 5 0 0 0 0 0 0 34
po-vivip 326 10 0 28 80 0 0 0
pr-brevi 164 0 0 59 0 3 0 0
ps-rhomb 1 0 0 0 0 0 0 0
ps-genise 1 0 0 0 0 0 0 0
se-heter 38 0 0 3 3 0 0 0
se-piaba 0 0 0 0 0 0 0 0
se-spilo 1 0 0 0 0 0 0 0
st-noton 115 0 0 64 0 0 0 0
sy-marmo 0 0 0 0 0 0 0 0
te-chalc 0 0 0 0 0 0 0 0
tr-signa 7 0 0 141 0 0 0 0
B-A-GU1 B-R-PC2 B-A-MU2 B-A-GU2 B-R-PC3 B-A-MU3 B-A-GU3 B-R-PC4
ap-davis 0 5 0 0 22 0 0 0
as-bimac 2 44 99 0 75 511 6 7
as-fasci 2 0 0 0 7 0 0 17
ch-bimac 0 0 0 0 0 0 0 0
ci-ocela 0 2 0 0 4 0 0 0
ci-orien 0 0 0 0 0 0 0 0
co-macro 0 0 0 0 0 0 0 0
co-heter 0 0 0 0 0 0 0 0
cr-menez 0 0 0 0 0 0 0 0
cu-lepid 0 0 0 0 21 0 0 0
cy-gilbe 0 0 0 0 0 0 0 81
ge-brasi 7 8 67 23 16 145 32 5
he-margi 0 0 0 0 0 0 0 0
ho-malab 0 0 1 0 2 0 0 1
hy-pusar 0 0 0 0 1 0 0 0
le-melan 0 2 0 0 0 0 0 0
le-piau 0 0 0 0 0 0 0 1
le-taeni 0 1 0 0 0 0 0 0
mo-costa 0 0 0 0 1 0 0 0
mo-lepid 0 0 0 0 0 0 0 0
or-nilot 3 5 1 36 65 11 247 9
pa-manag 11 0 0 102 0 0 250 0
pimel-sp 0 0 0 0 0 0 0 0
po-retic 0 0 10 0 0 46 0 0
po-vivip 0 0 8 0 0 48 0 0
pr-brevi 0 9 0 0 6 1 0 0
ps-rhomb 0 0 0 0 0 0 0 0
ps-genise 0 0 0 0 0 0 0 0
se-heter 0 10 0 0 93 0 0 31
se-piaba 0 0 0 0 0 0 0 0
se-spilo 0 0 0 0 0 0 0 0
st-noton 0 0 0 0 0 0 0 0
sy-marmo 0 0 0 0 0 0 0 0
te-chalc 0 76 0 0 58 0 0 0
tr-signa 0 23 0 0 0 0 0 4
B-A-MU4 B-A-GU4
ap-davis 0 0
as-bimac 235 13
as-fasci 0 0
ch-bimac 0 0
ci-ocela 0 0
ci-orien 0 0
co-macro 0 0
co-heter 0 0
cr-menez 0 0
cu-lepid 0 0
cy-gilbe 0 0
ge-brasi 509 10
he-margi 0 0
ho-malab 0 0
hy-pusar 0 0
le-melan 0 0
le-piau 0 0
le-taeni 0 0
mo-costa 0 0
mo-lepid 0 0
or-nilot 1 129
pa-manag 0 190
pimel-sp 0 0
po-retic 266 0
po-vivip 163 0
pr-brevi 0 0
ps-rhomb 0 0
ps-genise 0 0
se-heter 0 0
se-piaba 0 0
se-spilo 0 0
st-noton 0 0
sy-marmo 0 0
te-chalc 0 0
tr-signa 0 0
S-A-ZA1 S-R-CC1 S-R-CT1 S-R-CP1 S-A-TA1 S-R-CT2 S-R-CP2 S-A-TA2
ap-davis 0 0 0 0 0 0 0 0
as-bimac 1 99 194 19 23 142 5 46
as-fasci 0 0 55 0 1 3 1 0
ch-bimac 0 0 0 0 13 3 0 178
ci-ocela 0 0 0 0 0 0 40 0
ci-orien 0 0 5 0 0 69 9 0
co-macro 0 0 0 0 0 0 0 0
co-heter 0 0 1 0 0 0 0 0
cr-menez 0 0 14 0 0 4 0 0
cu-lepid 0 0 0 0 0 0 0 0
cy-gilbe 0 0 0 0 0 0 0 0
ge-brasi 0 0 3 0 0 0 0 0
he-margi 0 0 0 0 0 1 0 0
ho-malab 0 0 1 5 0 17 10 2
hy-pusar 0 0 9 2 0 43 2 0
le-melan 0 0 0 0 0 0 0 0
le-piau 0 0 3 0 0 1 3 0
le-taeni 0 0 0 0 0 0 0 0
mo-costa 0 0 0 0 0 0 0 0
mo-lepid 0 1 39 0 0 1 0 0
or-nilot 0 2 36 0 0 77 0 0
pa-manag 0 0 0 0 0 0 0 0
pimel-sp 0 0 6 0 0 0 0 0
po-retic 0 0 0 0 0 20 0 0
po-vivip 0 0 47 15 0 221 32 0
pr-brevi 9 0 5 0 1 15 5 2
ps-rhomb 0 0 0 0 0 0 0 0
ps-genise 0 0 0 0 0 0 0 0
se-heter 0 0 40 14 4 60 0 0
se-piaba 0 0 68 0 0 0 0 0
se-spilo 0 0 0 0 0 0 0 0
st-noton 0 0 1 0 0 25 0 0
sy-marmo 0 0 0 0 0 0 1 0
te-chalc 0 0 0 0 0 0 0 0
tr-signa 0 0 18 0 0 15 0 0
S-R-CT3 S-R-CP3 S-A-TA3 S-R-CT4 S-R-CP4 S-A-TA4 B-A-MU1 B-R-ET1
ap-davis 0 0 0 0 0 0 0 0
as-bimac 206 16 234 0 0 394 12 3
as-fasci 64 0 7 1 0 0 0 0
ch-bimac 0 0 238 0 0 273 0 0
ci-ocela 0 13 0 0 11 0 0 0
ci-orien 25 24 0 5 6 0 0 0
co-macro 0 0 2 0 0 0 0 0
co-heter 0 0 0 0 0 0 0 0
cr-menez 8 0 0 1 0 1 0 0
cu-lepid 0 0 0 0 0 0 0 0
cy-gilbe 0 0 0 50 0 0 0 0
ge-brasi 1 0 0 3 0 1 190 0
he-margi 0 0 0 1 0 0 0 0
ho-malab 31 4 20 4 2 9 0 0
hy-pusar 11 0 0 3 0 0 0 0
le-melan 0 0 0 0 0 0 0 0
le-piau 2 1 0 0 2 2 0 0
le-taeni 0 0 0 0 0 0 0 0
mo-costa 0 0 0 0 0 0 0 0
mo-lepid 0 0 0 0 0 0 0 0
or-nilot 138 0 0 73 0 1 6 8
pa-manag 0 0 0 0 0 0 0 1
pimel-sp 0 0 0 0 0 0 0 0
po-retic 5 0 0 0 0 0 0 34
po-vivip 326 10 0 28 80 0 0 0
pr-brevi 164 0 0 59 0 3 0 0
ps-rhomb 1 0 0 0 0 0 0 0
ps-genise 1 0 0 0 0 0 0 0
se-heter 38 0 0 3 3 0 0 0
se-piaba 0 0 0 0 0 0 0 0
se-spilo 1 0 0 0 0 0 0 0
st-noton 115 0 0 64 0 0 0 0
sy-marmo 0 0 0 0 0 0 0 0
te-chalc 0 0 0 0 0 0 0 0
tr-signa 7 0 0 141 0 0 0 0
B-A-GU1 B-R-PC2 B-A-MU2 B-A-GU2 B-R-PC3 B-A-MU3 B-A-GU3 B-R-PC4
ap-davis 0 5 0 0 22 0 0 0
as-bimac 2 44 99 0 75 511 6 7
as-fasci 2 0 0 0 7 0 0 17
ch-bimac 0 0 0 0 0 0 0 0
ci-ocela 0 2 0 0 4 0 0 0
ci-orien 0 0 0 0 0 0 0 0
co-macro 0 0 0 0 0 0 0 0
co-heter 0 0 0 0 0 0 0 0
cr-menez 0 0 0 0 0 0 0 0
cu-lepid 0 0 0 0 21 0 0 0
cy-gilbe 0 0 0 0 0 0 0 81
ge-brasi 7 8 67 23 16 145 32 5
he-margi 0 0 0 0 0 0 0 0
ho-malab 0 0 1 0 2 0 0 1
hy-pusar 0 0 0 0 1 0 0 0
le-melan 0 2 0 0 0 0 0 0
le-piau 0 0 0 0 0 0 0 1
le-taeni 0 1 0 0 0 0 0 0
mo-costa 0 0 0 0 1 0 0 0
mo-lepid 0 0 0 0 0 0 0 0
or-nilot 3 5 1 36 65 11 247 9
pa-manag 11 0 0 102 0 0 250 0
pimel-sp 0 0 0 0 0 0 0 0
po-retic 0 0 10 0 0 46 0 0
po-vivip 0 0 8 0 0 48 0 0
pr-brevi 0 9 0 0 6 1 0 0
ps-rhomb 0 0 0 0 0 0 0 0
ps-genise 0 0 0 0 0 0 0 0
se-heter 0 10 0 0 93 0 0 31
se-piaba 0 0 0 0 0 0 0 0
se-spilo 0 0 0 0 0 0 0 0
st-noton 0 0 0 0 0 0 0 0
sy-marmo 0 0 0 0 0 0 0 0
te-chalc 0 76 0 0 58 0 0 0
tr-signa 0 23 0 0 0 0 0 4
B-A-MU4 B-A-GU4
ap-davis 0 0
as-bimac 235 13
as-fasci 0 0
ch-bimac 0 0
ci-ocela 0 0
ci-orien 0 0
co-macro 0 0
co-heter 0 0
cr-menez 0 0
cu-lepid 0 0
cy-gilbe 0 0
ge-brasi 509 10
he-margi 0 0
ho-malab 0 0
hy-pusar 0 0
le-melan 0 0
le-piau 0 0
le-taeni 0 0
mo-costa 0 0
mo-lepid 0 0
or-nilot 1 129
pa-manag 0 190
pimel-sp 0 0
po-retic 266 0
po-vivip 163 0
pr-brevi 0 0
ps-rhomb 0 0
ps-genise 0 0
se-heter 0 0
se-piaba 0 0
se-spilo 0 0
st-noton 0 0
sy-marmo 0 0
te-chalc 0 0
tr-signa 0 0
num [1:35, 1:26] 0 1 0 0 0 0 0 0 0 0 ...
- attr(*, "dimnames")=List of 2
..$ : chr [1:35] "ap-davis" "as-bimac" "as-fasci" "ch-bimac" ...
..$ : chr [1:26] "S-A-ZA1" "S-R-CC1" "S-R-CT1" "S-R-CP1" ...
[1] "numeric"
[1] "matrix" "array" 4 Tamanho da matriz
Agora podemos pedir ao R as informações básicas da matriz importada, como o número de observações ou tamanho do vetor (depende do tipo da matriz), número de observações igual a zero, número de observaçõoes maiores que zero e proporção de zeros na matriz.
length(as.matrix(ppbiot)) #n de observações ou tamanho do vetor (depende do tipo da matriz)
sum(ppbiot == 0) #n de observaçõoes igual a zero
sum(ppbiot > 0) #n de observaçõoes maiores que zero
#calculando a proporção de zeros na matriz
zeros <- (sum(ppbiot == 0)/length(as.matrix(ppbiot)))*100
zeros[1] 910
[1] 716
[1] 194
[1] 78.68132Agora de conhecimento dessas informações básicas podemos calcular os primeiros descritores da estrutura da comunidade a ser estudada.
5 Calculando os decritores da comunidade
Entre outras métricas, calcularemos os seguntes índices:
- Riqueza de Espécies:
- A riqueza de espécies simplesmente se refere ao número total de espécies diferentes em uma comunidade. É uma medida fundamental da diversidade ecológica e reflete a variedade de formas de vida coexistentes em um ecossistema. Comunidades com alta riqueza de espécies têm um grande número de espécies diferentes, enquanto comunidades com baixa riqueza têm menos espécies.
- Índice de Diversidade de Simpson:
- O índice de diversidade de Simpson (ou índice de Simpson) mede a probabilidade de escolher aleatoriamente duas vezes o mesmo indivíduo de uma comunidade. Quanto mais próximo de 1 for o índice de Simpson, menor é a diversidade, indicando que uma ou algumas espécies dominam a comunidade. Quanto mais próximo de 0 for o índice de Simpson, maior é a diversidade, indicando uma comunidade mais equilibrada.
- Índice de Diversidade de Shannon-Wiener:
- O índice de Shannon-Wiener (ou índice de Shannon) leva em consideração a riqueza de espécies e a equitabilidade (distribuição uniforme das abundâncias das espécies). Ele mede a incerteza associada à identificação de uma espécie aleatória em uma comunidade. Quanto maior o índice de Shannon, maior é a diversidade, pois indica uma comunidade com várias espécies bem distribuídas em termos de abundância.
- Equitabilidade:
- A equitabilidade é uma medida que avalia o quão uniformemente as abundâncias das diferentes espécies estão distribuídas em uma comunidade. Quanto maior a equitabilidade, mais igual é a distribuição das abundâncias, o que indica uma comunidade mais equilibrada.
- Abundância:
- A abundância se refere ao número total de indivíduos de uma espécie em uma comunidade. É uma medida simples que indica quantos indivíduos de uma espécie específica estão presentes na comunidade.
- Abundância Relativa:
- A abundância relativa é a proporção ou a fração da abundância de uma espécie em relação à abundância total de todas as espécies na comunidade. É uma medida que ajuda a entender a importância relativa de cada espécie na comunidade.
- Dominância de Espécies:
- A dominância de espécies se refere à presença de uma ou algumas espécies que têm uma abundância significativamente maior do que as outras na comunidade. Comunidades com alta dominância são frequentemente menos diversas, pois algumas espécies dominantes podem suprimir o crescimento de outras.
5.1 Variabilidade
Primeiro a variabilidade estatística
#?apply
Sum <- rowSums(ppbiot)
#ou
Sum <- apply(ppbiot,1,sum)
Sum
### Media
Mean <- rowMeans(ppbiot)
Mean
##Ou
Mean <- apply(ppbiot,1,mean)
Mean
###desvio padrao
DP <- apply(ppbiot,1,sd)
DP
###Maximo
Max <- apply(ppbiot,1,max)
Max
###Minimo
Min <- apply(ppbiot,1,min)
Min ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
27 2386 158 705 70 143 2 1
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
28 21 131 1020 2 109 71 2
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
15 1 1 41 848 554 6 381
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
978 279 1 1 296 68 1 205
sy-marmo te-chalc tr-signa
1 134 208
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien
1.03846154 91.76923077 6.07692308 27.11538462 2.69230769 5.50000000
co-macro co-heter cr-menez cu-lepid cy-gilbe ge-brasi
0.07692308 0.03846154 1.07692308 0.80769231 5.03846154 39.23076923
he-margi ho-malab hy-pusar le-melan le-piau le-taeni
0.07692308 4.19230769 2.73076923 0.07692308 0.57692308 0.03846154
mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
0.03846154 1.57692308 32.61538462 21.30769231 0.23076923 14.65384615
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba
37.61538462 10.73076923 0.03846154 0.03846154 11.38461538 2.61538462
se-spilo st-noton sy-marmo te-chalc tr-signa
0.03846154 7.88461538 0.03846154 5.15384615 8.00000000
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien
1.03846154 91.76923077 6.07692308 27.11538462 2.69230769 5.50000000
co-macro co-heter cr-menez cu-lepid cy-gilbe ge-brasi
0.07692308 0.03846154 1.07692308 0.80769231 5.03846154 39.23076923
he-margi ho-malab hy-pusar le-melan le-piau le-taeni
0.07692308 4.19230769 2.73076923 0.07692308 0.57692308 0.03846154
mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
0.03846154 1.57692308 32.61538462 21.30769231 0.23076923 14.65384615
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba
37.61538462 10.73076923 0.03846154 0.03846154 11.38461538 2.61538462
se-spilo st-noton sy-marmo te-chalc tr-signa
0.03846154 7.88461538 0.03846154 5.15384615 8.00000000
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien
4.3861671 132.4348316 16.2035134 75.8732242 8.2982853 14.6184815
co-macro co-heter cr-menez cu-lepid cy-gilbe ge-brasi
0.3922323 0.1961161 3.1486261 4.1184388 18.3313519 106.3478473
he-margi ho-malab hy-pusar le-melan le-piau le-taeni
0.2717465 7.6053625 8.6605205 0.3922323 0.9868364 0.1961161
mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
0.1961161 7.6376597 59.1452970 62.3928004 1.1766968 52.5242362
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba
79.5004790 33.3892889 0.1961161 0.1961161 22.9905666 13.3358972
se-spilo st-noton sy-marmo te-chalc tr-signa
0.1961161 25.5582893 0.1961161 18.3841068 27.8280434
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
22 511 64 273 40 69 2 1
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
14 21 81 509 1 31 43 2
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
3 1 1 39 247 250 6 266
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
326 164 1 1 93 68 1 115
sy-marmo te-chalc tr-signa
1 76 141
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
0 0 0 0 0 0 0 0
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
0 0 0 0 0 0 0 0
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
0 0 0 0 0 0 0 0
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
0 0 0 0 0 0 0 0
sy-marmo te-chalc tr-signa
0 0 0 5.2 Riqueza e diversidade
Atente para o fato de que a riqueza será a frequencia de ocorrência na matrix transposta.
##RIQUEZA
ppbiotbin <- decostand(ppbiot,"pa") #converter para matriz binaria
ppbiotbin
S <- apply(ppbiotbin,1,sum)
S
#OU
Riqueza <- specnumber(ppbiot)
Riqueza
Riqueza_total <- specnumber(colSums(ppbiot))
Riqueza_total
##INDICES
###Diversidade de Shannon
H <- diversity(ppbiot)
H
##Equitabilidade de Pielou
E <- H/log(specnumber(ppbiot))
E
E[is.na(E)] <- 0
E
#Diversidade Simpson
D <- diversity(ppbiot, "simpson")
D
D[is.na(D)] <- 0
D
#### skewness and kurtosis
Skewness <- apply(ppbiot,1,skewness)
Skewness
Kurtosis <- apply(ppbiot,1,kurtosis)
Kurtosis S-A-ZA1 S-R-CC1 S-R-CT1 S-R-CP1 S-A-TA1 S-R-CT2 S-R-CP2 S-A-TA2
ap-davis 0 0 0 0 0 0 0 0
as-bimac 1 1 1 1 1 1 1 1
as-fasci 0 0 1 0 1 1 1 0
ch-bimac 0 0 0 0 1 1 0 1
ci-ocela 0 0 0 0 0 0 1 0
ci-orien 0 0 1 0 0 1 1 0
co-macro 0 0 0 0 0 0 0 0
co-heter 0 0 1 0 0 0 0 0
cr-menez 0 0 1 0 0 1 0 0
cu-lepid 0 0 0 0 0 0 0 0
cy-gilbe 0 0 0 0 0 0 0 0
ge-brasi 0 0 1 0 0 0 0 0
he-margi 0 0 0 0 0 1 0 0
ho-malab 0 0 1 1 0 1 1 1
hy-pusar 0 0 1 1 0 1 1 0
le-melan 0 0 0 0 0 0 0 0
le-piau 0 0 1 0 0 1 1 0
le-taeni 0 0 0 0 0 0 0 0
mo-costa 0 0 0 0 0 0 0 0
mo-lepid 0 1 1 0 0 1 0 0
or-nilot 0 1 1 0 0 1 0 0
pa-manag 0 0 0 0 0 0 0 0
pimel-sp 0 0 1 0 0 0 0 0
po-retic 0 0 0 0 0 1 0 0
po-vivip 0 0 1 1 0 1 1 0
pr-brevi 1 0 1 0 1 1 1 1
ps-rhomb 0 0 0 0 0 0 0 0
ps-genise 0 0 0 0 0 0 0 0
se-heter 0 0 1 1 1 1 0 0
se-piaba 0 0 1 0 0 0 0 0
se-spilo 0 0 0 0 0 0 0 0
st-noton 0 0 1 0 0 1 0 0
sy-marmo 0 0 0 0 0 0 1 0
te-chalc 0 0 0 0 0 0 0 0
tr-signa 0 0 1 0 0 1 0 0
S-R-CT3 S-R-CP3 S-A-TA3 S-R-CT4 S-R-CP4 S-A-TA4 B-A-MU1 B-R-ET1
ap-davis 0 0 0 0 0 0 0 0
as-bimac 1 1 1 0 0 1 1 1
as-fasci 1 0 1 1 0 0 0 0
ch-bimac 0 0 1 0 0 1 0 0
ci-ocela 0 1 0 0 1 0 0 0
ci-orien 1 1 0 1 1 0 0 0
co-macro 0 0 1 0 0 0 0 0
co-heter 0 0 0 0 0 0 0 0
cr-menez 1 0 0 1 0 1 0 0
cu-lepid 0 0 0 0 0 0 0 0
cy-gilbe 0 0 0 1 0 0 0 0
ge-brasi 1 0 0 1 0 1 1 0
he-margi 0 0 0 1 0 0 0 0
ho-malab 1 1 1 1 1 1 0 0
hy-pusar 1 0 0 1 0 0 0 0
le-melan 0 0 0 0 0 0 0 0
le-piau 1 1 0 0 1 1 0 0
le-taeni 0 0 0 0 0 0 0 0
mo-costa 0 0 0 0 0 0 0 0
mo-lepid 0 0 0 0 0 0 0 0
or-nilot 1 0 0 1 0 1 1 1
pa-manag 0 0 0 0 0 0 0 1
pimel-sp 0 0 0 0 0 0 0 0
po-retic 1 0 0 0 0 0 0 1
po-vivip 1 1 0 1 1 0 0 0
pr-brevi 1 0 0 1 0 1 0 0
ps-rhomb 1 0 0 0 0 0 0 0
ps-genise 1 0 0 0 0 0 0 0
se-heter 1 0 0 1 1 0 0 0
se-piaba 0 0 0 0 0 0 0 0
se-spilo 1 0 0 0 0 0 0 0
st-noton 1 0 0 1 0 0 0 0
sy-marmo 0 0 0 0 0 0 0 0
te-chalc 0 0 0 0 0 0 0 0
tr-signa 1 0 0 1 0 0 0 0
B-A-GU1 B-R-PC2 B-A-MU2 B-A-GU2 B-R-PC3 B-A-MU3 B-A-GU3 B-R-PC4
ap-davis 0 1 0 0 1 0 0 0
as-bimac 1 1 1 0 1 1 1 1
as-fasci 1 0 0 0 1 0 0 1
ch-bimac 0 0 0 0 0 0 0 0
ci-ocela 0 1 0 0 1 0 0 0
ci-orien 0 0 0 0 0 0 0 0
co-macro 0 0 0 0 0 0 0 0
co-heter 0 0 0 0 0 0 0 0
cr-menez 0 0 0 0 0 0 0 0
cu-lepid 0 0 0 0 1 0 0 0
cy-gilbe 0 0 0 0 0 0 0 1
ge-brasi 1 1 1 1 1 1 1 1
he-margi 0 0 0 0 0 0 0 0
ho-malab 0 0 1 0 1 0 0 1
hy-pusar 0 0 0 0 1 0 0 0
le-melan 0 1 0 0 0 0 0 0
le-piau 0 0 0 0 0 0 0 1
le-taeni 0 1 0 0 0 0 0 0
mo-costa 0 0 0 0 1 0 0 0
mo-lepid 0 0 0 0 0 0 0 0
or-nilot 1 1 1 1 1 1 1 1
pa-manag 1 0 0 1 0 0 1 0
pimel-sp 0 0 0 0 0 0 0 0
po-retic 0 0 1 0 0 1 0 0
po-vivip 0 0 1 0 0 1 0 0
pr-brevi 0 1 0 0 1 1 0 0
ps-rhomb 0 0 0 0 0 0 0 0
ps-genise 0 0 0 0 0 0 0 0
se-heter 0 1 0 0 1 0 0 1
se-piaba 0 0 0 0 0 0 0 0
se-spilo 0 0 0 0 0 0 0 0
st-noton 0 0 0 0 0 0 0 0
sy-marmo 0 0 0 0 0 0 0 0
te-chalc 0 1 0 0 1 0 0 0
tr-signa 0 1 0 0 0 0 0 1
B-A-MU4 B-A-GU4
ap-davis 0 0
as-bimac 1 1
as-fasci 0 0
ch-bimac 0 0
ci-ocela 0 0
ci-orien 0 0
co-macro 0 0
co-heter 0 0
cr-menez 0 0
cu-lepid 0 0
cy-gilbe 0 0
ge-brasi 1 1
he-margi 0 0
ho-malab 0 0
hy-pusar 0 0
le-melan 0 0
le-piau 0 0
le-taeni 0 0
mo-costa 0 0
mo-lepid 0 0
or-nilot 1 1
pa-manag 0 1
pimel-sp 0 0
po-retic 1 0
po-vivip 1 0
pr-brevi 0 0
ps-rhomb 0 0
ps-genise 0 0
se-heter 0 0
se-piaba 0 0
se-spilo 0 0
st-noton 0 0
sy-marmo 0 0
te-chalc 0 0
tr-signa 0 0
attr(,"decostand")
[1] "pa"
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
2 23 10 5 5 7 1 1
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
5 1 2 15 2 14 7 1
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
8 1 1 3 18 5 1 6
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
11 12 1 1 10 1 1 4
sy-marmo te-chalc tr-signa
1 2 6
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
2 23 10 5 5 7 1 1
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
5 1 2 15 2 14 7 1
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
8 1 1 3 18 5 1 6
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
11 12 1 1 10 1 1 4
sy-marmo te-chalc tr-signa
1 2 6
[1] 26
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
0.4791656 2.4239775 1.4761308 1.1783625 1.1883832 1.4976803 0.0000000 0.0000000
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
1.2205076 0.0000000 0.6648803 1.5668772 0.6931472 2.1167591 1.2492728 0.0000000
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
1.9913464 0.0000000 0.0000000 0.2287207 2.1072815 1.1268689 0.0000000 1.0288585
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
1.8633952 1.3708151 0.0000000 0.0000000 1.8675926 0.0000000 0.0000000 0.9702899
sy-marmo te-chalc tr-signa
0.0000000 0.6840978 1.0985693
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
0.6912899 0.7730767 0.6410755 0.7321578 0.7383840 0.7696554 NaN NaN
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
0.7583440 NaN 0.9592195 0.5785997 1.0000000 0.8020891 0.6419992 NaN
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
0.9576352 NaN NaN 0.2081906 0.7290694 0.7001630 NaN 0.5742169
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
0.7770962 0.5516566 NaN NaN 0.8110852 NaN NaN 0.6999162
sy-marmo te-chalc tr-signa
NaN 0.9869445 0.6131232
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
0.6912899 0.7730767 0.6410755 0.7321578 0.7383840 0.7696554 0.0000000 0.0000000
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
0.7583440 0.0000000 0.9592195 0.5785997 1.0000000 0.8020891 0.6419992 0.0000000
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
0.9576352 0.0000000 0.0000000 0.2081906 0.7290694 0.7001630 0.0000000 0.5742169
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
0.7770962 0.5516566 0.0000000 0.0000000 0.8110852 0.0000000 0.0000000 0.6999162
sy-marmo te-chalc tr-signa
0.0000000 0.9869445 0.6131232
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro
0.30178326 0.88451845 0.69860599 0.67197827 0.61020408 0.70027874 0.00000000
co-heter cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab
0.00000000 0.64540816 0.00000000 0.47200047 0.68977124 0.50000000 0.83982830
hy-pusar le-melan le-piau le-taeni mo-costa mo-lepid or-nilot
0.58956556 0.00000000 0.85333333 0.00000000 0.00000000 0.09399167 0.83992302
pa-manag pimel-sp po-retic po-vivip pr-brevi ps-rhomb ps-genise
0.64444343 0.00000000 0.48641164 0.79634160 0.60348659 0.00000000 0.00000000
se-heter se-piaba se-spilo st-noton sy-marmo te-chalc tr-signa
0.81071950 0.00000000 0.00000000 0.57294468 0.00000000 0.49097795 0.51405325
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro
0.30178326 0.88451845 0.69860599 0.67197827 0.61020408 0.70027874 0.00000000
co-heter cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab
0.00000000 0.64540816 0.00000000 0.47200047 0.68977124 0.50000000 0.83982830
hy-pusar le-melan le-piau le-taeni mo-costa mo-lepid or-nilot
0.58956556 0.00000000 0.85333333 0.00000000 0.00000000 0.09399167 0.83992302
pa-manag pimel-sp po-retic po-vivip pr-brevi ps-rhomb ps-genise
0.64444343 0.00000000 0.48641164 0.79634160 0.60348659 0.00000000 0.00000000
se-heter se-piaba se-spilo st-noton sy-marmo te-chalc tr-signa
0.81071950 0.00000000 0.00000000 0.57294468 0.00000000 0.49097795 0.51405325
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
4.469425 1.774738 2.959549 2.544388 3.796856 3.482201 4.800000 4.800000
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
3.252387 4.800000 3.484076 3.638552 3.175426 2.282120 4.127075 4.800000
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
1.437653 4.800000 4.800000 4.790304 2.287297 2.867520 4.800000 4.462822
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
2.544468 4.046241 4.800000 4.800000 2.293389 4.800000 4.800000 3.419722
sy-marmo te-chalc tr-signa
4.800000 3.281874 4.442741
ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
21.730097 5.556931 10.273303 7.736436 17.146010 15.065210 24.040000 24.040000
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
12.820351 24.040000 13.776840 16.059988 11.083333 7.604321 19.499005 24.040000
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
3.655586 24.040000 24.040000 23.979582 7.972989 9.860393 24.040000 21.825541
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo st-noton
8.674340 18.659676 24.040000 24.040000 7.676958 24.040000 24.040000 13.817921
sy-marmo te-chalc tr-signa
24.040000 12.021173 21.715543 5.2.1 Tabela de descritores
Muito confuso? Criamos uma tabela final com todos os descritores da comunidade
Descritores1 <- cbind(Sum, Mean, DP, Max, Min, S, E, H, D)
Descritores1 <- as.data.frame(Descritores1)
Descritores1
###Descritores1 <- Descritores1 %>% rownames_to_column(var="Espécies") da nome a primeira coluna
SomaTotalD <- apply(Descritores1,2,sum)
SomaTotalD
MediaTotalD <- apply(Descritores1,2,mean)
MediaTotalD
DPTotalD <- apply(Descritores1,2,sd)
DPTotalD
Descritores2 <- cbind(SomaTotalD, MediaTotalD, DPTotalD)
Descritores2 <- as.data.frame(Descritores2)
Descritores2 <- t(Descritores2)
Descritores2
DescritoresFinal <- rbind(Descritores1, Descritores2)
DescritoresFinal
DescritoresFinal <- round (DescritoresFinal, 2)
DescritoresFinal Sum Mean DP Max Min S E H
ap-davis 27 1.03846154 4.3861671 22 0 2 0.6912899 0.4791656
as-bimac 2386 91.76923077 132.4348316 511 0 23 0.7730767 2.4239775
as-fasci 158 6.07692308 16.2035134 64 0 10 0.6410755 1.4761308
ch-bimac 705 27.11538462 75.8732242 273 0 5 0.7321578 1.1783625
ci-ocela 70 2.69230769 8.2982853 40 0 5 0.7383840 1.1883832
ci-orien 143 5.50000000 14.6184815 69 0 7 0.7696554 1.4976803
co-macro 2 0.07692308 0.3922323 2 0 1 0.0000000 0.0000000
co-heter 1 0.03846154 0.1961161 1 0 1 0.0000000 0.0000000
cr-menez 28 1.07692308 3.1486261 14 0 5 0.7583440 1.2205076
cu-lepid 21 0.80769231 4.1184388 21 0 1 0.0000000 0.0000000
cy-gilbe 131 5.03846154 18.3313519 81 0 2 0.9592195 0.6648803
ge-brasi 1020 39.23076923 106.3478473 509 0 15 0.5785997 1.5668772
he-margi 2 0.07692308 0.2717465 1 0 2 1.0000000 0.6931472
ho-malab 109 4.19230769 7.6053625 31 0 14 0.8020891 2.1167591
hy-pusar 71 2.73076923 8.6605205 43 0 7 0.6419992 1.2492728
le-melan 2 0.07692308 0.3922323 2 0 1 0.0000000 0.0000000
le-piau 15 0.57692308 0.9868364 3 0 8 0.9576352 1.9913464
le-taeni 1 0.03846154 0.1961161 1 0 1 0.0000000 0.0000000
mo-costa 1 0.03846154 0.1961161 1 0 1 0.0000000 0.0000000
mo-lepid 41 1.57692308 7.6376597 39 0 3 0.2081906 0.2287207
or-nilot 848 32.61538462 59.1452970 247 0 18 0.7290694 2.1072815
pa-manag 554 21.30769231 62.3928004 250 0 5 0.7001630 1.1268689
pimel-sp 6 0.23076923 1.1766968 6 0 1 0.0000000 0.0000000
po-retic 381 14.65384615 52.5242362 266 0 6 0.5742169 1.0288585
po-vivip 978 37.61538462 79.5004790 326 0 11 0.7770962 1.8633952
pr-brevi 279 10.73076923 33.3892889 164 0 12 0.5516566 1.3708151
ps-rhomb 1 0.03846154 0.1961161 1 0 1 0.0000000 0.0000000
ps-genise 1 0.03846154 0.1961161 1 0 1 0.0000000 0.0000000
se-heter 296 11.38461538 22.9905666 93 0 10 0.8110852 1.8675926
se-piaba 68 2.61538462 13.3358972 68 0 1 0.0000000 0.0000000
se-spilo 1 0.03846154 0.1961161 1 0 1 0.0000000 0.0000000
st-noton 205 7.88461538 25.5582893 115 0 4 0.6999162 0.9702899
sy-marmo 1 0.03846154 0.1961161 1 0 1 0.0000000 0.0000000
te-chalc 134 5.15384615 18.3841068 76 0 2 0.9869445 0.6840978
tr-signa 208 8.00000000 27.8280434 141 0 6 0.6131232 1.0985693
D
ap-davis 0.30178326
as-bimac 0.88451845
as-fasci 0.69860599
ch-bimac 0.67197827
ci-ocela 0.61020408
ci-orien 0.70027874
co-macro 0.00000000
co-heter 0.00000000
cr-menez 0.64540816
cu-lepid 0.00000000
cy-gilbe 0.47200047
ge-brasi 0.68977124
he-margi 0.50000000
ho-malab 0.83982830
hy-pusar 0.58956556
le-melan 0.00000000
le-piau 0.85333333
le-taeni 0.00000000
mo-costa 0.00000000
mo-lepid 0.09399167
or-nilot 0.83992302
pa-manag 0.64444343
pimel-sp 0.00000000
po-retic 0.48641164
po-vivip 0.79634160
pr-brevi 0.60348659
ps-rhomb 0.00000000
ps-genise 0.00000000
se-heter 0.81071950
se-piaba 0.00000000
se-spilo 0.00000000
st-noton 0.57294468
sy-marmo 0.00000000
te-chalc 0.49097795
tr-signa 0.51405325
Sum Mean DP Max Min S E
8895.00000 342.11538 807.30587 3484.00000 0.00000 194.00000 16.69499
H D
30.09298 14.31057
Sum Mean DP Max Min S
254.1428571 9.7747253 23.0658821 99.5428571 0.0000000 5.5428571
E H D
0.4769997 0.8597994 0.4088734
Sum Mean DP Max Min S
468.3865386 18.0148669 33.0609233 138.2715450 0.0000000 5.5590036
E H D
0.3757324 0.7784814 0.3354621
Sum Mean DP Max Min S E
SomaTotalD 8895.0000 342.115385 807.30587 3484.00000 0 194.000000 16.6949878
MediaTotalD 254.1429 9.774725 23.06588 99.54286 0 5.542857 0.4769997
DPTotalD 468.3865 18.014867 33.06092 138.27155 0 5.559004 0.3757324
H D
SomaTotalD 30.0929803 14.3105692
MediaTotalD 0.8597994 0.4088734
DPTotalD 0.7784814 0.3354621
Sum Mean DP Max Min S
ap-davis 27.0000 1.03846154 4.3861671 22.00000 0 2.000000
as-bimac 2386.0000 91.76923077 132.4348316 511.00000 0 23.000000
as-fasci 158.0000 6.07692308 16.2035134 64.00000 0 10.000000
ch-bimac 705.0000 27.11538462 75.8732242 273.00000 0 5.000000
ci-ocela 70.0000 2.69230769 8.2982853 40.00000 0 5.000000
ci-orien 143.0000 5.50000000 14.6184815 69.00000 0 7.000000
co-macro 2.0000 0.07692308 0.3922323 2.00000 0 1.000000
co-heter 1.0000 0.03846154 0.1961161 1.00000 0 1.000000
cr-menez 28.0000 1.07692308 3.1486261 14.00000 0 5.000000
cu-lepid 21.0000 0.80769231 4.1184388 21.00000 0 1.000000
cy-gilbe 131.0000 5.03846154 18.3313519 81.00000 0 2.000000
ge-brasi 1020.0000 39.23076923 106.3478473 509.00000 0 15.000000
he-margi 2.0000 0.07692308 0.2717465 1.00000 0 2.000000
ho-malab 109.0000 4.19230769 7.6053625 31.00000 0 14.000000
hy-pusar 71.0000 2.73076923 8.6605205 43.00000 0 7.000000
le-melan 2.0000 0.07692308 0.3922323 2.00000 0 1.000000
le-piau 15.0000 0.57692308 0.9868364 3.00000 0 8.000000
le-taeni 1.0000 0.03846154 0.1961161 1.00000 0 1.000000
mo-costa 1.0000 0.03846154 0.1961161 1.00000 0 1.000000
mo-lepid 41.0000 1.57692308 7.6376597 39.00000 0 3.000000
or-nilot 848.0000 32.61538462 59.1452970 247.00000 0 18.000000
pa-manag 554.0000 21.30769231 62.3928004 250.00000 0 5.000000
pimel-sp 6.0000 0.23076923 1.1766968 6.00000 0 1.000000
po-retic 381.0000 14.65384615 52.5242362 266.00000 0 6.000000
po-vivip 978.0000 37.61538462 79.5004790 326.00000 0 11.000000
pr-brevi 279.0000 10.73076923 33.3892889 164.00000 0 12.000000
ps-rhomb 1.0000 0.03846154 0.1961161 1.00000 0 1.000000
ps-genise 1.0000 0.03846154 0.1961161 1.00000 0 1.000000
se-heter 296.0000 11.38461538 22.9905666 93.00000 0 10.000000
se-piaba 68.0000 2.61538462 13.3358972 68.00000 0 1.000000
se-spilo 1.0000 0.03846154 0.1961161 1.00000 0 1.000000
st-noton 205.0000 7.88461538 25.5582893 115.00000 0 4.000000
sy-marmo 1.0000 0.03846154 0.1961161 1.00000 0 1.000000
te-chalc 134.0000 5.15384615 18.3841068 76.00000 0 2.000000
tr-signa 208.0000 8.00000000 27.8280434 141.00000 0 6.000000
SomaTotalD 8895.0000 342.11538462 807.3058718 3484.00000 0 194.000000
MediaTotalD 254.1429 9.77472527 23.0658821 99.54286 0 5.542857
DPTotalD 468.3865 18.01486687 33.0609233 138.27155 0 5.559004
E H D
ap-davis 0.6912899 0.4791656 0.30178326
as-bimac 0.7730767 2.4239775 0.88451845
as-fasci 0.6410755 1.4761308 0.69860599
ch-bimac 0.7321578 1.1783625 0.67197827
ci-ocela 0.7383840 1.1883832 0.61020408
ci-orien 0.7696554 1.4976803 0.70027874
co-macro 0.0000000 0.0000000 0.00000000
co-heter 0.0000000 0.0000000 0.00000000
cr-menez 0.7583440 1.2205076 0.64540816
cu-lepid 0.0000000 0.0000000 0.00000000
cy-gilbe 0.9592195 0.6648803 0.47200047
ge-brasi 0.5785997 1.5668772 0.68977124
he-margi 1.0000000 0.6931472 0.50000000
ho-malab 0.8020891 2.1167591 0.83982830
hy-pusar 0.6419992 1.2492728 0.58956556
le-melan 0.0000000 0.0000000 0.00000000
le-piau 0.9576352 1.9913464 0.85333333
le-taeni 0.0000000 0.0000000 0.00000000
mo-costa 0.0000000 0.0000000 0.00000000
mo-lepid 0.2081906 0.2287207 0.09399167
or-nilot 0.7290694 2.1072815 0.83992302
pa-manag 0.7001630 1.1268689 0.64444343
pimel-sp 0.0000000 0.0000000 0.00000000
po-retic 0.5742169 1.0288585 0.48641164
po-vivip 0.7770962 1.8633952 0.79634160
pr-brevi 0.5516566 1.3708151 0.60348659
ps-rhomb 0.0000000 0.0000000 0.00000000
ps-genise 0.0000000 0.0000000 0.00000000
se-heter 0.8110852 1.8675926 0.81071950
se-piaba 0.0000000 0.0000000 0.00000000
se-spilo 0.0000000 0.0000000 0.00000000
st-noton 0.6999162 0.9702899 0.57294468
sy-marmo 0.0000000 0.0000000 0.00000000
te-chalc 0.9869445 0.6840978 0.49097795
tr-signa 0.6131232 1.0985693 0.51405325
SomaTotalD 16.6949878 30.0929803 14.31056920
MediaTotalD 0.4769997 0.8597994 0.40887341
DPTotalD 0.3757324 0.7784814 0.33546207
Sum Mean DP Max Min S E H D
ap-davis 27.00 1.04 4.39 22.00 0 2.00 0.69 0.48 0.30
as-bimac 2386.00 91.77 132.43 511.00 0 23.00 0.77 2.42 0.88
as-fasci 158.00 6.08 16.20 64.00 0 10.00 0.64 1.48 0.70
ch-bimac 705.00 27.12 75.87 273.00 0 5.00 0.73 1.18 0.67
ci-ocela 70.00 2.69 8.30 40.00 0 5.00 0.74 1.19 0.61
ci-orien 143.00 5.50 14.62 69.00 0 7.00 0.77 1.50 0.70
co-macro 2.00 0.08 0.39 2.00 0 1.00 0.00 0.00 0.00
co-heter 1.00 0.04 0.20 1.00 0 1.00 0.00 0.00 0.00
cr-menez 28.00 1.08 3.15 14.00 0 5.00 0.76 1.22 0.65
cu-lepid 21.00 0.81 4.12 21.00 0 1.00 0.00 0.00 0.00
cy-gilbe 131.00 5.04 18.33 81.00 0 2.00 0.96 0.66 0.47
ge-brasi 1020.00 39.23 106.35 509.00 0 15.00 0.58 1.57 0.69
he-margi 2.00 0.08 0.27 1.00 0 2.00 1.00 0.69 0.50
ho-malab 109.00 4.19 7.61 31.00 0 14.00 0.80 2.12 0.84
hy-pusar 71.00 2.73 8.66 43.00 0 7.00 0.64 1.25 0.59
le-melan 2.00 0.08 0.39 2.00 0 1.00 0.00 0.00 0.00
le-piau 15.00 0.58 0.99 3.00 0 8.00 0.96 1.99 0.85
le-taeni 1.00 0.04 0.20 1.00 0 1.00 0.00 0.00 0.00
mo-costa 1.00 0.04 0.20 1.00 0 1.00 0.00 0.00 0.00
mo-lepid 41.00 1.58 7.64 39.00 0 3.00 0.21 0.23 0.09
or-nilot 848.00 32.62 59.15 247.00 0 18.00 0.73 2.11 0.84
pa-manag 554.00 21.31 62.39 250.00 0 5.00 0.70 1.13 0.64
pimel-sp 6.00 0.23 1.18 6.00 0 1.00 0.00 0.00 0.00
po-retic 381.00 14.65 52.52 266.00 0 6.00 0.57 1.03 0.49
po-vivip 978.00 37.62 79.50 326.00 0 11.00 0.78 1.86 0.80
pr-brevi 279.00 10.73 33.39 164.00 0 12.00 0.55 1.37 0.60
ps-rhomb 1.00 0.04 0.20 1.00 0 1.00 0.00 0.00 0.00
ps-genise 1.00 0.04 0.20 1.00 0 1.00 0.00 0.00 0.00
se-heter 296.00 11.38 22.99 93.00 0 10.00 0.81 1.87 0.81
se-piaba 68.00 2.62 13.34 68.00 0 1.00 0.00 0.00 0.00
se-spilo 1.00 0.04 0.20 1.00 0 1.00 0.00 0.00 0.00
st-noton 205.00 7.88 25.56 115.00 0 4.00 0.70 0.97 0.57
sy-marmo 1.00 0.04 0.20 1.00 0 1.00 0.00 0.00 0.00
te-chalc 134.00 5.15 18.38 76.00 0 2.00 0.99 0.68 0.49
tr-signa 208.00 8.00 27.83 141.00 0 6.00 0.61 1.10 0.51
SomaTotalD 8895.00 342.12 807.31 3484.00 0 194.00 16.69 30.09 14.31
MediaTotalD 254.14 9.77 23.07 99.54 0 5.54 0.48 0.86 0.41
DPTotalD 468.39 18.01 33.06 138.27 0 5.56 0.38 0.78 0.345.2.2 Normalidade
Agora calculamos os descritores de normalidade
Normalidade1 <- cbind(Skewness,Kurtosis)
Normalidade1 <- as.data.frame(Normalidade1)
Normalidade1
SomaTotalN <- apply(Normalidade1,2,sum)
SomaTotalN
MediaTotalN <- apply(Normalidade1,2,mean)
MediaTotalN
DPTotalN <- apply(Normalidade1,2,sd)
DPTotalN
Normalidade2<-cbind(SomaTotalN, MediaTotalN, DPTotalN)
Normalidade2<-as.data.frame(Normalidade2)
Normalidade2 <- t(Normalidade2) #"t" transpõe a matriz
Normalidade2
NormalidadeFinal <- rbind(Normalidade1, Normalidade2)
NormalidadeFinal
NormalidadeFinal <- round(NormalidadeFinal, 2)
NormalidadeFinal
#fix(nome da matriz) #dá acesso ao grid da matriz criada para manipulação dos dados num?ricos Skewness Kurtosis
ap-davis 4.469425 21.730097
as-bimac 1.774738 5.556931
as-fasci 2.959549 10.273303
ch-bimac 2.544388 7.736436
ci-ocela 3.796856 17.146010
ci-orien 3.482201 15.065210
co-macro 4.800000 24.040000
co-heter 4.800000 24.040000
cr-menez 3.252387 12.820351
cu-lepid 4.800000 24.040000
cy-gilbe 3.484076 13.776840
ge-brasi 3.638552 16.059988
he-margi 3.175426 11.083333
ho-malab 2.282120 7.604321
hy-pusar 4.127075 19.499005
le-melan 4.800000 24.040000
le-piau 1.437653 3.655586
le-taeni 4.800000 24.040000
mo-costa 4.800000 24.040000
mo-lepid 4.790304 23.979582
or-nilot 2.287297 7.972989
pa-manag 2.867520 9.860393
pimel-sp 4.800000 24.040000
po-retic 4.462822 21.825541
po-vivip 2.544468 8.674340
pr-brevi 4.046241 18.659676
ps-rhomb 4.800000 24.040000
ps-genise 4.800000 24.040000
se-heter 2.293389 7.676958
se-piaba 4.800000 24.040000
se-spilo 4.800000 24.040000
st-noton 3.419722 13.817921
sy-marmo 4.800000 24.040000
te-chalc 3.281874 12.021173
tr-signa 4.442741 21.715543
Skewness Kurtosis
132.4608 596.6915
Skewness Kurtosis
3.784595 17.048329
Skewness Kurtosis
1.043802 6.944634
Skewness Kurtosis
SomaTotalN 132.460824 596.691528
MediaTotalN 3.784595 17.048329
DPTotalN 1.043802 6.944634
Skewness Kurtosis
ap-davis 4.469425 21.730097
as-bimac 1.774738 5.556931
as-fasci 2.959549 10.273303
ch-bimac 2.544388 7.736436
ci-ocela 3.796856 17.146010
ci-orien 3.482201 15.065210
co-macro 4.800000 24.040000
co-heter 4.800000 24.040000
cr-menez 3.252387 12.820351
cu-lepid 4.800000 24.040000
cy-gilbe 3.484076 13.776840
ge-brasi 3.638552 16.059988
he-margi 3.175426 11.083333
ho-malab 2.282120 7.604321
hy-pusar 4.127075 19.499005
le-melan 4.800000 24.040000
le-piau 1.437653 3.655586
le-taeni 4.800000 24.040000
mo-costa 4.800000 24.040000
mo-lepid 4.790304 23.979582
or-nilot 2.287297 7.972989
pa-manag 2.867520 9.860393
pimel-sp 4.800000 24.040000
po-retic 4.462822 21.825541
po-vivip 2.544468 8.674340
pr-brevi 4.046241 18.659676
ps-rhomb 4.800000 24.040000
ps-genise 4.800000 24.040000
se-heter 2.293389 7.676958
se-piaba 4.800000 24.040000
se-spilo 4.800000 24.040000
st-noton 3.419722 13.817921
sy-marmo 4.800000 24.040000
te-chalc 3.281874 12.021173
tr-signa 4.442741 21.715543
SomaTotalN 132.460824 596.691528
MediaTotalN 3.784595 17.048329
DPTotalN 1.043802 6.944634
Skewness Kurtosis
ap-davis 4.47 21.73
as-bimac 1.77 5.56
as-fasci 2.96 10.27
ch-bimac 2.54 7.74
ci-ocela 3.80 17.15
ci-orien 3.48 15.07
co-macro 4.80 24.04
co-heter 4.80 24.04
cr-menez 3.25 12.82
cu-lepid 4.80 24.04
cy-gilbe 3.48 13.78
ge-brasi 3.64 16.06
he-margi 3.18 11.08
ho-malab 2.28 7.60
hy-pusar 4.13 19.50
le-melan 4.80 24.04
le-piau 1.44 3.66
le-taeni 4.80 24.04
mo-costa 4.80 24.04
mo-lepid 4.79 23.98
or-nilot 2.29 7.97
pa-manag 2.87 9.86
pimel-sp 4.80 24.04
po-retic 4.46 21.83
po-vivip 2.54 8.67
pr-brevi 4.05 18.66
ps-rhomb 4.80 24.04
ps-genise 4.80 24.04
se-heter 2.29 7.68
se-piaba 4.80 24.04
se-spilo 4.80 24.04
st-noton 3.42 13.82
sy-marmo 4.80 24.04
te-chalc 3.28 12.02
tr-signa 4.44 21.72
SomaTotalN 132.46 596.69
MediaTotalN 3.78 17.05
DPTotalN 1.04 6.94Salvando as matrizes em txt direto no diretório
write.table(data.frame("Spp"=rownames(DescritoresFinal),
DescritoresFinal),
"Descritores.txt",
row.names=FALSE,
sep="\t")
write.table(data.frame("Spp"=rownames(NormalidadeFinal),
NormalidadeFinal),
"Normalidade.txt",
row.names=FALSE,
sep="\t")Agora vamos voltar a usar a metriz comunitárias antes de ter sido transposta, mas antes confira se você está usando a matriz comunitária com as espécies nas colunas
View(ppbio)
ppbio
class(ppbio)
Cuidado
#Note que em uma matriz comunitária (onde os atributos são as espécies), a matriz transposta vai conter as unidades amostrais como colunas e espécies como linhas. Não tendo a mesma interpretação de matriz transposta em matemática.
Agora faremos uma série de gráficos
6 Série de Hill e perfil de diversidade
Podemos utilizar uma série de Hill ao invés dos índices específicos de diversidade. Assim, quanto maior o valor de q (definido em scales), maior será o peso para a equabilidade. Quanto mais próximo de zero, maior o peso para riqueza (quando q = 0, o valor de Hill é igual a riqueza de espécies).
Hill <- renyi(ppbio,
scales = c(0:5),
hill = TRUE)
Hill 0 1 2 3 4 5
S-A-ZA1 2 1.384145 1.219512 1.170411 1.150768 1.140762
S-R-CC1 3 1.163476 1.060983 1.045792 1.040607 1.038021
S-R-CT1 18 8.433432 5.644824 4.479923 3.925407 3.628965
S-R-CP1 5 4.089106 3.729963 3.562264 3.464767 3.397679
S-A-TA1 5 2.988203 2.463687 2.265900 2.160258 2.093130
S-R-CT2 17 8.120284 5.912807 4.995084 4.517360 4.233135
S-R-CP2 10 5.475674 4.064111 3.571020 3.347621 3.223289
S-A-TA2 4 1.820866 1.537624 1.437328 1.389021 1.362287
S-R-CT3 18 7.820420 6.079509 5.349788 4.920580 4.635690
S-R-CP3 6 4.641083 4.135957 3.852830 3.659934 3.518793
S-A-TA3 5 2.507947 2.244026 2.186542 2.165167 2.154376
S-R-CT4 14 6.554517 5.259698 4.665939 4.284640 4.026809
S-R-CP4 6 2.359044 1.645269 1.479932 1.418625 1.388109
S-A-TA4 8 2.249743 2.035378 1.981428 1.947091 1.920271
B-A-MU1 3 1.418412 1.192503 1.145257 1.128263 1.119791
B-R-ET1 4 2.200997 1.720325 1.562987 1.494812 1.458881
B-A-GU1 5 3.959865 3.342246 3.016650 2.834369 2.720943
B-R-PC2 11 5.630175 4.005266 3.427912 3.151799 2.991159
B-A-MU2 6 2.863745 2.393193 2.248679 2.175626 2.127807
B-A-GU2 3 2.464739 2.119634 1.930295 1.826854 1.766551
B-R-PC3 13 7.253371 5.945359 5.447786 5.182436 5.009929
B-A-MU3 6 2.710687 2.025352 1.799132 1.699897 1.647087
B-A-GU3 4 2.537469 2.297723 2.232385 2.206183 2.192731
B-R-PC4 9 4.374404 3.048096 2.586659 2.377604 2.263942
B-A-MU4 5 3.672499 3.348321 3.103452 2.925311 2.799120
B-A-GU4 4 2.514025 2.206452 2.107190 2.053368 2.015850Podemos mapear isso em um gráfico de perfil de diversidade
grafico1 <- Hill %>%
rownames_to_column() %>%
pivot_longer(-rowname) %>%
mutate(name = factor(name, name[1:length(Hill)])) %>%
ggplot(aes(x = name, y = value, group = rowname,
col = rowname)) +
geom_point(size = 2) +
geom_line(size = 1) +
xlab("Parâmetro de ordem de diversidade (q)") +
ylab("Diversidade") +
labs(col = "Locais") +
theme_bw() +
theme(text = element_text(size = 16))
grafico1
7 Distribuição de abundância
Uma maneira de observar a diversidade de espécies é usando um gráfico de distribuição de abundâncias de uma comunidade, como mostrado a seguir. Note que aqui utilizamos as abundâncias totais das espécies, mas é possível fazer por linha, basta substituir o objeto abund pela abundância de uma linha como na linha marcada com o #.
abund <- colSums(ppbio)Na sequência, retire o # do início para rodar apenas para o local 1. Subsequentemente, mude o número para o local que você quiser.
#abund <- comunidade[1, ] O código a seguir produzirá o gráfico para o local escolhido.
df <- data.frame(sp = colnames(ppbio),
abun = abund)
grafico2 <- ggplot(df, aes(fct_reorder(sp, -abun),
abun, group = 1)) +
geom_col() +
geom_line(col = "red", linetype = "dashed") +
geom_point(col = "red") +
xlab("Espécies") +
ylab("Abundância") +
theme_bw() +
theme(axis.text.x = element_text(
angle = 45,
hjust = 1,
face = "italic"))
grafico2
8 Curva de rarefação
O código abaixo indica como usar o pacote iNEXT para extrapolar e interpolar curvas de rarefação visando comparar a riqueza de diferentes locais.
ppbio
ppbior <- mutate(ppbio, across(everything(), ceiling)) #arredonda a matriz
rarefa <- t(ppbior[c("S-R-CT2","S-R-CP2","S-A-TA2","B-A-MU2"),])
rarefa ap-davis as-bimac as-fasci ch-bimac ci-ocela ci-orien co-macro co-heter
S-A-ZA1 0 1 0 0 0 0 0 0
S-R-CC1 0 99 0 0 0 0 0 0
S-R-CT1 0 194 55 0 0 5 0 1
S-R-CP1 0 19 0 0 0 0 0 0
S-A-TA1 0 23 1 13 0 0 0 0
S-R-CT2 0 142 3 3 0 69 0 0
S-R-CP2 0 5 1 0 40 9 0 0
S-A-TA2 0 46 0 178 0 0 0 0
S-R-CT3 0 206 64 0 0 25 0 0
S-R-CP3 0 16 0 0 13 24 0 0
S-A-TA3 0 234 7 238 0 0 2 0
S-R-CT4 0 0 1 0 0 5 0 0
S-R-CP4 0 0 0 0 11 6 0 0
S-A-TA4 0 394 0 273 0 0 0 0
B-A-MU1 0 12 0 0 0 0 0 0
B-R-ET1 0 3 0 0 0 0 0 0
B-A-GU1 0 2 2 0 0 0 0 0
B-R-PC2 5 44 0 0 2 0 0 0
B-A-MU2 0 99 0 0 0 0 0 0
B-A-GU2 0 0 0 0 0 0 0 0
B-R-PC3 22 75 7 0 4 0 0 0
B-A-MU3 0 511 0 0 0 0 0 0
B-A-GU3 0 6 0 0 0 0 0 0
B-R-PC4 0 7 17 0 0 0 0 0
B-A-MU4 0 235 0 0 0 0 0 0
B-A-GU4 0 13 0 0 0 0 0 0
cr-menez cu-lepid cy-gilbe ge-brasi he-margi ho-malab hy-pusar le-melan
S-A-ZA1 0 0 0 0 0 0 0 0
S-R-CC1 0 0 0 0 0 0 0 0
S-R-CT1 14 0 0 3 0 1 9 0
S-R-CP1 0 0 0 0 0 5 2 0
S-A-TA1 0 0 0 0 0 0 0 0
S-R-CT2 4 0 0 0 1 17 43 0
S-R-CP2 0 0 0 0 0 10 2 0
S-A-TA2 0 0 0 0 0 2 0 0
S-R-CT3 8 0 0 1 0 31 11 0
S-R-CP3 0 0 0 0 0 4 0 0
S-A-TA3 0 0 0 0 0 20 0 0
S-R-CT4 1 0 50 3 1 4 3 0
S-R-CP4 0 0 0 0 0 2 0 0
S-A-TA4 1 0 0 1 0 9 0 0
B-A-MU1 0 0 0 190 0 0 0 0
B-R-ET1 0 0 0 0 0 0 0 0
B-A-GU1 0 0 0 7 0 0 0 0
B-R-PC2 0 0 0 8 0 0 0 2
B-A-MU2 0 0 0 67 0 1 0 0
B-A-GU2 0 0 0 23 0 0 0 0
B-R-PC3 0 21 0 16 0 2 1 0
B-A-MU3 0 0 0 145 0 0 0 0
B-A-GU3 0 0 0 32 0 0 0 0
B-R-PC4 0 0 81 5 0 1 0 0
B-A-MU4 0 0 0 509 0 0 0 0
B-A-GU4 0 0 0 10 0 0 0 0
le-piau le-taeni mo-costa mo-lepid or-nilot pa-manag pimel-sp po-retic
S-A-ZA1 0 0 0 0 0 0 0 0
S-R-CC1 0 0 0 1 2 0 0 0
S-R-CT1 3 0 0 39 36 0 6 0
S-R-CP1 0 0 0 0 0 0 0 0
S-A-TA1 0 0 0 0 0 0 0 0
S-R-CT2 1 0 0 1 77 0 0 20
S-R-CP2 3 0 0 0 0 0 0 0
S-A-TA2 0 0 0 0 0 0 0 0
S-R-CT3 2 0 0 0 138 0 0 5
S-R-CP3 1 0 0 0 0 0 0 0
S-A-TA3 0 0 0 0 0 0 0 0
S-R-CT4 0 0 0 0 73 0 0 0
S-R-CP4 2 0 0 0 0 0 0 0
S-A-TA4 2 0 0 0 1 0 0 0
B-A-MU1 0 0 0 0 6 0 0 0
B-R-ET1 0 0 0 0 8 1 0 34
B-A-GU1 0 0 0 0 3 11 0 0
B-R-PC2 0 1 0 0 5 0 0 0
B-A-MU2 0 0 0 0 1 0 0 10
B-A-GU2 0 0 0 0 36 102 0 0
B-R-PC3 0 0 1 0 65 0 0 0
B-A-MU3 0 0 0 0 11 0 0 46
B-A-GU3 0 0 0 0 247 250 0 0
B-R-PC4 1 0 0 0 9 0 0 0
B-A-MU4 0 0 0 0 1 0 0 266
B-A-GU4 0 0 0 0 129 190 0 0
po-vivip pr-brevi ps-rhomb ps-genise se-heter se-piaba se-spilo
S-A-ZA1 0 9 0 0 0 0 0
S-R-CC1 0 0 0 0 0 0 0
S-R-CT1 47 5 0 0 40 68 0
S-R-CP1 15 0 0 0 14 0 0
S-A-TA1 0 1 0 0 4 0 0
S-R-CT2 221 15 0 0 60 0 0
S-R-CP2 32 5 0 0 0 0 0
S-A-TA2 0 2 0 0 0 0 0
S-R-CT3 326 164 1 1 38 0 1
S-R-CP3 10 0 0 0 0 0 0
S-A-TA3 0 0 0 0 0 0 0
S-R-CT4 28 59 0 0 3 0 0
S-R-CP4 80 0 0 0 3 0 0
S-A-TA4 0 3 0 0 0 0 0
B-A-MU1 0 0 0 0 0 0 0
B-R-ET1 0 0 0 0 0 0 0
B-A-GU1 0 0 0 0 0 0 0
B-R-PC2 0 9 0 0 10 0 0
B-A-MU2 8 0 0 0 0 0 0
B-A-GU2 0 0 0 0 0 0 0
B-R-PC3 0 6 0 0 93 0 0
B-A-MU3 48 1 0 0 0 0 0
B-A-GU3 0 0 0 0 0 0 0
B-R-PC4 0 0 0 0 31 0 0
B-A-MU4 163 0 0 0 0 0 0
B-A-GU4 0 0 0 0 0 0 0
st-noton sy-marmo te-chalc tr-signa
S-A-ZA1 0 0 0 0
S-R-CC1 0 0 0 0
S-R-CT1 1 0 0 18
S-R-CP1 0 0 0 0
S-A-TA1 0 0 0 0
S-R-CT2 25 0 0 15
S-R-CP2 0 1 0 0
S-A-TA2 0 0 0 0
S-R-CT3 115 0 0 7
S-R-CP3 0 0 0 0
S-A-TA3 0 0 0 0
S-R-CT4 64 0 0 141
S-R-CP4 0 0 0 0
S-A-TA4 0 0 0 0
B-A-MU1 0 0 0 0
B-R-ET1 0 0 0 0
B-A-GU1 0 0 0 0
B-R-PC2 0 0 76 23
B-A-MU2 0 0 0 0
B-A-GU2 0 0 0 0
B-R-PC3 0 0 58 0
B-A-MU3 0 0 0 0
B-A-GU3 0 0 0 0
B-R-PC4 0 0 0 4
B-A-MU4 0 0 0 0
B-A-GU4 0 0 0 0
S-R-CT2 S-R-CP2 S-A-TA2 B-A-MU2
ap-davis 0 0 0 0
as-bimac 142 5 46 99
as-fasci 3 1 0 0
ch-bimac 3 0 178 0
ci-ocela 0 40 0 0
ci-orien 69 9 0 0
co-macro 0 0 0 0
co-heter 0 0 0 0
cr-menez 4 0 0 0
cu-lepid 0 0 0 0
cy-gilbe 0 0 0 0
ge-brasi 0 0 0 67
he-margi 1 0 0 0
ho-malab 17 10 2 1
hy-pusar 43 2 0 0
le-melan 0 0 0 0
le-piau 1 3 0 0
le-taeni 0 0 0 0
mo-costa 0 0 0 0
mo-lepid 1 0 0 0
or-nilot 77 0 0 1
pa-manag 0 0 0 0
pimel-sp 0 0 0 0
po-retic 20 0 0 10
po-vivip 221 32 0 8
pr-brevi 15 5 2 0
ps-rhomb 0 0 0 0
ps-genise 0 0 0 0
se-heter 60 0 0 0
se-piaba 0 0 0 0
se-spilo 0 0 0 0
st-noton 25 0 0 0
sy-marmo 0 1 0 0
te-chalc 0 0 0 0
tr-signa 15 0 0 0
A curva de rarefação vai ser construida para os sítios: “S-R-CT2”,“S-R-CP2”,“S-A-TA2”,“B-A-MU2”
Mude o q para 1 para comparar a diversidade de Shannon e para 2 para Simpson
out <- iNEXT(rarefa, q = 0,
datatype = "abundance",
size = NULL,
endpoint = 1500, #define o comprimento de eixo x
knots = 40,
se = TRUE,
conf = 0.95,
nboot = 50)
grafico3 <- ggiNEXT(out, type = 1, facet.var="None") +
theme_bw() +
labs(fill = "Áreas") +
xlab("Número de indivíduos") +
ylab("Riqueza de espécies") +
theme(legend.title=element_blank())
#Ver como fica com facet.var="Assemblage"
grafico3
A linha sólida representa a interpolação do número de espécies observadas, e a linha tracejada mostra uma extrapolação do que seria esperado dado um aumento no número de indivíduos coletados. A área mais clara representa o intervalo de confiança de 95%.
8.1 Interpretando a curva de rarefação
A curva de rarefação é uma ferramenta gráfica comumente usada em ecologia para estimar e visualizar a riqueza de espécies em uma comunidade, especialmente quando se têm dados de amostragem incompletos. Ela ajuda a responder à pergunta: “Quantas espécies diferentes podemos esperar encontrar em uma comunidade com base nas amostras que coletamos até agora?”
Aqui está uma explicação passo a passo sobre como interpretar uma curva de rarefação:
- Eixo X (Número de Indivíduos Amostrados):
- O eixo horizontal (eixo X) representa o número de indivíduos ou unidades amostrados da comunidade. Isso pode ser o número de indivíduos observados, o número de amostras coletadas ou qualquer outra unidade de amostragem que seja relevante para o estudo.
- Eixo Y (Riqueza de Espécies):
- O eixo vertical (eixo Y) representa a riqueza de espécies, ou seja, o número total de espécies diferentes observadas ou estimadas nas amostras.
- Pontos na Curva:
- Cada ponto na curva de rarefação representa a riqueza de espécies estimada com base no número de indivíduos amostrados até o momento.
- À medida que você aumenta o número de indivíduos amostrados (ou seja, move-se para a direita ao longo do eixo X), a riqueza de espécies estimada também aumenta (ou seja, move-se para cima ao longo do eixo Y).
- Inclinação da Curva:
- A inclinação da curva de rarefação é importante. Uma curva que sobe rapidamente indica que novas espécies estão sendo encontradas à medida que mais indivíduos são amostrados. Isso sugere que a comunidade é rica em espécies, e ainda há muitas espécies não observadas.
- Uma curva que sobe lentamente sugere que a maioria das espécies já foi observada, e a riqueza de espécies está se estabilizando. Isso indica uma comunidade menos diversa ou uma amostragem mais completa.
- Assíntota:
- A assíntota é o ponto em que a curva de rarefação começa a nivelar-se, e a adição de mais indivíduos à amostra tem um impacto mínimo na riqueza de espécies estimada. A assíntota é uma estimativa da riqueza de espécies máxima que pode ser alcançada com a amostragem disponível.
- Interpretação:
- A interpretação da curva de rarefação depende do contexto. Se a curva ainda estiver subindo acentuadamente no ponto em que você parou de amostrar, isso sugere que a amostragem está incompleta, e mais espécies provavelmente serão encontradas com mais esforço de amostragem.
- Se a curva estiver nivelada e próxima de uma assíntota, isso sugere que a amostragem foi mais completa, e você pode ter uma estimativa confiável da riqueza de espécies na comunidade.
- Estimativas da Riqueza:
- A curva de rarefação pode ser usada para fazer estimativas da riqueza de espécies com base nas amostras coletadas. No entanto, lembre-se de que essas são estimativas e estão sujeitas a variações amostrais. É comum calcular intervalos de confiança ao redor dessas estimativas.
Em resumo, a curva de rarefação é uma ferramenta valiosa para estimar a riqueza de espécies em uma comunidade com base em amostras coletadas. A interpretação depende da inclinação da curva, da presença de uma assíntota e do contexto do estudo. É importante lembrar que a amostragem mais completa geralmente resulta em estimativas mais confiáveis da riqueza de espécies.
9 Curva de acumulação de espécies
acumula <- specaccum(ppbio,
method = "random")
acumulaSpecies Accumulation Curve
Accumulation method: random, with 100 permutations
Call: specaccum(comm = ppbio, method = "random")
Sites 1.00000 2.0000 3.00000 4.00000 5.00000 6.00000 7.00000 8.00000
Richness 6.46000 10.9400 14.47000 16.73000 18.75000 20.20000 21.48000 22.73000
sd 4.08105 4.8259 4.74705 4.57895 4.32137 4.08743 4.16692 3.83986
Sites 9.00000 10.00000 11.00000 12.00000 13.00000 14.00000 15.00000
Richness 23.94000 24.77000 25.54000 26.56000 27.24000 28.23000 28.73000
sd 3.67855 3.70327 3.56872 3.43282 3.49926 3.07106 2.92621
Sites 16.00000 17.00000 18.00000 19.00000 20.00000 21.00000 22.0000 23.0000
Richness 29.28000 29.84000 30.51000 30.91000 31.54000 32.14000 32.6200 33.2400
sd 2.83585 2.81669 2.79066 2.76374 2.35882 2.17432 2.1167 1.8809
Sites 24.00000 25.00000 26
Richness 34.00000 34.51000 35
sd 1.45644 1.02981 09.1 Plot locais
Plotamos uma curva de acumulação de espécies simples.
plot(acumula)
Uma curva de acumulação de espécies é uma ferramenta gráfica usada para entender como a riqueza de espécies em uma comunidade aumenta à medida que mais amostras são coletadas ou observações são feitas. Ela é especialmente útil em estudos de biodiversidade e ecologia. Aqui está uma explicação sobre como interpretar uma curva de acumulação de espécies:
- Eixo X (Número de Amostras ou Unidades de Observação):
- O eixo horizontal (eixo X) representa o número de amostras coletadas, unidades de observação ou esforço amostral. Isso pode ser o número de áreas amostradas, pontos de observação, horas de coleta de dados ou qualquer unidade relevante para o estudo.
- Eixo Y (Riqueza de Espécies Acumulada):
- O eixo vertical (eixo Y) representa a riqueza de espécies acumulada, ou seja, o número total de espécies diferentes observadas ou registradas até o momento.
- Pontos na Curva:
- Cada ponto na curva de acumulação de espécies representa a riqueza de espécies acumulada com base no número de amostras coletadas ou observações feitas até aquele ponto.
- À medida que você aumenta o número de amostras (ou seja, move-se para a direita ao longo do eixo X), a riqueza de espécies acumulada também aumenta (ou seja, move-se para cima ao longo do eixo Y).
- Inclinação da Curva:
- A inclinação da curva de acumulação de espécies é importante. Uma curva que sobe rapidamente indica que novas espécies estão sendo encontradas à medida que mais amostras são coletadas. Isso sugere que a comunidade é rica em espécies e que ainda há muitas espécies não observadas.
- Uma curva que sobe lentamente sugere que a maioria das espécies já foi observada, e a riqueza de espécies está se estabilizando. Isso indica uma comunidade menos diversa ou uma amostragem mais completa.
- Assíntota:
- A assíntota é o ponto onde a curva de acumulação de espécies começa a nivelar-se, e a adição de mais amostras tem um impacto mínimo na riqueza de espécies acumulada. A assíntota é uma estimativa da riqueza de espécies máxima que pode ser alcançada com o esforço amostral disponível.
- Interpretação:
- A interpretação da curva de acumulação de espécies depende do contexto. Se a curva ainda estiver subindo acentuadamente no ponto em que você parou de amostrar, isso sugere que a amostragem está incompleta, e mais espécies provavelmente serão encontradas com mais esforço amostral.
- Se a curva estiver nivelada e próxima de uma assíntota, isso sugere que a amostragem foi mais completa, e você pode ter uma estimativa confiável da riqueza de espécies na comunidade.
- Estimativas da Riqueza:
- A curva de acumulação de espécies pode ser usada para fazer estimativas da riqueza de espécies com base nas amostras coletadas. No entanto, lembre-se de que essas são estimativas e estão sujeitas a variações amostrais. É comum calcular intervalos de confiança ao redor dessas estimativas.
Em resumo, a curva de acumulação de espécies é uma ferramenta valiosa para entender como a riqueza de espécies aumenta com o esforço amostral em uma comunidade. A interpretação depende da inclinação da curva, da presença de uma assíntota e do contexto do estudo. Ela ajuda a responder à pergunta: “Quantas espécies diferentes podemos esperar encontrar em uma comunidade com base nas amostras que coletamos até agora?”
Agora podemos plotar uma curva de acumulação de espécies melhorada.
plot_data <- data.frame("Locais" = c(0, acumula$sites),
"Riqueza" = c(0, acumula$richness),
"lower" = c(0, acumula$richness - acumula$sd),
"upper" = c(0, acumula$richness + acumula$sd))
gLocais <- ggplot(plot_data, aes(x = Locais, y = Riqueza)) +
geom_point(color = "blue", size = 4) +
geom_line(color = "blue", lwd = 2) +
geom_ribbon(aes(ymin = lower, ymax = upper),
linetype=2, alpha=0.3, fill = "yellow") +
ylab("Riqueza acumulada") +
theme_classic() +
theme(text = element_text(size = 16))
gLocais
10 Plot indivíduos
plot_data <- data.frame("Individuals" = c(0, acumula$individuals),
"Riqueza" = c(0, acumula$richness),
"lower" = c(0, acumula$richness - acumula$sd),
"upper" = c(0, acumula$richness + acumula$sd))
gInd <- ggplot(plot_data, aes(x = Individuals, y = Riqueza)) +
geom_point(color = "blue", size = 4) +
geom_line(color = "blue", lwd = 2) +
geom_ribbon(aes(ymin = lower, ymax = upper),
linetype=2, alpha=0.3, fill = "yellow") +
ylab("Riqueza acumulada") +
theme_classic() +
theme(text = element_text(size = 16))
gInd
11 Referências
R Core Team. 2017. R: A language and environment for statistical computing. Book, R Foundation for Statistical Computing, Austria.
Team, Rs. 2022. RStudio: Integrated Development Environment for R. Book, RStudio, PBC, Boston, MA.
Apêndices
Sites consultados
Notas de rodapé
Curso de Ciências Biológicas do Campus V da UEPB↩︎
A etimologia do gênero Astyanax vem da mitologia Grega. Heitor personagem da “Ilíada”, tinha um filho chamado Astíanax.↩︎
Do Grego, hoplon, arma ou armadura, em referência aos dentes caniniformes muito desenvolvidos, e forte estrutura óssea na cabeça.↩︎