{{:bie5782:01_curso_atual:alunos:trabalho_final:filipaabreu88:12307503_1203684496327810_7304075801980685232_o.jpg?nolink&200|}}
====== Filipa Abreu ======
**Doutoranda no Programa de Etnobiologia e Conservação da Natureza - UFRPE**
----
Desenvolve trabalhos na área cognição de primatas não-humanos, particularmente no uso da memória espacial durante o forrageio e nos fatores ecológicos que influenciam essa capacidade. Integrante do Laboratório de Etologia Teórica e Aplicada. [[http://letaufrpe.weebly.com/|LETA]]
[[.:Exerc.]]
----
====== Proposta A ======
__Contextualização:__ Em estudos de comportamento animal é comum avaliar o tempo que os animais demoram para aprender determinado comportamento ou atividade. Sendo que por vezes é necessário fazer uma comparação desse processo em diferentes contextos (por exemplo, em situações de alta ou baixa disponibilidade de alimento ou na presença de animais com diferentes graus de parentesco). Este cenário pode também ser observado em outras áreas, como por exemplo, na comparação do tempo de crescimento de organismos (vegetais ou animais) em diferentes condições.
__Tarefa da função:__ A função terá como objetivo comparar a taxa de variação média entre dois pontos em duas curvas e medir a probabilidade de estas curvas serem iguais.
__Entrada dos dados:__
* Data frame com uma coluna categórica e duas colunas numéricas. A coluna categórica conterá um fator com dois níveis (as condições ou cenários que se deseja comparar), e as colunas numéricas terão uma variável medida em tempo e a variável de interesse que será em função da primeira variável numérica.
* Pontos inicial e final em que se pretende comparar a taxa de variação média que devem ser escolhidos pelo utilizador. Os pontos escolhidos terão de ser os mesmos nas duas curvas.
__Saída dos dados:__
* Gráfico plot com duas curvas plotadas e suas retas secantes, mostrando os ponto final e inicial da taxa de variação média escolhidos pelo utilizador.
* Valor da probabilidade.
----
''Obrigada pela ajuda. Isso, os pontos entre os quais o utilizador pretende calcular a variação média serão informados pelo utilizador em um argumento. Optei por colocar isso no argumento, uma vez que como as curvas podem ser tanto crescentes como decrescentes os pontos seriam diferentes e colocar pontos como default iria ficar confuso. Assim, quando o usuário entra com os dados ele terá que ter uma noção entre quais pontos ele quer que a comparação seja realizada. Com relação ao cálculo de valor da probabilidade, poderia ser feito com um teste de Monte Carlo (com 2000 simulações), isto porque na área em que trabalho é normal os dados não atingirem os pressupostos de normalidade e homogeneidade.''
{{ :bie5782:01_curso_atual:alunos:trabalho_final:filipaabreu88:exemplo_a.jpg?nolink |}}
Oi Filipa
Me parece bastante interessante e de ampla ut}}ilização esta função.
Mas não tenho certeza de que compreendi bem. A taxa de variação média escolhida pelo utilizador seria um dado em um argumento ?
Se achar que pode ser valido tente incluir um esboço como exemplo dessas curvas apenas para nos auxiliar a compreender melhor e pensar como podemos aprimorar a proposta
O cálculo da probabilidade seria feito com base em um teste(s) específico (s) ?
====== Proposta B ======
__Contextualização:__ Em estudos sobre lateralidade em primatas humanos e não humanos, é comum esta lateralidade ser avaliada através de um uso preferencial de uma mão. Esta avaliação é realizada por meio de um índice simples mas que demanda tempo e é realizada em vários passos, visto que é feito por animal e por cada mão escolhida para realizar determinada ação. Esse índice de lateralidade é calculado através da formula (HI = (D-E) / (D+E)), em que D e E representam a frequência no uso da mão direita e esquerda, respectivamente) e varia de -1 (uso exclusivo da mão esquerda) a +1 (uso exclusivo da mão direita).
__Tarefa da função:__ A função proposta terá como objetivo calcular o índice de lateralidade e avaliar a probabilidade de um dado animal ser destro, canhoto ou ambidestro e a probabilidade da lateralidade observada na população ser atribuída ao acaso (isto é, ter uma preferência geral por uma das mãos).
__Entrada dos dados:__
* Data frame contendo nas linhas as observações do uso da mão por ID do animal (fator que conterá x níveis de acordo com o número de animais introduzidos) e na coluna a mão usada em cada acção (A – ambidestro, D – direita, E – esquerda).
__Saída dos dados:__
* Uma lista com os seguintes parametros para cada animal: Frequência do uso de cada mão (A, D, E), resultado do índice de lateralidade, classificação em categorias de acordo com esse índice e o valor da probabilidade.
* Valor da probabilidade para a população.
Obrigada pela ajuda. Realmente acho que acabei me expressando de forma confusa. Pensando melhor a função poderia incluir mais argumentos. A função pode permitir que o data frame de entrada inclua um fator que pode conter vários níveis, cuja influência sobre a lateralidade o usuário tivesse interesse de analisar (isto é, comparar o índice entre dois tipos de alimento, entre quantidades diferentes de alimento ou tarefas de diferentes níveis de dificuldade).
Outro argumento que pode ser incluído é a escolha do usuário sobre a comparação dos diferentes níveis do fator. Assim, o argumento “comp” teria como default FALSE. Nesse caso não haveria nenhuma análise entre os diferentes níveis do fator. Ou caso o usuário quisesse essa comparação, o argumento “comp” teria de ser preenchido com o nome da coluna do fator apresentada no “head” do data frame.
Dessa forma, por padrão, a função irá calcular a frequência do uso de cada mão para cada indivíduo, o índice de lateralidade (através da formula apresentada), a sua classificação de acordo com o índice, e a probabilidade do índice de cada individuo e da população serem observadas ao acaso através simulações de Monte Carlo. Ainda calculará a probabilidade da diferença entre os grupos ser significativa através do mesmo método, se o argumento “comp” for preenchido com o nome do fator a ser comparado.
Filipa,
Acho que aqui também faltou elaborar quais seriam os argumentos possíveis. A principio a função parece um pouco simples demais mas os argumentos poderiam conferir maior importância a ela.
Assim como coloquei para a proposta A, é importante que ao falar de probabilidades fique um pouco mais claro como este cálculo é realizado. Quando você diz a probabilidade de que a lateralidade da população seja atribuída ao acaso, seria na verdade avaliar se existe uma lateralidade prevalente significativamente diferente da ocorrência das demais ?
Acho que ambas as propostas podem ser viáveis mas precisam de mais um pouco de detalhamento talvez e elaboração dos argumentos para poder seguir.
Oi Filipa,
Ficaram mais claras as propostas após a edição e com seus comentários.
Acredito que ambas sejam viáveis.
Dois comentários:
- Você está segura de como irá realizar os cálculos probabilísticos ?
- Para a proposta B concordo que seja melhor não ter um padrão determinado que a função irá buscar, e sim ler quais tipos de classificação existem no dado de entrada (no exemplo que deu seria : D, E e A) e trabalhar com eles. Acho que a proposta B talvez ainda esteja um pouco simples.
- Para a proposta A: Ainda não acho que eu compreendi perfeitamente como serão feitos os cálculos mas entendi o objetivo. Algum outro monitor ou o Ale ainda devem passar aqui para comentar. Talvez essa proposta seja mais interessante analiticamente e em código também, focaria nela. De qualquer modo seria util pensar que tipo de possibilidades em argumentos, seria interessante o usuário ter. Por exemplo: é o mesmo tipo de cálculo que você utiliza para uma curva bimodal, curva exponencial, etc... ? Talvez possa ser esta uma flexibilidade da função para aumentar a sua aplicabilidade. Ou outros argumentos que você imagina que o usuário (voce por exemplo) acharia útil.
Qualquer coisa escreva, busque ajuda no forum ou no stackoverflow ;)
Beijos
----
====== Função Curly ======
curly<- function (dados, choosepoints=FALSE, xtype="name", ytype="name", ...)
{
if (!(is.factor(dados[,1]) & is.numeric(dados[,2]) & is.numeric(dados[,3]))) #vê se a primeira coluna do data frame é um fator e a segunda e terceira um vector numérico
{
stop("WARNING: The first column has to be a factor and second and third columns numeric vectors") #a função para e retorna um aviso em vermelho
}
else (is.factor(dados[,1]) & is.numeric(dados[,2]) & is.numeric(dados[,3])) #vê se a primeira coluna do data frame é um fator e a segunda e terceira um vector numérico
{
dados1 <- na.omit(dados) #remove as linhas do data frame que contenham NA's
cat("Lines in the data frame with NA's were excluded\n") #mensagem no console dizendo o que foi feito essa exclusão.
nivel <- levels(dados1[,1]) #mostrar quantos níveis tem o fator da primeira coluna
cat1 <- subset(dados1, dados1[,1]==nivel[1]) #fazer um conjunto de dados em função do 1º nível do fator
cat2 <- subset(dados1, dados1[,1]==nivel[2]) #fazer um conjunto de dados em função 2º nível do fator
#Neste passo, a ideia é criar um gráfico que possa ser utilizado pelo usuário em qualquer local.
#O uso do ..., faz com que o utilizador possa modificar os paramêtros do gráfico a seu gosto
pdf("grafico curva.pdf") #guarda o gráfico em PDF
par(tck=0.01, cex.axis=1.3, family="serif") #alterando alguns parâmetros do grafico
plot(cat1[,3]~cat1[,2], xlab=xtype, ylab=ytype, ...) #fazer gráfico de um dos conjuntos de dados e mudar os parâmetros do grafico nos argumentos da função
lines(lowess(cat1[,2], cat1[,3]), lwd=3) #inserir a linha para fazer a curva de ajuste aos pontos
par(new=TRUE) #incluir um outro gráfico (a ser realizado posteriormente) na mesma figura
plot(cat2[,3]~cat2[,2], xlab="", ylab="", xaxt="n", yaxt="n", ...) #fazer gráfico de um dos conjuntos de dados e mudar os parâmetros do grafico nos argumentos da função
lines(lowess(cat2[,2], cat2[,3]), lty=2, lwd=3) #inserir a linha para fazer a curva de ajuste aos pontos
graphics.off() #apaga todos os gráficos abertos de forma a guardar em pdf o gráfico acima
#Neste caso, a ideia é plotar o grafico apenas para visualização do próprio utilizador para que possa avaliar seus dados
#e escolher depois os pontos de interesse para fazer a taxa de variação média. Por essa razão não foi incluído ... aqui
par(tck=0.01, cex.axis=1.3, family="serif") #alterando alguns parâmetros do grafico
graphic1 <- plot(cat1[,3]~cat1[,2], pch=20, cex=0.7, xlab=xtype, ylab=ytype, cex.lab=1.5) #fazer gráfico de um dos conjuntos de dados
lines(lowess(cat1[,2], cat1[,3]), lwd=3) #inserir a linha para fazer a curva de ajuste aos pontos
par(new=TRUE) #incluir um outro gráfico (a ser realizado posteriormente) na mesma figura
graphic2 <- plot(cat2[,3]~cat2[,2], cex=0.7, xlab="", ylab="", xaxt="n", yaxt="n") #fazer gráfico de um dos conjuntos de dados
lines(lowess(cat2[,2], cat2[,3]), lty=2, lwd=3) #inserir a linha para fazer a curva de ajuste aos pontos
}
if (choosepoints==FALSE) #caso o argumento seja igual a FALSE a função irá fazer um teste qui-quadrado com todos os dados inseridos
{
test1 <- chisq.test(dados1[,2], dados1[,3]) #teste qui-quadrado realizado em todos os dados de cada conjunto
exit1 <- list(cat1, cat2, test1) #lista dos componentes que a função irá retornar
names(exit1) <- paste(list("Conjunto de dados do primeiro nível do fator", "Conjunto de dados do segundo nível do fator", "Chi-Squared Test")) #para atribuir um nome a cada componente da lista
print("ATTENTION: The function compared only the first two levels of your factor!!") #aviso para o utilizador
return(exit1) #retorna a lista acima
}
else (choosepoints==TRUE) #caso o argumento seja igual a TRUE a função aguarda para que sejam escolhidos os pontos no gráfico
{
message("Please choose two points on the x-axis for calculation of median variation rate") #aviso para o utilizador
xi <- locator(1) #localizar o ponto inicial do eixo x para o calculo da taxa de variação
xf <- locator(1) #localizar o ponto final do eixo x para o calculo da taxa de variação
xi <- round(xi[[1]]) #arredondar o valor de x inicial escolhido pelo utilizador
xf <- round(xf[[1]]) #arredondar o valor de x final escolhido pelo utilizador
secante1 <- lowess(cat1[,3]) #saber quais os valores da curva ajustada do primeiro conjunto de dados
seci1 <- secante1$y[[xi]] #acessar valor do y correspondente ao valor de x inicial escolhido pelo utilizador na curva ajustada (primeiro conjunto de dados)
secf1 <- secante1$y[[xf]] #acessar valor do y correspondente ao valor de x final escolhido pelo utilizador na curva ajustada (primeiro conjunto de dados)
secante2 <- lowess(cat2[,3]) #saber quais os valores da curva ajustada do segundo conjunto de dados
seci2 <- secante2$y[[xi]] #acessar valor do y correspondente ao valor de x inicial escolhido pelo utilizador na curva ajustada (segundo conjunto de dados)
secf2 <- secante2$y[[xf]] #acessar valor do y correspondente ao valor de x final escolhido pelo utilizador na curva ajustada (segundo conjunto de dados)
lines(c(xi,xf), c(seci1, secf1), lwd=2, col="red") #traçar recta secante do primeiro conjunto de dados
lines(c(xi,xf), c(seci2, secf2), lwd=2, col="blue", lty=2) #traçar recta secante do segundo conjunto de dados
y1i <- cat1[cat1[,2]==round(xi),] #seleccionar as linhas do dataframe do primeiro conjunto de dados que correspondem ao valor de x inicial para pegar o valor de y correspondente
y1f <- cat1[cat1[,2]==round(xf),] #seleccionar as linhas do dataframe do primeiro conjunto de dados que correspondem ao valor de x final para pegar o valor de y correspondente
y2i <- cat2[cat2[,2]==round(xi),] #seleccionar as linhas do dataframe do segundo conjunto de dados que correspondem ao valor de x inicial para pegar o valor de y correspondente
y2f <- cat2[cat2[,2]==round(xf),] #seleccionar as linhas do dataframe do segundo conjunto de dados que correspondem ao valor de x final para pegar o valor de y correspondente
Ax1 <- (y1f[[3]]-y1i[[3]])/(xf-xi) #cálculo da taxa de variação média no primeiro conjunto de dados
Ax2 <- (y2f[[3]]-y2i[[3]])/(xf-xi) #cálculo da taxa de variação média no segundo conjunto de dados
aa1 <- cat1[cat1[,2]>=xi & cat1[,2]<=xf,] #para ter acesso ao data frame dos valores do primeiro conjunto seleccionados pelo usuário
aa2 <- cat2[cat2[,2]>=xi & cat2[,2]<=xf,] #para ter acesso ao data frame dos valores do primeiro conjunto seleccionados pelo usuário
intervalo1 <-aa1[[3]] #valores de y do primeiro conjunto (apenas no intervalo seleccionado pelo usuário)
intervalo2 <- aa2[[3]] #valores de y do segundo conjunto (apenas no intervalo seleccionado pelo usuário)
test <- chisq.test(intervalo1, intervalo2) #faz um teste qui-quadrado de forma a comparar os valores das variváveis dependentes no intervalo de tempo(x) escolhido pelo utilizador
exit <- list(aa1, aa2, Ax1, Ax2, test) #lista dos componentes que a função irá retornar
names(exit) <- paste(list("Conjunto de dados do primeiro nível do fator no intervalo escolhido", "Conjunto de dados do segundo nível do fator no intervalo escolhido", "Taxa de variação média do primeiro conjunto de dados", "Taxa de variação do segundo conjunto de dados", "Chi-Squared Test"))
print("ATTENTION: The function compared only the first two levels of your factor!!") #aviso para o utilizador
return(exit) #retorna a lista acima
}
}
====== Help Curly ======
curly package:unknown R documentation
Teste de comparação de curvas de dois conjuntos de dados.
Description
Faz a comparação estatística entre as proporções ou porcentagens de dois conjuntos de dados ao longo de um determinado período de tempo
e produz um gráfico de dispersão dos dados e suas curvas ajustadas.
Usage:
curly(dados, choosepoints=FALSE, xtype="name", ytype="name", ...)
Arguments:
dados - data frame com uma coluna categórica com 1 fator de vários níveis e duas colunas numéricas.
A primeira coluna numérica deve conter a variável independente
e a segunda coluna numérica deve ser a variável dependente (em proporção ou porcentagem).
choosepoints - se TRUE, devem ser escolhidos dois pontos para uma comparação num determinado intervalo delimitado no eixo X.
Caso seja FALSE, a comparação será feita em toda a extensão do conjunto de dados. Default=FALSE.
xtype - colocar o nome do xlab nos dois gráficos plotados
ytype - colocar o nome do ylab nos dois gráficos plotados
... - argumentos da função plot, por favor veja função plot() e par(). Alguns argumentos que podem ser usados:
pch - muda o tipo dos pontos do gráfico de dispersão
col - muda as cores a serem colocadas no plot
cex - aumenta do tamanho do texto do plot e dos símbolos
main - muda o título do gráfico
Details:
A função é apenas aplicada para dados que sejam medidos em proporção ou porcentagem.
O objetivo da função é verificar se duas curvas são iguais em função de uma variável independente (como tempo, peso, etc).
Esta variável independente deve ter o mesmo intervalo nos dois conjuntos de dados.
Se o argumento choosepoints for TRUE, a função irá produzir as linhas secantes da taxa de variação média.
A função permite a entrada de um um fator com vários niveís no entanto apenas os primeiros dois níveis serão usados para a função.
Value:
Terá uma lista como saída com os seguintes componentes:
Se, choosepoints=FALSE
Tabela com as variáveis do primeiro conjunto de dados
Tabela com as variáveis do segundo conjunto de dados
Parâmetros do Teste Qui-quadrado e valor de p associado
Se, choosepoints=TRUE
Tabela com as variáveis do primeiro conjunto de dados (mostrando apenas as que estão no intervalo escolhido pelo utilizador)
Tabela com as variáveis do segundo conjunto de dados (mostrando apenas as que estão no intervalo escolhido pelo utilizador)
Valor da taxa de variação média da primeira curva (entre os pontos escolhidos pelo utilizador)
Valor da taxa de variação média da segunda curva (entre os pontos escolhidos pelo utilizador)
Parâmetros do Teste Qui-quadrado e valor d p associado
Warning:
Aceita apenas data frame com uma coluna categórica com 1 fator de vários níveis e duas colunas numéricas.
Se forem colocados mais de 2 níveis no factor a função irá apenas fazer a comparação entre os dois primeiros níveis do data frame.
Author:
Filipa Alexandra de Abreu Paulos
Examples:
#Exemplo
x <- rep(c("Adequatefood","Inadequatefood"), each=15)
y <- rep.int(c(1:15), times=2)
z1 <- c(0.06666667, 0.33333333, 0.86666667, 0.60000000, 0.60000000, 0.66666667, 0.73333333, 0.80000000, 0.86666667, 0.80000000, 1.00000000, 1.00000000, 1.00000000, 0.66666667, 1.00000000)
z2 <- c(0.00000000, 0.66666667, 0.53333333, 0.53333333, 0.93333333, 0.80000000, 0.73333333, 0.93333333, 0.80000000, 0.93333333, 0.93333333, 0.93333333, 0.86666667, 0.86666667, 0.86666667)
z <- c(z1,z2)
dados <- data.frame(x,y,z)
curly(dados)
curly(dados, xtype="Proporção de escolhas correctas", ytype="Sessão", pch=c(1,3))
#muda o nome dos eixos x e y e o formato dos pontos do gráfico.
curly(dados, choosepoints=TRUE, cex=2)
#faz com que a função peça para escolher dois pontos do eixo x para que se faça a comparação apenas nesse intervalo. Aumento o tamanho de todos os parâmetros do gráfico
##Exemplo com distribuições exponenciais
x <- rep(c("f","h"), each=60)
y <- rep.int(c(1:60), times=2)
zi <- pexp(1:500, 0.01)
z1 <- sort(sample(zi,60))
z2 <- sort(sample(zi,60))
z <- c(z1,z2)
da <- data.frame(x,y,z)
curly(da)
curly(da, choosepoints=TRUE)
#faz com que a função peça para escolher dois pontos do eixo x para que se faça a comparação apenas nesse intervalo.
curly(da, choosepoints=F, cex.lab=2, col="red")
#Muda alguns parâmetros do gráfico como o tamanho dos eixos x e y e a coloração dos pontos plotados.
====== Arquivos Curly ======
{{:bie5782:01_curso_atual:alunos:trabalho_final:filipaabreu88:curly.r|Função Curly}}
{{:bie5782:01_curso_atual:alunos:trabalho_final:filipaabreu88:helpcurly.txt|Help Curly}}