#Exercício 1. #Os palmitos estão distribuídos aleatoriamente na floresta? Durante a aula teórica mostramos como podemos usar uma distribuição teórica para gerar dados que simulem o cenário previsto por nossa hipótese nula. No caso da posição dos palmitos adultos em uma parcela de 10,24 ha de floresta (320×320 m), nossa hipótese nula é que eles se distribuem aleatoriamente no espaço. Iniciamos a construção do código para testar essa hipótese, o exercício é terminar de testar a hipótese. Abaixo reproduzimos o código apresentado em aula para que possa continuar a partir dele. #1.1. Baixe o arquivo palmadulto.txt e leia os dados no R em um objeto chamado eutad, não esqueça de conferir se o objeto de dados foi lido corretamente. eutad<-read.table("palmadulto.txt", header =T, sep = "\t", as.is=T) str(eutad) #1.2. Crie o objeto para guardar as distâncias entre cada indivíduo: dist=matrix(NA, ncol=102, nrow=102) #1.3. Calcule a distãncia observada entre cada indivíduo e guarde o results em dist: for(i in 1:101) { for(j in (i+1):102) { difx2=(eutad$gx[i]-eutad$gx[j])^2 dify2=(eutad$gy[i]-eutad$gy[j])^2 dist[i,j]<-sqrt(difx2 + dify2) dist[j,i]<-sqrt(difx2 + dify2) } } #1.4. Verifique o objeto dist e calcule o parâmetro chamado de distância média do vizinho mais próximo (MNN): (nn<-apply(dist, 1, min, na.rm=TRUE)) (mnn<-mean(nn)) #Simulando result<-rep(NA, 1000) result[1]<-mnn result[1:5] for(k in 2:1000){ xsim<-round(runif(102, 0, 320), 1) ysim<-round(runif(102,0,320),1) rxy<-data.frame(xsim, ysim) rdistmat<-as.matrix(dist(rxy, diag=F, upper=T)) diag(rdistmat)<-NA rnnd<-apply(rdistmat, 1, min, na.rm=T) result[k]<-mean(rnnd) } result hist(result) abline(v=result[1], lty=2, col="red") result1<-result-mean(result) hist(result1) abline(v=result1[1], lty=2, col="red") nmaior<-sum(abs(result1)>=abs(result1[1])) pvalor<-nmaior/length(result1) #Com o pvalo de 0.049, evidencia que a distância calculada não foi gerada pelo acaso. #----------------------------------------------------------------------------- #2 Exercicio. #Simulando o teste de uma regressão linear #O principal teste estatístico de uma regressão linear é que a inclinação do modelo da reta é diferente de zero! Isso significa que a variável preditora é independente da variável reposta. Ou seja não há relação aparente entre elas. Utilizando os dados de massa corpórea e do cérebro de alguns vertebrados Conjunto de Dados: Massa do Corpo e do Cérebro de Vertebrados: anim<-read.table("animais.txt", header=T, sep=";", as.is=T, dec = ",") str(anim) anim$body<-as.numeric(anim$body) anim$brain<-as.numeric(anim$brain);anim str(anim) anim<-na.exclude(anim) plot(brain~body, data=anim, log="xy") lm.massa <- lm(log(brain)~log(body),data=anim) summary(lm.massa) abline(lm.massa) coef.massa<-coef(lm.massa) result.sim<-rep(NA, 1000) result.sim[1]<-coef.massa[2] result.sim[1:5] cerebro<-anim$brain for(i in 2:1000){ sim_brain<-sample(cerebro) result.sim[i]<-coef(lm(log(sim_brain)~log(body), data=anim))[[2]] } result.sim hist(result.sim) abline(v=result.sim[1], lty=2, col="red") pvalor<-sum(abs(result.sim)>=abs(result.sim[1]))/length(result.sim) #Resposta: Com o p=0.002 (p<0.05), as variáveis são dependentes e também existe uma correlação positiva significativa entre elas.