doutorando em entomologia na ffclrp, usp. estudo sinalização quimica entre plantas produtoras de oleo floral e abelhas coletoras de oleo, e entre as abelhas e seus parasitas. laboratorio de abelhas IB-USP.

eduardo_1_f.r

eduardopintoexe2f.r

eduardopintoexe3f.r

eduardopintoexe4.r

eduardopintoexe5.r

eduardopintoexe6.r

eduardopintoexe7.r

eduardopintoexe8.r

eduardopintoexe9.r

Existem diferentes índices (baseados em regressao) que relacionam uma medida da morfologia da abelha e seu volume. Meu objetivo é construir uma função que possa calcular qualquer desses índices a partir de uma escolha previa do usuário. Como cada indice é calculado a partir da medida de uma diferente parte do corpo, o usuario tera de definir o indice que pretende usar. Os dados de entrada serao num vetor, e os de saida serao: um sumario da regressao de todos os dados em conjunto e uma matriz com o r quadrado e o p da regressao de cada dado da matriz de entrada.

Bibliografia: bullock_1999.pdf cane_1987.pdf

Se entendi bem, os modelos são regressões lineares que diferem quanto às variáveis preditoras que vc deve fornecer a elas, correto? É que não ficou muito claro se estes coeficientes das regressões são estiamdos de cada conjunto de dados, ou se já estão definidos a priori.

• No primeiro caso, é um trabalho bem dimensionado. Como a ênfase é na previsão, considere incluir os intervalos de confiança de cada valor previsto (o que é diferente dos ICs dos coeficientes!). Vc consegue isto com a ajuda da função predict.
• Ainda no primeiro caso, uma coisa legal seria incluir a possibilidade de comparar as previsões feitas por dois ou mais modelos, se o usuário tiver as medidas necessárias para cada um. Com isto vc teria um controle de qualidade da previsão, pela comparação de métodos.
• No segundo caso, seria apenas aplicar um equação pré-definida a um conjunto de medidas, o que se resolve com uma linha de comando. Se é isto, acrescente mais coisas, e.g., cálculo de um intervalo de confiança por randomização, ou de um teste para comparar dois conjuntos de dados, etc.

Proposta com as sugestoes. A proposta está incluida no segundo caso. ja existem coeficientes estimados baseados em estudos previos. Irei propor junto com a funcao anterios as sugestoes, de intervalo de confiança e testes de comparação.

Produzir uma função que calcule o valor reprodutivo numa população que nao varia de tamanho.Os dados de entrada devem ser uma matrix. A função irá calcular um valor reprodutivo para cada observação (individuo) e o total (população).

Bibliografiapianka_e_parker_1975.pdf e Fisher, R. 4. 1930. The genetical theory of natural selection. Clarendon, Oxford. 2i2 pp.

O primeiro passo para criar uma função é definir claramente a entrada e a saída. A proposta pode ser viável e interessante, mas na falta desta informação não consigo avaliar.

Proposta com as sugestoes. a função necessitará dos dados de sobrevivencia na idade x, fecundidade na idade x dos individuos na população no tempo x.Os dados de entrada devem ser numa matrix. Alem disso, o usuario poderá escolher calcular o valor reprodutivo na idade x+1. Para tal, deverá informar a probabilidade de sobrevivencia da idade x para a idade x+1. Assim o usuario poderá ter modelos de estrategia reprodutiva de sua população de interesse. Por exemplo,individuos que maximizam a reprodução atual e minimizam o valor reprodutivo futuro seriam organismos semelparos.

churras.calculator.r

  dry.mass.bees        package:unknown                R Documentation

~~Cálculo da massa seca das abelhas. ~~

Description:

     ~~ Retorna a massa seca em MG a partir de medidas morfometricas das abelhas em mm 
     e um gráfico da regressão de cada medida com sua massa seca e uma reta de tendência.~~

Usage:

     dry.mass.bees<-function(x,indice)

Arguments:

x: vetor numérico. Valores das medidas das abelhas Índice: 
determinar qual parte da abelha foi medida, ITS – distancia intertegular, 
TWA área total da asa anterior 

Details:

     ~~ O gráfico retorna os valores de medida da abelha com os pesos secos estimados
      e uma reta de tendência. Os valores de intervalo de confiança são calculados 
      a partir da randomização com repetição da amostra. Sendo uma repetição de 5000 vezes e o 
      valor do peso seco é o numero médio da amostra.  ~~

Value:

     ~Um plot dos comprimentos e as massas secas são retornadas.
O valor médio das massas secas estimadas e o interlao de confiança a 5%, 
o valor do coeficiente e o sumario da regressão de todas as medidas. 

     ...

Warning:

O intervalo simulado não é uma solução analítica e serve apenas para fins exploratórios.

     ....
Author(s):

     ~~Carlos Eduardo Pinto da Silva
eduepronto@gmail.com~~

References:

     ~Estimation of Bee Size Using Intertegular Span (Apoidea) 
     Author(s): James H. Cane Source: Journal of the Kansas Entomological Society,
      Vol. 60, No. 1 (Jan., 1987), pp. 145-147 
Relationships among Body Size, Wing Size and Mass in Bees from a Tropical Dry Forest in México 
Author(s): Stephen H. Bullock 
Source: Journal of the Kansas Entomological Society, Vol. 72, No. 4 (Oct., 1999), pp. 426-439 ~

Examples:

     ##---- rnorm(20,3.6,0.6) ----

 dry.mass.bees<-function(x,indice)
{
cat('qual indice pretendes usar? = "ITS" para dados de distancia intertegular, 
indice = "TWA" area total da asa\n')
{
if(indice=="ITS")
{
its=x
m.its=mean(x)
result=rep(0,5000)
cane.1=((its^(1/0.329))/1.085)
cane=mean(cane.1)
result[1]=cane
regres=lm(its~cane.1)
ss=summary(regres)
library(lattice)
par(bty="l")
par(tcl=0.3)
graf=plot(its~cane.1,xlab="massa seca (mg)", ylab="distancia intertegular (mm)")
abline(regres)
for(i in 2:5000)
	{
	its.random= (cane [])
	result[i]=its.random
	cane.radom=sample(its,size=5000,replace=T)
	reg=lm(result~cane.radom)
	c.its=coef(reg)
	cc.its=confint(reg)
	}
resulta=(list(cane,c.its,cc.its,ss))
	   names(resulta)<-c("Massa seca media(mg)", "coeficiente",
 "intervalo de confiança",
 "sumario da regressao de todos os dados")
print(resulta,graf)
}
if(indice=="TWA")
{
fwl=log(x)
soma.fwl=sum(fwl)
result=rep(0,5000)
bullock.log=(soma.fwl/(0.813+0.6316))
bullock=log(bullock.log)
bullock.1log=(fwl/(0.813+0.6316))
bullock.1=log(bullock.1log)
bullock.exp=exp(bullock)
Bullock=mean(bullock.exp)
fwl.exp=exp(fwl)
bullock.1.exp=exp(bullock.1)
result[1]=bullock
regres=lm(fwl.exp~bullock.1.exp)
ss=summary(regres)
library(lattice)
par(bty="l")
par(tcl=0.3)
graf=plot(fwl.exp~bullock.1.exp,xlab="massa seca (mg)", ylab="área total da asa (mm quadrado)")
abline(regres)
for(i in 2:5000)
	{
	fwl.random= (bullock [])
	result[i]=fwl.random
	bullock.radom=sample(fwl,size=5000,replace=T)
	reg=lm(result~bullock.radom)
	c.fwl=coef(reg)
	cc.fwl=confint(reg)
	}
resulta=(list(Bullock,c.fwl,cc.fwl,ss))
	   names(resulta)<-c("Massa seca media (mg)", "coeficiente",
 "intervalo de confiança", "sumario da regressao de todos os dados")
print(resulta,graf)
}
}
}

drymass.bees.r