Del in 6

ANLISES MULTIVARIADAS
Anlises que
dependente.
trabalham
com
mais
de
uma
Anlises principalmente exploratrias.

Inferncias estatsticas possveis em alguns casos.
Anlises recomendadas em estudos de comunidades.
TIPOS
Classificao (classificar em grupos)
Ordenao (ordenar em gradientes)
varivel
ORDENAO
Ordenar dados ao longo de gradientes (variveis)

Reduzir o nmero de variveis para permitir o
reconhecimento de padres s com as variveis
realmente importantes (Anlise Exploratria)
Fornecer uma nova combinao de variveis, as
variveis latentes, que podem ser tratadas como novas
variveis para anlises estatsticas (ANOVA, teste t,
Regresso).
Variveis biticas, ambientais ou ambas
Variveis explicativas (independentes) ou dependentes
ORDENAO
Relao entre variveis biolgicas (espcies ou txons) a

partir de observaes (amostras).
Anlises indiretas: padres de ordenao explicados por

variveis ambientais no analisadas diretamente.
Anlise de Componentes Principais
Anlise Discriminante
Anlise de Correspondncia
Escalonamento Multidimensional
Anlises diretas: padres de ordenao calculados a partir
de dados biticos e ambientais concomitantemente
Anlise de Gradientes
Anlise de Correspondncia Cannica
Anlise de Redundncia
Anlise de Correlao Cannica
ORDENAO
VARIVEIS
AMBIENTAIS
OBSERVAES/OBJETOS
(unidades amostrais)
VARIVEIS
Espcie
Estao
Sp.
A
Sp.
B
Sp.
C
Sp.
X
NO3
Temp
Altitude
St. 1
...
...
St. 2
12
...
12
...
St. 3
...
...
St. 4
...
...
St. 5
...
...
St. Y
...
...
...
...
...
...
...
...
Modo R
Modo Q
AMOSTRAS
COLUNS<< LINHAS
ESPCIES
AMOSTRAS
ESPCIES
ORDENAO
VARIVEIS
AMBIENTAIS
AMOSTRAS
AMOSTRAS
VARIVEIS
(ESPCIES)
Modo
Q
MATRIZ
Distncia ou Similaridade
ESPCIES
Correlao ou Covarincia
AMOSTRAS
MATRIZ
ANLISE
INDIRETA
AMOSTRAS
ESPCIES
ESPCIES/ AMBIENTAIS
Modo
R
ESPCIES/ AMBIENTAIS
ANLISE
DIRETA
ORDENAO
VARIVEIS
AMBIENTAIS
AMOSTRAS
AMOSTRAS
VARIVEIS
(ESPCIES)
Modo
Q
MATRIZ
Distncia ou Similaridade
ESPCIES
Correlao ou Covarincia
AMOSTRAS
MATRIZ
ANLISE
INDIRETA
AMOSTRAS
ESPCIES
ESPCIES/ AMBIENTAIS
Modo
R
ESPCIES/ AMBIENTAIS
ANLISE
DIRETA
Anlise de Componentes Principais

(ACP PCA)
Estao/ Espcie
Sp. A
Sp. B
St. 1
St. 2
St. 3
St. 4
St. 5
St. 6
ACP
COMPONENTES PRINCIPAIS
st 3
st 4
st 5
st 2
st 6
Sp. B
st 1
Sp. A
NOVO SISTEMA DE EIXOS
st 4
st 3
st 1
st 6
st 2
CP 2
CP 1
st 5
Elipse, bisnaga & hipervolume
NOVO SISTEMA DE EIXOS

(modo R) - biplot
St 5
Variveis
Observaes
St 3
St 9
St 1
CP 1
St 4
St 10
St 8
St 7
St 2
CP 2
St 6
Quantos componentes interpretar ?

Valor
Absoluto
% da
Varincia
CP 1
1,890
64,4%
CP 2
0,602
20,4%
CP 3
0,401
13,6%
CP 4
0,021
0,7%
CP 5
0,014
0,5%
CP 6
0,013
0,4%
Autovalores
4
3
4
3
Valores aleatorizados
Valores reais
2
1
0
0
1
0
0
Autovalores
Componente
2 3 4 5 6 7 8
Componentes Principais
9 10
2 3 4 5 6 7 8
Componentes Principais
9 10
Quantos componentes interpretar ?

Deciso numrica
Critrio de Kaiser
CP > 1
Deciso ecolgica
Variveis biologicamente explicveis
Componente
Valor
Absoluto
% da
Varincia
CP 1
1,890
64,4%
CP 2
0,602
20,4%
CP 3
0,401
13,6%
CP 4
0,021
0,7%
CP 5
0,014
0,5%
CP 6
0,013
0,4%
> Excesso de
redundncia
Premissas da ACP
1. Linearidade entre as variveis
Gaussiana
Linear
Monotnicas
Premissas da ACP
2. Normalidade de cada varivel (univariada).
3. Normalidade de todas as variveis (multivariada)

4. Nmero de Variveis << Observaes (<50%)
5. Ausncia de valores extremos (outliers)
Premissas da ACP
(como atingir)
Transformaes
x,
Log (x+1), x , Arcoseno

Eliminao de valores extremos
outlier > 2,5 D.P.
Violao das premissas menos grave quando o objetivo

da anlise apenas exploratrio.
Variaes da ACP
Rotao secundria (varimax, quadrimax, etc...)
Matriz Correlao Covarincia
Utilizao da ACP
Gradientes pequenos (maior chance de dados monotnicos).
Pouco conhecimento sobre o local.
Ausncia de estruturao nas amostras (sem formao de

grupos a priori ).
Eliminao de valores extremos.
Variveis latentes.
ROTAO DOS EIXOS
st 3
st 4
st 5
st 2
st 6
Sp. B
st 1
Sp. A
Novo sistema de variveis (latentes)

a serem testadas
Novo sistema de variveis (latentes)

a serem testadas
2
1
0
-1
-2
mean of pca25$PC1
Plot of Means
I1
I2
I3
I4
I5
I6
I7
I8
pca25$EST
I9
V1
V2
V3
V4
Anlise Discriminante ou
Anlise de Variveis Cannica
(AVC ou CVA)
MANOVA
ACP
AVC
CVA
(Discriminante)
4
Varivel Cannica 2
3
2
1
0
-1
GRUPO
-2
-3
-4
-3
-2
-1
Varivel Cannica 1
10m
20m
50m
CVA
(Discriminante)
4
Varivel Cannica 2
3
2
1
0
-1
GRUPO
-2
-3
-4
-3
-2
-1
Varivel Cannica 1
10m
20m
50m
CVA
(Discriminante)
Matriz de classificao
10 m
20 m
50 m
classificao
correta (%)
10 m
10
91 %
20 m
89 %
50 m
11
100 %
Total
10
13
94 %
Matriz de classificao corrigida

(jacknife)
10 m
20 m
50 m
classificao
correta (%)
10 m
82 %
20 m
78 %
50 m
10
91 %
Total
10
12
84 %
CVA (Discriminante)
Testando a Significncia dos agrupamentos
MANOVA
Trao de Pillai
Lambda de Wilks
ANOVA das Variveis Cannicas (Funes Discriminantes)
Teste T de Hottelling
CVA (Discriminante)
PREMISSAS
Mesmas da ACP
APLICAO
Objetivo avaliar o que difere entre grupos

Dados estruturados em grupos a priori
Pontos de coleta formando grupos
Amostras referentes a diferentes ambientes
Morfometria (variao entre populaes, espcies, etc.)
Anlise de
Correspondncia
Hiptese de distribuio
uniforme entre amostras &
espcies
P1
P2
P3
P4
P5
P6
P7
P8
P9
Anlise de
Correspondncia
Espcie D
Parcela 1 = 1 ind.
Parcela 2 = 0 ind.
Parcela 3 = 1 ind.
Parcela 4 = 0 ind.
Parcela 5 = 7 ind.
Parcela 6 = 2 ind.
Parcela 7 = 1 ind.
Parcela 8 = 0 ind.
Parcela 9 = 0 ind.
Mdia ponderada da Espcie D

= Escore de D por parcelas
(1 1) + (3 1) + (57) + (6 2) + (7 1)/12 = 4,83
Anlise de
Correspondncia
ORDEM
M.P.
P1
3.55
P2
3.17
P3
3.15
P4
2.67
P5
3.50
P6
3.50
P7
3.89
P8
3.67
P9
4.00
M.P.
4.00
2.53
4.95
4.83
5.07
3.50
Anlise de
Correspondncia
ORDEM
M.P.
P1
3.55
P2
3.17
P3
3.15
P4
2.67
P5
3.50
P6
3.50
P7
3.89
P8
3.67
P9
4.00
M.P.
4.00
2.53
4.95
4.83
5.07
3.50
Anlise de
Correspondncia
ORDEM
M.P.
P1
3.55
P2
3.17
P3
3.15
P4
2.67
P5
3.50
P6
3.50
P7
3.89
P8
3.67
P9
4.00
M.P.
4.00
2.53
4.95
4.83
5.07
3.50
Anlise de
Correspondncia
0.10
AC2
0.05
P5
B
P1
0.00
P3
P7
E
P6
P8
P2
P9
-0.05
-0.10
-0.05
0.00
AC1
P4
0.05
Anlise de
Correspondncia
P1
P2
P3
P4
P5
P6
0.10
D
0.05
AC2
P5
B
P1
0.00
P3 P7
E
P6
P7
P8
P9
P8
P2
P9 P4
-0.05
-0.10
-0.05
0.00
AC1
0.05
Anlise de
Correspondncia
P1
P2
P3
P4
P5
P6
0.10
D
0.05
AC2
P5
B
P1
0.00
P3 P7
E
P6
P7
P8
P9
P8
P2
P9 P4
-0.05
-0.10
-0.05
0.00
AC1
0.05
Anlise de Correspondncia
Destendenciosa (Detrended)
C2
Efeito Ferradura
C1
C1 (CA)
C1 (DCA)
Anlise de
Correspondncia
PREMISSAS
Espcies apresentam distribuio gaussiana ao longo dos
gradientes ambientais.
Homogeneidade das Varincias
APLICAO
Pode ser usada quando o nmero de variveis observaes
Modo Q e R = equivalentes
Gradientes ambientais amplos
Anlise de
Correspondncia
Gaussiana
Linear
Monotnicas
Anlises Diretas
Variveis biolgicas e ambientais analisadas
conjuntamente
2 conjuntos de dados = 2 matrizes
Anlise de Gradientes
Espcie X
20o C
T=
= 2 ind.
T = 22o C = 0 ind.
T = 25o C = 1 ind.
T = 28o C = 5 ind.
T = 30o C = 3 ind.
T = 32o C = 2 ind.
Mdia ponderada da Espcie X

Escore de X para temperatura = temperatura ideal
(202) + (251) + (285) + (303) + (322) / 13 = 27,61oC

(CANOCO)
Extenso da Anlise de Correspondncia com duas matrizes.
Extenso da Anlise de Gradientes ou de Mdia Ponderada
(univariada).
Os gradientes da AC so condicionados pela matriz de variveis
abiticas.
Anlise direta expressa graficamente por
(espcies x amostras x var. ambientais joint-plot).
Gradientes de espcies e estaes por eixos ambientais

(ACC ou CANOCO)
Temp
Typ
Ter
Au
5
1
Ple
Zon
Cec
O2
Anlise de Redundncia
(RDA)
Extenso da Anlise de Componentes Principais (monotnica) com
varveis explicativas (duas matrizes).
Semelhante CANOCO (s que para distribuies monotnicas e
no gaussianas)
Extenso da COR (Anlise de Correl. Cannicas) mas com a definio
de variveis predictivas (independentes).
Sub-estimada em estudos ecolgicos.
Premissas semelhantes s da ACP (monotonicidade) e da CANOCO.
Anlise de Redundncia (RDA)
Anlise de Correlaes Cannicas

(COR)
PREMISSAS
Mesmas da Anlise de Componentes Principais
APLICAO
Envolve dois grupos de variveis:

Ambientais
Biticas
Gera variveis latentes que maximizam a explicao da
varivel latente bitica pela varivel latente ambiental.
Pouco recomendada devido a dificuldade de interpretao
Recomenda-se interpretar um PCA a partir da projeo das
variveis ambientais no plano fatorial
Escalonamento Multidimensional no mtrico

(N-MDS ou MDS)
Ordenao por escores
Matriz de similaridades (modo Q) ordena observaes (amostras)
Mapa de pares de distncias/similaridades projetadas em um espao

bidimensional interpretao por proximidade.
No paramtrica vantagens premissas
desvantagens s/ variveis latentes;
no preserva s2
Stress = 0,2
Stress = 0,1
COMPARAO ENTRE AS DIFERENTES ANLISES DE ORDENAO

ACP
(PCA)
AD, AVC
(DA, CVA)
AC
(CA)
ACC
(CANOCO)
COR
(COR)
ARD
(RDA)
Esc.
Multid.
(MDS)
Variveis
Indif.
I & Categ
Indif.
D&I
Indif.
D&I
Indif.
Matrizes
Anlise
Indireta
Indireta
Indireta
Direta
Direta
Direta
Indireta
Relao
entre Var.
Monotnica
Monotnica
Gaussiana
Gaussiana
Monotnica
Monotnica
N.A
Grupos
(a priori)
No
Sim
No
No
No
No
No
Forma da
Matriz
Ob >> Var
Ob>>Var>G
Ob Var
Ob >Var
Ob >> Var
Ob >> Var
Ob >> Var
Gradiente
ambiental
restrito
restrito
amplo
amplo
restrito
restrito
Indif.
CLASSIFICAO
Anlise de Dendrograma
(Cluster Analysis)
0,3
0,4 0,5 0,6
0,7
0,8
0,9 1,0
0,3
0,4 0,5 0,6
0,7
0,8
0,9 1,0
CLASSIFICAO
Anlise de Dendrograma (Cluster Analysis)
TIPOS
Medidas de similaridade ou distncia:
Jaccard, Sorensen, Distncia Euclidiana, Bray-Curtis.
Algortimo de aglomerao:
UPGMA, WPGMA, Ward, Neighbor-joining, etc...

APLICAO
Organiza entidades (amostras, spp.) em grupos onde a similaridade
interna maximizada
No existem grupos a priori

Sintetiza a anlise para apenas alguns grupos G << N
Identifica outliers
Sintetiza as informaes de um nico grupo de variveis (no h
variveis predictivas/respostas)
CLASSIFICAO
(Cluster Analysis)
0,3
0,4 0,5 0,6
0,7
0,8
0,9 1,0
0,3
0,4 0,5 0,6
0,7
0,8
0,9 1,0
CLASSIFICAO
Twinspan
C D
sp1
sp5
sp2
sp7
sp8
sp3
sp6
sp4
7 1
9 6
0 1
1 0
0 1
0 0
0 0
0 1
CLASSIFICAO
LIMITAES
Muito sensvel outliers
Sempre procura grupos minimizando diferenas internas e
maximizando externas ordenao no procura grupos
Difcil a determinao do nmero de grupos e do nvel de formao

destes, exceto quando bem estruturados
Muitas opes de distncias/similaridades e de mtodos de
aglomerao leva muitas vezes a resultados muito distintos.
Agrupamentos formados por dicotomias, no realsticos em estudos
de comunidades mais aplicveis a estudos evolutivos.
CLASSIFICAO
(Cluster Analysis)
A
B
E
F
H
C
D
G
I
J
K
10
20
30
40
50
60
70
80
90 100 %
ANLISES MULTIVARIADAS
Anlises ainda muito exploratrias.
Fornecimento de variveis latentes promissor em estudos
ecolgicos.
Grande desenvolvimento de diferentes mtodos nas ltimas

dcadas (embora antigas).
Fim ou Meio ?
PERMUTAO, JACNKIFE, BOOTSTRAP

&
SIMULAES DE MONTE CARLO
Estatstica no paramtrica (uni ou multivariada)
Gerando o Acaso (= modelos nulos)
PERMUTAO
(anloga correlao)
COMPRIMENTO
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R = 0,39
P = 0,09
PERMUTAO
(anloga correlao)
COMPRIMENTO
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R = 0,39
P = 0,09
COMP PERMUTADO
5355463434
4136144753
4344315431
7322526234
2764653114
6346534367
1431632523
3425543252
4454351226
2277724575
6631422555
5513315363
3263446623
5245255342
4132234346
3553463445
2524372441
3412141614
1643237132
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R
0,10
PERMUTAO
(anloga correlao)
COMPRIMENTO
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R = 0,39
P = 0,09
COMP PERMUTADO
5355463434
4136144753
4344315431
7322526234
2764653114
6346534367
1431632523
3425543252
4454351226
2277724575
6631422555
5513315363
3263446623
5245255342
4132234346
3553463445
2524372441
3412141614
1643237132
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R
0,10
0,01
PERMUTAO
(anloga correlao)
COMPRIMENTO
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R = 0,39
P = 0,09
COMP PERMUTADO
5355463434
4136144753
4344315431
7322526234
2764653114
6346534367
1431632523
3425543252
4454351226
2277724575
6631422555
5513315363
3263446623
5245255342
4132234346
3553463445
2524372441
3412141614
1643237132
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R
0,10
0,01
0,09
PERMUTAO
(anloga correlao)
COMPRIMENTO
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R = 0,39
P = 0,09
COMP PERMUTADO
5355463434
4136144753
4344315431
7322526234
2764653114
6346534367
1431632523
3425543252
4454351226
2277724575
6631422555
5513315363
3263446623
5245255342
4132234346
3553463445
2524372441
3412141614
1643237132
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R
0,10
0,01
0,09
0,41
-0,44
0,06
0,05
0,26
0,15
PERMUTAO
(anloga correlao)
COMPRIMENTO
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
IDADE
1
2
3
4
4
5
5
7
6
7
7
8
9
4
3
2
2
3
2
R = 0,39
P = 0,09
0,39 entre o 1 e o 2
Dez modelos nulos
1/10 = 0,1
Prob, de acaso < 0,1
P = 0,1
1
2
3
.
.
.
.
.
.
10
0,41
0,26
0,15
0,10
0,09
0,06
0,05
0,01
-0,05
-0,44
0,39
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
0,81
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
3,30
4,11
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
5433232175
5244342462
6456133343
3361335251
3132463456
5565361415
4724731534
2354223144
3652456422
4533574531
3475144233
1335626613
6613454333
4322643745
2444544667
4217415324
2121555554
1546327242
7243212326
ESPCIE
AA
AA
AA
AA
AA
AA
AA
AA
AA
AA
BB
BB
BB
BB
BB
BB
BB
BB
BB
XB
XA
XB - XA
4.00
3.33 -0.67
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
5433232175
5244342462
6456133343
3361335251
3132463456
5565361415
4724731534
2354223144
3652456422
4533574531
3475144233
1335626613
6613454333
4322643745
2444544667
4217415324
2121555554
1546327242
7243212326
ESPCIE
AA
AA
AA
AA
AA
AA
AA
AA
AA
AA
BB
BB
BB
BB
BB
BB
BB
BB
BB
XB
XA
XB - XA
4.00
3.33 -0.67
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
5433232175
5244342462
6456133343
3361335251
3132463456
5565361415
4724731534
2354223144
3652456422
4533574531
3475144233
1335626613
6613454333
4322643745
2444544667
4217415324
2121555554
1546327242
7243212326
ESPCIE
AA
AA
AA
AA
AA
AA
AA
AA
AA
AA
BB
BB
BB
BB
BB
BB
BB
BB
BB
XB
XA
XB - XA
4.00
3.33 -0.67
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
5433232175
5244342462
6456133343
3361335251
3132463456
5565361415
4724731534
2354223144
3652456422
4533574531
3475144233
1335626613
6613454333
4322643745
2444544667
4217415324
2121555554
1546327242
7243212326
ESPCIE
AA
AA
AA
AA
AA
AA
AA
AA
AA
AA
BB
BB
BB
BB
BB
BB
BB
BB
BB
XB
XA
XB - XA
4.00
4.00
3.33 -0.67
3.33 -0.67
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
5433232175
5244342462
6456133343
3361335251
3132463456
5565361415
4724731534
2354223144
3652456422
4533574531
3475144233
1335626613
6613454333
4322643745
2444544667
4217415324
2121555554
1546327242
7243212326
ESPCIE
AA
AA
AA
AA
AA
AA
AA
AA
AA
AA
BB
BB
BB
BB
BB
BB
BB
BB
BB
XB
XA
XB - XA
4.00
4.00
4.20
3.33 -0.67
3.33 -0.67
3.11 -1.09
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
5433232175
5244342462
6456133343
3361335251
3132463456
5565361415
4724731534
2354223144
3652456422
4533574531
3475144233
1335626613
6613454333
4322643745
2444544667
4217415324
2121555554
1546327242
7243212326
ESPCIE
AA
AA
AA
AA
AA
AA
AA
AA
AA
AA
BB
BB
BB
BB
BB
BB
BB
BB
BB
XB
XA
4.00
4.00
4.20
3.40
3.40
4.20
3.00
3.30
4.00
3.30
3.33
3.33
3.11
4.00
4.00
3.11
4.44
4.11
3.33
4.11
XB - XA
-0.67
-0.67
-1.09
0.60
0.60
-1.09
1.44
0.81
-0.67
0.81
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
5433232175
5244342462
6456133343
3361335251
3132463456
5565361415
4724731534
2354223144
3652456422
4533574531
3475144233
1335626613
6613454333
4322643745
2444544667
4217415324
2121555554
1546327242
7243212326
ESPCIE
AA
AA
AA
AA
AA
AA
AA
AA
AA
AA
BB
BB
BB
BB
BB
BB
BB
BB
BB
XB
XA
4.00
4.00
4.20
3.40
3.40
4.20
3.00
3.30
4.00
3.30
3.33
3.33
3.11
4.00
4.00
3.11
4.44
4.11
3.33
4.11
XB - XA
-0.67
-0.67
-1.09
0.60
0.60
-1.09
1.44
0.81
-0.67
0.81
PERMUTAO
(anloga a teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP ESPCIE
1
A
2
A
3
A
4
A
3
A
2
A
5
A
6
A
4
A
3
A
5
B
4
B
5
B
3
B
4
B
2
B
1
B
6
B
7
B
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
0,81 segundo valor em

XA = 3,30
XB = 4,11
XB-XA = 0,81
Dez modelos nulos

2/10 = 0,2
Prob, de acaso < 0,2
P = 0,2
Test t
P = 0, 31
XB-XA
ordenado
1,44
0,81
0,80
0,60
0,60
-0,67
-0,67
-0,67
-1,09
-1,09
BOOTSTRAP
(anlogo ao teste t)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
ESPCIE A
4 3 2 5
Bootstrap 1
Bootstrap 2
BOOTSTRAP
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
POP
A
A
A
A
A
A
A
A
A
A
B
B
B
B
B
B
B
B
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
1131376645
7321572322
6353154364
2333133246
5224341524
5533641325
3223242635
5363634224
4642635535
3533321335
4222443744
4364424333
5533113333
4734426141
4321465744
6144434514
4363614351
4543534534
5441343424
ESPCIE
A
A
AA
AA
AA
AA
AA
AA
AA
AA
AA
BB
BB
BB
BB
BB
BB
BB
BB
BB
XA
4,1
3,3
3,3
2,6
3,6
4,2
2,9
3,8
3,1
4,5
XB XB-XA
4,44 0,34
3,67 0,37
3,78 0,48
2,78 0,18
3,89 0,29
2,89 -1,31
4
1,1
4,22 0,42
3,22 0,12
3,11 -1,39
BOOTSTRAP
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
POP
A
A
A
A
A
A
A
A
A
A
B
B
B
B
B
B
B
B
B
XA = 3,30
XB = 4,11
XB-XA = 0,81
Test t
P = 0, 31
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
1
2
3
.
.
.
.
.
.
10
Ord
1,10
0,48
0,42
0,37
0,34
0,29
0,18
0,12
-1,31
-1,39
0,81
BOOTSTRAP
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
POP
A
A
A
A
A
A
A
A
A
A
B
B
B
B
B
B
B
B
B
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
XA = 3,30
XB = 4,11
XB-XA = 0,81
Dez modelos nulos

1/10 = 0,1
Prob. de acaso < 0,1
P = 0,1
Test t
P = 0, 31
0,81
-1,39
0, 30
1,10
1
2
3
.
.
.
.
.
.
10
Ord
1,10
0,48
0,42
0,37
0,34
0,29
0,18
0,12
-1,31
-1,39
0,81
BOOTSTRAP
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
COMP
1
2
3
4
3
2
5
6
4
3
5
4
5
3
4
2
1
6
7
POP
A
A
A
A
A
A
A
A
A
A
B
B
B
B
B
B
B
B
B
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
XA = 3,30
XB = 4,11
XB-XA = 0,81
Dez modelos nulos

1/10 = 0,1
Prob. de acaso < 0,1
P = 0,1
Test t
P = 0, 31
0,81
-1,39
0, 30
1,10
1
2
3
.
.
.
.
.
.
10
Ord
1,10
0,48
0,42
0,37
0,34
0,29
0,18
0,12
-1,31
-1,39
0,81
JACKNIFE (=CANIVETE)
ESPCIE A
1, 2, 3, 4, 3, 2, 5, 6, 4, 3
ESPCIE B
5, 4, 5, 3, 4, 2, 1, 2, 6, 7
ESPCIE A
4 3 2 5
2 3
Pseudoamostra 1
Pseudoamostra 2
Pseudoamostra 3
ESTATSTICA PARAMTRICA
Distribuio Populacional (desconhecida)
PRECISO
Amostra
{18, 18, 20, 23 25, 28}
Estimativa
x = 22 S= 4,05
Intervalo de confiana 95% (17,8 26,2)
BOOTSTRAP
Distribuio Populacional (desconhecida)

Amostra
Estimativa
Populao estimada
Bootstrap 1 Bootstrap 2 Bootstrap 3 Bootsrap 4
Estimativa
Bootstrap 1
Estimativa
Bootstrap 2
Estimativa
Bootstrap 3
Estimativa
Bootstrap 4
PRECISO
Erro padro
Intervalo de confiana
SIMULAO DE MONTE CARLO
S
X
Distribuio Populacional
(parmetros populacionais definidos pela amostra)
Simulao 1 Simulao 2 Simulao 3 Simulao 4

(amostra)
(amostra)
(amostra) (amostra)
Estimativa 1
Estimativa 2
Estimativa 3
Amostra
E1 E4 E3 E2 E...
Distribuio das estimativas construda a partir

De mltiplas simulaes
Estimativa 4
SIMULAO DE MONTE CARLO

Loc A = {2, 2, 3, 4, 2, 5, 3, 2, 6, 2, 3, 4, 6, 2, 1, 4, 3, 7, 2, 3, 4, 4, 5, 8, 5, 2, 1, 3, 4, 4, 3} N= 31
Loc B = {2, 2, 3, 2, 4, 2, 3, 2, 8, 9, 2, 9, 3, 2, 3, 3, 3, 9}
N=18
MDIA (Loc A+Loc B) = 3,17 S= 2,1

Simulaes: amostras com n= 31 e n= 18 (Loc A e Loc B) de Distr. Normal (X= 3,15 e S = 2,1)
Calcular diferenas entre as mdias de Loc A e Loc B das simulaes

Mdia (Loc A) Mdia (Loc B)
Distribuio das diferenas entre mdia das simulaes

Mdia (Loc Asim)- Mdia(Loc Bsim)
TESTES DE HIPTESE MULTIVARIADOS POR ALEATORIZAO

TESTE DE MANTEL
MATRIZ DE DISTNCIA
CORRELAO
AMOSTRAS
AMOSTRAS
MATRIZ DE SIMILARIDADE
R = 0,40
AMOSTRAS
R = 0,40
R1 = 0,38
R2 = 0,36
R3 = 0,47
R4 = 0,15
R5 = 0.10
...............
AMOSTRAS
98%
AMOSTRAS
ALEATORIZAO
TESTE DE MANTEL
PREMISSAS
As mesmas da correlao linear
APLICAO
Compara duas ou mais matrizes de similaridades
Bitica Distncia geogrfica
Bitica Ambiental
Bitica Modelo
Bitica Distncia geogrfica Ambiental

No paramtrico mas monotnico
Elimina o problema da dependncia dos dados (autocorrelao)
No apresenta graficamente a estruturao, apenas testa a
hiptese de dependncia entre as matrizes.
TESTE DE MANTEL PARCIAL

AMBIENTAL
BITICA
CORRELAO
Espria ?
ESPACIAL (DISTNCIA)
TESTE DE MANTEL PARCIAL

AMBIENTAL (resdual)
BITICA (residual)
TESTE DE
MANTEL
AMBIENTAL
BITICA
ESPACIAL (DISTNCIA)
TESTE DE MANTEL
Bitica Modelo
(ANOSIM & PERMANOVA)
AMOSTRAS
MATRIZ DO MODELO
AMOSTRAS
1
B
TESTE DE MANTEL
ANOSIM & PERMANOVA
Permutao de similaridades
ANOSIM (no paramtrica)

ordenao por postos (maior >...>...>menor)
PERMANOVA(semi-paramtrica)
estatstica F dos dados permutados
permite os mesmos modelos da ANOVA (ou MANOVA)

clculo de interaes
TESTE DE MANTEL
Bitica Modelo
(ANOSIM & PERMANOVA)
AMOSTRAS
MATRIZ DO MODELO
AMOSTRAS
1
B
Fim

Del in 6

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Del in 6

Enviado por

Direitos autorais:

Formatos disponíveis

ANLISES MULTIVARIADAS

Anlises principalmente exploratrias.

Ordenar dados ao longo de gradientes (variveis)

Relao entre variveis biolgicas (espcies ou txons) a

Anlises indiretas: padres de ordenao explicados por

Anlise de Componentes Principais

NOVO SISTEMA DE EIXOS

Elipse, bisnaga & hipervolume

NOVO SISTEMA DE EIXOS

Quantos componentes interpretar ?

Quantos componentes interpretar ?

3. Normalidade de todas as variveis (multivariada)

Log (x+1), x , Arcoseno

outlier > 2,5 D.P.

Violao das premissas menos grave quando o objetivo

Gradientes pequenos (maior chance de dados monotnicos).

Pouco conhecimento sobre o local.

Ausncia de estruturao nas amostras (sem formao de

Eliminao de valores extremos.

ROTAO DOS EIXOS

Novo sistema de variveis (latentes)

Novo sistema de variveis (latentes)

Matriz de classificao corrigida

Objetivo avaliar o que difere entre grupos

Mdia ponderada da Espcie D

2 conjuntos de dados = 2 matrizes

Mdia ponderada da Espcie X

(202) + (251) + (285) + (303) + (322) / 13 = 27,61oC

Anlise de Correspondncia Cannica

Anlise de Correspondncia Cannica

Anlise de Redundncia (RDA)

Anlise de Correlaes Cannicas

Envolve dois grupos de variveis:

Escalonamento Multidimensional no mtrico

Mapa de pares de distncias/similaridades projetadas em um espao

COMPARAO ENTRE AS DIFERENTES ANLISES DE ORDENAO

0,4 0,5 0,6

0,4 0,5 0,6

UPGMA, WPGMA, Ward, Neighbor-joining, etc...

No existem grupos a priori

0,4 0,5 0,6

0,4 0,5 0,6

Difcil a determinao do nmero de grupos e do nvel de formao

Grande desenvolvimento de diferentes mtodos nas ltimas

PERMUTAO, JACNKIFE, BOOTSTRAP

0,81 segundo valor em

Dez modelos nulos

Dez modelos nulos

Dez modelos nulos

Distribuio Populacional (desconhecida)

{18, 18, 20, 23 25, 28}

Intervalo de confiana 95% (17,8 26,2)

Distribuio Populacional (desconhecida)

SIMULAO DE MONTE CARLO

Simulao 1 Simulao 2 Simulao 3 Simulao 4

Distribuio das estimativas construda a partir

SIMULAO DE MONTE CARLO

MDIA (Loc A+Loc B) = 3,17 S= 2,1

Calcular diferenas entre as mdias de Loc A e Loc B das simulaes

Distribuio das diferenas entre mdia das simulaes

TESTES DE HIPTESE MULTIVARIADOS POR ALEATORIZAO

Bitica Distncia geogrfica Ambiental

TESTE DE MANTEL PARCIAL

TESTE DE MANTEL PARCIAL