====== Resultados ======

===== Mortalidade de Rudgea =====

str(rud.sob)

<box round blue left>
 
  data.frame':   126 obs. of  4 variables:
  $ fragmento: chr  "jea" "jea" "jea" "jea" ...
  $ parcela  : int  1 2 3 9 10 11 12 14 16 17 ...
  $ vivas    : int  1 2 5 2 1 10 3 2 1 4 ...
  $ mortas   : int  0 0 0 0 0 0 0 0 0 0 ...
</box>


> factor(rud.sob$fragmento)->frag
> frag
  [1] jea jea jea jea jea jea jea jea jea jea jea jea jea jea jea jea jea jea
  [19] jea jea jea osa osa osa osa osa osa osa osa osa osa osa osa osa osa osa
  [37] osa osa osa osa osa osa osa med med med med med med med med med med med
  [55] med med med med med med med odo odo odo odo odo odo odo odo odo odo odo
  [73] odo odo odo teo teo teo teo teo teo teo teo teo teo teo teo teo teo teo
  [91] teo teo teo teo teo teo teo teo bic bic bic bic bic bic bic bic bic bic
  [109] bic bic bic bic bic bic bic bic bic bic bic bic bic bic bic bic bic bic
  Levels: bic jea med odo osa teo


> y.rud=cbind(rud.sob$mortas,rud.sob$vivas)


> mod.rud1=glm(y.rud~frag,family=binomial)


> mod.rud1

  Call:  glm(formula = y.rud ~ frag, family = binomial) 
  Coefficients:
  | (Intercept) |      fragjea  |    fragmed |     fragodo |      fragosa |     fragteo |   
  |   -2.90872   | -17.27568  |   -0.08701  |   -0.22677   |   0.82928   |  -0.20479  |
  Degrees of Freedom: 125 Total (i.e. Null);  120 Residual
  Null Deviance:      81.81 
  Residual Deviance: 67.97        AIC: 113.3 


> anova(mod.rud1,test="Chi")
  
  Analysis of Deviance Table
  Model: binomial, link: logit
  Response: y.rud
  Terms added sequentially (first to last)
  | |      Df | Deviance |Resid. Df |Resid. Dev|  P(>|Chi|)|
  | NULL|       |         |   125    | 81.813     |     |
  | frag |  5 |  13.843    |   120   |  67.969  |   0.017|


===== Profundidade Serrapilheira x Densidade Rudgea =====

Como a densidade de Rudgea é uma contagem, temos problemas para analisar com os modelos
lineares normais (muito zeros, variancia heterogenea, e erro não normal). 
Partimos portanto para um modelo generalizado que leva em conta essas variantes

Primeiro modelo é uma analise de ancova generalizada, com distribuição do erro poisson

glm.prof1<-glm(abundR~mediana*flor,data=profund,family=poisson) 

summary(glm.prof1)

  Call:
  glm(formula = abundR ~ mediana * flor, family = poisson, data = profund)
  Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
  -5.7440  -2.1695  -0.7122   0.6531  10.1836  
  Coefficients:
                    Estimate Std. Error z value Pr(>|z|)    
  (Intercept)          2.51643    0.17804  14.134  < 2e-16 ***
  mediana             -0.15531    0.04716  -3.294 0.000989 ***
  florJeanzão         -0.63525    0.48043  -1.322 0.186082    
  florMédico          -0.94617    0.39394  -2.402 0.016315 *  
  florOdorico         -0.47753    0.37118  -1.286 0.198271    
  florOsasco           0.92727    0.24978   3.712 0.000205 ***
  florTheomar          0.47696    0.23689   2.013 0.044072 *  
  mediana:florJeanzão  0.02995    0.12870   0.233 0.815982    
  mediana:florMédico   0.15269    0.06139   2.487 0.012879 *  
  mediana:florOdorico -0.03585    0.08060  -0.445 0.656442    
  mediana:florOsasco  -0.03879    0.05440  -0.713 0.475751    
  mediana:florTheomar  0.11292    0.05754   1.963 0.049700 *  
  
Esse modelo nos indica que há relação entre a densidade de Rudgea e a profundidade da serrapilheira
Além disso, nos indica que isso está relacionado tb. com a floresta, ou seja há interação entre floresta e profundidade

Para confirmar isso, ou seja que há interação e que as inclinações são difererntes, criamos outro modelo sem a interação

glm.prof2<-glm(abundR~mediana+flor,data=profund,family=poisson) 

e comparamos ambos:

anova(glm.prof1,glm.prof2, test="Chi")

  Analysis of Deviance Table
  Model 1: abundR ~ mediana * flor
  Model 2: abundR ~ mediana + flor
    Resid. Df Resid. Dev  Df Deviance P(>|Chi|)
  1       168    1236.54                       
  2       173    1260.31  -5   -23.78 0.0002397


a inclinação é significantemente diferente para as florestas, portanto retemos a interação no modelo.

Uma outra forma de olhar o modelo é pela tabela de anova (não é necessário, mas pode ser mais fácil pela familiaridade)

anova(glm.prof1,test="Chi")

  Analysis of Deviance Table
  Model: poisson, link: log
  Response: abundR
  Terms added sequentially (first to last)
                 Df Deviance Resid. Df Resid. Dev P(>|Chi|)
  NULL                            179    1756.01          
  mediana        1    57.16       178    1698.85 4.026e-14
  flor           5   438.54       173    1260.31 1.455e-92
  mediana:flor   5    23.78       168    1236.54 2.397e-04


Aqui mostra que há efeito da profundidae, da floresta e há interação.


Uma forma de apresentar os dados é com um gráfico de dispersão diferenciando as florestas

Sugestão de Gráfico:


attach(profund) ## anexa o objeto profund, as variáveia podem ser solicitadas direto 

Rud<-split(abundR,flor) ## separa abundacia por floresta

prof<-split(mediana,flor) ## separa profundidade por floresta

plot(mediana,abundR,type="n") ## cria um grafico base sem os pontos

points(prof[ [1] ],Rud[ [1] ], pch=16, col="red")

points(prof[ [2] ],Rud[ [2] ], pch=15, col="blue")

points(prof[ [3] ],Rud[ [3] ], pch=17, col="green")

points(prof[ [4] ],Rud[ [4] ], pch=1)

points(prof[ [5] ],Rud[ [5] ], pch=2, col="red")

points(prof[ [6] ],Rud[ [6] ], pch=3, col="blue")


{{densxprof.jpg?500|}}

===== Profundidade Serrapilheira x Densidade Rudgea (11/12 Cris)=====
**Os resultados encontrados são iguais aos que eu obtive rodando o modelo, diferentes do que tu postou:**

> read.table("profund_abund_wiki.txt", header=TRUE, sep="\t")->serap.wiki
> str(serap.wiki)
  'data.frame':   180 obs. of  5 variables:
  $ flor   : int  1 1 1 1 1 1 1 1 1 1 ...
  $ parc   : int  1 2 3 4 5 6 7 8 9 10 ...
  $ mediana: num  2.75 4.45 4.1 2.9 3.55 2.8 3.45 5.8 4.9 5.25 ...
  $ abundG : int  0 0 1 1 0 0 0 0 0 0 ...
  $ abundR : int  2 4 0 0 2 0 0 1 4 3 ...

> glm(abundR~mediana*flor, data=serap.wiki, family=poisson)->glm1.wiki
> summary(glm1.wiki)

  Call:
  glm(formula = abundR ~ mediana * flor, family = poisson, data = serap.wiki)
  Deviance Residuals: 
      Min       1Q   Median       3Q      Max  
  -4.2719  -2.5015  -1.3159   0.5456  12.6031  
  Coefficients:
              Estimate Std. Error z value Pr(>|z|)    
  (Intercept)   1.855927   0.166008  11.180  < 2e-16 ***
  mediana      -0.051053   0.032323  -1.579 0.114229    
  flor          0.136379   0.040360   3.379 0.000727 ***
  mediana:flor -0.005402   0.008893  -0.607 0.543566    
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
  (Dispersion parameter for poisson family taken to be 1)
    Null deviance: 1756.0  on 179  degrees of freedom
  Residual deviance: 1647.6  on 176  degrees of freedom
  AIC: 2195
  Number of Fisher Scoring iterations: 6

> glm(abundR~mediana+flor, data=serap.wiki, family=poisson)->glm2.wiki
> summary(glm2.wiki)

  Call:
  glm(formula = abundR ~ mediana + flor, family = poisson, data = serap.wiki)
  Deviance Residuals: 
      Min       1Q   Median       3Q      Max  
  -4.3216  -2.5011  -1.3284   0.5507  12.6067  
  Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
  (Intercept)  1.93467    0.10368  18.660  < 2e-16 ***
  mediana     -0.06926    0.01232  -5.621 1.90e-08 ***
  flor         0.11397    0.01645   6.927 4.29e-12 ***
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
  (Dispersion parameter for poisson family taken to be 1)
    Null deviance: 1756.0  on 179  degrees of freedom
  Residual deviance: 1647.9  on 177  degrees of freedom
  AIC: 2193.3
  Number of Fisher Scoring iterations: 6

> anova(glm1.wiki, glm2.wiki, test="Chi")

  Analysis of Deviance Table
  Model 1: abundR ~ mediana * flor
  Model 2: abundR ~ mediana + flor
    Resid. Df Resid. Dev  Df Deviance P(>|Chi|)
  1       176    1647.57                       
  2       177    1647.94  -1    -0.37      0.54


**Ao comparar os dois modelos não dá significativo, será que fiz algo errado? Vou postar o arquivo que usei aqui**



===== Dicas para ajustar os gráficos =====

Simbolos que são chamados com o argumento pch=


{{simbolosr.pch.jpg?500|}}


Para ver as opções de nome e número de cores:

colors() 

para mudar o tamanho dos símbolos no gráfico use o argumento (dentro de points() ou plot())

cex=0.5 ## reduz o tamanho do símbolo pela metade

cex=2 ## duplica o tamanho...

===== gráfico crescimento =====

>read.table( "cresc.txt", header=TRUE, sep="\t" )->cresc

>cresc$frag.num=factor(paste("frag",cresc$frag, sep=""))

 ##cria uma coluna frag.num como um vetor categorico 

> cresc$frag.num
  [1] frag1 frag1 

 
Calculando as médias de crescimentos para cada espécie por fragmento

>tapply(cresc$alt,list(cresc$sp,frag.num),mean, na.rm=TRUE)

          frag1         frag2         frag3         frag4         frag5       frag6
  G -0.0003804818 -0.0001735641 -2.040807e-04 -0.0001661682 -2.874465e-04    -0.0001614597
  R -0.0001372992 -0.0001526917 -8.729073e-05 -0.0001585723 -2.651105e-05     -0.0001055983
   


Selecionando dados de Rudgea

>crescR=cresc[cresc$sp=="R",]

>barplot(tapply(crescR$alt,crescR$frag.num,mean,na.rm=T))

>x11() ##abre outra janela gráfica

>plot(crescR$alt~crescR$frag.num)

{{crescrxfrag.jpg|}}

{{crescrxfrag_bar.jpg|}}


**Acho que os dados estão estranhos, as médias são sempre negativas.  Precisamos conferir os cálculos. Se foi pelo crescimento relativo log(alt2)-log(alt1)/t2-t1 , o crescimento é negativo para todos...
De qq forma essa formula não pode ser usada para número de folhas e não consigo entender os valores nesse caso. Como são contagens, devemos fazer a diferença simples.
A escala temporal é um problema tb. Se os calculos de crescimento foram por dia, devemos usar por mês ou por ano, para termos valores maiores.**

**(Cris 07/12): postei uns comentários lá onde temos feito a discussão e vou conferir os cálculos a partir de agora. Obrigada...**


===== Dap ~ alt * frag =====

Estou modelando a distribuição de diâmetro com a altura e o fragmento, tb em um modelo de ancova. Note que temos alguns pressupostos que não conferem com os dados, como a independência entrea as medidas de dap, já que temos um censo em cada uma das áreas. Não sei ainda como lidar com isso, mas a principio ficamos com essas análises.

==== Gráfico ====

{{dapxaltxfrag.rud.jpg|}}



==== SCRIPT Gráfico ====


rud.dap=read.table( "rud_estr_dap_pap.txt",header=T, sep="\t")

attach(rud.dap)

plot(alt,DAPfinal,pch=as.numeric(frag),col=as.numeric(frag),cex=.25)

abline(lm(DAPfinal[frag==unique(frag)[1]]~alt[frag==unique(frag)[1]]),col=1,lty=2)

abline(lm(DAPfinal[frag==unique(frag)[2]]~alt[frag==unique(frag)[2]]),col=2,lty=2)

abline(lm(DAPfinal[frag==unique(frag)[3]]~alt[frag==unique(frag)[3]]),col=3,lty=2)

abline(lm(DAPfinal[frag==unique(frag)[3]]~alt[frag==unique(frag)[3]]),col=3,lty=2)

abline(lm(DAPfinal[frag==unique(frag)[4]]~alt[frag==unique(frag)[4]]),col=4,lty=2)

abline(lm(DAPfinal[frag==unique(frag)[5]]~alt[frag==unique(frag)[5]]),col=5,lty=2)

abline(lm(DAPfinal[frag==unique(frag)[6]]~alt[frag==unique(frag)[6]]),col=6,lty=2)


==== Seleção de Modelo ====
 
Acho que aqui devemos caminhar no sentido de entender se as relacões alométricas (dap x alt) são diferentes entre fragmentos. Não sei se essa é a melhor forma de fazê-lo, geralmente é utilizadas relações exponeciais ou log entre as variáveis... o que sugere?

lm(DAPfinal~alt, data=rud.dap)->lm.rud1

summary(lm.rud1)

<box 80% round green>
  Call:
  lm(formula = DAPfinal ~ alt, data = rud.dap)
  Residuals:
    Min      1Q  Median      3Q     Max 
  -52.402  -9.242  -2.495   6.641  89.516 
  Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
  (Intercept) -13.8372     1.5315  -9.035   <2e-16 ***
  alt          11.1721     0.3006  37.167   <2e-16 ***
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
  Residual standard error: 15.97 on 874 degrees of freedom
  Multiple R-squared: 0.6125,     Adjusted R-squared: 0.612 
  F-statistic:  1381 on 1 and 874 DF,  p-value: < 2.2e-16 
</box>

==============================================================
anova(lm.rud1)

  Analysis of Variance Table
  Response: DAPfinal
             Df Sum Sq Mean Sq F value    Pr(>F)    
  alt         1 352369  352369  1381.4 < 2.2e-16 ***
  Residuals 874 222946     255                      
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 


 lm(DAPfinal~alt*frag, data=rud.dap)->lm.rud2
> summary(lm.rud2)

  Call:
  lm(formula = DAPfinal ~ alt * frag, data = rud.dap)
  Residuals:
    Min      1Q  Median      3Q     Max 
  -49.842  -8.220  -2.004   6.298  68.331 
  Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
  (Intercept) -18.0563     6.6010  -2.735  0.00636 ** 
  alt          14.5594     0.9708  14.998  < 2e-16 ***
  fragjea       6.5317     9.9836   0.654  0.51313    
  fragmed      10.4743     7.3344   1.428  0.15362    
  fragodo      11.2698     7.5957   1.484  0.13825    
  fragosa       5.5641     8.7745   0.634  0.52617    
  fragteo      10.4928     6.9636   1.507  0.13222    
  alt:fragjea  -3.9863     2.0292  -1.964  0.04980 *  
  alt:fragmed  -5.2077     1.1483  -4.535 6.57e-06 ***
  alt:fragodo  -4.7221     1.1820  -3.995 7.02e-05 ***
  alt:fragosa  -2.9031     1.4441  -2.010  0.04472 *  
  alt:fragteo  -5.5009     1.0894  -5.049 5.40e-07 ***
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
  Residual standard error: 14.7 on 864 degrees of freedom
  Multiple R-squared: 0.6754,     Adjusted R-squared: 0.6712 
  F-statistic: 163.4 on 11 and 864 DF,  p-value: < 2.2e-16 


=======================================================

anova(lm.rud2)


  Analysis of Variance Table
  Response: DAPfinal
           Df Sum Sq Mean Sq   F value    Pr(>F)    
  alt         1 352369  352369 1630.0422 < 2.2e-16 ***
  frag        5  29832    5966   27.6001 < 2.2e-16 ***
  alt:frag    5   6342    1268    5.8679 2.423e-05 ***
  Residuals 864 186772     216                        
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

==================================================================
anova(lm.rud2,lm.rud1)

  Analysis of Variance Table
  Model 1: DAPfinal ~ alt * frag
  Model 2: DAPfinal ~ alt
  Res.Df    RSS  Df Sum of Sq      F    Pr(>F)    
  1    864 186772                                   
  2    874 222946 -10    -36174 16.734 < 2.2e-16 ***
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

 
==== Modelos log transformados ====

> lm(log(DAPfinal)~log(alt)*frag, data=rud.dap)->lm.logrud1
> summary(lm.logrud1)

  Call:
  lm(formula = log(DAPfinal) ~ log(alt) * frag, data = rud.dap)
  Residuals:
       Min       1Q   Median       3Q      Max 
  -1.42435 -0.24614 -0.02430  0.22004  1.82399 
  Coefficients:
                   Estimate Std. Error t value Pr(>|t|)    
  (Intercept)       1.82668    0.25095   7.279 7.56e-13 ***
  log(alt)          1.31346    0.13487   9.738  < 2e-16 ***
  fragjea          -0.10721    0.33039  -0.325    0.746    
  fragmed          -0.17062    0.26984  -0.632    0.527    
  fragodo          -0.01366    0.27849  -0.049    0.961    
  fragosa          -0.45413    0.31831  -1.427    0.154    
  fragteo          -0.09108    0.25938  -0.351    0.726    
  log(alt):fragjea -0.11834    0.20555  -0.576    0.565    
  log(alt):fragmed -0.11012    0.14889  -0.740    0.460    
  log(alt):fragodo -0.16631    0.15375  -1.082    0.280    
  log(alt):fragosa  0.14805    0.18135   0.816    0.414    
  log(alt):fragteo -0.19192    0.14258  -1.346    0.179    
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
  Residual standard error: 0.3406 on 864 degrees of freedom
  Multiple R-squared: 0.7016,     Adjusted R-squared: 0.6978 
  F-statistic: 184.7 on 11 and 864 DF,  p-value: < 2.2e-16 


lm(log(DAPfinal)~log(alt)+frag, data=rud.dap)->lm.logrud2
summary(lm.logrud2)

  Call:
  lm(formula = log(DAPfinal) ~ log(alt) + frag, data = rud.dap)
  Residuals:
       Min       1Q   Median       3Q      Max 
  -1.43691 -0.24302 -0.02863  0.21794  1.80429 
  Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
  (Intercept)  2.07229    0.06986  29.664  < 2e-16 ***
  log(alt)     1.17963    0.03067  38.468  < 2e-16 ***
  fragjea     -0.33192    0.06530  -5.083 4.55e-07 ***
  fragmed     -0.38009    0.04903  -7.752 2.53e-14 ***
  fragodo     -0.31083    0.05119  -6.072 1.89e-09 ***
  fragosa     -0.25518    0.05973  -4.272 2.15e-05 ***
  fragteo     -0.41596    0.04736  -8.783  < 2e-16 ***
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
  Residual standard error: 0.3413 on 869 degrees of freedom
  Multiple R-squared: 0.6988,     Adjusted R-squared: 0.6967 
  F-statistic:   336 on 6 and 869 DF,  p-value: < 2.2e-16 

==== Grafico do modelo log ====

attach(rud.dap)

plot(log(alt),log(DAPfinal),pch=as.numeric(frag),col=as.numeric(frag),cex=.25)

abline(lm(log(DAPfinal[frag==unique(frag)[1]])~log(alt[frag==unique(frag)[1]])),col=1,lty=2)

abline(lm(log(DAPfinal[frag==unique(frag)[2]])~log(alt[frag==unique(frag)[2]])),col=2,lty=2)

abline(lm(log(DAPfinal[frag==unique(frag)[3]])~log(alt[frag==unique(frag)[3]])),col=3,lty=2)

abline(lm(log(DAPfinal[frag==unique(frag)[4]])~log(alt[frag==unique(frag)[4]])),col=4,lty=2)

abline(lm(log(DAPfinal[frag==unique(frag)[5]])~log(alt[frag==unique(frag)[5]])),col=5,lty=2)

abline(lm(log(DAPfinal[frag==unique(frag)[6]])~log(alt[frag==unique(frag)[6]])),col=6,lty=2)


{{logdapxlogaltxfrag.jpg|}}



** Cris, verifique como é tratada a relação alométrica entre diâmetro e altura de árvores **

** Ale, é isso mesmo, o log de ambas medidas geralmente é o que explica melhor as relações, vou postar um artigo qe mostra isso**

===== Estrutura Comunidade =====

Por enquanto vamos apenas analisar a estrutura pela Área Basal que pode ser considerado um indicador do estágio sucessional
ere

Primeiro vamos ver se há diferenças entre os fragmentos

{{tap.abxfrag.jpg|}}


**parece concordar com a sua classificação**


lm(tap.plot$AB~tap.plot$frag)->lm.tapAB1
summary(lm.tapAB1)

  Call:
  lm(formula = tap.plot$AB ~ tap.plot$frag)
  Residuals:
      Min      1Q  Median      3Q     Max 
  -277149  -66714   -2902   65552  631314 
  Coefficients:
                 Estimate Std. Error t value Pr(>|t|)    
  (Intercept)        610684      44593  13.695  < 2e-16 ***
  tap.plot$fragjea  -329872      63064  -5.231 2.82e-06 ***
  tap.plot$fragmed  -208611      63064  -3.308 0.001677 ** 
  tap.plot$fragodo  -225860      63064  -3.581 0.000733 ***
  tap.plot$fragosa  -142449      63064  -2.259 0.027956 *  
  tap.plot$fragteo  -131313      63064  -2.082 0.042074 *  
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
  Residual standard error: 141000 on 54 degrees of freedom
  Multiple R-squared: 0.3633,     Adjusted R-squared: 0.3043 
  F-statistic: 6.163 on 5 and 54 DF,  p-value: 0.0001379 

**Tirei um outlier**
 
lm(tap.plot$AB[-53]~tap.plot$frag[-53])->lm.tapAB2
summary(lm.tapAB2)

  Call:
  lm(formula = tap.plot$AB[-53] ~ tap.plot$frag[-53])
  Residuals:
      Min      1Q  Median      3Q     Max 
  -213133  -66499    3688   66449  247477 
  Coefficients:
                      Estimate Std. Error t value Pr(>|t|)    
  (Intercept)             540538      36370  14.862  < 2e-16 ***
  tap.plot$frag[-53]jea  -259726      50132  -5.181  3.5e-06 ***
  tap.plot$frag[-53]med  -138465      50132  -2.762  0.00788 ** 
  tap.plot$frag[-53]odo  -155714      50132  -3.106  0.00304 ** 
  tap.plot$frag[-53]osa   -72303      50132  -1.442  0.15512    
  tap.plot$frag[-53]teo   -61167      50132  -1.220  0.22782    
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
  Residual standard error: 109100 on 53 degrees of freedom
  Multiple R-squared: 0.3866,     Adjusted R-squared: 0.3287 
  F-statistic:  6.68 on 5 and 53 DF,  p-value: 6.832e-05 

**Resolvi manter o outlier, ja que não faz muita difnça **

anova(lm.tapAB1)


  Analysis of Variance Table
  Response: tap.plot$AB
                Df     Sum Sq    Mean Sq F value    Pr(>F)    
  tap.plot$frag  5 6.1271e+11 1.2254e+11  6.1625 0.0001379 ***
  Residuals     54 1.0738e+12 1.9885e+10                      
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 


anova(lm.tapAB2)

  Analysis of Variance Table
  Response: tap.plot$AB[-53]
                    Df     Sum Sq    Mean Sq F value    Pr(>F)    
  tap.plot$frag[-53]  5 3.9764e+11 7.9528e+10  6.6803 6.832e-05 ***
  Residuals          53 6.3096e+11 1.1905e+10                      
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 


**Resolvi manter o outlier, já que não faz muita diferença **

===== Crescimento das espécies x AB da Floresta =====

criei um arquivo com os dados de crescimento médio por espécies e a mediana (por plot) da área basal nas florestas

>cresc.Ab
              G         R       AB frag
  bic 0.1696250 0.7404478 609426.2  bic
  jea 2.4392000 1.8516000 264641.9  jea
  med 1.0723053 0.8254663 389280.6  med
  odo 0.9169773 1.3836642 400835.5  odo
  osa 2.0959897 1.4284844 463501.2  osa
  teo 0.6798598 0.7070391 502704.4  teo

> lm(cresc.Ab$G~cresc.Ab$AB)->lm.cresc.G
> lm(cresc.Ab$R~cresc.Ab$AB)->lm.cresc.R
> summary(lm.cresc.R)

  Call:
  lm(formula = cresc.Ab$R ~ cresc.Ab$AB)
  Residuals:
          1       2       3       4       5       6 
     0.1029  0.1686 -0.4796  0.1136  0.3485 -0.2541 
    Coefficients:
                  Estimate Std. Error t value Pr(>|t|)  
    (Intercept)  2.485e+00  5.916e-01   4.201   0.0137 *
    cresc.Ab$AB -3.032e-06  1.311e-06  -2.312   0.0818 .
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
    Residual standard error: 0.342 on 4 degrees of freedom
    Multiple R-squared: 0.572,      Adjusted R-squared: 0.4651 
    F-statistic: 5.347 on 1 and 4 DF,  p-value: 0.08183 


> summary(lm.cresc.G)

  Call:
  lm(formula = cresc.Ab$G ~ cresc.Ab$AB)
  Residuals:
           1        2        3        4        5        6 
      -0.08999  0.22536 -0.43508 -0.52492  1.00928 -0.18465 
      Coefficients:
                Estimate Std. Error t value Pr(>|t|)  
    (Intercept)  3.714e+00  1.086e+00   3.420   0.0268 *
    cresc.Ab$AB -5.668e-06  2.407e-06  -2.355   0.0781 .
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
    Residual standard error: 0.6278 on 4 degrees of freedom
    Multiple R-squared: 0.5809,     Adjusted R-squared: 0.4762 
    F-statistic: 5.545 on 1 and 4 DF,  p-value: 0.0781 


> plot(cresc.Ab$R~cresc.Ab$AB)

> abline(lm.cresc.R)



{{gua.cresc.ab.jpg|}}


{{rud.cresc.ab.jpg|}}


**Apesar de não significativo (nosso n é baixo) há uma tendência clara**

==== Transformação log da variável dependente ====

**PARA GRAUPIRA É SIGNIFICATIVO QUANDO TRANSFORMADO A VARIÁVEL REPOSTA EM LOG**


> lm(log(cresc.Ab$G)~cresc.Ab$AB)->lm.logG

> summary(lm.logG)

  Call:
  lm(formula = log(cresc.Ab$G) ~ cresc.Ab$AB)
  Residuals:
      1       2       3       4       5       6 
  -0.5149 -0.2045 -0.1749 -0.2524  1.0024  0.1443 
  Coefficients:
                Estimate Std. Error t value Pr(>|t|)  
  (Intercept)  2.904e+00  1.033e+00   2.811   0.0483 *
  cresc.Ab$AB -6.832e-06  2.290e-06  -2.984   0.0406 *
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
  Residual standard error: 0.5973 on 4 degrees of freedom
  Multiple R-squared:  0.69,      Adjusted R-squared: 0.6124 
  F-statistic: 8.902 on 1 and 4 DF,  p-value: 0.0406 

> anova(lm.logG)

  Analysis of Variance Table
  Response: log(cresc.Ab$G)
              Df Sum Sq Mean Sq F value Pr(>F)  
  cresc.Ab$AB  1 3.1753  3.1753  8.9015 0.0406 *
  Residuals    4 1.4268  0.3567                 
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

> lm(log(cresc.Ab$R)~cresc.Ab$AB)->lm.logR
> anova(lm.logR)

  Analysis of Variance Table
  Response: log(cresc.Ab$R)
              Df  Sum Sq Mean Sq F value Pr(>F)  
  cresc.Ab$AB  1 0.44787 0.44787  4.7581 0.0946 .
  Residuals    4 0.37651 0.09413                 
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1