Aqui você vê as diferenças entre duas revisões dessa página.
Ambos lados da revisão anteriorRevisão anteriorPróxima revisão | Revisão anterior | ||
exercicios:exerc2 [2012/05/14 18:03] – [Taxa de crescimento] mortara | exercicios:exerc2 [2024/01/09 18:18] (atual) – edição externa 127.0.0.1 | ||
---|---|---|---|
Linha 118: | Linha 118: | ||
pardal< | pardal< | ||
str(pardal) | str(pardal) | ||
+ | head(pardal) | ||
pardal6= pardal[1: | pardal6= pardal[1: | ||
plot(pardal6$Count ~pardal6$Year) | plot(pardal6$Count ~pardal6$Year) | ||
Linha 283: | Linha 284: | ||
===== Estocasticidade Ambiental ===== | ===== Estocasticidade Ambiental ===== | ||
- | Flutuações ambientais podem exercer efeito na taxa de crescimento instantâneo da população. De uma forma simples, podemos imaginar que essa variação funcione como um ruído no //r//, como se a população em média tivesse uma taxa, mas a cada realização ela pudesse ser um tanto diferente devido a condições externar a ela própria. | + | Flutuações ambientais podem exercer efeito na taxa de crescimento instantâneo da população. De uma forma simples, podemos imaginar que essa variação funcione como um ruído no //r//, como se a população em média tivesse uma taxa, mas a cada realização ela pudesse ser um tanto diferente devido a condições externar a ela própria. A implementação dessa estocasticidade ambiental em modelos contínuos é um pouco mais complicada, mas podemos imaginá-la como realizações em algum intervalo pequeno de tempo. |
- | Nesse caso teríamos | + | Para um crescimento discreto a construção de simulações com estocasticidade ambiental é mais intuitivo: a cada realização |
< | < | ||
- | + | npop=10 | |
- | re = rnorm(10, mean=0.3, sd=0.05) | + | n0=10 |
- | temp= 1:10 | + | lamb.med = 1.2 |
- | N0=1 | + | lamb.sd= 0.4 |
- | tam.pop=N0*exp(re*temp) | + | lamb = rnorm(npop, mean=lamb.med, sd=lamb.sd) |
- | plot(1:10, tam.pop, type=" | + | N0=rep(n0, |
- | lines(1:10, exp(1:10*0.3), lwd=2) | + | N1=lamb*N0 |
+ | lamb=rnorm(npop, | ||
+ | N2=N1*lamb | ||
+ | N3=N2*rnorm(npop, | ||
+ | N4=N3*rnorm(10,mean=lamb.med,sd=lamb.sd) | ||
+ | N5=N4*rnorm(10,mean=lamb.med, | ||
+ | Nt< | ||
+ | matplot(0:5, Nt, type=" | ||
</ | </ | ||
- | |||
==== Desafio ==== | ==== Desafio ==== | ||
- | É possível adaptar a nossas | + | É possível adaptar a nossas |
<box 70% green |Dicas> | <box 70% green |Dicas> | ||
O primeiro passo sempre e pensar quais argumentos vamos precisar | O primeiro passo sempre e pensar quais argumentos vamos precisar | ||
- | Nesse caso, temos apenas mais um argumento o **//dpr//** : o desvio padrão de //r//. O resto continua o mesmo, lembre-se que se o **//dpr//** for 0, nosso população é determinística! Ou seja, a mesma função pode se prestar para simular ambos cenários. | + | Nesse caso, temos apenas mais um argumento o **//lamb.dp//** : o desvio padrão de //lambda//. O resto continua o mesmo, lembre-se que se o **//lamb.dp//** for 0, nosso população é determinística! Ou seja, a mesma função pode se prestar para simular ambos cenários. |