universidade de s˜ao paulo escola superior de agricultura...
TRANSCRIPT
Universidade de Sao Paulo
Escola Superior de Agricultura “Luiz de Queiroz”
Modelagem estatıstica e ecologica de relacoes troficas
em pragas e inimigos naturais
Rafael de Andrade Moral
Dissertacao apresentada para a obtencao do tıtulode Mestre em Ciencias, Area de Concentracao:Estatıstica e Experimentacao Agronomica
Piracicaba
2013
Rafael de Andrade MoralBiologo
Modelagem estatıstica e ecologica de relacoes troficas em pragas e inimigosnaturais
Orientadora:Prof𝑎 Dr𝑎 CLARICE GARCIA BORGES DEMETRIO
Dissertacao apresentada para a obtencao do tıtulo de Mestreem Ciencias, Area de Concentracao: Estatıstica e Experimen-tacao Agronomica
Piracicaba2013
Dados Internacionais de Catalogação na Publicação
DIVISÃO DE BIBLIOTECA - ESALQ/USP
Moral, Rafael de Andrade Modelagem estatística e ecológica de relações tróficas em pragas e inimigos naturais / Rafael de Andrade Moral. - - Piracicaba, 2013.
173 p. : il.
Dissertação (Mestrado) - - Escola Superior de Agricultura “Luiz de Queiroz”, 2013. Bibliografia.
1. Modelos lineares generalizados 2. Gráficos meio-normais com envelope de simulação 3. Controle biológico 4. Spodoptera frugiperda 5. Alabama argillacea 6. Euborellia annulipes 7. Podisus nigrispinus 8. Campoletis flavicincta I. Título
CDD 574.50212
M828m
“Permitida a cópia total ou parcial deste documento, desde que citada a fonte – O autor”
3
DEDICATORIA
Alguns autores dizem que o amor e o eterno funda-
mento da educacao. Ja minha mae diz que sao os
limites os grandes fundamentos da educacao, pois
quem realmente ama impoe limites.
A minha mae, Estela, e ao meu pai, Ronaldo,
aqueles que me impuseram limites, dedico.
4
5
AGRADECIMENTOS
Agradeco, primeiramente, a Deus.
Meu muito obrigado aos meus pais, que me deram educacao moral e apoiaram
desde sempre minha decisao em tentar ser biologo e estatıstico.
Estendo meu agradecimento a Lıvia Maria, por me deixar compartilhar parte
da minha vida.
Aproveito para agradecer a toda minha famılia, por todos os momentos e
experiencias que me fizeram crescer como pessoa.
Meu muito obrigado a Lıvia e ao Tio Guilherme, por me ajudarem a cuidar
das “tesourudas” e por trazerem mais arte e musica para os meus dias.
Agradeco a meus queridos orientadores, Clarice, Wesley e John, que no de-
correr da nossa convivencia, se tornaram tambem grandes amigos, por quem tenho muita
estima.
Obrigado aos meus colegas do curso de mestrado, Djair, Marcus, Reginaldo,
Ricardo e Thiago, que se tornaram grandes amigos. Agradeco os estudos coletivos, o apren-
dizado, as risadas e por assistir as apresentacoes das minhas bandas repetidas vezes.
Agradeco, tambem, aos funcionarios e docentes do Departamento de Ciencias
Exatas, bem como aos funcionarios da Biblioteca e da Secao de Pos Graduacao da ESALQ.
Sou profundamente grato ao Bruno Malaquias, Jessica Pachu e ao Dr. Fran-
cisco Ramalho, bem como a toda a equipe do Laboratorio de Entomologia da EMBRAPA
Algodao (Campina Grande - PB), por me auxiliarem nos experimentos de competicao.
Agradeco ao Francisco Sales, por me auxiliar nos testes de escolha e com a criacao de Eubo-
rellia. Tambem sou grato a Bruna Merlin, por ter, gentilmente, cedido os parasitoides para
meus experimentos. Este trabalho nao seria possıvel sem o bom coracao e a competencia
deles.
Agradeco a FAPESP, por financiar minha pesquisa.
6
7
EPIGRAFE
“Comece fazendo o que e necessario, depois o que e
possıvel, e de repente voce estara fazendo o impossıvel.”
Francisco de Assis
8
9
SUMARIO
RESUMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
LISTA DE FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
LISTA DE TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1 INTRODUCAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2 GRAFICOS MEIO-NORMAIS COM ENVELOPE SIMULADO: UMA IMPLE-
MENTACAO NO R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Modelos lineares generalizados e superdispersao . . . . . . . . . . . . . . . . . . . 34
2.3 Graficos meio-normais com envelope simulado . . . . . . . . . . . . . . . . . . . . 37
2.4 A funcao hnp() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.1 Pontos de ebulicao nos Alpes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.2 Oviposicao de Diaphorina citri . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5.3 Proporcao de graos danificados por Sitophilus zeamais . . . . . . . . . . . . . . 45
2.6 Consideracoes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3 PREDACAO INTRAGUILDA EM PREDADORES DE NICHOS SOBREPOS-
TOS EM AGROECOSSISTEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2 Material . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.1 Obtencao e criacao dos insetos . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.2 Experimentos conduzidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3 Metodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3.1 Modelos lineares generalizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3.2 Analise de sobrevivencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.3 Modelos aditivos generalizados . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3.4 Regressao logıstica multinomial ordinal . . . . . . . . . . . . . . . . . . . . . . . 64
3.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.1 Experimento 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.2 Experimento 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.4.3 Experimento 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
10
3.4.3.1 Competicao intraespecıfica em P. nigrispinus . . . . . . . . . . . . . . . . . 74
3.4.3.2 Competicao intraespecıfica em E. annulipes . . . . . . . . . . . . . . . . . . 77
3.5 Discussao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.6 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4 PARASITISMO AFETA A ESCOLHA DE PREDADORES EM AGROECOSSIS-
TEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2 Material . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.2.1 Obtencao e criacao dos insetos . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.2.2 Experimento conduzido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.3 Metodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.5 Discussao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.6 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5 UM MODELO DE CONTROLE BIOLOGICO COM MULTIPLOS INIMIGOS
NATURAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.2 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.3 Resultados e discussao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.4 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
6 CONSIDERACOES FINAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
APENDICES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
ANEXOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
11
RESUMO
Modelagem estatıstica e ecologica de relacoes troficas em pragas e inimigos
naturais
Diversos estudos tem sido feitos para verificar quais as relacoes entre a la-garta do cartucho-do-milho, Spodoptera frugiperda, bem como o curuquere-do-algodoeiro,Alabama argillacea, e potenciais agentes de controle biologico, visto que sao importantespragas de diversas culturas. Pesquisas com parasitoides e predadores de diferentes ordenstem sido desenvolvidas, com esse proposito. A tesourinha Euborellia annulipes apresentagrande potencial, assim como o pentatomıdeo Podisus nigrispinus, por serem inimigos na-turais desses insetos-praga. O parasitoide Campoletis flavicincta e, tambem, consideradoum potencial agente controlador de S. frugiperda, no campo. Quatro experimentos foraminstalados e conduzidos para estudar as relacoes ecologicas entre as especies citadas: i) com-peticao entre os predadores por larvas de S. frugiperda; ii) competicao entre os predadorespor larvas de A. argillacea; iii) competicao intraespecıfica entre as ninfas dos predadores;iv) teste de preferencia por larvas de S. frugiperda previamente parasitadas, ou nao, por C.flavicincta. Modelos estatısticos de diferentes tipos foram ajustados aos dados obtidos. Fo-ram utilizados modelos lineares generalizados para dados discretos univariados (contagens eproporcoes), modelos de analise de sobrevivencia para dados de tempo ate ocorrencia de umdeterminado evento, modelos aditivos generalizados e modelos multinomiais ordinais paradados de taxas de mortalidade observadas ao longo do tempo. Para verificar a qualidade doajuste de modelos lineares generalizados, funcoes que produzem graficos meio-normais comenvelope de simulacao foram implementadas no software estatıstico gratuito R. Observou-seque as femeas de E. annulipes sao mais agressivas e a especie tem vantagem competitivasobre P. nigrispinus, podendo atuar como predadora intraguilda. Alem disso, os predado-res tem a capacidade de discriminar entre larvas de S. frugiperda parasitadas ou nao porC. flavicincta, sendo que ha evidencias de que os machos evitam consumir larvas parasi-tadas. Ja as femeas nao tem preferencia e podem consumir o parasitoide, indiretamente,ao predar uma larva parasitada, sendo que isso pode ser um fator estabilizador do sistema.Adicionalmente, a coexistencia entre a praga, os predadores e o parasitoide e mais prova-vel quando as taxas de ataque dos predadores sao mais altas e a do parasitoide e mais baixa.
Palavras-chave: Modelos lineares generalizados; Graficos meio-normais com envelope desimulacao; Controle biologico; Spodoptera frugiperda; Alabama argillacea; Euborellia annu-lipes; Podisus nigrispinus; Campoletis flavicincta
12
13
ABSTRACT
Statistical and ecological modelling of the trophic relations in pests and
natural enemies
Several studies have verified the relations among the fall armyworm, Spodop-tera frugiperda, as well as the cotton leafworm, Alabama argillacea, and potential biologicalcontrol agents, as they are important pests of several crops. Research with parasitoids andpredators of different orders has been developed with this purpose. The ring-legged earwig(Euborellia annulipes) shows great potential, as well as the Neotrpical stink bug (Podisusnigrispinus), as they are natural enemies of these pests. The parasitoid wasp Campoletisflavicincta is also considered a biological control agent of S. frugiperda. Four experimentswere set up and conducted to characterize the ecological relations among the described spe-cies: i) competition between the predators for S. frugiperda larvae; ii) competition betweenthe predators for A. argillacea larvae; iii) intraspecific competition among the predators’nymphs; iv) choice tests between S. frugiperda larvae that were previously parasitised byC. flavicincta and larvae that were not. Statistical models of different types were fit tothe data. Generalized linear models were used to analyse univariate discrete data (countsand proportions), survival analysis models were used to analyse time-until-event data, ge-neralized additive models and ordered multinomial logistic models were used to analysemortality rates through time. To assess goodness-of-fit, functions that produce half-normalplots with a simulation envelope were implemented for the open-source software R. It wasobserved that females of E. annulipes are less aggressive and this species has a competitiveadvantage over P. nigrispinus, and may act as an intraguild predator. Besides that, thepredators are able to distinguish parasitised from non-parasitised S. frugiperda larvae, andthere are evidence that show that males tend to avoid feeding on larvae parasitised by C.flavicincta. Females, however, have no prefference and may indirectly feed on the parasitoidwhen predating a parasitised larva, and this might be a stabilizing factor in this system. Inaddition, coexistence among the pest, predators and parasitoid is most likely when preda-tion rates are high and parasitism rates are low.
Keywords: Generalized linear models; Half-normal plots with a simulation envelope; Bi-ological control; Spodoptera frugiperda; Alabama argillacea; Euborellia annulipes; Podisusnigrispinus; Campoletis flavicincta
14
15
LISTA DE FIGURAS
Figura 2.1 - Graficos meio-normais com envelope simulado para os ajustes dos mo-
delos (a) normal de regressao, (b) excluindo a observacao 12, (c) com
variavel resposta original e funcao de ligacao logarıtmica e (d) excluindo
a observacao 12 do ajuste anterior, para os dados de temperatura de
ebulicao e pressao atmosferica apresentados em Atkinson (1985, p. 4) . 42
Figura 2.2 - Graficos meio-normais com envelope simulado para os modelos (a) de
Poisson, (b) quase-Poisson, (c) Poisson-normal e (d) binomial negativo,
ajustados aos dados de contagens de ovos de D. citri . . . . . . . . . . . 46
Figura 2.3 - Graficos meio-normais com envelope simulado para os modelos (a) bi-
nomial, (b) quase-binomial, (c) logıstico-normal e (d) beta-binomial,
ajustados aos dados de proporcoes de graos danificados por S. zeamais . 48
Figura 3.1 - Recipientes utilizados nas criacoes de (a) P. nigrispinus e (b) E. annulipes 54
Figura 3.2 - Esquema dos tratamentos do experimento 1: (a) um macho de P. ni-
grispinus e de E. annulipes juntamente com uma larva de S. frugiperda
e (b) uma femea de P. nigrispinus e de E. annulipes com uma larva de
S. frugiperda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Figura 3.3 - Diagrama de arvore para as combinacoes das variaveis do experimento 1:
sexo (𝑆), primeiro a atacar (𝐹 ), predador que consumiu efetivamente
mais presas (𝑊 ), se P. nigrispinus atacou E. annulipes (𝑃 ) e se E.
annulipes atacou P. nigrispinus (𝐸) . . . . . . . . . . . . . . . . . . . . 56
Figura 3.4 - Esquema dos tratamentos do experimento 2: (a) um macho de it P.
nigrispinus e de E. annulipes com uma larva de A. argillacea, (b) um
macho de it P. nigrispinus e de E. annulipes com tres larvas de A.
argillacea, (c) uma femea de it P. nigrispinus e de E. annulipes com
uma larva de A. argillacea e (d) uma femea de it P. nigrispinus e de E.
annulipes com tres larvas de A. argillacea . . . . . . . . . . . . . . . . . 57
Figura 3.5 - Diagrama representando as interacoes entre as variaveis do experimento 1 67
Figura 3.6 - Grafico da variavel indicadora de censura para cada (a) sexo e para cada
(b) densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Figura 3.7 - Funcoes de sobrevivencia e curvas ajustadas pelo modelo (a) exponen-
cial, para os machos, e (b) Weibull, para as femeas . . . . . . . . . . . . 70
Figura 3.8 - Graficos das variaveis respostas do experimento 2 (Tabela 3.2) . . . . . 71
Figura 3.9 - Graficos meio-normais com envelope simulado para os ajustes dos mo-
delos de Poisson (primeira coluna) e do tipo binomial negativo (segunda
coluna) para os dados de numero de ataques de P. nigrispinus sobre E.
annulipes (primeira linha) e vice-versa (segunda linha) . . . . . . . . . . 74
16
Figura 3.10 - Comportamento agressivo observado no experimento 2. (a) femea de P.
nigrispinus ataca uma femea de E. annulipes; (b) outra femea de P. ni-
grispinus atacando a tesourinha; (c) femea de E. annulipes consumindo
uma femea de P. nigrispinus apos mata-la; (d) outra tesourinha femea
predando P. nigrispinus . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Figura 3.11 - Graficos das mortalidades acumuladas de P. nigrispinus observadas e
preditas ao longo dos dias, para cada bloco (I, II, III e IV) e cada densi-
dade (5, 15, 25, 35 e 45), utilizando o modelo de analise de sobrevivencia
em tempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Figura 3.12 - Graficos das medias marginais das mortalidades acumuladas de P. ni-
grispinus observadas e preditas ao longo dos dias, para cada densidade
(5, 15, 25, 35 e 45), utilizando o modelo de analise de sobrevivencia em
tempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Figura 3.13 - Graficos das mortalidades acumuladas de P. nigrispinus observadas e
preditas ao longo dos dias, para cada bloco (I, II, III e IV) e cada
densidade (5, 15, 25, 35 e 45), utilizando o modelo aditivo generalizado
com funcao suavizadora no preditor linear . . . . . . . . . . . . . . . . . 77
Figura 3.14 - Graficos das medias marginais das mortalidades acumuladas de P. ni-
grispinus observadas e preditas ao longo dos dias, para cada densidade
(5, 15, 25, 35 e 45), utilizando o modelo aditivo generalizado com funcao
suavizadora no preditor linear . . . . . . . . . . . . . . . . . . . . . . . 78
Figura 3.15 - Graficos das mortalidades acumuladas de P. nigrispinus observadas e
preditas ao longo dos dias, para cada bloco (I, II, III e IV) e cada
densidade (5, 15, 25, 35 e 45), utilizando o modelo de regressao logıstica
multinomial de chances proporcionais . . . . . . . . . . . . . . . . . . . 79
Figura 3.16 - Graficos das medias marginais das mortalidades acumuladas de P. ni-
grispinus observadas e preditas ao longo dos dias, para cada densidade
(5, 15, 25, 35 e 45), utilizando o modelo de regressao logıstica multino-
mial de chances proporcionais . . . . . . . . . . . . . . . . . . . . . . . 80
Figura 3.17 - Graficos das mortalidades acumuladas de E. annulipes observadas e pre-
ditas ao longo dos dias, para cada bloco (I, II, III e IV) e cada densidade
(5, 15, 25, 35 e 45), utilizando o modelo de analise de sobrevivencia em
tempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Figura 3.18 - Graficos das medias marginais das mortalidades acumuladas de E. an-
nulipes observadas e preditas ao longo dos dias, para cada densidade
(5, 15, 25, 35 e 45), utilizando o modelo de analise de sobrevivencia em
tempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
17
Figura 3.19 - Graficos das mortalidades acumuladas de E. annulipes observadas e pre-
ditas ao longo dos dias, para cada bloco (I, II, III e IV) e cada densidade
(5, 15, 25, 35 e 45), utilizando o modelo aditivo generalizado com funcao
suavizadora no preditor linear . . . . . . . . . . . . . . . . . . . . . . . 82
Figura 3.20 - Graficos das medias marginais das mortalidades acumuladas de E. an-
nulipes observadas e preditas ao longo dos dias, para cada densidade (5,
15, 25, 35 e 45), utilizando o modelo aditivo generalizado com funcao
suavizadora no preditor linear . . . . . . . . . . . . . . . . . . . . . . . 82
Figura 3.21 - Graficos das mortalidades acumuladas de E. annulipes observadas e pre-
ditas ao longo dos dias, para cada bloco (I, II, III e IV) e cada densidade
(5, 15, 25, 35 e 45), utilizando o modelo de regressao logıstica multino-
mial de chances proporcionais . . . . . . . . . . . . . . . . . . . . . . . 84
Figura 3.22 - Graficos das medias marginais das mortalidades acumuladas de E. an-
nulipes observadas e preditas ao longo dos dias, para cada densidade (5,
15, 25, 35 e 45), utilizando o modelo de regressao logıstica multinomial
de chances proporcionais . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Figura 4.1 - Recipientes utilizados nas criacoes de (a) P. nigrispinus e (b) E. annulipes 94
Figura 4.2 - Esquema dos tratamentos do experimento 4: duas larvas de S. frugi-
perda, sendo uma nao parasitada e a outra parasitada por C. flavicincta
com (a) um macho de P. nigrispinus, (b) um macho de E. annulipes,
(c) uma femea de P. nigrispinus e (d) uma femea de E. annulipes . . . 95
Figura 4.3 - Estagios das variaveis respostas observadas no experimento 4: (a) pri-
meira presa a ser atacada e (b) presa a ser consumida efetivamente . . . 95
Figura 4.4 - Funcoes de sobrevivencia e curvas ajustadas pelo modelo de riscos pro-
porcionais de Cox para os tratamentos: (a) machos de E. annulipes, (b)
femeas de E. annulipes, (c) machos de P. nigrispinus e (d) femeas de
P. nigrispinus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Figura 4.5 - Graficos das variaveis respostas obtidas no experimento 4 (Tabela 4.1).
(a) tempo ate primeiro ataque, (b) primeira presa a ser atacada, (c)
qual presa foi consumida efetivamente e (d) consumo efetivo das duas
presas ao final de uma hora . . . . . . . . . . . . . . . . . . . . . . . . . 101
Figura 4.6 - Grafico das curvas ajustadas das probabilidades estimadas de machos
e femeas consumirem presas parasitadas, como funcao do logarıtmo do
tempo ate primeiro ataque . . . . . . . . . . . . . . . . . . . . . . . . . 103
Figura 4.7 - Esquema das relacoes entre o parasitoide C. flavicincta, os predadores
P. nigrispinus e E. annulipes e a praga S. frugiperda em uma cultura
de milho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
18
Figura 5.1 - Diagramas de bifurcacao para o parametro 𝑎3, para (a) S. frugiperda e
C. flavicincta e (b) P. nigrispinus e E. annulipes. Os valores dos demais
parametros sao indicados na Tabela 5.1 . . . . . . . . . . . . . . . . . . 118
Figura 5.2 - Diagramas de bifurcacao para (a) o parametro 𝑎1, para S. frugiperda, P.
nigrispinus e C. flavicincta e para (b) o parametro 𝑎2, para S. frugiperda,
E. annulipes e C. flavicincta. Os valores dos demais parametros sao
indicados na Tabela 5.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Figura 5.3 - Simulacoes do modelo adaptado de Hassell (1978), utilizando: (a) os
valores dos parametros indicados na Tabela 5.1 e (b) diminuindo o valor
de 𝑎3 para 0, 002 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Figura 5.4 - Simulacoes do modelo adaptado de Hassel (1978), utilizando (a) 𝑎1 =
0, 2 e (b) 𝑎2 = 0, 2, sendo que os valores dos demais parametros sao
indicados na Tabela 5.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Figura 5.5 - Diagramas de bifurcacao para os parametros (a) 𝜌 e (b) 𝜀. Os valores
utilizados sao os indicados na Tabela 5.1 . . . . . . . . . . . . . . . . . 121
Figura 5.6 - Simulacoes do modelo adaptado de Hassel (1978), utilizando (a) 𝜌 = 0, 3
e (b) 𝜌 = 𝜀 = 0, 3, sendo que os valores dos demais parametros sao
indicados na Tabela 5.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
19
LISTA DE TABELAS
Tabela 2.1 - Funcoes utilizadas e pacotes necessarios para o ajuste dos modelos, que
serao utilizados para a producao do grafico meio-normal com envelope
simulado por meio da funcao hnp . . . . . . . . . . . . . . . . . . . . . 39
Tabela 2.2 - Pontos de ebulicao da agua sob diferentes pressoes atmosfericas nos
Alpes (retirado de Atkinson, 1985) . . . . . . . . . . . . . . . . . . . . . 41
Tabela 2.3 - Oviposicao de D. citri em mudas de M. paniculata sob diferentes trata-
mentos (retirado de Amaral et al., 2012) . . . . . . . . . . . . . . . . . 44
Tabela 2.4 - Proporcao de graos de milho tratados com diferentes extratos de A.
mucosa danificados por S. zeamais (retirado de Ribeiro et al., 2013) . . 47
Tabela 3.1 - Variaveis do experimento 1 . . . . . . . . . . . . . . . . . . . . . . . . . 55
Tabela 3.2 - Variaveis do experimento 2 . . . . . . . . . . . . . . . . . . . . . . . . . 57
Tabela 3.3 - Estimativas dos parametros e erros padroes para o preditor linear 3.1 e
valor de 𝑝 para o teste t para os parametros . . . . . . . . . . . . . . . 66
Tabela 3.4 - Preditores lineares dos modelos ajustados ao conjunto de dados obtidos
no experimento 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Tabela 3.5 - Graus de liberdade, deviance residual e valor 𝑝 para os modelos log-
lineares ajustados ao conjunto de dados do experimento 1 . . . . . . . . 67
Tabela 3.6 - Analise de deviance para o modelo 𝑀6. Termos adicionados sequenci-
almente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Tabela 3.7 - Tabela de contingencia para 𝑊 , 𝑆 e 𝐸 . . . . . . . . . . . . . . . . . . 68
Tabela 3.8 - Tabelas de contingencia para 𝐹 e 𝑊 , e para 𝐸 e 𝑃 . . . . . . . . . . . 68
Tabela 3.9 - Regressao logıstica para a variavel indicadora de censura. Estimativas
do intercepto e dos blocos foram omitidas . . . . . . . . . . . . . . . . . 68
Tabela 3.10 - Estimativas dos parametros para o modelo exponencial, ajustado as
observacoes da variavel “tempo ate primeiro ataque”. Estimativas para
o intercepto e blocos foram omitidas . . . . . . . . . . . . . . . . . . . . 69
Tabela 3.11 - Estimativas das regressoes logısticas para os dois estagios da analise da
variavel “primeiro a atacar presas”. As estimativas do intercepto e dos
blocos foram omitidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Tabela 3.12 - Tabela de contingencia para sexo e especie, para a variavel resposta
“primeiro a atacar presas” . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Tabela 3.13 - Estimativas das regressoes logısticas para os dois estagios da analise da
variavel “consumo efetivo das presas”. As estimativas do intercepto e
dos blocos foram omitidas . . . . . . . . . . . . . . . . . . . . . . . . . 72
Tabela 3.14 - Tabela de contingencia para densidade, sexo e especie, para a variavel
“consumo efetivo das presas” . . . . . . . . . . . . . . . . . . . . . . . . 72
20
Tabela 3.15 - Estimativas das regressoes logısticas para a variavel “qual predador ata-
cou o outro primeiro”. As estimativas do intercepto e dos blocos foram
omitidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Tabela 3.16 - Tabela de contingencia para sexo e especie, para a variavel “primeiro a
atacar o outro competidor” . . . . . . . . . . . . . . . . . . . . . . . . . 73
Tabela 3.17 - Deviance residual, graus de liberdade, valores de 𝜒2 e 𝑝 para os modelos
de Poisson, ajustados as observacoes das variaveis de contagem do nu-
mero de ataques de P. nigrispinus e de E. annulipes ao outro competidor 73
Tabela 3.18 - Estimativas dos ajustes dos modelos do tipo binomial negativo para
os dados de numero de ataques de P. nigrispinus sobre E. annulipes e
vice-versa. Estimativas do intercepto foram omitidas . . . . . . . . . . . 75
Tabela 3.19 - Media (erro padrao) do numero de ataques em uma hora de observacao,
em relacao a cada tratamento . . . . . . . . . . . . . . . . . . . . . . . 75
Tabela 3.20 - Teste 𝐹 para os modelos ajustados aos dados de mortalidade de P.
nigrispinus ao longo de 11 dias, utilizando o modelo de analise de so-
brevivencia em tempo discreto . . . . . . . . . . . . . . . . . . . . . . . 75
Tabela 3.21 - Graus de liberdade estimados para os splines cubicos utilizados para
suavizar as taxas de mortalidade de P. nigrispinus ao longo do tempo . 77
Tabela 3.22 - Teste de razao de verossimilhancas para os modelos ajustados aos da-
dos de mortalidade de P. nigrispinus ao longo de 11 dias, utilizando o
modelo de regressao multinomial logıstica de chances proporcionais . . . 78
Tabela 3.23 - Logitos e probabilidades para os interceptos, para aos dados de mor-
talidade de P. nigrispinus ao longo de 11 dias, utilizando o modelo de
regressao multinomial logıstica de chances proporcionais . . . . . . . . . 79
Tabela 3.24 - Teste 𝐹 para os modelos ajustados aos dados de mortalidade de E.
annulipes ao longo de 19 dias, utilizando o modelo de analise de sobre-
vivencia em tempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . 80
Tabela 3.25 - Graus de liberdade estimados para os splines cubicos utilizados para
suavizar as taxas de mortalidade de E. annulipes ao longo do tempo . . 80
Tabela 3.26 - Teste de razao de verossimilhancas para os modelos ajustados aos dados
de mortalidade de E. annulipes ao longo de 19 dias, utilizando o modelo
de regressao multinomial logıstica de chances proporcionais . . . . . . . 83
Tabela 3.27 - Logitos e probabilidades para os interceptos, para aos dados de mor-
talidade de E. annulipes ao longo de 11 dias, utilizando o modelo de
regressao multinomial logıstica de chances proporcionais . . . . . . . . . 83
Tabela 4.1 - Variaveis do experimento 4 . . . . . . . . . . . . . . . . . . . . . . . . . 96
Tabela 4.2 - Modelos utilizados para analisar a relacao entre a primeira escolha do
predador e a probabilidade de trocar de presa . . . . . . . . . . . . . . 98
21
Tabela 4.3 - Estimativas dos parametros para os tres modelos de analise de sobre-
vivencia ajustados aos dados do experimento 4. Estimativas para o
intercepto e blocos foram omitidas . . . . . . . . . . . . . . . . . . . . . 99
Tabela 4.4 - Teste de proporcionalidade de riscos proposto por Grambsch e Therneau
(1994) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Tabela 4.5 - Estimativas dos parametros das regressoes logısticas para os dois esta-
gios da analise da variavel“primeira presa a ser atacada”. As estimativas
do intercepto e dos blocos foram omitidas . . . . . . . . . . . . . . . . . 101
Tabela 4.6 - Tabela de contingencia para sexo, especie e tipo de presa, para a variavel
resposta “primeira presa a ser atacada” . . . . . . . . . . . . . . . . . . 101
Tabela 4.7 - Testes de razao de verossimilhancas para a inclusao de log(tempo) no
preditor linear para analisar a variavel resposta “primeira presa a ser
atacada” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Tabela 4.8 - Estimativas das regressoes logısticas para os dois estagios da analise
da variavel “presa a ser consumida efetivamente”. As estimativas do
intercepto e dos blocos foram omitidas . . . . . . . . . . . . . . . . . . 102
Tabela 4.9 - Tabela de contingencia para sexo e tipo de presa, para a variavel res-
posta “qual presa foi efetivamente consumida” . . . . . . . . . . . . . . 102
Tabela 4.10 - Testes de razao de verossimilhancas para a inclusao de log(tempo) no
preditor linear para analisar a variavel resposta “qual presa foi efetiva-
mente consumida” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Tabela 4.11 - Tabela da analise de deviance para o modelo que inclui log(tempo) no
preditor linear. Variavel resposta: “qual presa foi consumida efetivamente”103
Tabela 4.12 - Estimativas da regressao logısticas para a variavel “consumo efetivo das
duas presas ao final de uma hora”. As estimativas do intercepto e dos
blocos foram omitidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Tabela 4.13 - Tabela de contingencia para sexo, especie e tipo de presa, para a variavel
resposta “consumo efetivo das duas presas ao final de uma hora” . . . . 104
Tabela 4.14 - Testes de razao de verossimilhancas para os modelos log-lineares com
preditores lineares 𝐿1, 𝐿2, 𝐿3 e 𝐿4 . . . . . . . . . . . . . . . . . . . . 104
Tabela 4.15 - Tabela de contingencia para as variaveis “primeiro ataque” e “consumo
efetivo” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Tabela 4.16 - Estimativas dos parametros do modelo log-linear com preditor linear
𝑃2 para a Tabela 4.15 . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Tabela 4.17 - Tabelas de contingencia para as variaveis “primeiro ataque” e “consumo
efetivo”, separadas pelo sexo do predador . . . . . . . . . . . . . . . . . 105
Tabela 5.1 - Valores dos parametros utilizados nos estudos de simulacao do modelo
(5.3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
22
Tabela 6.1 - Dados do experimento 1. “E” representa E. annulipes e “P” representa
P. nigrispinus; “S” representa Sim e “N” representa Nao . . . . . . . . . 137
Tabela 6.2 - Dados do experimento 2. “E” representa E. annulipes e “P” representa
P. nigrispinus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
Tabela 6.2 - Dados do experimento 2. “E” representa E. annulipes e “P” representa
P. nigrispinus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Tabela 6.2 - Dados do experimento 2. “E” representa E. annulipes e “P” representa
P. nigrispinus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Tabela 6.3 - Dados do experimento 3 referentes a P. nigrispinus . . . . . . . . . . . 141
Tabela 6.4 - Dados do experimento 3 referentes a E. annulipes . . . . . . . . . . . . 141
Tabela 6.5 - Dados do experimento 4. “E” representa E. annulipes, “P” representa
P. nigrispinus, “Par” representa a larva parasitada e “NPar” representa
a larva nao-parasitada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
Tabela 6.5 - Dados do experimento 4. “E” representa E. annulipes, “P” representa
P. nigrispinus, “Par” representa a larva parasitada e “NPar” representa
a larva nao-parasitada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
23
1 INTRODUCAO
Dentre as culturas mais semeadas, o milho (Zea mays L.) e um dos cereais
mais produzidos (BRITO et al., 2011). Muito utilizado na alimentacao humana como
fonte de carboidrato, apresenta outras diversas formas de utilizacao, pois serve de materia
prima para diversos produtos e coprodutos, incluindo etanol (ENGELSING et al., 2011;
GALON et al., 2010). Sendo assim, pode-se afirmar que o plantio da cultura do milho
tende a continuar a sofrer expansao, tratando-se de um cultivo de grande importancia para
o agronegocio brasileiro (ENGELSING et al., 2011; GALON et al., 2010). Com o aumento
da area plantada, espera-se um aumento proporcional em termos de pragas e doencas que
afetam a cultura.
A cultura do algodao (Gossypium hirsutum L.) e outra de grande importancia
no Brasil. Dela, utilizam-se, alem da fibra do algodao, diversos subprodutos (GONZAGA;
RAMALHO; SANTOS, 1991). Assim como na cultura do milho, ha diversas pragas que
atacam as plantas de algodao, reduzindo sua produtividade. Uma das mais importantes
pragas da cultura do algodao e Alabama argillacea Hubner (Lepidoptera: Noctuidae) (OLI-
VEIRA et al., 2002), sendo que diversos estudos tem contemplado a capacidade predatoria
de inimigos naturais em relacao a praga (MALAQUIAS et al., 2009; MEDEIROS et al.,
2003).
Diversas culturas, em especial o milho e o algodao, tem sido infestadas por
Spodoptera frugiperda Smith (Lepidoptera: Noctuidae), chamada “lagarta do cartucho-do-
milho”(BASTOS; TORRES; BUENO, 2010; CRUZ; FIGUEIREDO; MATOSO, 1999; ES-
CRIBANO et al., 2000; OLIVEIRA et al., 2004). Por ser um inseto cuja fase imatura se
trata de uma lagarta desfolhadora, essa especie e de grande importancia no cenario agrıcola
mundial (CRUZ et al., 1997; DESNEUX et al., 2010; ESCRIBANO et al., 2000).
Como uma forma alternativa de controle de pragas, estudos tem avaliado a
eficiencia de predacao de diversas especies sobre S. frugiperda, abrangendo um espectro
amplo de famılias de insetos, e.g. Anthocoridae, Pentatomidae, Reduviidae (Hemiptera)
(COGNI; FREITAS; AMARAL FILHO, 2002; DE CLERCQ; MOHAGHEGH; TIRRY, et
al., 2000; ISENHOUR; LAYTON; WISEMAN, et al., 1990), Forficulidae e Anisolabididae
(Dermaptera) (REIS; OLIVEIRA; CRUZ, 1988; SILVA; BATISTA; BRITO, 2009). Alem
de predadores, ha uma ampla lista de parasitoides que utilizam S. frugiperda como substrato
de oviposicao (MOLINA-OCHOA et al., 2003).
A liberacao massal de inimigos naturais pode ser feita, utilizando-se apenas
uma especie, sendo tambem possıvel liberar mais de um predador ao mesmo tempo. Nesse
cenario, e importante determinar, em estudo previo, se os predadores irao afetar um ao
outro, em termos de competicao pela praga, ou mesmo predacao intraguilda. Caso sejam
liberados, em conjunto, predador e parasitoide, sao necessarios estudos previos com relacao
a especificidade de parasitismo do parasitoide, bem como se o predador nao se alimentara
24
de ovos ou imaturos parasitados mais do que se alimenta das lagartas saudaveis.
A especie Euborellia annulipes Lucas (Dermaptera: Anisolabididae) e um
predador de ovos e lagartas de S. frugiperda (SILVA; BATISTA; BRITO, 2009) e vem
recebendo maior atencao, recentemente, com vistas ao controle da lagarta na cultura do
milho (FERREIRA et al., 2009; REDOAN et al., 2010). Tambem conhecida popularmente
como “tesourinha”, E. annulipes e encontrada em milho, algodao, dentre outras culturas.
Na fase adulta, tem uma alta capacidade de predacao, sendo considerada, juntamente com
especies do genero Doru, predadoras promissoras e importantes inimigos naturais de pragas
do milho (NONINO; PASINI; VENTURA, 2007; REDOAN et al., 2010). A alta densidade
de tesourinhas no milho pode resultar na manutencao das populacoes de S. frugiperda abaixo
do limiar de dano economico da cultura (WAQUIL; VILLELA; FOSTER, 2002).
O pentatomıdeo Podisus nigrispinus (Dallas) (Hemiptera: Pentatomidae)
pode ser comumente encontrado em sistemas agrıcolas e florestais, em diversos paıses das
Americas Central e do Sul (THOMAS, 1992). De habito generalista, o inseto apresenta
grande potencial para uso no manejo integrado de pragas (DE CLERCQ et al., 1998). Den-
tre outras especies, o predador pode atuar controlando Spodoptera frugiperda em culturas
de milho e algodao, bem como Alabama argillacea, tambem no algodao (OLIVEIRA et al.,
2002).
Desde o seculo passado, parasitoides tem sido usados em extensa area, em
mais de 30 paıses, para combater as pragas. Li (1994) e Pratissoli et al. (2002) fizeram
um levantamento das especies de parasitoides que afetam S. frugiperda, indicando sua lo-
calidade. No Brasil, tem-se estudado algumas especies em especial: Campoletis flavicincta
Ashmead (Hymeoptera: Ichneumonidae), Cotesia marginiventris Cresson (Hymenoptera:
Braconidae), Chelonus insularis Cresson (Hymenoptera: Ichneumonidae), Trichogramma
sp (Hymenoptera: Trichogrammatidae) e Telenomus sp (Hymenoptera: Scelionidae) (ASH-
LEY, 1983; PRATISSOLI et al., 2002). Com relacao a parasitoides larvais da praga, tem-se
dado atencao a C. flavicincta, que demonstrou grande potencial em reduzir o consumo de
folhas pelo imaturo, quando parasitado (CRUZ; FIGUEIREDO; MATOSO, 1999). Esse
parasitoide, ao ovipositar em lagartas da praga, faz com que elas tenham um desenvolvi-
mento desacelerado, sendo que os parasitoides imaturos emergirao, matando a lagarta antes
de pupar (MATOS NETO et al., 2004).
Dentre as ferramentas analıticas relevantes para estudos enfatizando pragas
agrıcolas, destaca-se a modelagem estatıstica. A partir do ajuste de modelos estatısticos a
dados obtidos em experimentos, e possıvel estimar a mortalidade advinda das taxas de com-
peticao e predacao, bem como parasitismo e respostas da presa a essas intervencoes. Pode-
se, tambem, predizer os efeitos resultantes da liberacao de predadores ou parasitoides sobre
a praga. Para modelar respostas relacionadas a mortalidade, frequentemente utilizam-se
modelos lineares generalizados (NELDER; WEDDERBURN, 1972). Esses modelos podem
estimar, com precisao, a probabilidade de a praga sucumbir ao efeito da predacao, assim
25
como a eficiencia de um predador especıfico, quando em competicao com outro.
Para caracterizar o processo de tempo ate determinado evento, modelos de
analise de sobrevivencia sao utilizados. As observacoes de tempo ate o primeiro ataque dos
predadores se encaixam nesse tipo de analise. Alem disso, modelos aditivos generalizados
podem ser utilizados para incluir termos suavizadores no preditor linear, a fim de descrever
processos nao-lineares (HASTIE; TIBSHIRANI; FRIEDMAN, 2008; WOOD, 2006). Esse
tipo de analise pode ser utilizada em dados de competicao intra-especıfica, os quais apre-
sentam observacoes de taxas de mortalidade ao longo do tempo em um grupo de insetos
que competem entre si por alimento.
Para fazer inferencia a partir do ajuste de um modelo, deve-se verificar se
a qualidade do ajuste e boa. Se os dados apresentarem, por exemplo, superdispersao,
e isso nao for incorporado no modelo adequadamente, a significancia dos efeitos pode ser
declarada incorretamente (HINDE; DEMETRIO, 1998). Uma ferramenta util para verificar
a qualidade do ajuste e o grafico meio-normal com envelope de simulacoes, proposto por
Atkinson (1987). Ainda nao existe funcao no software estatıstico gratuito R (R CORE
TEAM, 2013), disponıvel na Comprehensive R Archive Network (CRAN), que faca esse
grafico para modelos lineares generalizados com diferentes distribuicoes e funcoes de ligacao.
Ao introduzir um inimigo natural de uma praga em um agroecossistema,
causa-se uma perturbacao nas relacoes ecologicas previamente estabelecidas. Isso pode
trazer maior estabilidade ao sistema, ou ainda levar especies a extincao local (LEVINS;
WILSON, 1980; LIMA et al., 2009). Inicialmente, Lotka (1925) e Volterra (1926) estu-
daram a dinamica dos modelos de predacao, sendo que algum tempo depois, Nicholson
e Bailey (1935) formularam modelos que reproduziam a dinamica hospedeiro-parasitoide.
Ja Murdoch, Chesson e Chesson (1985) discutiram as implicacoes ecologicas a luz da mo-
delagem matematica do controle biologico. Outros modelos que levavam em consideracao
interacoes entre predadores introduzidos e presas, bem como competicao entre predadores
foram propostos (HASSELL, 1988; TANG; CHEKE, 2008). Esses modelos podem ajudar a
entender os processos complexos que geram o comportamento dinamico especıfico de cada
agente de controle biologico (BATTEL; MORAL; GODOY, 2012).
Este trabalho tem, como objetivos, avaliar a competicao entre os predadores
E. annulipes e P. nigrispinus em relacao a S. frugiperda e A. argillacea, testar a preferencia
dos predadores entre larvas de S. frugiperda parasitadas ou nao por C. flavicincta, bem
como estudar a dinamica de competicao intraespecıfica dos predadores, quando em escassez
de recurso. Tambem, objetiva-se estudar esses sistemas por meio de modelos estatısticos
e, para verificar a qualidade de ajuste de modelos lineares generalizados, desenvolver uma
funcao no software estatıstico gratuito R (R CORE TEAM, 2013) para a obtencao de
graficos meio-normais com envelopes de simulacao (ATKINSON, 1985).
26
Referencias
ASHLEY, T. R. Growth pattern alterations in fall armyworm, Spodoptera frugiperda,larvae after parasitization by Apanteles marginiventris, Campoletis grioti, Chelonusinsularis, and Eiphosoma vitticole. The Florida Entomologist, Lutz, v. 66, p. 260–266,1993.
ATKINSON, A. C. Plots, transformations, and regression: An introduction tographical methods of diagnostic regression analysis. Oxford: Clarendon, 1985. 282p.
BASTOS, E. M.; TORRES, J. B.; BUENO, A. F.. Oviposicao, Desenvolvimento eReproducao de Spodoptera frugiperda (J. E. Smith) (Lepidoptera: Noctuidae) emdiferentes hospedeiros de importancia economica. Neotropical Entomology, Londrina,v. 39, p. 996–1001, 2010.
BATTEL, A. P. M. B.; MORAL, R. A.; GODOY, W. A. C. Modelos matematicospredador-presa e aplicacoes ao manejo integrado de pragas. Oecologia Australis, Rio deJaneiro, v. 16, p. 43–62, 2012.
BRITO, C. H.; SILVEIRA, D. L.; BRANDAO, A. M.; GOMES, L. S.; LOPES, M. T. G.Reducao de area foliar em milho em regiao tropical no Brasil e os efeitos em caracteresagronomicos. Interciencia, Caracas, v.36, p. 291–295, 2011.
COGNI, R.; FREITAS, A. V. L.; AMARAL FILHO, B. F. Influence of prey size onpredation success by Zelus longipes L. (Het., Reduviidae). Journal of AppliedEntomology, Hoboken, v. 126, p. 74–78, 2002.
CRUZ, I.; FIGUEIREDO, M. L. C.; GONCALVES, E. P.; LIMA, D. A. N.; DINIZ, E. E.Efeito da idade de lagartas de Spodoptera frugiperda (Smith) (Lepidoptera: Noctuidae) nodesempenho do parasitoide Campoletis flavicincta (Ashmead) (Hymenoptera:Ichneumonidae) e consumo foliar por lagartas parasitadas e nao-parasitadas. Anais daSociedade Entomologica do Brasil, Londrina, v. 26, p. 229–234, 1997.
CRUZ, I.; FIGUEIREDO, M. L. C.; MATOSO, M. J. Controle biologico de Spodopterafrugiperda utilizando o parasitoide de ovos Trichogramma. Sete Lagoas:EMBRAPA-CNPMS, 1999. 40 p.
DE CLERCQ, P.; MOHAGHEGH, J.; TIRRY, L. Effect of host plant on the functionalresponse of the predator Podisus nigrispinus (Heteroptera: Pentatomidae). BiologicalControl, San Diego, v. 18, p. 65–70, 2000.
DE CLERCQ, P.; MERLEVEDE, F.; MESTDAGH, I.; VANDENDURPEL, K.;MOHAGHEGH, J.; DEGUEELE, D. Predation on the tomato looper Chrysodeixischalcites (Esper) (Lep., Noctuidae) by Podisus maculiventris (Say) and Podisusnigrispinus (Dallas) (Het., Pentatomidae). Journal of Applied Entomology, Hoboken,v. 122, p. 93–98, 1998.
DESNEUX, N.; RAMIREZ-ROMERO, R.; BOKONON-GANTA A. H.; BERNAL J. S..Attraction of the parasitoid Cotesia marginiventris to host (Spodoptera frugiperda) frass isaffected by transgenic maize. Ecotoxicology, Dordrecht, v. 19, p. 1183–1192, 2010.
27
ENGELSING, M. J.; ROZZETTO, D. S.; COIMBRA, J. L. M.; ZANIN, C. G.;GUIDOLIN, A. F. Capacidade de combinacao em milho para resistencia a Cercosporazeae-maydis. Revista Ciencia Agronomica, Fortaleza, v. 42, p. 232–241, 2011.
ESCRIBANO, A.; WILLIAMS, T.; GOULSON, D.; CAVE, R. D.; CABALLERO, P.Parasitoid-pathogen-pest interactions of Chelonus insularis, Campoletis sonorensis, and anucleopolyhedrovirus in Spodoptera frugiperda larvae. Biological Control, San Diego, v.19, p. 265–273, 2000.
FERREIRA, T. E.; CRUZ, I.; LEAO, M. L.; SILVA, I. F.; CASTRO, A. L. G.; PAULA,C. S. Desenvolvimento ninfal de Euborellia annulipes (Dermaptera: carcinophoridae)alimentadas com ovos de Spodoptera frugiperda. In: CONGRESSO DE ECOLOGIA DOBRASIL, 2009, Sao Lourenco. Anais... Sao Lourenco: SEB, 2009. p. 2186–2187.
GALON, L.; TIRONI, S. P.; ROCHA, A. A.; SOARES, E. R.; CONCENCO, G.;ALBERTO, C. M. Influencia dos fatores abioticos na produtividade da cultura do milho.Revista Tropica, Sao Luis, v. 4, p. 18–38, 2010.
GONZAGA, J. V.; RAMALHO, F. S.; SANTOS, J. W. Distribuicao do Aphis Gossypii noAlgodoeiro nos sistemas de plantio solteiro e consorciado. Pesquisa AgropecuariaBrasileira, Brasılia, v. 26, p. 1839–1844, 1991.
HASSELL, M. P. The dynamics of arthropod predator-prey systems. Princeton:Princeton University Press, 1978. 237 p.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning:data mining, inference, and prediction. New York: Springer, 2008. 745 p.
HINDE J.; DEMETRIO C. G. B. Overdispersion: models and estimation.Computational Statistics & Data Analysis, Amsterdam, v. 27, p. 151–170, 1998.
ISENHOUR, D. J.; LAYTON, R. C.; WISEMAN, B. R. Potential of adult Oriusinsidiosus (Hemiptera: Anthocoridae) as a predator of the fall armyworm, Spodopterafrugiperda (Lepidoptera: Noctuidae). Entomophaga, Dordrecht, v. 35, p. 269–275, 1990.
LEVINS, R.; WILSON, M. Ecological theory and pest management. Annual Review ofEntomology, Palo Alto, v. 25, p. 287–308, 1980.
LI, L. Y. Worldwide use of Trichogramma for biological control on different crops: asurvey. In: WAJNBERG, E.; HASSAN, S.A. (Eds.). Biological control with eggparasitoids. London: Biddles, 1994. p. 37–53.
LIMA, E. A. B. F.; FERREIRA, C. P.; GODOY W. A. C. Ecological modeling and pestpopulation management: a possible and necessary connection in a changing world.Neotropical Entomology, Londrina, v. 38, p. 699–707, 2009.
LOTKA, A. J. Elements of Physical Biology. Baltimore: Williams and Wilkins, 1925.460 p.
MALAQUIAS, J. B.; RAMALHO, F. S.; FERNANDES, F. S.; SOUZA, J. V. S.;AZEREDO, T. L. Effects of photoperiod on the development and growth of Podisusnigrispinus, a predator of cotton leafworm. Phytoparasitica, Dordrecht, v. 37, p.241–248, 2009.
28
MATOS NETO, F. C.; CRUZ, I.; ZANUNCIO, J. C.; SILVA, C. H. O.; PICANCO, M. C.Parasitism by Campoletis flavicincta on Spodoptera frugiperda in corn. PesquisaAgropecuaria Brasileira, Brasılia, v. 39, p. 1077–1081, 2004.
MEDEIROS, R. S.; RAMALHO, F. S.; ZANUNCIO, J. C.; SERRAO, J. E. Effect oftemperature on life table parameters of Podisus nigrispinus (Het., Pentatomidae) fed withAlabama argillacea (Lep., Noctuidae) larvae. Journal of Applied Entomology,Hoboken, v.127, p. 209–213, 2003.
MOLINA-OCHOA, J.; CARPENTER, J. E.; HEINRICHS, E. A.; FOSTER, J. E.Parasitoids and parasites of Spodoptera frugiperda (Lepidoptera: Noctuidae) in theAmericas and Caribbean Basin. The Florida Entomologist, Lutz, v. 86, p. 254–289,2009.
MURDOCH, W. W.; CHESSON, J.; CHESSON, P. L. Biological control in theory andpractice. American Naturalist, Chicago, v. 125, p. 344–366, 1985.
NELDER, J. A.; WEDDERBURN, R. W. M. Generalized linear models. Journal of theRoyal Statistical Society A, Hoboken, v. 135, p. 370–384, 1972.
NICHOLSON, A. J.; BAILEY, V. A. The balance of animal populations - Part I.Proceedings of the Zoological Society of London, London, v. 105, p. 551–598, 1935.
NONINO, M. C.; PASINI, A.; VENTURA, M. U. Atracao do predador Doru luteipes(Scudder) (Dermaptera: Forficulidae) por estımulos olfativos de dietas alternativas emlaboratorio. Ciencia Rural, Santa Maria, v. 37, p. 623–627, 2007.
OLIVEIRA, H. N.; PRATISSOLI, D.; PEDRUZZI, E. P.; ESPINDULA, M. C.Desenvolvimento do predador Podisus nigrispinus alimentado com Spodoptera frugiperda eTenebrio molitor. Pesquisa Agropecuaria Brasileira, Brasılia, v. 39, p. 947–951, 2004.
OLIVEIRA, J. E. M.; TORRES, J. B.; CARRANO-MOREIRA, A. F.; RAMALHO, F. S.Biologia de Podisus nigrispinus predando lagartas de Alabama argillacea em campo.Pesquisa Agropecuaria Brasileira, Brasılia, v. 37, p. 7–14, 2002.
PRATISSOLI, D.; THULER, R. T.; PEREIRA, F. F.; REIS, E. F.; FERREIRA, A. T.Acao transovariana de lufenuron (50 g/l) sobre adultos de Spodoptera frugiperda (J. E.Smith) (Lepidoptera: Noctuidae) e seu efeito sobre o parasitoide de ovos Trichogrammapretiosum Riley (Hymenoptera: Trichogrammatidae). Ciencia e Agrotecnologia,Lavras, v. 28, p. 9–14, 2004.
R CORE TEAM. R: A Language and Environment for Statistical Computing. RFoundation for Statistical Computing, Vienna, Austria, Disponıvel em:<http://www.R-project.org>, Acesso em: 10 nov. 2013.
REDOAN, A. C.; CRUZ, I.; CARVALHO, G. A.; FIGUEIREDO, M. L. C.; SILVA, R. B.Seletividade de inseticidas registrados no controle de Spodoptera frugiperda em milho paraninfas de Doru luteipes e Euborellia annulipes. In: CONGRESSO NACIONAL DEMILHO E SORGO, 2010, Goiania. Anais... Goiania: ABMS, 2010. p. 226–228.
REIS, L. L.; OLIVEIRA, L. J.; CRUZ, I. Biologia e potencial de Doru luteipes no controlede Spodoptera frugiperda. Pesquisa Agropecuaria Brasileira, Brasılia, v. 23, p.333–342, 1988.
29
SILVA, A. B.; BATISTA, J. L.; BRITO; C. H. Capacidade predatoria de Euborelliaannulipes (Lucas, 1847) sobre Spodoptera frugiperda (Smith, 1797). Acta Scientarum,Maringa, v. 31, p. 7–11, 2009.
TANG, S.; CHEKE, R. A. Models for biological control and their biological implications.Mathematical Biosciences, New York, v. 215, p. 115–125, 2008.
THOMAS, D.B. Taxonomic synopsis of the Asopinae Pentatomidae(Heteroptera) of the Western Hemisphere. Lanham: Entomological Society ofAmerica, 1992. 156 p.
VOLTERRA, V. Fluctuations in the abundance of a species considered mathematically.Nature, London, v. 118, p. 558–560, 1926.
WAQUIL, J. M.; VILLELA, F. M. F.; FOSTER, J. E. Resistencia do milho (Zea mays L.)transgenico (Bt) a lagarta-do-cartucho, Spodoptera frugiperda (Smith) (Lepidoptera:Noctuidae). Revista Brasileira de Milho e Sorgo, Sete Lagoas, v. 1, p. 1–11, 2002.
WOOD, S. N. Generalized additive models: an introduction with R. Boca Raton:Chapman and Hall, 2006. 384 p.
30
31
2 GRAFICOS MEIO-NORMAIS COM ENVELOPE SIMULADO: UMA IM-
PLEMENTACAO NO R
Resumo
Dados de contagens e proporcoes podem apresentar superdispersao, isto e,
uma variabilidade maior do que a esperada pelos modelos de Poisson e binomial, respectiva-
mente. Diferentes modelos que incorporam superdispersao podem ser usados para analisar
dados dessa natureza, como modelos com uma funcao de variancia generalizada, modelos
com efeitos aleatorios, modelos inflacionados de zeros e modelos de mistura de distribui-
coes. Verificar a qualidade do ajuste e as pressuposicoes desses modelos nao e uma tarefa
facil e o uso de graficos meio-normais com envelope simulado e uma possıvel solucao para
esse problema. Esses graficos sao indicativos de qualidade de ajuste que pode ser utilizado
com qualquer modelo linear generalizado, mesmo os contınuos e que nao incorporam super-
dispersao. No software gratuito R, funcoes que geram esses graficos para diferentes tipos
de modelos ainda nao estao disponıveis na Comprehensive R Archive Network (CRAN).
Funcoes que geram o grafico meio-normal com envelope simulado para diferentes tipos de
modelos lineares generalizados contınuos e discretos, para analisar dados de contagens e
proporcoes, com ou sem superdispersao, foram desenvolvidas e alguns exemplos de uso
foram apresentados. Ainda serao implementadas novas funcionalidades anteriormente ao
envio das funcoes a CRAN.
Palavras-chave: Modelos lineares generalizados; Superdispersao; Dados discretos e contı-
nuos; Verificacao da qualidade do ajuste; funcoes em R
Abstract
Count and proportion data may present overdispersion, i.e., the variability
is larger than it was expected by the Poisson and binomial models, respectively. Different
generalized linear models that incorporate overdispersion may be used to analyse this type
of data, such as models that use a generalized variance function, random-effects models,
zero-inflated models and compound distribution models. Assessing the goodness-of-fit and
verifying the assumptions of these models is not an easy task and the use of half-normal
plots with a simulated envelope is a possible solution for this problem. These plots are
an indicative of goodness-of-fit that may be used with any generalized linear model, even
continuous models and non-overdispersed models. In the open-source software R, functions
that generate these plots are not yet available at the Comprehensive R Archive Network
32
(CRAN). Functions that generate the half-normal plot with a simulated envelope for dif-
ferent types of continuous and discrete generalized linear models, to analyse counts and
proportions data with or without overdispersion are developed and their source-codes are
presented. A few examples of how to use the functions are shown. New functionalities are
still to be implemented before these functions are sent to CRAN.
Keywords: Generalized linear models; Overdispersion; discrete and continuous data; Asses-
sing goodness-of-fit; R functions
2.1 Introducao
Ao ajustar modelos de regressao, e muito importante fazer analises de diagnos-
tico, com o objetivo de verificar a qualidade do ajuste. Falhas em checar as pressuposicoes
do modelo ajustado podem levar a interpretacoes equivocadas das estimativas do modelo,
bem como a conclusoes imprecisas em relacao ao processo estudado. As analises de diag-
nostico tem como objetivo determinar se ha algo estranho com uma ou mais observacoes
(ATKINSON, 1985). Dentre os motivos para ma qualidade de ajuste, os mais comuns sao:
- erros de medicao das variaveis observadas ou explanatorias, ou ainda erros de digitacao
dos dados;
- preditor linear incompleto ou inadequado para descrever a estrutura sistematica dos
dados;
- especificacao incorreta da distribuicao do erro ou da funcao de ligacao;
- os dados sao superdispersos e o modelo utilizado nao incorpora superdispersao;
- o modelo utilizado, simplesmente, nao e o mais adequado para analisar os dados;
- combinacao de duas ou mais razoes especificadas acima.
Diversos testes foram desenvolvidos para verificar as pressuposicoes de mo-
delos de regressao, bem como para verificar a qualidade do ajuste. Para o modelo normal,
por exemplo, existem testes formais para verificar a normalidade de resıduos (SHAPIRO;
WILK, 1965), a aditividade dos termos (TUKEY, 1949) e a homogeneidade de varian-
cias (BARTLETT, 1937). Ja Atkinson (1985) apresenta tecnicas graficas para analises de
diagnostico, como diferentes graficos utilizando diferentes tipos de resıduos e medidas de in-
fluencia (leverage e distancia de Cook) obtidas a partir das variaveis explanatorias, resıduos
e coeficientes estimados.
33
Diversos tipos de resıduos podem ser utilizados, como os resıduos ordinarios,
padronizados internamente, padronizados externamente (estudentizados), resıduos de Pe-
arson, resıduos de Anscombe e resıduos componentes da deviance. Para maiores detalhes
sobre tipos de resıduos utilizados em analises de diagnostico de modelos lineares genera-
lizados, ver Cordeiro e Demetrio1 (em fase de elaboracao) e McCullagh e Nelder (1989).
Dentre os graficos utilizados, pode-se destacar:
- grafico dos resıduos versus cada variavel explanatoria do modelo – pode indicar se
termos de ordem superior devem ser incluıdos no modelo, no caso de variaveis expla-
natorias quantitativas;
- grafico dos resıduos versus variaveis explanatorias que nao foram incluıdas no modelo
– nesse caso, uma relacao sistematica indica que a variavel explanatoria deva ser
incluıda no preditor linear;
- grafico dos resıduos versus os valores ajustados – pode mostrar heterogeneidade de
variancias e valores discrepantes;
- grafico normal ou meio-normal dos resıduos (resıduos ordenados contra estatısticas de
ordem da distribuicao normal ou meio-normal) – indica se ha observacoes discrepantes,
bem como se a distribuicao do erro foi corretamente especificada;
- grafico da variavel adicionada – utilizado para detectar a relacao da variavel depen-
dente com uma variavel explanatoria nao incluıda no preditor linear, livre dos efeitos
das outras variaveis.
Em graficos normais ou meio-normais para modelos com distribuicao normal,
caso o modelo esteja bem ajustado, os resıduos estudentizados seguem uma distribuicao
normal padrao. Logo, o grafico normal ou meio-normal dos resıduos deve exibir uma linha
reta, bissetriz dos quadrantes ımpares. Porem, e difıcil interpretar se os pontos estao sufi-
cientemente alinhados, ou ainda, se as irregularidades inevitaveis dos pontos sao causadas
por algo alem de flutuacao aleatoria. Outra dificuldade com esses graficos e que a orde-
nacao das observacoes pode introduzir dependencia entre os valores (ATKINSON, 1985).
Em modelos lineares generalizados, esse grafico pode ter varios formatos, dependendo da
distribuicao do erro. Atkinson (1985) propoe a adicao de um envelope simulado, de modo
que, sob o modelo correto, e provavel que os pontos estejam dentro do envelope. O objetivo
nao e desenvolver uma regiao de aceitacao ou rejeicao de observacoes, mas sim um guia
para que tipo de formato seja esperado, caso o modelo esteja correto.
Em analises envolvendo modelos lineares generalizados, o grafico meio-normal
com envelope simulado e bastante util para a verificacao da qualidade do ajuste, princi-
palmente quando se trata de analises utilizando modelos que incorporam superdispersao
1CORDEIRO, G. M.; DEMETRIO, C. G. B. Modelos lineares generalizados e extensoes.
34
(DEMETRIO; HINDE, 1997). Demetrio e Hinde (1997) escreveram macros para produzir
esses graficos para o GLIM4, implementando diversos modelos que incorporam superdis-
persao. O objetivo deste trabalho e desenvolver uma funcao para o software gratuito R (R
CORE TEAM, 2013) que produza os graficos meio-normais com envelope simulado para
diferentes tipos de modelos lineares generalizados que incorporam ou nao, superdispersao
e/ou inflacao de zeros.
2.2 Modelos lineares generalizados e superdispersao
A teoria dos modelos lineares generalizados (MLG) e uma teoria unificadora
da modelagem estatıstica, como uma classe de modelos de regressao formulados por Nelder e
Wedderburn (1972), que reuniram os modelos de regressao normal, binomial, Poisson, gama
e normal inverso, que ate entao eram estudados separadamente. Essa teoria veio generalizar
a analise de variancia introduzindo a analise de desvios (“Analysis of Deviance”).
Considerando as variaveis aleatorias 𝑌1, . . . , 𝑌𝑛, com funcao de probabilidade
(𝑌𝑖 discreta) ou funcao densidade de probabilidade (𝑌𝑖 contınua), associadas a um conjunto
de variaveis explanatorias 𝑥1, ..., 𝑥𝑝, o MLG envolve tres componentes para uma amostra de
𝑛 observacoes (𝑦𝑖,xi), em que xi = (𝑥𝑖1, ..., 𝑥𝑖𝑝)𝑇 e o vetor coluna das variaveis explanatorias
para a observacao 𝑖.
O primeiro componente, o componente aleatorio, e representado pelo con-
junto de variaveis 𝑌1, . . . , 𝑌𝑛, provenientes da mesma distribuicao, pertencente a famılia
exponencial na forma canonica com funcao de probabilidade ou densidade de probabilidade
expressa por:
𝑓(𝑦𝑖, 𝜃𝑖, 𝜑) = exp {𝜑−1[𝑦𝑖𝜃𝑖 − 𝑏(𝜃𝑖)] + 𝑐(𝑦𝑖, 𝜑)}, (2.1)
sendo 𝑏(.) e 𝑐(.) funcoes conhecidas, 𝜑 > 0 um parametro de dispersao, conhecido e 𝜃𝑖
chamado de parametro canonico. A funcao que relaciona 𝜃 a media 𝜇 e a funcao inversa de
𝑏′(.), denotada por 𝜃 = 𝑞(𝜇). Demonstra-se que: E(𝑌𝑖) = 𝜇𝑖 = 𝑏′(𝜃𝑖) e Var(𝑌𝑖) = 𝜑𝑏”(𝜃𝑖) =
𝜑𝑉𝑖, em que 𝑉𝑖 = 𝑉 (𝜇𝑖) = 𝑑𝜇𝑖/𝑑𝜃𝑖 e chamada de funcao de variancia, que depende apenas da
media 𝜇𝑖. Pertencem a famılia exponencial, na forma canonica, as distribuicoes contınuas
normal, gama e normal inversa e discretas binomial, Poisson e binomial negativa.
No segundo componente, denominado componente sistematico, sendo X =
(x1, ...,xn)𝑇 a matriz do modelo e 𝛽 = (𝛽1, ..., 𝛽𝑛)𝑇 o vetor de parametros desconhecidos, o
preditor linear 𝜂 = (𝜂1, ..., 𝜂𝑛)𝑇 e dado pela soma linear dos efeitos das variaveis explanato-
rias, ou seja, 𝜂 = X𝛽. Caso um parametro tenha valor conhecido, seu termo correspondente
na estrutura linear e chamado de offset. O ultimo componente, denominado funcao de liga-
cao, relaciona o componente aleatorio ao componente sistematico, vinculando a media ao
preditor linear, ou seja, 𝜂𝑖 = 𝑔(𝜇𝑖), sendo 𝑔(.) uma funcao monotona e diferenciavel.
35
Nelder e Wedderburn (1972) propuseram uma medida de discrepancia para
medir o ajuste de um MLG, chamada deviance, ou desvio escalonado, cuja expressao e dada
por
𝑆𝑝 = 2(��𝑛 − ��𝑝), (2.2)
sendo ��𝑛 e ��𝑝 os maximos do logaritmo da funcao de verossimilhanca para os modelos satu-
rado e sob estudo, respectivamente. Temos
��𝑛 = 𝜑−1
𝑛∑𝑖=1
[𝑦𝑖𝜃𝑖 − 𝑏(𝜃𝑖)] +𝑛∑
𝑖=1
𝑐(𝑦𝑖, 𝜑)
e
��𝑝 = 𝜑−1
𝑛∑𝑖=1
[𝑦𝑖𝜃𝑖 − 𝑏(𝜃𝑖)] +𝑛∑
𝑖=1
𝑐(𝑦𝑖, 𝜑),
em que 𝜃 e 𝜃 sao as estimativas de maxima verossimilhanca do parametro canonico para os
modelos saturado e sob estudo, respectivamente. Assim, pode-se escrever
𝑆𝑝 = 𝜑−1𝐷𝑝 = 2𝜑−1
𝑛∑𝑖=1
[𝑦𝑖(𝜃𝑖 − 𝜃𝑖) + 𝑏(𝜃𝑖) − 𝑏(𝜃𝑖)] (2.3)
sendo 𝐷𝑝, chamada deviance, uma funcao que depende somente dos dados 𝑦 e das medias
ajustadas ��, ao passo que 𝑆𝑝 depende tambem do parametro de dispersao 𝜑.
Outra medida importante de discrepancia do ajuste de um modelo linear
generalizado e a estatıstica de Pearson generalizada 𝑋2𝑝 , dada por
𝑋2𝑝 =
𝑛∑𝑖=1
(𝑦𝑖 − ��𝑖)2
𝑉 (��𝑖). (2.4)
Embora ambas as estatısticas 𝑋2𝑝 e 𝐷𝑝 tenham, assintoticamente, distribuicao 𝜒2 com 𝑛−𝑝
graus de liberdade, Jørgensen (2002) recomenda o uso da estatıstica 𝑋2𝑝 , pois sua distri-
buicao converge mais rapidamente, conforme 𝑛 cresce. Para maiores detalhes a respeito
do algoritmo de estimacao dos MLGs, descricoes detalhadas de diferentes tipos de MLGs e
funcoes de verossimilhanca, ver McCullagh e Nelder (1989).
Para analisar dados na forma de proporcoes e contagens, os modelos bino-
mial e de Poisson sao, respectivamente, os modelos padroes iniciais. Para as distribuicoes
binomial e de Poisson, tem-se o parametro de dispersao 𝜑 = 1, fixo. Para um modelo bem
ajustado, espera-se que a deviance residual ou a estatıstica 𝑋2𝑝 sejam aproximadamente
iguais ao numero de graus de liberdade do resıduo. Quando isso nao acontece, pode ser
que se tenha um modelo mal ajustado (por diferentes motivos, como preditor linear mal
36
especificado, funcao de ligacao mal especificada ou presenca de valores discrepantes) ou
que, simplesmente, a variacao dos dados e maior do que a predita pelo modelo, fenomeno
conhecido como superdispersao.
Dentre as possıveis causas da superdispersao, podem-se citar:
- variabilidade do material experimental – a variabilidade individual (natural) das uni-
dades experimentais pode ser maior do que a esperada pelo modelo utilizado;
- correlacao entre respostas individuais – experimentos com fatores com estrutura ani-
nhada ou que avaliam o mesmo indivıduo ao longo do tempo resultam em dados
correlacionados;
- amostragem em multi-estagios – quando as observacoes sao feitas sequencialmente em
nıveis diferentes de uma populacao estruturada em uma hierarquia;
- agregacao – as respostas individuais sao agrupadas em um nıvel superior, agregado,
podendo levar a uma mistura de distribuicoes.
Como consequencias de nao levar em conta a superdispersao dos dados no
modelo, tem-se:
- verificacao incorreta da significancia dos efeitos do modelo - os erros padroes sao
subestimados, levando a uma maior significancia dos efeitos;
- superestimacao da deviance associada aos termos do modelo, levando a selecao de
modelos desnecessariamente complexos;
- intervalos de predicao menores;
- interpretacao incorreta do modelo.
Para incorporar a superdispersao no modelo, existem diferentes metodos. Um
deles envolve a especificacao de uma funcao de variancia mais geral
Var(𝑌 ) = 𝜑𝑉 (𝜇)
e estimacao dos parametros do modelo pelo metodo da quase-verossimilhanca. Um estima-
dor para 𝜑 e dado por
𝜑 =𝑋2
𝑝
g.l. do resıduo.
Para os modelos binomial e de Poisson, tem-se Var(𝑌1) = 𝜑𝑛𝜋(1 − 𝜋) e Var(𝑌2) = 𝜑𝜇,
respectivamente, e esses modelos sao chamados quase-binomial e quase-Poisson. Essa es-
pecificacao da funcao de variancia recebe o nome de “superdispersao constante” (HINDE;
DEMETRIO, 1998).
37
A funcao de variancia pode ser especificada de maneira ainda mais geral. Para
dados de proporcoes, pode-se supor que
Var(𝑌1) = 𝑛𝜋(1 − 𝜋){1 + 𝜑(𝑛− 1)𝛿1 [𝜋(1 − 𝜋)]𝛿2}.
Quando 𝜑 = 0, tem-se a mesma expressao da variancia do modelo binomial; quando
𝛿1 = 𝛿2 = 0 tem-se a do modelo quase-binomial numa parametrizacao um pouco dife-
rente; quando 𝛿1 = 1 e 𝛿2 = 0, tem-se o modelo beta-binomial. Outros tipos de funcoes de
variancia podem ser construıdos por meio dessa forma geral. Ja para o dados de contagem,
pode-se supor que
Var(𝑌2) = 𝜇(1 + 𝜑𝜇𝛿).
Quando 𝜑 = 0, tem-se a mesma expressao da variancia do modelo de Poisson; fazendo
𝛿 = 0, tem-se a do modelo quase-Poisson; ao definir 𝛿 = 1, tem-se a do modelo binomial
negativo.
Existem modelos de misturas de distribuicoes que tambem podem ser utili-
zados para incorporar a superdispersao. O modelo binomial negativo, por exemplo, pode
ser obtido a partir de uma mistura em que a variavel resposta tem distribuicao de Poisson
com media variando de acordo com uma distribuicao gama (MOOD; GRAYBILL; BOES,
1974).
Alem disso, podem-se incluir efeitos aleatorios aditivos no preditor linear, de
modo a se obter
𝜂 = X𝛽 + 𝜎z,
com z = (𝑧1, 𝑧1, . . . , 𝑧𝑛)𝑇 o vetor de efeitos aleatorios, com um efeito para cada parcela, de
modo que 𝑍𝑖 ∼ 𝑁(0, 1). Se os dados consistirem de proporcoes, por exemplo, e se uma
funcao de ligacao logıstica for utilizada, esse modelo e chamado logıstico-normal. Esse tipo
de modelo traz interpretacoes biologicas intrınsecas, como por exemplo, em experimentos
dose-resposta, nos quais diferentes doses de pesticidas sao aplicadas em insetos, o inseto
pode se debater e nao absorver totalmente a dose pulverizada.
Maiores detalhes a respeito dos modelos utilizados para incorporar a super-
dispersao de dados de contagens e proporcoes podem ser encontrados em Hinde e Demetrio
(1998) e em Demetrio, Hinde e Moral (em fase de elaboracao)2.
2.3 Graficos meio-normais com envelope simulado
Essa tecnica, relativamente simples, para verificacao da adequacao do ajuste
de um determinado modelo a um conjunto de observacoes, proposta por Atkinson (1985),
consiste em se plotarem os valores absolutos ordenados de uma determinada medida de
2DEMETRIO, C. G. B.; HINDE, J.; MORAL, R. A. Models for overdispersed data in entomology. In:GODOY, W. A. C.; FERREIRA, C. P. (Eds.). Ecological modeling applied to entomology. Springer.
38
diagnostico (diferentes tipos de resıduos, distancia de Cook, medida de leverage etc.) versus
as estatısticas de ordem esperadas da distribuicao meio-normal, calculadas por
Φ−1
(𝑖 + 𝑛− 1
8
2𝑛 + 12
),
sendo 𝑛 o tamanho da amostra e 𝑖 = 1, . . . , 𝑛, adicionando-se a esse grafico um envelope
simulado. Geralmente, utilizam-se os resıduos de Pearson ou componentes da deviance
escalonados como medida de diagnostico para a verificacao da qualidade de ajuste de um
modelo linear generalizado.
Para a obtencao do envelope simulado, deve-se:
i. Obter 𝑑(𝑖), os valores de uma quantidade diagnostica em valor absoluto e em ordem
crescente;
ii. Simular 99 amostras do modelo ajustado com o mesmo valor para as variaveis expla-
natorias;
iii. Fazer o ajuste do modelo para as 99 amostras e, para cada ajuste, obter quantidade
diagnostica de interesse, 𝑑*𝑗(𝑖), 𝑗 = 1, . . . , 99, 𝑖 = 1, . . . , 𝑛, em valor absoluto e em
ordem crescente;
iv. Para cada 𝑖, computar os percentis 5%, 50% e 95%;
v. Fazer o grafico desses percentis e dos 𝑑(𝑖), observados, contra as estatısticas de ordem
da distribuicao meio-normal.
Se a maior parte dos pontos estiverem contidos no envelope simulado, ha indı-
cios de ajuste bom do modelo. Esse grafico permite a deteccao de observacoes discrepantes,
bem como se a distribuicao do erro foi corretamente especificada, ou ainda, se ha superdis-
persao nos dados que deve ser levada em conta na analise das observacoes (DEMETRIO;
HINDE, 1996; HINDE; DEMETRIO, 1998).
2.4 A funcao hnp()
Para gerar os graficos meio-normais com envelope simulado para diferentes
tipos de modelos, foi implementada, no software gratuito R (R CORE TEAM, 2013), a
funcao hnp(), que gera objetos com a classe hnp. Um metodo para a classe hnp que utiliza
a funcao plot() foi programado para fazer o grafico dos objetos da classe hnp, chamado
plot.hnp(). Em sua versao atual, a funcao gera os graficos para os modelos indicados na
Tabela 2.1. Para o uso da funcao hnp(), ha necessidade de estarem disponıveis os pacotes
MASS e nnet (VENABLES; RIPLEY, 2002), pscl (ZEILEIS; KLEIBER; JACKMAN, 2008),
39
Tabela 2.1 – Funcoes utilizadas e pacotes necessarios para o ajuste dos modelos, que serao utilizados paraa producao do grafico meio-normal com envelope simulado por meio da funcao hnp
Modelo ajustado Pacote Funcao(oes) usadas
Normal
stats
lm()
aov()
glm(..., family=gaussian)
Gama glm(..., family=Gamma)
Normal inverso glm(..., family=inverse.gaussian)
Binomial glm(..., family=binomial)
Quase-binomial glm(..., family=quasibinomial)
Poisson glm(..., family=poisson)
Quase-Poisson glm(..., family=quasipoisson)
Binomial negativo MASS glm.nb()
Poisson inflacionado de zeros
pscl
zeroinfl()
Binomial negativozeroinfl(..., dist=’negbin’)
inflacionado de zerosPoisson truncado hurdle()
Binomial negativo truncado hurdle(..., dist='negbin')
Logıstico-normallme4
glmer(..., family=binomial)
Poisson-normal glmer(..., family=poisson)
Beta-binomial VGAM vglm(..., family=betabinomial)
Multinomial nnet multinom()
lme4 (BATES; MAECHLER; BOLKER, 2013) e VGAM (YEE, 2013), no software estatıstico
R (R CORE TEAM, 2013).
A funcao hnp() cria objetos da classe hnp e chama, internamente, a funcao
plot.hnp para fazer o grafico. Para utiliza-la, basta especificar o argumento object (em
conjunto com o argumento data, quando necessario, conforme especificado na lista acima)
e ela sera rodada em seus padroes. As funcoes a serem utilizadas para o ajuste do modelo
o qual se deseja verificar qualidade de ajuste devem ser as especificadas na Tabela 2.1.
Adicionalmente, a funcao hnp permite que seja especificada, para objetos da classe glm,
qualquer funcao de ligacao ja implementada no R. Vale ressaltar que o grafico produzido e
completamente personalizavel, sendo que o usuario pode alterar cores, tipos de linha, for-
mato dos pontos, nomes dos eixos, entre outros. O codigo-fonte das funcoes sera publicado
na CRAN, brevemente.
As funcoes hnp() e plot.hnp() tem os argumentos que se seguem:
hnp <- function(object, sim=99, maxit, conf=.95, resid.type, data, warn=F,
how.many.out=F, halfnormal=T, save.sim=F, print.on=F, ...)
plot.hnp <- function(object, cex, pch, col, lty, lwd, type,
xlab, ylab, main, legpos, legcex, ...)
- object: objeto no qual foi armazenado o ajuste do modelo.
40
- sim: numero de simulacoes para construir o envelope. O padrao e 99.
- maxit: numero maximo de iteracoes do algoritmo de estimacao dos MLG. O padrao
e 25 para objetos das classe glm e vglm, 300 para objetos da classe mer e 10000 para
objetos das classes zeroinfl e hurdle.
- conf: nıvel de confianca do envelope simulado. O padrao e 0.95.
- resid.type: tipo de resıduos a serem utilizados para a construcao do grafico ('deviance',
'pearson', 'response', 'working'). Tipos 'student' e 'standard' podem ser usados
para objetos aov e lm para resıduos estudentizados e padronizados, respectivamente.
- data: conjunto de dados da classe data.frame utilizado no ajuste do modelo, necessa-
rio para objetos da classe vglm, mer, e para ajustes utilizando as funcoes multinom(),
zeroinfl(), hurdle(), aov(), lm() e glm.nb() com um termo offset no preditor li-
near.
- warn: argumento logico. Se TRUE, permite exibicao de warnings no console ao
ajustar os modelos aos dados simulados. O padrao e FALSE.
- how.many.out: argumento logico. Se TRUE, imprime no console o numero de pontos
que estao fora do envelope de simulacoes. O padrao e FALSE.
- halfnormal: argumento logico. Se TRUE, a funcao produz um grafico meio-normal.
Se FALSE, produz um grafico normal. O padrao e TRUE.
- save.sim: argumento logico. Se TRUE, retorna um objeto da classe hnp contendo:
$x: quantis teoricos (eixo das abscissas) do grafico;
$lower: limite inferior do envelope;
$median: mediana do envelope;
$upper: limite superior do envelope;
$residuals: resıduos do modelo ajustado;
$how.many.out: valor logico que indica para a funcao plot.hnp() se o numero de
pontos que estao fora do envelope deve ser impresso no console;
$total: numero total de pontos;
$out: numero de pontos fora do envelope;
$print.on: valor logico que indica para a funcao plot.hnp() se o numero de pontos
que estao fora do envelope deve ser impresso no grafico.
- print.on: argumento logico. Se TRUE, o numero de pontos que esta fora do envelope
e impresso no grafico. O padrao e FALSE.
41
- legpos: se print.on = TRUE, esse argumento especifica a posicao onde a informacao
deve ser impressa no grafico ('topright', 'topleft', 'bottomright', 'bottomleft').
- legcex: se print.on = TRUE, e equivalente ao argumento cex passado para a funcao
legend().
- ...: parametros graficos passados para a funcao matplot – cex, pch, col, lty, lwd,
type, xlab, ylab, main, . . .
2.5 Exemplos
2.5.1 Pontos de ebulicao nos Alpes
Um conjunto de dados apresentado por Atkinson (1985, p. 4) (Tabela 2.2)
relaciona os pontos de ebulicao da agua (em ∘F) em diferentes pressoes atmosfericas (em
polegadas de mercurio – in. Hg), obtidas ao fazer as mensuracoes em diferentes altitudes
nos Alpes. O objetivo dessa pesquisa era predizer a pressao atmosferica por meio da tempe-
ratura de ebulicao da agua, que e mais facilmente medida. O conjunto de dados apresenta
17 observacoes, sendo a variavel preditora o ponto de ebulicao da agua e a variavel resposta
transformada 100 × log (pressao) (ATKINSON, 1985).
Tabela 2.2 – Pontos de ebulicao da agua sob diferentes pressoes atmosfericas nos Alpes (retirado de Atkin-son, 1985)
Ponto de ebulicao (∘F) Pressao atmosferica (inHg)194,5 20,79194,3 20,79197,9 22,40198,4 22,67199,4 23,15199,9 23,35200,9 23,89201,1 23,99201,4 24,02201,3 24,01203,6 25,14204,6 26,57209,5 28,49208,6 27,76210,7 29,04211,9 29,88212,2 30,06
Esse exemplo ilustra o uso do grafico meio-normal com envelope de simulacoes
para detectar valores discrepantes. No caso deste conjunto de dados, ao fazer o ajuste do
modelo de regressao linear com distribuicao normal e funcao de ligacao identidade, nota-se
42
que o modelo nao se ajusta ao conjundo de dados e que a observacao 12 e, claramente, um
valor discrepante (Figura 2.1(a)). Essa observacao foi retirada do conjunto de dados para
um ajuste subsequente do modelo de regressao linear (Figura 2.1(b)). Ainda esta presente
um ponto fora do envelope, porem a relacao linear entre as variaveis e suficientemente
forte, de modo que nao e preciso remover tambem essa observacao. Fazendo um terceiro
ajuste, agora com uma funcao de ligacao logarıtmica e variavel resposta original, percebe-se
que a observacao 12 continua sendo um valor discrepante (Figura 2.1(c)) e, removendo-a,
obtem-se um bom ajuste do modelo (Figura 2.1(d)).
1.0 1.5 2.0
02
46
810
12
(a)
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0
0.0
0.5
1.0
1.5
2.0
2.5
(b)
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0
0.0
0.2
0.4
0.6
0.8
(c)
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0
0.00
0.05
0.10
0.15
(d)
Quantis teóricos
Res
íduo
s
Figura 2.1 – Graficos meio-normais com envelope simulado para os ajustes dos modelos (a) normal deregressao, (b) excluindo a observacao 12, (c) com variavel resposta original e funcao de ligacaologarıtmica e (d) excluindo a observacao 12 do ajuste anterior, para os dados de temperaturade ebulicao e pressao atmosferica apresentados em Atkinson (1985, p. 4)
Os comandos que se seguem foram utilizados para os ajustes dos modelos e
obtencao dos graficos meio-normais com envelope simulado:
# carregando o conjunto de dados
data(forbes, package="MASS")
forbes$lpres <- 100*log(forbes$pres)
43
# ajuste do modelo de regress~ao linear
fm1 <- lm(lpres ~ bp, forbes)
hnp(fm1, xlab="Quantis teoricos", ylab="Resıduos",
main="A", cex.main=1.8, pch=4)
# retirando a observac~ao 12
fm2 <- lm(lpres ~ bp, forbes[-12,])
hnp(fm2, xlab="Quantis teoricos", ylab="Resıduos",
main="B", cex.main=1.8, pch=4)
# com func~ao de ligac~ao logarıtmica e variavel resposta original
fm3 <- glm(pres ~ bp, family=gaussian(link="log"), forbes)
hnp(fm3, xlab="Quantis teoricos", ylab="Resıduos",
main="C", cex.main=1.8, pch=4)
# retirando, novamente, a observac~ao 12
fm4 <- glm(pres ~ bp, family=gaussian(link="log"), forbes[-12,])
hnp(fm4, xlab="Quantis teoricos", ylab="Resıduos",
main="D", cex.main=1.8, pch=4)
2.5.2 Oviposicao de Diaphorina citri
A Tabela 2.3 apresenta os dados referentes a um experimento conduzido no
delineamento inteiramente casualizado, com sete tratamentos e dez repeticoes. Esse ex-
perimento tinha o objetivo de verificar os efeitos de oleos agrıcolas sobre a oviposicao de
Diaphorina citri, importante vetor de patogenos bacterianos que causam Huanglongbing,
o greening dos citros (AMARAL et al., 2012). Os tratamentos consistiram de solucoes dos
oleos minerais Oppa e Iharol e do oleo vegetal Nortox, em concentracoes de 5 g.kg−1 (0,5%)
e 10 g.kg−1 (1,0%), e de agua, como controle. As solucoes foram borrifadas em plantas da
especie Murraya paniculata, sendo cada planta uma unidade experimental. Apos a secagem,
dez femeas gravidas de D. citri foram liberadas em cada planta. Os insetos permaneceram
la por cinco dias e, apos esse perıodo, foram removidos e o numero total de ovos em cada
planta foi registrado.
Como os dados consistem de contagens, uma escolha natural e o modelo
de Poisson. Porem, a deviance residual (2523,1) e muito maior que o numero de graus
de liberdade do resıduo (63), indicando superdispersao. Dentre os modelos que incorporam
superdispersao em dados de contagem, podem-se ajustar os modelos quase-Poisson, Poisson-
normal e binomial negativo.
44
Tabela 2.3 – Oviposicao de D. citri em mudas de M. paniculata sob diferentes tratamentos (retirado deAmaral et al., 2012)
Tratamento Repeticoes
Controle 137 20 105 1 102 10 61 148 69 56
Oppa (0,5%) 127 124 121 1 15 131 1 69 68 49
Oppa (1,0%) 11 49 67 2 43 38 25 67 12 82
Iharol (0,5%) 159 129 67 24 12 112 46 17 51 3
Iharol (1,0%) 25 16 7 53 75 1 53 5 101 151
Nortox (0,5%) 114 29 125 117 13 86 15 43 210 11
Nortox (1,0%) 1 3 4 12 3 12 1 3 17 1
Para o ajuste dos modelos Poisson, quase-Poisson e binomial negativo, foi
usada a funcao de ligacao logarıtmica e, como preditor linear,
𝜂𝑖𝑗 = 𝜇 + 𝑡𝑖, 𝑖 = 1, . . . , 7, 𝑗 = 1, . . . , 10,
sendo 𝜇 o intercepto e 𝑡𝑖 o efeito do 𝑖-esimo tratamento. Para o ajuste do modelo Poisson-
normal com funcao de ligacao logarıtmica, o preditor linear usado foi
𝜂𝑖𝑗 = 𝜇 + 𝑡𝑖 + 𝜎𝑧𝑖𝑗,
com 𝑍𝑖𝑗 ∼ 𝑁(0, 1). A Figura 2.2 apresenta os graficos meio-normais com envelope simu-
lado para os modelos de Poisson (2.2(a)), quase-Poisson (2.2(b)), Poisson-normal (2.2(c))
e binomial negativo (2.2(d)). O modelo binomial negativo foi o que melhor se ajustou aos
dados, incorporando a superdispersao satisfatoriamente.
Os seguintes comandos foram utilizados para fazer os ajustes produzir e os
graficos para os quatro modelos considerados para analise dos dados:
# entrando com os dados
ovos <- c(137,20,105,1,102,10,61,148,69,56,127,124,
121,1,15,131,1,69,68,49,11,49,67,2,43,38,
25,67,12,82,159,129,67,24,12,112,46,17,51,
3,25,16,7,53,75,1,53,5,101,151,114,29,125,
117,13,86,15,43,210,11,1,3,4,12,3,12,1,3,17,1)
trat <- factor(rep(1:7, each=10))
dados <- data.frame(trat, ovos)
# Poisson
p <- glm(ovos ~ trat, family=poisson, dados)
hnp(p, xlab="Quantis teoricos", ylab="Resıduos",
main="A", cex.main=1.8, pch=4)
45
# quase-Poisson
qp <- glm(ovos ~ trat, family=quasipoisson, dados)
hnp(qp, xlab="Quantis teoricos", ylab="Resıduos",
main="B", cex.main=1.8, pch=4)
# Poisson-normal
require(lme4)
dados$ind <- factor(1:nrow(dados))
pn <- lmer(ovos ~ trat + (1|ind), family=poisson, dados)
hnp(pn, data=dados, xlab="Quantis teoricos", ylab="Resıduos",
main="C", cex.main=1.8, pch=4)
# binomial negativo
require(MASS)
bn <- glm.nb(ovos ~ trat, dados)
hnp(bn, xlab="Quantis teoricos", ylab="Resıduos",
main="D", cex.main=1.8, pch=4)
2.5.3 Proporcao de graos danificados por Sitophilus zeamais
Em um estudo feito por Ribeiro et al. (2013), a acao inseticida de extratos
organicos de Annona mucosa (Annonaceae) foi avaliada sobre Sitophilus zeamais (Coleop-
tera: Curculionidae), a mais importante praga de milho armazenado no Brasil. Placas de
Petri contendo 10 g de milho foram tratadas com extratos preparados a partir de diferentes
partes da planta (sementes, folhas e galhos) na concentracao de 1500 mg.kg−1 e com agua
(controle). Vinte adultos de S. zeamais foram adicionados a essas placas e, apos 60 dias, a
proporcao de graos danificados foi avaliada (Tabela 2.4). O experimento foi instalado em
delineamento inteiramente casualizado, com 10 repeticoes e quatro tratamentos (controle,
extrato da folha, extrato da semente, extrato do galho).
Como os dados consistem de proporcoes, uma escolha natural e o modelo
binomial. Neste caso, a deviance residual para o modelo binomial (165,92) e muito maior
que o numero de graus de liberdade do resıduo (36), indicando superdispersao. Pode-se
optar pelos modelos quase-binomial, beta-binomial, logıstico-normal, entre outros, como
formas de incorporar a superdispersao.
Para o ajuste dos modelos binomial, quase-binomial e beta-binomial, foi usada
a funcao de ligacao logıstica e, como preditor linear,
𝜂𝑖𝑗 = 𝜇 + 𝑡𝑖, 𝑖 = 1, 2, 3, 4, 𝑗 = 1, . . . , 10,
46
1.0 1.5 2.0 2.5
02
46
810
12
(a)
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0 2.5
05
1015
20
(b)
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0 2.5
0.0
0.5
1.0
1.5
(c)
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0 2.5
0.0
1.0
2.0
3.0
(d)
Quantis teóricos
Res
íduo
s
Figura 2.2 – Graficos meio-normais com envelope simulado para os modelos (a) de Poisson, (b) quase-Poisson, (c) Poisson-normal e (d) binomial negativo, ajustados aos dados de contagens de ovosde D. citri
sendo 𝜇 o intercepto e 𝑡𝑖 o efeito do 𝑖-esimo tratamento. Para ajuste do modelo logıstico-
normal, com preditor linear dado por
𝜂𝑖𝑗 = 𝜇 + 𝑡𝑖 + 𝜎𝑧𝑖𝑗,
com 𝑍𝑖𝑗 ∼ 𝑁(0, 1). A Figura 2.3 apresenta os graficos meio-normais com envelope simu-
lado para os modelos binomial (2.3(a)), quase-binomial (2.3(b)), logıstico-normal (2.3(c)) e
beta-binomial (2.3(d)). E possıvel notar que os modelos que incorporam superdispersao se
ajustam melhor ao conjunto de dados. Nesse caso, nao ha motivos para incluir um efeito
aleatorio no preditor linear, ja que os extratos foram aplicados nos graos de milho e nao
nos insetos. Sendo assim, pode-se optar pelo modelo de superdispersao constante, pois a
variabilidade dos dados e, simplesmente, maior do que a esperada.
Os seguintes comandos foram utilizados para fazer os ajustes e produzir os
graficos para os quatro modelos considerados:
# entrada de dados
47
Tabela 2.4 – Proporcao de graos de milho tratados com diferentes extratos de A. mucosa danificados porS. zeamais (retirado de Ribeiro et al., 2013)
Tratamento Repeticoes
Controle20/37 25/35 31/35 28/35 31/3535/36 23/34 32/32 33/35 28/37
Extrato da folha26/35 25/36 21/38 18/38 30/398/38 12/34 33/38 23/36 18/37
Extrato do galho28/36 29/35 26/37 19/37 28/3629/37 22/39 10/37 26/34 18/35
Extrato da semente0/35 1/35 0/36 0/34 1/350/37 0/35 0/35 2/36 0/35
trat <- factor(rep(1:4, each=10))
y <- c(26,25,21,18,30,8,12,33,23,18,28,29,
26,19,28,29,22,10,26,18,0,1,0,0,1,0,
0,0,2,0,20,25,31,28,31,35,23,32,33,28)
m <- c(35,36,38,38,39,38,34,38,36,37,36,35,37,
37,36,37,39,37,34,35,35,35,36,34,35,37,
35,35,36,35,37,35,35,35,35,36,34,32,35,37)
dat <- data.frame(trat, m, y)
resp <- with(dat, cbind(y, m-y))
# binomial
bin <- glm(resp ~ trat, family=binomial, dat)
hnp(bin, xlab="Quantis teoricos", ylab="Resıduos",
main="A", cex.main=1.8, pch=4)
# quase-binomial
qbin <- glm(resp ~ trat, family=quasibinomial, dat)
hnp(qbin, xlab="Quantis teoricos", ylab="Resıduos",
main="B", cex.main=1.8, pch=4)
# logıstico-normal
require(lme4)
dat$ind <- factor(1:nrow(dat))
ln <- lmer(resp ~ trat + (1|ind), family=binomial, dat)
hnp(ln, data=dat, xlab="Quantis teoricos", ylab="Resıduos",
main="C", cex.main=1.8, pch=4)
# beta-binomial
48
require(VGAM)
bb <- vglm(resp ~ trat, family=betabinomial, dat)
hnp(bb, data=dat, xlab="Quantis teoricos", ylab="Resıduos",
main="D", cex.main=1.8, pch=4)
1.0 1.5 2.0 2.5
01
23
4
(a)
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0 2.5
01
23
45
6
(b)
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0 2.5
0.0
0.5
1.0
1.5
2.0
(c)
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0 2.5
0.0
0.1
0.2
0.3
0.4
(d)
Quantis teóricos
Res
íduo
s
Figura 2.3 – Graficos meio-normais com envelope simulado para os modelos (a) binomial, (b) quase-binomial, (c) logıstico-normal e (d) beta-binomial, ajustados aos dados de proporcoes de graosdanificados por S. zeamais
2.6 Consideracoes Finais
A funcao hnp() traz facilidades em relacao a verificacao da qualidade de ajuste
de diversos modelos lineares generalizados, como os modelos normal, gama, normal inverso,
binomial, Poisson, modelos de superdispersao constante (quase-binomial e quase-Poisson),
modelos de mistura (beta-binomial e binomial negativo), modelos inflacionados de zeros
e truncados no zero (Poisson e binomial negativo) e modelos de efeitos mistos (logıstico-
normal e Poisson-normal). Ainda serao implementadas as seguintes funcionalidades:
i. Grafico para ajustes do modelo binomial inflacionado de zeros;
49
ii. Grafico para ajustes do modelo binomial truncado;
iii. Grafico para ajustes que utilizam a funcao aov() incluindo um termo Error() no
preditor linear (classe aovlist);
iv. Utilizacao do argumento weights nos ajustes dos modelos;
v. Especificacao de resıduos de Pearson e componentes da deviance para gerar o grafico
para os modelos beta-binomial e multinomial.
Adicionalmente, a funcao sera enviada a CRAN (Comprehensive R Archive Network), para
que esteja disponıvel aos usuarios do software gratuito R.
Referencias
AMARAL, F. S. A.; POLTRONIERI, A. S.; ALVES, E. B.; OMOTO, C. Efeito de oleosagrıcolas no comportamento de oviposicao e viabilidade de ovos de Diaphorina citriKuwayama (Hemiptera: Psyllidae). In: SIMPOSIO INTERNACIONAL DE INICIACAOCIENTIFICA DA UNIVERSIDADE DE SAO PAULO, 2012, Pirassununga. Resumos...Pirassununga: USP, 2012. p. 2069.
ATKINSON, A. C. Plots, transformations, and regression: An introduction tographical methods of diagnostic regression analysis. Oxford: Clarendon, 1985. 282p.
BARTLETT, M. S. Properties of sufficiency and statistical tests. Proceedings of theRoyal Society of London Series A, Londres, v. 160, p. 268-U282, 1937.
BATES, D; MARCHLER, M.; BOLKER, B. lme4: Linear mixed-effects models using S4classes. R package version 0.999999-2. Disponıvel em<http://CRAN.R-project.org/package=lme4>, Acesso em: 10 nov. 2013.
DEMETRIO, C.; HINDE, J. Half-normal plots and overdispersion. GLIM Newsletter,v. 27, p. 19–26, 1997.
HINDE, J.; DEMETRIO, C. G. B. Overdispersion: models and estimation.Computational Statistics & Data Analysis, Amsterdam, v. 27, p. 151–170, 1998.
JØRGENSEN, B. Generalized linear models. In: EL-SHAARAWI, A. H.; PIEGORSCH,W. W. (Eds.). Encyclopedia of Environmetrics. Chichester: John Wiley, 2002. p.873–880.
MCCULLAGH, P; NELDER, J. A. Generalized linear models, Londres: Chapmanand Hall, 1989. 511 p.
MOOD, A. M.; GRAYBILL, F. A.; BOES, D. C. Introduction to the theory ofstatistics. New York: McGraw-Hill, 1974. 433 p.
NELDER, J. A.; WEDDERBURN, R. W. M. Generalized linear models. Journal of theRoyal Statistical Society A, Hoboken, v. 135, p. 370–384, 1972.
50
R CORE TEAM. R: A Language and Environment for Statistical Computing. RFoundation for Statistical Computing, Vienna, Austria, Disponıvel em:<http://www.R-project.org>, Acesso em: 10 nov. 2013.
RIBEIRO, L. P.; VENDRAMIN, J. D.; BICALHO, K. U.; ANDRADE, M. S.;FERNANDES, J. B.; MORAL, R. A.; DEMETRIO, C. G. B. Annona mucosa Jacq.(Annonaceae): A promising source of bioactive compounds against Sitophilus zeamaisMots. (Coleoptera: Curculionidae). Journal of Stored Products Research, Oxford, v.55, p. 6–614, 2013.
SHAPIRO, S. S.; WILK, M. B. An analysis of variance test for normality (completesamples). Biometrika, Oxford, v. 52, p. 591–611, 1965.
TUKEY, J. One degree of freedom for non-additivity. Biometrics, Hoboken, v. 5, p.232–242, 1949.
VENABLES, W. N.; RIPLEY, B. D. Modern Applied Statistics with S. FourthEdition. New York: Springer, 2002. 504 p.
YEE, T. W. VGAM: Vector Generalized Linear and Additive Models. R package version0.9-1. Disponıvel em <http://CRAN.R-project.org/package=VGAM>, Acesso em: 10nov. 2013.
ZEILEIS, A.; KLEIBER, C.; JACKMAN, S. Regression models for count data in R.Journal of Statistical Software, Los Angeles, v. 27, n. 8, p. 1–25, 2008.
51
3 PREDACAO INTRAGUILDA EM PREDADORES DE NICHOS SOBRE-
POSTOS EM AGROECOSSISTEMAS
Resumo
Em agroecossistemas afetados por diferentes pragas, e comum o uso de pes-
ticidas, o que traz diversos efeitos indesejaveis. Uma alternativa e a liberacao de inimigos
naturais das pragas, de modo a fazer um controle biologico. Neste trabalho, os predadores
Podisus nigrispinus e Euborellia annulipes, inimigos naturais de Spodoptera frugiperda e de
Alabama argillacea, importantes pragas do milho e algodao, respectivamente, foram estu-
dados em cenarios de competicao intraespecıfica e interespecıfica. Tres experimentos foram
conduzidos: dois para avaliar a competicao interespecıfica (um com a presa S. frugiperda
e outro com a presa A. argillacea, em duas densidades) e um para avaliar a competicao
intraespecıfica em um cenario de escassez de recurso. Foi observado que E. annulipes e
competidor superior, se comparado a P. nigrispinus, sendo que suas femeas apresentaram
comportamento de predacao intraguilda. A agressividade das femeas E. annulipes foi sig-
nificativamente maior do que nos machos ou em P. nigrispinus. Entretanto, estrategias de
controle que utilizem ambos os predadores sao plausıveis, dado que os nichos dos competi-
dores sao parcialmente sobrepostos, possibilitando coexistencia no agroecossistema. Alem
disso, as duas especies apresentaram competicao intraespecıfica intensa, sendo esse processo
outro mecanismo que pode promover coexistencia.
Palavras-chave: Controle biologico; Competicao; Podisus nigrispinus; Euborellia annulipes;
Spodoptera frugiperda; Alabama argillacea
Abstract
In agroecosystems affected by different pests, the use of pesticides is com-
mon, which brings several undesirable effects. An option is to release natural enemies of
these pests, so as to have a biological control. In this research work, the predators Podisus
nigrispinus and Euborellia annulipes, natural enemies of Spodoptera frugiperda and Ala-
bama argillacea, important pests of maize and cotton, respectively, were studied in three
intraspecific and interspecific competition scenarios. Three experiments were conducted:
two to assess interspecific competition (one with the prey S. frugiperda and another with
the prey A. argillacea, in two densities) and one to assess intraspecific competition in a
scarce-resource scenario. It was observed that E. annulipes is a stronger competitor than
P. nigrispinus, and the female earwigs presented intraguild predation behaviour. The ag-
52
gressiveness in E. annulipes females is significantly larger than in males or in P. nigrispinus.
Despite this fact, a control strategy that uses both predators seems plausible, given their
niche are overlapped, making coexistence possible in the agroecosystem. Besides, both
species presented intense intraspecific competition, this process being another mechanism
which promotes coexistence.
Keywords: Biological control; Competition; Podisus nigrispinus; Euborellia annulipes; Spo-
doptera frugiperda; Alabama argillacea
3.1 Introducao
Agroecossistemas sao unidades espaciais de atividade agrıcola e envolvem
nao apenas a cultura, mas tambem as diversas especies que formam suas teias troficas, que
sao simplificadas em comparacao com ecossistemas naturais tropicais (RISCH; ANDOW;
ALTIERI, 1983). No Brasil, onde ha extensas areas de monocultura, diversas especies
de insetos herbıvoros podem encontrar ambientes ricos em recursos. Em um contexto de
manejo integrado de pragas (MIP), esses insetos sao o alvo das estrategias de controle
(KOGAN, 1998). O MIP envolve uma serie de avaliacoes, tomadas de decisoes e aplicacao
de metodos de controle, que podem ser abordadas em quatro passos:
i. escolha de um limiar de dano economico – se o dano economico e maior do que esse
limiar, o controle deve ser feito;
ii. monitoramento e identificacao das pragas – o controle e especıfico a praga;
iii. prevencao – utilizando rotacao de culturas, variedades resistentes a pragas, tomando
cuidados em relacao a procedencia dos materiais utilizados, pois podem estar infesta-
dos, etc.;
iv. controle – quando os passos (i) e (ii) indicam que o controle e necessario e metodos
preventivos nao estao mais disponıveis, avaliam-se a eficiencia e o risco do metodo
de controle a ser utilizado, sendo a aplicacao de pesticidas inespecıficos um ultimo
recurso.
O uso contınuo de pesticidas e indesejavel, tanto em relacao ao manejo do
agroecossistema quanto em relacao a problemas de bioacumulacao, podendo afetar a saude
humana (KOGAN, 1998). No tocante ao manejo do agroecossitema, populacoes resisten-
tes do inseto-praga podem ser selecionadas, novas pragas podem aparecer ou ressurgir e
o equilıbrio dinamico das populacoes de polinizadores, inimigos naturais e outras especies
pertencentes as teias troficas do agroecossistema pode ser afetado. A liberacao de preda-
dores que se alimentam dos insetos-praga tambem e uma opcao de estrategia de controle
53
no MIP. Essa liberacao, quando feita corretamente, apos estudos previos da especificidade
do predador a ser liberado e permanencia no agroecossistema, e preferıvel a aplicacao de
pesticidas (GEIGER et al., 2010).
Podem-se usar, nesse contexto, mais de um predador para controlar um ou
mais insetos-praga. Quando esses inimigos naturais, ao atuarem juntos em um agroecos-
sistema, apresentarem nichos distintos, o controle pode ser feito de maneira mais eficiente.
Quando estao em nichos sobrepostos, as possıveis interacoes entre os predadores devem ser
estudadas. Vale lembrar que o nicho de uma especie consiste de quatro categorias prin-
cipais: recursos, inimigos naturais, espaco e tempo (AMARASEKARE, 2003). Assim, o
nicho reflete os efeitos e as respostas de uma especie a essas categorias (CHESSON, 2000).
Uma importante interacao ecologica comum em muitas teias troficas e a pre-
dacao intraguilda (POLIS; MYERS; HOLT, 1989), que ocorre quando especies que com-
petem por um recurso compartilhado, tambem, se alimentam umas das outras. Pode-se
pensar na predacao intraguilda como um tipo de competicao de interferencia levada ao
extremo, pois um competidor, ao se alimentar de outro, tera mais recursos disponıveis por
dois motivos: o seu competidor consumira menos recursos compartilhados pelas duas es-
pecies, ao mesmo tempo em que se torna um aditivo aos recursos utilizados pelo predador
intraguilda (HOLT; POLIS, 1997).
As culturas do algodao (Gossypium hirsutum L.) e do milho (Zea mays L.)
sao de grande importancia no Brasil (GONZAGA; RAMALHO; SANTOS, 1991; BRITO
et al., 2011), sendo muito utilizadas em diversos setores, como textil e alimentıcio, res-
pectivamente. Essas culturas, dentre outras, tem sido infestadas por Spodoptera frugiperda
Smith (Lepidoptera: Noctuidae), especie de grande importancia no cenario agrıcola mundial
(DESNEUX et al., 2010). Ja o algodao, tambem, tem sido infestado por Alabama argilla-
cea Hubner (Lepidoptera: Noctuidae) (OIVEIRA et al., 2002). As especies de predadores
Podisus nigrispinus (Dallas) (Hemiptera: Pentatomidae) e Euborellia annulipes Lucas (Der-
maptera: Anisolabididae) podem ser encontradas nesses agroecossistemas, sendo inimigos
naturais promissores no controle das pragas previamente descritas (OLIVEIRA et al., 2002;
REDOAN et al., 2010).
Esses predadores apresentam nichos sobrepostos, pois P. nigrispinus e encon-
trado, geralmente, nas secoes mediana e superior da planta de milho e algodao, enquando
indivıduos de E. annulipes sao encontrados no solo e em secoes inferior e mediana das
plantas (BHARADWAJ, 1966; CAVALCANTI et al., 2000). O objetivo desse trabalho de
pesquisa foi caracterizar as relacoes ecologicas que podem ocorrer entre esses dois inimigos
naturais, em um cenario de controle biologico de S. frugiperda e A. argillacea, observando
os efeitos da competicao intraespecıfica e interespecıfica pela presa.
54
3.2 Material
3.2.1 Obtencao e criacao dos insetos
Os especimes de P. nigrispinus foram obtidos no Laboratorio de Ecologia de
Insetos do Departamento de Entomologia e Acarologia da ESALQ-USP, a partir de ovos
provenientes da EMBRAPA algodao (Campina Grande-PB). Os ovos foram mantidos em
placas de petri, sobre algodao umedecido ate eclosao. Os indivıduos imaturos de primeiro
e segundo ınstar foram mantidos nessas mesmas placas de petri, recebendo agua destilada.
A partir do terceiro ınstar, as ninfas foram agrupadas em recipientes plasticos de 350 ml
(cerca de 20 indivıduos por recipiente) com tubos de vidro vedados com algodao, acoplados
a tampa, para fornecimento de agua, sendo alimentadas com larvas de S. frugiperda. Ao
atingirem a idade adulta, os casais foram individualizados nos recipientes mencionados. As
larvas de S. frugiperda foram obtidas nos laboratorios de Biologia de Insetos da ESALQ-
USP e de Entomologia da EMBRAPA algodao (Campina Grande-PB). Os indivıduos foram
mantidos em camaras tipo BOD a 25∘C, 70% UR e fotofase 12h.
Os indivıduos de E. annulipes foram obtidos a partir de ovos da criacao man-
tida na UFPB, campus de Areia-PB. Os ovos foram mantidos em placas de petri com papel
higienico umedecido. A partir da eclosao, as ninfas foram mantidas na mesma placa ate a
idade adulta, recebendo como recurso alimentar, uma dieta que consiste em 50% de farinha
de milho, 25% de leite em po e 25% de farinha de pupa de bicho-da-seda, oferecida em
comedouros plasticos e substituıdas a cada dois dias. Os adultos foram individualizados em
recipientes plasticos de 350 ml, com tres casais cada, sendo a agua oferecida umedecendo-
se papel higienico, que era colocado nos recipientes (Figura 3.1). Os recipientes foram
mantidos em camaras tipo BOD a 26∘C, 70% UR e fotofase 10h.
Figura 3.1 – Recipientes utilizados nas criacoes de (a) P. nigrispinus e (b) E. annulipes
3.2.2 Experimentos conduzidos
Experimento 1: Competicao entre Euborellia annulipes e Podisus nigrispinus
por Spodoptera frugiperda
55
A fim de avaliar a competicao interespecıfica entre os predadores E. annulipes
e P. nigrispinus em relacao a S. frugiperda, foi conduzido um experimento no delineamento
inteiramente casualizado com dois tratamentos. Foram utilizadas 67 placas de Petri, sendo
33 delas com um macho adulto de cada predador juntamente com uma larva de segundo
ınstar de S. frugiperda e 34 delas com uma femea adulta de cada predador com uma larva de
segundo ınstar da presa (Figura 3.2). Os predadores foram deixados em jejum por 24 horas
antes do ensaio para evitar que especimes ja saciados nao exibissem o comportamento de
predacao / competicao. Foram observados, em cada placa, o comportamento de predacao
e a competicao entre os predadores, sendo registradas i) qual predador atacou a presa pri-
meiro, ii) qual deles efetivamente consumiu a presa (pois o inseto pode atacar e interromper
o consumo), iii) se houve ataques entre os predadores e iv) se houve morte de algum deles,
como resumido na Tabela 3.1 e representado na Figura 3.3. Os valores obtidos para essas
variaveis estao apresentados na Tabela 6.1, no Anexo A.
Tabela 3.1 – Variaveis do experimento 1
Variavel Tipo ValoresSexo (𝑆) Fator com 2 nıveis Machos e FemeasPrimeiro ataque (𝐹 ) Binaria P. nigrispinus (0) e E. annulipes (1)Consumo efetivo (𝑊 ) Binaria P. nigrispinus (0) e E. annulipes (1)P. nigrispinus atacou (𝑃 ) Binaria Sim (1) e Nao (0)E. annulipes atacou (𝐸) Binaria Sim (1) e Nao (0)
Figura 3.2 – Esquema dos tratamentos do experimento 1: (a) um macho de P. nigrispinus e de E. annulipesjuntamente com uma larva de S. frugiperda e (b) uma femea de P. nigrispinus e de E. annulipescom uma larva de S. frugiperda
56
Figura 3.3 – Diagrama de arvore para as combinacoes das variaveis do experimento 1: sexo (𝑆), primeiroa atacar (𝐹 ), predador que consumiu efetivamente mais presas (𝑊 ), se P. nigrispinus atacouE. annulipes (𝑃 ) e se E. annulipes atacou P. nigrispinus (𝐸)
Experimento 2: Competicao entre Euborellia annulipes e Podisus nigrispinus
por Alabama argillacea
Como parte do estudo dos comportamentos de competicao e predacao, e im-
portante uma avaliacao mais detalhada sobre a forma dos ataques entre especies competido-
ras. Alem disso, ha interesse em se testar se E. annulipes, tambem, consumia lagartas de A.
argillacea, podendo atuar como competidor de P. nigrispinus no algodao. Tendo em vista
esses objetivos, foi conduzido um segundo experimento casualizado em 50 blocos. Cada
bloco era constituıdo por quatro placas de Petri que recebiam um dos quatro tratamentos
resultantes da combinacao de dois machos (um de cada especie de predador) e duas femeas
(uma de cada especie de predador) competindo por uma ou tres larvas da presa A. argillacea
(Figura 3.4).
As placas de Petri foram observadas durante uma hora, registrando-se as va-
riaveis respostas i) qual predador fez o primeiro ataque (variavel binaria), ii) quanto tempo
o predador levou para fazer o primeiro ataque (variavel contınua), iii) qual competidor
consumiu efetivamente mais presas (variavel binaria), iv) se houve mortalidade de algum
competidor (variavel binaria) e v) numero de ataques entre os predadores (contagem), como
resumido na Tabela 3.2. Os valores obtidos para essas variaveis estao apresentados na Ta-
bela 6.2, no Anexo A.
Experimento 3: Competicao intraespecıfica em Euborellia annulipes e Podisus
nigrispinus
A fim de se avaliar a sobrevivencia e observar competicao intraespecıfica em E.
annulipes e P. nigrispinus, foi instalado um ensaio no delineamento casualizado em quatro
blocos para cada predador. Cada bloco era constituıdo de cinco recipientes plasticos de 500
57
Figura 3.4 – Esquema dos tratamentos do experimento 2: (a) um macho de it P. nigrispinus e de E.annulipes com uma larva de A. argillacea, (b) um macho de it P. nigrispinus e de E. annulipescom tres larvas de A. argillacea, (c) uma femea de it P. nigrispinus e de E. annulipes com umalarva de A. argillacea e (d) uma femea de it P. nigrispinus e de E. annulipes com tres larvasde A. argillacea
ml que recebiam uma das cinco densidades do predador (5, 15, 25, 35 e 45 ninfas de primeiro
ınstar de E. annulipes ou de segundo ınstar de P. nigrispinus) combinadas, respectivamente,
com o oferecimento de 2, 4, 6, 8 e 10 larvas de primeiro ınstar de S. frugiperda, para induzir
escassez de recurso alimentar. Como variavel resposta foi registrado, diariamente, o numero
de predadores vivos ate que todos os indivıduos sobreviventes de E. annulipes atingissem
o terceiro ınstar e todos os indivıduos sobreviventes de P. nigrispinus atingissem o quarto
ınstar. Os valores obtidos para essas variaveis estao apresentados nas Tabelas 6.3 e 6.4, no
Anexo A.
Tabela 3.2 – Variaveis do experimento 2
Variavel Tipo ValoresBloco Fator 1, . . . , 50Sexo Fator Machos e FemeasDensidade Fator 1 e 3Tempo ate primeiro ataque Contınua (0,∞)Primeiro a atacar presa Binaria E. annulipes (1) ou P.nigrispinus (0)Consumo efetivo das presas Binaria E. annulipes (1) ou P.nigrispinus (0)Primeiro a atacar o outro competidor Binaria E. annulipes (1) ou P.nigrispinus (0)Numero de ataques de P. nigrispinus Discreta 0, 1, 2, . . .Numero de ataques de E. annulipes Discreta 0, 1, 2, . . .
58
3.3 Metodos
As variaveis respostas observadas nos experimentos sao de natureza distinta,
levando ao uso de diferentes modelos para sua analise. Toda a analise foi feita no software
gratuito R (R CORE TEAM, 2013).
3.3.1 Modelos lineares generalizados
Modelos lineares generalizados (NELDER; WEDDERBURN, 1972; MCCUL-
LAGH; NELDER, 1989) sao uma classe de modelos de regressao que envolvem tres com-
ponentes:
i. um componente aleatorio, representado por variaveis aleatorias independentes 𝑌𝑖,
𝑖 = 1, . . . , 𝑛, provenientes de uma distribuicao pertencente a famılia exponencial de
distribuicoes, com funcao densidade ou funcao de probabilidade
𝑓(𝑦𝑖; 𝜃𝑖, 𝜑) = exp{𝜑−1[𝑦𝑖𝜃𝑖 − 𝑏(𝜃𝑖)] + 𝑐(𝑦;𝜑)},
em que E(𝑌𝑖) = 𝑏′(𝜃𝑖) e Var(𝑌𝑖) = 𝜑𝑏′′(𝜃𝑖), sendo 𝜑 > 0, constante, denominado
“parametro de dispersao”;
ii. um componente sistematico, ou preditor linear, dado por
𝜂 = X𝛽,
em que 𝛽 e o vetor de 𝑝 parametros desconhecidos e 𝑛X𝑝 e a matrix do modelo;
iii. uma funcao de ligacao 𝑔(·), monotona e diferenciavel, que relaciona o preditor linear
𝜂𝑖 a media 𝜇𝑖, ou seja,
𝑔(𝜇) = 𝜂.
Pertencem a essa famılia as distribuicoes normal, gama e normal inversa, que
podem ser utilizadas para a analise de dados contınuos, a distribuicao binomial usada para
a analise de dados na forma de proporcoes e a distribuicao de Poisson usada para a analise
de dados na forma de contagens.
Assim, por exemplo, em tabelas de contingencia de diferentes dimensoes, as
observacoes 𝑦𝑖 sao contagens associadas a diferentes fatores de interesse. Pode-se supor,
entao, que as variaveis aleatorias 𝑌𝑖 tem distribuicao de Poisson com media 𝜇𝑖, assumindo
que as frequencias marginais observadas sao fixas. Por meio do ajuste de modelos de
Poisson as observacoes de uma tabela de contingencia, denominados “modelos log-lineares”,
e possıvel testar os efeitos das interacoes entre os fatores de interesse.
Apos ajustado um modelo linear generalizado e verificada sua adequacao, e
possıvel comparar diferentes modelos encaixados usando-se a diferenca de deviances, que e
59
um teste de razao de verossimilhancas, no caso de 𝜑 conhecido. A estatıstica do teste, para
𝜑 conhecido, e dada por
𝑄 = 2𝜑−1(𝐷𝑞 −𝐷𝑝),
em que 𝐷𝑝 e 𝐷𝑞 sao os valores da deviance residual para os modelos com 𝑝 e 𝑞 parametros,
𝑝 > 𝑞, respectivamente. Sob a hipotese nula, 𝑄, assintoticamente, tem distribuicao 𝜒2 com
𝑝− 𝑞 graus de liberdade.
Quando 𝜑 e desconhecido, pode-se estimar esse parametro por meio de
𝜑 =𝑋2
𝑛−𝑚,
em que 𝑋2 e a estatıstica de Pearson generalizada, 𝑛 e o numero de observacoes e 𝑚 o
numero de parametros do modelo maximal. Podem-se, entao, comparar modelos encaixados
por meio da estatıstica
𝐹 = 𝜑−1𝐷𝑞 −𝐷𝑝
𝑝− 𝑞,
que tem, assintoticamente, distribuicao 𝐹 com 𝑝 − 𝑞 graus de liberdade no numerador e
𝑛−𝑚 graus de liberdade no denominador (JØRGENSEN, 2002).
Para analisar dados na forma de proporcoes e contagens, os modelos bino-
mial e de Poisson sao, respectivamente, os modelos padroes iniciais. Para as distribuicoes
binomial e de Poisson, tem-se o parametro de dispersao 𝜑 = 1, fixo. Para um modelo bem
ajustado, espera-se que a deviance residual ou a estatıstica 𝑋2 sejam aproximadamente
iguais ao numero de graus de liberdade do resıduo. Quando isso nao acontece, pode ser
que se tenha um modelo mal ajustado (por diferentes motivos, como preditor linear mal
especificado, funcao de ligacao mal especificada ou presenca de valores discrepantes) ou
que, simplesmente, a variacao dos dados e maior do que a predita pelo modelo, fenomeno
conhecido como superdispersao. Para incorporar a superdispersao no modelo, existem di-
ferentes metodos. Pode-se especificar uma funcao de variancia mais geral, utilizar modelos
de misturas de distribuicoes, ou ainda, incluir efeitos aleatorios no preditor linear (HINDE;
DEMETRIO, 1998).
Experimento 1
Analises individuais
Modelos lineares generalizados do tipo binomial foram utilizados para analisar
os dados binarios referentes ao primeiro ataque, consumo efetivo, ocorrencia de ataques de
E. annulipes em relacao a P. nigrispinus e vice-versa, utilizando o preditor linear
𝜂𝑖 = 𝜇 + 𝑠𝑖, (3.1)
60
sendo 𝜇 o intercepto e 𝑠𝑖, 𝑖 = 1, 2 o efeito do 𝑖-esimo sexo.
Analise multidimensional
Tendo em vista estudar de que forma as variaveis observadas se relacionavam,
os resultados obtidos foram agrupados em uma tabela de contingencia de quinta ordem. A
seguir, foram ajustados modelos log-lineares com diferentes preditores lineares, iniciando
pelo modelo saturado, isto e,
𝜂𝑖𝑗𝑘𝑙𝑚 = (𝑠𝑖 + 𝑓𝑗 + 𝑤𝑘 + 𝑝𝑙 + 𝑒𝑚)5, 𝑖 = 1, 2, 𝑗 = 1, 2, 𝑘 = 1, 2, 𝑙 = 1, 2, 𝑚 = 1, 2,
ou, de forma esquematica,
𝜂 = (𝑆 + 𝐹 + 𝑊 + 𝑃 + 𝐸)5.
Os submodelos foram comparados por meio do teste de razao de verossimilhancas, conforme
descrito em 3.2.1. E importante observar que, apos a remocao das interacoes de mais alta
ordem ate a terceira ordem, apenas interacoes de segunda ordem nao significativas foram
removidas e interacoes de terceira ordem foram sendo reintroduzidas no preditor uma a uma.
Experimento 2
Modelos lineares generalizados do tipo binomial foram utilizados para analisar
variaveis respostas binarias. Primeiramente, um modelo desse tipo foi ajustado a uma
variavel indicadora, 𝑌𝑖𝑛𝑑, definida como
𝑌𝑖𝑛𝑑 =
{0, se nenhum predador atacou a presa dentro de uma hora
1, se pelo menos um predador atacou a presa dentro de uma hora,
para analisar se havia efeito de variaveis explanatorias na censura dos dados. O preditor
linear utilizado foi
𝜂𝑖𝑗𝑘 = 𝑏𝑖 + 𝑠𝑗 + 𝑑𝑘 + (𝑠𝑑)𝑗𝑘, 𝑖 = 1, . . . , 50, 𝑗 = 1, 2, 𝑘 = 1, 2, (3.2)
sendo 𝑏𝑖 o efeito do 𝑖-esimo bloco, 𝑠𝑗 o efeito do 𝑗-esimo sexo, 𝑑𝑘 o efeito da 𝑘-esima densidade
de presas e (𝑠𝑑)𝑗𝑘 o efeito da interacao entre o 𝑗-esimo sexo e a 𝑘-esima densidade de presas.
Esse mesmo preditor linear foi utilizado para analisar as variaveis binarias
“primeiro a atacar presas”, “consumo efetivo das presas” e “primeiro a atacar o outro com-
petidor”, que foram analisadas em dois estagios:
Estagio 1: regressao logıstica para
- a variavel indicadora de ocorrencia de ataques, igual a 1, se houve ataque, e igual
a 0, se nao houve;
61
- a variavel indicadora de ocorrencia de consumo efetivo, igual a 1, se houve con-
sumo efetivo, e igual a 0, se nao houve;
- a variavel indicadora de ocorrencia de ataques entre os predadores, igual a 1, se
houve ataques, e igual a 0, se nao houve;
Estagio 2: regressao logıstica para
- a variavel “dado que houve ataque em uma hora de observacao, qual predador
atacou primeiro”, igual a 1, se E. annulipes, e igual a 0, se P. nigrispinus;
- a variavel “dado que houve consumo efetivo em uma hora de observacao, qual
predador consumiu efetivamente mais presas”, igual a 1, se E. annulipes, e igual
a 0, se P. nigrispinus;
- a variavel “dado que houve ataques entre os predadores em uma hora de observa-
cao, qual predador atacou ao outro primeiro”, igual a 1, se E. annulipes, e igual
a 0, se P. nigrispinus.
As variaveis referentes ao numero de ataques de E. annulipes sobre P. nigris-
pinus e vice-versa, por sua vez, consistem de contagens e apresentam superdispersao. O
modelo utilizado para analisar essas variaveis foi o binomial negativo e o preditor linear
utilizado, inicialmente, foi o (3.1). Porem, como alguns blocos apresentam apenas zeros, as
estimativas dos efeitos desses blocos sao infinitas. Adicionalmente, a inclusao do efeito de
bloco no preditor linear levava a uma ma qualidade de ajuste. Por isso, o preditor linear
utilizado na analise dessas variaveis pode ser escrito como:
𝜂𝑗𝑘 = 𝑠𝑗 + 𝑑𝑘 + (𝑠𝑑)𝑗𝑘, 𝑗 = 1, 2, 𝑘 = 1, 2, (3.3)
sendo 𝑠𝑗 o efeito do 𝑗-esimo sexo, 𝑑𝑘 o efeito da 𝑘-esima densidade de presas e (𝑠𝑑)𝑗𝑘 o
efeito da interacao entre o 𝑗-esimo sexo e a 𝑘-esima densidade de presas.
3.3.2 Analise de sobrevivencia
Observacoes do tipo “tempo-ate-evento” sao, geralmente, analisadas por meio
de modelos de analise de sobrevivencia (AITKIN et al., 2009). O princıpio basico desses
modelos e chamado “risco”, que e a probabilidade de um evento ocorrer – morte de um
inseto, por exemplo – no proximo instante 𝑡 + 𝛿𝑡, dado que ainda nao tenha ocorrido ate
um determinado instante 𝑡. Seja 𝑇 uma variavel aleatoria contınua de valores positivos,
com distribuicao de densidade 𝑓(𝑡), representando o tempo ate a ocorrencia de um evento
de interesse. A funcao risco ℎ(𝑡) e escrita como
ℎ(𝑡) =𝑓(𝑡)
1 − 𝐹 (𝑡),
62
sendo 𝐹 (𝑡) = 𝑃 (𝑇 ≤ 𝑡) a funcao de distribuicao acumulada de 𝑇 . A funcao risco pode ser
interpretada como a taxa de falha instantanea no tempo 𝑡 (AITKIN et al., 2009). Dentre
importantes distribuicoes utilizadas, podem-se citar as distribuicoes exponencial, gama e
Weibull (COLOSIMO; GIOLO, 2006).
A funcao risco pode ser especificada de maneira mais geral como
ℎ𝑖(𝑡) = 𝜆0(𝑡) exp(x𝑇𝑖 𝛽) = 𝜆0(𝑡) exp(𝜂𝑖),
sendo 𝜆0(𝑡) uma funcao de 𝑡, x𝑇𝑖 a 𝑖-esima coluna da matriz do modelo, 𝛽 o vetor de
parametros associados as covariaveis e 𝜂𝑖 = x𝑇𝑖 𝛽 o preditor linear. Quando 𝜆0(𝑡) = 𝜈,
sendo 𝜈 uma constante, tem-se o modelo exponencial, por exemplo. Ja o modelo de Cox
nao especifica a funcao de risco basal 𝜆0(𝑡). Esse modelo e, entao, semiparametrico, pois ao
mesmo tempo em que a funcao de risco basal pode assumir qualquer forma, as covariaveis
entram no modelo de forma linear. Mesmo nao especificando a funcao de risco basal, a
estimacao dos parametros do modelo pode ser feita pelo metodo da verossimilhanca parcial
(COX, 1972). Vale notar que a razao de riscos para duas observacoes e independente do
tempo 𝑡 e, por consequencia, o modelo de Cox e um modelo de riscos proporcionais.
E possıvel que os eventos sejam observadas em tempos agrupados em cate-
gorias amplas, como dias, semanas ou meses, por exemplo. Neste trabalho, o numero de
indivıduos que morreram, de um total de indivıduos, foi registrado diariamente. Nesses
casos, um modelo de tempo discreto e necessario. A funcao de verossimilhanca para esse
modelo e um produto de verossimilhancas provenientes da distribuicao de Bernoulli, uma
para cada indivıduo em cada intervalo de tempo (AITKIN et al., 2009). Em cada intervalo,
os indivıduos que estao vivos podem morrer ou sobreviver ate o proximo intervalo, sendo o
numero de indivıduos vivos dependente do numero de indivıduos que morreram no intervalo
anterior. Um modelo de analise de sobrevivencia em tempo discreto pode ser ajustado a
esse tipo de dados, considerando um modelo linear generalizado do tipo binomial, sendo 𝑚𝑖
o numero de indivıduos sobreviventes em cada intervalo de tempo 𝑖 = 1, 2, . . .
Para os dados de tempo ate o primeiro ataque, do experimento 2, foram ajus-
tados tres modelos de analise de sobrevivencia: modelos exponencial e Weibull, utilizando
o pacote survival (THERNEAU, 2013) e modelo gama, utilizando o pacote flexsurv
(JACKSON, 2013). O preditor linear utilizado, inicialmente, foi
𝜂𝑖𝑗𝑘 = 𝑏𝑖 + 𝑠𝑗 + 𝑑𝑘 + (𝑠𝑑)𝑗𝑘, 𝑖 = 1, . . . , 50, 𝑗 = 1, 2, 𝑘 = 1, 2,
sendo 𝑏𝑖 o efeito do 𝑖-esimo bloco, 𝑠𝑗 o efeito do 𝑗-esimo sexo, 𝑑𝑘 o efeito da 𝑘-esima densidade
de presas e (𝑠𝑑)𝑗𝑘 o efeito da interacao entre o 𝑗-esimo sexo e a 𝑘-esima densidade de presas.
Para ajustar modelos de analise de sobrevivencia em tempo discreto aos da-
dos do experimento 3, podem-se utilizar regressoes logısticas para a proporcao de insetos
63
que morreram em relacao ao numero de insetos sobreviventes. O numero de insetos sobrevi-
ventes depende dos insetos que morreram nos dias anteriores, podendo mudar diariamente.
O modelo quase-binomial foi utilizado, visto que os dados apresentaram superdispersao.
Foram ajustados os modelos com preditores lineares
𝑀2.1 : 𝜂𝑖𝑗𝑘 = 𝜇 + 𝑏𝑗 + 𝑑𝑖 + 𝛽0𝑤𝑘, 𝑖 = 1, . . . , 11, 𝑗 = 1, . . . , 4, 𝑘 = 1, . . . , 5,
𝑀2.2 : 𝜂𝑖𝑗𝑘 = 𝜇 + 𝑏𝑗 + 𝑑𝑖 + 𝑤*𝑘,
𝑀2.3 : 𝜂𝑖𝑗𝑘 = 𝜇 + 𝑏𝑗 + 𝑑𝑖 + 𝛽𝑖𝑤𝑘 e
𝑀2.4 : 𝜂𝑖𝑗𝑘 = 𝜇 + 𝑏𝑗 + 𝑑𝑖 + 𝑤*𝑘 + (𝑑𝑤*)𝑖𝑘,
sendo 𝜇 o intercepto, 𝑏𝑗 o efeito do 𝑗-esimo bloco, 𝑑𝑖 o efeito do 𝑖-esimo dia, 𝛽0 o coeficiente
linear, 𝛽𝑖 o coeficiente linear de densidade referente a cada dia, 𝑤𝑘 a 𝑘-esima densidade,
𝑤*𝑘 o efeito da 𝑘-esima densidade e (𝑑𝑤*)𝑖𝑘 a interacao entre o 𝑖-esimo dia e a 𝑘-esima
densidade. Os modelos 𝑀3.1, 𝑀3.2, 𝑀3.3 e 𝑀3.4 foram testados por meio do teste de
razao de verossimilhancas.
3.3.3 Modelos aditivos generalizados
Modelos aditivos generalizados (HASTIE; TIBSHIRANI, 1986) sao modelos
lineares generalizados cujos preditores lineares envolvem uma soma de funcoes suavizadoras
de variaveis explanatorias. O preditor linear de um modelo aditivo generalizado pode ser
escrito como
𝜂𝑖 = x𝑇𝑖 𝜃 + 𝑓1(𝑥1𝑖) + 𝑓2(𝑥2𝑖) + 𝑓3(𝑥3𝑖, 𝑥4𝑖) + . . . ,
em que x𝑇𝑖 e uma linha da matriz do modelo para qualquer componente estritamente pa-
rametrico, 𝜃 e o vetor de parametros correspondente e 𝑓𝑗(·) sao as funcoes suavizadoras
das covariaveis 𝑥𝑘𝑗. Esse tipo de modelo pode ser especificado em termos de funcoes suavi-
zadoras ao inves de relacionamentos parametricos. Essa flexibilidade vem com o custo de
dois problemas teoricos, que envolvem a representacao da funcao suavizadora e a escolha
do grau de suavizacao (WOOD, 2006).
Para que 𝑓𝑗 seja estimada, a funcao deve ser representada de forma que se
torne um modelo linear. Para tanto, deve-se escolher uma “base”, que remete a escolha
de “funcoes de base” 𝑏𝑖(𝑥), 𝑖 = 1, . . . , 𝑞, que sao tratadas como completamente conhecidas.
Assim, tem-se
𝑓𝑗(𝑥) =
𝑞∑𝑖=1
𝑏𝑖(𝑥)𝛽𝑖,
sendo 𝛽𝑖 o parametro relacionado a 𝑖-esima funcao base. Uma base simples que pode ser
utilizada e a polinomial, em que 𝑏𝑖(𝑥) = 𝑥𝑖−1. As bases que envolvem splines sao muito
utilizadas (WOOD, 2006), sendo que, neste trabalho, foram utilizadas splines cubicos como
64
base da funcao suavizadora.
Um spline cubico e uma curva formada por secoes de um polinomio do terceiro
grau unidas de forma a serem contınuas ate a segunda derivada. Os pontos 𝑧𝑖, 𝑖 = 1, . . . , 𝑞−2, onde as secoes sao unidas, sao denominados “nos” do spline. Os nos podem ser escolhidos
arbitrariamente, sendo comumente equidistantes dentro do intervalo dos valores do eixo das
abscissas. Uma forma de escrever as funcoes de base para um spline cubico e 𝑏1(𝑥) = 1,
𝑏2(𝑥) = 𝑥 e 𝑏𝑖+2(𝑥) = 𝑅(𝑥, 𝑧𝑖) para 𝑖 = 1, . . . , 𝑞 − 2, sendo
𝑅(𝑥, 𝑧𝑖) =[(𝑧𝑖 − 1
2)2 − 1
12][(𝑥− 1
2)2 − 1
12]
4−
(|𝑥− 𝑧𝑖| − 12)4 − 1
2(|𝑥− 𝑧𝑖| − 1
2)2 + 7
240
24.
Para maiores detalhes sobre diferentes tipos de splines de regressao, metodos de estimacao
de modelos aditivos generalizados e como estimar o grau apropriado de suavidade por meio
de validacao cruzada, ver Wood (2006, caps. 3 e 4.)
Modelos aditivos generalizados foram ajustados aos dados de mortalidade ao
longo do tempo, obtidos no experimento 3. O modelo usado foi o quase-binomial, com
preditor linear dado por
𝜂𝑖𝑗𝑘 = 𝜇 + 𝑏𝑗 + 𝑤𝑘𝑓(𝑑𝑖),
sendo 𝜇 o intercepto, 𝑏𝑗, 𝑗 = 1, . . . , 4 o efeito do 𝑗-esimo bloco, 𝑤𝑘, 𝑘 = 1, . . . , 5 a 𝑘-esima
densidade e 𝑓(𝑑𝑖) a funcao que representa o spline cubico que suaviza as observacoes ao
longo dos dias 𝑑𝑖, 𝑖 = 1, . . . , 11. Todos os ajustes foram feitos no software gratuito R (R
CORE TEAM, 2013), com o pacote mgcv (WOOD, 2006).
3.3.4 Regressao logıstica multinomial ordinal
Em um modelo de regressao logıstica para as variaveis aleatorias 𝑌𝑖, 𝑖 =
1, . . . , 𝑛, com distribuicao binomial (𝑚𝑖, 𝜋𝑖), tem-se o vetor de preditores lineares
𝜂 = 𝑔(𝜇) = X𝛽,
sendo X a matriz do modelo, 𝛽 o vetor de parametros e 𝑔(𝜇) a funcao de ligacao logıstica,
dada por
𝑔(𝜇𝑖) = logit(𝜇𝑖) = log𝜇𝑖
𝑚𝑖 − 𝜇𝑖
= log𝜋𝑖
1 − 𝜋𝑖
.
Quando 𝑌 e uma variavel com 𝐽 categorias, ao inves de duas, pode-se escrever um modelo
de regressao logıstica multinomial, com probabilidades dadas por 𝜋𝑗, 𝑗 = 1, . . . , 𝐽 , sendo∑𝑗 𝜋𝑗 = 1, em que
log𝜋𝑗
𝜋𝐽
= X𝛽𝑗, 𝑗 = 1, . . . , 𝐽 − 1
descreve, simultaneamente, os efeitos das variaveis explanatorias sobre os 𝐽 − 1 logitos
(AGRESTI, 2002).
65
Quando as categorias sao ordenadas, podem-se usar logitos cumulativos, de-
finidos como
log𝜋1 + . . . + 𝜋𝑗
𝜋𝑗+1 + . . . + 𝜋𝐽
, 𝑗 = 1, . . . , 𝐽 − 1,
sendo que cada logito cumulativo utiliza informacao de todas as 𝐽 categorias. Um modelo
que utiliza, simultaneamente, todos os logitos cumulativos, e chamado “modelo de razoes
proporcionais” (Agresti, 2002), podendo ser escrito como
log𝜋1 + . . . + 𝜋𝑗
𝜋𝑗+1 + . . . + 𝜋𝐽
= 𝛼𝑗 + 𝛽𝑇x, 𝑗 = 1, . . . , 𝐽 − 1,
ou seja, cada logito cumulativo tem seu proprio intercepto 𝛼𝑗. Tem-se que 𝛼𝑗 < 𝛼𝑗+1,
𝑗 = 1, . . . , 𝐽 − 1, isto e, os interceptos aumentam conforme 𝑗 cresce, visto que se tratam de
probabilidades acumuladas.
Aos dados do experimento 3, considerando cada dia como variavel categori-
zada ordinal, foram ajustados modelos de regressao logıstica multinomial ordinal de razoes
proporcionais com diferentes preditores lineares. Foram ajustados os modelos com predito-
res lineares
𝑀3.1 : 𝜂𝑖𝑗𝑘 = 𝛼𝑖, 𝑖 = 1, . . . , 12 𝑗 = 1, . . . , 4 𝑘 = 1, . . . , 5,
𝑀3.2 : 𝜂𝑖𝑗𝑘 = 𝛼𝑖 + 𝑏𝑗 e
𝑀3.3 : 𝜂𝑖𝑗𝑘 = 𝛼𝑖 + 𝑏𝑗 + 𝑤𝑘,
sendo 𝛼𝑖 o intercepto, 𝑏𝑗 o efeito do 𝑗-esimo bloco e 𝑤𝑘 o efeito da 𝑘-esima densidade. Por
meio de testes de razao de verossimilhancas, o modelo mais parcimonioso foi escolhido para
fazer a predicao das mortalidades acumuladas ao longo dos dias. Todos os ajustes foram
feitos no software gratuito R (R CORE TEAM, 2013), com o pacote arm (GELMAN; SU,
2013).
Apos o ajuste de um modelo de regressao logıstica multinomial ordinal de
razoes proporcionais, pode-se obter as probabilidades de o inseto morrer 𝜋𝑞 em cada um
dos 𝑞 dias (prova no Apendice A), calculando
𝜋𝑞 =𝑒𝜂𝑞∏𝑞
𝑖=1(1 + 𝑒𝜂𝑖).
3.4 Resultados
3.4.1 Experimento 1
Analises individuais
As regressoes logısticas feitas para as variaveis respostas binarias descritas em
3.2.1, para o experimento 1, nao mostraram efeito para sexo ao nıvel de 5% de significancia
(Tabela 3.3), ou seja, nao ha diferenca entre o comportamento de machos e femeas, nesse
66
cenario de competicao.
Tabela 3.3 – Estimativas dos parametros e erros padroes para o preditor linear 3.1 e valor de 𝑝 para o testet para os parametros
Resposta: Primeiro ataqueCoeficiente Estimativa Erro padrao 𝑝Intercepto 0,8755 0,3764 0,020 *Sexo – Machos −0, 8148 0,5128 0,112
Resposta: Consumo efetivoCoeficiente Estimativa Erro padrao 𝑝Intercepto 0,3567 0,3485 0,306Sexo – Machos −0, 5390 0,4936 0,275
Resposta: P. nigrispinus atacouCoeficiente Estimativa Erro padrao 𝑝Intercepto −1𝑒− 15 0,3430 1,000Sexo – Machos −0, 061 0,4888 0,901
Resposta: E. annulipes atacouCoeficiente Estimativa Erro padrao 𝑝Intercepto 0,3567 0,3485 0,306Sexo – Machos −0, 6621 0,4955 0,181
Analise multidimensional
O ajuste suscetivo de modelos log-lineares com preditores representados na
Tabela 3.4 resultou nos valores para as deviances residuais apresentados na Tabela 3.5,
o que mostra a evidencia de ajuste de todos os modelos. Embora o modelo 𝑀1.5 tenha
um menor numero de parametros, ao se reintroduzir as interacoes triplas, uma a uma, e
suas interacoes duplas marginais, verificou-se a evidencia de efeito significativo da interacao
tripla 𝑆 : 𝐸 : 𝑊 (𝑝 < 0, 05), conforme pode ser visto na analise de deviance apresentada
na Tabela 3.6. Adicionalmente, verifica-se o efeito das interacoes 𝑊 : 𝐹 e 𝐸 : 𝑃 , a 5% de
significancia. Esse resultado pode ser representado pelo diagrama da Figura 3.5, ou ainda,
por
𝑃 ⊥ 𝐹 |𝑆,𝐸,𝑊.
Tabela 3.4 – Preditores lineares dos modelos ajustados ao conjunto de dados obtidos no experimento 1
Modelo Preditor linear Numero de parametros𝑀1.1 (𝑆 + 𝐹 + 𝑊 + 𝑃 + 𝐸)5 32𝑀1.2 (𝑆 + 𝐹 + 𝑊 + 𝑃 + 𝐸)4 31𝑀1.3 (𝑆 + 𝐹 + 𝑊 + 𝑃 + 𝐸)3 26𝑀1.4 (𝑆 + 𝐹 + 𝑊 + 𝑃 + 𝐸)2 16𝑀1.5 𝑆 + (𝐹 + 𝑊 )2 + (𝑃 + 𝐸)2 8𝑀1.6 𝐹 + 𝑃 + (𝑆 + 𝑊 + 𝐸)3 + 𝐹 : 𝑊 + 𝑃 : 𝐸 12
67
Tabela 3.5 – Graus de liberdade, deviance residual e valor 𝑝 para os modelos log-lineares ajustados aoconjunto de dados do experimento 1
Modelo g.l. Deviance residual 𝑝𝑀1.1 0 0,000 1,0000𝑀1.2 1 0,000 1,0000𝑀1.3 6 2,804 0,8331𝑀1.4 16 15,430 0,4934𝑀1.5 24 22,900 0,5257𝑀1.6 20 14,510 0,8037
Tabela 3.6 – Analise de deviance para o modelo 𝑀6. Termos adicionados sequencialmente
Termo g.l. Deviance 𝑝𝑆 1 0,015 0,9028𝑊 1 0,134 0,7139𝐸 1 0,015 0,9028𝐹 1 3,387 0,0657𝑃 1 0,015 0,9028𝑊 : 𝐹 1 46,792 < 0, 001*𝐸 : 𝑃 1 17,013 < 0, 001*𝑆 : 𝑊 1 1,203 0,2727𝑆 : 𝐸 1 1,810 0,1785𝑊 : 𝐸 1 0,004 0,9488𝑆 : 𝑊 : 𝐸 1 5,369 0,0205*
Figura 3.5 – Diagrama representando as interacoes entre as variaveis do experimento 1
Isso significa que a propensao de um especime de P. nigrispinus a atacar um
especime de E. annulipes e independente de qual competidor atacou primeiro a presa, dado
o sexo, competidor que consumiu efetivamente a presa e se o especime de P. nigrispinus foi
atacado ou nao por E. annulipes. Isso faz sentido, biologicamente, pois P. nigrispinus e um
predador generalista. Adicionalmente, as tesourinhas femeas sao mais agressivas e e mais
provavel que elas consumam efetivamente a presa. As Tabelas 3.7 e 3.8 mostram resumem
os dados em tabelas de contingencia, considerando as interacoes significativas do modelo
𝑀1.6.
68
Tabela 3.7 – Tabela de contingencia para 𝑊 , 𝑆 e 𝐸
Consumo efetivo (𝑊 )
Sexo (𝑆)Machos Femeas
E. annulipes atacou (𝐸) E. annulipes atacou (𝐸)Sim Nao Sim Nao
P. nigrispinus 8 6 8 10E. annulipes 6 14 11 4
Tabela 3.8 – Tabelas de contingencia para 𝐹 e 𝑊 , e para 𝐸 e 𝑃
Primeiro Consumo efetivo (𝑊 )ataque (𝐹 ) P. nigrispinus E. annulipesP. nigrispinus 25 1E. annulipes 7 34
E. annulipes P. nigrispinus atacou (𝑃 )atacou (𝐸) Sim NaoSim 25 8Nao 9 25
3.4.2 Experimento 2
Variavel: censura
O ajuste do modelo logıstico aos dados de censura para o tempo ate primeiro
ataque mostrou evidencia de efeitos de sexo do predador e densidade da presa, mas nao da
interacao entre eles ao nıvel de 5% de significancia (Tabela 3.9). Isso mostra que os machos
sao mais propensos a levarem mais de uma hora para atacar do que as femeas (Figura
3.6(a)). Tambem, nota-se que quando a densidade de presas e maior, e mais provavel que
um predador atacara dentro de uma hora (Figura 3.6(b)).
Tabela 3.9 – Regressao logıstica para a variavel indicadora de censura. Estimativas do intercepto e dosblocos foram omitidas
Coeficiente Estimativa Erro padrao 𝑝Sexo – Machos −1, 2530 0,4934 0,0111*Densidade - 3 1,0410 0,5247 0,0473*Interacao Machos×Densidade 3 −0, 3540 0,7097 0,6179
Variavel: tempo ate primeiro ataque
Ajustando-se o modelo gama para as observacoes da variavel “tempo ate pri-
meiro ataque”, ha evidencias de que o valor do parametro de escala da distribuicao gama
nao difere de 1, a 5% de significancia. Assim, o ajuste do modelo gama nao difere do modelo
exponencial, a 5% de significancia. O mesmo acontece com o ajuste do modelo Weibull,
ou seja, inicialmente, pode-se utilizar o modelo exponencial. A partir do ajuste do modelo
exponencial, ha evidencias somente de efeito de sexo, a 5% de significancia (Tabela 3.10).
Assim, os demais efeitos (blocos, densidade e interacao) foram removidos do preditor linear
69
(a)
Sexo
Cen
sura
F M
Sim
Não
0.0
0.2
0.4
0.6
0.8
1.0
(b)
Densidade
Cen
sura
1 3
Sim
Não
0.0
0.2
0.4
0.6
0.8
1.0
Figura 3.6 – Grafico da variavel indicadora de censura para cada (a) sexo e para cada (b) densidade
para estudar o efeito de sexo.
Tabela 3.10 – Estimativas dos parametros para o modelo exponencial, ajustado as observacoes da variavel“tempo ate primeiro ataque”. Estimativas para o intercepto e blocos foram omitidas
Coeficiente Estimativa Erro padrao 𝑝Sexo – Machos −1, 1591 0,3110 0,0002*Densidade - 3 0,3769 0,2756 0,1714Interacao Machos×Densidade 3 −0, 1256 0,4109 0,7599
Ha evidencias, pelo teste de razao de verossimilhancas, de um melhor ajuste
do modelo Weibull, quando utilizando apenas o efeito de sexo, no preditor linear, do que
o modelo exponencial (deviance de 7,88, 1 g.l., 𝑝 = 0, 0050). Isso indica que o risco pode
nao ser constante para machos, femeas ou os dois sexos. A partir do ajuste dos modelos
Weibull e exponencial para cada sexo, separadamente, a deviance para os machos e 0,19,
com 1 g.l. (𝑝 = 0, 6591), indicando que o modelo exponencial e o mais adequado, enquanto
que, para as femeas, a deviance e 9, 64, com 1 g.l. (𝑝 = 0, 0019), indicando que o modelo
Weibull e o mais adequado. Assim, os riscos nao sao proporcionais para machos e femeas.
A Figura 3.7 apresenta as curvas ajustadas pelos modelos exponencial e Weibull, para as
funcoes de sobrevivencia de machos e femeas, respectivamente. A estimativa do parametro
de escala do modelo Weibull, para as femeas, foi de 1, 35 (𝑝 = 0, 0035), ou seja, o risco
diminui com o passar do tempo. Tem-se, entao, que e mais provavel um predador atacar a
presa no proximo instante, dado que ainda nao a tenha atacado, se for uma femea e essa
70
probabilidade diminui com o passar do tempo.
Figura 3.7 – Funcoes de sobrevivencia e curvas ajustadas pelo modelo (a) exponencial, para os machos, e(b) Weibull, para as femeas
0 10 20 30 40 50 60
0.0
0.2
0.4
0.6
0.8
1.0
(a)
Tempo até ataque (minutos)
Pro
babi
lidad
e de
não
ata
car
0 10 20 30 40 50 60
0.0
0.2
0.4
0.6
0.8
1.0
(b)
Tempo até ataque (minutos)
Pro
babi
lidad
e de
não
ata
car
Variavel: primeiro a atacar presa
O ajuste do modelo logıstico as observacoes da variavel resposta binaria
“Houve ataque em uma hora de observacao” (primeiro estagio) evidenciaram efeito de sexo
e de densidade, porem, nao da interacao entre eles ao nıvel de 5% de significancia. Isso
significa que ha uma menor propensao de os machos atacarem em uma hora e, caso a densi-
dade de presas seja maior, e mais provavel que os predadores ataquem dentro desse perıodo
(Tabela 3.11).
O ajuste do modelo logıstico as observacoes da variavel binaria “Dado que
houve ataque em uma hora de observacao, qual predador atacou primeiro” (segundo esta-
gio, Figura 3.8(a)) evidencia apenas efeito de sexo, ao nıvel de 5% de significancia, sendo as
femeas de E. annulipes mais agressivas, com maior propensao de atacarem a presa primeiro
(Tabela 3.11). A Tabela 3.12 resume esse efeito em uma tabela de contingencia para sexo
e especie.
Variavel: consumo efetivo das presas
O ajuste do modelo logıstico as observacoes da variavel binaria “Houve con-
sumo efetivo em uma hora de observacao”(primeiro estagio) evidencia efeitos de sexo e de
densidade, a 5% de significancia, ou seja, ha uma menor propensao de os machos consu-
mirem efetivamente as presas em uma hora e, caso a densidade de presas seja maior, a
propensao de haver consumo efetivo dentro desse perıodo e maior (Tabela 3.13).
71
0.0
0.2
0.4
0.6
0.8
1.0
(a) Primeiro a atacar presas
Sexo
Pro
porç
ão d
e te
sour
inha
s
F M
Densidade
13
0.0
0.2
0.4
0.6
0.8
1.0
(b) Competidor vencedor
Sexo
Pro
porç
ão d
e te
sour
inha
s
F M
Densidade
13
0.0
0.2
0.4
0.6
0.8
1.0
(c) Primeiro a atacar o outro competidor
Sexo
Pro
porç
ão d
e te
sour
inha
s
F M
Densidade
13
0.0
0.5
1.0
1.5
2.0
(d) Ataques do percevejo
Sexo
Núm
ero
méd
io d
e at
aque
s
F M
Densidade
13
0.0
0.5
1.0
1.5
2.0
(e) Ataques da tesourinha
Sexo
Núm
ero
méd
io d
e at
aque
s
F M
Densidade
13
0.0
0.2
0.4
0.6
0.8
1.0
(f) Mortes do percevejo
Sexo
Pro
porç
ão d
e pe
rcev
ejos
mor
tos
F M
Densidade
13
Figura 3.8 – Graficos das variaveis respostas do experimento 2 (Tabela 3.2)
Tabela 3.11 – Estimativas das regressoes logısticas para os dois estagios da analise da variavel “primeiro aatacar presas”. As estimativas do intercepto e dos blocos foram omitidas
Estagio 1: houve ataque em uma hora se observacao?Coeficiente Estimativa Erro padrao 𝑝Sexo – Machos −1, 0920 0,4793 0,0227*Densidade - 3 1,1290 0,5176 0,0292*Interacao Machos×Densidade 3 −3, 6390 0,6970 0,6016
Dado que houve ataque, qual competidor atacou primeiro?Coeficiente Estimativa Erro padrao 𝑝Sexo – Machos −3, 0705 1,4389 0,0328*Densidade - 3 −1, 4434 1,3576 0,2877Interacao Machos×Densidade 3 0,4788 1,7395 0,7831
O ajuste do modelo logıstico as observacoes da variavel “Dado que houve con-
sumo efetivo em uma hora de observacao, qual predador consumiu mais presas” (segundo
estagio, Figura 3.8(b)) evidencia efeito da interacao entre sexo e densidade, ao nıvel de 5%
de significancia, sendo esse efeito resumido na Tabela 3.14. Isso mostra que, primeiramente,
as femeas de E. annulipes consomem efetivamente mais presas do que as femeas de P. ni-
grispinus em relacao aos machos de E. annulipes, quando comparados aos machos de P.
nigrispinus. Adicionalmente, ha maior propensao de o consumo efetivo ser maior para as
tesourinhas na densidade 3.
Variavel: primeiro a atacar o outro compeditor
O ajuste do modelo logıstico as observacoes da variavel binaria“Houve ataque
entre os competidores em uma hora de observacao” (primeiro estagio) evidencia efeito de
72
Tabela 3.12 – Tabela de contingencia para sexo e especie, para a variavel resposta“primeiro a atacar presas”
SexoEspecie
P. nigrispinus E. annulipesFemeas 4 67Machos 16 33
Tabela 3.13 – Estimativas das regressoes logısticas para os dois estagios da analise da variavel “consumoefetivo das presas”. As estimativas do intercepto e dos blocos foram omitidas
Estagio 1: houve consumo efetivo em uma hora de observacao?Coeficiente Estimativa Erro padrao 𝑝Sexo – Machos −1, 2130 0,4846 0,0123*Densidade - 3 1,0350 0,5233 0,0480*Interacao Machos×Densidade 3 −7, 0290 0,7025 0,3170
Estagio 2: dado que houve consumo efetivo, qual competidorconsumiu efetivamente mais presas?
Coeficiente Estimativa Erro padrao 𝑝Sexo – Machos −4, 5640 1,8950 0,0160*Densidade - 3 −1, 5780 1,5190 0,2990Interacao Machos×Densidade 3 5,0780 2,4990 0,0421*
sexo, ao nıvel de 5% de significancia (Tabela 3.15). Tambem, ha evidencias do efeito de
sexo, a 5% de significancia, a partir do ajuste do modelo logıstico as observacoes da variavel
binaria “Dado que houve ataque entre os competidores em uma hora de observacao, qual
competidor atacou ao outro primeiro” (segundo estagio, Figura 3.8(c)). Isso mostra que os
predadores machos das duas especies tem a mesma propensao de atacarem uns aos outros,
enquanto que as femeas de E. annulipes sao mais agressivas que as femeas de P. nigrispinus,
conforme resumido na Tabela 3.16.
Variaveis: numero de ataques
Ao ajustar o modelo de Poisson as observacoes das variaveis de contagem do
numero de ataques de E. annulipes e de P. nigrispinus ao outro competidor (Figuras 3.8(d) e
3.8(e)), ha evidencias de uma ma qualidade de ajuste (Tabela 3.17, Figura 3.9). Ja o ajuste
do modelo binomial negativo incorporou bem a superdispersao dos dados, resultando em
uma boa qualidade de ajuste, quando comparado ao modelo de Poisson (Figura 3.9).
Tabela 3.14 – Tabela de contingencia para densidade, sexo e especie, para a variavel “consumo efetivo daspresas”
DensidadeSexo
Machos FemeasP. nigrispinus E. annulipes P. nigrispinus E. annulipes
1 6 14 1 303 4 19 3 36
73
Tabela 3.15 – Estimativas das regressoes logısticas para a variavel “qual predador atacou o outro primeiro”.As estimativas do intercepto e dos blocos foram omitidas
Estagio 1: houve ataque entre os competidores em uma hora de observacao?Coeficiente Estimativa Erro padrao 𝑝Sexo – Machos −1, 9850 0,5262 0,0002*Densidade - 3 −2, 8250 0,5329 0,5960Interacao Machos×Densidade 3 −4, 3340 0,7269 0,5510
Estagio 2: Dado que houve ataque entre os competidoresqual competidor atacou primeiro?
Coeficiente Estimativa Erro padrao 𝑝Sexo – Machos −3, 8990 1,5820 0,0137*Densidade - 3 0,9420 0,9760 0,3345Interacao Machos×Densidade 3 0,3219 2,0090 0,8727
Tabela 3.16 – Tabela de contingencia para sexo e especie, para a variavel “primeiro a atacar o outro com-petidor”
Primeiro a atacar
SexoEspecie
P. nigrispinus E. annulipesFemeas 15 57Machos 20 14
Nao ha efeito sistematico das variaveis preditoras em relacao ao numero me-
dio de ataques de P. nigrispinus sobre E. annulipes, porem ha efeito de sexo no numero
medio de ataques de E. annulipes sobre P. nigrispinus, ao nıvel de 5% de significancia,
indicando que as tesourinhas femeas sao mais agressivas (Tabelas 3.18 e 3.19). Alem disso,
das 100 unidades experimentais que continham machos, em nenhuma delas o especime de P.
nigrispinus foi morto. Ja nas que continham femeas, em 11 delas os ataques da tesourinha
ocasionaram na morte da femea de P. nigrispinus (Figura 3.8(f)). Adicionalmente, nessas
11 placas, E. annulipes predou seu competidor, caracterizando predacao intraguilda. A
Figura 3.10 mostra ocasioes nas quais P. nigrispinus tenta predar E. annulipes e vice-versa,
porem, E. annulipes matou seu competidor.
Tabela 3.17 – Deviance residual, graus de liberdade, valores de 𝜒2 e 𝑝 para os modelos de Poisson, ajustadosas observacoes das variaveis de contagem do numero de ataques de P. nigrispinus e de E.annulipes ao outro competidor
Numero de ataques de P. nigrispinusDeviance residual g.l. 𝜒2
196;0,05 𝑝265,72 196 229,66 0,0007
Numero de ataques de E. annulipesDeviance residual g.l. 𝜒2
196;0,05 𝑝366,51 196 229,66 < 0, 0001
74
1.0 1.5 2.0 2.5 3.0
12
34
P. nigrispinus − Poisson
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0 2.5 3.0
0.0
1.0
2.0
3.0
P. nigrispinus − Binomial negativo
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0 2.5 3.0
01
23
4
E. annulipes − Poisson
Quantis teóricos
Res
íduo
s
1.0 1.5 2.0 2.5 3.0
0.0
1.0
2.0
3.0
E. annulipes − Binomial negativo
Quantis teóricos
Res
íduo
s
Figura 3.9 – Graficos meio-normais com envelope simulado para os ajustes dos modelos de Poisson (primeiracoluna) e do tipo binomial negativo (segunda coluna) para os dados de numero de ataques deP. nigrispinus sobre E. annulipes (primeira linha) e vice-versa (segunda linha)
Figura 3.10 – Comportamento agressivo observado no experimento 2. (a) femea de P. nigrispinus atacauma femea de E. annulipes; (b) outra femea de P. nigrispinus atacando a tesourinha; (c)femea de E. annulipes consumindo uma femea de P. nigrispinus apos mata-la; (d) outratesourinha femea predando P. nigrispinus
3.4.3 Experimento 3
3.4.3.1 Competicao intraespecıfica em P. nigrispinus
75
Tabela 3.18 – Estimativas dos ajustes dos modelos do tipo binomial negativo para os dados de numero deataques de P. nigrispinus sobre E. annulipes e vice-versa. Estimativas do intercepto foramomitidas
Ataques de P. nigrispinusCoeficiente Estimativa Erro padrao 𝑝Sexo – Machos −0, 4055 0,4283 0,3438Densidade - 3 −0, 3567 0,4255 0,4019Interacao Machos×Densidade 3 0, 0690 0,6307 0,9129
Ataques de E. annulipesCoeficiente Estimativa Erro padrao 𝑝Sexo – Machos −1, 5405 0,3163 < 0, 001*Densidade - 3 0, 0302 0,2496 0,9039Interacao Machos×Densidade 3 −0, 5097 0,4786 0,2869
Tabela 3.19 – Media (erro padrao) do numero de ataques em uma hora de observacao, em relacao a cadatratamento
EspecieTratamento (Sexo:Densidade)
Femea:1 Femea:3 Macho:1 Macho:3E. annulipes 1, 96(0, 31) 2, 02(0, 32) 0, 42(0, 14) 0, 26(0, 10)P. nigrispinus 0, 60(0, 19) 0, 42(0, 11) 0, 40(0, 12) 0, 30(0, 10)
O tempo necessario para que todos os especimes sobreviventes de P. nigrispi-
nus atingissem o quarto ınstar foi 11 dias. Ajustando os modelos de analise de sobrevivencia
em tempo discreto com preditores lineares 𝑀2.1, 𝑀2.2, 𝑀2.3 e 𝑀2.4, ha evidencias, pelo
teste 𝐹 , de que o ajuste do modelo com efeito linear de densidades para cada dia (com pre-
ditor linear 𝑀2.3) nao difere do modelo com preditor linear 𝑀2.4 (Tabela 3.20). Pode-se
dizer, entao, que existe uma relacao entre densidade e a mortalidade ao longo do tempo,
com uma tendencia linear, que pode mudar com o passar do tempo (Figuras 3.11 e 3.12).
Tabela 3.20 – Teste 𝐹 para os modelos ajustados aos dados de mortalidade de P. nigrispinus ao longo de11 dias, utilizando o modelo de analise de sobrevivencia em tempo discreto
Fonte de variacao g.l. Deviance F 𝑝𝑀2.3 −𝑀2.1 10 45,847 2,6069 0,0058*𝑀2.4 −𝑀2.3 33 34,057 0,5868 0,9635𝑀2.3 −𝑀2.2 7 43,544 3,5371 0,0015*𝑀2.4 −𝑀2.3 33 34,057 0,5868 0,9635
Ao ajustar o modelo aditivo generalizado aos dados, observa-se que o ajuste
nao pode ser considerado satisfatorio, visto que o numero de nos utilizados para a suavizacao
nas densidades maiores que 5 e muito alto, sendo, inclusive, o valor maximo possıvel na
densidade 45 (Tabela 3.21). Alem disso, pode ser que outro tipo de preditor linear deva ser
utilizado. Porem, em termos preditivos, observa-se uma boa aproximacao (Figuras 3.13 e
3.14).
76
Dia
Mor
talid
ade
acum
ulad
a
0.00.20.40.60.81.0
2 4 6 8 10
● ●
● ● ● ● ● ● ● ● ●
● ●●
● ● ● ● ● ● ● ●
I5
●
●
●
● ● ● ● ● ● ● ●
● ● ●
● ● ● ● ● ● ● ●
II5
2 4 6 8 10
●
● ●
● ● ●
● ● ● ● ●
● ● ●
● ● ● ● ● ● ● ●
III5
● ●
●
● ● ● ● ● ● ● ●
● ●●
● ● ● ● ● ● ● ●
IV5
● ● ● ● ● ● ● ●
● ● ●● ●
●
● ● ● ● ● ● ● ●
I15
● ● ●
● ● ●● ● ● ● ●
● ●●
● ● ● ● ● ● ● ●
II15
●● ●
● ● ● ● ● ● ● ●
● ●●
● ● ● ● ● ● ● ●
III15
0.00.20.40.60.81.0
● ● ●
● ● ●
● ● ● ● ●
● ●●
● ● ● ● ● ● ● ●
IV15
0.00.20.40.60.81.0
● ●●
●● ● ● ●
● ● ●
●●
●● ● ● ● ●
● ● ●
I25
● ●●
● ● ● ● ●
● ● ●
● ●●
● ● ● ● ● ● ● ●
II25
●
●●
● ● ● ●● ● ● ●
● ●●
● ● ● ● ● ● ● ●
III25
● ●
● ● ● ● ● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
IV25
●●
●●
●● ● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
I35
●● ●
● ● ● ● ●● ● ●
●●
●● ● ● ● ●
● ● ●
II35
●● ●
● ● ● ●● ● ● ●
●●
●● ● ● ● ●
● ● ●
III35
0.00.20.40.60.81.0
●●
● ● ● ● ● ●● ● ●
●●
●● ● ● ● ●
● ● ●
IV35
0.00.20.40.60.81.0
●
●● ● ●
● ●● ● ● ●
●●
● ● ●● ● ●
● ● ●
I45
2 4 6 8 10
● ● ●● ●
● ● ●
● ● ●
●●
● ● ●● ● ●
● ● ●
II45
●
● ●● ● ● ● ●
● ● ●
●●
● ● ●● ● ●
● ● ●
III45
2 4 6 8 10
●●
● ● ●● ● ● ● ● ●
●●
● ● ●● ● ●
● ● ●
IV45
Observado ● Predito ●
Figura 3.11 – Graficos das mortalidades acumuladas de P. nigrispinus observadas e preditas ao longo dosdias, para cada bloco (I, II, III e IV) e cada densidade (5, 15, 25, 35 e 45), utilizando o modelode analise de sobrevivencia em tempo discreto
Dia
Mor
talid
ade
acum
ulad
a m
édia
0.0
0.2
0.4
0.6
0.8
2 4 6 8 10
●
●
●
● ● ●
● ● ● ● ●
●●
●
● ● ●
●●
● ● ●
5
●
● ●
● ● ●
●●
● ● ●
●
●
●
● ● ●
●●
● ● ●
15
2 4 6 8 10
●
●
●
●● ● ●
●
● ● ●
●
●
●
● ● ●●
●
● ● ●
25
●
●
●
●●
●●
●
● ● ●
●
●
●
● ●●
●
●
● ● ●
35
2 4 6 8 10
0.0
0.2
0.4
0.6
0.8
●
●
●
● ●
● ●
●
● ● ●
●
●
●
●●
● ●
●
● ● ●
45
Observado ● Predito ●
Figura 3.12 – Graficos das medias marginais das mortalidades acumuladas de P. nigrispinus observadas epreditas ao longo dos dias, para cada densidade (5, 15, 25, 35 e 45), utilizando o modelo deanalise de sobrevivencia em tempo discreto
Ajustando os modelos de regressao multinomial logıstica de chances propor-
cionais, ha evidencias, pelo teste de razao de verossimilhancas, que o modelo com preditor
linear 𝑀3.3 se ajusta melhor ao conjunto de dados, a 5% de significancia (Tabela 3.22). A
77
Tabela 3.21 – Graus de liberdade estimados para os splines cubicos utilizados para suavizar as taxas demortalidade de P. nigrispinus ao longo do tempo
Densidade Graus de liberdade estimados5 1,90715 7,88425 6,10935 6,97545 9,000
Dia
Mor
talid
ade
acum
ulad
a
0.00.20.40.60.81.0
2 4 6 8 10
● ●
● ● ● ● ● ● ● ● ●
●●
●● ● ● ● ● ● ● ●
I5
●
●
●
● ● ● ● ● ● ● ●
●●
●● ● ● ● ● ● ● ●
II5
2 4 6 8 10
●
● ●
● ● ●
● ● ● ● ●
●●
●● ● ● ● ● ● ● ●
III5
● ●
●
● ● ● ● ● ● ● ●
●●
●● ● ● ● ● ● ● ●
IV5
● ● ● ● ● ● ● ●
● ● ●● ● ●
● ● ●● ● ● ● ●
I15
● ● ●
● ● ●● ● ● ● ●
● ● ●● ● ● ● ● ● ● ●
II15
●● ●
● ● ● ● ● ● ● ●
● ● ●● ● ● ● ● ● ● ●
III15
0.00.20.40.60.81.0
● ● ●
● ● ●
● ● ● ● ●
● ● ●● ● ●
● ● ● ● ●
IV15
0.00.20.40.60.81.0
● ●●
●● ● ● ●
● ● ●
●●
●● ● ● ● ●
● ● ●
I25
● ●●
● ● ● ● ●
● ● ●
● ●●
● ● ● ● ●● ● ●
II25
●
●●
● ● ● ●● ● ● ●
● ●●
● ● ● ● ●● ● ●
III25
● ●
● ● ● ● ● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
IV25
●●
●●
●● ● ● ● ● ●
●●
●● ● ● ● ● ● ● ●
I35
●● ●
● ● ● ● ●● ● ●
●●
● ● ● ● ● ● ● ● ●
II35
●● ●
● ● ● ●● ● ● ●
●●
● ● ● ● ● ● ● ● ●
III35
0.00.20.40.60.81.0
●●
● ● ● ● ● ●● ● ●
●●
●● ● ● ● ● ● ● ●
IV35
0.00.20.40.60.81.0
●
●● ● ●
● ●● ● ● ●
●●
● ● ●● ● ●
● ● ●
I45
2 4 6 8 10
● ● ●● ●
● ● ●
● ● ●
●●
● ● ●● ● ●
● ● ●
II45
●
● ●● ● ● ● ●
● ● ●
●●
● ● ●● ● ●
● ● ●
III45
2 4 6 8 10
●●
● ● ●● ● ● ● ● ●
●●
● ● ●● ● ●
● ● ●
IV45
Observado ● Predito ●
Figura 3.13 – Graficos das mortalidades acumuladas de P. nigrispinus observadas e preditas ao longo dosdias, para cada bloco (I, II, III e IV) e cada densidade (5, 15, 25, 35 e 45), utilizando o modeloaditivo generalizado com funcao suavizadora no preditor linear
Tabela 3.23 mostra os logitos e probabilidades acumuladas para os 11 dias (𝛼𝑖) e os logitos
e probabilidades para os blocos e densidades. E importante ressaltar que a probabilidade
acumulada de um inseto morrer em 12 ou mais dias, dado que nao morreu ate o 11∘ dia, e
1. As Figuras 3.15 e 3.16 mostram os valores preditos para cada parcela e marginalmente
para cada densidade, respectivamente.
3.4.3.2 Competicao intraespecıfica em E. annulipes
O tempo necessario para que todos os indivıduos sobreviventes atingissem o
terceiro ınstar variou para cada bloco. Nos blocos I e III, os especimes sobreviventes levaram
20 dias ate atingirem o terceiro ınstar, ao passo que no bloco IV levaram 21 dias e no bloco
78
Dia
Mor
talid
ade
acum
ulad
a m
édia
0.0
0.2
0.4
0.6
0.8
2 4 6 8 10
●
●
●
● ● ●
● ● ● ● ●
●
●
●
●
●● ● ● ● ● ●
5
●
● ●
● ● ●
●●
● ● ●
●●
●
● ● ●
●●
● ● ●
15
2 4 6 8 10
●
●
●
●● ● ●
●
● ● ●
●
●
●
●● ● ●
●
● ● ●
25
●
●
●
●●
●●
●
● ● ●
●
●
●
●●
●●
●
● ● ●
35
2 4 6 8 10
0.0
0.2
0.4
0.6
0.8
●
●
●
● ●
● ●
●
● ● ●
●
●
●
●●
●●
●
● ● ●
45
Observado ● Predito ●
Figura 3.14 – Graficos das medias marginais das mortalidades acumuladas de P. nigrispinus observadas epreditas ao longo dos dias, para cada densidade (5, 15, 25, 35 e 45), utilizando o modeloaditivo generalizado com funcao suavizadora no preditor linear
Tabela 3.22 – Teste de razao de verossimilhancas para os modelos ajustados aos dados de mortalidade deP. nigrispinus ao longo de 11 dias, utilizando o modelo de regressao multinomial logıstica dechances proporcionais
Fonte de variacao g.l. 𝜒2 𝑝𝑀3.2 −𝑀3.1 3 11,0201 0,0115*𝑀3.3 −𝑀3.2 4 12,8124 0,0122*
I apenas 19. Como a mortalidade nos dias 20 e 21 foi zero para todas as densidades em
todos os blocos, as analises foram feitas considerando os dados ate o dia 19.
Ajustando os modelos de analise de sobrevivencia em tempo discreto com
preditores lineares 𝑀2.1, 𝑀2.2, 𝑀2.3 e 𝑀2.4, ha evidencias, pelo teste 𝐹 , de que o modelo
com preditor linear 𝑀2.3 se ajusta melhor aos dados, a 5% de significancia (Tabela 3.24).
Tem-se, nesse caso, que uma tendencia linear nao e suficiente para descrever o compor-
tamento dos dados ao longo das densidades para cada dia, sendo um coeficiente diferente
estimado para cada interacao entre dia e densidade (Figura 3.17). Esse modelo reproduz a
media marginal das densidades (Figura 3.18).
Ao ajustar o modelo aditivo generalizado aos dados, observa-se o mesmo tipo
de problema relacionado ao alto numero de nos necessario para suavizacao de densidades
altas (Tabela 3.25). Ainda assim, em termos preditivos, observa-se uma boa aproximacao
(Figuras 3.19 e 3.20).
Ajustando os modelos de regressao multinomial logıstica de chances propor-
cionais, ha evidencias, pelo teste de razao de verossimilhancas, que o modelo com preditor
linear 𝑀3.3 se ajusta melhor ao conjunto de dados, a 5% de significancia (Tabela 3.22). A
Tabela 3.23 mostra os logitos e probabilidades acumuladas para os 11 dias (𝛼𝑖) e os logitos
79
Tabela 3.23 – Logitos e probabilidades para os interceptos, para aos dados de mortalidade de P. nigrispi-nus ao longo de 11 dias, utilizando o modelo de regressao multinomial logıstica de chancesproporcionais
𝑗 Logito acumuladoProbabilidade de morrer, dadoque estava vivo no dia anterior
1 -3,3112 0,03522 -1,6912 0,15563 -0,8031 0,30944 -0,2943 0,42695 -0,2174 0,44596 0,0020 0,50057 0,1106 0,52768 0,2935 0,57289 0,7114 0,670710 0,7203 0,672711 0,7203 0,6727
Dia
Mor
talid
ade
acum
ulad
a
0.00.20.40.60.81.0
2 4 6 8 10
● ●
● ● ● ● ● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
I5
●
●
●
● ● ● ● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
II5
2 4 6 8 10
●
● ●
● ● ●
● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
III5
● ●
●
● ● ● ● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
IV5
● ● ● ● ● ● ● ●
● ● ●● ●
●● ● ● ● ●
● ● ●
I15
● ● ●
● ● ●● ● ● ● ●
● ● ● ● ● ● ● ●● ● ●
II15
●● ●
● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ●● ● ●
III15
0.00.20.40.60.81.0
● ● ●
● ● ●
● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
IV15
0.00.20.40.60.81.0
● ●●
●● ● ● ●
● ● ●
●●
●● ● ● ● ●
● ● ●
I25
● ●●
● ● ● ● ●
● ● ●
● ●●
● ● ● ● ●● ● ●
II25
●
●●
● ● ● ●● ● ● ●
●●
●● ● ● ● ●
● ● ●
III25
● ●
● ● ● ● ● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
IV25
●●
●●
●● ● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
I35
●● ●
● ● ● ● ●● ● ●
●●
●● ● ● ● ●
● ● ●
II35
●● ●
● ● ● ●● ● ● ●
●●
●● ● ● ● ●
● ● ●
III35
0.00.20.40.60.81.0
●●
● ● ● ● ● ●● ● ●
●●
●● ● ● ● ●
● ● ●
IV35
0.00.20.40.60.81.0
●
●● ● ●
● ●● ● ● ●
●●
●● ● ● ● ●
● ● ●
I45
2 4 6 8 10
● ● ●● ●
● ● ●
● ● ●
●●
●● ● ● ● ●
● ● ●
II45
●
● ●● ● ● ● ●
● ● ●
●●
●● ● ● ● ●
● ● ●
III45
2 4 6 8 10
●●
● ● ●● ● ● ● ● ●
●●
●● ● ● ● ●
● ● ●
IV45
Observado ● Predito ●
Figura 3.15 – Graficos das mortalidades acumuladas de P. nigrispinus observadas e preditas ao longo dosdias, para cada bloco (I, II, III e IV) e cada densidade (5, 15, 25, 35 e 45), utilizando o modelode regressao logıstica multinomial de chances proporcionais
e probabilidades para os blocos e densidades. E importante ressaltar que a probabilidade
acumulada de um inseto morrer em 12 ou mais dias, dado que nao morreu ate o 11∘ dia, e
1. As Figuras 3.15 e 3.16 mostram os valores preditos para cada parcela e marginalmente
para cada densidade, respectivamente.
Ajustando os modelos de regressao multinomial logıstica de chances propor-
80
Dia
Mor
talid
ade
acum
ulad
a m
édia
0.0
0.2
0.4
0.6
0.8
2 4 6 8 10
●
●
●
● ● ●
● ● ● ● ●
●
●
●
● ●
●●
●
● ● ●
5
●
● ●
● ● ●
●●
● ● ●
●
●
●
● ●●
●●
● ● ●
15
2 4 6 8 10
●
●
●
●● ● ●
●
● ● ●
●
●
●
● ●
●●
●
● ● ●
25
●
●
●
●●
●●
●
● ● ●
●
●
●
● ●
●●
●
● ● ●
35
2 4 6 8 10
0.0
0.2
0.4
0.6
0.8
●
●
●
● ●
● ●
●
● ● ●
●
●
●
● ●
●●
●
● ● ●
45
Observado ● Predito ●
Figura 3.16 – Graficos das medias marginais das mortalidades acumuladas de P. nigrispinus observadas epreditas ao longo dos dias, para cada densidade (5, 15, 25, 35 e 45), utilizando o modelo deregressao logıstica multinomial de chances proporcionais
Tabela 3.24 – Teste 𝐹 para os modelos ajustados aos dados de mortalidade de E. annulipes ao longo de 19dias, utilizando o modelo de analise de sobrevivencia em tempo discreto
Fonte de variacao g.l. Deviance F 𝑝𝑀2.3 −𝑀2.1 18 41,939 1,4582 0,1044𝑀2.4 −𝑀2.3 57 147,105 1,6152 0,0062*𝑀2.3 −𝑀2.2 15 34,696 1,4476 0,1247𝑀2.4 −𝑀2.3 57 147,105 1,6152 0,0062*
cionais, ha evidencias, pelo teste de razao de verossimilhancas, que o ajuste do modelo com
preditor linear 𝑀3.2 nao difere do modelo com preditor linear 3.3, a 5% de significancia (Ta-
bela 3.22). Porem, a estatıstica de razao de verossimilhancas e marginalmente significativa
(0,0530) e, portanto, optou-se por utilizar o modelo com preditor linear 𝑀3.3 para analisar
o conjunto de dados. A Tabela 3.27 mostra os logitos e probabilidades acumuladas para os
19 dias (𝛼𝑖) e os logitos e probabilidades para os blocos e densidades. Os valores preditos
pelo modelo sao uma boa aproximacao dos valores observados (Figuras 3.21 e 3.22).
Tabela 3.25 – Graus de liberdade estimados para os splines cubicos utilizados para suavizar as taxas demortalidade de E. annulipes ao longo do tempo
Densidade Graus de liberdade estimados5 1,00015 1,63025 5,13035 7,54645 8,119
81
Dia
Mor
talid
ade
acum
ulad
a
0.00.20.40.60.81.0
5 10 15
●●●●●●●●
●
●●
●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I5
●●●●●
●
●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II5
5 10 15
●●
●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●
III5
●●
●
●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
IV5
●●●●●●●●
●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●
I15
●●●●●
●●●
●●●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●
II15
●●
●●●●●●●●●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●
III15
0.00.20.40.60.81.0
●●
●●●●●●●●●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●
IV15
0.00.20.40.60.81.0
●●●●●●●
●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I25
●●●●●
●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
II25
●●
●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
III25
●●
●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
IV25
●●●●●●●
●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●
I35
●●●●●●●
●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●
II35
●●
●●●●
●●●●●●●●●●●●●
●●
●●●●
●●●●●●●●●●●●●
III35
0.00.20.40.60.81.0
●●
●●●
●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●
IV35
0.00.20.40.60.81.0
●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I45
5 10 15
●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II45
●●●●●●
●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
III45
5 10 15
●
●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
IV45
Observado ● Predito ●
Figura 3.17 – Graficos das mortalidades acumuladas de E. annulipes observadas e preditas ao longo dosdias, para cada bloco (I, II, III e IV) e cada densidade (5, 15, 25, 35 e 45), utilizando omodelo de analise de sobrevivencia em tempo discreto
Dia
Mor
talid
ade
acum
ulad
a m
édia
0.0
0.2
0.4
0.6
0.8
5 10 15
● ●
●
● ●
●
● ●
●
●
●
● ● ● ●
● ● ● ●
● ●
●
● ●
●
● ●
●
●●
● ● ● ●● ● ● ●
5
●●
● ● ●
● ● ●
● ● ● ●
● ● ● ● ● ● ●
●●
● ● ●
● ● ●
● ● ● ●
● ● ● ● ● ● ●
15
5 10 15
●
●
● ●●
● ●
●●
● ●
● ● ● ●● ● ● ●
●
●
● ●●
● ●
●●
● ●
● ● ● ● ● ● ● ●
25
● ●
●
● ●
●
●
●● ● ● ●
●● ●
● ●● ●
● ●
●
● ●
●
●
●● ● ● ●
●● ●
● ●● ●
35
5 10 15
0.0
0.2
0.4
0.6
0.8
●
●
● ● ● ●
●●
●
● ●
●●
● ● ●● ● ●
●
●
● ● ● ●
●●
●
● ●
●●
● ● ●● ● ●
45
Observado ● Predito ●
Figura 3.18 – Graficos das medias marginais das mortalidades acumuladas de E. annulipes observadas epreditas ao longo dos dias, para cada densidade (5, 15, 25, 35 e 45), utilizando o modelo deanalise de sobrevivencia em tempo discreto
3.5 Discussao
Os resultados do experimento 1 mostram evidencias de competicao por inter-
ferencia forte por parte da femea de E. annulipes. O fato de a femea E. annulipes atacar
82
Dia
Mor
talid
ade
acum
ulad
a
0.00.20.40.60.8
5 10 15
●●●●●●●●
●
●●
●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I5
●●●●●
●
●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II5
5 10 15
●●
●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●
III5
●●
●
●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
IV5
●●●●●●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I15
●●●●●
●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II15
●●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
III15
0.00.20.40.60.8
●●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
IV15
0.00.20.40.60.8
●●●●●●●
●●
●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
I25
●●●●●
●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
II25
●●
●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
III25
●●
●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
IV25
●●●●●●●
●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●
I35
●●●●●●●
●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●
II35
●●
●●●●
●●●●●●●●●●●●●
●●●
●●●●
●●●●●●●●●●●●
III35
0.00.20.40.60.8
●●
●●●
●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●
IV35
0.00.20.40.60.8
●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I45
5 10 15
●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II45
●●●●●●
●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
III45
5 10 15
●
●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
IV45
Observado ● Predito ●
Figura 3.19 – Graficos das mortalidades acumuladas de E. annulipes observadas e preditas ao longo dosdias, para cada bloco (I, II, III e IV) e cada densidade (5, 15, 25, 35 e 45), utilizando omodelo aditivo generalizado com funcao suavizadora no preditor linear
Dia
Mor
talid
ade
acum
ulad
a m
édia
0.0
0.2
0.4
0.6
0.8
5 10 15
● ●
●
● ●
●
● ●
●
●
●
● ● ● ●
● ● ● ●
●●
●●
●●
●●
●●
●●
●● ● ● ● ● ●
5
●●
● ● ●
● ● ●
● ● ● ●
● ● ● ● ● ● ●
●
●
●
●●
●●
●●
●● ● ● ● ● ● ● ● ●
15
5 10 15
●
●
● ●●
● ●
●●
● ●
● ● ● ●● ● ● ●
●
●
●
●●
●●
●●
●●
● ● ● ● ● ● ● ●
25
● ●
●
● ●
●
●
●● ● ● ●
●● ●
● ●● ●
●
●
●
●●
●
●
●● ● ● ●
●● ● ● ● ● ●
35
5 10 15
0.0
0.2
0.4
0.6
0.8
●
●
● ● ● ●
●●
●
● ●
●●
● ● ●● ● ●
●
●
●● ● ●
●
●
●●
●●
● ● ● ●● ● ●
45
Observado ● Predito ●
Figura 3.20 – Graficos das medias marginais das mortalidades acumuladas de E. annulipes observadas epreditas ao longo dos dias, para cada densidade (5, 15, 25, 35 e 45), utilizando o modeloaditivo generalizado com funcao suavizadora no preditor linear
P. nigrispinus e atacar primeiramente a presa esta amplamente relacionado com o consumo
efetivo da presa, ou seja, vencer a competicao com P. nigrispinus (Tabela 3.8). Para E.
annulipes macho, essa relacao e invertida, pois quando nao ataca P. nigrispinus, vence mais
83
Tabela 3.26 – Teste de razao de verossimilhancas para os modelos ajustados aos dados de mortalidade deE. annulipes ao longo de 19 dias, utilizando o modelo de regressao multinomial logıstica dechances proporcionais
Preditor linear g.l. 𝜒2 𝑝𝑀3.2 −𝑀3.1 3 20,7257 0,0001*𝑀3.3 −𝑀3.2 4 9,3443 0,0530
Tabela 3.27 – Logitos e probabilidades para os interceptos, para aos dados de mortalidade de E. annuli-pes ao longo de 11 dias, utilizando o modelo de regressao multinomial logıstica de chancesproporcionais
𝑗 Logito acumuladoProbabilidade de morrer, dadoque estava vivo no dia anterior
1 -4,4043 0,01212 -3,5499 0,02793 -2,3679 0,08574 -2,2302 0,09715 -2,1945 0,10026 -1,9276 0,12707 -1,6425 0,16218 -1,4512 0,18989 -1,2007 0,231310 -1,0489 0,259411 -1,0241 0,264212 -0,8612 0,297113 -0,7727 0,315914 -0,7083 0,330015 -0,7003 0,331816 -0,6438 0,344417 -0,5951 0,355518 -0,5542 0,364919 -0,5542 0,3649
do que quando ataca (Tabela 3.7). Isso acontece porque quando o macho de E. annulipes
ataca, isso pode ser, na verdade, reflexo de um ataque de P. nigrispinus. Foi observado,
nos experimentos, que a tesourinha macho mais se defende do que inicia conflito. Adicio-
nalmente, o fato de P. nigrispinus atacar ou nao E. annulipes nao tem relacao alguma com
qual competidor ataca primeiro a presa (Figura 3.5).
Os resultados do experimento 2 confirmam a agressividade maior por parte
da femea de E. annulipes. Tanto a tesourinha femea, quanto a femea de P. nigrispinus apre-
sentam maior probabilidade de atacar no proximo instante, dado que nao tenham atacado
(Tabela 3.10). Pode ser que isso seja devido ao fato de a femea, em estagio reprodutivo,
apresentar maior necessidade de recursos. Um resultado interessante e a clara dominancia
competitiva de E. annulipes. Em relacao a qual competidor ataca primeiro a presa, a chance
da tesourinha femea atacar primeiro e 8,2 vezes a chance do macho atacar primeiro (Tabela
84
Dia
Mor
talid
ade
acum
ulad
a
0.00.20.40.60.8
5 10 15
●●●●●●●●
●
●●
●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I5
●●●●●
●
●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II5
5 10 15
●●
●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●
III5
●●
●
●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
IV5
●●●●●●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I15
●●●●●
●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II15
●●
●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
III15
0.00.20.40.60.8
●●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
IV15
0.00.20.40.60.8
●●●●●●●
●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I25
●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II25
●●
●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
III25
●●
●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
IV25
●●●●●●●
●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I35
●●●●●●●
●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II35
●●
●●●●
●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
III35
0.00.20.40.60.8
●●
●●●
●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●
IV35
0.00.20.40.60.8
●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
I45
5 10 15
●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
II45
●●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
III45
5 10 15
●
●
●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
IV45
Observado ● Predito ●
Figura 3.21 – Graficos das mortalidades acumuladas de E. annulipes observadas e preditas ao longo dosdias, para cada bloco (I, II, III e IV) e cada densidade (5, 15, 25, 35 e 45), utilizando omodelo de regressao logıstica multinomial de chances proporcionais
3.12).
O comportamento de E. annulipes macho, nesse experimento, foi o de apenas
se defender, tanto que iniciou menos conflitos do que o macho de P. nigrispinus (Tabela
3.16). A chance da femea de E. annulipes iniciar o conflito e 5,4 vezes a chance do macho
iniciar conflito. Notou-se que o macho de P. nigrispinus, ao atacar E. annulipes, desistia
rapidamente da predacao quando a tesourinha se defendia, utilizando seus cercos. Como
consequencia de ser afugentado dessa maneira, tem-se que o macho de E. annulipes teve
maior sucesso em atacar primeiro a presa. Ja a tesourinha femea nao atacava simplesmente
para se defender, explicando a superioridade absoluta em primeiros ataques a presa. Za-
nuncio et al. (2008) realizaram um experimento em que ofereciam larvas de S. frugiperda
imobilizadas (sem capacidade de se defenderem) e livres para P. nigrispinus e notaram que
o percevejo consumia mais presas quando estavam imobilizadas, refletindo seu comporta-
mento de fuga, quando ameacado. Poucos vezes o percevejo teve sucesso nos ataques, sendo
que, nesses poucos casos, o percevejo inseriu o aparelho bucal no espaco entre os segmentos
abdominais de tesourinhas femeas que estavam maiores devido a estarem no perıodo pre-
oviposicao (Figura 3.10(b)). Nesses casos, a tesourinha femea nao conseguia afugentar P.
nigrispinus com os cercos e acabava por arrastar o competidor ate que o mesmo se soltasse.
Euborellia annulipes exibe cuidado maternal, despendendo bastante energia
com o processo reprodutivo. As femeas, no caso, permanecem sobre os ovos, protegendo,
85
Dia
Mor
talid
ade
acum
ulad
a m
édia
0.0
0.2
0.4
0.6
0.8
5 10 15
● ●
●
● ●
●
● ●
●
●
●
● ● ● ●
● ● ● ●
●●
● ● ●●
●●
●● ●
●● ● ● ● ● ● ●
5
●●
● ● ●
● ● ●
● ● ● ●
● ● ● ● ● ● ●
●●
●● ●
●
●●
●● ●
●● ● ● ● ● ● ●
15
5 10 15
●
●
● ●●
● ●
●●
● ●
● ● ● ●● ● ● ●
●
●
●● ●
●
●●
●● ●
●● ● ● ● ● ● ●
25
● ●
●
● ●
●
●
●● ● ● ●
●● ●
● ●● ●
●
●
●● ●
●
●●
●● ●
●● ● ● ● ● ● ●
35
5 10 15
0.0
0.2
0.4
0.6
0.8
●
●
● ● ● ●
●●
●
● ●
●●
● ● ●● ● ●
●●
●● ●
●
●●
●● ●
●● ● ● ● ● ● ●
45
Observado ● Predito ●
Figura 3.22 – Graficos das medias marginais das mortalidades acumuladas de E. annulipes observadas epreditas ao longo dos dias, para cada densidade (5, 15, 25, 35 e 45), utilizando o modelo deregressao logıstica multinomial de chances proporcionais
limpando e agregando-os quando sao separados. Sao agressivas, inclusive, com o macho.
Esse cuidado maternal persiste por cerca de 15 dias, terminando quando a prole esta no
segundo ınstar (RANKIN et al., 1995). Klostermeyer (1942) fez uma documentacao ini-
cial sobre a especie e descreveu ocasioes nas quais a tesourinha femea, ao ser perturbada
excessivamente, optou por comer os proprios ovos, por vezes destruindo toda a postura.
Nesse caso, a tesourinha parece optar por reobter parte da energia gasta na oviposicao para
fazer a postura em um ambiente onde a probabilidade de os descendentes chegarem a idade
adulta e maior. Nos experimentos 1 e 2, as femeas de E. annulipes apresentaram agressivi-
dade de maneira geral, nao apenas as que estavam em perıodo pre-oviposicao. Isso parece
ser um aspecto comportamental importante na especie, que possibilita um maior fitness da
prole. Uma explicacao plausıvel para a agressividade das femeas e pressao de selecao para
femeas agressivas, supondo que a agressividade e uma caracterıstica hereditaria (SINN;
APIOLAZA; MOLTSCHANIWSKYJ, 2006). Isto posto, a prole de femeas agressivas tem
maior fitness e, por consequencia, as femeas dessa prole herdarao a agressividade da mae
(SINN; WHILE; WAPSTRA, 2008).
Em relacao ao competidor que consumiu efetivamente mais presas, ou o ven-
cedor da competicao, foi observado que os machos de E. annulipes tem maior propensao de
vencer em densidades maiores de presas. Isso pode ser devido a uma maior taxa de procura
de presas. A chance da tesourinha macho vencer na densidade com uma presa e duas vezes
a chance de vencer na densidade com tres presas, enquanto que a chance da tesourinha
femea vencer na densidade com uma presa e 2,5 vezes a chance de vencer na densidade
com tres presas (Tabela 3.14). Adicionalmente, as femeas de E. annulipes atacaram mais o
seu competidor do que os machos, nao importando a densidade de presas (Tabela 3.19), ou
86
seja, sua agressividade se da, incondicionalmente, a ataques feitos pelo seu competidor ou
disponibilidade de presas. Observou-se predacao intraguilda apenas por parte das femeas
de E. annulipes, em 11% das unidades experimentais que consistiam de femeas.
A partir dos resultados do experimento 3, observa-se, primeiramente, que os
indivıduos de E. annulipes demoram muito mais tempo para se desenvolverem do que P.
nigrispinus, o que ja e descrito na literatura em diversos estudos que pesquisaram a biologia
desses insetos sob diferentes dietas (LEMOS; RAMALHO; ZANUNCIO, 2003; OLIVEIRA
et al., 2004). Ao analisar a mortalidade ao final do experimento, observa-se que, com o
aumento da densidade, a sobrevivencia diminui linearmente em P. nigrispinus (Figura ??).
De maneira imprevisıvel, a princıpio, para E. annulipes, a sobrevivencia diminui conforme a
densidade aumenta e torna a aumentar na densidade 45 (Figura ??). Isso pode ser atribuido
a fatores regidos por efeito de Allee (COURCHAMP; BEREC; GASCOIGNE, 2008), isto e,
uma maior densidade de E. annulipes pode aumentar o fitness individual ate certo ponto.
Em um estudo com moscas varejeiras, Serra, Costa e Godoy (2011) observaram que em
Chrysomya megacephala e em C. putoria (Diptera: Calliphoridae), conforme a densidade
larval aumentava, a sobrevivencia diminui e torna a aumentar em densidades de 2000 e
1800 indivıduos, respectivamente, tornando a diminuir em densidades maiores. Isso foi
explicado pelo fato de essas moscas, na fase larval, necessitarem de um mınimo de enzimas
proteolıticas que somente sao obtidas em densidades larvais mais altas e tambem pelo fato
de serem necrofagas. Ja neste estudo, ha, provavelmente, necessidade do experimento ser
repetido para confirmar o comportamento da sobrevivencia em densidades mais altas.
A mortalidade da tesourinha nos ınstares iniciais, sob escassez de recurso, e
menor do que em P. nigrispinus (Tabelas 3.27 e 3.23). Pode-se pensar, num contexto de
ecologia de populacoes, que as estrategias reprodutivas de E. annulipes e P. nigrispinus se
aproximariam de uma estrategia 𝐾 e 𝑟, respectivamente. A tesourinha apresenta cuidado
maternal por parte da femea e taxas de sobrevivencia muito maiores do que o percevejo.
Como as duas especies de predadores estudadas apresentam canibalismo, pode-se inferir que
a competicao intraespecıfica e forte. Quando essa competicao e mais forte do que a com-
peticao interespecıfica, pode haver coexistencia entre duas especies que exploram parte do
mesmo nicho (AMARASEKARE, 2003). Em um contexto de predacao intraguilda (PIG),
ha duas formas de promover a coexistencia entre o predador intraguilda (predador IG) e
a presa intraguilda (presa IG). A primeira forma envolve mecanismos que permitem que
a presa IG escape do predador IG no tempo ou espaco e a segunda forma envolve proces-
sos dependentes da densidade que intensificam a competicao intraespecıfica, em relacao a
interespecıfica (AMARASEKARE, 2003).
No caso de E. annulipes e P. nigrispinus, e possıvel dizer que, em um mesmo
agroecossistema, P. nigrispinus encontra refugio espacial e temporal de E. annulipes, ja que
seus nichos sao sobrepostos, em termos de espaco (altura da planta onde procuram presas) e
a tesourinha tem habitos noturnos, diferentemente do percevejo. A heterogeneidade espacial
87
vertical do agroecossistema pode promover a coexistencia entre esses dois competidores
(AMARASEKARE, 2008). Pensando na segunda forma de promover coexistencia, um
mecanismo importante e a interferencia intraespecıcia, que ocorre principalmente por meio
do canibalismo em estagios juvenis, quando se tratam de predadores (ARIM; MARQUET,
2004). Isso e fato observado para esses dois competidores e pode promover a coexistencia das
duas especies em um agroecossistema. Segundo o modelo proposto por Holt e Polis (1997),
a coexistencia entre a presa IG e o predador IG requer que a presa IG seja superior em
explorar recursos compartilhados. Isso nao pode ser observado no sistema estudado, ja que
as duas especies foram colocadas em uma arena pequena, porem, em um agroecossistema,
isso e possıvel, dada a diferenciacao de nichos dos competidores. Chesson (1991) afirma que
a coexistencia entre duas especies face a competicao, geralmente, envolve particao de nicho
ou de recursos.
3.6 Conclusoes
As analises dos dados obtidos nos experimentos permitiram concluir que:
- as femeas de E. annulipes sao mais agressivas que os machos e os especimes de P.
nigrispinus;
- essa agressividade nao esta, necessariamente, relacionada a cuidado maternal ou defesa
e, provavelmente, trata-se de um carater hereditario que aumenta o fitness da prole,
sendo essa especie de tesourinha, provavelmente, uma estrategista K;
- Euborellia annulipes tem vantagem competitiva sobre P. nigrispinus, podendo, in-
clusive, atuar como predadora intraguilda. Entretanto, uma estrategia de controle
biologico que utilize as duas especies e plausıvel, dado que a coexistencia entre os dois
predadores em um agroecossistema e possıvel, devido ao refugio espacial e temporal
de P. nigrispinus em relacao a tesourinha e ao canibalismo que ocorre em estagios
ninfais, fortalecendo a competicao intraespecıfica.
Como proximo passo, modelos aditivos generalizados com outros tipos de
funcoes suavizadoras serao estudados para que melhores ajustes aos dados do experimento
3 sejam obtidos.
Referencias
AGRESTI, A. Categorical data analysis. Hoboken: John Wiley & Sons, 2002. 710 p.
AITKIN, M.; FRANCIS, B.; HINDE, J.; DARNELL, R. Statistical modelling in R.Oxford: Oxford University Press, 2009. 576 p.
AMARASEKARE, P. Competitive coexistence in spatially structured environments: asynthesis. Ecology Letters, Hoboken, v. 6, p. 1109–1122, 2003.
88
AMARASEKARE, P. Coexistence of intraguild predators and prey in resource-richenvironments. Ecology, Washington, v. 89, p. 2786–2797, 2008.
ARIM, M.; MARQUET, P. A. Intraguild predation: a widespread interaction related tospecies’ biology. Ecology Letters, Hoboken, v. 7, p. 557–564, 2004.
BHARADWAJ, R. K. Observation on the bionomics of Euborellia annulipes (Dermaptera:Labiduridae). Annals of the Entomological Society of America, Lanham, v. 59, p.441–450, 1966.
BRITO, C. H.; SILVEIRA, D. L.; BRANDAO, A. M.; GOMES, L. S.; LOPES, M. T. G.Reducao de area foliar em milho em regiao tropical no Brasil e os efeitos em caracteresagronomicos. Interciencia, Caracas, v.36, p. 291–295, 2011.
CAVALCANTI, M. G.; VILELA, E. F.; EIRAS, A. E.; ZANUNCIO, J. C.; PICANCO,M. C. Interacao tritrofica entre Podisus nigrispinus (Dallas) (Heteroptera: Pentatomidae),Eucalyptus e lagartas de Thyrinteina arnobia (Stoll) (Lepidoptera: Geometridae): IVisitacao. Anais da Sociedade Entomologica do Brasil, Londrina, v. 29, p. 697–703,2000.
CHESSON, P. L. A need for niches? Trends in Ecology & Evolution, Londres, v. 6, p.26–28, 1991.
CHESSON, P. Mechanisms of maintenance of species diversity. Annual Review ofEcology, Evolution and Systematics, Palo Alto, v. 31, p. 343–366, 2000.
COLOSIMO, E. A.; GIOLO, S. R. Analise de sobrevivencia aplicada. Sao Paulo:Edgard Blucher, 2006. 367 p.
COURCHAMP, F.; BEREC, J.; GASCOIGNE, J. Allee effects in ecology andconservation. Oxford: Oxford University Press, 2008. 256 p.
COX, D. R. Regression models and life tables (with discussion). Journal of the RoyalStatistical Society B, Hoboken, v. 34, p. 187–220, 1972.
DESNEUX, N.; RAMIREZ-ROMERO, R.; BOKONON-GANTA A. H.; BERNAL J. S..Attraction of the parasitoid Cotesia marginiventris to host (Spodoptera frugiperda) frass isaffected by transgenic maize. Ecotoxicology, Dordrecht, v. 19, p. 1183–1192, 2010.
GEIGER, F.; BENGTSSON, J.; BERENDSE, F.; WEISSER, W. W.; EMMERSON, M.;MORALES, M. B.; CERYNGIER, P.; LIIRA, J.; TSCHARNTKE, T.; WINQVIST, C.;EGGERS, S.; BOMMARCO, R.; PART, T.; BRETAGNOLLE, V.; PLANTEGENEST,M.; CLEMENT, L. W.; DENNIS, C.; PALMER, C.; ONATE, J. J.; GUERRERO, I.;HAWRO, V.; AAVIK, T.; THIES, C.; FLOHRE, A.; HANKE, S.; FISHCER, C.;GOEDHART, P. W.; INCHAUSTI, P. Persistent negative effects of pesticides onbiodiversity and biological control potential on European farmland. Basic and AppliedEcology, Jena, v. 11, p. 97–105, 2010.
GELMAN, A.; SU, Y. arm: Data Analysis Using Regression and Multilevel/HierarchicalModels. R package version 1.6-06.01. Disponıvel em:<http://CRAN.R-project.org/package=arm>, Acesso em: 10 nov. 2013.
89
GONZAGA, J. V.; RAMALHO, F. S.; SANTOS, J. W. Distribuicao do Aphis Gossypii noAlgodoeiro nos sistemas de plantio solteiro e consorciado. Pesquisa AgropecuariaBrasileira, Brasılia, v. 26, p. 1839–1844, 1991.
HASTIE, T.; TIBSHIRANI, R. Generalized additive models. Chapman & Hall, 1990.335 p.
HINDE, J.; DEMETRIO, C. G. B. Overdispersion: models and estimation.Computational Statistics & Data Analysis, Amsterdam, v. 27, p. 151–170, 1998.
HOLT, R. D.; POLIS, G. A. A theoretical framework for intraguild predation. AmericanNaturalist, Chicago, v. 149, p. 745-764, 1997.
JACKSON, C. flexsurv: Flexible parametric survival models. R package version 0.2.Disponıvel em <http://CRAN.R-project.org/package=flexsurv>, Acesso em: 10 nov.2013.
JØRGENSEN, B. Generalized linear models. In: EL-SHAARAWI, A. H.; PIEGORSCH,W. W. (Eds.). Encyclopedia of Environmetrics. Chichester: John Wiley, 2002. p.873–880.
KLOSTERMEYER, E. The life history and habits of the ringlegged earwig, Euborelliaannulipes (Lucus) (Order Dermaptera). Journal of the Kansas EntomologicalSociety, Lawrence, v. 15, p. 13–18, 1942.
KOGAN, M. Integrated pest management historical perspectives and contemporarydevelopments. Annual Review of Entomology, Palo Alto, v. 43, 243–270, 1998.
LEMOS, W. P.; RAMALHO, F. S.; ZANUNCIO, J. C. Age-dependent fecundity andlife-fertility tables for Euborellia annulipes (Lucas) (Dermaptera: Anisolabididae) a cottonboll weevil predator in laboratory studies with an artificial diet. EnvironmentalEntomology, Lanham, v. 32, p 592–601, 2003.
MCCULLAGH, P.; NELDER, J. A. Generalized linear models, Londres: Chapmanand Hall, 1989. 511 p.
NELDER, J. A.; WEDDERBURN, R. W. M. Generalized linear models. Journal of theRoyal Statistical Society A, Hoboken, v. 135, p. 370–384, 1972.
OLIVEIRA, H. N.; PRATISSOLI, D.; PEDRUZZI, E. P.; ESPINDULA, M. C.Desenvolvimento do predador Podisus nigrispinus alimentado com Spodoptera frugiperda eTenebrio molitor. Pesquisa Agropecuaria Brasileira, Brasılia, v. 39, p. 947–951, 2004.
OLIVEIRA, J. E. M.; TORRES, J. B.; CARRANO-MOREIRA, A. F.; RAMALHO, F. S.Biologia de Podisus nigrispinus predando lagartas de Alabama argillacea em campo.Pesquisa Agropecuaria Brasileira, Brasılia, v. 37, p. 7–14, 2002.
POLIS, G. A.; MYERS, C. A.; HOLD, R. D. The ecology and evolution of intraguildpredation: potential competitors that eat each other. Annual Review of Ecology andSystematics, Palo Alto, v. 20, p. 297–330, 1989.
90
R CORE TEAM. R: A Language and Environment for Statistical Computing. RFoundation for Statistical Computing, Vienna, Austria, Disponıvel em:<http://www.R-project.org>, Acesso em: 10 nov. 2013.
REDOAN, A. C.; CRUZ, I.; CARVALHO, G. A.; FIGUEIREDO, M. L. C.; SILVA, R. B.Seletividade de inseticidas registrados no controle de Spodoptera frugiperda em milho paraninfas de Doru luteipes e Euborellia annulipes. In: CONGRESSO NACIONAL DEMILHO E SORGO, 2010, Goiania. Anais... Goiania: ABMS, 2010. p. 226–228.
RANKIN, S. M.; STORM, S. K.; PIETO, D. L.; RISSER, A. L. Maternal behavior andclutch manipulation in the ring-legged earwig (Dermaptera: Carcinophoridae). Journalof Insect Behavior, Nova Iorque, v. 9, p. 85–103, 1995.
RISCH, S. J.; ANDOW, D.; ALTIERI, M. A. Agroecosystem diversity and pest control:data, tentative conclusions, and new research directions. Environmental Entomology,Lanham, v. 12, p. 625–629, 1983.
SERRA, H.; COSTA, M. I. S.; GODOY, W. A. C. Allee effect in exotic and introducedblowflies. Neotropical Entomology, Curitiba, v. 40, p. 519–528, 2011.
SINN, D. L.; APIOLAZA, L. A.; MOLTSCHANIWSKYJ, N. A. Heritability andfitness-related consequences of squid personality traits. Journal of EvolutionaryBiology, Hoboken, v. 19, p. 1437–1447, 2006.
SINN, D. L.; WHILE, G. M.; WAPSTRA, E. Maternal care in a social lizard: linksbetween female aggression and offspring fitness. Animal Behaviour, Londres, v. 76, p.1249–1257, 2008.
THERNEAU, T. A package for survival analysis in S. R package version 2.37-4. Disponıvelem <http://CRAN.R-project.org/package=survival>, Acesso em: 10 nov. 2013.
WOOD, S. N. Generalized additive models: an introduction with R. Boca Raton:Chapman and Hall, 2006. 384 p.
ZANUNCIO, J. C.; SILVA, C. A. D.; LIMA, E. R.; PEREIRA, F. F.; RAMALHO, F. S.;SERRAO, J. E. Predation rate of Spodoptera frugiperda (Lepidoptera: Noctuidae) larvaewith and without defense by Podisus nigrispinus (Heteroptera: Pentatomidae). BrazilianArchives of Biology and Technology, Curitiba, v. 51, p. 121–125, 2008.
91
4 PARASITISMO AFETA A ESCOLHA DE PREDADORES EM AGROE-
COSSISTEMAS
Resumo
A tesourinha Euborellia annulipes (Dermaptera: Anisolabididae) e o perce-
vejo Podisus nigrispinus (Hemiptera: Pentatomidae) sao potenciais agentes de controle
biologico de Spodoptera frugiperda (Lepidoptera: Noctuidae), praga importante do milho
e do algodao. A vespa parasitoide Campoletis flavicincta (Hymenoptera: Ichneumonidae)
e tambem um importante inimigo natural dessa especie, uma vez que utiliza larvas de S
frugiperda como substrato de oviposicao e a praga, quando parasitada, exibe crescimento
desacelerado, consumindo menos recursos e morrendo, quando o parasitoide termina seu
ciclo. O objetivo deste trabalho foi estudar um sistema no qual foi oferecida uma escolha
entre larvas de S. frugiperda nao parasitadas e larvas que foram previamente parasitadas
por C. flavicincta aos predadores E. annulipes e P. nigrispinus. Cada predador foi colocado
em uma placa de Petri com duas larvas (uma de cada tipo). O sistema foi observado por
uma hora e foi registrado qual presa o predador atacou primeiro, qual presa foi consumida
efetivamente (uma vez que o predador, por vezes, ataca uma presa e opta por interromper
o consumo) e quanto tempo levou ate que o predador fizesse o primeiro ataque. Os resul-
tados mostram que os predadores sao capazes de distinguir presas parasitadadas das nao
parasitadas. Tambem existem evidencias de que especimes femeas das duas especies sao
menos seletivas em suas escolhas do que os machos, que tendem a evitar larvas parasitadas.
Palavras-chave: Preferencia de predadores; Controle biologico; Campoletis flavicincta; Po-
disus nigrispinus; Euborellia annulipes; Spodoptera frugiperda
Abstract
The ring-legged earwig, Euborellia annulipes (Dermaptera: Anisolabididae),
and the Neotropical stink bug Podisus nigrispinus (Hemiptera: Pentatomidae) are potential
biological control agents of the fall armyworm, Spodoptera frugiperda (Lepidoptera: Noc-
tuidae), important pest of maize and cotton. The parasitoid wasp Campoletis flavicincta
(Hymenoptera: Ichneumonidae) is also an important natural enemy of this pest, as it uses
S. frugiperda larvae as oviposition substrate and the pest, when parasitised, exhibits decele-
rated growth, consuming less resource and dying when the parasitoid finishes its cycle. The
purpose of this research was to study a system in which the predators E. annulipes and P.
nigrispinus were offered a choice between non-parasitised S. frugiperda larvae, and larvae
that were previously parasitised by C. flavicincta. Each predator was placed in a Petri
92
dish with two larvae (one of each type). The system was observed for one hour and it was
recorded which prey the predator attacked first, which prey the predator effectively consu-
med (as sometimes the predator attacks a prey and then opts to interrupt consumption),
and how long it took for the predator to attempt its first attack. Results show that the
predators are able to distinguish parasitised prey from non-parasitised prey. There is also
evidence that female individuals of both predator species are less selective in their choice
than males, which avoid parasitised larvae.
Keywords: Predator preference; Biological control; Campoletis flavicincta; Podisus nigris-
pinus; Euborellia annulipes; Spodoptera frugiperda
4.1 Introducao
Vespas parasitoides sao especies que utilizam larvas ou ovos de diferentes
insetos como substrato de oviposicao, sendo que, ao fim do ciclo de crescimento, matam
o hospedeiro (QUICKE, 1997). Os parasitoides, assim como os predadores, podem ser
generalistas ou especialistas. Essas especies sao muito importantes num contexto de controle
biologico, ja que podem atuar de maneira a diminuir as populacoes das pragas de interesse
agronomico (GREATHEAD, 1986). O manejo integrado de pragas (MIP) envolve uma serie
de avaliacoes, tomadas de decisao, programas de monitoramento e aplicacao de metodos
de controle, incluindo liberacao de parasitoides ou outros tipos de inimigos naturais dos
insetos-praga (KOGAN, 1998).
Dentre as diversas pragas que afetam agroecossistemas brasileiros, a larva de
Spodoptera frugiperda Smith (Lepidoptera: Noctuidae) representa uma das mais importan-
tes pragas de gramıneas cultivadas, como milho e algodao (CRUZ et al., 1997; DESNEUX
et al., 2010). Essa especie pode reduzir, acentuadamente, o rendimento da cultura (DE-
QUECH; SILVA; FIUZA, 2005). Diferentes especies de parasitoides utilizam ovos ou larvas
de S. frugiperda como substrato de oviposicao, dependendo do local (LI, 1994; PRATISSOLI
et al., 2002). Um parasitoide de larvas S. frugiperda que demonstra grande potencial em con-
trolar a praga e Campoletis flavicincta Ashmead (Hymenoptera: Ichneumonidae) (CRUZ;
FIGUEIREDO; MATOSO, 1999; MATOS NETO et al., 2004). Os predadores Podisus ni-
grispinus (Dallas) (Hemiptera: Pentatomidae) e Euborellia annulipes Lucas (Dermaptera:
Anisolabididae), tambem, sao inimigos naturais de S. frugiperda, podendo ser encontrados
nas lavouras de milho, assim como C. flavicincta. Esses predadores sao promissores no
controle de S. frugiperda (OLIVEIRA et al., 2002; REDOAN et al., 2010).
Podisus nigrispinus, por ser um inseto sugador, alimenta-se inserindo o apa-
relho bucal na larva e sugando sua hemolinfa. Ja E. annulipes apresenta aparelho bucal
mastigador, sendo que utiliza seus cercos para capturar a presa e segura-la enquanto a con-
93
some. Um aspecto interessante desses predadores num contexto de controle biologico e que,
mesmo quando nao consomem completamente a presa, causam danos (ao inserir o aparelho
bucal sugador ou ao prender a presa com os cercos) que podem desacelerar o consumo foliar
e ate mesmo levar as larvas a morte. Analogamente, C. flavicincta, ao ovipositar em uma
larva de S. frugiperda, faz com que o seu desenvolvimento seja desacelerado, levando a larva
a morte antes que ela pupe (MATOS NETO et al., 2004).
O controle de pragas, utilizando liberacao de inimigos naturais, pode ser feito
com uma ou mais especies. Ao utilizar mais de uma especie, e importante realizar estudos
previos em relacao ao comportamento de consumo ou parasitismo da praga, para predadores
e parasitoides, respectivamente. Alem disso, estudos contemplando as relacoes ecologicas
entre os inimigos naturais devem ser feitos, pois se tiverem nichos sobrepostos, pode ser
que venham a competir por recursos. Ao liberar predadores em conjunto com parasitoides,
em uma estrategia otima de MIP, os predadores teriam preferencia alimentar de ovos ou
larvas nao parasitadas, ou seja, o controle da praga seria feito, de forma complementar,
pelos inimigos naturais liberados. Neste trabalho, objetivou-se estudar um sistema no qual
uma escolha entre larvas de S. frugiperda parasitadas, ou nao, por C. flavicincta e oferecida
aos predadores P. nigrispinus e E. annulipes.
4.2 Material
4.2.1 Obtencao e criacao dos insetos
Os especimes de P. nigrispinus foram obtidos a partir de ovos vindos da
EMBRAPA algodao (Campina Grande-PB) para o Laboratorio de Ecologia de Insetos do
Departamento de Entomologia e Acarologia da ESALQ-USP. Os ovos foram mantidos em
placas de Petri, sobre algodao umedecido ate eclosao. Os indivıduos imaturos de primeiro
e segundo ınstar foram mantidos nessas mesmas placas de Petri, recebendo agua destilada.
A partir do terceiro ınstar, as ninfas foram agrupadas em recipientes plasticos de 350 ml
(cerca de 20 indivıduos por recipiente) com tubos de vidro vedados com algodao, acoplados
a tampa, para fornecimento de agua, sendo alimentadas com larvas de S. frugiperda. Ao
atingirem a idade adulta, os casais foram individualizados nos recipientes mencionados. As
larvas de S. frugiperda foram obtidas do Laboratorio de Biologia de Insetos da ESALQ-USP
e da EMBRAPA algodao (Campina Grande-PB) e foram mantidas em camaras tipo BOD
a 25∘C, 70% UR e fotofase 12h.
Os indivıduos de E. annulipes foram obtidos a partir de ovos da criacao man-
tida na UFPB, campus de Areia-PB. Os ovos sao mantidos em placas de Petri com papel
higienico umedecido. A partir da eclosao, as ninfas foram mantidas na mesma placa ate a
idade adulta, recebendo como recurso alimentar, uma dieta que consiste em 50% de farinha
de milho, 25% de leite em po e 25% de farinha de pupa de bicho-da-seda, oferecida em co-
medouros plasticos e substituıdas a cada dois dias. Os adultos foram, entao, separados em
94
recipientes plasticos de 350 ml, com tres casais cada, sendo a agua oferecida umedecendo-
se papel higienico, que era colocado nos recipientes (Figura 4.1). Os recipientes foram
mantidos em camaras tipo BOD a 26∘C, 70% UR e fotofase 10h.
Figura 4.1 – Recipientes utilizados nas criacoes de (a) P. nigrispinus e (b) E. annulipes
Os adultos de C. flavicincta foram obtidos do Laboratorio de Resistencia
de Artropodes a Taticas de Controle, do Departamento de Entomologia e Acarologia da
ESALQ-USP. As larvas parasitadas e nao parasitadas foram individualizadas em pequenos
recipientes plasticos (3 x 2 x 2 cm) 24 horas antes da utilizacao no experimento. O conjunto
de dados obtidos esta apresentado na Tabela 6.5, no Anexo B.
4.2.2 Experimento conduzido
Experimento 4: Testes de escolha entre larvas de S. frugiperda parasitadas e
nao parasitadas por C. flavicincta
Para esse experimento, foram individualizados em placas de petri 1 preda-
dor de E. annulipes ou P. nigrispinus com duas larvas de S. frugiperda de terceiro ınstar,
sendo uma delas parasitada previamente por C. flavicincta. O experimento foi conduzido
no delineamento casualizado em blocos com 50 repeticoes e 4 tratamentos no esquema fa-
torial 2x2 (sexo e especie): machos de E. annulipes, femeas de E. annulipes, machos de
P. nigrispinus e femeas de P. nigrispinus (Figura 4.2). Cada placa foi observada por 1
hora, registrando-se i) quanto tempo o predador levou para fazer o primeiro ataque, ii) qual
presa foi escolhida no primeiro ataque, iii) qual presa foi efetivamente consumida (as vezes
o predador optava por interromper o consumo de uma presa em detrimento de outra) e
iv) se no final de uma hora de observacao, as duas presas foram consumidas efetivamente,
conforme esquematizado na Figura 4.3. Na Tabela 4.1, tem-se um resumo das variaveis do
experimento 4.
95
Figura 4.2 – Esquema dos tratamentos do experimento 4: duas larvas de S. frugiperda, sendo uma naoparasitada e a outra parasitada por C. flavicincta com (a) um macho de P. nigrispinus, (b)um macho de E. annulipes, (c) uma femea de P. nigrispinus e (d) uma femea de E. annulipes
Figura 4.3 – Estagios das variaveis respostas observadas no experimento 4: (a) primeira presa a ser atacadae (b) presa a ser consumida efetivamente
4.3 Metodos
As variaveis respostas observadas nos experimentos sao de natureza distinta,
levando ao uso de diferentes modelos para sua analise. Toda a analise foi feita no software
gratuito R (R CORE TEAM, 2013).
Para os dados de tempo ate primeiro ataque, foram ajustados modelos de
riscos proporcionais de Cox (AITKIN et al., 2009). O preditor linear utilizado, inicialmente,
foi
𝜂𝑖𝑗𝑘 = 𝑏𝑗 + 𝑒𝑖 + 𝑠𝑘 + (𝑒𝑠)𝑖𝑘, 𝑗 = 1, . . . , 33, 𝑖 = 1, 2, 𝑘 = 1, 2, (4.1)
96
Tabela 4.1 – Variaveis do experimento 4
Variavel Tipo ValoresBloco Fator 1, . . . , 33Sexo Fator Machos e FemeasEspecie Fator P. nigrispinus e E. annulipesTempo ate primeiro ataque Contınua (0,∞)Primeira presa a ser atacada Binaria Parasitada (1) e nao parasitada (0)Presa a ser consumida efetivamente Binaria Parasitada (1) e nao parasitada (0)Consumo efetivo das duas presas
Binaria Sim (1) e Nao (0)ao final de uma hora
sendo 𝑏𝑗 o efeito do 𝑗-esimo bloco, 𝑠𝑘 o efeito do 𝑘-esimo sexo, 𝑒𝑖 o efeito da 𝑖-esima
especie e (𝑒𝑠)𝑖𝑘 o efeito da interacao entre o 𝑖-esima especie e o 𝑘-esimo sexo. Para testar a
proporcionalidade dos riscos, foi utilizado o teste proposto por Grambsch e Therneau (1994).
Como as unidades experimentais foram observadas por uma hora, ha censura de dados.
Entretanto, optou-se por nao fazer uma regressao logıstica com uma variavel indicadora de
censura para verificar se ha censura sistematica, dado que em apenas tres, (duas femeas
e um macho de P. nigrispinus) das 132 parcelas, o predador nao atacou nenhuma presa
dentro de uma hora.
Modelos lineares generalizados (MCCULLAGH; NELDER, 1989) do tipo bi-
nomial foram utilizados para analisar variaveis respostas binarias, em dois estagios:
Estagio 1: regressao logıstica para
- a variavel indicadora de ocorrencia de ataques, igual a 1, se houve ataque, e igual
a 0, se nao houve;
- a variavel indicadora de ocorrencia de consumo efetivo, igual a 1, se houve con-
sumo efetivo, e igual a 0, se nao houve;
Estagio 2: regressao logıstica para
- a variavel “dado que houve ataque em uma hora de observacao, qual presa foi
atacada primeiro”, igual a 1, se a presa parasitada, e igual a 0, se a nao parasitada;
- a variavel “dado que houve consumo efetivo em uma hora de observacao, qual
presa foi consumida efetivamente”, igual a 1, se a presa parasitada, e igual a 0,
se a nao parasitada.
O preditor linear utilizado foi o mesmo utilizado em (4.1). Tambem, foi testada a inclusao
do efeito do logaritmo do tempo ate primeiro ataque no preditor linear (4.1) para o segundo
estagio da analise das variaveis “primeira presa a ser atacada” e “presa que foi consumida
efetivamente”, de modo a se obterem os modelos 𝑀1, com preditor linear (4.1), 𝑀2, com
𝜂𝑖𝑗𝑘 = 𝑏𝑗 + 𝑒𝑖 + 𝑠𝑘 + (𝑒𝑠)𝑖𝑘 + 𝛽0log(𝑡𝑖𝑗𝑘)
97
e 𝑀3, com
𝜂𝑖𝑗𝑘 = 𝑏𝑗 + 𝑒𝑖 + 𝑠𝑘 + (𝑒𝑠)𝑖𝑘 + 𝛽𝑘log(𝑡𝑖𝑗𝑘),
sendo 𝑡𝑖𝑗𝑘 o tempo que o predador do 𝑗-esimo bloco, 𝑖-esima especie e 𝑘-esimo sexo levou
para atacar pela primeira vez, 𝛽0 e o coeficiente linear de tempo e 𝛽𝑘 o coeficiente linear de
tempo para o 𝑘-esimo sexo. Os modelos encaixados foram testados por meio das diferencas
de deviances, equivalente ao teste da razao de verossimilhancas.
Como o predador pode atacar uma presa e optar por consumir efetivamente
a outra (“trocar”), pode-se construir uma tabela de contingencia 2×2×2×2, para especie,
sexo, primeiro ataque e consumo efetivo. Para verificar a associacao entre os fatores, pode-se
ajustar um modelo log-linear com preditor linear saturado 𝐿1, dado por
𝜂𝑖𝑗𝑘𝑙 = 𝜇 + 𝑎𝑖 * 𝑐𝑗 * 𝑒𝑘 * 𝑠𝑙,
sendo 𝑎𝑖, 𝑖 = 1, 2, o efeito de primeiro ataque, 𝑐𝑗, 𝑗 = 1, 2, o efeito de consumo efetivo,
𝑒𝑘, 𝑘 = 1, 2, o efeito de especie e 𝑠𝑙, 𝑙 = 1, 2, o efeito de sexo. Modelos reduzidos foram
ajustados para verificar se era possıvel colapsar a tabela de contingencia em uma tabela de
dimensoes menores, com preditores lineares dados por
𝐿2 : 𝜂𝑖𝑗𝑘𝑙 = 𝜇 + 𝑎𝑖 * 𝑐𝑗 * 𝑠𝑙,
𝐿3 : 𝜂𝑖𝑗𝑘𝑙 = 𝜇 + 𝑎𝑖 * 𝑐𝑗 * 𝑒𝑘 e
𝐿4 : 𝜂𝑖𝑗𝑘𝑙 = 𝜇 + 𝑎𝑖 * 𝑐𝑗.
A selecao do modelo foi feita por meio do teste de razao de verossimilhancas.
Considerando o modelo com preditor linear 𝐿4, os dados podem ser colapsados
em uma tabela de contingencia 2×2, como mostrado na Tabela 4.2. Duas situacoes podem
ocorrer.
i. Se o predador nao consegue discriminar entre presa parasitada e nao parasitada, ou
se ele nao tem preferencia, espera-se que
𝑃 (troca 1) = 𝑃 (troca 2) = 𝜋.
ii. Se o predador tem preferencia por um dos tipos de presa (parasitada ou nao parasi-
tada), espera-se que
𝑃 (troca 1) = 𝜋1 e 𝑃 (troca 2) = 𝜋2.
Essas duas situacoes podem ser consideradas ajustando-se modelos log-lineares com os
preditores 𝑃1, dado por
𝜂𝑖𝑗 = 𝜇 + 𝜏𝑖,
98
e 𝑃2, dado por
𝜂𝑗𝑘 = 𝜇 + 𝛼𝑗 * 𝛽𝑘,
em que 𝜏𝑖, 𝑖 = 1, 2, e o efeito da troca, 𝛼𝑗, 𝑗 = 1, 2, e o efeito de primeiro ataque e 𝛽𝑘,
𝑘 = 1, 2, e o efeito de consumo efetivo.
A partir do ajuste de um modelo log-linear com o preditor 𝑃1, tem-se que
logit(��) = 𝜏2 ⇒ �� =𝑒𝜏2
1 + 𝑒𝜏2,
enquanto que, com o preditor linear 𝑃2, tem-se
logit(𝜋1) = ��2 ⇒ 𝜋1 =𝑒��2
1 + 𝑒��2
logit(𝜋2) = ��2 ⇒ 𝜋2 =𝑒𝛽2
1 + 𝑒𝛽2
log(razao das chances) = 𝛼𝛽22 ⇒ razao das chances = exp(𝛼𝛽22)
Tabela 4.2 – Modelos utilizados para analisar a relacao entre a primeira escolha do predador e a probabili-dade de trocar de presa
Primeiro ataqueConsumo efetivo
Nao parasitada ParasitadaNao parasitada nao troca 1 troca 1Parasitada troca 2 nao troca 2
4.4 Resultados
Variavel: tempo ate ataque
Ajustando-se o modelo de riscos proporcionais de Cox as observacoes da varia-
vel “tempo ate primeiro ataque”, ha evidencias do efeito da interacao entre sexo e especie, a
5% de significancia (Tabela 4.3). Eliminando o efeito de blocos do preditor linear, pelo teste
proposto por Grambsch e Therneau (1994), ha evidencias de que os riscos dos tratamentos
sao proporcionais (Tabela 4.4), a 5% de significancia, indicando bom ajuste do modelo aos
dados. A Figura 4.4 mostra as curvas ajustadas pelo modelo de riscos proporcionais de Cox
a cada tratamento.
Tem-se que o risco para machos e femeas de P. nigrispinus e o mesmo, en-
quanto que para femeas de E. annulipes e maior. Isso indica que a probabilidade de femeas
de E. annulipes atacarem uma presa no proximo instante, dado que ainda nao tenham
atacado nenhuma presa, e maior do que para machos e para especimes de P. nigrispinus
(Figura 4.5(a)). Observa-se que o modelo de riscos proporcionais de Cox nao captura to-
talmente o comportamento das curvas de sobrevivencia, principalmente a de femeas de E.
99
Tabela 4.3 – Estimativas dos parametros para os tres modelos de analise de sobrevivencia ajustados aosdados do experimento 4. Estimativas para o intercepto e blocos foram omitidas
Coeficiente Estimativa Erro padrao 𝑝Especie - E. annulipes 1,7795 5,9269 < 0, 0001*Sexo - Machos 0,3108 1,3646 0,2837Interacao E. annulipes×Machos −0, 8645 0,4213 0,0372*
Tabela 4.4 – Teste de proporcionalidade de riscos proposto por Grambsch e Therneau (1994)
Fonte de variacao g.l. 𝜒2 𝑝Especie 1 0,037 0,8485Sexo 1 0,642 0,4230Interacao Especie×Sexo 1 1,381 0,2399Global 3 2,327 0,5074
annulipes (Figura 4.4(b)). Talvez modelos de misturas sejam mais adequados para repro-
duzir o comportamento das curvas, indicando que ha uma variabilidade individual.
Variavel: primeira presa a ser atacada
O ajuste do modelo logıstico para as observacoes da variavel “houve ataque
em uma hora de observacao” (primeiro estagio) nao evidencia efeito de sexo nem de especie,
a 5% de significancia (Tabela 4.5). Isso era esperado, dado que apenas tres indivıduos nao
atacaram em uma hora de observacao.
O ajuste do modelo logıstico para as observacoes da variavel “dado que houve
ataque em uma hora de observacao, qual predador atacou primeiro”(segundo estagio, Figura
4.5(b)) evidencia efeito marginalmente significativo da interacao entre sexo e especie (𝑋2 =
3, 79, com 1 g.l., 𝑝 = 0, 052). Observa-se que as razoes de chances para as tabelas de
contingencia de cada especie (Tabela 4.6) tem relacao inversa (P. nigrispinus: 0,40 e E.
annulipes: 1,67), indicando que machos de P. nigrispinus sao mais propensos a atacarem
larvas nao parasitadas primeiro em relacao a femeas de sua especie do que machos de E.
annulipes em relacao a femeas de sua especie.
A inclusao do logaritmo do tempo ate o primeiro ataque no preditor linear
nao resultou em melhor ajuste do modelo, pelo teste de razao de verossimilhancas (Tabela
4.7). Isso indica que o tempo que o predador levou ate atacar a primeira presa nao influ-
encia significativamente qual presa ele escolhe.
Variavel: presa a ser consumida efetivamente
O ajuste do modelo logıstico as observacoes da variavel “houve consumo efe-
tivo em uma hora de observacao” (primeiro estagio) nao evidencia efeito de sexo nem de
especie, a 5% de probabilidade (Tabela 4.8). Isso era esperado, visto que em apenas tres
parcelas o predador nao atacou nenhuma presa dentro de uma hora.
100
0 500 1500 2500 3500
0.0
0.2
0.4
0.6
0.8
1.0
Tempo até ataque
Pro
babi
lidad
e de
não
ata
car
(a)
ObservadoPredito
0 500 1500 2500 3500
0.0
0.2
0.4
0.6
0.8
1.0
Tempo até ataqueP
roba
bilid
ade
de n
ão a
taca
r
(b)
ObservadoPredito
0 500 1500 2500 3500
0.0
0.2
0.4
0.6
0.8
1.0
Tempo até ataque
Pro
babi
lidad
e de
não
ata
car
(c)
ObservadoPredito
0 500 1500 2500 3500
0.0
0.2
0.4
0.6
0.8
1.0
Tempo até ataque
Pro
babi
lidad
e de
não
ata
car
(d)
ObservadoPredito
Figura 4.4 – Funcoes de sobrevivencia e curvas ajustadas pelo modelo de riscos proporcionais de Cox paraos tratamentos: (a) machos de E. annulipes, (b) femeas de E. annulipes, (c) machos de P.nigrispinus e (d) femeas de P. nigrispinus
O ajuste do modelo logıstico as observacoes da variavel “dado que houve con-
sumo efetivo em uma hora de observacao, qual presa foi consumida efetivamente” (segundo
estagio, Figura 4.5(c)) evidencia somente efeito de sexo, a 5% de significancia (Tabela 4.8).
A razao de chances de 0, 37 (𝑋2 = 5, 81, com 1 g.l., 𝑝 = 0, 02) indica que a chance de os ma-
chos escolherem larvas nao parasitadas e 10,37
= 2, 7 vezes a chance de as femeas atacarem,
primeiramente, larvas nao parasitadas (Tabela 4.9).
O logaritmo do tempo ate o primeiro ataque, incluıdo no preditor linear, tem
efeito significativo (Tabela 4.10). A analise de deviance para o modelo com preditor linear
𝑀2 nao mostrou efeito da interacao Especie×Sexo, porem, mostrou efeito linear para o
logaritmo do tempo ate o primeiro ataque e para sexo, a 5% de significancia (Tabela 4.11),
101
010
020
030
040
050
060
0(a)
Espécie
Tem
po m
édio
até
prim
eiro
ata
que
P. nigrispinus E. annulipes
Sexo
MachosFêmeas
0.0
0.2
0.4
0.6
0.8
1.0
(b)
Espécie
Pro
porç
ão d
e pr
edad
ores
que
ata
cara
m a
larv
a pa
rasi
tada
prim
eiro
P. nigrispinus E. annulipes
Sexo
MachosFêmeas
0.0
0.2
0.4
0.6
0.8
1.0
(c)
EspéciePro
porç
ão d
e pr
edad
ores
que
con
sum
iram
efe
tivam
ente
a la
rva
para
sita
da
P. nigrispinus E. annulipes
Sexo
MachosFêmeas
0.0
0.2
0.4
0.6
0.8
1.0
(d)
Espécie
Pro
porç
ão d
e pr
edad
ores
que
con
sum
iram
as
duas
larv
as a
pós
uma
hora
P. nigrispinus E. annulipes
Sexo
MachosFêmeas
Figura 4.5 – Graficos das variaveis respostas obtidas no experimento 4 (Tabela 4.1). (a) tempo ate primeiroataque, (b) primeira presa a ser atacada, (c) qual presa foi consumida efetivamente e (d)consumo efetivo das duas presas ao final de uma hora
Tabela 4.5 – Estimativas dos parametros das regressoes logısticas para os dois estagios da analise da variavel“primeira presa a ser atacada”. As estimativas do intercepto e dos blocos foram omitidas
Estagio 1: houve ataque em uma hora de observacao?Coeficiente Estimativa Erro padrao 𝑝Especie - E. annulipes 2, 138e+01 1, 089e+04 0, 9980Sexo - Machos 1, 386 1, 732 0, 4230Interacao E. annulipes×Machos −1, 386 1, 540e+04 1, 0000
Dado que houve ataque, qual presa foi atacada primeiro?Coeficiente Estimativa Erro padrao 𝑝Especie - E. annulipes −5, 138e−01 5, 794e−01 0, 3753Sexo - Machos −1, 138e+00 6, 185e−01 0, 0659Interacao E. annulipes×Machos 1, 613e+00 8, 419e+01 0, 0553
Tabela 4.6 – Tabela de contingencia para sexo, especie e tipo de presa, para a variavel resposta “primeirapresa a ser atacada”
SexoEspecie
P. nigrispinus E. annulipesNao parasitada Parasitada Nao parasitada Parasitada
Femeas 17 14 21 12Machos 24 8 18 15
Tabela 4.7 – Testes de razao de verossimilhancas para a inclusao de log(tempo) no preditor linear paraanalisar a variavel resposta “primeira presa a ser atacada”
Fonte de variacao g.l. Deviance 𝑝𝑀2 −𝑀1 1 3, 2357 0, 0721𝑀3 −𝑀2 1 0, 1078 0, 7427
102
Tabela 4.8 – Estimativas das regressoes logısticas para os dois estagios da analise da variavel “presa a serconsumida efetivamente”. As estimativas do intercepto e dos blocos foram omitidas
Estagio 1: houve consumo efetivo em uma hora de observacao?Coeficiente Estimativa Erro padrao 𝑝Especie - E. annulipes −2, 360e−15 1,013 1, 0000Sexo - Machos −4, 382e−15 1,013 1, 0000Interacao E. annulipes×Machos −2, 323 1,410 0, 0995
Dado que houve consumo efetivo, qual presa foi consumida?Coeficiente Estimativa Erro padrao 𝑝Especie - E. annulipes 0, 223 0, 624 0, 7208Sexo - Machos −0, 160 0, 729 0, 0284*Interacao E. annulipes×Machos 0, 363 1, 008 0, 7185
Tabela 4.9 – Tabela de contingencia para sexo e tipo de presa, para a variavel resposta “qual presa foiefetivamente consumida”
SexoPresa
Nao parasitada ParasitadaFemeas 34 26Machos 42 12
resultando no novo modelo, com preditor linear
𝜂𝑖𝑗𝑘 = 𝑏𝑗 + 𝑠𝑘 + 𝛽0 log(𝑡𝑖𝑗𝑘).
Isso indica que o tempo que o predador levou ate atacar a primeira presa influencia a escolha
da presa. Dessa forma,
��femea =𝑒1,3174−0,3172 log(tempo)
1 + 𝑒1,3174−0,3172 log(tempo)e ��macho =
𝑒0,3245−0,3172 log(tempo)
1 + 𝑒0,3245−0,3172 log(tempo)
representam as probabilidades medias de femeas e machos atacarem a presa parasitada,
respectivamente, e estao representadas pelas curvas na Figura 4.6. Nota-se que femeas e
machos tendem a consumir efetivamente larvas nao parasitadas conforme levam mais tempo
para fazer o primeiro ataque, porem, como o intercepto para machos e significativamente
menor, estes tem uma tendencia maior de escolher presas nao parasitadas.
Tabela 4.10 – Testes de razao de verossimilhancas para a inclusao de log(tempo) no preditor linear paraanalisar a variavel resposta “qual presa foi efetivamente consumida”
Fonte de variacao g.l. Deviance 𝑝𝑀1 −𝑀2 1 12, 6292 0, 0004*𝑀2 −𝑀3 1 1, 9633 0, 1612
103
Tabela 4.11 – Tabela da analise de deviance para o modelo que inclui log(tempo) no preditor linear. Variavelresposta: “qual presa foi consumida efetivamente”
Causa de variacao g.l. Deviance 𝑝Bloco 32 33, 9090 0, 3756log(tempo) 1 12, 3178 0, 0005*Especie 1 8, 8756 0, 3461Sexo 1 1, 1611 0, 0047*Interacao Especie×Sexo 1 0, 6010 0, 4381
● ●● ●●
●●
●
●●
●●
●●
●●
●
● ● ●
●
●
●
●
●
●●
●
● ●
●
●
● ●●
●● ●●
●
●
● ●●
● ●● ●●
●
●
●●●
●●
● ●
●
●
3 4 5 6 7 8
0.0
0.2
0.4
0.6
0.8
1.0
log(tempo)
Con
sum
o ef
etiv
o da
larv
a pa
rasi
tada
●
Sexo
MachosFêmeas
Figura 4.6 – Grafico das curvas ajustadas das probabilidades estimadas de machos e femeas consumirempresas parasitadas, como funcao do logarıtmo do tempo ate primeiro ataque
Variavel: consumo efetivo das duas presas, ao final de uma hora
O ajuste do modelo logıstico as observacoes da variavel “Dado que houve con-
sumo efetivo de uma das presas, houve consumo efetivo das duas presas ao final de uma
hora” (Figura 4.5(d)) evidencia que ha efeito da interacao entre especie e sexo, a 5% de
probabilidade, indicando que as femeas de E. annulipes tem maior propensao de se alimen-
tarem das duas presas ao final de 1 hora (Tabela 4.12). Pela Tabela 4.13, tem-se que a razao
de chances para P. nigrispinus e 0, 75, sendo que para E. annulipes e 0, 13. Isso significa
que a chance de uma femea de P. nigrispinus consumir efetivamente as duas presas, ao
final de uma hora de observacao, e 10,75
= 1, 3 vezes a chance de um macho consumir as
duas presas, enquanto que a chance de uma femea de E. annulipes consumir efetivamente
as duas presas e 10,13
= 7, 7 vezes a chance de um macho consumir as duas presas.
Probabilidade de trocar de presas
Ajustando-se os modelos log-lineares com preditores 𝐿1, 𝐿2, 𝐿3, e 𝐿4 e
comparando-os por meio do teste de razao de verossimilhancas (Tabela 4.14), ha evidencias
104
Tabela 4.12 – Estimativas da regressao logısticas para a variavel “consumo efetivo das duas presas ao finalde uma hora”. As estimativas do intercepto e dos blocos foram omitidas
Coeficiente Estimativa Erro padrao 𝑝Especie - E. annulipes 2, 808 0, 886 0, 0015*Sexo - Machos −0, 355 0, 676 0, 5989Interacao E. annulipes×Machos −3, 092 1, 148 0, 0070*
Tabela 4.13 – Tabela de contingencia para sexo, especie e tipo de presa, para a variavel resposta “consumoefetivo das duas presas ao final de uma hora”
SexoEspecie
P. nigrispinus E. annulipes1 2 1 2
Femeas 18 12 7 23Machos 20 10 17 7
de que o ajuste do modelo com preditor linear 𝐿4 nao difere, a 5% de significancia, dos
demais modelos. Isso significa que so ha efeito da associacao entre ataque e consumo, in-
dependentemente de sexo e especie, a 5% de significancia. Assim, a tabela 2×2×2×2 pode
ser reduzida a uma tabela 2×2, para primeiro ataque e consumo efetivo (Tabela 4.15).
Tabela 4.14 – Testes de razao de verossimilhancas para os modelos log-lineares com preditores lineares 𝐿1,𝐿2, 𝐿3 e 𝐿4
Fonte de variacao g.l. Deviance 𝑝𝐿4 − 𝐿2 4 7, 1644 0, 1274𝐿2 − 𝐿1 8 7, 4170 0, 4924
Fonte de variacao g.l. Deviance 𝑝𝐿4 − 𝐿3 4 5, 3126 0, 2567𝐿3 − 𝐿1 8 9, 2688 0, 3201
Tabela 4.15 – Tabela de contingencia para as variaveis “primeiro ataque” e “consumo efetivo”
Primeiro ataqueConsumo efetivo
Nao parasitada ParasitadaNao parasitada 61 7Parasitada 15 31
Ajustando-se o modelo log-linear com preditor 𝑃1 aos dados da Tabela 4.15,
tem-se que a deviance residual e dada por 12,94, com 2 g.l. (𝑝 < 0.01), que evidencia a
falta de ajuste desse modelo, havendo necessidade de se usar o modelo com preditor linear
𝑃2. Ajustando-se o modelo log-linear com preditor linear 𝑃2, obtem-se as estimativas
apresentadas na Tabela 4.16. Dessa forma, a razao das chances e igual a exp(2, 8909) =
18, 01, o que significa que a chance de um predador nao trocar de presa, dado que escolheu
a presa nao parasitada, e 18,01 vezes a chance de nao trocar, dado que escolheu a presa
parasitada. A probabilidade estimada de trocar, dado que o predador escolheu a larva nao
105
parasitada, e 0, 10 e, caso tenha escolhido a larva parasitada, e 0, 20. Ha clara preferencia,
no geral, pela larva nao parasitada.
Tabela 4.16 – Estimativas dos parametros do modelo log-linear com preditor linear 𝑃2 para a Tabela 4.15
Coeficiente Estimativa Erro padrao 𝑝Intercepto 4, 111 0, 128 < 0, 0001*Consumo - Parasitada −2, 165 0, 399 < 0, 0001*Primeiro ataque - Parasitada −1, 403 0, 288 < 0, 0001*Interacao Consumo×Ataque 2, 891 0, 508 < 0, 0001*
Entretanto, nas analises anteriores, existem evidencias de que as femeas sao
menos seletivas. Subdividindo a tabela 4.15 em duas, uma para cada sexo, tem-se a Tabela
4.17. Ajustando os modelos com preditores lineares 𝑃1 e 𝑃2 para os dados de cada uma das
subtabelas, e observado que, para as femeas, a deviance residual para o modelo com preditor
linear 𝑃1 e 1,29, com 2 g.l. (𝑝 = 0, 53), evidenciando o ajuste satisfatorio desse modelo.
Assim, a probabilidade de trocar e a mesma (0,17), independentemente do primeiro ataque
das femeas. Ja, para os machos, a deviance residual para o modelo com preditor linear
𝑃1 e 17,94, com 2 g.l. (𝑝 < 0, 01), evidenciando a falta de ajuste desse modelo, havendo
necessidade de se usar o modelo com preditor linear 𝑃2. Assim, a probabilidade de um
macho trocar de presa depende do primeiro ataque, sendo 0, 06 quando ataca a presa nao
parasitada e 0, 24 quando ataca a larva parasitada. Portanto, os machos sao mais seletivos
do que as femeas.
Tabela 4.17 – Tabelas de contingencia para as variaveis “primeiro ataque” e “consumo efetivo”, separadaspelo sexo do predador
Primeiro ataqueConsumo efetivo
Femeas MachosNao parasitada Parasitada Nao parasitada Parasitada
Nao parasitada 29 5 32 2Parasitada 5 21 10 10
4.5 Discussao
Em relacao ao tempo ate primeiro ataque, tem-se que femeas de E. annulipes
apresentam maior probabilidade de atacarem no proximo instante, dado que nao tenham
atacado (Tabela 4.3). Pode-se dizer que o jejum de 24 horas a qual todos os predadores
foram submetidos tem mais efeito sobre a tesourinha femea. Pode ser que o fato de estarem
em estado reprodutivo faca com que precisem de mais recursos alimentares. Isso e tambem
observado ao analisar a proporcao de predadores que consomem as duas larvas ao final de
uma hora de observacao (Tabela 4.12). Femeas e machos de P. nigrispinus consumiram
as duas presas na razao 0, 67 : 1 e 0, 5 : 1, respectivamente, enquanto que machos de
106
E. annulipes consumiram as duas presas na razao 0, 4 : 1. Ja as femeas de E. annulipes
consumiram as duas larvas numa razao 3, 3 : 1, ou seja, e provavel que necessitem de mais
recursos (Tabela 4.13).
Pode-se dizer que os machos dessas especies de predadores evitam consumir
as presas parasitadas. Isso tambem acontece com outras especies de predadores. Hoelmer,
Osborne e Yokomi (1994) mostraram que as femeas de Delphastus pusillus (Coleoptera:
Coccinelidae) evitam larvas de Bemisia tabaci (Hemiptera: Aleyrodidae) parasitadas por
Encarsia formosa (Hymenoptera: Aphelinidae). Bilu e Coll (2009) observaram que pulgoes
da especie Myzus persicae, quando parasitados por Aphidus colemani, apresentavam qua-
lidade nutricional inferior para seu predador, Coccinella undecimpulata, pois o tempo de
desenvolvimento do predador aumentava e o peso do adulto era menor, quando consumia
pulgoes parasitados.
Nota-se que a probabilidade de trocar de presa, dado que tenha atacado a
larva nao parasitada, e menor para os machos (0,06), do que a de trocar, dado que tenha
atacado a larva parasitada (0,24), enquanto que, para as femeas, e a mesma (0,17). Os
resultados obtidos sugerem que E. annulipes e P. nigrispinus discriminam larvas parasitadas
ou nao por C. flavicincta, porem os machos sao mais seletivos ao evitarem consumir presas
parasitadas. Pode ser que aspectos fisiologicos das femeas, relacionados a reproducao e
talvez a agressividade (em relacao a tesourinha) estejam relacionados a falta de seletividade.
Adicionalmente, talvez um perıodo maior de parasitismo pudesse influenciar as escolhas dos
machos e femeas de maneira mais intensa. Al-Zyoud e Sengonca (2004) observaram que
Serangium parcesetosum (Coleoptera: Coccinelidae) preferem predar larvas de B. tabaci
nao parasitadas pela vespa parasitoide E. formosa, ao oferecerem larvas parasitadas ha 5
dias.
Se um predador demora mais para atacar uma presa, um motivo pode ser
que a urgencia em consumir recurso apos 24 horas de jejum nao e tanta (variabilidade
individual) e, assim sendo, o predador pode levar mais tempo para escolher sua presa. Os
resultados sugerem que quanto mais tempo leva, mais tende a consumir efetivamente a
presa nao parasitada (Figura 4.6). Portanto, pode-se afirmar que os predadores estudados
discriminam entre as larvas parasitadas ou nao. De maneira similar, machos e femeas
do predador Rodolia cardinalis (Coleoptera: Coccinelidae) discriminam e evitam larvas
de Icerya purchasi (Hemiptera: Monophlebidae) parasitadas por Cryptochaetum iceryae
(Diptera: Cryptochaetidae) (QUEZADA; DEBACH, 1973).
Segundo Holt (2003), o estabelecimento de um parasita numa comunidade
depende das relacoes com os competidores e predadores. Nao e errado dizer que o estabe-
lecimento de um parasitoide tambem depende dessas relacoes, porem isso se da de modo
diferenciado, ja que um parasitoide nao pode utilizar predadores como hospedeiros inter-
mediarios. Na realidade, em teias troficas de agroecossistemas, os parasitoides podem ser
afetados por parasitoides compeditores ou pelos predadores que consomem as presas pa-
107
rasitadas (Figura 4.7). Essa predacao pode diminuir a probabilidade de um parasitoide
completar seu desenvolvimento e, por conseguinte, de persistir no sistema (DUFFY et al.,
2005). Embora em diversos estudos, os predadores optem por evitar presas parasitadas, e
possıvel que algumas especies prefiram consumir presas parasitadas (PACKER et al., 2003).
Isso pode ser devido a diversos fatores, como maior susceptibilidade a predacao, alteracoes
comportamentais induzidas pelo parasitismo ou, simplesmente, devido a tanto o parasi-
toide quanto o predador escolherem o mesmo hospedeiro / presa pelo fato de preferirem as
mesmas caraterısticas fenotıpicas (KNUDSEN et al., 2001).
Figura 4.7 – Esquema das relacoes entre o parasitoide C. flavicincta, os predadores P. nigrispinus e E.annulipes e a praga S. frugiperda em uma cultura de milho
Em uma cultura de milho, os predadores estudados podem competir pela
presa, sendo inclusive possıvel ocorrer predacao intraguilda. Entretanto, os predadores sao
generalistas e apresentam possibilidade de refugio de nicho, e situacoes de competicao por
interferencia nao seriam tao comuns. Ao inserir o parasitoide C. flavicincta, este pode ser
predado indiretamente quando P. nigrispinus ou E. annulipes consumir uma larva parasi-
tada (Figura 4.7). A coexistencia e possıvel entre os predadores e o parasitoide se houver
predacao dependende da frequencia, na qual predadores generalistas passam a consumir
presas mais abundantes em resposta a variacoes espaco-temporais na disponibilidade de re-
curso (CHESSON, 2000). Estudos que verifiquem esse aspecto comportamental em campo
sao importantes, visto que, geralmente, em agroecossistemas, por terem menos especies
e menor heterogeneidade espacial e temporal, ha um mecanismo de regulacao top-down
(SCHMITZ; HAMBACK; BECKERMAN, 2000). Uma estrategia de controle biologico que
utiliza C. flavicincta junto a um ou mais predadores de S. frugiperda e possıvel, dado que
os predadores tendem a evitar consumir larvas parasitadas.
108
4.6 Conclusoes
As analises dos dados obtidos nos experimentos permitiram concluir que:
- os predadores P. nigrispinus e E. annulipes tem a capacidade de reconhecer se uma
larva de S. frugiperda esta ou nao parasitada por C. flavicincta;
- os machos evitam consumir larvas parasitadas e, caso tenham escolha, a probabilidade
de eles trocarem uma presa parasitada por uma nao parasitada e maior do que a
probabilidade de eles trocarem uma presa nao-parasitada por uma parasitada;
- o uso do parasitoide C. flavicincta em conjunto com E. annulipes ou P. nigrispinus e
uma estrategia que deve ser estudada com maiores detalhes em campo, visto que os
predadores machos tendem a evitar consumir presas parasitadas, evitando a reducao
da populacao do parasitoide;
- estudos futuros que avaliem a preferencia por larvas parasitadas ou nao parasitadas
apos tempos diferentes de parasitismo (2 dias, 5 dias, . . .) sao encorajados. Adicional-
mente, estudos que determinem as vias quımicas de sinalizacao de parasitismo podem
ser feitos para determinar como os predadores discriminam presas parasitadas das nao
parasitadas.
Referencias
AITKIN, M.; FRANCIS, B.; HINDE, J.; DARNELL, R. Statistical modelling in R.Oxford: Oxford University Press, 2009. 576 p.
AL-ZYOUD, F.; SENGONCA, C. Prey consumption preferences of Serangiumparcesetosum Sicard (Col., Coccinelidae) for different prey stages, species and parasitizedprey. Journal of Pest Science, Heidelberg, v. 77, p. 197–204, 2004.
BILU, E.; COLL, M. Parasitized aphids are inferior prey for a coccinellid predator:implications for intraguild predation. Environmental Entomology, Lanham, v. 38, p.153–158, 2009.
CHESSON, P. Mechanisms of maintenance of species diversity. Annual Review ofEcology, Evolution and Systematics, Palo Alto, v. 31, p. 343–366, 2000.
CRUZ, I.; FIGUEIREDO, M. L. C.; GONCALVES, E. P.; LIMA, D. A. N.; DINIZ, E. E.Efeito da idade de lagartas de Spodoptera frugiperda (Smith) (Lepidoptera: Noctuidae) nodesempenho do parasitoide Campoletis flavicincta (Ashmead) (Hymenoptera:Ichneumonidae) e consumo foliar por lagartas parasitadas e nao parasitadas. Anais daSociedade Entomologica do Brasil, Londrina, v. 26, p. 229–234, 1997.
CRUZ, I.; FIGUEIREDO, M. L. C.; MATOSO, M. J. Controle biologico de Spodopterafrugiperda utilizando o parasitoide de ovos Trichogramma. Sete Lagoas:EMBRAPA-CNPMS, 1999. 40 p.
109
DEQUECH, S. T. B.; SILVA, R. F. P.; FIUZA, L. M. Interacao entre Spodopterafrugiperda(J.E. Smith) (Lepidoptera: Noctuidae), Campoletis flavicincta (Ashmead)(Hymenoptera: Ichneumonidae) e Bacillus thuringiensis aizawai, em laboratorio.Neotropical Entomology, Londrina, v. 34, p. 937–944, 2005.
DESNEUX, N.; RAMIREZ-ROMERO, R.; BOKONON-GANTA A. H.; BERNAL J. S..Attraction of the parasitoid Cotesia marginiventris to host (Spodoptera frugiperda) frass isaffected by transgenic maize. Ecotoxicology, Dordrecht, v. 19, p. 1183–1192, 2010.
DUFFY M. A.; HALL, S. R.; TESSIER, A. J.; HUEBNER, M. Selective predators andtheir parasitized prey: Are epidemics in zooplankton under top-down control?Limnology and Oceanography, Waco, v. 50, p. 412–420, 2005.
GRAMBSCH, P.; THERNEAU, T. Proportional hazards tests and diagnostics based onweighted residuals. Biometrika, Oxford, v. 81, p. 515–26, 1994.
GREATHEAD, D. J. Parasitoids in classical biological control. In: WAAGE, J.;GREATHEAD, D. J. (Eds) Insect parasitoids. London: Academic Press, 1986. p.289–318.
HOELMER, K. A.; OSBORNE, L. S.; YOKOMI, R. K. Interaction of the whiteflypredator Delphastus pusillus (Col., Coccinelidae) with parasitized sweetpotato whitefly(Hom., Aleyrodidae). Environmental Entomology, Lanham, v. 23, p. 136–139, 1994.
HOLT, R. D. Parasite establishment in host communities. Ecology Letters, Hoboken, v.6, p. 837–842, 2003.
KNUDSEN, R.; GABLER, H. M.; KURSI, A. M.; AMUNDSEN, P. A. Selective predationon parasitized prey - a comparison between two helminth species with different life-historystrategies. Journal of Parasitology, Lawrence, v. 87, p. 941–945, 2001.
KOGAN, M. Integrated pest management historical perspectives and contemporarydevelopments. Annual Review of Entomology, Palo Alto, v. 43, 243–270, 1998.
LI, L. Y. Worldwide use of Trichogramma for biological control on different crops: asurvey. In: WAJNBERG, E.; HASSAN, S.A. (Eds.). Biological control with eggparasitoids. London: Biddles, 1994. p. 37–53.
MATOS NETO, F. C.; CRUZ, I.; ZANUNCIO, J. C.; SILVA, C. H. O.; PICANCO, M. C.Parasitism by Campoletis flavicincta on Spodoptera frugiperda in corn. PesquisaAgropecuaria Brasileira, Brasılia, v. 39, p. 1077–1081, 2004.
MCCULLAGH, P.; NELDER, J. A. Generalized linear models, Londres: Chapmanand Hall, 1989. 511 p.
OLIVEIRA, J. E. M.; TORRES, J. B.; CARRANO-MOREIRA, A. F.; RAMALHO, F. S.Biologia de Podisus nigrispinus predando lagartas de Alabama argillacea em campo.Pesquisa Agropecuaria Brasileira, Brasılia, v. 37, p. 7–14, 2002.
PACKER, C.; HOLT, R. D.; HUDSON, P. J.; LAFFERTY, K. D.; DOBSON, A. P.Keeping the herds healthy and alert: Implications of predator control for infectiousdisease. Ecology Letters, Hoboken, v. 6, p. 797–802, 2003.
110
PRATISSOLI, D.; THULER, R. T.; PEREIRA, F. F.; REIS, E. F.; FERREIRA, A. T.Acao transovariana de lufenuron (50 g/l) sobre adultos de Spodoptera frugiperda (J. E.Smith) (Lepidoptera: Noctuidae) e seu efeito sobre o parasitoide de ovos Trichogrammapretiosum Riley (Hymenoptera: Trichogrammatidae). Ciencia e Agrotecnologia,Lavras, v. 28, p. 9–14, 2004.
QUEZADA, J. R.; DEBACH, P. Bioecological and population studies of thecottony-cushion scale, Iceria purchasi Mask. and its natural enemies, Rodolia cardinalisMul. and Cryptochaetum iceryae Will. in southern California. Hilgardia, v. 41, p.631–688, 1973.
QUICKE, D. L. J. Parasitic wasps. Londres, Chapman & Hall, 1997. 492 p.
R CORE TEAM. R: A Language and Environment for Statistical Computing. RFoundation for Statistical Computing, Vienna, Austria, Disponıvel em:<http://www.R-project.org>, Acesso em: 10 nov. 2013.
REDOAN, A. C.; CRUZ, I.; CARVALHO, G. A.; FIGUEIREDO, M. L. C.; SILVA, R. B.Seletividade de inseticidas registrados no controle de Spodoptera frugiperda em milho paraninfas de Doru luteipes e Euborellia annulipes. In: CONGRESSO NACIONAL DEMILHO E SORGO, 2010, Goiania. Anais... Goiania: ABMS, 2010. p. 226–228.
SCHMITZ, O. J.; HAMBACK, P. A.; BECKERMAN, A. P. Trophic cascades interrestrial ecosystems: a review of the effects of carnivore removal on plants. AmericanNaturalist, v. 155, p. 141–153, 2000.
111
5 UM MODELO DE CONTROLE BIOLOGICO COM MULTIPLOS INIMI-
GOS NATURAIS
Resumo
Ao introduzir multiplos inimigos naturais em um agroecossistema com o ob-
jetivo de controlar uma praga de interesse agronomico, deve-se estudar, com antecedencia,
a possibilidade de coexistencia entre as especies. Os predadores Podisus nigrispinus e Eu-
borellia annulipes sao agentes controladores de Spodoptera frugiperda, importante praga
do milho. A vespa parasitoide Campoletis flavicincta utiliza larvas de S. frugiperda como
substrato de oviposicao, atuando, tambem, como importante inimigo natural da praga. E
possıvel que, quando predadores e parasitoides atuam em conjunto, haja consumo de larvas
parasitadas por parte dos predadores, dificultando o estabelecimento dos parasitoides no
sistema. Os objetivos do controle biologico sao a permanencia dos inimigos naturais no sis-
tema, flutuando em populacoes pequenas, em conjunto com a praga. Um sistema, no qual
S. frugiperda e predada por P. nigrispinus e E. annulipes e parasitada por C. flavicincta,
foi estudado por meio de uma adaptacao ao modelo de parasitoides competidores proposto
por Hassell. Constatou-se que o fato de os predadores consumirem larvas parasitadas pode
ser um fator estabilizador. Alem disso, a coexistencia entre a praga, os predadores e o
parasitoide e mais facilmente atingida quando as taxas de predacao sao altas e a taxas de
parasitismo sao baixas.
Palavras-chave: Competicao; “Roubo” de presas; Modelo de Hassell; Spodoptera frugiperda;
Podisus nigrispinus; E. annulipes; Campoletis flavicincta
Abstract
When introducing multiple natural enemies in an agroecosystem while aiming
to control a pest of agricultural interest, the possibility of coexistence among the species
must be studied beforehand. The predators Podisus nigrispinus and Euborellia annulipes
are control agents of Spodoptera frugiperda, important pest of maize. The parasitoid wasp
Campoletis flavicincta oviposits in S. frugiperdae larvae and acts, as well, as an important
natural enemy of the pest. It is possible that, when predadors and parasitoids act together,
there may be consumption of parasitised larvae by the predators, making it difficult for
parasitoids to establish in the system. The goal of biological control is the persistence of
natural enemies in the system, fluctuating in small populations together with the pest. A
system in which S. frugiperda is predated by P. nigrispinus and E. annulipes, and parasiti-
112
sed by C. flavicincta was studied through an adaptation made to the competing parasitoids
model proposed by Hassell. It was found that predators feeding on parasitised prey may be
a stabilizing factor. Furthermore, coexistence between the pest, predators and parasitoids
is most likely achieved when predation rates are high and parasitism rates are low.
Keywords: Competition; Prey “theft”; Hassell model; Spodoptera frugiperda; Podisus ni-
grispinus; E. annulipes; Campoletis flavicincta
5.1 Introducao
A predacao e o parasitismo sao interacoes troficas importantes em agroe-
cossistemas, tendo em vista que sao ambientes de alta produtividade e, geralmente, nao
ha migracao entre metapopulacoes em amplas areas de monocultura (KIDD; AMARASE-
KARE, 2012), exceto quando em monoculturas caracterizadas por fragmentos proximos
uns dos outros. Nesse sentido, predadores e parasitoides podem exercer regulacao top-down
sobre a dinamica populacional da praga. O resultado ideal de um programa de controle
biologico e a flutuacao das populacoes da praga e dos inimigos naturais em valores baixos,
de modo que os inimigos naturais possam persistir no sistema e a praga nao inflija dano
economico ao produtor (GILLMAN, 2009). A manutencao de populacoes de pragas abaixo
do limiar de dano economico e, portanto, o objetivo dos programas de manejo integrado de
pragas.
Ao tratar-se de uma estrategia de controle biologico com mais de uma especie
de predador, ou ainda especies de predadores e de parasitoides em concomitancia, estudos
previos de coexistencia dos inimigos naturais junto a praga sao importantes. Ao inserir mais
de um predador em um agroecossistema, caso apresentem o mesmo nicho, havera compe-
ticao, podendo resultar em exclusao competitiva. Caso apresentem nichos sobrepostos, e
possıvel que a predacao promova a coexistencia, se a especie praga for uma consumidora
muito eficiente do recurso, competir por espaco ou for consumida por varios predadores
especialistas (CHASE et al., 2002). A dinamica das interacoes entre presas e inimigos
naturais sao bem compreendidas quando se trata de uma presa e um inimigo natural, po-
rem estudos que tratem dos mecanismos que geram coexistencia entre multiplos predadores
e/ou parasitoides que atacam uma mesma presa ainda sao necessarios (AMARASEKARE,
2000), uma vez que esses mecanismos podem gerar diferentes consequencias nas teias tro-
ficas. A coexistencia entre multiplos predadores e uma unica presa pode ser possıvel se a
intensidade da competicao intraespecıfica dos predadores e maior do que a interespecıfica
ou ha refugios espaciais ou temporais (AMARASEKARE, 2000; AMARASEKARE, 2003).
Tambem, se a intensidade da competicao interespecıfica entre os predadores for maior do
que a da predacao, e possıvel que os predadores e a presa coexistam no agroecossistema,
113
ou seja, a predacao pode ser mediada por outras interacoes.
Nesse sentido, a liberacao de multiplos predadores e/ou parasitoides para
controlar uma praga deve ser estudada com cuidado. O sucesso desse tipo de estrategia
depende das relacoes entre os inimigos naturais, bem como da intensidade delas (MAY, 1978;
AMARASEKARE, 2000; KIDD; AMARASEKARE, 2012). Dentre as possıveis causas para
o insucesso do controle biologico com multiplos inimigos naturais, tem-se:
i. os nichos dos inimigos naturais sao os mesmos ou sobrepostos, sendo que os pre-
dadores/parasitoides competem entre si fortemente, um levando o outro a extincao
local;
ii. os nichos dos inimigos naturais sao sobrepostos ou distintos e a taxa de preda-
cao/parasitismo e demasiadamente alta, levando a presa a extincao e, subsequente-
mente, os inimigos naturais, caso sejam especialistas, possibilitando uma reintroducao
da praga;
iii. considerando a introducao de um predador e um parasitoide, o predador discrimina
presas parasitadas das nao-parasitadas, tendo preferencia por consumir a presa para-
sitada, levando o parasitoide a extincao local.
Nesses casos, um unico inimigo natural pode ser mais eficiente em controlar a praga do que
uma liberacao multipla.
Um sistema de interesse no cenario agrıcola mundial e a cultura de milho,
sendo Spodoptera frugiperda uma das pragas mais importantes dessa cultura (OLIVEIRA
et al., 2004; BASTOS; TORRES; BUENO, 2010). Ha diversos predadores e parasitoides
que utilizam ovos ou larvas de S. frugiperda como recurso. Os predadores Podisus nigris-
pinus e Euborellia annulipes, ambos generalistas e de ocorrencia natural em lavouras de
milho, apresentam nichos sobrepostos e sao potenciais agentes de controle de S. frugiperda
(OLIVEIRA et al., 2002; FERREIRA et al., 2009; REDOAN et al., 2010). Ja o parasitoide
Campoletis flavicincta utiliza larvas de S. frugiperda como substrato de oviposicao, das quais
emergem os parasitoides adultos, matando-as (MATOS NETO et al., 2004). Uma maneira
de estudar uma possıvel liberacao multipla desses predadores e parasitoide para controlar S.
frugiperda e por meio da utilizacao de modelos de dinamica populacional. Segundo Gotelli
(2009), a melhor maneira de analisar um sistema complexo e por meio da simplificacao e a
modelagem dos sistemas pode ser um primeiro passo para sua compreensao, tendo em vista
a flexibilidade desses modelos, que permitem um aumento gradual da complexidade (LIMA
et al., 2009).
Os modelos de dinamica populacional das especies de pragas e inimigos na-
turais, quando bem fundamentados, sao uma ferramenta importante para analisar e prever
o comportamento das populacoes dessas especies, bem como para estudar a possibilidade
de coexistencia. Em um contexto de controle biologico, os modelos mais utilizados sao os
114
que incluem as interacoes entre predador e presa, competidores e hospedeiro e parasitoide
(BATTEL; MORAL; GODOY, 2012). Diferentes modelos com esse proposito foram de-
senvolvidos, levando em conta aspectos importantes de controle biologico, como aplicacao
de pesticidas (TANG; CHEKE, 2008; BATTEL; MORAL; GODOY, 2012), estudo da di-
namica de transiencia (KIDD; AMARASEKARE, 2012) e competicao entre parasitoides
(HASSEL, 1978; MAY, 1978; HASSEL; WAAGE, 1984). Entretanto, nao ha modelos que
levem em conta as interacoes entre predadores e parasitoides em um contexto de controle
biologico propostos na literatura.
O objetivo deste trabalho foi modelar a dinamica populacional dos predado-
res P. nigrispinus e E. annulipes, do parasitoide C. flavicincta e da presa S. frugiperda.
Caracterısticas importantes do sistema foram incluıdas, como o fato de que os predadores
podem consumir presas previamente parasitadas, interferindo na dinamica populacional do
parasitoide. Adicionalmente, diferentes funcoes que representam a probabilidade de a presa
escapar a predacao ou ao parasitismo foram utilizadas.
5.2 Metodologia
Em sistemas onde mais de um parasitoide, por exemplo, 𝑅 e 𝑄, utilizam um
mesmo hospedeiro, Hassell (1978), considerando dois possıveis cenarios:
i. o parasitoide 𝑅 parasita um estagio mais jovem do hospedeiro do que o parasitoide
𝑄 com probabilidade 1 − 𝑓1, sobrando para o parasitoide 𝑄 a fracao nao parasitada
por 𝑅 como recurso, isto e, 𝑄 parasita com probabilidade 𝑓1(1 − 𝑓2);
ii. os parasitoides 𝑅 e 𝑄 parasitam o hospedeiro no mesmo estagio, fenomeno chamado
de multiparasitismo, porem as larvas de 𝑅 sao melhores competidoras e se sobressaem,
sendo que as larvas de 𝑄 nao chegam a idade adulta caso hajam ovos de 𝑅 no mesmo
hospedeiro;
propos o modelo
𝑁𝑡+1 = 𝜆𝑁𝑡𝑓1(𝑅𝑡)𝑓2(𝑄𝑡)
𝑃𝑡+1 = 𝑁𝑡[1 − 𝑓1(𝑅𝑡)] (5.1)
𝑄𝑡+1 = 𝑁𝑡𝑓1(𝑅𝑡)[1 − 𝑓2(𝑄𝑡)],
em que 𝜆 e a taxa de crescimento da presa 𝑁 , 𝑓1 e a probabilidade do hospedeiro nao ser
encontrado pelo parasitoide 𝑅 e 𝑓2 a probabilidade do hospedeiro nao ser encontrado pelo
parasitoide 𝑄.
Para esse modelo, nao se considera a possibilidade de competicao por inter-
ferencia entre os parasitoides e nem que mais de um hospedeiro sejam parasitados por eles,
ou seja, assume-se que sao especialistas, da mesma forma que o modelo predador-presa
115
de Lotka (1925) e Volterra (1926). Dessa forma, as funcoes 𝑓1 e 𝑓2 podem ser dadas,
inicialmente, por
𝑓1(𝑅𝑡) = exp(−𝑎1𝑅𝑡) e 𝑓2(𝑄𝑡) = exp(−𝑎2𝑄𝑡),
propostas por Nicholson e Bailey (1935), sendo 𝑎1 e 𝑎2 as taxas de procura pela presa. Essa
funcao descreve o comportamento de procura aleatoria do parasitoide (HASSELL, 1978),
sendo que quanto maior o valor de 𝑎𝑖, 𝑖 = 1, 2, a medida em que a densidade de parasitoides
aumenta, a probabilidade de o hospedeiro nao ser parasitado decresce mais rapidamente. As
probabilidades 𝑓𝑖, 𝑖 = 1, 2, podem ser interpretadas como o termo zero de uma distribuicao
de Poisson, isto e, a probabilidade de o parasitoide nao parasitar.
Pode-se fazer uma generalizacao de 𝑓𝑖, 𝑖 = 1, 2, de modo a descrever os efeitos
de parasitoides se agregarem em patches de alta densidade de hospedeiros. Isso pode ser
feito com a inclusao dos parametros 𝑘1 e 𝑘2, que descrevem a agregacao do parasitoide, de
modo que as funcoes passem a ser escritas como
𝑓 ′1(𝑅𝑡) =
(1 +
𝑎1𝑅𝑡
𝑘1
)−𝑘1
e 𝑓 ′2(𝑄𝑡) =
(1 +
𝑎2𝑄𝑡
𝑘2
)−𝑘2
.
Nota-se que
lim𝑘𝑖→∞
𝑓 ′𝑖 = 𝑓𝑖, 𝑖 = 1, 2,
ou seja, quando 𝑘𝑖 = 𝑘, 𝑘 uma constante real, o parasitoide responde a uma densidade
maior de hospedeiros por patch, agregando-se. Ja, quando 𝑘𝑖 → ∞, o parasitoide procura
aleatoriamente. Hassell (1978) concluiu que ha maior probabilidade de coexistencia nesse
sistema quando 𝑘𝑖 < 1, para todo 𝑖, isto e, quando as interacoes entre os parasitoides e
hospedeiro sao potencialmente estabilizadoras. Nesse caso, a distribuicao de ataque dos
parasitoides apresenta superdispersao, sendo a probabilidade de o hospedeiro escapar ao
parasitismo dada pelo termo zero de uma distribuicao binomial negativa. May (1978)
demonstra que a utilizacao da distribuicao binomial negativa pode ser, em alguns casos,
uma boa aproximacao a distribuicao do numero de ovos por hospedeiro.
Neste trabalho, o sistema a ser modelado consiste de uma presa, Spodoptera
frugiperda (𝑆), dois predadores, Podisus nigrispinus (𝑃 ) e Euborellia annulipes (𝐸) e um
parasitoide, Campoletis flavicincta (𝐶). Ha, possivelmente, competicao entre os predadores,
visto que apresentam nichos sobrepostos, mas essa competicao e, provavelmente, fraca. O
parasitoide utiliza, como substrato de oviposicao, larvas de primeiro e segundo ınstar de
S. frugiperda, na maior parte das vezes. O predador E. annulipes consome desde ovos ate
larvas de quinto ınstar da presa; ja o predador P. nigrispinus preda larvas de todos os
ınstares, mas nao preda ovos. Uma caracterıstica importante do sistema e a possibilidade
de os predadores consumirem larvas parasitadas (“roubo”), impedindo o desenvolvimento
116
completo do parasitoide. Em experimentos de laboratorio (descritos no Capıtulo 4), foi
constatado que os predadores tem a capacidade de detectar parasitismo na presa e que os
machos tendem a evitar consumir larvas parasitadas, porem, as femeas parecem nao mostrar
preferencia. Uma adaptacao para o modelo de parasitoides competidores de Hassell (5.1) foi
proposta para modelar esse sistema. Inicialmente, a probabilidade de S. frugiperda escapar
do parasitoide e inclusıda na equacao do hospedeiro, de modo a se obter
𝑆𝑡+1 = 𝜆𝑆𝑡𝑓1(𝑃𝑡)𝑓2(𝐸𝑡)𝑓3(𝐶𝑡)
𝑃𝑡+1 = 𝑆𝑡[1 − 𝑓1(𝑃𝑡)] (5.2)
𝐸𝑡+1 = 𝑆𝑡𝑓1(𝑃𝑡)[1 − 𝑓2(𝐸𝑡)]
𝐶𝑡+1 = 𝑆𝑡𝑓1(𝑃𝑡)𝑓2(𝐸𝑡)[1 − 𝑓3(𝐶𝑡)].
Como, nesse modelo, ha dois predadores competindo em conjunto com um
parasitoide e este ultimo tem, como hospedeiros disponıveis, apenas aqueles que nao foram
encontrados pelos predadores. Por isso, o termo multiplicativo 𝑓1(𝑃𝑡)𝑓2(𝐸𝑡) na equacao do
parasitoide. Ja os predadores podem predar larvas parasitadas, entao a probabilidade de
a presa escapar do parasitoide nao afeta as probabilidades de os predadores encontrarem
presas.
Alem disso, se um predador consome uma larva, esta nao pode ser consumida
pelo outro predador. Assim, o sistema (5.2) pode ser alterado, incluindo-se o termo multi-
plicativo 𝑓2(𝐸𝑡) na equacao de P. nigrispinus. Adicionalmente, o parasitoide pode perder
hospedeiros parasitados quando os predadores os consomem, com probabilidades 𝜌 (P. ni-
grispinus) e 𝜀 (E. annulipes) e, com isso, a equacao para a proporcao de larvas parasitadas
fica multiplicada por 1 − (𝜌 + 𝜀) e as equacoes para P. nigrispinus e E. annulipes ficam
devidamente modificadas, como o novo sistema de equacoes:
𝑆𝑡+1 = 𝜆𝑆𝑡𝑓1(𝑃𝑡)𝑓2(𝐸𝑡)𝑓3(𝐶𝑡)
𝑃𝑡+1 = 𝑆𝑡𝑓2(𝐸𝑡)[1 − 𝑓1(𝑃𝑡)] + 𝑆𝑡𝑓1(𝑃𝑡)𝑓2(𝐸𝑡)[1 − 𝑓3(𝐶𝑡)]𝜌 (5.3)
𝐸𝑡+1 = 𝑆𝑡𝑓1(𝑃𝑡)[1 − 𝑓2(𝐸𝑡)] + 𝑆𝑡𝑓1(𝑃𝑡)𝑓2(𝐸𝑡)[1 − 𝑓3(𝐶𝑡)]𝜀
𝐶𝑡+1 = 𝑆𝑡𝑓1(𝑃𝑡)𝑓2(𝐸𝑡)[1 − 𝑓3(𝐶𝑡)][1 − (𝜌− 𝜀)],
em que
𝑓1(𝑃𝑡) =
(1 +
𝑎1𝑃𝑡
𝑘1
)−𝑘1
, 𝑓2(𝐸𝑡) =
(1 +
𝑎2𝐸𝑡
𝑘2
)−𝑘2
e 𝑓3(𝐶𝑡) = exp(−𝑎3𝐶𝑡).
117
Como nao ha dados na literatura a respeito da distribuicao de ovos de C. fla-
vicincta por hospedeiro, optou-se por utilizar o termo zero da distribuicao de Poisson, dado
que experimentos relacionando as especies cujas dinamicas populacionais sao modeladas
(ver Capıtulo 4) foram feitos em laboratorio, ou seja, em um patch pequeno. Funcoes espe-
cıficas de resposta numerica dos predadores e/ou do parasitoide poderiam ter sido incluıdas,
mas optou-se por estabelecer uma taxa de conversao de presas em 1:1, para simplificar o
modelo. Vale ressaltar que os predadores utilizados sao generalistas, ou seja, caso a presa
va a extincao, ha possibilidade de se manterem no agroecossistema. Porem, isso nao foi
incluıdo no modelo, para que as relacoes entre as especies pudessem ser estudadas consi-
derando um patch pequeno. Tem-se, entao, que os predadores respondem a agregacao das
presas e o parasitoide faz uma procura aleatoria, no modelo proposto.
Assumindo que os processos biologicos mais relevantes foram incorporados
no sistema (5.3), estudos de simulacao foram conduzidos para compreender a influencia
desses processos na dinamica populacional das especies em um agroecossistema. Os valores
utilizados nas simulacoes sao apresentados na Tabela 5.1. Para os valores dos parametros
que nao puderam ser obtidos na literatura, analises de sensibilidade foram feitos por meio
de diagramas de bifurcacao (CUSHING et al., 2003). Todas as analises foram feitas no
software gratuito R (R CORE TEAM, 2013).
Tabela 5.1 – Valores dos parametros utilizados nos estudos de simulacao do modelo (5.3)
Parametro Valor Fonte𝜆 1,95 –𝑎1 0,067 Zanuncio et al. (2008)𝑎2 0,0374 Sueldo, Bruzzone e Virla (2010)𝑎3 0,004 Zanuncio et al. (2013)𝑘1 0,05 –𝑘2 0,05 –𝜌 0,1 –𝜀 0,1 –
5.3 Resultados e discussao
Ao fazer um estudo da sensibilidade para o parametro 𝑎3, por meio de dia-
gramas de bifurcacao para cada especie (Figura 5.1), nota-se que, com o aumento da taxa
de ataque do parasitoide, o sistema tende a instabilidade ate um ponto no qual o parasi-
toide pode ir a extincao. E importante ressaltar que a coexistencia entre as quatro especies
se da em um espectro pequeno de valores para 𝑎3, variando de aproximadamente 0, 0009 a
0, 0055. De maneira contraria, com o aumento dos valores de 𝑎1 e 𝑎2, as taxas de ataque dos
predadores, o sistema tende a estabilidade (Figura 5.2), sendo que as populacoes dos preda-
dores e do parasitoide mantem-se baixas. Como a funcao que descreve a probabilidade de o
118
hospedeiro escapar ao parasitismo apresenta um descrescimento maior para o parasitoide,
por supor 𝑘 → ∞, e possıvel que o aumento de 𝑎3 resulte em instabilidade suficientemente
grande para levar a populacao do hospedeiro a zero, o que ocasiona a extincao subsequente
do parasitoide.
0.000 0.001 0.002 0.003 0.004 0.005 0.006
010
0020
0030
0040
00
(a)
a3
Tam
anho
pop
ulac
iona
l
S. frugiperdaC. flavicincta
0.000 0.001 0.002 0.003 0.004 0.005 0.006
010
0020
0030
0040
00
(b)
a3
Tam
anho
pop
ulac
iona
l
P. nigrispinusE. annulipes
Figura 5.1 – Diagramas de bifurcacao para o parametro 𝑎3, para (a) S. frugiperda e C. flavicincta e (b) P.nigrispinus e E. annulipes. Os valores dos demais parametros sao indicados na Tabela 5.1
0.05 0.10 0.15 0.20
010
0020
0030
0040
00
(a)
a1
Tam
anho
pop
ulac
iona
l
S. frugiperdaP. nigrispinusC. flavicincta
0.05 0.10 0.15 0.20
010
0020
0030
0040
00
(b)
a2
Tam
anho
pop
ulac
iona
l
S. frugiperdaE. annulipesC. flavicincta
Figura 5.2 – Diagramas de bifurcacao para (a) o parametro 𝑎1, para S. frugiperda, P. nigrispinus e C.flavicincta e para (b) o parametro 𝑎2, para S. frugiperda, E. annulipes e C. flavicincta. Osvalores dos demais parametros sao indicados na Tabela 5.1
O efeito estabilizador da diminuicao da taxa de ataque do parasitoide pode ser
119
visto nas simulacoes mostradas na Figura 5.3. Ja, a Figura 5.4 mostra que o aumento das
taxas de ataque dos predadores leva a estabilidade. Nota-se que, embora o sistema tenda a
estabilidade nas Figuras 5.3A e 5.4A e 5.4B, ha uma fase de transiencia, que dependendo do
valor dos parametros, pode ser demasiadamente longa. Segundo Kidd e Amarasekare (2012),
embora o sistema tenda ao equilıbrio, a praga pode acabar dominando na fase transiente,
se esta for longa o suficiente, o que pode ser equivalente a instabilidade do sistema, em
termos de danos economicos. E importante ressaltar, que em estudos de controle biologico,
devem-se utilizar, em conjunto:
i. dados de taxas de ataque e tempo de manuseio (resposta funcional, HOLLING, 1959),
que mostram a eficiencia do inimigo natural em explorar uma praga;
ii. dados de resposta numerica ou taxa de conversao, que mostram a eficiencia em apro-
veitar a biomassa obtida na predacao ou parasistismo.
Os estudos de resposta funcional, por si so, nao informam os efeitos em nıvel populacional
dos inimigos naturais sobre as pragas, estabilidade do sistema e grau de supressao da praga
(KIDD; AMARASEKARE, 2012). No modelo (5.3), nao se considerou a resposta numerica
dos indivıduos e, por isso, os valores de 𝑘1 e 𝑘2 foram, possivelmente, subestimados. Estudos
que levem em conta o numero de ataques de P. nigrispinus e E. annulipes em larvas de S.
frugiperda devem ser feitos para estimar 𝑘1 e 𝑘2 satisfatoriamente.
0 50 100 150
050
010
0015
0020
0025
0030
00
(a)
Gerações
Tam
anho
pop
ulac
iona
l
S. frugiperdaP. nigrispinusE. annulipesC. flavicincta
0 50 100 150
010
0020
0030
00
(b)
Gerações
Tam
anho
pop
ulac
iona
l
S. frugiperdaP. nigrispinusE. annulipesC. flavicincta
Figura 5.3 – Simulacoes do modelo adaptado de Hassell (1978), utilizando: (a) os valores dos parametrosindicados na Tabela 5.1 e (b) diminuindo o valor de 𝑎3 para 0, 002
Ainda no que diz respeito a dinamica de transiencia do sistema estudado, pode
ser que a liberacao de mais de um inimigo natural comprometa o controle da praga, caso um
dos inimigos naturais, que induz flutuacoes transientes maiores na praga, exclua o outro,
120
0 50 100 150
050
010
0015
00
(a)
Gerações
Tam
anho
pop
ulac
iona
l
S. frugiperdaP. nigrispinusE. annulipesC. flavicincta
0 50 100 1500
500
1000
1500
(b)
Gerações
Tam
anho
pop
ulac
iona
l
S. frugiperdaP. nigrispinusE. annulipesC. flavicincta
Figura 5.4 – Simulacoes do modelo adaptado de Hassel (1978), utilizando (a) 𝑎1 = 0, 2 e (b) 𝑎2 = 0, 2,sendo que os valores dos demais parametros sao indicados na Tabela 5.1
que induz flutuacoes mais fracas (KIDD; AMARASEKARE, 2012). Vale ressaltar que a
extincao local do hospedeiro tambem e indesejavel, ja que os predadores e parasitoides
podem ser extintos localmente, se nao encontrarem outras especies, como recurso. Em
outras palavras, o agente de controle biologico nao se estabelecera no agroecossistema. O
resultado desejavel do controle biologico e a permanencia da praga e dos inimigos naturais
em densidades baixas, de preferencia em equilıbrio estavel (GILLMAN, 2009). Nota-se
que, com o aumento das taxas de ataque dos predadores, ou com a diminuicao da taxa
de ataque do parasitoide, as populacoes da praga e dos inimigos naturais se estabilizam
em nıveis mais baixos, embora passem por um perıodo relativamente longo de transiencia
(Figura 5.4). Pode-se pensar em incluir uma estrutura espacial no modelo, ja que e um
efeito potencialmente estabilizador. Porem, em um agroecossistema onde ha monocultura
ou em um experimento de laboratorio, nao existem patches para que haja migracoes entre
metapopulacoes (KIDD; AMARASEKARE, 2012). Desse modo, o modelo proposto (5.3)
reflete as dinamicas populacionais de um unico patch.
Um fenomeno observado em experimentos de laboratorio (ver Capıtulo 4) e
o fato de machos dos predadores em questao evitarem consumir larvas parasitadas por C.
flavicincta, enquanto que femeas nao tem tanta preferencia. Nota-se que, com o aumento
da taxa de “roubo” de hospedeiros por parte dos predadores, o sistema tende a estabilidade
e o parasitoide a extincao (Figura 5.5). Isso era esperado, tendo em vista que o aumento
de 𝜌 e 𝜀 traz aumento populacional dos predadores analogamente ao aumento de 𝑎1 e
𝑎2, porem, como ha relacao direta com a populacao do parasitoide, o mesmo e levado a
extincao, neste caso. Ao se aumentarem os valores de 𝜌 e 𝜀, simultaneamente (Figura
121
5.6(b)), essa estabilidade e atingida mais rapidamente. Nota-se que os picos populacionais
para o parasitoide sao sempre mais atrasados, em relacao aos picos para os predadores
(Figuras 5.3, 5.4 e 5.6). Segundo Hatcher, Dick e Dunn (2006), que estudaram a introducao
de patogenos e parasitas em uma comunidade de predadores e presas, se os predadores
consumirem a presa a ponto de deixar sua populacao abaixo de um limiar necessario para o
estabelecimento do parasita, nao havera infeccao. Analogamente, ao liberar um parasitoide
e um predador, ambos inimigos naturais de uma praga especıfica, para haver coexistencia e
controle satisfatorio da parte de ambos os inimigos naturais, o predador nao deve consumir
um determinado limiar de presas parasitadas.
0.0 0.2 0.4 0.6 0.8 1.0
010
0020
0030
0040
00
(a)
ρ
Tam
anho
pop
ulac
iona
l
S. frugiperdaP. nigrispinusC. flavicincta
0.0 0.2 0.4 0.6 0.8 1.0
010
0020
0030
0040
00
(b)
ε
Tam
anho
pop
ulac
iona
l
S. frugiperdaE. annulipesC. flavicincta
Figura 5.5 – Diagramas de bifurcacao para os parametros (a) 𝜌 e (b) 𝜀. Os valores utilizados sao os indicadosna Tabela 5.1
No modelo hospedeiro-parasitoide classico de Nicholson e Bailey (1935), os
parasitoides procuram de maneira aleatoria em um ambiente homogeneo. Na decada de 70,
foram propostos modelos para os quais os hospedeiros estao distribuıdos de maneira alea-
toria em varios patches, sendo que os parasitoides apresentam comportamento de procura
que os leva a agregacao em patches com alta densidade de hospedeiros (MAY, 1978). O
realismo adicionado aos modelos propostos e um ponto positivo, sendo que o custo a se
pagar e o maior numero de parametros e impossibilidade de extensao para muitas especies.
No modelo proposto (5.3), nao foi considerada uma procura que leva a agregacao do parasi-
toide. Segundo May (1978), em estudos de laboratorio, e comum encontrar subdispersao na
frequencia de ataques de parasitoides, dado que as arenas utilizadas constituem ambientes
pequenos e homogeneos e, alem disso, ha mecanismos que previnem que algumas especies de
parasitoides parasitem mais de uma vez a mesma presa (fenomeno conhecido por superpa-
rasitismo). O parasitoide C. flavicincta, por sua vez, pode optar pelo superparasitismo em
122
0 50 100 150 200
050
010
0015
0020
0025
0030
00
(a)
Gerações
Tam
anho
pop
ulac
iona
l
S. frugiperdaP. nigrispinusE. annulipesC. flavicincta
0 50 100 150 2000
500
1000
1500
2000
2500
3000
3500
(b)
Gerações
Tam
anho
pop
ulac
iona
l
S. frugiperdaP. nigrispinusE. annulipesC. flavicincta
Figura 5.6 – Simulacoes do modelo adaptado de Hassel (1978), utilizando (a) 𝜌 = 0, 3 e (b) 𝜌 = 𝜀 = 0, 3,sendo que os valores dos demais parametros sao indicados na Tabela 5.1
algumas situacoes, ovipositando, no maximo, quatro ovos no mesmo hospedeiro (PATEL;
HABIB, 1987; MATRANGOLO; MARTINS-DIAS; CRUZ, 2007). Entretanto, apenas um
indivıduo adulto emerge, geralmente, de um hospedeiro superparasitado (PATEL; HABIB,
1987).
Um modelo que incorporou o conceito de manejo integrado de pragas ao mo-
delo de Nicholson e Bailey (1935) foi o proposto por Tang e Cheke (2008). Esse modelo
considera uma estrategia de monitoramento populacional da praga e, quando essa popu-
lacao atinge um ponto denominado “limiar de dano economico”, no qual a populacao da
praga e grande o suficiente para induzir perdas economicas no agroecossistema, a aplicacao
de pesticidas e feita. No modelo proposto (5.3), percebe-se que, por haver tres agentes
controladores da praga, dependendo da taxa de “roubo” de larvas parasitadas, pode haver
estabilidade, possivelmente, abaixo de um limiar de dano economico. Battel, Moral e Go-
doy (2012) utilizaram um modelo hospedeiro-parasitoide proposto por Hassell (1978) para
interacoes troficas em agroecossistemas com inclusao do efeito de pesticidas. Os autores
apontam que ao utilizar pesticidas em aplicacoes periodicas, o efeito pode ser estabilizador
quando a mortalidade induzida pelo pesticida for intermediaria.
Em um sistema com duas especies de parasitoides competindo, ha maior pro-
babilidade de coexistencia se a interacao entre o hospedeiro e os parasitoides contribuir
para a estabilidade. Isso implica que mais especies interagindo nesse tipo de sistema podem
coexistir se o parasitismo, por si so, for um processo estabilizador (HASSELL; WAAGE,
1984). No modelo proposto (5.3), a acao dos dois predadores limita a quantidade de presas
disponıveis ao parasitoide de modo semelhante a acao do parasitoide 𝑅 do modelo de Has-
123
sell (5.1). A principal diferenca e que os predadores, quando atacam, nao deixam a presa
disponıvel para o parasitoide, mas o contrario nao e verdade, ja que uma presa parasitada
pode ser consumida. Esse “roubo” de hospedeiros pode implicar em um parasitismo mais
fraco, que leva a estabilidade do sistema (Figura 5.5). Por isso, pode-se concluir que o
efeito da predacao, nesse sistema, e, por si so, estabilizador, enquanto o parasitismo pode,
potencialmente, levar a instabilidade.
5.4 Conclusoes
Os estudos de simulacao do modelo proposto (5.3) permitiram concluir que:
- o “roubo” de presas parasitadas pode ser um fator estabilizador do sistema estudado,
sendo que a coexistencia entre a praga, os predadores e o parasitoide e mais pro-
vavel quando as taxas de ataque dos predadores sao maiores e a taxa de ataque do
parasitoide e menor;
- nas funcoes utilizadas para descrever as probabilidades da presa escapar a predacao
e o parasitismo, os valores de 𝑘1 e 𝑘2 devem ser estimados, para que os efeitos de 𝜌 e
𝜀 possam ser melhor avaliados.
Como proximo passo, estudos de equilıbrio e coexistencia para o modelo pro-
posto serao feitos, a fim de estabelecer os intervalos parametricos que promovem coexistencia
em baixas densidades populacionais, ja que e este o proposito do controle biologico.
Referencias
AMARASEKARE, P. Coexistence of competing parasitoids on a patchily distributedhost: local vs. spatial mechanisms. Ecology, Washington, v. 81, p. 1286–1296, 2000.
AMARASEKARE, P. Competitive coexistence in spatially structured environments: asynthesis. Ecology Letters, Hoboken, v. 6, p. 1109–1122, 2003.
BASTOS, E. M.; TORRES, J. B.; BUENO, A. F.. Oviposicao, desenvolvimento ereproducao de Spodoptera frugiperda (J. E. Smith) (Lepidoptera: Noctuidae) em diferenteshospedeiros de importancia economica. Neotropical Entomology, Londrina, v. 39, p.996–1001, 2010.
BATTEL, A. P. M. B.; MORAL, R. A.; GODOY, W. A. C. Modelos matematicospredador-presa e aplicacoes ao manejo integrado de pragas. Oecologia Australis, Rio deJaneiro, v. 16, p. 43–62, 2012.
CUSHING, J. M.; CONSTANTINO, R. F.; DENNIS, B.; DESHARNAIS, R. A.;HENSON, S. M. Chaos in ecology: experimental nonlinear dynamics. San Diego:Academic Press, 2003. 225 p.
124
FERREIRA, T. E.; CRUZ, I.; LEAO, M. L.; SILVA, I. F.; CASTRO, A. L. G.; PAULA,C. S. Desenvolvimento ninfal de Euborellia annulipes (Dermaptera: carcinophoridae)alimentadas com ovos de Spodoptera frugiperda. In: CONGRESSO DE ECOLOGIA DOBRASIL, 2009, Sao Lourenco. Anais... Sao Lourenco: SEB, 2009. p. 2186–2187.
GILLMAN, M. An introduction to mathematical models in ecology andevolution: time and space. Chichester: Wiley-Blackwell, 2009. 158 p.
GOTELLI, N. A primer of ecology. Sunderland: Sinauer Associates, 2008. 290 p.
HASSELL, M. P. The dynamics of arthropod predator-prey systems. Princeton:Princeton University Press, 1978. 237 p.
HASSELL, M. P; WAAGE, J. K. Host-parasitoid population interactions. AnnualReview of Entomology, Palo Alto, vol. 29, p. 89–114, 1984.
HATCHER, M. J.; DICK, J. T. A.; DUNN, A. M. How parasites affect interactionsbetween competitors and predators. Ecology Letters, Hoboken, vol. 9, p. 1253–1271,2006.
HOLLING, C. S. The components of predation as revealed by a study of small-mammalpredation of the European pine sawfly. Canadian Entomologist, New York, vol. 91, p.293–320, 1959.
KIDD, D.; AMARASEKARE, P. The role of transient dynamics in biological pest control:insights from a host-parasitoid community. Journal of Animal Ecology, Hoboken, v.81, p. 47–57, 2012.
LIMA, E. A. B. F.; FERREIRA, C. P.; GODOY, W. A. C. Ecological modeling and pestpopulation management: a possible and necessary connection in a changing world.Neotropical Entomology, Londrina, v. 38, p. 699–707, 2009.
LOTKA, A. J. Elements of Physical Biology. Baltimore: Williams and Wilkins, 1925.460 p.
MATOS NETO, F. C.; CRUZ, I.; ZANUNCIO, J. C.; SILVA, C. H. O.; PICANCO, M. C.Parasitism by Campoletis flavicincta on Spodoptera frugiperda in corn. PesquisaAgropecuaria Brasileira, Brasılia, v. 39, p. 1077–1081, 2004.
MATRANGOLO, W. J. R.; MARTINS-DIAS, A. M. P.; CRUZ, I. Aspectos biologicos deCampoletis flavicincta (Ashmead) (Hymenoptera: Ichneumonidae) e interacoes com ovırus da poliedrose nuclear de Spodoptera frugiperda. Revista Brasileira de Milho eSorgo, Sete Lagoas, v. 6, p. 1–16, 2007.
MAY, R. M. Host-parasitoid interactions in patchy environments: a phenomenologicalmodel. Journal of Animal Ecology, v. 47, p. 833–844, 1978.
NICHOLSON, A. J.; BAILEY, V. A. The balance of animal populations - Part I.Proceedings of the Zoological Society of London, London, v. 105, p. 551–598, 1935.
OLIVEIRA, H. N.; PRATISSOLI, D.; PEDRUZZI, E. P.; ESPINDULA, M. C.Desenvolvimento do predador Podisus nigrispinus alimentado com Spodoptera frugiperda eTenebrio molitor. Pesquisa Agropecuaria Brasileira, Brasılia, v. 39, p. 947–951, 2004.
125
OLIVEIRA, J. E. M.; TORRES, J. B.; CARRANO-MOREIRA, A. F.; RAMALHO, F. S.Biologia de Podisus nigrispinus predando lagartas de Alabama argillacea em campo.Pesquisa Agropecuaria Brasileira, Brasılia, v. 37, p. 7–14, 2002.
PATEL, P. N.; HABIB, M. E. M. Biological studies on Campoletis flavicincta (Ashmead,1890) (Hym., Ichneumonidae), an endoparasitic of the fall armyworm, Spodopterafrugiperda (Abbot & Smith, 1797) (Lepid., Noctuidae). Journal of AppliedEnomology, Hoboken, v. 104, p. 28–35, 1987.
R CORE TEAM. R: A Language and Environment for Statistical Computing. RFoundation for Statistical Computing, Vienna, Austria, Disponıvel em:<http://www.R-project.org>, Acesso em: 10 nov. 2013.
REDOAN, A. C.; CRUZ, I.; CARVALHO, G. A.; FIGUEIREDO, M. L. C.; SILVA, R. B.Seletividade de inseticidas registrados no controle de Spodoptera frugiperda em milho paraninfas de Doru luteipes e Euborellia annulipes. In: CONGRESSO NACIONAL DEMILHO E SORGO, 2010, Goiania. Anais... Goiania: ABMS, 2010. p. 226–228.
SUELDO, M. R.; BRUZZONE, O. A.; VIRLA, E. G. Characterization of the earwig,Doru lineare, as a predator of the falla rmyworm, Spodoptera frugiperda: a functionalresponse study. Journal of Insect Science, Tucson, v. 10, artigo 38, 2010.
TANG, S.; CHEKE, R. A. Models for integrated pest control and their biologialimplications. Mathematical Biosciences, New York, v. 215, p. 115–125, 2008.
VOLTERRA, V. Fluctuations in the abundance of a species considered mathematically.Nature, London, v. 118, p. 558–560, 1926.
ZANUNCIO, J. C.; MATOS NETO, F. C.; TAVARES, W. S.; CRUZ, I.; LEITE, G. L.D.; SERRAO, J. E. Functional and numerical responses and reproduction of Campoletisflavicincta parasitizing Spodoptera frugiperda caterpillars. Acta Scientarum, Maringa,vol. 35, p. 419–426, 2013.
ZANUNCIO, J. C.; SILVA, C. A. D.; LIMA, E. R.; PEREIRA, F. F.; RAMALHO, F. S.Predation rate of Spodoptera frugiperda (Lepidoptera: Noctuidae) larvae with and withoutdefense by Podisus nigrispinus (Heteroptera: Pentatomidae). Brazilian Archives ofBiology and Technology, Curitiba, v. 51, p. 121–125, 2008.
126
127
6 CONSIDERACOES FINAIS
Nesta dissertacao, procurou-se desenvolver e utilizar ferramentas estatısticas
para estudar as relacoes ecologicas entre pragas e inimigos naturais de importancia agrono-
mica. Para isso, diferentes experimentos foram feitos, utilizando duas pragas, Spodoptera
frugiperda e Alabama argillacea, duas especies de predadores, Podisus nigrispinus e Eubo-
rellia annulipes e um parasitoide, Campoletis flavicincta. Com este estudo, foi possıvel
contribuir para o conhecimento acerca da utilizacao conjunta desses inimigos naturais para
controlar as pragas mencionadas.
Com o desenvolvimento da funcao hnp(), foi possıvel avaliar a qualidade do
ajuste de diferentes tipos de modelos lineares generalizados no software gratuito R, assim
como era feito no software GLIM, anteriormente. Essa funcao foi utilizada para avaliar a
qualidade do ajuste de parte dos modelos utilizados nos Capıtulos 3 e 4. Essa funcao esta
em teste e sera disponibilizada na Comprehensive R Archive Network (CRAN), assim que
possıvel.
Foi possıvel observar que o comportamento das femeas de E. annulipes e mais
agressivo em relacao a competidores e menos seletivo em relacao as presas, quando se trata
de parasitismo previo. Observou-se, tambem, que os predadores tem capacidade de discri-
minar larvas parasitadas das nao-parasitadas por C. flavicincta, sendo que os machos de
ambas as especies de predadores preferem consumir presas nao-parasitadas. Essa carac-
terıstica, incluıda em uma adaptacao do modelo de parasitoides competidores de Hassell
(Capıtulo 5), parece ser um fator estabilizador do sistema. Tem-se que o uso, em concomi-
tancia, dos predadores e do parasitoide para controlar S. frugiperda e uma estrategia que
pode ser viavel em situacoes especıficas, quando (1) as taxas de predacao sao maiores e a
taxa de parasitismo e pequena e (2) a taxa de predacao de larvas parasitadas e pequena a
intermediaria. Se os predadores levarem o parasitoide a extincao local, nao seria necessario
o uso deste ultimo na estrategia de controle.
Como trabalhos futuros referentes as analises estatısticas, diferentes tipos de
funcoes suavizadoras serao utilizadas para melhorar a qualidade do ajuste dos modelos
aditivos generalizados utilizados no Capıtulo 3. Em relacao a ecologia das especies pesqui-
sadas, mais estudos sao necessarios antes de efetuar o controle das pragas com multiplos
inimigos naturais, como (1) estudos que verifiquem efeitos do parasitismo por maior pe-
rıodo de tempo sobre a predacao, (2) experimentos para estimar as taxas de agregacao dos
predadores, (3) experimentos para quantificar as taxas de canibalismo nas duas especies de
predadores, bem como (4) estudos de campo em escala reduzida, reproduzindo situacoes
hipoteticas de controle das pragas com os inimigos naturais estudados.
O controle biologico de pragas, quando feito corretamente, e uma alternativa
ao uso de pesticidas, que podem prejudicar a saude humana. Esta dissertacao pesquisou
inimigos naturais que podem ser utilizados para controlar pragas de milho e algodao e
128
utilizaram-se tecnicas e ferramentas estatısticas variadas, dependendo da natureza dos dados
analisados. O uso correto das tecnicas estatısticas e de suma importancia ao analisar esses
dados, ja que conclusoes equivocadas levam ao insucesso das estrategias de controle biologico
e, por consequencia, a perdas economicas. Ainda nao existem ferramentas que facilitem o
uso das mais variadas tecnicas estatısticas, visando a analise de dados provenientes de
experimentos da area de entomologia. O desenvolvimento de ferramentas computacionais,
acopladas a softwares de codigo aberto, seria util, nesse contexto.
129
APENDICES
130
131
Apendice A: Obtencao de 𝜋𝑞 para o modelo de regressao logıstica multinomial
ordenada
A partir do preditor linear de um modelo de regressao logıstica multinomial,
pode-se obter o valor de 𝜋𝑞, 𝑞 = 1, 2, . . . , 𝑘, 𝑘 + 1 por meio do preditor linear 𝜂𝑞. Tem-se
log
(𝜋𝑞
𝜋𝑞+1 + . . . + 𝜋𝑘+1
)= 𝜂𝑞
𝜋𝑞
𝜋𝑞+1 + . . . + 𝜋𝑘+1
= 𝑒𝜂𝑞 (6.1)
Sabe-se que∑𝑘+1
𝑞=1 𝜋𝑞 = 1.
Para 𝜋𝑘, tem-se
𝜋𝑘
𝜋𝑘+1
= 𝑒𝜂𝑘
𝜋𝑘 = 𝑒𝜂𝑘𝜋𝑘+1 (6.2)
Escrevendo todos os 𝜋𝑞 em termos de 𝜋𝑘+1, obtem-se as expressoes:
� Para 𝜋𝑘−1:
𝜋𝑘−1
𝜋𝑘 + 𝜋𝑘+1
= 𝑒𝜂𝑘−1 (6.3)
Substituindo (6.2) em (6.3)
𝜋𝑘−1
𝑒𝜂𝑘𝜋𝑘+1 + 𝜋𝑘+1
= 𝑒𝜂𝑘−1
𝜋𝑘−1 = 𝑒𝜂𝑘−1(1 + 𝑒𝜂𝑘)𝜋𝑘+1 (6.4)
� Para 𝜋𝑘−2:
𝜋𝑘−2
𝜋𝑘−1 + 𝜋𝑘 + 𝜋𝑘+1
= 𝑒𝜂𝑘−2 (6.5)
Substituindo (6.2) e (6.4) em (6.5):
𝜋𝑘−2
𝑒𝜂𝑘−1(1 + 𝑒𝜂𝑘)𝜋𝑘+1 + 𝑒𝜂𝑘𝜋𝑘+1 + 𝜋𝑘+1
= 𝑒𝜂𝑘−1
𝜋𝑘−2 = 𝑒𝜂𝑘−2(1 + 𝑒𝜂𝑘)(1 + 𝑒𝜂𝑘−1)𝜋𝑘+1 (6.6)
132
Generalizando, tem-se:
𝜋𝑘−𝑛 =
⎧⎪⎪⎨⎪⎪⎩𝑒𝜂𝑘−𝑛𝜋𝑘+1, 𝑛 = 0
𝑒𝜂𝑘−𝑛𝜋𝑘+1
𝑘∏𝑖=𝑘−𝑛+1
(1 + 𝑒𝜂𝑖), 𝑛 = 1, 2, . . . , 𝑘 − 1
Fazendo 𝑘 − 𝑛 = 𝑞,
𝜋𝑞 =
⎧⎪⎪⎨⎪⎪⎩𝑒𝜂𝑞𝜋𝑘+1
𝑘∏𝑖=𝑞+1
(1 + 𝑒𝜂𝑖), 𝑞 = 1, 2, . . . , 𝑘 − 1
𝑒𝜂𝑞𝜋𝑘+1, 𝑞 = 𝑘
(6.7)
Tem-se um sistema com 𝑘 + 1 variaveis e 𝑘 + 1 equacoes:⎧⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎩
𝜋1 = 𝑒𝜂1𝜋𝑘+1
𝑘∏𝑖=2
(1 + 𝑒𝜂𝑖)
𝜋2 = 𝑒𝜂2𝜋𝑘+1
𝑘∏𝑖=3
(1 + 𝑒𝜂𝑖)
...
𝜋𝑘 = 𝑒𝜂𝑘𝜋𝑘+1
𝑘+1∑𝑞=1
𝜋𝑞 = 1
Substituindo os valores de 𝜋𝑞, 𝑞 = 1, 2, . . . , 𝑘 em∑𝑘+1
𝑞=1 𝜋𝑞, pode-se isolar 𝜋𝑘+1:
𝑘+1∑𝑞=1
𝜋𝑞 = 1
𝑘−1∑𝑞=1
𝜋𝑞 + 𝜋𝑘 + 𝜋𝑘+1 = 1
𝑘−1∑𝑞=1
[𝑒𝜂𝑞𝜋𝑘+1
𝑘∏𝑖=𝑞+1
(1 + 𝑒𝜂𝑖)
]+ 𝑒𝜂𝑘𝜋𝑘+1 + 𝜋𝑘+1 = 1{
𝑘−1∑𝑞=1
[𝑒𝜂𝑞
𝑘∏𝑖=𝑞+1
(1 + 𝑒𝜂𝑖)
]+ 𝑒𝜂𝑘 + 1
}⏟ ⏞
soma
𝜋𝑘+1 = 1 (6.8)
133
Fazendo a expansao da soma destacada em (6.8), tem-se:
𝑘−1∑𝑞=1
[𝑒𝜂𝑞
𝑘∏𝑖=𝑞+1
(1 + 𝑒𝜂𝑖)
]+ 𝑒𝜂𝑘 + 1 =
= 𝑒𝜂1𝑘∏
𝑖=2
(1 + 𝑒𝜂𝑖) + 𝑒𝜂2𝑘∏
𝑖=3
(1 + 𝑒𝜂𝑖) + 𝑒𝜂𝑘−2
𝑘∏𝑖=𝑘−1
(1 + 𝑒𝜂𝑖)+
+𝑒𝜂𝑘−1(1 + 𝑒𝜂𝑘) + (1 + 𝑒𝜂𝑘) =
= 𝑒𝜂1(1 + 𝑒𝜂2) . . . (1 + 𝑒𝜂𝑘) + 𝑒𝜂2(1 + 𝑒𝜂3) . . . (1 + 𝑒𝜂𝑘) + . . .+
+𝑒𝜂𝑘−2(1 + 𝑒𝜂𝑘−1)(1 + 𝑒𝜂𝑘) + 𝑒𝜂𝑘−1(1 + 𝑒𝜂𝑘) + (1 + 𝑒𝜂𝑘) =
= (1 + 𝑒𝜂𝑘)[𝑒𝜂1(1 + 𝑒𝜂2) . . . (1 + 𝑒𝜂𝑘−1) + 𝑒𝜂2(1 + 𝑒𝜂3) . . . (1 + 𝑒𝜂𝑘−1) + . . .+
+𝑒𝜂𝑘−2(1 + 𝑒𝜂𝑘−1) + (1 + 𝑒𝜂𝑘−1)] =
= (1 + 𝑒𝜂𝑘)(1 + 𝑒𝜂𝑘−1)[𝑒𝜂1(1 + 𝑒𝜂2) . . . (1 + 𝑒𝜂𝑘−2)+
+𝑒𝜂2(1 + 𝑒𝜂3) . . . (1 + 𝑒𝜂𝑘−2) + . . . + (1 + 𝑒𝜂𝑘−2)] =
= (1 + 𝑒𝜂𝑘)(1 + 𝑒𝜂𝑘−1)(1 + 𝑒𝜂𝑘−2) . . . (1 + 𝑒𝜂1) =
=𝑘∏
𝑖=1
(1 + 𝑒𝜂𝑖)
Logo, [𝑘∏
𝑖=1
(1 + 𝑒𝜂𝑖)
]𝜋𝑘+1 = 1
𝜋𝑘+1 =1∏𝑘
𝑖=1(1 + 𝑒𝜂𝑖)(6.9)
Agora, substituindo 𝜋𝑘+1 (6.9) em (6.7), obtem-se o termo geral para 𝜋𝑞, 𝑞 = 1, 2, . . . , 𝑘:
𝜋𝑞 =𝑒𝜂𝑞
∏𝑘𝑖=𝑞+1(1 + 𝑒𝜂𝑖)∏𝑘𝑖=1(1 + 𝑒𝜂𝑖)
⇒ 𝜋𝑞 =𝑒𝜂𝑞∏𝑞
𝑖=1(1 + 𝑒𝜂𝑖)(6.10)
134
135
ANEXOS
136
137
Anexo A: Conjuntos de dados utilizados no Capıtulo 3
Tabela 6.1 – Dados do experimento 1. “E” representa E. annulipes e “P” representa P. nigrispinus; “S”representa Sim e “N” representa Nao
Primeiro ataque
MachosE E P P P P E P P P E P E E P P E
E E P E E E P E E E E P P P P E
FemeasP P P E P E E E P E E E E E E P E
P E E E E E E E E E E E P P E P E
Consumo efetivo
MachosP E P P P P P P P P E P E E E P E
E E P E E E P E E E P P P P P E
FemeasP P P P P E E E P E E E E E P P E
P E E E E E P E E P E E P P E P E
P atacou E
MachosS N S N S S S S S S N N N N N N N
S S S S S N S N S N N N N S N N
FemeasN S N S S S S S S N S N S N N N N
S S S S N S N N S S N S N N N N N
E atacou P
MachosS N S N S S S N S S N N N N N S N
S S S S S N N N N N N N S N N N
FemeasS N N S S S N S S S S N S S N N S
N S S S N S S S S S S N N N N N N
138
Tabela 6.2 – Dados do experimento 2. “E” representa E. annulipes e “P” representa P. nigrispinus
(continua)
Bloco Sexo DensidadeAtacou primeiro Tempo ate Consumiu efetivamente Primeiro a atacar Numero de ataques
a presa ataque (min) mais presas o outro competidor P E
1 M 1 P 28 P 0 0
1 M 3 P 4 P 0 0
1 F 1 E 2 E 0 0
1 F 3 P 12 P P 1 1
2 M 1 P 1 P E 0 2
2 M 3 0 0
2 F 1 E 4 E E 0 1
2 F 3 E 36 E E 0 2
3 M 1 P 15 P P 1 0
3 M 3 P 35 P 1 0
3 F 1 E 2 E 0 0
3 F 3 E 2 E P 1 1
4 M 1 0 0
4 M 3 E 25 E 0 0
4 F 1 E 2 E 0 0
4 F 3 E 4 E E 0 4
5 M 1 E 0 1
5 M 3 E 5 E E 0 2
5 F 1 E 1 1
5 F 3 E 3 E E 2 7
6 M 1 P 1 0
6 M 3 P 46 P 0 0
6 F 1 E 0 2
6 F 3 E 22 E E 1 4
7 M 1 E 32 E 0 0
7 M 3 E 55 E 0 0
7 F 1 P 2 P 0 0
7 F 3 0 0
8 M 1 P 10 P P 1 0
8 M 3 0 0
8 F 1 E 14 E P 1 2
8 F 3 E 1 E E 0 5
9 M 1 0 0
9 M 3 0 0
9 F 1 P 1 4
9 F 3 E 6 E E 0 1
10 M 1 E 0 2
10 M 3 0 0
10 F 1 E 0 1
10 F 3 E E E 0 5
11 M 1 0 0
11 M 3 P 31 P E 1 2
11 F 1 E 0 1
11 F 3 E 0 1
12 M 1 E 19 0 0
12 M 3 P 39 0 0
12 F 1 E 6 2
12 F 3 0 0
13 M 1 P P 0 0
13 M 3 0 0
13 F 1 E 14 E E 0 2
13 F 3 E 3 E E 0 2
14 M 1 0 0
14 M 3 E 9 E P 2 0
14 F 1 E 41 E 0 0
14 F 3 P 10 P P 3 1
15 M 1 0 0
15 M 3 E 0 0
15 F 1 E 0 1
15 F 3 E 3 E E 0 4
16 M 1 P 3 0
16 M 3 E 2 4
16 F 1 E 7 E E 0 1
16 F 3 E 38 E 0 0
17 M 1 0 0
17 M 3 E 34 E 0 0
17 F 1 P 1 0
17 F 3 E 15 E E 0 3
139
Tabela 6.2 – Dados do experimento 2. “E” representa E. annulipes e “P” representa P. nigrispinus
(continuacao)
Bloco Sexo DensidadeAtacou primeiro Tempo ate Consumiu efetivamente Primeiro a atacar Numero de ataques
a presa ataque (min) mais presas o outro competidor P E
18 M 1 P 1 0
18 M 3 E E 0 0
18 F 1 0 0
18 F 3 E 39 E E 1 4
19 M 1 E 24 E 0 0
19 M 3 P 44 E P 1 1
19 F 1 E 28 E P 1 1
19 F 3 E 2 E 0 0
20 M 1 P 6 P 0 0
20 M 3 P 3 P P 2 1
20 F 1 E 3 4
20 F 3 E 2 4
21 M 1 E 24 E 0 0
21 M 3 0 0
21 F 1 E 2 E E 0 4
21 F 3 E 22 E E 0 1
22 M 1 E 22 E P 2 2
22 M 3 0 0
22 F 1 P 1 0
22 F 3 E 0 1
23 M 1 P 4 5
23 M 3 E 16 E 0 0
23 F 1 P 2 1
23 F 3 E 47 E 0 0
24 M 1 P 1 0
24 M 3 E 8 E 0 0
24 F 1 0 0
24 F 3 0 0
25 M 1 0 0
25 M 3 0 0
25 F 1 E 14 E 0 0
25 F 3 E 25 E P 1 3
26 M 1 P 1 0
26 M 3 0 0
26 F 1 E 15 E P 6 4
26 F 3 0 0
27 M 1 E 32 E 0 0
27 M 3 0 0
27 F 1 E 47 E E 0 1
27 F 3 E 8 E 0 0
28 M 1 E 31 E P 1 0
28 M 3 0 0
28 F 1 E 49 E P 1 8
28 F 3 E 30 E E 0 1
29 M 1 P 1 0
29 M 3 P 27 E E 0 1
29 F 1 E 5 E E 0 4
29 F 3 E 2 E P 3 2
30 M 1 E 7 E 0 0
30 M 3 E 3 E P 1 0
30 F 1 E 18 E E 0 1
30 F 3 E 4 E 0 0
31 M 1 0 0
31 M 3 E 6 E 0 0
31 F 1 E 0 1
31 F 3 E 9 E 0 0
32 M 1 0 0
32 M 3 0 0
32 F 1 E 24 E 0 0
32 F 3 E 3 E 0 0
33 M 1 E 0 1
33 M 3 E 14 E 0 0
33 F 1 E 12 E E 0 5
33 F 3 E 32 E 0 0
140
Tabela 6.2 – Dados do experimento 2. “E” representa E. annulipes e “P” representa P. nigrispinus
(conclusao)
Bloco Sexo DensidadeAtacou primeiro Tempo ate Consumiu efetivamente Primeiro a atacar Numero de ataques
a presa ataque (min) mais presas o outro competidor P E
34 M 1 0 0
34 M 3 0 0
34 F 1 E 1 E E 0 7
34 F 3 E 19 E E 1 12
35 M 1 E 38 E 0 0
35 M 3 E 37 E E 0 1
35 F 1 0 0
35 F 3 E 7 E E 0 4
36 M 1 0 0
36 M 3 P 1 0
36 F 1 E 36 E 0 0
36 F 3 E 5 E E 0 2
37 M 1 0 0
37 M 3 E 28 E 0 0
37 F 1 E 24 E E 0 2
37 F 3 P 14 P P 2 2
38 M 1 E 0 3
38 M 3 P 54 0 0
38 F 1 E 1 E E 0 4
38 F 3 E 5 E 0 1
39 M 1 E 0 1
39 M 3 E 37 E 0 0
39 F 1 E 1 1
39 F 3 P 1 5
40 M 1 E 23 E 0 0
40 M 3 P 48 0 0
40 F 1 E 2 E E 0 8
40 F 3 E 32 E E 0 4
41 M 1 E 2 E 0 0
41 M 3 P 1 0
41 F 1 E 0 1
41 F 3 E 30 E E 0 1
42 M 1 E 30 E 0 0
42 M 3 0 0
42 F 1 E 1 E E 1 5
42 F 3 E 13 E E 0 2
43 M 1 E 0 1
43 M 3 E 29 E 0 0
43 F 1 0 0
43 F 3 E 0 3
44 M 1 E 16 E 0 0
44 M 3 0 0
44 F 1 E 17 E 0 0
44 F 3 E 46 E 0 0
45 M 1 0 0
45 M 3 0 0
45 F 1 E 30 E E 0 2
45 F 3 E 7 E E 0 3
46 M 1 0 0
46 M 3 E 35 E P 3 0
46 F 1 E 24 E E 0 3
46 F 3 E 44 E E 0 1
47 M 1 E 17 E E 2 3
47 M 3 0 0
47 F 1 E 8 E E 0 2
47 F 3 E 29 E 0 0
48 M 1 0 0
48 M 3 E 18 E 0 0
48 F 1 E 4 E E 0 3
48 F 3 E 45 E E 0 1
49 M 1 0 0
49 M 3 E 0 1
49 F 1 E 3 E E 4 7
49 F 3 E 13 E 0 0
50 M 1 E 7 E P 1 0
50 M 3 0 0
50 F 1 E 0 1
50 F 3 E 2 3
141
Tabela 6.3 – Dados do experimento 3 referentes a P. nigrispinus
Bloco DensidadeDia
1 2 3 4 5 6 7 8 9 10 11
I
5 4 4 3 3 3 3 3 3 3 3 3
15 15 15 15 15 15 15 15 15 12 12 12
25 25 24 20 16 13 13 12 12 10 10 10
35 30 26 22 17 14 10 9 7 7 7 7
45 43 32 26 24 24 20 18 11 10 10 10
II
5 5 4 3 2 2 2 2 2 2 2 2
15 15 14 14 11 11 10 8 7 7 7 7
25 23 22 20 17 17 17 17 17 11 11 11
35 33 30 30 25 24 22 22 22 16 16 16
45 44 42 40 35 33 23 22 20 11 11 11
III
5 5 4 4 3 3 3 2 2 2 2 2
15 15 13 13 8 8 8 8 7 6 6 6
25 25 20 18 12 12 12 12 8 7 7 7
35 35 30 30 27 27 27 25 20 18 18 18
45 45 35 33 29 29 29 29 29 15 15 15
IV
5 5 5 4 2 2 2 2 2 2 2 2
15 14 14 13 9 9 9 6 6 6 6 6
25 22 22 14 13 13 13 13 13 12 11 11
35 35 30 14 14 14 14 14 14 11 11 11
45 45 39 18 18 18 13 13 13 13 13 13
Tabela 6.4 – Dados do experimento 3 referentes a E. annulipes
Bloco DensidadeDia
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
I
5 5 5 5 5 5 5 5 5 4 3 3 2 2 2 2 2 2 2 2
15 15 15 15 15 15 15 15 15 11 11 11 10 8 8 8 8 8 8 8
25 25 25 25 25 23 23 23 21 21 15 15 12 12 12 12 11 11 11 11
35 35 35 35 29 29 29 29 22 21 21 21 20 18 18 17 14 14 12 12
45 45 45 44 43 43 42 42 41 36 31 31 23 22 20 20 19 19 19 19
II
5 5 5 5 5 5 4 3 3 3 3 2 2 2 2 2 2 2 2 2
15 15 15 15 15 15 10 10 10 5 5 5 5 4 4 4 4 4 4 4
25 23 19 18 18 18 14 13 13 10 10 9 9 9 8 8 8 8 8 8
35 34 34 33 31 30 29 25 22 20 20 19 19 18 15 15 15 15 14 14
45 43 43 43 43 43 42 42 39 32 26 26 25 22 20 20 20 20 18 18
III
5 5 5 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3
15 12 10 8 8 8 6 6 6 6 6 6 6 6 6 6 6 6 6 6
25 23 23 13 13 13 13 13 9 9 9 9 9 9 9 9 8 8 8 8
35 33 33 22 22 22 22 12 12 12 12 12 11 10 10 10 10 10 10 10
45 45 39 36 36 36 36 24 24 24 24 24 24 24 24 24 24 18 18 18
IV
5 5 5 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
15 11 11 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
25 24 23 13 13 13 13 13 13 13 13 13 10 10 10 10 10 10 10 10
35 34 34 22 21 21 12 12 12 12 12 12 12 12 12 12 12 12 12 12
45 45 36 26 26 26 26 26 26 26 26 26 25 25 25 25 25 25 25 25
142
Anexo B: Conjuntos de dados utilizados no Capıtulo 4
Tabela 6.5 – Dados do experimento 4. “E” representa E. annulipes, “P” representa P. nigrispinus, “Par”representa a larva parasitada e “NPar” representa a larva nao-parasitada
(continua)
Bloco Especie Sexo Tempo ate ataque (s) Primeiro ataque Consumo efetivo
1 E M 75 NPar NPar
1 E F 58 NPar NPar
1 P M 392 NPar NPar
1 P F 664 Par NPar
2 E M 220 NPar NPar
2 E F 175 NPar NPar
2 P M 42 Par Par
2 P F 1098 NPar NPar
3 E M 250 Par NPar
3 E F 100 NPar NPar
3 P M 910 NPar NPar
3 P F 200 Par Par
4 E M 64 NPar NPar
4 E F 60 NPar Par
4 P M 263 NPar NPar
4 P F 80 NPar NPar
5 E M 834 Par
5 E F 80 Par Par
5 P M 470 NPar NPar
5 P F
6 E M 140 NPar NPar
6 E F 30 Par Par
6 P M 345 NPar NPar
6 P F 300 NPar NPar
7 E M 370 NPar NPar
7 E F 55 Par NPar
7 P M 365 NPar
7 P F 140 NPar Par
8 E M 230 Par Par
8 E F 50 Par Par
8 P M 156 Par Par
8 P F 1202 NPar NPar
9 E M 100 Par Par
9 E F 95 NPar NPar
9 P M 200 Par NPar
9 P F 20 Par Par
10 E M 60 Par NPar
10 E F 10 NPar NPar
10 P M 1650 NPar NPar
10 P F
11 E M 366 NPar
11 E F 120 NPar NPar
11 P M 140 NPar NPar
11 P F 1625 NPar NPar
12 E M 38 Par
12 E F 15 NPar Par
12 P M 102 NPar NPar
12 P F 2192 NPar NPar
13 E M 61 NPar NPar
13 E F 79 Par Par
13 P M 46 Par NPar
13 P F 86 NPar NPar
14 E M 97 NPar NPar
14 E F 89 Par Par
14 P M 602 NPar Par
14 P F 826 NPar NPar
15 E M 560 NPar NPar
15 E F 77 NPar NPar
15 P M 142 NPar NPar
15 P F 295 Par Par
16 E M 126 NPar NPar
16 E F 171 Par NPar
16 P M 194 NPar NPar
16 P F 403 NPar NPar
17 E M 994 Par
17 E F 116 NPar Par
17 P M 500 NPar NPar
17 P F 300 NPar NPar
143
Tabela 6.5 – Dados do experimento 4. “E” representa E. annulipes, “P” representa P. nigrispinus, “Par”representa a larva parasitada e “NPar” representa a larva nao-parasitada
(continuacao)
Bloco Especie Sexo Tempo ate ataque (s) Primeiro ataque Consumo efetivo
18 E M 96 Par Par
18 E F 146 Par Par
18 P M 634 NPar NPar
18 P F 355 Par Par
19 E M 150 Par Par
19 E F 85 Par Par
19 P M 110 NPar NPar
19 P F 275 NPar NPar
20 E M 15 Par NPar
20 E F 81 NPar NPar
20 P M 280 NPar NPar
20 P F 998 NPar NPar
21 E M 110 Par NPar
21 E F 80 NPar NPar
21 P M
21 P F 100 Par Par
22 E M 31 NPar NPar
22 E F 479 NPar NPar
22 P M 22 NPar NPar
22 P F 25 Par Par
23 E M 33 Par NPar
23 E F 411 Par Par
23 P M 166 NPar NPar
23 P F 365 Par Par
24 E M 522 NPar
24 E F 72 NPar NPar
24 P M 200 NPar
24 P F 923 NPar
25 E M 1240 NPar
25 E F 220 NPar
25 P M 215 NPar NPar
25 P F 132 Par NPar
26 E M 29 Par NPar
26 E F 90 NPar NPar
26 P M 50 Par Par
26 P F 127 NPar NPar
27 E M 38 Par Par
27 E F 108 NPar NPar
27 P M 156 NPar NPar
27 P F 79 Par Par
28 E M 430 NPar
28 E F 152 Par NPar
28 P M 719 NPar NPar
28 P F 991 Par Par
29 E M 92 NPar Par
29 E F 86 NPar
29 P M 282 NPar NPar
29 P F 166 Par Par
30 E M 101 Par NPar
30 E F 21 NPar Par
30 P M 478 Par NPar
30 P F 288 NPar NPar
31 E M 114 NPar
31 E F 72 NPar NPar
31 P M 929 Par Par
31 P F 46 Par Par
32 E M 108 NPar NPar
32 E F 125 Par Par
32 P M 148 NPar NPar
32 P F 2410 NPar NPar
33 E M 13 NPar
33 E F 14 NPar
33 P M 1215 Par Par
33 P F 910 Par Par
144
Anexo C: Comandos para as analises dos dados do experimento 1
comp <- read.csv('comp_inter.csv', h=T)
# Qual competidor atacou primeiro a presa
# (1 = Euborellia, 0 = Podisus)
fm1 <- glm(primeiro.ataque ~ sexo, family=binomial, comp)
summary(fm1)
anova(fm1, test="Chisq")
# Qual competidor consumiu efetivamente a presa
# (1 = Euborellia, 0 = Podisus)
fm2 <- glm(cbind(consumo.efetivo, 1-consumo.efetivo) ~ sexo,
family=binomial, comp)
summary(fm2)
anova(fm2, test="Chisq")
# Agressividade de Podisus
fm3 <- glm(podisus.atacou ~ sexo, family=binomial, comp)
summary(fm3)
anova(fm3, test="Chisq")
# Agressividade de Euborellia
fm4 <- glm(euborellia.atacou ~ sexo, family=binomial, comp)
summary(fm4)
anova(fm4, test="Chisq")
# Tabelas de contingencia
table(comp$consumo.efetivo, comp$euborellia.atacou, comp$sexo,
comp$primeiro.ataque, comp$podisus.atacou)
counts <- c(5,1,0,0,4,2,1,0,1,1,4,5,1,0,9,0,
2,2,0,0,3,6,0,0,0,2,2,9,0,2,1,4)
sex <- factor(rep(c('F','F','F','F','M','M','M','M'), 4))
winner <- factor(rep(c('P','P','E','E'), 8))
e.atk <- factor(rep(c('N','Y','N','Y'), 8))
first.atk <- factor(rep(c('P','P','P','P','P','P','P','P',
'E','E','E','E','E','E','E','E'), 2))
p.atk <- factor(c('N','N','N','N','N','N','N','N','N','N','N','N',
'N','N','N','N','Y','Y','Y','Y','Y','Y','Y','Y',
'Y','Y','Y','Y','Y','Y','Y','Y'))
# modelo saturado
145
full.m <- glm(counts ~ sex*winner*e.atk*first.atk*p.atk,
family=poisson)
summary(full.m)
anova(full.m, test="Chisq")
# modelos reduzidos
mod2 <- update(full.m, . ~ sex*winner*e.atk*first.atk + p.atk)
summary(mod2)
mod3 <- update(full.m, . ~ . - sex:winner:e.atk:first.atk:p.atk)
summary(mod3)
mod4 <- update(full.m, . ~ (sex+winner+e.atk+first.atk+p.atk)^3)
summary(mod4)
mod5 <- update(full.m, . ~ (sex+winner+e.atk+first.atk+p.atk)^2)
summary(mod5)
mod6 <- update(mod5, . ~ . - sex:winner - sex:p.atk - winner:p.atk
- first.atk:p.atk)
summary(mod6)
mod7 <- update(mod6, . ~ . - winner:e.atk - sex:e.atk)
summary(mod7)
mod8 <- update(mod7, . ~ . - e.atk:first.atk - sex:first.atk)
summary(mod8)
mod9 <- update(mod8, . ~ . + sex*winner*e.atk)
summary(mod9)
mod10 <- update(mod9, . ~ . + sex*e.atk*p.atk)
summary(mod10)
mod11 <- update(mod9, . ~ . + sex*winner*first.atk)
summary(mod11)
table(comp$consumo.efetivo, comp$euborellia.atacou, comp$sexo)
counts <- c(8,6,6,14,8,10,11,4)
sex <- as.factor(c('F','F','F','F','M','M','M','M'))
winner <- as.factor(c('S','S','E','E','S','S','E','E'))
atk <- as.factor(c('N','Y','N','Y','N','Y','N','Y'))
fm <- glm(counts ~ 1, family=poisson)
fm2 <- glm(counts ~ sex + winner + atk, family=poisson)
fm3 <- glm(counts ~ sex * winner * atk, family=poisson)
summary(fm3)
anova(fm3, test="Chisq")
anova(fm, fm2, fm3, test="Chisq")
146
fm5 <- update(fm4, .~.-sex)
summary(fm5)
# consumo efetivo
odds.ratio1 <- 18*20/14/15 # 1.71
consumo <- factor(c('P','E','P','E'))
sexo <- factor(c('M','M','F','F'))
resp <- c(18, 15, 14, 20)
mc <- glm(resp ~ consumo * sexo, family=poisson)
mr <- glm(resp ~ consumo + sexo, family=poisson)
anova(mr, mc, test="Chisq")
exp(coef(mc)[4])
# primeiro ataque
odds.ratio2 <- 16*24/10/17 # 2.26
consumo <- factor(c('P','E','P','E'))
sexo <- factor(c('M','M','F','F'))
resp2 <- c(16, 17, 10, 24)
mc2 <- glm(resp2 ~ consumo * sexo, family=poisson)
mr2 <- glm(resp2 ~ consumo + sexo, family=poisson)
anova(mr2, mc2, test="Chisq")
exp(coef(mc2)[4])
147
Anexo D: Comandos para as analises dos dados do experimento 2
alcomp <- read.csv('alabama_competition.csv', h=T)
alcomp$density <- as.factor(alcomp$density)
alcomp$block <- as.factor(alcomp$block)
# Tempo ate primeiro ataque
alcomp$cens <- 1
alcomp$cens[is.na(alcomp$time)] <- 0
alcomp$time[is.na(alcomp$time)] <- 60
# Censura sistematica
alcomp$trat <- alcomp$sex:alcomp$density
alcomp$cens_yn <- factor(alcomp$cens)
levels(alcomp$cens_yn) <- c("Yes","No")
plot(cens_yn ~ trat, data=alcomp, xlab="Treatments",
ylab="Censored")
Cens <- glm(cens ~ block + sex*density, family=binomial, alcomp)
summary(Cens)
# Modelos de analise de sobrevivencia
alcomp2 <- read.csv('alabama_competition.csv', h=T)
alcomp2$density <- as.factor(alcomp2$density)
alcomp2 <- subset(alcomp2, alcomp2$block!=10)
alcomp2$block <- as.factor(alcomp2$block)
alcomp2$cens <- 1
alcomp2$cens[is.na(alcomp2$time)] <- 0
alcomp2$time[is.na(alcomp2$time)] <- 60
fitE2 <- survreg(Surv(time, cens) ~ block + density*sex,
dist="exp", data = alcomp2)
fitE <- flexsurvreg(Surv(time, cens) ~ block + density*sex,
dist="exp", data = alcomp2)
fitG <- flexsurvreg(Surv(time, cens) ~ block + density*sex,
dist="gamma", data = alcomp2)
fitW2 <- survreg(Surv(time, cens) ~ block + density*sex,
dist="weibull", data = alcomp2)
fitW <- flexsurvreg(Surv(time, cens) ~ block + density*sex,
dist="weibull", data = alcomp2)
148
fitEs <- survreg(Surv(time, cens) ~ sex,
dist="exp", data = alcomp2)
fitWs <- survreg(Surv(time, cens) ~ sex,
dist="weibull", data = alcomp2)
anova(fitEs, fitWs, test="Chisq")
fitWm <- flexsurvreg(Surv(time, cens) ~ 1, dist="weibull",
data=subset(alcomp2, alcomp2$sex=="M"))
fitWf <- flexsurvreg(Surv(time, cens) ~ 1, dist="weibull",
data=subset(alcomp2, alcomp2$sex=="F"))
fitWm2 <- survreg(Surv(time, cens) ~ 1, dist="weibull",
data=subset(alcomp2, alcomp2$sex=="M"))
fitWf2 <- survreg(Surv(time, cens) ~ 1, dist="weibull",
data=subset(alcomp2, alcomp2$sex=="F"))
fitEm <- flexsurvreg(Surv(time, cens) ~ 1, dist="exp",
data=subset(alcomp2, alcomp2$sex=="M"))
fitEf <- flexsurvreg(Surv(time, cens) ~ 1, dist="exp",
data=subset(alcomp2, alcomp2$sex=="F"))
fitEm2 <- survreg(Surv(time, cens) ~ 1, dist="exp",
data=subset(alcomp2, alcomp2$sex=="M"))
fitEf2 <- survreg(Surv(time, cens) ~ 1, dist="exp",
data=subset(alcomp2, alcomp2$sex=="F"))
anova(fitEm2, fitWm2, test="Chisq")
anova(fitEf2, fitWf2, test="Chisq")
par(mfrow=c(1,2))
plot(fitEm, xlab="Tempo ate ataque (minutos)",
ylab="Probabilidade de n~ao atacar", main="(a)", cex.main=1.5)
plot(fitWf, xlab="Tempo ate ataque (minutos)",
ylab="Probabilidade de n~ao atacar", main="(b)", cex.main=1.5)
# Primeiro ataque - estagio 1
levels(alcomp$first.atk.prey) <- c("NA","1","0")
alcomp$first.atk.prey <- as.numeric(as.character(
alcomp$first.atk.prey))
alcomp$prior.fatk.prey <- alcomp$first.atk.prey
alcomp$prior.fatk.prey[!is.na(alcomp$first.atk.prey)] <- 1
alcomp$prior.fatk.prey[is.na(alcomp$first.atk.prey)] <- 0
fmpa <- glm(prior.fatk.prey ~ block+sex*density,
149
family=binomial, data=alcomp)
summary(fmpa)
# Primeiro ataque - estagio 2
# (Euborellia = 1, Podisus = 0)
levels(alcomp$first.atk.prey) <- c("NA","1","0")
alcomp$first.atk.prey <- as.numeric(as.character(
alcomp$first.atk.prey))
fm1 <- glm(first.atk.prey ~ block + sex*density,
family=binomial, data=alcomp)
summary(fm1)
anova(fm1, test="Chisq")
# Vencedor - estagio 1
levels(alcomp$winner) <- c("NA","1","0")
alcomp$winner <- as.numeric(as.character(alcomp$winner))
alcomp$prior.winner <- alcomp$winner
alcomp$prior.winner[!is.na(alcomp$winner)] <- 1
alcomp$prior.winner[is.na(alcomp$winner)] <- 0
fmpw <- glm(prior.winner ~ block+sex*density,
family=binomial, data=alcomp)
summary(fmpw)
# Vencedor - estagio 2
# (Euborellia = 1, Podisus = 0)
levels(alcomp$winner) <- c("NA","1","0")
alcomp$winner <- as.numeric(as.character(alcomp$winner))
fmw <- glm(winner ~ block + sex*density,
family=binomial, data=alcomp)
summary(fmw)
anova(fmw, test="Chisq")
table(alcomp$sex, alcomp$winner, alcomp$density)
# Agressividade - estagio 1
levels(alcomp$first.atk.other) <- c("NA","1","0")
alcomp$first.atk.other <- as.numeric(as.character(
alcomp$first.atk.other))
alcomp$prior.fatk.other <- alcomp$first.atk.other
alcomp$prior.fatk.other[!is.na(alcomp$first.atk.other)] <- 1
alcomp$prior.fatk.other[is.na(alcomp$first.atk.other)] <- 0
fmpao <- glm(prior.fatk.other ~ block + sex*density,
150
family=binomial, data=alcomp)
summary(fmpao)
# Agressividade - estagio 2
# Euborellia = 1, Podisus = 0)
levels(alcomp$first.atk.other) <- c("NA","1","0")
alcomp$first.atk.other <- as.numeric(as.character(
alcomp$first.atk.other))
fm1o <- glm(first.atk.other ~ block + sex*density,
family=binomial, data=alcomp)
summary(fm1o)
anova(fm1o, test="Chisq")
table(alcomp$sex, alcomp$first.atk.other)
# Numero de ataques - Podisus
require(MASS)
fmna.p <- glm.nb(podisus.natks ~ sex*density data=alcomp)
hnp(fmna.p)
summary(fmna.p)
anova(fmna.p, test="Chisq")
with(alcomp, tapply(podisus.natks, sex:density, function(x)
mean(na.omit(x))))
with(alcomp, interaction.plot(sex, density, podisus.natks,
fun=function(x) mean(na.omit(x)), ylim=c(0,2),
xlab="Sex", ylab="Average number of attacks"))
title("Podisus attacks")
# Numero de ataques - Euborellia
require(MASS)
fmna.e.nb <- glm.nb(earwig.natks ~ sex*density, data=alcomp)
hnp(fmna.e.nb)
summary(fmna.e.nb)
anova(fmna.e.nb, test="F")
with(alcomp, tapply(earwig.natks, sex:density, function(x)
mean(na.omit(x))))
with(alcomp, interaction.plot(sex, density, earwig.natks,
fun=function(x) mean(na.omit(x)), ylim=c(0,2), xlab="Sex",
ylab="Average number of attacks"))
title("Earwig attacks")
# Parcelas nas quais o Podisus foi morto
151
table(alcomp$sex, alcomp$podisus.murdered)
152
Anexo E: Comandos para as analises dos dados do experimento 3
####################################################################
# Podisus
pod <- read.csv('podisus_INTRA.csv', h=T)[,-c(5:8)]
pod.final <- subset(pod, pod$day==11)
pod.final$density2 <- pod.final$density^2
m1 <- glm(cbind(alive, density-alive) ~ block + density,
family=quasibinomial, pod.final)
anova(m0 <- update(m1, .~.-block), m1,
m2 <- update(m1, .~.+density2), test="F")
pf.m <- with(pod.final, tapply(alive/density, density, mean))
pf.se <- with(pod.final, tapply(alive/density, density,
function(x) sd(x)/sqrt(length(x))))
plot(c(5,15,25,35,45), pf.m, pch=19, xlab="Densidade",
ylab="Proporc~ao de insetos vivos", ylim=c(0,1),
main="Apos 11 dias", xaxt="n")
axis(1, c(5,15,25,35,45), c(5,15,25,35,45))
arrows(x0=c(5,15,25,35,45), y0=pf.m-pf.se, y1=pf.m+pf.se,
angle=90, code=3, length=.05)
lines(x <- seq(5, 45, .1), predict(m0, data.frame(density=x),
ty="response"))
pod$at.risk <- pod$alive
died <- NULL
for(i in levels(pod$block)) died <- c(died,
with(subset(pod, pod$block==i),
c((alive - density)[1:5], diff(alive, lag=5))))
pod$died <- -died
cumul.death <- NULL
for(i in levels(pod$block)) {
for(j in levels(as.factor(pod$density))) {
cumul.death <- c(cumul.death, with(subset(pod,
pod$block==i & pod$density==j), cumsum(died)))
}
}
pod2 <- pod[order(pod$block:as.factor(pod$density)),1:6]
pod2$cum.death <- cumul.death
pod2$cum.prop <- pod2$cum.death/pod2$density
153
getpi <- function(phi, cumul=TRUE) {
p <- NULL
for(i in 1:length(phi)) p[i] <- exp(phi[i])/prod((1+exp(phi[1:i])))
if(cumul) return(cumsum(p)) else return(p)
}
# Modelos de analise de sobrevivencia em tempo discreto
fit <- glm(cbind(died, at.risk) ~ block +
factor(day) * factor(density),
family=quasibinomial, data=pod)
fit2 <- update(fit, .~.-factor(day):factor(density))
anova(fit2, fit, test="F")
fit3 <- update(fit2, .~.-factor(density)+density)
anova(fit3, fit2, test="F")
fit4 <- update(fit3, .~.+factor(day):density)
anova(fit3, fit2, fit4, test="F")
fit5 <- update(fit4, .~.+factor(day)*I(density^2))
anova(fit3, fit2, fit4, fit5, fit, test="F")
pod.ds <- pod
pod.ds2 <- pod2
pod.ds$phis <- predict(fit4, ty="link")
pis.ds <- with(pod.ds, tapply(phis, block:factor(density), getpi))
pod.ds2$pis <- unlist(pis.ds)
require(lattice)
xyplot(cum.prop + pis ~ day | block + factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"), lines=list(col=1,
pch=16), text=list("Predito"), lines=list(col=2, pch=16),
divide=1, size=3), ty="b", xlab="Dia",
ylab="Mortalidade acumulada", ylim=c(-0.1,1.1),
pch=16, data=pod.ds2)
pod.ds2$mp <- ave(pod.ds2$pis, pod.ds2[c('day','density')],
FUN = mean)
pod.ds2$mc <- ave(pod.ds2$cum.prop, pod.ds2[c('day','density')],
FUN = mean)
xyplot(mc + mp ~ day | factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
154
ty="b", xlab="Dia", ylab="Mortalidade acumulada media",
ylim=c(-0.05,1), pch=16,
data=subset(pod.ds2, pod.ds2$block=="I"))
# Modelos aditivos generalizados
require(mgcv)
fm2 <- gam(cbind(died, at.risk) ~ block +
s(day, by=factor(density), bs="cr"),
family=quasibinomial, pod)
fm3 <- gam(cbind(died, at.risk) ~ block + factor(day) +
s(density, k=3), family=quasibinomial, pod)
pod.gam <- pod
pod.gam2 <- pod2
pod.gam$phis <- predict(fm2, ty="link")
pis.gam <- with(pod.gam, tapply(phis, block:factor(density), getpi))
pod.gam2$pis <- unlist(pis.gam)
xyplot(cum.prop + pis ~ day | block + factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada",
ylim=c(-0.1,1.1), pch=16, data=pod.gam2)
pod.gam2$mp <- ave(pod.gam2$pis, pod.gam2[c('day','density')],
FUN = mean)
pod.gam2$mc <- ave(pod.gam2$cum.prop, pod.gam2[c('day','density')],
FUN = mean)
xyplot(mc + mp ~ day | factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada media",
ylim=c(-0.1,1), pch=16,
data=subset(pod.gam2, pod.gam2$block=="I"))
# Modelo de raz~oes proporcionais
pod <- pod[,-4]
cat.12 <- data.frame("day"=12, "block"=rep(c("I","II","III","IV"),
each=5), "density"=c(5,15,25,35,45),
155
"at.risk"=0,
"died"=c(3,12,10,7,10,2,7,11,16,11,2,6,7,18,15,
2,6,11,11,13))
pod3 <- rbind(pod, cat.12)
require(arm)
ord.fit <- polr(as.ordered(day) ~ block + factor(density),
weights=died, pod3)
of2 <- update(ord.fit, .~block)
anova(update(of2, .~1),of2,ord.fit)
summary(ord.fit)
logit.prob <- function(eta) exp(eta)/(1+exp(eta))
beta <- coef(ord.fit)
tau <- ord.fit$zeta
pred.matrix <- cbind((rep(1,5)%x%diag(1,4))[,-1],
(diag(1,5)%x%rep(1,4))[,-1])
probs.matrix <- matrix(0, nrow=20, ncol=12)
for(i in 1:11) probs.matrix[,i] <- logit.prob(tau[i] -
pred.matrix %*% beta)
probs.matrix[,12] <- 1-probs.matrix[,11]
for(i in 1:20) probs.matrix[i, 2:11] <- diff(probs.matrix[i,])[-11]
probs.m2 <- t(apply(probs.matrix, 1, cumsum))
probs <- data.frame(c("I","II","III","IV"), rep(c(5,15,25,35,45),
each=4), as.data.frame(probs.m2))
names(probs) <- c("block","density",paste("day", 1:12, sep="."))
require(reshape)
d.probs <- reshape(probs, varying=list(3:14), v.names="day",
direction="long")[,-5]
names(d.probs)[c(3,4)] <- c("day","prob.die")
d.probs <- d.probs[-c(221:240),]
d.probs <- d.probs[order(d.probs$block),]
pod3 <- pod2
pod3 <- pod3[order(pod3$block:as.factor(pod3$day)),]
pod3$pis.polr <- d.probs$prob.die
xyplot(cum.prop + pis.polr ~ day | block + factor(density),
col=c(1,2), key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
156
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada",
ylim=c(-0.1,1.1), pch=16, data=pod3)
pod3$mp <- ave(pod3$pis.polr, pod3[c('day','density')], FUN = mean)
pod3$mc <- ave(pod3$cum.prop, pod3[c('day','density')], FUN = mean)
xyplot(mc + mp ~ day | factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada media",
ylim=c(-0.1,1), pch=16, data=subset(pod3, pod3$block=="I"))
####################################################################
# Euborellia
eub <- read.csv('euborellia_INTRA.csv', h=T)[,-c(5:7)]
eub.final <- subset(eub, eub$day==19)
m1 <- glm(cbind(alive, density-alive) ~ block + density,
family=quasibinomial, eub.final)
eub.final$density2 <- eub.final$density^2
anova(m0 <- update(m1, .~.-block), m1,
m2 <- update(m1, .~.+density2), test="F")
summary(m2)
ef.m <- with(eub.final, tapply(alive/density, density, mean))
ef.se <- with(eub.final, tapply(alive/density, density,
function(x) sd(x)/sqrt(length(x))))
plot(c(5,15,25,35,45), ef.m, pch=16, xlab="Densidade",
ylab="Proporc~ao de insetos vivos", ylim=c(0,1),
main="Apos 19 dias", xaxt="n")
axis(1, c(5,15,25,35,45), c(5,15,25,35,45))
arrows(x0=c(5,15,25,35,45), y0=ef.m-ef.se, y1=ef.m+ef.se,
angle=90, code=3, length=.05)
lines(x <- seq(5, 45, .1), predict(m3 <- update(m2, .~.-block),
data.frame(density=x, density2=x^2), ty="response"))
anova(m3, m2, test="F")
eub$at.risk <- eub$alive
died <- NULL
for(i in levels(eub$block)) died <- c(died,
157
with(subset(eub, eub$block==i), c((alive - density)[1:5],
diff(alive, lag=5))))
eub$died <- -died
eub <- subset(eub, eub$day!=20 & eub$day!=21)
cumul.death <- NULL
for(i in levels(eub$block)) {
for(j in levels(as.factor(eub$density))) {
cumul.death <- c(cumul.death, with(subset(eub,
eub$block==i & eub$density==j), cumsum(died)))
}
}
eub2 <- eub[order(eub$block:as.factor(eub$density)),1:6]
eub2$cum.death <- cumul.death
eub2$cum.prop <- eub2$cum.death/eub2$density
# Modelos de analise de sobrevivencia em tempo discreto
fit <- glm(cbind(died, at.risk) ~ block +
factor(day) * factor(density),
family=quasibinomial, data=eub)
fit2 <- update(fit, .~.-factor(day):factor(density))
anova(fit2, fit, test="F")
fit3 <- update(fit2, .~.-factor(density)+density)
anova(fit3, fit2, test="F")
fit4 <- update(fit3, .~.+factor(day):density)
anova(fit3, fit2, fit4, test="F")
fit5 <- update(fit4, .~.+factor(day)*I(density^2))
anova(fit3, fit2, fit4, fit5, fit, test="F")
eub.ds <- eub
eub.ds2 <- eub2
eub.ds$phis <- predict(fit, ty="link")
pis.ds <- with(eub.ds, tapply(phis, block:factor(density), getpi))
eub.ds2$pis <- unlist(pis.ds)
xyplot(cum.prop + pis ~ day | block + factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada",
158
ylim=c(-0.1,1.1), pch=16, data=eub.ds2)
eub.ds2$mp <- ave(eub.ds2$pis, eub.ds2[c('day','density')],
FUN = mean)
eub.ds2$mc <- ave(eub.ds2$cum.prop, eub.ds2[c('day','density')],
FUN = mean)
xyplot(mc + mp ~ day | factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada media",
ylim=c(-0.1,1), pch=16,
data=subset(eub.ds2, eub.ds2$block=="I"))
# Modelos aditivos generalizados
require(mgcv)
fm2 <- gam(cbind(died, at.risk) ~ block +
s(day, by=factor(density)), family=quasibinomial, eub)
eub.gam <- eub
eub.gam2 <- eub2
eub.gam$phis <- predict(fm2, ty="link")
pis.gam <- with(eub.gam, tapply(phis, block:factor(density), getpi))
eub.gam2$pis <- unlist(pis.gam)
xyplot(cum.prop + pis ~ day | block + factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada",
ylim=c(-0.1,1), pch=16, data=eub.gam2)
eub.gam2$mp <- ave(eub.gam2$pis, eub.gam2[c('day','density')],
FUN = mean)
eub.gam2$mc <- ave(eub.gam2$cum.prop, eub.gam2[c('day','density')],
FUN = mean)
xyplot(mc + mp ~ day | factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada media",
159
ylim=c(-0.1,1), pch=16,
data=subset(eub.gam2, eub.gam2$block=="I"))
# Modelo de raz~oes proporcionais
eub <- eub[,-4]
cat.22 <- data.frame("day"=20, "block"=rep(c("I","II","III","IV"),
each=5), "density"=c(5,15,25,35,45),
"at.risk"=0, "died"=c(2,8,11,12,19,2,4,8,14,
18,3,6,8,10,18,3,8,10,12,25))
eub3 <- rbind(eub, cat.22)
ord.fit <- polr(as.ordered(day) ~ block + factor(density),
weights=died, eub3)
of2 <- update(ord.fit, .~1)
of3 <- update(of2, .~block)
of4 <- update(of3, .~.+density)
anova(of2,of3,of4,ord.fit)
logit.prob <- function(eta) exp(eta)/(1+exp(eta))
beta <- coef(ord.fit)
tau <- ord.fit$zeta
pred.matrix <- cbind((rep(1,5)%x%diag(1,4))[,-1],
(diag(1,5)%x%rep(1,4))[,-1])
probs.matrix <- matrix(0, nrow=20, ncol=20)
for(i in 1:19) probs.matrix[,i] <- logit.prob(tau[i] -
pred.matrix %*% beta)
probs.matrix[,20] <- 1-probs.matrix[,19]
for(i in 1:20) probs.matrix[i, 2:19] <- diff(probs.matrix[i,])[-19]
probs.m2 <- t(apply(probs.matrix, 1, cumsum))
probs <- data.frame(c("I","II","III","IV"),
rep(c(5,15,25,35,45), each=4), as.data.frame(probs.m2))
names(probs) <- c("block","density",paste("day", 1:20, sep="."))
d.probs <- reshape(probs, varying=list(3:22), v.names="day",
direction="long")[,-5]
names(d.probs)[c(3,4)] <- c("day","prob.die")
d.probs <- d.probs[-c(381:400),]
d.probs <- d.probs[order(d.probs$block),]
eub3 <- eub2
eub3 <- eub3[order(eub3$block:as.factor(eub3$day)),]
160
eub3$pis.polr <- d.probs$prob.die
xyplot(cum.prop + pis.polr ~ day | block + factor(density),
col=c(1,2), key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada",
ylim=c(-0.1,1), pch=16, data=eub3)
eub3$mp <- ave(eub3$pis.polr, eub3[c('day','density')], FUN = mean)
eub3$mc <- ave(eub3$cum.prop, eub3[c('day','density')], FUN = mean)
xyplot(mc + mp ~ day | factor(density), col=c(1,2),
key=list(type="o", text=list("Observado"),
lines=list(col=1, pch=16), text=list("Predito"),
lines=list(col=2, pch=16), divide=1, size=3),
ty="b", xlab="Dia", ylab="Mortalidade acumulada media",
ylim=c(-0.1,1), pch=16,
data=subset(eub3, eub3$block=="I"))
161
Anexo F: Comandos para as analises dos dados do experimento 4
d <- read.csv2('dados.csv', h=T)
d$bloco <- as.factor(d$bloco)
d$trat <- d$especie:d$sexo
# Tempo ate primeiro ataque
require(survival)
require(flexsurv)
d2 <- d
d2$cens <- 1
d2$cens[is.na(d2$tempo)] = 0
d2$tempo[is.na(d2$tempo)] = 3600
# Cox Proportional Hazards
fitC <- coxph(Surv(tempo, cens) ~ especie*sexo, d2)
summary(fitC)
cox.zph(fitC)
km <- survfit(Surv(tempo, cens) ~ especie+sexo, d2)
fp <- km$surv[1:31]
mp <- km$surv[32:62]
fe <- km$surv[63:93]
me <- km$surv[94:125]
par(mfrow=c(2,2))
plot(survfit(fitC, newdata=data.frame(especie=c("Tesoura",
"Tesoura","Podisus","Podisus"), sexo=c("M","F","M","F"))[1,]),
col=2, xlab="Tempo ate ataque",
ylab="Probabilidade de n~ao atacar")
lines(km$time[94:125], me); title("(a)", cex.main=1.5)
lines(km$time[94:125], km$upper[94:125], lty=2)
lines(km$time[94:125], km$lower[94:125], lty=2)
legend("topright", c("Observado","Predito"), col=c(1,2),
lty=1, lwd=1, inset=.01)
plot(survfit(fitC, newdata=data.frame(especie=c("Tesoura",
"Tesoura","Podisus","Podisus"), sexo=c("M","F","M","F"))[2,]),
col=2, xlab="Tempo ate ataque",
ylab="Probabilidade de n~ao atacar")
lines(km$time[63:93], fe); title("(b)", cex.main=1.5)
lines(km$time[63:93], km$upper[63:93], lty=2)
162
lines(km$time[63:93], km$lower[63:93], lty=2)
legend("topright", c("Observado","Predito"), col=c(1,2),
lty=1, lwd=1, inset=.01)
plot(survfit(fitC, newdata=data.frame(especie=c("Tesoura",
"Tesoura","Podisus","Podisus"), sexo=c("M","F","M","F"))[3,]),
col=2, xlab="Tempo ate ataque",
ylab="Probabilidade de n~ao atacar")
lines(km$time[32:62], mp); title("(c)", cex.main=1.5)
lines(km$time[32:62], km$upper[32:62], lty=2)
lines(km$time[32:62], km$lower[32:62], lty=2)
legend("topright", c("Observado","Predito"), col=c(1,2),
lty=1, lwd=1, inset=.01)
plot(survfit(fitC, newdata=data.frame(especie=c("Tesoura",
"Tesoura","Podisus","Podisus"), sexo=c("M","F","M","F"))[4,]),
col=2, xlab="Tempo ate ataque",
ylab="Probabilidade de n~ao atacar")
lines(km$time[1:31], fp); title("(d)", cex.main=1.5)
lines(km$time[1:31], km$upper[1:31], lty=2)
lines(km$time[1:31], km$lower[1:31], lty=2)
legend("topright", c("Observado","Predito"), col=c(1,2),
lty=1, lwd=1, inset=.01)
# Primeiro ataque - estagio 1
d$watk <- d$ataque
d$watk[!is.na(d$watk)] <- 1
d$watk[is.na(d$watk)] <- 0
wat <- glm(watk ~ bloco + especie*sexo, family=binomial, d)
summary(wat)
anova(wat, test="Chisq")
# Primeiro ataque - estagio 2
at <- glm(ataque ~ bloco + especie*sexo, family=binomial, d)
summary(at)
anova(at, test="Chisq")
at.time <- glm(ataque ~ bloco + log(tempo) + especie*sexo,
family=binomial, d)
hnp(at.time)
summary(at.time)
anova(at.time, test="Chisq")
163
anova(at, at.time, update(at.time, .~.+log(tempo):sexo),
test="Chisq")
table(d$ataque, d$sexo, d$especie)
table(d$ataque, d$especie)
# Consumo efetivo - estagio 1
d$wcons <- d$consumo
d$wcons[!is.na(d$wcons)] <- 1
d$wcons[is.na(d$wcons)] <- 0
wcs <- glm(wcons ~ bloco + especie*sexo, family=binomial, d)
summary(wcs)
anova(wcs, test="Chisq")
# Consumo efetivo - estagio 2
cs <- glm(consumo ~ bloco + especie*sexo, family=binomial, d)
anova(cs, test="Chisq")
summary(cs)
table(d$consumo, d$sexo)
table(d$consumo, d$especie)
d$ltempo <- log(d$tempo)
cs.time <- glm(consumo ~ bloco + ltempo + especie*sexo,
family=binomial, d)
hnp(update(cs.time, .~.-bloco))
summary(cs.time)
anova(cs.time, test="Chisq")
cst1 <- glm(consumo ~ bloco, family=binomial, d)
cst2 <- glm(consumo ~ bloco + ltempo, family=binomial, d)
cst3.1 <- glm(consumo ~ bloco + ltempo / (especie + sexo),
family=binomial, d)
cst3.2 <- glm(consumo ~ bloco + ltempo + especie + sexo,
family=binomial, d)
cst4 <- glm(consumo ~ bloco + ltempo * (especie + sexo),
family=binomial, d)
anova(cst1, cst2, cst3.1, cst4, test="Chisq")
anova(cst1, cst2, cst3.2, cst4, test="Chisq")
164
anova(update(cst3.2, .~.-especie-sexo),
update(cst3.2, .~.-especie), cst3.2,
update(cst3.2, .~.+especie:sexo), test="Chisq")
anova(update(cst3.2, .~.-especie-bloco),
update(cst3.2, .~.-especie), test="Chisq")
anova(update(cst3.2, .~.-especie-bloco),
update(cst3.2, .~.-especie-bloco+ltempo:sexo), test="Chisq")
with(subset(d, d$sexo=="F"), plot(consumo ~ ltempo,
xlab="log(tempo)", ylab="Consumo efetivo da larva parasitada",
col=2))
with(subset(d, d$sexo=="M"), points(consumo ~ ltempo, pch=4))
x <- seq(2.3, 7.8, .1)
pr.f <- predict(update(cs.time, .~.-bloco-especie:sexo-especie),
data.frame(ltempo=x, sexo=factor("F", levels=c("F","M"))),
ty="response")
pr.m <- predict(update(cs.time, .~.-bloco-especie:sexo-especie),
data.frame(ltempo=x, sexo=factor("M", levels=c("F","M"))),
ty="response")
lines(x, pr.f, col=2)
lines(x, pr.m)
legend(6.7, .95, c("Machos","Femeas"), col=c(1,2), pch=c(4,1),
lty=1, title="Sexo")
with(subset(d, d$sexo=="F"), plot(consumo ~ exp(ltempo),
xlab="log(tempo)", ylab="Consumo efetivo da larva parasitada",
col=2))
with(subset(d, d$sexo=="M"), points(consumo ~ exp(ltempo), pch=4))
lines(exp(x), pr.f, col=2)
lines(exp(x), pr.m)
legend("topright", c("Machos","Femeas"), col=c(1,2), pch=c(4,1),
lty=1, title="Sexo", inset=.01)
anova(cs, cs.time, update(cs.time, .~.+ltempo:sexo), test="Chisq")
# Graficos de interac~ao
Species <- d$especie; levels(Species) <- c('P. nigrispinus',
'E. annulipes')
Sex <- d$sexo; levels(Sex) <- c('Femea', 'Macho')
par(mfrow=c(1,3))
165
interaction.plot(Species, Sex, d$tempo, fun=function(x)
mean(na.omit(x)), xlab='Species', ylab='',
legend=F, cex.lab=1.3, cex.axis=1.3, cex.main=2,
main='A', ylim=c(0,600))
legend('bottomleft', c('Male','Female'), lwd=1, lty=c(1,2), col=1,
cex=1.3, inset=.01, bty='n')
interaction.plot(Species, Sex, d$ataque, fun=function(x)
mean(na.omit(x)), xlab='Species', ylab='',
ylim=c(0,1), legend=F, cex.lab=1.3, cex.axis=1.3,
main='B', cex.main=2)
legend('topleft', c('Male','Female'), lwd=1, lty=c(1,2), col=1,
inset=.01, cex=1.3, bty='n')
interaction.plot(Species, Sex, d$consumo, fun=function(x)
mean(na.omit(x)), xlab='Species', ylab='',
ylim=c(0,1), legend=F, cex.lab=1.3, cex.axis=1.3,
main='C', cex.main=2)
legend('topleft', c('Male','Female'), lwd=1, lty=c(1,2), col=1,
inset=.01, cex=1.3, bty='n')
# Consumo das duas larvas
c2 <- read.csv('dados_parasitismo.csv', h=T)
c2$bloco <- as.factor(c2$bloco)
levels(c2$comeu.2) <- c(0,1)
c2$comeu.2 <- as.numeric(as.character(c2$comeu.2))
c2$comeu.2[is.na(c2$consumo)] <- NA
fmc2 <- glm(comeu.2 ~ bloco + especie*sexo,
family=binomial, data=c2)
summary(fmc2)
anova(fmc2, test="Chisq")
table(c2$sexo, c2$comeu.2, c2$especie)
# Probabilidade de mudar de presa
xtabs(~ ataque + consumo + sexo + especie, d)
sexo <- factor(c("F","F","F","F","M","M","M","M",
"F","F","F","F","M","M","M","M"))
especie <- factor(c("P","P","P","P","P","P","P","P",
"T","T","T","T","T","T","T","T"))
ataque <- factor(c("NP","NP","P","P","NP","NP","P","P",
"NP","NP","P","P","NP","NP","P","P"))
166
consumo <- factor(c("NP","P","NP","P","NP","P","NP","P",
"NP","P","NP","P","NP","P","NP","P"))
y <- c(15,1,2,12,21,1,3,5,14,4,3,9,11,1,7,5)
m1 <- glm(y ~ especie*sexo*ataque*consumo, family=poisson)
m2 <- glm(y ~ sexo*ataque*consumo, family=poisson)
m3 <- glm(y ~ especie*ataque*consumo, family=poisson)
m4 <- glm(y ~ ataque*consumo, family=poisson)
anova(m4, m2, m1, test="Chisq")
anova(m4, m3, m1, test="Chisq")
# pode-se colapsar tudo em uma tabela de contingencia 2x2
xtabs(~ ataque + consumo, d)
consumo <- factor(c('N','P','N','P'))
ataque <- factor(c('N','N','P','P'))
troca <- factor(c('NT','T','T','NT'))
y <- c(61, 7, 15, 31)
P1 <- glm(y ~ troca, family=poisson)
P2 <- glm(y ~ consumo * ataque, family=poisson)
summary(P1)
summary(P2)
il <- function(x) exp(x)/(1+exp(x))
il(coef(P1))
il(coef(P2))
odds.ratio <- exp(coef(P2)[4])
# Separando por sexo
table(d$ataque, d$consumo, d$sexo)
respM <- c(32,2,10,10)
respF <- c(29,5,5,21)
P1m <- glm(respM ~ troca, family=poisson)
P2m <- glm(respM ~ consumo * ataque, family=poisson)
anova(P1m, P2m, test="Chisq")
il(coef(P2m))
167
P1f <- glm(respF ~ troca, family=poisson)
P2f <- glm(respF ~ consumo * ataque, family=poisson)
anova(P1f, P2f, test="Chisq")
il(coef(P1f))
168
Anexo G: Comandos para a simulacao do modelo proposto no Capıtulo 5
mod <- function(a1, a2, a3, k1, k2, lambda, p, e,
ini=list(spod=10, pod=10, eub=10, cam=10),
time=100) {
spod <- rep(0, time); eub <- spod; pod <- spod; cam <- spod
spod[1] <- ini$spod; eub[1] <- ini$eub
pod[1] <- ini$pod; cam[1] <- ini$cam
f1 <- function(x) (1+a1*x/k1)^(-k1)
f2 <- function(x) (1+a2*x/k2)^(-k2)
f3 <- function(x) exp(-a3*x)
cp <- 1-(p+e)
for(i in 2:time) {
spod[i] <- lambda*spod[i-1]*f1(pod[i-1])*
f2(eub[i-1])*f3(cam[i-1])
pod[i] <- spod[i-1]*f2(eub[i-1])*(1-f1(pod[i-1])+
f1(pod[i-1])*(1-f3(cam[i-1]))*p)
eub[i] <- spod[i-1]*f1(pod[i-1])*(1-f2(eub[i-1])+
f2(eub[i-1])*(1-f3(cam[i-1]))*e)
cam[i] <- spod[i-1]*f1(pod[i-1])*
f2(eub[i-1])*(1-f3(cam[i-1]))*cp
}
obj <- matrix(c(spod, pod, eub, cam), ncol=4, byrow=F)
class(obj) <- "hassel"
return(obj)
}
plot.hassel <- function(obj, l=2,...) {
matplot(obj, ty='l', col=c(1,2,2,4), lty=c(1,1,2,1),
xlab='Gerac~oes', ylab="Tamanho populacional",...)
legend('topright', c(expression(italic("S. frugiperda")),
expression(italic("P. nigrispinus")),
expression(italic("E. annulipes")),
expression(italic("C. flavicincta"))),
lty=c(1,1,l,1), col=c(1,2,2,4), inset=.01, bty="n")
}
bifplot <- function(param, lim, res=diff(range(lim))/100,
sp, ylim=c(0,100), time=1000, lambda,
a1, a2, k1, k2, a3, p, e, add=F, ...) {
if(add==FALSE) plot(0, 0, xlim=lim, ylim=ylim, type='n', ...)
FN <- function(...) {
169
switch(param,
"lambda" = Y <- mod(lambda=b, a1=a1, a2=a2, k1=k1,
k2=k2, a3=a3, p=p, e=e, time=time),
"a1" = Y <- mod(lambda=lambda, a1=b, a2=a2, k1=k1,
k2=k2, a3=a3, p=p, e=e, time=time),
"a2" = Y <- mod(lambda=lambda, a1=a1, a2=b, k1=k1,
k2=k2, a3=a3, p=p, e=e, time=time),
"k1" = Y <- mod(lambda=lambda, a1=a1, a2=a2, k1=b,
k2=k2, a3=a3, p=p, e=e, time=time),
"k2" = Y <- mod(lambda=lambda, a1=a1, a2=a2, k1=k1,
k2=b, a3=a3, p=p, e=e, time=time),
"a3" = Y <- mod(lambda=lambda, a1=a1, a2=a2, k1=k1,
k2=k2, a3=b, p=p, e=e, time=time),
"p" = Y <- mod(lambda=lambda, a1=a1, a2=a2, k1=k1,
k2=k2, a3=a3, p=b, e=e, time=time),
"e" = Y <- mod(lambda=lambda, a1=a1, a2=a2, k1=k1,
k2=k2, a3=a3, p=p, e=b, time=time),
"a1a2" = Y <- mod(lambda=lambda, a1=b, a2=b, k1=k1,
k2=k2, a3=a3, p=p, e=e, time=time),
"k1k2" = Y <- mod(lambda=lambda, a1=a1, a2=a2, k1=b,
k2=b, a3=a3, p=p, e=e, time=time),
"pe" = Y <- mod(lambda=lambda, a1=a1, a2=a2, k1=k1,
k2=k2, a3=a3, p=b, e=b, time=time)
)
switch(sp,
"spod" = if(Y[(time-1),1]==Y[time,1]) {pt <- Y[time,1]
} else {pt <- Y[(time-100):time,1]},
"pod" = if(Y[(time-1),2]==Y[time,2]) {pt <- Y[time,2]
} else {pt <- Y[(time-100):time,2]},
"eub" = if(Y[(time-1),3]==Y[time,3]) {pt <- Y[time,3]
} else {pt <- Y[(time-100):time,3]},
"cam" = if(Y[(time-1),4]==Y[time,4]) {pt <- Y[time,4]
} else {pt <- Y[(time-100):time,4]}
)
points(rep(b, length(pt)), pt, pch='.', ...)
}
for (b in seq(lim[1], lim[2], res)) {
try(FN(...), silent=TRUE)
}
}
170
# a3
par(mfrow=c(1,2))
bifplot(param="a3", lim=c(0,0.006), res=1.2e-5, sp="spod",
ylim=c(0,4000), time=1000, lambda=1.95, a1=.067,
a2=.0374, k1=.05, k2=.05, a3=.0047, p=.1, e=.1,
xlab=expression(a[3]), ylab="Tamanho populacional",
cex=2, main="A", cex.main=1.8)
bifplot(param="a3", lim=c(0,0.006), res=1.2e-5, sp="cam",
time=1000, lambda=1.95, a1=.067, a2=.0374, k1=.05,
k2=.05, a3=.0047, p=.1, e=.1, add=T, col=4, cex=2)
legend(0.000, 800, c(expression(italic("S. frugiperda")),
expression(italic("C. flavicincta"))),
col=c(1,4), lty=1, lwd=2, bty="n")
bifplot(param="a3", lim=c(0,0.006), res=1.2e-5, sp="pod",
ylim=c(0,4000), time=1000, lambda=1.95, a1=.067,
a2=.0374, k1=.05, k2=.05, a3=.0047, p=.1, e=.1,
xlab=expression(a[3]), ylab="Tamanho populacional",
cex=2, main="B", cex.main=1.8)
bifplot(param="a3", lim=c(0,0.006), res=1.2e-5, sp="eub",
time=1000, lambda=1.95, a1=.067, a2=.0374, k1=.05,
k2=.05, a3=.0047, p=.1, e=.1, add=T, col=2, cex=2)
legend("topright", c(expression(italic("P. nigrispinus")),
expression(italic("E. annulipes"))),
col=c(1,2), lty=1, lwd=2, bty="n", inset=.01)
par(mfrow=c(1,2))
plot(mod(lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05,
a3=.0047, p=.1, e=.1, time=150), ylim=c(0,3000),
main="A", cex.main=1.8)
plot(mod(lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05,
a3=.002, p=.1, e=.1, time=150),
main="B", cex.main=1.8)
# a1 / a2
bifplot(param="a1", lim=c(0.025,0.2), res=3.2e-4, sp="spod",
ylim=c(0,4000), time=1000, lambda=1.95, a1=.067, a2=.0374,
k1=.05, k2=.05, a3=.0047, p=.1, e=.1, xlab=expression(a[1]),
ylab="Tamanho populacional", cex=2, main="A", cex.main=1.8)
bifplot(param="a1", lim=c(0.025,0.2), res=3.2e-4, sp="cam",
time=1000, lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05,
a3=.0047, p=.1, e=.1, add=T, col=4, cex=2)
171
bifplot(param="a1", lim=c(0.025,0.2), res=3.2e-4, sp="pod",
time=1000, lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05,
a3=.0047, p=.1, e=.1, add=T, col=2, cex=2)
legend("topright", c(expression(italic("S. frugiperda")),
expression(italic("P. nigrispinus")),
expression(italic("C. flavicincta"))),
col=c(1,2,4), lty=1, lwd=2, bty="n", inset=.01)
bifplot(param="a2", lim=c(0.025,0.2), res=3.2e-4, sp="spod",
ylim=c(0,4000), time=1000, lambda=1.95, a1=.067, a2=.0374,
k1=.05, k2=.05, a3=.0047, p=.1, e=.1, xlab=expression(a[2]),
ylab="Tamanho populacional", cex=2, main="B", cex.main=1.8)
bifplot(param="a2", lim=c(0.025,0.2), res=3.2e-4, sp="cam",
time=1000, lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05,
a3=.0047, p=.1, e=.1, add=T, col=4, cex=2)
bifplot(param="a2", lim=c(0.025,0.2), res=3.2e-4, sp="eub",
time=1000, lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05,
a3=.0047, p=.1, e=.1, add=T, col=2, cex=2)
legend("topright", c(expression(italic("S. frugiperda")),
expression(italic("E. annulipes")),
expression(italic("C. flavicincta"))),
col=c(1,2,4), lty=1, lwd=2, bty="n", inset=.01)
par(mfrow=c(1,2))
plot(mod(lambda=1.95, a1=.2, a2=.0374, k1=.05, k2=.05, a3=.0047,
p=.1, e=.1, time=150), main="A", cex.main=1.8)
plot(mod(lambda=1.95, a1=.067, a2=.2, k1=.05, k2=.05, a3=.0047,
p=.1, e=.1, time=150), main="B", cex.main=1.8)
# p / e
bifplot(param="p", lim=c(0,1), res=0.002, sp="spod",
ylim=c(0,4000), time=1000, lambda=1.95, a1=.067, a2=.0374,
k1=.05, k2=.05, a3=.0047, p=.1, e=.1, xlab=expression(rho),
ylab="Tamanho populacional", cex=2, main="A", cex.main=1.8)
bifplot(param="p", lim=c(0,1), res=0.002, sp="pod", time=1000,
lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05, a3=.0047,
p=.1, e=.1, add=T, col=2, cex=2)
bifplot(param="p", lim=c(0,1), res=0.002, sp="cam", time=1000,
lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05, a3=.0047,
p=.1, e=.1, add=T, col=4, cex=2)
legend("topleft", c(expression(italic("S. frugiperda")),
172
expression(italic("P. nigrispinus")),
expression(italic("C. flavicincta"))),
col=c(1,2,4), lty=1, lwd=2, bty="n", inset=.01)
bifplot(param="e", lim=c(0,1), res=0.002, sp="spod",
ylim=c(0,4000), time=1000, lambda=1.95, a1=.067,
a2=.0374, k1=.05, k2=.05, a3=.0047, p=.1, e=.1,
xlab=expression(epsilon), ylab="Tamanho populacional",
cex=2, main="B", cex.main=1.8)
bifplot(param="e", lim=c(0,1), res=0.002, sp="eub", time=1000,
lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05, a3=.0047,
p=.1, e=.1, add=T, col=2, cex=2)
bifplot(param="e", lim=c(0,1), res=0.002, sp="cam", time=1000,
lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05, a3=.0047,
p=.1, e=.1, add=T, col=4, cex=2)
legend("topleft", c(expression(italic("S. frugiperda")),
expression(italic("E. annulipes")),
expression(italic("C. flavicincta"))),
col=c(1,2,4), lty=1, lwd=2, bty="n", inset=.01)
# p + e
bifplot(param="pe", lim=c(0,1), res=0.002, sp="spod",
ylim=c(0,4000), time=1000, lambda=1.95, a1=.067,
a2=.0374, k1=.05, k2=.05, a3=.0047, p=.1, e=.1,
xlab=expression(list(rho, epsilon)),
ylab="Tamanho populacional", cex=2, main="A",
cex.main=1.8)
bifplot(param="pe", lim=c(0,1), res=0.002, sp="cam", time=1000,
lambda=1.95, a1=.067, a2=.0374, k1=.05, k2=.05, a3=.0047,
p=.1, e=.1, add=T, col=4, cex=2)
legend("topright", c(expression(italic("S. frugiperda")),
expression(italic("C. flavicincta"))),
col=c(1,4), lty=1, lwd=2, bty="n", inset=.01)
bifplot(param="pe", lim=c(0,1), res=0.002, sp="pod",
ylim=c(0,4000), time=1000, lambda=1.95, a1=.067,
a2=.0374, k1=.05, k2=.05, a3=.0047, p=.1, e=.1,
xlab=expression(list(rho, epsilon)),
ylab="Tamanho populacional", cex=2, main="B",
cex.main=1.8)
bifplot(param="pe", lim=c(0,1), res=0.002, sp="eub",
173
time=1000, lambda=1.95, a1=.067, a2=.0374, k1=.05,
k2=.05, a3=.0047, p=.1, e=.1, add=T, col=2, cex=2)
legend("topright", c(expression(italic("P. nigrispinus")),
expression(italic("E. annulipes"))),
col=c(1,2), lty=1, lwd=2, bty="n", inset=.01)
par(mfrow=c(1,2))
plot(mod(lambda=1.95, a1=.067, a2=.0374, k1=.05,
k2=.05, a3=.0047, p=.3, e=.1, time=200),
main="A", cex.main=1.8)
plot(mod(lambda=1.95, a1=.067, a2=.0374, k1=.05,
k2=.05, a3=.0047, p=.3, e=.3, time=200),
main="B", cex.main=1.8)