als ppt-document

Gegevensverwerving en verwerking
Staalname
- aantal stalen/replicaten
- grootte staal
- apparatuur
Experimentele setup
Bibliotheek
Statistiek
- beschrijvend
- variantie-analyse
- correlatie
- regressie
- Ordinatie
- DFA
- Classificatie
Websites : www.statsoft.com => electronic statistic textbook
allserv.rug.ac/ ~katdhond/ => reservatie PC zalen
/ www.dierkunderug.be.tf/ => lesnota’s
Staalname
Kwalitatief
Semi-kwantitatief
Kwantitatief
Per oppervlakte of volume-eenheid
Ecologisch onderzoek
- hoe groot staal ?
- hoeveel stalen ? tijd en ruimte
- hoeveel replicaten ?
- locatie ? Tijdstip ?
Bepalende factoren : grootte en levenswijze organismen
patchiness
aard ecosysteem - gradienten
Distributiepatronen : “ patchiness”
RANDOM
Variantie
=
Poisson
UNIFORM GEAGGREGEERD
<
+ binomiaal
>
Gemiddelde
- binomiaal
Random patroon => Poisson distributie
Stel N cellen en 1 individu
Stel geen krachten werken in op individu
kans dat individu in
welbepaalde cel terechtkomt is 1 / N
Gelijke waarschijnlijkheid om in één van de cellen terecht te komen
of
proces van herhaalde dichotomie (aan- of afwezig)
Indien de waarnemingen verdeeld zijn volgens een poisson distributie
betekent dit dat er geen invloed is van gedrag van organismen op elkaar
of van omgeving op individuen.
Daarom wordt in ecologie of ethologie eerst nagegaan of er een poisson distributie
aanwezig is vooraleer men interacties gaat bestuderen.
Schaal waarop men de populatie bekijkt is belangrijk
A : random
B : aggregatie
C : random
D : regelmatig
Niet altijd visueel zichtbaar => correcte staalname, telling en berekening
van parameters noodzakelijk
Chi kwadraat test om goodness of fit na te gaan
Als staal voldoende groot is => nagaan of geobserveerde frequentiedistributie
al of niet overeenstemt met 1 van de 3 verwachte frequentie-distributies.
²  
(waargenomen* - verwacht*)²
verwacht*
* waarden in elke frequentie-klasse
De berekende waarde wordt dan vergeleken met de getabelleerde waarden van
df = aantal frequentieklassen - aantal geschatte parameters -1
Poisson 1
+ binomiaal 2
²
Alternatieve methode om distributie-patronen na te gaan :
“Taylor’s Power law”
aan de hand van 2 statistische paremeters µ en
²
Stel we schatten het gemiddelde en de variantie van een populatie
aan de hand van verschillende stalen die gekenmerkt zijn door
verschillende densiteiten.
Door
 staalgrootte
tijd, omgevingsomstandigheden
Vervolgens zetten we beide parameters uit ten opzichte van elkaar
Y = 3.7 X^2..3
800
700
600
500
400
300
200
100
0
0
2
4
6
8
10
12
Vervolgens gaan we op zoek naar de beste ‘fit’ voor de relatie tussen
µ en  ² onder de vorm van een machtsfunctie (“power curve”)
Regressie-analyse waarbij relatie tussen 2 variabelen wordt beschreven aan de
hand van een gekende functie
vb machtsfunctie

² = a µb
Door middel van de techniek van de kleinste kwadraten wordt dan op zoek
gegaan naar a en b die de relatie tussen µ en ² het best beschrijven.

 ²  aµ
b
Door µ en  ² om te zetten op log schaal kan deze functie ook
lineair worden voorgesteld.
log Y = 0.568 + 2.3 log X (10^0.568 = 3.7)
3.5
3
2.5
2
1.5
1
0.5
0
0
0.2
0.4
0.6
0.8
1
log   log a  b log µ
2
1.2
 ²  aµ
b
Stel we vinden voor een populatie dat a en b =1
2
 µ
= poisson distributie wat wijst op een random distributiepatroon
In natuur vinden we meestal dat b> 1 of
b is index van aggregatie
 µ
2
Meest geaggregeerd
Meest regelmatig
Powerfunctie blijkt dikwijls soortgebonden te zijn
Belang van snijpunt a ?
Powerfunctie moet gebaseerd zijn op stalen waarvan de densiteiten
minstens één grootte-orde van elkaar verschillen.
Bij afnemende densiteiten neemt immers het belang van a toe
Bij lage densiteiten kunnen geaggregeerde populaties random gaan lijken
Grootte stalen ?
Aantal stalen/replicaten ?
0.95  1   ² / n
k²
=> n = 20
k 
Aantal stalen om binnen k maal SD te vallen van het populatiegemiddelde
met een verwachte betrouwbaarheid
Experimentele benadering
Systeem manipuleren om causale verbanden te achterhalen
Minimale vereisten :
- kennis van oorspronkelijke condities
- betrouwbare controles
- herhaling
Experimenten opgezet op basis van een hypothese
=> verwacht of voorspeld resultaat
Kennis initiële condities :
- Base line data van systeem dat men wil manipuleren
- ‘Natural history’ van bestudeerde organismen moet gekend zijn
Soms nodig om assumpties te definieren over initiële condities
Maakt experiment minder krachtig, betrouwbaar
Controle :
Vb
Zonder controle => verkeerde conclusie
Controle locatie moet zoveel mogelijk op experimentele locatie gelijken
=> Base line noodzakelijk
Replicatie:
Natuurlijke variatie beschouwen
Let op
- random locatie van behandelingen binnen systeem
Plot opdelen in kwadraten => random selectie van kwadraten
- vermijden om gerichte keuze te doen van controle
en experimentele stalen
Aantal replicaten afhankelijk van variabiliteit = > base line
Block design
Soms kan men vermoeden dat bepaalde locaties in een experiment
sterk van elkaar gaan verschillen
Vb. 3 behandelingen, 3 stromen
Daarom behandeling herhalen in elk van de locaties waartussen men verschillen
vermoedt
Nagaan van effect van behandeling
van locatie
van interactie
Stratificatie van data
Vb hypothese over groei => duidelijke verschillen tussen sexen
voor vele organismen
Data voor beide geslachten worden apart gehouden
=> stratificatie van data
Duur experiment
-> moet op voorhand bepaald worden
Niet laten verleiden experiment te stoppen bij mooie resultaten
of te laten duren zolang beoogde resultaten er niet zijn.
Valstrikken
Pseudoreplicatie
Data moeten volledig onafhankelijk zijn van elkaar In ruimte en tijd
Densiteitsafhankelijke processen
Vb invloed van densiteit op groei
Ongewenste effecten van technieken
‘Kooieffect’ => o.a. schaduw, circulatie water en zuurstof, settlement
Effect van aanwezigheid observator op gedrag van organismen
Effect van lokaas
‘trap-happy’ vs ‘trap-shy’ => bias