Análise Bayesiana em estudos de comportamento agressivo de peixes
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/153093 |
Resumo: | Este trabalho tem como objetivo testar se uma abordagem Bayesiana aprimora à análise de modelos longitudinais em estudo de comportamento agressivo em peixes. Discutimos as vantagens da análise Bayesiana ao lidar com variáveis agrupadas, resultados não estatisticamente significativos e número de réplicas utilizando o Acará Bandeira (Pterophyllum scalare), como estudo de caso. Além disso, em um segundo estudo com dados de quatro espécies de ciclídeo (Pterophyllum scalare, Oreochromis niloticus, Astronotus ocellatus e Cichlasoma), verificamos os diferentes tipos de viés que combinar variáveis baseando-se em critérios energéticos, pode causar na análise de dados. Por fim, em um terceiro estudo, nós construímos uma ferramenta estatística usando o pacote Shiny para permitir que modelos Bayesianos se tornem mais acessíveis para estudos longitudinais com agressividade. O delineamento dos dois primeiros estudos foi semelhante. Para cada espécie, 15 grupos de 3 indivíduos foram submetidos a observações diárias durante 10 minutos em 5 dias. Para o primeiro estudo, as variáveis comportamentais foram analisadas parcialmente combinadas de acordo com a intensidade do comportamento (Ataques e Displays), e completamente combinadas (soma de todas variáveis). Para o segundo, as variáveis comportamentais foram analisadas individualmente e parcialmente combinadas de acordo com a intensidade do comportamento (Ataques e Displays). As freqüências de cada registro foram modeladas usando cadeias de Monte Carlo Markov. Os resultados mostram que combinar variáveis, independente do critério, pode levar à conclusões tendenciosas, pois as variáveis que estão sendo combinadas podem apresentar diferentes frequências ou padrões temporais. Além disso, essa diferença de padrão pode acontecer de forma mais clara ou mais sutil. Alterações sutis não podem ser detectadas utilizando os métodos clássicos. Os métodos Bayesianos permitem verificar a viabilidade de combinar variáveis, pois mostram de maneira exata as mudanças na probabilidade de diferença. Outrossim, fornecem uma descrição clara das mudanças mesmo quando os padrões são sutis. Os resultados também mostraram que 12 repetições, para todas as espécies, não altera as conclusões do estudo, bem como que o uso de um pequeno tamanho de amostra poderia ser mais evidente dentro dos dias sobrepostos, que inclui a estabilidade do ranking social. Por fim, a ferramenta BayesBehav é apresentada para facilitar o uso da abordagem Bayesiana em pesquisas com comportamento agressivo de peixes. |
id |
UNSP_62f967f169291e490192a6b39ec803d7 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/153093 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Análise Bayesiana em estudos de comportamento agressivo de peixesBayesian analysis on fish's aggressive behavior studiesAnálise BayesianaComportamento AgressivoDelineamento LongitudinalAggressive behaviorBayesian analysisLongitudinal designEste trabalho tem como objetivo testar se uma abordagem Bayesiana aprimora à análise de modelos longitudinais em estudo de comportamento agressivo em peixes. Discutimos as vantagens da análise Bayesiana ao lidar com variáveis agrupadas, resultados não estatisticamente significativos e número de réplicas utilizando o Acará Bandeira (Pterophyllum scalare), como estudo de caso. Além disso, em um segundo estudo com dados de quatro espécies de ciclídeo (Pterophyllum scalare, Oreochromis niloticus, Astronotus ocellatus e Cichlasoma), verificamos os diferentes tipos de viés que combinar variáveis baseando-se em critérios energéticos, pode causar na análise de dados. Por fim, em um terceiro estudo, nós construímos uma ferramenta estatística usando o pacote Shiny para permitir que modelos Bayesianos se tornem mais acessíveis para estudos longitudinais com agressividade. O delineamento dos dois primeiros estudos foi semelhante. Para cada espécie, 15 grupos de 3 indivíduos foram submetidos a observações diárias durante 10 minutos em 5 dias. Para o primeiro estudo, as variáveis comportamentais foram analisadas parcialmente combinadas de acordo com a intensidade do comportamento (Ataques e Displays), e completamente combinadas (soma de todas variáveis). Para o segundo, as variáveis comportamentais foram analisadas individualmente e parcialmente combinadas de acordo com a intensidade do comportamento (Ataques e Displays). As freqüências de cada registro foram modeladas usando cadeias de Monte Carlo Markov. Os resultados mostram que combinar variáveis, independente do critério, pode levar à conclusões tendenciosas, pois as variáveis que estão sendo combinadas podem apresentar diferentes frequências ou padrões temporais. Além disso, essa diferença de padrão pode acontecer de forma mais clara ou mais sutil. Alterações sutis não podem ser detectadas utilizando os métodos clássicos. Os métodos Bayesianos permitem verificar a viabilidade de combinar variáveis, pois mostram de maneira exata as mudanças na probabilidade de diferença. Outrossim, fornecem uma descrição clara das mudanças mesmo quando os padrões são sutis. Os resultados também mostraram que 12 repetições, para todas as espécies, não altera as conclusões do estudo, bem como que o uso de um pequeno tamanho de amostra poderia ser mais evidente dentro dos dias sobrepostos, que inclui a estabilidade do ranking social. Por fim, a ferramenta BayesBehav é apresentada para facilitar o uso da abordagem Bayesiana em pesquisas com comportamento agressivo de peixes.This work aims to test if a Bayesian approach improves the analysis of longitudinal models in the study of aggressive behavior in fish. We discuss the advantages of Bayesian analysis when dealing with combined variables, non-statistically significant results and the number of replicates using the Acará Bandeira (Pterophyllum scalare), as a case study. In addition, in a second study with data of four species of cichlid (Pterophyllum scalare, Oreochromis niloticus, Astronotus ocellatus and Cichlasoma), we have checked in more detail the possible bias types that pooling variables based on energetic criterion, can cause in the data analysis. Finally, we have developed a statistical tool using the Shiny package to allow Bayesian models to become more accessible for aggressive longitudinal studies. We have adopted a similar experimental design for the first two studies. For each species, 15 groups of 3 subjects were submitted to daily observations for 10 minutes, in 5 days. For the first study, the behavioral variables were analyzed partially combined according to the intensity of the behavior (Attacks and Displays) and completely combined (sum of all variables). For the second, the behavioral variables were analyzed individually and partially combined according to the intensity of the behavior (Attacks and Displays). The frequencies of each record were modeled using Monte Carlo Markov chains. The results show that combining variables, regardless of the criterion, can lead to biased conclusions since the variables that are being combined have different frequencies or temporal patterns. In addition, this difference in pattern can happen more clearly or more subtly. Subtle changes cannot be detected using classical methods. Bayesian methods allow verifying the feasibility of combining variables, as they accurately show changes in the probability of difference. Also, they provide a clear description of the changes even when the temporal patterns are subtle. In addition, the results showed that twelve replicates, for all species, does not change the study's conclusions, as well as that the use of a small sample size could be more evident within the overlapping days, which includes the social rank stability. Finally, the BayesBehav tool is presented as a suitable tool to facilitate the use of the Bayesian approach in aggressive fish behavior research.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)nº 1542925Universidade Estadual Paulista (Unesp)Freitas, Eliane Gonçalves de [UNESP]Universidade Estadual Paulista (Unesp)Noleto Filho, Eurico Mesquita2018-03-19T18:30:16Z2018-03-19T18:30:16Z2018-03-06info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/11449/15309300089842033004102049P787749086915878140000-0003-1896-3035porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-06-05T17:31:56Zoai:repositorio.unesp.br:11449/153093Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T20:32:36.612487Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Análise Bayesiana em estudos de comportamento agressivo de peixes Bayesian analysis on fish's aggressive behavior studies |
title |
Análise Bayesiana em estudos de comportamento agressivo de peixes |
spellingShingle |
Análise Bayesiana em estudos de comportamento agressivo de peixes Noleto Filho, Eurico Mesquita Análise Bayesiana Comportamento Agressivo Delineamento Longitudinal Aggressive behavior Bayesian analysis Longitudinal design |
title_short |
Análise Bayesiana em estudos de comportamento agressivo de peixes |
title_full |
Análise Bayesiana em estudos de comportamento agressivo de peixes |
title_fullStr |
Análise Bayesiana em estudos de comportamento agressivo de peixes |
title_full_unstemmed |
Análise Bayesiana em estudos de comportamento agressivo de peixes |
title_sort |
Análise Bayesiana em estudos de comportamento agressivo de peixes |
author |
Noleto Filho, Eurico Mesquita |
author_facet |
Noleto Filho, Eurico Mesquita |
author_role |
author |
dc.contributor.none.fl_str_mv |
Freitas, Eliane Gonçalves de [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Noleto Filho, Eurico Mesquita |
dc.subject.por.fl_str_mv |
Análise Bayesiana Comportamento Agressivo Delineamento Longitudinal Aggressive behavior Bayesian analysis Longitudinal design |
topic |
Análise Bayesiana Comportamento Agressivo Delineamento Longitudinal Aggressive behavior Bayesian analysis Longitudinal design |
description |
Este trabalho tem como objetivo testar se uma abordagem Bayesiana aprimora à análise de modelos longitudinais em estudo de comportamento agressivo em peixes. Discutimos as vantagens da análise Bayesiana ao lidar com variáveis agrupadas, resultados não estatisticamente significativos e número de réplicas utilizando o Acará Bandeira (Pterophyllum scalare), como estudo de caso. Além disso, em um segundo estudo com dados de quatro espécies de ciclídeo (Pterophyllum scalare, Oreochromis niloticus, Astronotus ocellatus e Cichlasoma), verificamos os diferentes tipos de viés que combinar variáveis baseando-se em critérios energéticos, pode causar na análise de dados. Por fim, em um terceiro estudo, nós construímos uma ferramenta estatística usando o pacote Shiny para permitir que modelos Bayesianos se tornem mais acessíveis para estudos longitudinais com agressividade. O delineamento dos dois primeiros estudos foi semelhante. Para cada espécie, 15 grupos de 3 indivíduos foram submetidos a observações diárias durante 10 minutos em 5 dias. Para o primeiro estudo, as variáveis comportamentais foram analisadas parcialmente combinadas de acordo com a intensidade do comportamento (Ataques e Displays), e completamente combinadas (soma de todas variáveis). Para o segundo, as variáveis comportamentais foram analisadas individualmente e parcialmente combinadas de acordo com a intensidade do comportamento (Ataques e Displays). As freqüências de cada registro foram modeladas usando cadeias de Monte Carlo Markov. Os resultados mostram que combinar variáveis, independente do critério, pode levar à conclusões tendenciosas, pois as variáveis que estão sendo combinadas podem apresentar diferentes frequências ou padrões temporais. Além disso, essa diferença de padrão pode acontecer de forma mais clara ou mais sutil. Alterações sutis não podem ser detectadas utilizando os métodos clássicos. Os métodos Bayesianos permitem verificar a viabilidade de combinar variáveis, pois mostram de maneira exata as mudanças na probabilidade de diferença. Outrossim, fornecem uma descrição clara das mudanças mesmo quando os padrões são sutis. Os resultados também mostraram que 12 repetições, para todas as espécies, não altera as conclusões do estudo, bem como que o uso de um pequeno tamanho de amostra poderia ser mais evidente dentro dos dias sobrepostos, que inclui a estabilidade do ranking social. Por fim, a ferramenta BayesBehav é apresentada para facilitar o uso da abordagem Bayesiana em pesquisas com comportamento agressivo de peixes. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-03-19T18:30:16Z 2018-03-19T18:30:16Z 2018-03-06 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/153093 000898420 33004102049P7 8774908691587814 0000-0003-1896-3035 |
url |
http://hdl.handle.net/11449/153093 |
identifier_str_mv |
000898420 33004102049P7 8774908691587814 0000-0003-1896-3035 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1808129216731938816 |