######################################
######### Simulando cenario neutro Hubbel
######################################
# versao modificada por Luisa Novara, em 2014
# versao inicial A. A de Oliveira, outubro 2009, modificado por Paulo Inacio, outubro 2009
########################################
# mudança: troca o antigo argumento cv (coeficiente de variacao) pelo dp (desvio padrao) da distribuicao normal da herdabilidade de xi. Isso permite que a herdabilidade permaneça constante e evita o erro de gerar herdabilidade maior quando os valores de xi sao mais baixos (i.e., evita que os valores de xi da populacao fiquem "presos" em valores mais baixos e isso mascare os reais resultados das simulacoes)
########################################
# funcao principal
###################
# S = número de especies da comunidade : inteiro positivo
# *
# J = número de individuos da comunidade (tamanho da comunidade): inteiro positivo
# j= número inicial de individuos por especie
# *
# xi = número de propagulos que o individuo i produz por intervalo
# *
# dp = desvio padrao da distribuicao normal da herdabilidade de xi: real positivo
# *
# X = total de propagulos que um individuo produz (esforco reprodutivo total): inteiro positivo
########### Deduzidos ###########
# Dado que o esforco reprodutivo total e o mesmo para todos os individuos (X), o tempo medio de vida de cada individuo e E[ti] = Xxi
# *
# A cada intervalo cada individuo tem uma probabilidade fixa pi de morrer. Portanto, a probabilidade de sobreviver t intervalos e dada por uma distribuicao geometrica1) com suporte 0,8. A esperanca desta distribuicao e E[ti]=pi-1, portanto:
# pi = xiX
# *
# Dado s igual para todas as especies, e uma distribuicao gaussiana de caracteres continuos, o número de sementes por intervalo xi da prole de um individuo pode ser definido como uma variavel normal, com parâmetros
# µ = xi
# sd = dp
#
simula.neutra.step=function(S= 100, j=10, X=1000, dp=0.1, ciclo=1e6, step=100)
{
t0=proc.time()[[3]]
## Tamanho da comunidade
J <- S*j
##Verifica se X e multiplo de J
if(abs(X/J - round(X/J)) > .Machine$double.eps^0.5) ## aqui verifica se o X/J e inteiro ou quase!
{
stop("\n\tO potencial reprodutivo (X) precisa ser multiplo do tamanho da comunidade (J). Tente novamente!\n\n")
}
##Matrizes para guardar os resultados
## matriz da especie de cada individuo por ciclo
ind.mat=matrix(nrow=J,ncol=1+ciclo/step)
##Matriz de propagulos produzidos por individuo em cada ciclo
prop.mat=matrix(nrow=J,ncol=1+ciclo/step)
## Matriz de probabilidade de morte de cada individuo, por ciclo
dead.mat=matrix(nrow=J,ncol=1+ciclo/step)
##Vetor com numero de mortos por ciclo
n.dead <- c()
n.dead[1] <- 0
##CONDICOES INICIAIS##
##Deduzidas de acordo com o modelo de Hubbell:
## Todas as especies comecam com o mesmo numero de individuos (j=J/S)
ind.mat[,1] <- rep(1:S,each=j)
cod.sp <- ind.mat[,1]
##A probabilidade inicial de morte, tomada de uma geometrica,
##dado que o numero de mortes esperado por ciclo eh a mesma para todos (p=1/J)
dead.mat[,1] <- 1/J
p.death <- dead.mat[,1]
##O esforco reprodutivo inicial e deduzido da esperanca de tempo de vida da geometrica E[t]=J
## o que portanto resulta em X/J propagulos produzidos a cada ciclo, por todos
prop.mat[,1] <- X/J
n.propag <- prop.mat[,1]
##Aqui comecam as simulacoes
for(i in 2:(1+ciclo/step))
{
n.mortes <- 0
for(a in 1:step)
{
## Sorteio dos que morrerao
morte=rbinom(J, 1, prob=p.death)
##Total de mortos, que e armazenado em n.dead
D=sum(morte)
n.mortes <- n.mortes+D
## Se ha mortos comeca aqui a rotina de substituicao dos valores
if(D>0)
{
##vetor de propagulos: cada propagulo tem o codigo numerico do individuo
seed.bank <- rep(1:J,n.propag)
##Indices dos individuos que morreram
nascer= which(morte==1)
##Sorteio dos propagulos que irao repor os mortos
mami=sample(seed.bank,D)
##Um vetor para armazenar o fenotipo do pai
papi <- c()
##Um loop para sortear o pai entre os individuos da especie de cada
## propagulo-mae sorteado
for(w in 1:D)
{
papi[w] <- sample(n.propag[ cod.sp==cod.sp[mami[w]] ],1)
}
##O valor esperado de propagulos dos filhotes eh
## a media do numero medio de propagulos produzidos pelo pai e pela mae
medias.prop=(n.propag[mami]+papi)/2
##Codigos das especies dos mortos sao substituidos pelos nascidos
##dos propagulos sorteados
cod.sp[nascer]<-cod.sp[mami]
## Numero medio de propagulos dos novos individuos nascidos e sorteada
## de uma normal discretizada e truncada entre 1 e J,
## com o desvio padrao estabelecido
n.propag[nascer] <- sapply(medias.prop,rnormt,dp=dp,min=1,max=X)
##A matriz de probabilidades de morrer eh atualizada para os novos individuos
p.death[nascer] <- n.propag[nascer]/X
}
}
## A cada step ciclos os resultados sao gravados
ind.mat[,i] <- cod.sp
dead.mat[,i] <- p.death
prop.mat[,i] <- n.propag
n.dead[i] <- n.mortes
##cat(format(Sys.time(), "%d%b%Y_%H:%M"), "\t ciclo = ", i, "\n") # para avisar a cada ciclo! desligar se estiver usando Rcloud
}
tempo <- seq(0,ciclo,by=step)
colnames(ind.mat) <- tempo
colnames(dead.mat) <- tempo
colnames(prop.mat) <- tempo
names(n.dead) <- tempo
resulta=list(tempo=tempo,sp.list=ind.mat,sementes=prop.mat,prob.morte=dead.mat,n.mortes=n.dead)
t1=proc.time()[[3]]
cat("\n\t tempo de processamento: ", round((t1-t0)/60,2),"\n")
## incluindo atributos no arquivo resulta
attributes(resulta)$start=list(especies=S, individuos=j, nprop=X, sd=dp, ciclos=ciclo, passos=step)
return(resulta)
}
################################################
### funcăo modelo totalmente neutro - Hubell
#Esta e a funca simula.neutra.step editada para retirara o tradeoff reprodutivo e a variacao neste
#caracter. O resulatdo e o modelo neutro do Hubbell, com a diferenca que o número esperado de mortes
# a cada ciclo e um, mas ha variacao estocastica nisto. no modelo original, ha sempre uma morte por ciclo
################################################
simula.neutra.hub=function(S= 100, j=10, ciclo=1e4, step=100){
## Tamanho da comunidade
J <- S*j
##Matrizes para guardar os resultados
## matriz da especie de cada individuo por ciclo
ind.mat=matrix(nrow=J,ncol=1+ciclo/step)
##Vetor com numero de mortos por ciclo
n.dead <- c()
n.dead[1] <- 0
##CONDICOES INICIAIS##
##Deduzidas de acordo com o modelo de Hubbell:
## Todas as especies comecam com o mesmo numero de individuos (j=J/S)
ind.mat[,1] <- rep(1:S,each=j)
cod.sp <- ind.mat[,1]
##A probabilidade inicial de morte, tomada de uma geometrica,
##dado que o numero de mortes esperado por ciclo eh a mesma para todos (p=1/J)
p.death <- 1/J
##Aqui comecam as simulacoes
for(i in 2:(1+ciclo/step)){
n.mortes <- 0
for(a in 1:step){
## Sorteio dos que morrerao
morte=rbinom(J, 1, prob=p.death)
##Total de mortos, que e armazenado em n.dead
D=sum(morte)
n.mortes <- n.mortes+D
## Se ha mortos comeca aqui a rotina de substituicao dos valores
if(D>0)
{
##Indices dos individuos que morreram
nascer= which(morte==1)
##Quem substitui os mortos
novos <- sample(1:J,D,replace=T)
##Substituindo
cod.sp[nascer]<-cod.sp[novos]
}
}
## A cada step ciclos os resultados sao gravados
ind.mat[,i] <- cod.sp
n.dead[i] <- n.mortes
}
tempo <- seq(0,ciclo,by=step)
colnames(ind.mat) <- tempo
names(n.dead) <- tempo
resulta=list(tempo=tempo,sp.list=ind.mat,n.mortes=n.dead)
return(resulta)
}
############################################################
#########################################################
# Normal Discretizada Truncada
#Sorteia n numeros inteiros de uma aproximacao discreta da normal truncada em seus limites inferiores
#e superiores dados sua media e coeficiente de variacao.
##Funcao de sorteio de uma normal discretizada e truncada
rnormt <- function(mean,n=1,dp,min,max)
{
vals <- (min-0.5):(max+0.5)
p <- pnorm(vals,mean=mean,sd=dp)
p2 <- diff(p)
sample(min:max,n,prob=p2,replace=T)
}
##########################################
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.