deletions | additions       diff --git a/Descri_o_de_padr_es__.tex b/Descri_o_de_padr_es__.tex  index 5b1748e..20c1891 100644  --- a/Descri_o_de_padr_es__.tex  +++ b/Descri_o_de_padr_es__.tex 
...
Descrição de padrões temporais de diversidade Dinâmica neutra e ajuste temporal da DAE  Descrevemos a dinâmica da As  DAE medindo a variação do ajuste obtidas nas simulações  de diferentes modelos de distribuição de abundância à série temporal. Ajustamos a DAE obtida dinâmica neutra apresentaram pouca variação temporal  em cada ocasião sua forma (Fig.4A). O modelo que melhor se ajustou aos dados simulados foi o Broken stick, o qual teve um WAIC médio  de captura a cinco diferentes modelos: Log-series (Fisher et al. 1943), Log-Normal (Preston 1948), Broken-stick (MacArthur 1960), Zero Sum Multinomial (Alonso and McKane 2004) 0,44 (0,06 DP)  e Poisson Log-normal (Engen et al. 2011). Comparamos o ajuste valores sempre superiores ao  dos demais  modelos através ao longo e toda a série temporal (Tab. 3 e Fig. 4A). Não obstante, houve alguma incerteza na seleção  do critério de informação melhor modelo que descreve a DAE  de Akaike (Burnham and Anderson 2002), cada ocasião, pois os modelos Log-normal  e utilizamos o peso Poisson Lognormal tiveram valores  deAIC (WAIC) como medida para avaliar o ajuste. As séries temporais dos  WAIC médios  de cada modelo foram utilizadas para avaliar variações na forma (ajuste) da DAE ao longo do tempo. Fizemos o procedimento acima descrito tanto para 0,28 (0,03) e 0,26 (0,04), respectivamente. Por outro lado,  as DAE baseadas em abundâncias cruas quanto para as baseada estimadas tiveram uma variação considerável e aparentemente cíclica  em abundâncias estimadas. As distribuição dos sua forma (Fig. 4B), refletida nos maiores  valorestemporais de WAIC dos dois tipos  de DAE foram comparados pelo teste desvios-padrão das médias  de Komolgorov-Smirnov. Para WAIC. O modelo Broken stick continuou tendo  o melhor  ajuste médio (0,49 DP 0,26) considerado a série temporal toda, porém em algumas ocasiões, nos meses secos quando se formaram os bolsões de Ithomiini, os modelos Log-normal  e Poisson Log-normal tiveram melhor ajuste ou houve grande incerteza na  seleção de modelos de DAE utilizamos (Fig. 4B). Os modelos Log-series e Zero-Sum Multinomial, este último  o pacote sads (Prado esperado pela teoria neutra (Alonso  and MIranda 2014) do programa R (R Core Team 2013). McKane 2004), não apresentaram bons ajustes nem as DAE simuladas nem tampouco as baseadas em abundâncias estimadas.  Para descrever a rotatividade (turnover) nos ranques O ajuste dos modelos  deabundância ao longo do tempo calculamos como a similaridade (correlação) entre duas  DAE obtidas em diferentes ocasiões varia com o intervalo aos dados  de tempo (meses) entre elas (Engen et al. 2011). A similaridade entre cada par possível de DAE temporais (465 combinações no total) abundâncias cruas  foi obtida do parâmetro ρ da distribuição Poisson Log-normal bivariada, o qual representa a correlação qualitativamente similar ao ajuste aos dados de abundâncias estimadas (Tab. 3 e Fig 5). O mesmo padrão de alternância de ajustes  entre duas DAE: valores próximos modelos nos períodos de formação  de 1 indicam que as espécies abundantes bolsão podem ser observados, porém com menor intensidade. O modelo Broken stick teve o melhor ajuste médio  eraras em uma DAE também  o são na outra (baixa rotatividade); valores próximos de -1 indicam que espécies abundantes em uma DAE são raras na outra Log-series  e vice-versa (alta rotatividade, Engen et al. 2011). Zero-Sum Multinomial tiveram ajustes precários (Tab. 3).  Para modelar a variação na similaridade entre pares de DAE em função do intervalo de tempo entre elas, ajustamos polinômios de diferentes ordens (de 0 a 15) aos dados, comparando seus ajustes através do AIC. Como a assembleia de Ithomiini apresenta dois estado distintos, cíclicos e previsíveis ao longo do ano (formação de bolsões na estação seca e sua dissolução na chuvosa, ver resultados) consideramos que estes modelos poderiam descrever satisfatoriamente a relação similaridade-tempo. Além disso, polinômios de ordem zero e de ordem 1 (i.e., a equação linear) são adequados para descrever cenários alternativos, tal como ausência de variação na similaridade em função do tempo ou uma tendência linear de aumento ou diminuição. Fizemos o procedimento acima descrito tanto para as séries temporais de DAE baseadas em abundâncias cruas quanto para as baseadas em abundâncias estimadas. A fim de comparar se a relação similaridade-tempo variou entre DAE cruas e DAE estimadas, as funções polinomiais selecionadas para cada tipo de DAE foram comparados pelo teste de Kolmogorov-Smirnov bicaudal.  Simulações de dinâmica neutra  Para obter padrões de diversidade temporal conforme esperado por uma dinâmica neutra realizamos simulações no programa Mark (Cooch and White 2006). A proposta original era realizar simulações no pacote untb do programa R, porém características do nosso sistema de estudo fazem com que premissas básicas do modelo neutro clássico sejam pouco realistas. Por exemplo, grandes oscilações cíclicas observadas no número de indivíduos ao longo do ano (ver resultados) violam a premissa de soma zero da dinâmica neutra (Hubbell 2001). Além disso, havíamos considerado que uma das áreas amostrais (Reserva Florestal) seria uma fonte de indivíduos (“metacomunidade”) para a outra (PEPT), emulando cenário postulado pela dinâmica neutra. Porém o baixíssimo número de recapturas entre áreas (ver resultados) impossibilitou a estimativa independente do parâmetro de migração da teoria neutra, limitando muito nossa estratégia inicial de confrontar os padrões empíricos com os simulados pela teoria neutra clássica.  Assim, simulamos uma dinâmica neutra a partir do módulo de simulações do programa Mark usando o próprio modelo JS POPAN como base. Rodamos uma simulação de dinâmica temporal para cada uma das oito espécies núcleo, simulações estas que reproduziram os dados empíricos em termos de número de ocasiões de captura e de intervalos de tempo entre elas. Para obter as DAE simuladas de uma dada ocasião, agrupamos as abundâncias simuladas das oito espécies núcleo obtidas naquela ocasião. Para simular a dinâmica neutra consideramos que as probabilidades de entrada (recrutamento aparente - pent) e de saída (sobrevivência aparente - Phi) eram iguais para todas as espécies, emulando a premissa de equivalência demográfica. O tamanho da superpopulação (N), i.e., a fonte de indivíduos para a assembleia estudada segundo postulado pelo JS POPAN, poderia variar entre espécies, emulando os diferentes tamanhos populacionais presentes na metacomunidade segundo postulação da teoria neutra. As probabilidades de captura (p) também puderam variar entre espécies.   Para obter os valores dos quatro parâmetros acima descritos usados na simulação de cada espécie, agrupamos os dados de todas as espécies em um único conjunto de históricos de captura e ajustamos 33 modelos JS POPAN aos dados. Estes modelos puderam variar os parâmetros Phi e pent no tempo e com covariáveis de chuva (as mesmas dos modelos da tabela 1), sendo iguais para todas as espécies; o parâmetro p pôde variar com espécie e com esforço amostral; e o parâmetro N pôde variar apenas com espécie. Usamos nas simulações os parâmetros obtidos do melhor modelo selecionado pelo AIC (Phi e pent variando no tempo, p variando com espécie e com esforço amostral e N variando com espécie – AICw = 1). Uma vez obtida a série temporal de DAE simuladas, obtivemos os padrões de diversidade temporal conforme esperado por uma dinâmica neutra conforme os mesmos procedimentos descritos para as DAE empíricas. Utilizamos o teste de Kolmogorov-Smirnov para comparar os padrões de diversidade simulados com os empíricos.     2.1.4 Resultados  Entre abril de 2013 e julho de 2015 realizamos 22.551 capturas de 17.001 indivíduos de Ithomiini pertencentes a 24 espécies: 14.099 capturas de 10.199 indivíduos no PEPT (22 espécies) e 8.450 capturas de 6.880 indivíduos na Reserva Florestal (24 espécies, Tab. 2). Das mais de 22 mil capturas, apenas 64 foram de indivíduos que se deslocaram de uma área para outra. Aqui vai a tabela 2. 3.