deletions | additions       diff --git a/subsubsection_Resultados_A_an_lise__.tex b/subsubsection_Resultados_A_an_lise__.tex  index 309fa18..654f0c4 100644  --- a/subsubsection_Resultados_A_an_lise__.tex  +++ b/subsubsection_Resultados_A_an_lise__.tex 
...
A análise da relação entre riqueza observada e as duas variáveis de estrutura da vegetação mostrou que a soma do efeito de ambas as variáveis explicam melhor a variação dos dados de riqueza observada. Este resultado foi obtido a partir da seleção dos modelos construídos para representar as relações entre a riqueza observada e as variáveis de estrutura da vegetação (Tabela \ref{table:tabela1}).  \begin{table} \label{table:tabela1}  \begin{tabular}{ l c c c }  \hline  Modelo & AICc & $\Delta \text{AIC}$ & df \\  
...
\hline  \end{tabular}  \caption{Tabela 1: Resultados da análise de seleção de modelos concorrentes para explicar a relação entre o número de espécies observadas (N obs.) e as duas variáveis de estrutura da vegetação obtidas a partir da análise de PCA (PC1 e PC2). Na coluna Modelo, o sinal "\~" mostra a relação de causa entre a variável dependente (à esquerda do sinal) e a(s) variável(is) independente(s) (à direita do sinal). O sinal "+" indica que a soma do efeito das variáveis foi considerada no modelo. O sinal "^2" indica que a variável independente no modelo foi multiplicada por um termo quadrático. As colunas AICc, $\Delta \text{AIC}$ e df, apresentam os valores de AICc(Critério de informação de Akaike corrigido para pequenas amostras), diferença de AICc do modelo da linha para o de menor AICc e o número de parâmetros estimados em cada modelo, respectivamente.}  \label{table:tabela1}  \end{table}  Além disto, o melhor modelo previu uma relação linear entre a variável dependente e as variáveis independentes, sendo negativa a relação entre riqueza observada e a primeira variável de estrutura vegetacional (primeiro eixo da PCA) e positiva a relação entre riqueza observada e a segunda variável (segundo eixo da PCA) (Figura 2).