Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Metodi “Kernel” per la stima della densità di una popolazione biologica nel campionamento “Line Transect”

La branca della statistica che si occupa della stima della densità D, della dimensione N e del tasso d’incremento (o decremento) λ della popolazione biologica prende il nome di ecologia statistica.
Esistono vari metodi di campionamento per stimare questi parametri, i principali sono: campionamento per quadrati, campionamento per strisce, transetto lineare e transetto puntuale.
Questa tesi tratta essenzialmente il metodo del transetto lineare.
Si considera un transetto di lunghezza L disposto in modo casuale su un’area; il ricercatore camminando lungo il percorso deve essere in grado di osservare gli oggetti e calcolarne le distanze perpendicolari xi tra gli oggetti (animali, piante, …) e il transetto.
• In questo metodo di campionamento un elemento fondamentale è la funzione d’avvistamento g(x).
Siano n la numerosità della popolazione avvistata e f(0) la funzione di densità della distanza dal transetto in x = 0, si può scrivere la stima della densità come:
D= [n*f(0)]/(2*L)
Un problema centrale in ecologia statistica consiste nel valutare se nello studio d’interesse vale la shoulder condition.
Per conoscere ciò occorre verificare che g(0) sia uguale a 1, che la funzione g(x), ovvero la probabilità di osservare un oggetto ad una certa distanza x perpendicolare, decresca con l’aumentare della distanza e che g’(0+) = 0.
Prima di tutto occorre verificare, tramite opportuni test, se sussiste tale condizione conducendo una verifica d’ipotesi.
Partendo da:
g(x) = exp(- ax2 - bx), con a,b ≥0 (2)
si saggia la presenza della shoulder condition considerando queste due ipotesi:
H0: b = 0 (g(x) diventa una semi-normale  è soddisfatta la condizione di shoulder)
H1: a = 0 (g(x) diventa un’esponenziale negativa  non è soddisfatta la condizione
di shoulder)
I principali test sono:
• Il test di Mack (1998), è il primo test non parametrico, ma è poco utilizzato in quanto ha scarsissima potenza.
• Il test di Zhang (2003), anch’esso è un test non parametrico, aumenta la potenza rispetto al precedente, ma non è ancora soddisfacente.
• Il test di Zhang (2001), è il più utilizzato in quanto ha buona potenza e, a differenza dei primi due, è di tipo parametrico.
Ovviamente in un approccio non parametrico sarebbe privilegiato l’utilizzo di test dello stesso tipo, ma a causa della scarsa potenza si preferisce il test di Zhang (2001) che oltretutto è uniformemente più potente tra gli invarianti per cambiamenti di scala.
In anni recenti sono stati creati stimatori suggeriti nel caso in cui sussiste la shoulder condition, tra i quali:
• Stimatore kernel gaussiano;
• Stimatore kernel di Eidous (2005): è lo stimatore più recente presente in letteratura.
Mentre nel caso non si verifichi l’ipotesi nulla (ovvero non è verificata la shoulder condition) si hanno:
• Stimatore kernel di Zhang (1999)
• Stimatore kernel di Eidous (2005): è quello visto nel caso di presenza di shoulder condition ma opportunamente pesato utilizzando Z, ovvero i valori della statistica test di Zhang (2001).
Vi sono, infine, alcuni stimatori dove si cambia solo il valore della finestra di lisciamento h a seconda che sia verificata o meno la shoulder condition:
• Stimatore kernel di Zhang e Karunamuni
• Stimatore kernel di Muller
Con il programma statistico R 2.3.1 è stata condotta una simulazione per poter confrontare le formule sopra-citate.
Operando fino a 20000 repliche, sia partendo da una funzione d’avvistamento seminormale (tipica della presenza di shoulder condition) sia con un’esponenziale negativa (per l’assenza di shoulder), si è notato che non esiste uno stimatore non parametrico perfetto per f(0), e quindi per la densità, per entrambe le funzioni.
Quello che si adatta meglio è il kernel gaussiano che però ha un’alta variabilità.
Rimanendo nel campo non parametrico, allora, è consigliabile procedere nel seguente modo: fare inizialmente un test (quello di Zhang è il più potente quindi è consigliato), se è verificata l’ipotesi nulla (presenza di shoulder) il miglior stimatore possibile per f(0) è quello di Eidous (versione proposta in presenza di shoulder), in caso contrario è indifferente la scelta tra Zhang-Karunamuni o Eidous (seconda versione).
Grazie alla simulazione si può capire quanto è difficile la scelta del parametro di lisciamento h, poiché vi è un trade-off tra varianza e distorsione.

Mostra/Nascondi contenuto.
Introduzione Questa tesi di laurea ha tre obiettivi: • fornire una panoramica completa sulla teoria dei Metodi “Kernel” per la stima della densità di una popolazione biologica nel campionamento “Line Transect”; • confrontare gli stimatori kernel della densità presenti in letteratura attraverso simulazioni al fine di capire quale sia il migliore; • analizzare alcuni classici dataset per il campionamento “transetto lineare”. La branca della statistica che si occupa della stima della densità D, della dimensione N e del tasso d’incremento (o decremento) λ della popolazione biologica prende il nome di ecologia statistica. Esistono vari metodi di campionamento per stimare questi parametri, i principali sono: campionamento per quadrati, campionamento per strisce, transetto lineare e transetto puntuale. Questa tesi tratta essenzialmente il metodo del transetto lineare. Si considera un transetto di lunghezza L disposto in modo casuale su un’area; il ricercatore camminando lungo il percorso deve essere in grado di osservare gli oggetti e calcolarne le distanze perpendicolari x i tra gli oggetti (animali, piante, …) e il transetto. In questo metodo di campionamento un elemento fondamentale è la funzione d’avvistamento g(x), la quale possiede alcune proprietà: • decresce all’aumentare della distanza tra l’osservatore e l’oggetto; • 0 ≤ g(x) ≤ 1; I

Laurea liv.II (specialistica)

Facoltà: Scienze Statistiche

Autore: Luca Massimo Girelli Contatta »

Composta da 128 pagine.

 

Questa tesi ha raggiunto 11441 click dal 21/02/2007.

 

Consultata integralmente una volta.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.