Aula pratica - Estatistica de Dados Ambientais 2

Prévia do material em texto

1 INTRODUÇÃO 
 
A análise estatística de dados ambientais é uma ferramenta crítica na compreensão e tomada de decisões relacionadas à preservação e gestão dos 
recursos naturais. Nesse contexto, a Estatística desempenha um papel fundamental, fornecendo as bases para inferências confiáveis e a obtenção de informações significativas a partir de dados ambientais coletados. 
Este portfólio documenta duas atividades práticas realizadas no ambiente do software R, uma poderosa ferramenta de computação estatística e geração de gráficos amplamente utilizada em diversos campos do conhecimento. O R, por ser 
uma plataforma de código aberto, oferece uma ampla gama de técnicas estatísticas, tornando-se a escolha predominante para análise de dados em todo o mundo. Essa preferência crescente é atribuída à sua versatilidade e à capacidade de abordar uma 
variedade de problemas estatísticos, incluindo aqueles relacionados aos dados ambientais. 
A primeira atividade prática concentra-se na realização e interpretação de testes de hipóteses, com destaque para os testes de hipóteses para médias quando a variância populacional é desconhecida. Por meio dessa prática, há a oportunidade de aplicar essas técnicas estatísticas em diferentes cenários, enfrentando problemas que exigem a construção de testes de hipóteses e a tomada de decisões com base nos resultados obtidos. A capacidade de realizar inferências sobre a população 
analisada é um dos principais objetivos dessa atividade. 
A segunda atividade prática expande ainda mais o horizonte, focando-se na realização e interpretação de testes de hipóteses para duas médias, sejam elas dependentes ou independentes. Essa habilidade é particularmente relevante em 
diferentes contextos, onde a comparação de médias desempenha um papel crucial na avaliação de impactos e intervenções. 
Ambas as atividades têm como objetivo primordial equipar com as habilidades necessárias para analisar dados ambientais de forma crítica e fundamentada. Isso não apenas fortalece a compreensão da estatística, mas também fornece ferramentas 
essenciais para a pesquisa e a tomada de decisões em questões ambientais. Em 
última análise, este portfólio representa um compromisso com a formação de indivíduos capazes de contribuir significativamente para a preservação e o 
entendimento de nosso mundo natural.
2 DESENVOLVIMENTO 
 
2.1 ATIVIDADE PRÁTICA 1 
 
A primeira atividade desta proposta envolve a realização de testes de hipóteses, especificamente focados nos testes para a média quando a variância 
populacional é desconhecida. Para guiar nesta tarefa, foram fornecidas instruções detalhadas sobre como realizar esses testes com o auxílio do software R, uma ferramenta amplamente utilizada para análise estatística e construção de gráficos. Inicialmente, orienta-se a criação de um vetor contendo os valores das amostras fornecidas no problema, usando a função "c()". Esse vetor permitirá a organização dos dados de forma adequada para análise estatística. Em seguida, é
enfatizada a importância de definir claramente as hipóteses nulas e alternativas, além de especificar se o teste será unilateral ou bilateral. A etapa seguinte envolve o uso do comando "t.test" no ambiente R, no qual se inserem os dados da amostra, o valor da média populacional (mu) e a hipótese alternativa (alternative). A interpretação dos resultados gerados pelo R é essencial. Isso é alcançado ao observar o valor do p-value e compará-lo com o nível de significância definido, determinando, assim, qual hipótese deve ser aceita. A interpretação é a seguinte: 
No primeiro exemplo, onde a hipótese nula é 𝜇 = 35 (ou seja, a média populacional é igual a 35) e a alternativa é 𝜇 ≠ 35 (média populacional não é igual a 35), a saída do R fornece as seguintes informações: 
Valor do t: 1.9323 
Graus de liberdade (df): 9 
Valor do p-value: 0.08535
Hipótese alternativa: verdadeira média não é igual a 35 Interpretação: Neste teste, o p-value (valor-p) é 0.08535. Para tomar uma 
decisão estatística, comparamos o p-value com o nível de significância (geralmente definido em 0.05). Como o p-value (0.08535) é maior que o nível de significância (0.05), não temos evidências estatisticamente significativas para rejeitar a hipótese nula. Portanto, com um nível de confiança de 95%, não podemos concluir que a média populacional seja diferente de 35. 
No segundo exemplo, onde a hipótese nula é 𝜇 = 35 (a média populacional é igual a 35) e a alternativa é 𝜇 > 35 (média populacional é maior que 35), a saída do R 
fornece as seguintes informações: 
Valor do t: 1.9323 
Graus de liberdade (df): 9 
Valor do p-value: 0.04268 
Hipótese alternativa: verdadeira média é maior que 35 
Interpretação: Neste teste, o p-value (0.04268) é menor que o nível de significância (0.05). Portanto, com base nas evidências estatísticas, rejeitamos ahipótese nula. Isso significa que, com um nível de confiança de 95%, podemos concluir que a média populacional é maior que 35. 
No terceiro exemplo, onde a hipótese nula é 𝜇 = 35 (a média populacional é igual a 35) e a alternativa é 𝜇 = 200 mg/dL
# Hipótese alternativa: Ha - Média(alpha) 
alpha 26 g/árvore/corte 
Passo 3: Realizou-se o teste t para uma única amostra no R com a função 
t.test, especificando que é um teste unilateral à direita (maior que), pois estamos interessados em saber se o novo processo é mais eficiente: 
resultado_testeinterpretação correta depende da análise do valor p em relação ao nível de significância (alfa). Se o valor p for menor que alfa, rejeita-se a hipótese nula, caso 
contrário, não há evidências suficientes para rejeitar a hipótese nula. A partir disso, interpretam-se os dados da seguinte forma: 
Exemplo com Amostras Independentes: 
Resultado: "Welch Two Sample t-test" 
Estatística t (t): 1.1148 
Graus de liberdade (df): 17.999 
Valor p (p-value): 0.2796 
Nesse exemplo, a hipótese nula é que não há diferença significativa entre as médias das duas amostras, enquanto a hipótese alternativa sugere que há uma diferença significativa entre as médias. O nível de significância (alfa) não é 
especificado, portanto, assumimos um nível de significância padrão de 5% (0.05). 
Para a interpretação: 
Valor p (p-value): O valor p é 0.2796. Nível de Significância (alfa): Assumimos 5% (0.05). 
Comparando o valor p com o nível de significância (alfa): 
p-value (0.2796) > alfa (0.05). 
Como o valor p (0.2796) é maior do que o nível de significância (0.05), não 
temos evidências suficientes para rejeitar a hipótese nula. Portanto, com um nível de significância de 5%, não podemos afirmar que as médias das duas amostras são estatisticamente diferentes. 
Exemplo com Amostras Dependentes: 
Resultado: "Paired t-test" 
Estatística t (t): 3.6493 
Graus de liberdade (df): 9 
Valor p (p-value): 0.005323 
Nesse exemplo, a hipótese nula é que não há diferença significativa entre as médias das amostras emparelhadas, enquanto a hipótese alternativa sugere que há uma diferença significativa entre as médias. O nível de significância (alfa) não é especificado, portanto, assumimos um nível de significância padrão de 5% (0.05). 
Para a interpretação: 
Valor p (p-value): O valor p é 0.005323. 
Nível de Significância (alfa): Assumimos 5% (0.05). 
Comparando o valor p com o nível de significância (alfa): 
p-value (0.005323)muitas vezes complexos dentro dos mais variados nichos. 
Esta aula também nos forneceu as habilidades e ferramentas necessárias para realizar análises estatísticas em ambientes de software, como o R, demonstrando como aplicar procedimentos estatísticos de maneira prática e eficaz.
REFERÊNCIAS BIBLIOGRÁFICAS 
 
21 
 
R DEVELOPMENT CORE TEAM. R: A language and environment for statistical 
computing. R Foundation for Statistical Computing, Vienna, Austria. Disponível em 
http://www.R-project.org. 2023. 
SOUZA, Emanuel Fernando Maia de et al. Software Livre R: aplicação estatística. 
2014
ANDRADE E SILVA, Ana Hermínia et al. Introdução à estatística no software R 
[recurso eletrônico] - João Pessoa: Editora UFPB, 2021.