Prévia do material em texto
4/23/14 1 Universidade Federal de Goiás Escola de Agronomia e Engenharia de Alimentos Engenharia Florestal Disciplina: Estatística e Experimentação Florestal Professor: Evandro Novaes Inferência Estatística e Amostragem Capítulo 4 © E. Novaes 4. Inferência Esta@sAca e Amostragem a. Conceitos básicos b. Métodos de amostragem Aula de hoje © E. Novaes 4/23/14 2 Programa: Esta@sAca descriAva e distri-‐ buições de probabilidade Amostragem e testes de hipóteses esta@sAcas Esta@sAca experimental © E. Novaes Introdução • O objeAvo da maior parte das invesAgações esta@sAcas é a realização de inferências – i.e. dizer algo a respeito de populações com base em amostras. © E. Novaes 4/23/14 3 Ferramentas necessárias para a inferência esta0s1ca € x = xi i=1 n ∑ n € s2 = xi2 − xi i=1 n ∑ $ % & ' ( ) 2 ni=1 n ∑ n −1 Análise da distribuição Medidas de posição Medidas de dispersão Ferramentas para o cálculo de probabilidades Modelos com distribuição de probabilidade conhecidas Esta@sAca descriAva Teoria de probabilidade © E. Novaes E st a@ sA ca D es cr iA va T eo ria d e Pr ob ab ili da de s Inferência Esta@sAca (paramétrica) Slide genAlmente cedido pelo Prof. Alexandre S. G. Coelho © E. Novaes 4/23/14 4 Inferência esta0s1ca • A par1r de amostras permite inferências (induções) prováveis sobre a população – Problema: amostra não é idên1ca à população; Fonte: hYp://rchsbowman.wordpress.com/2009/12/08/staAsAcs-‐notes-‐sampling-‐distribuAon/ Estamos interessados em estudar Temos dados da População Amostra Amostragem Inferência € x € s2 Esta0s1cas Parâmetro € µ € σ2 © E. Novaes Inferência esta0s1ca • Como essa mágica funciona? – Amostragem deve ser bem feita -‐> representa1va » Para garan1r que os erros sejam aleatórios » Com isso pode-‐se, com base nas teorias de probabilidade, es1mar o erro ou acurácia das es1ma1vas das esta0s1cas descri1vas amostrais em relação aos parâmetros populacionais. © E. Novaes 4/23/14 5 Parâmetro vs. Esta@sAca • Parâmetro: descreve um atributo numérico da população. Devido as dificuldade de se realizar o censo, geralmente seu valor é desconhecido. • Esta@sAca: descreve um atributo numérico da amostra. É calculado a parAr de observações feitas na amostra. © E. Novaes EsAmação de parâmetros Acurado Impreciso Viesado Impreciso Acurácia (sem viés) e Precisão Viesado Preciso Acurado Preciso © E. Novaes 4/23/14 6 Como facilitar a acurácia e a precisão? -‐ Escolha da esta@sAca adequada -‐ Bons princípios de amostragem! © E. Novaes Evitando viés! Princípios de amostragem © E. Novaes 4/23/14 7 Antes de iniciar a amostragem 1. Definição do objeAvo do estudo; 2. Definição da população alvo; 3. Quais dados serão coletados; 4. Definir o método de amostragem; 5. Definição do nível de precisão exigido (tamanho amostral); 6. Planejamento final da amostragem; 7. Execução da amostragem e coleta dos dados. © E. Novaes Tipos de amostragem • Não probabilísAca – Amostragem por conveniência – Amostragem voluntária – Amostragem por julgamento • ProbabilísAca – Amostragem aleatória simples – Amostragem aleatória estraAficada – Amostragem aleatória sistemáAca – Amostragem aleatória por conglomerado © E. Novaes 4/23/14 8 Métodos de amostragem Amostragem por conveniência • Inadequado: pode gerar viés que impossibilitam que a amostra reflita com acurárcia a população. • Exemplos: – Crescimento Eucalyptus – Verminose em porcos © E. Novaes Métodos de amostragem Amostragem voluntária • Também pode introduzir grande viés, já que não leva em consideração a população como um todo. – Exemplos: • Pesquisas de opinião – pessoas que se interessam fortemente pelo tema respondem com maior frequência. – Pesquisa por internet ou telefone • Mesma pessoa pode responder inúmeras vezes © E. Novaes 4/23/14 9 Métodos de amostragem Amostragem por julgamento • Nesse caso o pesquisador escolhe os indivíduos “mais representaAvos” da população. – Exemplo: não amostra árvores doentes de um talhão – Porém, quão confiável é o julgamento das pessoas? • Pode gerar até mais viés do que a amostra por conveniência, uma vez que está sujeita ao julgamento viesado do pesquisador. © E. Novaes Métodos de amostragem Amostragem aleatória simples • É aquela em que todos os indivíduos da população têm igual probabilidade de serem selecionados; • Realiza-‐se o sorteio dos indivíduos a serem amostrados antes de ir ao campo e avaliar os indivíduos; © E. Novaes 4/23/14 10 Métodos de amostragem Amostragem aleatória estraAficada • As vezes, a população é consAtuída de subpopulações ou estratos e pode ser razoável supor que a variável de interesse apresenta comportamento diferente nos disAntos estratos; • Neste caso, para que a amostragem seja representaAva, ela deve conter dados de todos os estratos, respeitando suas proporções; © E. Novaes Métodos de amostragem Amostragem aleatóriasistemáAca • Se os elementos da população estão ordenados de alguma maneira (linha de produção, linha floresta, prateleiras de supermercado, etc.), é possível realizar uma amostragem sistemáAca. © E. Novaes 4/23/14 11 Métodos de amostragem Amostragem por conglomerado • Se a população apresenta-‐se subdividida em pequenos grupos ou conglomerados (frequentemente no espaço), é muitas vezes conveniente a realização da amostragem diretamente nos conglomerados – Exemplo: bairros e talhões florestais • Nesse caso idenAfica-‐se e sorteia-‐se os conglomerados, amostrando todos os indivíduos dos conglomerados sorteados • Cuidado! Pode ser que os conglomerados não sejam representaAvos da população © E. Novaes Antes de iniciar a amostragem 1. Definição do objeAvo do estudo; 2. Definição da população alvo; 3. Quais dados serão coletados; 4. Definir o método de amostragem; 5. Definição do nível de precisão exigido (tamanho amostral); 6. Planejamento final da amostragem; 7. Execução da amostragem e coleta dos dados. © E. Novaes 4/23/14 12 Porque é preciso pensar um n adequado? • Amostragem custa tempo e dinheiro • Se o tamanho não for adequado, pode-‐se não obter a confiabilidade adequada para testar hipóteses acerca da população. – Lei dos grandes números: quanto maior o tamanho da amostra, mais a esAmaAva se aproxima do valor real do parâmetro populacional (menor variância) urop gran urop gran n = 20 n = 60 33 40 33 40 © E. Novaes Porque é preciso pensar um n adequado? • Amostragem custa tempo e dinheiro • Se o tamanho não for adequado, pode-‐se não obter a confiabilidade adequada para testar hipóteses acerca da população. – Lei dos grandes números: quanto maior o tamanho da amostra, mais a esAmaAva se aproxima do valor real do parâmetro populacional (menor variância) n = 20 n = 60 © E. Novaes 4/23/14 13 Cálculo do tamanho amostral (n) • Um protocolo de transformação genéAca tem eficiência de 2%, ou seja somente 2% dos explantes submeAdos ao protocolo geram plantas transgênicas. Sabendo disso, quantas plantas devem ser uAlizadas para que tenhamos uma garanAa de obter pelo menos uma transgênica, com um nível de confiança de 95%? © E. Novaes