Baixe o app para aproveitar ainda mais
Prévia do material em texto
Teoria de Amostragem Disciplina de Manejo Florestal Dr. MAURÍCIO AUGUSTO RODRIGUES 1 – Conceitos básicos Para o entendimento da teoria da amostragem, alguns conceitos são fundamentais, a saber: População: é um universo dentro do senso estatístico que contempla duas pressuposições básicas: 1. Os indivíduos de uma população são de mesma natureza. 1 – Conceitos básicos 2. Os indivíduos de uma população diferem entre si, de acordo com uma feição, atributo típico ou característica denominada variável. Em termos florestais, a primeira condição pode ser facilmente exemplificada ao se definir o tipo de floresta a ser inventariada, plantada ou natural. Para a segunda condição, considerando que a floresta é composta por um conjunto de árvores, as mesmas possuem características que serão contempladas pelo inventário: DAP, altura, área basal, volume, incremento, idade, etc. 1 – Conceitos básicos Assim, numa consideração teórica, na qual a teoria da amostragem se baseia, a população pode ter tamanho finito ou infinito. Amostra: uma porção de dada população que é examinada, permitindo que se façam inferências sobre a população em questão. 1 – Conceitos básicos Unidades de amostra: consistem nas unidades em que serão realizadas as avaliações quantitativas e qualitativas sobre as feições de uma população. Quadro de amostra: é uma lista com todas as unidades de amostras que compõem a população. 1 – Conceitos básicos Parâmetro ou característica de uma população: é um valor ou constante que é obtido para dada variável de interesse, se todas as unidades de amostra de uma população forem mensuradas. Estimadores: são as fórmulas matemáticas usadas no intuito de condensar as informações obtidas através da amostragem, em um único número, a estimativa. 1 – Conceitos básicos Precisão: define o poder de um estimador ou, em outras palavras, o quão próximo o estimador consegue estar do verdadeiro valor de um parâmetro de uma população. Exatidão: refere-se ao grau de aproximação de uma estimativa em relação ao parâmetro da população. 1 – Conceitos básicos Em um inventário florestal, como em qualquer procedimento de amostragem, deve-se buscar, primeiramente, a exatidão de uma estimativa. A exatidão será conseguida quando se realizar um inventário visando ao máximo de precisão requerida e eliminar, ou reduzir a um mínimo, o efeito de tendências “bias”. 1 – Conceitos básicos Erro de amostragem: trata-se do erro que ocorre por se avaliar apenas parte da população. Três fatores aumentam a probabilidade de ocorrência do erro de amostragem: - o tamanho da amostra; - a variabilidade das unidades de amostra dentro da população e, - o método de seleção das unidades de amostra. 1 – Conceitos básicos Assim, amostras maiores selecionadas sem tendência propiciam estimativas com menor porcentagem de erro. Portanto, se todas as unidades de amostra que compõem uma população fossem amostradas (inventário 100%), o erro de amostragem seria igual a zero. 1 – Conceitos básicos Erro de não amostragem: são aqueles não advindos do processo de amostragem. Esses erros podem ocorrer de várias maneiras, mas principalmente devido a: - equívocos na alocação das unidades de amostra, - nas tomadas de dados; - no registro dos dados ou das observações; 1 – Conceitos básicos Erro de não amostragem: são aqueles não advindos do processo de amostragem. - emprego de métodos falhos na compilação e, - erro no processamento dos dados. 1 – Conceitos básicos Os erros de não amostragem podem ser classificados em dois tipos gerais, dependendo da forma como surgem (excluindo-se os erros grosseiros ocasionais devido a descuidos ou desatenção. 1 – Conceitos básicos 1. Erros de medição, de ocorrência casual. 1 – Conceitos básicos 2. Erros consistentes, causando tendência “bias”. Se os erros de medição ocorrerem casualmente, é esperado que a sua média se aproxime de zero. Se a média dos erros é diferente de zero, a tendência é introduzida, causando erros sistemáticos nas estimativas. 1 – Conceitos básicos Todos os inventários estão sujeitos a erros de amostragem e não amostragem. Juntos, eles perfazem o erro total da estimativa. O erro total é a diferença entre a estimativa de uma amostra e o valor verdadeiro da população. Se não existirem erros de não amostragem, o erro total é equivalente ao erro de amostragem. Em um povoamento florestal os parâmetros a serem medidos apresentam alguma variação (variação dos DAP por exemplo. 2 – A estatística na Teoria da Amostragem Ou seja, alguns valores são maiores que a média, outros menores e alguns bem próximos da média. Obviamente, quanto maior o número de observações melhor será a estimativa das médias. 2 – A estatística na Teoria da Amostragem Essa variação dos valores em relação à média é chamada de dispersão, e a medida mais utilizada para essa avaliação é a variância. Ou seja, uma variância grande indica maior dispersão e vice-versa. A variância da população é estimada pela variância da amostra. 2 – A estatística na Teoria da Amostragem O desvio padrão expressa quanto os valores observados individuais se dispersam em torno da sua média, e é dado pela raiz quadrada da variância. O coeficiente de variação (CV) é a expressão porcentual do desvio padrão em relação à média. 2 – A estatística na Teoria da Amostragem A variância de uma amostra, composta por n unidades de amostra, considerando uma variável aleatória contínua é dada por: Onde: S2: variância estimada; Yi: valor da característica de interesse na i0ésima unidade de amostra; : média aritmética estimada; n: número de unidades de amostra. 2 – A estatística na Teoria da Amostragem O coeficiente de variação (CV) é dado por: 2 – A estatística na Teoria da Amostragem Exercício: Calcular a variância, desvio padrão e coeficiente de variação dos dados de volumes (m3) de cinco parcelas tomadas ao acaso em 3 florestas. Nº da Parcela FLORESTAS I II III 1 20 25 50 2 20 15 2 3 20 20 10 4 20 28 8 5 20 12 30 Total 100 100 100 Média 20 20 20 2 – A estatística na Teoria da Amostragem Resultados: 2.2 – Erro Padrão e erro de amostragem A variância, o DP e o CV, conforme visto anteriormente, são medidas de dispersão dos dados em torno da média. Essa medidas também podem ser empregadas para expressar a variação entre as estimativas médias, no cálculo da variância da média e do erro-padrão da média. Aliás, o erro-padrão da média é normalmente denominado erro-padrão. Entretanto, as estimativas médias não possuem valor se não houver indicação de sua confiabilidade. Dessa forma, o erro-padrão é a medida que expressa o grau de confiabilidade de uma estimativa média. 2.2 – Erro Padrão e erro de amostragem Conhecendo-se o erro-padrão, é possível estabelecer os limites que definem o grau de aproximação esperado para o parâmetro que estiver sendo estimado. Estes são chamados de limites de confiança. O erro-padrão para uma população infinita é calculado pela seguinte expressão: 2.2 – Erro Padrão e erro de amostragem O erro-padrão expresso em porcentagem das respectivas médias é calculado pela seguinte expressão: 2.2 – Erro Padrão e erro de amostragem O erro-padrão multiplicado pelos valores de “t” em determinado nível de probabilidade, expressam o erro de amostragem, tanto em unidades absolutas: Quanto em porcentagem da média estimada: Exercício: Considerando-se os dados do exercício anterior, calcule o erro-padrão e o erro de amostragem para as florestas II e III, em valores absolutos e em porcentagem. Dados: 95% de probabilidade e t=2,776. 2.2 – Erro Padrão e erro de amostragem As estimativas dos inventários florestais podem ser expressas num intervalo, com uma probabilidade associada, denominado Intervalo de Confiança (IC). 2.3 – Intervalo de confiança (IC) e a estimativa mínima confiável (EMC) Portanto, o Intervalo de Confiança (IC), que é delimitado peloslimites de confiança, descreve os limites dentro dos quais se espera encontrar o verdadeiro valor do parâmetro da população, a um dado nível de probabilidade. Assim, o Intervalo de Confiança para determinada estimativa média é dado por: O valor de “t”, para um nível de probabilidade selecionado, é obtido da tabela de distribuição de Student, usando-se n-1 graus de liberdade, em que n é o tamanho da amostra. 2.3 – Intervalo de confiança (IC) e a estimativa mínima confiável (EMC) Considerando-se os dados do exercício anterior, calcule o IC para 95% de probabilidade e t=2,776. A estimativa da quantidade de madeira obtida em um inventário, em vez de ser expressa pela média e seu intervalo de confiança, pode também ser feita pela Estimativa Mínima Confiável (EMC), que expressa a quantidade mínima de madeira que se esperava encontrar, associada a um nível de probabilidade, segundo a seguinte fórmula: 2.3 – Intervalo de confiança (IC) e a estimativa mínima confiável (EMC) Essa fórmula parece a que expressa o limite inferior do IC; porém, o valor de “t”, para um nível de probabilidade definido, é obtido na coluna correspondente a duas vezes o nível de probabilidade requerido. de 95% (𝜶 = 0,05) 2.3 – Intervalo de confiança (IC) e a estimativa mínima confiável (EMC) Assim, o valor de “t”, considerando um nível de probabilidade de 95% (𝜶 = 0,05), será lido sobre a coluna de indicação de 0,10 (10%), de acordo com o grau de liberdade apropriado. Calcule as EMC para as florestas II e III, considerando-se “t”= 2,132. 2.3 – Intervalo de confiança (IC) e a estimativa mínima confiável (EMC)
Compartilhar