Prévia do material em texto
Discu�ndo Aspectos da Amostragem Estra�ficada para Dados Agrícolas, usando a Pesquisa Agrícola Municipal de 2018 para MS 1. Obje�vo A finalidade desse trabalho é avaliar alguns aspectos relacionados ao problema de es�mação agrícola de várias variáveis, usando ferramentas de estra�ficação e a técnica de amostragem estra�ficada sem repe�ção e alocação proporcional. As Variáveis selecionadas para se fazer a es�mação foram provenientes da PAM 2018/MS(IBGE), conforme a seguir: Área Colhida da Lavoura Permanente (ACOLTEMP), Valor da Lavoura Temporária (VALTEMP), Área Colhida da Lavoura Permanente (ACOLPERM), Valor da Lavoura Permanente (VALPERM), Valor Total das Lavouras (VALTOT), Área Colhida de Arroz (A_Arroz), Área Colhida de Aveia (A_Aveia), Área Colhida de Seringueira (A_Borracha), Área Colhida de Banana (A_Banana), Área Colhida de Café (A_Café), Área Colhida de Cana (A_Cana), Área Colhida de Feijão (A_Feijão), Área Colhida de Mandioca (A_Mandioca), Área Colhida de Milho (A_Milho), Área Colhida de Soja (A_Soja), Área Colhida de Sorgo (A_Sorgo) e Área Colhida de Trigo (A_Trigo). As unidades de medidas são o hectare e valores em R$ ( x1000) 2. Distribuição dos Dados 2.1. Como era de se esperar a distribuição de frequência das variáveis municipais selecionadas são concentradas à esquerda do histograma (ver figura 1), e isso reflete o fato de que existem muitos municípios concentrados nas classes menores de Áreas, valores de produção, etc… Essa, caracterís�ca, como já mencionado acima, tem lógica, por exemplo, quando olhamos para variável área colhida de trigo, pois a maioria dos municípios não tem essa cultura. Henrique Noronha Figueiredo de Brito 1/13 Figura 1. Histogramas das variáveis originais, mostrando a concentração de dados à esquerda. Da Esquerda para a direita e de cima para baixo os gráficos representam as seguintes variáveis: ACOLTEMP, VALTEMP, ACOLPERM, VALPERM, VALTOT, A_Arroz, A_Aveia, A_Borracha, A_Banana, A_Café, A_Cana, A_Feijão, A_Mandioca, A_Milho, A_Soja, A_Sorgo e A_Trigo. 2.2. O fato das variáveis se distribuírem assimetricamente para a esquerda revela que as mesmas não seguem a distribuição padrão normal e isso pode ser verificado ao se aplicar os testes para normalidade de Shapiro, Kolmogorov-Smirnov, Anderson-Darling e Lilliefors. Para isso foi montado um programa, em Python, que aplicava os testes mencionados e avaliava cada variável, já propondo a transformação Box-cox suficiente para que os dados se tornassem “Normais”. Em python as funções foram ob�das com o pacote scipy (from scipy.stats import shapiro, from scipy.stats import normaltest, from scipy.stats import anderson, from scipy.stats import kstest). Para maiores explicações sobre os testes veja o trabalho de PINO(2014). 2.3. Ainda sobre a transformação de dados, foi usada a equação de Box-cox (dados sempre posi�vos ou zero) com o intuito de verificar quais variáveis poderiam ser transformadas. Além disso, a lógica foi de verificar em quais dados poderiam se aplicar as estaMs�cas da distribuição Normal, que é um modelo já bem estabelecido e fornece métodos robustos de es�mação. Nesse primeiro momento a ideia era usar, dentre as variáveis passíveis de transformação normal, aquela mais restri�va para o cálculo do tamanho da amostra. 2.4. Fórmula Box-cox (PINO, 2014 ; ALVAREZ, 2015) 2.5. Nesse estudo, como haviam muitos dados zerados, o valor “c” da fórmula acima foi colocado como 1, ou seja, a cada dado foi somado uma unidade para propiciar o uso do método. Como já foi mencionado, para cada variável estudada foi aplicada a transformação box-cox com base no pacote scipy (form scipy.stats import boxcox). Para retornar aos valores originais pode se usar a função inv_boxcox (from scipy.special import inv_boxcox ) Os resultados seguem conforme abaixo: 2.6. Tabela de resultados da Transformação Box-cox 3. Estra�ficação dos Dados 3.1. Para o cálculo do tamanho da amostra foi selecionada a variável mais restri�va ACOLPERM, visto não exis�r lavoura permanente em todos os municípios. Mas antes do cálculo se faz necessária a seleção dos estratos, e, para isso foi u�lizado o método mul�variado da distância euclidiana (medida de dissimilaridade) e agrupamento pelo método do vizinho mais próximo. Para essa estaMs�ca foi rodado o pacote Henrique Noronha Figueiredo de Brito 2/13 scipy.cluster.hierarchy import linkage e usada a função linkage(dados, method='complete', metric='euclidean'). Vale lembrar que todas as variáveis selecionadas para este estudo foram u�lizadas no cálculo. Com a função dendogram() foi gerado o gráfico do agrupamento (from scipy.cluster.hierarchy import dendrogram), conforme abaixo: 3.2. Con�nuando o processo de formação dos estratos com base nos dados acima foi u�lizada a função do python scipy.cluster.hierarchy.fcluster conforme a seguir: fcluster(h, t=21, criterion='maxclust'). Pode se observar que inicialmente foi proposto a formação de 21 estratos. Essa estratégia foi em virtude de que existem muitos municípios com caracterís�cas muito diferenciadas em relação as variáveis selecionadas, logo, já se sabia de antemão que isso levaria a formação de estratos de tamanho 1 (apenas um município). Dessa forma, esses foram iden�ficados como estratos certos (sempre estariam na amostra). Nessa etapa foram iden�ficados 13 estratos certos. Entretanto, foi imposto, também, que, na etapa de amostragem, de cada estrato deveria se extrair, no mínimo 2 amostras (para propiciar o cálculo da variância). Com isso, todo o estrato com número máximo de 2 municípios foi redividido e transformado em estrato certo (ver Figura 3) e o número de estratos certos subiu para 15 (ver mapa do anexo I) Henrique Noronha Figueiredo de Brito 3/13 Figura 2. Dendograma mostrando os municípios agrupados com base no agrupamento pelo “vizinho mais próximo”. No eixo das abcissas estão os municípios representados pela numeração de 1 a 79 (ordem alfabé�ca crescente – Água Clara a Vicen�na) 4.3. Fórmulas e cálculos (BOLFARINE & BUSSAB, 2005) 4.4. Com o estabelecimento do tamanho da amostra de 32 e sabendo que exis�rão 15 estratos certos, só restaram 17 municípios para serem sorteados entre os estratos. O sorteio, para uma rodada aleatória, ficou conforme a seguir: 5. Es�mando a média e o total das variáveis, calculadas conforme sorteio acima Henrique Noronha Figueiredo de Brito 5/13 Figura 4. Municípios sorteados numa rodada de simulação. Destacando os novos estratos certos 5.1. Para os cálculos estaMs�cos de média, total e variância foram u�lizadas as fórmulas abaixo. Entretanto para a es�mação do intervalo de confiança foi u�lizada uma técnica de reamostragem denominada “Bootstrap”. Essa técnica é muito u�lizada quando os dados não apresentam adequação a uma distribuição de frequência específica. 5.2. Fórmulas (BOLFARINE & BUSSAB, 2005): 5.2.1. Amostragem Sem Reposição 5.3. Bootstrap – Bca (Bias-Corrected and Acelerated) 5.3.1. A técnica de reamostragem bootstrap tem como princípio a geração aleatória de várias amostras de tamanho N, com reposição. E sobre essas amostras aleatórias se fazem os cálculos estaMs�cos. O obje�vo é a construção de intervalos de confianças pelos percen�s, ou seja, um Intervalo de confiança a 10% = [P5%, P95%]. Entretanto, quando se tem distribuições muito assimétricas a literatura recomenda uma correção desse intervalo percen�l através do método Bca. Como os dados não seguem a nenhuma distribuição conhecida se fará o uso da técnicabootstrap não paramétrica. 5.3.2. Metodologia: 5.3.2.1. Em python foi criado um script para a geração de N amostras aleatórias e para o cálculo das estaMs�cas descri�vas (com base nos estratos) 5.3.2.2. Nesse trabalho foram gerados 1000 amostras aleatórias bootstrap de tamanho 32 5.3.2.3. Com base nessa amostra de tamanho 1000 foram calculados os valores ‘z0’ e ‘â’ que fazem parte do método Bca de correção 5.3.2.4. Fórmulas e intervalos percen�s Bca (BAZAN,2005; ALVEZ, 2013; CUNHA & COLOSIMO, 2013; RIZZO & CYMROT, 2006) Henrique Noronha Figueiredo de Brito 6/13 5.3.2.5. Explicando as fórmulas acima, para o cálculo de z0 (para cada variável), se u�lizou, por exemplo, os registros provenientes da média de cada uma das 32 subamostras geradas (1000 vezes) e se calculou o percentual, de quantas dessas observações estavam abaixo da média es�mada da amostra mestra. Em linguagem Python isso se traduziu na linha abaixo: norm.ppf(((dataframe das 1000 simulações bootstrap)[lambda x : x<media_es�mada_da_amostra_mestra].count())/1000) Obs: (from scipy.stats import *) norm.ppf(0.05)=-1.6448536269514729 5.3.2.6. Tabela com os valores z0 5.3.2.7. Para o parâmetro ‘â’ o cálculo foi realizado dentro de cada amostra bootstrap gerada e no final se fez a média desses 1000 valores gerados para cada variável. Para melhor exemplificação dos cálculos ver páginas 31 a 33 da dissertação de Edmar José Alves (2013). Henrique Noronha Figueiredo de Brito 7/13 5.3.2.8. Com os dados acima os novos parâmetros do intervalo de confiança de 10% se tornam os seguintes 5.3.2.9. Analisando a tabela acima pode se notar o padrão do novo intervalo de confiança. Um padrão observado é que para culturas temporárias presentes em todo o estado, o intervalo de confiança ficou pra�camente inalterado. Já para aquelas presentes em apenas alguns municípios o intervalo foi puxado para a esquerda. A variável “Área Colhida de Trigo” em sorteio anterior mostrou a maior alteração no cálculo do intervalo percen�l. O limite percen�l superior caiu para 58%. Nessa simulação a variável que registrou essa alteração foi “A_Arroz”. Essa caracterís�ca é observada para as culturas temporárias que estão presentes em apenas alguns municípios. Outro ponto a se analisar é o fato da simulação bootstrap, que foi adaptada para uma estrutura mais engessada (estratos). Essa adaptação pode fazer com que a simulação aumente a quan�dade de dados repe�dos. Esse fato pode estar causando essa alteração brusca no intervalo de confiança (poucas observações abaixo da média es�mada, na simulação bootstrap, conduzem a um |Z0|(módulo de Z0) grande). Para melhor ilustrar a situação veja o exemplo abaixo: 5.3.2.10. Imagine a amostra abaixo df=[2,2,2,2,2,2,5,5,6,7,8,8,11,11,11,11,11,11,11,11,11,11,11,12] np.percen�le(df,60) = 11 np.percen�le(df,50)= 9,5 np.percen�le(df,95)= 11 np.percen�le(df,5) = 2 np.percen�le(df,1) = 2 Pode se perceber que devido a repe�ção o percen�l 95 é o mesmo do percen�l 60, assim como o P1% = P5%. Henrique Noronha Figueiredo de Brito 8/13 5.3.2.11. Tabela de Totais Estadual 5.3.2.12. Analisando os dados da tabela acima e focando no coeficiente de variação interquarMlico((Q3-Q1)/(Q3+Q1)) da simulação bootstrap, registra-se que as variáveis cuja previsão são mais concisas (CV_interquarMlico ≤10%) são: ACOLTEMP, VALTEMP, VALTOT, A_Arroz, A_Aveia, A_cana, A_Milho, A_Soja, A_sorgo. Entretanto, embora haja uma coerência em relação ao CV, existem diferenças absolutas de valores es�mados em relação ao real que são significa�vas, e que impactam diretamente a es�mação da área colhida e da produção. Outro destaque é para as variáveis “A_Arroz” e “VALPERM”, onde os valores reais ficaram fora do intervalo de confiança calculado. Para Arroz, embora o CV seja baixo esse sorteio conduziu a uma es�mação muito dis�nta do valor real. Para lavouras Permanentes a estra�ficação proposta se revela inadequada para a es�mação, com exceção para Café, que talvez possa se fazer ajustes nos estratos. Para as lavouras temporárias, presentes em apenas alguns municípios (sorgo, trigo, arroz, aveia), uma alterna�va para melhorar a es�mação do trigo e arroz seria colocar como estrato certo, respec�vamente, os municípios de Laguna Carapã e Miranda. Henrique Noronha Figueiredo de Brito 9/13 5.3.2.13. Dados de um novo sorteio e 300 simulações Henrique Noronha Figueiredo de Brito 10/13 Intervalos de confiança percen�s a 10% - valores de α e (1-α) ACOLTEMP VALTEMP ACOLPERM VALPERM VALTOT A_Arroz IC 10% - original 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% IC 10% - Bca 8,62% 97,23% 4,90% 94,90% 4,54% 94,53% 5,56% 95,49% 5,63% 95,56% 2,05% 89,68% A_Aveia A_Borracha A_Banana A_Café A_Cana A_Feijão IC 10% - original 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% IC 10% - Bca 3,27% 92,70% 3,89% 93,73% 5,36% 95,32% 36,42% 99,81% 2,39% 90,68% 4,71% 94,70% A_Mandioca A_Milho A_Soja A_Sorgo A_Trigo IC 10% - original 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% 5,00% 95,00% IC 10% - Bca 3,50% 93,10% 5,83% 95,71% 9,46% 97,54% 0,21% 68,02% 3,79% 93,58% Municípios escolhidos dentro dos estratos para uma rodada aleatória de simulação Estratos ACOLTEMP VALTEMP ... A_Trigo N1 Municipios cod ... 5000609 14 122961 422377 ... 600 1 Amambai (MS) 5000856 12 49224 300832 ... 0 1 Angélica (MS) 5000906 8 53115 171704 ... 800 1 Antônio João (MS) 5002159 7 6870 20083 ... 0 1 Bodoquena (MS) 5002209 10 83159 235125 ... 0 1 Bonito (MS) 5002704 11 94889 302245 ... 0 1 Campo Grande (MS) 5002951 1 163677 681037 ... 0 1 Chapadão do Sul (MS) 5003157 9 24904 71649 ... 100 1 Coronel Sapucaia (MS) 5003256 19 187934 949318 ... 0 1 Costa Rica (MS) 5003504 9 26664 73302 ... 0 1 Douradina (MS) 5003702 20 358300 1105819 ... 600 1 Dourados (MS) 5004403 7 310 1650 ... 0 1 Inocência (MS) 5004502 4 155917 509570 ... 100 1 Itaporã (MS) 5004601 11 77654 282833 ... 0 1 Itaquiraí (MS) 5004700 15 80430 416396 ... 0 1 Ivinhema (MS) 5005004 9 20073 67663 ... 0 1 Jardim (MS) 5005152 8 43576 177021 ... 0 1 Juti (MS) 5005202 7 38 445 ... 0 1 Ladário (MS) 5005251 3 186194 591854 ... 7000 1 Laguna Carapã (MS) 5005400 21 559373 1856152 ... 1500 1 Maracaju (MS) 5005707 3 175874 578191 ... 774 1 Naviraí (MS) 5006002 5 144351 560912 ... 0 1 Nova Alvorada do Sul (MS) 5006200 10 76662 269261 ... 0 1 Nova Andradina (MS) 5006275 13 80506 333111 ... 0 1 Paraíso das Águas (MS) 5006309 6 7652 40526 ... 0 1 Paranaíba (MS) 5006606 16 426874 1252683 ... 6000 1 Ponta Porã (MS) 5007208 18 310102 1247896 ... 0 1 Rio Brilhante (MS) 5007695 2 202142 736027 ... 0 1 São Gabriel do Oeste (MS) 5007901 17 402459 1326671 ... 0 1 Sidrolândia (MS) 5007935 22 97557 364085 ... 0 1 Sonora (MS) 5007976 6 13362 53874 ... 0 1 Taquarussu (MS) 5008404 9 21809 84099 ... 0 1 Vicentina (MS) 5.3.2.14. Nessa nova simulação acima, observa-se que, para sorgo e café, o intervalo bootstrap simulado com 300 amostras não inclui o valor real, embora, para sorgo, o total es�mado esteja bem próximo.(ver discussões dos itens 5.3.2.9 a 5.3.2.12).As discrepâncias acima mostram que o intervalo de confiança bootstrap é instável para as lavouras temporárias de trigo, arroz e sorgo, dependendo da simulação. 6. Considerações e Conclusão 6.1. Sabe-se de antemão que a tarefa de es�mação Agropecuária, quando se observam várias variáveis simultaneamente, é algo muito dihcil e já relatado em diversos trabalhos sobre o assunto. 6.2. A distribuição assimétrica dos dados originais é um problema, quando se buscam ferramentas robustas para a es�mação estaMs�ca. Em outras palavras, a não adequação a uma distribuição Normal é um problema a ser contornado. O modelo de es�mação intervalar usando o Bootstrap - BCa é uma alterna�va para as variáveis em estudo. Entretanto, para o primeiro sorteio (1000), registrou-se uma falta de ajuste quando se observa as variáveis “A_Arroz” e “VALPERM”, onde o valor real ficou fora do intervalo es�mado. Novas simulações são necessárias para avaliar essa es�mação. 6.3. A instabilidade na construção de intervalos de confiança bootstrap é percepMvel quando se observa as lavouras temporárias de arroz, trigo e sorgo, devido a própria distribuição dos dados e dependendo da simulação. 6.4. Como esse estudo é uma análise inicial sobre os dados, existe a possibilidade de se avaliar futuramente outras configurações de estra�ficação que poderão melhorar as es�mações. A Inclusão dos municípios de Laguna Carapã e Miranda como estratos certos tende a melhorar a es�mação da área de trigo e arroz, respec�vamente. 6.5. Embora haja uma coerência em relação ao CV para as variáveis ACOLTEMP, VALTEMP, VALTOT, A_Arroz (só primeira simulação), A_Aveia, A_cana, A_Milho, A_Soja, Henrique Noronha Figueiredo de Brito 11/13 EstaMs�cas finais para o Total es�mado para o estado de MS ACOLTEMP VALTEMP ACOLPERM VALPERM VALTOT A_Arroz Total real 5459757 19018724 7788 69627 19088351 12586 Total_est 5394513 18917655 10604 76008,5 18993663,5 11735 Diferença -65244 -1,19% -101069 -0,53% 2816 36,16% 6381,5 9,17% -94687,5 -0,50% -851 -6,76% IC 10% - Bca 5313647,73 5501585,23 18709231 19124986 2484,20421 18652,1871 19149,9844 133111,75 18810622 19173971,02 6535 15735 IC 10% - Percen�l 5301514,13 5489942,05 18709570 19125385 2494,7 18686,25 19027,95 133010,1 18808739,4 19169419,38 6535 16935 CV interquarMlico % 0,74% 0,48% 28,04% 26,55% 0,45% 23,86% CV % 1,12% 0,78% 51,37% 55,45% 0,68% 31,88% A_Aveia A_Borracha A_Banana A_Café A_Cana A_Feijão Total real 38958 3415 1360 253 680611 21815 Total_est 38950 4615,5 4100 190 700634 21146 Diferença -8 -0,02% 1200,5 35,15% 2740 201,47% -63 -24,90% 20023 2,94% -669 -3,07% IC 10% - Bca 31950 42950 775,5 8455,5 305,083852 7902 190 196 602130,385 770653,7468 15417,3345 26782,3551 IC 10% - Percen�l 31950 45500 775,5 8456,625 295 7902 184 196 617841,55 783137,35 15447,3 26847,7 CV interquarMlico % 8,33% 31,52% 16,44% 1,55% 5,07% 13,95% CV % 8,54% 55,36% 75,51% 2,23% 6,76% 14,29% A_Mandioca A_Milho A_Soja A_Sorgo A_Trigo Total real 33095 1899424 2713062 5909 20274 Total_est 32730 1884535 2638982 5420 26448 Diferença -365 -1,10% -14889 -0,78% -74080 -2,73% -489 -8,28% 6174 30,45% IC 10% - Bca 20697,8432 43551,992 1812354,68 1950152,51 2539897,92 2787501,82 5240 5420 12396 39400 IC 10% - Percen�l 21691,5 44808 1808341,75 1948041 2525835,3 2770366 5240 5600 12896 39400 CV interquarMlico % 15,06% 1,57% 1,84% 1,69% 28,69% CV % 19,54% 2,41% 2,51% 1,92% 33,61% A_sorgo, existem diferenças absolutas de valores es�mados em relação ao valor real que são significa�vas, e que impactam diretamente a es�mação da produção. 6.6. A estra�ficação proposta, quando se trata de lavoura permanente, se mostrou pouco eficaz. Isso indica que há necessidade de se avaliar separadamente essas produções. 6.7. O uso de amostra de tamanho 32, número bem abaixo do calculado para ACOLPERM (41) pode explicar a não adequação da es�mação para lavouras permanentes. 6.8. Para estudo futuro é interessante se incluir a variável de produção. Entretanto, vale ressalvar que a variável produ�vidade é uma relação entre área e produção e isso implica necessariamente que a distribuição não seguirá a “Normal” (PINO,2014). Outro fator a se considerar, caso se escolha pela variável produ�vidade, é que o uso da média aritmé�ca talvez não seja a mais adequada e deva se pensar no uso da média geométrica (SPIEGEL and STEPHENS, 2008) 6.9. Como os pacotes preexistentes, avaliados para bootstrap e jacknife, foram definidos para uma Amostragem Aleatória Simples, toda a simulação foi redefinida em um script próprio simulando a amostragem estra�ficada (essa adequação é passível de melhoras e de discussões mais amplas). Devido aos estratos certos e a estrutura dos estratos, a simulação bootstrap, nessas condições, tendem a aumentar a repe�ção dos dados e talvez simulações com tamanho menor sejam suficientes para a es�mação. 6.10. O uso da linguagem python foi essencial para automação e implementação de simulação, incluindo o cálculo de estaMs�cas e construção de gráficos. 6.11. O uso da es�mação por métodos estaMs�cos têm como vantagem associar aos dados divulgados, o cálculo de erros de es�mação e registrar o intervalo de confiança. 7. Consultas e referências bibliográficas 7.1. SPIEGEL, Murray R.; STEPHENS, Larry J.. Schaum’s Outline of Theory and Problems of Sta�s�cs. McGraw-Hill companies. 4ª ed,2008. 7.2. BOLFARINE, Heleno; BUSSAB, Wilton O..Elementos de Amostragem. Edgard Blucher, SP,2005. 7.3. ALVES, Edmar José. Métodos Bootstrap e Aplicação em Problemas Biológicos (Dissertação de Mestrado Profissional em Matemá�ca). Universidade Estadual Paulista “Julio de Mesquita Filho”, Campus Rio Claro, p. 90, 2013. 7.4. RIZZO, Ana Lúcia Tucci; CYMROT, Raquel. Estudos e Aplicações da Técnica Bootstrap, SP, 2006. Disponível em: hlp://meusite.mackenzie.com.br/raquelc/ana_lucia.pdf . Acessado em: 25/05/2020. 7.5. CUNHA, Wellington José; COLOSIMO, Enrico Antônio. Intervalos de Confiança Bootstrap para Modelos de Regressão com Erros de Medida. Rev. Mat. Estat., São Paulo, v.21, n.2, p.25-41, 2003. 7.6. LUIZ, Alfredo José Barreto; NEVES, Marcos Corrêa; EVANGELISTA, Sílvio Roberto Medeiros; MAIA, Aline de Holanda Nunes. Sistema para es�mação de área plantada por amostragem – SEARA – Proposta de delineamento amostral para café em São Paulo e para grãos em Minas Gerais, Jaguariúna: Embrapa Meio Ambiente, Documentos 49, 26p. , 2006 7.7. ALVAREZ, Guilherme Alexandre. Estudo e Diagnós�co de Transformações Box-Cox com Aplicações em Paralelização (Monografia para Bacharel e m EstaMs�ca). Universidade de Brasília, Braslíia, p. 32, 2015. Henrique Noronha Figueiredo de Brito 12/13 7.8. PINO, Francisco Alberto. A Questão da Não Normalidade: Uma Revisão. Rev. de Economia Agrícola, São Paulo, v. 61, n. 2, p. 17-33, jul.-dez. 2014 7.9. ARAÚJO, Efraim Mar�ns et al. Análise da Aderência de Distribuições de Probabilidade aos Dados de Temperatura Máxima e Mínima do Ar em Iguatu-Ce. Revista Caa�nga, Mossoró, v. 23, n. 3, p. 104-109, jul.-set., 2010. 7.10. BAZAN, Felipe A. V. . Técnica Bootstrap Aplicada à Avaliação de Incertezas EstaMs�cas na Análise de Extremos (Dissertação de Mestrado em Engenharia Civil). UFRJ, RJ, p.116, 2005 Anexo I – mapa com a classificação estratificada Henrique Noronha Figueiredo de Brito 13/13