2161 - Miolo Amostragem Inventario Florestal

Amostragem em Inventrio Florestal
Waldenei Travassos de Queiroz
BELM 2012
Ministrio da Educao Ministro: Fernando Haddad Universidade Federal Rural da Amaznia Reitor: Sueo Numazawa Vice-Reitor: Paulo de Jesus Santos Editorao Marly Maklouf dos Santos Sampaio CoMISSo Editorial Gracialda Costa Ferreira Israel Hidenburgo Aniceto Cintra Maria Cristina Manno Moacir Cerqueira da Silva Srgio Antonio Lopes de Gusmo Equipe Editorial Incia Faro Libonati Adriana Amaro Roseneli Lima Capa Waldenei Travassos de Queiroz Oberdan Mller Moraes das Flores
ENDEREO Av. Tancredo Neves, 2501, CEP: 66077-830- Montese E-mail: editora@ufra.edu.br
Queiroz, Waldenei Travassos de Amostragem em inventrio florestal / Waldenei Travassos de Queiroz. -- Belm: Universidade Federal Rural da Amaznia, 2012. 441 p.: il. ISBN 978-85-7295-070-1 1. Inventrio florestal. I. Ttulo. CDD - 634.928
Izabel, minha esposa. Aos meus filhos Anderson e Alex, s minhas noras Lorena e Alessandra. Aos meus pais Wagner e Erecina (in memoriam)
Agradecimentos
Marly Maklouf dos Santos Sampaio, Editora Executiva da UFRA, pelo empenho na publicao deste livro, assim como Sra. Incia Faro Libonati e s Srtas. Adriana Amaro e Roseneli Lima pela cuidadosa reviso do texto final. Ao Servio Florestal Brasileiro, na pessoa do Engenheiro Florestal Joberto de Freitas Veloso, pelo convite para participar dos eventos que culminaram na construo do Projeto do Inventrio Florestal Nacional do Brasil. Agradecemos ao Professor Sylvio Pllico Netto da UFPR e aos professores da ESALQ/USP: Cassio Roberto de Melo Godoi, Humberto de Campos e Frederico Pimental Gomes (in memoriam), pelos conhecimentos que recebemos na rea da teoria da amostragem, em nossa formao ps-graduada. Somos gratos aos revisores deste trabalho: Ao Estatstico Edson Marcos Leal Soares Ramos, Doutor em Estatstica e Professor da Faculdade de Estatstica da Universidade Federal do Par, e ao Engenheiro Florestal Fernando Cristvam da Silva Jardim, Doutor em Cincias Florestais e Professor Associado da UFRA. Agradecemos aos Estatsticos: Joo Guimares Pinheiro e Mrio Diego Valente da Rocha, bem como ao Engenheiro Florestal Oberdan Mller Moraes das Flores, pelas sugestes e crticas; e a todos que nos incentivaram na tarefa de oferecer aos usurios da teoria da amostragem aplicada ao planejamento de inventrios florestais uma obra que rene algumas experincias condizentes, principalmente, com as condies impostas pelos tipos florestais ocorrentes no Brasil. Agradecemos, de forma especial, ao Professor Lcio Salgado Vieira (in memoriam), mestre na arte real que fundamenta
as bases das relaes humanas, que pelos seus exemplos nos ensinou a descobrir os segredos da nossa misso de vida.
Se a matemtica o pincel com que Deus desenhou o universo, ento, a estatstica a ferramenta humana criada para tentar entend-lo! Waldenei Travassos de Queiroz
Sumrio
Prefcio...............................................................................13 APRESENTAO...................................................................15 Captulo 1 - Introduo ao inventrio florestal ...................................................................................17 Captulo 2 - Inventrio e manejo florestal........ 23 Captulo 3 - Fundamentos de estatstica............... 29 3.1 Definies.....................................................................31 3.2 Ponto amostral e espao amostral. .................. 31 3.3 Varivel aleatria. .....................................................32 3.4 Esperana matemtica.............................................32 3.5 Distribuio de probabilidade..............................33 3.5.1 Funo de probabilidade de variveis discretas....... 33 3.5.2 Funo densidade de probabilidade de variveis contnuas..................................................34 3.5.3 Funo de distribuio acumulada ou funo de distribuio..................................................34 3.5.4 Distribuio binomial....................................................35 3.5.5 Distribuio de Poisson...............................................37 3.5.6 Distribuio normal. .....................................................39 3.5.7 Distribuio de c2..........................................................43 3.5.8 Distribuio t de Student .........................................46 3.5.9 Distribuio F de Snedecor......................................50 Captulo 4 - Amostragem simples ao acaso. ........ 53 4.1 Valores populacionais e estimadores. ............. 57 4.2 Amostragem simples ao acaso para propores e porcentagens...............................71
4.2.1 Valores populacionais, estimadores e dimensionamento da amostra..............................................73 Captulo 5 - Amostragem estratificada................. 79 5.1 Valores populacionais e estimadores por estrato..................................................................83 5.2 Valores populacionais e estimadores considerando todos os estratos...................... 87 5.3 Preciso da amostra estratificada em relao amostra simples ao acaso................ 95 5.4 Inventrio florestal apresentando subpopulaes com diferentes intensidades de amostragem.............................. 112 Captulo 6 - Amostragem sistemtica................... 117 6.1 Varincia da mdia. ....................................................122 6.2 Preciso da amostra sistemtica comparada amostra simples ao acaso......... 124 Captulo 7 - EstimativaS por razo. .......................137 7.1 EstimativaS por razo com igual probabilidade..................................................139 7.2 EstimativaS por razo considerando probabilidade proporcional (AAP) varivel auxiliar (x)..................................................149 7.3 EstimativaS por razo: amostragem inversa com probabilidade proporcional varivel auxiliar x (Aipp) ....................................156 7.4 Estimativas por razo considerando a amostragem estratificada . ................................157 7.5 Dupla amostragem: fases dependentes......... 170 7.6 Comparao de dois ndices ou duas razes.........................................................175
Captulo 8 - EstimativaS por regresso.............. 181 8.1 Parmetros populacionais e estimadores. ... 183 8.2 Estimativas por regresso considerando a amostra estratificada ao acaso. .................... 202 Captulo 9 - Amostragem por conglomerado.... 231 9.1 Amostragem por conglomerados em estgio nico. ......................................................235 9.1.1 Parmetros populacionais e estimadores................ 235 9.2 Amostragem por conglomerados em estgio nico com unidades de grandezas desiguais..............................................241 9.2.1 Parmetros populacionais e estimadores................ 241 9.3 Amostragem por conglomerados em estgio nico pelas propores......................254 9.3.1 Valores populacionais e estimadores.......................255 9.4 Amostragem por conglomerados em dois estgios.......................................................261 9.4.1 Componentes de varincias no modelo inteiramente ao acaso . ..............................................261 9.4.2 Parmetros populacionais e estimadores................ 267 9.4.3 Ocorrncia de estimativa negativa do componente ( y) . )................... 280 de varincia entre conglomerados V e 9.5 Amostragem por conglomerados em dois estgios com grandezas desiguais. ................. 295 9.5.1 Valores populacionais e estimadores.......................295 9.6 Conglomerados em dois estgios: anlise estatstica considerando a ocorrncia de tipologias diferentes na subparcela............. 300 9.6.1 Valores populacionais e estimadores.......................301 9.7 Amostragem por conglomerados em dois estgios: anlise estatstica considerando a ocorrncia de uma varivel auxiliar............ 305 9.7.1 Valores populacionais e estimadores.......................306
9.8 Amostragem por conglomerados em dois estgios pelas propores. ................................322 9.8.1 Valores populacionais e estimadores.......................322 9.9 Amostragem por conglomerados em dois estgios pelas propores com grandezas desiguais (Mi ).............................................................. 326 9.9.1 Valores populacionais e estimadores.......................326 9.10 Estruturas de conglomerados em inventrios florestais........................................329 9.11 Amostragem por conglomerados em trs estgios. ...........................................................339 9.11.1 Valores populacionais e estimadores..................... 341 9.11.2 Parmetros populacionais e seus estimadores atravs da anlise de varincia. ..............................343 Captulo 10 - Inventrio florestal contnuo.... 363 10.1 Mtodo de anlise de parcelas subdivididas....367 10.2 Modelo de amostragem com substituio parcial.............................................384 10.2.1 Estimador ASP de x e sua varincia V ( x ) ...........385 10.2.2 Estimador ASP de y e sua varincia V ( y ) .......... 389 x e 10.2.3 Covarincia entre os estimadores ASP y .... 390 d ).......... 391 10.2.4 Estimador ASP de d e sua varincia V (
Captulo 11 - Forma e tamanho das unidades de amostra. ..................................................403 11.1 Mtodos para obter o tamanho ideal............ 408 Consideraes Finais...................................................413 Referncias. ....................................................................419 Glossrio..........................................................................425 Anexo. .................................................................................435
Prefcio
O livro Amostragem em Inventrio Florestal foi elaborado para servir como um guia prtico para profissionais e estudantes de graduao e ps-graduao que necessitam dos conhecimentos e da teoria de estatstica. Sua forma de abordagem apresenta uma grande reviso dos conhecimentos bsicos de probabilidade e estatstica, podendo, desta forma, ser utilizado como texto em diversos cursos de graduao e ps-graduao, como por exemplo, cursos de Engenharia Florestal, Agronomia e Estatstica. De fato, o livro serve como instrumento para o aprimoramento das anlises dos levantamentos florestais. Em seus captulos so abordadas as mais importantes tcnicas de amostragem: Simples ao acaso, Estratificada, Sistemtica e por Conglomerados. Cursos de Amostragem so cada vez mais comuns em empresas e instituies de pesquisa. Assim, pensando na diversidade de aplicaes dos conhecimentos advindos dessas tcnicas, esta obra mostra-se como uma contribuio ao assunto com a profundidade e o rigor tcnico necessrios. Alm disso, como o Inventrio Nacional do Brasil comear a ser executado neste incio de dcada, utilizando o procedimento por Conglomerados, a obra Amostragem em Inventrio Florestal configura-se como um importante suporte tcnico queles que iro executar esta tarefa, pois evidente que o Inventrio Nacional do Brasil no ser tratado por meio de uma simples anlise, visto a grande diversidade florstica e extenso territorial brasileira. Desta forma, as tcnicas abordadas no livro, como por exemplo, as anlises associadas de estimativas por razo e por regresso, podero ser melhores compreendidas.
A partir da experincia do autor em procedimentos envolvendo a Amostragem em Inventrio Florestal possvel observar, no texto, a boa qualidade dos exemplos e dos exerccios resolvidos, alm disso, o livro apresenta uma coleo de tcnicas e metodologias estatsticas reunidas numa s obra. Desta forma, professores, pesquisadores e usurios podem, ento, a partir deste livro compreender e implementar cada uma das tcnicas e ferramentas abordadas facilmente. Finalmente, esta obra pode ser destinada a todos aqueles que utilizam e estudam as tcnicas de amostragem e seus benefcios nas diversas reas de conhecimento.
Prof. Dr. Edson Marcos Leal Soares Ramos
Apresentao
O objetivo deste livro contribuir com conhecimentos no ensino de teoria de amostragem e no planejamento estatstico de inventrios florestais. importante que, alm de servir como livro texto para os estudantes, seja tambm um instrumento para o aprimoramento das anlises dos levantamentos florestais. O Inventrio Nacional do Brasil, que comear a ser executado neste incio de dcada, utilizar o processo de amostragem por conglomerados. evidente que no se trata de uma anlise simples, pois ocorrero inmeras situaes a serem enfrentadas, visto a grande diversidade florstica, extenso territorial, entre outros. Assim sendo, anlises associadas de estimativas por razo e por regresso podem ser empregadas quando os conglomerados possurem tamanhos ou nmeros diferentes de subparcelas. O uso de variveis auxiliares no processamento estatstico, alm de permitir ganho de preciso, facilita a anlise da varivel resposta de interesse por tipologia florestal, onde a rea de ocorrncia da vegetao pode ser considerada como uma covarivel. A anlise de dados proveniente do uso do processo de amostragem por conglomerados, por meio da subparcela, precisa ser mais discutida, visto a possibilidade da existncia de dependncia entre as subparcelas. Um procedimento alternativo efetuar a anlise considerando o conglomerado como uma unidade de observao, ou seja, obter as estimativas dos parmetros a partir da quantidade correspondente soma dos valores observados nas subparcelas dentro de cada conglomerado. Para os estudantes terem um melhor entendimento da
amostra por conglomerados, no sentido de aferir a sua eficcia, foi apresentada a deduo terica do processo de obteno dos componentes de varincia entre os conglomerados e entre as subparcelas dentro de cada conglomerado. Os componentes de varincia so importantes no clculo do coeficiente de correlao intraconglomerado. Este coeficiente, alm de medir o grau de dependncia das subparcelas dentro dos conglomerados, avalia a preciso desse processo de amostragem em relao amostra simples ao acaso. mostrado exerccio sobre as diversas frmulas do coeficiente de correlao e do clculo dos componentes de varincia, visando facilitar as suas interpretaes. Do ponto de vista matemtico, indispensvel ter algumas noes de lgebra linear e clculo diferencial e o conhecimento de determinao de mximos e mnimos condicionados, usando, quando necessrio, o mtodo dos multiplicadores de Lagrange. Em relao experincia em mtodos estatsticos, o livro pressupe o conhecimento prvio de esperana matemtica, de medidas de tendncia central, de medidas de disperso e as distribuies: normal, t de Student, c 2 , F de Snedecor, alm de limites de confiana, regresso linear simples e anlise de varincia. O autor, no sentido de buscar o aperfeioamento do livro Amostragem em Inventrio Florestal e, assim, atender s demandas acadmicas, coloca-se disposio para o recebimento de crticas e sugestes.
Captulo 1
INTRODUO AO INVENTRIO FLORESTAL
Define inventrio florestal, mostrando a sua importncia para a formulao de planos de utilizao dos produtos florestais, manejo sustentado integrado da floresta, bem como para alicerar propostas de planos de desenvolvimento e poltica florestal de carter regional ou nacional. Apresenta um histrico resumido sobre o inventrio florestal no Brasil, destacando a realizao e os principais objetivos do Inventrio Florestal Nacional Brasileiro.
Introduo ao inventrio florestal
Inventrio florestal o ramo da cincia florestal que visa avaliar as variveis qualitativas e quantitativas da floresta e suas inter-relaes, assim como dinmicas de crescimento e sucesso florestal, servindo de base para a formulao de planos de utilizao dos produtos florestais, manejo sustentado integrado da floresta, bem como para alicerar propostas de planos de desenvolvimento e poltica florestal de carter regional ou nacional. No sentido mais amplo, o inventrio florestal pode, tambm, at ser planejado para avaliar outras funes da floresta como, por exemplo, as recreativas, a explorao de bacias hidrogrficas, da vida silvestre e outras possibilidades de uso do ecossistema florestal. Pllico Netto e Brena (1997) apresentam uma classificao dos inventrios florestais em diversos tipos de acordo com seus objetivos, abrangncia, forma de obteno dos dados, abordagem da populao no tempo e grau de detalhamento dos resultados. O inventrio florestal para fins de manejo florestal deve ser planejado tal que possa obter e interpretar os diversos parmetros estruturais da floresta e suas inter-relaes, objetivando subsidiar a definio dos tratamentos silviculturais e outras operaes a serem executadas para obter a utilizao ecolgica e econmica, atravs da produo sustentvel e contnua dos benefcios diretos e indiretos da floresta em prol da sociedade regional. Na Amaznia brasileira, segundo SUDAM (1974), os primeiros trabalhos tcnicos sobre inventrio florestal tiveram incio na dcada de 50 por meio dos levantamentos realizados pela misso FAO, que servia junto Superintendncia do Plano de Valorizao Econmica da Amaznia - SPVEA, antecessora da atual Superintendncia do Desenvolvimento da Amaznia - SUDAM. Infelizmente, esses trabalhos no foram suficientemente
19
Amostragem em inventrio florestal
divulgados, e os artigos que chegaram a ser publicados foram em nmero reduzido de volumes e rapidamente esgotados. Em termos de levantamentos de recursos naturais, no campo de inventrio florestal de reconhecimento, a Amaznia ocupa uma posio relevante, visto os inmeros programas executados na Amaznia brasileira, tendo-se entre os principais as pesquisas do Projeto RADAMBRASIL, os trabalhos desenvolvidos pelo programa Polamaznia, os inventrios executados para aprovao e instalao de projetos industriais, atravs da poltica de incentivos fiscais coordenada pela SUDAM, assim como os diversos levantamentos florestais realizados pelos rgos pblicos estaduais e federais. Para Rollet e Queiroz (1978), os dois maiores inventrios florestais de reconhecimento realizados na Amaznia brasileira so os da FAO (1956 1961) e os do Projeto RADAMBRASIL (1968 1977). O programa FAO foi dedicado, principalmente, ao estudo de uma regio situada ao sul do rio Amazonas, entre os rios Madeira e Capim, em uma faixa de 150 km de largura por 1.500 km de comprimento, em direo oeste-leste, tendo sido estudadas 1.388 unidades de amostra de 1ha, abertura de 4.225 km de transectos, abrangendo a enumerao de 155.001 rvores, resultando em mdia 112 rvores por hectare, considerando os dimetros altura do peito (DAP) acima de 25 cm. O Projeto RADAMBRASIL abrangeu toda a bacia amaznica brasileira com mais de 2.000 ha (amostra) levantados. Nos anos de 1980 a 1982, no Brasil, foi realizado o inventrio nacional dos reflorestamentos e nos anos de 1981 a 1984 o inventrio das florestas naturais, mas no abrangendo a regio Amaznica. Mais recentemente, os estados do Rio Grande do Sul, Minas Gerais e Santa Catarina realizaram os seus inventrios estaduais.
20
Introduo ao inventrio florestal
O territrio brasileiro possui uma rea aproximada de 526 milhes de hectares de florestas naturais, com ocorrncia de 49% na Amaznia (350.861 km2), 10 % de Caatinga (52.269 km2), 24% de Cerrado (91.019 km2), 13% Mata Atlntica (30.167 km2), 2% Pantanal (2.679 km2), 2% Pampa (2.679 km2) e 6,6 milhes de florestas plantadas. O Brasil no pode prescindir de estabelecer um sistema de Inventrio Florestal Nacional (IFN), visando estabelecer as condies tcnicas e cientficas necessrias para adoo de polticas pblicas que resultem simultaneamente no desenvolvimento econmico, social e na conservao ambiental. O Servio Florestal Brasileiro (SFB) elaborou, com a participao das comunidades tcnicas, cientficas em geral, o projeto do Inventrio Florestal Nacional (IFN), o qual utilizar o processo de amostragem por conglomerado e dever iniciar a sua operacionalizao em 2011. E dentre os objetivos do IFN, destacam-se: 1) periodicamente, determinar e monitorar a cobertura florestal brasileira; 2) caracterizar e monitorar a diversidade da vegetao arbrea dos diferentes biomas brasileiros; 3) quantificar e qualificar os recursos madeirveis, prospectar os recursos no madeirveis e a qualidade dos ecossistemas por meio de indicadores; 4) determinar as mudanas da cobertura florestal ao longo do tempo; 5) gerar informaes sobre o uso e importncia da floresta para as populaes de seu entorno; 6) gerar informaes sobre reas de preservao permanente e fragmentos de vegetao naturais; 7) gerar informaes sobre uso e a conservao das florestas por meio de indicadores anuais;
21
8) fornecer informaes periodicamente sobre as florestas brasileiras, agrupadas em diferentes unidades polticas, administrativas e de mapeamento, tais como: biomas, regies fitoecolgicas, Unidades da Federao e regies geogrficas, para subsidiar planos de desenvolvimento e de uso racional das florestas e seus servios ambientais, bem como programas de revitalizao de reas degradadas e silvicultura com espcies nativas. importante frisar que os objetivos do IFN exigem a aplicao de modelagem estatstica de larga amplitude metodolgica e, na conjuntura atual de desenvolvimento do setor florestal brasileiro, importante investir na formao de recursos humanos para a pesquisa, objetivando delinear sistemas de inventrios florestais para apoiar as demandas do IFN e produzir delineamentos para alicerar a elaborao de planos de manejo integrado de rendimento sustentvel para os recursos florestais do pas.
22
Captulo 2
INVENTRIO E MANEJO FLORESTAL
Mostra uma viso da aplicao do inventrio florestal nas reas de silvicultura e manejo florestal considerando a complexidade da diversidade florstica das florestas tropicais amaznicas, bem como outros elementos importantes que fazem parte da estrutura de um inventrio florestal direcionado elaborao de planos de manejo para florestas naturais, assim como apresenta alguns componentes que, obrigatoriamente, devem ser considerados no planejamento de inventrios para atender tal fim.
Inventrio e manejo florestal
Manejo florestal e Silvicultura so segmentos da cincia que estudam os princpios, tcnicas e normas que visam organizar as aes necessrias para delinear e ordenar os fatores da produo florestal, maximizando a produtividade e a eficincia. Produo contnua e sustentvel tambm significa admitir que a floresta produz outros benefcios, alm da madeira, depreendendo-se que o manejo florestal deve ter como objetivo principal o atendimento da demanda de madeira e de outros produtos e servios florestais, maximizando a renda sem comprometer a cobertura florestal necessria proteo dos solos, mananciais, biodiversidade e outras funes reguladoras da floresta. Manejar significa administrar os recursos florestais, sendo necessrio, para atingir uma boa administrao, coletar, analisar e interpretar os diversos parmetros dendromtricos, sociais, ecolgicos e econmicos; estabelecer metas, programar aes e, assim, atingir os resultados esperados. Dessa forma, compete ao inventrio florestal o suporte tcnico e cientfico necessrio ao silvicultor, para que sejam atingidos os objetivos propostos. Por outro lado, deve-se considerar que, alm da complexidade da diversidade florstica das florestas tropicais amaznicas, existem outros elementos importantes que devem fazer parte da estrutura de um inventrio florestal direcionado elaborao de planos de manejo de florestas naturais. Alguns componentes que, obrigatoriamente, devem ser considerados no planejamento de inventrios para atender tal fim, podem ser: a) componentes ecolgicos Essas informaes referem-se s associaes inter e intraespecficas, que so as responsveis pela dinmica de crescimento e sucesso da floresta, as quais podem ser detectadas e
25
analisadas no inventrio florestal atravs da anlise dos vrios ndices de associaes fitossociolgicos existentes na literatura florestal. Esses ndices so aqueles relacionados com a importncia ecolgica das espcies na rea em estudo. A anlise dos componentes ecolgicos, atualmente nos inventrios florestais regionais, basicamente interpretada pelo ndice do Valor de Importncia das Espcies, o qual agrega os seguintes fatores: a1) abundncia por espcie: nmero de rvores amostrado por espcie dividido pelo nmero total de rvores ocorrentes; a2) frequncia relativa: nmero de unidades de amostra que contm a espcie dividido pelo nmero total de unidades de amostra; a3) dominncia: a rea basal de uma espcie dividida pela rea basal da floresta amostrada; b) componentes florsticos Referem-se composio botnica da rea em estudo. O inventrio florestal dever ser dimensionado tal que assimile a ocorrncia de todas as espcies existentes na rea. As informaes sobre a composio florstica, geralmente, so computadas atravs da relao entre o nmero de espcies encontradas em funo do tamanho da rea amostral. O tamanho da amostra ideal a ser levantada no inventrio florestal, para definir a estrutura florstica, deve ser aquele em que, aumentando-se a rea amostrada, a probabilidade de ocorrer novas espcies praticamente nula.
26
Inventrio e manejo florestal
c) componentes dasomtricos So aqueles que explicam as relaes existentes entre as diversas variveis dendromtricas das quais, atravs da teoria de regresso, so obtidas diversas equaes, principalmente as especficas para cubagem das rvores; relaes hipsomtricas e distribuies diamtricas. d) componentes de estocagem Os inventrios florestais, em funo da estrutura diamtrica, estimam a existncia de estocagem suficiente de mudas, varas e arvoretas das espcies. Essas informaes visam verificar se, com a retirada de rvores com dimenses comerciais, o estoque de rvores com dimenses menores ser suficiente para garantir a perpetuao das espcies em quantidade e qualidade. A distribuio diamtrica por espcie fornecer essas informaes. Dizem respeito tambm determinao da estocagem de rvores porta-sementes na floresta, para que no projeto de manejo florestal, haja a possibilidade de definir as rvores que devero permanecer na rea, de modo a garantir a perpetuao de espcies de interesse. e) componentes qualitativos Caracterizam a configurao qualitativa dos fustes das rvores com relao sua forma, aspecto de tortuosidade e sanidade, entre outras.
27
Captulo 3
FUNDAMENTOS DE ESTATSTICA
Contempla definies, conceitos e aplicaes prticas importantes no campo da estatstica visando dar suporte ao entendimento da teoria de amostragem. Aborda os seguintes temas: ponto amostral e espao amostral; variveis aleatrias discretas e contnuas; esperana matemtica; funo de probabilidade de variveis discretas e contnuas. Apresenta as distribuies: binomial, Poisson, normal, c2, t de Student e F de Snedecor.
Fundamentos de estatstica
3.1 Definies Estatstica a matemtica aplicada que estuda dados originados de observaes. A Estatstica estuda mtodos cientficos para o planejamento de coleta, organizao, resumo, apresentao e anlise de dados, gerando concluses para subsidiar a tomada de decises. A parte da Estatstica referente coleta, organizao, resumo e apresentao de dados conhecida como Estatstica Descritiva ou Estatstica Dedutiva. A parte referente anlise e concluso de dados denomina-se Inferncia Estatstica ou Estatstica Indutiva. 3.2 Ponto amostral e espao amostral Em qualquer experimento, cada acontecimento que possa ocorrer denominado ponto amostral. A totalidade dos pontos amostrais constitui o espao amostral ou universo. Sejam os seguintes exemplos: a) semeadas 100 sementes para verificar a percentagem de germinao, tm-se 101 pontos amostrais, constituindo o espao amostral; b) a produo de madeira de uma floresta est entre 100 m3/ ha e 200 m3/ ha, assim, diz-se que o espao amostral constitudo por infinitos pontos contidos no intervalo [100 a 200]. Os espaos amostrais podem ser classificados em discretos e contnuos. O espao amostral discreto quando constitudo por um nmero finito de pontos ou por um nmero infinito
31
desde que enumerveis. O espao amostral contnuo quando constitudo por um conjunto infinito contnuo de pontos amostrais. 3.3 Varivel aleatria Uma varivel, definida como o smbolo representativo dos elementos de um conjunto, dita aleatria quando associada a uma probabilidade de ocorrncia. A varivel aleatria pode ser classificada em discreta e contnua. A varivel discreta quando assume somente um nmero finito de valores ou quando varia num conjunto infinito enumervel. A varivel contnua quando assume valores que variam de acordo com um conjunto infinito no enumervel (intervalo contnuo). 3.4 Esperana matemtica Seja y uma varivel aleatria discreta, assumindo os valores y1, y2,..., yn com as probabilidades p1, p2,..., pn, respectivamente. Define-se esperana matemtica ou valor mdio de y, como sendo: n n E ( y ) = y i p i para p i = 1
i =1 i =1
Para as variveis aleatrias contnuas, tem-se:
E ( y) = densidade.
y )d ydy dado que d PP = =11. Sendo f(y) a funo yy ff((y)
Propriedades da esperana matemtica: E(c) = c, sendo c uma constante;
32
E(cy) = c E(y); E(x + y) = E(x) + E(y); E(xy) = [E(x)][E(y)], se x e y forem independentes. Definies de varincia e de covarincia. V(y) = E[y - E(y)]2; V(ay) = c2 V(y); Cov(x,y) = E{[(x - E(x)][(y - E(y)]}= E(xy) [E(x)][E(y)], sendo Cov(x,y) = 0, ento x e y so independentes; V(x+y) = V(x) + V(y) + 2 Cov(x,y); V(x-y) = V(x) + V(y) - 2 Cov(x,y); V(ax+by) = a2V(x) + b2V(y) + 2ab Cov(x,y), dado que a e b so constantes; V(ax-by) = a2V(x) + b2V(y) 2ab Cov(x,y). 3.5 Distribuio de probabilidade Denomina-se distribuio de probabilidade ao conjunto de duas variveis: uma, a prpria varivel aleatria, e a outra, as suas respectivas probabilidades de ocorrncia. De conformidade com a natureza da varivel aleatria, a distribuio pode ser classificada em discreta ou contnua. 3.5.1 Funo de probabilidade de variveis discretas Para as variveis aleatrias discretas, uma funo f(y) de probabilidade, se: a) f(y) 0 para qualquer y;
b) f ( y ) = 1.
y
33
3.5.2 Funo densidade de probabilidade de variveis contnuas Para as variveis aleatrias contnuas, uma funo f(y) de densidade, se: a) f (y) 0 para qualquer y real; E ( y) = b)
y )d y dy = d PP = =1 1 yy f ((y)
O termo f (y) dy representa a probabilidade de ocorrncia de valores entre y e y + dy, denominado diferencial de probabilidade (dP). 3.5.3 Funo de distribuio acumulada ou funo de distribuio A funo de distribuio acumulada obtida a partir da f(y), que representada, para um determinado valor de Y, pela funo f(y) = P(y Y). Assim, tm-se:
f ( y ); a) para variveis discretas F ( y ) = y Y

b) para variveis contnuas F ( y ) = y )d y dy. . ff ((y)
y
Toda distribuio definida atravs de uma funo de probabilidade se a varivel discreta, ou por uma funo de densidade se a varivel contnua.
34
3.5.4 Distribuio binomial uma distribuio discreta, cuja funo de probabilidade : y f ( y ) = C p y q n y , sendo:
n
p = probabilidade de realizao do acontecimento favorvel; q = probabilidade de realizao do acontecimento contrrio; y = nmero de vezes que se realiza o acontecimento favorvel; n = nmero de tentativas;
C = nmero de combinaes de n elementos, tomados y a y.

n
Exerccio 3.1 Em uma amostra de cinco rvores (n = 5) verificou-se a ocorrncia de duas rvores (y = 2) com qualidade de fuste tipo 1 (fuste reto, cilndrico, bem configurado e sem deteriorao aparente). A aplicao de um teste de aderncia comprovou que a varivel nmero de rvores com qualidade de fuste tipo 1 segue a distribuio binomial. Obter as probabilidades de ocorrncia para y = 0, 1, 2, 3, 4, 5. Dado que p =
y n
3 y 2 = , ento q = 1 p = 5 n 5
y n y
a) se f ( y ) = C p q
, ento a probabilidade de no ocor-
rer rvores com qualidade de fuste tipo 1 obtida por:

2 3 243 f (0) = C 50 ( ) 0 ( ) 5 = = 0,0778 5 5 3125
Conclui-se que a probabilidade de no ocorrer rvores com qualidade de fuste tipo 1 igual a 7,78%.
35
b) a probabilidade de ocorrer apenas uma rvore com qualidade de fuste tipo 1 obtida por:
810 1 2 1 3 4 f (1) = C 5 ( ) ( ) = = 0,2592 5 5 3125
Conclui-se que a probabilidade de ocorrer uma rvore apenas com qualidade de fuste tipo 1 igual a 25,92%. c) a probabilidade de ocorrer duas rvores com qualidade de fuste tipo 1 dada por:
2 3 1080 f (2) = C 52 ( ) 2 ( ) 3 = = 0,3456 5 5 3125
Conclui-se que a probabilidade de ocorrer duas rvores com qualidade de fuste tipo 1 igual a 34,56%. d) a probabilidade de ocorrer trs rvores com qualidade de fuste tipo 1 dada por:
720 3 2 3 3 2 f (3) = C 5 ( ) ( ) = = 0,2304 3125 5 5
Conclui-se que a probabilidade de ocorrer trs rvores com qualidade de fuste tipo 1 igual a 23,04%. e) a probabilidade de ocorrer quatro rvores com qualidade de fuste tipo 1 dada por:
2 3 240 f (4) = C 54 ( ) 4 ( )1 = = 0,0768 5 5 3125
Conclui-se que a probabilidade de ocorrer quatro rvores com qualidade de fuste tipo 1 igual a 7,68%.
36
f) a probabilidade de ocorrer cinco rvores com qualidade de fuste tipo 1 dada por:
2 3 32 f ( 5) = C 55 ( ) 5 ( ) 0 = = 0,0102 5 5 3125
Conclui-se que a probabilidade de ocorrer cinco rvores com qualidade de fuste tipo 1 igual a 1,02 %. Note-se que:
( p + q ) 5 = C in ( p ) i (q ) n i
i =0
Verificao:
f (0) + f (1) + f (2) + f (3) + f (4) + f (5) = 0,0778 + 0,2592 + 0,3456 + 0,2304 + 0,0768 + 0,0102 = 1
3.5.5 Distribuio de Poisson uma distribuio discreta cuja funo de probabilidade : e m m y
f ( x) =
y!
Tal que y pode assumir valores y = 1,...,. y = nmero de vezes que se realiza o acontecimento; m = mdia de ocorrncia; e = base do logaritmo natural ou neperiano. Exerccio 3.2 Usando-se parcelas de tamanho igual a 0,25 ha em um inventrio florestal verificou-se, em mdia, 20 rvores, considerando
37
todas as espcies. A pesquisa cita que a probabilidade de ocorrer uma rvore da famlia meliaceae 10%. Um teste de aderncia comprovou que a varivel resposta nmero de rvores ocorrentes dessa famlia segue a distribuio de Poisson. Calcular as probabilidades de ocorrncia de: nenhuma rvore, apenas uma rvore, trs rvores e cinco rvores da famlia meliaceae. Dado que: f ( x) = e m m y e m = p = 0,10 x 20 = 2 y!
a) a probabilidade de ocorrer nenhuma rvore da famlia meliaceae dada por:

f (0) = e 2 20 1 = 2 = 0,1353 e 0!
Conclui-se que a probabilidade de ocorrer nenhuma rvore da famlia meliaceae de 13,53%. b) a probabilidade de ocorrer apenas uma rvore da famlia meliaceae dada por:
f (1) = e 2 21 2 = 2 = 0,2707 1! e
Conclui-se que a probabilidade de ocorrer apenas uma rvore da famlia meliaceae de 27,07%. c) a probabilidade de ocorrer trs rvores da famlia meliaceae dada por:
f (3) = 8 e 2 2 3 = 2 = 0,1804 3! 6e
38
A probabilidade de ocorrer trs rvores da famlia meliaceae de 18,04%. d) a probabilidade de ocorrer cinco rvores da famlia meliaceae dada por:
f (5) = 3 2 e 2 2 5 32 = = 0,0361 5! 120e 2
A probabilidade de ocorrer cinco rvores da famlia meliaceae de 3,61%. 3.5.6 Distribuio normal Quando os valores das observaes de uma varivel resposta, originados de uma amostra, so agrupados em tabelas de frequncias, objetiva-se conhecer a variao e como se processa a distribuio dos dados. Existem inmeros tipos de curvas que podem representar as distribuies. Na maioria das pesquisas biolgicas, as observaes variam em torno da distribuio normal, a qual uma distribuio contnua, tambm conhecida como distribuio de Gauss, Laplace ou Laplace-Gauss. a mais importante distribuio no campo da Estatstica e tem a seguinte funo de densidade:
] [ 1 f ( y) = e 2 S ( y) S ( y ) 2p 1 y Y
2
(3.1)
e = base do logaritmo neperiano (e = 2,7183); p = constante geomtrica (p = 3,1416). A notao usada N [Y , V ( y ) ] )], l-se que a varivel aleat-
S ( y ) = V ( y ) o desvio padro da distribuio;
Sendo:
39
ria contnua y tem distribuio normal com mdia Y e varincia V(y). A equao normal tem como representao grfica uma curva unimodal em forma de sino, contnua, simtrica em relao origem, onde os valores da varivel resposta variam - ) ( <de y< , possuindo um ponto de mxima frequncia. A Figura 3.1 ( <a y+ < ) apresenta trs formas grficas de distribuies normais apresentando varincias diferentes, tal que: V1 ( y ) < V2 ( y ) < V3 ( y ) .
Figura 3.1 - Formas grficas da distribuio (< y < ). ( normal < y( < )< y
Para determinar a rea compreendida pela curva e duas ordenadas quaisquer, integra-se a equao da curva entre as ordenadas. A integrao da equao normal - ( entre <( y < <)e y+ < )implicar na obteno da frequncia total ou probabilidade integral, igual unidade, abrangendo a rea que fica sob a curva. f (y) ( y )dy d y = =1 1
Por outro lado, em relao ao clculo das probabilidades, no que concerne integrao de f(y), apresentada na forma analtica da Equao 3.1, resultam dois problemas:
40
1) Para o clculo da integral de f(y) necessrio o desenvolvimento em sries. 2) A elaborao de tabelas de probabilidade torna-se complicada, pois f(y) depende de dois parmetros: Y e V ( y ) , acarretando a necessidade de obter uma tabela para cada combinao de Y e V ( y ) . Esses problemas so solucionados atravs de uma transformao de varivel, surgindo, assim, a distribuio normal padronizada ou reduzida de mdia zero e varincia igual unidade: z = ( y Y ) S ( y) Na construo da varivel z, y uma varivel normal de mdia Y e varincia V ( y ) . A varivel aleatria contnua z tem distribuio normal, denominada de padronizada ou reduzida de mdia zero e varincia igual a 1, pois: Y Y V ( y ) = V [ Sy(y E ( z ) = E[ Sy(y )] =1 )] = 0 e Ento, a funo densidade ser: 1 z2 2 f ( z) = 1 e , onde - ( <y< ( )< z << y+ < ) 2p As probabilidades esto apresentadas na Tabela 1 do Anexo. A distribuio normal apresenta as seguintes propriedades: a) a funo f(y) simtrica em relao origem y = Y ou a funo f(z) simtrica em relao origem z = 0; b) a funo f(y) possui um ponto de mximo em y = Y com ordenada igual a 0,3989/S(y) ou a funo f(z) possui um ponto de mximo no ponto z = 0 com ordenada 1 2p = 0,3989 ; c) a funo f(y) tende a zero quando y tende ( para < y < )ou f(z) tende a zero quando z tende ; ( para < y < ) d) a funo f(y) tem dois pontos de inflexo cujas abscissas
41
valem Y + S(y) e Y - S(y), e as ordenadas so iguais a 0,24/S(y). A funo f(z) tem dois pontos de inflexo cujas abscissas valem + 1 e 1, e as ordenadas valem 0,24. Mood, Graybill e Boes (1964) apresentam informaes mais detalhadas sobre a teoria e as aplicaes acerca das diversas funes de probabilidade. Exerccio 3.3 Seja um viveiro com 1.000.000 de mudas de uma determinada espcie florestal e que um empresrio florestal deseja adquirir plantas com alturas no intervalo de 15 cm altura 27 cm. Suponha a medio de uma amostra selecionada de forma inteiramente ao acaso de 1000 plantas. O resultado de um teste estatstico de aderncia comprovou que a varivel resposta altura (y) distribui-se normalmente com mdia Y = 20 cm e V(y) = 25 cm2. Calcular o nmero de plantas esperado que atenda o intervalo estipulado pelo empresrio cliente.
Z1 = Z2 = yi - Y S( y ) yj -Y S( y ) = = 15 - 20 = -1,00 5 27 - 20 = 1,4 5
Consultando a Tabela 1 do anexo, tem-se:

0 1, 40
1, 40
f ( z)dz = 0,3413
f ( z)dz = 0,4192
0
-1 , 00
1, 40
-1,00
f ( z )dz =
-1, 00
f ( z) dz +
f (z )dz = 0,3413 + 0,4192 = 0,7605

0
42
Conclui-se que a probabilidade de ocorrncia de plantas no intervalo de 15 cm altura 27 cm de 76,05 %. Ento, o empresrio florestal deve esperar, no intervalo estipulado, aproximadamente a disponibilidade de 760.500 plantas no viveiro. 3.5.7 Distribuio de c2 A varivel aleatria c2, denominada qui-quadrado com k graus de liberdade, definida como a soma de k quadrados de normais padronizadas e independentes. Ento, c 2 = z i2 = [
i =1 i =1 k k
yi Y 2 ] , para z = N (0,1) . S ( y)
A funo densidade da varivel c2 dada pela Expresso 3.2. As probabilidades esto apresentadas na Tabela 2 do Anexo. f (c 2 ) = 1 1 k2 2 ( k2 1) ( 12 ) c 2 ( ) (c ) e ( k 2) 2 (3.2)
A funo do tipo (k 2) denominada de funo gama e foi introduzida pelo matemtico Leonardo Euler. Analiticamente definida pela Frmula:
(a + 1) = y a e y dy d y
0
Demonstra-se que essa integral converge para a + 1 > 1 . Informaes tericas e aplicaes ver em Gomes e Nogueira (1980) e Piskounov (1978). A distribuio c2 tem diversas e importantes aplicaes, destacando-se entre elas as seguintes: a) a distribuio c2 utilizada como teste de aderncia,
43
verificando se as distribuies empricas, obtidas por meio dos dados amostrais, ajustam-se aproximadamente s distribuies tericas; b) outra aplicao importante verificar a medida de discrepncia entre as frequncias observadas e as esperadas, ou seja, o objetivo verificar se as frequncias observadas diferem significativamente das esperadas. A estatstica utilizada para verificar essas hipteses :
c2 p = ( foi - fei ) 2 ; fei i= 1
k
c) verificar a hiptese H 0 : V1 ( y ) = V2 ( y ) = L = Vk ( y ) , que significa testar se existe igualdade de varincias. De acordo com Steel e Torrie (1960), referida hiptese pode ser verificada pelo teste de Bartlett, por meio da estatstica:
2 i ( y )} cp = 2,3026{[ (ni - 1) log10 V ( y )] - (ni - 1) log10 V i= 1 i=1 k k
( y ) = varincia amostral V ( y ) = varincia amostral mdia ( V ( y) = V
n V ( y)
i =1 i i
n
i =1
);
d) verificar a hiptese H 0 : V ( y ) = V0 ( y ) que significa testar a igualdade da varincia populacional quando comparada com um valor padro V0 ( y ) . De acordo com Fonseca e Martins (1982), essa hiptese pode ser testada atravs do teorema de Fisher:
2 = cp
( y) (n 1)V V0 ( y )
44
Sendo n o tamanho da amostra; V0 ( y ) o valor sob a hip ( y ) a varincia amostral; tese nula; V e) obteno do intervalo de confiana para a varincia verdadeira de uma populao normal. Se a varivel y tem distribuio normal com mdia Y e varincia V(y), tem-se que, pelo teorema de Fisher, o intervalo de confiana para V(y) :
P( ( y) (n 1)V
2 sup
V ( y)
( y) (n 1)V
2 c inf
) = 1a .
O nmero de graus de liberdade a ser utilizado, neste caso, para obter o valor crtico p = n-1. Quando se utiliza a distribuio de c 2 p para obter o nmero de graus de liberdade (p), e assim ter os valores crticos para os diversos testes, considera-se as seguintes regras de deciso: i) usar p = k-1, se as frequncias esperadas no experimento so obtidas sem efetuar estimativas de parmetros populacionais a partir de estatsticas amostrais; ii) usar p=k-1-m, se as frequncias esperadas so obtidas a partir da estimao de m parmetros. Exerccio 3.4 Um empresrio do setor florestal est interessado em implantar em sua rea uma indstria madeireira baseada no beneficiamento de apenas seis espcies. As informaes disponveis nos levantamentos realizados na regio amaznica, pelas instituies de pesquisa, indicam que as porcentagens de ocorrncias dessas espcies atendem s necessidades do projeto. O empresrio, para obter as frequncias observadas, efetuou na rea um levantamento correspondente a 100.000 rvores. Considerando um nvel de significncia de a = 0,05, pergunta-se:
45
as frequncias observadas divergem das esperadas? A Tabela 3.1 apresenta os dados sobre as frequncias esperadas e as observadas.
Tabela 3.1 - Frequncias esperadas (fei) e frequncias observadas (foi).
Espcies 1 2 3 4 5 6 Porcentagem de ocorrncia (Amaznia) (pi) 2,5 2,0 1,8 1,5 1,1 0,8 fei = pi x 100.000 (rvores) 2500 2000 1800 1500 1100 800 foi (rvores) 2536 1950 1790 1580 1080 820
c 52 =
(2536 2500) 2 (1950 2000) 2 (1790 1800) 2 (1580 1500) 2 (1080 1100) 2 (820 800) 2 + + + + + 2500 2000 1800 1500 1100 800
x52 = 6,95 Conclui-se pela no rejeio da hiptese da nulidade, visto que o valor calculado (x52 = 6,94) menor que o valor tabelar (x52 = 11,1), obtido na Tabela 2 do Anexo para a = 0,05. Pode-se, ento, afirmar que a ocorrncia das espcies na rea do empresrio semelhante ocorrncia na regio amaznica. 3.5.8 Distribuio t de Student Seja a varivel aleatria:
t= y Y s( y) n
Esta varivel conhecida como distribuio t de Student, com k = n-1 graus de liberdade, podendo tambm ser escrita na forma:
46
t=
N (0,1)
2 cn 1
n 1
s (y) o desvio padro estimado.

O grfico da funo densidade da varivel t de Student simtrico e tem uma forma parecida com a da distribuio normal, entretanto, menos achatada, com mdia zero e varincia igual a k (k 2) , em que k > 2 (graus de liberdade). A funo densidade da varivel t dada pela Expresso 3.3. As probabilidades esto apresentadas na Tabela 3 do Anexo.
k +1 ( k +1) ) t2 2 , onde <y ( <- < )<yt < ) f (t) = (1 + ) 2 ( k k ( ) . pk 2 (
(3.3)
A distribuio t de Student possui importantes aplicaes, destacando-se entre elas as seguintes: a) testa a hiptese H 0 : Y = Y0 . Verifica se h igualdade entre o valor mdio de uma populao versus um valor padro, sendo essa hiptese testada atravs da estatstica: t= y Y0 , que sob H 0 apresenta n-1 graus de liberdade; s( y) n b) testa a hiptese H 0 : Y1 = Y2 . Verifica se h igualdade entre os valores mdios de duas populaes independentes, sendo testada atravs da estatstica:
t= y1 - y 2 ( y )( 1 + ) V n1 n2
( y ) = (n1 1)V1 ( y ) + (n2 1)V2 ( y ) V , tal que: 1 n +n 2

1 2
47
( y) a Com n1 + n2 2 graus de liberdade sob H 0 , sendo V varincia comum; c) testa a hiptese H 0 : Y1 = Y2 . Verifica se h igualdade entre os valores mdios de duas populaes dependentes (teste t pareado), sendo testada por meio da estatstica:
t= y1 y 2 , com n-1 graus de liberdade sob H 0 . sd ( y) n
(d ) , tal que: Sendo: s d ( y ) = V
(d ) = V
d
i =1
2 i
( d i ) 2
i =1
n 1
, para d i = y1i y 2i .
Desde que a varivel resposta seja normal, a distribuio t de Student muito importante em termos de inventrios florestais, pois permite obter os intervalos de confiana para os valores mdio e total para os produtos florestais de uma populao. aplicada tambm para dimensionar o tamanho da amostra quando fixada preciso. Informaes mais detalhadas sobre esses aspectos sero vistas quando da apresentao dos processos de amostragem nos captulos seguintes. Exerccio 3.5 Estudos cientficos indicam que uma determinada espcie florestal com excelentes caractersticas tecnolgicas, em uma determinada regio tropical mida em outro pas, produz no fim de sua rotao, aos sete anos, um volume de madeira em tor-
48
no de 100 m3/ha. Um empresrio brasileiro tem interesse em introduzir a referida espcie para verificar se o comportamento o mesmo em sua propriedade, e, para atingir seu objetivo, realizou um experimento com 20 unidades de amostra de 0,1 ha. A Tabela 3.2 apresenta os volumes medidos aps sete anos da implantao do experimento.
Tabela 3.2 - Volumes (m3) de madeira por unidade de 0,1 ha.
UA 1 2 3 4 5
yi
8,5 10,3 9,8 7,8 11,0
UA 6 7 8 9 10
yi
9,6 10,9 8,9 9,8 11,5
UA 11 12 13 14 15
yi
7,9 12 8,8 9,5 10,8
UA 16 17 18 18 20
yi
8,8 8,7 12,3 7,7 8,9
A hiptese a ser formulada para atender o objetivo do empresrio a seguinte: H 0 : Y = Y0 . A hiptese a ser testada H 0 : Y = 100 m 3 / ha h a , e o teste dever ser realizado por meio da estatstica: t= y Y0 s( y) n Sejam os valores estimados para a mdia e para a varincia:
y = 9,675 m3 / 0,1ha y = 10 9,675 = 96,75 m 3 / ha ( y ) = 1,9072 (m 3 / 0,1ha) 2 V
( y ) = 10 2 1,9072 = 190,7237 (m3 / ha) 2 V
s ( y) = 13,8103 m 3 / ha
49
Ento:
t= 96,75 - 100 - 3,25 = = -1,0524 13,8103 3,0881 20
Dado que t19;0,05 = 2,0930, no h razo para rejeitar H0. Conclui-se, ento, que o comportamento da espcie confirmou as informaes oriundas das pesquisas, ou seja, o empresrio pode esperar, com uma probabilidade de acerto de 95% que, se a espcie for plantada em sua propriedade, a mesma dever produzir em mdia um volume de 100 m3 de madeira por hectare. 3.5.9 Distribuio F de Snedecor A estatstica F de Snedecor definida como a razo de duas variveis independentes com distribuio c 2 , ou seja: F( k , p )
c k2 k = 2 cp p
O valor k o nmero de graus de liberdade do numerador e p o nmero de graus de liberdade do denominador. A funo densidade da distribuio F de Snedecor dada pela Equao 3.4. As probabilidades esto apresentadas nas Tabelas 4 e 5 do Anexo.
F 2 G [(k + p) / 2] k f ( F) = ( ) { }I (0 ,) ( F ) k+p k p ( ) p k 2 G ( ) G( ) [1 + ( ) F ] 2 2 p
k 2 ( k-2 )
(3.4)
A distribuio F de Snedecor possui diversas aplicaes no campo da estatstica, entre elas destacam-se as seguintes: a) testar a hiptese H0 : Ve (y) = 0 . Verificar se o componen-
50
te de varincia entre populaes igual a zero. Esta hiptese muito utilizada na gentica e, em termos de inventrio florestal, pode ser utilizada para testar se o componente de varincia entre os conglomerados igual a zero. Este problema ser visto com mais detalhes no captulo sobre a Amostragem por Conglomerados; b) testar a hiptese H0 : t1 = t2 = = tk = o . Verificar se os efeitos de k tratamentos so todos iguais a zero. O modelo matemtico considera que os efeitos, devidos aos tratamentos, so fixos. A hiptese da nulidade H0 : t1 = t2 = = tk = 0 similar hiptese H 0 : Y1 = Y2 = L = Yk ; c) testar a hiptese H0 : V1(y) = V2(y). Verificar se h igualdade entre duas varincias, sendo testada atravs da estatstica: ( y) V ( y) F =V 1 2 Que sob H0 possui n1 - 1 graus de liberdade no numerador e n2 - 1 graus de liberdade no denominador. importante observar que a hiptese H0 : V1(y) = V2(y) = = Vk(y) pode ser verificada pelo teste de Hartley ou teste da Razo Mxima Hc . Ver a Tabela 6 do Anexo que, segundo Banzato e Kronka (1989), especfica para esse teste. Hc = ( y) V mx , tal que: V ( y)
min
( y ) = maior varincia V max = menor varincia V min
51
Exerccio 3.6 Seja um inventrio florestal realizado atravs de uma amostra estratificada apresentando trs estratos. A Tabela 3.3 mostra os dados de volumes de madeira de 39 parcelas de superfcie de 0,25 ha, tendo a seguinte alocao por estrato: estrato 1 = 13 parcelas, estrato 2 = 15 parcelas e estrato 3 = 11 parcelas. Pede-se: testar a hiptese H 0 : Y1 = Y2 = Y3 , que significa verificar se todas as mdias so iguais. A Tabela 3.4 apresenta a anlise de varincia dos dados.
Tabela 3.3 - Volumes (m3) por parcela de 0,25 ha.
ESTRATO I 21,10 34,00 18,00 20,00 55,00 23,42 40,50 17,44 22,12 25,00 31,20 17,05 24,10 12,90 17,00 9,50 20,00 30,10 23,42 21,10 17,44 ESTRATO II 22,12 12,00 16,50 17,05 24,10 16,71 21,80 ESTRATO III 8,10 12,00 9,50 14,50 18,17 21,10 10,80 7,50 6,50 12,50 5,20
Tabela 3.4 - Anlise de varincia para os trs estratos.

Fontes de variao Entre estratos Dentro dos estratos Total GL 2 36 38 SQ 1421,9621 2069,6326 3491,5947 QM 710,9811 57,4898 F 12,37**
Sendo o valor de F calculado (12,37) maior que o valor tabelar (F2;36;0,01), conclui-se pela rejeio de H 0 : Y1 = Y2 = Y3 , ou seja, existe pelo menos um contraste significativo entre as mdias. Caso haja necessidade em testar contrastes de interesse entre os valores mdios dos estratos, recomendvel aplicar testes de comparaes mltiplas.
52
Captulo 4
AMOSTRAGEM SIMPLES AO ACASO
Do ponto de vista estatstico define populao e, para fins de aplicao em inventrios florestais, caracteriza as finitas e as infinitas. Caracteriza os objetivos quando da realizao de um levantamento por amostragem. Descreve os parmetros populacionais e os seus estimadores. Mostra a teoria para obteno de intervalos de confiana e dimensionamento da amostra simples ao acaso. Aborda a amostragem simples ao acaso para propores e porcentagens. Contempla com exemplos todos os temas citados.
Amostragem simples ao acaso
Do ponto de vista estatstico, uma populao o conjunto de todos os indivduos, elementos ou unidades sobre os quais se deseja desenvolver estudos, visando conhecer determinadas caractersticas. Quando somente uma parte dos elementos ou unidades selecionada para o procedimento das anlises, temse o que se denomina de amostra. Existem populaes finitas e infinitas. Para fins de amostragem, determinadas populaes finitas podem ser consideradas como infinitas, desde que o tamanho da amostra corresponda a, no mximo, 5 % das unidades da populao. O mtodo da amostra simples ao acaso ou amostra inteiramente casualizada o mais tradicional procedimento de amostragem. A amostra simples ao acaso baseia-se num processo estritamente aleatrio, na qual as unidades amostrais so selecionadas com igual probabilidade (1/N), em que N o nmero total de unidades que compem o espao amostral, ou seja, a populao amostrada. Na amostra simples ao acaso sem reposio, as unidades so selecionadas independentemente entre si, e o nmero de amostras possveis (nap) de tamanho igual a n dado pela relao: n N!
nap = C =
N
n!( N -n )!
No obstante, apenas uma das possveis combinaes selecionada para a amostragem, de tal forma que as unidades que comporo a amostra so sorteadas independentemente entre si. Scolforo (1993) cita que, como nem sempre possvel fazer uma enumerao completa de todos os indivduos de uma populao florestal, os levantamentos so realizados tendo como base a teoria estatstica da amostragem, que definida
55
como a observao de uma amostra da populao para obter estimativas representativas para o todo, sendo constituda de indivduos que apresentam caractersticas comuns que representem a populao a qual pertencem. A amostra formada por um grupo de unidades amostrais. No que concerne ao inventrio florestal, a amostra simples ao acaso geralmente conduzida a partir de um sorteio sem reposio, assumindo-se, evidentemente, o pressuposto da permanncia de igual probabilidade para as unidades remanescentes em cada sorteio, respaldando-se no fato de que, geralmente, as populaes florestais so consideradas estatisticamente infinitas, assim como a incluso de uma unidade amostral mais de uma vez na amostra refletir uma homogeneizao da varincia entre as unidades da amostra. A amostra simples ao acaso, que um processo congruente, ou seja, quando n = N, as estimativas coincidem com os valores populacionais, recomendada para pequenas reas florestais no superiores a 10.000 ha, com caractersticas homogneas com respeito s variveis de interesse e com fcil estrutura de acessibilidade. Quando da realizao de um levantamento por amostragem, geralmente, tm-se os seguintes objetivos: a) estimar o valor mdio para a varivel resposta; b) estimar o valor total para a varivel resposta; c) estimar a porcentagem ou a proporo sobre a ocorrncia de um certo atributo; d) estimar a varincia da varivel resposta; e) obter os intervalos de confiana do valor mdio e do valor total para a varivel resposta.
56
4.1 Valores populacionais e estimadores Para formular os valores populacionais e estimadores, ser usada a seguinte notao: N = nmero total de unidades em que a populao foi dividida, funo direta do tamanho da unidade de amostra; n = nmero de unidades de amostra; yi = valor observado da varivel resposta concernente isima unidade de amostra. a) valor mdio a1) valor mdio populacional Y = i =1 N a2) valor mdio estimado
y=
y
i =1
Este estimador no tendencioso (unbiased), pois, tem-se: E ( y ) = E ( i =1 ) = Y n b) valor total b1) valor total populacional
Y = NY b2) valor total estimado =Ny Y
57
c) varincia c1) varincia populacional
V ( y) =
( yi Y ) 2
i =1
N 1
y
i =1
2 i
( y i ) 2
i =1
N 1
c2) varincia estimada
( y i ) 2 n n ( y i y ) 2 y i2 i =1 n ( y ) = i =1 = i =1 V n 1 n 1 d) desvio padro d1) desvio padro populacional
S ( y) = V ( y)
d2) desvio padro estimado
( y) s( y) = V
e) varincia da mdia e1) varincia da mdia populacional

V ( y) = V ( y) N n ( ) n N
e2) varincia da mdia estimada

( y ) = V ( y) ( N n ) V n N
58
O valor ( N n) N denominado fator de correo para populao finita. Quando a populao for definida como infinita, ou seja, n < 0,05N, no h necessidade de aplic-lo. f) erro padro f1) erro padro populacional
S ( y) = V ( y)
f2) erro padro estimado ( y) s( y ) = V g) coeficiente de variao O coeficiente de variao permite interpretar mais facilmente a variabilidade das observaes, viabilizando uma comparao relativa entre o desvio padro e a mdia. g1) coeficiente de variao populacional (y y) ) s( % = S VV 100 100 C Y y g2) coeficiente de variao estimado % = s ( y ) 100 CV y h) intervalo de confiana A estimao consiste em processar os resultados extrados por amostragem e fazer inferncias sobre a populao da qual foi extrada aleatoriamente a amostra. Pode-se fazer a estimao de parmetros de duas formas:
59
Estimao por ponto: quando a partir da amostra obtm-se um nico valor para estimar um determinado parmetro populacional; Estimao por intervalo: quando a partir da amostra calcula-se um intervalo da forma 1 2 , admitindo certa probabilidade 1 - a (nvel de confiana) de que o intervalo contenha o verdadeiro valor do parmetro populacional . Dessa maneira, a ser o nvel de significncia, isto , o erro que se comete ao afirmar que, por exemplo, 95 % das vezes o intervalo 1 2 contm ser de 5%. h1) clculo do intervalo de confiana para a mdia populacional ( Y ) se conhecida a varincia populacional V ( y ) : Seja y uma varivel aleatria distribuda normalmente com mdia Y e varincia V ( y ) , ou seja, y ~ N[ Y , V ( y ) ]. Ento, a mdia amostral y tambm ter distribuio normal com mdia Y e varincia V( y ) = V(y)/n, ou seja, y ~ N[ Y ,V (y)/n]. Seja a varivel padronizada z =
y Y . S ( y) y
A varivel z denominada normal reduzida com mdia zero e varincia igual a 1. A Figura 4.1 mostra a forma grfica dessa distribuio padro z e, na Tabela 1 do Anexo, as probabilidades.
60
Figura 4.1 - Forma grfica da distribuio normal reduzida.
Da construo grfica ilustrativa da distribuio normal, pode-se escrever que: P( Z a Z Z a ) = 1 a

2 2
P( Z a 2
Portanto:
y Y Za 2 ) = 1 a S ( y) n
P ( y za 2 S ( y ) / n Y y + za 2 S ( y ) / n ) = 1 a
h2) clculo do intervalo de confiana para mdia populacional ( Y ) se desconhecida a varincia populacional V(y). No caso do desconhecimento da varincia populacional, deve-se calcular a estimativa do desvio padro atravs da amostra. Seja o grfico da funo densidade da varivel t de Student, que simtrico e tem uma forma parecida com a da distribuio normal (Figura 4.2), entretanto, menos achatada, com mdia zero e varincia igual a k (k 2) , em que k > 2 (graus de liberdade).
61
Figura 4.2 - Forma grfica da distribuio t de Student.
Da construo grfica ilustrativa da distribuio t de Student, tem-se:
P( t a 2 t t a 2 ) = 1 a , resultando:
s( y) s( y) P( y t a Y y + ta ) = 1a 2 2 n n A estrutura matemtica para o clculo do intervalo de confiana pode ser apresentada de uma forma mais simples:
IC I C = y t s( y ) Assim, tem-se: N n s( y) IC I C = y t ( ) , para populaes finitas; N n s( y) , para populaes infinitas; I C = y t IC n IC I C = N ( y t s ( y ) , para o valor total.
62
i) dimensionamento da amostra simples ao acaso. Dados, respectivamente, os estimadores da varincia da mdia e do intervalo de confiana como anteriormente definidos:
( y ) = V ( y ) ( N n ) e IC I C = y t s( y ) V n N
EE =E L E= y Seja = tt ss ( y ) a semiamplitude do intervalo de confiana, conhecida no jargo da engenharia florestal brasileira como expectncia do erro, valor normalmente fixado de acordo com o grau de preciso desejado. Essa semiamplitude pode ser fixada como um valor percentual da mdia, ou seja, E E= = LE L E y . Neste caso, LE denominado limite de erro. A frmula para conseguir o nmero de unidades de amostra (n), atendendo um limite de erro predefinido, obtida da seguinte forma: E = t s( y ) ( y ) = t 2 V ( y) ( N n ) E 2 = t 2V n N n 2 2 V ( y) E =t (1 ) n N ( y) V V ( y ) t2 E2 = t2 N n
Resultando para o caso de populaes finitas: ( y) t 2V n= ( y) t 2V 2 + E N No caso de populaes infinitas, tem-se:

E =t ( y) V , resultando: n
63
n=
( y) t 2V E2
Por outro lado, factvel ocorrer que os recursos financeiros disponveis sejam um fator limitante. Neste caso, Husch, Miller e Beers (1972) recomendam que a intensidade de amostragem seja estabelecida atravs da seguinte equao linear de custo: c = c0 + nc1 c = custo total do inventrio (medio de campo); c0 = custos fixos (planejamento e trabalhos de escritrio); c1 = custo mdio por unidade de amostra; n = nmero de unidades de amostra. O componente nc1 corresponde ao custo total da coleta de dados de campo. Exerccio 4.1 Seja uma rea florestal de 3.574 ha, localizada na regio de Maraj, onde, a partir de uma amostra simples ao acaso, foram enumeradas 27 unidades. A unidade amostral de 2.500 m2 apresentou uma forma retangular de 10 m de largura e 250 m de comprimento, onde foram mensuradas todas as rvores com DAP 45 cm, enquanto que para as rvores com 15 cm DAP < 45 cm foi estabelecida uma subamostra de 1.000 m2, compreendendo 10 m de largura por 100 m de comprimento. A Tabela 4.1 apresenta os resultados dos volumes para as rvores contidas em 15 cm DAP < 45 cm; e a Tabela 4.2, os volumes para as rvores com DAP 45 cm. O clculo do volume por rvore foi
64
= 0,0775 + 0,5179 DAP 2 H , obtido atravs da equao de volume V V S C SC desenvolvida por Queiroz (1984), sendo: VSC = volume sem casca por rvore; DAP = dimetro a altura do peito com casca; H = altura comercial. Efetuar a anlise considerando os seguintes casos: 1) Anlise estatstica da varivel volume no intervalo 15 cm DAP < 45 cm. 2) Anlise estatstica da varivel volume para DAP 45 cm.
Tabela 4.1 - Volume (m3/0,1 ha) para 15 cm
UA 1 2 3 4 5 6 Yi 6,45 17,00 4,31 7,53 7,21 4,19 UA 7 8 9 10 11 12 Yi 9,289 9,915 10,540 6,597 7,193 13,92 UA 13 14 15 16 17 18 Yi 6,208 14,21 6,356 9,975 9,953 9,731
DAP < 45 cm.

UA 19 20 21 22 23 24 Yi 11,700 10,080 8,765 5,508 4,292 7,173 UA 25 26 27 Yi 9,642 7,549 2,937
Tabela 4.2 - Volume (m3/0,25 ha) para DAP

UA 1 2 3 4 5 6 Yi 12,9914 16,1036 9,6805 20,0752 29,6375 23,4207 UA 7 8 9 10 11 12 Yi 21,9215 17,4466 22,1176 12,8449 16,5398 17,0837 UA 13 14 15 16 17 18 Yi 17,5972 24,0426 16,7197 21,8991 10,4113 10,0260
45 cm.
UA 19 20 21 22 23 24 Yi 14,5159 29,7010 30,4842 14,6925 18,9567 19,6981 UA 25 26 27 Yi 18,3705 25,3622 18,5761
65
1) Anlise estatstica da varivel volume no intervalo 15 cm DAP < 45 cm a) valor mdio estimado
y
y=
i =1
n y = 84,41m3/ ha
227 ,898 = 8,4407 m3 / 0,1 ha 27
b) valor total estimado

= N y = 35.740 8,4406667 = 301.669,43 m3, para: Y
N = rea/T.U.A = 3574 ha/0,1 ha = 35.740 T.U.A = Tamanho da Unidade de Amostra c) varincia estimada
n
y
( y) = V
i =1
( yi ) 2
2 i
i =1
2201,5079 =
n -1
227 ,89802 27 = 10,6883 ( m 3 / 0,1 ha) 2 26
( y) = 102 10,6883 = 1068,8342 (m3 / ha) 2 V
d) desvio Padro estimado

( y ) / ha = 32,6930 m 3 / ha s( y ) = V
66
e) varincia da mdia estimada

( y ) = V ( y) / ha ( N - n ) = 1068 ,8342 ( 35740 - 27 ) = 39,5565(m 3 / ha ) 2 V n N 27 35740
f) erro padro estimado

( y ) / ha = 6,29 m 3 / ha s( y ) = V
g) coeficiente de variao estimado % = s( y ) 100 = 32,69303 100 = 38,73 % CV y 84,406667 h) intervalo de confiana (IC) Na Tabela 3 do Anexo, tem-se o valor tabelar para a= 0,05 e n - 1 = 26: Limite inferior para o valor mdio y t s ( y ) =84,406667-2,0555x6,289399= 71,48 m3/ ha
2
ta
, n 1
= 2,0555
Limite superior para o valor mdio y + t s ( y ) = 84,406667 + 2,0555 x 6,2893995 = 97,33 m3/ ha Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio real para o volume das rvores com 15 cm DAP < 45 cm encontra-se no intervalo de 71,48 m3/ ha a 97,33 m3/ ha. Limite inferior para o valor total rea [ y t s ( y ) ]=3574 x 71,478806 =225.465,25 m3 Limite superior para o valor total rea [ y + t s( y )] = 3574 97,334528= 347.873,60 m3
67
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o volume total real para a populao florestal de 3.574 ha encontra-se no intervalo de 225.465,25 m3 a 347.873,60 m3. i) limite de erro
E = t s ( y ) = 2,0555 6,2893995 = 12,927861 m3/ha
LE % =
12,927861 E 100 = 100 = 15,32 % y 84,406667
j) dimensionamento da amostra Considerando que o limite de erro requerido para o inventrio florestal seja de LE = 0,1 (10 %). O resultado do limite de erro obtido para a varivel resposta volume (15 cm DAP 45 cm) foi de 15,32 % para 27 unidades de amostra. Ento, devese calcular o nmero de unidades de amostra, visando atender ao limite de erro desejado de LE = 0,1 e, finalmente, calcular o nmero de unidades faltantes.
n= ( y) t 2V 2,05552 1068,8342 = = 63,27 ( y) 2,05552 1068,8342 t 2V 2 2 8,4406667 + E + 35740 N
n = 64 unidades de amostra Para: E E= = LE L E y = 0,10 x 84,406667 = 8,4406667 m3/ha Concluindo que se deve voltar ao campo e medir mais 37 unidades de amostra para atender ao limite de erro fixado em LE = 0,1.
68
2) Anlise estatstica da varivel volume para DAP a) valor mdio estimado

n
45 cm
y
y=
i =1
501,9161 = 18,9228 m 3 / 0,25ha , onde: y = 75,69 m3/ha 27
b) valor total estimado = N y = 14296 x 18,922819 = 270.520,61 m3, onde: Y N = rea/T.U.A. = 3574 ha/0,25 ha = 14.296 c) varincia estimada
n n
( y i ) 2
2 i
y
( y) = V
i =1
i =1
10523,191 =
n -1
510,91612 27 = 32,8930 ( m 3 / 0,25 ha) 2 26
( y ) = 4 2 32,89303 = 526,2885 (m 3 / ha) 2 V
d) desvio padro estimado

( y ) / ha = 526,2885 = 22,94 (m 3 / ha ) s( y) = V

( y ) = V ( y ) / ha ( N - n ) = 526,28847 (14296 - 27 ) = 19,4553 (m 3 / ha ) 2 V n N 27 14296

( y ) / ha = 19,4553 = 4.41 m3/ ha s( y ) = V
69
g) coeficiente de variao estimado
% = s ( y ) 100 = 22,94 100 = 30,31% CV y 75,69

h) intervalo de confiana (IC) Limite inferior para o valor mdio y t s ( y ) =75,691276-2,0555 x 4,4108221= 66,62 m3/ ha Limite superior para o valor mdio y + t s ( y ) = 75,691276 + 2,0555 x 4,4108221= 84,76 m3/ ha H razo para afirmar, com uma probabilidade de acerto de 95%, que o valor mdio real da floresta para o volume das rvores com DAP 45 cm encontra-se no intervalo de 66,62 m3/ ha a 84,76 m3/ ha. Limite inferior para o valor total rea[ y t s ( y ) ] = 3574 x 66,624831= 238.117,15 m3 Limite superior para o valor total rea[ y + t s ( y ) ] = 3574 x 84,757721= 302.924,09 m3 Dado t a
2 , n 1
= 2,0555 para a = 0,05 e n - 1 = 26.
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional real da floresta para o volume das rvores considerando DAP 45 cm encontra-se no intervalo de 238.117,15 m3 a 302.924,09 m3.
70
i) limite de erro E = t s ( y ) = 2,0555 x 4,4108221 = 9,0664448 m3/ ha ( y) t 2V 2,05552 526,2885 n= = = 38,71 ( y) 2,05552 526,2885 t 2V 2 2 7,5691276 + E + 14296 N j) dimensionamento da amostra Supondo-se que o limite de erro requerido para o inventrio florestal seja de LE = 0,1 (10 %). O resultado do limite de erro obtido para a varivel resposta volume com DAP 45 cm foi de 11,98 % para 27 unidades de amostra. Ento, deve-se calcular o nmero de unidades de amostra, visando atender ao limite de erro desejado de LE = 0,1 e, finalmente, calcular o nmero de unidades faltantes.
n= ( y) t 2V 2,05552 526,2885 = = 38,71 ( y) 2,05552 526,2885 t 2V 2 2 7,5691276 + E + 14296 N
n = 39 unidades de amostra E = t s ( y ) = 0,1 x 75,691276 = 7,5691276 m3 Conclui-se que se deve voltar ao campo e medir mais 12 unidades de amostra, para totalizar 39 unidades e assim atender ao limite de erro fixado de LE = 0,10, visto que foram medidas apenas 27 unidades. 4.2 Amostragem simples ao acaso para propores e porcentagens Em inventrios florestais, frequentemente, deseja-se estimar o nmero total, a proporo ou a porcentagem de unida-
71
des da populao que apresenta certa caracterstica ou atributo. Alguns resultados como nmero de rvores mortas, a porcentagem de ocorrncia de uma determinada espcie, nmero de rvores que esto produzindo sementes so informaes muitas vezes requeridas em alguns inventrios. A classificao do atributo, na maioria dos levantamentos, pode ser includa na ficha de campo sob forma de pergunta construda para ser respondida com um simples sim ou no. Seja uma populao com N unidades, tal que qualquer unidade pertena a uma das duas categorias C1 e C0, sendo que C1 corresponde s unidades que possuem o atributo desejado e C0 define as unidades que no o possuem. Ento, pode-se definir: A = nmero de unidades da populao que pertence categoria C1; a = nmero de unidades da amostra classificado na categoria C1; N = tamanho da populao; n = tamanho da amostra; P = A / N a proporo de unidades da categoria C1 na populao; p = a / n a proporo de unidades da categoria C1 na amostra. Tem-se que p uma estimativa de P e Np uma estimativa de A. Em inventrios florestais, a distribuio binomial a mais usada para obter as estimativas de a e p, pois, frequentemente, as populaes so infinitas. Para populaes finitas, a distribuio binomial constitui uma boa aproximao, embora a distribuio correta, neste caso, seja a hipergeomtrica.
72
4.2.1 Valores populacionais, estimadores e dimensionamento da amostra Para quantificar os resultados, seja a seguinte regra para qualquer unidade y i da amostra ou da populao:
y i = 1 , se y i estiver contido em C1; y i = 0 , se y i estiver contido em C0;
Para a populao de valores y i , resulta que:
Y = yi = A
i =1
Y =
y
i =1
A =P N
Para a amostra de valores y i , tem-se:
y
i =1
i
n
=a
y=
y
i =1
a =p n
= Na = N = N y , ento Y p Dado que Y Np. n

A estimao de A e P consiste em obter os valores mdio e total de uma populao, onde todos os y i tm valor 1 ou 0. Ento:
73
y
i =1 n
2 i
= A = Np = a = np
y
i =1
2 i
Por conseguinte:
N N i
(y
V ( y) =
i =1
- Y )2 =
y
i =1
2 i
- NY 2 =
N -1
N -1
NP - NP 2 NP (1 - P) NPQ = = N -1 N -1 N -1
Para: Q = 1 P Destarte:
( y) = V
Ento:
(y
i =1
y) 2 =
n 1
npq n 1
V ( y ) = V ( p) = (
N - n V ( y) N - n NPQ N - n PQ =( =( ) ) ) N n Nn N - 1 N -1 n
Por conseguinte:
( y) = V ( p ) = ( N - n ) V ( y ) = ( N - n ) npq = ( N - n) pq V N n Nn n - 1 N (n - 1)
Para o valor total populacional e seu estimador:

2 ) = V ((Np) V (Y N p )= V ( p) =N N2 V(p)
(Y ) = V ( Np ( p) V N p ) = N 2V
74
Para obter o intervalo de confiana para P, considera-se que os dados seguem uma distribuio aproximadamente normal, resultando:
1 ] , onde f = n / N e o termo 2n 1 / 2n uma correo de continuidade. IC = p [t 1 - f pq /(n - 1) +
Para o valor total Y , vir:

N [t 1 - f IC = Y pq /(n - 1) + 1 ] 2n
O dimensionamento da amostra o mesmo discutido ante ( y ) e E , tm-se: riormente, onde conhecendo: t , V
( y ) = npq V n 1
E E= = LE L E y
y=
y
i =1
a = p. n
Dado que:
( y) = V ( p) = ( N n ) V ( y) . E = t s( y ) e V N n
Ento: pq q ( y) = V ( p) = ( N n ) 1 npq = ( N n ) p V N n n 1 N n 1 Portanto:
75
N - n pq n pq t 2 pq t 2 npq ) = t 2 (1 - ) = N n -1 N n - 1 n - 1 N (n - 1) 2 2 2 npq (n - 1) E = t pq - t N npq nE 2 - E 2 = t 2 pq - t 2 N 2 2 npq 2 2 nE + t = E + t pq N E2 = t2 ( n= t 2 pq + E 2 t 2 pq E2 + N
Exerccio 4.2 Seja uma pesquisa sobre a ocorrncia de uma determinada doena em um povoamento florestal com 100.000 rvores, onde foi tomada uma amostra simples ao acaso de 800. Verificou-se que 90 plantas da amostra apresentaram os sintomas da doena. Estimar a proporo e o nmero total de plantas doentes do povoamento. Dado que: N = 100.000 ; n = 800; a = 90; . Tem-se:
800 Tm-se: f = N = 100.000 ; n = 800; a = 90; . Tem-se: = 0,008; p = a / n = 90 / 800 = 0,1125; 100 . 000 800 f = = 0,008; p = a / n = 90 / 800 = 0,1125; 100 .000 q=1 -p = 1 - 0 ,1125 = 0,8875.
q = 1 - p = 1- 0 ,1125 = 0,8875. ( y) =V ( p ) = ( N - n ) pq = (100.000 - 800 ) 0,1125 0,8875 V N ( n - 1) 100.000 799 ( y) =V ( p ) = ( N - n ) pq = (100.000 - 800 ) 0,1125 0,8875 V N (n - 1) 100.000 799 ( y) =V ( p ) = ( N - n ) pq = 0,0001239612015 V N ( n - 1) ( y) =V ( p ) = ( N - n ) pq = 0,0001239612015 V (n - 1) ( p ) =N s( p) = V 0,011133786 ( p ) = 0,011133786 s( p) = V
76
Resultando o seguinte intervalo de confiana para P usan,0 5 ): do t = 2,0 ( a = 0 0,05

IC = p [t 1 - f pq /(n - 1) + 1 ] 2n
1 ] 2 800
IC = 0,1125 [ 2,0 1 - 0,008 0,1125 0,8875 / 799 + IC = 0,1125 [ 2,0 0 ,9960 0,01117859 + 0,0896 P 0 ,1354
1 ] = 0,1125 0,022892752 2 800
Conclui-se que, com 95% de probabilidade de acerto, a proporo de plantas doentes situa-se no intervalo de 0,0889 a 0,1354.
= N y ou Y = N a = Np = 100.000 0,1125 = 11.250 . Dado que Y n

Ento, o intervalo de confiana para o total, ser:
Conclui-se que, com 95% de probabilidade de acerto, o nmero esperado de plantas doentes situa-se no intervalo de 8.890 a 13.540, que corresponde a um limite de erro de 19,79%.
77
Supondo que o limite de erro requerido para o levantamento seja de LE = 0,1 (10 %). O resultado do limite de erro obtido para a varivel resposta (ocorrncia da doena) foi de 19,79 para 800 unidades de amostra. Ento, deve-se calcular o nmero de unidades de amostra, visando atender ao limite de erro desejado de LE = 0,10 e, finalmente, calcular o nmero de unidades faltantes. Dado:
y=
y
i =1
a =p n
( y ) = npq = 800 0,1125 0,8875 = 0,09996871 V n 1 799
Ento:
n= t 2 pq + E 2 22 0,1125 0,8875 + (0,10 0,1125) 2 = = 3.060 t 2 pq 22 0,1125 0,8875 2 2 E + (0,10 0,1125) + N 100.000
Conclui-se que necessrio retornar ao campo e medir mais 2.260 plantas, para totalizar 3.060 unidades e assim atender ao limite de erro fixado de LE = 0,10, visto que foram medidas apenas 800 unidades.
78
Captulo 5
AMOSTRAGEM ESTRATIFICADA
Define a amostragem estratificada e apresenta recomendaes de quando aplic-la em inventrio florestal. Descreve os critrios para se proceder estratificao. Descreve os parmetros populacionais e os seus estimadores. Mostra a teoria para obteno de intervalos de confiana e dimensionamento da amostra, assim como compara a preciso desta em relao amostra simples ao acaso. Descreve um estudo de caso para inventrio florestal de reas extensas apresentando subpopulaes com diferentes intensidades de amostragem, o que poder ocorrer no Inventrio Florestal Nacional (IFN) do Brasil quando da realizao do levantamento na Amaznia. Mostra exemplos sobre todos os temas citados.
Amostragem estratificada
A amostragem estratificada consiste em dividir uma populao de tamanho N em L subpopulaes constitudas de N 1 , N 2 , L , N L unidades, tal que no haja superposio e, juntas, totalizem a populao de tamanho N, ou seja:
N = N h , tal que h = 1, L , L.
h =1 L
As subpopulaes, denominadas estratos, devem ter os valores Nh conhecidos, pois dentro de cada estrato, separadamente, seleciona-se uma amostra de tamanho nh. A grandeza amostral para a populao ser igual a n = n1 + n2 + L + n L . Em inventrios florestais, a amostragem estratificada recomendvel para o estudo de populaes florestais que apresentem heterogeneidade entre as subpopulaes com referncia varivel de interesse. Nesse caso, a estratificao pode propiciar um aumento no grau de preciso do inventrio, pois, torna possvel subdividir uma populao heterognea em estratos que, individualmente, sejam homogneos, resultando ganho em eficincia e diminuio dos custos. A determinao dos estratos feita em funo das caractersticas peculiares da populao florestal, onde, em muitos casos, os estratos j esto fisicamente definidos, como no caso de povoamentos florestais plantados com talhes de diferentes idades. Por outro lado, existem casos em que a delimitao dos estratos (tipos florestais) s possvel atravs de levantamentos aerofotogramtricos. O processo para obter os estratos denomina-se estratificao e a amostra dita estratificada. Denomina-se amostra acidental estratificada quando so selecionadas amostras inteiramente ao acaso nos estratos. De acordo com Cochran (1965), h diversos critrios para se proceder estratificao. Os principais so os seguintes:
81
a) a estratificao ideal aquela realizada segundo a magnitude do valor da varivel de interesse, obtendo-se ganho de preciso quando houver variao sensvel entre os estratos definidos; b) a estratificao de conformidade com a variao da vegetao pode ser de interesse para o inventrio florestal; entretanto, no assegurado, com relao s variveis respostas, existir variabilidade entre os estratos. Por outro lado, se houver correlao entre o tipo de vegetao e os valores das variveis respostas, ento a estratificao com base na florstica resultar na estratificao das variveis respostas; nesse caso, h ganho de preciso; c) razes administrativas podem direcionar para a utilizao da estratificao, visando principalmente caracterizar peculiaridades locais ou regionais. Existem casos em que, por falta de informaes preliminares ou mesmo ausncia de instrumentos que possam viabilizar a estratificao da floresta, pode-se, depois de tomada a amostra, proceder a uma ps-estratificao com respeito s variveis respostas mensuradas. Inventrios florestais delineados a atender a planificao de tcnicas de manejo de florestas naturais, obrigatoriamente, devem abranger e explicar as principais variveis que compem a estrutura do povoamento. Nesse caso, verifica-se que so requeridas diversas variveis, as quais esto inter-relacionadas, e, para tornar possvel caracterizar a estrutura desses tipos florestais, necessrio analis-las estatisticamente atravs de tcnicas de anlise multivariada. Para proceder anlise estatstica dessas informaes multidimensionais, Queiroz (1984) apresenta uma metodologia de ps-estratificao multidimensional fundamentada na anlise de fatores, atravs do mtodo da mxima verossimilhana, para um conjunto de variveis respostas, vi-
82
sando obter mapas tipolgicos para um povoamento florestal localizado na regio do planalto da Floresta Nacional do Tapajs. 5.1 Valores populacionais e estimadores por estrato Para formular os valores populacionais e estimadores, ser usada a seguinte notao: N = nmero total de unidades em que a populao foi dividida; N h = nmero de unidades em que o h-simo estrato foi dividido; n = nmero de unidades de amostra a serem medidas considerando todos os estratos; n h = nmero de unidades de amostra a serem medidas no h-simo estrato; yhi = valor observado da varivel resposta referente isima unidade de amostra no h-simo estrato;
Wh = Nh = peso do h-simo estrato; N
nh = fator de amostragem no h-simo estrato; Nh Nh = fator de expanso no h-simo estrato; nh L= nmero de estratos. A formulao da anlise estatstica a ser apresentada refere-se aplicao em cada estrato da amostra simples ao acaso. a) valor mdio por estrato
83
a1) valor mdio populacional por estrato
y
Yh =
i= 1
Nh
hi
Nh
a2) estimador do valor mdio por estrato
y
yh =
i= 1
nh
hi
nh
b) valor total por estrato b1) valor total populacional por estrato Yh = N h Yh b2) estimador do valor total por estrato =N y Y h h h c) varincia por estrato c1) varincia populacional por estrato
(y
Vh ( y ) =
i= 1
Nh
hi
- Yh ) 2 =
y
i =1
Nh
( y hi )
2 hi
Nh
Nh - 1
Nh N h -1
nh
i= 1
c2) estimador da varincia por estrato
( y) = V
(y
i =1
nh
hi
- yh ) 2 =
y
i =1
nh
( y hi )
2 hi
n h -1
nh nh - 1
i =1
84
d) desvio padro por estrato d1) desvio padro populacional por estrato S h ( y ) = Vh ( y ) d2) estimador do desvio padro por estrato ( y) s h ( y) = V h e) varincia da mdia por estrato e1) varincia da mdia populacional por estrato V ( y) N h nh V ( yh ) = h ( ) nh Nh e2) estimador da varincia da mdia por estrato ( y ) = V ( y) ( N h nh ) V nh Nh Em relao aplicao da amostragem, uma populao pode ser classificada como finita ou infinita. Determinadas populaes finitas podem ser consideradas infinitas desde que o tamanho da amostra seja no mximo 5% da rea, ou seja: Nhh n nhh))( N 0 ,h ,9 5 9 5 1) Se ((N 0,95 populao denominada in0 n ) ,,, 0,9 5 , N N N ha hhh finita; 5 2) Para ( N h nh ) ( N <0,95 ah populao definida como 0 n,h9 ) , ,N 0,9 5 , Nh h < finita. O termo ( N h nh ) ( N n denominado para popu5 correo , Nh h h ) N h 0,9 lao finita.
85
f) erro padro por estrato f1) erro padro populacional por estrato S(y ) = V ( y )
h h
f2) estimador do erro padro por estrato (y ) s( y h ) = V h g) coeficiente de variao por estrato g1) coeficiente de variao populacional por estrato S ( y) 100 CVh % = h Yh g2) estimador do coeficiente de variao por estrato % = s h ( y ) 100 CV h yh h) intervalo de confiana por estrato h1) intervalo de confiana para a mdia populacional por estrato ( Yh ), se conhecida a varincia populacional por estrato Vh(y). S ( y) S ( y) P( y h Za / 2 h Yh y h + Z a / 2 h ) = 1 a nh nh h2) intervalo de confiana para a mdia populacional por estrato ( Yh ), se desconhecida a varincia populacional por estrato Vh(y). P( y h ta / 2 s h ( y) nh Yh y h + t a / 2 s h ( y) nh ) =1a
Ou, simplesmente, I C = y h t s( y h ) IC
86
N h nh s h ( y ) IC (populaes finitas) I C = yh t Nh nh IC I C = yh t s h ( y) nh (populaes infinitas)
5.2 Valores populacionais e estimadores considerando todos os estratos a) valor mdio global (mdia estratificada) a1) mdia estratificada populacional Yest =
h =1 L L Nh Yh = WhYh N h =1
a2) estimador da mdia estratificada

L L N y est = h y h = Wh y h h =1 N h =1 A estimativa da mdia estratificada ( y est ), geralmente, no apresenta o mesmo valor da mdia amostral ( y ).
y=
n
h =1
nh
yh
A mdia estratificada ( y est ) e a mdia amostral ( y ) somente so coincidentes quando a frao amostral a mesma para todos os estratos. Neste caso, a estratificao definida com alocao ou partilha proporcional, fornecendo uma amostra autoponderada, tendo-se:
87
nh n = Nh N b) valor total global b1) valor total global populacional Y = NYest b2) estimador do valor total global = Ny Y est c) varincia da mdia estratificada c1) varincia da mdia estratificada populacional L N V ( y est ) = V ( h y h ) . Ento: N L h =1 L V ( y) N h nh V ( y est ) = Wh2V ( y h ) = Wh2 h ( ) nh Nh h =1 h =1 c2) estimador da varincia da mdia estratificada L ( y ) = W 2 V ( y ) ( N h nh ) V est h nh Nh h =1 Desenvolvendo, tem-se: 2 L L ( y ) = W h V ( y ) W hV h ( y ) V est nh N h =1 h =1 d) erro padro da mdia estratificada d1) erro padro da mdia estratificada populacional S ( y est ) = Wh2Vh ( y ) L WhV ( y ) nh N h =1 h =1
L
88
d2) estimador do erro padro da mdia estratificada ( y ) W hV h ( y ) Wh2V s ( y est ) = h =1 nh N h =1

L L
e) intervalo de confiana para o valor mdio global IC I C = y est t s ( y est ) Para a obteno do valor t tabelar, recomenda-se proceder da seguinte forma: e1) tomar t = 2 se a amostra grande; e2) se a amostra pequena e se os estratos possuem basicamente a mesma varincia, toma-se como nmero final de graus de liberdade a soma dos graus de todos os estratos:
L
nGL = (nh - 1);

h =1
e3) se a amostra pequena e as varincias dos estratos so diferentes (heterogneas), calcula-se o nmero de graus de liberdade pelo mtodo de Satterthwaite (1946), ou seja:
L
[ g h V h ( y) ]2 nGl =
h =1 2 2 gh Vh ( y) nh - 1 h =1 L
, onde g h =
N h ( N h nh ) . nh
89
f) intervalo de confiana para o valor total global

t s (Y ) = N [ y t s( y )] IC = Y est est
g) dimensionamento da amostra acidental estratificada Na amostragem estratificada, a definio do tamanho da amostra se faz, fundamentalmente, atravs de duas formas de alocao ou partilha nos estratos. 1) Alocao ou partilha proporcional. 2) Alocao ou partilha tima. 1) Alocao ou partilha proporcional Na alocao proporcional, a definio do nmero de unidades n da amostra obtida atendendo-se proporcionalidade dos estratos: n h N h , para n = nW h h = n N da: Dada a frmula da varincia da mdia estratificada estima2 L L ( y ) = W h V h ( y ) W hV ( y ) V est nh N h =1 h =1
Substituindo n h por nh = nWh , tem-se: L L h ( y) ( y) Wh2 V WV - h h V ( y est ) = nWh N h =1 h =1 Seja E = t s ( y est ) a semiamplitude do intervalo de confiana ou expectncia do erro. Ento:
90
(y ) E 2 = t 2 [s( y est )]2 = t 2V est E 2 = t 2 [ E = t2 n t

2 L 2
( y) 1 W h2 V nW h N h =1
L
W V ( y) ]
h h =1 L h h
t2 L t2 W V ( y ) n h =1 h h N
2 h
W V ( y )
h =1 L
W V ( y ) = E
h =1 L h h =1
+
2
t2 N +
W V ( y)
h h =1
W V ( y) = n[ E
L h =1 2
t2 L W V ( y )] N h=1 h
( y) t 2 WhV h n= E +
2
t N
W V ( y )
h h =1
A partilha dentro dos estratos feita de tal forma que nh = nWh. 2) Alocao ou partilha tima Na alocao tima, a definio da intensidade de amostragem n e as grandezas amostrais nos estratos nh so definidas tendo em vista tornar mnimo o valor da varincia da mdia estratificada V ( y est ) dentro de determinado limite de custo ou tornar mnimo o custo para um valor fixado de V( y est ). Seja a funo custo linear mais simples a ser utilizada na deduo: C = C 0 + C1 n1 + C 2 n 2 + ... + C L n L = C 0 + C h n h
h =1 L
91
Sendo: C = custo total do inventrio florestal; C0 = despesas gerais (fixas); Ch = custo mdio de medio por unidade medida no hsimo estrato. Para atender a condio de tornar mnimo o custo para um valor especificado da varincia da mdia estratificada, ou tornla mnima para um determinado limite de custo, resulta em um problema de estudo de mnimo condicionado. Neste caso, usar o processo de clculo dos coeficientes de Lagrange, para tornar mnimo o valor de V ( y est ) , respeitando a seguinte restrio:
C1n 1 + C 2 n 2 + ... + C L n L = C C 0
.
Dado que: V ( y est ) = Wh2Vh ( y ) 1 nh N h =1

L
W V
h =1 h
( y)
E a funo de Lagrange Z: Z = V ( y est ) + l ( C h n h C + C 0 )

h =1 L
Ento, calcula-se n h e o coeficiente l tal que o valor de Z seja mnimo. L Wh2Vh ( y ) 1 L

Z =
h =1
Diferenciando em relao a n h (h = 1,...,L), tem-se:
nh
W V
h =1 h
( y ) + l (C1 n1 + C 2 n 2 + ... + C L n L C + C 0 )
92
dZ = ( -
W12V1 ( y ) + l C1 )dn1 2 n1 W22V 2 ( y ) + l C 2 ) dn2 2 n2 ...
dZ = ( -
dZ = ( -
Wh2V h ( y ) + l C h ) dnh 2 nh ...
dZ = ( -
W L2V L ( y ) + l C L )dn L 2 nL
Igualando as derivadas parciais a zero, tm-se: W S ( y) l n1 = 1 1 C1 ...
l nh =
...
Wh S h ( y ) Ch WL S L ( y) CL
(5.1)
l nL =
Efetuando-se o somatrio para todos os estratos, tem-se: n l = Wh S h ( y ) Ch h =1

L
(5.2)
Finalmente, dividindo membro a membro as expresses 5.1 e 5.2, obtm-se:
93
nh = n
Wh S h ( y ) / C h
(W S
h =1 h L
( y) / C h )
nh = n
Wh S h ( y ) / C h
(W S
h =1 h
(5.3)
( y) / C h )
A Expresso 5.3 recomenda dimensionar uma amostra maior no estrato, se: a) o estrato maior; b) o estrato possui maior varincia; c) a medio de campo mais barata no estrato. Para obter a frmula para o nmero definitivo de unidades de amostra (n) atravs das estimativas de Vh ( y ) , deve-se fixar a semiamplitude do intervalo de confiana ou expectncia do erro E = t s ( y est ) . . Logo: (y ) E 2 = t 2 s ( y est ) 2 = t 2V est Por conseguinte:
L ( y) 1 L W 2V ( y )] E 2 = t 2 [ h W hV nh N h =1 h =1 Substituindo nh dado pela Expresso 5.3, tem-se:
L
E = t [
2 2 h =1
h ( y ) Wh2V n Wh sh ( y ) / C h
L
1 N
W V ( y)]
h h =1
W s
h =1
h h
( y) / C h
94
L h=1
E 2 = t 2 [Wh sh ( y ) / C h )(
E2 + t2 N
L
( y) Wh2V t2 h ]N Ch h =1 nWh s h ( y ) /
L
W V ( y )
h h h =1
L L W s ( y) C h h h 2 W V y t W s y C ( ) = [ ( ) / ) ( ] h h h h n h =1 h =1 h =1
n[ E 2 +
L L t2 L ( y )] = t 2 [ W s ( y ) / C )( W s ( y ) C ] WhV h h h h h h h N h =1 h =1 h =1
Resultando:
L h =1 L h =1
t 2 [ Wh sh ( y ) / C h )(Wh s h ( y) C h ] n= t E2 + N
2
W V ( y )
h h h =1
(5.4)
Se forem admitidos custos iguais para medio das unidades de amostra nos estratos, tem-se a denominada Partilha de Neyman e as Equaes 5.4 e 5.3 passam a ser escritas respectivamente por: t 2 [ Wh s h ( y ) ] 2 W s ( y) h =1 , sendo n h = n L h h . n= L Wh s h ( y ) WhV ( y) 2 2 h =1 h =1 E +t N 5.3 Preciso da amostra estratificada em relao amostra simples ao acaso Quando a estratificao empregada de forma eficiente, resulta para os valores da mdia e do total estimados uma menor varincia que a amostra simples ao acaso de grandeza
L
95
similar. Por outro lado, no verdadeiro afirmar que qualquer amostra estratificada seja mais precisa que uma amostra simples ao acaso, considerando-se uma mesma frao amostral. Por exemplo, se em uma amostra estratificada os valores de nh estiverem muito diferentes do timo, obviamente a amostragem estratificada poder ser menos precisa. Do exposto, pode-se dizer que a finalidade principal da estratificao diminuir a varincia da mdia e a varincia do total, quando comparadas com suas similares da amostra simples ao acaso. Considerando as populaes infinitas e para uma mesma grandeza amostral n, sejam as varincias das mdias nos seguintes casos: a) varincia da mdia da amostra simples ao acaso V ( y) V Asa ( y ) = n b) varincia da mdia (alocao proporcional)
V (y ) = VPr Prop op
L Wh2V h ( y) W 2V ( y) L W hV h ( y ) L N h Vh ( y ) = h h = = nh nWh n nN h =1 h =1 h =1 h =1 L
c) varincia da mdia (alocao tima)

L
W 2V ( y ) L VOti ( y ) = h h = nh h =1 h =1
L
Wh2Vh ( y ) = Wh S h ( y )
L
[ N h Sh ( y )]
h =1
nN
W S
h h =1
( y)
(y
Dado que V ( y ) =
h =1 i=1
Nh
hi
-Y )
N -1
96
Nh
2 Ento, ( N 1)V ( y ) = ( y h i Y ) . h =1 i =1
Efetuando-se a partio da variao total nos componentes de varincia entre e dentro dos estratos: ( N 1)V ( y ) = ( N h 1)Vh ( y ) + N h (Yh Y ) 2
h =1 h =1 L L
Ento: N (1
L L 1 1 )Vh ( y ) = N h (1 )Vh ( y ) + N h (Yh Y ) 2 N Nh h =1 h =1
Desprezando-se as fraes 1/N e 1/Nh: L L NVhh((y) N V y ) = N hVh ( y ) + N h (Yh Y ) 2 h =1 h =1 Dividindo-se por nN, tem-se: L L N h V h ( y) N h (Yh - Y ) 2 V ( y ) h =1 = + h =1 n nN nN Pelas definies de V Asa ( y ) e V VProp P r o p ( y) :
V V Asa ( y ) = V yy)) + h =1 P ro p (( P rProp po n Pelo exposto, conclui-se que a varincia da mdia da amostra simples ao acaso ser maior que a varincia da mdia da amostra estratificada com alocao proporcional, quando as mdias entre os estratos forem diferentes entre si, ou seja, a estratificao somente ser eficiente se existirem diferenas significativas entre as mdias dos estratos.
(Yh Y ) 2
97
Deduz-se, facilmente, que a amostra simples ao acaso ter a mesma preciso da amostra estratificada se houver uma igualdade completa entre as mdias dos estratos. Considerando ser uma afirmao verdadeira que a alocao tima adiciona preciso na amostragem estratificada, ento:
L h h h =1 L h
N V ( y ) [ N
VPr op ( y ) - VOti ( y ) = nN
h =1
Sh ( y )]2
L
nN 2 [ N h S h ( y )]
h =1 2
1 L VProp ( y ) - V Oti ( y ) = { N hV h ( y ) nN h =1
L
N
L
}
[ N h S h ( y )] 2 +
h=1
VPr op ( y ) - VOti ( y ) =
1 { N hV h ( y ) nN h=1 1 nN
L
2[ N h S h ( y )] 2
h =1
N
L L
} N [ N h S h ( y )] 2 +
L
h =1 L
2[ N h S h ( y )][ N h S h ( y )]
h =1 h =1
VProp ( y ) - VOti ( y ) =
{ N hV h ( y ) h=1
N
L
1 { N h [Vh ( y) nN h =1
2 S h ( y)[ N h S h ( y)]
h =1
[ N h S h ( y )] 2 +
h =1
N
L
N2
]}
1 L { N h [S h ( y) nN h =1
N
h =1
S h ( y) ]2 }
Denominando-se S ( y ) =
L
N
h =1
S h ( y)
= Wh S h ( y ) :
h =1
l
VPr op ( y ) - V oti ( y ) =
1 N h [ S h ( y ) - S ( y)] 2 = nN h =1
l
W [ S
h h =1
( y ) - S ( y )] n
Finalmente:
VPr op ( y ) = Voti ( y ) +
W [S
h h =1
( y) - S ( y)] n
98
O resultado acima revela que, quando existir heterogeneidade de varincias entre os estratos, a alocao tima mais precisa que a alocao proporcional. Exerccio 5.1 Seja uma rea florestal de 10.000 ha, onde, atravs de tcnicas de interpretao de imagens fotogrficas, foram detectados trs estratos: Estrato I (floresta alta sem babau) = 2.000 ha. Estrato II (floresta alta com babau) = 5.000 ha. Estrato III (floresta baixa cipolica) = 3.000 ha. Foram selecionadas nos estratos, atravs da amostra simples ao acaso, as seguintes quantidades de unidades de amostra: n1 = 13; n2 = 15 e n3 = 12. A estrutura da unidade amostral apresentou uma forma retangular de 10 m de largura e 250 m de comprimento, onde foram mensuradas todas as rvores com DAP 45 cm. Na Tabela 5.1, encontram-se os dados (simulados) por estrato para os volumes por parcela de 0,25 ha.
Tabela 5.1 - Volumes em m3 por parcela de 0,25 ha.
ESTRATO I 21,10 34,00 18,00 20,00 55,00 23,42 40,50 17,44 22,12 25,00 31,20 17,05 24,10 12,90 17,00 9,50 20,00 30,10 23,42 21,10 17,44 ESTRATO II 22,12 12,00 16,50 17,05 24,10 16,71 21,80 8,10 12,00 9,50 14,50 18,17 21,10 10,80 7,50 ESTRATO III 6,50 12,50 5,20 5,10
99
Anlise estatstica relativa ao estrato I a) valor mdio estimado n 1 y i1 348,93 i= 1 = 26,840769 m 3 / 0,25 ha y1 = n = 13 1
y1 = 107,36 m3 / ha
b) valor total estimado = N y = 88.000 = 214.726,15 Y .000 x 2 6 26,840769 ,840769 = 214 .726,1 5 m 3 m3 1 1 1 Sendo: N1 = rea/T.U.A = 2.000 ha/0,25 ha = 8.000 T.U.A = Tamanho da Unidade de Amostra c) varincia estimada
1 ( y) = V
n1
( y1i ) 2
2 1i
n1
y
i =1
i =1
n1 n1 - 1
1 ( y) = 1915 ,7431(m 3 / ha ) 2 V
10802 ,3569 - 348,93 2 / 13 = 119,73394(m 3 / 0,25ha )2 12

( y) = 43,77 m 3 / ha s1 ( y ) = V 1

( y ) = V ( y 1 ) / ha ( N 1 - n1 ) = 1915,7431 ( 8. 000 - 13 ) = 147,12539 ( m 3 / ha ) 2 V 1 n1 N1 13 8 .000
100

s ( y1 ) = ( y 1 ) / ha = V 147 ,12539 = 12 ,13 m 3 / ha

1 % = s( y1 ) 100 = 43,769203 100 = 40,77 % CV y1 107,36308
h) intervalo de confiana Limite inferior para o valor mdio y1 t1 s ( y1 ) =107,36308-2,1788 x 12,129525 = 80,94 m3/ ha Na Tabela 3 do Anexo, tem-se o valor tabelar, ta/2, n 1 = 2,1788, para a = 0,05 e n1 -1=12.
1
Limite superior para o valor mdio y1 + t1 s ( y1 ) = 107,36308+2,1788x12,129525=133,79 m3/ ha Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional do estrato I encontra-se no intervalo de 80,94 m3/ ha a 133,79 m3/ ha. Limite inferior para o valor total rea[ y1 t1 s ( y1 ) ]= 2.000 x 80,935271= 161.870,54 m3 Limite superior para o valor total rea [ y1 + t1 s ( y1 ) ]] = 2.000 x 133,79089 = 267.581,78 m3 Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional do estrato I encontra-se no intervalo de 161.870,54 m3 a 267.581,78 m3.
101
Anlise estatstica relativa ao estrato II a) valor mdio estimado

y2 = y i2 i =1 n2
n2
281,74 = 18,782667 m 3 / 0 ,25 ha 15
y 2 = 75,13 m3/ ha b) valor total estimado = N y = 20.000 x 18,782667 = 375.653,33 m3 Y 2 2 2 Onde N2 = rea/T.U.A = 5.000 ha/0,25 ha = 20.000 c) varincia estimada n ( y 2i ) 2 n 2 i =1
2
y
i =1
2i
2 ( y) = V
n2
3
5 .681,051 14
2
n2 - 1
281,74 2 15 = 27,801607 (m3 / 0,25 ha )2
( y ) = 444,8257 (m / ha) V 2

( y) / ha = 21,09 m 3 / ha s 2 ( y) = V 2
( y2 ) = V2 ( y) / ha ( N 2 - n 2 ) = 444 ,8257 ( 20.000 - 15 ) = 29,632805 ( m3 / ha) 2 V n2 N2 15 20.000
102

( y ) / ha = 5,44 m 3 / ha s( y 2 ) = V 2

2 % = s 2 ( y ) 100 = 21,09 100 = 28 ,07 % CV y2 75 ,13
h) intervalo de confiana Limite inferior para o valor mdio y 2 t 2 s ( y 2 ) = 75,130667 - 2,1448 x 5,4436022 = 63,46 m3/ ha Na Tabela 3 do Anexo, tem-se o valor tabelar ta/2, n 1 = 2,1448 para a = 0,05 e n2 - 1 = 14.
2
Limite superior para o valor mdio y 2 + t 2 s 2 ( y 2 ) =75,130667+2,1448 x 5,4436022=86,81 m3/ ha Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional do estrato II encontra-se no intervalo de 63,46 m3/ ha a 86,81 m3/ ha. Limite inferior para o valor total rea [ y 2 t 2 s ( y 2 ) ]= 5.000 x 63,45523= 317.276,150 m3 Limite superior para o valor total rea [ y 2 + t 2 s ( y 2 ) ] = 5.000 x 86,806105= 434.030,53 m3 Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional do estrato II encontra-se no intervalo de 317.276,150 m3 a 434.030,53 m3.
103
Anlise estatstica relativa ao estrato III a) valor mdio estimado n3

y3 = y i3 i =1 n3 =
130,97 = 10 ,914267 m3 / 0,25 ha 12
y 3 = 43,66 m3/ ha b) valor total estimado = N y = 12.000 x 10,914267 = 130.971,204 m3 Y 3 3 3 Para N3 = rea/T.U.A = 3.000 ha/0,25 ha = 12.000 c) varincia estimada
n3
( y 3i ) 2
2 3i
n3
3 ( y ) = V
y
i =1
i =1
n3
1709,9089 = 11
n3 - 1
139 ,97 2 12 = 25,498227 ( m3 / 0,25 ha ) 2
( y) = 407,9716 (m 3 / ha) 2 V 3

3 ( y) / ha = s3 ( y) = V 407,9716 = 20,20 m3 / ha

( y3 ) = V3 ( y) / ha ( N 3 - n 3 ) = 407,97162 ( 12 .000 - 12 ) = 33,963637(m 3 / ha) 2 V n3 N3 12 12.000

( y ) / ha = 33,963637 = 5,83 m3 / ha s( y3 ) = V 3
104

3 % = CV
s3 ( y) 20,198307 100 = 100 = 46,27 % y3 43,656667
h) intervalo de confiana Limite inferior para o valor mdio y 3 t 3 s ( y 3 ) = 43,656667 - 2,2010 x 5,827833=30,83 m3/ ha Na Tabela 3 do Anexo, tem-se o valor tabelar, ta/2, n 1 = 2,2010, para a = 0,05 e n3-1 = 11.
3
Limite superior para o valor mdio y 3 + t 3 s ( y 3 ) = 43,656667 + 2,2010 x 5,827833=56,48 m3/ ha H razo para afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional do estrato III encontra-se no intervalo de 30,83 m3/ ha a 56,48 m3/ ha. Limite inferior para o valor total rea [ y 3 t 3 s ( y 3 ) ]= 3.000 x 30,829607= 92.488,82 m3 Limite superior para o valor total rea [ y 3 + t 3 s ( y 3 ) ]= 3.000 x 56,483727= 169.451,18 m3 Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional do estrato III encontra-se no intervalo de 92.488,82 m3 a 169.451,18 m3.
105
Anlise estatstica global a) mdia estratificada estimada

L
yest = Wh yh =
h=1
8.000 20.000 12.000 26,8408+ 18,7827+ 10,91 40.000 40.000 40.000
yest = 18,0338 m 3 / 0,25 ha , onde: yest = 72 ,14 m 3 / ha
b) varincia da mdia estratificada Sejam os seguintes clculos auxiliares:

( y) ( y) ( y) ( y) Wh2V N V N V N V h = ( 1 )2 1 + ( 2 )2 2 + ( 3 )2 3 = 1,0230089 nh N n1 N n2 N n3 h =1
L
L
W V ( y ) =
h h h= 1
N1 N N3 V1 ( y) + 2 V V3 ( y) = 45 ,49706 2 (y) + N N N
Ento:
2 L L ( yest ) = Wh Vh ( y) - WhVh ( y) = 1,02300 - 1 45 ,49706 V 40.000 nh N h =1 h =1
( y ) = 1,021872 ( m3 / 0,25 ha ) 2 V est ( y ) = 16,3499(m 3 / ha) 2 V est
c) erro padro da mdia estratificada

( y ) / ha = 4 ,04 m 3 / ha s ( yest ) = V est
106
d) intervalo de confiana para a mdia estratificada Considerando que a amostra pequena e que h heterogeneidade entre as varincias, deve-se proceder ao clculo do nmero de graus de liberdade (ngl) pelo mtodo de Satterthwaite (1946). A Tabela 5.2 apresenta os clculos a serem utilizados neste mtodo.
gh =
Nh ( N h - n h ) nh
h ( y )] 2 [ gh V n gl =
h =1
2 g2 h Vh ( y) nh - 1 h =1
L
Tabela 5.2 - Nmero de graus de liberdade Mtodo de Satterthwaite (1946).
EST I II III Total
Nh
8.000 20.000 12.000 40.000
nh g h = N h (
13 15 12 40
N h nh ( y) ) V h nh
( y) g hV h
2 2 gh Vh ( y ) /( / ( nh nh 1 ) 1)
4.915.076,92 26.646.666,67 11.988.000,00
119,7339 588.501.328,40 27,8016 740.819.968,10 25,4982 305.672.421,0
288,6115016x1014 392,0101498x1014 84,94148005x1014
1.634.993.718,0 765,5631319x1014
n gl =
1634993718 2 = 34,92 765,5631319 10 14
ngl = 35 graus de liberdade Na Tabela 3 do Anexo, tem-se o valor tabelar ta/2, n = 2,0317 para a = 0,05 e ngl = 35.
gl
Limite inferior para o valor mdio y est ts ( y est ) = 72,13507 - 2,0317 x 4,0435063=63,92 m3/ ha Limite superior para o valor mdio y est + t s ( y est ) = 72,13507 + 2,0317 x 4,0435063=80,35 m3/ ha
107
H razo para afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional encontra-se no intervalo de 63,92 m3/ ha a 80,35 m3/ ha. Limite inferior para o valor total t x s (( [yy ])] = t 10.000 s ( y est ) ] x 63,919878 = 639.198,78 m3 rea [ y est est est) Limite superior para o valor total rea [ y est t x s (( [yy ])] = t 10.000 s ( y est ) ] x 80,350262 = 803.502,62 m3 est est) Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional encontra-se no intervalo de 639.198,78 m3 a 803.502,62 m3. e) limite de erro para o inventrio florestal E = ts ( y est ) = 2,0317 4,0435063 = 8,2151917 m3/ ha 72 .13507 y es t f) dimensionamento da amostra estratificada Considerar o limite de erro para o inventrio florestal de 10%. Na anlise, o resultado obtido para a varivel resposta volume para as rvores com DAP 45 cm foi de 11,39 %, para as 40 unidades de amostra. Ento, deve-se calcular o nmero de unidades de amostra, visando atender ao limite de erro estipulado de LE = 0,10 e alocar as unidades por estrato, e, finalmente, calcular o nmero de unidades faltantes por estrato, o que ser feito a seguir, utilizando-se os mtodos de alocao proporcional e alocao tima.
LE % = E 100 = 8,211917 100 = 11,39 %
108
f1) alocao proporcional E = LE y est = 0,10 18,033767 = 1,8033767 m3

h ( y ) = W hV h=1
L h =1 L
N1 N N3 V1 ( y) + 2 V V3 ( y ) = 45,49706 2 (y) + N N N
h ( y ) t 2 WhV n=
h ( y ) t 2 Wh V E2 +
h =1
2,03172 45,49706 = 57,66 2,0317 2 45,49706 2 1,8033767 + 40.000
N n = 58 unidades de amostra Logo, pelo critrio da proporcionalidade, tem-se:
ESTRATO I: n1 = nW1 = 57 ,66 n 1 = 12 unidades
8 .000 = 11,53 40 .000
ESTRATO II: n2 = nW2 = 57,66 20.000 = 28,83 40.000 n 2 = 29 unidades ESTRATO III: n3 = nW3 = 57,66 n 3 = 18 unidades
12 .000 = 17 ,30 40.000
f2) alocao tima Dado que:

L
Wh s h ( y) = h =1
N1 N
s 1( y ) +
N2 N
s2 ( y ) +
N3 N
s 3 ( y)
W
h=1
sh ( y ) =
8.000 20. 000 12 .0 00 119, 73394 + 27 ,801 61 + 25, 49 8227 4. 000 40. 000 40. 000
W s
h =1
h h
( y) = 6,3396948
109
Ento:
t 2 [ Wh s h ( y) ] 2 n=
h =1 L L
h ( y) t 2 WhV E2 +
h =1
2,031 2 6 ,3396948 2 = 50,9046526 2,031 2 45,49706 2 1,8033767 + 40 .000
n = 51 unidades de amostra. Logo, pelo critrio de otimizao, tm-se:

Estrato I:
n1 = n W1 s1 ( y ) = 50,90 2,1885 = 17,57 6,3397
W
h= 1
sh ( y)
n1 = 18 unidades de amostra. Estrato II:

n2 = n W 2s 2 ( y ) = 50,90 2 ,6364 = 21,17 6 ,3397
Wh s h ( y)
h=1
n 2 = 22 unidades de amostra Estrato III:

n3 = n W 3 s3 ( y ) Wh sh ( y) h =1
L
= 50,90
1,5149 = 12 ,16 6 ,3397
n 3 = 13 unidades de amostra
g) discusso sobre a eficincia entre as alocaes proporcional e tima
110
A seguir, far-se- uma discusso sobre a eficincia entre as alocaes tima e proporcional. Para facilitar a anlise, a Tabela 5.3 apresenta os resultados do dimensionamento dessas alocaes para o limite de erro de 10%, assim como uma coluna com os nmeros de unidades medidas no inventrio florestal referente ao limite de erro de 11,39%. A Tabela 5.4 mostra os valores das mdias e das varincias por estrato.
Tabela 5.3 - Dimensionamento das alocaes tima e proporcional.
ESTRATO I II III TOTAL ALOCAO TIMA (LE=10%) 18 22 13 53 ALOCAO PROPORCIONAL (LE=10%) 12 29 18 59 N. UNID. MEDIDAS (LE=11,39%) 13 15 12 40
Tabela 5.4 - Mdias e varincias por estrato.

ESTRATO I II III
y h (m /ha)
3
( y ) /ha V h
1915,7431 444,8257 407,9716
107,36 75,13 43,66
Considerando os resultados expostos, obtm-se as seguintes concluses: a) os resultados mostram que as mdias dos estratos so muito diferentes entre si. Pode-se, ento, concluir que a estratificao foi eficiente, mesmo utilizando a alocao proporcional; b) os resultados demonstram que h diferenas entre as varincias dos estratos II e III em relao varincia do estrato I. Conclui-se, dada a existncia de heterogeneidade de varincias entre os estratos, que o emprego da alocao tima resultar numa maior preciso em relao utilizao da alocao proporcional;
111
c) o exemplo ilustrativo acima exposto evidencia a maior preciso da alocao tima, visto necessitar, para atender um limite de erro de LE = 0,10, de menos unidades de amostra que a alocao proporcional. Para atender ao limite de erro de LE = 0,10 e um nvel de confiana de 0,95, deve-se, atravs da alocao tima, retornar ao campo e medir nos estratos I, II e III, respectivamente, mais 5, 7 e 1 unidades de amostra e, assim, totalizar 53 unidades. Entretanto, se a opo fosse utilizar a alocao proporcional, haveria a necessidade de voltar ao campo e medir nos estratos II e III, respectivamente, mais 14 e 6 unidades de amostra e, assim, totalizar 60 unidades, visto que o estrato I foi superdimensionado em 1 unidade. 5.4 Inventrio florestal apresentando subpopulaes com diferentes intensidades de amostragem Em levantamentos florestais, principalmente de reas extensas, muitas vezes necessrio classificar subreas de acordo com a sua importncia tipolgica ou estratgica, tal que determinados estratos sejam medidos com intensidades amostrais diferenciadas. Seja o caso do Inventrio Florestal Nacional (IFN) do Brasil que foi planejado para um grid de 20 km x 20 km. O processo de implantao dessa rede amostral na regio Amaznica, pelas suas caractersticas diferenciadas, pode ser objeto de uma abordagem especfica devido s condies naturais de acesso e de extenso territorial e, principalmente, em relao ao alto custo do levantamento. A Amaznia Legal Brasileira abrange uma rea de aproximadamente 5.217.423 km2 e estima-se que a floresta Amaznica ocorra em cerca de 3.300.000 km2. Ento, considerando uma rede de unidades com distribuio sistemtica segundo a
112
definio de um grid de 20 km x 20 km, pode-se obter aproximadamente 8.250 pontos amostrais. Havendo limitao de recursos financeiros para promover a medio de todos os 8.250 pontos da rede estabelecida, imprescindvel promover um estudo atravs de sensoriamento remoto, visando selecionar as reas de acordo com suas prioridades em termos de grau de preciso. Por outro lado, uma varivel importante, obviamente, ser o custo mdio por unidade de amostra por estrato. Este custo mdio, evidentemente, est intimamente relacionado s dificuldades de acesso aos estratos. Atravs de tcnicas de sensoriamento remoto pode ser construdo um mapa, o qual pode apresentar as estradas, rios navegveis, pistas de pouso, organizaes de apoio civis e militares e outros. Este mapa dever servir de base para delimitar as reas (estratos) de acordo com o seu grau de dificuldade (acessibilidade ou outros atributos estratgicos), assim como em funo dos custos. Havendo estratos com diferentes intensidades de amostragem, o dimensionamento amostral e a anlise estatstica podero ser realizados atravs da Amostra Estratificada com Partilha tima. A estratificao da floresta com o objetivo de estabelecer estratos com diferentes intensidades de amostragem pode ser considerada como uma estratificao por razo administrativa, visto que no objetiva diretamente ganhar preciso ou tirar concluses sobre as caractersticas tipolgicas. Exerccio 5.2 Seja o exemplo em que os estudos sobre a acessibilidade e os custos mdios de medio por estrato resultaram nas seguintes decises:
113
1) 40 % dos pontos da floresta Amaznica (estrato I) sero medidos segundo o grid definido de 20 km x 20 km; 2) os 60 % restantes sero classificados em trs estratos (II, III, IV) e diferenciados em relao ao nvel de acessibilidade e custos na medio das parcelas. A partir de estudos de campo e bibliogrfico, foram obtidas as seguintes informaes acerca dos trs estratos (II, III, IV). Ver Tabela 5.5.
Tabela 5.5 - Dados por estrato: definio da intensidade de amostragem.
Estratos II III IV Total Wh 0,5 0,3 0,2 1,0
sh (y) : (m3/ha)
11 9 6
Ch 1000 3000 5000
Wh s h ( y ) / C h
0,173925 0,049295 0,016971 0,240191
Wh o peso do h-simo estrato; sh(y) o desvio padro do h-simo estrato; Ch o custo mdio de medio das parcelas no i-simo estrato. Seja C= c1n1+c2n2+c3n3+c4n4 o custo total de medio, tal que o componente c1n1 refere-se ao custo dos 40 % da floresta medido segundo o grid definido de 20 km x 20 km; o componente c2n2+c3n3+c4n4 refere-se medio dos trs estratos referentes aos 60 % da floresta que sero dimensionados a partir de graus de preciso diferentes. Dado C= C+ C. Tal que: C = c1n1; C= c2n2+c3n3+c4n4.
114
Ento, estabelecer o procedimento para definir os grid para os estratos II, III e IV, considerando os seguintes tamanhos de amostra n2, n3, e n4. O valor para n1 do estrato I j est definido em funo do grid 20 km x 20 km. Dado que:
nh = n '' Wh s h ( y ) / C h
(W s
h=2
, sendo n '' = n 2 + n3 + n 4 .
h h
( y) / Ch )
Pela partilha da alocao tima, tm-se:

n 2 = n '' W2 s 2 ( y ) / C 2
L
(W s
h=2
h h
( y) / C h )
=
0,173925 '' n = 0,724111 n '' 0,240191

0,049295 '' n = 0,205233 n '' 0,240191
n 3 = n ''
W3 s3 ( y ) / C3
(W s
h=2
h h
( y) / Ch )
=
n 4 = n ''
W4 s 4 ( y ) / C 4
(W s
h=2
h h
( y) / Ch )
0,016971 '' n = 0,070654 n '' 0,240191
Fixando-se o custo C, pode-se obter o valor de n da seguinte forma: Substituindo, n2 = 0,724111n, n3 = 0,205233n e n4 = 0,070654n, em C= c2n2+c3n3+c4n4. Tem-se:
C '' = 1000 0,724111 n '' + 3000 0,205233 n '' + 5000 0,070654 n ''
Portanto:
n '' = C '' 1 .693,08
115
A partir do conhecimento do valor de n, calcular n2, n3 e n4:

n2 = 0,724111 n '' ; n3 = 0,205233 n '' ; n 4 = 0,070654 n '' .
Ento, conhecendo-se as reas dos estratos II, III, IV e os valores de n2, n3 e n4, possvel dimensionar os grid correspondentes aos estratos II, III e IV. Outro procedimento para obter n seria usar a frmula 5.4 para h = 2, 3, 4; estabelecendo uma determinada semiamplitude de intervalo de confiana ( E E= LE y est ) . =L E
4 4
t 2 ( Wh sh Ch )( (Wh s h / Ch ) n' ' =

h= 2 h =2
E2 +
t N
W s
h h= 2
2 h
116
Captulo 6
AMOSTRAGEM SISTEMTICA
Define a amostragem sistemtica mostrando as diferenas, vantagens e desvantagens com relao amostragem simples ao acaso na aplicao em inventrios florestais. Apresenta recomendaes para obter a varincia da mdia atravs de uma nica amostra sistemtica. Compara a preciso da amostragem sistemtica em relao amostra simples ao acaso. Mostra um exerccio completo comparando vrias alternativas para anlise de um inventrio florestal com amostragem sistemtica.
Amostragem sistemtica
A amostragem sistemtica consiste em sortear uma unidade da populao e, a partir dela, para constituir uma amostra de tamanho n, selecionar as unidades que ocupam de forma sequencial as posies mltiplas de um determinado valor K = N/n pr-estabelecido, onde N o nmero de unidades total da populao. A amostragem sistemtica apresenta uma diferena marcante com relao amostragem simples ao acaso, no que tange ao nmero de amostras possveis. Seja uma populao composta por N unidades e n represente o tamanho da amostra, sendo N = Kn. Se a amostragem for sistemtica, o nmero de amostras possveis igual a K = N/n, enquanto que, em se tratando de uma amostra simples ao acaso sem reposio, o nmero de amostras possveis (nap) ser:
n
nap = C =
N
N! n! ( N - n)!
Ento, teoricamente, uma amostra sistemtica no pode ser analisada como se fosse uma amostra simples ao acaso. A amostragem sistemtica, quando comparada com a amostra simples ao acaso, apresenta algumas vantagens, entre as quais: a) a seleo das unidades amostrais, na amostragem sistemtica, mais fcil e mais rpida; b) a organizao, a superviso e a checagem (remedio) de algumas unidades da amostra se tornam operacionalmente mais fceis; c) o tamanho da populao no precisa, necessariamente, ser conhecido; d) as unidades da amostra sistemtica se distribuem mais uniformemente na populao, originando uma maior representa-
119
tividade, tornando-se eficiente quando existe qualquer tendncia ou concentrao de certas caractersticas; e) a amostragem sistemtica mais eficiente quando se deseja mapear a floresta com relao sua tipologia. A grande desvantagem da amostra sistemtica ocorre quando a populao apresenta dados com caractersticas cclicas ou peridicas, pois, corre-se o risco da amostragem refletir homogeneidade numa condio sabidamente heterognea. A amostragem sistemtica, considerando uma mesma grandeza amostral, poder ter uma preciso maior que a amostra simples ao acaso, desde que haja grande heterogeneidade entre as unidades dentro das amostras sistemticas possveis. Sob o ponto de vista terico, a varincia da mdia da amostra sistemtica somente poder ser obtida desde que se disponha dos valores mdios de todas as amostras sistemticas possveis ou, ento, sejam conhecidos os valores verdadeiros da varincia da populao V(y) e da varincia entre as unidades dentro das amostras sistemticas Vd (y), o que corresponde a ter que enumerar ou levantar a populao totalmente, no sendo factvel em termos de inventrios florestais. Havendo a impossibilidade de se obter a varincia da mdia atravs de uma nica amostra sistemtica, pode-se, em relao a levantamentos florestais, contornar o problema utilizando uma das seguintes recomendaes: a) de acordo com Campos (1981), quando as observaes inerentes varivel resposta esto distribudas aleatoriamente por algum critrio objetivo ou mesmo ocorrem na floresta segundo leis naturais, pode-se analisar uma amostra sistemtica como inteiramente ao acaso; b) pode-se, em vez de retirar uma nica amostra de tamanho n, nmero de unidades a serem medidas no inventrio,
120
selecionar um determinado nmero k de amostras de tamanho n, de tal forma que implique em n = k n e, atravs delas, obter uma estimativa para a varincia da mdia; c) a amostragem sistemtica pode ser associada amostragem por conglomerados, pois quando se subdivide uma populao de tamanho N em K amostras sistemticas de tamanho n, na verdade obtm-se K grandes unidades conglomeradas. Assim, cada amostra sistemtica pode ser considerada uma unidade conglomerada inteiramente casualizada, selecionada de uma populao composta por K conglomerados. Portanto, havendo a seleo de uma amostra sistemtica, pode-se esti ( y ) , obtida da maneira usual, mar a varincia V ( y ) atravs de V atravs da anlise de uma amostra consistindo de apenas um conglomerado selecionado aleatoriamente. A amostragem por conglomerado est apresentada no captulo 9. Por outro lado, de acordo com as consideraes contidas no item b, e adicionando-se o exposto no item c, pode-se concluir que h uma amostra consistindo de k conglomerados selecionados aleatoriamente, podendo-se estimar a varincia da mdia utilizando a estrutura de anlise especfica por conglomerados. Em termos de inventrios florestais, existe a concepo da amostragem com mltiplos incios aleatrios, onde a estrutura amostral uma amostragem sistemtica em dois estgios, convergindo para um procedimento aleatrio. Neste caso, a estrutura estatstica similar da amostragem por conglomerados, podendo-se proceder a uma anlise de varincia para se estimar os componentes de varincia entre e dentro das faixas.
121
6.1 Varincia da mdia Para formular os parmetros da amostragem sistemtica, utilizar-se- a seguinte notao: N = nmero total de unidades da populao; K = nmero de amostras sistemticas possveis; n = nmero de unidades pertencentes a cada amostra sistemtica; yij = Valor da varivel resposta correspondente j-sima observao da i-sima amostra sistemtica. Seja a expresso da varincia da mdia da amostra sistemtica: K ( yi Y ) 2 V Sist ( y ) = i =1 K
y i = mdia da i-sima amostra sistemtica.

Y = mdia das mdias das possveis amostras sistemtiSeja a frmula da varincia populacional:
cas.
V ( y) =
( y
i =1 j =1
i j
Y )2
N 1
K n
Ento:
( N 1) V ( y ) = ( y ij + y i y i Y ) 2
i =1 j =1 K n
( N 1) V ( y ) = ( y ij y i ) 2 + n ( y i Y ) 2 , pois,
i =1 j =1 i =1
n ij
( y
i=1 j =1
- yi )( y i - Y ) = 0.
122
Portanto: ( N 1) V ( y ) = (n 1) Vi ( y ) + nKV Sist ( y )

i =1 K
( N 1)V ( y ) = K (n 1) Por conseguinte:
V ( y)
i =1 i
+ nKV Sist ( y )
1 1 1 1 )) K K(( n n N N ))= )V )V((yy ))+ V V yy )) =(( + V V yy Sist Sist(( dd(( N N N N
(6.1)
Sendo: Vi ( y ) = varincia das observaes dentro da i-sima amostra sistemtica; Vd ( y ) = mdia das varincias de todas as amostras sistemticas possveis. A Frmula 6.1 similar s Frmulas 6.2 e 6.3. A Expresso 6.2 baseada na varincia das mdias de todas as amostras sistemticas possveis, enquanto a 6.3 est escrita em funo do coeficiente de correlao ( d Sist ) entre pares de unidades que pertencem mesma amostra sistemtica. N n ) V Sist ( y ) = ( N
V Sist ( y ) = (
(y
i =1
Y )2 (6.2) (6.3)
K 1
N 1 V ( y) ) [1 + (n 1)d Sist ] N n
Tal que:
d Sist = E ( yij - Y )( y iu - Y ) E( yij - Y )
2
(K - 1)nQM Entre - (Kn - 1)V ( y) ( Kn - 1)(n - 1)V ( y)
123
Na expresso do d Sist , o numerador representa a mdia de todos os Kn(n-1) / 2 pares diferentes de unidades e o denominador a mdia de todos os Kn valores de yij. No captulo sobre amostragem por conglomerados h mais informaes sobre o coeficiente de correlao d Sist . Como anteriormente observado, o grande inconveniente das Frmulas 6.1, 6.2 e 6.3 que se deve conhecer a varincia verdadeira da populao e a varincia verdadeira entre as unidades dentro das amostras sistemticas possveis ou os valores mdios verdadeiros. Entretanto, pode-se, com referncia aos inventrios florestais, utilizar os argumentos expostos no incio deste captulo. 6.2 Preciso da amostra sistemtica comparada amostra simples ao acaso Sejam as frmulas: a) varincia da mdia da amostra simples ao acaso
V Asa ( y ) = ( N n V ( y) ) N n
b) varincia da mdia da amostra sistemtica

VSist ( y ) = ( K (n 1) N 1 )V ( y ) Vd ( y ) N N
A amostra sistemtica ser mais precisa que a amostra simples ao acaso, se:
V Sist ( y ) < V Asa ( y )

Logo:
( N n V ( y) K (n 1) N 1 )V ( y ) ) Vd ( y ) < ( N n N N
124
Desenvolvendo, onde N = nK, tem-se:

(1 K (n - 1) n V ( y) 1 Vd ( y ) < (1 - ) )V ( y ) N nK N n
V ( y ) (n 1) V ( y) V ( y) Vd ( y ) < N n n N (n 1) V ( y) )Vd ( y ) <( V ( y) n n n 1 n 1 V (y y)( ) ( )<( )Vd ( y ) n n V ( y)
Sendo:
Vd ( y ) > V ( y )
Concluindo-se que a maior heterogeneidade entre as unidades dentro das amostras sistemticas resulta numa maior preciso em relao s amostras simples ao acaso. Exerccio 6.1 Seja uma rea florestal com 250 ha, dividida em 1.000 unidades de 0,25 ha. Os dados amostrais foram retirados de uma populao, simulada computacionalmente, com mdia e varincias conhecidas: A Tabela 6.1 apresenta a anlise de varincia populacional.
Tabela 6.1 - Anlise de varincia populacional.
CV Amostras (K) Erro Total GL 19 980 999 SQ 1503,0 136.158,0 137.661,0 QM 79,1053 138,9367 137,7988
125
Y = 38,106 (m 3 / 0,25 ha ) V ( y ) = 137,7988 (m 3 / 0, 25 ha ) 2 Vd ( y ) = 138,9367 (m 3 / 0,25 ha ) 2

1) Retirar uma amostra sistemtica de 50 unidades e obter a varincia da mdia pelas seguintes expresses:
VSist ( y ) = ( K (n 1) N 1 )V ( y ) Vd ( y ) N N
N n i =1 ) N K 1 N 1 V ( y) V ( y Sist ) = ( ) [1 + (n 1)d Sist ] N n V ( y Sist ) = ( 2) Considerar os dados do item anterior (amostra sistemtica de 50 unidades) e obter a varincia da mdia como se fosse inteiramente ao acaso (ASA). ( y ) = ( N n ) V ( y) V sist 2 N n 3) Retirar da populao cinco amostras sistemticas com 10 unidades cada e obter a varincia da mdia por meio da expresso da amostragem por conglomerados. Ver captulo 9.
( y ) = (1 - f ) V1 ( y ) + f (1 - f ) V 2 ( y) V 3 1 1 2 n mn
(y
Y )2
4) Dividir a populao em vinte subpopulaes com 50 unidades cada, sortear sistematicamente cinco delas e, em cada
126
uma, selecionar uma amostra sistemtica de 10 unidades. Obter a varincia da mdia pela expresso da Amostragem por Conglomerados. Ver captulo 9. ( y ) = (1 - f ) V1 ( y ) + f (1 - f ) V 2 ( y) V 3 1 1 2 n mn 5) Retirar da populao uma amostra aleatria de 50 unidades e obter a varincia da mdia. ( y ) = ( N n ) V ( y) V Asa 4 N n 6) Discutir e concluir sobre os resultados 1) Varincia da mdia da amostra sistemtica de 50 unidades pelas expresses (varincias conhecidas)
VSist ( y1 ) = ( K (n 1) N 1 )V ( y ) Vd ( y ) N N
35,7 18,0 48,0 30,7 36,1 47,1 42,0 34,4 54,5 31,4 33,6 15,7 55,6 32,1 37,5 43,2 36,3 37,1 41,8 31,9 43,4 36,5 39,7 48,3 38,5 44,7 34,7 42,5 19,3 41,7 31,0 42,3 45,8 56,6 29,3
Tabela 6.2 - Dados da amostra sistemtica de tamanho n = 50.

26,4 32,4 43,0 32,3 51,2 68,1 37,6 32,5 57,0 40,4 17,4 35,4 34,7 29,9 41,0
Dado que:
K= N 1.000 = = 20 n 50
=1916
3 2
y
i =1
V ( y) = 137,7988( m / 0,25 ha)
127
Ento:
y
y1 =
i =1
1916 = 38,32 m3 / ha 50
VSist ( y1 ) =
1 .000 - 1 20 (50 - 1) 3 137 ,7988 138,9367 = 1,503 m / 0 ,25 ha 1 .000 1.000

K K
( yi ) 2
i =1
N-n VSist ( y1 ) = ( ) N
(yi - Y )
i= 1
K -1
( N - n) = N
yi2 i =1
K -1
Tabela 6.3 - Mdias das K = 20 amostras sistemticas.

35,690 40,464 37,042 38,828 38,140 38,448 39,274 35,342 38,266 37,648 37,22 39,66 37,596 39,196 38,134 38,244 38,844 37,99 39,144 36,946
Da Tabela 6.3 pode-se obter:
y
i= 1 K i =1
=762,116
2 i i
=29 .071,09696
Ento:
N -n N
y
)
i =1
( yi )
2 i
i =1
VSist ( y 1 ) = (
K K -1
=(
1.00 0 - 50 ) 1 .000
29.0 71,09 696 19
7 62,116 2 20 = 1, 503
VSist ( y1 ) = ( d Sist =
N -1 V ( y) ) [1 + ( n - 1)d Sis t ] N n
( K - 1) nQM Entre - ( Kn - 1)V ( y ) ( Kn - 1)( n - 1)V ( y)
128
Da Tabela 6.1 pode-se obter:

d Sist = (20 - 1)50 79,1053 - ( 20 50 - 1)137, 7988 - 62. 510, 9662 = ( 20 50 - 1)(50 - 1)137,7988 6.745.3 89, 059
d Sis t =
- 62.510,9662 = -0,009267214338 6 .745 .389,059
1 .000 - 1 137 ,7988 ) VSist ( y1 ) = ( [1 + (50 - 1)( -0,0092672143 8] 1 .000 50 VSist ( y1 ) = 1,5030 m 3 / 0 ,25 ha ) 2
Conclui-se que os resultados comprovam a semelhana das trs frmulas. 2) Varincia da mdia da amostra sistemtica de 50 unidades, analisada como inteiramente ao acaso (ASA) ( y ) = ( N n ) V ( y) V Sist 2 N n Pode-se obter da Tabela 6.2:
n
y
y2 =
i =1
n
n
1916 = 38,32 m 3 / ha 50
n
( yi ) 2
2 i
( y) = V
y
i =1
i =1
78.719,91 = 49
n -1
1916,32 50 = 107,6693 (m 3 / 0,25 ha ) 2
Ento:
( y ) = ( N - n ) V ( y ) = (1.000 - 50 ) 107,6693 = 2,0457 (m 3 / 0,25 ha ) 2 V 2 Sist N n 1.000 50
129
3) Varincia da mdia para as cinco amostras sistemticas com 10 unidades (Amostragem por conglomerados) Da populao de N = 1.000 foram selecionadas sistematicamente cinco amostras com 10 unidades. Neste caso K = 100.
Tabela 6.4 - Dados das cinco amostras sistemticas.
A1 47,1 31,0 42,0 42,3 34,4 45,8 54,5 56,6 31,4 29,3 41,44 95,47 A2 37,6 46,0 48,1 21,4 48,3 47,2 44,1 13,5 27,3 38,6 37,21 153,17 A3 26,6 52,6 39,9 34,9 40,5 24,7 46,1 35,0 69,6 33,9 40,38 174,76 A4 36,7 38,8 24,3 34,8 58,2 28,1 51,4 30,4 55,3 48,7 40,67 142,90 A5 48,9 72,2 34,3 50,6 35,7 37,2 58,1 35,8 46,5 53,0 47,23 146,78
1 2 3 4 5 6 7 8 9 10
yi
( y) V i
( y ) = (1 - f ) V1 ( y ) + f (1 - f ) V2 ( y ) V 3 1 1 2 k km
Sendo: m = 10 e k = 5.
k
y
y3 =
i =1
206,93 = 41,386 m 3 / ha 5
130
Tabela 6.5 - Anlise de varincia estimada por conglomerados.

CV Entre Dentro Total GL 4 45 49 SQ 531,1892 6417,6910 6948,8802 QM 132,7973 142,6154 141,8139
( y) = V 1
(y
i =1
y) 2 =
y
i =1
2 i
( y i ) 2
i =1
k 1
8.617,1239 4
k 1
( y) = V 1
206,93 2 5 = 13,27973 (m 3 / 0,25 ha) 2
Note-se que:
( y) = QM Entre = 132,7973 = 13,27973 ( m 3 / 0,25 ha ) 2 V 1 m 10 ( y ij - y i ) 2 i=1 j =1 k ( m - 1)
k m
( y) = V 2
= 142 ,616 (m 3 / 0 ,25 ha ) 2
V ( y )
i
(y) = V 2
i =1
= k
1 (95, 47 + 153,17 + 17 4, 76 + 142, 90 + 146,78) = 142, 616 5
Dado:
M = 50; K = 20; f1 = k = 5 = 0 ,25; f 2 = m = 10 = 0,5

K 20 M 50
131
Ento:
( y ) = (1 - 0,25) 13,27973 + 0,25(1 - 0,5) 142,6154 = 2,3485 (m 3 / 0,25 ha ) 2 V 3 5 10 5
4) Varincia da mdia para as cinco subpopulaes com 10 subparcelas (Amostragem por conglomerados) A populao de N = 1.000 foi dividida em K = 20 subpopulaes de 50 unidades e numeradas de 1 a 20. Foram selecionadas as subpopulaes: 2, 6, 10, 14 e 18 e dentro de cada foram retiradas sistematicamente 10 unidades. ( y ) = (1 - f ) V1 ( y ) + f (1 - f ) V2 ( y ) V 4 1 1 2 k km
Tabela 6.6 - Dados considerando cinco subpopulaes.
A1 24,5 17,4 22,6 31,5 50,0 35,7 43,9 41,7 20,3 47,1 33,47 141,63 A2 23,8 35,4 46,2 49,6 60,3 18,0 42,8 28,8 40,0 42,0 38,69 158,93 A3 40,6 34,7 44,3 32,1 44,4 48,0 33,8 30,3 28,4 34,4 37,10 45,23 A4 34,0 29,9 38,1 28,9 28,4 30,7 21,8 26,7 38,7 54,5 33,17 82,16 A5 39,6 41,0 49,5 16,5 51,4 36,1 29,3 48,7 42,5 31,4 38,6 115,51
1 2 3 4 5 6 7 8 9 10
yi
( y) V i
132
Tabela 6.7 - Anlise de varincia estimada por conglomerados.

Dado: k = 5 e m = 10. Da Tabela 6.6, tem-se:

n
y
y4 =
i =1
km
1810 ,3 = 36,206 m 3 / ha 50
k k i
( yi ) 2
2 i
(y
( y) = V 1
i =1
- y)
y
=
i =1
i=1
k -1
k -1
6. 583, 7759 ( y) = V 1 4
181, 03 2 5 = 7,3509 ( m 3 / 0, 25 ha) 2
Observar, considerando as aproximaes, que:

( y ) = Q M Entre = 73, 531 = 7,3531 (m 3 / 0, 25 ha ) 2 V 1 m 10
( yij - y i ) 2
(y) = V 2
i=1 j =1
k (m - 1)
= 108,69 ( m 3 / 0 ,25 ha ) 2
V ( y)
i
2 ( y) = V
i =1
1 = (141,63 + 158,93 + 45,23 + 82,16 + 115,51) = 108,69 5
133
Dado:
M = 50 , K = 20
f1 = k 5 m 10 = = 0,25 e f 2 = = = 0 ,5 . Ento: K 20 M 50
( y4 ) = (1 - 0 ,25) 7,3531 + 0 ,25 (1 - 0,5 ) 108 ,692 = 1,3747 ( m 3 / 0, 25 ha ) 2 V 5 10 5
5) Varincia da mdia da amostra aleatria de 50 unidades ( y ) = ( N n ) V ( y) V Asa 4 N n

Tabela 6.8 - Dados da amostra aleatria de tamanho n = 50.
28,2 32,3 26,7 45,5 38,2 38,5 22,4 37,2 36,3 38,4 25,7 47,6 21,4 39,3 34,8 23,8 38,8 43,0 30,1 51,0 32,7 26,7 23,8 64,2 37,6 21,1 36,9 38,2 34,2 23,4 41,1 26,7 50,5 61,0 24,0 54,5 36,2 26,2 47,6 30,7 24,9 30,9 27,3 32,5 19,3 24,2 15,9 16,6 46,5 54,5
Considerando os dados da Tabela 6.8, tem-se:

y Asa = 1729,1 = 34,582 m 3 / ha 50
n n
( y i ) 2
2 i
y
( y) = V
i= 1
i =1
66.096,01 = 49
n -1
1729,12 50 = 128,5770
Portanto:
( y ) = ( N - n ) V ( y ) = 1000 - 50 128,5770 = 2,4430 (m 3 / ha ) 2 V 4 Asa N n 1000 50
134
6) Discutir e concluir sobre os resultados

Tabela 6.9 - Mdias e varincias da mdia considerando os cinco casos.
Casos 1 2 3 4 5 Procedimentos Varincias conhecidas Anlise como ASA Conglomerados Conglomerados (Subpopulaes) Amostra aleatria Mdias 38,32 38,32 41,39 36,21 34,58 Varincias da mdia 1,5030 2,0457 2,3485 1,3747 2,4430
Este exemplo foi planejado a partir de uma populao conhecida, para:

Y = 38,11 m 3 / 0 ,25 ha
V ( y) = 137,7988 (m3 / ha)2

Vd ( y ) = 138 ,9367 (m 3 / ha )2
Sendo a varincia da mdia populacional para a amostra de 50 unidades igual a 1,5030, verifica-se que a anlise por conglomerados apresentou o valor mais prximo (1,3747). A amostra aleatria apresentou o maior valor (2,4430), sendo 62,54 % maior que 1,5030. Este resultado devido existir maior heterogeneidade entre as unidades dentro das amostras sistemticas, o que denota uma maior preciso em relao amostra simples ao acaso, ou seja: Vd ( y ) > V ( y ) . Conclui-se, neste caso, que o uso da amostragem sistemtica mais recomendvel.
135
Captulo 7
ESTIMATIVAS POR RAZO
Define a estimativa por razo descrevendo os parmetros populacionais e os seus estimadores, assim como mostra sua importncia na aplicao em inventrios florestais apresentando casos em que comum obter a estimativa de uma varivel resposta associada a uma varivel auxiliar. Apresenta as metodologias para obter as estimativas por razo com igual probabilidade; com probabilidade proporcional varivel auxiliar; com amostragem inversa com probabilidade proporcional varivel auxiliar. Aborda a estimativa por razo considerando a amostragem estratificada. Trata do uso da dupla amostragem com fases dependentes para melhorar a preciso da estimativa. Aborda como comparar dois ndices ou duas razes. Mostra vrios exerccios aplicativos comparando vrias alternativas de anlise em inventrios florestais.
Estimativa por razo
Nos levantamentos por amostragem, geralmente, ocorrem casos em que h a necessidade de se obter a estimativa da relao entre duas variveis aleatrias y e x, normalmente correlacionadas para cada unidade de amostra. Pode-se, tambm, obter a estimativa de uma varivel y associada varivel x, podendo acontecer que x seja a mesma caracterstica y medida em uma ocasio anterior. O interesse da aplicao da estimativa por razo obter as informaes seguintes: entre as variveis y e x; a) a estimativa da razo R b) a estimativa da mdia por razo ( y R ), obtida atravs de uma varivel auxiliar x; ), c) a estimativa do valor total da populao por razo ( Y R obtida atravs de uma varivel auxiliar x. O objetivo mais importante do emprego da estimativa por razo obter maior preciso no clculo das estimativas dos parmetros utilizando o grau de correlao existente entre y e x, principalmente quando os valores de yi e xi no sofrem grandes variaes entre as unidades de amostra, e o tamanho da amostra superior a 30 unidades. 7.1 EstimativaS por razo com igual probabilidade a) estimativa da varincia de Para formular os parmetros e estimadores, utilizar-se- a seguinte notao: Y = valor mdio populacional da varivel de interesse y; y = valor mdio amostral da varivel de interesse y; Y = valor total populacional da varivel de interesse y; = valor total amostral da varivel de interesse y; Y X = valor mdio populacional da varivel auxiliar x;
139
= estimativa do valor total da populao por razo da Y R varivel de interesse y. Seja a frmula do valor populacional da razo entre as variveis y e x e do seu estimador, respectivamente: Y Y =X =x. R= = ; R y X X Y Sob o ponto de vista terico, o mtodo da estimativa por um razo apresenta o inconveniente de que a estimativa R quociente entre duas variveis aleatrias, tornando a sua distribuio desconhecida e complexa. No obstante, Cochran (1977) cita que para pequenas amos uma estimativa assimtrica, onde R tras a distribuio de R tendenciosa de R. Entretanto, para grandes amostras (n >30), a tende distribuio normal, tornando a tendistribuio de R dncia estatstica praticamente desprezvel. O ideal que o valor mdio populacional X da varivel auxiliar seja conhecido. R . Ento: R R = y R = yRx . Seja o desvio R x x Considerando para fins aplicativos que x = X . Ento: R yRx R X Queiroz (1998) citou que, geralmente, em inventrios de florestas naturais se desconhece o valor mdio X populacional da varivel auxiliar, sendo mais provvel conhec-lo para florestas plantadas, recomendando, ento, para fins aplicativos,
se y;
x = valor mdio amostral da varivel auxiliar x; X = valor total populacional da varivel auxiliar x; = valor total amostral da varivel auxiliar x; X y R = estimativa da mdia por razo da varivel de interes-
140
Estimativa por razo
tomar X = x para grandes amostras (n >30), desde que no haja heterogeneidade entre os valores dos coeficientes de variao X = x e y R(<10%). de ) = E(R R) 2 , portanto: Da definio de varincia V ( R ) E ( y Rx ) 2 = 1 E ( y Rx ) 2 V (R X X2 Dado que:
yRx =
y i R xi
i =1 i =1
( y i R xi )
i
d
i =1
= d , para d i = yi R xi
Se d i = y i R xi , logo:
V (d i ) =
(d
i =1
D) 2
N 1
Como E (d ) = E ( y R x ) = Y RX = D = 0, . ento:
V (d i ) =
d i2
i =1
N 1
n i
(y
i =1
R xi ) 2
N 1
Se d =
d
i =1
, ento:
N 2
( yi - R xi ) N - n V (d i ) N - n i=1 V( d ) = ( ) ) =( N n Nn N -1
2 ) ]2 , mas como: Dado que V (d ) = E [d E (d )]
E (d ) = E ( x R y ) = Y RX = 0 , tem-se:
141
V (d ) = E (d ) 2 = E ( y Rx ) 2 ) Dado que V ( R 1 E ( y Rx ) 2 , ento: 2 X

N 2
( yi - R xi ) 1 N-n i =1 V ( R) @ 2 V (d ) = ( ) X nNX 2 N -1
Sendo sua estimativa dada por:

(R ) = ( N - n ) V nNX 2
2 x i yi + R 2 xi2 yi - 2 R i =1 i =1 i= 1 n n n
n -1
Esta expresso tambm pode ser escrita da seguinte forma: (R ) = ( N - n )[V ( y) + R 2V (x ) - 2R V ( x, y )] V 2 nNX Tal que:
n n n n
( xi ) 2
2 i=1
( yi ) 2
2 i
( x) = V
xi i=1
n
n
n -1
n
( y) = ;V
n i =1
y
i =1
i =1
n -1
( xi )( y i )
i i
x y
( x, y ) = V
i =1
i =1
n n -1
( x, y) a covarincia entre x e y . V
b) intervalo de confiana para a razo (R) Para o caso de grandes amostras (n > 30) e admitindo-se que tem distribuio normal, o intervalo de confiana dado por: R
142
Estimativa por razo
t a s( R )] , onde s (R ) = V (R ) . IC = [ R
2
c) estimadores da mdia, do total e suas varincias Conhecida a mdia populacional X da varivel auxiliar possvel, atravs da estimativa por razo, obter a estimativa do valor total e do valor da mdia da populao para a varivel resposta de interesse y. = Y = y , ento y = R ( y ) = X 2V (R ) X e V Dado que R . ). R R x X Assim como:
=R X = R NX e V (Y ) = N 2 X 2V (R ) Y R R
d) intervalo de confiana para a mdia Y e para o valor total Y Considerando grandes amostras (n > 30) e admitindo-se tem distribuio normal, tm-se: que R
t s( R )] IC = y R t a s( y R ) = X [R a
2 2
t s (Y ) = N [ y t s ( y )] = N X [ R t s( R )] IC = Y R a R R a R a
2 2 2
Exerccio 7.1 Seja o inventrio florestal de uma rea de 3.574,00 ha pertencente Fazenda Santa Lcia, localizada no municpio de Pau Darco, estado do Par, realizado por Borges (1990) e analisado
143
por Queiroz (1998). Os dados foram obtidos atravs da medio de 30 unidades de uma amostra simples ao acaso e mostrados na Tabela 7.1. A estrutura da unidade de amostra apresentou uma forma retangular de 10 m de largura e 250 m de comprimento, onde foram mensuradas todas as rvores com DAP 45 4 5 cm. Analisar os dados atravs da amostragem por razo com igual probabilidade (AIP).
Tabela 7.1 - Estimativa por razo com igual probabilidade (AIP).
UA 1 2 3 4 5 6 7 8 9 10 xi 6 4 4 5 9 8 5 4 8 5 yi 13,0 16,1 9,7 20,1 29,6 23,4 21,9 17,5 22,1 12,8 UA 11 12 13 14 15 16 17 18 19 20 xi 5 4 6 9 5 5 3 5 4 7 yi 16,5 17,1 17,6 24,0 16,7 21,9 10,4 10,0 14,5 29,7 UA 21 22 23 24 25 26 27 28 29 30 xi 10 7 8 6 6 8 8 6 9 7 yi 30,5 14,7 19,0 19,7 18,4 25,4 18,6 18,9 28,3 22,0
a) informaes iniciais sobre volume e nmero de rvores na amostra
yi = volume em m3/0,25 ha xi = nmero de rvores/0,25 ha

30
y
i= 1
= 580,10 m3;
30
x
i= 1
= 186 rvores
a1) valor mdio para a varivel auxiliar nmero de rvores

30
x=
xi i=1 30
186 = 6 ,2 rvores / 0 ,25 ha 30
144
Estimativa por razo
a2) valor mdio para a varivel de interesse (volume)

30
y=
yi i=1 30
580,10 = 19,3367 m3 / 0, 25 ha 30
Portanto:
y = 77,3467 m 3 / ha
b) estimativa da razo = y = 580,10 = 3,1188 m 3 / rvore R x 186 c) clculo da estimativa da varincia de R Dado que: N = 3574 / 0,25 = 14.296
n n
( yi ) 2
i =1
( y) = V
yi2 i =1
n
n
12.164,77 = 29
n -1
n
580,10 2 30 = 32,6748
( xi ) 2
i=1
( x) = V
x2 i i= 1
n
n
n -1
n
186 1 .254 ,0 30 = 3,4759 = 29

n
( x i )( yi )
i= 1 i=1
( x, y ) = V
xi yi i =1
n n -1
3 .830,8 =
186 580 ,10 30 = 8,0752 29
Ento:
(R ) = ( N - n )[V ( y) + R 2V ( x ) - 2R V ( x, y )] V 2 nNX

V ( R) = (

14.296 - 30 )(32,6748 + 3,1188 2 3,4759 - 2 3,1188 8,0752) 30 14.296 6,2 2
145
V ( R) = 0,01394458 ( m3 / rvore) 2
N florestal -n Amostragem em inventrio (R ) = ( V

nNX
( y) + R 2V ( x ) - 2R V ( x, y )] )[V
V ( R) = (

14.296 - 30 )(32,6748 + 3,1188 2 3,4759 - 2 3,1188 8,0752) 30 14.296 6,2 2
V ( R) = 0,01394458 ( m3 / rvore) 2
Considerando o desconhecimento do valor populacional do nmero de rvores X , utilizou-se X = x = 6,2 rvores / 0,25 ha. 0,2 5 h a d) estimativa do erro padro de R
) = V (R ) = 0,013944584 = 0,1181 m 3 / rvore s( R
e) intervalo de confiana para R Seja t = 2,0452 o valor da distribuio de Student com 29 graus de liberdade para o nvel de significncia a=0,05. Ento: Limite inferior
t s( R ) = 3,1188 2,0452 0,1181 = 2,8773 m 3 / rvore R
Limite superior + t s( R ) = 3,1188 + 2,0452 0,1181 = 3,3603 m 3 / rvore R Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor verdadeiro ou paramtrico da razo encontra-se no intervalo de 2,8773 a 3,3603.
(y ) f) estimativa da mdia do volume y R e sua varincia V R
X = 3,1188 6,2 = 19 ,34 m 3 / 0 ,25 ha , tal que: y = 77,35 m 3 / ha yR = R R (yR) = X 2 V (R ) = 6,2 2 0,01394458 = 0,536029655 (m3 / 0,25 ha ) 2 V ( yR ) = 42 0,5014 = 8,576474 (m3 / ha) 2 V
146
Estimativa por razo
Adotou-se:
X =x = 186 = 6 ,2 rvores / ha 30
g) erro padro da mdia

( y R ) / ha = 2,928562 m 3 / ha s( y R ) = V
e sua varincia V (Y ) h) estimativas do total Y R R

=R NX = 3,1188 14.296 6, 2 = 276 .435, 4618 m 3 Y R
(Y ) = N 2 X 2V (R ) = 14 .296 2 6 ,2 2 0,01394458 = 109 .551 .391,0 ( m 3 )2 V R
i) erro padro do total

)= V (Y ) = 10. 466,68 m 3 s(Y R R
j) intervalo de confiana para o valor mdio Y Limite inferior/ha

yR - t s (y R ) = 77,35 - 2,0452 2,928562 = 71,36 m3 / ha
Limite superior/ha
y R + t s ( y R ) = 77,35 + 2,0452 2,928562 = 83,34 m 3 / ha
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional encontra-se no intervalo de 71,36 m3/ ha a 83,34 m3/ ha. k) intervalo de confiana para o valor total Y Limite inferior - t s (Y ) = 276.435, 46 - 2,0452 10.466,68 = 255 .029,01 m 3 Y R R
147
Limite superior
+ t s (Y ) = 276 .435 , 46 + 2 ,0452 10 .466 ,68 = 297 .841,91 m 3 Y R R
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional encontra-se no intervalo de 255.029,01 m3/ ha a 297.841,91 m3/ ha. l) limite de erro para a estimativa por razo
LE R = t s( y R ) yR 100 = 2 ,0452 2,928562 100 = 7,74 % 77,35
m) clculo da varincia da mdia sem considerar a varivel auxiliar (nmero de rvores)

( y ) = V ( y ) ( N - n ) = 32 ,6748 ( 14 .296 - 30 ) = 1,0869 (m3 / 0,25 ha ) 2 V n N 30 14 .296 ( y ) = 17,39 (m 3 / ha ) 2 V ( y ) / ha = 17,39 = 4 ,1701 m 3 / ha s ( y) / ha = V
n) limite de erro sem considerar a varivel auxiliar (nmero de rvores)

LE SV = t s( y ) 2,0452 4,1701 100 = 100 = 11,03 % y 77 ,35
o) estimativa da eficincia da estimativa por razo Considerando a definio de eficincia como o quociente entre o limite de erro sem considerar a varivel auxiliar nmero de rvores e o limite de erro estimado pelo mtodo da razo, tem-se:
Ef = LESV LER = 11,03% = 1,42 46 7 ,74 %
148
Estimativa por razo
Os resultados mostram um limite de erro de 11,03 %, no considerando na anlise a varivel auxiliar nmero de rvores por parcela. Este limite de erro corresponde a um valor 42,46 % maior que o estimado pelo mtodo por razo (7,74 %), demonstrando que esta estimativa apresenta uma eficincia superior quela. Dado que:
LE ( yR ) < LESV ( y ) , ou seja,
LE ( y R ) =
LE SV ( y ) 1, 4246
7.2 EstimativaS por razo considerando probabilidade proporcional (aap) varivel auxiliar (x) Considera-se na seleo de uma amostra, normalmente, que todos os elementos da populao sejam igualmente provveis de serem escolhidos. Na estimativa por razo, em alguns casos, usual selecionar a amostra com probabilidade proporcional aos valores da varivel auxiliar x. Neste mtodo, o peso de cada elemento considerado na seleo, visto que a ocorrncia dos mesmos no igualmente provvel. Este procedimento produz estimativas no tendenciosas para mdia, valor total e suas respectivas varincias. No h correo para populao finita por tratar-se de uma amostragem com reposio.
= Seja R
Ri
i =1
o estimador no tendencioso de R =
R
I =1
, que uma mdia Convm salientar que a razo mdia R . Ou ponderada dos Ri = yi xi , difere da mdia das razes R seja:
149

N
= R
x R
I =1 n i
x
i =1
R
( Ri ) 2
i =1 n
(R ) = Dado que V i
(R
I =1
)2 R =
R
i =1
2 i
n 1
n
n 1
. Ento:
(R ) )=V i (R V n
= A partir da estimativa R
R
i =1
, pode-se obter:
; Y X e suas respectivas varincias: = N y = NR yR = X R R R
) ) (Y ) = N 2V ( y ) = N 2 X 2V ( R ( y ) = X 2V ( R V ; V R R
Exerccio 7.2 Seja uma rea florestal populacional de 100 ha com ocorrncias de 405 rvores matrizes. O objetivo monitorar a produo de sementes de uma determinada espcie florestal. A rea est subdividida em 100 subreas (Unid) de 1 ha. As 405 matrizes da espcie em estudo esto perfeitamente localizadas em um mapa logstico. A Tabela 7.2 apresenta os dados: nmero de rvores por unidade de 1 ha (x) e a numerao sequencial para as 405 rvores. A Tabela 7.3 apresenta os dados sobre a produo de semente em kg por Unid para uma amostra de 50 rvores. Analisar os dados atravs da amostragem com Probabilidade Proporcional x (APP).
150
Estimativa por razo
Tabela 7.2 - Nmero de rvores para as 100 unidades de 1 ha (Unid).

Unid 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 x 4 4 3 3 7 5 3 4 3 4 4 3 5 6 2 5 4 4 5 3 4 4 3 5 3 5 4 4 3 4 4 5 3 Num 1a4 5a8 9 a 11 12 a 14 15 a 21 22 a 26 27 a 29 30 a 33 34 a 36 37 a 40 41 a 44 45 a 47 48 a 52 53 a 58 59 a 60 61 a 65 66 a 69 70 a 73 74 a 78 79 a 81 82 a 85 86 a 89 90 a 92 93 a 97 98 a 100 101 a 105 106 a 09 110 a 113 114 a 116 117 a 120 212 a 124 125 a 129 130 a 132 Unid 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 x 2 3 4 4 4 7 4 3 4 5 4 7 4 4 3 2 3 4 5 4 5 4 4 5 6 4 3 1 6 5 4 4 3 Num 133 a 134 135 a 137 138 a 141 142 a 145 146 a 149 150 a 156 157 a 160 161 a 163 164 a 167 168 a 172 173 a 176 177 a 183 184 a 187 188 a 191 192 a 194 195 a 196 197 a 199 200 a 203 204 a 208 209 a 212 213 a 217 218 a 221 222 a 225 226 a 230 231 a 236 237 a 240 241 a 243 244 245 a 250 251 a 255 256 a 259 260 a 263 264 a 266 Unid 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 x 4 5 4 3 6 5 2 5 3 4 4 5 2 4 3 3 5 5 5 3 3 4 4 6 6 2 7 2 5 3 4 6 3 4 Num 267 a 270 271 a 275 276 a 279 280 a 282 283 a 288 289 a 293 294 a 295 296 a 300 301 a 303 304 a 307 308 a 311 312 a 316 317 a 318 319 a 322 323 a 325 326 a 328 329 a 333 334 a 338 339 a 343 344 a 346 347 a 349 350 a 353 354 a 357 358 a 363 364 a 369 370 a 371 372 a 378 379 a 380 381 a 385 386 a 388 389 a 392 393 a 398 399 a 401 402 a 405
151
Tabela 7.3 - Produo em kg de sementes (yi) por Unid amostrada.
rvore 24 36 37 39 49 91 111 120 127 128 136 138 144 148 153 165 175 189 199 200 203 208 229 233 240 Total
Unid 6 9 10 10 13 23 28 30 32 32 35 36 37 38 39 42 44 47 50 51 51 52 57 58 59
xi 5 3 4 4 5 3 4 4 5 5 3 4 4 4 7 4 4 4 3 4 4 5 5 6 4
yi 16,15 10,53 8,50 8,50 11,90 9,07 13,23 11,48 14,71 14,71 10,95 15,31 11,26 11,73 16,42 12,57 10,88 13,03 11,11 10,28 10,28 13,14 13,44 14,14 15,40
Ri =
yi xi
rvore 254 261 262 276 278 279 285 288 291 293 297 303 312 323 325 334 336 349 362 371 372 376 394 398 400
Unid 63 65 65 69 69 69 71 71 72 72 74 75 78 81 81 84 84 87 90 92 93 93 98 98 99
xi 5 4 4 4 4 4 6 6 5 5 5 3 5 3 3 5 5 3 6 2 7 7 6 6 3 223
yi 12,20 12,58 12,58 13,13 13,13 13,13 14,39 14,39 14,58 14,58 14,14 11,94 12,37 11,03 11,03 12,71 12,71 8,93 15,75 10,71 15,01 15,01 13,76 13,76 8,19 630,46
Ri =
yi xi
3,23000 3,51000 2,12500 2,12500 2,38000 3,02333 3,30750 2,87000 2,94200 2,94200 3,65000 3,82750 2,81500 2,93250 2,34571 3,14250 2,72000 3,25750 3,70333 2,57000 2,57000 2,62800 2,68800 2,35667 3,85000
2,44000 3,14500 3,14500 3,28250 3,28250 3,28250 2,39833 2,39833 2,91600 2,91600 2,82800 3,98000 2,47400 3,67667 3,67667 2,54200 2,54200 2,97667 2,62500 5,35500 2,14429 2,14429 2,29333 2,29333 2,73000 146,9990
) a) mdia das razes ( R

= R Ri i=1 n
n
146,9990 = 2,94 kg / rvore 50
152
Estimativa por razo
b) varincia de R
n = n -1 (R ) 0,3735 ) = V i (R V = = 0,00746987 (kg / rvore)2 n 50 (R ) = V i

i =1
Ri2 -
( Ri )2
i= 1
450,4753 -
146,999 2 50 = 0,3735 ( kg / rvore )2 49
c) intervalo de confiana para R =

)= V ) = 0,0864 kg / rvore (R s( R t s (R ) = 2 ,94 2,01 0 ,0864 IC = R
R
I =1
2,7663 kg / rvore R 3,1137 kg / rvore
Pode-se afirmar, com uma probabilidade de acerto de 95%, que a razo populacional (R) encontra-se no intervalo de 2,7663 kg/rvore a 3,1137 kg/rvore. d) valor mdio para a produo de semente por ha
yRAPP = X R = 4,05 2,94 = 11,907 kg / ha
Sendo:
N
x
X =
i =1
405 = 4, 05 rvores 100
e) varincia do valor mdio para a produo de semente por ha

2 2 2 (y V )= X V ( R ) = 4, 05 0, 00746987 = 0,12252454 ( kg / ha ) RAPP
153
f) intervalo de confiana para o valor mdio para a produo de sementes

( y s( y RAPP ) = V RAPP ) = 0,1225 = 0,3500 kg / ha
IC = y RAPP t s ( y RAPP ) = 11,907 2,01 0 ,3500 11,2035 kg / ha Y 12 ,6105 kg / ha
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional de produo de sementes encontra-se no intervalo de 11,2035 kg / ha a 12,6111 kg / ha. g) estimativa para o total da produo total de sementes
Y R APP = N yR APP = N X R = 100 4 , 05 2, 94 = 1 . 190 , 7 kg
h) varincia para o valor total da produo total de sementes

(Y ( R ) = N 2V ( y V ) = N2X 2V ) = 100 2 4,05 2 0,00746987 RAPP RAPP (Y RAPP ) = 1.225,2339 kg 2 V RAPP ) = V (Y RAPP ) = 1.225,2339 = 35,00 kg s( Y
i) intervalo de confiana para o valor total da produo total de sementes

IC = Y RAPP t s( YRAPP ) = 1 . 190, 7 2, 01 35 1 .120,35 kg Y 1.261,05 kg
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional de produo de sementes encontra-se no intervalo de 1.120,35 kg a 1.261,05 kg.
154
Estimativa por razo
j) discusso e concluso Verifica-se, atravs da Tabela 7.3, que as 50 rvores sorteadas esto inseridas em 38 unidades (Unid), o que significa reduo nos deslocamentos e diminuio nos custos do levantamento. A amostra estudada de 38 Unid (50 rvores) foi retirada de uma populao simulada com vetor de mdias Yv e matriz de covarincias .
Resultando a matriz de correlaes correspondente (Corr)

0,7094 1 C orr = 1 0,7094
Considerando a amostra de 50 rvores, sejam os resultados amostrais para o vetor de mdias, matrizes de covarincias e de correlaes:
Verifica-se que o valor mdio verdadeiro Y = 1 2 12,081 ,081 est contido no intervalo de confiana kg/ha 12,6105 (1(11,2035 ,2035 k g /h a Y 1 2 ,6105 kg/ha k g /h a).) .
155
7.3 EstimativaS por razo: amostragem inversa com probabilidade proporcional varivel auxiliar x (aipp). O processo da estimativa por razo com amostragem inversa com probabilidade proporcional varivel auxiliar x uma variao metodolgica da estimativa por razo com probabilidade proporcional varivel auxiliar (AAP). No processo da estimativa por razo com probabilidade proporcional varivel auxiliar (AAP) quando o tamanho da amostra n relativamente grande em relao ao tamanho da populao N, na seleo da amostra, pode no ocorrer n unidades distintas. No exerccio 7.2, tal que N = 100, verificou-se 38 unidades distintas para 50 rvores. Obviamente, a repetio de unidades na amostra diminuir o custo do levantamento. Entretanto, para o caso de n ser relativamente grande em relao a N, pode-se, dentro dessa concepo estrutural, sortear tantas unidades necessrias, at atingir n+1 unidades distintas. A amostra ser constituda pelas n unidades distintas, desprezando-se a ltima unidade sorteada. Este processo denominado de Amostragem Inversa com Probabilidade Proporcional varivel auxiliar x (AIPP). No exemplo aplicativo anterior, supondo que o desejo do planejador ter n = 40, ento seria necessrio continuar o sorteio at conseguir mais trs unidades distintas das 38 j sorteadas. A ltima seria descartada. Estabelecidas as n unidades distintas, a anlise estatstica da AIPP ser anloga APP, j abordada anteriormente.
156
Estimativa por razo
7.4 Estimativas por razo considerando a amostragem estratificada Na amostragem estratificada, considerando que os estratos so independentes, existem dois procedimentos distintos para estimar a mdia e o valor total atravs da estimativa por razo. 1) Efetuar as estimativas dentro de cada estrato. 2) Efetuar a estimativa considerando todos os estratos globalmente. 1) Efetuar as estimativas dentro de cada estrato Seja L o nmero de estratos, ento:
= y h , onde h = 1, L , L . R h xh
Sejam as estimativas do valor mdio e do total:
=N y =N X R e Y yRh = X h R h Rh h Rh h h h = X h Rh
Sendo:
X h = Nh Xh
Consequentemente:
y Re st = Wh y R h
h =1 L
Re = N y Re = N Y st st
L L Nh X R = X R = N h h h h Y h h =1 h =1 h =1
157
Considerando que a amostra dentro de cada estrato seja relativamente grande, tem-se:
(R ) = ( N h - nh ) V h nh N h X h2
Tal que:
2 x y +R 2 x2 -2R yhi h hi hi h hi i =1 i =1 i =1
nh
nh
nh
nh - 1
L
(y ) = X 2 V ( R )e V ( y ) = W 2 V (y ) V Rh h h Re st h Rh
h =1
Assim como:
(Y ) =N2V ( y ) V Rh h Rh
(Y R ) = V Da, como os estratos so independentes: V (YRh ).
h =1 L
2) Efetuar a estimativa considerando todos os estratos globalmente Dado que:

y est = Wh y h ; xest = Wh xh
h =1 L
h =1
Determina-se a razo combinada ou ndice combinado que o quociente entre a mdia estratificada da varivel resposta de interesse y e mdia estratificada da varivel resposta auxiliar x (covarivel): = yest R C xest
Resultando: y RC = X R RC
158
Estimativa por razo
Para grandes amostras, tem-se:

L (R ) = ( N h - nh ) V RC 2 h = 1 nh N h X h 2 2 y - 2R RC x hi y hi + R RC xhi 2 hi i= 1 i =1 i= 1 nh nh nh
nh - 1
Sendo:
( yRC ) = X 2 V ( R RC ) V = NX R = XR ; X = NX Y RC C C
(Y )= X2V (R ) V RC RC
Exerccio 7.3 Seja uma rea florestal de 10.000 ha, onde, atravs de tcnicas de interpretao de imagens fotogrficas, foram detectados trs estratos, a saber: Estrato I (floresta alta sem babau) = 2.000 ha; Estrato II (floresta alta com babau) = 5.000 ha; Estrato III (floresta baixa cipolica) = 3.000 ha. Atravs da amostra simples ao acaso, foram selecionadas nos estratos as seguintes quantidades de unidades de amostra: n1 = 13; n 2 = 15 e n3 = 11. A estrutura da unidade amostral apresentou uma forma retangular de 10 m de largura e 250 m de comprimento, onde foram mensuradas todas as rvores com DAP 45 cm. A Tabela 7.4 apresenta os dados (simulados) por estrato para os volumes e nmero de rvores por parcela de 0,25 ha. Analisar os dados considerando: 1) as estimativas dentro de cada estrato;
159
2) as estimativas considerando todos os estratos globalmente; 3) estimativas desconsiderando a varivel auxiliar x (nmero de rvores); 4) discutir e concluir sobre os resultados.
Tabela 7.4 - Amostra estratificada por razo: m3 / 0,25 ha.
EST I y 21,10 34,00 18,00 20,00 55,00 23,42 40,50 17,44 22,12 25,00 31,20 17,05 24,10 x 8 15 8 8 22 9 15 8 10 10 13 6 9 y 12,90 17,00 9,50 20,00 30,10 23,42 21,10 17,44 22,12 12,00 16,50 17,05 24,10 16,71 21,80 EST II x 5 6 4 5 11 6 8 6 8 4 6 6 9 6 7 y 8,10 12,00 9,50 14,50 18,17 21,10 10,80 7,50 6,50 12,50 5,20 EST III x 3 3 4 5 6 7 3 3 2 4 2
1) Efetuar as estimativas dentro de cada estrato a) informaes gerais sobre os dados

W1 = 2 .000 ha 5 .000 ha 3.000 ha = 0,2 ; W2 = = 0 ,5 ; W3 = = 0,3; 10.000 ha 10.000 ha 10 .000 ha
160
Estimativa por razo
N1 =
2.000 ha 5.000 3 .000 ha = 8 .000 ; N 2 = = 20.000 ; N 3 = = 12.000; 0,25 ha 0,25 ha 0 ,25 ha

n1
y
y1 =
i =1
i1
n1
348,93 = 26,8408 m3 / 0,25 ha 13 281,74 = 18,7827 m 3 / 0,25 ha 15 125,87 = 11,4427m 3 / 0,25 ha 11
y
y2 =
i =1
n2
i2
n2
n3
y
y3 =
i =1
i3
n3
x
x1 =
i =1
n1
i1
n1
n2
141 = 10,8462 rvores / 0, 25 ha 13
x
x2 =
i= 1
i2
n2
n3
97 = 6,4667 rvores / 0,25 ha 15 42 = 3,8182 rvores / 0,25 ha 11
x
x3 =
i =1
i3
n3
por estrato b) estimativa da razo R

= y1 = 26,8408 = 2,4747 R 1 x1 10,8462 = y 2 = 18 ,7827 = 2 ,9045 R 2 x2 6,4667 = y3 = 11,4427 = 2,9969 R 3 x3 3,8182
161
c) estimativas para os valores mdios por razo por estrato
1 = 10,8462 2,4747 = 26,8411 m3 / 0,25 ha y R1 = X 1 R = 6,4667 2,9045 = 18,7825m3 / 0,25 ha y R2 = X 2 R 2 3 = 3,8182 2,9969 = 11,4428 m3 / 0,25 ha y R3 = X 3 R
Devido ao desconhecimento dos valores populacionais, considerou-se: x1 = X 1 ; x2 = X 2 ; x3 = X 3 . d) estimativas para os valores totais por razo por estrato
= N y = 8.000 26,841091 = 214.728 ,73 m3 Y R1 1 R1
= N y = 20.000 18,782530 = 375.650,60 m3 Y R2 2 R2

= N y = 12 .000 11,442764 = 137 .313 ,16 m3 Y R3 3 R3
e) mdia estratificada por razo

y Rest = W h y Rh
h =1 L
y Rest = 0, 2 26,841091 + 0, 5 18, 782530 + 0,3 11, 442764 = 18,1923 m 3 / 0,25 ha Rest = N y Rest = 40.00 0 18,192 312 = 727 .692, 48 m 3 Y
f) varincia dos R h
Considerando: X 1 = x1 ; X 2 = x2 ; X 3 = x3 , tm-se:
(R 1 ) = ( N1 - n1 ) V n1 N1 X 12
1 x1i y1i + R 12 x12i y12i - 2 R

i =1 i =1 i= 1
n1
n1
n1
n1 -1
162
Estimativa por razo
(R 1 ) = ( V
8 .000 - 13 10 .802 ,36 - 2 2,4 747 4346, 6 + 2, 4747 2 1757 2) 13 8 .000 10,8462 12
(R ) = 0 ,0026881108 71 V 1
(R ) = ( N 2 - n2 ) V 2 2 n2 N 2 X 2
y
i=1
n2
2 2i
2 2 x 2i y 2i + R 2 - 2R x22i i= 1 i= 1
n2
n2
n2 - 1
20 .000 - 15 5 .681,05 - 2 2,9045 1.945,6 + 2 ,9045 2 677 (R 2 ) = ( ) V 2 15 20 .000 6,4667 14 (R ) = 0 ,01027637 V

2
(R 3) = ( N3 - n3 ) V 2 n3N 3X 3
(R )=( V 3
2 2 2 y3 i - 2 R 3 x 3i y 3i + R 3 x 3i i =1 i= 1 i =1
n3
n3
n3
n3 - 1
2
12 .000 - 11 11 12.000 3, 8182
1.683,90 - 2 2,9969 55 5, 8 + 2, 9969 2 18 6 10
(R ) = 0 ,014384036 V 3
g) varincia da mdia por estrato

(y ) = X 2V (R ) = 10 ,8462 2 0,0026881108 71 = 0 ,316229509 ( m 3 / 0,25 ha ) 2 V R1 1 1
2 3 2 (y ) = X 2V V 2 ( R 2 ) = 6, 4667 0 ,01027637 = 0, 429739402 ( m / 0, 25 ha) R2
(y ) = X 2 V (R ) = 3,8182 2 0,014384036 = 0 ,209699848 ( m 3 / 0,25 ha ) 2 V 3 3 R3
h) varincia da mdia estratificada

(y ) = W 2 V ( y ) V Rest h Rh
h =1 L
( y ) = 0 ,2 2 0 ,316229509 + 0 ,5 2 0 ,429739402 + 0,3 2 0,209699844 V Rest ( yRest ) = 0,138957016 (m 3 / 0,25 ha ) 2 V
i) limite de erro (LEDest) considerando as estimativas dentro de cada estrato
163
LE Des t =
t s ( yR e st ) 2,0296 0,13895701 = = 4 ,16 % 18,192312 y Re st
j) varincia do total por estrato

(Y ) = N 2V ( y ) = 8.000 2 0 ,316229509 = 20 .238 .688 ,58 m 3 V 1 R1 R1
2 (Y ) = N2V V .760,8 m3 R2 2 ( yR 2 ) = 20. 000 0, 429739402= 171.895
(Y ) = N 2V ( y ) = 12 .000 2 0 ,209699848 = 30 .196 .778,11 m 3 V R3 R3 3
k) estimativa da varincia do total da populao

L
(YR ) = V (Y Rh ) = 20 .238.688,58 + 171.895 .760,8 + 30 .196.778,11 V

h =1
(Y ) = V V R (YRh ) = 222.331.227,5 m 3
h=1
2) Efetuar a estimativa considerando todos os estratos globalmente a) informaes gerais sobre os dados
164
Estimativa por razo
b) estimativa da razo R C Considerando: X = x est = 6,54805 rvores / 0 , 25 ha

C = y es t = 18,19232 = 2,778281 Tem-se: R xest 6,54805
c) estimativa do valor mdio y RC

RC = 6,54805 2,778281 = 18,192323 m 3 / 0,25 ha y RC = X R
L (R ) = ( N h - nh ) d) clculo da estimativa da varincia V RC 2 h = 1 nh N h X nh nh nh 2 2 2 - 2R y hi RC x hi y hi + R RC xhi L N n h i =1 i= 1 (R )= ( h ) i= 1 V RC 2 nh - 1 h = 1 nh N h X 2 - 2R y hi RC x i= 1 i =1 nh nh
nh -
Dado que:
(R ) = V +V + V V RC 1 2 3
Ento:
N 1 - n1 ) 2 n1 N1 X
y
i= 1
n1
2 1i
2 2 - 2R RC x1i y1i + RR C x1i i=1 i =1
n1
n1
V1 = (
n1 - 1
(8. 000 - 13) 10. 802, 36 - 2 2, 778281 4.346, 6 + 2, 7782812 1. 757 V1 = ( ) 13 8. 000 6, 548052 12
V1 = 0,031675905
V2 = (
V2 =
N 2 - n2 ) 2 n2 N 2 X 2
2 RC x 2 i y 2i + R RC y 22i - 2 R x22i i= 1 i =1 i= 1
n2
n2
n2
n2 - 1
2
20. 000 - 15 5.681,05 - 2 2,778281 1. 945,6 + 2,778281 677 2 15 20. 000 6,54805 14
V2 = 0,010638342 N 3 - n3 ) 2 n3 N 3 X 3
165
2 3i 2 RC x3i y3 i + R RC - 2R x32i i= 1 i= 1 n3 n3
y
i =1
n3
V3 = (
n3 - 1
13 8. 000 6, 54805
12
V1 = 0,031675905
N 2 -florestal n2 i = 1 Amostragem em inventrio V2 = (

V2 =
2 RC x 2 i y 2i + R RC y 22i - 2 R x22i i =1 i= 1
n2
n2
n2
n2 N 2 X
2 2
n2 - 1
2
20. 000 - 15 5.681,05 - 2 2,778281 1. 945,6 + 2,778281 677 2 15 20. 000 6,54805 14
V2 = 0,010638342 N 3 - n3 ) 2 n3 N 3 X 3
2 2 y32i - 2 R RC x3i y3 i + RRC x3i i =1 i= 1 i= 1 n3 n3 n3
V3 = (
V3 =
n3 - 1
2
12.000 - 11 1. 683,90 - 2 2, 778281 555,8 + 2, 778281 186 2 10 11 12.000 6,54805
V3 = 0, 006623478279
Finalmente:
(R ) = V +V +V V RC 1 2 3
(R RC ) = 0,031675905 + 0,010638342 + 0 ,0066234782 79 = 0,048937725 V
(y ) = X 2V ( R ) = 6,54805 2 0, 048937725 = e) clculo da estimativa da varincia V RC RC (y ) = X 2V ( R ) = 6,54805 2 0, 048937725 = 2,098300819 (m 3 / 0, 25 ha ) 2 V RC RC
= 40 .000 6,54805 2,778281 = NX R f) clculo da estimativa do valor total Y RC C
3 = NX R = 40 .000 6,54805 2,778281X== = 40.000 6,54805 = 261.922,0 rv Nx Y 727 .692 ,9161 m est RC C
X = N xest = 40.000 6,54805 = 261.922,0 rvores
(Y RC ) = X 2 V (R RC ) = 261 .922 2 0 ,04893772 g) clculo da varincia do valor total V (Y RC ) = X 2 V (R RC ) = 261 .922 2 0 ,048937725 = 3 .357 .281 .310,0 V
h) limite de erro (LERC) considerando todos os estratos globalmente

LE RC = t s( y Re st ) y Re st = 2, 0296 2, 09830081 = 16,16 % 18,192312
166
Estimativa por razo
3) Estimativas desconsiderando a varivel auxiliar x (nmero de rvores). Anlise convencional (Metodologia da ASA) Objetivando promover comparaes em termos de preciso, obter as estimativas desconsiderando a varivel auxiliar x (nmero de rvores). a) mdia estratificada da varivel de interesse
yes t = Wh yh =
h= 1 L
8.000 20.000 12.000 26,8408+ 18,7827+ 11,4427 40.000 40.000 40.000
ye st = 18,19232m3 / 0,25ha
b) varincia da mdia estratificada da varivel de interesse
2 L L ( y ) = W h V h ( y ) - W hVh ( y ) = 1, 0310813 - 1 45,1555915 V est 40000 nh N h =1 h=1
( y ) = 1,0299524 (m3 / 0,25 ha) 2 V est

Pois:
h ( y) W h2V =1,0310813 n h=1 h
L
W V ( y ) = 45,1555915
h h h=1
c) limite de erro (LESV) desconsiderando a varivel auxiliar x (nmero de rvores)

LE SV = t s ( yest ) 2,0296 1,0299524 = = 11,32 % 18,19232 y est
167
4) Discutir e concluir sobre os resultados Na Tabela 7.5 esto os resultados a partir das anlises realizadas.
Tabela 7.5 - Resultados das anlises da amostra estratificada.
Mdia (m3/0,25 ha) 18,192320 18,192312 18,192323 Varincia da mdia (m3/0,25 ha) 1,029952400 0,138957016 2,098300810
Mtodo Convencional (ASA) Razo (estratos) Razo (combinada)
LE % 11,32 4,16 16,16
Usando a definio de eficincia como o quociente entre o limite de erro sem considerar a varivel auxiliar nmero de rvores e o limite de erro estimado pelo mtodo da razo dentro de cada estrato, tem-se:
Ef = LESV LEDest = 11,32 % = 2 ,7212 4,16%
A partir da definio de eficincia como o quociente entre o limite de erro estimado pelo mtodo da razo, considerando todos os estratos globalmente, e o limite de erro sem usar a varivel auxiliar nmero de rvores, resulta:
Ef = LE R C 16,16% = = 1,4276 LE SV 11,32%
Dada a definio de eficincia como o quociente entre o limite de erro pelo mtodo da razo analisando os estratos de forma global e o limite de erro estimado pelo mtodo da razo considerando os estratos separadamente, tem-se:
168
Estimativa por razo
Ef =
16 ,16 LES V = = 3,8846 4,16 LED est
Os resultados mostram um limite de erro de 11,32% no usando na anlise a varivel auxiliar nmero de rvores por parcela. Este limite de erro corresponde a um valor 172,12% maior que o estimado pelo mtodo por razo com as estimativas dentro de cada estrato (4,16%). Conclui-se que esta estimativa (razo) mais eficiente. Dado que:
LE De st < LESV , ou seja, LE Dest =
LE SV 2,7212
Os resultados mostram um limite de erro de 16,16% pelo mtodo por razo a partir das estimativas para todos os estratos globalmente. Este limite de erro corresponde a um valor 42,76 % maior que o limite de erro estimado pelo mtodo quando no considerado na anlise a varivel auxiliar nmero de rvores (4,16 %), demonstrando que este mtodo apresenta uma eficincia superior quele. Dado que:
LE SV < LE RC , ou seja, LE SV =
LERC 1,4276
Os resultados apresentam um limite de erro de 16,16% pelo mtodo por razo considerando as estimativas para todos os estratos globalmente. Este limite de erro corresponde a um valor 288,46% maior que o limite de erro estimado pelo mtodo por razo quando as estimativas forem obtidas dentro de cada estrato (4,16%), demonstrando que o mtodo de anlise por razo a partir das estimativas dentro de cada estrato apresenta
169
uma eficincia superior ao mtodo por razo usando as estimativas para todos os estratos globalmente. Dado que:
LE De st < LE RC , ou seja, LE dest = LERC
3,8846
7.5 Dupla amostragem: fases dependentes Para a aplicao do mtodo de estimativa por razo imprescindvel o conhecimento prvio do valor mdio populacional da varivel auxiliar x. Queiroz (1993a) cita que, geralmente, em inventrios de florestas naturais impossvel conhecer o valor mdio populacional ( X ) da varivel auxiliar x. O referido autor recomenda proceder dupla amostragem para tomar X = x , acrescentando que se X desconhecido pode-se, desde que no implique em grande aumento de custo, medir uma amostra maior para a varivel x, principalmente se x for uma varivel de fcil medio, como exemplo a contagem de rvores. Seja n1 uma amostra maior de N onde ser medida a varivel auxiliar (x). Estima-se, atravs da amostra de tamanho n1 , a mdia X . Seja n 2 uma subamostra de n1 , onde ser medida a varivel de interesse (y). Observar que em n 2 so medidas as variveis x e y. A estrutura metodolgica da estimativa por razo aplicada dentro da subamostra de tamanho n2 , caracterizando duas fases dependentes. Admitindo que a amostragem nas duas fases seja simples ao acaso, ento:
= y2 R x2
Considerando x1 = X 1 , tem-se:
170
Estimativa por razo
e Y = Ny y R1 = X 1 R R1 R1 evidente que a mdia y1 R 1 uma estimativa da mdia Y1 R das n1 unidades de amostra da primeira fase. No entanto, Y1 uma estimativa de Y , logo se pode afirmar que y 1 RR 1 uma estimativa de uma estimativa de mdia. Da, a sua varincia:
( y ) = ( n1 n 2 ) V R1 n1 n2 x y + R 2 x2 yi2 2 R i i i
i =1 i =1 i =1 n2 n2 n2
n2 1
+(
( y) N n1 V ) N n1
(7.1)
A primeira parte corresponde varincia de y R 1 e a segun1R da parte a varincia de y1 . A Expresso 7.1 pode ser apresentada nas formas 7.2 e 7.3.
( y ) = ( n1 - n2 )[V ( y ) - 2R V ( x, y ) + R 2V ( x )]+ ( N - n1 ) V ( y) V 1R n1 n2 N n1
2 2 ( y ) = V ( y ) + R V ( x) 2 RV ( x, y ) + 2 RV ( x, y ) R V ( x) V ( y ) V 1R n2 n1 N
(7.2)
(7.3)
Sendo:
y i2 ( y) = V
i =1
n2
( yi )2
i=1
n2
n2 n2 - 1
n2 i =1
xi2 ( x) = ;V
n2 i=1
n2
( xi )2
i =1
n2
n2 n2 - 1
x y
i
n2
( x i ) y i )
i
i =1
( x, y) = V
i =1
n2 n 2 -1
171
( y ) , tem-se: V (Y ) = N2V ( y ). Se V . R1 R1 R1 )
( x) que um estimador mais Vries (1986) sugere usar V 1 ( x) , sendo: preciso do que V
( x) = V 1
x
i =1
n1
2 i
( xi ) 2
i =1
n1
n1
n1 1
Exerccio 7.4 Considerar as observaes contidas na Tabela 7.6 como uma subamostra n2 = 30 de uma amostra maior de n1 = 50 unidades e que nas n1 - n2 = 20 unidades foi apenas quantificado o nmero de rvores.
Tabela 7.6 - Estimativa por razo com igual probabilidade (AIP) com dupla amostragem.
UA 1 2 3 4 5 6 7 8 9 10 xi 6 4 4 5 9 8 5 4 8 5 yi 13,0 16,1 9,7 20,1 29,6 23,4 21,9 17,5 22,1 12,8 UA 11 12 13 14 15 16 17 18 19 20 xi 5 4 6 9 5 5 3 5 4 7 yi 16,5 17,1 17,6 24,0 16,7 21,9 10,4 10,0 14,5 29,7 UA 21 22 23 24 25 26 27 28 29 30 xi 10 7 8 6 6 8 8 6 9 7 yi 30,5 14,7 19,0 19,7 18,4 25,4 18,6 18,9 28,3 22,0 UA 31 32 33 34 35 36 37 38 39 40 xi 8 5 8 4 2 6 5 5 5 7 UA 41 42 43 44 45 46 47 48 49 50 xi 8 5 5 5 7 8 6 5 6 5
172
Estimativa por razo
yex
a) informaes amostrais preliminares sobre as variveis
xi = nmero de rvores/0,25 ha
n1 = 50 ; n 2 = 30;
n2 n2
yi = volume em m3/0,25 ha
N = 14.216
y i = y i = 580,10 m3 i =1 i =1
xi = 186 rvores
i =1 n2 i =1
n2
n2
x
x2 =
i =1
30
n2
186 = 6,2 rvores / 0,25 ha 30 580 ,10 = 19 ,3367 m 3 / 0,25 ha 30

i
y2 =
yi i =1 30
n1 i i =1
50
x
x1 = n1
x
=
i =1
=
n2
301 50
50
n2
= 6,02
( yi ) 2
i=1
(y) = V
y i2 i =1
n2 n2 - 1 ( xi ) 2
n2 i =1
12 .164,77 = 29
580,10 2 30 = 32 ,6748
n2
x
( x) = V
i= 1
2 i
n2 n2 - 1
n2
1.254,0 =
n2
29
186 2 30 = 3 ,4759
n2
( xi )( yi )
i= 1 i =1
xi yi ( x, y) = V
i=1
n2 n2 - 1
3 .830,8 =
186 580 ,10 30 = 8,0752 29
173
b) estimativa da razo
= y 2 = 19 ,3367 = 3,1188 m 3 / rvore R 6 ,2 x2
c) estimativa por razo do valor mdio 6,02 Considerando x1 = X = 6 ,0 2 , tem-se:

= 6,02 3,1188 = 18, 7752 m 3 / 0, 25 ha y1R = X 1 R
d) estimativa por razo do valor total

= N y = 14 .296 18,7752 = 268.410,26 m 3 Y 1R 1R
e) varincia do valor mdio por razo

( y1R) = ( n1 - n2 ) V n1 n 2
y
i= 1
n2
2 i
x y +R - 2R i i 2 x i2
i=1 i =1
n2
n2
n 2 -1
+(
( y) N - n1 V ) N n1
2
( y ) = ( 50 - 30 ) 12. 164, 77 - 2 3,1188 3. 830 ,8 + 3,1188 1.254 + ( 14. 296 - 50 ) 32, 6748 V 1R 50 30 29 14. 296 50
( y ) = 0,013333333 16,11453013 + 0,651210409 = 0,86607081 V 1R
Usando as Expresses 7.2 e 7.3, tm-se os mesmos resultados:

( y ) = ( n1 - n 2 )[V ( y ) - 2R V ( x, y ) + R 2V ( x)] + ( N - n1 ) V ( y) V 1R n1 n 2 N n1
( y1R) = ( 50 - 30 )[32, 6748 - 2 3,1188 8,0752 + 3,1188 2 3, 4759] + ( 14. 296 - 50 ) 32, 6748 V 50 30 14. 296 50
( y1R) = 0,214862812 + 0 ,651210409 = 0,86607322 V 2 2 ( y1R ) = V ( y) + R V ( x) - 2 RV (x, y) + 2 RV ( x, y) - R V (x) - V ( y) V n2 n1 N

2 2 ( y ) = 32,67 48 + 3,11 88 3, 4759 - 2 3,118 8 8,0752 + 2 3,1188 8,0752 - 3.1188 3,475 9 - 32, 6748 V 1R 30 50 14.296 ,0
( y ) = 0, 5371 5703 + 0 ,331201781 - 0 ,0022855903 75 = 0, 8660 77322 V 1R
174
Estimativa por razo
( y ) segundo Vries (1986). Clculo de V 1R

2 2 ( y ) = V ( y) + R V1 ( x) - 2 RV ( x, y) + 2 RV ( x, y) - R V1 ( x) - V ( y) V 1R n2 n1 N
x
1 ( x) = V
i =1
n1
( xi ) 2
2 i
n1
i =1
n1
1961 =
n1 -1
3012 50 = 3,0404 49
Ento:
2 2 ( y ) = 3 2,6748 + 3,1188 3,0 404 - 2 3,11 88 8,0 752 + 2 3,1188 8,0752 - 3. 1188 3,040 4 - 32,6748 V 1R 30 50 14. 296,0
( y ) = 0 ,39595467 + 0 ,415923197 - 0 ,0022855903 75 = 0 ,809592276 V 1R
Os clculos referentes aos intervalos de confiana, limite de erro e outros, seguem conforme j visto. 7.6 Comparao de dois ndices ou duas razes Pode ser de interesse em um inventrio comparar duas razes ou ndices ( R1 e R2 ) entre dois tipos florestais. De acordo com o procedimento amostral, existem as seguintes situaes: 1) Os ndices so independentes. 2) Os ndices so calculados para a mesma varivel auxiliar (x). 3) Os dois ndices so correlacionados. 1) Os ndices so independentes = y1 e R = y2 . Sejam R 1 2 x1 x2
175
Neste caso, a varincia estimada do contraste entre R1 e R2 dada por:

(R R ) =V (R ) +V (R ) V 1 2 1 2
A partir dessas informaes possvel estruturar as anlises estatsticas de interesse, como por exemplo: testar a hiptese H 0 : R1 = R2 atravs da estatstica t de Student e calcular o intervalo de confiana. 2) Os ndices so calculados para a mesma varivel auxiliar ( x )
= y1 e R = y2 . Sejam R 2 1 x x R = y1 y 2 = y1 y 2 = d Ento: R 1 2 x x x x
Sendo: d=
d
i =1
para d i = y1i y 2i
Neste caso, a varincia estimada do contraste entre R1 e R2 dada por: (R R )= V 1 2 Dado que: 1 n(n 1) x 2
[d
i =1 n
R ) x ]2 (R 1 2 i
[d
i =1
R ) x ] 2 = [d 2 2( R R )d x + ( R R )2 x2 ] (R i i i i i 1 2 1 2 1 2
i =1
176
Estimativa por razo
Ento:
(R R )= 1 V 1 2 nx2
d
i =1
2 i
R ) d y + (R R )2 x2 2( R i 1 2 i i 1 2
i =1 i =1
n 1
3) Os ndices so correlacionados = y1 e R = y2 . Sejam R 1 2 x2 x1 R2 : Neste caso, a varincia estimada do contraste entre R1 e

V (R (R R ) =V (R ) +V (R ) 2CO ,R ) V 1 2 1 2 1 2
Tal que:
V (R ,R )=( CO 1 2 1 ) n x1 x2
y
i =1
1i y 2 i R1 x1i y 2 i R2 x 2 i y1i + R1 R2 x1i x 2 i

i =1 i =1 i =1
n 1
Exerccio 7.5 Seja uma amostra de 20 famlias de uma populao de produtores rurais. Os dados coletados esto apresentados na Tabela 7.7, onde x o nmero de componentes por famlia; y1 a renda lquida obtida por hectare (nmero de salrios mnimo); y 2 a despesa por hectare (nmero de salrios mnimo) do manejo dos recursos florestais. Confrontar os dois ndices ou as duas razes pelo teste t. Neste caso os ndices sero calculados a partir da mesma varivel auxiliar (x).
177
Tabela 7.7 - Dados por famlia: comparao de dois ndices ou duas razes.
Famlia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 xi 6 4 5 4 7 5 4 6 6 4 5 4 5 5 4 5 6 4 6 4
y1
3,92 4,96 4,06 2,30 4,68 4,22 3,70 3,62 2,65 3,31 6,38 6,90 6,10 3,50 1,61 3,74 3,89 3,93 3,77 4,52
y2
5,22 2,33 4,47 2,83 4,27 3,43 2,82 4,66 5,62 3,15 3,88 2,89 4,06 3,70 3,82 3,97 5,08 2,95 4,45 2,32
d i = y1i y 2i
-1,30 2,63 -0,41 -0,53 0,41 0,79 0,88 -1,04 -2,97 0,16 2,50 4,01 2,04 -0,20 -2,21 -0,23 -1,19 0,98 -0,68 2,20
d i xi
-7,80 10,52 -2,05 -2,12 2,87 3,95 3,52 -6,24 -17,82 0,64 12,50 16,04 10,20 -1,00 -8,84 -1,15 -7,14 3,92 -4,08 8,80
a) clculo dos ndices ou razes

= y 2 = 3,796 = 0,766869 = y1 = 4,088 = 0,825859 , R R 2 1 x 4,950 x 4,950
b) estimativa da varincia do contraste entre R1 e R2 A varincia estimada do contraste entre R1 e R2 : (R R )=( 1 ) V 1 2 nx2 R ) d x + ( R R )2 x2 d i2 2( R i i i 1 2 1 2
i =1 i =1 i =1 n n n
n 1
178
Estimativa por razo
V ( R1 - R 2 ) = 0 ,0064145552 (R -R ) = 0 ,0064145552 V
1 2
1 59 ,698 - 2 (0,825859 - 0 ,766869 ) 14 ,72 + ( 0,825859 - 0 ,766869 ) 2 507 (R -R ) =( ) 59 ,698 - 2 (0,825859 - 0 ,766869 ) 14 ,72 + ( 0,825859 - 0 ,766869 ) 2 507 V 1 2 1 2 19 (R -R ) =( 20 4 ,95 ) V 1 2 19 20 4 ,95 2
Logo:
R )= V (R R ) = 0,0800909 s( R 1 2 1 2
c) testar H 0 : R1 = R2
t= -R R 0,825859 - 0 ,766869 1 2 = = 0 ,7365 ns -R ) 0 ,0800909 s( R 1 2
No h razo para rejeitar H0 : R1 = R2, visto que t19 ; 0,025 = 2,09. Conclui-se que os dois ndices so estatisticamente iguais, tal o ndice referente renda lquida por hectare e R o que R 1 2 ndice referente s despesas por hectare.
179
Captulo 8
ESTIMATIVAS POR REGRESSO
Define a estimativa por regresso, descrevendo os parmetros populacionais e os seus estimadores. Mostra teoricamente quando usar as estimativas por razo e por regresso. Apresenta a metodologia para obter estimativas por regresso considerando a amostragem estratificada ao acaso. Mostra exerccios aplicativos considerando vrias alternativas de anlise, principalmente comparando as estimativas por razo e por regresso.
Estimativa por regresso
Em levantamentos por amostragem, como descrito no captulo referente ao estudo das estimativas por razo, pode ocorrer caso em que h a necessidade de se obter estimativa da relao entre duas variveis aleatrias x e y, normalmente correlacionadas para cada unidade de amostra. O uso das estimativas por razo e por regresso objetiva obter maior preciso na anlise dos dados, atravs da utilizao de uma varivel auxiliar xi que se correlaciona com a varivel resposta de interesse yi. A utilizao da estimativa por razo recomendada quando existir uma relao linear entre as variveis x e y e que a reta de regresso passe pela origem do sistema de eixos coordenados. Entretanto, pode acontecer que mesmo havendo tendncia linear entre x e y a reta de regresso de y em x pode no passar pela origem do sistema de eixos coordenados. Neste caso, recomendvel e mais preciso o uso da estimativa por regresso. 8.1 PARMETROS POPULACIONAIS E ESTIMADORES Dado que: X = mdia populacional para a varivel auxiliar x; Y = mdia populacional para a varivel de interesse y; x = mdia amostral para a varivel auxiliar x; y = mdia amostral para a varivel de interesse y; yR L = mdia estimada por regresso para a varivel de inRL teresse y; b = coeficiente de inclinao estimado da reta de regresso; B = coeficiente de inclinao populacional da reta de regresso; = valor amostral por regresso para o valor populacioY R L RL nal da varivel de interesse y;
183
N = nmero total de unidades da populao; n = nmero de unidades de amostra do inventrio florestal. a) estimativa do valor mdio por regresso y R L Sejam xi e yi as observaes realizadas em uma amostra de tamanho n, em que o valor mdio verdadeiro X da varivel x conhecido. Da teoria de regresso, a mdia estimada por regresso y RL R L para a varivel de interesse y obtida pela frmula: yR R L L = y + b( X x ) RL (8.1)
Tal que: E (b) = B Pode ser verificado pela frmula de estimao da mdia por regresso 8.1 que y RL R L um estimador consistente da mdia populacional, pois se n = N , ento, x = X e y = Y , logo: y RL R L = y + b( X x ) = Y pela Pode-se obter a estimativa do valor de total Y frmuR L = RL la: YR = N y RL L R L . RL O coeficiente de inclinao ou angular b da reta de regresso pode em alguns levantamentos ser fixado, mas, geralmente, no caso de inventrios florestais dever ser obtido atravs da amostra. No caso do coeficiente angular ser fixado como zero (b = 0), verifica-se que o resultado da estimativa por regresso o mesmo da Amostra Simples ao Acaso (ASA). Se b = 0 , ento: y R yR R L L = y , pois y L R L = y + b( X x ) . RL RL
184
No caso do coeficiente angular ser b = y x , a estimativa por regresso coincide com a estimativa por razo. Se b = y x , ento, y R R L L = yR . RL b) varincia da mdia do valor mdio por regresso y RL R L Sob o ponto de vista terico, o mtodo da estimativa por regresso, no caso de pequenas amostras, apresenta o inconveniente de no estar devidamente solucionado o problema da definio da frmula para a obteno da varincia da mdia, mas no caso de grandes amostras, o que ocorre em inventrios florestais, possvel obter a expresso para calcular uma boa estimativa. A frmula da varincia da mdia nas estimativas por regresso pode ser obtida considerando as seguintes condies: 1) Varincia da mdia com o coeficiente angular prefi-
xado
No caso de inventrios florestais no usual prefixar o valor do coeficiente angular, mas admitindo que b = b0 :
y RL = y + b0 ( X - x )
Se b0 fixado, pode-se comprovar tratar-se de um estimador no tendencioso, pois E ( y RL ) = Y . . Visto que:

E ( y RL ) = E [ y + b0 ( X - x )] = Y
Seja o desvio considerando cada unidade da populao:

ei = y RLi - Y = yi + b0 ( X - x i ) - Y = y i - Y - b0 ( x i - X )
185
Pela definio de varincia da mdia: N - n V ( y RL ) V ( y RL ) = ( ) N n Por conseguinte:
Resultando: N-n 2 V ( y RL ) = ( )[V ( y ) - 2b0V ( x, y) + b0 V ( x)] Nn Sendo:

2 ( y ) = ( N - n )[V ( y ) - 2b V V RL 0 ( x, y) + b0 V ( x)] Nn
Seja o questionamento: Qual o valor ideal para b0? A resposta seria o valor de b0 que torna mnimo o valor de V ( y RL ). R L ) Seja 8.2 a Expresso para obter o valor do coeficiente angular populacional B, o qual tambm denominado coeficiente de regresso linear de y sobre x.
N N i =1
B=
xi y i i= 1
N
( xi )( yi )
i=1
N ( xi ) 2
i=1 N
V ( x, y ) V (x )
(8.2)
2 xi i =1
186
Como b0 um valor prefixado, seja b0 = B + k, onde B o valor verdadeiro e k o desvio de b0 em relao a B. Da:
V ( yRL ) = ( N -n ) Nn
( y
i =1
- Y ) 2 - 2(B + k) ( yi - Y ) ( xi - X ) + ( B + k) 2 ( xi - X )2
I =1 i =1
N -1
Tomando-se a primeira e a segunda derivadas dessa expresso em relao varivel k, verifica-se que V V ( y RL ) torna-se R L ) mnima quando k = 0. Concluindo-se que o valor de b0 que torna mnima a varincia da estimativa da mdia b0 = B. Logo:
Vmin ( y RL ) = ( N -n ) Nn
(y
i =1
- Y ) 2 - 2 B ( y i - Y )( xi - X ) + B 2 ( xi - X ) 2
I =1 i =1
N -1
Portanto:
Vmin ( y RL ) = ( N -n )[V ( y ) - 2 B V ( x, y) + B2V ( x)] Nn
Vmin ( y RL ) = ( Vmin ( y RL ) = (
N -n V ( x, y) V ( x, y) 2 ){V ( y ) - 2 V ( x, y ) + [ ] V ( x )} Nn V (x ) V (x ) N -n V 2 ( x, y) )[V ( y) ] Nn V ( x)
Dado que d 2 = V 2 ( x, y ) [V ( x) V ( y )] , onde d 2 o coeficiente de correlao ao quadrado, ento: N-n Vmin ( y RL ) = ( )[V ( y ) - d 2V ( y) ] Nn Resultando:
Vmin ( y RL ) = ( N-n )[V ( y )(1 - d 2 )] Nn
187
2) Varincia da mdia com o coeficiente angular estimado atravs da amostra Seja uma amostra de n pares de valores xi e yi. Da teoria de Regresso Linear Simples, pelo mtodo dos quadrados mnimos, tem-se que a estimativa do coeficiente angular B da reta, denominado tambm de coeficiente de regresso, dada pela frmula:
n n i=1
x y
i
( x i )( y i )
i
i =1
b=
i= 1 n n
n ( x i ) 2 i =1
x
i= 1
2 i
Ento: y RL = y + b( X - x ) Em termos populacionais, sendo E(b) = B, pode-se escrever: ei = y i Y B ( x i X ) Seja:

N i= 1 N i =1
ei2 = [y i - Y - B ( xi - X )]2
Da definio de varincia da mdia:
N
V ( y RL ) = (
N - n i=1 ) Nn N - 1
2 i
188
V ( y RL ) = (
N -n ) Nn
[( y
i =1
- Y ) - B( x i - X )]2 N -1
N -n V ( y RL ) = ( ) i=1 Nn
[( yi - Y )2 - 2 B( xi - X )( yi - Y ) + B2 (xi - X )2 ] N -1
Como:
N
(x
B=
i=1 N
- X )( yi - Y )
i
(x
i=1
- X )2
Ento:
N i= 1 N i =1
( xi - X )( y i - Y ) = B ( xi - X ) 2
Logo:
N N N
V ( y RL ) = (
N -n ) Nn N -n ) Nn
( yi - Y )2 - 2B 2 (xi - X ) 2 +B 2 (xi - X ) 2
i =1 i =1 i =1
N -1
( yi - Y ) 2 - B 2 ( xi - X ) 2
i= 1 i=1
V ( y RL ) = (
N -1
Dado que:
N
[ ( xi - X )( yi - Y ) ]2 d2 =
i= 1 N N
[ ( xi - X )2 ][ ( yi - Y ) 2 ]
i =1 i =1
189
Ento: B
2
d2 =
(y
i =1
i =1 N
(x
i
X )2
Y )2
Portanto:
d
B2 =
(y
i =1 i
Y )2
(x
i =1
X )2
Por conseguinte:
N N i
V ( y RL ) = (
N - n i=1 i =1 ) Nn N -1 N -n V ( y RL ) = ( )V ( y)(1 - d 2 ) Nn
(y
- Y ) 2 - d 2 ( y i - Y )2
Finalmente, a frmula da estimativa da varincia da estimativa da mdia por regresso, tal que o coeficiente angular estimado atravs da amostra, :
( y ) = ( N - n )V ( y )(1 - d 2 ) V RL Nn
A estimativa da varincia da estimativa da mdia pela regresso tambm pode ser obtida usando-se a teoria da anlise de regresso simples.
SQ Re s ( y ) = ( N - n )Q M V . RL Re s , tal que Q M Re s = Nn n-2
190
a soma estimada de quadrados do resduo O termo SQ R e s Res da regresso linear simples. O divisor n - 2 produz uma estimativa sem tendncia de V (y) quando a populao infinita e a regresso linear. Dado y RL R L e V ( y RL R L ), pode-se obter:
= N y e V (Y ) = N 2V ( y ) Y RL RL RL RL
Pode-se comparar a preciso considerando a metodologia da amostra simples ao acaso em relao estimativa por regresso. Sejam as respectivas varincias da mdia: Varincia da mdia para a amostra simples ao acaso:
V ( y) = ( N n )V ( y ) Nn
Varincia da mdia para a estimativa por regresso: N-n V ( y RL ) = ( )V ( y )(1 - d 2 ) Nn Da comparao dessas expresses, conclui-se que se d = 0 implica que V ( y RL R L ) = V ( y ). R L Ento, a amostra simples ao acaso tem a mesma preciso da estimativa por regresso. Se d 2 > 0 implica que V ( y RL R L ) < V ( y ), R L ento a amostra simples ao acaso menos precisa que a estimativa por regresso. c) intervalo de confiana para a mdia Y e para o valor total Y
191
Exerccio 8.1 Seja uma rea florestal populacional de 100 ha com ocorrncias de 405 rvores matrizes (dados simulados). O objetivo monitorar a produo de sementes de uma determinada espcie florestal. A rea est subdividida em 100 subreas de 1 ha. As 405 matrizes da espcie em estudo esto perfeitamente localizadas em um mapa logstico. A Tabela 8.1 apresenta os dados de produo de sementes e o nmero de rvores referentes a uma amostra de n = 38 unidades (38 ha), obter: 1) a estimativa por razo; 2) a estimativa sem considerar a varivel auxiliar (nmero de rvores); 3) a estimativa por regresso; 4) concluir sobre os resultados. Dado: yi = Peso de sementes por ha xi = Nmero de rvores por ha
Tabela 8.1 - Produo em kg de sementes (yi) e nmero de rvores (xi).
Unid 1 2 3 4 5 6 7 8 9 10 11 12 13 xi 5 3 4 5 3 4 4 5 3 4 4 4 7 yi 16,15 10,53 8,50 11,90 9,07 13,23 11,48 14,71 10,95 15,31 11,26 11,73 16,42 Unid 14 15 16 17 18 19 20 21 22 23 24 25 26 xi 4 4 4 3 4 5 5 6 4 5 4 4 6 yi 12,57 10,88 13,03 11,11 10,28 13,14 13,44 14,14 15,40 12,20 12,58 13,13 14,39 Unid 27 28 29 30 31 32 33 34 35 36 37 38 xi 5 5 3 5 3 5 3 6 2 7 6 3 166 yi 14,58 14,14 11,94 12,37 11,03 12,71 8,93 15,75 10,71 15,01 13,76 8,19 476,65
Total
192
1) Estimativa por razo a) clculo da estimativa da razo Peso de sementes total e nmero total de rvores na amostra:
n
y
i=1 n
= 476,65 kg = 166 rvores

n i
x
i=1
= R
y
i =1 n
=
i
x
i =1
476,65 = 2,871386 166
b) estimativa da varincia de R
(R ) = N - n [V ( y) + R 2V (x ) - 2 R V ( x, y )] V 2 nN X
Dado que:
X = 405 = 4,05 rvores / ha 100
( y) = 4,5477 (kg / ha )2 V
( x) = 1,3741 (rvores / ha) 2 e V ( x , y ) = 1,8090 , tem-se: V

(R ) = V 100 - 38 (4,5477 + 2,8713862 1,3741 - 2 2,871386 1,8090) 2 38 100 4,05
(R ) = 0 ,005459271 V
c) estimativa do desvio padro de R

) = V ( R) = 0,0054592708 1280327 = 0,073887 s( R
193
d) intervalo de confiana para R Seja t = 2,0278 o valor da distribuio de Student com 37 graus de liberdade para o nvel de significncia a = 0,05, tm-se: Limite inferior
t s( R ) = 2,871386 2,0278 0,073887 = 2,721558 R
Limite superior
+ t s( R ) = 2,871386 + 2,0278 0,073887 = 3,021214 R
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor verdadeiro ou paramtrico da razo encontra-se no intervalo de 2,721558 a 3,021214. e) estimativa da mdia da produo de sementes y R e sua (y ) varincia V R
X = 2,871386 4,05 = 11, 6291 kg / ha yR = R
( y ) = X 2V (R ) = 4 ,05 2 0,0054592708 = 0 ,08954569 (kg / ha )2 V R ( yR ) = 0,299242 kg / ha s( y R ) / ha = V
e sua varincia V (y ) f) estimativa do total Y R R

=R NX = 2,871386 100 4, 05 = 1. 162, 91133 kg Y R
(Y R ) = N 2 X 2 V (R ) = 100 2 4 ,05 2 0,0054592708 = 895,456893 kg 2 V )= V (Y ) = 29,92418575 kg s(Y R R
g) intervalo de confiana para o valor mdio Y Limite inferior

yR - t s( yR ) = 11,6291 - 2,0278 0,299242 = 11,02229707 kg / ha
194
Limite superior
y R + t s ( y R ) = 11, 6291 + 2, 0278 0, 299242 = 12, 235903 kg / ha
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional encontra-se no intervalo de 11,022297 kg/ ha a 12,235903 kg/ ha. h) intervalo de confiana para o valor total Y Limite inferior
- t s( Y ) = 1162 , 91133 - 2 ,0278 29 , 92418575 = 1102 , 231066 kg Y R R
Limite superior
R + t s (Y R ) = 1162,91133 + 2,0278 29 ,92418575 = 1223,591594 kg Y
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional encontra-se no intervalo de 1.102,231066 kg a 1223,591594 kg. i) limite de erro da estimativa por razo
LE ( yR ) = 2,0278 0,299242 = 5, 217970 % 11,6291
2) Estimativa sem considerar a varivel auxiliar (nmero de rvores) a) valor mdio sem considerar a varivel auxiliar
n
y
y=
i =1
476,65 = 12,5434 kg / ha 38
195
b) varincia da mdia sem considerar a varivel auxiliar ( y ) = V ( y ) ( N - n ) = 4,54770960 (100 - 38 ) = 0,074199472 (kg / ha) 2 V n N 38 100
( y) = 0,074199472 = 0,274199472 kg / ha s( y ) = V
Sendo:
n n
( yi )
2 i
( y) = V
y
i =1
i =1
n -1
= 4,54770960 (kg / ha )2
c) limite de erro da estimativa sem considerar a varivel auxiliar 2,0278 0, 2723958 LE SV ( y ) = = 4,4036 % 12,5434 d) eficincia da estimativa da mdia por razo versus a da mdia sem considerar a varivel auxiliar. A eficincia definida como o quociente entre o limite de erro da mdia sem considerar a varivel auxiliar versus o valor obtido pelo mtodo da razo.
Ef =
LE SV ( y ) 4,403624 = = 0,8439 5,217970 L( y R )
O resultado mostra que o limite de erro correspondente anlise sem considerar a varivel auxiliar apresenta um valor correspondente a 84,39% do valor do limite de erro pelo mtodo por razo. O mtodo sem considerar a varivel auxiliar 18,49% mais eficiente que o por razo, visto que:
196
Ef =
LE ( y R ) 5,217970 = = 1,1849 L( y ) 4,403624
O banco de dados do exemplo apresentado no adequado para o uso da estimativa por razo, visto que, se realizada uma anlise de regresso simples, ter-se- os seguintes resultados: Reta de regresso linear simples: Y = 6,7925+1,3165X
Tabela 8.2 - Anlise de varincia da regresso.
CV Regresso Resduo Total GL 1 36 37 SQ 88,114 80,151 168,265 QM 88,114 2,226 F 39,58
Teste para verificar a hiptese se o parmetro linear a diferente de zero, tal que Yi = a + bX i + ei :
1 (a ) = [ + V n
n i =1
x2
n
]QM Re s
2
( x i )
2 i
i =1
QM R e sduo = Quadrado mdio do resduo estimado Resduo

1 (a ) = ( + V 38 166 2 ) 1 19 ,08310249 38 ) 2,226 = ( + ) 2,226 2 166 38 50,84210526 776 38 (
(a V ) = 0,894086956
197
Dado que: t= a = (a ) V 6,7925 0,894086956 = 7,1836
Conclui-se pela rejeio de H 0 : a = 0. A estimativa por razo no recomendvel quando o coeficiente linear ( a ) diferente de zero. 3) Estimativa por regresso a) produo mdia de sementes por regresso Dado:
n n n
y i = 476,65 ;
i= 1 n i= 1
xi = 166;
i= 1 n
x y
i i= 1
= 2149,14; 405 = 4,05 100
y i2 = 6147,0869;
Ento:
n
x
i= 1
n
2 i
= 776,00; X =
xi y i b=
i =1 n
( x i )( y i )
i=1 i= 1
n
n
2149,14 =
( xi )
2 i
x i= 1
i =1
166 476,65 38 = 1,316469979 2 166 776 38
Destarte:
yR L = y + b( X - x ) = 476,65 166 + 1,316469979(4,05 ) 38 38
198
yRL = y + b( X - x ) = 12,1242293 kg / ha
b) estimativa da varincia de y R L RL Dado que:
n n n i =1
166 476, 65 2 ) 38 i =1 = d 2 = 2 2 n n 166 476,65 ( x i ) 2 n ( y i ) 2 ( 776 )(6147,0869 ) n 38 38 [ x i2 - i =1 ][ y i2 - i =1 ] n n 1 i =1 i= [ x i y i i =1
( xi )( y i ) n
]2
(2149,14 -
2 = 4 .479 ,906715 = 0,523661923 d 8554,959825

n n
( y i ) 2
2 i
( y) = V
y
i =1
i =1
n n -1
6147 ,0869 = 37
476,65 2 38 = 4 ,547709602 ( kg / ha )2
Ento:
( y ) = ( N - n )V ( y)(1 - d 2 ) = 100 - 38 4,54770902 (1 - 0,523661923 V ) RL Nn 100 38 ( yRL ) = 0,035344029 ( kg / ha ) 2 V ( y ) = 0 ,1880 kg / ha s ( yR L ) / ha = V RL
Para grandes amostras, como neste exemplo, a varincia da mdia pode ser obtida da seguinte forma: Da anlise de varincia apresentada na Tabela 8.2, tem-se: QM Re s = 2,226
100 - 38 ( y ) = ( N - n )QM V ) 2,226 = (0,0363189 kg / ha) 2 RL Re s = ( Nn 100 38
199
(Y e sua varincia V c) estimativa do total Y ) Y R L R L R L RL RL)

= N y = 100 12,1242293 = 1.212 ,42293 kg Y RL RL (Y ) = N 2V ( y ) = 100 2 0,035344029 = 353 ,44029 kg 2 V RL RL
)= V (Y ) = 18,80 kg s(Y RL RL
d) intervalo de confiana para o valor mdio Y Limite inferior
Limite superior
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional encontra-se no intervalo de 11,7430 kg/ ha a 12,5055 kg/ ha. e) intervalo de confiana para o valor total Y Limite inferior y RL - t s( y RL ) = 1212, 42293 - 2,0278 18,80 = 1.174,3003 kg Limite superior
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional encontra-se no intervalo de 1.174,3003 kg a 1.250,5456 kg.
200
f) limite de erro da estimativa por regresso 2,0278 0,1880 LE( y RL ) = = 3,144335 % 12,1242293 g) eficincia da estimativa por regresso versus a mdia sem considerar a varivel auxiliar. A eficincia definida como o quociente entre o valor do limite de erro da mdia sem considerar a varivel auxiliar versus o obtido pelo mtodo da regresso. 4,403624 LE ( y ) = = 1,4005 Ef = LE ( y RL ) 3,144335 O resultado mostra que o limite de erro correspondente anlise sem considerar a varivel auxiliar apresenta um valor 40,05% maior que o obtido pelo mtodo por regresso, demonstrando que este mtodo possui uma eficincia superior que aquele. h) eficincia da estimativa por regresso versus a da mdia por razo A eficincia definida como o quociente entre o limite de erro da mdia por razo versus ao da mdia estimada pelo mtodo da regresso. LE ( yR ) 5,217970 = = 1,6595 Ef = LE ( y RL ) 3,144335 O resultado mostra que o limite de erro correspondente mdia por razo apresenta um valor 65,95 % superior ao obtido pelo mtodo por regresso, demonstrando que este mtodo possui uma eficincia superior que aquele. Como a hiptese da nulidade ( H 0 : a = 0 ) foi rejeitada e a correlao entre a varivel de interesse e varivel auxiliar de
201
72,36%, fica evidente que o processo de estimativa por regresso mais eficiente que os demais. 8.2 Estimativas por regresso considerando a amostra estratificada ao acaso As estimativas por regresso na amostragem estratificada podem ser obtidas pelos seguintes procedimentos: 1) as estimativas por regresso so obtidas na forma usual da amostragem estratificada considerando cada estrato separadamente; 2) as estimativas por regresso so obtidas a partir das mdias estratificadas das variveis y e x, considerando os estratos conjuntamente, ou seja, usando y est e xest . 1) Estimativas por regresso considerando os estratos separadamente Este procedimento deve ser adotado quando os verdadeiros valores dos coeficientes angulares Bh variam entre os estratos. a) valor mdio por regresso considerando os estratos separadamente
y RL = yh + bh ( X h - x h )
h
b) valor total por regresso considerando os estratos separadamente
RL = N h yRL Y
h
202
c) valor mdio global por regresso considerando separadamente os estratos

L
y RL S =
W
i =1
y RLh
d) valor total global por regresso considerando separadamente os estratos Da teoria da amostragem estratificada:
RL = N y RL = N Wh y RL = Y S S h
h=1
N h y RL h =
h= 1
Y
h =1
RL h
e) varincia do valor mdio global por regresso considerando os estratos separadamente
A varincia da mdia estratificada da estimativa por regres L Wh2 ( N h - n h ) [Vh ( y) - 2b so considerando os estratos separadamente V ( yR L ) ,=com os nh N h h =1 coeficientes angulares por estrato prefixados ( b0 h ), dada pela expresso: 2
S
V ( yR L ) =
S
Wh ( N h - n h ) [Vh ( y) - 2b0 h Vh ( x, y) + b02hVh ( x)] nh N h h =1
Como, geralmente, em inventrios florestais, o tamanho das amostras por estratos ( nh ) no pequeno, os coeficientes angulares podem ser estimados pela expresso:
n n i= 1
x
bh =
i= 1
nh
( xhi )( y hi )
hi
y hi n
i= 1
nh
n
( x hi ) 2
2 hi
x
i= 1
i=1
nh
203
Por conseguinte:
y RL = yh + b h ( X h - xh )
h
Ento, a expresso da varincia da mdia estratificada da estimativa por regresso considerando os estratos separaL Wh2 ( N h - n h ) [Vh ( y) 2b0 h Vh ( x, y)estimados + b02hVh ( x)] por damente V ( yR L ) ,=com os coeficientes angulares n N h =1 h h estrato ( bh ), :
S
( y ) = W 2V (y ) V RLS h RLh
I +!
Dado que:
V ( y RL h ) = ( N h - nh )Vh ( y )(1 - d h2 ) N h nh
E a sua estimativa:
( y ) = ( N h - n h )V ( y )(1 - d 2 ) ou V ( y ) = ( N h - nh )Q M V RLh Re s RL h h h N hn h N h nh
2) Estimativas por regresso a partir das mdias estratificadas das variveis y e x, considerando os estratos conjuntamente, ou seja, usando y est e xest . Este procedimento deve ser adotado quando no houver grande variao entre os verdadeiros valores dos coeficientes angulares Bh entre os estratos. a) valor mdio por regresso considerando conjuntamente os estratos L L L L e y = = W x Dado que: xEs e Whh y hh , ento: Est Estt hh hh Est
II + +!!
+! ! I I+
y RLC = y Est + bc ( X - xEst )
204
O coeficiente da regresso bc obtido considerando o conjunto total dos dados: n n

L h =1
bc =
{ n (n
L
Wh2 (1 - f h ) [ xhi yhi h h - 1) i =1
nh
( xhi )( yih )
i =1 i =1
nh ( xhi ) 2
i =1 nh
]}
Wh2 (1 - f h ) ni 2 { [ xhi h =1 nh ( nh - 1) i =1
nh
]}
Se a alocao for proporcional e no caso de grandes amostras, substituir (nh 1) por nh ,nhresultar: nh
bc'' bc =
[ x [ x =
h=1 h=1 i=1 i=1 L L
L L
nh nh
hi hi
yhi yhi 2 2 hi hi
nh nh xhi )( y ) ( x )( i=1 y ih ( ) ih i =1 hi i =1
[ x [ x
h=1 h=1 i =1 i =1
ni ni
nh nh nh nh ( x hi )2 x )2 ( i =1 hi
i =1
i=1
] ]
nh nh
] ]
= nh Pois: Nh h h Pois: N = n N n
b) valor total por regresso considerando conjuntamente os estratos
= Ny Y RLC RLC
c) varincia do valor mdio global por regresso considerando conjuntamente os estratos A frmula da varincia da mdia estratificada da estimativa L Wh2 ( N h - n h ) [ Vh (coeficientes y) - 2b0 h Vh ( x, y ) + b02hVh ( x)] por regresso V ( yR L ) ,=considerando os angulares n N h =1 por estrato b0 h prefixados, : h h
S
205
2 L 2 ( y ) = Wh ( N h - nh ) [V ( y ) - 2b V V 0 h h ( x, y ) + boh Vh ( x )] RLC h nh N h h =1
Quando o valor do coeficiente angular obtido atravs da amostra, tem-se: L2 L W 2 - nh ) W 2 2 h ( Nh (( (y V y = ( ) ( )[ xx , ,yy ))++ bb ( x )] [Vh ( y ) - 2b0 ) = V cV hh cV hV ohh Vh ( x )] RLC RLC Nhhnh h =1 h =1 nhN E sua estimativa:
2 L 2 ( y ) = Wh (1 - f h ) [V ( y ) - 2b V V RLC h c h ( x, y ) + bc Vh ( x )] n h =1 h
Exerccio 8.2 Um produtor florestal possui uma rea de 1200 ha. A rea apresenta trs tipos florestais (trs estratos) com ocorrncia de castanha do brasil. As rvores de castanha do brasil esto identificadas e plotadas em um mapa logstico, o que permite conhecer o nmero total populacional de rvores por estrato. Os estratos esto subdivididos em unidades de 1 ha. Os dados foram simulados considerando uma amostra simples ao acaso de uma populao binormal por estrato ( n1 = 40, n 2 = 39 e n3 = 38). A Tabela 8.3 apresenta os vetores de mdias e matrizes de covarincias por estrato considerando a produo de sementes de castanha (y) e o nmero de rvores (x) por parcela de 1 ha. A Tabela 8.4 apresenta os dados das amostras simples ao acaso por estrato ( n1 = 40, n 2 = 39 e n3 = 38). A Tabela 8.5 apresenta as informaes populacionais sobre a varivel auxiliar (nmero de rvores).
206
1) Obter as estimativas por regresso por estrato e comparar os resultados sem considerar a varivel auxiliar nmero de rvores. 2) Efetuar a anlise global para as estimativas por regresso considerando os estratos separadamente e comparar os resultados sem considerar a varivel auxiliar nmero de rvores. 3) Obter a anlise global para as estimativas por regresso considerando os estratos conjuntamente, ou seja, a partir de y Est e xEst , e comparar os resultados sem considerar a varivel auxiliar nmero de rvores. 4) Comparar os resultados das estimativas por regresso considerando os estratos separadamente versus os estratos conjuntamente ( y Est e xEst ). 5) Discutir e concluir sobre os resultados principalmente sem usar a varivel auxiliar nmero de rvores.
Tabela 8.3 - Vetores das mdias e as matrizes de covarincias da populao.
Est I Vetor de mdias 30 0 0 2 2 10 88 Matriz de covarincia
0 2 7,2 2 0 16 7,2 8 48 2 2 0 5,7 90 8 8 5,7 5

2,3 2 2 0 40 8 8 2,3 2
II
0 0 2 20 2 18 8 8
21 0 0 2 2 8 5 8
III
207
Tabela 8.4 - Dados das amostras simples ao acaso por estrato.

Estrato I Estrato II Estrato III
UA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
y
28,37 26,69 40,84 34,03 23,61 28,03 25,43 33,16 37,17 38,26 28,12 23,10 32,21 26,30 29,39 27,28 29,08 29,33 29,91 36,48 33,42 29,52 34,08 22,18 29,03 28,43 32,69 24,76 34,00 26,66 31,66 34,26 30,45 32,93 25,86 29,59 30,32 29,91 28,33 27,59
x
10 9 16 11 8 9 9 11 14 14 9 8 8 10 8 8 9 11 12 11 12 11 13 7 11 9 12 8 11 9 10 13 11 11 9 10 10 10 10 9
y
21,8 21,0 23,5 19,6 22,6 17,3 18,3 21,9 21,5 25,5 16,7 19,3 21,5 18,0 21,4 27,4 21,3 19,2 18,5 17,9 25,6 23,4 25,2 23,8 23,1 18,9 25,5 20,9 22,1 16,8 19,3 18,1 16,8 20,6 21,6 20,5 19,3 13,3 20,2
x
6 9 11 8 9 5 8 10 7 12 8 8 10 6 9 12 3 11 7 7 11 10 12 10 9 6 12 8 10 5 7 8 6 13 8 9 6 3 8
y
15,47 15,14 12,90 14,24 15,37 12,71 9,66 11,29 7,89 8,71 14,04 11,55 13,79 13,25 13,29 14,91 14,33 11,18 15,37 11,12 14,36 13,91 11,33 12,79 10,11 12,79 15,87 11,88 12,38 12,95 11,55 13,58 12,03 14,02 9,37 14,15 12,38 11,57
x
6 8 4 3 6 5 3 3 6 4 6 5 3 6 7 8 6 5 6 4 7 8 5 4 7 4 7 4 5 4 7 6 6 6 4 5 5 5
208
Tabela 8.5 - Nmero de rvores por estrato (Populao).

Estrato I II III rea em ha 600 360 240 N0 de rvores por estrato 6.240,0 3.060,0 1.248,0 N0 de rvores/ha 10,40 8,50 5,20
1) Estimativas por regresso por estrato e comparao dos resultados sem considerar a varivel auxiliar nmero de rvores Sabe-se que: 600 ha 360 ha 240 ha W1 = = 0,5; W2 = = 0,3; W3 = = 0,2 1.200 ha 1.200 ha 1.200 ha
N 1 = 600; N 2 = 360 ; N 3 = 240
a) estimativa por regresso para o estrato I a1) produo mdia de sementes por regresso Dado:
y1i = 1.202,460 ;
i= 1
n1
x1i = 411;
i =1 n1 2 i =1
n1
x
i =1
n1
1i
y1i = 12.624,2;
1i
y1i = 36.821,649;
i= 1
n1
x1i = 4.369
x
i =1
N1
= 6.240; N 1 = 600;
x
X1 =
i= 1
N1
1i
N1
6.240 = 10,4 rvores / ha 600
209
Ento:
x
b1 =
i =1
n1
( x1 i )( y1i )
1i
n1
n1
yi -
i =1
i =1
n1 ( x1 i )
n1 2
x
b1 =
i =1
n1
( x1 i )( y1i )
1i
n1
n1
yi -
i =1
i =1
x
i= 1
n1
n1 ( x1 i ) 2
n1
2 1i
i=1
n1
12 .624,2 b1 =
y RL1
1
b1 = 4112 1.202,46 411 4 . 369 = y1 + b1 ( X 1 - x1 ) = + 1,842257236 (10,4 - 40 ) 40 40
411 1 .202,46 n1 i= 1 40 = 1,842257236 411 1 .202,46 4112 12 .624,2 4 .369 40 40
n1
2 1i
i=1
= 1,842257236
yR L = 30, 29178215 kg / ha
y RL1 = y1 + b1 ( X 1 - x1 ) =
1.202,46 + 1,842257236 (1 40
a2) estimativa da varincia de yR L1 = 30, 29178215 kg / ha Dado:

[ x1i y1 i d12 =
n1 i= 1 n1
( x1i )( y1i )
i= 1 i =1
n 1
n1
n1
2 n1
]2 ( y1i )
2
( x1i )
2 i=1
n1
[ x1i i =1
n1
][ y1i 2 i=1
n1
i= 1
n1
411 1.202,46 2 ] 40 2 = d = 0,735165376 1 411 2 1.202,46 2 (4.369 )(36.821,649 ) 40 40 [12.624,2 n1
( y1 i ) 2
i=1
n1
( y1 ) = V
y12i i=1
n1
36821,649 =
n1 - 1
1 .202 ,46 2 40 = 17 ,27942846 (kg / ha ) 2 39
210
x
b1 =
i =1
n1
( x1 i )( y1i )
1i
yi -
i =1
i =1
n1 2 ( x1 i ) Estimativa por regresso i=1 n1
x
Ento:
1 i= 1
n1
2 1i
n1
411 1 .202,46 600 - 40 ( y ) = ( N 1 - n1 )V ( y )(1 - d 2 ) =12 .624 ,2 V 17,27942846 (1 - 0 ,735165376) 1 1 RL1 40 N 1n1 b = 600 40 = 1,842257236
( y ) = 0,106777788 (kg / ha) 2 V RL1
4 .369 -
4112 40
1.202,46 4 ( y RL ) = 0,326768708 kg / ha s( yR L1 ) / ha = V y RL1 = y1 + b1 ( X 1 - x1 ) 1, 842257236 (10,4 - = 1 = = N y += Y 600 30,29178215

RL1
40
R L1
/ ) = N 2V ( y ) = 6002 0,1067 = sua 30, 29178215 kg ha a3) estimativa do total yR L1 e varincia V (Y RL1 RL1
= N y = 600 30,29178215 = 18.175,06929 kg Y RL1 R L1 )= V (y RL1 ) = 196,0612243 kg s (Y RL1 (Y ) = N 2V ( y ) = 6002 0,106777788 = 38.440,00368 kg 2 V
RL1 RL1
)= V (y RL1 ) = 196,0612243 kg s (Y RL1
a4) intervalo de confiana do valor mdio populacional Y1 Limite inferior

yRL1 - t s( y RL1 ) = 30,29178215 - 2 ,0223 0,326768708 = 29,630958 kg / ha
Limite superior
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional do estrato I encontra-se no intervalo de 29,630958 kg de sementes/ ha a 30,61855 kg de sementes/ ha. a5) intervalo de confiana para o valor total Y1 Limite inferior
RL - t s (YRL ) = 18 .175 ,06929 - 2 ,0223 196 ,061224 = 17 .778 ,57468 kg Y
1 1
211
Limite superior
+ t s(Y ) = 18 Y . 175,0 6929+ 2+ ,0223 196 , 061224 3 = 18.571 ,56 39 kg 18.175,06929 2,0223 x 196,0612243 = 18.571,5639 kg RL RL 1 1
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional do estrato I encontra-se no intervalo de 17.778,57468 kg de sementes a 18.571,5639 kg de sementes. a6) limite de erro da estimativa por regresso t s( y RL1 ) 2, 0223 0,326768708 = 100 = 2,1815 % LE ( y RL1 ) = 30, 29178215 y RL1 a7) limite de erro da estimativa sem considerar a varivel auxiliar nmero de rvores Dado:
n1
y
y1 =
i =1
1i
n1
1.202,46 = 30,0615 kg / ha 40
( y ) = V ( y1 ) ( N 1 - n1 ) = 17 ,27942846 ( 600 - 40 ) = 0,403186664 (kg / ha ) 2 V 1 n1 N1 40 600 ( y1 ) = 0,403186664 = 0,634970 (kg / ha ) s( y1 ) = V
Ento,
LE SV ( y1 ) = t s( y 1 ) y1 100 = 2,0223 0,634970 100 = 4 ,2716 % 30 ,0615
a8) eficincia da estimativa da mdia por regresso versus a da mdia sem considerar a varivel auxiliar nmero de rvores A eficincia definida como o quociente entre o limite de erro sem considerar a varivel auxiliar versus o valor obtido pelo mtodo da regresso.
212
Ef =
LE SV ( y1 ) 4 ,2716 = = 1,9581 LE ( yRL ) 2,1815

1
O resultado do estrato I mostra que o limite de erro correspondente anlise sem considerar a varivel auxiliar apresenta um valor 95,81% superior ao encontrado pelo mtodo por regresso, demonstrando ser este mtodo mais eficiente que aquele. b) estimativa por regresso para o estrato II Dado:
y 2 i = 809,2; y i=1 i= 1
n2 2 x2i = 2.969; i= 1 N2 n2 i =1 n2 n2 2 2i n2
= 17.124,9;
x
i =1
2i
= 327;
x
i=1
N2
2i
= 3. 060;
2i
y2 i = 6.987,8; N 2 = 360;
x
X2 =
i= 1
2i
N2
3.060 = 8,5 rvores / ha 360
b1) produo mdia de sementes por regresso

n2 n2 n2
( x2 i )( y 2i )
1i
x
= b 2
i =1
y2 i -
i =1
i =1
n2
n2
6 .987 ,8 =
n2
( x 2i )
2 2i
x
i =1
i =1
327 809 ,2 39 = 0,893229519 327 2 2 .969 39
n2
y RL2 = y 2 + b2 ( X 2 - x 2 ) =
809,2 327 + 0,893229519 (8,5 ) 39 39
y RL2 = y 2 + b 2 ( X 2 - x 2 ) = 20,85178289 kg / ha
213
b1 =
40 4112 4 .369 40
= 1,842257236
1.202,46 Waldenei Travassos y RL1 = y1 + b x1 ) = de Queiroz + 1,842257236 ( 1 ( X1 40
b2) estimativa da varincia de yR L1 = 30, 29178215 kg / ha Dado que:

n2 n2 i=1 n2 i =1 2
( x 2i )( y2 i ) n2
n2 n2 2 ][ y2 i i =1 i=1
[ x 2i y2 i 2 = d 2
n2 2 [ x2 i i= 1 i=1 n2
( x 2 )2
i=1
( y 2i ) 2 n2 ]
n2
327 809 ,2 2 ] 39 2 = d = 0 ,541127912 2 327 2 809,2 2 ( 2 .969 )(17 .124 ,9 ) 39 39 [ 6 .987,8 n2 n2
( y 2 i )2
2 2i
y
(y ) = V 2
i=1
i= 1
n2
17.124,9 = 38
n 2 -1
809,2 2 39 = 8,816774629 (kg / ha )2
Ento:
2 ) = 360 - 39 8,816774629 (1 - 0 ,541127912) ( y RL ) = ( N 2 - n 2 )V ( y 2 )(1 - d V 2 2 N 2 n2 360 39 ( y ) = ( N 2 - n2 )V ( y )(1 - d 2 ) = 0,092499483 ( kg / ha )2 V 2 2 RL N 2 n2
2
( y ) = 0,304137276 kg / ha s( yR L2 ) / ha = V RL2
Y = N y = 360 20,85178289 = 7 . 506,64184 kg2 2 2 RL2 2 RL2 (Y ) = N 2V V ( y RL2 ) = 360 V (Y 20),092499483 = N2 V ( y RL2 = ) 11 = 360 .987 , 933 0 ,0 k RL2 RL 2
85178289 (Y e ) )= N y = 7= N 2 y RL = 360 V 20 Y , 360 ,64184 20,8517828 kg b3) estimativa do total Y varincia RL2 = sua 2 RL2 .506 R l RL 22 2
(Y ) = N 2V ( y ) = 360 2 0,092499483 = 11.987,933 kg 2 V RL2 RL2 2 )= V (Y ) = 109s ) = kg (Y ) = 109,4894196 s (Y V ,4894196 (Y RL2 RL2 RL2 RL2 s(Y ) = V (Y ) = 109,4894196 kg
RL2 RL2
214
b4) intervalo de confiana do valor mdio populacional Y2 Limite inferior

y RL - t s( y RL ) = 20, 85178289 - 2, 0253 0,304137276 = 20, 23581368 kg / ha
2 2
Limite superior
y RL 2 + t s ( y RL 2 ) = 20 ,85178289 + 2 ,0253 0 ,304137276 = 21, 46775212 k g / ha
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional do estrato II encontra-se no intervalo de 20,23581368 kg de sementes/ ha a 21,46775212 kg de sementes/ ha. b5) intervalo de confiana do valor total populacional Y2 Limite inferior
R L - t s (Y R L ) = 7 .506 ,64184 - 2,0253 109 ,4894196 = 7.284 ,892918 kg Y
2 2
Limite superior
+ t s(Y ) = 7.506, 64184 + 2, 0253109,489 4196 = 7. 728,3 90762 kg Y RL RL
2 2
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional do estrato II encontra-se no intervalo de 7.284,892918 kg de sementes a 7.728,390762 kg de sementes. b6) limite de erro da estimativa por regresso
LE( y RL 2 ) = t s ( y RL 2 ) y RL 2 100 = 2 ,0253 0 ,304137276 100 = 2,9540 % 20 ,85178289
b7) limite de erro da estimativa sem considerar a varivel auxiliar nmero de rvores
215
Dado:
n2
y
y2 =
i =1
2i
n2
809,2 = 20 ,748718 kg / ha 39
( y2 ) = V ( y 2 ) ( N 2 - n 2 ) = 8,8167746296 ( 360 - 39 ) = 0 ,201580 (kg / ha )2 V n2 N2 39 360 ( y ) = 0 ,201580 = 0,448977 ( kg / ha ) s( y 2 ) = V 2
Ento:
LES V ( y2 ) = t s( y 2 ) y2 = 2,0253 0 ,448977 100 = 4,3608 % 20,851783
b8) eficincia da estimativa da mdia por regresso versus a da mdia sem considerar a varivel auxiliar nmero de rvores A eficincia definida como o quociente entre o limite de erro sem considerar a varivel auxiliar versus o valor obtido pelo mtodo da regresso. LE SV ( y 2 ) 4,3608 = = 1,4762 Ef = LE ( y RL2 ) 2,9540 O resultado do estrato II mostra que o limite de erro correspondente anlise sem considerar a varivel auxiliar apresenta um valor 47,62% superior ao encontrado pelo mtodo por regresso, demonstrando ser este mtodo mais eficiente que aquele. c) estimativa por regresso para o estrato III c1) produo mdia de sementes por regresso
216
Dado:
y 3i = 483,23 ;
i= 1 n3 2 3i i= 1 N3
n3
x3i = 203,0;
i= 1 n3 2 i= 1
n3
x
i =1
n3
3i
y 3i = 2. 623,27; = 1.248; N 3 = 240;
y = 6.285,475; x
X3 =
i=1 3i
x3i = 1.161,0;
x
i =1
N3
3i
N3
1.248 = 5,2 rvores / ha 240

n3 n3
Ento:
x
b3 =
i= 1
n3
( x3 i )( y 3i )
3i
y 3i -
i= 1
i=1
n3 ( x 3i )
n3 2
-3 2.623,27. n
x
i= 1
n3
2 3i
i =1
203 483,23 ( x3 i )( 38 i= 1 i=1 2 x203 3 i y 3i n3 1.161 b3 = i=1 38 n
n3
y
2
n3
3i
) =
2.623,27. -
n3
b 3 = 0,546088002 yRL
3
x
i= 1
n3
( x 3i )
2 3i
1.161
i =1
483,23 203 = y3 + b3 ( X 3 - x3 ) = + 0,546088002 (5,2 ) = 12,63897697 kg / ha 38 38 b 3 = 0,546088002
n3
c2) estimativa da varincia de yRL = y3 + b3 ( X 3 - x3 ) =

3
483,23 + 0,546088002 (5 38
Dado:
[ x3 i y3i 2 = d 3
n3 i=1 n3
n3 i=1
n3 i =1
( x3i )( y 3i ) n3
n3 2 ][ y3 i i=1 n3 i=1
]2 ( y3 i ) 2 n3 ]
( x3 ) 2
i =1
n3
2 [ x3 i i= 1
n3
203 483,23 2 ] 38 2 d3 = = 0,162549887 203 2 483,23 2 (1 .161 )(6 .285,475 ) 217 38 38 [ 2.623,27 n3 n3
( y3 i )2
i =1
(y ) = V 3
2 y3 i i=1
n3
6.285,475 =
483,232 38 = 3,795744737 (kg / ha) 2
n3
n3 i =1
[ x3 i y3i 2 = d 3
i=1
n3
( x3i )( y 3i )
i=1
n3
n3 2 ][ y3 i i=1 n3 i=1
]2 ( y3 i ) 2 n3 ]
( n3 Amostragem em inventrio florestal

2 [ x3 i i= 1 i =1
x3 ) 2
n3
n3
2 d 3
203 483,23 2 ] 38 = = 0,162549887 203 2 483,23 2 (1 .161 )(6 .285,475 ) 38 38 [ 2.623,27 n3 n3
( y3 i )2
i =1
(y ) = V 3
2 y3 i i=1
n3
6.285,475 = 37
n3 - 1
483,232 38 = 3,795744737 (kg / ha) 2
Ento:
( y ) = ( N 3 - n3 )V ( y )(1 - d 2 ) = 240 - 38 3,795744737 (1 - 0,162549887) V RL3 3 3 N 3n3 240 38 N n 3 (y ) = ( 3 2 ) = 0 ,070406454 (kg / ha ) 2 V )V ( y3 )(1 - d 3 RL N 3 n3
3
s( y RL 3 ) / ha = V ( y RL3 ) = 0,265342146 kg / ha
= N3 y Y RL3 RL 3 = 240 12,63897697
2 (Y e (y )= 2402 0 ,070 N 3 y RL = 240 V 12 , 63897697 3RL .033 ,354473 kg c3) estimativa do total Y varincia RL3 ) = N3 V= RL3 = sua 3 3
= N3 y Y 63897697 =2V 3.( 033 kg (Y )=N 2 RL3 RL 3 = 240 12,V y RL,3354473 ) =s240 0,070406454 = 4.058,75750 (Y RL3 3 RL3 ) = V (YRL3 ) = 63,7083786 kg (Y ) = N 2V ( y ) = 2402 0,070406454 = 4.058,757504 kg 2 V RL3 RL3 3 )= V (Y ) = 63,7083786 kg s (Y RL3 RL3 )= V (Y ) = 63,7083786 kg s (Y RL3 RL3
c4) intervalo de confiana do valor mdio populacional Y3 Limite inferior

y RL - t s( y RL ) = 12, 63897697- 2, 0275 0, 265342146 = 12,10099577 kg / ha
3 3
Limite superior
12,63897697 +2 2,0275 0,265342146 13,17695817 kg/ha yRL3 + t s( yRL3 ) = 12 ,63897697 + ,0275 x 0, 265342146 == 13 ,17695817 kg / ha
218
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional do estrato III encontra-se no intervalo de 12,10099577 kg/ ha a 13,17695817 kg/ ha. c5) intervalo de confiana do valor total populacional Y3 Limite inferior
- t s (Y ) =3 Y . 033 ,354473 -2 63 = 2. 904 ,185735 kg kg 3.033,354473 ,0275 2,0275 x,7083786 63,7083786 = 2.904,185735 RL3 RL3
Limite superior
+ t s(Y ) = 3.033,354473 Y 3.033,354473+ ,0275x 63 ,7083786= 3 ,523211kgkg +2 2,0275 63,7083786 =.162 3.162,523211 RL3 RL3
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional do estrato III encontra-se no intervalo de 2.904,185735 kg a 3.162,523211 kg. c6) limite de erro da estimativa por regresso
LE( y RL3 ) = t s (y RL3 ) y RL3 100 = 2,0275 0,265342146 100 = 4,2565 % 12,63897697
c7) limite de erro da estimativa sem considerar a varivel auxiliar nmero de rvores Dado:
y
y3 =
i =1
n3
3i
n3
483,23 = 12,716579 kg / ha 38
( y ) = V ( y3 ) ( N 3 - n 3 ) = 3,795744737 ( 240 - 38 ) = 0,084072416 ( kg / ha ) 2 V 3 n3 N3 38 240 ( y ) = 0,084072416 = 0,289952 (kg / ha ) s( y3 ) = V 3
219
Ento:
c8) eficincia da estimativa da mdia por regresso versus a da mdia sem considerar a varivel auxiliar nmero de rvores A eficincia definida como o quociente entre o limite de erro sem considerar a varivel auxiliar versus o valor obtido pelo mtodo da regresso. LE SV ( y 3 ) 4,6229 = = 1,0861 Ef = LE ( y RL3 ) 4, 2565 O resultado do estrato III mostra que o limite de erro correspondente anlise sem considerar a varivel auxiliar apresenta um valor 8,61 % superior ao encontrado pelo mtodo por regresso, demonstrando ser este mtodo mais eficiente que aquele. 2) Efetuar a anlise global para as estimativas por regresso considerando os estratos separadamente e comparar os resultados sem considerar a varivel auxiliar nmero de rvores a) valor mdio global por regresso considerando separadamente os estratos Dado:
yR L = yh + bh ( X h - xh )
h
Ento:
1 1
y RL = y1 + b1( X 1 - x1 ) = 30 ,291782 y RL = y1 + b1( X 1 - x1 ) = 30 ,291782 yR L = y3 + b3 ( X 3 - x3 ) = 12,638977 yR L = y3 + b3 ( X 3 - x3 ) =220 12,638977

3 3
y R L2 = y 2 + b2 ( X 2 - x2 ) = 20,851783 y R L2 = y 2 + b2 ( X 2 - x2 ) = 20,851783
y RL = y1 + b1( X 1 - x1 ) = 30 ,291782
1
y R L2 = y 2 + b2 ( X 2 - x2 ) = 20,851783
yR L = y3 + b3 ( X 3 - x3 ) = 12,638977
3
Portanto:
y RLS = Wh y RLh
i =1
yR LS ==
600 360 240 30 ,291782 + 20 ,851783 + 12 ,638977 1.200 1 .200 1.200
yRL S = 23,929222 kg / ha
b) valor total global por regresso considerando separadamente os estratos

= Y Y RLh = 18.175,06929 + 7.506,64184 + 3.033,354473 RL S
h=1 L
= 28. 715, 0656 kg Y RLS
c) varincia do valor mdio global por regresso considerando os estratos separadamente

( y ) = W 2V V h ( y RLh ) RL S
I +! L
( y ) = ( 600 ) 2 0,1067777 88 + ( 360 ) 2 0,09 249948 3 + ( 240 ) 2 0, 07040 6454 V RL 1.200 1 .200 1. 200
S
( y ) = 0, 0378356 6 ( kg / ha) 2 V RL
S
( yRL ) = 0,03783566 = 0,194514 (kg / ha ) s( y RL ) = V

S S
d) limite de erro considerando os estratos separadamente

LE S = t s ( y RL )
S
y RL
100 =
2,00 0,194514 100 = 1, 6257 % 23,929222
221
e) limite de erro sem usar a varivel auxiliar nmero de rvores Dado:

y Est =
L
W
h=1
yh =
60 0 1202, 46 360 809, 2 240 483, 23 + + = 23,79 868 1 1.200 40 1.200 39 1. 200 38
2 (y) Wh V h = 0,1323 36 nh h=1 L
( y h ) = 12, 0438 WhV h=1

2 L ( y ) = Wh Vh ( y) - 1 V n Est N h =1 h
( y ) = 0,132336 12 ,0438 W V 1200

h h h =1
( y ) = 0,122299 ( kg / ha ) 2 V Est ( y ) = 0 ,122299 = 0,349713 kg / ha s ( y Est ) = V E st
Ento:
LE SV = t s( y RLEst ) yR LEst 100 = 2,00 0 ,349713 100 = 2 ,9389 % 23,798681
( y Est ) 2,9389 da mdia por regresso com esLE SV da f) eficincia estimativa = = 1,8078 Ef = 1,6257 LE S ( yRLS )versus tratos separados a calculada sem considerar a vari) 2,9389 LE SV ( y Est . vel auxiliar nmero de rvores Ef =
A eficincia definida como o quociente entre o limite de erro da estimativa da mdia sem considerar a varivel auxiliar nmero de rvores versus o calculado com estratos separados.
Ef = LE SV ( y Est ) 2,9389 = = 1,8078 LE S ( yRLS ) 1,6257
LE S ( yRLS )
1,6257
= 1,8078
O resultado mostra que a anlise com os estratos separados apresenta uma eficincia de 80,78% ao encontrado sem considerar a varivel auxiliar nmero de rvores.
222
3) Anlise global para as estimativas por regresso considerando os estratos conjuntamente, ou seja, a partir de y Est e xEst . Comparar os resultados sem considerar a varivel auxiliar nmero de rvores a) coeficiente de regresso estimado considerando os estratos conjuntamente Sabe-se que:
nh nh
bc =
Wh2 (1 - f h ) n [ xhi yhi { ( 1 ) n n h=1 i =1 h h

L
h
( xhi )( y hi )
i =1 i =1
nh ( x hi ) 2
i=1 nh
]}
{ n (n
h=1
W (1 - f h ) 2 [ xhi 1 ) 1 = i h h
2 h
nh
nh
]}
Dado que:
y1i = 1.202,460 ;
i= 1
n1
x1i = 411;
i =1
n1
x1i y1i = 12 .624,2; i =1
n 1
y
i= 1
n1
2 1i
= 36.821,649;
x
i =1
n1
2 1i
= 4.369
Seja:
bc =
A1 + A2 + A3 C1 + C 2 + C3
n1 n1
Tal que:
W12 (1 - f1 ) n1 [ x1 i y1i A1 = n1 (n1 - 1) i =1 ( x1i )( y1 i )
i =1 i= 1
n1
223
0,5 2 (1 A1 =
40 ) 600 (12 .624 ,2 - 411 1 .202 ,46 ) = 0,0402236 40 39 40
C1 =
W12 (1 - f 1 ) n1 2 [ x1 i n1 (n1 - 1) i=1 0,52 (1 -
( x1i ) 2
i= 1
n1
n1
C1 =
n2
40 ) 2 600 (4.369 - 411 ) = 0,0218339 40 39 40

n2 n2 2i
y
i= 1 n2 i= 1
2i
= 809,2 ;
x
i= 1
= 327;
2 2i
x
i =1
2i
y 2i = 6.987,8;
n2
y 22i = 17.124,9;
A2 =
x
i= 1
= 2.969; ( x 2 i )( y 2 i )
i =1 i= 1 n2 n2
W22 (1 - f 2 ) n 2 [ x2 i y 2 i n2 ( n2 - 1) i =1
0,3 2 (1 -
n2
A2 =
39 ) 360 ( 6.987,8 - 327 809,2 )) = 0 ,0109907 39 38 39

n2
C2 =
W (1 - f 2 ) 2 [ x 2i n2 (n 2 - 1) i =1 0,32 (1 -
2 2
( x2 i ) 2
i=1
n2
n2
C2 =
n3
39 ) 2 360 (2.969 - 327 ) = 0,0123045 39 38 39
y 3i = 483,23;
i= 1 n3
x3i = 203,0;
i= 1 n3
2 3i i= 1
n3
x
i =1
n3
3i
y 3 i = 2 .623,27;
2 y3 i = 6.285, 475; x i =1
= 1 .161,0;
224
W32 (1 - f 3 ) n3 [ x3 y3 A3 = n3 ( n3 - 1) i=1 i i
0,2 2 (1 A3 =
( x 3i )( y3 i )
i =1 i =1
n3
n3
n3
38 ) 240 ( 2.623,27 - 203 483,23) ) = 0,001001008 38 37 38

2
C3 =
W 3 (1 - f 3 ) n3 2 [ x3 i n3 ( n3 - 1) i =1 0,2 2 (1 -
( x3 i ) 2
i =1
n3
n3
C3 =
38 ) 2 240 (1.161 - 203 ) = 0,00183305 38 37 38
bc =
bc =
A1 + A2 + A3 C1 + C2 + C3
0 ,0402236 + 0 ,0109907 + 0,001001008 = 1,4515764 0 ,0218339 + 0 ,0123045 + 0 ,00183305
x
X=
i =1
6 .240 + 3.060 + 1 .248 = 8,79 rvores / ha 600 + 360 + 240
b) valor mdio global por regresso considerando os estratos conjuntamente Sabe-se que:
L
x Est = W h xh =
h =1 L
600 411 360 327 240 203 + + = 8,721306 1.200 40 1.200 39 1 .200 38
yEst = Wh yh =
h =1
600 1202,46 360 809,2 240 483,23 + + = 23,798681 1.200 40 1.200 39 1.200 38
225
Ento:
y R LC = y Est + bc ( X - x E st )
y RLC = 23,798681 + 1,451576403(8,79 - 8,721306 )
y R LC = 23,898396 kg / ha
c) valor total global por regresso considerando os estratos conjuntamente
= Ny Y RL C RL C = 1 . 200 23, 898396 = 28 . 678 ,0747 kg
d) varincia do valor mdio global por regresso considerando os estratos conjuntamente

2 L 2 ( y ) = W h (1 - f h ) [V ( y) - 2b V V RLC h c h ( x, y ) + bc V h ( x) ] nh h =1
Dado que:
( y RL ) = K1 + K 2 + K 3 V
C
Sendo:
K1 = W1 2 (1 - f1 ) 1 ( x, y) + bc2V 1 (x )] [V1 ( y ) - 2bcV n1
0,5 2 (1 K1 = 40 40 ) 600 (17,27942 - 2 1,4515764 6,89599 + 1,45157642 3,74295)
K1 = 0,03001822 K2 = W22 (1 - f 2 ) ( x, y ) + b 2 V [V 2 ( y ) - 2bcV 2 c 2 ( x )] n2

0,3 2 (1 K2 = 39 39 ) 360 (8 ,81677 - 2 1,4515764 5 ,34130 + 1,4515764 2 5 ,97976 )
226
K 2 = 0, 01216087
K3 = W32 (1 - f 3 ) ( x , y ) + b 2V [V3 ( y ) - 2bcV 3 c 3 ( x )] n3
K1 =
40
600 (17,27942 - 2 1,4515764 6,89599 + 1,45157642 3,74295)
K1 = 0,03001822 K2 = W22 (1 - f 2 ) ( x, y ) + b 2 V [V 2 ( y ) - 2bcV 2 c 2 ( x )] n2

0,3 2 (1 K2 = 39
39 ) 360 (8 ,81677 - 2 1,4515764 5 ,34130 + 1,4515764 2 5 ,97976 )
K 2 = 0, 01216087
K3 = W32 (1 - f 3 ) ( x , y ) + b 2V [V3 ( y ) - 2bcV 3 c 3 ( x )] n3
0, 2 (1 K3 = 38
2
38 ) 240 (3,79573 - 2 1, 45157 64 1,12985 + 1, 451 5764 2 2, 068 99)
K 3 = 0,0043191834 ( y RL ) = K 1 + K 2 + K 3 = 0,046498273 ( kg / ha ) 2 V
C
( y RL ) = 0 ,046498273 = 0 ,215635 kg / ha s ( y RLC ) = V C
e) limite de erro considerando os estratos conjuntamente t s( y RLC ) 2,00 0,215635 100 = 100 = 1,8046 % LEC = 23,898396 y RLC f) eficincia da estimativa da mdia por regresso considey Est + b X - x E st ) sem rando os estratos conjuntamente ( y R LC )= versus a c (calculada considerar a varivel auxiliar
y RLC = 23,798681 + 1,451576403(8,79 - 8,721306 )
A eficincia definida como o entre o limite de y Rquociente LC = 23,898396 kg / ha erro da estimativa da mdia sem considerar a varivel auxiliar nmero de rvores versus o calculado considerando os estratos conjuntamente.
Ef = LE SV ( y Est ) 2 ,9389 = = 1,6286 1,8046 LE( y RLC )
227
Sendo:
LE SV = t s( y RLEst ) yR LEst 100 = 2,00 0 ,349713 100 = 2 ,9389 % 23,798681
O resultado mostra que a anlise considerando os estratos conjuntamente (funo de y Est e xEst ) apresenta uma eficincia de 62,86% ao encontrado sem considerar a varivel auxiliar nmero de rvores. 4) Comparar os resultados das estimativas por regresy Est + bc ( X - x E st ) so considerando os estratos separadamente ( y R LC )= versus usando os estratos conjuntamente ( y R LC )= y Est + bc ( X - x E st )
y
RLC A eficincia definida como o quociente entre limite de y Ro LC = 23,898396 kg / ha erro da estimativa da mdia por regresso com os y R LC obtida = 23,898396 kgestra/ ha y Est + b X - x E st ) com estratos sepatos conjuntamente y R LC = versus oc ( calculado rados y R LC . = y Est + bc ( X - x E st )
y RLC = 23,798681 + 1,451576403( = 23,798681 + 1,451576403(8,79 - 8,72130
y R LC = 23,898396 kg / ha O resultado mostra que a anlise com os estratos separados apresenta uma eficincia 8,61% superior ao encontrado pelo mtodo por regresso que considera os estratos conjuntamente (funo de y Est e xEst ). importante ressaltar que os resultados deste exemplo revelaram uma grande vantagem quanto ao uso da estimativa por regresso em relao anlise sem considerar a varivel auxiliar nmero de rvores. Por outro lado, o uso da estimativa pela regresso na amostragem estratificada com os estratos separados recomendado quando existe variao entre os verdadeiros coeficientes de re-
y RLC = 23,798681 + 1,451576403(8,79 - 8,721306 ) ( ) LE y 1,8046 C , 798681 RLC y RL = 23 (8,79 - 8,721306 ) C = = + 1,451576403 = 1,0861 Ef y = 23 , 898396 kg / ha 1C ,6257 LE S ( y RLS ) R L
228
gresso, enquanto que a anlise em funo de y Est e xEst deve ser aplicada quando esses coeficientes forem homogneos. Os valores encontrados para os coeficientes de regresso para os trs estratos apresentaram certa variabilidade = 1,842257; b = 0,893230; b = 0,546088 ), o que resultou em (b 1 2 3 uma eficincia de 8,61 % para o mtodo de regresso com os estratos separados em relao ao obtido com a anlise conjunta dos estratos (funo de y Est e x Est ).
229
Captulo 9
AMOSTRAGEM POR CONGLOMERADO
Define a amostragem por conglomerados, descrevendo os parmetros populacionais e os seus estimadores. Apresenta as metodologias referentes aos conglomerados em estgio nico, em dois estgios e tambm em trs estgios. Apresenta a teoria sobre a amostragem por conglomerados em estgio nico e em dois estgios com unidades de grandezas iguais e desiguais, estendendo esta concepo quando ocorrer propores. Mostra a obteno dos componentes de varincias no modelo inteiramente ao acaso atravs do mtodo dos momentos ou da anlise de varincia. Discorre sobre a ocorrncia de estimativa negativa do componente de varincia entre conglomerados. Apresenta a anlise de conglomerados em dois estgios considerando a ocorrncia de tipologias diferentes na subparcela, assim como quando ocorrer uma varivel auxiliar. Mostra exemplos aplicativos sobre todos os temas abordados.
Amostragem por conglomerado
A amostragem por conglomerados ou grupos uma variao de qualquer processo de amostragem que, em vez de utilizar unidades de amostra individuais, usa um grupo ou conglomerado de pequenas subparcelas. As subparcelas tambm so denominadas subunidades ou unidades secundrias. Quando os conglomerados so selecionados aleatoriamente na floresta, pode-se definir que a amostragem consiste em reunir em grupos as subparcelas que em uma amostra inteiramente aleatria se dispersariam na floresta. Dessa forma, as subparcelas se restringem a uma rea especfica denominada subpopulao. Esse procedimento torna o trabalho de campo mais flexvel, sem deixar de permitir a determinao da estimativa da varincia da mdia para o inventrio florestal. A amostragem por conglomerados apresenta uma importante vantagem que a sensvel reduo dos custos, visto que custa mais efetuar a medio de unidades amostrais distribudas esparsamente na floresta que medir o equivalente quando as unidades esto reunidas em subpopulaes. Por outro lado, nos inventrios nos trpicos, quando as subparcelas do conglomerado so definidas sistematicamente e dimensionadas de tal forma que um conglomerado seja medido em um dia de trabalho, o custo de medio de campo ser sensivelmente reduzido. Entretanto, o clculo do erro de amostragem sofre uma pequena tendncia, pois, apesar dos conglomerados serem selecionados inteiramente ao acaso, tem-se que as subparcelas so tomadas sistematicamente. A tendncia no clculo da varincia da mdia pode ser considerada desprezvel no caso de inventrios florestais, pois, normalmente, os valores das variveis respostas so ordenados aleatoriamente por algum critrio objetivo ou mesmo se sucedem numa ordem natural, podendo-se, assim, atravs da anli-
233
se de varincia, ter uma aproximao satisfatria da estimativa da varincia da populao. A amostragem por conglomerados, no que se refere aplicao em levantamentos florestais, apresenta as seguintes vantagens: a) oferece melhor controle no trabalho de campo, pois as unidades de registro subparcelas do conglomerado - so menores; b) percepo de maior quantidade de variabilidade da varivel resposta em questo, pois o conglomerado formado por uma srie de subparcelas, as quais explicam a variabilidade dentro do conglomerado; c) em florestas tropicais, onde a acessibilidade difcil, vantajosa a aplicao da amostragem por conglomerados, principalmente quando apresenta uma forma estrutural para ser completamente mensurada no expediente de um dia de trabalho. Freese (1962) cita que em inventrios realizados em reas de difcil acesso, onde o custo de localizao da unidade de amostra alto, o uso da amostragem por conglomerados em dois estgios possibilita a reduo do custo do levantamento, pois em cada conglomerado amostrado so medidas vrias subparcelas. Loetsch e Haller (1964) citam que, em razo da concentrao das subparcelas na amostra por conglomerado apresentar uma diminuio das distncias a serem percorridas em relao amostra aleatria, haver uma substancial vantagem operacional e financeira. A amostragem por conglomerados classificada, de acordo com a tomada das subparcelas, em: a) amostragem por conglomerados em estgio nico: quando so levantadas todas as subparcelas;
234
b) amostragem por conglomerados em dois estgios: quando ocorre subamostragem para seleo das subparcelas; c) amostragem por conglomerados em trs estgios: quando ocorre subamostragem de conglomerados e tambm subamostragem de subparcelas. A amostragem por conglomerados pode evoluir para mais estgios. 9.1 AMOSTRAGEM POR CONGLOMERADOS EM ESTGIO NICO A amostragem por conglomerados em estgio nico definida quando em cada unidade primria selecionada so medidas todas as M subparcelas. As subparcelas tambm podem ser denominadas como unidades secundrias ou subunidades. 9.1.1 Parmetros populacionais e estimadores Para formulao dos parmetros populacionais e seus estimadores, ser considerado que a rea total da populao dividida em N unidades primrias ou conglomerados, das quais sero selecionadas n primrias. Ser considerado que cada unidade primria contm o mesmo nmero M de subparcelas. a) valor mdio por conglomerado e por subparcela A notao que ser usada uma extenso natural daquela que j vem sendo utilizada. O ndice inferior i indica o conglomerado e o j a subparcela dentro do conglomerado. yij = valor da varivel resposta correspondente j-sima subparcela correspondente ao i-simo conglomerado; yi. = valor total das subparcelas para o i-simo conglomerado;
235
Y = valor mdio populacional considerando os conglomerados; Yi = valor mdio populacional por subparcela para o i-simo conglomerado; Y = valor mdio populacional considerando todas as subparcelas; y i = valor mdio estimado por subparcela para o i-simo conglomerado; y = valor mdio estimado considerando todas as subparcelas; Y = valor total populacional; = valor total estimado. Y
Da:
y
Y =
i =1
i.
yi.
; Y =
1 i=
NM
Y ; y= M
y
i =1
i.
y
; y=
i =1
i.
nM
y M
b) valor total Y e seu estimador Y
= N y = NM y Y = NY = NMY ; Y
c) varincia populacional e seus estimadores
conglomerados; V ( y ) = varincia populacional considerando os valores das subparcelas; Vb ( y ) = V1 ( y ) M varincia dos conglomerados com base nas subparcelas; Vw ( y ) = varincia mdia das subparcelas dentro dos conglomerados;
V1 ( y ) = varincia populacional para os valores totais dos
236
V ( y ) = varincia populacional da mdia dos conglomerados; V ( y ) = varincia populacional da mdia das subparcelas; ( y ) = varincia estimada dos conglomerados; V 1 ( y ) = varincia estimada das subparcelas; V ( y) = V ( y ) M a varincia estimada dos conglomeraV b 1 dos com base nas subparcelas ou unidades secundrias; ( y ) = varincia mdia estimada considerando as subparV w celas dentro dos conglomerados; ( y ) = varincia estimada da mdia dos conglomerados; V ( y ) = varincia estimada da mdia das subparcelas. V
A Tabela 9.1 apresenta a anlise de varincia com base nas subparcelas, admitindo que os conglomerados foram selecionados atravs de uma amostra simples ao acaso:
237
Tabela 9.1 - Anlise de varincia com base nas subparcelas.

CAUSAS DE VARIAO Entre Conglomerados Dentro dos Conglomerados GL N-1 N(M-1) QM
QM ntre = Vb ( y ) QM EEntre = Vb ( y ) QM De ntro = V w ( y ) QM De ntro = V w ( y )

QMT otal = ( N -1 )Vb ( y) + N( M -1)Vw( y) N.M -1
TOTAL
NM-1
Sendo:
( y ) = ( n - 1) Vb ( y ) + n(M - 1)V w ( y) V nM - 1
(9.1)
A estimativa da varincia a partir das subparcelas, Expresso 9.1, tem uma pequena tendncia porque as subparcelas no fazem parte de uma amostra simples ao acaso dentro das unidades primrias ou conglomerados. As subparcelas so selecionadas em grupos contguos. Essa tendncia praticamente desprezvel se o nmero de conglomerados for maior que 50. A Expresso 9.1 pode ser escrita na forma simplificada 9.2.
( y ) = Vb ( y ) + ( M 1)V w ( y ) V M
A partir da teoria da anlise de varincia, tem-se:
V ( y) = ( N - n V1 ( y ) N - n MVb ( y ) =( ) ) N n N n
(9.2)
Tal que:
( y ) = ( N n ) V1 ( y ) = ( N n ) MVb ( y ) V N n N n
238
Portanto:
V ( y) = V ( y 1 ) = 2 V ( y) M M
Ento:
( y) = V ( y ) = 1 V ( y) V M M2
Expandindo-se para o total da populao, resulta:
(Y ) = V ( N y ) = N 2V ( y) V
A varincia do valor mdio por subparcela V ( y ) tambm pode ser expressa em funo do coeficiente de correlao intraconglomerado (d). Este coeficiente mede o grau de dependncia entre as subparcelas dentro do conglomerado, sendo definido pela frmula de Pearson:
d=
E ( yij - y )( yik - y ) E ( yij - y ) 2
Desenvolvendo-se, resulta:
N M
d=
E ( yij - y )( yik - y ) E ( yij - y )

2
2 ( yij -Y )( yik - Y ) =
i =1 j < k
( M - 1)( NM - 1)V ( y )
(9.3)
Conforme Cochran (1977), a Expresso 9.3 pode ser escrita na forma 9.4:
d= ( N - 1) M QM Entre - ( NM - 1)V ( y ) ( NM - 1)( M - 1)V ( y )
(9.4)
239
Que sob a condio ( N - 1) M @ ( NM - 1) , tem-se: QM Entre - V ( y ) d= ( M - 1)V ( y ) Quanto maior o coeficiente de correlao intraconglomerado mais homogneas so as subparcelas dentro dos conglomerados e menos eficiente a aplicao da amostragem por conglomerados. Seja uma amostra inteiramente ao acaso de n de conglomerados de uma populao de tamanho N, cada um dos quais possuindo M subparcelas. O valor mdio amostral por subparcela ( y ) uma estimativa sem tendncia de Y e sua varincia dada pela expresso:
1- f ( NM - 1) V ( y ) V ( y) = ( ) [1 + d ( M - 1)] n M 2 ( N - 1)
(9.5)
Sendo:
N M ij
( y
V ( y) =
i =1 j =1
- Y )2
NM - 1
Tomando-se NM-1 = NM e N-1 = N, a Expresso 9.5 pode ser simplificada para:

V ( y) = ( 1- f ) V ( y )[1 + d ( M - 1)] nM
Destarte: ( y ) = (1 - f ) V ( y )[1 + d( M - 1)] V nM
240
9.2 Amostragem por conglomerados em estgio nico com unidades de grandezas desiguais Seja uma amostra por conglomerado em estgio nico, para o caso mais geral, onde cada conglomerado seja constitudo por Mi unidades secundrias. 9.2.1 Parmetros populacionais e estimadores O valor mdio populacional por subparcelas dado, por:
Y =
y i. M
i =1
N
i =1 N
M
i =1
yi
M0
Dado que:
M0 = Mi
i =1
Para estimar o valor mdio por subparcela ( Y ) existem trs procedimentos: 1) Ignorando a variao de tamanho entre os conglomerados a) valor mdio estimado
y1 =
y
i =1
b) varincia da mdia estimada

N N i.
y
Y =
i =1 N i =1
M y
i
=
i
i =1
M0
241
c) valor total estimado e sua varincia
= M y e sua varincia ser O valor total estimado Y 1 0 1

(Y ) = M 2V igual a V 1 0 ( y1 ) .
Este procedimento gera uma estimativa tendenciosa e de pequena preciso, principalmente quando os valores de Mi variam muito e as mdias dos conglomerados y i apresentam pequena variao. 2) Proceder a uma estimativa por razo, onde os Mi constituem a varivel auxiliar a) valor mdio por razo estimado por subparcela
n
yR =
y
i =1 n i =1
i.
yn Mn
Tendo-se:
yn =
y
i =1
i.
; Mn =
M
i =1
b) varincia da mdia estimada por razo por subparcela Da teoria da estimativa por razo, tem-se:
V ( y R ) = E ( i =1n
n n n
M
i =1
yi
i
Y ) 2 = E[ i =1
( yi Y )
i
M
I =1
] 2 E ( i =1
( yi Y ) )2
nM N
242
Ento:
n 2 i i
n 2 i 2 R
( y ) = 1 ( N - n )( i =1 V R 2 MN nN
(M y )
- 2 y R M yi + y
i =1
M
i =1
2 i
n -1
Tal que:
MN = 1 N
M
i =1
c) valor total estimado por razo e sua varincia

= M y , ento sua varincia O valor total estimado Y R 0 R (Y ) = M 2V (y ) . ser igual a V R 0 R
3) Obter as estimativas se conhecidos os tamanhos dos conglomerados da populao a) valor mdio estimado
y3 =
y
i =1
i.
f M0
N i =1
Sendo: M 0 = M i ; f =
n N
b) varincia da mdia estimada ( y ) = 1 ( N n ) V1 ( y ) , tal que: V 3 2 MN N n
( y) = V 1
y
i =1
2 i.
( yi. ) 2
i =1
n 1
243
c) valor total estimado e sua varincia
= M y , ento sua varincia O valor total estimado Y 3 0 3 2 ser igual a V (Y3 ) = M 0 V ( y3 ) ..

Dentre os procedimentos apresentados, destaca-se que o segundo procedimento, estimativa por razo, o melhor sob o ponto de vista terico. Exerccio 9.1 Seja uma floresta de 1.000 ha dividida em 100 reas de observaes fenolgicas de dez hectares (unidades primrias ou conglomerados). Cada uma subdividida em cinco unidades secundrias ou subparcelas de dois hectares. Considerar uma amostra de dez conglomerados (C) e efetuar a anlise estatstica. A Tabela 9.2 apresenta a produo de sementes por subparcela (kg / 2 ha) para uma determinada espcie (dados fictcios).
Tabela 9.2 - Produo de sementes por subparcela (dados fictcios) kg/2 ha.
C 1 2 3 4 5 6 7 8 9 10 Total S1 11,0 9,6 14,1 15,4 10,0 13,0 12,1 13,5 12,3 14,4 S2 12,7 10,5 11,6 12,8 11,0 14,0 10,8 14,4 14,0 15,5 S3 12,0 8,0 12,6 14,1 10,9 12,9 12,0 15,1 13,2 17,0 S4 11,1 9,8 13,2 13,0 12,6 13,9 12,6 16,0 12,3 15,3 S5 10,7 8,0 12,5 14,0 12,1 12,8 12,9 15,9 11,5 15,0 Totais (
y i. )
( y) V wi
0,685 1,272 0,855 1,078 1,067 0,337 0,647 1,107 0,923 1,163 9,134
57,5 45,9 64,0 69,3 56,6 66,6 60,4 74,9 63,3 78,2 636,7
Tem-se que:
n
y
i= 1
i.
= 636 ,7;
2 y i2 . = 41 .330, 97 ; y ij =8302, 73 i=1 i =1 j =1
244
a) valor mdio estimado por subparcela

n M ij
y
y=
i =1 j =1
nM
636,7 = 12,734 kg / 2 ha 10 5
b) varincia da mdia estimada Dado que:

n
( y) = V 1
yi2. i=1
( yi. )
i=1
n
n M
41.330,97 =
)2 8302,73 = 49
n -1
n M
636,7 2 10 = 88,031222 (kg / 10 ha)2
(
2 ij
y
i =1 j =1
ij
y
( y) = V
i =1 i =1
636,7 2 50 = 3, 979432653 ( kg / 2 ha ) 2
nM
nM - 1
w ( y) = 1 V n i=1
y2 i. M 1 n 9,134 j =1 = Vwi ( y) = = 0,9134 ( kg / 2 ha) 2 M -1 n i=1 10

M 2 ij
Ento:
( y ) = ( N - n ) V1 ( y ) = (100 - 10 ) 88,032222 = 7,9227 (kg / 10 ha) 2 V N n 100 10
Ou, pela frmula:

( y ) = ( N - n ) MVb ( y ) = (100 - 10 ) 5 17,606 = 7,9227 (kg / 10 ha ) 2 V N n 100 10
Por conseguinte:
245
Outra maneira de obter a varincia do valor mdio por ( y ) em funo do coeficiente de subparcela ou subunidade V correlao intraconglomerado. A estimativa do coeficiente de ) entre as subparcelas de um correlao intraconglomerado ( d mesmo conglomerado dada pela frmula: = (n - 1) M (QM Entre ) - (nM - 1)V ( y ) d ( y) (nM - 1)( M - 1)V Seja, Tabela 9.3, a anlise de varincia dos dados:
Tabela 9.3 - Anlise de varincia.
Ento:
Logo:
246
c) intervalo de confiana do valor mdio populacional por subparcela ( Y )
yij
y=
i =1 j=1
nM
636,7 = 12,734 kg / 2 ha 10 5
IC : y t s( y) = 12,734 2,0211 0,562949
IC : 11,5962 / 2 ha Y 13,8718 kg / 2 ha IC : 5,7981 kg / ha Y 6,935889 kg / ha
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional encontra-se no intervalo de 5,7981 kg/ ha a 6,935889 kg/ ha. d) intervalo de confiana para o valor total populacional (Y)
= N M y / 2 ha = 100 5 12,734 = 6.367 kg Y
(Y ) = N 2 M 2 V ( y / 2ha) = 1002 52 0,316915999 = 79.228,99975kg 2 V ) = 281, 4764639 kg s(Y
t s (Y ) = 6367 2,0211 281,4764639 IC : Y IC : 5 .798,11 kg Y 6 .935,89 kg
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional encontra-se no intervalo de 5.798,11 kg a 6.935,89 kg. e) limite de erro da estimativa do valor mdio por subparcela
LE % = t s( y ) 2 ,0211 0,564942466 / 2 ha 100 = 100 = 8,97 % y 12,734 / 2 ha
247
Exerccio 9.2 Seja uma rea florestal de 1.000 ha dividida em N = 80 reas de observaes fenolgicas com grandezas desiguais (unidades primrias ou conglomerados). Cada uma subdividida em unidades secundrias ou subparcelas de um hectare. Considerar uma amostra de dez conglomerados (C) e efetuar a anlise estatstica. A Tabela 9.4 apresenta a produo de sementes por conglomerado (kg/ha) para uma determinada espcie (dados fictcios).
Tabela 9.4 - Produo de sementes (kg/ha).
C 1 2 3 4 5 6 7 8 9 10 Total
Mi
17 11 10 14 15 13 10 13 9 8 120
Totais (
y i. )
yi
28,2 23,3 32,8 33,2 33,0 31,8 30,8 28,7 32,7 38,9 313,4
479,4 256,3 328,0 464,8 495,0 413,4 308,0 372,6 294,3 311,2 3723,0
1) Ignorando a variao de tamanho entre os conglomerados Sabe-se que:
248
a) valor mdio estimado
y
y1 =
i =1
313,4 = 31,34 kg / ha 10
b) varincia da mdia estimada
( y ) = ( N - n) V 1 Nn
y
i =1
( yi ) 2
2 i
i =1
n n -1
=(
80 - 10 ) 80 10
9 .971,28 9
313,4 2 10
( y ) = 1,451761111(kg / ha )2 V 1 s( y1 ) = 1,204890 kg / ha
c) valor total estimado

1 = M 0 y1 = 1000 31,34 = 31340,0 kg Y
d) varincia estimada do valor total

(Y 1 ) = M 02V ( y R ) = 1000 2 1,451761111 = 1451761,1111 kg 2 V 1 ) = 3 .775,1505 kg s(Y
e) intervalo de confiana do valor mdio populacional por subparcela ( Y )

IC : y1 t s ( y1 ) = 31,34 1,96 1,204890
IC : 28,9784 kg / ha Y 33,7016 kg / ha
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional encontra-se no intervalo de 28,9784 kg/ ha a 33,7016 kg/ ha.
249
f) intervalo de confiana do valor total populacional ( Y )

t s (Y ) = 31.340,0 1,96 3775,1505 IC : Y 1 1 IC : 23 .940 ,7050 kg Y 38 .739 ,2950 kg
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional encontra-se no intervalo de 23.940,7050 kg a 38.739,2950 kg. g) limite de erro da estimativa do valor mdio por subparcela
LE % = t s ( y1 ) 1,96 1,204890 100 = 100 = 7,54% y1 31,34
Este procedimento gera uma estimativa tendenciosa e de pequena preciso, principalmente quando os valores de Mi variam muito e as mdias dos conglomerados y i apresentam pequena variao. 2) Proceder a estimativa por razo, onde os M i constituem a varivel auxiliar a) valor mdio estimado por razo
n
y
yR =
i= 1 n i =1
i.
=
i
3723,0 = 31,025 kg / ha 120
b) varincia do valor mdio por razo estimado

n n n
( y R ) = 1 ( N - n )( V 2 MN nN
(y ) = V R
2 ( M i yi ) 2 - 2 y R M i2 y i + y R M i2 i =1 i= 1 i =1
n -1
2 1 80 - 10 1. 452 . 587 ,2 - 2 31,025 46. 624 ,0 + 31, 025 1514 ( )( ) 2 250 12, 5 10 80 9
( y R ) = 1,049667 (kg / ha ) 2 V s ( y R ) = 1, 024533 kg / ha
n i= 1
( y R ) = 1 ( N - n )( i =1 V 2 MN nN
(y ) = V R
( M i yi ) 2 - 2 y R M i2 y i + y R2 M i2
n -1
Amostragem i =1 por conglomerado
2 1 80 - 10 1. 452 . 587 ,2 - 2 31,025 46. 624 ,0 + 31, 025 1514 ( )( ) 12, 5 2 10 80 9
( y R ) = 1,049667 (kg / ha ) 2 V s ( y R ) = 1, 024533 kg / ha
Tendo:
MN = 1 N
N
Mi = i= 1
1000 = 12,5 80
c) valor total estimado por razo

R = 1000 31,025 = 31.025,0 kg Y
d) varincia estimada do valor total por razo

(Y R ) = 10002 1,049667 = 1.049.667,0 kg 2 V
Destarte:
R ) = 1024,532576 kg s(Y
e) intervalo de confiana do valor mdio populacional por subparcela ( Y )

IC : y R t s( y R ) = 31,025 1,96 1,024533 IC : 29 ,016915 kg / ha Y 33 ,033085 kg / ha
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional encontra-se no intervalo de 29,016915 kg/ ha a 33,033085 kg/ ha.
251
f) intervalo de confiana do valor total populacional ( Y )

t s (Y ) = 31 .025,0 1,96 1024 ,532576 IC : Y R R IC : 29.016,915 kg Y 33.033,085 kg
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional encontra-se no intervalo de 29.016,915 kg a 33.033,085 kg. g) limite de erro da estimativa do valor mdio por razo
LE % = t s ( yR ) yR 100 = 1,96 1,024533 100 = 6 ,47 % 31,025
3) Obter as estimativas se conhecidos os tamanhos dos conglomerados da populao a) valor mdio estimado Dado que f =
n 10 = = 0,125 , ento: N 80
y
y3 =
i= 1
i.
f .M 0
3723,0 = 29,784 kg / ha 0,125 1000
b) varincia estimada do valor mdio Dado que:
(y) = V 1
y
i =1
(
2 i.
y )
i. i =1
n n -1
1. 452. 214, 3 = 9
3 723,0 2 2 10 = 73 49,0 4444 4 ( kg / ha )
252
Ento:
( y ) = 1 ( N - n ) V1 ( y) = 1 ( 80 - 10 ) 7349 ,0444444 V 3 2 12,52 80 MN N n 10 ( y ) = 4 ,115464889 ( kg / ha ) 2 V 3 s ( y3 ) = 2,028660861 kg / ha
c) valor total estimado

= M y = 1000 29,784 = 29.784,0 k g Y 3 0 3
d) varincia estimada do valor total

2 2 (Y ) = M 2V V 3 0 ( y 3 ) = 1000 4,115464889 = 4 . 115 . 464 ,889 kg
3 ) = 2.028,660861 kg s(Y
(Y ) e) intervalo de confiana para o valor mdio por subparcela
IC : y3 t s ( y 3 ) = 29,784 1,96 2 ,028661
IC : 25,807824 kg / ha Y 33,760176 kg / ha
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional encontra-se no intervalo de 25,807824 kg/ ha a 33,760176 kg/ ha. f) intervalo de confiana para o valor total ( Y )
t s (Y ) = 29784,0 1,96 2028,660861 IC : Y 3 3
IC : 25.807,82471 kg Y 33.760,17529 kg
253
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional encontra-se no intervalo de 25.807,82471 kg a 33.760,17529 kg. g) limite de erro da estimativa do valor mdio por unidade secundria
LE% = t s ( y3 ) 1,96 2 ,028661 100 = 100 = 13,35 % y3 29,784
Dentre os procedimentos apresentados, destaca-se que o segundo, estimativa por razo, o melhor sob o ponto de vista terico da estatstica. 9.3 Amostragem por conglomerados em estgio nico pelas propores Seja um inventrio florestal composto por n conglomerados estruturados com m subparcelas, as quais podem ser classificadas em duas categorias: C1 e C0. Admitindo que qualquer subparcela do conglomerado pertena a uma das duas categorias, C1 e C0, onde C1 corresponde s subparcelas que possuem o atributo desejado e C0 definem os dados que no o possuem. Seja a seguinte notao: a i = nmero de subparcelas pertencente categoria C1 no conglomerado de ordem i ; N = nmero total de conglomerados da populao; n = nmero de conglomerados amostrado; M = nmero de subparcelas por conglomerado; pi = ai / M proporo de subparcelas pertencentes categoria C1 no conglomerado de ordem i.
254
9.3.1 Valores populacionais e estimadores a) proporo estimada Para quantificar os resultados, seja a seguinte regra para qualquer subparcela yij da amostra ou da populao:
yij = 1, se yij estiver contido em C1; yij = 0, se yij estiver contido em C0.
Para a amostra de valores yij , resulta que:
M
yy
j =1
ijij
= aii
Da, para o conglomerado de ordem i, tem-se:
pi =
yi ai = M M
tencente categoria C1.
pi : a proporo de subparcelas do conglomerado i per-
b) varincia da proporo Considerando uma amostra aleatria de n conglomerados, define-se como valor de p, a mdia das observaes pi obtidas na amostra, tal que p uma estimativa da proporo P populacional. Ento: n
1 Dado que p i = a i / M , logo: p = n
N
pi =
i =1
i
ai i= 1 nM
. Ento:
( p i ) 2
I =1 N
N n V ( y) , para V ( y ) = V ( p) = ( ) N n
(p
i =1
P) 2 =
p
I =1
2 i
N 1
N 1
255
P=
1 N
p
i =1
Resultando:
n n
( pi p ) 2 pi2 I =1 ( y) N n V n ( p) = ( ( y ) = i =1 , para V V ) = I =1 N n n 1 n 1
( pi ) 2 .
No caso de ocorrer variao no tamanho do conglomerado, ento p uma estimativa por razo, ou seja:
p i = a i / M i , logo: p =
ai Mi
i =1 i =1 n
M
i =1 n I =1
pi
i
Por conseguinte, a estimativa da varincia dada pela expresso: n n n

( p) = 1 ( N - n ) V 2 nN MN
a
i =1
2 i
- 2 p a i M i + p 2 M i2
i =1 i= 1
n-1
Sendo:
MN =
M
i =1
Exerccio 9.3 Seja um inventrio florestal com 40 conglomerados selecionados em uma rea de 7.200 ha. O objetivo conhecer a ocorrncia de cips. A estrutura conglomerada usada constituda por oito subparcelas de 1 ha. Os dados esto apresentados na Tabela 9.5. Sabe-se que:
256
rea = 7.200 ha. rea do conglomerado ou unidade primria = 8 ha. Nmero de conglomerados amostrados ( n =40). Nmero de total de conglomerados ( N = 7.200 / 8 = 900 ). Nmero de subparcelas por conglomerados ( M = 8 ).
Tabela 9.5 - Nmero de subparcelas (ai) por conglomerado (C) com ocorrncia de cips.
C 1 2 3 4 5 6 7 8 9 10 ai 0 3 1 3 2 1 2 4 1 0 pi = ai /8 0,000 0,375 0,125 0,375 0,250 0,125 0,250 0,500 0,125 0,000 C 11 12 13 14 15 16 17 18 19 20 ai 0 1 5 3 2 1 3 0 3 0 pi = ai /8 0,000 0,125 0,625 0,375 0,250 0,125 0,375 0,000 0,375 0,000 C 21 22 23 24 25 26 27 28 29 30 ai 1 2 1 2 4 2 3 2 4 0 pi = ai /8 0,125 0,250 0,125 0,250 0,500 0,250 0,375 0,250 0,500 0,000 C 31 32 33 34 35 36 37 38 39 40 ai 0 1 2 0 0 4 1 1 0 2 pi = ai /8 0,000 0,125 0,250 0,000 0,000 0,500 0,125 0,125 0,000 0,250
a) proporo estimada Sendo:

p i = 8 ,3750 ; a i=1
i =1
=67 ,0
Ento:
p
p=
i =1
8, 3750 = 0,209375 40
Ou,
a
p=
i =1
nM
6 7, 0 = 0, 2 0937 5 40 8
257
b) varincia da proporo estimada Dado que:

n
p
(y) = V
I =1
( p i ) 2
2 i
I =1
2,9531 =
n -1
8 ,3750 2 40 = 0 ,030759 39
Ento:
( p ) = ( N - n ) V ( y) = 2000 - 40 0,030759 = 0,0007535955 V N n 2000 40
( p) = 0, 027452 s( p ) = V
c) intervalo de confiana para a proporo

IC = 0,209375 2,0211 0,027452 0 ,153892 P 0,264858
Pode-se afirmar, com uma probabilidade de acerto de 95%, que a porcentagem populacional de ocorrncia de cips encontra-se no intervalo de 15,39% a 26,49%. d) ocorrncia e intervalo de confiana para o total de subparcelas d1) total estimado de subparcelas com ocorrncia de cips = MNp = 8 900 0,209375 = 1507,5 subparcelas A d2) intervalo de confiana para o total de subparcelas com ocorrncia de cips IC = 7.200 (0,153892 A 0,264858)
IC = 1.108,0224 subparcelas A 1.906,9776 subparcelas
258
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o total populacional de subparcelas com ocorrncia de cips encontra-se no intervalo de 1.108,024 a 1.906,9776. Exerccio 9.4 Seja uma populao constituda de 200 comunidades (CO) e localizada em uma rea florestal com vocao para produo de castanha do brasil, tal que foram selecionadas 30 delas. Em cada comunidade foi determinado o nmero (ai) de famlias que trabalham na coleta. Estimar a proporo e o nmero mdio de famlias por comunidade envolvidas nessa atividade. O nmero total de famlias na populao 4.200. Considerar cada comunidade como um conglomerado. Os dados esto apresentados na Tabela 9.6. Neste exerccio, importante observar que h variao no tamanho do conglomerado, ento ser uma estimativa por razo para p.
Tabela 9.6 - Nmero de famlias, por comunidade, envolvidas na coleta
CO 1 2 3 4 5 6 7 8 9 10 M 24i 20 18 21 20 16 21 26 15 19 ai 11 9 9 10 10 8 10 13 6 10 pi 0,474190 0,438285 0,482603 0,458886 0,494757 0,509868 0,465188 0,513292 0,392642 0,508764 CO 11 12 13 14 15 16 17 18 19 20 Mi 20 30 22 20 21 23 29 14 18 25 ai 11 15 10 10 11 12 16 7 8 13 pi 0,526656 0,498580 0,468295 0,520994 0,509420 0,500911 0,538024 0,486561 0,440110 0,512418 CO 21 22 23 24 25 26 27 28 29 30 Mi 18 20 22 21 22 22 17 17 24 15 ai 9 11 10 11 10 10 9 8 12 7
( ai ) .
pi 0,502941 0,528746 0,449358 0,507773 0,443184 0,483288 0,519164 0,483169 0,486588 0,500293
Tem-se que: Nmero total de famlias entrevistadas
30
M
i =1
= 620
i
259

30
Nmero total de famlias que fazem coleta a) proporo estimada

30
a
i= 1
= 306
p=
ai i=1
30
Mi i =1
306 = 0 ,493548 620
b) varincia da proporo estimada Dado que

30
a i2 = 3262; M i =1
i =1
30
30 2 i
= 13236;
aM
i i= 1
= 6555 , tem-se:
n i =1
n i =1
(p) = 1 N - n V M N nN
ai2 - 2 p ai M i + p 2 M i2
i =1
n -1
2 ( p ) = 1 200 - 30 3262 - 2 0,493548 6555 + 0,493548 13236 V 21 2 30 200 29 30
M
MN =
i =1
4200 = 21,0 200
( p ) = 0 ,0000348667 7143 V s( p ) = 0,005904809178
c) intervalo de confiana para a proporo

IC = 0,493548 2,0452 0,0059048091 78 0,481471484 P 0,505624515
Pode-se afirmar, com uma probabilidade de acerto de 95%, que a porcentagem populacional de famlias envolvidas na coleta de castanha est no intervalo de 48,15% a 50,56%.
260
d) nmero mdio estimado de famlias por comunidade envolvidas na coleta de castanha

yR = M N p = 21 0,493548 = 10,364508
e) varincia estimada do nmero mdio de famlias por comunidade envolvidas na coleta de castanha
2 ( yR ) = M N V V ( p) = 212 0,00003486677143 = 0,015376246
s ( y R ) = 0 ,1240
f) intervalo de confiana para o nmero mdio de famlias por comunidade envolvidas na coleta de castanha
IC = 10,364508 2,0452 0,1240

10,1109 Y 10,6181
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o nmero mdio populacional de famlias por comunidade envolvidas na coleta de castanha est no intervalo de 10,1109 famlias a 10,6181 famlias. 9.4 Amostragem por conglomerados em dois estgios Para o melhor entendimento das frmulas de varincias utilizadas na amostragem por conglomerados, necessrio obter os componentes de varincia considerando o modelo matemtico utilizado.
261
9.4.1 Componentes de varincias no modelo inteiramente ao acaso Existem vrios mtodos para obter estimativas de componentes de varincias, sendo o mais usado o mtodo dos momentos ou da anlise de varincia. Barbin (1993) cita a existncia dos seguintes mtodos: a) mtodos da Mxima Verossimilhana, onde os mtodos de Herderson I, II e III so de anlise de varincia para dados no balanceados; b) mtodo da Mxima Verossimilhana Restrita; c) mtodo de RAO denominado de MINQUE (Minimum Norm Quadratic Unbiased Estimative); d) mtodo de RAO denominado de MIVQUE (Minimum Variance Quadratic Unbiased Estimative); e) os mtodos de Bayes. Considerando a disposio dos dados conforme a Tabela 9.7 e a anlise de varincia para a populao com base nas subparcelas de acordo com a Tabela 9.8, para obter os componentes de varincias para a amostragem por conglomerados em dois estgios, modelo inteiramente ao acaso, usar-se- o mtodo dos momentos ou da anlise de varincia para calcular os componentes de varincias que consiste em obter a esperana matemtica dos quadrados mdios (QM) da anlise de varincia, onde as estimativas dos QM so igualadas s suas respectivas esperanas matemticas.
262
Tabela 9.7 - Dados populacionais.

Conglomerados 1 2 .... N y11 y21 y12 y22

Subparcelas 1 2 ... M Totais
yN1 yN2
y1M y2M y1 y2
yNM yN
Tabela 9.8 - Anlise de varincia para populao com base nas subparcelas.
Causas de variao Conglomerados Resduo G.L. N-1 N(M-1) SQ QM
SQCong /( N SQ - 1Cong ) /( N - 1) SQ Dentro /[ NSQ (MDentro - 1)]/[ N (M - 1)]

SQ SQ Total /( NM - Total 1) /( NM - 1)
Total
NM-1
Considerando os conglomerados aleatrios, ento os componentes de varincia so obtidos segundo o modelo matemtico do delineamento inteiramente ao acaso, portanto:
y ij = Y + c i + e ij
Y = mdia geral, sendo E( Y ) = Y e E( Y 2 ) = Y 2

ci = efeito de conglomerados ( i = 1,L, N ) considerado aleatrio, normal e independentemente distribudo com mdia zero e 2 varincia Ve(y), ou seja, ci~N [0,Ve(y)], para E(ci ) = 0 e E( c i ) = Ve(y). Ve ( y ) = componente de varincia entre os conglomerados. eij = erro suposto aleatrio com j = 1, L , M , normal e inde-
263
pendentemente distribudo com mdia zero e varincia Vd (y), ou 2 seja, eij ~ N[(0 , V d ( y ) ], dado que E( eij )= 0 e E( eij ) = Vd (y).
V d ( y ) definido como o componente de varincia entre as subparcelas dentro dos conglomerados.
Supondo que os efeitos aleatrios do modelo so no correlacionados, logo: Cov (c i , e ij ) = 0 , " i,j
Cov ( c i , c i ' ) = 0 para i i ' Cov ( e ij , e i ' j ' ) = 0 para i i ' e j j '
Sejam as expresses das Somas de Quadrados (SQ) do modelo para obter as esperanas matemticas dos quadrados mdios.
N M N M
( y ij ) 2
i =1 j=1
2 SQT otal = yij - C , onde C = i =1 j =1
NM
SQ Cong =
1 M
y
i =1
2 i.
-C
N M
2 SQRe s = SQTotal - SQCong = y ij i =1 j =1 N M N M
1 M
y
i= 1
2 i.
2 E ( y ij ) = E (Y + c i + e ij ) 2 i= 1 j = 1 i =1 j=1
2 2 E ( yij ) = E (Y 2 + ci2 + eij + 2Y ci + 2Yeij + 2ci eij ) i =1 j=1 i=1 j =1

2 ij
E(
y
i =1 j =1
)=
N
[Y
i =1 j =1
+ V e ( y ) + V d ( y )] = NM Y 2 + NMV e ( y ) + NMV d ( y )
(9.6)
( y ij ) 2 E (C) = E( E (C ) =
i =1 j =1
NM
)=
1 264N M E[ (Y + c i + eij )] 2 NM i= 1 j= 1
N N M 1 E [ N 2 M 2 Y 2 + M 2 ( ci ) 2 + ( e ij ) 2 + dp ] NM i= 1 i=1 j =1
2 2 E ( yij ) = E (Y 2 + ci2 + eij + 2Y ci + 2Yeij + 2ci eij ) i =1 j=1 i=1 j =1

2 ij
E(
y
i =1 j =1
)=
N
[Y
i =1 j =1
Amostragem por conglomerado + V e ( y ) + V d ( y )] = NM Y 2 + NMV ( y ) + NMV ( y ) (9.6) e d
( y ij ) 2 E (C) = E( E (C ) =
i =1 j =1
NM
)=
N M 1 E[ (Y + c i + eij )] 2 NM i= 1 j= 1
N N M 1 E [ N 2 M 2 Y 2 + M 2 ( ci ) 2 + ( e ij ) 2 + dp ] NM i= 1 i=1 j =1
dp = duplos produtos
E (C) = 1 [ N 2 M 2 Y 2 + NM 2Ve ( y ) + NMVd ( y )] = NMY 2 + MV e ( y ) + V d ( y ) NM
(9.7)
Dado que:
E ( ci ) 2 = E (c1 + c2 + L + cN ) 2 = NVe ( y)
i =1
E ( e ij ) 2 = E (e11 + e12 + L + e NM ) 2 = NMV d ( y )

i=1 j =1
Das Expresses 9.6 e 9.7, tm-se:

E (SQTotal ) = NMY 2 + NMVe ( y) + NMVd ( y) - [ NMY 2 + MVe ( y ) + Vd ( y )]
E (SQTotal ) = Ve ( y )(NM - M ) + Vd ( y)( NM - 1)
Ento:
E (QM T otal ) = Ve ( y )( NM - M ) + V d ( y )( NM - 1) NM - 1
N 1 1 E ( y2 i. ) = M M i =1 N
( y
E[
M
i =1 j =1
ij
)2 ]=
E( y
i =1
2 i.
y
j =1
ij
= yi .
2 i.
1 M
E( y
i =1
)=
1 M
N i
E ( M Y + Mc + e
i =1
265 j=1
ij
)2
M
1 M 1
E ( yi2. ) =
i= 1
N
1 M 1
E[(M 2Y 2 + M 2ci2 + ( eij ) 2 + dp]

i=1
N
j= 1
E( y 2 ) =
[ M 2Y 2 + M 2V ( y) + MV ( y) + 0 ]
( y
E[
i =1 j =1
ij
)2 ]=
1 M
E ( y2 i. ) =
i =1
1 M
E( y
i =1
2 i.
M Amostragem em inventrio florestal ij i. j =1
y
1 M
N
=y
E ( y i2. ) =
i =1
1 M
E ( M Y + Mci + e ij ) 2
i =1 j =1
1 M 1 M 1 M
E ( yi2 E[(M 2Y 2 + M 2 ci2 + ( eij ) 2 + dp ] .)= M i=1 i= 1 j= 1

N
E( y
i =1 N
2 i.
)=
1 M
[M
i =1
Y 2 + M 2Ve ( y) + MVd ( y) + 0 ]
E( y
i =1
2 i.
) = NMm 2 + NMVe ( y ) + NVd ( y)
(9.8) (9.8)
Das Expresses 9.8 e 9.7, tm-se:

E ( SQ Cong ) = NM Y
2
+ NMV e ( y) + NV d ( y ) - [ NM Y 2 + MV e ( y) + V d ( y)]
E ( SQ Cong ) = NMV e ( y ) + NV d ( y ) - MV e ( y ) - V d ( y ) = M ( N - 1)V e ( y ) + ( N - 1)V d ( y )
E (QM Cong ) = E (
SQCong 1 )= [ M ( N - 1)V e ( y ) + ( N - 1)V d ( y )] N -1 N -1
E( QM Cong ) = MVe ( y ) + Vd ( y )
E ( SQ D entro ) = E ( SQT otal - SQ Cong ) = E (SQTotal ) - E ( SQ Cong )

E( SQD entro ) = [ M ( N - 1)Ve ( y) + ( NM - 1)Vd ( y)] - [ M ( N - 1)Ve ( y ) + ( N - 1)Vd ( y )] E (SQ D en tr o ) = ( NM - 1)Vd ( y)] - ( N - 1)Vd ( y )] = N ( M - 1)Vd ( y )
Sendo:
E( QM Dentro ) = E[ SQ Dentro 1 ]= [ N( M - 1)V d ( y )] = Vd ( y) N (M - 1) N (M - 1)
Na Tabela 9.9, considerando o delineamento inteiramente ao acaso, apresentado o esquema de anlise de varincia com os componentes de varincia.
266
Tabela 9.9 - Modelo inteiramente ao acaso com os componentes de varincia.

Causas de Variao Entre cong. Dentro cong. Total G.L. N-1 N(M-1) NM-1 SQ QM E(QM)
y)) + MVe ( y) SQCong /( NSQ -1 ) /( NVd (1 Cong
SQ Dentro /[ NSQ (MDentro - 1)] /[ N M - 1)] V( d ( y)

Ve (y)( SQ Total /( NM 1NM ) - M ) +V d (y )(NM - 1) NM - 1
Pode-se, ento, obter os seguintes estimadores:
d ( y ) = QM De ntro e V e ( y ) = Q M Con g - Q M D entr o V

m
9.4.2 Parmetros populacionais e estimadores Neste processo, em cada unidade primria (conglomerado) selecionada medida uma subamostra de unidades secundrias ou subparcelas. Ser considerado, para formulao dos parmetros populacionais e seus estimadores, que os n conglomerados selecionados contm o mesmo nmero m de subparcelas. Seja a seguinte notao: yij = valor da varivel resposta da j-sima subparcela correspondente ao i-simo conglomerado; yi. = valor total das subparcelas do i-simo conglomerado; Y = valor mdio populacional dos conglomerados; Y = valor mdio populacional das subparcelas; y = valor mdio estimado dos conglomerados; y = valor mdio estimado das subparcelas; Y = valor total populacional; = valor total estimado. Y
267
a) valor mdio por conglomerado e por subparcela

N n
Y =
i =1
yi .
; Y = i=1 = Y ; y = NM M
i.
yi .
i =1
y
; y=
i =1
i.
nm
y m
b) valor total Y e seu estimador Y
= N y = NM y Y = NY = NMY ; Y
c) varincias populacionais e seus estimadores Dado que: V1 ( y ) = varincia populacional entre os valores mdios dos conglomerados; V2 ( y ) = mdia das varincias populacionais das subparcelas dentro dos conglomerados; ( y ) = varincia estimada entre os valores mdios dos V 1 conglomerados; ( y ) = mdia das varincias estimadas das subparcelas V 2 dentro dos conglomerados; V ( y ) = varincia populacional da mdia dos conglomerados; V ( y ) = varincia populacional da mdia das subparcelas; ( y ) = varincia estimada da mdia dos conglomerados; V ( y ) = varincia estimada da mdia das subparcelas. V Ento:
N N N
( Yi ) 2
i= 1
(Y i - Y ) 2
V1 ( y ) =
i= 1
N -1
Yi i =1
N -1
V2 ( y) =
1 N
V
i= 1
2i
( y ) , sendo: ( yij ) 2
j =1 M
( yij - Yi ) 2
V2 i ( y ) =
j=1
yij2 =
j =1
268
M -1
M M -1
N i= 1
V1 ( y ) =
(Y i - Y ) 2 Yi i =1 i= 1 N -1 =
N -1
V2 ( y) =
1 N
V
i= 1
2i
( y ) , sendo: ( yij ) 2
j =1 M
( yij - Yi ) 2 yij2 V2 i ( y ) =
j=1
M -1
n n
j =1
M M -1
Resultando os estimadores:
( yi ) 2
2 i
y
( y) = V 1
i= 1
i =1
n n -1
2 ( y ) = 1 V 2i ( y) , tal que: V n i =1
m m m
( yij ) 2
2 ij
(y
( y) = V 2i
j =1
ij
- yi ) 2 =
y
j =1
j= 1
m -1
m-1
Se os n conglomerados e as m subparcelas forem selecionados por amostragem simples ao acaso, conclui-se, como demonstrado em Vries (1986), que y uma estimativa sem tendncia de Y e sua varincia :
V ( y) = (
N - n V1 ( y) M - m V2 ( y ) ) ) +( N n M mn
Sendo as fraes amostrais do primeiro e do segundo estgios: n m pode-se usar a Frmula 9.9. , pode-se usar a Frmula 9.9. f1 = n e f2 = m , f 1 = N e f 2 = M , pode-se usar a Frmula 9.9. M N
V (y) V (y) V ( y ) = (1 - f 1 ) V1 + (1 - f 2 ) V2 (y) 1 (y) V ( y ) = (1 - f 1 ) n + (1 - f 2 ) 2 mn n mn
(9.9)
269
9.10.
Sendo sua estimativa sem tendncia dada pela Frmula

( y ) = (1 - f ) V 1 ( y) + f (1 - f ) V 2 ( y) V 1 1 2 n mn
(9.10)
Sendo:
( y) = V 1
(y
i =1
y)
n 1
( y) = ;V 2
( y
i =1 j =1
i j
yi ) 2
n(m 1)
A Frmula 9.10 pode ser escrita na forma 9.11 em funo dos componentes de varincia.
( y ) = V e ( y ) + V d ( y ) - V e ( y) - V d ( y) V n nm N NM
(9.11)
Verificao: Seja:
( y) = (1 - f 1 ) V1 ( y) + f1 (1 - f 2 ) V2 ( y) V n mn
Ento:
( y) = (1 - n ) V1 ( y) + n (1 - m ) V2 ( y) V N n N M mn
Logo:
( y ) = V1 ( y) - V1 ( y) + V2 ( y) - V2 ( y) V n N Nm NM
Dado que:
n
( y) = V 1
(y
i= 1
- y)2 ( y ) + mV ( y) QM V Entre e ( y) + V d ( y ) = = d =V e n -1 m m m
i
( y) = V ( y) V 2 d
270
Portanto:
( y ) + V d ( y) V ( y) + V d ( y ) V e e m m + V d ( y) - V d ( y ) (y) = V n N Nm NM ( y ) = Ve ( y ) + Vd ( y) - Ve ( y) - Vd ( y) + Vd ( y) - Vd ( y ) V n nm N Nm Nm NM
Resultando: ( y ) = Ve ( y ) + Vd ( y ) - Ve ( y ) - Vd ( y ) V n nm N NM Expandindo-se para o total da populao, tem-se:

(Y ) = V ( NMy ) = N 2 M 2V ( y) V
d) intensidade de amostragem para populao finita
( y ) = t 2 [V1 ( y ) - V1 ( y ) + V 2 ( y ) - V 2 ( y ) ] E 2 = t 2V n N Nm NM
E =t
2 2
( y) 2 V ( y) V ( y) V ( y) V 1 -t [ 1 - 2 + 2 ] n N Nm NM
n=
( y) t 2V 1 2 t 1 ( y) - V2 ( y) + V2 ( y ) ] E 2 + [V N m M
e) intensidade de amostragem para populao finita em funo dos componentes de varincia

( y) = t 2 [ E 2 = t 2V E2 = ( y) V ( y) V ( y) V ( y) V e + d - e - d ] n nm N NM
( y) t 2 V t2 e (y) + Vd ( y) ] [Ve ( y) + d ] - [V n m N M
e ( y ) + t 2 [V
d ( y ) V ] m n= d ( y ) t2 V 2 ] E + [V e ( y) + N M
271
( y) = t 2 [Ve ( y) + Vd ( y) - Ve ( y) - Vd ( y) ] E 2 = t 2V n nm N NM d t florestal V Amostragem em 2 inventrio

2
E =
[Ve ( y) +
( y) V ( y) t 2 ] - [Ve (y) + d ] m N M
d ( y ) V ] m n= d ( y ) t2 V 2 ] E + [V e ( y) + N M e ( y ) + t 2 [V
f) nmero timo de subparcelas para populao finita A frmula para obter o nmero ideal de subparcelas obtida minimizando a funo custo dada pela expresso C = nc1 + nmc2 que muito usada em inventrios florestais. C = c1n + c2nm C = custo total de medio de campo; c1 = custo mdio de deslocamento entre conglomerados; c2 = custo mdio de medio das subparcelas. Ento:
C = c1 n + c 2 nm = n( c1 + mc2 )
Para:
( y ) + Vd ( y ) ] t 2 [V e m n= 2 ( y) V t d E 2 + [V y ( ) + ] e N M
Por conseguinte:
e ( y ) + Vd ( y) ]( c1 + mc2 ) t 2[V m C= 2 t ( y) + Vd ( y) ] E 2+ [V e N M C= ( y)c + c1Vd ( y) + mc V [ V e 1 2 e ( y) + c2Vd ( y)] ( y) t2 V m 2 E + [Ve ( y) + d ] N M t2
272
Tomando-se a primeira derivada em relao a m e anulando, tem-se:

C = dm t2 E2 + (y) t2 V [Ve ( y) + d ] N M [d ( y) c1V ( y)] + c 2V e m2
C =0 dm
[ (y) c1V d ( y )] = 0 + c 2V e 2 mOti
2
mOti =
Logo:
mOti =
d ( y ) c1V ( y) c 2V e
( y) c1V d c2Ve ( y )
De acordo com Pllico Netto e Brena (1997), os estimadores das varincias podem ser obtidos segundo o critrio da anlise de varincia para o modelo aleatrio. No obstante, considerando m (n - 1) @ nm - 1 e atendendo condio de que a amostra por conglomerados, geralmente, aplicada s populaes extensas, o estimador da varincia entre as subunidades ( y) = V ( y) + V ( y) , considerando todos os conglomerados : V e d ( y ) o componente de varincia entre conglomerados onde: V e ( y ) o componente de varincia entre subparcelas dentro eV d dos conglomerados. Cochran (1977), Vries (1986) e Sanquetta et al. (2009) expem teoricamente os estimadores da amostragem em conglomerados como sendo uma estrutura monoltica, ou seja, os
273
conglomerados so previamente definidos e os parmetros so conceitualmente apresentados para a modelagem matemtica usando a anlise de varincia, da ter-se a frmula para o coeficiente de correlao intraconglomerados ( d ), a partir dos componentes de varincia entre e dentro dos conglomerados. Considerando os fatores de correo para o primeiro e segundo estgios desprezveis, a expresso para o estimador da varincia da mdia por subparcela, em funo do coeficiente de correlao intraconglomerado, :
( y) = V ( y) [1 + d ( m - 1)] V nm
definido como o coeficiente de correlao O estimador d intraconglomerado, o qual explica o grau de dependncia entre as subparcelas dentro dos conglomerados. Este coeficiente importante para delinear a estrutura amostral do conglomerado. O valor d(m 1) mede a eficincia da amostragem por conglomerados em relao amostra simples ao acaso.
Dado que:
= (n - 1)m (QM En tr e ) - (nm - 1)V ( y ) d ( y) ( nm - 1)( m - 1)V
Sob a condio (n - 1)m @ (nm - 1), resulta: ( y) ( y) V V e = d = e ( y) V ( y ) Ve ( y ) + V d Para obteno da expresso:

( y) = V ( y) [1 + d ( m - 1)] V nm
Pode-se adotar o seguinte procedimento:
274
Seja a equao:
V (y ) = ( N - n V1 ( y ) M - m V 2 (y) +( ) ) N n M mn
Esta frmula pode ser escrita da seguinte forma:
V ( y) =
V1 ( y) V1 ( y) V2 ( y ) V 2 ( y ) + n N mn Mn
Destarte: 1 V ( y) 1 1 V ( y ) = [V1 ( y ) - 2 ]+ V 2 ( y ) - V1 ( y) n M nm N O valor [V1 ( y ) V2 ( y ) M ] o componente de varincia entre os valores mdios dos conglomerados Ve(y), assim como V2 ( y ) o componente de varincia entre os valores mdios das subparcelas dentro dos conglomerados Vd(y). Considerando que o valor N seja grande, tal que V1 ( y ) N seja desprezvel, tem-se:
V (y) 1 1 V ( y ) = [V1 ( y) - 2 ]+ V2 ( y ) n M nm
Consequentemente:
1 1 V ( y) = V e ( y) + Vd ( y ) n nm
Dado que Ve ( y ) = d V ( y ) e V ( y ) = Ve ( y ) + Vd ( y ) , ento:

1 1 V ( y ) = d V ( y) + [(V ( y ) - dV ( y )] n nm
V ( y) = V ( y) =
V ( y) 1 [d + (1 d ) ] n m V ( y ) md + 1 d ( ) n m
275
Finalmente: V ( y) V ( y) = [1 + d ( m - 1)] nm Destarte:

( y ) = V ( y) [1 + d(m -1)] V nm
importante verificar que: V ( y) =
Ve ( y) Vd ( y) V1 ( y) + = n nm n
f1 ) 1 ( y) (y) V V + f 1 (1 - f 2 ) 2 n mn
( y ) = (1 Se f 1 desprezvel, a frmula V ser simplificada para: ( y ) = V1 ( y ) V n ( y) = V ( y ) + Vd ( y ) , ento: Como V e 1 m
( y) = 1 (V e ( y ) + V d ( y) ) = Ve ( y) + Vd ( y) V n m n nm
Dado que:
d =
( y) ( y) V V e ( y) = V ( y) + V ( y) , pois V = e e d Ve ( y ) + V d ( y ) V ( y )
Ento:
( y ) = dV ( y ) + V ( y ) - dV ( y ) V n nm ( y ) = mdV ( y ) + V ( y ) - dV ( y ) V nm
276
Logo:
( y ) = m d V ( y ) + V ( y ) - d V ( y ) = V ( y ) (m d + 1 - d) V nm nm
Finalmente: ( y ) = V ( y ) [(1 + md( m - 1)] V nm Para efeitos prticos em inventrios florestais, Pllico Netto e Brena (1997) recomendam que o limite aceitvel do valor do coeficiente de correlao intraconglomerado seja de d 0,4 , pois, para d > 0,4 a populao estar mais apropriada para estratificao. g) intensidade de amostragem para populaes infinitas A frmula para obter o nmero de conglomerado (n) obtida fixando-se a semiamplitude do intervalo de confiana (E). O valor E definido como uma porcentagem da mdia. A porcentagem estabelecida denominada de Limite de Erro (LE) ou margem de erro, originando a expresso E E= = LE L E y.
( y ), ==LE Dado que EE E= = LE L E y = t s ( y ) e E 2 = t 2V L E y , ento E
2 (m - 1)] ( y ) = t V ( y) [1 + d E 2 = t 2V nm
logo:
Resultando:
22 ((yy tt V )) V ( ( n E 2 = t 2V y )== 2 [[ d 1 ] 1+ +d (m m -1 1) )] Enm m
h) nmero timo de subparcelas para populaes infinitas
277
A frmula para obter o nmero ideal de subparcelas obtida minimizando a funo custo dada pela expresso C = nc1 + nmc2 C = custo total de medio no campo; c1 = custo mdio de deslocamento entre conglomerados; c2 = custo mdio de medio das subparcelas. Como C = nc1 + nmc2 e n =
C=
( y) t 2V (m 1) [1 + d ] , ento: E 2m
( y) ( y) t 2V t 2V [1 + d ( m - 1)]c1 + [1 + d ( m - 1)]mc 2 2 E m E 2m
C=
C=
( y) t 2V (m - 1)](c + mc ) [1 + d 1 2 E 2m
( y) ( y) ( y )d ( y )d ( y )d ( y)d t 2V t 2V t 2V t 2V t 2V t 2V c1 + c2 + c1 + mc 2 c1 c2 2 2 2 2 2 E m E E E E m E2
C=
( y) 1 t 2V c + d mc - d c - d c ) ( + + d c c 1 2 1 2 1 2 E2 m m
Tomando-se a primeira derivada, tem-se:

( y) dC t 2V 1 1 = (- 2 c1 + d c 2 + 2 d c1 ) 2 dm E m m
Dada a condio
dC = 0 , ento: dm
( y) t 2V 1 c + 1 d c ) = 0 , logo: ( 2 c1 + d 2 1 2 2 E mOti mOti

( 1 1 c1 + d c2 + 2 d c1 ) = 0 2 mOti mOti
c1 2 ) + d c = 0 c1 (1 + d) + mOti d c2 = 0 (1 + d 2 2 mOti
Ento:
2 mOti d c2 = c1 (1 d)
278
Finalmente:
mOti = c1 1 d ( ) c2 d
Esta frmula tambm pode ser escrita da seguinte forma:
mOti =
( y) c1 V d ( y) c2 V e
Verificao: Dado que:

d =
( y) ( y) V V e = e ( y) ( y) + V ( y) V V e d
Ento:
c1 c [ ]= 1 [ c 2 Ve ( y ) c2 V ( y) 1 ( y) V e ( y) V ( y) V ( y) V e ( y) V ( y) V e ( y) V
mOti =
mOti =
c1 c2
( y) V d ( y) V
e
(9.12)
Tomando-se a segunda derivada para verificar a natureza do ponto crtico, tem-se:

(y) 2 ( y) dC t 2V 2 2 c1t 2V ( c c = d ) = (1 - d ) 1 2 2 3 1 3 2 3 dm E m m E m
2 ( y) ] E Dado que [2c1 t 2V )] /(( E22m m3 ) um termo sempre positivo,
279
logo mOti obtido pela Frmula 9.12 torna mnimo o custo do in 1 , pois dC / dm2 > 0. ventrio quando d importante sublinhar que a expresso para obter o nmero timo de subparcelas do conglomerado a mesma tanto para populao finita como para infinita. 9.4.3 Ocorrncia de estimativa negativa do componente de ( y) varincia entre conglomerados V e O valor d(m 1) mede a eficincia da amostragem por conglomerados em relao amostra simples ao acaso. Quando > 0 a amostra simples ao acaso (ASA) mais precisa que a d amostra por conglomerados. Se d < 0 a ASA menos precisa que a amostra por conglomerados. Quando d = 0 a preciso a mesma entre a ASA e a amostra por conglomerados. A frmula do coeficiente de correlao intraconglomerado ( y ) [V ( y) + V ( y) ( y ) = (QM dada por d = V e ] , sendo V )] e e d e Entre QM Dentro ) m Vd ( y ) = QM Dentro , denota que se d < 0 implica que Ve ( y ) < 0 , ou seja, o componente de varincia estimado entre os conglome rados negativo. Neste caso, tem-se que: QM Entre < QM Dentro e, consequentemente, F = QM Entre QM Dentro < 1. Searle (1971) recomenda considerar os seguintes procedi ( y) < 0 : mentos quando V e a) considerar a estimativa como negativa admitindo que o parmetro Ve ( y ) seja nulo. Este procedimento pode trazer problema na aplicao de determinadas frmulas. No caso da expresso:
n= ( y) t 2V (m 1) )] [1 + d ] E 2m
280
No haver dificuldade de operar matematicamente.

Por outro lado, para obter m = c1 (1 d ) , dever ocorrer c 2 d d > 0.
b) admitir o valor do parmetro Ve ( y ) = 0 e considerar a estimativa negativa como nula. Neste caso recomendvel testar a hiptese H 0 : Ve ( y ) = 0 , aplicando o teste F bilateral; c) considerar o valor do parmetro como zero e retir-lo do modelo de anlise de varincia; d) o uso de modelo matemtico inadequado pode resultar na presena de estimativas de componentes de varincia negativas; e) o mtodo utilizado para obter as estimativas de componentes de varincia pode no ser adequado. Neste caso usar outros procedimentos; f) a presena de estimativas de componentes de varincia negativas pode estar relacionada ao problema do tamanho da amostra. Neste caso importante medir mais conglomerados. Exerccio 9.5 Seja o exemplo, apresentado em Queiroz (1998), de um inventrio florestal com amostragem em dois estgios de uma rea com 49.000 ha, onde foram mensurados 20 conglomerados. A estrutura espacial do conglomerado apresentou a forma cruz de malta, composta por quatro subparcelas retangulares de 10 m de largura por 250 m de comprimento. A distncia de cada subunidade ao ponto central foi de 100 m. Os dados da varivel
281
resposta volume total de madeira considerando todas as espcies com DAP 45 cm esto apresentados na Tabela 9.10. A resoluo deste exemplo ser realizada de trs formas: 1) Analisar a partir das subparcelas considerando a populao infinita. 2) Analisar por meio das subparcelas considerando a populao finita. 3) Anlise considerando o conglomerado como unidade amostral, usando a metodologia da amostra simples ao acaso. 4) Comparar os resultados dos referidos procedimentos de anlise.
Tabela 9.10 - Conglomerado (C) em dois estgios (m3/ 0,25 ha).
C 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Total S1 43,75 62,75 77,65 57,20 51,10 68,00 45,76 60,10 63,75 49,88 88,17 27,18 37,80 55,71 45,11 35,35 48,15 38,75 49,10 50,10 1055,36 S2 42,50 47,25 73,50 67,50 43,50 75,50 34,80 78,70 79,90 55,17 67,30 34,89 48,24 58,29 43,12 63,23 38,90 45,17 55,13 52,70 1105,29 S3 32,75 34,50 69,25 37,50 58,25 37,28 57,30 58,33 75,13 35,37 65,28 64,30 49,15 43,16 55,83 70,90 61,37 40,44 63,17 37,37 1046,63 S4 57,10 66,01 39,50 38,02 58,25 64,33 63,17 37,27 42,23 44,24 37,13 58,17 58,89 37,12 54,17 85,14 55,33 39,89 37,14 57,13 1030,23 Total 176,10 210,51 259,90 200,22 211,10 245,11 201,03 234,40 261,01 184,66 257,88 184,54 194,08 194,28 198,23 254,62 203,75 164,25 204,54 197,30 4237,51 Mdia 44,0250 52,6275 64,9750 50,0550 52,7750 61,2775 50,2575 58,6000 65,2525 46,1650 64,4700 46,1350 48,5200 48,5700 49,5575 63,6550 50,9375 41,0625 51,1350 49,3250 Varincia 100,1608 213,0267 300,1942 219,2828 49,5942 277,5564 158,4971 287,1006 281,4691 71,7096 439,2769 320,1835 74,3102 101,9429 40,6137 438,4830 93,6009 7,9938 120,2675 71,9438 3667,2077
282
1) Analisar a partir das subparcelas considerando a populao infinita a) valor mdio estimado por conglomerado
yi .
y=
i =1
4237,51 = 211,8755 m3 / ha 20
b) valor mdio estimado por subparcela

n
y
y=
i =1
i.
nm
y 211,8755 = = 52,9689 m 3 / 0,25 ha ; y = 211,8755 m 3 / ha m 4
c) anlise de varincia e obteno dos componentes de varincia

Tabela 9.11- Conglomerado em dois estgios: anlise de varincia.
CAUSAS DE VARIAO Entre conglomerados Dentro dos conglomerados TOTAL GL 19 60 79 SQ 4.178,1575 11.001,6220 15.179,7790 QM 219,9030 183,3604 192,1491
( y) = QM Entre - QM Dentro = 219,9030 - 183,3604 = 9,1357 ( m3/ 0,25 ha )2 V e m 4

3 2 ( y ) = QM V d Dentro = 183,3604 (m / 0,25 ha)
(y) = V e ( y ) + V d ( y ) = 192 ,4961 (m 3 / 0 ,25 ha ) 2 V
d) coeficiente de correlao intraconglomerado estimado

= d e ( y) V 9 ,1357 = = 0,047459143 +183,3604 9 , 1357 Ve ( y) + V d ( y)
283
e) varincia da mdia populao infinita

( y) = V ( y) [1 + d ( m - 1)] = 192,4961[1 + 0,047459143 (4 -1)] V nm 20 4 ( y) = V ( y) [1 + d ( m -1)] = 2,74878 (m3 / 0,25 ha) 2 V nm
( y ) = 42 2,74878 = 43,98048(m3 / ha)2 V s( y) = 6,631778 (m3 / ha)
Usando a frmula:
( y ) = V1 ( y) = 54 ,975763 = 2,748788 ( m3 / 0,25 ha ) V n 20
Verifica-se que este resultado o mesmo obtido pela frmula:

( m - 1)] ( y) = V ( y) [1 + d V nm
O resultado idntico confirma tratar-se de frmulas semelhantes. f) intervalo de confiana para o valor mdio A metodologia para a obteno do intervalo de confiana a mesma para os procedimentos expostos, com exceo para o nmero de graus de liberdade da estatstica t de Student que no caso da aplicao da amostragem simples ao acaso ser n -1. O nmero de graus de liberdade na amostra por conglomerados, quando analisada por meio das subparcelas, n(m 1). Limite inferior para o valor mdio
y - t 60 ;0 .025 s ( y ) = 211,8755 - 2,0003 6,631778 = 198,61 m 3/ ha
( y ) = s( y ) = V 43,98048 = 6 ,631778
284
Limite superior para o valor mdio

y + t 60; 0.025 s ( y ) = 211,8755 + 2,0003 6,631778 = 225,14 m 3/ ha
Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor mdio populacional encontra-se no intervalo de 198,61 m3/ ha a 225,14 m3/ ha. g) intervalo de confiana para o valor total Limite inferior para o valor total rea[ y + t 60 ;0 ,025 s( y ) ] = 49.000 198,60922 = 9.731.887,77 m3 Limite superior para o valor total rea [ y + t6 0;0 , 025 s ( y)] = 49.000 225,141046 = 11.031.911,23 m3 Pode-se afirmar, com uma probabilidade de acerto de 95%, que o valor total populacional encontra-se no intervalo de 9.731.887,77 m3 a 11.031.911,23 m3. h) limite de erro ou margem de erro (LE) do inventrio florestal Seja E a semiamplitude de intervalo de confiana e LE o limite de erro:
E = t s( y ) E =ts ( y) E = 2,0003 6,631778 = 13,265546 m3/ ha E 13,265546 LE % = 100 = 100 = 6 ,26 % y 211,8755
285
Pode-se afirmar que o limite de erro ou margem de erro, com uma probabilidade de acerto de 95%, para os valores da mdia e total populacional encontrados nos intervalos de confiana obtidos de 6,26%. i) dimensionamento da amostra por conglomerados Suponha que o limite de erro estipulado seja de 5% (LE=0,05). O resultado da anlise mostrou que para 20 conglomerados o limite de erro foi de 6,26%. Ento, deve-se calcular o nmero de conglomerados para atender o limite de erro (LE) igual a 0,05 e calcular, posteriormente, o nmero de conglomerados faltantes. Dado que E = LE x y = 0,05 x 211,8755 = 10, 593775, tem-se:
( m - 1)] = 2 ,0003 3079,9368 [1 + 0,0475 3] = 31,36 n= [1 + d 2 E m 10 ,593775 2 4 ( y) t 2V
2
n = 32 conglomerados Considerando que so necessrios 32 conglomerados para atender ao limite de erro escolhido de 5%, deve-se retornar floresta e medir mais 12 conglomerados, visto que j foram medidos 20 conglomerados. j) nmero de subparcelas ideal
m Oti = c1 1 d 1 0,0475 ( ) = 3( ) = 7,76 0,0475 c 2 d
m Oti = 8 subunidades
O resultado demonstra que o ideal seria estruturar um conglomerado com oito subparcelas, o que diminuiria o nmero de
286
conglomerados a medir, entretanto, deve-se ressaltar que os dados usados no exemplo so simulados. Neste exemplo utilizouse c1 / c 2 = 3 , considerando as experincias existentes em inventrios florestais nos trpicos. 2) Analisar por meio das subparcelas considerando a populao finita a) varincia da mdia de populao finita Dado que:
( y) = V 1 ( yi - y) 2 i= 1 n- 1
n m ij
= 54,9758 (m3 / 0,25 ha)2
(y
( y) = V 2
i =1 j = 1
- yi ) 2 = 183,3604 ( m 3 / 0,25 ha ) 2
n ( m - 1)
Sabe-se que:
M= f2 = 49 ha 49 .000 ha n 20 = 196; N = = = 0,02; = 1.000; f 1 = 49 ha 0,25 ha N 1 .000 m 4 = = 0 ,0204 M 196
Ento:
( y ) = (1 - f ) V1 ( y ) + f (1 - f ) V2 ( y) V 1 1 2 n mn ( y ) = (1 - 0,02 ) 54 ,975763 + 0 ,02 (1 - 0 ,0204 ) 183,3604 V 20 4 20 ( y) = 2 ,7387 ( m3 / 0,25 ha ) 2 V
( y ) = 2,7387 = 1,6549 (m3 / 0,25 ha) s( y ) = V
287 ( y ) = 4 2 2,738717 = 43,8195 V ( m3 / ha ) 2
( y ) = (1 - f ) V1 ( y ) + f (1 - f ) V2 ( y) V 1 1 2 n mn ( y ) = (1 - 0,02 ) 54 ,975763 + 0 ,02 (1 - 0 ,0204 ) 183,3604 V 20 4 20
( y) = 2 ,7387 ( m3 / 0,25 ha ) 2 V
( y ) = 2,7387 = 1,6549 (m3 / 0,25 ha) s( y ) = V

( y ) = 4 2 2,738717 = 43,8195 ( m3 / ha ) 2 V
b) limite de erro considerando a populao finita

LE = t s (y ) 2,0003 1,6549 100 = 100 = 6,25 % y 52,97
c) intensidade de amostragem de populao finita
n=
( y) t 2V 1 2 ( y) V ( y) V t 2 ] E 2 + [V + 2 1 ( y) N m M
2,00032 54,9758 2,00032 183,3604 183,3604 (0 ,05 52,97 )2 + (54 ,9758 + ) 1000 4 196 219 ,9691759 = 31,17985518 7,054849185
n=
n=
Usando a frmula expressa em funo dos componentes de varincia:

( y) + V d ( y) ] t 2 [V e m n= 2 (y) V t d E 2 + [V ] e ( y) + N M
183,3604 ] 4 = 31,17985518 n= 183,3604 ) 2,0003 2 2 (0,05 52,97 ) + [ 9,1357 + ] 1000 196 2,0003 2 [ 9,1357 +
Os demais clculos so obtidos como mostrado no item anterior (intervalo de confiana, dimensionamento, etc.)
288
servao. Obter a mdia e a varincia da mdia a partir da aplicao da metodologia da amostra simples ao acaso a) valor mdio estimado por conglomerado
3) Considerando o conglomerado como unidade de ob-
y
y=
i =1
i.
4237,51 = 211,8755 m3 / ha 20
yi. = valor total das subparcelas do i-simo conglomerado

b) varincia da mdia por conglomerado
yi2 . i= 1
n
( y i. ) 2
i=1
(y ) = V i.
n -1
= 879,612205 (m3 / ha )2
( y ) = ( N - n ) V ( y i. ) = (1 .000 - 20 ) 879 ,612205 = 43,1010 (m3 / ha ) 2 V N n 1.000 20
4) Comparao dos resultados considerando a varincia da mdia para os trs procedimentos de anlise:
Tabela 9.12 - Varincia da mdia por conglomerados em dois estgios.
Estimadores Vries (1986) e Cochran (1977): Populao Finita Pllico Netto e Brena (1997): Populao Infinita Metodologia: Amostra simples ao acaso Varincia da mdia (m3/ ha)2 43,8195 43,9805 43,1010
Os resultados da Tabela 9.12 mostram que as estimativas da varincia da mdia foram praticamente idnticas, demonstrando, neste exemplo, que os resultados independem da metodologia usada. No entanto, ressalta-se que se trata de uma
289
populao infinita com um coeficiente de correlao intraconglomerado (0,047459143) prximo de zero. Exerccio 9.6 Este exemplo objetiva mostrar a aplicao das frmulas para obteno do coeficiente de correlao intraglomerado, assim como algumas maneiras de obter os componentes de varincia, visando facilitar a interpretao desses parmetros. A Tabela 9.13 apresenta os dados. Obter o coeficiente de correlao intraconglomerado usando as seguintes expresses:
a) b)
c)
d)
e)
290
Tabela 9.13 - Dados considerando cinco conglomerados (C).

C C1 C2 C3 C4 C5 S1 43,75 62,75 77,65 57,20 51,10 S2 42,50 47,25 73,50 67,50 43,50 S3 32,75 34,50 69,25 37,50 58,25 S4 57,10 66,01 39,50 38,02 58,25 Total 176,10 210,51 259,90 200,22 211,10 Mdias 44,025 52,6275 64,975 50,055 52,775 Varincias 100,160833 213,026692 300,194167 219,282767 49,594167
Tabela 9.14 - Clculos: coeficiente de correlao intraconglomerado.

NPC 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Total
yij
43,75 43,75 43,75 42,50 42,50 32,75 62,75 62,75 62,75 47,25 47,25 34,50 77,65 77,65 77,65 73,50 73,50 69,25 57,20 57,20 57,20 67,50 67,50 37,50 51,10 51,10 51,10 43,50 43,50 58,250
y
52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915 52,8915
yik
42,50 32,75 57,10 32,75 57,10 57,10 47,25 34,50 66,01 34,50 66,01 66,01 73,50 69,25 39,50 69,25 39,50 39,50 67,50 37,50 38,02 37,50 38,02 38,02 43,50 58,25 58,25 58,25 58,25 58,25
(yij y )(yik y )
94,99389725 184,12352225 -38,47200275 209,30039725 -43,73262775 -84,76550275 -55,61672775 -181,31260275 129,32873225 103,75564725 -74,00801775 -241,26889275 510,23554725 405,01192225 -331,55345275 337,12414725 -275,97872775 -219,06485275 62,94072225 -66,31427775 -64,07385775 -224,84672775 -217,25030775 228,89469225 16,82487225 -9,59975275 -9,59975275 -50,32435275 -50,32435275 28,71352225 73,14083250
291
Da Tabela 9.14, tem-se:
( y
i =1 j< k
ij
-y )( y ik - y ) = 73,14083250
Ento: a)d =
d =
y) 2 ( y ij )(yy ik -y ) yy 2 (y )( ik i=1 j<k ij
i=1 j<k n
n
y) (m - 1)(nm - 1)V ((y (m - 1)(nm - 1)V )
2 ,14083250 2 73 73 ,14083250 = = 0,01362866 = ( 4 - 1)(5 4 - 1) 188,3050029 = 0,01362866 ( 4 - 1)(5 4 - 1) 188,3050029
b) d = QM Entre - (nm - 1)V ( y ) b) = (n - 1)m( b) d ( y) nm - 1)( m - 1)V
(y) (n - 1)m QM Entre - (nm - 1)V
( y) (nm - 1)( m - 1)V
Tabela 9.15 - Anlise de varincia para conglomerados.

C.Variao Entre cong Dentro cong Total GL 4 15 19 SQ 931,01918 2646,775875 3.577,795055 QM 232,754795 176,451725 188,3050029

d =
(5 1) 4 232,754795 (5 4 1) 188,3050029 = 0,01362866 (5 4 1) (4 1) 188,3050029
QM Entre V ( y ) c) d = ( y) (m 1)V

QM Entre = 232,754795
QM Dentro = 176,451725
( y ) = QM V Total = 188,3050029
292
Ento:
QM 232,754795 188,3050029 Entre V ( y ) = = 0,078684034 (4 1) 188,3050029 (m 1)V ( y ) ( y) V e d) d = ( y) Ve ( y ) + V d
d =

( y ) = QM Entre - QM Dentro = 232,754795 - 176, 451725 = 14,0757675 V e m 4
( y ) = QM V d Dentro = 176 , 451725

d = e ( y) V 14, 0757675 = = 0 ,073877881 ( y) + V ( y ) 14 , 0757675 + 176 , 451725 V e d
importante mencionar que ao empregar no quesi ( y )] [( m - 1)V ( y ) ] utilizouto c a expresso d = [QM -V Entre M ( y) = Q se o valor V Total , pois se fosse usada a frmula V ( y ) = Ve ( y ) + Vd ( y ) o resultado seria o mesmo da expresso usada no quesito d. As expresses dos quesitos a e b apresentaram os mesmos resultados, pois so semelhantes. As expresses dos quesitos c e d apresentaram valores aproximadamente cinco vezes maiores que os resultados das expresses dos itens a e b, demonstrando que aquelas (c e d) s so recomendadas para inventrios com reas extensas e com grande intensidade de amostragem. Para uma viso mais interpretativa dos componentes de ( y) e V ( y ) , seja o seguinte procedimento para obvarincia V d e t-los:
293
( y ) a mdia das varincias dentro dos conglomerados V d

( y ) = QM Confirmao: V d Dentro = 176,451725
y
i =1
5
= 264,4575
= 14.220 ,30866
y
i =1
2 i
Ento:
Seja a varincia da mdia dentro do i-simo conglomerado:
( y ) = Vi ( y ) V i m
Ento:
V ( y )
i =1 i
( y) 1 V ( y) V ( y) ( y) V ( y) V ( y) V 1 n V i = [ 1 + 2 + 3 + 4 + 5 ] n i =1 m 5 4 4 4 4 4
294

n
V ( y i )
i =1
1 882,258626 = ( ) = 44,1129313 5 4
n
Seja ento:
( y) = V (y) V e
V ( y i )
i =1
= 58,18869968 - 44 ,1129313 = 14 ,075768
Confirmando que:
e ( y ) = V ( y) V ( yi ) V i =1 n
n
Entre - QM Dentro 232 ,754795 - 176, 451725 QM = = 14,075768 4 m
( y) a Conclui-se que o componente de varincia entre V e ( y ) e a mdia diferena entre a varincia da mdia das mdias V ( y ). das varincias das mdias dentro de cada conglomerado V . i)
9.5 Amostragem por conglomerados em dois estgios com grandezas desiguais Dada uma amostragem por conglomerados em dois estgios, onde cada unidade primria seja constituda por Mi unidades secundrias ou subparcelas, tal que cada conglomerado possua mi subparcelas. 9.5.1 Valores populacionais e estimadores a) valor mdio estimado Seja yi = yi. mi o valor mdio estimado por subparcela, onde y i . o total considerando as mi subparcelas enumeradas no i-simo conglomerado. Para estimar o valor mdio populacional por subparcela Y existem, como no caso do conglomerado em estgio nico, trs
295
procedimentos que resultam nas seguintes estimativas das mdias: n yi i =1 a1) y1 = n a 2) y R =
M
i =1 n
yi
i
M
i =1
a3) y3 =
M
i =1
yi
nM N
b) varincia da mdia por razo Considerando que a estimativa por razo ( y R ), tem-se:
V ( yR ) = E (
M i yi
i =1 n
M
i =1
Y ) = E(
2
M i ( yi Y )
i =1
M
I =1
) E ( i =1
2
M (y Y )
i i
nM N
)2
Sendo:
MN =
M
i =1
Da teoria da estimativa por razo, segundo Cochran (1977), considerando uma amostra por conglomerados em dois estgios, tem-se que a estimativa da varincia para y R :
296
Dado:
f1 =
mi n ( y) = ; V ; f 2i = 2i M N i
y
j =1
mi
2 i j
mi mi 1
( yij ) 2
i =1
mi
conglomerado. Exerccio 9.7
( y ) a varincia das subparcelas dentro do i-simo V 2i
Seja um inventrio florestal com 20 conglomerados (C) em dois estgios. A estrutura espacial do conglomerado apresenta uma forma cruz de malta, composta por subparcelas retangulares de 10 m de largura por 250 m de comprimento. A distncia de cada subparcela ao ponto central foi de 100 m. Considerar que algumas subparcelas no foram medidas e que tambm houve variao no tamanho da unidade primria (variao do grid/grandezas desiguais). Os dados para a varivel resposta definida como o volume total de madeira considerando todas as espcies com DAP 45 cm esto apresentados na Tabela 9.16. A Tabela 9.17 mostra os clculos auxiliares usados para obter as estimativas.
297
Tabela 9.16 - Conglomerados em dois estgios ( m3/ 0,25 ha) com grandezas desiguais.
C 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Mi 196 200 196 200 200 210 196 196 196 230 196 210 196 196 196 196 140 196 196 180 mi 4 3 4 4 4 4 4 4 4 2 4 4 2 4 4 4 2 4 4 3 S1 43,75 62,75 77,65 57,20 51,10 68,00 45,76 60,10 63,75 49,88 88,17 27,18 37,80 55,71 45,11 35,35 ***** 38,75 49,10 50,10 1055,36 S2 42,50 **** 73,50 67,50 43,50 75,50 34,80 78,70 79,90 55,17 67,30 34,89 ***** 58,29 43,12 63,23 ***** 45,17 55,13 52,70 1105,29 S3 32,75 34,50 69,25 37,50 58,25 37,28 57,30 58,33 75,13 ***** 65,28 64,30 **** 43,16 55,83 70,90 61,37 40,44 63,17 37,37 1046,63 S4 57,10 66,01 39,50 38,02 58,25 64,33 63,17 37,27 42,23 ***** 37,13 58,17 58,89 37,12 54,17 85,14 55,33 39,89 37,14 ***** 1030,23
298
Tabela 9.17 - Clculos auxiliares: conglomerados (C) em dois estgios com grandezas desiguais.
C 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Total Mi 196 200 196 200 200 210 196 196 196 230 196 210 196 196 196 196 140 196 196 180 3922 mi 4 3 4 4 4 4 4 4 4 2 4 4 2 4 4 4 2 4 4 3
yi .
176,10 163,26 259,90 200,22 211,10 245,11 201,03 234,40 261,01 105,05 257,88 184,54 96,69 194,28 198,23 254,62 116,70 164,25 204,54 140,17 3869,08
yi
44,0250 54,4200 64,9750 50,0550 52,7750 61,2775 50,2575 58,6000 65,2525 52,5250 64,4700 46,1350 48,3450 48,5700 49,5575 63,6550 58,3500 41,0625 51,1350 46,7233
( y) V 2i
100,161 300,262 300,194 219,283 49,594 277,556 158,497 287,101 281,469 13,992 439,277 320,184 222, 394 101,943 40,614 438,483 18,241 7,994 120,268 67,304
M i yi
8628,9 10884,0 12735,1 10011,0 10555,0 12868,3 9850,5 11485,6 12789,5 12080,8 12636,1 9688,4 9475,6 9519,7 9713,3 12476,4 8169,0 8048,3 10022,5 8410,2 210.048
M i2 yi
1691264 2176800 2496080 2002200 2111000 2702338 1930692 2251178 2506740 2778573 2476680 2034554 1857222 1865865 1903801 2445370 1143660 1577457 1964402 1513835
f 2 i = mi M i
0,020408 0,015000 0,020408 0,020000 0,020000 0,019048 0,020408 0,020408 0,020408 0,008696 0,020408 0,019048 0,010204 0,020408 0,020408 0,020408 0,014286 0,020408 0,020408 0,016667
De acordo com os resultados contidos na Tabela 9.17, tem-se:
299
a) valor mdio estimado por razo

n
M
yR =
i =1 n i =1
yi =
i
210.048 = 53,5563 (m3 / 0,25 ha ) 3.922
b) varincia do valor mdio estimado por razo
Utilizou-se M n devido ao desconhecimento de M N . A partir ( y ) , os clculos do intervalo de conda varincia da mdia V R fiana e do limite de erro seguem a metodologia j vista anteriormente. 9.6 Conglomerados em dois estgios: anlise estatstica considerando a ocorrncia de tipologias diferentes na subparcela Seja uma amostra por conglomerado em dois estgios, onde cada conglomerado constitudo por m subparcelas, nas quais foram registradas a ocorrncia de uma determinada tipologia. A ocorrncia pode acontecer completamente na parcela ou em parte da mesma.
300
9.6.1 Valores populacionais e estimadores Para estimar o valor mdio populacional por subparcela Y , o procedimento mais vantajoso a estimativa por razo. A estimativa por razo tem uma pequena tendncia, mas torna-se despre3 0 ). zvel quando o nmero de conglomerados grande (n 30) a) valor mdio estimado por razo Seja Ai a rea de ocorrncia dentro do i-simo conglomerado da tipologia de interesse. Pode-se escrever a estimativa por razo do volume mdio por subparcela: n Ai y i i =1 yR = n Ai
i =1
rncia da varivel resposta da tipologia considerada;
Ai = rea do i-simo conglomerado correspondente ocor-
correspondente a j-sima subparcela do i-simo conglomerado; y yi = i. o valor mdio estimado do i-simo conglomerado; m
y ij = valor da varivel resposta da tipologia de interesse
y i. = valor total referente ao i-simo conglomerado.

b) varincia estimada do valor mdio por razo Da teoria da estimativa por razo, considerando-se uma amostra por conglomerados em dois estgios, tem-se que a estimativa da varincia de y R :
301
V ( y R ) = E ( i =1n
A y
i
A
i =1
Y ) 2 = E ( i =1
A (y
i n I =1
Y )
i
i
N
) 2 E ( i =1
n
A (y
i
Y ) )2
nAN
Utilizou-se AN =
A
i =1
no lugar de An =
A
i =1
De acordo com Cochran (1977), desenvolvendo tem-se:

n n 2 i i n
( y R ) = 1 ( N - n ) i =1 V 2 AN nN
( A y )
2 2 - 2 yR Ai2 yi + y R Ai i =1 i =1
n -1
mi mi
+
mi
f1 n 2 AN2
i =1
Ai2 (1 - f 2i ) V2 i ( y) mi
( yij ) 2
2 ij
yij mi n i= 1 ( y) = ; yi = ;V f1 = ; f 2 i = 2i N Mi mi
y
j =1
i= 1
mi mi - 1
celas dentro do i-simo conglomerado. No caso de ocorrer:

f 2i = f 2 ; m1 = m2 = L = mn:
( y ) a varincia da ocorrncia tipolgica das subparV 2i
Ento:
n n 2 i i n
( y ) = 1 ( N - n) V R AN2 nN
(A y )
i= 1
2 - 2 y R Ai2 yi + yR Ai2 i= 1 i =1
n-1
f 1 (1 - f 2 ) n 2 Ai V 2i ( y) n 2 AN2 m i = 1
Exerccio 9.8 Seja um inventrio florestal em dois estgios com 20 conglomerados mensurados. A estrutura espacial do conglomerado apresenta uma forma cruz de malta, composta por quatro
302
subparcelas retangulares de 10 m de largura por 250 m de comprimento. A distncia de cada subunidade ao ponto central foi de 100 m. Os dados para a varivel volume de madeira correspondente tipologia de interesse esto apresentados na Tabela 9.18. Os clculos auxiliares para obter as estimativas esto apresentados na Tabela 9.19. Ai = varivel auxiliar que corresponde rea de ocorrncia da tipologia de interesse no conglomerado de 1 ha; yi = valor mdio da varivel resposta da tipologia ocorrente de interesse por subparcela (m3 / 0,25 ha) do i-simo conglomerado; ( y ) a varincia entre as subparcelas do i-simo conV 2i glomerado.
Tabela 9.18 - Conglomerados (C) em dois estgios por tipologia florestal.
C 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 S1 43,7500 53,9200 62,1200 58,6200 51,1000 68,0000 32,0320 60,1000 63,7500 42,3980 88,1700 24,4620 58,9000 62,9200 60,5900 35,3500 36,1125 38,7500 23,2000 59,0700 S2 42,5000 33,0750 58,8000 57,3750 43,5000 75,5000 24,3600 78,7000 79,9000 46,8945 67,3000 31,4010 24,1200 55,3755 38,8080 63,2300 29,1750 45,1700 48,5144 36,8900 S3 32,7500 24,1500 55,4000 31,8750 58,2500 37,2800 40,1100 58,3300 75,1300 30,0645 65,2800 57,8700 24,5750 41,0020 50,2470 70,9000 46,0275 40,4400 55,5896 26,1590 S4 57,1000 46,2070 31,6000 32,3170 68,2500 64,3300 54,2100 37,2700 42,2300 57,6000 37,1300 52,3530 29,4450 35,2640 38,7500 85,1400 51,4900 39,8900 32,6832 39,9910 TOTAL 176,100 157,352 207,920 180,187 221,100 245,110 150,712 234,400 261,010 176,957 257,880 166,086 137,040 194,562 188,395 254,620 162,805 164,250 159,987 162,110 Ai (ha) 1,00000 0,74748 0,80000 0,89995 1,00000 1,00000 0,74970 1,00000 1,00000 0,95829 1,00000 0,90000 0,70610 1,00000 0,95039 1,00000 0,79904 1,00000 0,78218 0,82164
303
Tabela 9.19 - Clculos auxiliares: conglomerados (C) em dois estgios por tipologia.
C 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Total
Ai
1,00000 0,74748 0,80000 0,89995 1,00000 1,00000 0,74970 1,00000 1,00000 0,95829 1,00000 0,90000 0,70610 1,00000 0,95039 1,00000 0,79904 1,00000 0,78218 0,82164 18,1148
yi
44,0250 39,3380 51,9800 45,0468 55,2750 61,2775 37,6780 58,6000 65,2525 44,2393 64,4700 41,5215 34,2600 48,6404 47,0988 63,6550 40,7013 41,0625 39,9968 40,5275
( y) V 2i
100,161 176,573 192,124 223,920 111,094 277,556 162,823 287,101 281,469 129,958 439,277 259,349 275,644 162,181 110,121 438,483 99,5590 7,9940 217,102 187,932
Ai y i ( Ai yi ) 2 Ai2 y i
44,0250 29,4044 41,5840 40,5396 55,2750 61,2775 28,2472 58,6000 65,2525 42,3938 64,4700 37,3694 24,1910 48,6404 44,7620 63,6550 32,5220 41,0625 31,2847 33,2991 887,860 1938,20 864,62 1729,23 1643,46 3055,33 3754,93 797,90 3433,96 4257,89 1797,24 4156,38 1396,47 585,20 2365,89 2003,64 4051,96 1057,68 1686,13 978,73 1108,83 42.664 44,0250 21,9792 33,2672 36,4834 55,2750 61,2775 21,1769 58,6000 65,2525 40,6254 64,4700 33,6324 17,0813 48,6404 42,5412 63,6550 25,9865 41,0625 24,4703 27,3599 826,860
Ai2
1,00000 0,55873 0,64000 0,80990 1,00000 1,00000 0,56205 1,00000 1,00000 0,91831 1,00000 0,81000 0,49858 1,00000 0,90323 1,00000 0,63847 1,00000 0,61181 0,67510 16,6262
( y) Ai2V 2i
100,161 98,656 122,960 181,353 111,094 277,556 91,5140 287,101 281,469 119,342 439,277 210,072 137,430 162,181 99,465 438,483 63,565 7,994 132,824 126,872 3489,4
a) valor mdio por razo estimado

n
Ay
i
yR =
i= 1 n
=
i
A
i =1
887,86 = 4 9, 0130 m 3 / 0, 25ha 18,1148
b) varincia da mdia por razo estimada Dado que:

( yR ) = 1 ( N - n ) V 2 AN nN
(A y )
i i i =1
2 - 2 y R Ai 2 yi + yR Ai2 i =1 i =1
n -1
f1 n AN2
2
i =1
Ai2 (1 - f 2 i ) V 2i ( y ) mi
304
Como f 2i = f 2 e m1 = m2 = L = mn: n 20 m m 4 4 f1 = = ; f 2i = i = f 2 = = ; f2i = f2 = Mi M 196 N 1000 196 Ento:

( y ) = 1 ( N - n) V R AN2 nN
n n 2 i i n
(A y )
i= 1
2 - 2 y R Ai2 yi + y R Ai2 i= 1 i =1
n-1
f 1 (1 - f 2 ) n 2 Ai V2i ( y ) n 2 AN2 m i= 1
Portanto:
( yR ) = V 1 1 000 - 2 0 42. 664,0 - 2 49,01 3 8 26,86 + 49, 013 1 6,626 2 ( )( ) 0,9 0572 20 1000 19 20 4 (1 ) 1000 196 + 2 348 9,4 2 20 0,9 057 4
2
( y R ) = 0,05 973 479 81, 626 969 93 + 0,0 5208 794 1= 4,9 2805 784 8(m 3 / 0, 25 ha) 2 V
Utilizou-se An =
A
i =1
devido ao desconhecimento de AN .
Os clculos para obteno dos intervalos de confiana e dimensionamento da amostra seguem a metodogia j vista anteriormente. 9.7 Amostragem por conglomerados em dois estgios: anlise estatstica considerando a ocorrncia de uma varivel auxiliar Seja uma amostra por conglomerado em dois estgios, com cada conglomerado constitudo por m subparcelas onde em cada subparcela foi registrado o valor da varivel de interesse y e medido tambm a varivel auxiliar (x) que geralmente correlacionada com y.
305
9.7.1 Valores populacionais e estimadores Seja yij a varivel de interesse correspondente j-sima subparcela do i-simo conglomerado e xij a varivel auxiliar (covarivel). Da teoria da estimativa por razo, como visto anteriormente, pode-se escrever o valor mdio e sua varincia por subparcela, respectivamente: a) estimativa da razo
= R
y x
i =1 j =1 i =1 j =1 n m
ij
i j
b) valor mdio estimado por razo

X yR = R
c) varincia estimada do valor mdio por razo

( y ) = 1 ( N - n )( V R 2 X N nN
2 2 y2 i. - 2 R x i . y i . + R x i. i= 1 i=1 i= 1 n n n
n-1
)+
f1 n X
2
2 N i= 1
xi2 . (1 - f 2 i ) V 2 i ( y) mi
mo conglomerado; x i. = valor total da varivel auxiliar referente ao i-simo conglomerado. Em uma amostra por conglomerados em dois estgios, quando m1 = m 2 = L = m n e f 2i = f 2 , tem-se que a estimativa da varincia de y R :
y i. = valor total da varivel de interesse referente ao i-si-
306
( y ) = 1 ( N - n )( i =1 V R X2 nN N
2 i.
x y +R - 2R i. i. 2 xi2.
i =1 i= 1
n -1
m
)+
f 1 (1 - f 2 ) n 2 x V ( y) 2 i . 2i n 2 mX N i= 1
Dado que:
n m ; f2 = ; V 2i ( y ) = N M
f1 =
y
j =1
2 i j
( y ij ) 2
i =1
m 1
las dentro do i-simo conglomerado.
( y ) a varincia da varivel de interesse das subparceV 2i
Os clculos para obteno dos intervalos de confiana e dimensionamento da amostra seguem a metodogia j vista anteriormente. Exerccio 9.9 Seja um censo realizado pela Empresa Florestal CIKEL de uma rea de 1.392 ha de Floresta Ombrfila Densa considerando todas as rvores com DAP 30 cm, localizada no municpio de Portel, estado do Par. Os dados foram georeferenciados. Desta populao foram selecionados aleatoriamente 30 conglomerados com formato cruzado e cada um foi constitudo de 8 subparcelas retangulares de 20 m de largura por 50 m de comprimento (0,10 ha) ( ver a forma d de conglomerado no item 9.10). A estrutura espacial de cada conglomerado abrange uma de rea de 16 ha (unidade primria). A Tabela 9.20 mostra os dados observados para o volume de madeira (y) e nmero de rvores (x) por parcela. A Tabela 9.21 mostra os clculos auxiliares para obter as estimativas.
307
Sejam os valores populacionais obtidos no censo: O valor mdio populacional do volume de madeira considerando todas as rvores com DAP 30 cm igual a Y = 57,6968 m3/ha e 3 a varincia igual a V ( y ) = 1189,6930 ((m m3 /ha /h a )2 ).2 . O valor mdio populacional do nmero de rvores considerando todas as rvores com DAP 30 cm igual a X N = 20,59571 rvores / ha. Usando t = 2,00. Calcular: 1) Varincia da mdia a partir da subparcela sem conside ( y) . rar a varivel auxiliar V 1 2) Varincia da mdia concernente subparcela conside (y ) . rando a estimativa por razo V 2 R 3) Varincia da mdia considerando o conglomerado como unidade de observao (metodologia da amostra simples ao ( y) . acaso) V 3 4) Varincia da mdia por razo considerando o conglomerado como unidade de observao (metodologia da mostra simples por razo) V4 ( y R ) . 5) Discutir a eficincia dos procedimentos.
308
Tabela 9.20 - Dados observados no inventrio florestal.

C 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 S 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 VT 6,054 3,622 6,037 7,297 5,671 21,827 4,503 8,712 11,744 13,607 11,768 0,776 13,153 2,423 4,051 0,000 1,706 0,000 0,000 3,190 2,290 3,178 0,000 5,120 13,136 11,752 0,000 7,206 7,791 0,000 20,017 17,326 11,067 5,222 0,000 1,763 7,518 3,645 1,695 0,000 x 1 2 2 4 3 8 3 3 2 5 4 1 5 1 2 0 1 0 0 1 2 1 0 2 2 5 0 2 3 0 6 7 4 1 0 1 3 2 1 0 C 6 6 6 6 6 6 6 6 7 7 7 7 7 7 7 7 8 8 8 8 8 8 8 8 9 9 9 9 9 9 9 9 10 10 10 10 10 10 10 10 S 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 VT 9,696 0,000 1,251 1,047 1,844 0,000 1,425 0,000 21,803 4,304 0,000 3,995 2,263 3,799 0,000 13,284 5,718 4,566 6,427 0,000 5,974 7,603 1,759 0,000 15,739 1,224 10,721 8,803 10,691 7,896 33,005 6,130 0,000 0,000 4,213 0,000 5,696 10,314 11,751 5,967 x 1 0 1 1 1 0 1 0 5 2 0 2 1 2 0 3 3 3 3 0 5 5 2 0 4 1 3 3 3 5 5 1 0 0 2 0 3 3 5 3 C 11 11 11 11 11 11 11 11 12 12 12 12 12 12 12 12 13 13 13 13 13 13 13 13 14 14 14 14 14 14 14 14 15 15 15 15 15 15 15 15 S 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 VT 0,000 0,000 7,835 10,236 1,064 9,725 6,152 0,000 4,007 0,000 12,233 1,534 3,887 14,262 3,637 6,142 0,000 0,000 0,000 0,000 0,000 0,000 2,030 0,000 0,000 0,000 0,000 1,601 0,000 0,000 0,000 6,020 0,000 11,043 6,283 4,458 4,657 11,317 9,003 4,096 x 0 0 2 4 1 3 1 0 2 0 4 1 1 3 2 3 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 3 0 3 2 2 2 4 2 1 C 16 16 16 16 16 16 16 16 17 17 17 17 17 17 17 17 18 18 18 18 18 18 18 18 19 19 19 19 19 19 19 19 20 20 20 20 20 20 20 20 S 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 VT 10,193 23,242 3,468 1,280 9,039 5,893 13,539 2,683 10,226 0,000 11,902 0,000 20,868 2,470 3,010 2,689 1,234 4,982 4,964 0,000 13,317 4,763 0,000 1,037 8,788 8,346 1,715 0,000 0,000 5,865 11,144 2,350 3,101 0,000 6,770 14,389 0,000 13,093 8,604 0,000 x 6 6 2 1 4 3 6 2 4 0 6 0 6 2 2 2 1 3 2 0 3 3 0 1 3 4 1 0 0 1 4 1 2 0 2 5 0 3 5 0 C 21 21 21 21 21 21 21 21 22 22 22 22 22 22 22 22 23 23 23 23 23 23 23 23 24 24 24 24 24 24 24 24 25 25 25 25 25 25 25 25 S 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 VT 0,000 0,000 0,000 0,000 1,850 0,000 0,000 0,000 5,176 0,000 0,000 0,000 0,000 0,000 7,778 13,118 15,844 8,277 2,878 2,265 7,575 4,320 1,689 5,735 0,000 0,000 8,206 6,258 4,497 4,965 4,005 7,649 6,510 6,791 4,262 2,887 7,666 14,333 13,384 10,346 x 0 0 0 0 1 0 0 0 3 0 0 0 0 0 3 3 5 4 2 2 3 1 1 2 0 0 2 2 2 3 2 4 2 3 2 1 3 3 4 2 C 26 26 26 26 26 26 26 26 27 27 27 27 27 27 27 27 28 28 28 28 28 28 28 28 29 29 29 29 29 29 29 29 30 30 30 30 30 30 30 30 S 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 VT 1,958 4,857 17,002 2,423 0,000 0,000 2,136 2,813 11,481 4,064 11,862 7,130 6,004 8,876 13,413 0,000 12,175 37,932 3,045 0,000 6,828 2,244 5,942 8,929 7,143 3,898 1,320 7,600 4,647 10,880 3,638 7,760 2,092 4,856 16,119 38,281 10,716 8,586 6,944 0,000 x 1 2 3 1 0 0 1 2 5 2 4 3 2 4 6 0 5 4 1 0 3 1 3 3 3 2 1 3 2 4 1 4 1 1 4 7 2 3 2 0
309
Tabela 9.21 - Clculos auxiliares: ocorrncia de uma varivel auxiliar.

C 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Total
x i.
26 20 7 25 12 5 15 21 25 16 11 16 1 4 16 30 22 13 14 17 1 9 20 15 20 10 26 20 20 20 477
yi.
63,720 57,520 15,484 77,230 30,910 15,260 49,450 32,050 94,210 37,940 35,010 45,700 2,030 7,621 50,860 69,340 51,170 30,300 38,210 45,960 1,850 26,070 48,580 35,580 66,180 31,190 62,830 77,100 46,890 87,590 1333,84
x i. y i.
1656,72 1150,40 108,39 1930,75 370,92 76,30 741,75 673,05 2355,25 607,04 385,11 731,20 2,03 30,48 813,76 2080,20 1125,74 393,90 534,94 781,32 1,85 234,63 971,60 533,70 1323,60 311,90 1633,58 1542,00 937,80 1751,80 25.792,0
y i2.
4060,24 3308,55 239,75 5964,47 955,43 232,87 2445,30 1027,20 8875,52 1439,44 1225,70 2088,49 4,12 58,08 2586,74 4808,04 2618,37 918,09 1460,00 2112,32 3,42 679,64 2360,02 1265,94 4379,79 972,82 3947,61 5944,41 2198,67 7672,01 75.853,0
xi2.
676 400 49 625 144 25 225 441 625 256 121 256 1 16 256 900 484 169 196 289 1 81 400 225 400 100 676 400 400 400 9237,0
( y ) x 2V V 2i i 2i ( y )
33,810 34,840 3,525 54,090 15,160 10,430 57,180 9,010 90,830 21,470 20,930 25,210 0,515 4,506 15,080 51,960 53,840 19,620 18,780 34,850 0,428 24,910 21,390 9,670 16,840 30,460 20,170 145,730 9,190 147,270 22855,6 13936,0 172,7 33806,3 2183,0 260,8 12865,5 3973,4 56768,8 5496,3 2532,5 6453,8 0,5 72,1 3860,5 46764,0 26058,6 3315,8 3680,9 10071,7 0,4 2017,7 8556,0 2175,8 6736,0 3046,0 13634,9 58292,0 3676,0 58908,0 412.171,0
310
Sejam as seguintes informaes preliminares:

M=
n 30 16 ha 1392 ha = = 0,3448; = 160; N = = 87; m = 8; f 1 = N 87 0,10 ha 16 ha
f2 =
m 8 = = 0,05; M 160
X N = 20,59571 rvores/ ha ; X N = 16 ,476568 rvores / 0,8 ha ; X N = 2,059571 rvores / 0 ,10 ha

n n
x i . = 477; i =1
Xn =
xi . i =1 n
477 = 15,9 rvores / 0,8 ha; 30

n
X n = 19,875 rvores / ha;

n
y
i =1
i.
= 1 .333,84;
x V
2 i. i =1 n
y
i =1
2 i.
= 75.853,06;
x
i =1
2 i.
= 9237,0;
x
i= 1
i.
y i . = 25 .792,0;
2i
( y) = 412.171,0
Tabela 9.22 - Anlise de varincia da varivel de intersse (y).

De acordo com as informaes da Tabela 9.22 da anlise de varincia tem-se o valor do coeficiente de correlao intraconglomerado.
= (n - 1)m QM Entre - (nm - 1)V ( y) d ( y) (nm - 1)(m - 1)V = (30 - 1) 8 71,330831 - (30 8 - 1) 37 ,992949 = 0,117498097 d (8 30 - 1) (8 - 1) 37 ,992949
311
1) Varincia da mdia a partir da subparcela sem consi ( y) derar a varivel auxiliar V 1 a) valor mdio estimado por subparcela
y= y ij i =1 j=1 nm
3 n m
1 .333,84 = 5,557666667 m 3 / 0,10 ha 30 8
y = 55,5767 m / ha
( y) b) varincia sem considerar a varivel auxiliar V 1 Sabe-se que:
n
1 ( y) = V
( yi - y) 2 i =1 n -1
n m
= 8,916353875 (m3 / 0,10 ha) 2
( y) = V 2
( y ij - yi ) 2 i=1 j=1 n ( m - 1)
= 33,389146 (m 3 / 0 ,10 ha ) 2
importante notar que (ver Tabela 9.22):

n
1 ( y) = V
(y
i =1 n
- y) 2 =
n -1
Entre 71,330831 QM = = 8,916353875 (m 3 / 0,10 ha )2 m 8

3 2 = QM D en tr o = 33, 389146 ( m / 0,10 ha )
( y
( y) = V 2
i =1 j =1
ij
- yi ) 2
n(m - 1)
Logo:
( y ) = (1 - f 1 ) V1 ( y ) + f1 (1 - f 2 ) V 2 ( y ) V n mn
1 ( y ) = (1 - 0,3448) 8,916353875 + 0,3448 (1 - 0 ,05) 33,389146 V 30 8 30 3 2 ( y ) = 0,240303788 (m / 0 ,10 ha ) V

1
( y ) = 0 ,240303788 = 0 ,490207902 m 3 / 0 ,10 ha s1 ( y ) = V
312
c) intervalo de confiana para o valor mdio sem considerar a varivel auxiliar nmero de rvores Limite inferior IC : y - t s1 ( y ) = 55,5767 - 2,00 4,9021 = 45,7725 m3 / ha Limite superior
d) limite de erro a partir da subparcela desconsiderando a varivel auxiliar (LE1).

LE1 = t s1 ( y) 2,00 0,490207902 100 = 100 = 17,64% y 5,55766667
2) Varincia da mdia por meio da subparcela conside (y ) rando a estimativa por razo V 2 R a) estimativa da razo
y
= R
i =1 j =1
ij
x
i =1 j =1
=
ij
1. 333,84 = 2,7 96310 4 77
b) estimativa do valor mdio por razo

X N = 2,796310 2,059571 = 5,75919898 m3/ 0,10 ha yR = R yR = 57,591990 m3 / ha
c) estimativa da varincia do valor mdio por razo Dado que m1 = m 2 = L = m n e f 2i = f 2 , tem-se a estimativa da varincia de y R :
313
( y ) = 1 ( N - n )( V R X2 nN N
y
i =1
2 i.
x y +R - 2R i. i. 2 xi2.
i =1 i= 1
n -1
)+
f 1 (1 - f 2 ) n 2 xi. V2i ( y) n 2 mX 2 i =1 N
Usando os clculos contidos na Tabela 9.21:

2 ( y R ) = V 87 - 30 75. 853,06 - 2 2, 796310 25. 792,0 + 2, 796310 9237,0 1 ) ( 29 16,4765682 30 87
2
30 8 (1 ) 160 + 2 87 412. 171,0 30 8 16,4765682
2 ( y R ) = 0,079717259 ( m 3 / 0,10 ha ) 2 V
s 2 ( y R ) = 0,079717259 = 0,282342449 m3 / 0,10 ha

( y ) = 7,9717259 (m 3 / ha ) 2 ; s ( y ) = 2,8234 m 3 / ha V R 2 2 R
d) intervalo de confiana para o valor mdio a partir da subparcela considerando a estimativa por razo Limite inferior
IC : yR - t s2 ( yR ) = 57,59199 - 2,00 2,8234 = 51,94519 m3 / ha
Limite superior
IC : yR + t s 2 ( yR ) = 57,59199 + 2,00 2,8234 = 63,23879 m3 / ha
e) limite de erro para o valor mdio por meio da subparcela considerando a estimativa por razo (LE2)
LE2 = 2, 00 0, 282342 449 t s (yR ) 10 0 = 1 00 = 9, 80 % 5, 75919 898 yR
Xn
Se considerado desconhecido o valor de X N e utilizando = X N , ter-se-:
314

n
Xn =
xi i =1 n
= 1
477 = 15, 9 30 (
2 ( y R ) = V
87 - 30 75. 853, 06 - 2 2, 796310 25. 792, 0 + 2,7963102 9237,0 ) 2 15, 9 30 87 29 30 8 (1 ) 160 412. 171, 0 + 87 302 8 15, 92
( y ) = 0, 085603518 ( m 3 / 0 ,10 ha ) 2 V R 2 ( y ) = 8, 5603518 ( m 3 / ha ) 2 V 2 R
( y ) = 0,085603518 = 0,292580789 m 3 / 0,10 ha s 2( y R ) = V R
Seja o limite de erro para o valor mdio por razo a partir da subparcela usando X n = X N .
Sendo:
3) Varincia da mdia considerando o conglomerado como unidade de observao (metodologia da amostra sim ( y) ples ao acaso) V 3 a) estimativa do valor mdio
y= 1 .333 ,84 = 44 ,4613 m 3 / 0,8 ha n 30 y = 55,5767 m3 / ha
i =1 j=1 n m
y ij
315
b) varincia do valor mdio estimado Sabe-se que:

n
( yi . ) 2
i =1
= n -1 V ( y i. ) = 891,6323 (m 3 / ha )2
V ( y i. ) =
yi2. i =1
75 .853 -
1333,84 30 = 570,6447 (m 3 / 0,8 ha ) 2 29
Ento:
( y ) = ( N - n ) V ( yi. ) = (87 - 30 ) 570,6447 = 12,46235552 (m 3 / 0 ,8 ha ) 2 V 3 N n 87 30
( y ) = 1 9, 4724305 ( m 3 / ha ) 2 V 3
s3 ( y) = 3,5302 (m 3 / 0,8 ha) ; s3 ( y) = 4,4128 m / ha
c) intervalo de confiana para a mdia considerando o conglomerado como unidade de observao (metodologia da amostra simples ao acaso) Limite inferior
IC : y - t s3 ( y ) = 55 , 5767 - 2, 00 4, 4128 = 46 , 7511 m 3 / ha
Limite superior
IC : y + t s3 ( y ) = 55 , 5767 + 2 ,00 4 ,4128 = 64 , 4023 m 3/ ha
d) intervalo de confiana para a varincia

P[
P[
(y) (y) (n - 1)V (n - 1)V V y ( ) ] = 0 ,95 2 2 c Sup c Inf

2 c0 , 025
( 30 - 1)891,6323
V ( y)
(30 - 1)891, 6323

2 c0 , 975
] = 0, 95
316
Sendo:
c 29 ; 0, 975 = 16, 0
2 c 29 ; 0 , 025 = 45 , 7
P[
( 30 - 1)891,6323 ( 30 - 1)891,6323 V(y) ] = 0,95 45,7 16 ,0
P [565 ,8061 (m 3 / ha ) V ( y) 1.616 ,0835 (m 3 / ha )2 ] = 0 ,95
Conforme informado no presente exerccio, a varincia po3 (m m3 //h aha ) 2).2. Verifica-se que este valor pulacional V ( y ) = 1189,6930 ( est contido no intervalo de confiana. e) limite de erro para o valor mdio estimado considerando o conglomerado como unidade de observao. Metodologia da amostra simples ao acaso ( LE3).
LE3 = t s ( y) 2,00 3,5302 100 = 100 = 15,88 % y 44,4613
4) Varincia da mdia por razo considerando o conglomerado como unidade de observao. Metodologia da amostra simples por razo ( V4 ( y R ) ) a) estimativa do valor mdio por razo
X = 2 ,796310 16,476568 = 46,07359186 m3/ 0,8 ha yR = R n yR = 57 ,59198983 m3 / ha
b) estimativa da varincia da razo

n
(R ) = 1 ( N - n )( i =1 V 2 XN nN
4 ( R )= V
2 i.
x y +R - 2R i . i. 2 xi2.
i= 1 i =1
n -1
1 87 - 30 75. 853 - 2 2,796310 25. 792 + 2, 796310 2 9.237 )( ) 2 ( 29 16, 476568 30 87
(R ) = 0 ,0093329172 02 V 4
317
c) estimativa da varincia do valor mdio por razo

( y ) = X 2 V (R ) = 16,476568 2 0 ,09332917202 = 2,533675098 (m 3 / 0,8 ha ) 2 V 4 R N s 4 ( yR ) = 2 ,533675098 = 1,59175221 m 3 / 0,8 ha ( y ) = 3,958867341 (m 3/ ha ) 2 ; s ( y ) = 1,9897 m 3/ ha V 4 R R 4
d) intervalo de confiana para o valor mdio considerando o conglomerado como unidade de observao. Metodologia da amostra simples ao acaso por razo: V4 ( y R ) Limite inferior
IC : yR - t s4 ( yR ) = 57,59199 - 2,00 1,9897 = 53,6124 m 3 / ha
Limite superior
IC : yR + t s 4 ( yR ) = 57 ,59199 + 2 ,00 1,9897 = 561,5714 m3 / ha
e) limite de erro da mdia por razo considerando o conglomerado como unidade de observao. Metodologia da amostra simples por razo (LE4)
LE4 = t s 4 ( y) 2,00 1,59175221 100 = 100 = 6,91 % y 46,0735591
Se considerado desconhecido o valor de X N e utilizando X n = X N , ter-se-:

n
x
Xn =
i =1
477 = 15,9 30
X = 2,796310 15,9 = 44,461329 m3/ 0,8 ha yR = R n
(R ) = 1 ( N - n )( V 2 Xn nN
4 ( R ) = V
2 2 y i2 . - 2 R x i. y i. + R xi . i= 1 i =1 i =1
n -1
1 87 - 30 75. 853 - 2 2, 796310 25. 792 + 2,796310 2 9 .237 )( ) 2 ( 15, 9 30 87 29
( y ) = X 2 V (R ) = 15,9 2 318 V 0,011425139 = 2,888389391 (m3 / 0 ,8 ha )2 R n 4 4 ( y R ) = 4 ,513108423 (m 3 / ha ) 2 V s4 ( yR ) = 2,888389391 = 1,699526225 m3 / 0,8 ha
4 ( R ) = 0, 011425139 V
n 2 2 y i2 . - 2 R x i. y i. + R xi . i= 1 i =1 i =1 n n n
(R ) = 1 ( N - n )( V 2 Xn nN
4 ( R ) = V 1 15, 9
2
n -1
2 Amostragem por conglomerado + 2,796310 9 .237 87 - 30 75. 853 - 2 2, 796310 25. 792 )( ) 30 87 29
4 ( R ) = 0, 011425139 V
( y ) = X 2 V (R ) = 15,9 2 0,011425139 = 2,888389391 (m3 / 0 ,8 ha )2 V R n 4 4 ( y R ) = 4 ,513108423 (m 3 / ha ) 2 V s4 ( yR ) = 2,888389391 = 1,699526225 m3 / 0,8 ha
Seja o limite de erro para o valor mdio por razo considerando o conglomerado como unidade de observao, mas usando X n = X N . Metodologia da amostra simples ao acaso por razo.
LE4 = t s( y R ) yR 100 = 2, 00 1,6 995262 25 55,5 76666 100 = 6,12 %
Tal que:
477 = 15,9 rvores / 0,8 ha 30 X = 2 ,796310 15 ,9 = 44,461329 m3 / 0,8 ha yR = R n Xn = yR = 55,57666 m 3/ ha
5) Discutir a eficincia dos procedimentos

Tabela 9.23 - Resultados das estimativas.
Estimativas 1 ASA(subp) 2 Razo (subp) 3 ASA (cong) 4 Razo (cong) LE(%) 17,64 9,80 15,88 6,91 Mdia (ha) 55,5767 57,5920 55,5767 57,5920 Varincia da mdia (ha) 24,0303788 7,9717259 19,4724305 3,958867341
A partir dos resultados apresentados na Tabela 9.23, sejam as eficincias calculadas como o quociente entre os limites de erro:
319
Os resultados denotam que: a) a estimativa da mdia por razo por meio da subparcela 80% mais eficiente que a anlise a partir da subparcela sem considerar a varivel auxiliar, pois: EF12 = 1,8000; b) a estimativa da mdia quando se considera o conglomerado como unidade de observao (metodologia da amostra simples ao acaso) 11,08% mais eficiente que a anlise a partir da subparcela sem considerar a varivel auxiliar, pois: EF13 = 1,1118; c) a estimativa da mdia por razo quando se considera o conglomerado como unidade de observao (metodologia da amostra simples ao acaso) 155,28% mais eficiente que a estimativa da mdia a partir da subparcela sem considerar a varivel auxiliar, pois: EF14 = 2,5528; d) a estimativa da mdia por razo por meio da subparcela 62,04% mais eficiente que a estimativa da mdia quando se considera o conglomerado como unidade de observao sem considerar a varivel auxiliar (metodologia da amostra simples), pois: EF32 = 1,6204;
320
e) a estimativa da mdia por razo quando se considera o conglomerado como unidade de observao (metodologia da amostra simples por razo) 41,82 % mais eficiente que a estimativa por razo a partir da subparcela, pois: EF24 = 1,4182; f) a estimativa da mdia por razo quando se considera o conglomerado como unidade de observao (metodologia da amostra simples por razo) 129,81 % mais eficiente que a estimativa a partir do conglomerado como unidade de observao sem considerar a varivel auxiliar, pois: EF34 = 2,2981; Considerando todos os procedimentos, verifica-se que a anlise por razo considerando o conglomerado como unidade de observao (metodologia da amostra simples por razo) apresentou maior preciso. A maior preciso das estimativas por razo pode ser explicada pelo alto valor do coeficiente de correlao entre xi. e yi. , que de 0,876463. Pode ser verificado que o valor mdio populacional (57,6968 m3/ha) est dentro dos intervalos de confiana dos quatro mtodos utilizados. Observa-se (ver Tabela 9.23) que a estimativa do valor mdio por razo (57,5920) est mais prxima do parmetro populacional que a estimativa sem considerar a varivel auxiliar nmero de rvores (55,5767). Como em alguns casos o valor mdio da varivel auxiliar desconhecido, ento, se a amostra grande pode-se usar a sua estimativa ou proceder a uma dupla amostragem. Neste exerccio, o limite de erro da mdia por razo apresentou o valor 10,53% quando usada a mdia estimada X n = 1,9875 rvores / 0 ,10 ha . Este limite de erro 7,44 % maior que o valor de 9,80 % que corresponde ao uso de X N .
321
O limite de erro por razo considerando o conglomerado como unidade de observao (metodologia da amostra simples por razo) usando X n = 1 15,9 5 ,9 rvores/ha apresentou o valor de 6,12%. Este resultado corresponde a 88,57% do valor de 6,91% que se refere ao uso de X N . O valor do coeficiente de correlao intraconglomerado foi d = 0,117498097 que, sob H o : d = 0 , resultou no significativo (t = 1,7146), recomendando o uso da amostragem por conglomerados. 9.8 Amostragem por conglomerados em dois estgios pelas propores Seja um inventrio florestal composto de n conglomerados estruturados com m subparcelas, as quais podem ser classificadas em duas categorias, C1 e C0. Admitindo que qualquer subparcela do conglomerado pertena a uma das duas categorias, C1 e C0, onde C1 corresponde s subparcelas que possuem o atributo desejado e C0 define os dados que no o possuem. Seja a seguinte notao: ai = nmero de subparcelas pertencente categoria C1 no conglomerado de ordem i; N = nmero total de conglomerados da populao; n = nmero de conglomerados amostrado; m = nmero de subparcelas por conglomerado; p i = a i / m proporo de subparcelas pertencentes categoria C1 no conglomerado de ordem i. 9.8.1 Valores populacionais e estimadores a) valor estimado da proporo
322
Para quantificar os resultados, seja a seguinte regra para qualquer subparcela yij da amostra ou da populao: yij = 1, se yij estiver contido em C1; yij = 0, se yij estiver contido em C0; Para a amostra de valores yij , resulta que:
y
j =1
ij
= ai
Da, para o conglomerado de ordem i , tem-se:
pi =
y i ai = m m
tencente categoria C1.
pi a proporo de subparcelas do conglomerado i , per-
b) varincia estimada da proporo Considerando uma amostra aleatria de n conglomerados, define-se como valor de p a mdia das observaes obtidas de pi na amostra, onde p uma estimativa da proporo P populacional. n
ai 1 n i = 1 . Dado que p i = a i / m , logo: p = p i = n i =1 nm
Ento:
( y) = V 1
p
I =1
2 i
( p i ) 2
I =1
n 1
323
Dado que:
( y) = V 2i
m p i q i
I =1
(m 1)
, sendo V ( y) = 2
m p i q i
I =1
n(m 1)
Ento:
( p) = (1 - f1 )V ( y ) + f 1 (1 - f 2 ) V ( y) V 1 2 n nm
Os clculos para obteno dos intervalos de confiana e dimensionamento da amostra seguem a metodogia j vista anteriormente. Exerccio 9.10 Seja uma rea plantada com uma espcie florestal no espaamento de 5 m x 5 m e constituda por 100 talhes de formato quadrado de 1 ha, donde foi retirada uma amostra de 10 talhes e verificado em cada um deles, por meio de um conglomerado composto por 40 rvores (subparcelas), o nmero de rvores que apresentavam os sintomas de uma determinada doena. As subparcelas dentro dos conglomerados foram implantadas considerando uma estrutura sistemtica com uma equidistncia K = 400 / 40 = 10. O objetivo conhecer a ocorrncia dessa caracterstica. Os dados esto apresentados na Tabela 9.24. Sabe-se: rea = 100 ha; rea do conglomerado ou unidade primria = 1 ha; Nmero total de conglomerados ( N = 100 ); Nmero de conglomerados amostrado (n =10);
324
Nmero de subparcelas por conglomerado (m = 40).

Tabela 9.24 - Nmero de rvores por conglomerado (ai ) com sintomas da doena.
C 1 2 3 4 5 6 7 8 9 10 Total ai 0 3 2 4 2 1 2 6 3 1 24 pi = ai / 40 0,000 0,075 0,050 0,100 0,050 0,025 0,050 0,150 0,075 0,025 0,600 qi 1,000 0,925 0,950 0,900 0,950 0,975 0,950 0,850 0,925 0,975 piqi 0,000000 0,069375 0,047500 0,090000 0,047500 0,024375 0,047500 0,127500 0,069375 0,024375 0,547500
a) valor estimado da proporo

n n
pi = 0,600 ;
i= 1 n
pi qi = 0,5475;
i=1
n 2 pi = 0,0525; i =1
ai =24;
i= 1
p
p=
i =1
i 0,600 24 = = 0,06 ou p = i=1 = = 0 ,06 10 10 40 nm

a
b) varincia estimada da proporo Dado que:

n
p
1 ( y ) = V
I =1 n
( p i )2
2 i
I =1
0,0525 = 9
n -1 m pi qi
I =1
0,6 2 10 = 0,00183333
2 ( y ) = V
n ( m - 1)
40 0,5475 = 0,243333 10 (10 - 1)
n 10 f1 = = = 0,1 N 100
f2 = m 20 = = 0 ,05 M 400
325
p Amostragem em inventrio florestal

2 i
( p i )2
I =1
1 ( y ) = V
I =1
0,0525 = 9
n -1
n
0,6 2 Waldenei Travassos de Queiroz 10 = 0,00183333
m pi qi 2 ( y ) = V
I =1
n ( m - 1)
40 0,5475 = 0,243333 10 (10 - 1)
f1 =
n 10 = = 0,1 N 100
m 20 = = 0 ,05 M 400
f2 =
Ento:
( p ) = (1 - f1 )V ( y) + f1 (1 - f 2 ) V (y) V 1 2 n nm ( p ) = (1 - 0,1 ) 0,00183333 + 0 ,1(1 - 0 ,05) 0 ,243333 V 10 10 40 V ( p ) = 0 ,0001649997 + 0,0000577915 875 = 0 ,0002227912 875 s ( p ) = 0 ,014926194
O intervalo de confiana e o dimensionamento do inventrio definitivo so calculados como j visto anteriormente. 9.9 Amostragem por conglomerados em dois estgios pelas propores com grandezas desiguais (mi) Dada uma amostragem por conglomerados em dois estgios, onde cada unidade primria seja constituda por Mi unidades secundrias ou subparcelas, tal que cada conglomerado possua mi subparcelas. Admitindo-se que qualquer subparcela do conglomerado, como visto no item 9.8, pertena a uma das duas categorias C1 ou C0. 9.9.1 Valores populacionais e estimadores a) valor estimado da proporo
326
No caso de ocorrer variao no tamanho do conglomerado (unidade primria), ento p uma estimativa por razo, ou seja:
p i = a i / M i , logo: p R =
M
i =1 n i =1
pi
i
b) varincia estimada da proporo Dado que:

pR =
M
i =1 n i =1
pi
i
Por conseguinte, a estimativa da varincia dada pela expresso:

( y ) = 1 ( N - n )[ i =1 V R 2 M N nN
(M
2 pi ) 2 - 2 pR M i2 pi + pR M i2 i =1 i =1
n -1
]+
f1 2 n MN
2
i =1
M i2 (1 - f 2i ) V2i ( y ) mi
Tal que:
MN =
M
i =1
( y ) = mi p i q i V 2i (mi 1)
Considerando: f 2i = f 2 e m1 = m2 = L = mn = m :
( y ) = V R 1 M
2 N
N - n i =1 ( )[ nN
(M
pi ) - 2 pR
M
i =1
2 i
pi + p2 R
M
i =1
2 i
n -1
]+
f1 (1 - f 2 ) mn M
2 2 N
M
i =1
2 i
(y) V 2i
Os clculos para obteno dos intervalos de confiana e dimensionamento da amostra seguem a metodogia j vista anteriormente.
327
Exerccio 9.11 Seja uma adaptao do exerccio 9.10 considerando variao no tamanho das unidades primrias e tambm no nmero de rvores (subparcelas). Os dados esto apresentados na Tabela 9.25. Dado que: rea total = 100 ha; Nmero total de conglomerados (N = 100); Nmero de conglomerados amostrado (n = 10).
Tabela 9.25 - Nmero de rvores (ai ) por conglomerado (C) com sintomas da doena.
C 1 2 3 4 5 6 7 8 9 10 Total
n
rea 0,9 0,8 1,1 1,2 0,7 0,8 0,9 1,0 1,0 1,4 9,8
Mi 360 320 440 480 280 320 360 400 400 560 3920
mi 37 35 41 43 33 35 37 40 40 47
ai
0 3 2 4 2 1 2 6 3 1 24
p i = a i / mi
0,000000 0,085714 0,048780 0,093023 0,060606 0,028571 0,054054 0,150000 0,075000 0,021277
qi 1,00000 0,91429 0,95122 0,90698 0,93939 0,97143 0,94595 0,85000 0,92500 0,978723
= m p q (m 1) V 2i i i i i
0,000000 0,080672 0,047561 0,086379 0,058712 0,028571 0,052553 0,130769 0,071154 0,021277
M
i=1
= 3920
= 1 .600 .000,0
M
i =1
2 i
M i p i = 241,03 i =1
N
MN =
n
Mi i= 1 N
2
40.000 = 400 100
M
i= 1
n i =1 n
pi = 97.009,0
p i ) 2 = 8 .598,93
(M
i =1
328
M i2 (1 - f 2 i ) V 2i ( y ) = 2. 054, 9 mi
i =1 N
MN =
n
Mi i= 1 N
2
40.000 = 400 100

M
i= 1
n i =1 n
pi = 97.009,0
p i ) 2 = 8 .598,93
(M
i =1
M i2 (1 - f 2 i ) V 2i ( y ) = 2. 054, 9 mi
a) valor mdio estimado por razo de P

n
M
pR =
i =1 n i =1
pi =
i
241,92 = 0,061714 3920
b) varincia estimada por razo de pR

n n n
( y ) = 1 ( N - n )[ V R M2 nN N
(M
i =1
2 p i ) 2 - 2 p R M i2 p i + p 2 RMi i =1 i =1
n -1
]+
f1 2 n2 M N
i =1
M i2 (1 - f 2 i ) V 2i ( y) mi
2 ( p) = 1 (100 - 10 )( 8.598,93 - 2 0,061487 97.009 + 0,061487 1.600.000 ) V 400 2 10 100 9 0,1 + 2 2.054,9 10 400 2
( p ) = 1 (100 - 10 )( 302,043012) + 0,0000128431 25 = 0 ,0001827423 193 V 400 2 10 100 s ( p ) = 0 ,013518
Os clculos para obteno dos intervalos de confiana e dimensionamento da amostra seguem a metodogia j vista anteriormente. 9.10 Estruturas de conglomerados em inventrios florestais A configurao estrutural dos conglomerados pode ser organizada de diversas formas, tamanhos e distribuies espaciais na floresta. Entretanto, para se definir a forma estrutural
329
amostral (conglomerado) em inventrios de florestas naturais, as seguintes informaes so importantes, como subsdios para se aproximar da estrutura conglomerada ideal: a) a razo entre os custos de penetrao e medio das subparcelas e o custo de reconhecimento e penetrao nos conglomerados; b) previso aproximada do valor esperado do coeficiente de correlao intraconglomerado; c) a rea da subunidade. A diversidade de formas ou estruturas de conglomerados com aplicao na rea florestal bastante ampla. A Figura 9.1 apresenta algumas formas (a, b, c, d) que podem ser utilizadas:
(a)
(b)
(c)
(d)
Figura 9.1 - Formas estruturais de conglomerados (a, b, c, d).
Pllico Netto (1971) realizou um inventrio florestal em uma rea de 160.980 ha, localizada na regio do Alto Turi, municpio de Santa Helena, no estado do Maranho. A unidade amostral apresentou uma forma conglomerada, denominada cruz de malta (forma a), onde cada subparcela tinha uma rea de 0,25 ha. A distncia de cada subparcela em relao ao ponto central do conglomerado foi de 10 m. Bolfarine e Bussab (2005) citam que uma inconvenincia no uso da amostragem em conglomerados que as subparcelas
330
dentro do conglomerado tendem a ter valores mais homogneos para as variveis medidas. Queiroz (1998) explica que o uso de pequenas distncias entre as subparcelas aumenta o grau de dependncia entre as mesmas, pois o coeficiente de correlao intraconglomerado tende a crescer. Queiroz (1977) estudou a forma estrutural do conglomerado cruz de malta com o objetivo de pesquisar 25 tamanhos diferentes de subparcelas, pelo Mtodo da Curvatura Mxima, visando definir o tamanho ideal. A seguir uma apresentao mais detalhada deste trabalho. Para estudar o tamanho timo da subparcela e a distncia ideal dessa ao centro do conglomerado foram consideradas as seguintes variveis respostas: Vt: Volume de madeira sem casca das rvores com DAP 25 cm considerando as 167 espcies ocorrentes na rea; V1: Volume de madeira sem casca congregando somente as espcies pertencentes classe I que so as espcies com mercado internacional garantido que, segundo Queiroz (1977), no ano de 1977 correspondia a um total de 14 espcies, e Vm: Volume de madeira sem casca somente para a espcie maaranduba (Manilkara huberi (Ducke). Standl). O mtodo utilizado para obter o tamanho ideal da subparcela, denominado de curvatura mxima, foi proposto por Federer (1955), consistindo em obter um ndice que estime a variabilidade, como a varincia ou coeficiente de variao para cada tamanho de subparcela. Segundo Chacin Lugo (1977), o mtodo da curvatura mxima foi o primeiro a ser utilizado na obteno do tamanho ideal de parcelas experimentais. Este mtodo consiste em utilizar ensaios de uniformidade compreendendo um conjunto de unidades bsicas. A partir dos coeficientes de variao (CV) obtidos para cada tamanho de parcela, uma curva ento traada atravs
331
das coordenadas resultantes, onde o tamanho timo da parcela localiza-se na regio de mxima curvatura. Este tamanho determinado de forma visual, adotando-se como tamanho ideal o valor correspondente abscissa do ponto naquela regio. O tamanho ideal escolhido, localizado na regio de mxima curvatura, foi de 0,32 ha. Definido o tamanho da subparcela em 0,32 ha, foram analisados os efeitos na preciso do inventrio, quando as mesmas estiverem afastadas do ponto central, para 17 distncias diferentes. Os resultados mostraram que a distncia das subparcelas ao ponto central no deve ser inferior a 50 metros para um tamanho de subparcela de 0,32 ha, entretanto, os resultados obtidos recomendam que uma distncia de 100 m seria melhor. Os resultados demonstraram que o nmero de subparcelas aumenta com a diminuio do seu tamanho, o que pode ser percebido quando o tamanho igual a 0,12 ha, onde os coeficientes de correlao intraconglomerado, para as trs variveis respostas estudadas, variaram entre os valores de 0,055 a 0,087; e, consequentemente, o nmero de subparcelas variou de 5,596 a 7,193; denotando ser eficiente uma formatao conglomerada na forma cruzada, mas apresentando oito subparcelas. Analisando-se a Figura 9.2, com base nas trs variveis respostas referentes aos volumes das espcies em estudo, verifica-se que existe uma relao inversamente proporcional da variabilidade dos valores do coeficiente de variao em funo do tamanho das subparcelas, ou seja, medida que se aumenta o tamanho da subparcela diminui o valor do coeficiente de variao. Nesse caso, o tamanho da subparcela considerado ideal foi obtido por meio de anlise visual, com localizao centralizada na regio de mxima curvatura, correspondendo soma do total de oito unidades bsicas (subsubparcelas), perfazendo uma magni-
332
tude de 0,32 ha. Todavia, verifica-se uma tendncia de estabilizao da curva a partir do tamanho de 0,2 ha, e que o tamanho correspondente a 0,25 ha tambm pode ser uma boa escolha.
500 450 400 350 300 250 200 150 100 50 0 0,00
Coeficiente de variao
0,20
0,40
0,60
rea da subparcela (ha)
0,80
1,00
1,20
Vt: Volume das 167 espcies
V1: Volume das espcies da classe I
Vm: Volume da Maaranduba
Figura 9.2 - Grfico de disperso do coeficiente de variao em funo do tamanho das subparcelas para o inventrio florestal do Tapajs, municpio de Santarm-PA, em 1977.
De acordo com as trs variveis respostas referentes aos volumes das espcies em estudo, observou-se que existe uma relao diretamente proporcional da variabilidade do coeficiente de correlao intraconglomerado em funo do tamanho das subparcelas, ou seja, medida que aumenta o tamanho da subparcela cresce o seu valor, conforme mostra a Figura 9.3. Os valores dos coeficientes de correlao intraconglomerado, considerando um tamanho de subparcela ideal de 0,32 ha, para as trs variveis: Vt (Volume das 167 espcies), d = 0,213; V1 (Volume das espcies da classe I), d = 0,276 e Vm (Volume da espcie Maaranduba), d = 0,214, ficaram bem abaixo de 0,4, indicando ser um tamanho de subparcela adequado.
333
0,5
Correlao intraconglomerado
0,4 0,3 0,2 0,1 0,0 0,00 -0,1
0,20
0,40
0,60
rea da subparcela (ha)
0,80
1,00
1,20
Figura 9.3 - Grfico de disperso para os valores do coeficiente de correlao intraconglomerado em funo do tamanho das subparcelas para o inventrio florestal do Tapajs, municpio de Santarm-PA, em 1977.
Considerando as trs variveis respostas referentes aos volumes das espcies em estudo, constatou-se que existe uma relao inversamente proporcional da variabilidade do nmero de subparcelas em funo do seu tamanho, ou seja, medida que este aumenta a sua quantidade diminui, estabilizando-se em torno de quatro para 0,32 ha, como apresenta a Figura 9.4. Os resultados mostram que os nmeros de subparcelas correspondente ao tamanho de 0,32 ha, para as variveis em estudo, foram: Vt (Volume das 167 espcies), m = 3,324; V1(Volume das espcies da classe I), m = 2,801; e Vm (Volume da espcie Maaranduba), m = 3,314.
334
25
Nmero de subparcelas
20 15 10 5 0 0,00
0,20
0,40
0,60 rea da subparcela (ha)
0,80
1,00
1,20
Figura 9.4 - Grfico de disperso da variao do nmero de subparcelas em funo do tamanho das subparcelas para o inventrio florestal do Tapajs, municpio de Santarm-PA, em 1977.
A Figura 9.5 apresenta, para as trs variveis respostas, a variabilidade do coeficiente de correlao intraconglomerado em funo da distncia das subparcelas ao centro do conglomerado. Os valores do coeficiente de correlao intraconglomerado considerando uma distncia de 50 m das subparcelas ao centro do conglomerado e com um tamanho 0,32 ha apresentaram os seguintes resultados: Vt = 0,130; V1 = 0,215 e Vm = 0,169. Estes valores denotam que o uso de subparcelas com tamanho de 0,32 ha e distantes 50 m do centro do conglomerado cruz de malta esto dentro do limite aceitvel por atenderem condio d 0,4 .
335
Correlao intraconglomerado
0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 0 50 100 150 200 Distncia (m) Vt: Volume das 167 espcies V1: Volume das espcies da classe I Vm: Volume da Maaranduba 250 300 350 400
Figura 9.5 - Grfico de disperso da variao do coeficiente de correlao intraconglomerado em funo da distncia para o inventrio florestal do Tapajs, municpio de Santarm, em 1977.
A Figura 9.6 apresenta, para as trs variveis respostas, a variabilidade do nmero de subparcelas ideal em funo da distncia das subparcelas ao centro do conglomerado. Os valores do coeficiente de correlao intraconglomerado para uma distncia de 110 m das subparcelas ao centro do conglomerado, para o tamanho de subparcela de 0,32 ha, apresentaram os seguintes resultados: Vt = 3,611; V1 = 2,933; e Vm = 2,905. Estes valores denotam que aceitvel estruturar um conglomerado cruz de malta com subparcelas com tamanho de 0,32 ha e distantes 110 m do centro, pois d 0,4 .
336
20 18 16 14 12 10 8 6 4 2 0 0 100 200 distncia 300 400
Nmero de subunidades
Vt V1 Vm
Figura 9.6 - Variao do nmero de subparcelas em funo da distncia ao centro do conglomerado.
Os resultados apresentados demonstram que o uso do formato conglomerado cruz de malta com subparcelas com tamanhos de 0,25 ha ou 0,32 ha em Inventrios Florestais na Amaznia recomendvel, por outro lado, se a rea da subparcela for dimensionada para 0,10 ha, o conglomerado dever ser estruturado com oito subparcelas. As experincias na realizao de Inventrios Florestais na Amaznia recomendam que a distncia das subparcelas ao centro do conglomerado cruz de malta no deve ser inferior a 50 m, mas, ressalta-se que a distncia recomendada 100 m para um tamanho de subparcela de 0,25 ha. Os resultados demonstram tambm que se houver a diminuio do tamanho da subparcela, o seu nmero dever ser aumentado, o que pode ser percebido quando o tamanho da subparcela igual a 0,12 ha, onde os valores da correlao intraconglomerado, para as trs variveis respostas, variaram de 0,055 a 0,087 e, consequentemente, o nmero de subparcelas ideal ficou no intervalo de 5,596 a 7,193; concluindo-se ser eficiente estruturar, para inventrios florestais
337
na Amaznia, uma formatao conglomerada cruzada ampliada, ou seja, apresentando uma composio com oito subparcelas de 0,10 ha (Figura 9.7).
Figura 9.7 - Representao esquemtica da unidade conglomerada cruz de malta e da unidade cruzada com oito subparcelas do inventrio florestal da Flona Tapajs, municpio de Santarm, em 1977.
Flores (2010) estudou na rea de manejo florestal sustentvel de 1400 ha, pertencente empresa madeireira Cikel Brasil Verde Madeiras Ltda., em regio de floresta ombrfila densa, localizada no Alto Pacaj, municpio de Portel, estado do Par, a forma estrutural conglomerada cruzada com oito subparcelas (Forma expressa na Figura 9.7) com o objetivo de pesquisar cinco tamanhos diferentes de subparcela, pelo Mtodo da Curvatura Mxima, visando definir o tamanho ideal. A seguir uma apresentao mais detalhada deste trabalho. Para estudar o tamanho timo da subparcela e a distncia ideal desta ao centro do conglomerado foram consideradas as seguintes variveis respostas: VT: Volume de madeira com casca das rvores com DAP 30 cm considerando as 77 espcies ocorrentes na rea; VO: Volume de madeira com casca congre-
338
gando somente as 10 espcies de maior ocorrncia; VC: Volume de madeira com casca das dez espcies com mercado internacional garantido pela Empresa Cikel Brasil Verde Madeiras Ltda. O tamanho ideal escolhido, localizado prximo regio de mxima curvatura, foi de 0,10 ha. Definido o tamanho da subparcela em 0,10 ha, foram analisados os efeitos na preciso do inventrio para cinco diferentes distncias entre as subparcelas, os resultados mostraram que a distncia entre as subparcelas deve ser de 50 m, ou seja, o autor confirmou que a formatao conglomerada cruzada com oito subparcelas de 0,10 ha recomendvel (Figura 9.7). Pinheiro (2011) aplicou a estrutura conglomerada cruzada com oito subparcelas de 0,8 ha, formato apresentado na Figura 9.7, em um inventrio florestal localizado no municpio de Portel, estado do Par, considerando a varivel resposta volume com DAP 30 cm para todas as espcies ocorrentes. Referido autor obteve para o coeficiente de correlao intraconglomerado o valor de 0,1770; o qual est dentro do limite aceitvel por atender a condio d 0,4 . 9.11 Amostragem por conglomerados em trs estgios Seja uma populao florestal dividida em N unidades de rea denominadas primrias ou conglomerados de conglomerados, tal que cada unidade primria ou conglomerado de conglomerados subdividida em M unidades denominadas secundrias ou conglomerados e cada unidade secundria ou conglomerados divida em U unidades denominadas tercirias ou subparcelas. Denomina-se amostragem em trs estgios porque a amostra selecionada em trs etapas. A primeira etapa
339
consiste em selecionar n unidades primrias dentre as N unidades primrias. A segunda consiste em selecionar m unidades secundrias dentre as M unidades secundrias. Na terceira etapa selecionam-se u unidades tercirias dentre as U unidades tercirias existentes. Em florestas tropicais, quando a acessibilidade difcil, vantajosa a aplicao da amostragem por conglomerados. Em inventrios realizados em reas de difcil acesso, em que o custo de localizao da unidade de amostra alto, o uso da amostragem em trs estgios possibilita a reduo do custo do levantamento. As n unidades primrias sero denominadas de conglomerados de conglomerados, pois em cada unidade primria ter-se m conglomerados. As m unidades secundrias sero denominadas de conglomerado, pois ter-se- apenas um conglomerado em cada unidade secundria. As u unidades tercirias sero denominadas de subparcelas dentro de cada conglomerado. O confronto das variaes entre os conglomerados de conglomerados, entre conglomerados dentro dos conglomerados de conglomerados e entre subparcelas dentro dos conglomerados que revelar a eficincia, em termos de preciso estatstica, da aplicao da amostragem por conglomerados em trs estgios. A amostra por conglomerados em trs estgios ser tanto mais precisa quanto maior for o componente de varincia entre os conglomerados dentro dos conglomerados de conglomerados e entre as subparcelas dentro dos conglomerados e menor for o componente entre os conglomerados de conglomerados. Considerando que os conglomerados de conglomerados (unidades primrias), os conglomerados (unidades secundrias) dentro dos conglomerados de conglomerados e as subparcelas (unidades tercirias) dentro dos conglomerados esto dispostas sistematicamente, a tendncia no clculo do erro padro pode
340
ser considerada desprezvel no caso de inventrios florestais, pois, normalmente, os valores das variveis respostas so ordenados por algum critrio objetivo, ou seja, sucedem-se em uma ordem obedecendo s leis da natureza florestal, podendo-se atravs da anlise de varincia ter uma aproximao satisfatria da estimativa da varincia da populao. 9.11.1 Valores populacionais e estimadores Sem perda de generalidade, ser apresentado o caso mais simples, quando uma amostra de n conglomerados de conglomerados selecionados de um total de N contm o mesmo nmero m de conglomerados, assim como todos m conglomerados selecionados de um total de M tero o mesmo nmero u de subparcelas de um total U. Para formular os parmetros populacionais e os respectivos estimadores, utilizar-se- a seguinte notao. N = nmero total de conglomerados de conglomerados ou unidades primrias, possvel de ser alocado na rea florestal a ser inventariada, respeitando-se a sua forma estrutural; M = nmero total de unidades secundrias ou conglomerados, possvel de ser alocado dentro de cada unidade primria ou conglomerados de conglomerados; U = nmero total de unidades tercirias ou subparcelas do conglomerado, possvel de ser alocado dentro de cada unidade secundria ou conglomerado; n = nmero de unidades primrias ou conglomerados de conglomerados amostrado; m = nmero de unidades secundrias ou conglomerados amostrado dentro de cada unidade primria ou conglomerados de conglomerados;
341
u = nmero de unidades tercirias ou subparcelas amostrado dentro de cada conglomerado; y ijk = valor da varivel resposta correspondente k-sima subparcela do j-simo conglomerado, o qual pertence ao i-simo conglomerado de conglomerados. a) valores mdios por unidade terciria ou subparcela a1) valores mdios populacionais por unidade terciria ou subparcela
N M U
yijk
Y =
i =1 j=1 k =1
y
; Yi =
j= 1 k = 1
ijk
y
; Yij =
k =1
ijk
NMU
MU
a2) valores mdios amostrais por subparcela ou unidade de terceiro estgio
y
y=
i =1 j =1 k =1
ijk
yijk
; yi =
j =1 k =1
y
; y ij =
k =1
ijk
nmu
mu
b) valor total b1) valor total populacional

Y = NMUY
b2) valor total estimado

= NMU y Y
342
c) varincia populacional por subparcela e seu estimador

V ( y) =
( y
i =1 j =1 k =1
ijk
Y )2
NMU 1
( y) = ;V
(y
i =1 j =1 k =1
ijk
y) 2
nmu 1
9.11.2 Parmetros populacionais e seus estimadores atravs da anlise de varincia a) varincia a partir dos componentes de varincia A varincia populacional e seu estimador, a partir dos componentes de varincia, so obtidos respectivamente pelas expresses:
V ( y) = V d d ( y) + U ( NM - 1)VC ( y) + MU( N -1)VC C ( y) NMU -1
( y) = V dd ( y) + u(nm - 1)VC ( y) + mu(n - 1)VCC ( y ) V nmu - 1

Seja a verificao pela anlise de varincia considerando o esquema para ensaios em classificao hierrquica (Tabelas 9.26 e 9.27):
yijk = Y + cci + c ij + eijk
Y a mdia geral fixa, onde E (Y ) = Y e E (Y 2 ) = Y 2 yijk o valor da varivel resposta correspondente ksima subparcela dentro do j-simo conglomerado dentro do isimo conglomerados de conglomerados; cci: com i = 1,2,L, n o efeito dos conglomerados dos conglomerados (unidades primrias), tal que E(cci) = 0 e E(cci2) = Vcc (y); cij: com j = 1,2,L, m o efeito do conglomerado j dentro do conglomerado de conglomerado i, quando E(cij) = 0 e E(cij2) = Vc (y); eijk : k = 1,2, L, u o efeito da subunidade k dentro do con-
343
glomerado j, dentro do conglomerado de conglomerados i, ou erro aleatrio para E (eijk ) = 0 e E(e2 ) = Vdd (y).
Tabela 9.26 - Anlise de varincia em classificao hierrquica.
Causas de Variao Entre conglomerados de conglomerados Entre conglomerados dentro dos conglomerados de conglomerados Entre subunidades dentro dos conglomerados dentro dos conglomerados de conglomerados Total G.L. SQ
n
QM
2
n 1
um ( y i - y)
i =1
n m
V1 =
V2 =
SQCC n -1
SQC d .CC n (m - 1)
n(m 1)
u ( yij - yi )2
i =1 j =1
nm (u - 1)
( y
i =1 j =1 k =1
n m u
ijk
yij ) 2
y)2
V4 = SQTotal nmu - 1
nmu 1
( y
i =1 j =1 k =1
ijk
2 SQTotal = yijk -C i =1 j=1 k =1
( yijk ) 2 C=
i=1 j =1 k =1
nmu
SQCC = SQC d .CC
1 n 2 yi.. - C ju i=1 1 n 2 1 n 2 = yij . - yi.. u i= 1 ju i

n m u i=1 j =1 k =1
2 SQSub d .C d .CC = y ijk -
1 n m 2 y ij. u i j= 1
344
Tabela 9.27 - Componentes de varincia.

Causas de Variao Entre conglomerados de conglomerados Entre conglomerados dentro dos conglomerados de conglomerados Entre subunidades dentro dos conglomerados dentro dos conglomerados de conglomerados Total G.L. QM E(QM) F
N 1
V1
Vdd ( y) +UV C ( y) + MUV CC ( y) Vdd ( y ) + UVC ( y)
V1 V2
V2 V3
N ( M 1) V2
NM (U - 1) V3
Vdd ( y )
U ( NM - 1)V C ( y ) + MU (N - 1)VC C ( y) NMU - 1
NMU 1
V4
Vd d ( y) +
O termo E(QM) significa esperana do quadrado mdio. Tem-se: VCC (y) o componente de varincia entre os conglomerados de conglomerados; VC (y) o componente de varincia entre os conglomerados dentro dos conglomerados de conglomerados; Vdd (y) o componente de varincia entre subparcelas dentro dos conglomerados dentro dos conglomerados de conglomerados. No obstante, considerando que a amostra por conglomerados, geralmente, aplicada s populaes extensas, pode-se considerar que:
MU ( N - 1 ) @ U ( NM - 1) @ NMU - 1
Ento, se V (y) = QMTotal , tem-se que:
V ( y ) = VCC ( y ) + VC ( y ) + Vdd ( y )
345
Dado que:
( y) = V
( y
i =1 j =1 k =1
ijk
y)2
nmu 1
ser:
Ento a varincia estimada atravs da anlise de varincia,

CC + n (m - 1)Q M C d .CC + nm (u - 1)Q M Sub d .C d .CC (n - 1 ) Q M nmu - 1
( y) = V
Substituindo-se os componentes de varincia correspondentes e considerando a populao infinita.

mu (n - 1) @ u( nm - 1) @ nmu - 1
Tem-se: ( y) = V ( y ) +V ( y ) +V ( y) V CC C dd Tal que:

C C ( y) = V1 - V 2 , V mu
( y) = V 2 - V3 , V ( y ) = QM V C dd Sub d . C d . CC u
b) desvio padro a partir dos componentes de varincia b1) desvio padro populacional a partir dos componentes de varincia
S ( y ) = V CC ( y ) + V C ( y ) + Vdd ( y )
b2) desvio padro estimado considerando os componentes de varincia
CC ( y) + V C ( y) + V dd ( y) s( y ) = V
346
c) coeficiente de variao c1) coeficiente de variao populacional

CV % = S ( y) 100 Y
c2) coeficiente de variao estimado

% = s ( y ) 100 CV y
d) varincia da mdia por subparcela (unidade terciria) d1) varincia da mdia populacional por subparcela (unidade terciria) Do modelo matemtico de um levantamento em trs estgios y i jk = Y + cci + c ij + eij k , tem-se:
n m u ijk
y
V ( y) = V ( i
=1 j=1 k =1
nmu
)=
1 - f3 1 - f1 1- f 2 V1 ( y ) + V2 ( y ) + V ( y) nmu 2 n nm
Sendo:
N
( y
V1 ( y) =
i =1
- y) 2
N -1
N M
V2 ( y ) =
( y ij - yi ) 2 i =1 j=1 N (M - 1)
N M U ijk
( y
V3 ( y ) =
i =1 j=1 k =1
- yij ) 2
NM (U - 1)
347
d2) varincia da mdia estimada por subparcela unidade
Se n conglomerados de conglomerados so selecionados ao acaso e se m conglomerados so tambm retirados aleatoriamente dentro dos conglomerados de conglomerados e u subunidades tambm so selecionadas aleatoriamente dentro dos conglomerados, tem-se que y uma estimativa sem tendncia de Y e sua varincia :
( y ) = V ( i =1 V
y
j =1 k =1
ijk
nmu
)=
f f (1 f 3 ) 1 f1 f (1 f 2 ) V1 ( y ) + 1 V2 ( y ) + 1 2 V3 ( y ) n n m nmu
Sendo:
( y) = V 1
3 ( y ) = V
( yi y ) 2
i =1
n m
n u 1
ijk
( y) = ; V 2
- yij ) 2
( y
i =1 j =1
i j
yi ) 2 ;
n(m 1)
( y
i=1 j =1 k =1
nm(u -1)
Para populaes infinitas, usando-se os componentes de varincia, tem-se:
( y ) = VCC ( y) + VC ( y) + Vdd ( y) V n nm nmu

e) erro padro e1) erro padro populacional
S ( y) = V ( y)
348
e2) erro padro estimado

( y) s( y ) = V
f) intervalo de confiana f1) intervalo de confiana para a mdia populacional ( Y )
P[ y t a 2 s( y ) Y y + t a 2 s( y ) ] =1-a
f2) intervalo de confiana para o valor total populacional (Y)
NMUta s ( y ) Y Y + NMUta s ( y ) P[Y ] =1-a 2 2
s ( y ) : valor na unidade de rea da subparcela do conglomerado
g) intensidade de amostragem e limite de erro Seja E = t s ( y ) a semiamplitude do intervalo de confiana. Definindo a semiamplitude do intervalo de confiana em percentagem da mdia, tem-se: E E= = LE L E y , tal que LE denominado Limite de Erro ou Margem de Erro. Dado que E = t s ( y ) = LE y , conclui-se que: t s( y ) LE % = y
( y) . . Logo: De E = t s ( y ) , tem-se: E 2 = t 2 V
( y ) = t 2 [VCC ( y ) + VC ( y) + Vd d ( y) ] E 2 = t 2V n nm nmu
E =
( y) V ( y) 1 2 V t [VCC ( y ) + C + dd ] n m mu
( y) V ( y) t2 V n = 2 [V CC ( y ) + C + dd ] E m 349 mu
n= t2 ( y ) + V C ( y ) + V dd ( y ) ] [ V CC ( LE y ) 2 m mu
2
t2
( y) V ( y) V C dd
( y ) = t 2 [VCC ( y ) + VC ( y) + Vd d ( y) ] E 2 = t 2V n nm nmu
2 inventrio 2 florestal Amostragem ( y) + E em= t [V CC
1 n
( y) V ( y) V C + dd ] m mu
( y) V ( y) t2 V n = 2 [V CC ( y ) + C + dd ] E m mu
n=
2 t ( y ) + V C ( y ) + V dd ( y ) ] [ V CC ( LE y ) 2 m mu
LE 2 =
( y) V ( y) t2 V C dd V y ( ( ) + + ) CC 2 ny m mu
( y) V ( y) t 1 V C dd LE % = ( ) [V ( y ) + + ] 100 y n CC m mu
h) dimensionamento da amostra considerando os custos Seja C = c1n + c2nm + c3nmu a funo custo linear mais simples, sendo: C = custo de medio de campo do inventrio florestal; c1 n = custo de penetrao e implantao dos conglomerados de conglomerados; c2nm = custo de penetrao e implantao dos conglomerados; c3 nmu = custo de medio das subunidades. Considerando grandes reas (populaes infinitas) podese tornar mnimo o custo, para: 2 ( y) V ( y) V t + dd ] n = 2 [VCC ( y ) + C E m mu Seja C = c1n + c2nm + c3nmu Se K =
t2 ( y) + VC ( y) + V dd ( y) ], logo: n = K [ V , ento CC m mu E2 ( y ) + V C ( y ) + V dd ( y ) ](c + c m + c mu ) C = K [V 1 2 3 CC m mu
350
Obter mOti e u Oti que torne mnimo C * = C K

( y ) + VC ( y ) + V dd ( y ) ](c + c m + c mu) C * = [V 1 2 3 CC m mu
* CC ( y ) + C = c 1 [V
( y) V C m
( y) V dd mu
CC ( y ) + ] + c 2 m [V
(y ) V C m
( y) V dd mu
C C ( y ) + ] + c 3 mu [V
( y) V C m
( y) V dd mu
CC ( y) + VC ( y) + V dd ( y) ] + c2 [mV CC ( y) + V C ( y) + Vd d ( y) ] + c3 [muV C C (y ) + uV C ( y) + V d d ( y)] C * = c1 [V m mu u
( y) V ( y) C* V ( y) + c u V ( y) = c1 (- C 2 - dd 2 ) + c 2 V CC 3 CC m m um
C* = 0 , implica: c1 Para ( y ) + Vd d ( y )] = V ( y )(c + c u ) V [ m C CC 2 3 2

Finalmente:
moti u
moti =
Como:
C ( y) + V dd ( y ) ] c1 [V u ( y )(c + c u) V CC 2 3
( y) V C m (y ) V dd mu (y ) + V ( y ) + V dd ( y ) ] + c [ muV ( y ) + uV (y ) + V ( y )] ] + c 2 [mV CC C 3 CC C dd u
C * = c1 [VCC ( y ) +
Ento:
( y) ( y) V V C* ( y ) + V ( y )] = c1 [- dd 2 ) + c 2 (- dd 2 ] + c 3 [ mV CC C u mu u
Para
C* = 0 , implica: u
( y) 1 c1V dd dd ( y )] = c3 [ mV CC ( y) + V C ( y)] [ + c2 V 2 u oti m u oti = dd ( y)( c1 + c2 ) V m ( y )] c3 [ mVCC ( y) + V C
351
Tomando-se as diferenciais de segunda ordem em relao a m e u, verifica-se por meio da matriz Hessiana que u oti e moti tornam mnima a varincia V ( y ) .. Exerccio 9.12 Seja uma rea florestal de 648.000 ha. Esta rea foi dividida em N = 120 unidades primrias (UP) de 5.400 ha cada, das quais foram sorteados n = 9 conglomerados de conglomerados. Em cada unidade primria sorteada foram alocados m = 5 conglomerados. A estrutura espacial de cada conglomerado apresenta uma forma cruzada, composta por quatro subparcelas retangulares de 10 m de largura por 250 m de comprimento. A distncia de cada subunidade ao ponto central foi de 50 m. A varivel resposta definida o volume total de madeira considerando todas as espcies com DAP 30 cm. Os dados correspondentes s 180 subparcelas ou unidades tercirias de 0,25 ha foram transformados por hectare e esto apresentados na Tabela 9.28.
352
Tabela 9.28 - Dados aplicativos: amostragem em trs estgios.

CC 1 1 1 1 1 TOTAIS 2 2 2 2 2 TOTAIS 3 3 3 3 3 TOTAIS 4 4 4 4 4 TOTAIS 5 5 5 5 5 TOTAIS 6 6 6 6 6 TOTAIS 7 7 7 7 7 TOTAIS 8 8 8 8 8 TOTAIS 9 9 9 9 9 TOTAIS Total Geral 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 C 1 2 3 4 5 1 183,0 186,3 188,4 234,5 167,9 960,1 198,3 112,5 170,3 257,2 116,8 855,1 255,2 230,6 293,1 155,6 229,1 1163,6 218,8 199,7 118,7 175,5 143,2 855,9 208,0 244,1 195,6 205,9 184,6 1038,2 275,5 236,0 120,6 232,3 247,0 1111,4 139,6 172,2 138,5 164,6 62,9 677,8 132,8 170,3 151,6 165,7 173,6 794,0 177,4 203,4 210,6 87,9 234,1 913,4 8369,50 SUBPARCELAS 2 3 141,5 153,8 78,3 134,8 200,6 157,4 184,4 183,3 189,1 177,7 793,9 807,0 167,0 172,2 69,9 98,3 181,4 352,1 379,7 198,0 67,5 67,9 865,5 888,5 226,8 229,1 257,2 224,1 217,1 288,0 143,4 222,8 417,5 237,3 1262,0 1201,3 104,5 154,8 195,3 256,9 186,8 217,6 86,4 151,8 217,2 197,6 790,2 978,7 186,2 160,9 183,9 205,9 329,3 230,2 225,4 230,0 207,6 201,8 1132,4 1028,8 133,3 190,1 257,6 234,5 164,1 173,4 173,2 176,2 223,7 162,6 951,9 936,8 147,5 78,8 177,8 136,9 88,6 46,4 149,5 165,5 81,8 118,8 645,2 546,4 167,9 173,8 171,8 138,8 225,1 165,1 188,4 87,5 166,5 190,0 919,7 755,2 233,6 274,4 286,5 253,8 311,8 256,1 243,6 142,7 259,3 158,4 1334,8 1085,4 8695,60 8228,10 4 162,8 164,8 137,0 206,9 238,1 909,6 137,1 126,1 230,8 132,4 106,8 733,2 304,2 231,3 202,2 195,1 227,9 1160,7 226,6 255,2 152,5 201,4 199,1 1034,8 305,5 232,0 194,4 221,9 195,9 1149,7 200,6 275,0 151,1 227,0 127,2 980,9 111,5 201,4 55,3 144,6 97,1 609,9 167,6 126,9 174,0 167,0 221,3 856,8 228,7 214,9 140,3 197,0 170,8 951,7 8387,30 TOTAIS 641,1 564,2 683,4 809,1 772,8 3470,6 674,6 406,8 934,6 967,3 359,0 3342,3 1015,3 943,2 1000,4 716,9 1111,8 4787,6 704,7 907,1 675,6 615,1 757,1 3659,6 860,6 865,9 949,5 883,2 789,9 4349,1 799,5 1003,1 609,2 808,7 760,5 3981,0 477,4 688,3 328,8 624,2 360,6 2479,30 642,1 607,8 715,8 608,6 751,4 3325,70 914,1 958,6 918,8 671,2 822,6 4285,30 33680,50
353
a) informaes preliminares sobre a rea inventariada rea florestal = 648.000 ha; rea de cada de unidade primria igual a:
rea florestal 648 .000 ha = = 5.400 ha 120 N
Nmero total de unidades primrias:
N=
rea florestal 648.000 ha = = 120 rea da UP 5.400 ha
N = nmero de unidades primrias sorteado igual a 9, que ser denominado de nmero de conglomerados de conglomerados. Ento: n 9 f1 = = N 120 Considerando que cada conglomerado apresenta uma forma cruzada cruz de malta, composto por quatro subunidades retangulares de 10 m de largura por 250 m de comprimento e uma distncia de cada subunidade ao ponto central de 50 m, conclui-se que cada conglomerado ocupa um quadrado de 600m de lado, ou seja, uma rea de 36 ha. Nmero total de unidades secundrias: M
= Ara da UP 5 .400 ha = = 150 rea da US 36 ha
m = 5 o nmero de unidades secundrias amostrado e que ser denominado de nmero de conglomerados. Ento: m 5 f2 = = M 150 Nmero total de unidades tercirias: U =
Ara da US 36 ha = = 144 rea da UT 0,25 ha
354
u = 4 o nmero de unidades tercirias amostrado e que ser denominado de nmero de subparcelas do conglomerado. Ento:
f3 = u 4 = U 144
b) valor mdio amostral considerando todas as unidades tercirias ou subparcelas
y
y=
i=1 j =1 k =1
ijk
nmu
33680,5 = 187,1139 m 3 / ha 9 5 4
c) valores mdios amostrais por unidade terciria (subparcela) dentro dos conglomerados (unidades secundrias) (Tabela 9.29)
Tabela 9.29 - Mdias estimadas por subparcela dentro dos conglomerados.
MDIAS ESTIMADAS (
yij = yijk u )
k =1
i = 1,L, n
1 2 3 4 5 6 7 8 9
CC (UP)
CONGLOMERADOS ( 1 160,28 168,65 253,83 176,18 215,15 199,88 119,35 160,53 228,53 2 141,05 101,70 235,80 226,78 216,48 250,78 172,08 151,95 239,65 3
j = 1,L, m )
4 202,28 241,83 179,22 153,78 220,80 202,18 156,05 152,15 167,80 5 193,20 89,75 277,95 189,28 197,48 190,13 90,15 187,85 205,65
170,85 233,65 250,10 168,90 237,38 152,30 82,00 178,95 229,70
355
d) valores mdios amostrais por unidade terciria (subparcela) dentro dos conglomerados de conglomerados (unidades primrias) (Tabela 9.30)
Tabela 9.30 - Valores mdios por unidade terciria dentro dos conglomerados de conglomerados. CC
yi = yijk mu
j =1 k=1 m u
1 173,53 6 199,05
2 167,12 7 123,97
3 239,38 8 166,29
4 182,98 9 214,27
5 217,46
e) valor total estimado

= rea em ha y / ha = 648 .000 187,1139 = 121.249.807, 2 m3 Y
f) varincia estimada por subparcela

n n m u ijk n m u 2 ijk m u
( yijk ) 2 i =1 j =1 k =1
( y
( y) = V
i =1 j =1 k =1
- y)
y
=
2 i=1 j =1 k =1
nmu
nmu - 1
nmu - 1
6 .951.531,95 (y) = V 179
( 33 .680,5) 180 = 3628,1710
356
g) varincia estimada por meio da anlise de varincia do ensaio com classificao hierrquica
A partir dos resultados obtidos da anlise de varincia do ensaio com classificao hierrquica (Tabela 9.31) calculado o valor da varincia estimada do valor mdio.
357
Tabela 9.31 - Anlise de varincia: ensaios com classificao hierrquica.

Causas de Variao Entre conglomerados de conglomerados Entre conglomerados dentro dos conglomerados de conglomerados Entre subunidades dentro de conglomerados dentro de conglomerados de conglomerados Total G.L. 8 36 SQ 191.103,4875 190.499,6750 QM 23.887,9359 5.291,6576 F 4,51 2,67
135
267.839,45
1983,9959
179
649.442,6153
3.628,1710
( y) = V
CC + n( m - 1) QM Cd . CC + nm(u - 1) QM Sub d . C d . CC (n - 1) QM nm - 1
( y) = (9 - 1) 23 .887,9359 + 9( 5 - 1) 5291,6576 + 9 5 ( 4 - 1) 1983,9959 V 9 5 4 -1 ( y) = 3 .628,1710 (m3 / ha )2 V
Componentes de varincia:
h) desvio padro estimado

CC ( y ) + V C ( y ) + V dd ( y ) = 3740 ,7252 = 61,1615 m 3 / ha s( y ) = V
358
i) coeficiente de variao estimado

% = s ( y) 100 = 61,1615 100 = 32 ,69 % CV y 187 ,1139
j) varincia da mdia de y (populao infinita usando os componentes de varincia) ( y ) = V CC ( y ) + VC ( y ) + V dd ( y ) V n nm nmu ( y ) = 929,8139 + 826,9154 + 1983,9959 = 132,7107 V 9 9 5 9 5 4 k) erro padro estimado ( y ) = 124 ,912517 = 11,17642684 m 3 / ha s( y ) = V l) intervalo de confiana para a mdia populacional ( Y ) P )] =1-a P[ y t s ( y ) Y y + t s ( y ) ] Limite inferior para o valor mdio
y - t s( y) = 163 ,30573111,1,96 9611 ,17642684 = 141 ,3999345m3/ ha 163,3057311 x 11,17642684 = 141,3999345 m3 / ha
Limite superior para o valor mdio

y + t s( y ) = 163,3057311 + 1,96 11,17642684 = 185,2115277m3 / ha t nm (u -1 );a 2 = t135;0 ,025 = 1,96
m) intervalo de confiana para o valor total populacional (Y) Limite inferior para o valor total
rea em ha LI ( y / ha ) = 648.000 141,3999345 = 91.627.157,56 m3 / 648.000 ha
Limite superior para o valor total

rea em ha LS ( y / ha ) = 648.000 185,2115277 = 120.017.070 m3 / 648.000 ha
359
n) limite de erro para inventrio florestal
E = t s( y )
E = 1,96 11,17642684 = 21,9057966 m 3 / ha
LE %= t s ( y ) 100 = 21,90579661 = 13,41397908%

y 163,3057311
o) varincia da mdia de
(populao finita)
Se n conglomerados de conglomerados so selecionados ao acaso e se m conglomerados so tambm retirados aleatoriamente de dentro dos conglomerados de conglomerados selecionados e u subunidades tambm so selecionadas aleatoriamente dentro dos conglomerados, tem-se que y uma estimativa sem tendncia de Y e sua varincia :
( y ) = V ( i =1 V
y
j =1 k =1
ijk
nmu
)=
f f (1 f 3 ) 1 f1 f (1 f 2 ) V1 ( y ) + 1 V2 ( y ) + 1 2 V3 ( y ) n n m nmu
Sendo:
360
Dado que f1 =
1-
n 9 m 5 u 4 = ; f2 = = ; f3 = = : N 120 M 150 U 144
9 9 5 9 5 4 (1 ) (1 ) 120 120 150 120 150 144 ( y) = 1 ( y) + 2 ( y) + 3 ( y) V V V V 9 9 5 9 5 4 ( y ) = 0 ,925 V ( y ) + 0 ,0725 V ( y ) + 0 ,002430555556) V (y) V 1 2 3 9 9 5 9 5 4 ( y) = 0,925 1194,3387 + 0 ,0725 1322,2144 + 0 ,0024305555 56) 1983,9959 V 9 9 5 9 5 4
( y ) = 122 ,7515 + 2,1302 + 0 ,0268 V ( y ) = 124,9085 (m3 / ha) V
p) dimensionamento da amostra considerando os conglomerados de conglomerados Suponha que o limite de erro estipulado seja de 10% (LE = 0,10). O resultado da anlise mostrou que para nove conglomerados de conglomerados o limite de erro foi de 13,41%. Ento, deve-se calcular o nmero de conglomerados de conglomerados para atender ao limite de erro (LE) igual a 0,10 e, posteriormente, o nmero de conglomerados de conglomerados faltantes.
L E y , ento E = 0,10 x 163,3057311 = 16,33057311 Dado queE E= = LE
Considerando que so necessrios 18 conglomerados de conglomerados para atender ao limite de erro de 10%, deve-se retornar floresta e medir mais nove, visto que j foram medidos nove.
361
q) nmeros de conglomerados e de subparcelas ideais Supondo: C1 = R$12.000,00, C2 = R$1500,00 e C3 = R$250,00. Ento: C1 / C2 = 8 e C2 / C3 = 6 Considerando a populao como infinita:
( y) + c1 [V C moti = (y) V dd ] 8 C 2 ( 826 ,9154 + 1. 983 ,9959 ) 4 C 929 ,8139 (C 2 + 2 4 ) 6
u = ( y )(c + c u ) V CC 2 3
moti =
( y) + Vdd ( y) ] c1 [V C u = VCC ( y)(c2 + c 3u )
10.581,3232 = 2,61 1549,689833 1.983,9959( 8C 2 + C2 ) 5
u oti
( y )(c1 + c ) V 2 dd m = = ( y) + V ( y)] c 3[ m V CC C dd ( y)( c1 + c 2 ) V m = C ( y )] c3 [mVC C ( y ) + V
C2 (5 929,8139 + 826,9154) 6 5.158,38934 = 2,38 912,66415
u o ti =
Esses resultados recomendam que a estrutura tima deva ter a unidade primria ou conglomerados de conglomerados composta por trs conglomerados e cada conglomerado congregando trs subparcelas.
362
Captulo 10
INVENTRIO FLORESTAL CONTNUO
Apresenta metodologias sobre a aplicao das tcnicas de anlise univariada com parcelas subdivididas (Split-Plot) e de amostragem com substituio parcial (Sampling with Partial Replacement), em levantamentos com medidas repetidas no tempo visando avaliar o carter dinmico do crescimento de uma floresta. Mostra como analisar as tendncias de crescimento pelo mtodo dos polinmios ortogonais explicando a decomposio da soma de quadrados dos correspondentes efeitos polinomiais ortogonais em: efeito linear, quadrtico, etc. Mostra exemplos aplicativos sobre todos os temas abordados.
Inventrio florestal contnuo
Para avaliar o carter dinmico do crescimento de uma floresta, por exemplo, aps uma interveno exploratria dos recursos madeireiros, faz-se necessrio proceder ao monitoramento, o qual definido como o instrumento de avaliao do processo de evoluo e de recomposio das caractersticas qualitativas e quantitativas da floresta. Na cincia florestal, este procedimento conhecido como Inventrio Florestal Contnuo, que corresponde a efetuar medies repetidas vezes no tempo, ou seja, medies em vrias ocasies. Os sucessivos inventrios florestais permitiro definir os intervalos ideais de colheita dos produtos da floresta sob manejo sustentvel. Por outro lado, quando se procede s medies nas mesmas unidades de amostra, sucessivamente, em vrias ocasies, evidentemente existiro correlaes entre as ocasies, as quais devem ser consideradas nas anlises estatsticas. De acordo com o tipo de alocao das unidades de amostra na populao, a amostragem em mltiplas ocasies pode ser classificada em trs maneiras distintas: a) amostras independentes (parcelas temporrias) Neste caso, as amostras mensuradas nas diversas ocasies so analisadas independentemente umas das outras, sendo as unidades das amostras medidas definidas como temporrias; b) amostras dependentes (parcelas permanentes) Constitui-se em um problema de populao multivariada, onde as variveis aleatrias, por exemplo, volume de madeira em p-ocasies, seguem uma distribuio de probabilidade com vetor de mdias Yv' = [Y1 , Y2 , L , Y p ] e matriz de covarincias . A matriz
365
de covarincias uma matriz simtrica que contm na diagonal principal as varincias para cada uma das ocasies e as covarincias das ocasies combinadas aos pares fora da diagonal.
V11 ( y) V12 ( y ) V ( y) V ( y) 21 22 = L L V p1 ( y) Vp 2 ( y ) L V1p ( y) L V 2 p ( y) L L L V pp ( y)
O inventrio florestal contnuo com parcelas permanentes, em termos da anlise estatstica, enquadra-se no grupo de experimentos com medidas repetidas, mais precisamente na classe dos levantamentos longitudinais. Neste livro, considera-se que cada unidade de amostra recebe um nico tratamento e sucessivamente no tempo mensuram-se as respostas correspondentes, tendo-se como objetivo o estudo de curvas de crescimento e anlise de perfil. Existem dois mtodos com o propsito de testar as hipteses sobre o efeito dos tratamentos e a correspondente variao ao longo do tempo. O primeiro adota um procedimento univariado, tratando as observaes medidas no tempo como se fossem originadas de subdivises das unidades experimentais (split-plot), sendo estudado atravs do delineamento em parcelas subdivididas ou divididas. O segundo mtodo, denominado de anlise de perfil profile analysis, adota um procedimento multivariado, ou seja, considera as observaes repetidas sobre cada unidade experimental como um vetor de respostas. A aplicao da anlise univariada (mtodo de parcelas subdivididas), em experimentos de medidas repetidas no tempo, somente vlida sob a pressuposio de uniformidade da matriz de covarincias. A matriz uniforme ocorre quando as ocasies
366
apresentarem homogeneidade de varincias e forem igualmente correlacionadas ( ).

1 1 = V ( y) L L L L L L L 1
V ( y ) a varincia comum entre as unidades dentro das ocasies e a correlao comum entre as ocasies combinadas aos pares. O procedimento adotado selecionar e medir a amostra na primeira ocasio, tornando as unidades de amostra permanentes, sendo remedidas nas ocasies restantes. Neste procedimento, ocorrero correlaes entre as medies nas diversas ocasies, e que em termos da cincia florestal so importantes para a interpretao do comportamento dos parmetros envolvidos na recomposio da floresta;
c) amostras mistas Neste caso a amostra do inventrio contnuo consiste em estabelecer, conjuntamente, parcelas permanentes e temporrias. No item 10.2 ser visto o procedimento com amostra mista denominado de Amostragem com Substituio Parcial (ASP), o qual apresenta uma grande importncia na rea de inventrio florestal. 10.1 Mtodo de anlise de parcelas subdivididas Seja um experimento com o delineamento inteiramente ao acaso, em que m mtodos silviculturais so aplicados em
367
n unidades experimentais, de modo que n j seja o nmero de parcelas submetidas ao j-simo tratamento ( j = 1,2,L, m ) e as observaes sejam feitas, periodicamente, em p ocasies distintas ( k = 1,2, L , p ). n = nj
j =1 m
Seja y ijk = m + t j + o k + to jk + e ijk o modelo matemtico, onde y ijk a medida efetuada na i-sima unidade de amostra de tamanho n j ( i = 1,2, L , n j ), submetida ao j-simo tratamento, e correspondente k-sima ocasio ( k = 1,2, L , p ); t j o efeito de tratamentos, ok o efeito de e oijkefeito de intey ijk = m ocasies, + t j + o k + to jk + rao entre tratamentos e ocasies. So considerados fixos os efeitos dos tratamentos, das ocasies e da interao entre ocasies e tratamentos e que a varivel eijk seja normalmente distribuda. O modelo em parcelas subdivididas pressupe que o desvio aleatrio eijk decomposto em duas fontes independentes de a to e+ bik ( j ) , sendo ai ( j ) y ijk = m + t j + ai (erros: j ) jk j ) + ok +i ( o componente referente diferena individual da i-sima unidade dentro do e o componente do erro refey ijk = m j-simo + t j + ai (tratamento j ) + ok + to jk + bik ( j ) rente medida efetuada sobre a unidade i submetida ao tratamento j na ocasio k. Assim, o modelo apresenta a equao: y ijk = m + t j + ai ( j ) + ok + to jk + bik ( j ) Verifica-se que os tratamentos so aplicados sobre cada unidade experimental, enquanto que as ocasies so consideradas como subdivises dessas unidades. Nesse caso, os efeitos principais de tratamentos so calculados sobre os totais de unidades, e os efeitos da interao tratamentos ocasies a partir das diferenas entre observaes dentro das unidades. As somas de quadrados, pressupondo normalidade dos
368
erros, apresentam distribuio c 2 e so mutuamente independentes. A Tabela 10.1 apresenta a anlise de varincia usual para experimentos inteiramente ao acaso com tratamentos em parcelas subdivididas. A presena ou ausncia de interao entre tratamentos e ocasies definir o procedimento adequado para estabelecer os testes de comparaes mltiplas. O procedimento de ajustamento de curvas depende da ausncia ou presena de interao tratamento x ocasio. No caso da interao ser significativa, implica que os tratamentos se comportam de forma diferente em relao s ocasies. Porm, se no existir interao significa que os tratamentos, no tempo, apresentam a mesma tendncia. Seja uma rea florestal submetida a m tratamentos de manejo, onde foi realizado um inventrio florestal contnuo com uma amostragem simples ao acaso de n unidades de amostra considerando p ocasies distintas, tal que n = n1 + n2 + L + nm .
Tabela 10.1 - Anlise de varincia: delineamento inteiramente ao acaso de parcelas divididas.
C. variao Tratamentos (Trat) Erro (a) Ocasies (Oca) Trat Oca Erro(b) Total G.L.
m
S.Q.
Q.M.
2 ...
m -1
SQ1 =
SQ2 =
1 1 2 y y . j. p n np j =1 j
1 m j 2 1 m 1 2 yij. - p n Y. j . p j =1 i=1 j =1 j
2 y... 1 p 2 y .. n k=1 k np
p n
QM 1 =
SQ1 m -1
n -m
p -1
( p - 1)( m - 1)
QM 2 =
QM3 =
SQ2 n-m
SQ3 =
m
SQ3 p -1
SQ4 =
j =1 k =1
1 2 y2 y. jk - ... - SQ1 - SQ3 nj np
QM 4 =
SQ 4 ( p -1)( m -1) SQ 5 ( p -1)( n - m)
( p - 1)(n - m)
SQ5 = SQ6 - SQ1 - SQ2 - SQ3 - SQ4

nj
QM 5 =
np - 1
SQ6 = yijk i= 1 j =1 k = 1
p 2
2 y... np
369
Normalmente, em experimentos com parcelas divididas, o interesse testar as seguintes hipteses: H01: No existncia de efeito diferencial de tratamentos H01: tj = 0 (j = l, , m)
F1 =
QM 1 QM 2
H02: No existncia de efeito diferencial de ocasies H02: ok = 0 (k = l, , p)
F2 =
QM 3 QM 5
H03: No existncia de efeito de interao entre tratamentos e ocasies H03: tojk = 0 [( j = l, , m); (k = 1, , p)]

F3 =
QM 4 QM 5
Se H03 denota que o efeito da interao no significativo, resulta que todos os tratamentos apresentam a mesma tendncia de crescimento. No entanto, se o efeito da interao significativo verifica-se que pelo menos um tratamento apresenta uma tendncia diferente. A natureza da tendncia estudada atravs de curvas apropriadas. Tratar-se-, no exemplo a seguir, do ajustamento de curvas polinomiais.
370
Exerccio 10.1 Seja o ensaio instalado em 1980 por Yared (1983), na Estao Experimental do Centro de Pesquisas Agroflorestal da Amaznia Oriental - CPATU, da Empresa Brasileira de Pesquisas Agropecuria - EMBRAPA, no municpio de Belterra, estado do Par, e apresentado em Queiroz (1993b). Os dados da Tabela 10.2 referem-se aos incrementos em altura (metros) de quatro procedncias de Cordia alliodora: (9/77: Honduras), (10/77: Guatemala), (20/77: San Francisco Honduras) e (19/77: Fincala Fortuna Honduras). No ensaio foi usado o delineamento em blocos ao acaso com 5 repeties e mensurado aos 6, 12, 18, 24 e 30 meses. A Tabela 10.3 apresenta a estrutura da anlise de varincia de parcelas divididas em blocos ao acaso. A Tabela 10.4 mostra os valores totais das combinaes Proc Oca.
371
Tabela 10.2 - Incrementos em altura (metros) das quatro procedncias (Proc).

Proc. 9/77 Meses (Oca) 6 12 18 24 30 6 12 18 24 30 6 12 18 24 30 6 12 18 24 30 Blocos I 0,59 0,51 0,24 0,54 0,35 2,23 0,68 0,74 0,65 0,38 0,48 2,93 0,63 0,90 1,11 0,96 0,60 4,20 0,65 0,79 0,79 0,79 0,61 3,63 12,88 II 0,37 0,49 0,78 0,69 0,44 2,77 0,55 0,36 0,51 0,39 0,20 2,01 0,58 1,05 1,14 0,85 0,40 4,02 0,58 0,69 0,87 0,77 0,51 3,42 12,22 III 0,52 0,42 0,45 0,31 0,18 1,88 0,59 0,46 0,63 0,31 0,06 2,05 0,69 0,87 1,12 1,02 0,59 4,29 0,44 0,77 0,73 0,69 0,25 2,88 11,10 IV 0,52 0,37 0,41 0,50 0,11 1,91 0,58 0,42 0,31 0,24 0,21 1,76 0,50 0,71 0,98 0,65 0,62 3,46 0,54 0,81 0,72 0,35 0,41 2,83 9,96 V 0,44 0,40 0,31 0,36 0,21 1,72 0,60 0,43 0,52 0,40 0,19 2,14 0,49 0,78 1,04 0,91 0,40 3,62 0,26 0,23 0,54 0,53 0,49 2,05 9,53 Total 2,44 2,19 2,19 2,40 1,29 10,51 3,00 2,41 2,62 1,72 1,14 10,89 2,89 4,31 5,39 4,39 2,61 19,59 2,47 3,29 3,65 3,13 2,27 14,81 55,80 Mdia 0,49 0,44 0,44 0,48 0,26 0,60 0,48 0,52 0,34 0,23 0,58 0,86 1,00 0,88 0,52 0,49 0,66 0,73 0,63 0,45 -
Total 10/77
Total 20/77
Total 19/77
Total Total geral
372
Tabela 10.3 - A anlise de varincia de parcelas divididas em blocos ao acaso.

Variao Blocos G.L. S.Q.
r
Q.M.
r-1
SQBlo cos
y2 = i =1 - ... mp rmp
m
2 i ..
QM Blo cos =
SQBlo co s r -1
Procedncias
m-1
SQPr oc =
y
j =1
2 . j.
rp
r m
y2 - ... rmp
2 ij.
QM Proc =
SQ Proc m -1
SQErro( a ) ( r - 1)(m - 1)
Erro (a)
(r - 1)(m - 1)
SQ Er ro(a ) =
y
i=1 j =1
y rmp
2 ...
QM Erro ( a) =
- SQBlo cos - SQ Pr oc
Ocasies
p-1
SQOca =
Proc Oca
2 y.. k k =1
rm
y rmp
2 . jk
2 ...
QM Oca =
SQOca p -1
(m - 1)(p - 1)
SQProcOca =
y
j =1 k =1
Proc
y rmp
2 ...
Proc
- SQPr oc - SQOca
Erro (b)
m(r - 1)(p - 1) rmp - 1
SQErr o(b ) = SQTotal - SQBlo co s - SQPr oc - SQErr o( a) - SQOca - SQPr o c Oca
QM Erro( b) =
SQErro (b ) m ( r - 1( p - 1)
Total
nj
2 SQTotal = yijk i=1 j =1 k =1
2 y... rmp
373
Tabela 10.4 - Valores totais das combinaes: Proc

Ocasies (meses) 6 12 18 24 30 Total Procedncias 9/77 2,44 2,19 2,19 2,40 1,29 10,51 10/77 3,00 2,41 2,62 1,72 1,14 10,89 20/77 2,89 4,31 5,39 4,39 2,61 19,59
Oca.
Total 19/77 2,47 3,29 3,65 3,13 2,27 14,81 10,80 12,20 13,85 11,64 7,31 55,80
m = 4; r = 5; p = 5
a) anlise de varincia preliminar
r m p ij k
y
i= 1 j = 1 k = 1 r m p
= y... = 55,80
= 36,7378
y
i=1 j =1 k =1
2 ijk
C=
r
2 y ... 55,80 2 = = 31,1364 rmp 4 5 5 2 i..
y
i=1
= 12,992 + 12,222 + 11,102 + 9,962 + 9,532 = 631,3010 = 10,512 + 10,89 2 + 19,59 2 + 14,812 = 832,1564
2 ij.
y
j =1 m r
2 . j.
y
j =1 i =1 p
= 2,232 + 2,77 2 + L + 2,832 + 2,052 = 169,951
y
k =1 m
2 .. k
=10,82 + 12,22 + 13,852 + 11,642 + 7,312 = 646, 2282

2 . jk
y
j =1 k =1
= 2, 44 2 + 2,19 2 + L+ 3,13 2 + 2, 27 2 = 176,162
374
Portanto:
r m p 2
SQTotal = yijk - C = 36,7378 - 31,1364 = 5,6014

i =1 j =1 k =1
SQBlo cos = SQPr oc =

SQErro( a) =
1 r 2 1 y i.. - C = 631,3010 - 31,1364 = 0,42865 mp i =1 4 5
1 m 2 1 y . j. - C = 832,1564 - 31,1364 = 2,149856 rp j=1 5 5

1 n m 2 169,951 yij - C - SQBlo cos - SQPr oc = 5 - 31,1364 - 0, 42865 - 2,149856 p i =1 j =1 .
SQErro( a ) = 0,275294
SQO ca = 1 p 2 1 y.. k - C = 646,2282 - 31,1364 = 1,17501 rm k =1 54
1m 1 Y 2jk - C - SQPr oc - SQOca = 5 176,162 - 31,1364 - 2,149856 - 1,17501 r j =1 k =1 .
p
SQPr oc Oca =
SQPr ocOca = 0,771134
SQ Err o(b) = SQTotal - SQblo cos - SQProc - SQErro( a) - SQ Oca - SQ Pr ocOca

SQ Erro( b) = 5,6014 - 0,42865 - 2 ,149856 - 0,275294 - 1,17501 - 0 ,771134 SQ Erro( b ) = 0 ,801456
Na Tabela 10.5 esto apresentados os resultados da anlise de varincia preliminar.

Tabela 10.5 - Resultados da anlise de varincia preliminar.
Causas de variao Blocos Procedncias Resduo (a) Ocasies Procedncia x Ocasio Resduo (b) Total GL 4 3 12 4 12 64 99 SQ 0,4287 2,1499 0,2753 1,1750 0,7711 0,8015 5,6015 QM 0,1072 0,7166 0,0229 0,2937 0,0643 0,0125 F 31,29 ** 23,50 ** 5,14 ** -
F3;12 ;0 ,01 = 5,95; F4 ;64 ;0 ,01 @ 3,65; F12 ; 64 ;0 ,01 @ 2,50
375
Se o efeito da interao fosse no significativo, ento as procedncias apresentariam a mesma tendncia de crescimento em relao s ocasies. No entanto, a anlise de varincia mostra que a interao procedncia x ocasio altamente significativa, o que demonstra que as procedncias se comportam de maneira diferente em relao s ocasies. Neste caso, se analisa as tendncias atravs do ajustamento de curvas polinomiais s mdias ou totais de observaes para cada ocasio sobre cada procedncia. O grau do polinmio para cada procedncia obtido pela decomposio da soma de quadrados dos correspondentes efeitos polinomiais ortogonais em: efeito linear, quadrtico, etc., at o grau p 1. Analisando-se as tendncias atravs de curvas polinomiais, deve-se desdobrar a variao de ocasies e a interao procedncia x ocasio, nos componentes: ocasies dentro da procedncia 9/77, ocasies dentro da procedncia 10/77, ocasies dentro da procedncia 20/77, ocasies dentro da procedncia 19/77, onde cada componente ter 4 graus de liberdade, sendo ento desdobrados nos efeitos: linear, quadrtico, cbico e quarto grau. Neste exemplo, de acordo com Gomes (2000), como se tm cinco ocasies igualmente espaadas, os coeficientes dos polinmios ortogonais so os mostrados na Tabela 10.6. A Tabela 7 do Anexo apresenta os coeficientes para interpolao de polinmios ortogonais at onze ocasies.
376
Tabela 10.6 - Coeficientes dos polinmios ortogonais.

Ocasies (p = 5) 1 Grau (c1) -2 -1 0 +1 +2 2 Grau (c2) +2 -1 -2 -1 +2 3 Grau (c3) -1 +2 0 -2 +1 4 Grau (c4) +1 -4 +6 -4 +1 Total Tratamento 10,80 12,20 13,85 11,64 7,31
Da teoria dos polinmios ortogonais, tm-se as seguintes frmulas para calcular a soma de quadrados para cada componente:
p
( C1iTi ) 2 SQ Linear =
i= 1
( C2i Ti ) 2
rK1
p
; SQQuadrtico =
i =1
rK 2
p
( C3iTi ) 2 SQCbico =
i =1
( C4i Ti )2
; SQ 40 grau =
i=1
rK 3
rK 4
C1, C2, C3, C4 representam os coeficientes dos polinmios ortogonais; Ti = reporta os totais dos tratamentos nas p ocasies; K1, K2, K3, K4 so as somas de quadrados dos coeficientes dos polinmios ortogonais. b) anlise de varincia final Para estudar o comportamento das ocasies dentro de cada procedncia necessrio desdobrar interao Proc x Oca. De acordo com a Tabela 10.4, tem-se: 1)
SQ. Oca . d . 9 / 77 = ( 2,44 2 + 2,19 2 + 2,192 + 2,40 2 + 1,29 2 ) 10,512 = 0,175576 5 5 5
377
Desdobrando SQ . Oca.d.9/77 nos efeitos: linear, quadrtico, cbico e quarto grau: O termo SQ . Oca.d.9/77 significa soma de quadrados do fator ocasio dentro do tratamento 9/77.
Note que:
SQ. Oca. d . 9 / 77 = SQ1 + SQ2 + SQ3 + SQ4
0 0 0 0 0 0 0 0
SQ1 + SQ 2 + SQ 3 + SQ 4 = 0,087362 + 0, 032572857 + 0, 049298 + 0,0063431428 57
SQ10 + SQ2 0 + SQ30 + SQ4 0 = 0,175575999
378
2)
SQ. Oca. d .10 / 77 =
(3,002 + 2 ,412 + 2,62 2 + 1,72 2 + 1,14 2 ) 10,892 = 0,442416 5 5 5
Desdobrando SQ . Oca.d.10/77 nos efeitos: linear, quadrtico, cbico e quarto grau:
Note que:
SQ Oca d . 10 / 77 = SQ1 + SQ 2 + SQ 3 + SQ 4
0 0 0 0 0 0 0 0
SQ1 + SQ 2 + SQ 3 + SQ 4 = 0,388962 + 0,016 972857 + 0, 00460 8 + 0,031 873142
SQ. Oca. d .10 / 77 = 0,442415999
379
3)
SQ. Oca. d . 20 / 77 =
(2,89 2 + 4,312 + 5,392 + 4,392 + 2,612 ) 19,59 2 = 1,062176 5 5 5
Desdobrando SQ . Oca.d.20/77 nos efeitos: linear, quadrtico, cbico e quarto grau:
Note que:
SQ. Oca. d .20 / 77 = SQ10 + SQ20 + SQ30 + SQ4 0 SQ1 + SQ2 + SQ3 + SQ4 = 0 ,004608 + 1,027291429 + 0,003872 + 0,026404571
0 0 0 0
SQ. Oca. d .20 / 77 = SQ10 + SQ20 + SQ30 + SQ4 0 = 1,062176
380
4) Desdobrando SQ . Oca.d.19/77 nos efeitos: linear, quadrtico, cbico e quarto grau:
Note que:
SQ. Oca . d .19 / 77 = SQ1 0 + SQ 20 + SQ30 + SQ4 0 SQ1 + SQ2 + SQ3 + SQ 4 = 0,006272 + 0,256822857 + 0,000288 + 0,002633142857
0 0 0 0
SQ10 + SQ 20 + SQ30 + SQ4 0 = 0,266015999
381
Observando que:
SQ ++ SQ ..Oca d.. 20 20 / / 77 77 + + SQ . Oc Oca . 19 / 77 SQOca+ +SQ SQProc x Oca SQ . . Oca Oc a d d.9 . 9/ /77 77 SQ Oca.. d d 10 10 // 77 77 + +SQ SQ.. Oca Oca.. d SQ . a. . dd .19 / 77 == SQ Oca Pr o c Oc a
SQ. Oca d .9 / 77 + SQ.Oca. d 10 / 77 + SQ. Oca. d .20 / 77 + SQ.Oca. d .19 / 77 = 0 ,175576 + 0,442416 + 1,062176 + 0,266016 = 1,9461
Sendo: SQOca + SQProc x Oca = 1,1750 + 0,7711 = 1,9461 A Tabela 10.7 apresenta o resultado da anlise de varincia final.
Tabela 10.7 - Anlise de varincia final.
Causas de variao Blocos Procedncias Resduo (a) Ocasies d. Procedncias Ocasies d. Procedncia 9/77 Efeito linear Efeito quadrtico Efeito cbico Efeito de 40 grau Ocasies d. Procedncia 10/77 Efeito linear Efeito quadrtico Efeito cbico Efeito de 40 grau Ocasies d. Procedncia 20/77 Efeito linear Efeito quadrtico Efeito cbico Efeito de 40 grau Ocasies d. Procedncia 19/77 Efeito linear Efeito quadrtico Efeito cbico Efeito de 40 grau Resduo (b) Total GL 4 3 12 (16) (4) 1 1 1 1 (4) 1 1 1 1 (4) 1 1 1 1 (4) 1 1 1 1 64 99 SQ 0,4286 2,1400 0,2754 (1,9462) (0,1756) 0,0874 0,0326 0,0493 0,0063 (0,4424) 0,3890 0,0170 0,0046 0,0319 (1,0622) 0,0046 1,0273 0,0039 0,0264 (0,2660) 0,0063 0,2568 0,0003 0,0026 0,8014 5,6014 QM 0,1071 0,7166 0,0229 0,0439 0,0874 0,0326 0,0493 0,0063 0,1106 0,3890 0,0170 0,0046 0,0319 0,2655 0,0046 1,0273 0,0039 0,0264 0,0665 0,0063 0,2568 0,0003 0,0026 0,0125 F 31,29 ** 6,99 * 2,61 3,94 0,50 8,85 31,12 ** 1,36 0,37 2,55 21,24 0,37 82,18 ** 0,31 2,11 5,32 0,50 20,64 ** 0,02 0,21 -
* significativo ao nvel de 95% de confiana ** significativo ao nvel de 99% de confiana
382
Os resultados da anlise de varincia mostrados na Tabela 10.7, demonstram que as procedncias 9/77 e 10/77 possuem tendncias lineares de crescimento do incremento (Yi = a + bX i + ei ) ; enquanto as tendncias de crescimento do incremento das procedncias 20/77 e 19/77 so descritas pelo modelo quadrtico Yi = a + bX + cX 2 + e i . A Figura 10.1 confirma esses resultados.
INCREMENTO EM ALTURA (m)
6 5 4 3 2 1 0 6 12 18 24 30
OCASIES (meses)
T9/77 T10/77 T20/77 T19/77
Figura 10.1 - Tendncias do crescimento do incremento em altura.
A Tabela 10.8 mostra as comparaes dos valores mdios dentro de cada ocasio, para as procedncias que apresentaram as mesmas tendncias, atravs do teste de t de Student, para tratamentos independentes (procedncias).
383
Tabela 10.8 - Comparao dos incrementos dentro de cada ocasio (Teste t).
Ocasies 6 12 18 24 30 Ocasies 6 12 18 24 30 Procedncia 9/77 Mdias 0,4880 0,4380 0,4380 0,4800 0,2580 Mdias 0,5780 0,8620 1,0780 0,8780 0,5220 Varincias 0,00717 0,00357 0,0434 0,0229 0,0180 Varincias 0,00727 0,01670 0,00442 0,02020 0,01250 Procedncia 10/77 Mdias 0,6000 0,4820 0,5240 0,3440 0,2280 Mdias 0,4940 0,6580 0,7300 0,6260 0,4540 Varincias 0,00235 0,02210 0,01830 0,00463 0,02360 Varincias 0,0229 0,0593 0,0149 0,0343 0,0181 1,0814 ns 1,6547 ns 5,5984 ** 2,4137 * 0,8692 ns -2,5668 * -0,6141 ns -0,7742 ns 1,8328 ns Valor t Valor t
Procedncia 20/77
Procedncia 19/77
t 8;0 ,05= 2 ,3060
t8 ;0 ,01=3,3554
Os resultados mostram diferena somente na primeira ocasio (6 meses) entre os incrementos das procedncias 9/77 e 10/77, concluindo-se pela no existncia de coincidncia nos perfis de crescimento. Denota-se diferena entre as procedncias 20/77 e 19/77 nas ocasies 18 meses e 24 meses, concluindo-se pela no existncia de coincidncia nos perfis de crescimento. 10.2 Modelo de amostragem com substituio parcial A Amostragem com Substituio Parcial ASP (Sampling with Partial Replacement) reporta-se ao problema da amostragem de uma populao multidimensional. Para melhor entendimento, seja o caso de uma populao bivariada, tal que as
384
variveis aleatrias x e y possuem distribuio de probabilidade com vetor de mdias Yv desconhecido e matriz de covarincias conhecida. Visando apresentar o desenvolvimento terico da ASP, sejam trs subamostras aleatrias com as dimenses k, m e n e estatisticamente independentes. O mtodo consiste na medio da caracterstica x, que representa o volume de madeira na primeira ocasio, somente nas unidades da subamostra de tamanho k. Na subamostra de tamanho m so medidas as caractersticas x e y, sendo y o volume de madeira na segunda ocasio. Nas unidades da subamostra de dimenso n somente a caracterstica y medida. Verifica-se que a subamostra de tamanho n, na verdade, pode ser interpretada como substitutiva da subamostra k e, por essa razo, essas subamostras so interpretadas como uma Amostragem com Substituio Parcial (ASP). Obviamente, o procedimento pode evoluir para trs ou mais ocasies. Informaes mais detalhadas sobre a amostragem com substituio parcial podem ser encontradas em Cunia (1974) e em Cunia e Chevrou (1969). x) 10.2.1 Estimador ASP de x e sua varincia V ( Seja um levantamento florestal contnuo onde se deseja estimar os volumes mdios de madeira em uma determinada ocasio ( x ) e em outra ocasio subsequente ( y ), bem como estimar o incremento mdio em volume entre essas duas ocasies ( y x ). Sejam as observaes concernentes s subamostras de dimenses k, m e n, selecionadas inteiramente ao acaso e mensuradas para as caractersticas x e y, conforme o critrio ASP.
x1 , x 2 ,..., x k , x k +1 , x k + 2 ,..., x k + m , y k +1 , y k + 2 ,..., y k + m , y k + m +1 , y k + m + 2 ,..., y k + m + n
385
x a forma geral do estimador linear e no tendencioSeja so da mdia aritmtica x: x = a1 x1 + L + a k x k + a k +1 x k +1 + L + a k + m x k + m + c k +1 y k +1 + L + c k + m y k + m

+ c k + m +1 y k + m +1 + L + c k + m + n y k + m + n
Sob o argumento de que x e y esto na mesma amostra x, e caracterizados pelo mesmo tratamento, pode-se formular como: x = ak xk + am xm + cm y m + cn y n Por conseguinte: x ) = ak E ( xk ) + am E( xm ) + cm E( y m ) + cn E( y n ) E ( x ) = ak k + am k + cm y + cn y E ( x ) = ( a k + a m ) x + (c m + c n ) y E ( x ) = x , ento a k = 1 a m e c m = c n , tal que Para que E ( efetuando as substituies na Equao 10.1, obtm-se: x = xk am ( xk xm ) + cn ( y n y m ) Dado que V ( x k ) = V ( x) V ( x) e V ( xm ) = , ento: k m V ( x) V ( x) V ( xk xm ) = + k m (10.2) (10.1)
Pois os estimadores x k e x m so estatisticamente independentes. Dado que y n e y m so estatisticamente independentes, tem-se: V ( y) V ( y) V ( yn ym ) = + n m
386
Pois: V ( x) cov( x k , x k x m ) = ; cov( xk , y n y m ) = 0; k V ( x, y ) cov( x k x m , y n y m ) = . m x dada pela expresso: Ento a varincia de

V (m x ) = V ( x) 1 1 1 1 V ( x) V ( x, y ) 2 + am V (x)( + ) + c2 V ( y)( + ) - 2a m - 2a m cn n k k m m n k m
(10.3)
Diferenciando-se a Expresso 10.3 em relao aos coeficientes a m e c n e anulando as derivadas parciais, obtm-se o ponto crtico dado em 10.4 e 10.5.
1 1 V ( x, y) V ( x) V ( x, y) 1 1 dV ( m x ) = [ 2amV ( x)( + ) - 2cn -2 ]dam + [-2am + 2c nV ( y )( + )]dcn 0 k m m k m m n
Logo:
V ( x, y) V (x ) 1 1 2a mV ( x )( + ) - 2c n -2 =0 k m m k - 2 a V ( x, y) + 2 c V ( y)( 1 + 1 ) = 0 m n m m n
Concluindo que:
am =
cn =
m(m + n) (k + m)(m + n) - knr 2

mnBx y
(10.4) (10.5)
(k + m)(m + n) - knr 2
Dado que:
B xy = V ( x, y ) V ( x, y) 2 ; B yx = ; r = B xy B yx V ( y) V ( x)
387
Para verificar a natureza do ponto crtico pela matriz Hesx) : siana, seja a diferencial de segunda ordem de V (
Escrevendo na forma matricial, resulta:
x ) uma funo homognea do tipo A expresso d 2V ( ' ' Q xvv) = Q (( x =x xvvAx A x v , tal que x v = ( x1 , x 2 ,..., x n ) R n e A = = ((a aijij) nn uma matriz real. A funo Q( x v ) denominada forma quadrtica e A chamada de matriz da forma quadrtica e denominada de matriz Hessiana, a qual possui seus elementos calculados no ponto crtico. Uma forma quadrtica dita positiva definida somente se Q( x v ) > 0 , tal que x v R n e Q( x v ) = 0 x v = 0 v . Esta mesma definio vale para a matriz da forma quadrtica A , devido correspondncia biunvoca entre a forma quadrtica e a matriz da forma quadrtica. O prximo passo verificar se a matriz Hessiana positiva definida, e, assim, comprovar que am e c n , obtidos, respectiva x ). mente, pelas Equaes 10.4 e 10.5, tornam mnima V ( ) ,
V (m x ) = V ( x) 1 1 1 1 V ( x) V ( x, y ) 2 2 + am V ( x)( + ) + c n V ( y )( + ) - 2am - 2 am cn k k m m n k m
388
Seja H a matriz Hesssiana:

1 1 V ( x, y) -2 2V ( x)( k + m ) m H= 1 1 V ( x, y) -2 2V ( y )( + ) m m n
De acordo com Searle (1971) e Ware e Cunia (1962), dentre outros autores, para que uma matriz 2 2 seja definida positiva, o determinante e os elementos da diagonal principal devem ser positivos. Neste caso, resulta:
1 1 1 1 2V ( x )( + ) > 0 e 2V ( y )( + ) > 0 , faltando verificar se k m m n det[H ] positivo.
pela quantidade sempre (km n) [4V ( x)V ( y)], o sinal do det[H ] no se altera:
2
Multiplicando
positiva
km 2 n [ ]det[H ]= m 2 + mn + km + kn - knr 2 > 0 4V ( x )V ( y )

Como det[H ] > 0 , conclui-se que a matriz Hessiana defi x ) mnima para os coeficientes a m e c n nida positiva, logo, V ( dados em 10.4 e 10.5. x). Finalmente, substituindo a m e c n na equao de V ( ) , Tem-se: V ( x) mnr 2 x) = [1 ] V (m k +m (k + m)(m + n) - knr 2 y) 10.2.2 Estimador ASP de y e sua varincia V ( O estimador ASP pode ser deduzido diretamente da frmu-
389
x , pois o modelo matemtico la correspondente ao estimador simtrico com respeito s variveis x e y, resultando:
' ' y = y - am m ( xk - xm ) + cn ( yn - ym )
Utilizando os mesmos procedimentos usados para obter x , tm-se:

' am =
- kmB y x (k + m)(m + n) - knr - m(k + m)

2
( k + m)( m + n) - knr V ( y) kmr 2 y) = [1 ] V (m m +n ( k + m)(m + n) - knr 2
' cn =
x e y 10.2.3 Covarincia entre os estimadores ASP Dado: x = xk am ( xk xm ) + cn ( y n y m )

' ' y = yn am ( xk xm ) + cn ( yn ym )
Ento, pela definio de covarincia:

x,m y ) = E {[ m x - E (m x )][m y - E (m y )]} Cov ( m
Desenvolvendo, resulta que:

x,m y) = Cov ( m mV ( x, y ) 2 (k + m )( m + n) - knr
390
d ) 10.2.4 Estimador ASP de d e sua varincia V ( Dado que:

k +m
xk +m =
x
i =1
k+m
k +m+n
kx k + mx m k+m my m + ny n m+n
y m+n =
i = k +1
m+n
Como E ( x k ) = E ( x n ) = E ( x ) = x e E ( y m ) = E ( y n ) = E ( y ) = y :
d = y m+n xk +m =
Resultando:
V (d ) =
my m + ny n kx k + mx m m+n k+m
V ( x) V ( y) 2 mV ( x , y) + k + m m + n (k + m )( m + n)
Shiver e Border (1996), utilizando as definies e os arx e y , degumentos apresentados anteriormente para obter monstram que:
d = ad ym + (1 - a d ) y n + bd x m - (1 + bd ) x k m ad = bd = m(k + m) + mnB xy (k + m)(m + n ) - knr - m(m + n ) + kmB yx (k + m)(m + n) - knr
2 2
d ) = a 2 V (m d
V ( y) V (x) V (x, y) 2 V ( y) 2 V (x) + (1 - ad ) + bd + (1 + bd ) + 2a d bd m n m k m
391
Exerccio 10.2 Seja o exemplo citado em Queiroz (1983) de um inventrio florestal realizado em duas ocasies, atravs da amostragem com substituio parcial, tal que a medio da primeira ocasio ocorreu em k + m = 40 unidades de amostra (Ua), enquanto a medio da segunda ocasio ocorreu em m + n = 30 unidades de amostra, sendo m = 20 o nmero de parcelas permanentes medidas nas duas ocasies. A Tabela 10.9 apresenta os valores volumtricos. Neste exemplo, utilizar o valor t = 2,00 (Estatstica t de Student).
Tabela 10.9 - Volume (m3/ ha).
Ua 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Fonte: Queiroz (1983) x 5,66 16,26 12,40 7,56 11,88 11,48 9,86 12,74 9,18 12,14 9,64 11,08 7,68 16,00 5,74 2,52 11,04 8,90 9,18 17,88 10,06 10,82 10,56 7,48 8,94 y 15,55 15,91 15,81 14,42 14,99 UA 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 x 6,04 9,30 18,20 12,42 11,38 13,92 9,40 15,66 8,20 10,30 12,04 12,08 13,70 8,90 8,72 y 13,85 15,07 19,73 16,64 16,10 17,16 15,23 19,05 14,82 15,68 16,82 16,44 17,30 15,11 15,24 14,45 15,60 15,50 18,54 13,32 15,50 18,41 15,52 14,26 16,50
392
a) estimativas das mdias e das varincias no considerando a ASP a1) estimativas para a primeira ocasio da subamostra de tamanho k
k
x
xk =
i= 1
k
k
208,82 = 10,441 m 3 / ha 20
k
( xi ) 2
i =1
( x) = V k
x i2 i=1
2446,4756 = 19
k -1
208 ,82 2 20 = 14 ,009788 (m 3 / ha ) 2
( x ) = Vk ( x ) = 14,009788 = 0,7004894 ( m3 / ha) 2 V k k 20
a2) estimativas para a primeira ocasio da subamostra de tamanho m

k +m
xi
xm =
i= k + 1
m
k+m
218,12 = 10,906 m 3 / ha 20
k +m
( xi ) 2
2 i
x
( x) = V m
i= k + 1
i= k + 1
m m -1
2538,1544 = 19
218,12 2 20 = 8,3861937 ( m3 / ha ) 2
( x ) = V m (x ) = 8,3861937 = 0,4193096 (m 3 / ha ) 2 V m m 20
a3) estimativas para a primeira ocasio da amostra de tamanho k + m

k +m
x k +m =
xi i =1 k +m
k +m
426,94 = 10 ,6735 m 3 / ha 40
k +m
( xi ) 2
2 i
k +m = 393 k + m -1 39 ( x ) 10 ,9663 V ( x ) = k+ m V = = 0 ,2741576 ( m 3 / ha ) 2 k +m k+ m 40 k + m ( x) = V

i =1
i =1
4984,6300 -
426,94 2 40 = 10,966305 (m 3 / ha ) 2
( x ) = 0, 2741576 = 0,523601 m3 / ha s ( x k +m ) = V k +m
k +m i Amostragem em inventrio florestal 426,94
x k +m =
x i =1
k +m
k +m
40
k +m 2 i
= 10 ,6735 m 3 / ha
( xi ) 2 i =1
k +m = k + m -1 39 ( x ) 10 ,9663 V ( x ) = k+ m V = = 0 ,2741576 ( m 3 / ha ) 2 k +m k+ m 40 k + m ( x) = V
i =1
4984,6300 -
426,94 2 40 = 10,966305 (m 3 / ha ) 2
( x ) = 0, 2741576 = 0,523601 m3 / ha s ( x k +m ) = V k +m
a4) limite de erro para a estimativa x k + m (primeira ocasio) 2 0 ,523601 t s( xk + m ) 100 = 100 = 9,81 % LE ( xk + m ) = 10, 6735 xk + m a5) estimativas para a segunda ocasio da subamostra de tamanho m
k +m
yi
m =
k +m
ym =
i =k +1
320,92 = 16,046 m 3 / ha 20
( yi ) 2
i =k +1
k +m
( y) = i=k +1 V m
m = 19 m -1 ( y ) = Vm ( y ) = 2,1159095 = 0,1057954 ( m3 / ha) 2 V m m 20
y i2 -
5189,6846 -
320,92 2 20 = 2,1159095 (m3 / ha) 2
a6) estimativas para a segunda ocasio da subamostra de tamanho n

k +m +n
y
yn =
i=k +m +1
157,60 = 15,76 m3 / ha 10
k + m+n
k + m+n
( y i2 -
y )
i
= n -1 9 ( y ) = V n ( y ) = 2,8263 = 0, 2826 ( m3 / ha) 2 V n n 10
( y ) = i =k +m +1 V n
i =k + m+1
2509,213 -
157,602 10 = 2,8263 (m3 / ha )2
394
y
yn =
i=k +m +1
157,60 = 15,76 m3 / ha 10
k + m+n
k + m+n
( y i2 -
y )
i
n = n -1 9 n ( y ) 2,8263 V 3 2 (y ) = V = = 0, 2826 ( m / ha) n n 10 ( y ) = i =k +m +1 V n
i =k + m+1
2509,213 -
157,602 Inventrio florestal contnuo 10 = 2,8263 (m3 / ha )2
a7) estimativas para a segunda ocasio da amostra de tamanho m + n

k +m +n
y
y m +n =
i =k +1
k + m +n
m +n
478,52 = 15,9507 m 3 / ha 30
m+n
( yi ) yi 2 i =1
( y) = V m +n
i =k +1
m+ n = m + n -1
7698,897 29
478,52 3 2 30 = 2, 2822064 (m / ha)
( y ) = V m+n ( y ) = 2,2822064 = 0,076073546 (m3 / ha) 2 V m+n m+ n 30 ( y ) = 0,076073546 = 0,275814 m 3 / ha s( y ) = V

m +n m+n
a8) limite de erro para a estimativa y m + n (segunda ocasio)

LE ( y m +n ) = 2 0,275814 t s ( y m +n ) 100 = 100 = 3, 46 % 15,9507 y m +n
a9) estimativas do incremento para a subamostra de tamanho m
395
a10) limite de erro da estimativa do incremento considerando a subamostra m (parcelas permanentes)

LE (d m ) = 2 0,329826 t s(d m ) 100 = 100 = 12,83 % 5,14 dm
a11) estimativas do incremento para as subamostras de tamanhos n e k

d nk = y n - xk = 15,76 - 10,441 = 5,319 m 3 / ha
( d ) = Vn ( y) + Vk ( x ) = 2 ,8263 + 14,009788 = 0 ,983119 ( m 3 / ha ) 2 V nk n k 10 20
a12) estimativas do incremento considerando as subamostras m + n e k + m

d (m+ n)(k + m) = y m+ n - xk + m = 15,9507 - 10, 6735 = 5,2772 m 3/ ha
(d ) = Vm+n ( y ) + Vk +m ( x) - 2mVm ( x, y ) V m+ n k + m (k + m)(m + n) ( d ) == 2,2822 + 10 ,9663 - 2 20 4,16312 = 0,211460 ( m 3 / ha ) 2 V 30 40 40 30 ( d ) = 0, 211460 = 0,4598478 m 3 / ha s( d ) = V
a13) limite de erro da estimativa do incremento considerando as subamostras m + n e k + m

LE (d ) = t s (d ) 2 0, 4598478 100 = 100 = 17,43 % 5,2772 d
b) estimativas ASP para a primeira ocasio x b1) estimativa da mdia
396
Dado que:
Tal que:
= Vm ( x , y ) = 4 ,16312 = 1,9675322 B xy (y) 2,1159095 V m 2 = r ( x, y)] 2 [V 4 ,16312 2 m = = 0 ,976733 m ( x) V m ( y) 8,3861937 2,1159095 V
Ento:
m x = xk - a m ( xk - xm ) + c n ( yn - ym )
x = 10,441 - 0,5972208 (10,441 - 10,906 ) + 0,39168337 (15,76 - 16,046) m x = 10,606686 m 3 / ha m
( b2) estimativa da varincia V x) ( x) V 2 mnr (m V x ) = k +m [1 ] k +m ( k + m )(m + n ) - kn r 2
10,9663 20 10 0, 976733 (m V x ) = (1 ) = 0, 22084983 (m 3 / ha) 2 40 40 30 - 20 10 0, 976733
Sendo:
(m s(m x ) = V x ) = 0,22084983 = 0,469947 m3 / ha
397
x (primeira ocasio) b3) limite de erro da estimativa ASP
x ) = LE ( m
x ) 2 0 ,469947 t s( m 100 = 100 = 8,86 % x m 10 ,606686
c) estimativas ASP para a segunda ocasio y c1) estimativa da mdia

a 'm =
' n c =
yx kmB 2 ( k + m)(m + n) - kn r m( k + m)
20 20 0,4964254 = -0,1976504 ( 20 + 20)(20 +10) - 2010 0,976733

2
( k + m)( m + n ) - knr
20 ( 20 + 20 ) 1004,6534
= -0 ,7962945
Dado que:
= Vm ( x , y) = 4,16312 = 0, 4964254 B yx ( x) 8,3861937 V m

Ento:
' y = yn - a 'm ( xk - xm ) + c n m ( yn - ym )
m y = 15 , 76 - [ - 0,1976504 (10 ,441 - 10 , 906 )] - 0, 7962945 (15, 76 - 16 , 046 )
y = 15 ,89583279 m 3 / ha m
c2) estimativa da varincia
( y) V
( y) 2 V kmr (m y ) = m+ n [1 ] V 2 (k + m)(m + n) - kn r m +n
2 ,2822 20 20 0 ,976733 (m V y)= (1 ) = 0 ,04648966 ( m 3 / ha )2 30 1004 ,6534
398
Resultando:
(m y ) = V ) = s (m 0,04648966 = 0,215614609 m 3 / ha
y (segunda ocasio) c3) limite de erro da estimativa ASP
y ) = LE ( m
y) t s(m 2 0, 215614609 100 = 100 = 2,71 % y m 15 ,89583279
d) estimativas ASP para o incremento d ) d1) estimativa da mdia ( Dado:
Ento:
d tambm pode ser obtida A estimativa do incremento pela expresso:
m d = m y -m x = 15,89583279 - 10,606686 = 5,2891466 m3 / ha
399
d2) estimativa da varincia
( d ) V
( y) ( y) V V 2 Vm ( x) + (1 + b ) 2 Vk ( x ) + 2a V m ( x, y ) ( d ) = a d m d )2 n d b V + (1 a +b d d d m k m n m
Tal que:
(m d ) = V1 + V 2 V
V1 = a d m ( y) ( y) 2 V V V m ( x) d )2 n + (1 - a +b d m n m
)2 V2 = (1 + b d
( x) V k Vm ( x, y ) + 2a d b d k m
2
V1 = 1,1879 78262
2,116 2,8 26 8,386 2 2 + (1 - 1,18797826 2) + ( -0, 79487114 6) 20 10 20
V1 = 0,424222818
V2 = (1 - 0,794871146 ) 2 14,01 4,16312 + 2 1,187978262 ( -0,794871146 ) 20 20
V 2 = - 0,363643578 (m d ) = V1 + V 2 = 0,06057924 ( m 3 / ha ) 2 V
Sendo:
(m d ) = V d ) = 0 ,06057924 = 0, 246128503 m 3 / ha s( m
d3) limite de erro da estimativa ASP da mdia do incremend ) to ( t s (m d) 2 0,246128503 d) = LE ( m 100 = 100 = 9,31% m d 5,2891466 f) discusso dos resultados e concluses Os resultados, apresentados na Tabela 10.10, demonstram que os procedimentos com substituio parcial so mais eficien-
400
tes que os seus correspondentes no SPR, pois apresentam valores menores para os limites de erro.
Tabela 10.10 - Limites de erro das principais estimativas.
Estimadores Estimativas 10,6735 15,9507 5,2772 5,1400 10,6067 15,8958 5,2891 Limites de erro 9,81 3,46 17,43 12,83 8,86 2,71 9,31
xk +m y m+n d = y m+n xk +m dm x y d
Definindo-se eficincia como a razo entre os limites de erro, tm-se: x versus x k + m f1) estimador LE ( x k + m ) 9 ,81 % 100 = = 1,1072 Ef = x ) 8,86 % LE ( m x 10,72% mais eficienO estimador da primeira ocasio te que o estimador x k + m . y versus y m + n f2) estimador
Ef = LE ( y m +n ) 3 ,46 % 100 = = 1,2768 y) 2 ,71 % LE ( m
y 27,68% mais efiO estimador da segunda ocasio ciente que o estimador y m + n .
401
d versus d = y m + n x k + m f3) estimador

Ef = 17 ,43 % LE ( d ) 100 = = 1,8722 9 ,31 % LE ( m d )
O estimador para o incremento mdio entre as duas ocasi d 87,22 % mais eficiente que o estimador d = y m + n x k + m . es d versus d m = y m xm f4) estimador
Ef = LE ( d m ) 12 ,83 % 100 = = 1,3781 d ) 9 ,31 % LE ( m
O estimador para o incremento mdio entre as duas ocasi d 37,81 % mais eficiente que d m = y m xm (parcelas peres manentes).
402
Captulo 11
FORMA E TAMANHO DAS UNIDADES DE AMOSTRA
Mostra a importncia em utilizar um tamanho adequado de unidade de amostra em inventrio florestal, explanando ser lgico existir um intervalo ideal de tamanhos, onde a eficincia mxima e o custo mnimo. Aborda os principais fatores que influenciam o tamanho e a forma das parcelas. Apresenta pesquisas comparando a eficincia em relao ao nvel de preciso de inventrios florestais, considerando diversos tamanhos de unidades de amostra. Discorre sobre vrios mtodos para obter o tamanho ideal da parcela quando a preciso estatstica o critrio utilizado.
Forma e tamanho das unidades de amostra
Inicialmente, pode-se afirmar no existir empecilho de ordem terica em utilizar qualquer tamanho de parcela para obter estimativa no-tendenciosa do volume de madeira de uma floresta, obviamente, desde que a sua localizao seja no-tendenciosa. Por outro lado, lgico supor a existncia de um intervalo ideal de tamanhos, onde a eficincia mxima e o custo mnimo. Dentre os principais fatores que influenciam o tamanho e a forma das parcelas, destacam-se: o objetivo do inventrio florestal, o grau de preciso desejado e a variabilidade da varivel resposta. As pesquisas tm demonstrado que comparando a eficincia em relao ao nvel de preciso de inventrios florestais, considerando a mesma frao amostral, a preciso aumenta medida que os tamanhos das unidades se tornam menores. Obviamente, os custos aumentam, pois, as parcelas tornam-se mais numerosas. As pesquisas recomendam o uso de parcelas que contenham um nmero de rvores representativo, que no seja demasiadamente grande face ao tempo requerido para medio. Husch (1971) recomenda um tamanho que englobe em torno de um nmero bsico de 20 rvores. Queiroz (1977), pesquisando na Amaznia os efeitos da variao estrutural das unidades de amostra no processo de amostragem por conglomerado, para o volume de madeira para rvores com DAP 30 cm, verificou que o coeficiente de variao decresceu exponencialmente com o tamanho da subunidade de amostra, estabilizando-se levemente quando o tamanho atingiu em torno de 0,25 ha a 0,32 ha, tamanho considerado ideal. Silva (1980), tambm pesquisando na Amaznia e considerando a varivel resposta volume de madeira para todas as rvores com 15 1 5 cm c m DAP 45 4 5 c m cm ,, verificou o tamanho ideal de
405
0,09 ha, e para o volume de rvores com DAP 45 cm encontrou o tamanho ideal de 0,25 ha. Higuchi et al. (1982), com base em 32 diferentes tamanhos de parcelas, em floresta de terra firme com DAP 25 cm localizada no Distrito Agropecurio da Superintendncia da Zona Franca de Manaus-SUFRAMA, no estado do Amazonas, estudaram o tamanho ideal para inventrios florestais, concluindo pelo tamanho ideal de 37,5 m x 150 m (0,5625 ha). O critrio utilizado por esses autores para a seleo foi a Eficincia Relativa (ER %), segundo Husch, Miller e Beers (1972), que relaciona o custo de medio e a preciso desejada, atravs da frmula SE1 C1 ER% = 100 , sendo: SE 2 C 2 SE1 = desvio padro considerando a parcela padro de tamanho 5 m x 200 m; SE2 =desvio padro do tamanho da parcela a ser comparada; C1 = custo de medio da parcela bsica; C 2 = custo de medio da parcela a ser comparada. Pllico Netto (1979) introduziu o conceito de eficincia por dia de trabalho (EDT), objetivando considerar alguns fatores relevantes na definio do tamanho da unidade de amostra, como: o tamanho da rea a ser inventariada, os tempos de deslocamento, os tempos de medio, o nmero de horas a trabalhar por dia, as condies de acesso rea e dentro dela, assim como as adversidades que dificultam a penetrao na floresta.
Af (nd + 1) An d n + , tal que: v1 v2
EDT =
406
Af = tamanho da rea a ser inventariada; n = tamanho da amostra; nd = nmero de unidades medidas por dia de trabalho; A = rea da unidade de amostra; v1 = velocidade de caminhamento entre unidades de amostra; v 2 = velocidade de medio das unidades de amostra. Substituindo EDT = 8 horas, carga horria por dia, na equao desenvolvida, o autor achou a seguinte frmula para a obteno do tamanho timo para a unidade de amostra:
8v1 A=[ af (nd + 1) n ]v 2 v1 nd
No que concerne forma de parcela em inventrios florestais, as pesquisas mostram que a forma da unidade de amostra no influencia na preciso e na exatido nos diversos mtodos de amostragem, e que os principais fatores que influenciam a definio da forma so o permetro e a facilidade do estabelecimento em campo. Sob o ponto de vista terico, as unidades circulares so as mais eficientes, devido possurem a maior relao entre a rea e o permetro, resultando na reduo da probabilidade de ocorrncia de rvores limtrofes, tornando mais exato o clculo do volume na parcela. Em inventrios de florestas naturais na Amaznia, parcela grande com forma circular apresenta dificuldades na implantao e medio devido o controle das rvores limtrofes, assim como tornam difcil a operacionalizao do trabalho de campo, por causa da grande densidade de rvores no sub-bosque. As parcelas retangulares, com largura de 20 m no mximo, so muito utilizadas em inventrios de florestas tropicais naturais, principalmente devido facilidade de implantao e me-
407
dio. Entretanto, apresentam a desvantagem de maximizar a ocorrncia de rvores na bordadura. Uma vantagem importante das parcelas retangulares de comprimento longo em relao largura a possibilidade de estudar a variao da tipologia e, atravs de um processo de ps-estratificao, tornar possvel a elaborao de mapas florestais, que so importantes para planejar o manejo de uma floresta. 11.1 Mtodos para obter o tamanho ideal Existem vrios mtodos para obter o tamanho ideal da parcela quando a preciso estatstica o critrio utilizado, destacando-se entre eles: a) mtodo da curvatura mxima o mtodo mais antigo, proposto por Federer (1955), o qual consiste na obteno dos dados inerentes s unidades bsicas, combinadas de forma a se ter valores para vrios tamanhos de parcela. Calcula-se, para os vrios tamanhos, um parmetro ou ndice que estime variabilidade, como varincia, coeficiente de variao ou erro padro. Os valores do ndice de variao e os diversos tamanhos de parcela so plotados em um sistema de eixos coordenados e, a partir do grfico, obtido o ponto de curvatura mxima, o qual definido como o ponto a partir do qual os valores do ndice de variabilidade utilizado comeam a estabilizar. Esse ponto determina o tamanho ideal da unidade de amostra. Este mtodo possui duas desvantagens: 1) No considera os custos dos inventrios considerando os diferentes tamanhos de parcelas.
408
2) O ponto de curvatura mxima depende do menor tamanho de parcela usada, como tambm da escala utilizada. Objetivando dar uma ideia acerca da variabilidade do coeficiente de variao em funo do tamanho da unidade de amostra, seja o experimento apresentado por Queiroz (1977), o qual considerou 25 unidades bsicas de 400 m2 em um inventrio de uma rea de 5.324,04 ha, localizada na Floresta Nacional do Tapajs, no municpio de Santarm - estado do Par. A Tabela 11.1 apresenta os valores dos coeficientes de variao considerando os 25 tamanhos de parcelas e a Figura 11.1 mostra o grfico construdo a partir destes dados.
Tabela 11.1 - Valores dos coeficientes de variao por tamanho de parcela.
Parcelas (m2) 400 800 1200 1600 2000 2400 2800 3200 3600 CV% 101,08 75,04 67,86 58,51 53,56 48,78 44,45 41,62 39,74 Parcelas (m2) 4000 4400 4800 5200 5600 6000 6400 6800 7200 CV% 40,15 39,16 37,51 35,94 34,92 34,88 33,47 31,87 30,51 Parcelas (m2) 7600 8000 8400 8800 9200 9600 10000 CV% 27,79 29,51 29,33 28,27 28,23 27,96 27,95
409
Figura 11.1- Comportamento do coeficiente de variao em funo do tamanho da parcela.
a O modelo matemtico CV = a1 A 2 , ajustado sob a transformao logartmica log10 CV = log10 a1 + a2 log 10 A, apresentou os seguintes resultados:
log10 Cv = 3,077164 - 0,410743 log10 A F=3097,43 2 = 0,9923 raj
De acordo com Hoffmann e Vieira (1977), o coeficiente de determinao ajustado para os graus de liberdade dado pela expresso: 1 2 raj = r2 (1 - r 2 ) n-2 Tal que:
r2 =
SQREGRESSO SQTO TAL
n = nmero de observaes
Coeficiente de variao (%)
410
b) mtodo modificado da mxima curvatura Considerando que o ponto de curvatura mxima geralmente determinado por inspeo visual e que possvel ajustar uma curva para o parmetro ndice de variabilidade em funo do tamanho da parcela, define-se que o tamanho timo corresponder abscissa, tal que a derivada da funo seja igual a 1. Isso significa dizer que, depois deste ponto, o incremento de uma nova unidade bsica resultar numa reduo da varivel dependente - o coeficiente de variao - menor que a unidade, denotando ser invivel promover aumentos adicionais na parcela a ser eleita. c) mtodo do ndice de heterogeneidade Ferreira (1996) cita que esse mtodo foi proposto por Smith (1938) e baseia-se numa relao emprica entre o tamanho da parcela e a varincia, estabelecendo uma dependncia negativa V expressa pelo modelo matemtico Vk = a , tal que quando o takb manho relativo da parcela aumenta, a varincia relativa diminui. Neste modelo matemtico, tm-se: Vk = varincia por unidade de rea entre as parcelas de tamanho correspondente a k unidades bsicas; Va = varincia considerando as parcelas correspondentes em tamanho unidade bsica; k = nmero de unidades bsicas utilizado por parcela; b = ndice de heterogeneidade medido pela correlao entre unidades bsicas adjacentes. Ento, tem-se o modelo log Vk = log Va b log k , depreendendo que o ndice de heterogeneidade b o coeficiente de
411
regresso, de modo que a varivel dependente o logaritmo da varincia entre as parcelas de tamanho correspondente a k unidades bsicas e a varivel independente o logaritmo do nmero de unidades bsicas correspondentes da parcela. De acordo com Smith (1938), a frmula para obter o valor de k, tornando mnimo o custo por unidade de informao :
k=
bc1 (1 - b)c 2
Tal que: c1 = custo associado somente ao nmero de parcelas; c 2 = custo por unidade de rea.
412
CONSIDERAES FINAIS
Aborda sobre as dificuldades no uso de anlise estatstica em inventrios florestais, citando que notria a dificuldade enfrentada pelos estudantes e profissionais devido falta de experincia no contexto de aplicaes dos mtodos estatsticos, principalmente na aplicao de tcnicas estatsticas multidimensionais. Discorre sobre inventrio para subsidiar a operacionalizao de um projeto de manejo florestal que, obrigatoriamente, define, distingue e delimita as comunidades com caractersticas fitossociolgicas semelhantes, ressaltando que os mtodos estatsticos univariados no oferecem o suporte suficiente para atender a essas anlises. Descreve que as solues para esses questionamentos s podem ser obtidas pelo uso de anlise multivariada. Discute sobre a adequacidade do uso de algumas tcnicas multivariadas em inventrios florestais.
O objetivo principal deste livro orientar o aprendizado no campo da anlise estatstica univariada, visando ao planejamento de inventrio florestal, no qual notria a dificuldade enfrentada pelos estudantes e profissionais, principalmente, devido falta de livros didticos escritos em portugus, em linguagem adequada ao contexto dos mtodos estatsticos. Por outro lado, este livro uma pequena contribuio na difcil tarefa de resolver os problemas da anlise de inventrios florestais, principalmente de florestas naturais, destarte no objetiva apresentar todos os mtodos estatsticos, com vista a subsidiar a anlise de inventrio para o manejo florestal sustentvel, visto a complexidade requerida para se atender tal fim. A seguir algumas consideraes para aguar a discusso sobre o problema. O inventrio para subsidiar a operacionalizao de um projeto de manejo florestal, obrigatoriamente, define, distingue e delimita as comunidades com caractersticas fitossociolgicas semelhantes; e, obviamente, os mtodos estatsticos univariados no oferecem o suporte suficiente de anlise para atender esse objetivo. As experincias na Amaznia demonstram que estratificaes estabelecidas mediante a interpretao de fotocoberturas, apesar de importante e informativa, no so capazes de explicar, com o detalhamento requerido, as inter-relaes das variveis envolvidas, principalmente, nas vegetaes localizadas nos sub-bosques da floresta. O direcionamento indicado seria compatibilizar os recursos de sensoriamento remoto e de planejamento de amostragem recomenda-se o uso da amostragem sistemtica - a uma anlise estatstica multivariada. A anlise multivariada apresenta algumas complexidades com relao compreenso de sua teoria estatstica e compu-
415
tao das anlises dos dados. Entretanto, sob o ponto de vista prtico da explicao dos efeitos das caractersticas fitossociolgicas, inegvel ser um instrumento poderoso para interpretar as correlaes inter e intra dos tipos florestais, o que os recursos disponveis atravs dos diversos ndices fitossociolgicos unidimensionais existentes na literatura deixam a desejar, principalmente, por no apresentarem estruturas de lgica matemtica e de mtodo estatstico. O problema mais complexo em termos de inventrio para o manejo de florestas naturais a anlise do inventrio contnuo com parcelas permanentes, o qual tem o objetivo de explicar a tendncia de crescimento da floresta. Para subsidiar a estruturao dos tratos silviculturais a serem aplicados na recomposio da floresta tropical, destaca-se que, obrigatoriamente, a anlise estatstica dever ter em mira detectar e classificar os agrupamentos de espcies que possuam as mesmas tendncias de desenvovimento (perfis de crescimento). As solues para os questionamentos acima descritos s podem ser obtidas pelo uso de anlise multivariada e, em alguns problemas, at recomenda-se a aplicao conjunta de vrios mtodos multivariados. As tcnicas multivariadas de componentes principais e anlise de fatores podem ser utilizadas para diminuir a dimensionalidade dos dados, o que possibilitar, a partir de um nmero menor de variveis, explicar mais facilmente suas inter-relaes. A anlise de componente principal e a anlise de fatores so importantes para construir ndices fitossociolgicos e a partir deles produzir mapas delimitando as comunidades florestais. As tcnicas de anlises de agrupamento, de discriminante e de anlise de varincia multivariada, podem ser usadas conjuntamente para delimitar, classificar e comparar discriminar
416
tipos florestais e, assim, obter mapas de vegetao baseados nas variveis mais importantes na explicao das estruturas florstica e ecolgica da vegetao. importante no manejo florestal estudar as inter-relaes entre grupos de variveis. Por exemplo, um grupo pode ser formado por variveis florsticas e o outro pelas variveis que refletem a fertilidade de solo. A anlise de correlao cannica poder explicar essas correlaes, fornecendo inclusive mapas mostrando a estratificao das diversas relaes solo-vegetao. Em relao anlise de inventrio florestal contnuo com parcelas permanentes, a anlise multivariada denominada de medidas repetidas, atravs das tcnicas de anlises de levantamentos longitudinais, podem atender ao objetivo de obter grupos formados por espcies com a mesma tendncia de crescimento.
417
Referncias
BANZATTO, D. A.; KRONKA, S. N. Experimentao agronmica. Jaboticabal: FUNEP, 1989. 247 p. BARBIN, D. Componentes de varincia: teoria e aplicao. 2. ed. Piracicaba: FEALQ, 1993. 120 p. BOLFARINE, H.; BUSSAB, W. O. Elementos de amostragem. So Paulo: Edgard Blcher, 2005. 269 p. BORGES, B. H. Projeto de manejo florestal da Fazenda Santa Lcia: serraria marajoara. Belm: IBAMA, 1990. CAMPOS, H. Amostragem. Piracicaba: ESALQ, 1981. Apostila. CHACIN LUGO, F. Tamao de parcela experimental y su forma. Revista de la Facultad de Agronomia, Maracay, v. 9, n. 3, p. 55-74, 1977. COCHRAN, W. G. Sampling techniques. 3. ed. New York: J. Wiley, 1977. 428 p. ______. Tcnicas de amostragem. Rio de Janeiro: Fundo de Cultura, 1965. 555 p. CUNIA, T. Two successive measurements: the SPR model no auxiliary variables. Syracuse: [s. n.], 1974. CUNIA, T.; CHEVROU, R. B. Sampling with partial replacement on three or more occasions. Forest Science, Lawrence, v. 15, p. 204-224, 1969. FEDERER, W. T. Experimental design, theory and application. New York: Macmillan, 1955. 593 p.
419
FERREIRA, P. V. Estatstica experimental aplicada agronomia. 2. ed. Macei: EDUFAL, 1996. 606 p. FLORES, O. M. M. Estudo comparativo de tamanhos e distncias em processo de amostragem por conglomerado. 2010. 67 f. Dissertao (Mestrado em Cincias Florestais) Universidade Federal Rural da Amaznia, Belm, 2010. FONSECA, J. S.; MARTINS, G. A. Curso de estatstica. 3. ed. So Paulo: Atlas, 1982. 286 p. FREESE, F. Elementary forest sampling. Washington: USDA, 1962, 91 p. (Handbook, 232). GOMES, F. P. Curso de estatstica experimental. 14. ed. Piracicaba: ESALQ, 2000. 477 p. GOMES, F. P.; NOGUEIRA, I. R. Anlise matemtica. 2. ed. Piracicaba: Augegraf, 1980. 371 p. HOFFMANN, R.; VIEIRA, S. Anlise de regresso: uma introduo econometria. So Paulo: HUCITEC; EDUSP, 1977. 339 p. HIGUCHI, N. et al. Tamanho de parcela amostral para inventrios florestais. Acta Amaznica, Manaus, v. 12, n. 1, p. 91-103, 1982. HUSCH, B. Planificacion de un inventario florestal. Roma: FAO, 1971. 135 p. HUSCH, B.; MILLER, C. L.; BEERS, T. W. Forest mensuration. 3. ed. New York: J. Wiley, 1972. 402 p. LOETSCH, F.; HALLER, K. E. Forest inventory. Minchin: BLV Verlagsgesellschaft, 1964. MOOD, A. M.; GRAYBILL, F. A.; BOES, D. C. Introduction to the theory of statistics. 3. ed. New York: Mc Graw-Hill, 1964. 564 p. PLLICO NETTO, S.; BRENA, D. A. Inventrio florestal. Curitiba, 1997. 316 p.
420
PLLICO NETTO, S. Plano de colonizao do Alto Turi. Inventrio Florestal. Curitiba: Centro de Pesquisas Florestais da UFPR, 1971. 238 p. PLLICO NETTO, S. Die Forstinventuren in Brasilien- Neue Entwicklungen und ihr Beitrag fr eine geregelte Forstwirtschaft. 1979. 232 f. Tese (Doutorado em Engenharia Florestal) - Mitteilungen aus dem Arbeitskreis fr Forstliche Biometrie, Freiburg,1979. PINHEIRO, J. G. Anlise da eficincia das estimativas por razo em conglomerados em inventrio florestal na Amaznia. 2011. 46 f. Dissertao (Mestrado em Cincias Florestais) Universidade Federal Rural da Amaznia, Belm, 2011. PISKOUNOV, N. Clculo diferencial e integral. 4. ed. Porto: Lopes da Silva, 1978. v. 2. QUEIROZ, W. T. Anlise de fatores (Factor analysis) pelo mtodo de mxima verossimilhana: aplicao ao estudo de estrutura de florestas tropicais. 1984. 112 f. Tese (Doutorado em Engenharia Florestal) Escola Superior de Agricultura Luiz de Queiroz, Piracicaba, 1984. ______. Anlise univariada de inventrios florestais contnuos: parcelas permanentes. Boletim da FCAP, Belm, n. 21, p. 3349, dez. 1993a. ______. Estimativa por razo: aplicao em levantamentos florestais. Boletim da FCAP, Belm, n. 21, p. 51-63, dez. 1993b. ______. Efeitos da variao estrutural em unidades amostrais na aplicao do processo de amostragem por conglomerados nas florestas do Planalto do Tapajs. 1977. 109 f. Dissertao (Mestrado em Engenharia Florestal) Universidade Federal do Paran, Curitiba, 1977. ______. O modelo de amostragem com substituio parcial (SPR) para duas mensuraes sucessivas. Trabalho apre-
421
sentado no Seminrio da Ps-Graduao. Piracicaba: ESALQ, 1983. ______. Tcnicas de amostragem em inventrio florestal nos trpicos. Belm: FCAP. Servio de Documentao e Informao, 1998. 147 p. ROLLET, B.; QUEIROZ, W. T. Observaes e contribuies aos inventrios florestais na Amaznia. In: CONGRESSO FLORESTAL BRASILEIRO, 3., 1978, Manaus. Anais... So Paulo: Sociedade Brasileira de Silvicultura, 1978. v. 2, p. 405-408. (Edio especial da revista Silvicultura, n. 14). SANQUETTA, C. R. et al. Inventrios florestais: planejamento e execuo. 2. ed. Curitiba: Multi-Graphic, 2009. 316 p. SHIVER, B. D. BORDER, B. E. Sampling techniques for forest resource inventory. New York: Jhon Wiley e Sons, 1996. 356 p. SATTERTHWAITE, F. E. An approximate distribution of estimates of variance components. Biometrics, Washington, n. 2, p. 110-114, 1946. SCOLFORO, J. R. Inventrio florestal. Lavras: ESAL - FAEPE, 1993. SEARLE, S. R. Linear models. New York: J. Wiley, 1971. 532 p. SILVA, J. N. M. Eficincia de diversos tamanhos e formas de unidades de amostras aplicadas em inventrio florestal na regio do Baixo Tapajs. 1980. 83 f. Dissertao (Mestrado em Engenharia Florestal) Universidade Federal do Paran, Curitiba, 1980. SMITH, H. F. An empirical law describing heterogeneity in the yields of agricultural crops. Journal of Agricultural Science, Cambridge, n. 28, p. 1-23, 1938. SUPERINTENDNCIA DO DESENVOLVIMENTO DA AMAZNIA. Levantamentos florestais realizados pela misso FAO
422
na Amaznia (1956-1961). Belm: Diviso de Documentao, 1974. v. 1. STEEL, R. G. D.; TORRIE, J. H. Principles and procedures of statistics with special biological sciences. New York: Mc Grall-Hill, 1960. 481 p. YARED, J. A. G. Comportamento e viabilidade de procedimento de cordia alliodora (Ruiz e pav.) Okem, no Planalto do Tapajs Belterra, PA. 1983. 108 f. Dissertao (Mestrado em Engenharia Florestal) Escola Superior de Agricultura Luiz de Queiroz, Piracicaba, 1983. WARE, K. D.; CUNIA, T. Continuos forest inventory with partial replacemente of samples. Forest Science Monograph, Washington, n. 3, 1962. VRIES, P. G. Sampling theory for inventory: a teach-yourself course. New York: Springer-Verlag, 1986. 399 p.
423
GLOSSRIO
Acurcia: o grau de preciso de uma quantidade medida ou calculada em relao ao seu verdadeiro valor. Ajustamento de curvas: procedimento matemtico destinado a obter o modelo mais ajustado entre duas ou mais variveis uma dependente (Y) e outra(s) independente(s). Aleatrio: ao acaso, randmico. Seja uma populao composta por N indivduos e deseja-se retirar uma amostra de tamanho n. A amostra ser aleatria se a chance de cada indivduo ser selecionado for igual a n . . Alfa ( a ): denominado como erro tipo I, constitui a probabilidade de aceitao de H 0 (hiptese de nulidade) quando ela for falsa, ou seja, quando ela no deveria ser aceita. Amostra: uma parte da populao selecionada para representar a mesma. Amostragem: quando trabalhamos com uma parte da populao (amostra). Amostra probabilstica: toda amostra que permite fazer inferncia sobre a populao. Amostragem com reposio: mtodo de amostragem no qual cada unidade da populao selecionada para compor a amostra reposta populao antes da retirada da prxima unidade. Amostragem estratificada: o processo que consiste em dividir a populao de tamanho igual a N unidades, em subpopulaes ou estratos constitudos de N i unidades, respectivamente, tal que no haja superposies e, juntas, totalizem a populao de tamanho N i = N .
i
425
Amostragem por conglomerados ou grupos: uma variao de qualquer processo de amostragem que, em vez de utilizar unidades de amostra individuais, a unidade de amostra formada por grupo de pequenas subparcelas. Amostragem sem reposio: mtodo de amostragem no qual a unidade de amostra selecionada para compor a amostra no reposta na populao antes da retirada da prxima unidade. Amostragem simples ao acaso: uma amostragem probabilstica em que todos os indivduos tm a mesma probabilidade de serem sorteados. Amostragem sistemtica: consiste em sortear uma unidade da populao e, a partir dela, para constituir uma amostra de tamanho n, selecionar as unidades que ocupam pela ordem sequencial as posies mltiplas do valor da razo entre o nmero total N de unidades e o nmero n de unidades da amostra. Amostras independentes: os conjuntos amostrais de valores no esto relacionados entre si. Biometria ou Bioestatstica: estatstica aplicada s cincias biolgicas. Censo: mensurao de todos os indivduos da populao. Coeficiente de correlao intraconglomerado: o coeficiente que explica o grau de homogeneidade entre subparcelas dentro do conglomerado. Quando maior que zero, a amostragem por conglomerados menos precisa que a simples ao acaso, e quando menor que zero, a amostra por conglomerado mais precisa que a simples ao acaso. Essas amostragens possuem a mesma preciso se o coeficiente de correlao intraconglomerado for zero. Coeficiente de variao: a estatstica que permite avaliar a variabilidade das observaes, buscando-se uma comparao relativa entre o desvio padro e a mdia.
426
Correlao: a estatstica que mede a magnitude e o sentido do grau de associao entre duas variveis aleatrias. Correlao linear: a estatstica que mede a magnitude e o sentido (positivo ou negativo) do grau de associao linear entre duas variveis aleatrias. Covarincia: a estatstica que mede a tendncia variao simultnea, em grandeza e sinal, das observaes inerentes a duas variveis aleatrias. a mdia (ou esperana matemtica) do produto dos afastamentos de cada varivel em relao respectiva mdia (ou esperana matemtica): Cov(x,y) = E[x E(x) (y E(y)]. Curva t de Student: distribuio de probabilidade que apresenta as seguintes caractersticas: distribuio simtrica; curva mesocrtica; platicrtica ou leptocrtica, dependendo dos graus de liberdade. Quando a forma mesocrtica se assemelha distribuio normal. Delineamento experimental: o plano estabelecido na montagem do experimento e implica na forma como os tratamentos sero designados s unidades amostrais. H um entendimento sobre as anlises estatsticas a serem efetuadas quando todos os dados estiverem disponveis. Desvio padro: a medida de disperso que determina a variabilidade entre cada escore e a sua respectiva mdia da populao ou da amostra. a raiz quadrada da varincia. Dimensionamento da amostra: obter o tamanho da amostra considerando um determinado nvel de significncia e um limite de erro ou margem de erro. Distribuio amostral: distribuio de probabilidade de uma estatstica induzida pelo plano amostral. Distribuio normal: modelo de distribuio de probabilidades de variveis aleatrias contnuas. A curva apresenta as seguin-
427
tes caractersticas: distribuio simtrica; forma de sino; dois pontos de inflexo; assinttica. Distribuio probabilstica: o conjunto de duas variveis; uma que aleatria (abscissa) e outra que representa as respectivas probabilidades (ordenada). Eixo das abscissas: eixo horizontal dos valores, por exemplo, de X i do plano cartesiano. Eixo das ordenadas: eixo vertical dos valores, por exemplo, de Yi do plano cartesiano. Erro ou Vis ou Bias: erro casual observado nas amostras aleatrias, decorrente da variabilidade dos elementos constituintes do universo estudado, pelo fato de que nem todos os indivduos da populao participam da amostra. um erro que pode levar concluso equivocada sobre a populao, podendo ocorrer: na seleo da amostra; na coleta dos dados; na anlise dos dados; nas concluses. Erro padro: estatstica que mede a variabilidade das mdias amostrais. o desvio padro de uma populao de mdias amostrais, o qual corresponde ao quociente do desvio padro pela raiz quadrada do tamanho da amostra. Erro tipo I ou Erro alfa ( a ): um erro que pode ser cometido na inferncia estatstica que consiste em rejeitar a hiptese de nulidade quando ela verdadeira. Erro tipo II ou Erro beta ( ): um erro que pode ser cometido na inferncia estatstica que consiste em aceitar a hiptese de nulidade quando ela falsa. Espao amostral ou universo: o conjunto dos pontos amostrais.
428
Esperana matemtica de uma varivel contnua E(y): seja y uma varivel aleatria contnua; definimos como + E ( y ) = yf ( y )dy, tal que f ( y ) a funo de densidade. - Esperana matemtica de uma varivel discreta E ( y ) : seja y uma varivel aleatria discreta que assume os valores y1 , y 2 , L , y n com as respectivas probabilidades p1 , p 2 , L , p n , ento E ( y ) = y i p i . Estatstica: a parte da matemtica aplicada que estuda dados originados de observaes. Estatsticas: so valores numricos que descrevem as amostras como a mdia, a mediana, a varincia, etc. Estimao por intervalo: quando a partir da amostra constrise um intervalo com certa probabilidade de conter o verdadeiro valor do parmetro populacional. Estimao: quando se usa os resultados extrados da amostra para produzir inferncias sobre a populao da qual foi extrada aleatoriamente a amostra. Estimador: denomina-se estimador de um parmetro de uma populao a funo de elementos de uma amostra oriunda dessa populao, que mantm com o mesmo uma relao. Estimativa por razo: quando se estima o valor de uma varivel associada outra varivel; normalmente essas variveis so correlacionadas. Estimativa: um valor especfico de um estimador como, por exemplo, a mdia aritmtica da altura de uma amostra de rvores. Estratificao com repartimento tima: quando o dimensionamento da amostra tem em vista tornar mnimo o valor da varincia da mdia estratificada dentro de um limite de custo para medio da amostra, ou tornar mnimo o custo para um valor estipulado da varincia da mdia estratificada.
i
429
Estratificao com repartimento, partilha ou alocao proporcional: quando o dimensionamento da amostra feito considerando a mesma frao amostral para todos os estratos. Experimento ou Ensaio: um trabalho que segue determinados princpios bsicos e no qual se faz a comparao dos efeitos dos tratamentos ou populaes. Fator de expanso ou crescimento: o fator que transforma os resultados da amostra para a populao. o quociente entre o nmero de unidades da populao pelo nmero de unidades da amostra. Frao amostral na populao: a razo entre o nmero de unidades medidas na amostra e o nmero de unidades total da populao. Frao amostral no estrato: a razo entre o nmero de unidades medidas no estrato e o nmero de unidades total do estrato. Funo de probabilidade: uma funo f (y) de varivel discreta, y) )= =1 0e f f( (y 1. tal que, ff((y y) 0
x
Funo densidade: uma funo f (y) de varivel contnua, tal y))dy =1 1. 0 e f (y dy = que ff ((y y) 0
Geoestatstica: um conjunto de tcnicas usadas para inferir valores para uma determinada varivel. Produz estimativas de variveis com base na probabilidade e na espacialidade das observaes. Graus de liberdade: so os indexadores estatsticos correspondentes ao nmero de observaes independentes. Heterogeneidade de varincias ou heterocedasticidade: quando ocorre desigualdade de varincias, o que pode ser verificado atravs de vrios testes.
430
Hiptese Alternativa ( HA ): a hiptese que aceita quando a hiptese de nulidade rejeitada, no sentido de afirmar que h diferenas ou associaes entre os grupos objetos da pesquisa, as quais no podem ser explicadas pelo acaso. Hiptese da nulidade ( H0 ): a hiptese que se testa considerando que as possveis diferenas ou associaes encontradas entre grupos objetos do estudo so devido ao acaso. Hiptese estatstica: a especificao de um dos parmetros de uma populao ou da relao entre os parmetros de duas ou mais populaes. Inferncia estatstica: o procedimento de efetuar concluses acerca de uma populao baseado em uma amostra desse universo. Intervalo de confiana: quando a partir da amostra constrise um intervalo com certa probabilidade de conter o verdadeiro valor do parmetro populacional para um determinado nvel de confiana (1 a), tal que a o nvel de significncia do teste. Krigagem: dentro da geoestatstica um conjunto de tcnicas usadas para inferir valores para uma varivel distribuda no espao em locais no amostrados. Limite de erro ou margem de erro: a semiamplitude do intervalo de confiana expresso em porcentagem da mdia. Mdia estratificada estimada: o valor mdio no tendencioso que estima o valor mdio populacional. uma mdia ponderada pelo peso representativo de cada estrato. Parmetro: uma funo do conjunto de valores (uma caracterstica) de uma populao. Peso do estrato: razo entre o nmero de unidades total do estrato e o nmero total de unidades da populao.
431
Plano amostral: documento de registro descrevendo os mtodos e medidas para obteno da amostragem. Ponto amostral: cada acontecimento que possa ocorrer em um experimento. Populao: o conjunto de todos os indivduos ou unidades sobre os quais se deseja estabelecer determinados estudos. Populao amostrada: populao da qual foi retirada a amostra. Populao finita: quando a amostra se constitui no mnimo de 5% dos indivduos da populao. Populao infinita: quando a amostra se constitui no mximo de 5% dos indivduos da populao. Populao objetivo: populao que se pretende atingir. Probabilidade: a mensurao matemtica usada para descrever a chance de ocorrncia de um valor especfico de uma varivel aleatria ou de eventos amostrais. p-valor ou p(valor): a probabilidade, na inferncia estatstica, de se cometer um erro de concluso - Erro tipo I -, rejeitando-se a Hiptese de nulidade se ela for verdadeira. Razo: o quociente entre os valores de duas variveis. Repeties: o mesmo tratamento aplicado a mais de uma unidade de amostra da mesma populao. Semivariograma: estuda e descreve a variabilidade espacial do fenmeno. Denominada tambm de anlise estrutural ou modelagem do variograma. Seleo no probabilstica: qualquer processo intencional de escolher as unidades de amostra ou quando no seja possvel estabelecer as probabilidades de incluso das mesmas.
432
Seleo probabilstica: processo de selecionar as unidades de amostra que permite estabelecer as probabilidades das mesmas pertencer amostra. Teste de hiptese: quando a partir dos resultados obtidos da amostra, deseja-se testar certos parmetros da populao ou mesmo testar a natureza da populao. Tratamento: o mtodo ou a populao cujo efeito deseja-se medir ou comparar em um experimento ou em um levantamento. Varincia: um momento de disperso, calculado por um quociente do somatrio dos quadrados da diferena entre cada escore e a respectiva mdia, e o denominador representado pelo nmero de graus de liberdade correspondente. Varivel aleatria contnua: quando varia num conjunto infinito no enumervel. Varivel aleatria discreta: quando assume somente um nmero finito de valores ou quando varia num conjunto infinito enumervel. Varivel aleatria F de Snedecor: varivel aleatria definida como a razo de duas variveis independentes com distribuio qui-quadrado, com k graus de liberdade correspondente ao numerador e p graus de liberdade inerente ao denominador. Possuindo a sua funo densidade denominada F de Snedecor. Varivel de interesse: caracterstica das unidades da populao que se pretende conhecer. Varivel aleatria qui-quadrado: varivel aleatria com k graus de liberdade; definida como a soma de k quadrados de normais padronizadas e independentes. Possui a sua funo densidade denominado de qui-quadrado.
433
Varivel aleatria t de Student: varivel aleatria com n-1, tamanho da amostra menos um, graus de liberdade. definida como o quociente entre a diferena da mdia estimada e a mdia populacional pelo erro padro. Possui a sua funo densidade denominada t de Student. Varivel aleatria: aquela que ocorre com certa probabilidade. Vis ou vcio: de um estimador de um parmetro a diferena entre o seu valor esperado e o valor do parmetro.
434
Anexo
Tabela 1- reas da distribuio normal padro.

Z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 0,00 0,0000 0,0398 0,0793 0,1179 0,1554 0,1915 0,2257 0,2580 0,2881 0,3159 0,3413 0,3643 0,3849 0,4032 0,4192 0,4332 0,4452 0,4554 0,4641 0,4713 0,4772 0,4821 0,4861 0,4893 0,4918 0,4938 0,4953 0,4965 0,4974 0,4981 0,4987 0,01 0,0040 0,0438 0,0832 0,1217 0,1591 0,1950 0,2291 0,2611 0,2910 0,3186 0,3438 0,3665 0,3869 0,4049 0,4207 0,4345 0,4463 0,4564 0,4649 0,4719 0,4778 0,4826 0,4864 0,4896 0,4920 0,4940 0,4955 0,4966 0,4975 0,4982 0,4987 0,02 0,0080 0,0478 0,0871 0,1255 0,1628 0,1985 0,2324 0,2642 0,2939 0,3212 0,3461 0,3686 0,3888 0,4066 0,4222 0,4357 0,4474 0,4573 0,4656 0,4726 0,4783 0,4830 0,4868 0,4898 0,4922 0,4941 0,4956 0,4967 0,4976 0,4982 0,4987 0,03 0,0120 0,0517 0,0910 0,1293 0,1664 0,2019 0,2357 0,2673 0,2967 0,3238 0,3485 0,3708 0,3907 0,4082 0,4236 0,4370 0,4484 0,4582 0,4664 0,4732 0,4788 0,4834 0,4871 0,4901 0,4925 0,4943 0,4957 0,4968 0,4977 0,4983 0,4988 0,04 0,0160 0,0557 0,0948 0,1331 0,1700 0,2054 0,2389 0,2703 0,2995 0,3264 0,3508 0,3729 0,3925 0,4099 0,4251 0,4382 0,4495 0,4591 0,4671 0,4738 0,4793 0,4838 0,4875 0,4904 0,4927 0,4945 0,4959 0,4969 0,4977 0,4984 0,4988 0,05 0,0199 0,0596 0,0987 0,1368 0,1736 0,2088 0,2422 0,2734 0,3023 0,3289 0,3531 0,3749 0,3944 0,4115 0,4265 0,4394 0,4505 0,4599 0,4678 0,4744 0,4798 0,4842 0,4878 0,4906 0,4929 0,4946 0,4960 0,4970 0,4978 0,4984 0,4989 0,06 0,0239 0,0636 0,1026 0,1406 0,1772 0,2123 0,2454 0,2764 0,3051 0,3315 0,3554 0,3770 0,3962 0,4131 0,4279 0,4406 0,4515 0,4608 0,4686 0,4750 0,4803 0,4846 0,4881 0,4909 0,4931 0,4948 0,4961 0,4971 0,4979 0,4985 0,4989 0,07 0,0279 0,0675 0,1064 0,1443 0,1808 0,2157 0,2486 0,2794 0,3078 0,3340 0,3577 0,3790 0,3980 0,4147 0,4292 0,4418 0,4525 0,4616 0,4693 0,4756 0,4808 0,4850 0,4884 0,4911 0,4932 0,4949 0,4962 0,4972 0,4979 0,4985 0,4989 0,08 0,0319 0,0714 0,1103 0,1480 0,1844 0,2190 0,2517 0,2823 0,3106 0,3365 0,3599 0,3810 0,3997 0,4162 0,4306 0,4429 0,4535 0,4625 0,4699 0,4761 0,4812 0,4854 0,4887 0,4913 0,4934 0,4951 0,4963 0,4973 0,4980 0,4986 0,4990 0,09 0,0359 0,0753 0,1141 0,1517 0,1879 0,2224 0,2549 0,2852 0,3133 0,3389 0,3621 0,3830 0,4015 0,4177 0,4319 0,4441 0,4545 0,4633 0,4706 0,4767 0,4817 0,4857 0,4890 0,4916 0,4936 0,4952 0,4964 0,4974 0,4981 0,4986 0,4990
435
2 ca ,k
Tabela 2 - Distribuio de
k 1 2 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 0,995 0,000 0,010 0,207 0,412 0,676 0,989 1,34 1,73 2,16 2,60 3,07 3,57 4,07 4,60 5,14 5,70 6,26 6,84 7,43 8,03 8,64 9,26 9,89 10,5 11,2 11,8 12,5 13,1 13,8 0,990 0,0002 0,0001 0,115 0,297 0,554 0,872 1,24 1,65 2,09 2,56 3,05 3,57 4,11 4,66 5,23 5,80 6,41 7,01 7,63 8,26 8,90 9,54 10,2 10,9 11,5 12,2 12,9 13,6 14,3 15,0 0,975 0,0010 0,0506 0,216 0,484 0,831 1,24 1,69 2,18 2,70 3,25 3,82 4,40 5,01 5,63 6,23 6,91 7,56 8,23 8,91 9,59 10,3 11,0 11,7 12,4 13,1 13,8 14,6 15,3 16,0 16,8
c2.
0,90 0,0158 0,211 0,584 1,06 1,61 2,20 2,83 3,49 4,17 4,87 5,58 6,30 7,04 7,79 8,55 8,31 10,1 10,9 11,7 12,4 13,2 14,0 14,8 15,7 16,5 17,3 18,1 18,9 19,8 20,6 0,75 0,102 0,575 1,021 1,92 2,67 3,45 4,25 5,07 5,90 6,74 7,58 8,44 9,30 10,2 11,0 11,9 12,8 13,7 14,6 15,5 16,3 17,2 18,1 19,0 19,9 20,8 21,7 22,7 23,6 24,5 0,50 0,455 1,39 2,37 3,36 4,35 5,35 6,35 7,34 8,34 9,34 10,3 11,3 12,3 13,3 14,3 15,3 16,3 17,3 18,3 19,3 20,3 21,3 22,3 23,3 24,3 25,3 26,3 27,3 28,3 29,3 0,50 1,32 2,77 4,11 5,39 6,63 7,84 9,04 10,2 11,4 12,5 13,7 14,8 16,0 17,1 18,2 19,4 20,5 21,6 22,7 23,8 24,9 26,0 27,1 28,2 29,3 30,4 31,5 32,6 33,7 34,8 0,10 2,71 4,61 6,25 7,78 9,24 10,6 12,0 13,4 14,7 16,0 17,3 18,5 19,8 21,1 22,3 23,5 24,8 26,0 27,2 28,4 29,6 30,8 32,0 33,1 34,4 35,6 36,7 37,9 39,1 40,3 0,05 0,025 0,01 0,005 3,84 5,99 7,81 9,49 11,1 12,6 14,1 15,5 16,9 18,3 19,7 21,0 22,4 23,7 25,0 26,3 27,6 28,9 30,1 31,4 32,7 33,9 35,2 36,4 37,7 38,9 40,1 41,3 42,6 43,8 5,02 7,38 9,25 11,1 12,8 14,4 16,0 17,5 19,0 20,5 21,9 23,3 24,7 26,1 27,5 28,4 30,2 31,5 32,9 34,2 35,5 36,8 38,1 39,4 40,6 41,9 43,2 44,5 45,7 47,0 6,63 7,88 9,21 10,6 11,3 12,8 13,3 14,9 15,1 16,7 16,8 18,5 18,5 20,3 20,1 22,0 21,7 23,6 23,2 25,2 24,7 26,8 26,2 28,3 27,7 29,8 29,1 31,3 30,6 32,8 32,0 34,3 53,4 35,7 34,8 37,2 36,2 38,6 37,6 40,0 38,9 41,4 40,5 42,8 41,6 44,2 43,0 45,6 44,3 46,9 45,6 48,3 47,0 49,6 48,3 51,0 49,6 52,5 50,9 53,7
0,95 0,0039 0,103 0,352 0,711 1,15 1,64 2,17 2,73 3,33 3,94 4,57 5,23 5,89 6,57 7,26 7,96 8,67 9,39 10,1 10,9 11,6 12,3 13,1 13,8 14,6 15,4 16,2 16,9 17,7 18,5
3 0,0717
436
Tabela 3 - Distribuio t de Student.

a k 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 0,50 1,00000 0,81650 0,76489 0,74070 0,72669 0,71756 0,71114 0,70639 0,70272 0,69981 0,69745 0,69548 0,69384 0,69200 0,69120 0,69013 0,68919 0,68837 0,68763 0,68696 0,68635 0,68580 0,68531 0,68485 0,68443 0,68405 0,68370 0,68335 0,68304 0,68276 0,68066 0,67862 0,67656 0,67449 0,25 2,4142 1,6036 1,4226 1,3444 1,3009 1,2733 1,2543 1,2403 1,2297 1,2213 1,2145 1,2089 1,2041 1,2001 1,1967 1,1937 1,1910 1,1887 1,1866 1,1848 1,1831 1,1816 1,1802 1,1789 1,1777 1,1766 1,1757 1,1748 1,1739 1,1731 1,1673 1,1616 1,1559 1,1503 0,10 6,3138 2,9200 2,3534 2,1318 2,0150 1,9432 1,8946 1,8595 1,8331 1,8125 1,7959 1,7823 1,7709 1,7613 1,7530 1,7459 1,7396 1,7341 1,7291 1,7247 1,7207 1,7171 1,7139 1,7109 1,7081 1,7056 1,7033 1,7011 1,6991 1,6973 1,6839 1,6707 1,6577 1,6449 0,05 12,706 4,3127 3,1825 2,7764 2,5706 2,4469 2,3646 2,3060 2,2622 2,2281 2,2010 2,1788 2,1604 2,1448 2,1315 2,1199 2,1098 2,1009 2,0930 2,0860 2,0796 2,0739 2,0687 2,0639 2,0595 2,0555 2,0518 2,0484 2,0452 2,0423 2,0211 2,0003 1,9799 1,9600 0,025 25,542 6,2053 4,1765 3,4954 3,1634 2,9687 2,8412 2,7515 2,6850 2,6338 2,5931 2,5600 2,5326 2,5096 2,4899 2,4729 2,4581 2,4450 2,4334 2,4231 2,4138 2,4055 2,3979 2,3910 2,3846 2,3788 2,3734 2,3685 2,3638 2,3596 2,3289 2,2991 2,2699 2,2414 0,01 63,657 9,9248 5,8409 4,6041 4,0321 3,7074 3,4995 3,3554 3,2498 3,1693 3,1058 3,9545 3,0123 5,9768 2,9467 2,9208 2,8982 2,8784 2,8609 2,8453 2,8314 2,8188 2,8073 2,7969 2,7874 2,7787 2,7707 2,7633 2,7564 2,7500 2,7045 2,6603 2,6174 2,5758 0,005 127,32 14,089 7,4533 5,5976 4,7733 4,3168 4,0293 3,8325 3,6897 3,5814 3,4966 3,4284 3,3725 3,3257 3,2860 3,2520 3,2225 3,1966 3,1737 3,1534 3,1352 3,1188 3,1040 3,0905 3,0782 3,0669 3,0565 3,0469 3,0380 3,0298 2,9712 2,9146 2,8599 2,8070
437
Fk , p ,a
Tabela 4 - Distribuio F de Snedecor para a = 5%.
p k 1 2 199,5 19,00 9,55 6,94 5,79 5,14 4,74 4,46 4,26 4,10 3,98 3,89 3,81 3,74 3,68 3,63 3,59 3,55 3,52 3,49 3,47 3,44 3,42 3,40 3,32 3,23 3,15 3,07 3,00 3 215,7 19,16 9,28 6,59 5,41 4,76 4,35 4,07 3,86 3,71 3,59 3,49 3,41 3,34 3,29 3,24 3,20 3,16 3,13 3,10 3,07 3,05 3,03 3,01 2,92 2,84 2,76 2,68 2,60 4 5 6 234,0 19,33 8,94 6,16 4,95 4,28 3,87 3,58 3,37 3,22 3,09 3,00 2,92 2,85 2,79 2,74 2,70 2,66 2,63 2,60 2,57 2,55 2,53 2,51 2,42 2,34 2,25 2,17 2,10 7 236,8 19,35 8,89 6,09 4,88 4,21 3,79 3,50 3,29 3,14 3,01 2,90 2,83 2,76 2,71 2,66 2,61 2,58 2,54 2,51 2,49 2,46 2,44 2,42 2,33 2,21 2,17 2,09 2,01 8 238,9 19,37 8,85 6,04 4,82 4,15 3,73 3,44 3,23 4,07 2,95 2,85 2,77 2,70 2,64 2,59 2,55 2,51 2,48 2,45 2,42 2,40 2,37 2,36 2,27 2,18 2,10 2,02 1,94 9 240,5 19,38 8,81 6,00 4,77 4,10 3,68 3,39 3,18 3,02 2,90 2,80 2,71 2,65 2,59 2,54 2,49 2,46 2,42 2,39 2,37 2,34 2,32 2,30 2,21 2,12 2,04 1,96 1,88 10 20 30 120
1 161,4 2 18,51 3 10,13 4 7,71 5 6,61 6 5,99 7 5,59 8 5,32 9 5,12 10 4,96 11 4,84 12 4,75 13 4,67 14 4,60 15 4,54 16 4,49 17 4,45 18 4,41 19 4,38 20 4,35 21 4,32 22 4,30 23 4,28 24 4,26 30 4,17 40 4,08 60 4,00 120 3,92 3,84
224,6 230,2 19,25 19,30 9,12 9,01 6,39 6,26 5,19 5,05 4,53 4,39 4,12 3,97 3,84 3,69 3,63 3,48 3,48 3,33 3,36 3,20 3,26 3,11 3,18 3,03 3,11 2,96 3,06 2,90 3,01 2,85 2,96 2,81 2,93 2,77 2,90 2,74 2,87 2,71 2,84 2,68 2,82 2,66 2,80 2,64 2,78 2,62 2,69 2,53 2,61 2,45 2,53 2,37 2,45 2,29 2,37 2,21
241,9 248,0 19,40 19,45 8,79 8,66 5,96 5,80 4,74 4,56 4,06 3,87 3,64 3,44 3,35 3,15 3,14 2,94 2,98 2,77 2,85 2,65 2,75 2,54 2,67 2,46 2,60 2,39 2,54 2,33 2,49 2,28 2,45 2,23 2,41 2,19 2,38 2,16 2,35 2,12 2,32 2,10 2,30 2,07 2,27 2,05 2,25 2,03 2,16 1,93 2,08 1,84 1,99 1,75 1,91 1,66 1,83 1,57
250,1 253,3 19,46 19,49 8,62 8,55 5,75 5,66 4,50 4,40 3,81 3,70 3,38 3,27 3,08 2,97 2,86 2,75 2,70 2,58 2,57 2,45 2,47 2,34 2,38 2,25 3,31 2,18 2,25 2,11 2,19 2,06 2,15 2,01 2,11 1,97 2,07 1,93 2,04 1,90 2,01 1,87 1,98 1,84 1,96 1,81 1,94 1,79 1,84 1,68 1,74 1,58 1,65 1,47 1,55 1,35 1,46 1,22
438
Fk , p ,a
Tabela 5 - Distribuio F de Snedecor para a = 1%.
p 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 k 1 4052 98,50 34,12 21,20 16,26 13,75 12,25 11,26 10,56 10,04 9,65 9,33 9,07 8,86 8,68 8,53 8,40 8,29 8,18 8,10 8,02 7,95 7,88 7,82 7,77 7,72 7,68 7,64 7,60 7,56 7,31 7,08 6,85 6,63 2 4999 99,00 30,82 18,00 13,27 10,92 9,55 8,65 8,02 7,56 7,21 6,93 6,70 6,51 6,36 6,23 6,11 6,01 5,93 5,35 5,78 5,72 5,66 5,61 5,57 5,53 5,49 5,45 5,42 5,39 5,18 4,98 4,79 4,61 3 5403 99,17 29,46 16,69 12,06 9,78 8,45 7,59 6,99 6,55 6,22 5,95 5,74 5,56 5,42 5,29 5,18 5,09 5,01 4,94 4,82 4,82 4,76 4,72 4,68 4,64 4,60 4,57 4,54 4,51 4,31 4,13 3,95 3,78 4 5625 99,25 28,71 15,98 11,39 9,15 7,85 7,01 6,42 5,99 5,67 5,41 5,21 5,04 4,89 4,77 4,67 4,58 4,50 4,43 4,37 4,31 4,26 4,22 4,18 4,14 4,11 4,07 4,04 4,02 3,83 3,65 3,48 3,32 5 5764 99,30 28,24 15,52 10,97 8,75 7,46 6,63 6,06 5,64 5,32 5,06 4,86 4,69 4,56 4,44 4,34 4,25 4,17 4,10 4,04 3,99 3,94 3,90 3,85 3,82 3,78 3,75 3,73 3,70 3,51 3,34 3,17 3,02 6 5859 99,33 27,91 15,21 10,67 8,47 7,19 6,37 5,80 5,39 5,07 4,82 4,62 4,46 4,32 4,20 4,10 4,01 3,94 3,87 3,81 3,76 3,71 3,67 3,63 3,59 3,56 3,53 3,50 3,47 3,29 3,12 2,96 2,80 7 5928 99,36 27,67 14,98 10,46 8,26 6,99 6,18 5,61 5,20 4,89 4,64 4,44 4,28 4,14 4,03 3,93 3,84 3,77 3,70 3,64 3,59 3,54 3,50 3,46 3,42 3,39 3,36 3,33 3,30 3,12 2,95 2,79 2,64 8 5982 99,37 27,49 14,80 10,29 8,10 6,84 6,03 5,47 5,06 4,74 4,50 4,30 4,14 4,00 3,89 3,79 3,71 3,63 3,56 3,51 3,45 3,41 3,36 3,32 3,29 3,26 3,23 3,20 3,17 2,99 2,82 2,66 2,51 9 6022 99,39 27,35 14,66 10,16 7,98 6,72 5,91 5,35 4,94 4,63 4,39 4,19 4,03 3,89 3,78 3,68 3,60 3,52 3,46 3,40 3,35 3,30 3,26 3,22 3,18 3,15 3,12 3,09 3,07 2,89 2,72 2,56 2,41 10 6056 99,40 27,23 14,55 10,05 7,87 6,62 5,81 5,26 4,85 4,54 4,30 4,10 3,94 3,80 3,69 3,59 3,51 3,43 3,37 3,31 3,26 3,21 3,17 3,13 3,09 3,06 3,03 3,00 2,98 2,80 2,63 2,47 2,32 20 6209 99,45 26,69 14,02 9,55 7,40 6,16 5,36 4,81 4,41 4,10 3,86 3,66 3,51 3,37 3,26 3,16 3,08 3,00 2,94 2,88 2,78 2,74 2,70 2,66 2,63 2,60 2,57 2,55 2,37 2,37 2,20 2,03 1,88 30 6261 99,47 26,50 13,84 9,38 7,23 5,99 5,20 4,65 4,25 3,94 3,70 3,51 3,35 3,21 3,10 3,00 2,92 2,84 2,78 2,72 2,67 2,62 2,58 2,54 2,50 2,47 2,44 2,41 2,39 2,20 2,03 1,86 1,70 120 6339 99,49 26,22 13,56 9,11 6,97 5,74 4,95 4,40 4,00 3,69 3,45 3,25 3,09 2,96 2,84 2,75 2,66 2,58 2,52 2,46 2,40 2,35 2,31 2,27 2,23 2,20 2,17 2,14 2,11 1,92 1,73 1,53 1,32
439
Tabela 6 - Valores crticos do teste de Hartley aos nveis de 1% e 5% de probabilidade.
g: nmero de grupos n1 = n-1 nmero de graus de liberdade de cada grupo a = 5%.

n1 2 3 4 5 6 7 8 9 10 12 15 20 30 60 g 2 39,00 15,40 9,60 7,15 5,82 4,99 4,43 4,03 3,72 3,28 2,86 2,46 2,07 1,67 1,00 3 4 5 6 7 333,00 72,90 33,60 20,80 15,00 11,80 9,78 8,41 7,42 6,09 4,95 3,94 3,02 2,17 1,00 8 403,00 83,50 37,50 22,90 16,30 12,70 10,50 8,95 7,87 6,42 5,19 4,10 3,12 2,22 1,00 9 475,00 93,90 41,10 24,70 17,50 13,50 11,10 9,45 8,28 6,72 5,40 4,24 3,21 2,26 1,00 10 550,00 104,00 44,60 26,50 18,60 14,30 11,70 9,91 8,66 7,00 5,59 4,37 3,29 2,30 1,00 11 626,00 114,00 48,00 28,20 19,70 15,10 12,20 10,30 9,01 7,25 5,77 4,49 3,36 2,33 1,00 12 704,00 124,00 51,40 29,90 20,70 15,80 12,70 10,70 9,34 7,48 5,93 4,59 3,39 2,36 1,00
87,50 142,00 27,80 39,20 15,50 20,60 10,80 13,70 8,38 10,40 8,44 6,94 7,18 6,00 6,31 5,34 5,67 4,85 4,79 4,16 4,01 3,54 3,29 2,95 2,61 2,40 1,96 1,85 1,00 1,00
202,00 266,00 50,70 62,00 25,20 29,50 16,30 18,70 12,10 13,70 9,70 10,80 9,03 8,12 7,80 7,11 6,92 6,34 5,72 5,30 4,68 4,37 3,76 3,54 2,91 2,78 2,11 2,04 1,00 1,00
a = 1%
n1 2 3 4 5 6 7 8 9 10 12 15 20 30 60 g 2 199,00 47,50 23,20 14,90 11,10 8,89 7,50 6,54 5,85 4,91 4,07 3,32 2,63 1,96 1,00 3 448,0 85,0 37,0 22,0 15,5 12,1 9,9 8,5 7,4 6,1 4,9 3,8 3,0 2,2 1,0 4 729,0 120,0 49,0 28,0 19,1 14,5 11,7 9,9 8,6 6,9 5,5 4,3 3,3 2,3 1,0 5 6 7 8 9 10 2813,0 310,0 106,0 54,0 34,0 24,0 18,9 15,3 12,9 9,9 7,5 5,6 4,0 2,6 1,0 11 3204,0 337,0 113,0 57,0 36,0 26,0 19,8 16,0 13,4 10,2 7,8 5,8 4,1 2,7 1,0 12 3605,0 361,0 120,0 60,0 37,0 27,0 21,0 16,6 13,9 10,6 8,0 5,9 4,2 2,7 1,0 1036,0 1362,0 1705,0 2063,0 2432,0 151,0 184,0 216,0 249,0 281,0 97,0 79,0 89,0 69,0 59,0 50,0 42,0 46,0 38,0 33,0 32,0 27,0 30,0 25,0 22,0 23,0 22,0 20,0 18,4 16,5 17,9 16,9 15,8 14,5 13,2 14,7 13,9 13,1 12,1 11,1 12,4 11,8 11,1 10,4 9,6 9,5 9,1 8,7 8,2 7,6 7,3 7,1 6,7 6,4 6,0 5,5 5,3 4,9 5,1 4,6 3,9 3,6 3,7 3,8 3,4 2,5 2,6 2,4 2,5 2,4 1,0 1,0 1,0 1,0 1,0
440
Tabela 7 - Coeficientes para interpolao de polinmios ortogonais.

3 Ocasies 10 20 -1 +1 0 -2 +1 +1 4 Ocasies 10 20 30 -3 +1 -1 -1 -1 +3 +1 -1 -3 +3 +1 +1 5 Ocasies 20 30 +2 -1 -1 +2 -2 0 -1 -2 +1 +1 6 Ocasies 30 40 -5 +1 +7 -3 +4 +2 -4 +2 -7 -3 +5 +1
10 -2 -1 0 +1 +2
40 +1 -4 +6 -4 +1
10 -5 -3 -1 +1 +3 +5
20 +5 -1 -4 -4 -1 +5
50 -1 +5 -10 +10 -5 +1
7 Ocasies 10 -3 -2 -1 0 +1 +2 +3 20 +5 0 -3 -4 -3 0 +5 30 -1 +1 +1 0 -1 -1 +1 40 +3 -7 +1 +6 +1 -7 +3 50 -1 +4 -5 0 +5 -4 +1 10 -7 -5 -3 -1 +1 +3 +5 +7 20
8 Ocasies 30 -7 +5 +7 +3 -3 -7 -5 +7 40 +7 -13 -3 +9 +9 -3 -13 +7 50 -7 +23 -17 -15 +15 +17 -23 +7 10 -4 -3 -2 -1 0 +1 +2 +3 +4 20 +28 +7 -8 -17 -20 -17 -8 +7 +28 +7 +1 -3 -5 -5 -3 +1 +7
9 Ocasies 30 -14 +7 +13 +9 0 -9 -13 -7 +14 40 +14 -21 -11 +9 +18 +9 -11 -21 +14 50 -4 +11 -4 -9 0 +9 +4 -11 +4
10 Ocasies 10 -9 -7 -5 -3 -1 +1 +3 +5 +7 +9 20 +6 +2 -1 -3 -4 -4 -3 -1 +2 +6 30 -42 +14 +35 +31 +12 -12 -31 -35 -14 +42 40 +18 -22 -17 +3 +18 +18 +3 -17 -22 +18 50 -6 +14 -1 -11 -6 +6 +11 +1 -14 +6 10 -5 -4 -3 -2 -1 0 +1 +2 +3 +4 +5 20 +15 +6 -1 -6 -9 -10 -9 -6 -1 +6 +15
11 Ocasies 30 -30 +6 +22 +23 +14 0 -14 -23 -22 -6 +30 40 +6 -6 -6 -1 +4 +6 +4 -1 -6 -6 +6 50 -3 +6 +1 -4 -4 0 +4 +4 -1 -6 +3
441

2161 - Miolo Amostragem Inventario Florestal

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

2161 - Miolo Amostragem Inventario Florestal

Caricato da

Copyright:

Formati disponibili

Amostragem em Inventrio Florestal

Waldenei Travassos de Queiroz

Prof. Dr. Edson Marcos Leal Soares Ramos

INTRODUO AO INVENTRIO FLORESTAL

Introduo ao inventrio florestal

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

Introduo ao inventrio florestal

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

INVENTRIO E MANEJO FLORESTAL

Inventrio e manejo florestal

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

Inventrio e manejo florestal

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

Para as variveis aleatrias contnuas, tem-se:

y )d ydy dado que d PP = =11. Sendo f(y) a funo yy ff((y)

Propriedades da esperana matemtica: E(c) = c, sendo c uma constante;

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

f ( y ); a) para variveis discretas F ( y ) = y Y

C = nmero de combinaes de n elementos, tomados y a y.

, ento a probabilidade de no ocor-

rer rvores com qualidade de fuste tipo 1 obtida por:

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

3.5.5 Distribuio de Poisson uma distribuio discreta cuja funo de probabilidade : e m m y

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

a) a probabilidade de ocorrer nenhuma rvore da famlia meliaceae dada por:

S ( y ) = V ( y ) o desvio padro da distribuio;

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

Consultando a Tabela 1 do anexo, tem-se:

f (z )dz = 0,3413 + 0,4192 = 0,7605

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

( y ) = varincia amostral V ( y ) = varincia amostral mdia ( V ( y) = V

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

s (y) o desvio padro estimado.

( y ) = (n1 1)V1 ( y ) + (n2 1)V2 ( y ) V , tal que: 1 n +n 2

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

(d ) , tal que: Sendo: s d ( y ) = V

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

( y ) = maior varincia V max = menor varincia V min

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

Tabela 3.4 - Anlise de varincia para os trs estratos.

AMOSTRAGEM SIMPLES AO ACASO

Amostragem simples ao acaso

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

Amostragem simples ao acaso

Amostragem em inventrio florestal

Waldenei Travassos de Queiroz

c) varincia c1) varincia populacional