Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
no ponto
no ponto
> dnorm(-1)
[1] 0.2419707
> pnorm(-1)
[1] 0.1586553
> qnorm(0.975)
[1] 1.959964
> rnorm(10)
[1] -0.0442493 -0.3604689
[7] -1.0240673 -1.3205288
0.4337861
com parmetros
obtido substituindo
no ponto
por
ir exibir em uma janela a documentao da funo que pode tambm ser chamada com
?rnorm. Note que ao final da documentao so apresentados exemplos que podem ser
rodados pelo usurio e que auxiliam na compreenso da funcionalidade.
Note tambm que as 4 funes relacionadas distribuio normal so documentadas
conjuntamente, portanto help(rnorm), help(qnorm), help(dnorm) e help(pnorm)
iro exibir a mesma documentao.
Clculos de probabilidades usuais, para os quais utilizvamos tabelas estatsticas podem
ser facilmente obtidos como no exemplo a seguir.
Seja
. Calcular as probabilidades:
1.
2.
3.
Calcule estas probabilidades de forma usual, usando a tabela da normal. Depois
compare com os resultados fornecidos pelo R. Os comandos do R para obter as
probabilidades pedidas so:
> pnorm(95, 100, 10)
[1] 0.3085375
> pnorm(110, 100, 10) - pnorm(90, 100, 10)
[1] 0.6826895
> 1 - pnorm(95, 100, 10)
[1] 0.6914625
> pnorm(95, 100, 10, lower=F)
[1] 0.6914625
Note que a ltima probabilidade foi calculada de duas formas diferentes, a segunda
usando o argumento lower que implementa um algortmo de clculo de probabilidades
mais estvel numericamente.
A seguir vamos ver comandos para fazer grficos de distribuies de probabilidade.
Vamos fazer grficos de funes de densidade e de probabilidade acumulada. Estude
cuidadosamente os comandos abaixo e verifique os grficos por eles produzidos. A
Figura mostra grficos da densidade (esquerda) e probabilidade acumulada (direita)
da normal padro, produzidos com os comandos a seguir. Para fazer o grfico
consideramos valores de
entre -3 e 3 que correspondem a +/- trs desvios padres da
mdia, faixa que concentra 99,73% da massa de probabilidade da distribuio normal.
> plot(dnorm, -3, 3)
> plot(pnorm, -3, 3)
A Figura
(direita) da
de
pontos
e depois unimos os
em um grfico.
Comandos usuais do R podem ser usados para modificar a aparncia dos grficos. Por
exemplo, podemos incluir ttulos e mudar texto dos eixos conforme mostrado na grfico
da esquerda da Figura e nos dois primeiros comandos abaixo. Os demais comandos
mostram como colocar diferentes densidades em um um mesmo grfico como ilustrado
direita da mesma Figura.
> plot(dnorm, -3, 3, xlab='valores de X', ylab='densidade de
probabilidade')
> title('Distribuico Normal\nX ~ N(100, 64)')
>
>
>
>
Figura : Grfico com texto nos eixos e ttulo (esquerda) e vrias distribuies em um
mesmo grfico (direita).
1. Distribuio normal
A distribuio normal uma das mais importantes distribuies da estatstica,
conhecida tambm como Distribuio de Gauss ou Gaussiana. Foi desenvolvida pelo
matemtico francs Abraham de Moivre.
Alm de descrever uma srie de fenmenos fsicos e financeiros, possui grande uso na
estatstica inferencial. inteiramente descrita por seus parmetros de mdia e desvio
padro, ou seja, conhecendo-se estes consegue-se determinar qualquer probabilidade em
uma distribuio Normal.
Um interessante uso da Distribuio Normal que ela serve de aproximao para o
clculo de outras distribuies quando o nmero de observaes fica grande. Essa
importante propriedade provem do Teorema Central do Limite que diz que "toda soma
de variveis aleatrias independentes de mdia finita e varincia limitada
aproximadamente Normal, desde que o nmero de termos da soma seja suficientemente
grande" (ver o teorema para um enunciado mais preciso).
Mdia
H vrios tipos de mdia (aritmtica - simples ou ponderada, geomtrica, harmnica,
quadrtica, cbica, biquadrtica).
A mais usada a mdia aritmtica simples ou, simplesmente, mdia, que obtida
dividindo-se a soma das observaes pelo nmero delas. um quociente geralmente
representado pela letra M ou pelo smbolo (l-se "x barra").
Desvio Padro
O desvio padro obtido simplesmente encontrando-se a raiz quadrada do valor obtido
para a varincia. representado por s.
Utilizando os dados do exemplo anterior:
sA = raiz s2 A = raiz 10 = 3,16
sB = raiz s2 B = raiz 40 = 6,32
No caso da varincia lida-se com unidades ao quadrado, representando uma grandeza em
duas dimenses.
Para ter uma medida da variabilidade ou disperso usa-se o desvio padro que tem a mesma
unidade dos dados originais. um desvio mdio em relao mdia do conjunto de dados.
importante notar, portanto, que quando se fala de desvio padro ou de varincia, fala-se de
medidas de disperso, que diferem apenas por uma transformao matemtica, ou seja,
diferem somente em um ajuste de escala.
Pela sua prpria definio nota-se que o desvio padro uma medida que s pode assumir
valores no negativos e que, quanto maior for, indicar mais variabilidade nos dados e que
maior ser a disperso deles. (topo)
Varincia
A varincia, representada por s2, e definida como o "desvio quadrtico mdio da
mdia".
Note-se que como a varincia mede os desvios em relao mdia (ou seja, a diferena
entre cada dado e a mdia) e avalia o grau de disperso de um conjunto de dados.
Considere 3 amostras, A, B e C, com mdias iguais, em que o comprimento de um
rgo (em mm) foi anotado.
amostra
A
B
C
soma
mdia
1002
1169
1670
167
167
167
Exemplo agronmico
Normalmente, no estado de So Paulo a distribuio gama
incompleta utilizada para descrever sries de precipitao
pluvial; j as distribuies normal e log-normal so comumente
utilizadas para descrever sries de temperatura mdia do ar,
radiao solar e conseqentemente de evapotranspirao
potencial. A distribuio beta utilizada com freqncia para
descrever sries de relaes como a razo ETR/ETP. Devido ao
fato da evapotranspirao real, estimada pelo mtodo de
Thornthwaite e Mather (1955), ser influenciada pelos elementos
meteorolgicos
acima
citados
(precipitao
pluvial
e
evapotranspirao potencial) e ter, evidentemente, estreita
relao com a razo ETR/ETP, as quatro distribuies acima
descritas foram escolhidas por meio dos seguintes mtodos:
Segundo Morettin e Bussad (2003), a distribuio normal ou
gaussiana uma das mais importantes em investigaes
tericas, pois seu peso em anlises matemticas resulta do fato
de que muitas tcnicas estatsticas (anlises de varincia e de
regresso, por exemplo), alm de alguns testes de hipteses,
assumem a normalidade dos dados.
Uma varivel aleatria X R, tem uma distribuio normal se
sua funo de densidade de probabilidade assumir a forma de:
2. distribuiofsnedecor
A distribuio F de Fisher-Snedecor, mais conhecida como distribuio F de Fisher
(em honra a Ronald Fisher) ou distribuio F de Snedecor (em honra a George W.
Snedecor) mede a razo entre duas chi quadrado independentes.
Distribuio F
| Topo pg | Fim pg |
Tambm denominada distribuio F de Snedecor ou distribuio FisherSnedecor, encontra aplicaes em alguns testes estatsticos como anlise de
varincia.
Figura 01
#A.1#.
/2 /2 x(/2) 1
para x >
B(/2, /2) ( x + 0
)( + )/2
f(x) = para x
0
0 #B.1#.
x=0...1
xa
(1 x)b
dx
#C.1#.
Varincia da
distribuio F:
se > 2 #D.1#.
2
2 2 ( +
2)
Var(X)
se >
2
=
4
#E.1#.
( 2) (
4)
Algumas propriedades
01) Se X tem distribuio t-student com graus de liberdade, ento
X2 ~F(1, ).
2
1
(Xi X)2
e s22 =
m 1
(Yi Y)2
n 1
Ento a varivel definida por Z = s12 / s22 tem distribuio F com m e n graus
de liberdade. Esta propriedade pode ser usada para testar a igualdade de
varincia entre as duas populaes.
Exemplo agronmico
TESTE DE HIPTESE DE DEPENDNCIA EM DADOS DE COLHEITAS DE
CH PARA ANLISE DA VARINCIA.
O Instituto Agronmico mantm, na Estao Experimental de Pariquera-Au, uma coleo de 55 clones de ch; cada clone est plantado, no campo, em
parcela nica de 56 plantas.
Nas condies do Vale do Ribeira (SP), o perodo de colheita do ch
estende-se de agosto-setembro a mao-junho, e, dependendo das condies de
temperatura e precipitao pluvial, podem ser feitas em torno de vinte colheitas
ao ano.
O presente trabalho teve como objetivo verificar a possibilidade de uso
dos dados de cada colheita do ch, como repetio, para fins de anlise da
varincia, sendo necessrio, para tal, comprovar a existncia de uma estrutura de
dependncia de grau zero, pois a anlise estatstica de dados experimentais tem,
entre suas hipteses, a de normalidade e independncia.
2. MATERIAL E MTODOS
A coleo foi plantada em 1956, com espaamento de 1,50 m entre linhas
e 1,00 m entre plantas na linha, recebendo os tratos normais cultura.
Os dados de produo, em quilogramas de folhas verdes por parcela de
84 m2, referem-se s colheitas mecanizadas.
De acordo com vrios autores, seis a dez colheitas de ch, numa
mesma safra, so suficientes para estimar de maneira bastante confivel a produo
potencial das plantas ou clones para fins de seleo (VISSER, 1969).
Nesse estudo, as colheitas foram em nmero de dez, dezesseis, onze,
treze e oito, respectivamente, para as safras 1977/78, 1978/79, 1979/80, 1980/81
e 1981/82.
Num modelo linear geral,
Y = X/3+ e,
onde:
X uma matriz n x p, de variveis matemticas; ft um vetor de P
parmetros desconhecidos, e ,um vetor de n variveis aleatrias independentes
normais [e - N (, a2!)], onde 0 um vetor de elementos nulos e l, uma matriz
identidade nxn (GRAYBILL, 1961).
Para poder aplicar esse modelo a dados de colheitas sucessivas, foi
necessrio verificar a hiptese de dependncia dos erros, isto , see~N (, 2),
onde 2 uma matriz de varncias e covarincias definida positiva. Se a matriz
for diferente da matriz a2\, a estatstica F pode no ter a distribuio F de Snedecor
(BALDESSARI & GALLO, 1984), apropriada para testar as hipteses sobre os
parmetros do modelo. A estrutura de dependncia foi verificada atravs do teste proposto por
BALDESSARI & SOCCORSI (1983). Esses autores elaboraram tabeias para o
teste, cuja regio crtica constituda por valores maiores que W 2, onde:
1111111111111111111111111111111111111111111111111111111111111111111111111111111111111111
1111111111111111111111111111111111111111111111111111111111111111111111111111111111111111
1111111111111111111111111111111111111111111111111111111111111111111111111111111111111111
1111111111111111111111111111111111111111
eXeS2 so a mdia e varincia amostrai respectivamente. Neste trabalho, X, a
produo da colheita i (i = 1, 2, ..., n); X e S*, respectivamente, a mdia e a
varincia do tratamento (clone) sobre o qual o teste aplicado. O valor W 2/S4 foi
calculado para permitir o uso da tabela dos percentis da distribuio amostrai de
W2.
Foi desenvolvido um programa em linguagem Fortran, para uso no
3. d.t
A distribuio t de Student, desenvolvida por William Sealy Gosset, uma
distribuio de probabilidade estatstica.
A distribuio t uma distribuio de probabilidade terica. simtrica, campaniforme,
e semelhante curva normal padro, porm com caudas mais largas, ou seja, uma
simulao da t de Student pode gerar valores mais extremos que uma simulao da
normal. O nico parmetro v que a define e caracteriza a sua forma o nmero de graus
de liberdade. Quanto maior for esse parmetro, mais prxima da normal ela ser.
Definio
Suponha que Z tenha a distribuio normal com mdia 0 e varincia 1, que V tenha a
distribuio Chi-quadrado com graus de liberdade, e que Z e V sejam independentes.
Ento:
[editar] Aplicaes
A distribuio t de Student aparece naturalmente no problema de se determinar a mdia
de uma populao (que segue a distribuio normal) a partir de uma amostra. Neste
problema, no se sabe qual a mdia ou o desvio padro da populao, mas ela deve ser
normal.
Supondo que o tamanho da amostra n seja muito menor que o tamanho da populao,
temos que a amostra dada por n variveis aleatrias normais independentes X1, ..., Xn,
cuja mdia
populao.
Considerando
seguinte resultado:
Definio
Se = E(X) o valor esperado (mdia) da varivel aleatria X, ento a varincia
, ou simplesmente 2.
Notar que a definio acima pode ser usada quer para variveis aleatrias discretas, quer
para contnuas.
Muitas distribuies, tais como a distribuio Cauchy, no tm varincia porque o
integral relevante diverge. Em particular, se uma distribuio no tem valores esperados,
ela tambm no tem varincia.
O contrrio no verdadeiro: h distribuies para as quais existe valor esperado mas
no existe varincia, como, por exemplo, a distribuio t de Student com 2 graus de
liberdade. Um contra-exemplo mais simples uma distribuio discreta sobre
em
que a probabilidade de cada ponto n proporcional a
calculado atravs de uma srie convergente
divergente
[editar] Propriedades
Se a varincia pode ser calculada (ou seja, a integral ou o somatrio convergem),
podemos concluir que ela nunca negativa, porque os quadrados so sempre positivos
ou nulos.
A unidade de varincia o quadrado da unidade de observao. Por exemplo, a
varincia de um conjunto de alturas medidas em centmetros ser dada em centmetros
quadrados. A varincia de um preo, medido, por exemplo, em euros por metro cbico,
ser dada em euros quadrados por metro sexta potncia, uma unidade que no faz
nenhum sentido prtico. Este facto inconveniente e levou muitos estatsticos a usar a
raiz quadrada da varincia, conhecida como o desvio padro, como um sumrio da
disperso.
Pode ser provado facilmente a partir da definio que a varincia no depende do valor
mdio . Isto , se a varivel "deslocada" por uma quantidade b ao tomarmos X+b, a
varincia da varivel aleatria resultante permanece inalterada. Por contraste, se a
varivel for multiplicada por um factor de escala a, a varincia ento multiplicada por
a2. Mais formalmente, se a e b forem constantes reais e X uma varivel aleatria cuja
varincia est definida, ento:
Outra frmula para a varincia que se deduz de forma simples a partir da definio
acima :
Na prtica usa-se muito frequentemente esta frmula para calcular mais rapidamente a
varincia.
Uma razo para o uso da varincia em preferncia a outras medidas de disperso que a
varincia da soma (ou diferena) de variveis aleatrias independentes a soma das
suas varincias. Uma condio no to estricta, chamada de incorrelao
(uncorrelatedness) tambm suficiente. Em geral,
Aqui
onde
a mdia da amostra.
Notar que o denominador n-1 acima contrasta com a equao para a varincia da
populao. Uma fonte de confuso comum que o termo varincia da amostra e a
notao s2 pode referir-se quer ao estimador no enviesado da varincia da populao
acima como tambm quilo que em termos estrictos, a varincia da amostra, calculada
usando n em vez de n-1.
Intuitivamente, o clculo da varincia pela diviso por n em vez de n-1 d uma
subestimativa da varincia da populao. Isto porque usamos a mdia da amostra
como uma estimativa da mdia da populao , o que no conhecemos. Na prtica,
porm, para grandes n, esta distino geralmente muito pequena.
[editar] Generalizaes
1. INTRODUO
2. MATERIAL E MTODOS
Na aplicao do procedimento REML/BLUP considerou-se um
experimento com cafeeiro instalado na Fazenda de Ensino e
Pesquisa da Universidade Estadual Paulista (UNESP), Cmpus
de Ilha Solteira, localizada no municpio de Selvria (MS).
O experimento foi instalado em julho de 1998, com mudas
provenientes de sementes de 12 cultivares de C. arabica
obtidas no Instituto Agronmico, em Campinas (SP). Adotouse o delineamento experimental em blocos ao acaso com 12
tratamentos, quatro repeties e dez plantas por parcela.
Em setembro de 2000, avaliaram-se em todas as plantas da
parcela as caractersticas: altura da planta (ALT) em
centmetros (cm), dimetro do caule a 20 cm de altura
(DIAM) em milmetros (mm) e nmero de pares de ramos
plagiotrpicos (NRP), as quais foram analisadas. Mediu-se a
altura das plantas da base at o seu ponto mais alto, o que
coincide com os ramos em incio de formao. O dimetro do
caule foi tomado na insero do primeiro par de ramos
plagiotrpicos, o qual foi marcado e as mensuraes sempre
efetuadas naquele local. O nmero de pares de ramos
plagiotrpicos foi mensurado em toda a planta, pois o
cafeeiro desenvolve-se por fluxos de pares de ramos.
As cultivares avaliadas foram: 1-IAC 4395; 2-Catua Amarelo
IAC 62; 3-Icatu Amarelo IAC 2944; 4-Tupi IAC 1669-33; 5Acai IAC 474-19; 6-Mundo Novo IAC 388-17; 7-Catua
Vermelho IAC 144; 8-Bourbon Amarelo IAC 18; 9-Obat IAC
1669-20; 10-Icatu Precoce IAC 3282; 11-IAC 4394; 12-Icatu
Vermelho IAC 4045. Os materiais 4394 e 4395 so
retrocruzamentos de Catua x Mundo Novo, sendo o Catua
obtido de um cruzamento de Caturra (porte baixo) com
Mundo Novo (porte alto).
Para um experimento no delineamento em blocos ao acaso
com vrias plantas por parcela e uma s medio por planta
o seguinte modelo linear misto se aplica na avaliao de
linhagens no aparentadas (conhecendo-se exatamente o
parentesco entre todas as linhagens avaliadas, o
procedimento de predio pode ser melhorado), trabalhandose com dados de cada indivduo.
2.1. Modelo linear misto (modelo genotpico
univariado)
ou seja:
em que:
em que:
em que:
C22 e C33 advm de:
em que:
F = coeficiente de endogamia da linhagem;
= varincia gentica aditiva;
= varincia gentica de dominncia;
D1 = covarincia entre os efeitos aditivos dos alelos e os
efeitos de dominncia dos homozigotos (este componente
assume valores negativos para freqncias dos alelos
favorveis inferiores a 0,5);
D2 = varincia dos efeitos de dominncia dos homozigotos;
H = soma de quadrados da depresso endogmica de cada
loco.
O modelo 2 mais geral e vlido para populaes com
quaisquer freqncias allicas; j o modelo 1, para
populaes com freqncias allicas intermedirias (em torno
de 0,5). No ltimo caso, D1 = D2 = 0 e = H, empregandose a expresso do modelo 2, obtm-se a expresso do
modelo 1.
No presente caso, pelo mtodo 2, o contedo de
e, pelo modelo 1, a
equivale a
. Assim, as definies da
), segundo os
herdabilidad
e individual no sentido amplo, segundo o
modelo 1;
her
A partir da
herdabilidade individual e do componente
2
c , a "herdabilidade" ao nvel de mdias de cultivares para
cada cultivar dada por:
: "herdabilidade" ao nvel de
mdias para a cultivar i;
ni e bi = nmero de plantas por parcela e
de blocos associados avaliao da
cultivar i.
Com nmeros desiguais de plantas por parcela, a expresso
de
dada por:
dada por:
em que
Esta expresso foi utilizada na determinao do nmero
adequado de indivduos por cultivar a ser adotado na
experimentao visando maximizar a acurcia seletiva.
, com
3. RESULTADOS E DISCUSSO
Os resultados referentes s estimativas dos parmetros
genticos para os trs caracteres avaliados, aos 26 meses,
so apresentados no quadro 1.
4. CONCLUSES
1. Constatou-se baixa variabilidade gentica entre as
cultivares para os caracteres altura da planta,
dimetro do caule e nmero de ramos plagiotrpicos,
avaliados aos 26 meses em Selvria (MS).
2. Apenas as cultivares Catua Amarelo, Icatu
Vermelho e Catua Vermelho apresentaram valores
genotpicos preditos para o dimetro do caule
superiores mdia geral desse carter.
3. A acurcia na avaliao dos valores genotpicos
das cultivares para o carter dimetro do caule
equivaleu, em mdia, a 76%.
4. A adoo de uma experimentao com duas
plantas por parcela e 20 repeties poder elevar a
90% a acurcia seletiva para o carter dimetro do
caule.
5. O mtodo de modelos mistos (REML/BLUP)
mostrou-se adequado estimao de parmetros
genticos e predio de valores genotpicos no
melhoramento do cafeeiro, podendo ser empregado
rotineiramente.
Dist.Qui-Quadrado(x2)
O coeficiente Chi-Quadrado (ler qui-quadrado), ou chi quadrado, normalmente escrito
como um valor da disperso para duas variveis de escala nominal, usado em
alguns testes estatsticos. Ele nos diz em que medida que os valores observados se
desviam do valor esperado, caso as duas variveis no estivessem correlacionadas.
Quanto maior o chi-quadrado, mais significante a relao entre a varivel dependente
e a varivel independente.
Este valor est relacionado com uma distribuio, chamada Distribuio ChiQuadrado.
A Distribuio Chi-quadrado com k graus de liberdade a distribuio gama com
parmetros (k/2, 1/2).
Quanto maior o nmero de casos (n) ou o nmero de linhas ou colunas da tabela de
contingncia, maior ser o Chi-quadrado. Por isso no faz sentido comparar o Chiquadrado de duas relaes entre variveis. Para o efeito existem outros coeficientes,
entre os quais o coeficiente de contingncia.
A distribuio Chi-quadrado pode ser simulada a partir da distribuio normal. Por
definio, se
forem k distribuies normais padronizadas (ou seja,
mdia 0 e desvio padro 1) independentes, ento a soma de seus quadrados uma
distribuio Chi-quadrado com k graus de liberdade:
Exemplo agronmico
Consideraes estatsticas relativas oito sries de precipitao
pluvial da Secretaria de Agricultura e abastecimento do Estado de
So Paulo
RESUMO
O correto entendimento das diversas sucesses dos tipos de tempo, que
podem ser observadas em uma regio, uma das etapas fundamentais
na reduo do risco climtico associado ao setor agrcola. O objetivo do
trabalho foi analisar a variabilidade temporal dos dados mensais de
precipitao pluvial de oito localidades do Estado de So Paulo.
Investigaes sobre possveis tendncias climticas tambm foram
realizadas. Por meio da anlise de ondeletas, do teste da razo da
mxima verossimilhana e do teste de Mann-Kendall, observa-se elevada
variabilidade temporal dos valores de precipitao pluvial mensal nas oito
1. INTRODUO
Em outubro de 1995 o Ministrio da Agricultura, Pecuria e Abastecimento
(MAPA) instituiu, como fase inicial de implantao do programa de
zoneamento agrcola, o projeto de reduo de riscos climticos na
agricultura (Filho et al., 2005). De acordo com Keller (1998) e Schubnell
(1998), entre as diversas etapas desse projeto, a quantificao dos riscos
decorrentes de elementos climticos adversos (principalmente aos
relativos precipitao pluvial), foi objeto de uma abordagem
probabilstica para determinar as chances de sucesso das diversas
culturas em cada regio e poca de plantio.
Sob esse aspecto, o conhecimento da variabilidade espao-temporal de
longas sries meteorolgicas, alm de auxiliar na indicao de perodos e
reas mais propcias ao plantio/semeadura de culturas, pode tambm
trazer informaes extremamente importantes sobre possveis
periodicidades, tendncias ou descontinuidades climticas, auxiliando o
estudo das forantes moduladoras das condies meteorolgicas em uma
regio. A unio (e natural inter-relao) entre esses dois aspectos,
oriundos do conhecimento da variabilidade espao-temporal de longas
sries, etapa fundamental na reduo do risco climtico associado ao
setor agrcola.
Sob o ponto de vista de anlises matemtico-estatsticas, Blain et al.
(2008), por meio da distribuio gama e do teste da razo da
verossimilhana (*), indicam que as sries mensais de precipitao
pluvial da regio de Campinas-SP (1890-2006), no podem ser
consideradas estritamente estacionrias. Segundo esses autores, essa
"no-estacionaridade" indica que investigaes relacionadas
periodicidade de picos de varincia, no devem ser conduzidas apenas no
domnio da freqncia. Tais anlises precisam tambm considerar o
domnio do tempo, j que diferentes perodos (amostras) podem
apresentar picos de varincia com distintas freqncias. Nesse sentido,
Kayano e Blain (2007) indicam, para a regio de Campinas-SP, que a
potncia global da ondeleta da precipitao pluvial mostra picos no
significativos em 0,6; 3,5 e 32 anos. No caso do perodo de 32 anos,
existe apenas indicao de potncias (ou varincias) temporalmente
localizadas entre os anos de 1890 a 1960. Os picos de 0,6 e 3,5 anos so
resultantes de potncias significativas localizadas em esparsos e curtos
intervalos de tempo espalhados no perodo de 1890 a 2006. Com isso, a
necessidade de considerar o domnio tempo-freqncia torna-se evidente.
Haylock et al. (2006) analisando tendncias em valores dirios de
precipitao na Amrica do Sul (1960 a 2000), afirmam que o padro de
alterao observado nos valores extremos desse elemento meteorolgico
2. MATERIAL E MTODOS
Foram utilizados dados de precipitao pluvial mensal de oito localidades
do Estado de So Paulo (Figura 1), pertencentes Secretaria de
Agricultura e Abastecimento (SAA). Por serem destinadas pesquisa e ao
monitoramento agrometeorolgico,a coleta dos dados que compem as
sries utilizadas feita de forma padronizado, rigorosa e (devido seu
uso rotineiro) consistida. As sries no apresentam falhas.
As sries temporais mensais foram denotadas por {Xt, t= 1,2,3...., N},
em que N o nmero de meses contido em cada srie temporal (N = 118
para cada uma das 12 sries mensais de Campinas-SP, por exemplo).
Considera-se tambm que t T que , por sua vez, caracterizado como o
conjunto dos inteiros positivos Z={1,2,3....}. A fim de facilitar a
Em que:
Xi =
{1;2;3;4;3;3;4;5;6;1;2;3;3;4;5;35;45;35;40;35;30;40;53;50;40;30;32
;35;35;40}.
Os respectivos valores mi so (equao 5):
mi={0;1;2;3;2;2;5;7;8;0;2;4;4;9;12;15;16;15;17;15;15;19;22;22;19;1
5;17;18;18;13}.
No exemplo, tn = 327; E(tn)=217,5; Var(tn)= 785,5 e u(t) = 3,907
(significativo 5%). importante observar que, quando h repetio de
valores em Xi, o termo mi permanece constante. Dessa forma a tendncia
(significativa ou no significativa) que estava sendo observada antes da
repetio dos valores mantida. Para as sries mensais utilizadas, a
repetio de valores ocorreu em menos de 1% dos casos.
5.d.poissan
Na teoria da probabilidade e na estatstica, a distribuio de Poisson uma distribuio
de probabilidade discreta. Ela expressa, por exemplo, a probabilidade de um certo
nmero de eventos ocorrerem num dado perodo tempo, caso estes ocorram com uma
taxa mdia conhecida e caso cada evento seja independente do tempo decorrido desde o
ltimo evento. A distribuio foi descoberta por Simon-Denis Poisson (17811840) e
publicada, conjuntamente com a sua teoria da probabilidade, em 1838 no seu trabalho
Recherches sur la probabilit des jugements en matires criminelles et matire civile
("Inqurito sobre a probabilidade em julgamentos sobre matrias criminais e civis"). O
trabalho focava-se em certas variveis aleatrias N que contavam, entre outras coisas, o
nmero de ocorrncias discretas (por vezes chamadas de "chegadas") que tinham lugar
durante um intervalo de tempo de determinado comprimento. A probabilidade de que
existam exactamente k ocorrncias (k sendo um inteiro no negativo, k = 0, 1, 2, ...)
onde
Portanto:
A varivel aleatria Xo node ocorrncias do
evento no intervalo
O intervalo pode ser o tempo, a distncia, a rea, o volume ou outra unidade anloga
Esta distribuio representa a probabilidade de que um evento ocorra um no
especificado de vezes em um intervalo de tempo (espao), quando a taxa de
ocorrncia fixa
P(x)=2222
x = valor da v. a. node ocorrncias do evento em um intervalo= taxa de
ocorrncia do evento x (noesperado de eventos)e 2,71828 (constante
natural)
Uma central telefnica tipo PABX recebe uma mdiade 5 chamadas por
minuto. Qual a probabilidade deste PABX no receber nenhuma chamada
durante um intervalo de 1 minuto?
3333333333333333333333333333
X = v. a. node chamadas em um intervalo de tempo
= taxa de ocorrncia de chamadas (noesperado de chamadas)
ABSTRACT
To study the influence of the neutron probe counting time on
neutron density determination a study was carried out on a
Latossol, under greenhouse conditions, at the Experimental
Station of the Rural Engineering Department, UNESP in
Botucatu-SP. Neutron probe data were collected, with five
replicates, at three soil depths (15, 30 and 45 cm) with counting
times of 1, 4, 16, 32, 128 and 256 s. To evaluate the variability
among replicates, conventional statistics parameters were
determined : variance, standard deviation, amplitude and
coefficient of variation; to determine the influence of the
counting time on neutron density determination, analyses of
variance (F test) and comparisons of means (Tukey Test) were
also conducted. The results showed small variability among
readings for each counting time and significant variation among
the reading means for the short (1 and 4 s) and long (longer
than 16 s), counting times with the exception of the 45 cm soil
depth. The use of long counting times (longer than 32 s) does
not cause any significant difference on the readings magnitude.
Key words: Neutron probe, radiation counting time, Poisson
distribution
INTRODUO
A sonda de nutrons um instrumento utilizado para a
determinao do contedo de gua do solo. As principais
vantagens do mtodo so: permitir a obteno de valores de
umidade do solo no mesmo ponto e a qualquer tempo sem
deformar o solo, ser rpido e preciso, apresentando a
possibilidade de alta periodicidade de medio, de fcil manejo e
relativamente barato e poder ser conectado a registradores,
possibilitando leituras contnuas no campo. (Torres & Gonzles,
1993). Sua capacidade de trabalho estende-se a solos bem mais
secos, onde os tensimetros no podem ser utilizados.
O principio da metodologia de determinao da umidade do solo
com sonda de nutrons consiste, segundo Guerra (2000) em
colocar uma fonte radioativa a uma profundidade desejada no
solo (atravs de um tubo de acesso, de ao ou alumnio,
inserido verticalmente no solo) em que os nutrons rpidos so
emitidos, penetrando radialmente no solo, onde se encontram
vrios ncleos atmicos com os quais colidem elasticamente,
perdendo energia cintica. Esta perda mxima quando o
MATERIAL E MTODOS
Este trabalho foi desenvolvido numa estufa de polietileno
transparente de baixa densidade, com dimenses de 7,5 m de
largura por 28 m de comprimento, instalada na rea
experimental do Departamento de Engenharia Rural, da
Faculdade de Cincias Agronmicas, Universidade Estadual
Paulista, Campus de Botucatu, SP. O solo, no interior da estufa,
sem cultivo, classificado como Terra Estruturada Latosslica.
A sonda de nutrons utilizada foi uma sonda CPN modelo 503
DR Hidroprobe (50 mCi Am-241/Be) introduzida no solo atravs
de tubos de acesso, de alumnio, com 48 mm e 50 mm de
dimetro interno e externo, respectivamente. Os tempos de
contagem estudados foram de 1, 4, 16, 32, 64, 128 e 256 s. As
leituras foram realizadas com cinco repeties nas
profundidades de 15, 30 e 45 cm, quando o contedo de gua
do solo era de 24,47; 24,13 e 24,45%, respectivamente. Para
se avaliar a variabilidade entre as leituras, utilizaram-se
mtodos estatsticos clssicos: varincia, desvio-padro, valores
de amplitude e coeficiente de variao e, para se identificar a
distribuio terica mais representativa do comportamento dos
dados observados, usaram-se os coeficientes de assimetria e
curtose. O delineamento estatstico utilizado para determinao
da influncia do tempo de contagem no valor das leituras foi
inteiramente casualizado, com 7 tratamentos (tempos de
contagem) e 5 repeties, para cada profundidade em estudo.
As mdias dos tratamentos foram comparadas utilizando-se o
teste Tukey a nvel de significncia de 5%, conforme Gomes
(1987).
RESULTADOS E DISCUSSO
A partir dos valores de leitura (taxas de contagem em cpm)
obtidos com a sonda de nutrons com os sete tempos de
contagem (1, 4, 16, 32, 64, 128 e 256 s) para as trs
profundidades do solo (15, 30 e 45 cm) foram obtidos os
momentos estatsticos apresentados na Tabela 1, os quais
resumem o comportamento geral dos dados. Os baixos
coeficientes de variao, desvios padres e amplitudes
observados para cada tempo de contagem e profundidade
indicam, em geral, pequena variabilidade entre as repeties.
Com exceo dos tempos de contagem de 1 e 4 s, os desvios
padres, indicadores da exatido de qualquer medida individual,
foram inferiores a 1%, exatido considerada aceitvel nesse tipo
de medies, segundo Gardner (1985). Igualmente, com
exceo dos tempos de contagem de 1 e 4 s, todos os
coeficientes de variao foram inferiores a 1, o que segundo
Havercamp et al. (1984) revela pequena ou insignificante
variabilidade das leituras. Para as leituras realizadas aos 1 e 4 s,
os coeficientes de variao foram superiores a l revelando,
assim, inadequada variabilidade dos dados. Observa-se,
CONCLUSES
1. Para tempos de contagem maiores que 4 s, no existe
variabilidade entre as leituras obtidas para cada tempo de
contagem.
6.d. bernoulli
A Distribuio de Bernoulli a distribuio discreta de espao amostral {0, 1},
com probabilidades P(0) = 1 - p e P(1) = p. O nome da distribuio se refere ao
cientista suio Jakob Bernoulli.
Influencia da disponibilidade de recursos oferecidos pela planta invasora Sida cordifolia L. (Malvaceae) sobre a estrutura da comunidade
local de artropodes associados
Resumo: A fauna de artrpodes associada a uma populao da planta invasora Sida cordifolia foi amostrada mensalmente, durante um
ano, em Campinas, SP. As 154 espcies encontradas esto organizadas de acordo com estgio de desenvolvimento coletado, guilda,
parte da planta atacada e frequncia de ocorrncia. Trinta e quatro espcies de fitfagos alimentam-se e/ou reproduzem-se a planta.
Verificou-se como estas espcies, seus parasitides e predadore respondem s variaes da quantidade de recursos, medida em
biomassa/planta e diversidade de recursos, registrando-se a presena ou ausncia de rgos reprodutivos. As guildas foram
encontradas em frequncias semelhantes em plantas vegetativas e maduras, porm, um indivduo maduro pode sustentar um nmero
maior de espcies. A riqueza de espcies tambm maior para o conjunto de plantas maduras. A biomassa total disponvel para
colonizao pelos artrpodes varia pouco durante o ano, mas no campo sempre existe uma fenofase predominante. A biomassa explica
uma pequena proporo da variao no nmero de fitfagos encontrado por indivduo, com exceo de um perodo, o outono, quando
esta relao positiva mais acentuada. Este perodo caracterizado pela maior disponibilidade de recursos. Embora variando no
tempo, medida que aumenta a biomassa h um aumento na riqueza e densidade de fitfagos e entomfagos que utilizam a planta.
Plantas maduras, alm de tenderem a ser maiores, apresentam tambm maior diversidade de recursos e portanto nichos a serem
ocupados. Anlise comparativa de plantas com mesma diversidade de recursos mas com biomassa diferente demonstra que o tamanho
tem um efeito relativamente pequeno sobre a densidade e riqueza de artrpodes. Por outro lado, a diversidade de recursos representada
pela presena ou estgio de desenvolvimento de alguns rgos da planta limitante para a ocorrncia de algumas espcies associadas
a S. cordifolia, principalmente brocadores de ramo e de trutos. As diferenas encontradas entre plantas maduras e vegetativas
desaparecem quando no consideramos as espcies associadas aos rgos reprodutivos. Portanto, a contribuio deste ltimo fator
parece ser mais relevante para a variao na estrutura da comunidade observada entre plantas em diferentes fenofases e ao longo do
ano. As espcies fitfagas oligfagas so consideradas como possveis agentes de controle biolgico, mas para outras regies pois so
atacadas por parasitides e/ou se alimentam de espcies de plantas cultivadas na regio