SUBAMOSTRAGEM COM UNIDADES PRIMÁRIAS DE TAMANHOS DESIGUAIS APLICADA EM INVENTÁRIOS DE FLORESTAS PLANTADAS DE Eucalyptus grandis

Tamanho: px
Começar a partir da página:

Download "SUBAMOSTRAGEM COM UNIDADES PRIMÁRIAS DE TAMANHOS DESIGUAIS APLICADA EM INVENTÁRIOS DE FLORESTAS PLANTADAS DE Eucalyptus grandis"

Transcrição

1 UBAOTRAGE CO UNIDADE PRIÁRIA DE TAANHO DEIGUAI APLICADA E INVENTÁRIO DE FLORETA PLANTADA DE Eucalyptus grads REUO érgo Aparecdo Igáco Dartaga Baggo Emerecao ylo Péllco Netto 3 Carlos Roberto aquetta 4 O objeto deste estudo fo aalar a precsão e efcêca de dos processos de subamostragem com udades prmáras de tamahos desguas, em um pooameto de Eucalyptus grads em regme de alto fuste e plato com semete, localzado o mucípo de og Guaçu, o Estado de ão Paulo, pertecete a Iteratoal Paper do Brasl Ltda. Trabalhou-se com as formações das medções realzadas pela empresa, eoledo talhões com dade etre 6 e 8 aos. Os dos processos de subamostragem testados foram: Processo I - udades prmáras selecoadas com probabldades guas estmador tedecoso por ídce em relação ao tamaho do talhão e processo II - udades prmáras selecoadas com probabldades proporcoas ao tamaho do talhão estmador ão tedecoso. Costatou-se que o Processo I fo superor ao Processo II, com uma efcêca relata de 75,83%, mplcado a obteção de teralos de cofaça mas estretos para a méda e total. Palaras-chae: etáro florestal; processos de amostragem; erro de amostragem, efcêca relata UB-APLING WITH UNEQUAL IZE PRIARY UNIT APPLIED TO INVENTORIE OF Eucalyptus grads FORET TAND ABTRACT Ths study assessed the precso ad effcecy of two sub-samplg processes wth uequal sze prmary uts oe Eucalptus grads stad maaged clear-cut regmes, located og Guaçu mucpalte, the tate of ão Paulo, belogg to Iteratoal Paper do Brasl Ltda. The study ded use of measuremets performed by the compay the Eucalyptus grads stad, olg 6 ad 8 year s compartmets. The two tested subsamplg were: Processe I - selected prmary uts wth equal probablty based estmator rato to sze ad Processe II - selected prmary uts wth probablty proportoal to sze ubased estmator. By comparg them regardg ther relate effcecy, t was erfed that the process of sub-samplg I showed the best result whe compared to the process II, wth relate effcecy of 75,83%, wth smaller cofdece terals for the meas ad total. Key-words: Forest etory; samplg process; samplg error; relate effcecy Estatístco. c., Professor Ttular de Probabldade e Estatístca, PUC-PR e Doutor em Eg. Florestal, UFPR; Rua acapá , Curtba, PR; e-mal: sergoa@pr.go.br. Eg. Florestal, c., Dr., Professor do Departameto de Cêcas Florestas, UFPR; Rua Eduardo Geroasso , Curtba, PR; e-mal: darta@c.ufpr.br. 3 Eg. Florestal, c., Dr., Professor eor do Departameto Cêcas Florestas, UFPR; Rua Rocha Pombo , Curtba, PR; e-mal: pellco@rla3.pucpr.br. 4 Eg. Florestal, c., Dr., Professor do Departameto de Pós-Graduação em Eg. Florestal, UFPR; Rua amoré , Curtba, PR; e-mal: saqueta@floresta.ufpr.br. Recebdo para publcação: /03/003 Aceto para publcação: 09/09/003 REVITA FLORETA 33(

2 Igáco,. A. INTRODUÇÃO O processo de amostragem a ser aplcado detro de cada estrato de uma população florestal costtu um dos mportates compoetes do etáro florestal cotíuo (Péllco Netto e Brea, 997. As áreas reflorestadas, em geral, são plaejadas admstratamete e são formadas por udades mímas (talhões, de tamahos aráes, deomadas udades prmáras de amostragem. Essas udades permtem ao técco utlzá-las como udades de plaejameto da produção florestal, detro das quas é efetuado um segudo estágo da amostragem, geralmete deomado de subamostragem, são alocadas as parcelas, deomadas udades secudáras de amostragem. Do poto de sta estatístco, fca caracterzado essa estrutura um processo de amostragem em dos estágos com udades prmáras de tamahos desguas. egudo Péllco Netto (996, as dscussões sobre esse tema ão têm sdo realzadas por dos motos báscos: prmero, porque se efetua uma baxa tesdade de amostragem detro do pooameto, de tal forma a ão clur os talhões como partes tegrates dos estmadores estatístcos, e, segudo, porque se utlza apeas uma estrutura aleatóra detro do pooameto, em que as udades amostras se dstrbuem detro dos talhões, mas s o processo se caracterze como dos estágos para a alocação da amostragem e para o cálculo da méda e arâca da dstrbução amostral de médas. Os cocetos de subamostragem com udades prmáras de tamahos desguas foram calmete utlzados por Hase e Hurwtz (943. Os autores demostraram que o uso de probabldades de seleção desguas detro de um estrato pode forecer estmadores mas efcetes para a méda e o total populacoal do que os estmadores obtdos pelo uso de probabldades guas de seleção. Cochra (953 comparou os dferetes processos de subamostragem com udades prmáras de tamahos desguas, com reposção, e deseoleu as fórmulas matemátcas para udades prmáras selecoadas com probabldades guas, udades prmáras selecoadas com probabldades proporcoas a uma medda de gradeza estmada, udades prmáras selecoadas com probabldades proporcoas ao tamaho e udades prmáras selecoadas com probabldades proporcoas ao tamaho estmado. O autor smulou uma pequea população orgazada artfcalmete e cocluu que os processos cujas udades prmáras são selecoadas com probabldade proporcoal ao tamaho e com probabldade proporcoal a uma medda de gradeza estmada produzem os meores erros de amostragem, sempre que o alor total da aráel a ser estmada, em íel de udade prmára, apresetar forte correlação com o alor total da gradeza da aráel auxlar (real ou estmada, e as gradezas apresetarem relata arabldade. Este trabalho tee como objeto geral aalar a precsão e efcêca de dos processos de subamostragem com udades prmáras de tamahos desguas aplcados em etáros de florestas platadas de Eucalyptus grads. Processos de subamostragem com udades prmáras de tamahos desguas Apresetam-se a segur os estmadores para o cálculo do alor médo populacoal por udade secudára Y e da arâca da dstrbução amostral de médas, para os dos processos de subamostragem com udades prmáras de tamahos desguas. A deração das fórmulas fo efetuada cosderado-se seleção com reposção para as udades prmáras de amostragem e seleção sem reposção para as udades secudáras amostradas detro das udades prmáras selecoadas. egudo Cochra (953, a atagem de realzar a amostragem com reposção das udades prmáras está a smplcdade da deração das fórmulas que forecem as arâcas da dstrbução amostral de médas. Em geral, a amostragem com reposção é meos precsa do que a amostragem sem reposção. Etretato, quado a razão etre o úmero de udades prmáras selecoadas ( e o úmero total de udades prmáras da população ( N é pequeo, a possbldade de que a mesma udade apareça mas de uma ez a amostra é reduzda, e a amostragem com reposção é quase equalete à amostragem 330 REVITA FLORETA 33(

3 ubamostragem com udades... sem reposção. Porém, se a -ésma udade prmára for selecoada mas de uma ez, toda a subamostra é reposta e faz-se um oo sorteo depedete de m subudades, também sem reposção, permtdo assm que a oa amostra cotrbua para melhorar as estmatas da udade prmára selecoada mas de uma ez. ukhatme et al. (984, ao estudar o processo de subamostragem com probabldade proporcoal ao tamaho da udade prmára, argumeta que as fórmulas deradas para a amostragem sem reposção fluem somete a estmata da arâca etre as udades prmáras de amostragem e a dfereça etre as duas formas de seleção, com e sem reposção, ão é sgfcate do poto de sta prátco. Processo I: Udades prmáras selecoadas com probabldades guas - estmador tedecoso por ídce em relação ao tamaho O estmador do alor médo da população Y é dado por: y I y ( y I méda estmada da população, para o processo de subamostragem I; y méda estmada para a -ésma udade prmára selecoada; e úmero de udades secudáras potecas a -ésma udade prmára selecoada. Esse é um estmador por ídce, uma ez que tato o umerador quato o deomador aram de amostra para amostra. Esse estmador tem tedêca, mas esta se tora desprezíel quado é grade. egudo (Cochra, 953, um estmador amostral para a arâca da dstrbução amostral de médas por: yi é dado ( f f. m y y I f +. yi ( arâca da dstrbução amostral de y I médas, obtda com o processo de subamostragem I; e fração de amostragem de udades N f prmáras; m f fração de amostragem de udades secudáras, para a -ésma udade prmára selecoada; úmero de udades prmáras selecoadas; m úmero de udades secudáras amostradas a -ésma udade prmára selecoada; arâca etre as udades secudáras amostradas detro da -ésma udade prmára selecoada, sedo dada por: m y y m j ; j úmero médo de udades secudáras potecas por udade prmára selecoada a amostra, sedo dado por: 0 ; 0 úmero total de udades secudáras potecas das udades prmáras selecoadas, dado por: 0. Processo II: Udades prmáras selecoadas com probabldade proporcoal ao tamaho - estmador ão tedecoso egudo Cochra (953, se uma amostra de udades prmáras (talhões é escolhda com probabldade Z (que REVITA FLORETA 33(

4 Igáco,. A. represeta o quocete etre o tamaho do - ésmo talhão selecoado e a área total dos talhões selecoados a amostra e com reposção, a aráel é dada por: Z 0 Z (3 Z proporção referete à área do -ésmo talhão selecoado em relação à área total dos talhões selecoados a amostra; O estmador do alor médo da população Y é dado por: y yii 0 Z (4 y II méda estmada da população para o processo de subamostragem II; Quado Z, o estmador dado 0 pela expressão (4 se reduz à forma: y II y (5 A arâca da dstrbução amostral de médas populacoal de y II é dada por: N f σ σ + Y Y m (6 y 0 0 II ( Cosderado que, esse processo, os estmadores detro das udades prmáras são autopoderados, Cochra (953 e ukhatme et al. (984 demostraram que um estmador ão tedecoso dessa arâca é dado por: N ( y II y y II (7 egudo Cochra (953, o comportameto relato do processo de subamostragem II, as udades prmáras são selecoadas com probabldades proporcoas ao tamaho e do processo de subamostragem I, por ídce, as udades prmáras são selecoadas com probabldades guas, depede da relação etre as arâcas de Y e. Quado é β proporcoal a, a estmata com probabldades proporcoas ao tamaho é mas precsa que a estmata por ídce, com probabldades guas, se β é meor que e meos precsa se β é maor que. ATERIAL E ÉTODO O presete trabalho fo utlzado em um plato de Eucalyptus grads, em regme de alto fuste, orudo de semete, pertecete a Iteratoal Paper do Brasl Ltda., localzada o mucípo de og Guaçu, o Estado de ão Paulo. Para o etáro do pooameto, estabeleceram-se parcelas permaetes de 400 m (0 m x 0 m, dstrbuídas aleatoramete em cada talhão do pooameto, coforme crtéros própros da empresa. A tabela apreseta as dstrbuções de parcelas por talhão e para o pooameto estudado, detfcado os respectos talhões foram staladas três ou mas parcelas, a área em hectares, o úmero potecal de parcelas de tamaho 0 m x 0 m, o úmero de parcelas amostradas aleatoramete em cada talhão m e as tesdades m amostras. ( Y ( 33 REVITA FLORETA 33(

5 ubamostragem com udades... Tabela : Área, úmero potecal de parcelas (, úmero de parcelas laçadas aleatoramete (m e fração de amostragem (m /, segudo os talhões pertecetes ao pooameto de og Guaçu - plato com semete Table : Area, plot potetal umber (, umber of plots radomly chose (m ad samplg fracto (m /, accordg to the og Guaçu stads seed platg N.º de Ordem N.º do Talhão Área(ha m , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,04 TOTAL ,0065 FONTE DO DADO BRUTO: Iteratoal Paper do Brasl Ltda. m Talhões com meos de três parcelas amostradas ão foram cosderados este estudo, pos, para uma parcela, tora-se mpossíel estmar a arâca, e para duas REVITA FLORETA 33(

6 Igáco,. A. parcelas o úmero de graus de lberdade é um, torado as estmatas pouco cofáes. egudo formações da empresa, a exclusão destes talhões represeta meos de 5% da área total e do olume de madera dos pooametos. Obsera-se a tabela que a tesdade méda de amostragem para o m pooameto, fo de 0,0065, ou 0,65%, represetado, em méda, uma parcela de 0,04 hectare (400 m amostrada para aproxmadamete 6 hectares do pooameto. egudo formações da Iteratoal Paper do Brasl Ltda., cosderado amostragem aleatóra smples, essa tesdade amostral garate um erro de amostragem para o pooameto de o máxmo ± 0%, para um íel de cofaça ( α de 95%. Obsera-se, portato, que o úmero de parcelas amostradas por talhão é proporcoal à sua área, depedetemete da arabldade de cada talhão, crtéro ormalmete utlzado para o dmesoameto de uma amostra. A empresa foreceu os dados do etáro realzado o pooameto eoledo a medção dos talhões com dade etre 6 e 8 aos, cotedo as segutes aráes: regão, úmero do talhão, área do talhão (hectare, úmero da parcela, materal geétco (semete ou cloe, méda artmétca dos dâmetros da parcela a,30 metros de altura, com casca ( DAP c / c, para árores com DAP c / c maor ou gual a cm, dade (aos, área basal da parcela, G (m/ha, úmero de árores da parcela, extrapolado para o hectare, altura domate méda da parcela, H dom (metros e olume de árores da parcela, V (m3/ha. A população é subddda em talhões, ou subáreas, cosderados como as meores udades admstratas. Esses talhões aram em tamaho e forma, de acordo com as codções topográfcas e com as ecessdades admstratas da empresa. A dstrbução espacal das árores os pooametos é uforme, com espaçametos aráes de x 3 m,,5 x 3 m e 3 x 3 m. Em cada parcela foram meddos todos os dâmetros das árores com DAP c / c maor ou gual a cm. Com o emprego de um hpsômetro de Blume-Less foram meddas as alturas totas das árores mas altas da parcela, sado defr a méda das alturas domates ( H dom, empregada como aráel depedete a equação para estmar o ídce de síto (I. Cosderou-se árore domate aquela pertecete ao cojuto das cem árores de maor dâmetro detro de um hectare. elecoaram-se, para parcelas de 400 m, as quatro árores de maor dâmetro como as domates. Para o cálculo das estmatas da área basal e do olume por hectare, para as dades futuras, foram adotadas equações específcas, própras da empresa. Com a totalzação da área basal e do olume por parcela, por meo da soma das áreas trasersas e dos olumes por árore ddual, estes foram coertdos para área basal e olume, por hectare. Da mesma forma, para cada parcela, foram obtdas as estmatas do úmero de árores por hectare. As equações utlzadas os etáros florestas da empresa são as apresetadas a segur: a Ídce de síto I H dom + β R 0,45 0 ( l( 7 l( X (8 I ídce de íto altura domate projetada para 7 aos (metros; H dom méda das alturas domates da parcela (metros; e X dade do etáro (aos. V R f e 0,88 b Volume de árores projetado para dades futuras (m 3 /ha X β0 + β + β + β3 l I W W ( G + β4 (9 olume de árores da parcela, projetado V f para dades futuras (m 3 /ha; X W + β5 I X W 334 REVITA FLORETA 33(

7 ubamostragem com udades... I ídce de íto (em metros, proeete da equação (8; W dade futura (opcoal para dade do etáro, dade atual, dade 7 ou dade de corte (aos; X dade do etáro (aos; G 0 área basal de árores da parcela a dade do etáro (m /ha. Equale à soma das áreas trasersas dos fustes das árores da parcela, extrapolada para o hectare; β costate da equação; e β, β,..., β5 coefcetes da equação. c Área basal de árores projetada para dades futuras (m /ha G f e X W X l W ( G + α + α I X W (0 área basal de árores da parcela, G f projetada para dades futuras (m /ha; G área basal de árores da parcela a dade do etáro (m /ha. Equale à soma das áreas trasersas dos fustes das árores da parcela, extrapolada para o hectare; X dade do etáro (aos; I ídce de íto (em metros, proeete da equação (8; W dade futura (opcoal para dade do etáro, dade atual, dade 7 ou dade de corte (aos; α, α coefcetes da equação, sedo dados por: β4 α ; e β β 3 5 α. β3 Aplcação da subamostragem com udades prmáras de tamahos desguas Para o pooameto estudado, fo smulada uma subamostragem, com seleção aleatóra das udades prmáras, sem reposção. A extração fo feta sem reposção, dado que ão sera possíel obter uma oa subamostra de udades secudáras do mesmo talhão e que a repetção da mesma subamostra em ada cotrbura para melhorar as estmatas em íel do talhão e pooameto. Cosderam-se como udade prmára o talhão e como udade secudára à parcela quadrada de 400 m. A tabela apreseta a área, o úmero de parcelas laçadas aleatoramete ( m e as frações de subamostragem m para os talhões selecoados do pooameto, bem como o total de parcelas laçadas aleatoramete e a tesdade amostral. REVITA FLORETA 33(

8 Igáco,. A. Tabela : Área, úmero potecal de parcelas (, úmero de parcelas laçadas aleatoramete (m e fração de amostragem (m /, segudo os talhões selecoados pertecetes ao pooameto de og Guaçu - plato com semete Table : Area, plot potetal umber (, umber of plots radomly chose (m ad sub-samplg fracto (m /, accordg to the selected og Guaçu stad seed platg N.º de Ordem N.º do Talhão Área (ha m m , , , , , , , , , , , , , , , , , , , , , ,04 TOTAL ,003 FONTE DO DADO BRUTO: Iteratoal Paper do Brasl Ltda. De acordo com a tabela, a tesdade de amostragem para udades prmáras (talhões fo de 0,5 (50%, coforme sugerem Hase et al. (956 quado ão se dspõe de formações para a determação do úmero ótmo de udades prmáras. Para as 336 REVITA FLORETA 33(

9 ubamostragem com udades... udades secudáras (parcelas, detro das udades prmáras selecoadas, tomou-se o úmero de parcelas efetamete amostradas pela empresa. Dessa forma, a tesdade méda de amostragem por talhão selecoado fo de 0,003 ou 0,3%, o que equale, em méda, a uma parcela de 0,04 hectare (400 m amostrada para aproxmadamete hectares do pooameto. Estmadores para a subamostragem com udades prmáras de tamahos desguas Cosderado uma amostragem em dos estágos, em uma população formada de s udades prmáras (talhões, cotedo úmeros aráes de j s udades secudáras (parcelas quadradas detro das udades prmáras selecoadas, com,,..., N e j,,...,, e sedo o úmero de udades m prmáras selecoadas com reposção e o úmero de udades secudáras amostradas a -ésma udade prmára selecoada, são apresetados os estmadores para o -ésmo talhão selecoado e para o pooameto. A área em hectare do -ésmo talhão selecoado. c Varâca do olume médo estmado de árores por, para o -ésmo m hectare ( talhão selecoado (3 arâca etre as parcelas amostradas detro do -ésmo talhão selecoado, sedo dada por: m ( j j m j j m m m d Erro padrão do olume médo, em estmado de árores, ( m 3 /ha, para o -ésmo talhão selecoado Estmadores para o Talhão elecoado As fórmulas a segur foram empregadas o cálculo das estmatas para o talhão selecoado: a Volume médo estmado de árores (, em m 3 /ha, para o -ésmo talhão selecoado m j j m olume de árores, em m 3 /ha, obtdo a - j ésma parcela amostrada; e m úmero de parcelas amostradas o - ésmo talhão selecoado. b Volume total estmado de árores ( t, em m 3, para o - ésmo talhão selecoado E a ± t. ( m ; α (4 e Erro de amostragem absoluto ( E a, em m 3 /ha, para o - ésmo talhão selecoado (5 ( t alor tabelado da estatístca t de tudet; α íel de sgfcâca; e m úmero de graus de lberdade da amostra de udades secudáras (parcelas amostradas o -ésmo talhão selecoado. f Erro de amostragem relato ( E %, para o -ésmo talhão selecoado t. A ( REVITA FLORETA 33(

10 Igáco,. A. E % ± t ( m α ;. s 00 (6 úmero de parcelas potecas o - ésmo talhão selecoado; b Volume total estmado ( t I, 3 em m P P g Iteralo de cofaça para o olume médo erdadero de árores ( V, em m 3 /ha, para o -ésmo talhão selecoado { t. V + t. } ( α (7 h Iteralo de cofaça para o olume total erdadero de árores ( VT, em m 3, para o - ésmo talhão selecoado { t A. t. VT t + A. t. } ( α t (8 ( I I. A (0 A área do pooameto em hectare. c Varâca do olume médo estmado de árores por I f. hectare ( ( f m I f +. I Estmadores para o pooameto As fórmulas a segur foram empregadas o cálculo das estmatas para o pooameto, cosderado os dos processos de subamostragem com udades prmáras de tamahos desguas estudados esta pesqusa. Processo I: Udades prmáras selecoadas com probabldades guas - estmador tedecoso por ídce em relação ao tamaho I a Volume médo estmado de árores ( I, em m 3 /ha (9 I olume médo estmado de árores, em m 3 /ha, para o pooameto, obtdo com o processo I; olume médo estmado de árores, em m 3 /ha, para o -ésmo talhão selecoado; arâca do olume médo, obtda com o I processo I, I olume médo estmado de árores, em m 3 /ha, para o pooameto, obtdo com o processo I; olume médo estmado de árores, em m 3 /ha, para o -ésmo talhão selecoado; úmero de talhões selecoados; N úmero de talhões do pooameto; m úmero de parcelas amostradas o - ésmo talhão selecoado; úmero de parcelas potecas o -ésmo talhão selecoado; 0 úmero total de parcelas potecas dos talhões selecoados; fração de amostragem de udades N f prmáras (talhões; m f fração de amostragem de udades secudáras (parcelas do -ésmo talhão selecoado; úmero médo de parcelas potecas por talhão selecoado, sedo dado por: 338 REVITA FLORETA 33(

11 ubamostragem com udades... 0 arâca etre as parcelas amostradas detro do -ésmo talhão selecoado, sedo dada por: m m j j olume de árores da j-ésma parcela, o j -ésmo talhão selecoado. d Erro padrão do olume médo, em estmado de árores ( m 3 /ha I P { ti A. t. VTI ti + A. t. } ( α Processo II: I I (6 Udades prmáras selecoadas com probabldade proporcoal ao tamaho do talhão - estmador ão tedecoso II a Volume médo estmado de árores ( II, em m 3 /ha (7 I I ( II olume médo estmado de árores, em m 3 /ha, para o pooameto, obtdo com o e Erro de amostragem absoluto processo II; ( E a, em m /ha úmero de talhões selecoados; e olume médo estmado de árores, em E a ± t. ( ; I m 3 /ha, para o -ésmo talhão selecoado. (3 b Volume total estmado t II, 3 em m t alor tabelado da estatístca t de tudet; α íel de sgfcâca; e t II II. A (8 úmero de graus de lberdade da amostra de udades prmáras (talhões. f Erro de amostragem relato A a área do pooameto em hectare. ( E % c Varâca do olume médo estmado de árores por E P % ± t ( α ; I. I 00 (4 g Iteralo de cofaça para o olume médo erdadero de árores ( V I, em m 3 /ha { I t. VI I + t. } ( α I I (5 h Iteralo de cofaça para o olume total erdadero de 3 árores VT, em m ( I II ( hectare ( I ( II (9 arâca do olume médo, obtda com II o processo II, II olume médo estmado de árores, em m 3 /ha, para o pooameto, obtdo com o processo II; olume médo estmado de árores, em m 3 /ha, para o -ésmo talhão selecoado; e REVITA FLORETA 33(

12 Igáco,. A. úmero de talhões selecoados. d Erro padrão do olume médo, em II II estmado de árores ( m 3 /ha II talhão, a aráel fo obtda a partr do quocete etre o tamaho do -ésmo talhão selecoado e a área total dos talhões selecoados a amostra, ou seja: A Z (30 0 A (35 Z e Erro de amostragem absoluto E, em m 3 /ha ( a E a ± t. ( ; α II (3 t alor tabelado da estatístca t de tudet; α íel de sgfcâca; e úmero de graus de lberdade da amostra de udades prmáras (talhões. E P P % ± f Erro de amostragem relato ( E % t α. ( ; II II 00 (3 g Iteralo de cofaça para o olume médo erdadero de árores ( V II, em m 3 /ha { II t. VII II + t. } ( α II II (33 h Iteralo de cofaça para o olume total erdadero de 3 árores VT, em m ( II { tii A. t. VTII tii + A. t. } ( α II II CÁLCULO DA ETRUTURA DE PEO (34 Z Para a defção do peso da udade prmára (talhão, o sorteo é feto com probabldade proporcoal à área do -ésmo Z proporção referete ao tamaho do - ésmo talhão selecoado em relação ao alor total do tamaho dos talhões selecoados a amostra; úmero de parcelas potecas o -ésmo talhão selecoado; 0 úmero total de parcelas potecas dos talhões selecoados; A área do -ésmo talhão selecoado; e A A área total dos talhões selecoados. A operacoalzação do sorteo das udades prmáras com probabldade proporcoal ao tamaho cohecdo do -ésmo talhão, é feta orgazado-se uma lstagem das udades prmáras com seus respectos tamahos expressos por ou A. Tomado-se o somatóro cumulato do tamaho do talhão expresso por ou A, são costruídos os teralos para cada udade prmára, cuja gama de aração permtrá, por meo de um sorteo aleatóro, receber uma alocação dstrbuta segudo o crtéro com probabldade proporcoal ao tamaho do talhão. Para o sorteo das udades prmáras, pode-se usar uma tabela ou um programa gerador de úmeros aleatóros, em que as combações de dígtos seram utlzadas detro do teralo total da gama de aração para sortear a -ésma udade prmára cujo úmero aleatóro sorteado caísse detro do teralo de aração do somatóro acumulado do tamaho do talhão expresso por ou A. Para selecoar uma seguda udade prmára, repete-se o processo com um oo úmero aleatóro etre e o somatóro total do tamaho dos talhões, sem mpedr o sorteo da udade prmára já selecoada. As 340 REVITA FLORETA 33(

13 ubamostragem com udades... udades prmáras são selecoadas com probabldade proporcoal ao tamaho do talhão e com reposção. e a -ésma udade prmára for selecoada mas de uma ez, toda a subamostra é reposta e faz-se um oo sorteo depedete de m subudades, sem reposção. Comparação dos processos de subamostragem com udades prmáras de tamahos desguas Os crtéros utlzados para a comparação etre as estmatas obtdas pelos dos processos de subamostragem, que empregam parcelas de área fxa com dferetes probabldades de seleção das udades prmáras (talhões, foram: a Efcêca Relata (ER, coforme proposto por Yamae (967, que utlza a razão etre as arâcas dos olumes médos obtdos pelos dos processos de amostragem; b efcêca relata (ER, coforme proposto por Husch et al. (98, que utlza a razão etre os erros de amostragem relatos e respectos tempos médos de medção para cada processo utlzado e c aálse de regressão, sado erfcar o grau de relacoameto etre a arâca do olume total do -ésmo talhão selecoado ( e o seu tamaho (. V arâca do olume total de árores do -ésmo talhão selecoado; f relação fucoal; e úmero de udades secudáras potecas (parcelas o -ésmo talhão selecoado. egudo Cochra (953, em algus tpos de leatametos como, por exemplo, a amostragem de tpos de solo, a colheta de safra de cereas ou leatametos agráros, que utlzem áreas como udades amostras, o tamaho da udade prmára pode-se apresetar com uma aração quase cotíua, de forma que é de se esperar que V aumete à medda que cresça o tamaho da udade prmára. egudo o autor, em áros leatametos agráros, se apreseta correlacoada com β V β0 β coefcete lear; e 0 β coefcete agular. V pela fórmula empírca: (37 egudo a fórmula (37, expressa pelo modelo geométrco, cresce à medda que aumeta. É de se esperar uma cura da forma apresetada acma, quado há forças que exercem fluêca semelhate sobre elemetos muto aproxmados. As codções clmátcas, os dferetes tpos de solo e a topografa tedem a produzr aspectos agráros semelhates e aproxmados à medda que dmuu. No presete trabalho, a forma fucoal adotada para a estmata da fução V (37 fo a lear o logartmo decmal da egudo Cochra (953, a aráel depedete e depedete, uma ez arâca do olume total ( V do -ésmo que este tpo de fução apreseta a atagem talhão selecoado é fução do tamaho ( de se torar lear quado sujeta à trasformação logarítmca. do respecto talhão. Expressado essa relação Com relação aos coefcetes, em termos de fução, tem-se: estabeleceu-se que: a β 0 0, cosderado que, para V f ( (36 0, a arâca do olume V de árores V 0, uma ez que ão exste talhão; b β > 0, cosderado que as arações o tamaho do - ésmo talhão selecoado ( duzam a arações, o mesmo setdo, a arâca do olume total de árores V. As hpóteses referetes aos coefcetes parcas de regressão das equações ajustadas, para os cco pooametos as duas REVITA FLORETA 33(

14 Igáco,. A. medções, foram testadas por meo do teste t de studet, equato o grau de ajustameto da regressão fo dcado pelo coefcete de determação R e pelo coefcete de determação ajustado R. Utlzou-se, ada, o teste F de edecor para testar a hpótese segudo a qual a aráel depedete "tamaho do -ésmo talhão selecoado ( " é estatstcamete releate para explcar as arações a arâca do olume total de árores ( (Kmeta, 978. REULTADO E DICUÃO V Comparação dos processos de subamostragem com udades prmáras de tamahos desguas Efcêca relata A aráel tempo T, empregada os cálculos da efcêca relata do -ésmo processo de subamostragem, ão fo cosderada dedo à falta de dados, sedo portato matda costate para os dos processos. Todaa, pode-se cosderar que o tempo médo gasto a alocação e medção das parcelas de área fxa é o mesmo, uma ez que são parcelas de gual tamaho. As estmatas obtdas para o olume de árores por hectare, com base os dos processos de subamostragem com udades prmáras de tamahos desguas, foram obtdas com o mesmo tamaho de amostra e estão apresetadas a tabela 3. As tabelas 4 e 5 apresetam detalhadamete o processo de cálculo para a obteção dessas estatístcas. Tabela 3: Comparação da precsão etre os processos de subamostragem com udades prmáras de tamahos desguas para a estmata do olume médo de árores por hectare, para o pooameto de og Guaçu, em regme de alto fuste plato com semete Table 3: Comparso of precso betwee sub-samplg processes of uequal sze prmary uts to estmate the tree aerage olume per hectare the og Guaçu stad, clear-cut regmes seed platg Processo Probabldade a eleção das Udades Prmáras (Talhões tuação Quato à Tedêca I Igual Com tedêca II Proporcoal à Área do Talhão em tedêca V V V E % (0,05 86,33 7,78 8,4688 6,5 94, ,78748, , FONTE DO DADO BRUTO: Iteratoal Paper do Brasl Ltda. NOTA: Número de udades prmáras (talhões o pooameto: N 44. Número de udades prmáras (talhões selecoadas:. 3 Número de udades secudáras (parcelas de 0 x 0 potecas as udades prmáras o pooameto: Número de udades secudáras laçadas aleatoramete as udades prmáras selecoadas m o 90. m0 5 Itesdade amostral méda para o pooameto x 00 0,3%. 0 6 Valor da estatístca t para 95% de cofaça e ( - graus de lberdade, REVITA FLORETA 33(

15 ubamostragem com udades... Tabela 4: Estmatas para o processo de subamostragem I, com probabldades guas, da aráel olume de árores para o pooameto de og Guaçu - (plato com semete - dade etre 6 e 8 aos Table 4: ub-samplg process I estmato, wth equal probablty of tree olume arable the og Guaçu stad seed platg age betwee 6 ad 8 years Talhão orteado Parcela 400 m ( Área (ha Parcela 400 m ( m Volume Parcela 400 m ( ( (( f / m ( ,5 9,50 880, , , , ,35, , , , , ,74, ,00000, ,55 535, ,5 9,30 6,40000, , , ,37 9,34 537, , , , ,0 8,30 587,50000, , , ,95 9,49 599,68750, , , ,8 0,6 78, , , , ,86 0, ,6500, , , ,90 0,3 5, ,35 705, , ,48 9,83 456, , , , ,36, , , , , ,53 5, ,4667, , , ,7 3, ,5000 0, , , ,54 5,4 908, , , , ,08 3,7 6635,00000, , , ,50,83 48,50000, , , ,5 4, ,5000 5, , , ,3 4, ,9667 0, , , ,68,67 985, , , , ,70,8 363,87500, , , ,83 3,7 4797,6500 3, , ,577 TOTAL ,37 59, , , ,780 FONTE DO DADO BRUTO: Iteratoal Paper do Brasl Ltda. NOTA: N 44; PARCELA HECTARE éda global esada I, ,335 Varação detro 0,0370 8,56347 Varação etre 0,004 63,4836 Varâca da méda 0,474 7,78 Erro padrão da méda 0, ,4688 Valor da estatístca "t",08,08 Erro de amostragem (0,05 0, ,6403 Erro relato (% 6,5 6,5 I REVITA FLORETA 33(

16 Igáco,. A. Tabela 5: Estmatas para o processo de subamostragem II, com probabldade proporcoal à área do talhão, da aráel olume de árores para o pooameto de og Guaçu - plato com semete - dade etre 6 e 8 aos Table 5: ub-samplg II process estmato, wth probablty proportoal to stad area, tree olume arable the og Guaçu stad seed platg age betwee 6 ad 8 years Talhão orteado Parcela 400 m ( Área (ha Z Parcela / 400 m ( m Volume Parcela 400 m ( ( II , ,5 9,50 5,9469 0, , ,35,47 0,477 0, , ,74,55 0,0553, , ,5 9,30 6,568, , ,37 9,34 5, , , ,0 8,30,358, , ,95 9,49 5,707, , ,8 0,6,3444 6, , ,86 0,97 0,66943, , ,90 0,3,4794 0, , ,48 9,83 3,8796 4, , ,36,09 0,4805 3, , ,53 5,84 6,48480, , ,7 3,57 3,97 0, , ,54 5,4,3466 9, , ,08 3,7,06, , ,50,83,08, , ,5 4,63 8,0440 5, , ,3 4,08 5,6006 0, , ,68,67 0, , , ,70,8 0,36989, , ,83 3,7 3,7099 3,600 TOTAL , ,37 59,3 97, FONTE DO DADO BRUTO: Iteratoal Paper do Brasl Ltda. NOTA: N 44; PARCELA HECTARE éda global ão esada II, ,57963 Varâca da méda 0,086 3,78748 Erro padrão da méda 0,4599,47987 Valor da estatístca "t",08,08 Erro de amostragem (0,05 0,9553 3,8784 Erro relato (% 8, 8, Comparado a estmata do olume de árores por hectare obtdas pelo processo I com a estmata obtda pelo processo II, chegou-se a resultados próxmos para os olumes médos, com uma aração de,9%, obtedo-se estmatas de 86,3 m 3 /ha pelo processo I e de 94,58 m 3 /ha pelo processo II. Com relação à precsão relata, costata-se que ocorre maor heterogeedade, medda pelo erro de amostragem relato, o processo II. A efcêca relata do processo I em relação ao processo II é de 75,83%, mplcado a obteção de teralos de cofaça mas estretos para a méda e total. Aálse de regressão A partr do modelo preamete estabelecdo, estmou-se, por meo do método de mímos quadrados ordáros, a equação (37 para o pooameto aalsado. O coefcete lear β 0 somete fo estatstcamete sgfcate a um íel de probabldade maor que 50%. Dessa forma, procedeu-se ao ajuste do modelo excludo o tercepto. As tabelas 6 e 7 apresetam as estmatas com e sem o coefcete lear β 0, o alor do coefcete de determação R, do 344 REVITA FLORETA 33(

17 ubamostragem com udades... coefcete de determação ajustado R e a estatístca F. Com relação ao poder explcato dos modelos, dcado pelo coefcete de determação R, R e F, os três alores aumetaram com a exclusão do tercepto e dcam alto poder explcato. Tabela 6: Estmata da equação da arâca do olume total de árores com o tercepto, em íel de talhão, para o pooameto de og Guaçu, em regme de alto fuste - plato com semete Table 6: Estmato of the equato of stad tree total olume wth lear coeffcet the og Guaçu stad, clear-cut regmes seed platg Coefcetes Erros Estatístca Varáes gfcâca Estmados Padrões t LOG β 0,80,489 0,5433 0,5946 O LOG I, ,537 3, ,00330 R 0, R 0, F, ,00330 FONTE DO DADO BRUTO: Iteratoal Paper do Brasl Ltda. NOTA: As aráes depedete e depedete estão expressas os logartmos decmas dos alores obserados. Tabela 7: Estmata da equação da arâca do olume total de árores sem o tercepto, em íel de talhão, para o pooameto de og Guaçu, em regme de alto fuste - plato com semete Table 7: Estmato of the equato of stad tree total olume wthout lear coeffcet the og Guaçu stad, clear-cut regmes seed platg Varáes Coefcetes Erros Estatístca Estmados Padrões t gfcâca LOG I, , ,3583 0,00000 R 0, R 0, F 954, ,00000 FONTE DO DADO BRUTO: Iteratoal Paper do Brasl Ltda. NOTA: As aráes depedete e depedete estão expressas os logartmos decmas dos alores obserados. Após a exclusão do tercepto, o coefcete β mostrou-se estatstcamete sgfcate a um íel de probabldade meor que %, sedo maor que. Os resultados obtdos cofrmaram o estabelecdo em Cochra (953, ou seja, quado β é maor que, as estmatas por ídce, as udades prmáras são selecoadas com probabldades guas (Processo I, são mas precsas que as estmatas para udades prmáras selecoadas com probabldades proporcoas ao tamaho (Processo II. CONCLUÕE Com base a aálse dos resultados, as prcpas coclusões deste trabalho são: O erro de amostragem relato do processo de subamostragem I, por ídce, as udades prmáras são selecoadas com probabldades guas, fo feror ao processo de subamostragem II, as udades prmáras são selecoadas com probabldades proporcoas à área do talhão, cofrmado as pressuposções estabelecdas em Cochra (953, ou seja, quado o ajuste do modelo da arâca total do -ésmo talhão selecoado em fução do tamaho a equação apresetar β maor que, as estmatas por ídce, com probabldades guas (processo I, são mas precsas que as estmatas para as udades prmáras selecoadas com probabldades proporcoas ao tamaho (processo II; A adoção de processos de subamostragem com udades prmáras de tamahos desguas, utlzado uma tesdade de amostragem gual a 50% de N, em méda, é muto efcete REVITA FLORETA 33(

18 Igáco,. A. para uso os etáros cotíuos de florestas platadas. Os custos dos etáros (medção de parcelas detro dos talhões selecoados realzados por processos de subamostragem com udades prmáras de tamahos desguas, podem ser, sgfcatamete reduzdos e apresetar uma precsão admssíel, tato mas quato maor for a homogeedade do pooameto, se o objeto for obter formações seguras dos alores médos e totas da aráel de teresse. REFERÊNCIA COCHRAN, W. G. amplg techques. 3 ed. New York: J. Wley e os, p. HANEN,. H.; HURWITZ, W. N. O the theory of samplg from fte populatos. Aals of athematcal tatstcs, A Arbor,. 4, p , 943. HANEN,. H.; HURWITZ, W. N.; ADOW, W. G. ample surey methods ad theory..ed. New York: J. Wley e os, HUCH, B.; ILLER, C. I.; BEER, T. W. Forest mesurato. 3.ed. New York: J. Wley e os, p. KENTA, J. Elemetos de ecoometra. ão Paulo: Atlas, p. PÉLLICO NETTO,. Amostragem em dos estágos com udades prmáras de tamahos dferetes. Cêca Florestal, ata ara,. 6,., p , 996. PÉLLICO NETTO,.; BRENA, D. A. Ietáro florestal. Curtba: Ed. dos Autores, p. UKHATE, P. V. et al. amplg theory of surey wth applcatos. Ames: Iowa tate College Press, p. YAANE, T. Elemetary samplg theory. Eglewood Clffs: New York Uersty/Departmet of Ecoomcs: Pretce-Hall, p. 346 REVITA FLORETA 33(

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional. Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

Leia mais

DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS

DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral

Leia mais

7 Análise de covariância (ANCOVA)

7 Análise de covariância (ANCOVA) Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

AMOSTRAGEM EM DOIS ESTÁGIOS COM UNIDADES PRIMÁRIAS DE TAMANHOS DIFERENTES SUBSAMPLING TO TWO PROBATION WITH PRIMARY UNITS OF UNEQUAL SIZES

AMOSTRAGEM EM DOIS ESTÁGIOS COM UNIDADES PRIMÁRIAS DE TAMANHOS DIFERENTES SUBSAMPLING TO TWO PROBATION WITH PRIMARY UNITS OF UNEQUAL SIZES Cêca Florestal, v.6,., p.47-55 47 ISS 003-9954 AMOSTRAGEM EM DOIS ESTÁGIOS COM UIDADES PRIMÁRIAS DE TAMAHOS DIFERETES SUBSAMPLIG TO TWO PROBATIO WITH PRIMARY UITS OF UEQUAL SIZES Sylvo Péllco etto RESUMO

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação

Leia mais

a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.

a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9. Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Uma uversdade oferece um curso para capactação profssoal de joves caretes. Ao fal do curso, cada jovem partcpate será avalado por meo de uma prova teórca e de uma prova prátca,

Leia mais

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si. Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de

Leia mais

Aula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação

Aula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

Leia mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

Leia mais

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o

Leia mais

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

Tópicos Extras 2ª parte. Análise de Correlação e Regressão

Tópicos Extras 2ª parte. Análise de Correlação e Regressão Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO

Leia mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta

Leia mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e

Leia mais

Estatística. 2 - Estatística Descritiva

Estatística. 2 - Estatística Descritiva Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA

Leia mais

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores. Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.

Leia mais

Monitoramento ou Inventário Florestal Contínuo

Monitoramento ou Inventário Florestal Contínuo C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo

Leia mais

Lista de Exercícios #9 Assunto: Análise de Regressão Método de Mínimos Quadrados

Lista de Exercícios #9 Assunto: Análise de Regressão Método de Mínimos Quadrados Lsta de Exercícos #9 Assuto: Aálse de Regressão Método de Mímos Quadrados ANPEC 8 Questão 4 Cosdere o segute modelo de regressão lear smples: () y = β + β x + u Para uma amostra com 3 observações, foram

Leia mais

TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL

TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL As hpóteses a serem testadas serão: H 0 : p p 0 H : p p 0 p > p 0 p < p 0 Estatístca do Teste: pˆ p0 z c p ( p ) 0 0 EXEMPLOS. Uma máqua está regulada

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

Modelos de regressão linear: abordagem clássica

Modelos de regressão linear: abordagem clássica Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

Computação das Medidas de Tendência Central e Dispersão Intervalares em Java

Computação das Medidas de Tendência Central e Dispersão Intervalares em Java V ERMAC-R o Ecotro Regoal de Matemátca Aplcada e Computacoal 9- de outubro de 00 Uersdade Potguar Natal/RN Computação das Meddas de Tedêca Cetral e Dspersão Iteralares em Jaa Laís M. Nees, Elaqum L. S.

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se

Leia mais

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20 . MEDIDAS DE TENDÊNCIA CENTRAL (OU DE POSIÇÃO) Coceto: São aquelas que mostram o alor em toro do qual se agrupam as obserações.. MÉDIA ARITMÉTICA ( ) Sea (x, x,..., x ), uma amostra de dados: Se os dados

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val/ ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se

Leia mais

Probabilidades e Estatística

Probabilidades e Estatística Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete

Leia mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

Leia mais

Regressão Linear e Multilinear

Regressão Linear e Multilinear Regressão Lear e Multlear Deleameto Expermetal Mestrado em Sstemas de Produção em Agrcultura Medterrâca Modelo de Regressão Lear Smples X Varável Idepedete Y Varável Depedete y =β +β x +ε β ordeada a orgem

Leia mais

50 Logo, Número de erros de impressão

50 Logo, Número de erros de impressão Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de

Leia mais

Organização; Resumo; Apresentação.

Organização; Resumo; Apresentação. Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado

Leia mais

3. ANPEC Questão 15 Ainda em relação à questão anterior pode-se concluir que, exceto por erro de arredondamento:

3. ANPEC Questão 15 Ainda em relação à questão anterior pode-se concluir que, exceto por erro de arredondamento: Lsta de Exercícos #9 Ass uto: Aáls e de Re gres s ão Mé todo de Mímos Quadrados. ANPEC 99 - Questão 8 A capacdade de produção stalada (Y), em toeladas, de uma frma, pode ser fução da potêca stalada (X),

Leia mais

Regressão e Correlação

Regressão e Correlação Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x

Leia mais

Estatística Básica - Continuação

Estatística Básica - Continuação Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas

Leia mais

Revisão/Resumo de Análise Estatística I e Introdução à Tecnologia da Amostragem I

Revisão/Resumo de Análise Estatística I e Introdução à Tecnologia da Amostragem I Dscpla: Tecologa da Amostragem I Professor: Marcelo Rubes Revsão/Resumo de Aálse Estatístca I e Itrodução à Tecologa da Amostragem I 1 - Modelos Estatístcos/Probablístcos São modelos que se aplcam quado

Leia mais

Condutos livres Escoamento uniforme em canais

Condutos livres Escoamento uniforme em canais J. Gabrel F. Smões Pro. Egehero Codutos lres Escoameto uorme em caas O escoameto uorme em caas obedece as segutes codções: prouddade da água, a área da seção trasersal, a dstrbução das elocdades em todas

Leia mais

Parte 3 - Regressão linear simples

Parte 3 - Regressão linear simples Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:

Leia mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 2ª Atividade Formativa UC ECS Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida . MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +

Leia mais

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

Leia mais

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se

Leia mais

3 Análises Probabilísticas de Estabilidade

3 Análises Probabilísticas de Estabilidade 3 Aálses Probablístcas de Establdade 3.1 Itrodução Para facltar o etedmeto das metodologas de aálse de cofabldade serão apresetados este capítulo algus cocetos báscos de probabldade e estatístca. 3. Cocetos

Leia mais

COMPARAÇÃO ENTRE OS MÉTODOS DE AMOSTRAGEM DE BITTERLICH E DE ÁREA FIXA COM PARCELA CIRCULAR EM PLANTAÇÃO DE Pinus taeda

COMPARAÇÃO ENTRE OS MÉTODOS DE AMOSTRAGEM DE BITTERLICH E DE ÁREA FIXA COM PARCELA CIRCULAR EM PLANTAÇÃO DE Pinus taeda COMPARAÇÃO ENTRE OS MÉTODOS DE AMOSTRAGEM DE BITTERLICH E DE ÁREA FIXA COM PARCELA CIRCULAR EM PLANTAÇÃO DE Pus taeda João Paulo Druszcz 1, Nelso Yoshhro Nakajma 2, Sylvo Péllco Netto 3, Mauro Yoshta Júor

Leia mais

AVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR. José Antonio Stark Ferreira

AVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR. José Antonio Stark Ferreira 1 AVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR José Atoo Stark Ferrera I - INTRODUÇÃO O presete estudo fo desevolvdo objetvado mesurar os gahos e perdas patrmoas

Leia mais

Estimação pontual, estimação intervalar e tamanho de amostras

Estimação pontual, estimação intervalar e tamanho de amostras Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de

Leia mais

Ivan G. Peyré Tartaruga. 1 Metodologia espacial

Ivan G. Peyré Tartaruga. 1 Metodologia espacial RELATÓRIO DE PESQUISA 5 Procedmetos o software ArcGIS 9. para elaborar os mapas da Regão Metropoltaa de Porto Alegre RMPA com as elpses de dstrbução drecoal etre 99 e 000 Iva G. Peré Tartaruga Metodologa

Leia mais

CAPÍTULO 5: AMOSTRAGEM

CAPÍTULO 5: AMOSTRAGEM CAPÍTULO 5: AMOSTRAGEM 5. Itrodução A estatístca dutva busca trar coclusões probablístcas ou fazer ferêcas, sobre populações, com base em resultados verfcados em amostras retradas dessas populações. Além

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

Capitulo 1 Resolução de Exercícios

Capitulo 1 Resolução de Exercícios S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes

Leia mais

A forma geral de um modelo de regressão linear para uma amostra de tamanho n e p variáveis é apresentada a seguir.

A forma geral de um modelo de regressão linear para uma amostra de tamanho n e p variáveis é apresentada a seguir. 2 Regressão O termo regressão fo proposto pela prmera vez por Sr Fracs Galto (885) um estudo ode demostrou que a altura dos flhos ão tede a refletr a altura dos pas, mas tede sm a regredr para a méda da

Leia mais

COMPARAÇÃO DE MÉTODOS DE AMOSTRAGEM PARA ANÁLISE ESTRUTURAL DE FLORESTAS INEQÜIÂNEAS 1

COMPARAÇÃO DE MÉTODOS DE AMOSTRAGEM PARA ANÁLISE ESTRUTURAL DE FLORESTAS INEQÜIÂNEAS 1 Comparação de Métodos de Amostragem para Aálse... 54 COMPARAÇÃO DE MÉTODOS DE AMOSTRAGEM PARA ANÁLISE ESTRUTURAL DE FLORESTAS INEQÜIÂNEAS Cássa Aparecda de Faras, Carlos Pedro Boëchat Soares 3, Agostho

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

Leia mais

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo. Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte

Leia mais