PABLO DAMIAN BORGES GUILHERME

ESTATISTICA: UMA FERRAMENTA INTERDISCIPLINAR

Trabalho de Conclusão de Curso, apresentado

como requisite para a conclusão do curso de
Licenciatura Plena em Matemática, da Faculdade
Estadual de Filosofia, Ciências e Letras de
Paranaguá

Professora Orientadora: Dra. Yara Aparecida

Garcia Tavares

PARANAGUÁ
- 2008 -
FACULDADE ESTADUAL DE FILOSOFIA, CIÊNCIAS E LETRAS DE PARANAGUÁ

ESTATÍSTICA: UMA FERRAMENTA INTERDISCIPLINAR

Pablo Damian Borges Guilherme

PARANAGUÁ
- 2008 -

 
 
 DEDICATÓRIA

Aos meus únicos pais, minha única avó,

meus únicos irmãos, meu único amor e
minha única filha. Aos meus únicos
amigos. Sempre e aleatoriamente.

 
 
 AGRADECIMENTOS

A todos os meus guias e orientadores:

Científicos, Amigos, Financeiros, Amores
e a Família.

 
 
 EPIGRAFE

É fato conhecido que há um número infinito de

mundo, simplesmente porque há um espaço
infinito para que esses mundos existam.
Todavia, nem todos são habitados. Assim,
deve haver um número finito de mundos
habitados. Qualquer número finito dividido por
infinito é tão perto de zero que não faz
diferença, de forma que a população de todos
os planetas do Universo pode ser considerada
igual a zero. Disso podemos deduzir que a
população de todo o Universo também é zero,
e que quaisquer pessoas que você possa
encontrar de vez em quando são meramente
produtos de uma imaginação perturbada.
Douglas Adams, 1980

 
 
 SUMÁRIO

SUMÁRIO vi
LISTA DE FIGURAS vii
1. INTRODUÇÃO 1
2. FUNDAMENTAÇÃO TEÓRICA 5
2.1. ESTATÍSTICA DESCRITIVA 5
2.1.1. Medidas de Tendência Central 5
2.1.2. Medidas de Dispersão e Variabilidade 6
2.1.3. Índices 7
2.2. ANÁLISES DE CORRELAÇÃO 10
2.2.1. Testes Paramétricos 10
2.2.2. Testes Não-Paramétricos 12
2.3. ANÁLISES DE REGRESSÃO 13
2.3.1. Regressão Linear Simples 13
2.3.2. Regressão múltipla 14
2.4. EXPERIMENTOS MULTINOMIAIS E TABELAS DE CONTINGÊNCIA 15
2.4.1. Aderência (Qui-Quadrado) 15
2.4.2. Tabelas de contingência (independência e homogeneidade) 17
2.5. ANÁLISE DE VARIÂNCIA 18
3. METODOLOGIA 21
4. RESULTADOS 22
4.1. ARTIGOS DE 2006 22
4.2. ARTIGOS DE 2007 23
5. CONSIDERAÇÕES FINAIS 25
6. REFERÊNCIAS BIBLIOGRÁFICAS 26
7. ANEXOS 29
8. APÊNDICE 35

vi
 
 
 LISTA DE FIGURAS

FIGURA 1 - PROPORÇÃO DOS ARTIGOS QUE ENVOLVEM TRABALHOS

NUMÉRICOS E ESTATÍSTICOS EM UMA DÉCADA DE PUBLICAÇÕES NO 3
PERIÓDICO THE AMERICAN NATURALIST (SOKAL E ROHLF, 1995)

FIGURA 2 - PADRÕES DE DISTRIBUIÇÃO: “A” (AO ACASO OU ALEATÓRIA), 10

“B” (AGRUPADA OU CONTAGIOSA) E “C” (UNIFORME OU REGULAR)
11
FIGURA 3 – DIAGRAMA DE DISPERSÃO (CORRELAÇÃO POSITIVA)
12
FIGURA 4 – DIAGRAMA DE DISPERSÃO (CORRELAÇÃO NEGATIVA)

FIGURA 5 – DIAGRAMA DE DISPERSÃO (DADOS NÃO 12

CORRELACIONADOS)

FIGURA 6 – GRÁFICO DA DISTRIBUIÇÃO DO TESTE F - ADAPTADO DE 17

TRIOLA (1999)

  vii
 
1. INTRODUÇÃO

A palavra “estatística” provém do latim “status”, que significa “estado”. A sua

utilização na antiguidade envolvia compilações de dados e gráficos que descreviam
vários aspectos de um estado ou país (TRIOLA, 1999; ZAR, 1996). Entretanto,
Costa (1992) afirma que há indícios da estatística por volta de 3000 anos A.C. na
Babilônia, China e Egito. Mas essas primeiras abordagens estavam ligadas
exclusivamente a interesses governamentais em busca da otimização dos processos
de coleta de impostos. A própria bíblia nos fala do “censo” e por assim dizer da
estatística primitiva, como no Livro Quarto do Velho Testamento.

E falou o Senhor a Moisés no deserto do Sinai, no

tabernáculo de aliança, no segundo ano depois da
saída dos filhos de Israel do Egito, no primeiro dia
do segundo mês e lhe disse: Tomai a rol todo o
corpo dos filhos de Israel, por famílias, por casas e
por cabeças, contando todos os varões, desde
vinte anos, e para cima, e todos os homens fortes
de Israel vós os contareis pelas suas turmas, tu e
Aarão. (BÍBLIA, 1974, p.99)

Contudo há outros estudiosos que defendem a surgimento da estatística em

um tempo remoto da história, como Melão Jr. (S.D.) que argumenta sobre a
aplicação da estatística nos meados de 3,5 milhões A.C., quando organismos
primitivos começaram a desenvolver critérios quanto a sua sobrevivência
(relacionando a fatores evolutivos).

Sokal e Rohlf (1995) postulam a origem da estatística moderna a partir do

século XVII, quando foi derivada em duas vertentes: uma relacionada às ciências
políticas desenvolvendo a descrição quantitativa de vários aspectos governamentais,
como os publicados por John Graunt e William Petty que continham informes
estatísticos sobre nascimentos e mortes na cidade de Londres. Esses trabalhos
originaram estudos sobre natalidade e taxas de morbidade, tamanho de populações,
rendas e taxas de desemprego (TRIOLA, 1999).

Por outro lado a segunda linha da estatística moderna enfocou a teoria

matemática das probabilidades relacionado às chances de jogadas em diferentes

1 
 
tempos, envolvendo muitos matemáticos renomados: Blaise Pascal, Pierre de
Fermat, Jacques Bernoulli e Abraham de Moivre.

O estimulo subseqüente, veio de outro campo da ciência: a Astronomia,

onde pequenas observações do espaço devem gerar teorias coerentes. Pierre-
Simon de Laplace, Carl Friedrich Gauss e Adolphe Quetelet, famosos astrônomos e
matemáticos do século XVIII, contribuíram de forma magnífica para a estatística
moderna, como por exemplo, como no desenvolvimento do método dos mínimos
quadrados (SOKAL e ROHLF, 1995).

Apesar da palavra “estatística” já aparecer nas enciclopédias a partir do final

do século XVIII, foi somente na Inglaterra, no início do século XX que, o verdadeiro
senso do uso desta ferramenta se relacionou a trabalhos desenvolvidos sobre
problemas agronômicos (GONÇALVES, 1998).

O primo de Charles Darwin, Francis Galton, fez muitos avanços estatísticos

no século XIX em relação à biometria (onde é considerado o “pai” dessa área). As
publicações de seu primo acerca da teoria da evolução teriam algumas
inadequações matemáticas, o que levou a tentar resolver problemas relativos à
hereditariedade. Este autor contribuiu principalmente com a metodologia estatística
de análises de variações biológicas. Nesse mesmo século, Florence Nightingale
funda a Enfermagem moderna utilizando-se dos artefatos estatísticos para melhorar
as condições médicas durante a Primeira Grande Guerra.

Contudo, a estatística somente adquire o status de campo da Ciência,

quando se inicia o desenvolvimento do cálculo das probabilidades, que viria a
fornecer a linguagem e o aparelho conceitual, permitindo a formulação de
conclusões com base em regras indutivas.

Atualmente, pode-se dizer que a Estatística tem por definição uma coleção
de métodos para planejar experimentos, obter dados e organizá-los, resumi-los,
analisá-los, interpretá-los e deles extrair conclusões. Segundo Levin (1978), a
Estatística é um conjunto de técnicas para a tomada de decisões que auxiliam os
pesquisadores na tarefa de fazerem inferências de amostras para populações e, a
partir daí, nos testes das hipóteses levantadas a natureza da realidade.

2 
 
 Uma análise feita por Sokal e Rohlf (1995) nos volumes da revista The
American Naturalist referente a onze anos de trabalhos científicos (1890 a 1990)
demonstrou um dramático aumento nos trabalhos que envolvem de alguma forma
dados numéricos, provando a eficiência dessas ferramentas (Fig. 1).

FIGURA 1 - PROPORÇÃO DOS ARTIGOS QUE ENVOLVEM

TRABALHOS NUMERICOS E ESTATISTICOS EM UMA DECADA DE
PUBLICAÇÕES NO PERIÓDICO THE AMERICAN NATURALIST
(SOKAL E ROHLF, 1995)

Segundo Triola (1999) as aplicações da Estatística se desenvolveram de tal

forma que, praticamente todo campo de estudo se beneficia da utilização de
métodos estatísticos. Desta forma foi criada uma verdadeira revolução matemática,
no modo de pensar em todas as áreas do conhecimento. Atualmente, devido a sua
grande utilidade e potencial, a Estatística tem se tornado uma ferramenta
imprescindível dos pesquisadores propiciando além da interdisciplinaridade, a sua
obrigatoriedade na maioria dos cursos superiores de graduação e pós-graduação.

Na Ciência formulam-se hipóteses que expliquem a natureza da realidade.

Freqüentemente os métodos estatísticos são utilizados no teste sistemático de
hipóteses, ou seja, na argumentação daquelas que pareçam verdadeiras, lógicas ou
evidentes (LEVIN, 1978). A Estatística pode ainda ser muito útil quando o propósito
do pesquisador é generalizar suas descobertas a partir de amostras pequenas para
populações maiores – com um alto grau de confiança.

3 
 
 Um exemplo de aplicabilidade da ferramenta estatística pode ser constatado
na área das Ciências Biológicas, estando fortemente relacionada, por exemplo, nas
subáreas da Zoologia e Ecologia onde a Estatística (denominada no âmbito dessas
ciências como “Bioestatística”) é utilizada principalmente em trabalhos onde não é
possível obter-se dados de uma espécie ou população inteira.

O objetivo geral do presente estudo foi analisar um determinado número de

trabalhos científicos de uma segunda área do conhecimento, as Ciências Biológicas
especificamente a subárea de Zoologia, pela disponibilidade ao acesso a obras
referenciadas (Laboratório de Biologia Marinha/Departamento de Ciências
Biológicas/FAFIPAR) a fim de ser determinar quais as principais ferramentas
estatísticas utilizadas pelos pesquisadores dessa área e os motivos pelos quais
foram feitas tais escolhas.

4 
 
2. FUNDAMENTAÇÃO TEÓRICA

2.1. ESTATÍSTICA DESCRITIVA

2.1.1. Medidas de Tendência Central

2.1.1.1. Média Aritmética ( )

A média é um conceito básico da matemática significando a soma dos

termos dividido pelo número deles. Apesar de simples é bastante importante, pois
será a base para cálculos mais complexos (CASTANHEIRA, 2005; ZAR, 1996). Os
valores típicos tendem a se localizar em um ponto central (média), dentro de um
conjunto de dados ordenados segundo suas grandezas (SPIEGEL, 1985).
Para dados não agrupados, utiliza-se:

∑ Onde:
∑ ó (1)
ú

Para dados agrupados, em distribuição de freqüências:

Onde:
é
∑ . ∑ . ó (2)

üê
ú

2.1.1.2. Mediana (M)

Outra importante medida de tendência central que em termos gerais,
significa o valor mediano de um conjunto de dados quando arranjados ou
organizados em forma ascendente ou descendente (McCLAVE e DIETRICH II,
1985). Zar (1996) define a mediana para variáveis discretas com impar, através da
formula:

5 
 
 Onde:
?
(3)
ú

Porém, quando esses dados se apresentam com variáveis discretas e um

par, a mediana é a média entre os dois valores localizados no meio dos dados.

2.1.2. Medidas de Dispersão e Variabilidade

2.1.2.1. Amplitude
A amplitude total de um conjunto de números é a diferença entre os
extremos de uma distribuição de dados (SPIEGEL, 1985; ZAR, 1996).

Onde:
ú (4)
ú

2.1.2.2. Desvio médio

Às vezes necessário conhecer o quanto os dados se afastam ou aproximam
em relação à média; assim é conveniente analisar a dispersão de cada um dos
valores (TRIOLA, 1999). Calcula-se o desvio médio para dados não agrupados,
através da formula:

Onde:
| |. | | ó çã
(5)
é
üê
ú

Para os dados agrupados em classes ou intervalos, substitui-se o da

fórmula, pelo ponto médio de cada intervalo.

Onde:
. ú (6)
é
üê é

6 
 
 Depois de estabelecer o valor médio de cada intervalo, aplica-se a fórmula
do desvio médio.

2.1.2.3. Variância ( )
O desvio médio absoluto é uma ótima medida de dispersão, isso por que
permite a real inferência sobre a distância média de cada variável em relação à
média. Contudo, para outros propósitos, é necessário elevar ao quadrado cada um
desses desvios e tomar a média de todos os quadrados adquiridos (TRIOLA, 1999).
A fórmula geral para a variância é:

Onde:
(7)
é

2.1.2.4. Desvio padrão ( )

Apesar de a variância ser uma medida de dispersão fácil de trabalhar, é
considerado de difícil interpretação. Parte desse problema se deve a questão das
unidades serem expressas pelo quadrado desta (CASTANHEIRA, 2005). Para
facilitar o entendimento, faz-se a raiz quadrada da variância, chamada de desvio-
padrão.

Onde: (8)
â

2.1.2.5. Coeficiente de variação ( )

Caso se queira ter uma idéia de quanto à dispersão se afasta do valor da
média, pode-ser calcular o coeficiente de variação, que é dado em porcentagem:

Onde:
. 100 ã (9)
é

2.1.3. Índices
Para variáveis discretas (como em escalas nominais) é invocado o conceito
de diversidade, que nada mais é do que a distribuição das observações através de

7 
 
categorias. As observações são distribuídas eventualmente através da eleição de
categorias, que assim tornam-se comparáveis entre si. Por exemplo, uma alta
diversidade num conjunto de dados com muitas observações e uma baixa
diversidade, onde foram feitas poucas observações, ainda que abundantes (ZAR,
1996).

2.1.3.1 Índice de Simpson (D)

Uma medida extraída a partir da abundância padrão (número de
observações) e da riqueza (número total de categorias em uma unidade amostral) de
uma população é o índice de diversidade de Simpson (BEGON et al, 2006). Esse
índice é calculado para cada categoria a proporção de observações que contribui
para o total da amostras. O índice é descrito através da fórmula:

1 Onde:
ú çõ (10)
∑
çã

2.1.3.2. Equitabilidade (E)

Pode ser quantificada entre 0 e 1 e expressa pela razão entre o índice de
Simpson (D) e uma proporção de máximo valor possível expressa por ou
(BEGON et al, 2006).

Onde:
ú çõ
çã
(11)
1 1
∑

2.1.3.3. Índice de Diversidade de Shannon (H)

Outro índice que é freqüentemente usado, com propriedades
essencialmente similares ao índice de similaridade de Simpson (D).

8 
 
 Onde:
ú çõ (12)
çã

2.1.3.4. Índice de equitabilidade de Pielou ou Diversidade Relativa (J)

Pode ser quantificada entre 0 e 1 e expressa pela razão entre o índice de
diversidade de Shannon (H) e uma proporção de máximo valor possível expressa
por (BEGON et al, 2006).

Onde:
ú çõ
çã
(13)
∑
ln

2.1.3.5. Índice de Morisita (IM)

Esse índice é utilizado principalmente para medir a dispersão dos dados no
padrão de distribuição.

∑ ∑ Onde:
∑ ∑ ú (14)
ó ú í

Sendo que esse pode apresentar valor de 1, 2 ou 3 representando

respectivamente distribuições ao acaso ou aleatória (Fig. 2a), agrupada ou
contagiosa (Fig. 2b) e uniforme ou regular (Fig. 2c).

9 
 
 (a) (b) (c)
FIGURA 2 - PADRÕES DE DISTRIBUIÇÃO: “a” (AO ACASO OU ALEATÓRIA), “b” (AGRUPADA
OU CONTAGIOSA) E “c” (UNIFORME OU REGULAR)

2.2. ANÁLISES DE CORRELAÇÃO

Segundo Ayres e Ayres Jr. (2007), as análises de correlação proporcionam

um meio de verificar o grau de associação entre duas ou mais variáveis, através de
testes paramétricos e não-paramétricos:

2.2.1. Testes Paramétricos

2.2.1.1. Correlação Linear de Pearson (r)
Conceitua-se como correlação o grau de relação entre as variáveis testadas,
que procura determinar quão bem uma equação linear descreve ou explica a relação
entre as variáveis (SPIEGEL, 1977); ou uma técnica estatística que é usada para
medir e descrever a relação entre duas variáveis. (GRAVETTER e WALLNAU, 1995;
CANGELOSI, 1976).
Segundo Beiguelman (2002) o coeficiente de correlação complementa a
análise da reta (regressão) estimando o quanto da variação total é comum aos
elementos que constituem os pares analisados.
A correlação linear é também denominada coeficiente de correlação
momento-produto de Pearson, em homenagem a Karl Pearson que o estabeleceu e
definida pela fórmula:

10 
 
 ∑ ∑ ∑ Onde:
∑ ∑ ∑ ∑
(15)

çã

Quando plotados os dados emparelhados (x e y) num gráfico forma-se um

diagrama de dispersão. Através desse gráfico é possível formular conclusões sobre
as variáveis testadas; contudo torna-se uma forma subjetiva, porque se baseia
puramente na percepção do autor. A correlação pode apresentar três diferentes
características em relação entre as variáveis x e y (GRAVETTER e WALLNAU,
1995), a saber:

1 - Direção de relação: podem ser classificada em duas categorias básicas:

positiva e negativa:
• Positiva: as duas variáveis tendem para a mesma direção, quando x cresce a
variável y também. (Fig. 3)
• Negativa: duas variáveis tendem em direções opostas, quando x cresce a
variável y decresce. (Fig. 4)

FIGURA 3 – DIAGRAMA DE DISPERSÃO

(CORRELAÇÃO POSITIVA)

11 
 
 FIGURA 4 – DIAGRAMA DE DISPERSÃO
(CORRELAÇÃO NEGATIVA)

2 - Forma da relação: baseado na forma em que os pontos se apresentam

no gráfico, em forma linear ou não linear (podendo ter inúmeras formas).

3 - Grau de relação: Demonstra o quando a relação entre x e y está

associada variando de -1 a +1, indicando, uma correlação negativa (r < 0), positiva (r
> 0) ou quando não há correlação (r = 0) (Fig. 5).

FIGURA 5 – DIAGRAMA DE
DISPERSÃO (DADOS NÃO
CORRELACIONADOS)

2.2.2. Testes Não-Paramétricos

2.2.2.1. Correlação de Spearman (ρ)
O coeficiente ρ de Spearman mede a intensidade da relação entre variáveis
ordinais (McCLAVE e DIETRICH II, 1985). Utiliza-se em vez do valor observado,
apenas a ordem das observações. Deste modo, este coeficiente não é sensível a

12 
 
assimetrias na distribuição, não exigindo, portanto que os dados provenham de duas
populações normais. Uma fórmula fácil para calcular o coeficiente ρ de Spearman
(não aconselhável para muito grandes) é dada por:

Onde:
6∑ (16)
1 n número de pares xi, yi
– ç

O coeficiente de Spearman varia entre -1 e 1. Quanto mais próximo estiver

destes extremos, maior será a associação entre as variáveis (LUDWIG e
REYNOLDS, 1988). O sinal negativo da correlação significa que as variáveis variam
em sentido contrário, isto é, as categorias mais elevadas de uma variável estão
associadas a categorias mais baixas da outra variável.

2.3. ANÁLISES DE REGRESSÃO

A Regressão é análise que prediz o futuro (dados desconhecidos), baseado

em dados recolhidos a partir do passado (dados conhecidos), determina a equação
matemática para ser usada a fim de descobrir o que vai acontecer, dentro de um
determinado intervalo de probabilidade (GRIFFITH, 2007).

2.3.1. Regressão Linear Simples

Método de modelagem da afinidade entre duas variáveis (McCLAVE e
DIETRICH II, 1985) e também chamado de regressão, utilizado para estimar uma
relação que possa existir em determinada população. Da mesma forma como
usamos a média para resumir uma variável aleatória, a regressão é usada para
resumir a estimativa linear entre duas variáveis aleatórias (LAPPONI, 1997). De
acordo com Beiguelman (2002) o termo regressão utilizado pelos estatísticos nada
mais é do que a função para os matemáticos, ou seja, quando y depende de x. Triola
(1999) considera a regressão uma descrição da relação entre duas variáveis através
da plotagem dos dados, assim determinando a equação da reta que melhor os
representa.

13 
 
 A equação da regressão linear é uma formula algébrica pela qual se
determina o valor de y através de uma formula geral (ZAR, 1996):

Onde:
á (17)
á

Conforme descrito por Triola (1999) os dados devem estar emparelhados,

para facilitar os cálculos da equação da regressão. O gráfico formado através da
equação de regressão é chamado de reta de regressão (ou reta de melhor ajuste, ou
reta de mínimos quadrados).

∑ ∑ Onde:
∑ (18)
∑ çã á
∑
∑

Onde: (19)
é á
á

O arredondamento desses parâmetros complementares deve ser feito de

modo geral, com valores para três algarismos significativos.

2.3.2. Regressão múltipla ( )

Assim como a regressão simples, a regressão múltipla ou coeficiente de
determinação ajustado é utilizado para investigar se uma variável quantitativa está
correlacionada a outras sendo a única diferença, a concomitância entre duas ou
mais variáveis. Para Beiguelman (2002), a regressão múltipla segue uma fórmula
geral:

14 
 
 Onde:
á
ú
… á (20)

Contudo, o calculo da regressão múltipla, exige processos trabalhosos

dependendo da quantidade de variáveis testadas; um dos resultados dessa análise é
a equação da regressão múltipla, que expressará o relacionamento linear entre a
variável dependente e as demais independentes.

ã
(21)

O coeficiente de determinação múltipla ( ), que determina a medida de

aderência para cada equação de regressão aos dados amostrais, pode ser ajustado
(devido uma falha quanto à adição de variáveis) através da equação proposta por
Triola (1999):

Onde:
1
1 1 á (22)
1
² ã

Esse ajuste é perfeito quando a correlação entre os dados e a equação é

1, mas consideram-se os valores próximos como ótimos ajustes do coeficiente,
enquanto mais próximo do zero estiver mais fraco será o ajuste.

2.4. EXPERIMENTOS MULTINOMIAIS E TABELAS DE CONTINGÊNCIA

2.4.1. Aderência ou Qui-Quadrado ( )

Atribui-se ao início do século XX o desenvolvimento do teste estatístico qui-
quadrado por Karl Pearson (1857-1936) que, em resumo, mede a significância de
diferenças que ocorrem entre grupos. Beiguelman (2002) argumenta que nas

15 
 
Ciências Biológicas e da Saúde é necessário muitas vezes verificar se uma
freqüência, de determinado acontecimento observado, se desvia significativamente
ou não da freqüência com que é esperado segundo alguma teoria; ou seja, mede-se
a discrepância existente entre as freqüências dos dados observados e esperados.
O teste Pearson’s qui-quadrado é um procedimento estatístico com
resultado avaliado na distribuição qui-quadrado. É um teste com hipóteses nulas, as
freqüências relativas de ocorrência são eventos observados através de uma
distribuição de freqüência específica. Os eventos são considerados por serem
independentes e por ter a mesma distribuição, e os resultados devem ter eventos
mutuamente exclusivos (PIRHAJI et al, 2008).
Assim o qui-quadrado é um teste não paramétrico (por que não depende
dos parâmetros populacionais) e pode ser determinado pelo somatório dos desvios
ao quadrado dividido pelos valores esperados, expressada por:

Onde:
üê (23)
üê

Segundo teorias ou conhecimentos pretéritos, estabelece-se o valor

esperado (e), enquanto que o valor observado (o) é geralmente coletado ou
experimentado. Quando 0, os dados observados e esperados concordam
exatamente; 0 isso não ocorre. Assim quanto maior o valor do qui-quadrado,
maior é a discrepância entre as freqüências. Esse teste mostra-se unilateral à direita,
por que o valor crítico e a região crítica estão situados na extrema direita da
distribuição (Fig. 6).

16 
 
 Não Rejeitar Rejeitar
… …

 
FIGURA 6 – GRÁFICO DA DISTRIBUIÇÃO DO TESTE F -
ADAPTADO DE TRIOLA (1999)

O conceito do grau de liberdade do (GL) pode ser expresso, segundo

Beiguelman (2002), como o número de classes de resultados menos o número de
informações da amostra que são necessárias ao cálculo dos valores esperados
nessas classes.
Através da tabela de distribuições de qui-quadrado (Apêndice 1) é possível
constatar a probabilidade correspondente ao valor encontrado e os graus de
liberdade estabelecidos.

2.4.2. Tabelas de contingência (independência e homogeneidade)

As tabelas de contingência são uns dos itens mais utilizados, por sua
facilidade em mostrar o resultado das pesquisas, nada mais é do que uma tabela em
que as freqüências correspondem a duas variáveis (uma categoriza as linhas e outra
as colunas). Existem dois tipos de teste relacionados a tabelas de contingência
(TRIOLA, 1999):
1- Teste de independência, que analisa a hipótese nula de que a variável
“linha” e a variável “coluna” são independentes ou não relacionadas. A fórmula para
o teste de independência é a mesma do qui-quadrado (vide fórmula 23) mudando
apenas a obtenção do grau de liberdade:

17 
 
 Onde:
1 1 (24)

E a freqüência esperada:

üê (25)

2- Teste de homogeneidade, que avalia a afirmação de que diferentes

populações apresentam as mesmas proporções de determinadas características;
utiliza dados amostrais extraídos de diferentes populações, envolvendo escolhas
aleatórias feitas de modo que ou os totais de linhas, ou os totais de colunas sejam
predeterminados.

2.5. ANÁLISE DE VARIÂNCIA

A designação ANOVA deriva da expressão inglesa Analysis Of Variance,

denominando-se teste F em homenagem a R. A. Fisher (1924). É utilizado para
comparar mais de duas amostras cujos dados devem ser mensurados em escala
intervalar ou de razões (AYRES e AYRES JR, 2007; GRAVETTER e WALLNAU,
1995).
Gonçalves (1998) define ainda a ANOVA como uma decomposição da
variância total de um conjunto em variâncias parciais, correspondentes a fontes de
variação diferentes e determinadas. Posteriormente as variância serão comparadas
entre si (pelo teste F) que assim gerará uma significância estatística para diferenças
entre e com os grupos estabelecendo-se probabilidades entre 0,05, 0,001 ou menos
(GIRALDO et al, 2008).
Em suma, a análise compara a magnitude das variações de mais de duas
amostras, decompondo a variância total em duas partes:

a) Entre as amostras, constituindo o chamado quadrado médio dos tratamentos.

18 
 
 b) Dentre cada tratamento, compondo o denominado quadrado médio do erro
experimental

O teste F nada mais é do que a razão entre esses quadrados médios,

podendo ser feita através de testes paramétricos ou não-paramétricos.
Quando as amostras são reunidas é obtida a variância total, simbolizada por
. Considerando-se que a soma dos quadrados tem –1 , a variância total é
descrita por:

∑ ∑ Onde:
1 ú
(26)
ú
∑ é
1

Com a suposição de que as populações tenham todas as mesmas

variâncias ( ), estima-se o seu valor comum utilizando duas abordagens diferentes
(BEIGUELMAN, 2002):

• Variância entre amostras: baseia-se na variabilidade entre as médias

amostrais é simbolizada por esse parâmetro mede a variação entre todas
as amostras reunidas. Assim a variação observada no total das médias seria:

Onde:
∑ ú
(27)
1 ú
é

• Variância dentro das amostras: baseia-se na variabilidade entre as variâncias

amostrais é simbolizada por e mede a variação dentro das amostras
reunidas, através da fórmula:

19 
 
 ∑ ∑ Onde:
1 ú
ú
é (28)
∑ ∑

O valor da fórmula geral da variância é tanto menor quanto mais

semelhantes forem às médias amostrais e o inverso ocorre quando as médias
forem diferentes entre si. A razão entre as variâncias origina o valor F, que é
verificado na tabela de F (Apêndice 2), ao nível de 5%.

Onde:
(29)

Quando o valor de F se aproxima de 1 assume-se que não há diferenças

significativas entre as medias amostrais; contudo se o valor de F é excessivamente
grande, é rejeitado a afirmação de igualdade das médias.

20 
 
3. METODOLOGIA

Para a busca de trabalhos científicos da subárea de Zoologia foram

utilizadas as publicações trimestrais da Revista Brasileira de Zoologia (RBZ)
referentes aos anos de 2006 (151 artigos publicados) e 2007 (20 artigos publicados)
disponíveis no acervo particular do Laboratório de Biologia Marinha do
Departamento de Ciências Biológicas da FAFIPAR.

Nos exemplares da RBZ - edição 2006 foram avaliados todos os artigos

publicados naquele ano, enquanto que nos de 2007 foram escolhidos apenas os que
apresentavam algum tratamento matemático e/ou estatístico dos dados
apresentados e especificamente aqueles com ênfase em aspectos de cunho
ecológico (Zoologia Aplicada). Nesses trabalhos foram ainda pormenorizados os
objetivos e as metodologias utilizadas na tentativa de justificar os tratamentos
estatísticos escolhidos e quais os fatores levaram os pesquisadores a escolhê-los
(ANEXO 1).

21 
 
4. RESULTADOS

4.1. ARTIGOS DE 2006

Dos cento e cinqüenta e um (151) artigos analisados do periódico Revista

Brasileira de Zoologia (2006) foi constatado que setenta e dois (72) não fizeram uso
de alguma ferramenta matemática, sendo estes trabalhos referentes à temática
“taxonomia” que se caracteriza pela descrição de espécies e revisão de gêneros.
Nos restantes 52,3% artigos (79) foram observados diferentes ferramentas
estatísticas, relativas à: análises de variância (ANOVA), índices de diversidade,
estatística descritiva, análises de correlação e análises multivariadas (Tabela 1;
Figura 7).

TABELA 1 - PRINCIPAIS ANÁLISES ESTATISTICAS UTILIZADAS

NOS ARTIGOS PUBLICADOS NA REVISTA BRASILEIRA DE
ZOOLOGIA NO ANO DE 2006
Ferramenta Quantidade Freqüência
Análise de Variância 22 14,6%
Índices de Diversidade 22 14,6%
Estatística Descritiva 21 13,9%
Análises de Correlações 15 9,9%
Análises Multivariadas 11 7,3%

22 
 
 
 

Análises 
Multivariadas
12%
Análises de 
Análise de 
Correlações
Variância
17%
24%

Índices de 
Estatística  Diversidade
Descritiva 24%
23%

 
FIGURA 7 – GRÀFICO EM PERCENTAGEM DAS PRINCIPAIS
ANÁLISES ESTATÍSTICAS UTILIZADAS NOS ARTIGOS
PUBLICADOS NA REVISTA BRASILEIRA DE ZOOLOGIA NO ANO DE
2006

4.2 ARTIGOS DE 2007

Nos 20 artigos do ano de 2007 foram utilizadas ao todo 40 ferramentas

estatísticas em média 2 tratamentos por trabalho. Dezoito (18) análises foram
utilizadas apenas uma vez; 17 foram observadas de duas a cinco vezes e 5
ocorreram de seis a oito vezes. As ferramentas análise de variância (ANOVA), índice
de diversidade de Shannon, o teste Qui-Quadrado e o Índice de Morisita foram as
mais utilizadas, representando 30% ou mais do total de trabalhos observados
(Tabela 2).
Interessante notar que o número de vezes em que os testes de similaridade
e t-student foram observados (ambos 20%) esteve associado ao uso dos índices de
diversidade e ANOVA por serem utilizadas nos artigos como ferramentas
preliminares dessas análises.

23 
 
 TABELA 2 – FERRAMENTAS ESTATÍSTICAS UTILIZADOS NOS ARTIGOS
SELECIONADOS DA REVISTA BRASILEIRA DE ZOOLOGIA DE 2007

Freqüência por
Ferramentas Repetições
Trabalhos
ANOVA 8 40%
Índice Diversidade Shannon 6 30%
Qui-Quadrado 6 30%
Índice de Morisita 6 30%
Correlação Linear de Pearson 5 25%
Similaridade Jaccard 4 20%
Teste T-student 4 20%
Método Jackknife 3 15%
Teste de Tuckey 3 15%
Analise de Componentes Principais (PCA) 2 10%
Diversidade beta-2 2 10%
Diversidade de Margalef 2 10%
Diversidade de Simpson 2 10%
Dominância de Berger-Parcker 2 10%
Índice de Equitabilidade de Pielou 2 10%
Regressão Múltipla Multivariada 2 10%
Similaridade Qualitativa de Sorensen 2 10%
Teste de Kolmogorov-Smirnov 2 10%
Teste de Kruskal-Wallis 2 10%
Teste de Mann-Whitney U 2 10%
Analise de Agrupamento- UPGMA 2 10%
Analise de Correspondência Canônica 2 10%
Classificação Hierárquica Não-Ponderada 1 5%
Coeficiente de Concordância de Kendall 1 5%
Correção de Continuidade de Yates 1 5%
Escalonamento Multidimensional (NMDS) 1 5%
Estimativa de Kaplan-Meier 1 5%
Índice “incidence-based coverage estimator” 1 5%
Matriz de Similaridade no Dendrograma 1 5%
Média de Willians 1 5%
Método Student-Newman-Keuls 1 5%
Regressão Linear 1 5%
Regressão Linear Múltipla 1 5%
Shapiro-Wilk 1 5%
Similaridade Geral de Gower 1 5%
Teste de Bartlell 1 5%
Teste de Freedman 1 5%
Teste de Levene 1 5%
Teste de Mantel 1 5%
Teste de Spearman 1 5%

24 
 
5. CONSIDERAÇÕES FINAIS

A ferramenta estatística foi amplamente utilizada por mais da metade dos

artigos científicos avaliados (52,3%) em um ano de publicações cientificas da sub-
área Zoologia. Dentre os tratamentos matemáticos dos dados observados
destacaram-se as análises que comparam categorias temporais e espaciais (Análise
da Variância), os que testam a distribuição das observações através de categorias
(Índices de Ecológicos) e a Estatística Descritiva.

Nos 47,7% trabalhos restantes que não empregaram nenhum método

estatístico avaliou-se que os objetivos estão relacionados com a temática
Taxonomia, que trata de descrever/ordenar hierarquias zoológicas e compreender os
processos responsáveis pela geração dessas categorias, ou seja, trata-se de
trabalhos onde não há a necessidade do uso de ferramentas estatísticas, pois
avaliam características físicas dos objetos (dados) em questão e as descrevem.

Numa avaliação mais detalhada dos artigos que sempre utilizam métodos
estatísticos observou-se que esses em média, utilizam 2 tratamentos estatísticos,
numa escala de 1 a 8 ferramentas por artigo. Foi observado ainda nesses trabalhos
o emprego de 40 ferramentas estatísticas diferentes e uma tendência de que certas
análises são mais comumente utilizadas (análise de variância - ANOVA, índice de
diversidade de Shannon, teste Qui-Quadrado e o Índice de Morisita) do que outras.

Além disso, a necessidade do uso de análises preliminares e/ou

pressupostos matemáticos levaram a associação de algumas análises estatísticas o
que ocasionou elevados valores de freqüência. Esse fato pode demonstrar a
preocupação dos pesquisadores em validar seus resultados por mais de um método
de análise, visto que a maioria dos artigos observados trata-se de avaliações com
alto grau de confiança.

No presente estudo confirma-se que a utilização da Estatística na área de

Ciências Biológicas atende aos objetivos de grande parte dos estudos científicos que
tem por definição resumir, analisar e interpretar dados e deles extrair generalizações
sobre a natureza da realidade.

25 
 
6. REFERÊNCIAS BIBLIOGRÁFICAS

6.1 LIVROS

BEGON, M.; TOWNSEND, C. R.; HARPER, J. L. ECOLOGY: From Individuals to

Ecosystems 4 ed. Malden: Blackwell Publishing Ltd, 2006.

BEIGUELMAN, B. Curso Prático de Bioestatítica 5ed. Ribeirão Preto: FUNPEC,

2002.

BÍBLIA. Português. Bíblia Sagrada. Reed. Versão de Antônio Pereira de Figueiredo.

Rio de Janeiro: Encyclopaedia Britannica, 1974.

CANGELOSI, V., Taylor, P., Rice, P. Basic Statistics a Real World Approach New
York: West Publishing Co, 1976.

CASTANHEIRA, N. P. Estatística Aplicada a Todos os Níveis 2ed. Curitiba: Ibpex,

2005.

COSTA, S. F. Introdução ilustrada à estatística 2 ed. Harbra: São Paulo, 1992.

GRAVETTER, F. J. e WALLNAU, L. B. Essential of Statistics for the behavioral

sciences 2ed. St. Paul: West Publishing Company, 1995.

GRIFFITH, A. SPSS® For Dummies® Indianapolis: Wiley Publishing, Inc., 2007.

LAPPONI, J. C. Estatística usando Excel 5 e 7. São Paulo: Lapponi Treinamentos

e Editora, 1997.

LEVIN, J. Estatística Aplicada a Ciências Humanas São Paulo: Editora Harper &
Row do Brasil, 1978.

LUDWIG, J. A. e REYNOLDS, J. F. Statistical Ecology: A primer on methods and

computing New York: John Wiley & Sons, Inc, 1988.

McCLAVE, J. T. e DIETRICH II, F. H. Statistics 3 ed. New Jersey: Macmillan, 1985.

SIEGEL, M. R. Estatística 2 ed. São Paulo: Mc Graw-Hill, 1985.

SOKAL, R. R. e ROHLF, F. J. Biometry 3 ed. New York: W.H. Freeman and

Company, 1995.

TRIOLA, M. F. Introdução à Estatística 7 ed. Rio de Janeiro: LTC, 1999.

ZAR, J. H. Biosatistical Analysis 3 ed. New Jersey: Prentice-Hall Inc., 1996.

26 
 
6.2. PUBLICAÇÕES PERIÓDICAS

GIRALDO, M. A.; D. Bosch; M. Madden; L. Usery; C. Kvien Landscape complexity

and soil moisture variation in south Georgia, USA, for remote sensing applications
Journal of Hydrology n.357 16p. 2008

PIRHAJI, L.; M. Kargar; A. Sheari; H. Poormohammadi; M. Sadeghi; H. Pezeshk; C.

Eslahchi - The performances of the chi-square test and complexity measures for
signal recognition in biological sequences Journal of Theoretical Biology n. 251 8p.
2008

6.3. DOCUMENTOS ELETRÔNICOS

AYRES, M., AYRES-JR., M. BioEstat 2.0: Aplicações estatísticas nas áreas das
ciências biológicas e médicas. Manaus, Sociedade Civil Mamirauá, MCT – CNPq
2007.

GONÇALVES, C. A. Introdução à Bioestatística Brasília: UNB, 1998. Apostila

Digitada.

MELÃO JR, H. Estatística Robusta aplicada no Mercado. Disponível em:

http://www.sigmasociety.com Acesso em: 02 fev. 2008

6.4. OBRAS CONSULTADAS

ADAMS, D. O Restaurante no Fim do Universo 5 ed. Rio de Janeiro: Sextante,

2004

REVISTA BRASILEIRA DE ZOOLOGIA, Curitiba, 23 (1): 1-310, março 2006

REVISTA BRASILEIRA DE ZOOLOGIA, Curitiba, 23 (2): 311-591, junho 2006

REVISTA BRASILEIRA DE ZOOLOGIA, Curitiba, 23 (3): 593-900, setembro 2006

REVISTA BRASILEIRA DE ZOOLOGIA, Curitiba, 23 (4): 901-1289, dezembro 2006

REVISTA BRASILEIRA DE ZOOLOGIA, Curitiba, 24 (1): 1-263, março 2007

REVISTA BRASILEIRA DE ZOOLOGIA, Curitiba, 24 (2): 265-522, junho 2006

REVISTA BRASILEIRA DE ZOOLOGIA, Curitiba, 24 (3): 523-853, setembro 2006

REVISTA BRASILEIRA DE ZOOLOGIA, Curitiba, 24 (4): 855-1191, dezembro 2006

TREVISAN, N. A.; KEMPA, S.R.; GUTIERREZ, L. Manual de Normas Técnicas
Para Elaboração do Trabalho de Conclusão de Curso – TCC Paranaguá:
Faculdade Estadual de Filosofia, Ciências e Letras de Paranaguá, 2006. Apostila
Digitada.

27 
 
UNIVERSIDADE FEDERAL DO PARANÁ. Biblioteca Central. Normas para
apresentação de documentos científicos. Curitiba, 2000. pt. 2: Teses,
dissertações e trabalhos acadêmicos.

UNIVERSIDADE FEDERAL DO PARANÁ. Biblioteca Central. Normas para

apresentação de documentos científicos. Curitiba, 2000. pt. 6: Referências.

UNIVERSIDADE FEDERAL DO PARANÁ. Biblioteca Central. Normas para

apresentação de documentos científicos. Curitiba, 2000. pt. 8: Redação e
Editoração.

28 
 
ANEXO 1 – QUADRO 1 - ARTIGOS CIÊNTIFICOS PUBLICADOS NA RBZ/2007 ANÁLISADOS
PAG
RBZ

Titulo do Artigo Objetivo do Estudo Metodologia Amostral Ferramentas Estatísticas e Utilização

A malacofauna bentônica Composição das Cada represa tinham três transectos 1. Análise de Regressão Múltipla: correlação
das represas do médio rio espécies como seis amostras cada. Distribuídos entre dados coletados
tiete e uma avaliação Densidade de acordo como o gradiente de 2. Análise da Variância Multivariada:
ecológica das espécies Distribuição espacial profundidade escalonado em intervalos comparação entre todos os dados
24-1

21

exóticas invasoras, Distribuição de 2 a 4m. coletados

Melanoides tubercalata temporal pH, condutividade elétrica, OD e 3. Análise de Correspondência Canônica:
(Muller) e Corbicula em três diferentes temperatura, nitrogênio e fósforo total, comparação entre todos os dados
fluminea (Muller). represas granulometria e matéria orgânica. coletados

Ninhos por estações, 10 minutos em

Matérias dos ninhos 1. Índice de Diversidade de Simpson: testar
cada, sempre de manha.
Ecologia do forrageiro por Variações sazonais agregações por estações
Contagens de operarias que saíram e
Cyphomyrmex morschi em no uso desses 2. Índice Morisita: comparação entre as
24-1

que voltaram e identificação do

52

vegetação de restinga no recursos estações e tempo

material trazido.
sul do Brasil. Informações 3. Teste T-student: testou os dados do índice
Identificação do material foi feita em
filogenéticas de diversidade de Simpson
um herbário
1. Índice de Diversidade de Shannon-Wiener:
Em três locais, amostragens
diversidade
bimestrais, esforço amostral de 3,5
Caracterizar a fauna 2. Índice de Diversidade de Margalef:
Diversidade de borboletas horas-rede/local/ocasião ao longo das
de borboletas diversidade
(Ledidoptera,Papilionoidea trilhas existentes, as borboletas
Listagens 3. Índice de Dominância de Simpson:
e Hesperioidea) em visualizadas eram registradas em
Riqueza diversidade
24-1

108

fragmentos de Floresta planilha ou capturadas.

Abundancia 4. Índice de Dominância de Berger-Parker:
Estacional Decidual em Foram analisados, numero de
Diversidade diversidade
Santa Maria, Rio Grande indivíduos, riqueza de espécies,
Dominância 5. Índice de Morisita: similaridade dos índices
do Sul, Brasil. freqüência relativa da espécie, numero
Similaridade de diversidade
de espécies exclusivas.
6. Índice de Jaccard: similaridade dos índices
Para a analise de abundancia
de diversidade
Quinzenalmente, 450 horas de esforço 1. Riqueza Jackknife: diversidade
Comunidade de aves no
amostral, visual, auditivo e captura. 2. Teste T-student: testou os dados coletados
Parque Estadual da Fonte Inventariar a
24-1

121

Freqüência de captura, freqüência de 3. Qui - Quadrado: testar a diferentes

Grande, Vitória, Espírito comunidade de aves
ocorrência, categorizar as espécies por categorias
Santo, Brasil.
sua ocorrência.

29 
 
 ANEXO 1 – QUADRO 1 - ARTIGOS CIÊNTIFICOS PUBLICADOS NA RBZ/2007 ANÁLISADOS (CONTINUAÇÃO)
PAG
RBZ

Titulo do Artigo Objetivo do Estudo Metodologia Amostral Ferramentas Estatísticas e Utilização

Amostras em quatro veredas,

Estrutura de populações
palmeiras foram escaladas e
de Rhodnius neglectus 1. Qui - Quadrado: testar a diferentes
coletadas todo material presente
Lent e Psammolestes Analisar a infestação categorias
nas bainhas, ao todo 41
tertius Lent & Jurberg e estrutura etária da 2. ANOVA: detectar diferenças entre valores
amostras, medido também a
(Hemipter, Reduviidae) população, em quatro médios dos dados coletados
24-1

157

temperatura e umidade relativa

em ninhos de pássaros áreas e duas estações 3. Teste T-student: comparação entre as
do ar
(Furnariidae) presentes climáticas (seca e médias
Indivíduos separados por sexo,
na palmeira Mauritia chuvosa). 4. Teste de Mann-Whitney: comparação entre
foram analisados as fezes e a
flexuosa no Distrito as médias
saliva pra observar a infecção
Federal, Brasil
com T. cruzi.
Caracterizar a
avifauna em dois
Levantamento qualitativo, 10
fragmentos florestais,
Análise comparativa da visitas em cada área, cada visita
analisar e comparar a
assembléia de aves em tinha 8 horas. 1. Índice de Diversidade Shannon-Wiener:
estrutura da
dois remanescentes Levantamento quantitativo 100 diversidade
24-2

362

comunidade por
florestais no interior do pontos, por 10 minutos cada, 2. Índice de Similariedade de Sorensen:
dados qualitativos,
Estado de São Paulo, utilizou-se trilhas já feitas comparação entre locais
composição especifica
Brasil
e freqüência e
analisar
quantitativamente
Distribuição espacial,
sazonal e estrutura
1. Qui - Quadrado: testar a diferentes
populacional do Coletas mensais para a
categorias
caranguejo Aratus Avaliar a distribuição estrutura populacional, e
2. Teste T- student: comparação entre médias
pisonii (H. Milne espaçial e sazonal sazonal sendo divididas em 0 45
24-2

463

3. ANOVA: detectar diferenças entre valores

Edwards) (Crustacea, bem como a estrutura e 90 metros
médios dos dados coletados
Decapoda, Sesarmidae) populacional
4. Teste de Kolmogorov – Smirnov: verificam a
do manguezal do Largura do cefalotórax, sexo,
normalidade dos dados
Itacuruçá, Rio de
Janeiro, Brasil

30 
 
 ANEXO 1 – QUADRO 1 - ARTIGOS CIÊNTIFICOS PUBLICADOS NA RBZ/2007 ANÁLISADOS (CONTINUAÇÃO)
PAG
RBZ

Titulo do Artigo Objetivo do Estudo Metodologia Amostral Ferramentas Estatísticas e Utilização

Coletas abióticas (ph,

Avaliar a composição e temperatura, condução
Variação temporal de 1. Índice de Jackknife: Riqueza
estrutura das elétrica, oxigênio dissolvido,
larvas de 2. PCA: testou as variáveis de tempo
assembléias de transparência da água,
Chironomidae 3. Escalonamento Multidimensional não
24-3

565

Chironomidae e avaliar profundidade, nitrogênio total,

(Diptera) no alto rio métrico (NMDS): testou as densidades
quais fatores abióticos fósforo total, ortofosforo e
Paraguai (Cáceres, 4. Regressão múltipla multivariada: testou
influenciam a sedimento)
Mato Grosso, Brasil) todas as variáveis coletadas
distribuição temporal Coletas bióticas (sedimento foi
triado)
Composição de
Indivíduos, duas lâmpadas
espécies noturnas e
durante 30 minutos separados 1. Índice de Jackknife: Riqueza
analisar a relação entre
Composição de em 100 metros, foi visto o tipo 2. Regressão Linear: riqueza x forma
o numero de fito
espécies de Arctiidae de fisionomia (campo, cerrado 3. Teste de Mantel: diversidade x distancia
24-3

635

fisionomias e a riqueza.
(Insecta, Lepidóptera) sentido restrito, cerradão ou 4. Diversidade Beta: diversidade
Relação entre a
em áreas de cerrado mata de galeria) e o estado de 5. Classificação aglomerativa: diferenças
diversidade beta e a
preservação da vegetação entre abundancia e forma
distancia geométrica
(pinus, gado ou retirada)
entre as áreas
Diversidade biológica Caracterizar a
1. Índide de Diversidade de Shannon –
da comunidade de diversidade de peixes
Capturas em seis trechos em Wiener: diversidade
24-3

657

peixes no baixo rio através da abundãncia

períodos de seca e cheia 2. Equitabilidade de Pielou: uniformidade dos
das mortes, Mato de indivíduos, riqueza
dados de diversidade
Grosso, Brasil de espécies.
1. Índide de Diversidade de Shannon –
Wiener: diversidade
2. Equitabilidade de Pielou: uniformidade dos
Mensalmente foram realizados
dados de diversidade ANOVA: detectar
Avifauna aquática do Abundância, riqueza e 3 censos em um mesmo dia
diferenças entre valores médios dos dados
saco da fazenda flutuações sazonais da de jan/96 até dez/05.
coletados
24-4

873

(Itajaí, SC, Brasil): comunidade de aves Identificação e contagem

3. Teste Bartlell: homogeneidade da
uma década de aquáticas por uma (foram classificados em três
variância
monitoramento década categorias por ocorrência, C D
4. Teste de Kolmorov-Smirnov: testou
A)
normalidade dos dados
5. Teste de Tuckey-Kramer: diferença entre
as médias

31 
 
ANEXO 1 – QUADRO 1 - ARTIGOS CIÊNTIFICOS PUBLICADOS NA RBZ/2007 ANÁLISADOS (CONTINUAÇÃO)
PAG
RBZ

Titulo do Artigo Objetivo do Estudo Metodologia Amostral Ferramentas Estatísticas e Utilização

Condicionantes
Carcaterizar a
ambientais na Arrasto de fundo com rede de
distribuição espaço- 1- ANOVA: detectar diferenças entre valores médios dos
distribuição e no portas, amostras triplicas em cada
temporal desta espécie dados coletados
período reprodutivo do zona (interna, central e externa) em
1017

e o período 2- Teste de Tuckey: teste pressuposto ANOVA

24-4

Orthopristis ruber locais escolhidos aleatoriamente

reprodutivo, bem como 3- Qui - Quadrado: testar a diferentes categorias
(Cuvier) (Teleostei, (30min). Temperatura, salinidade,
avaliar possíveis 4- Correlação de Spearman: grau de relação entre
Haemulidae) na Baía de transparência e profundidade alem
associações com as diferentes categorias de dados
Sepetiba, Rio de dos dados pluviométricos.
variáveis ambientais
Janeiro, Brasil
1- Regressão Linear Múltipla: detectar diferenças entre
todas as variadas coletadas
2- Ìndice “incidence-based coverage estimator”: Estima a
Foram realizadas 15 visitas
riqueza das espécies
mensais, com duração de quatro
3- Coeficiente de Afinidade de Jaccard: detectar diferenças
Riqueza e distribuição Riqueza de espécies, dias cada, no período de jan/02 e
entre local e o numero de espécies
espaço-temporal de distribuição espacial e mar/03. Foram empregados 4 tipos
4- Análise de Agrupamento pelo Método não Ponderada
1025

anuros em um a ocorrência sazonal de amostragem: levantamento da

24-4

“UPGMA”: complementação das análises anteriores

remanescente de de adultos e girinos reprodução em seis corpos d’água /
5- Índice de Similaridade de Morisita: testa agregação dos
Floresta de Araucária num fragmento de transecção por busca aural (som) /
locais
no sudeste do Paraná floresta busca ativa (procura por 40 min por
6- Matriz de Similaridade no Dendrograma: determina o erro
pessoa) e amostragem de girinos,
7- Mann – Whitney: diferenças entre as espécies
realizada com puçá.
8- Teste de Kruskal – Wallis: diferenças entre
agrupamentos com mais de uma categoria

1- Qui - Quadrado: testar a diferentes categorias

2- Correção de Continuidade de Yates: compara as
proporções e taxas
Avaliar as taxas de 3- Estimativa de Kaplan-Meier: relação do tempo e
predação dos ninhos, ocorrências
variações temporais 4- Teste de Shapiro-Wilk: testa normalidade dos dados
destas taxas, identificar Cinco expedições, com duração de 5- ANOVA: detectar diferenças entre valores médios dos
Predação de ninhos de
as espécies que atuam cindo a 21 dias, totalizando 57 dias, dados coletados
Trachemys dorbigni
1063

como predadoras dos todos os ninhos identificados foram 6- Teste de Kruskal – Wallis: diferenças entre
24-4

(Duméril & Bidron)

ninhos e sua marcados com estacas, alguns agrupamentos com mais de uma categoria
(Testudines, Emydidae)
importância relativa e protegidos. O ninhos foram 7- Teste de Student – Newman – Keuls: comparação entre
no extremo sul do Brasil
avaliar a influencia das monitorados 3 vezes ao dia. tempo e ocorrência
dispersões dos ninhos 8- Correlação de Spearman: grau de relação entre
sobre as taxas e o diferentes categorias de dados
tempo até a predação. 9- Correlação Linear de Pearson: correlação entre variáveis
10- Índice de Similaridade de Morisita: testa agregação dos
locais

32 
 
ANEXO 1 – QUADRO 1 - ARTIGOS CIÊNTIFICOS PUBLICADOS NA RBZ/2007 ANÁLISADOS (CONTINUAÇÃO)
PAG
RBZ

Titulo do Artigo Objetivo do Estudo Metodologia Amostral Ferramentas Estatísticas e Utilização

Composição e Analisar a composição da

abundancia relativa comunidade de mamíferos 1- ANOVA: detectar diferenças entre valores médios dos
dos mamíferos de de médio e grande porte e dados coletados
Armadilhas fotográficas, 2- Índice de Similaridade de Morisita: testa agregação dos
médio e grande obter dados sobre a
1087
24-4

transectos de pegadas, locais

porte no Parque abundancia relativa dessas 3- Coeficiente de Afinidade de Jaccard: detectar diferenças
visualizações,
Estadual do Turvo, espécies através da entre local e o numero de espécies
Rio Grande do Sul, aplicação de diferentes
Brasil métodos.
Coletas bimestralmente
Análise comparativa
entre ab/99 e fev/00
da alimentação de
divididos em local 1 e local 1- Índice de Similaridade Geral de Gower: testar a diferença
peixes (Teleostei) Analisar comparativamente
2 (cabeceira e próximo ao entre categorias
entre ambientes de a composição da dieta de
mar), em cada local foram 2- Qui - Quadrado: testar a diferença entre categorias
25-1

marisma e de peixes entre dois

10

feitas 3 arrastos 3- Análise de Agrupamento pelo Método não Ponderada

manguezal num microhabitats de um
Foi também mesurado “UPGMA”: complementação das análises anteriores
estuário do sul do estuário
temperatura, salinidade e
Brasil (Baía de
ph
Guaratuba, Paraná)

1- Media de Willians: relação entre variáveis

2- Índice de Similaridade Qualitativa de Sorensen: similaridade
Avaliar a diversidade da entre períodos
Diversidade de fauna de culicidae, durante 3- Índice de Similaridade de Morisita: testa agregação dos
Culicidae durante os os períodos crepusculares, locais
periodos buscando associar a 4- Índice de Dominância de Berger – Parcker: relação entre
Quinzenalmente, durante
crepusculares em variação de abundancia variáveis e o tempo
25-1

os períodos vespertinos e
40

bioma de Floresta das especies com os 5- Índice de Diversidade de Margalef: Riqueza

matutinos,
Atlantica e paridade fatores climáticos, bem 6- Teste de Levene: diferença entre a abundancia em tempos
de Anopheles cruzii como obter parâmetros diferentes
(Diptera: Culicidae) populacionais relacionados 7- ANOVA: detectar diferenças entre valores médios dos
a paridade dados coletados
8- Teste de Tuckey: teste posterior ao ANOVA,
9- Correlação Linear de Pearson: correlação entre variáveis

33 
 
 ANEXO 1 – QUADRO 1 - ARTIGOS CIÊNTIFICOS PUBLICADOS NA RBZ/2007 ANÁLISADOS (CONTINUAÇÃO)
PAG
RBZ

Titulo do Artigo Objetivo do Estudo Metodologia Amostral Ferramentas Estatísticas e Utilização

1- Correlação Linear de Pearson: correlação entre

Efeitos da sucessão variáveis
Verificar a abundância, riqueza e
florestal sobre a 2- Coeficiente de Concordância de Kendall: correlação
composição da anurofauna em
anurofauna (Amphibia: entre riqueza e variáveis temporais
ambientes de diferentes estágios
25-1

49

Anura) da Reserva 12 parcelas 3- Coeficiente de Afinidade de Jaccard: detectar diferenças

sucessionais de cronoseqüência
Catuaba e seu entorno, entre local e o numero de espécies
de uma floresta do Acre e seu
Acre, Amazônia sul- 4- Análise de Agrupamento pelo Método não Ponderada
entorno
ocidental “UPGMA”: complementação das análises anteriores

Fatores abióticos foram

coletados
Distribuição e
Propõe um estudo descritivo da mensalmente,luminosidade,
abundancia dos
ocorrência e da abundância das temperatura do ar, e do
carangueijos Uca Leach
populações de Uca em solos solo (5,10,15,20) e a 1- Teste de Freedman: significância na diferença das
23-4

901

(Crustacea, Decapoda,
localizados num gradiente de salinidade de água e variáveis
Ocypodidae) na Baía de
salinidade da água dentro da também as condições
Guaratuba, Paraná,
referida baia. climáticas
Brasil
E a coleta de material
biológico
1- Índice de Diversidade Shannon: diversidade
2- Índice de Diversidade Beta-2: diversidade entre as
Avaliar os padrões espaciais na
categorias
Influência da composição, estrutura e
3- Análise de correspondência com remoção do efeito arco
urbanização sobre as distribuição das assembléias
1101

DCA: determinar os padrões das categorias

23-4

assembléias de peixes ícitias e relacionar estes padrões

4- Análises de Componentes Principais PCA: relação entre
em três córregos de com características físicas e
variáveis coletadas
Maringá, Paraná químicas do ambiente em três
5- Correlação Linear de Pearson: correlação entre
córregos urbanos
variáveis

34 
 
APÊNDICE 1 – VALORES DE DISTRIBUIÇÃO DE QUI QUADRADO

GL\P 0,99 0,95 0,90 0,80 0,70 0,50 0,30 0,20 0,l0 0,05 0,02 0,0l 0,00l
0l ,0002 0,004 0,0l6 0,064 0,l48 0,455 l,074 l,642 2,706 3,84l 5,4l2 6,635 l0,827
02 0,020 0 l03 0,2ll 0,446 0,7l3 1,386 2,408 3,219 4,605 5,991 7,824 9,210 13,815
03 0,115 0,352 0,584 1,005 1,424 2,366 3,665 4,642 6,251 7,815 9,837 11,345 16,266
04 0,297 0,711 1,064 1,649 2,195 3,357 4,878 5,989 7,779 9,488 11,668 13,277 18,467
05 0,554 1,145 1,610 2,343 3,000 4,351 6,064 7,289 9,236 11,070 13,388 15,080 20,515
06 0,872 1,635 2,204 3,070 3,828 5,348 7,231 8,558 10,645 12,592 15,033 16,812 22,457
07 1,239 2,167 2,833 3,822 4,671 6,346 8,383 9,803 12,017 14,067 16,622 18,475 24,322
08 1,646 2,733 3,490 4,594 5,527 7,344 9,524 11,030 13,362 15,507 18,168 20,090 26,125
09 2,088 3,325 4,168 5,380 6,393 8,343 10,656 12,242 14,684 16,919 19,679 21,666 27,877
10 2,558 3,940 4,865 6,179 7,267 9,342 11,781 13,442 15,987 18,307 21,161 23,209 29,588
11 3,053 4,575 5,578 6,989 8,l48 l0,34l l2,899 l4,63l l7,275 l9,675 22,6l8 24,725 3l,264
l2 3,57l 5,226 6,304 7,807 9,034 ll,340 l4,0ll l5,8l2 l8,549 2l,026 24,054 26,2l7 32,909
13 4,l07 5,892 7,042 8,634 9,926 l2,340 l5,ll9 l6,985 l9,8l2 22,362 25,472 27,688 34,528
14 4,660 6,571 7,790 9,467 l0,821 l3,339 l6,222 l8,l5l 21,064 23,685 26,873 29,l4l 36,123
15 5,229 7,26l 8,547 l0,307 ll,721 l4,339 l7,322 l9,311 22,307 24,996 28,259 30,578 37,697
16 5,812 7,692 9,312 ll,l52 l2,624 l5,338 l8,4l8 20,465 23,542 26,296 29,633 32,000 39,252
17 6,408 8,672 l0,085 l2,002 l3,531 l6,338 l9,511 21,615 24,769 27,587 30 995 33,409 40,790
18 7,0l5 9,390 l0,865 l2,857 l4,440 l7,338 20,60l 22,760 25,989 28,869 32,346 34,805 42,312
19 7,633 l0,ll7 ll,651 l3,7l6 l5,532 l8,338 21,689 23,900 27,204 30,l44 33,687 36,l9l 43,820
20 8,260 l0,85l l2,443 l4,572 l6,266 l9,337 22,775 25,038 28,4l2 31,4l0 35,020 37,566 45,315

Adaptado de Beiguelman, 2002

35 
 
APÊNDICE 2 - VALORES DE F (AO NÍVEL DE 5 %) – ANÁLISE DE VARIÂNCIA
GL  1  2  3  4  5  6  7  8  9  10  12  15  20  24  30  40  60  120  ∞
1  161,4  199,5  215,7  224,6  230,2  234,0  236,8  238,9  240,5  241,9  243,9  245,9  248,0  249,1  250,1  251,1  252,2  253,3  254,3 
2  18,51  19,00  19,16  19,25  19,30  19,33  19,35  19,37  19,38  19,40  19,41  19,43  19,45  19,45  19,46  19,47  19,48  19,49  19,50 
3  10,13  9,55  9,28  9,12  9,01  8,94  8,89  8,85  8,81  8,79  8,74  8,70  8,66  8,64  8,62  8,59  8,57  8,55  8,53 
4  7,71  6,94  6,59  6,39  6,26  6,16  6,09  6,04  6,00  5,96  5,91  5,86  5,80  5,77  5,75  5,72  5,69  5,66  5,63 
5  6,61  5,79  5,41  5,19  5,05  4,95  4,88  4,82  4,77  4,74  4,68  4,62  4,56  4,53  4,50  4,46  4,43  4,40  4,36 
6  5,99  5,14  4,76  4,53  4,39  4,28  4,21  4,15  4,10  4,06  4,00  3,94  3,87  3,84  3,81  3,77  3,74  3,70  3,67 
7  5,59  4,74  4,35  4,12  3,97  3,87  3,79  3,73  3,68  3,64  3,57  3,51  3,44  3,41  3,38  3,34  3,30  3,27  3,23 
8  5,32  4,46  4,07  3,84  3,69  3,58  3,50  3,44  3,39  3,35  3,28  3,22  3,15  3,12  3,08  3,04  3,01  2,97  2,93 
9  5,12  4,26  3,86  3,63  3,48  3,37  3,29  3,23  3,18  3,14  3,07  3,01  2,94  2,90  2,86  2,83  2,79  2,75  2,71 
10  4,96  4,10  3,71  3,48  3,33  3,22  3,14  3,07  3,02  2,98  2,91  2,85  2,77  2,74  2,70  2,66  2,62  2,58  2,54 
11  4,84  3,98  2,59  3,36  3,20  3,09  3,01  2,95  2,90  2,85  2,79  2,72  2,65  2,61  2,57  2,53  2,49  2,45  2,40 
12  4,75  3,89  3,49  3,26  3,11  3,00  2,91  2,85  2,80  2,75  2,69  2,62  2,54  2,51  2,47  2,43  2,38  2,34  2,30 
13  4,67  3,81  3,41  3,18  3,03  2,92  2,83  2,77  2,71  2,67  2,60  2,53  2,46  2,42  2,38  2,34  2,30  2,25  2,21 
14  4,60  3,74  3,34  3,11  2,96  2,85  2,76  2,70  2,65  2,60  2,53  2,46  2,39  2,35  2,31  2,27  2,22  2,18  2,13 
15  4,54  3,68  3,29  3,06  2,90  2,79  2,71  2,64  2,59  2,54  2,48  2,40  2,23  2,29  2,25  2,20  2,16  2,11  2,07 
16  4,49  3,63  3,24  3,01  2,85  2,74  2,66  2,59  2,54  2,49  2,42  2,35  2,28  2,24  2,19  2,15  2,11  2,06  2,01 
17  4,45  3,59  3,20  2,96  2,81  2,70  2,61  2,55  2,49  2,45  2,38  2,31  2,23  2,19  2,15  2,10  2,06  2,01  1,96 
18  4,41  3,55  3,16  2,93  2,77  2,66  2,58  2,51  2,46  2,41  2,34  2,27  2,19  2,15  2,11  2,06  2,02  1,97  1,92 
19  4,38  3,52  3,13  2,90  2,74  2,63  2,54  2,48  2,42  2,38  2,31  2,23  2,16  2,11  2,07  2,03  1,98  1,93  1,88 
20  4,35  3,49  3,10  2,87  2,71  2,60  2,51  2,45  2,39  2,35  2,28  2,20  2,12  2,08  2,04  1,99  1,95  1,90  1,84 
21  4,32  3,47  3,07  2,84  2,68  2,57  2,49  2,42  2,37  2,32  2,25  2,18  2,10  2,05  2,01  1,96  1,92  1,87  1,81 
22  4,30  3,44  3,05  2,82  2,66  2,55  2,46  2,40  2,34  2,30  2,23  2,15  2,07  2,03  1,98  1,94  1,89  1,84  1,78 
23  4,28  3,42  3,03  2,80  2,64  2,53  2,44  2,37  2,32  2,27  2,20  2,13  2,05  2,01  1,96  1,91  1,86  1,81  1,76 
24  4,26  3,40  3,01  2,78  2,62  2,51  2,42  2,36  2,30  2,25  2,18  2,11  2,03  1,98  1,94  1,89  1,84  1,79  1,73 
25  4,24  3,39  2,99  2,76  2,60  2,49  2,40  2,34  2,28  2,24  2,16  2,09  2,01  1,96  1,92  1,87  1,82  1,77  1,71 
26  4,23  3,37  2,98  2,74  2,59  2,47  2,39  2,32  2,27  2,22  2,15  2,07  1,99  1,95  1,90  1,85  1,80  1,75  1,69 
27  4,21  3,35  2,96  2,73  2,57  2,46  2,37  2,31  2,25  2,20  2,13  2,06  1,97  1,93  1,88  1,84  1,79  1,73  1,67 
28  4,20  3,34  2,95  2,71  2,56  2,45  2,36  2,29  2,24  2,19  2,12  2,04  1,96  1,91  1,87  1,82  1,77  1,71  1,65 
29  4,18  3,33  2,93  2,70  2,55  2,43  2,35  2,28  2,22  2,18  2,10  2,03  1,94  1,90  1,85  1,81  1,75  1,70  1,64 
30  4,17  3,32  2,92  2,69  2,53  2,42  2,33  2,27  2,21  2,16  2,09  2,01  1,93  1,89  1,84  1,79  1,74  1,68  1,62 
40  4,08  3,23  2,84  2,61  2,45  2,34  2,25  2,18  2,12  2,08  2,00  1,92  1,84  1,79  1,74  1,69  1,64  1,58  1,51 
60  4,00  3,15  2,76  2,53  2,37  2,25  2,17  2,10  2,04  1,99  1,92  1,84  1,75  1,70  1,65  1,59  1,53  1,47  1,39 
120  3,92  3.07  2,68  2,45  2,29  2,17  2,09  2,02  1,96  1,91  1,83  1,75  1,66  1,61  1,55  1,50  1,43  1,35  1,25 
∞ 3,84  3,00  2,60  2,37  2,21  2,10  2,01  1,94  1,88  1,83  1,75  1,67  1,57  1,52  1,46  1,39  1,32  1,22  1,00 
 
Adaptado de Beiguelman, 2002

36 
 
 37