Lme216bioes. Florestal

Universidade de So Paulo
Escola Superior de Agricultura Luiz de Queiroz
NOTAS PARA ACOMPANHAR

AS AULA DA DISCIPLINA
LME 216
Introduo Bioestatstica Florestal
Prof. Dr. Joo L.F. Batista
Piracicaba - SP
1997
LME 216 - INTRODUO BIOESTATSTICA FLORESTAL
ii
Sumrio
1. Por que Bioestatstica Florestal?
2. Tipos de Informaes.
3. Resumindo a Informao: Tabelas
Variveis discretas. Definindo as Classes para Variveis Contnuas. Nmero de Classes.
4. Resumindo a Informao: Grficos

Anlise Grfica de Dados. Histogramas. Grficos Ramo-Folha.
5. Resumindo a Informao: Estatsticas.

Medidas de posio: mdias, mediana, moda, quantis/percentis. Propriedades da Mdia Aritmtica.
Medidas de variao: amplitude de variao, varincia, desvio padro, coeficiente de variao. Propriedades da
Varincia/Desvio Padro.
6. Gerando Informao: Amostragem.

Conceitos bsicos de amostragem, tipos de amostragem: aleatria simples, conglomerado, sistemtica, estratificada
7. Informao e Incerteza: Probabilidade.

Conceito de probabilidade. Axiomas de probabilidade. Eventos Mutuamente Exclusivos . Probabilidade condicional.
Eventos indepedentes. Regra da Probabilidade Total.
8. A Incerteza Domada: Variveis Aleatrias Discretas.

Conceito de varivel aleatria discreta. Lindado com propores: a Distribuio Binomial. Lidando com contagens: a
Distribuio de Poisson.
9. A Incerteza Domada II: Variveis Aleatrias Contnuas.

Conceito de varivel aleatria contnua. A Distribuio Uniforme. Distribuio Exponencial.
10. Contornando as Limitaes dos Dados: Distribuies Amostrais

Distribuies Amostral de Propores. Distribuio Amostral da Mdia. Teorema Central do Limite.
11. O Modelo Fundamental: Distribuio Normal

Distribuio Normal.
12. Contornando as Limitaes dos Dados II: Mais Distribuies Amostrais

Distribuio Amostral da Varincia: Distribuio de Qui-Quadrado.
13. Tomando Decises: Julgando Hipteses

Formulando Hipteses Estatsticas: hiptese nula e hiptese alternativa. Teste de Hipteses. Erro Tipo I e Erro Tipo II.
Nvel de Significncia e valor-p.
14. Inferncia sobre os Parmetros de uma Populao: Intervalo de Confiana

Distribuio t de Student. Teste t para uma amostra. Intervalo de confiana.
15. Comparando duas Populaes: Teste F

Razo de Varincias e Distribuio F. Teste F para duas amostras.
16. Comparando duas Populaes II: Teste t

Teste t para duas amostras. Teste t pareado e no pareado.
17. Modelo vs. Realidade: Teste de Qui-Quadrado

Teste de Qui-quadrado: verificando propores, verificando a qualidade do ajuste de distribuies.
Apndices:
A. Respostas de Exerccios Selecionados
B1. Tabelas da Distribuio Normal Padronizada
B2. Tabela da Distribuio t de Student
B3. Tabela da Distribuio F
B4. Tabela da Distribuio de Qui-Quadrado
iii
1-1
1. Por que Bioestatstica Florestal ?

Introduo
Boa parte dos alunos de Engenharia Florestal se pergunta qual o porque da presena de disciplinas de matemtica
e estatstica no seu currculo. Por que eu devo estudar Bioestatstica Florestal ? Qual a importncia da
Bioestatstica para o Engenheiro Florestal ? Ao invs de tentarmos uma resposta direta a estas questes
analisemos alguns casos tpicos da profisso florestal.
Exemplos Profissionais
CASO FLORESTAL 1
Voc diretor de uma fbrica de chapas de madeira (chapas duras). A companhia deseja duplicar
a produo da sua fbrica pois o mercado est em franca expanso. Estudando o processo de
produo na sua fbrica voc chega concluso de que o consumo de madeira crescer em
1.300.000m3 de madeira/ano com a duplicao. O gerente florestal afirma que as florestas da
companhia so capazes de produzir at 1.320.000m3 de madeira/ano a mais do que vm
produzindo.
1.
2.
Voc faz a duplicao da fbrica ? Por que ?

Qual a diferena na maneira que o seu nmero (1.300.000 m3/ano) e o do gerente florestal
(1.320.000 m3/ano) foram gerados ?
CASO FLORESTAL 2
Uma pesquisadora deseja estimar o tamanho da populao de Furnarios rufus (Joo-de-barro)
numa dada localidade do interior de Minas Gerais. Num primeiro levantamento, a pesquisadora
capturou 31 pssaros e marcou a todos com uma anilha. Num segundo levantamento, ela
capturou 47 pssaros dos quais 12 possuam a anilha referente ao primeiro levantamento.
1.
2.
Qual o tamanho da populao de Furnarios rufus nessa localidade ?

O que a pesquisadora deve assumir como verdadeiro para que a partir desses nmeros ela possa
chegar a uma estimativa do tamanho da populao ?
1-2
CASO FLORESTAL 3
Eucalyptus grandis uma das espcies arbreas de maior produtividade quando plantada no
Estado de So Paulo. Entretanto, um experimento mostrou que quando a floresta plantada sem
preparo de solo e sem adubao inicial, Eucalyptus cloeziana pode alcanar produtividades de 15
a 20% maiores que E. grandis.
1.
2.
Como base nessa informao voc indicaria E. cloeziana em lugar de E. grandis para pequenos
proprietrios rurais que no possuem condies de fazer o preparo de stio adequado para E.
grandis ?
Que informaes adicionais so necessrias para tomar uma deciso?
CASO FLORESTAL 4
Sabe-se que numa floresta tropical no perturbada a abundncia de espcies pioneiras fica em
torno de 10%. Com aumento de perturbaes antrpicas a abundncia dessas espcies tende a
crescer. Na demarcao de uma reserva florestal com rea total de 50.000 ha, ecologistas e
engenheiros florestais discutem a incorporao de uma rea de 7.500 ha onde o levantamento de
campo revelou uma abundncia de 15% de espcies pioneiras. O objetivo da demarcao da
reserva proteger reas representativas de ecossistemas locais que no sofreram influncia
antrpica significativa.
1.
2.
A rea de 7.500 ha deve ou no deve ser incorporada reserva ?

Que informaes adicionais so necessrias para se tomar uma deciso ?
Concluso
Todo profissional florestal lida com uma grande quantidade de informaes qualitativas e quantitativas.
A tomada de deciso envolve a anlise destas informaes.
O raciocnio quantitativo a base da anlise de informaes que gera subsduos tomada de deciso.
Esta anlise envolve necessariamente um alto grau de incerteza quanto s informaes disponveis, pois estas
sempre so incompletas e limitadas.
Conceitos-Chave
1-3
INFORMAO QUANTITATIVA - INFORMAO QUALITATIVA - TOMADA DE DECISO - ANLISE DE INFORMAO INCERTEZA - RACIOCNIO QUANTITATIVO
Exerccios
1.1 Voc foi contrato para ser coordenador de uma equipe de profissionais com a misso de realizar um
diagnstico das unidades de conservao no Estado de So Paulo. Que informaes de ordem qualitativa voc
necessitaria.? Que informaes de ordem quantitativa seriam necessrias?
1.2 Enumere trs justificativas para o Engenheiro Florestal conhecer Bioestatstica.
1.3 So pr-requisitos para Bioestattica Florestal disciplinas de Matemtica e Clculo. Reflita sobre o seu
conhecimento nessas disciplinas. Quantifique a proporo dos temas que voc realmente domina dentre os
tratados nessas disciplinas.
Leitura Sugerida
[WALLIS & ROBERTS, 1964]
Cap. 1 (p.21-38) O Campo da Estatstica.
Cap. 2 (p. 39-52) Estatstica: Como us-la devidamente.
2-1
2. Tipos de Informaes: Variveis
Introduo
O termo informao algo bastante vago na linguagem contidiana. Informao sinnimo de esclarecimento,
notas, argumentos e at fornecimento de dados. Este ltimo sinnimo o que interessa Bioestatistica Florestal.
Informao deve ser entendida portanto como dados sobre uma realidade ou situao que so fornecidos ou
obtidos atravs de observaes ou medies. A Bioestatstica Florestal procura manipular as informaes (os
dados) de modo que elas possam ser mais protamente utilizadas na tomada de deciso. O primeiro passo na
manipulao da informao saber reconhecer os tipos bsicos que existem.
Escalas Fundamentais
ESCALA NOMINAL
Conjunto de ATRIBUTOS sem qualquer

relao clara entre si.
Espcies arbreas numa floresta.
Procedncias de uma espcie
Classificao dos solos
Informao Qualitativa
ESCALA ORDINAL
Conjunto de ATRIBUTOS que se

apresentam em uma ORDEM (crescente
ou decrescente).
Julgamentos do tipo: Bom/Mdio/Ruim
Notas de qualidade de fuste das rvores
Classes de fertilidade dos solos
ESCALA DE INTERVALO
2-2
Os ATRIBUTOS so quantitativos
(nmeros) organizados numa escala onde o
INTERVALO entre dois valores tem
significado real, mas o PONTO ZERO da
esca;a arbitrrio.
Temperatura
Horrio do dia
Azimute
Informao Quantitativa
ESCALA DE RAZO
Os ATRIBUTOS so quantitativos (nmeros)

organizados numa escala onde tatno o
INTERVALO entre dois valores quanto o
PONTO ZERO tem significado real.
Medidas numricas em geral
Dados de contagem/enumerao
Propores (porcentagens)
P ARA REFLETIR
Voc pode dizer que uma rvore de 30 metros tem o dobro de altura de uma rvore de
15 metros, ou que um peixe com 9 kg trs vzes mais pesado que um de 3 kg.
Por que no faz sentido dizer que 40oC duas vzes mais quente que 20oC ?
Ou que 6:00 horas um horrio trs vzes mais cedo que 18:00 hs ?
Exemplo
2.A Classifique as variveis abaixo de acordo com as quatro escalas fundamentais.
Nmero de chamadas telefnicas: ____________________
__
Horrio de visitao dos polinizadores de cedro: ____________________
__
Localizao de um formiqueiro numa floresta: ____________________
__
Tempo de abate de uma rvore: ____________________
2-3
__
Porcentagem de mortalidade de mudas num viveiro: ____________________
__
Sabores de sorvete na sorveteria Paris: ____________________
__
Grau de infestao de cupim numa estante: ____________________
__
Variveis
VARIVEL um outro termo que utilizamos em Bioestatstica para designar informao.
Resultam de observaes nas escalas Nominal e Ordinal
VARIVEIS QUALITATIVAS
Tambem chamadas de VARIVEIS CATEGRICAS
Os atributo representado
por categorias ou classes
VARIVEIS QUANTITATIVAS
De representao matemtica direta:

X = nmero de rvores com cancro numa amostra de 10 rvores:
M = taxa de mortalidade das rvores numa floresta nativa:
X {0,1,2,3,4,5,6,7,8,9,10}
M [ 0,1]
A = ngulo de disperso das sementes de ip-roxo a partir de uma rvore matrix:
A [0,2 ]
Os atributos so representados por escalas numricas

VARIVEL DISCRETA : escala pode ser representada por uma quantidade contvel de nmeros
(conjunto dos nmeros Naturais):
* X o nmero de rvores com cancro numa amostra de 10 rvores:
X {0,1,2,3,4,5,6,7,8,9,10}
* Z a proporo de rvores com cancro numa amostra com 10 rvores:
Z {0.0,0.1,0.2 ,0.3,0.4,0.5,0.6,0.7,0.8,0.9,10}
.
* Y o nmero plntulas numa rea de 2m2 do solo de uma floresta nativa:
Y {0,1,2,3,4,5,..., }
2-4
VARIVEL CONTNUA : escala representada por uma quantidade incontvel de nmeros

(conjunto dos nmeros Reais):
* D o dimetro das rvores de uma floresta plantada:
* W a biomassa (ton/ha) num ecossistema florestal:
D [10,50]
W [500,5000]
*S a porcentagem saturao de bases num solo florestal:
S [0,1]
Exemplos
2.B Classifique as variveis abaixo em termos de variveis categrias e variveis discretas/contnuas.
Volume de madeira numa floresta. ____________________
__
Classes de declividade do solo segundo o Cdigo Florestal Brasileiro ____________________
__
Peso seco das folhas numa rvore. ____________________
__
Nmero de rvore mortas em 1 ha de floresta nativa. ____________________
__
2.C Determine as escalas que melhor representam as variveis quantitativas da questo anterior.
Variveis Multidimensionais
Variveis multidimensionais resultam da combinao de duas ou mais variveis qualitativas e quantitativas:
2-5
* Localizao de uma rvore numa parcela de floresta de 500 x 1000 m: S = ( X , Y ) ,

onde X e Y so variveis quantitativas que representam as coordenadas num plano
cartesiano:
X [ 0,500 ] ; Y [ 0 ,1000]
* Atributos relacionadas com cada uma das rvores numa amostra: A = ( D , H , S ) ,
onde D o dimetro da rvore (var. quantitativa contnua), H a altura (var. quantitativa
contnua) e S a espcie (var. categrica/nominal)
Conceitos-Chave
ESCALAS FUNDAMENTAIS - ESCALA NOMINAL - ESCALA ORDINAL - ESCALA DE INTERVALO - ESCALA DE
RAZO - VARIVEL QUALITATIVA -VARIVEL CATEGRICA - VARIVEL QUANTITATIVA - VARIVEL DISCRETA
- VARIVEL CONTNUA
Leitura Essencial
[OLIVEIRA 1977] Cap. 2 (p.5-7) Estatstica Descritiva.
[IEMMA, 1992] Cap. I (p.4-8) Noes Introdutrias.
Exerccios
2.1 Classifique as variveis abaixo segundo as escala fundamentais:
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
rvore classificada como Morta ou Viva: ____________________

__
Densidade da madeira: ____________________
__
Formaes vegetais brasileiras: ____________________
__
Crescimento de uma florestas em termos de volume de madeira: ____________________
__
Formas de vida presente numa floresta nativa: ____________________
__
Tipos de dormncia de sementes: ____________________
__
Abundncia de uma planta herbcea: ____________________
__
Tipos de deformaes numa pea de madeira durante a ____________________
secagem: __
(i)
(j)
(k)
(l)
(m)
Risco de incndio no dia de hoje numa floresta plantada: ____________________

__
Diversidade de espcies arbreas na bacia do rio Amazonas: ____________________
__
Nmero de caladodos estudantes da ESALQ: ____________________
__
Lista dos 10 livros mais lidos na semana: ____________________
__
Figuras de linguagem: ____________________
__
2.2 Represente as escalas apropriadas para as seguintes variveis quantitativas:

H = altura das rvores de uma floresta nativa (m);
V = volume de madeira em 1ha de floresta plantada (m3);
X = nmero de rvores de mogno numa floresta nativa;
I = posio de insero dos ramos de uma rvore ao longo da circunferncia do tronco (radianos);
Y = nmero de folhas numa muda de Eucalyptus camaldulensis;
S = taxa de sobrevivncia das rvores numa floresta nativa;
A = proporo de areia num solo;
E = taxa de autopolinizao de uma espcie florestal;
C = Dimetro das copas das rvores numa floresta de pinus;
D1 = Declividade do terreno (graus) medida em pontos especficos de uma floresta;
D2 = Declividade do terreno (%) medida em pontos especficos de uma floresta;
F = face de exposio de uma encosta (graus).
2-6
3-1
3. Resumindo a Informao: Tabelas
Introduo
Talvez a principal tarefa da Bioestatstica a de resumir uma grande quantidade de informao de modo que se
torne mas fcil a compreenso dos fenmenos envolvidos e a tomada de deciso. A maneira mais simples de
resumirmos a informao contida numa varivel quantitativa com um grande nmero de dados atravs de
tabelas.
Exemplo 3.A: Dimetros das rvores de uma Floresta

Um Engenheiro Florestal mediu o dimetro de 100 rvores numa floresta nativa.
Os valores obtidos foram:
18.7
12.6
14.0
33.1
22.4
63.2
13.2
10.2
40.0
40.7
11.6
21.9
50.8
15.8
19.6
92.5
15.2
12.0
61.0
13.0
24.9
78.8
20.3
48.3
12.6
18.1
16.2
18.3
53.2
72.4
52.4
13.5
23.5
50.0
19.9
24.6
18.4
20.3
31.7
10.3
33.0 47.6 45.7 11.0 19.8

11.9 152.1 22.8 29.0 24.2
54.1 30.2 11.8 72.0 13.4
55.7 41.1 97.6 34.3 33.6
28.1 26.0 37.4 10.8 22.0
60.9 83.1 45.2 34.2 20.0
12.8 53.1 23.2 15.3 48.7
10.6 23.8 22.2 32.2 15.3
10.2 52.1 46.9 26.8 17.7
31.7 26.3 25.1 12.1 60.7
Estes mesmos dados resumidos numa

tabela se tornam mais informativos:
Com uma rpida olhada na tabela j
notamos que a maioria das rvores
se concentram nas menores classes
de dimetro e que so poucas as rvores
grande dimetro.
Voc seria capaz de observar isto nos
dados originais ?
16.9
16.0
16.3
15.4
25.5
13.1
24.5
14.9
12.8
40.6
CLASSES
10 a 20 cm
20 a 30 cm
30 a 40 cm
40 a 50 cm
50 a 60 cm
60 a 70 cm
70 a 80 cm
Acima de 80 cm
TOTAL
O que se pode dizer sobre a

floresta com base nestes dados
?
possvel ter uma idia clara
apenas observando os nmeros?
FREQNCIA
40
21
10
10
8
4
3
4
100
3-2
Variveis Categricas
As variveis categricas podem ser representadas em tabelas sem perda de informao, pois elas so
representadas por classes.
ESPCIES ARBREAS DE UMA

FLORESTA NATIVA DE ACORDO
COM A SINDROME DE REGNERAO
Sndrome de Regenerao
SOLOS UTILIZADOS
PARA O REFLORESTAMENTO
NO ESTADO DE SO P AULO
Muito Arenoso
Arenoso
150
143
Freq.
Acumulada
150
293
25
Helifitas
Oportunistas de Clareira
Nmero de
Espcies
7
19
Textura Mdia
50
343
41
Argiloso
27
370
370
--
Tolerantes
TOTAL
Tipo de Solo
Freq.
TOTAL
A natureza das variveis categrias sugere que elas sejam sempre apresentadas na forma tabular.
Variveis Quantitativas
Var. Discretas : nmero contvel de valores
As variveis quantitativas podem assumir
um grande nmero de valores
Var. Contnuas : nmero infinito (no contvel)
de valores.
DEFINIO DAS CLASSES

Devem ser agrupadas em CLASSES
antes de serem tabeladas
1. Nmero de Classes: nCLASSES

(Algoritmo de Ramsdall)
2. Amplitude dos Dados:
= 1 + 3.33log 10 N OBSERVA S
E
A = X MXIMO X MNIMO
3. Amplitude das Classes: a = A / nCLASSES . Arredonde esta

amplitude encontrada para um valor conveniente.
4. Organizar as classes de modo que a primeira classe contenha
X MNIMO e a ltima classe contenha X MXIMO .
3-3
Exemplo 3.B: Produo de Resna em Pinus elliottii

Dados brutos de produo de resina (kg) de 40 rvores de Pinus elliotti:
0.71
2.04
3.09
2.67
2.63
2.16
2.16
2.18
3.63
4.05
3.94
3.93
1.94
1.80
2.06
3.34
3.69
2.22
3.55
2.78
2.77
2.06
3.56
3.26
1.42
1.20
3.57
3.06
2.48
1.67
2.39
3.32
3.77
5.41
2.48
3.37
2.75
1.57
1.53
0.75
1) Encontre o nmero de classes para a construo de uma tabela para estes dados:
nCLASSES = 1 + 3.33 log10 (40) = 1 + 3.33(1.60206) = 6.33486 7

2) Encontre a amplitude dos dados:
A = 5.41 - 0.71 = 4.70
3) Encontre a amplitude de classe:
a = 4.70 / 7 = 0.67 0.7
4) Defina os limites de cada classe:

Classe
Limite
Inferior
Limite
Superior
1
2
3
4
5
6
7
0.6
1.3
2.0
2.7
3.4
4.1
4.8
0.6 + 0.7 = 1.3

1.3 + 0.7 = 2.0
2.0 + 0.7 = 2.7
2.7 + 0.7 = 3.4
3.4 + 0.7 = 4.1
4.1 + 0.7 = 4.8
4.8 + 0.7 = 5.5
5) Construa a tabela com a freqncia e a freqncia acumulada.

Classe
0.6 - 1.3
1.3 - 2.0
2.0 - 2.7
2.7 - 3.4
3.4 - 4.1
4.1 - 4.8
4.8 - 5.5
Contagem
///
////| /
////| ////| //
////| ////
////| ////
/
TOTAL
Freq.
Freq.
Acumulada
3
6
12
9
9
0
1
40
3
9
21
30
39
39
40
--
3-4
Variveis Discretas
NMERO DE BROTOS DEIXADOS EM
CEPAS DE EUCALYPTUS GRANDIS
APS O PRIMEIRO CORTE
Algumas variveis discretas assume

um nmero pequeno de valores.
Dados Brutos:
2 1 2 2 0 3 3 2 1 1 2 2 0 1 1 3 1 2 1 1
2 0 0 3 2 1 2 2 3 0 2 3 3 0 3 2 2 0 1 1
Dados Brutos em ordem:
0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 2
2
2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3
3
Neste caso, elas so tabuladas como

se fossem variveis categricas.
Cada valor assumido tomado
como uma classe.
Dados Tabelados:
Nmero de
Brotos
Freq.
Freq.
Acumulada
0
1
2
3
7
11
14
8
7
18
32
40
Freqncia Absoluta x Freqncia Relativa

At agora todas as tabelas apresentadas mostram as Freqncias Absolutas por classe, isto , o nmero de
observaes em cada classe.
comum estarmos interessados no no nmero de observaes mas na proporo das observaes que
ocorre numa determinada classe. Esta proporo a freqncia relativa.
P RODUO DE RESNA EM Pinus elliottii
Classes
Amplitud
e
Freqncia Absoluta
Freqncia Relativa
Freq.
1
2
3
4
5
6
7
0.6 - 1.3
1.3 - 2.0
2.0 - 2.7
2.7 - 3.4
3.4 - 4.1
4.1 - 4.8
4.8 - 5.5
TOTAL
Freq.
Acumulada
Freq.
Freq.
Acumulada
(fi )
(i)
(Fi )
(pi )
(Pi )
3
6
12
9
9
0
1
40
3
9
21
30
39
39
40
--
0.075
0.150
0.300
0.225
0.225
0.000
0.025
1.000
0.075
0.225
0.525
0.750
0.975
0.975
1.000
--
3-5
Relao entre a Freqncia Absoluta e Freqncia Relativa:
pi = f i / N OBS .
Pi = Fi / N OBS.
Conceitos-Chave
TABELA - NMERO DE CLASSES - ALGORITMO DE RAMSDALL - AMPLITUDE DOS DADOS - AMPLITUDE DE
CLASSE - FREQNCIA - FREQNCIA ACUMULADA - FREQNCIA ABSOLUTA - FREQNCIA RELATIVA
Leitura Essencial
[IEMMA, 1992] Cap. II: p.20-24. Cap. III: p37-41. Cap. IV: p55-62.
Exerccios
3.1 Construa tabelas (freq. absoluta e relativa) para resumir a informao contida nos seguintes conjuntos de
dados:
(a) Nmero de plntulas num rea de 2 x 2 m:
4 8 15 18
7 13 15 1
1
6
0 17
7 9
8 8 16
3 12 4
8
3
8 20 18
7 8 7
4
2
(b) Altura (cm) de mudas de Chorisia speciosa em viveiro:

41.5 17.8 27.8 38.7 31.3 36.4 18.9 38.3 27.3 41.0 34.3 30.0 40.2 49.8 26.1 32.6 14.7
43.3 41.5 32.3 30.6 25.0 21.6 38.7 10.3 28.1 26.9 30.0 33.1 28.9
35.1 32.3 33.0 22.2
30.3 34.3 20.2 23.1 27.7 24.9 31.5 29.3 24.5 45.4 38.2 33.9 37.9
(c) Densidade da madeira (g/cm3)de clones de Eucalyptus grandis:

0.347 0.373 0.297 0.360 0.338 0.357 0.343 0.345 0.392 0.330 0.405 0.364 0.294
0.267
0.413 0.295 0.427 0.333 0.324 0.230 0.445 0.327 0.359 0.446 0.256 0.329 0.471 0.306
0.328
(d) Sexo de indivduos de cotia capturados em armadilhas (M = masculino; F = femenino):

F F F F M F F F F F F M F F F M F M F F M M F F F M F F F F F F F M M F M F F F M
(e) Classes de capacidade de uso do solo (SR= sem restries; RCA = com restries a culturas anuais;
P=pastagens; CP=culturas perenes; F=atividades florestais):
P
F
P
P
RCA
P
CP
CP
CP
RCA
P
CP
CP
P
CP
CP
F
RCA
RCA
CP
P
SR
P
CP
P
CP
CP
RCA
P
SR
P
CP
CP
P
CP
CP
CP
RCA
F
RCA
SR
P
SR
CP
CP
F
F
SR
P
CP
F
CP
RCA F
RCA SR
F
F
CP CP P
F
F
RCA
RCA RCA P
4-1
4. Resumindo a Informao: Grficos

Introduo
Nos dias de hoje, a imprensa utiliza uma grande quantidade de grficos para apresentar informaes ao pblico.
A leitura de revistas como Veja e Isto revela que os grficos so utilizados para apresentar a evoluo de
ndices econmicos e sociais, resultados de pesquisa de opinio e intenso de voto, ou para comparar pases,
regies e grupos sociais em termos de atributos qualitativos. Infelizmente, a imprensa nem sempre imparcial e o
tipo de grfico e a forma de construo podem gerar uma falsa impresso do que os nmeros de fato
representam.
Apesar de tais problemas grfico so poderosas ferramentas para anlise de dados. Eles permitem resumir uma
grande quantidade de dados em desenhos espaciais que revelam rpida e precisamente atributos importantes
dos conjuntos de dados representados. As propriedades mais importantes so ressaltadas, sem que a
interpretao se perca em meio aos detalhes.
Distribuio de uma Varivel

Um aspecto fundamental no estudo de uma varivel (informao) como ela varia, isto , de que modo ela
assume seus diferentes valores.
DISTRIBUIO
O Padro de variao de uma varivel chamado de Distribuio.
TABULAR
GRFICA
Apresentao da distribuio de uma varivel
NUMRICA
MODELO ESTATTICO
Cada forma de apresentao tem vantagens e desvantagens:
Tabular / Grfica
Visualizao da distribuio e anlise

exploratria dos dados
4-2
Numrica / Modelo Estatstico
Teste de Hipteses sobre a varivel
Grfico Linha
o mtodo mais simples de representao grfica de uma varivel.
ALTURA TOTAL DE 50 RVORES

DE Pinus
28
22
17
28
22
23
25
25
25
24
25
25
24
24
27
25
23
26
21
26
X
X
X
X
X
X
X
X X X
X X X
X X X
30
23
27
24
23
X
X X
X X
X X
X X
X X
X X
X X
X X
X X
24
24
26
23
26
X
X
X
X
X
X
X
X
X
Dados Brutos
taeda
X
X
X
X
X
X
26
21
21
26
28
34
25
25
27
26
27
23
26
25
27
14
23
23
24
24
As observaes so
representadas por
marcas ao longo da
linha dos nmeros reais.
X
X
X
X
Dados origniais so
mantidos.
14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
Observaes se concentram
ao redor de 25m.
Existe pelo menos 3

observaes extremas
H intervalos
vazios grandes.
Observaes Extremas (Outliers)

A deteco de intervalos vazios e observaes extremas importante pois
nos leva a refletir sobre a qualidade dos dados:
Por que existe uma disparidade to grande entre a altura das rvores numa mesma parcela?
Algum erro de medio ocorreu no campo?
razovel prosseguir com as anlises dos dados?
OBSERVAES EXTREMAS (OUTLIERS)
Observaes extremas so observaes cujos valores esto distintamente abaixo
ou acima da maioria das demais observaes. Em geral, existem grandes intervalos
vazios entre as observaes extremas e grupo onde se encontram a maioria dos
dados.
4-3
Grfico Ramo-Folha
outra forma de representar a distribuio
de uma varivel quantitativa mantendo
os valores originais da varivel.
Uma linha vertical divide os valores das

observao numa determinada unidade.
No grfico ao lado a linha representa
dezenas de kilogramas (10kg):
4|5
45kg
10 | 7
107 kg
P ESO (kg) DE ALUNOS DE

ENGENHARIA FLORESTAL
Dados Brutos:
45
66
67
78
52
75
68
79
53
53
68
79
56 57
55 55
69 74
82 107
58
58
74
4
5
6
7
8
9
10
60
64
74
5
233556788
04555667889
444555899
2
7
Cada nmero direta da linha representa

uma observao.
CONSTRUO DE UM GRFICO RAMO -FOLHA

1) Definir a unidade de medida que dividir cada valor em duas partes: ramo e folha.
No exemplo acima a diviso foi feita em 10kg:
45 kg ==> ramo = 4 / folha = 5
107 kg ==> ramo = 10 / folha = 7
2) Escrever os ramos em ordem crescente verticalmente e passar uma linha vertical
direta deles.
3) Associar cada folha ao respectivo ramo.
4) Ordenar, em cada ramo, as folhas em ordem crescente da direita para esquerda.
Exemplo 4A: Altura de Estudantes de Engenharia Florestal

Construa um grfico ramo-folha para os dados de altura (m) de estudantes de Engenharia Florestal:
1.54 1.55 1.57 1.60 1.60 1.59 1.63 1.63 1.64 1.64 1.72 1.66 1.63 1.67 1.65 1.70
65
65
75
65
66
75

1.71 1.71 1.71 1.72 1.72 1.71 1.77 1.72 1.71 1.77 1.75 1.77 1.71 1.79 1.75 1.88
1) Unidade de media para separao ramo e folha: ________________________

2) Escrever os ramos verticalmente com uma linha direita deles:
3) Associar cada folha ao respectivo ramo e ordenar as folhas:
4) Analise o grfico resultante e responda:

a) Qual a amplitude de variao da altura dos alunos ?
b) Ocorre observaes extremas nestes dados? Quais?
c) Ocorre diferenciao de grupos de alunos?
4-4
4-5
4-6
Forma da Distribuio de Variveis

A distribuio de variveis pode assumir diferentes formas.
SIMETRIA
Propriedades da distribuio de variveis
UNIMODAL/BIMODAL (NMERO DE PICOS)

UNIFORMIDADE
Formade Sino
Unimoda e Simtrica
Unmodal e A
ssimtrica
Direita
Uniforme
Bimodal e
Assimtrica
Unmodal e A
ssimtrica
Esquerda
Em forma de U
4-7
Histogramas
Histogramas so representaes grficas de tabelas de freqncia:
DIMETRO (cm) DAS RVORES
NUMA FLORESTA NATIVA
CLASSES
10 a 20 cm
20 a 30 cm
30 a 40 cm
40 a 50 cm
50 a 60 cm
60 a 70 cm
70 a 80 cm
Acima de 80 cm
TOTAL
Classes de
Dimetro
representadas por
pelo eixo-X
(abcissas)
FREQNCIA
40
21
10
10
8
4
3
4
100
Freqncia em cada classe

representada pelo
comprimento das barras
4-8
ESCALA ADEQUADA DOS EIXOS DO HISTOGRAMA

Eixo-Y (ordenadas) com a
Freqncia Relativa facilita a
comparao de variveis com
unidades de medidas distintas
Eixos exageradamente
grandes em relao
amplitude dos dados geram
grficos cheios de vazio
que dificultam a observao
da forma da distribuio.
4-9
Conceitos-Chave
DISTRIBUIO DE VARIVEIS - GRFICO RAMO-FOLHA - OBSERVAO EXTREMA - OUTLIER - FORMA DA
DISTRIBUIO - UNIMODAL/BIMODAL - SIMETRIA - ASSIMETRIA DIREITA - ASSIMETRIA ESQUERDA UNIFORME - HISTOGRAMA
Leitura Essencial
[IEMMA, 1992] Cap. IV: p58-66.
Exerccios
4.1 Os dados abaixo se referem produo de resina (kg) de rvores de Pinus elliotti. Construa um grfico
ramo-folha e analise o comportamento desta varivel.
0.71
2.04
3.09
2.67
2.63
2.16
2.16
2.18
3.63
4.05
3.94
3.93
1.94
1.80
2.06
3.34
3.69
2.22
3.55
2.78
2.77
2.06
3.56
3.26
1.42
1.20
3.57
3.06
2.48
1.67
2.39
3.32
3.77
5.41
2.48
3.37
2.75
1.57
1.53
0.75
4.2 O dimetro de algumas rvores de duas floresta foi medido num levantamento, obtendo-se os seguintes
valores:
4-10
FLORESTA A
16
49
9
17
16
12
21
32
30
52
50
60
49
63
29
12
96
12
44
42
13
7
31
11
22
29
87
16
13
35
8
5
107
34
10
76
29
29
56
25
5
9
27
19
17
10
77
7
112
31
77
30
56
12
36
106
6
20
38
127
93
8
26
40
42
52
9
37
15
9
27
51
55
28
214
43
21
76
56
21
57
41
10
6
7
17
18
47
17
5
28
33
18
19
10
16
6
6
34
154
24
62
7
10
29
51
15
17
43
13
16
35
24
50
14
19
161
35
6
7
32
46
27
36
38
40
43
29
42
37
18
27
32
30
23
15
35
30
30
29
47
33
23
41
25
23
28
21
22
32
33
33
46
16
33
47
31
32
17
49
38
38
30
7
30
35
35
28
40
17
27
24
9
33
36
39
33
31
39
22
50
33
36
50
27
41
30
36
36
48
34
23
47
11
32
46
30
22
55
31
34
16
21
27
23
35
49
26
29
42
31
42
61
7
25
30
34
41
40
38
FLORESTA B
38
28
22
34
23
30
42
48
33
42
43
31
26
37
27
23
23
29
25
29
a)
b)
c)
d)
Descreva a forma da distribuio nas duas florestas.

Qual floresta tem maior disperso no valor dos dimetros? Por que?
Existe observaes extremas nesses conjuntos de dados? Quais?
Que tipo de florestas so estas (nativa ou plantada)? Por que?
5-1
5. Resumindo a Informao: Estatsticas
Introduo
Vimos que a informao contida num conjunto de dados pode ser resumida na forma de tabelas e grficos.
Freqentemente, entretanto, necessitamos de um ndice que expresse a certa propriedade dos dados. Por
exemplo, numa floresta cada rvore cresce num ritmo particular que depende do seu vigor e da situao ambiental
em que est. Como poderamos representar o crescimento individual tpico das rvores da floresta ?
ESTATSTICAS
.
As Estatsticas so ndices numricos que representam propriedades especficas das

variveis.
Medidas de Posio
X1
A primeira propriedade de uma varivel que
normalmente estamos interessados se refere a
posies especficas na distribuio desta varivel.
Qual o significado dos valores de X1 e X2 na

distribuio?
Que locais da distribuio eles representam ?
X2
5-2
Mdia Aritmtica
A mdia aritmtica (ou simplesmente mdia) a medida de posio mais utilizada pois indica uma posio
central nos dados.
Nmero de brotaes por cepa de Eucalyptus grandis: 0, 2, 3, 1, 0, 1, 2, 2, 3, 1, 2, 3, 2, 1.
x=
O valor
0 + 2 + 3+1+ 0 +1+ 2 + 2 + 3+1+ 2 + 3+ 2 +1

= 164
.
14
Nenhuma das cepas nos dados originais

tinha 1.64 brotos
x = 164 o nmero mdio

.
de brotos por cepa.
impossvel existir uma cepa com 1.64 brotos
O que significa um nmero mdio de 1.64 brotos por cepa ?
PESOS
TRAVE
1.64
PONTO DE
EQUILBRIO
POSIO CENTRAL
DA
MDIA
ARITMTICA
5-3
A mdia aritmtica nem sempre est no CENTRO

Nmero de brotaes por cepa de Eucalyptus saligna: 0, 2, 3, 1, 0, 1, 2, 2, 3, 1, 2, 3, 2, 25.
x=
0 + 2 + 3+ 1+ 0 +1+ 2 + 2 + 3+ 1+ 2 + 3+ 2 + 25
= 336
.
14
Todos os valores, exceto um (25), esto

abaixo da mdia !
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
3.36
Somatrios e suas Propriedades
A mdia obtida atravs do somatrio dos valores observados.
Se X uma varivel quantitativa, ento, sua mdia ser:
n
x=
x1 + x 2 + x3 + x4 + x5 + ...+ xn
n
PROPRIEDADES :
Somatrio de n observaes da varivel X:

n
x = x + x
i
i =1
+ x3 + x4 + x5 + ...+ xn
x
i =1
5-4
Somatrio de n observaes de uma constante k:

n
k = k + k + k + k + k + ...+
k = nk
i =1
n vzes
Somatrio de n observaes de k X:
n
kx = k x + k x
i
i =1
+ k x3 + k x4 + ...+ k xn =
n
= k (x 1 + x2 + x3 + x4 + ... + xn) = k xi
i =1
Somatrio de n observaes de (X - Y) :
n
( x y ) = ( x y ) + (x y ) + (x y ) + ...
i
i =1
+ (xn yn) =
= ( x1 + x2 + x3 + ... + xn) ( y1 + y2 + y3 + ... + yn) =
x y
i
i =1
Somatrio de n observaes de (X - k) :
n
( x k ) = ( x k) + (x
i
i =1
k) + (x3 k ) + ... + (xn k) =
= ( x1 + x 2 + x3 + ... + x n) ( k + k + k + ... + k) =
2
Somatrio de n observaes da varivel X (soma de quadrados):

n
x
i =1
2
i
2
= x1 + x2 + x2 + ... + x2
2
3
n
Quadrado do Somatrio de n observaes da varivel X (quadrado da soma):
x nk
i
i =1
i =1
n
xi = ( x1 + x2 +
i =1
2
2
x3 + ... + xn) 2
(x k ) = ( x
2
i =1
i =1
5-5
2
i
2 xi k + k ) = x 2 k xi nk 2
2
i =1
2
i
i=1
Somatrio do produto de n observaes de X e Y: (soma de produtos):

n
x y
i=1
i i
= x1y1 + x2 y2 + x3 y3+...+ xn yn
Exemplo 5.A: Brotos de cepas de Eucalipto

Aplique as propriedades dos somatrios nas seguintes informaes:
X nmero de brotos por cepa de Eucalipto:
{3, 4, 1, 4, 3, 3, 3, 2};
Y altura das cepas: {10.1, 11.1, 10.7, 13.1, 14.5, 13.5, 12.5};
n o nmero de observaes de X e Y;
k = 5.
Somatrio de n observaes da varivel X:
Somatrio de n observaes de uma constante k:
Somatrio de n observaes de k X:
Somatrio de n observaes de (X - Y) :
Soma de Quadrados de n observaes de X:
Quadrado da Soma de n observaes de X:
5-6
Soma de Quadrados de n observaes de (X - k) :
Soma de Produtos de n observaes de X e Y:
Clculo da Mdia para Dados Tabelados

Quando dos dados esto agrupados a mdia obtida pelo
soma do produto do centro de classe e da freqncia em cada classe.
k
x=
f x
i=1
k
i i
i =1
f x + f x + f x +...+ f x
n n
= 11 2 2 3 3
f + f + f +...+ f
1
Exemplo 5.B: Qual o Dimetro Mdio numa Floresta Nativa ?
DISTRIBUIO DOS DIMETROS

CLASSES
10
20
30
40
50
60
70
80
D=
D=
a
a
a
a
a
a
a
a
20
30
40
50
60
70
80
90
cm
cm
cm
cm
cm
cm
cm
cm
TOTAL
CENTRO DE
CLASSE
(xi)
15 cm
25 cm
35 cm
45 cm
55 cm
65 cm
75 cm
85 cm
--
FREQNCIA
(fi)
40
21
10
10
8
4
3
4
100
15(40) + 25(21) + 35(10) + 45(10) + 55(8) + 65(4) + 75(3) + 85(4)

100
5-7
Mediana
M EDIANA
Divide as observaes em dois grupos de igual tamanho, isto , 50% das
observaes esto abaixo da mediana e 50% esto acima.
Nmero de brotaes por cepa de Eucalyptus grandis:

Dados brutos:
0, 2, 3, 1, 0, 1, 2, 2, 3, 1, 2, 3, 2, 1.
Dados em ordem: 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 2, 3, 3, 3,
MEDIANA ENTRE 2 E 2
MEDIANA =
Nmero de brotaes por cepa de Eucalyptus saligna:

Dados brutos:
0, 2, 3, 1, 0, 1, 2, 2, 3, 1, 2, 3, 2, 25
Dados em ordem: 0, 0, 1, 1, 1, 2, 2, 2, 2, 2, 3, 3, 3, 25
MEDIANA ENTRE 2 E 2
MEDIANA =
QUAL O EFEITO DE OBSERVAES EXTREMAS SOBRE A MDIA E A MEDIANA ?
Frmula de Cculo da Mediana (
Se n impar:
x MED ):
x MED = x[(n+1)/2]
Exemplo: {19, 20, 23, 23, 24, 25, 32, 36, 39, 40, 41}
Se n par:
x MED =
x[n / 2] + x[(n / 2) + 1]
2
x MED = x[6] = 25
Exemplo: {19, 20, 23, 23, 24, 25, 32, 36, 39, 40, 41, 44}
5-8
xMED =
x[6] + x[7]
2
25 + 32
2
= 28.5
Moda
M ODA
o valor que ocorre com maior freqncia nas observaes de uma varivel.
Nmero de
Brotos
0
1
0, 2, 3, 1, 0, 1, 2, 2, 3, 1, 2, 3, 2, 1.
Dados em ordem:
MOD
0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 2, 3, 3, 3.
ESPCIES ARBREAS DE UMA

FLORESTA NATIVA DE ACORDO
COM A SINDROME DE REGNERAO
Sndrome de Regenerao
Helifitas
Oportunistas de Clareira
Tolerantes
Nmero de
Espcies
7
19
3
14
2
4
Nas Variveis Categricas a moda a

classe ou categoria de maior freqncia,
sendo a Estatstica de posio mais
apropriada para esse tipo de varivel.
25
TOTAL
3
TOTAL
Nmero de brotaes por cepa de Eucalyptus grandis:

Dados brutos:
Freqncia
41
Distribuio dos Dados versus Mdia - Mediana - Moda
MODA
Simtrica
M DIA
M EDIANA
M ODA
Assimt rica
Direita
M ODA
M EDIANA
M EDIA
5-9
Assimt rica
Esquerda
MEDIA
M EDIANA
M ODA
Quartis
QUARTIS
Os Quartis so as posies na distribuio de uma varivel que a divide em quartos.
PRIMEIRO QUARTIL (Q1): 25% das observaes so menores que ele.
SEGUNDO QUARTIL (Q2): 50% das observaes esto abaixo dele
(mediana).
TERCEIRO QUARTIL (Q3): 75% das observaes esto abaixo dele.
25%
5-10
25%
25%
xQ1
25%
xQ2
xQ3
Embora possamos calcular os quartis diretamente a partir das observaes, mais prtico realizar o clculo a
partir de dados agrupados (Tabela de Freqncia).
F F
Q
k 1
xQ = lk +
fk
) a
xQ = quartil (1o., 2o. ou 3o.);

k = classe quartil, isto , a classe que contm o quartil;
lk = limite inferior da classe quartil;
FQ = freqncia acumulada at o quartil:
n
n
FQ1 = ;
FQ2 = ;
4
2
FQ3 =
3n
4
5-11
Fk 1 = freqncia acumulada at a classe anterior classe quartil;

f k = freqncia da classe quartil;
a k = amplitude da classe quartil.
Exemplo 5.C: Quartis da Distribuio de Dimetros.

FQ1 = 100 / 4 = 25
FQ 2 = 100 / 2 = 50
FQ 3 = (3)(100) / 4 = 75

CLASSES
10
20
30
40
50
60
70
80
a
a
a
a
a
a
a
a
20
30
40
50
60
70
80
90
CENTRO DE
CLASSE
(xi)
15 cm
25 cm
35 cm
45 cm
55 cm
65 cm
75 cm
85 cm
--
cm
cm
cm
cm
cm
cm
cm
cm
TOTAL
F F
Q1
0
xQ 1 = l1 +
f1
) a
xQ 2
F F
Q2
1
= l2 +
f2
) a
xQ 3
F F
Q3
3
= l4 +
f4
) a
FREQNCIA
(fi)
40
21
10
10
8
4
3
4
100
FREQNCIA
ACUMULADA
(Fi)
40
61
71
81
89
93
96
100
--
CLASSES
QUARTIS
Q1
Q2
Q3
5-12
Percentis
PERCENTIS
Os Percentis so uma generalizao dos Quartis. Na distribuio de uma varivel
quantitativa, o percentil representa a posio abaixo da qual est uma dada porcentagem dos
dados.
Por exemplo:
o percentil 13% o valor abaixo do qual esto 13% das observaes;
o percentil 64.9% o valor abaixo do qual esto 64.9% das observaes;
e assim por diante . . .
A frmula de clculo dos percentis (dados tabelados) anloga frmula dos quartis:
x P = percentil desejado;
( F Fk 1 )
x P = lk + P
ak
fk
k = classe percentil, isto , a classe que contm o percentil;

lk = limite inferior da classe percentil;
FP = ( P / 100)n = freqncia acumulada at o percentil, sendo P o percentual correspondente ao percentil:
Fk 1 = freqncia acumulada at a classe anterior classe percentil;
f k = freqncia da classe percentil;
a k = amplitude da classe percentil.
Exemplo 5.D: Desbaste numa Floresta Plantada
Um Engenherio Floresta deseja fazer um desbaste numa floresta plantada, retirando 25% das rvores das menores
rvores. Qual o dimetro abaixo do qual todas rvores sero removidas?
25
196 = 49
100
F25% =

CLASSES
5
10
15
20
25
30
35
40
a
a
a
a
a
a
a
a
10
15
20
25
30
35
40
45
cm
cm
cm
cm
cm
cm
cm
cm
CENTRO DE
CLASSE
(xi)
7.5 cm
12.5 cm
17.5 cm
22.5 cm
27.5 cm
32.5 cm
37.5 cm
42.5 cm
FREQNCIA
(fi)
17
21
35
40
38
24
13
8
FREQNCIA
ACUMULADA
(Fi)
17
38
73
113
151
175
188
196
CLASSE
P ERCENTIL
P=25%
x25%
( F25% F2 )
= l3 +
a 3 =
f3
PARA REFLETIR
Uma Engenheira Florestal deseja construir uma casa de madeira. Sua opo utilizar madeira
tratada devido ao menor custo em relao madeira de essencias nativas. Ela consultou trs
fornecedores de madeira, que apresentaram preos semelhantes, mas as garantias da vida til
da madeira tratada foi bastante distinta:
Fornecedor A: vida til mdia 25 anos.
Fornecedor B: vida til mediana 25 anos.
Fornecedor C: percentil 70% da vida til 25 anos.
De qual fornecedor ela deve adquirir a madeira? Por que?
5-13
5-13
Medidas de Disperso
Uma Estatstica de disperso se refere
variabilidade ou heterogeneidade dos
dados.
Nas duas distribuies (A e B) qual tem

maior disperso ? Qual mais varivel.
x
Exemplo 5.E: Controle de Qualidade
GRAMATURA DO PAPEL PRODUZIDO
EM DIFERENTES MQUINAS
Uma Empresa de Papel realizou testes para
comparar trs mquinas de produo de
papel. Em cada mquina foram tomadas 5
amostras conforme a figura ao lado.
Qual das mquinas a empresa deve adquirir?
Por que?
Amostra
1
2
3
4
5
Mdia
A
200
210
190
215
185
200
Mquinas
B
152
248
260
200
140
200
C
205
203
195
197
200
200
5-14
Amplitude de Variao e Distncia Interquartil

A maneira mais simples de medir a variabilidade de uma varivel atravs da distncia entre duas posies na
distribuio.
Amplitude de Variao:
Distncia Interquartil:
A = x MXIMO x MNIMO
DIQ = xQ 3 xQ1
Varincia
Ponto Especfico na Distribuio
Outra forma de se medir a
variabilidade de uma varivel
quantificando a disperso das
observaes em relao a um ponto
espefico na distribuio.
MDIA:
Distncia das Observaes para a Mdia
DESVIO:
(x
x)
ALTURA DE CEPAS DE Eucalyptus grandis

Observae
s
1
2
3
4
5
6
7
SOMA
Desvio
(10.1 - 12.21) = -2.11
(11.1 - 12.21) = -1.11
(10.7 - 12.21) = -1.51
(13.1 - 12.21) = 0.89
(14.5 - 12.21) = 2.29
(13.5 - 12.21) = 1.29
(12.5 - 12.21) = 0.29
0.03
Soma dos Desvios sempre zero

(exceto por problemas de
arredondamento)
Quadrado do Desvio
(10.1 - 12.21)2 = 4.45
(11.1 - 12.21) 2 = 1.23
(10.7 - 12.21) 2 = 2.28
(13.1 - 12.21) 2 = 0.79
(14.5 - 12.21) 2 = 5.24
(13.5 - 12.21) 2 = 1.66
(12.5 - 12.21) 2 = 0.08
15.75
Melhor utilizar a
SOMA DE QUADRADOS DOS DESVIOS
que ser sempre positiva.
5-15
VARINCIA
( x
n
s2 =
i =1
x)
SOMA DE QUADRADOS
2
SQ = ( xi x )
n
i =1
n 1
ser maior quanto maior o

nmero de observaes (n)
o Desvio Quadrado Mdio,

mede a variabilidade
independentemente do nmero de
observaes (n).
Desvio Padro
Como as variveis que trabalhamos na Engenharia Florestal possuem UNIDADES DE MEDIDA, importante
consider-las quando medimos a heterogeneidade dos dados.
A varincia sempre elava ao
quadrado as unidades de medida,
gerando escalas sem sentido prtico
Varivel
altura de cepas
peso seco de folhas
produo de madeira
concentrao de N
concentrao de Z
presso de pneu
resistncia a compresso
idade de corte
rea basal
Unidade
de Medida
cm
kg
m3/ha
mg/cm3
ppm
lb/pol2
kg/cm2
ano
m2/ha
Unidade
da
Varincia
cm2
kg2
m6/ha2
mg2/cm6
ppm2
lb2/pol4
kg2/cm4
ano2
m4/ha2
Se utilizarmos a raiz quadrada da

varincia, recuperaremos
as unidades originais.
DESVIO PADRO
( x x )
n
s = s2 =
i =1
n 1
mede a variabilidade independentemente do

nmero de observaes (n) e
com a mesma unidade de medida da mdia.
5-16
Frmula Prtica para Clculo

( xi = observao individual)
Frmula para Dados Tabelados

( xi = centro de classe)
SOMA DE QUADRADOS
xi
n
i =1
= xi2
n
i =1
n
SQ = ( xi x )
n
i =1
VARINCIA
s2 =
SQ
n 1
DESVIO PADRO
s= s
SOMA DE QUADRADOS
SQ = f i ( xi x )
k
i =1
VARINCIA
s2 =
SQ
k
f i 1
i=1
DESVIO PADRO
s = s2
Exemplo 5.F: Redimento de Equipes de Trabalho

Duas equipes de medio foram analisadas em termos do nmero de parcelas medidas por dia:
Equipe A: {24, 16, 26, 10, 15, 12, 13, 24, 18, 12}
Equipe B: {19, 16, 16, 18, 18, 19, 20, 17, 17, 15}
Qual equipe mais produtiva?
Qual equipe mais consistente?
Mdia:
Soma de Quadrados:
Varincia:
Desvio Padro:
5-17
Exemplo 5.G: Estrutura de uma Floresta Plantada

A distribuio dos dimetros das rvores de uma floresta plantada apresentada na tabela abaixo.
Classes
(cm)
4- 6
6- 8
8 - 10
10 - 12
12 - 14
14 - 16
16 - 18
18 - 20
Centro
de
Classe
( xi )
Freqnci
a
5
7
9
11
13
15
17
19
TOTAL
( fi )
17
21
35
40
38
24
13
8
196
fi xi
17( 5) =
21( 7) =
35( 9) =
40(11) =
38(13) =
24(15) =
13(17) =
8(19) =
fi ( xi x )
17( 521( 735( 940(1138(1324(1513(178(19-
)=
)=
)=
)=
)=
)=
)=
)=
fi ( xi x ) 2
17( 521( 735( 940(1138(1324(1513(178(19-
)2 =
)2 =
)2 =
)2 =
)2 =
)2 =
)2 =
)2 =
Qual o dimetro mdio das rvores nessa floresta ?
Qual a soma de quadrados ?
Qual a varincia?
Qual o desvio padro?
Coeficiente de Variao
COEFICIENTE DE VARIAO
O Coeficiente de variao uma
forma de se medir a variabilidade de
uma varivel de modo independente
da UNIDADE DE MEDIDA utilizada ou
da ORDEM DE GRANDEZA dos dados.
Razo entre desvio padro
e mdia torna o CV
um nmero puro
CV =
s
100
x
mede a variabilidade numa escala percentual,

independe da unidade de medida ou da
ordem de grandeza da varivel.
5-18
Exemplo 5.H: Comparando a Disperso de Diferentes Variveis

Varivel
Altura de rvores (m)
Altura de arbustos (m)
Dimetro de rvores
(cm)
Observaes
Mdia
Desvio
Padro
CV
(%)
{ 15.2 , 20.3 , 35.2 , 34.1 , 27.2 }

{ 2.1 , 1.0 , 3.5 , 5.2 , 4.7 }
{ 14.8 , 21.2 , 36.1 , 35.0 , 26.9 }
26.4 m
3.3 m
26.8cm
8.66 m
1.76 m
9.07cm
32.8
53.2
33.8
Transformao Linear
X o nmero de brotaes por cepa de Eucalyptus grandis:
x = 164
.
x = { 0, 2, 3, 1, 0, 1, 2, 2, 3, 1, 2, 3, 2, 1}
sX = 101
.
Y = X + 5 (soma-se 5 a todas as observaes de X):
y=
y = { 5, 7, 8, 6, 5, 6, 7, 7, 8, 6, 7, 8, 7, 6}
Como seria a mdia e desvio padro da varivel
Z = 2X
sY =
W=X-1?
(multiplica-se por 2 todas as observaes de X):
z = { 0, 4, 6, 2, 0, 2, 4, 4, 6, 2, 4, 6, 4, 2}
Como seria a mdia e desvio padro da varivel T
= -7X
z=
sZ =
5-19
TRANSFORMAO LINEAR
Se X representa os valores originais com mdia
x e desvio padro sX , chamamos de

transformao linear de X os valores: Y = aX + b .
Os novos valores Y tero:
mdia:
y = ax + b
desvio padro:
sY = a sX
Padronizao
Faamos uma transformao expecial nos dados originais de nmero de brotos por cepa:
Dados Originais
(x )
xx
xx 1
=
sX
sX
x
x +

sX
ax + b
0
2
3
1
0
1
2
2
3
1
2
3
2
1
MDIA
DESVIO PADRO
1.64
1.01
PADRONIZAO
o processo de transformar uma varivel de modo que ela fique com mdia zero e desvio padro 1.
Se X a varivel que desejamos padronizar, ento a VARIVEL PADRONIZADA ser:
xx
sX
5-20
Conceitos-Chave
ESTATSTICAS - MEDIDAS DE POSIO - MDIA - SOMATRIOS - SOMA DOS QUADRADOS - QUADRADO DA SOMA MEDIANA - MODA - QUARTIS - PERCENTIS - MEDIDAS DE DISPERSO - AMPLITUDE DE VARIAO - DISTNCIA
INTERQUARTIL - DESVIO - SOMA DE QUADRADOS - VARINCIA - DESVIO PADRO - COEFICIENTE DE VARIAO TRANSFORMAO LINEAR - PADRONIZAO
Leitura Essencial
[IEMMA, 1992] Cap. VI: p.87-103. Cap. VII: p109-119. Cap. VIII: p123-126.
Leituras Adicionais
[ROCHA, 1975] Cap. 9: p.69-89 (especialmente p87-88). Cap. 10: p90-94.
[AZEVEDO & CAMPOS, 1987] Cap. 6: p.127-172..
Exerccios
5.1 Considere os seguintes dimetros (cm) das rvores de uma floresta de Pinus caribaea hondurensis.
21.8
23.9
27.7
21.8
12.3
10.8
16.0
11.5
35.5
19.3
12.7
16.3
a) Calcule a mdia.
d) Encontre o percentil 75%.
g) Calcule o CV.
32.2
21.4
33.0
17.5
22.3
16.4
15.1
28.8
24.9
18.2
13.2
17.0
18.2
27.3
10.8
21.7
13.2 20.3
26.4 9.4
18.0 14.5
28.0 9.0
10.7
19.4
20.1
17.6
b) Calcule a mediana. c) Encontre o primeiro e terceiro quartil.

e) Calcule a varincia f) Calcule o desvio padro.
5.2 Considere a produo de madeira (m3/ha) de diferentes talhes de Eucalyptus camaldulensis aos 7 anos.
220
174
201
221
223
223
232
271
271
201
a) Calcule a mdia.
g) Calcule o CV.
218
171
238
183
245
216
225
132
148
198
228
208
270
221
245
246
245
256
275
166
250
248
189
186
228
261
214
199
208
204
276
204
143
198
224
239
270
218
237
166

5.3 Considere os seguintes dados de resistncia a compresso (kg/cm2) de amostras de madeira de Ocotea porosa
(peroba).
5-21

2765
1790
2594
2674
2170
2784
1758
a) Calcule a mdia.
g) Calcule o CV
2477
2802
1764
2123
2117
3159
1407
2755
1625
2761
3591
2433
2275
2384
3225
3062
3070
1264
2464
2260
2175
3387
1929
2609
1630
2813
2172
609
2351
2129
1877
2347
1917
3034
2572
2160
2280
1259
1853
2541
2015
3003

h) Encontre o percentil 20%.
5.4 Um fornecedor de peas para estruturas de madeira recebeu um lote de peroba de onde foram retiradas as
amostras do exerccio anterior. Para fins de venda das peas qual a resitncia compresso do lote inteiro que
este vendedor anunciar: mdia, mediana, percentil 75% ou percentil 20% ? Por que ?
5.5 Uma srie de amostras de solo resultaram na seguinte distribuio para os valores de pH de um solo latossol
vermelho-amarelo.
Classes de pH
Freqncia
4.6 - 5.0
7
5.0 - 5.4
14
5.4 - 5.8
23
5.8 - 6.2
32
6.2 - 6.6
19
6.6 - 7.0
8
7.0 - 7.2
2
Total
105
Encontre:
a) a mdia
b) a mediana
c) o primeiro e terceiro quartil
d) os percentis: 10%, 35%, 75%, 95%
e) a varincia
f) o desvio padro
g) o coeficiente de variao.
5.6 A distribuio dos dimetros das rvores de uma floresta nativa segue a seguinte tabela:
Classes de
Dimetro (cm)
10 - 20
20 - 30
30 - 40
40 - 50
50 - 60
60 - 70
70 - 80
80 - 90
90 - 100
Freqncia
Total
351
160
86
40
20
4
4
3
1
669
a) Qual o dimetro mdio e o dimetro mediano desta floresta? Qual dos dois maior?
b) Qual o desvio padro dos dimetros desta floresta ?
5-22
c) Um Engenheiro Florestal deseja fazer um corte seletivo retirando 20% das maiores rvores. Qual o
dimetro mnimo das rvores a serem removidas ?
d) Uma Engenheira Florestal deseja fazer um corte seletivo retirando 40% das menores rvores. Qual o
dimetro mnimo das rvores remanescentes?
5.7 A distribuio dos dimetros das rvores de uma floresta plantada segue a seguinte tabela:
Classes de
Dimetro (cm)
4 - 10
10 - 14
14 - 18
18 - 22
22 - 26
26 - 30
Freqncia
10
172
210
144
125
67
728
Total
a) Qual o dimetro mdio e o dimetro mediano desta floresta? Qual dos dois maior?
b) Qual o desvio padro dos dimetros desta floresta ?
c) Um Engenheiro Florestal deseja fazer um corte seletivo retirando 20% das maiores rvores. Qual o
dimetro mnimo das rvores a serem removidas ?
d) Uma Engenheira Florestal deseja fazer um corte seletivo retirando 40% das menores rvores. Qual o
dimetro mnimo das rvores remanescentes?
5.8 Considere as seguintes quantias:
x
i =1
Encontre:
= 35;
a) x1 + x2 + x3 +...+ xn
y
i =1
= 57 ; n = 23 ; k = 8 .
b) y1 + y2 + y3 +...+ yn
d)
e)
x y
h)
i =1
n
g)
i =1
n
j)
i i
( x k )
i =1
k
i =1
n
( x y )
i)
( x k )
l)
i =1
n
i =1
n
k)
c)
f) xi
i =1
kx
i =1
2
i
( x y )
n
i =1
2
2
2
y12 + y2 + y3 +...+ yn
5.9 Com base nas propriedades dos somatrios, deduza a frmula prtica para clculo da Soma de Quadrados
dos Desvios.
5.10 Com base nas propriedades dos somatrios, demonstre que a mdia da varivel Y = aX + b (transformao
linear de X ) de fato y = ax + b , onde a e b so constantes e x a mdia da varivel X .
6-1
6. Gerando Informao: Amostragem
Introduo: Por que Amostrar ?

Quando se deseja informao sobre uma dada situao, o que vem mente da maioria das pessoas obter a
informao de toda a populao de interesse. Quando observamos ou medimos todos os indivduos da populao
de interesse, realizamos um CENSO.
Mas ser que o censo sempre o melhor mtodo para obtermos informaes teis?
TESTE:
Observe o pargrafo abaixo por 30 segundos e conte quantos s ocorrem.
SEMPRE QUE SE FAZ AMOSTRAGEM
DEVEMOS TER EM MENTE A
REPRESENTATIVIDADE
DAS OBSERVAES REALIZADAS.
Ser que se chegou ao nmero certo? Tentemos novamente:
sempre que se faz amostragem

devemos ter em mente a
representatividade
das observaes realizadas.
E agroa, se chegou ao nmero certo? Tentemos mais uma vez:
Sempre que Se faz amoStragem

devemo S ter em mente a
repreSentatividade
daS obServaeS realizadaS.
Certamente neste ltimo exemplo se verifica rapidamente que existem 9 S na pargrafo.
Por que no foi fcil v-los rapidamente no primeiro exemplo ?
6-2
Ineficaz: maior possibilidade de erro dada a

quantidade de observaes/medies.
Limitaes do
Censo
Impossvel: no diagnstico e monitoramento

de populaes extremante dinmicas.
Impraticvel: custo e tempo de execuo em
geral so excessivos.
Terminologia em Amostragem.
AMOSTRAGEM
Consiste em observar parte da populao para se fazer inferncias (concluir
algo) a respeito de toda a populao.
Alguns termos utilizados em amostragem so semelhante a termos utilizados no dia-a-dia, mas o significado destes
termos bem preciso no caso de amostragem:
POPULAO: Conjunto completo de tens sobre os

quais desejamos alguma informao.
UNIDADE AMOSTRAL: Um tem individual da populao.
AMOSTRA: Parte da populao que de fato
utilizada para se obter a informao
desejada.
VARIVEL: A caracterstica de interesse que
medida/observada em cada unidade
amostral.
UNIDADE
AMOSTRAL
POPULAO
6-3
AMOSTRA
importante fazermos uma distino da informao (e todo resumo dela)
que se obtem a partir da POPULAO e que se obtem a partir da AMOSTRA .
Populao
Amostra
PARMETRO
ESTATSTICA
Resumo numrico que se calcularia a partir da

populao e que descreve uma caracterstica de
interesse
Resumo numrico que calculado a partir da

amostra.
Exemplo 6.A: Aerbica e Audio

Mdicos do Hospital Henry Ford (Detroid, EUA) estudaram 125 classes de aerbica em
5 academias de ginstica e encontram que o nvel de rudo em 60% das classes excedia
os limites aceitveis de rudo.
Populao:
___________________________________
Varivel:
____________________________________
Parmetro:
___________________________________
Unidade
Amostral:_____________________________
Amostra:
____________________________________
Estatstica:
___________________________________
Exemplo 6.B: Ocorrncia de Doenas numa Floresta Plantada

O objetivo de um levantamento florestal determinar a taxa mdia de ocorrncia de seca-doponteiro numa floresta de Eucalyptus saligna.
Populao:
___________________________________
Varivel:
____________________________________
Parmetro:
___________________________________
Unidade
Amostral:_____________________________
Amostra:
____________________________________
Estatstica:
___________________________________
6-4
Exemplo 6.C: Produo de Floresta Nativa

Para saber a produo (madeira para serraria) de uma Floresta Nativa de 5000ha. Assim, um
Engenheiro Florestal mediu o volume de madeira (m3/ha) em 52 parcelas de 1ha.
Populao:
___________________________________
Varivel:
____________________________________
Parmetro:
___________________________________
Unidade
Amostral:_____________________________
Amostra:
____________________________________
Estatstica:
___________________________________
Exemplo 6.D: Controle de Qualidade

Uma serraria vende lotes de 1000 tbuas madeira tropical nativa a um exportador. Antes do
exportador enviar os lotes ao exterior ele verifica uma amostra de 20 tbuas por lote. A
serraria e o exportador assinaram um contrato que determina que somente lotes com uma
proporo igual ou inferior a 5% de peas defeituosas aceitvel.
Populao:
___________________________________
Varivel:
____________________________________
Parmetro:
___________________________________
Unidade
Amostral:_____________________________
Amostra:
____________________________________
Estatstica:
___________________________________
Exemplo 6.E: Estudo de Bioestatstica
HORAS DE ESTUDO DE BIOESTATSTICA

Aluno
1
2
3
4
5
Horas de Estudo
1
3
4
2
5
Suponhamos que a nossa populao seja apenas um

grupo de 5 alunos de Bioestatstica e a varivel de
interesse seja o nmero de horas por semana
dedicadas ao estudo da Bioestattica (veja tabela ao
lado).
Calcule o tempo mdio dedicado
Bioestatstica nesta populao
(Parmetro).
Tomemos uma amostra de tamanho 2 desta
populao, qual o valor da Estatstica se:
Os alunos 1 e 4 forem selecionados?
O valor do Parmetro e da estatstica so
sempre iguais?
Populao
PARMETRO
Amostra
ESTATSTICA
6-5
Valor FIXO e DESCONHECIDO.
Valor VARIVEL (depende da amostra obtida)

e CONHECIDO (para a amostra obtida).
Boa Amostragem? Vis e Preciso

Compra-se a caixa de morango com os morangos mais bonitos por cima.
E os de baixo ?
A tendncia
natural das
pessoas buscar
a informao do
modo mais
conveniente.
A minha opinio sobre como anda a administrao da cidade depende dos

lugares onde vou e das ruas por onde passo. Ser que os lugares e ruas
que conheo representam todos os lugares/ruas da cidade?
A minha noo da opinio pblica baseada na opinio das pessoas com

que convivo. Ser que os meus conhecidos e amigos representam a
populao brasileira?
AMOSTRAGEM DE CONVENINCIA
So observadas as unidades mais acessveis da populao . A seleo das
unidades da amostra realizada segundo a convenincia.
As unidade
inconvenientes de
serem observadas
jamais sero
amostradas.
.
No importa quo grande

seja a amostra, amostragem
de convenincia nunca ser
totalmente representativa da
populao.
Amostragem de
Convenincia sempre
ENVIESADA , isto , possui
VIS.
6-6
VIS
Tendenciosidade presente no processo de amostragem que impede que a
amostra seja perfeitamente representativa da populao, independentemente
do tamanho da amostra.
VIS DE SELEAO
VIS DE NO -RESPOSTA
VIS DE RESPOSTA
Tendncia sistemtica de
subrepresentar ou excluir da
amostra um certo tipo de
unidade.
Numa pesquisa de opinio, o

resultado de pessoas no
responderem s questes do
entrevistador.
Numa pesquisa de opinio, a forma

de apresentao das questes so
e a atitude do entrevistador podem
influenciar a resposta.
Ex.: Pesquisas de opinio por

telefone.
Exemplo 6.F: Voc decide!
Ex.: Pesquisas de opinio pelo

correio.
Ex.: Ordem do nome dos

candidados numa pesquisa de
intenso de voto.
Um programa de televiso conduz a seguinte pesquisa de opinio:
Pesquisa cientfica mostra que o uso do cinto de segurana na cidade reduz o nmero de
acidentes com acidentados graves. Se voc for a favor do uso do cinto de segurana na
cidade ligue para 0-800-552-4949, se for contra ligue para 0-800-552-4950, ligao
gratuita.
Enumere as razes pelas quais esta pesquisa de opinio certamente enviesada.
Exemplo 6.G: Ip Florido.

Uma Engenheira Florestal deseja estudar o padro de florao de ip amarelo numa mata nativa. Para isso, ela
selecionou aleatoriamente algumas rvores de ip amarelo na mata e visitou todas as rvores num mesmo dia,
classificando cada rvore numa escala qualitativa de intensidade de florescimento.
Existe algum tipo de vis neste estudo?
Exemplo 6.H: Dez Amostras.

MDIA DO DIMETRO DE RVORES
A MOSTRADAS NUMA FLORESTA NATIVA
Estudando a influncia do sistema de

amostragem no estrutura de tamanho das
rvores de uma floresta tropical, um Ecologista
tomou 10 Amostras compostas de 5 rvores, 10
amostras compostas de 20 rvores e 10
amostras compostas de 40 rvores (tabela ao
lado).
Qual o efeito do tamanho da amostra
(nmero de rvores) no resultado nos
resultados obtidos?
Amostras
1
2
3
4
5
6
7
8
9
10
Tamanho das Amostras

(nmero de rvores)
5
20
40
26.6
34.1 30.5
32.9
31.2 29.8
39.2
40.1 37.3
30.3
30.4 29.4
31.8
29.7 32.7
48.0
38.8 31.5
37.7
37.3 29.3
20.0
35.6 30.6
31.8
37.7 31.2
33.2
26.7 29.3
6-7
Amostras de maior tamanho sempre

produzem Estatsticas com menor
variabilidade entre amostras.
Para um mesmo tamanho de amostra,

sistemas diferentes de amostragem
podem resultar em preciso diferente.
Amostras maiores so sempre

mais precisas .
PRECISO
Capacidade dos sistemas de amostragem de gerar Estatsticas com pequena
variabilidade entre amostras (de mesmo tamanho) tomadas numa mesma populao.
QUAL O SISTEMA DE AMOSTRAGEM IDEAL?
x
x
x
x
x xx
x
xxx
SEM VIS
SEM PRECISO
COM VIS
COM PRECISO
Exemplo 6.I: Fragmentao Florestal.
x
xx x
x xxx
x
xxxxx
SEM VIS
COM PRECISO
6-8
Uma equipe de cientstas deseja monitorar as mudanas ecolgicas numa floresta aps a fragmentao desta
devido a converso da rea floresta para rea agrcola. A equipe se encontra dividida entre duas alternativas de
amostragem:
Monitorar um grande nmero de fragmentos que sejam de fcil acesso e que representem o atual
estado da regio.
Monitorar um nmero pequeno de fragmentos que sejam uma amostra representativa da floresta
original, independentemente da facilidade de acesso.
Quais as vantagens e desvantagens das duas alternativas?
Exemplo 6.J: Instrumento de Medio.

Um Engenheiro Florestal dispem de dois instrumentos para medir a altura das rvores. O instrumento A tem alta
preciso, mas apresenta um vis sistemtico que independe da altura da rvore sendo medida. O instrumento B
tem preciso inferior ao instrumento A, mas no apresenta qualquer tipo de vis.
Este Engenheiro foi chamado para realizar medies em duas situaes:
Experimento que compara diferentes hbridos de Pinus caribaea - Pinus elliottii.
Levantamento do volume de madeira em p numa floresta a ser vendida.
Qual dos dois instrumentos deve ser utilizado em cada situao? Por que?
6-8
Mtodos de Amostragem
Existe vrios Mtodos de Amostragem utilizados nas Cincias Florestais. Todos tm como objetivo gerar
informaes sem vis e com a maior preciso possvel.
Mtodos de Amostragem
utilizados nas
Cincias Florestais.
So mtodos objetivos (sem interferncia das

pessoas que os utilizam) e imparciais.
Todas unidades da populao possuem

uma certa chance de serem selecionadas
na amostra.
Para estes mtodos seremos capazes

de calcular a preciso de uma dada
estatstica para representar o
parmetro da populao.
Esta chance conhecida e

diferente de zero.
M TODOS DE AMOSTRAGEM:
Amostragem Aleatria Simples

Amostragem Aleatria Estratificada
Amostragem Sistemtica
Amostragem em Mltiplos Estgios
Amostragem Aleatria Simples (AAS)

AAS
Uma amostra de um dado tamanho tem a
mesma chance de ser selecionada que
qualquer outra amostra possvel de
mesmo tamanho.
Amostras de diferentes tamanhos podem
ter chances diferentes.
Exemplo Clssico:
Bolas de mesmo tamanho, peso, superfcie, etc.,
numa urna. Qualquer amostra de 3 bolas tem
exatamente a mesma chance de ser obtida.
O PROCESSO ALEATRIO de seleo das unidades

elimina qualquer interferncia de escolha humana na
escolha dos elementos da amostra.
Exemplo de Processo Aleatrio: Bingo.
6-9
UM PROCESSO ALEATRIO ADEQUADO

A GARANTIA DE AUSNCIA DE VIS.
Uma urna contendo os nmeros: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9.

Antes de cada sorteio, os nmeros so mixturados na urna.
Ao sortear um nmero ele pode:
* ficar em separado
==>
Amostragem Sem Reposio;
* retornar urna
==>
Amostragem Com Reposio.
Exemplo de Processo Aleatrio: Tabela de Nmeros Aleatrios.

Uma Tabela de Nmeros Aleatrios pode ser entendida como o bingo acima, usando a amostragem com
reposio.
TABELA DE NMEROS ALEATRIOS
(Anexo A)
uma lista de 10 dgitos (0,1,2,3,4,5,6,7,8,9) que possue as seguintes propriedades:
(1) O dgito em qualquer posio na lista tem a mesma chance de ser um dos
dgitos: 0,1,2,3,4,5,6,7,8 ou 9.
(2) Os dgitos em diferentes posies na lista so independentes, no sentido de que
o valor de um dgito no influencia o valor de outro.
Para facilitar o seu uso, a Tabela de nmeros aleatrios organizada em linhas e colunas.
As propriedades da Tabela de Nmeros Aleatrio implicam que:
Qualquer par de dgitos tem a mesma chance de ser um dos 100 possveis pares: 00, 01, . . . , 99.
Qualquer trio de dgitos tem a mesma chance de ser um dos 1000 possveis trios: 000, 001, . . . , 999.
Qualquer . . .
Como utilizar Nmeros Aleatrios numa Amostragem?

N (maisculo) denota o tamanho da populao.
TERMINOLOGIA
n (minsculo) denota o tamanho da amostra.

A) Rotular todas N unidades da populao:
1. Designar cada unidade na populao por um rtulo composto de dgitos.
2. Sempre utilizar o menor nmero possvel de dgitos nos rtulos:
Para 10 ou menos unidades, utilizar rtulos de um dgito: 0, 1, . . . , 9.
Para mais de 10 e menos de 100, utilizar dois dgitos nos rtulos: 00, 01, . . . , 99.
3. Todos os rtulos devem possuir o mesmo nmero de dgitos.
4. Cada unidade deve ser designada pelo mesmo nmero de rtulos
6-10
B) Selecionar uma amostra de tamanho n:

1. Iniciar num ponto aleatrio da Tabela de Nmeros Aleatrios.
2. Ler os rtulos sistematicamente seguindo as linhas ou colunas da Tabela.
3. Se um rtulo j lido surgir novamente ou se aparecer um rtulo que no est presente na
populao, ignor-lo e seguir para o prximo.
4. Continuar at que n unidades sejam selecionadas.
Exemplo 6.K : Amostrando Fragmentos

Realizar uma amostra aleatria simples de tamanho 4 dos fragmentos:
Fragmento
Fazenda Santa
Rita
Fazenda Santa
Rita 2
Piraquera
Rtulo
01
Mapa
rea (ha)
35
02
03
17
Fazenda
Serto
Fazenda gua
Clara
Fazenda
Tijuco Preto
Fazenda Dona
Zilma
Stio Arueira
04
10
05
19
06
07
40
08
Fazenda gua
Funda
Stio Santa
Clara
Stio Santo
Antnio
Fazenda
Conceio
Stio do Bento
09
10
11
12
12
10
13
18
Fazenda Pau
Queimado
Fazenda
Gibeira
14
34
15
21
6-11
Quando o tamanho da populao muito pequeno em relao ao nmero de rtulos, muito tempo gasto saltando
rtulos que no so teis. Para evitar isto podemos utilizar o seguinte procedimento:
Selecionar uma amostra de tamanho n quando o nmero de rtulos muito maior que o
tamanho da populao (N):
1. Iniciar num ponto aleatrio da Tabela de Nmeros Aleatrios.
2. Ler os rtulos sistematicamente seguindo as linhas ou colunas da Tabela.
3. Se um rtulo j lido surgir, ignor-lo e seguir para o prximo.
4. Se aparecer um rtulo maior que o maior rtulo utilizado, dividir o rtulo que surgiu por
N e tomar o resto da diviso como rtulo.
5. Continuar at que n unidades sejam selecionadas.
Exemplo 6.L : Amostrando Fragmentos II

Realizar uma amostra aleatria simples de tamanho 4 com base na rea dos fragmentos:
Fragmento
Fazenda Santa
Rita
Fazenda Santa
Rita 2
Piraquera
Rtulo
01
Mapa
rea (ha)
35
rea Acumulada
35
02
37
03
17
54
Fazenda
Serto
Fazenda gua
Clara
Fazenda
Tijuco Preto
Fazenda Dona
Zilma
Stio Arueira
04
10
64
05
19
83
06
87
07
40
127
08
128
Fazenda gua
Funda
Stio Santa
Clara
Stio Santo
Antnio
Fazenda
Conceio
Stio do Bento
09
135
10
144
11
12
156
12
10
166
13
18
184
Fazenda Pau
Queimado
Fazenda
14
34
218
15
21
239
6-12
Gibeira
Exemplo 6.M : Proporo de Mulheres no Curso de Bioestatstica

A populao definida como os alunos em sala de aula, e a questo a a proporo de mulheres na populao.
Nmeros de mulheres na populao: contagem = ______________________________________ .
Nmero de alunos: N = ______________________________________________ .
Proporo na populao (parmetro): p = contagem / N = __________________ .
Tome uma AAS de tamanho 4:
Nmeros de mulheres na amostra: contagem = ______________________________________ .
Nmero de alunos: n = _______________________________________________ .
$
Proporo na populao (estatstica): p = contagem / n = ___________________ .
$
Parmetro e estatstica so iguais (p = p ) ?
Exemplo 6.N : Amostrando Fragmentos III

Realizar uma ASS de tamanho 4, tomando cada fragmento como uma unidade.
Com base nessa amostra estime: a rea mdia dos fragmentos, a rea mediana dos fragmentos.
Amostragem Aleatria Estratificada (AAE)

Populao dividida em
grupos mais
homogneos.
Em cada grupo se
faz uma ASS.
Combina-se as ASS de cada

grupo numa nica amostra
.
Maior preciso na
amostragem
Menor variabilidade entre

amostras da populao.
AMOSTRAGEM ALEATRIA ESTRATIFICADA (AAE)

A populao sub-divida em grupos mutuamente exclusivos chamados ESTRATOS . Uma ASS
tomada dentro de cada estrato, e as estimativas dos estrato so combinadas.
Como os grupos so mutuamente exclusivos, cada unidade da populao pertence a um nico estrato.
Se os estratos forem internamente mais homogneos que a populao em termos da varivel sendo
medida, a AAE ser mais precisa que a ASS.
6-13
Exemplo 6.O: Produo em Floresta Plantada.

Suponhamos que uma floresta plantada se comporte conforme a figura abaixo. Faamos tambm a
pressuposio irreal de que os estratos so perfeitamente homogneos, isto , cada rea de 1ha dentro de cada
estrato tem a mesma produo (conforme a figura).
Estrato B
30 ha
V = 200 m3/ha
Estrato A
30 ha
V = 50 m3/ha
Estrato C
40 ha
V = 300 m3/ha
A) Realize 2 AAS de tamanho 6 com base na rea total da floresta (100ha).

Qual a varincia das estimativas da produo mdia (m3/ha)?
B) Realize 2 AAE de tamanho 6 (duas unidades por estrato).

Como a mdia da AAE calculada?
30
30
40
xA +
x B +
x =
x =
100
100
100 C
Qual a varincia das estimativas da produo mdia (m3/ha)?

CCULO DA M DIA NA AAE
N1
N2
Nk
1k
x = x1 + x2 +...+ xk = N i xi
N
N
N
N i =1
x a mdia da AAE
xi a mdia estimada para o estrato i.
N o tamanho da populao (nmero total de unidades)
Amostragem N
Sistemtica (AS)
i o tamanho do estrato i (nmero de unidades no estrato k)
6-14
A amostragem sistemtica uma maneira mais prtica de selecionar as unidades de uma populao.
AMOSTRAGEM SISTEMTICA
Inicialmente, as unidades da populao so colocadas numa certa ordem..
Para uma amostra sistemtica de 1-em-cada-k-unidades, voc primeiro seleciona
aleatoriamente uma das k primeiras unidades. A partir da unidade selecionada toma-se
sempre a k-sima unidade.
NOTE: somente a primeira unidade selecionada aleatoriamente, todas as demais so
tomadas sistematicamente.
Exemplo 6.P: Amostra Sistemtica de 1-em-4.

Suponha que a populao sendo estudada possui 19 unidades, tendo com rtulos as letras A at S.
Selecione uma amostra sistemtica de 1-em-4.
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17
R
18
S
19
Qual a chance da letra A ser selecionada? ____________________________

Qual a chance da letra G ser selecionada ? ____________________________
Qual a chance da letra N ser selecionada ? ____________________________
Uma amostra sistemtica uma amostra aleatria simples? Explique.
Uma amostra sistemtica uma amostra estratificada? Explique.
O tamanho da amostra fixo numa amostra sistemtica? Explique.
Exemplo 6.Q: Amostra Sistemtica numa Floresta.

Como faramos para dispor unidades amostrais de modo sistemtico numa floresta?
A partir de um ponto
aleatrio na floresta se
define um reticulado
Cada interseco do
reticulado define a posio de
uma unidade amostral
Obtem-se uma amostra

sistemtica com uma unidade
a cada x ha.
6-15
Amostragem em Mltiplos Estgios (AME)

Como o nome sugere, na amostragem em mltiplos estgios o processo de amostragem aleatria repetido em
vrios estgios hierarquizados.
Em cada estgio, qualquer um dos mtodos de amostragem discutidos pode ser utilizado.
Exemplo 6.R: Levantamento Regional

O DPRN (Departamento de Proteo dos Recursos Naturais) do Estado de So Paulo deseja realizar um
levantamento rpido para diagnosticar a situao dos fragmentos florestais em todo Estado.
Qual a melhor forma de amostrar?
Estado de So Paulo
1o. ESTGIO
Quadrculas do IBGE
dentro do Estado (AAS)
2o. ESTGIO
Fragmentos dentro de
Quadrculas
(AAE por tamanho)
3o. ESTGIO
Parcelas dentro de
Fragmentos dentro de
Quadrculas (AS)
6-16
Conceitos-Chave
CENSU - AMOSTRAGEM - POPULAO - UNIDADE AMOSTRAL - AMOSTRA - VARIVEL - PARMETRO ESTATSTICA - AMOSTRAGEM DE CONVENINCIA - VIS - VIS DE SELEO - VIS DE NO-RESPOSTA - VIS DE
RESPOSTA - PRECISO - MTODOS DE AMOSTRAGEM - AMOSTRAGEM ALEATRIA SIMPLES - PROCESSO
ALEATRIO - TABELA DE NMEROS ALEATRIOS - AMOSTRAGEM ALEATRIA ESTRATIFICADA AMOSTRAGEM SISTEMTICA - AMOSTRAGEM EM MLTIPLOS ESTGIOS
Leitura Essencial
[OLIVEIRA, 1977] p.39-43.
Exerccios
6.1 O Diretor deseja saber a opinio do corpo discente sobre uma nova proposta de procedimento de matrcula.
Para obter a informao rapidamente decidiu-se por amostragem.
a) Qual a populao? b) Quais so as unidades amostrais? c) Qual a varivel? d) Qual mtodo de
amostragem deve ser utilizado? Explique.
6.2 Uma empresa florestal pretende definir o nvel de infestao de formigas nas suas florestas.
6.3 Um candidato a governador do Estado deseja saber suas chances de vencer na prxima eleio e
encomendou uma pesquisa de intenso de voto.
6.4 Uma Engenheira Florestal realizou um estudo sobre o vandalismo nas trilhas de um Parque Nacional. Nesse
estudo ela se aproximava anonimamente a grupos de pessoas caminhando nos fins-de-semana e fazia a caminhada
com o grupo observando-os. Existe algum tipo de vis neste estudo? Qual? Explique.
6.5 Num estudo de ciclagem de nutrientes, o pequisador deseja saber o teor mdio de fsforo na serrapilheira de
uma floresta. Para isso ele seleciona pequenas reas de 1m2 distantes 3 metros da trilha utilizada adentrar na
floresta. Em cada rea de 1m2, toda serrapilheira removida e levada ao laboratrio para anlise. Existe algum
tipo de vis neste estudo? Qual? Explique.
6.6 Num levantamento da avifauna do sub-bosque de uma mata seca no Estado de Mato Grosso, um pesquisador
utiliza um gravador de alta sensibilidade para gravar o canto dos pssaros. Posteriormente, as fitas so analisadas
em laboratrio para identificao das espcies. Existe algum tipo de vis neste levantamento? Qual? Explique.
6.7 A Empresa Abril Cultura e Revista Playboy realiza anualmente o ranking das melhores escolas de Engenharia
Florestal. O ranking se baseia num formulrio enviado a uma amostra aleatria de profissionais formados que so
6-17
convidados a classificar a escola onde se formaram. Existe algum tipo de vis neste levantamento? Qual?
Explique.
6.8 A tabela abaixo mostra a produo por parcelas de 1ha de uma floresta de Eucalyptus grandis.
a) Realize 5 AAS de tamanho 8. Em cada amostra estime a produo mdia da floresta.
b) Realize 5 AAE de tamanho 8 (2 unidades/estrato). Em cada amostra estime a produo mdia da floresta.
c) Compare a variao das estimativas obtidas pela AAS e pela AAE, em torno do valor do parmetro. Qual dos
mtodos apresenta maior preciso. Explique.
Idade
(anos)
3
Parcela
(1ha)
1
2
3
4
5
6
1
2
3
4
5
1
2
3
1
2
3
4
5
Produo
(m3/ha)
50
55
56
67
48
69
150
148
120
160
130
250
210
205
310
280
300
320
340
6.9 Um Engenheiro Florestal deseja realizar uma AAS de tamanho 3 no talho da figura abaixo. Cada unidade
amostral consiste de uma parcela de 20 x 30 m (600m2). Realize essa amostragem. Explique detalhadamente o
processo utilizado.
TALHO
C
A
R
R
E
A
D
O
R
C
A
R
R
E
A
D
O
R
500m
6-18
ESTRADA
6.10 A base na tabela abaixo apresenta o dimetro (cm) de uma populao de 200 rvores.
a) Calcule o dimetro mdio da populao.
1000m
b) Realize 5 amostras aleatrias simples de tamanho 10. Para cada amostra estime a mdia da
populao. Analise a distribuio das mdias e sua relao com a mdia da populao.
c) Realize 5 amostras sistemticas de tamanho 10. Para cada amostra estime a mdia da populao.
Analise a distribuio das mdias e sua relao com a mdia da populao.
d) Existe alguma diferena entre a distribuio das estimativas obtidas por AAS e por AS? Explique.
Linhas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
16.0
83.7
11.9
20.3
38.9
22.4
21.9
35.7
56.5
12.3
26.5
58.3
14.7
15.5
25.8
33.4
19.6
15.3
25.7
25.3
2
54.7
10.8
49.8
20.6
21.7
21.2
30.2
41.3
21.6
23.1
117.8
34.3
10.3
19.8
21.7
75.4
92.4
20.8
16.9
10.3
3
27.7
17.6
15.5
48.3
12.6
14.9
14.6
13.0
17.1
34.2
14.7
15.6
15.3
14.6
62.2
20.2
12.7
14.3
15.2
17.4
4
29.2
31.6
22.5
26.0
52.9
20.0
37.0
11.4
27.3
13.6
15.4
11.0
27.0
50.0
94.5
11.8
20.6
30.3
10.7
38.5
Colunas
5
6
10.7
38.9
27.9
20.1
17.6
36.7
76.4
56.0
24.6
39.7
12.2
27.7
24.3
10.5
16.6
31.2
13.5
13.6
34.3
91.7
25.9
12.9
24.8
11.6
18.2
59.1
10.2
24.6
116.7
23.5
16.7
49.4
14.9
10.7
25.8
17.5
10.6
19.1
16.4
48.8
7
24.3
36.8
56.1
18.5
12.1
28.2
15.1
14.3
37.3
81.1
123.2
22.9
129.0
20.0
96.7
29.2
10.1
10.2
24.8
16.8
8
38.2
39.8
15.8
44.8
34.4
43.3
18.0
38.2
18.3
39.6
16.8
12.7
16.7
10.9
10.4
26.7
15.6
25.8
12.8
30.1
9
11.8
11.6
28.8
37.3
70.4
40.7
16.2
11.2
39.4
15.6
20.1
19.2
12.9
16.9
68.7
27.5
14.2
12.3
21.5
17.1
10
24.0
22.6
20.9
51.7
42.8
43.4
16.1
30.3
22.0
54.5
30.1
42.2
23.9
11.0
15.8
32.1
26.2
61.3
16.5
42.4
7-1
7.Informao e Incerteza: Probabilidade

Exemplo 7.A: Planejamento Familiar
Um casal planeja ter filhos at terem uma menina ou at terem quatro filhos.
Qual a probabilidade deste casal ter um a filha ?
Encontrando a probabilidade por simulao:
1. Utilize a tabela de nmeros aleatrios e selecione 20 nmeros:
1
2
F
7
M
2
F
1
M
5
M
9
M
2. Os nmeros pares represetam meninas (F) e os mpares meninos (M):

1
M
2
F
7
M
0
F
3
M
7
M
1
M
4
F
5
M
6
F
3
M
5
M
0
F
6
F
3. Agrupe os nmeros de acordo com planejamento do casal para simular as diferentes possibilidades de filhos.
Numere cada simulao como uma famlia:
1
M
1
2
F
1
7
M
2
0
F
2
3
M
3
7
M
3
1
M
3
4
F
3
5
M
4
6
F
4
3
M
5
5
M
5
0
F
5
6
F
6
2
F
7
7
M
8
2
F
8
1
M
9
5
M
9
9
M
9
No exemplo acima, a simulao gerou 9 famlias.

4. Calcule a probabilidade do casal ter uma filha: 9/9 = 1.
Ser que a probabilidade de 100% ?

Ser que se selecionarmos um outro conjunto de 20 nmeros aleatrios obteremos a mesma
probabilidade?
Repetindo a simulao com vrios grupos:
Grupo
No. de
Famlias
No. de
Famlias
c/ Filhas
10
11
12
13
14
15
16
17
18
19
20
Total
Probabilidade por simulao = Total de Famlias / Total de Famlias c/ Filhas = ______/______ = __________
Probabilidade exata = 0.938
Exemplo 7.B: Loteria Federal
7-2
Num jogo semelhante Loteria Federal um jogador comprou o bilhete 123456. Este jogador receber:
R$ 50000,00
R$ 5000,00
R$ 500,00
R$
50,00
se o
se o
se o
se o
123456
X23456
XX3456
XXX456
bilhete sorteado for

(X representa qualquer dgito sorteado no correspondente ao bilhete).

1. Elabore um sistema para simular uma rodada da loteria utilizando a tabela de nmeros aleatrios.
2. Simule 5 rodadas da loteria e anote os nmeros sorteados.
3. Em quantas rodadas o bilhete 123456 foi sorteado? Qual o valor dos prmios?
4. Junte o resultado de suas simulaes com o de outros alunos da sala:
Aluno
No. de
rodadas
No. de
rodadas c/
o bilhete
sorteado
10
11
12
13
14
15
16
17
18
19
20
Total
5. Com base nas simulaes de todos os alunos, qual a probabilidade do bilhete 123456 ser sorteado?
Exemplo 7.C: Loteria Federal - II

Ser que podemos calcular a probabilidade exata de se ganhar nesta loteria?
1. Quantos bilhetes so possveis serem sorteados:
Ordem do Dgito
Nmero de Dgitos Possveis
1o.
10
2o.
10
3o.
10
4o.
10
5o.
10
2. Quantos destes bilhetes pagaro algum prmio?

R$ 50000,00
R$ 5000,00
R$ 500,00
R$
50,00
1
9
9 x 9 = 81
9 x 9 x 9 = 729
1 + 9 + 81+ 729
820
=
= 0.00082
1000000
1000000
Conceitos Bsicos em Probabilidade
6o.
10
106 = 1000000 Bilhetes
7-3
Nmero resultante do lanamento de um dado.

Os nmeros numa tabela de nmeros aleatrios.
EXPERIMENTO ALEATRIO
O nmero de rvores com cancro numa parcela

de floresta de eucalipto.
Processo estocstico (aleatrio) em que

o resultado final incerto devido ao
prprio processo.
As produtividades de diferentes reas de floresta

de Pinus que receberam adubao..
As espcies de aves que so capturadas numa
rede-neblina armada no sub-bosque de uma
floresta nativa
ESPAO AMOSTRAL ( S )
Conjunto de todos os resultados possveis de um experimento aleatrio.
Alguns experimentos aleatrios podem ter um nmero infinito de resultados, por hora
veremos experimentos apenas com um nmero contvel de resultados.
No lanamento de 3 moedas justas, o espao amostral pode ser representado por:
Lanamentos
1 o. 2o. 3o.
C
C
C
(cara)
K
C
K
S=
CCC
CCK
CKC
CKK
KCC
KCK
KKC
KKK
K
C
C
K
(coroa)
K
C
K
S = { CCC, CCK, CKC, CKK, KCC,
KCK, KKC, KKK }
Se no lanamento de 3 moedas justas, definirmos o resultado como o nmero de caras, o espao amostral fica:
S = { 0, 1, 2, 3 }
7-4
O espao amostral no precisa ser necessariamente um

conjunto de nmeros, mas um sistema de cdigos deve ser
estabelecido quando os resultados no so numricos.
Dois aspectos fundamentais
na representao do
ESPAO AMOSTRAL
A definio do que representa um resultado do experimento

aleatrio fundamental na definio do espao amostral.
Exemplo 7.D: Representando Espaos Amostrais

Lanamento de uma moeda:
S={
Lanamento de dois dados:
S={ ( , ) ( , ) ( , ) ( , ) ( , ) ( , )
(
(
(
(
(
,
,
,
,
,
)
)
)
)
)
(
(
(
(
(
,
,
,
,
,
)
)
)
)
)
(
(
(
(
(
,
,
,
,
,
)
)
)
)
)
(
(
(
(
(
,
,
,
,
,
)
)
)
)
)
(
(
(
(
(
,
,
,
,
,
)
)
)
)
)
(
(
(
(
(
,
,
,
,
,
)
)
)
)
)
No lanamento de dois dados o resultado definido como a soma dos nmeros obtidos:
S={
Um conjunto de 10 rvores, selecionadas aleatriamente, tomado numa floresta de Eucalyptus urophylla. O

resultado definido como o nmero de rvores bifurcadas.
S={
Um estudante de Bioestatstica Florestal selecionado aleatoriamente. O resultado definido como o nmero de

horas que o estudante dedicou Bioestatstica nas ltimas 24 horas.
S={
Uma parcela de 1ha locada aleatoriamente numa floresta nativa. O resultado definido como o nmero de
rvores na parcela.
S={
Um aluno da ESALQ selecionado ao acaso. O resultado definido como o nmero de crditos que este aluno
est cursando no atual semestre.
S={
Um aluno da ESALQ selecionado ao acaso. O resultado definido como o nmero de crditos necessrios
para este aluno se graduar.
7-5
S={
Evento
EVENTO
Eventos so sub-conjuntos do espao amostral e so geralmente
representados por letras maisculas, como A, B, C, ...
Eventos possveis:
Experimento Aleatrio:
Um dado lanado.
Espao Amostral:
S = { 1, 2, 3, 4, 5, 6}
O resultado um nmero impar:

A = { 1, 3, 5 }
O resultado menor do que 5:
B = { 1, 2, 3, 4 }
O resultado um nmero primo:
C = { 1, 2, 3, 5 }
Se um dado lanado e o resultado um elemento de A, dizemos que o evento A ocorre .

Se o resultado no for um elemento de A, dizemos que o evento A no ocorre .
Conceito de Probabilidade
O termos probabilidade utilizado com diferentes sentidos na linguagem do dia-a-dia:
A previso do tempo indica 70% de probabilidade de chuvas no prximo fim-de-semana.
O jogador sente que esta noite as chances de levar uma grande bolada na roleta so altas.
Ao jogar uma moeda justa, a chance de coroa de 1/2.
Se uma pessoa sofreu um acidente fatal, as chances de que este acidente ocorreu em casa
so de 10.5%.
das pessoas consideram o elogio do chefe como um importante componente na satisfao
profissional.
O sexismo latino-americano est comprovado: o nvel de analfabetismo na Amrica Latina
de 17% entre mulheres e de 14% entre homens.
Apesar das mulheres comporem aproximadamente 50% da poplao eleitoral na Europa,
apenas 11% dos cargos eletivos eram ocupados por mulheres em 1995.
7-6
As pessoas expressam julgamento subjetivo de

possibilidades na forma percentual ou probabilidade.
CONCEITO SUBJETIVO
Embora apresentado de forma quantitativa, o conceito

subjetivo no deve ser confundido com o conceito de
probabilidade utilizado na Bioestatstica.
Alguns mtodos de gerenciamento, incorporam o conceito
subjetivo de probabilidade sem, entretanto, eliminar o seu
aspecto subjetivo.
Pelo conceito clssico a probabilidade definida com base

em dados do experimento aleatrio.
A probabilidade obtida antes que do experimento ser
realizado e, portanto, o nome a priori.
CONCEITO CLSSICO
OU A PRIORI
O conceito clssico surgiu no sculo XVII a partir dos jogos

de azar e define a probabilidade do evento A como sendo:
P( A) =
TAMANHO DO EVENTO
TAMANHO DO ESPAO AMOSTRAL
Exemplo: Lanamento de uma moeda.
Mas como podemos calcular as probabilidades a priori

nas seguintes situaes:
Uma pessoa que fuma um pacote de cigarros
por dia desenvolver cancer.
Ocorrer uma geada no prximo inverno.
Haver uma exploso na populao de
desfolhadores presente numa floresta de
eucalipto.
Encontrar um rvore de mogno num parcela de
1ha numa floresta nativa.
A produo mdia de uma floresta superar
400m3/ha.
7-7
A probabilidade dos eventos definida com base

em registros da ocorrncia dos eventos.
CONCEITO FREQUENTISTA
OU A POSTERIORI
A nica forma de se conhecer as

intenses de voto da populao
brasileira entrevistando uma
amostra dela. impossvel saber a
opinio das pessoas a priori.
Numa floresta nativa ou plantada, as
nicas informaes que dispomos so
provenientes de levantamentos
(amostras).
Os experimentos aleatrios passam a ser ensaios

conduzidos repetidamente em condies
relativamente uniformes, da o nome de
probabilidade a posteriori.
A probabilidade de um evento definida como a

freqncia relativa de ocorrncia do evento num
srie de ensaios ou simulaes, da o nome
frequentista.
Axiomas de Probabilidade
Axioma I
Independentemente do conceito utilizado,
clssico ou freqntista, o modelo de
probabilidade em Bioestatstica ter sempre
uma COERNCIA INTERNA que resulta dos
AXIOMAS de probabilidade:
0 P ( A) 1
Axioma II
P (S ) = 1
P () = 0
CONCEITO CLSSICO
P(A) = Tamanho A / Tamanho S

P(A) tem que ser necessariametne um nmero entre 0 e 1.
7-8
P(A) a freqncia relativa de A

P(A) necessariamente um nmero entre 0 e 1.
CONCEITO FREQENTISTA
Diagramas de Venn
Os diagramas de Venn so utilizados para se visualizar os conceitos de bsicos de probabilidade.
S
B
.
a, b, c = resultados
UNIO DE 2 EVENTOS
A, B = eventos
Dizemos: ocorre A ou B
Notao: A U B
S = espao amostral
7-9
AB
INTERSECO DE 2 EVENTOS
Dizemos: ocorre A e B
Notao: A I B
AB
EVENTOS DISJUNTOS : Dizemos: A e B so disjuntos ou A e B so mutuamente exclusivos

Notao: A I B =
7-10
AB=
SUB-CONJUNTOS :
Dizemos: B sub-conjunto de A ou B implica em A .

Notao:
B A
BI A= B
BU A = A
AB
A
B
COMPLEMENTO:
Dizemos: A (o complemento de A) a negao de A.

Notao: A C A C I A =
AC AC U A = S
A AC = S
AC
7-11
7-11
Exemplo 7.E: Lanamento de Dois Dados

Vejamos como podemos utilizar os conceitos apresentados nos diagramas de Venn no caso de um experimento
aleatrio que consiste no lanamento de dois dados justos:
A = pelo menos um 3
B = soma dos nmero no mximo 6
C = soma no mnimo 10
D = exatamente dois 3
E = nenhum 3
1. P( A U B) = ____________________
2. P( A I B) = _____________________
3. P( B I C) = ____________________
4. P( B U C) = _____________________
5. P( A I D) = ____________________
6. P( A U D) = _____________________
7. P( A I E ) = ____________________
2. P( A U E ) = _____________________
Regras de Clculo de Probabilidades

Utilizando os diagramas de Venn se torna mais fcil compreender algumas regras que surgem naturalmente no
clculo de probabilidades.
REGRA1:
PROBABILIDADE DA UNIO DE EVENTOS
P( A U B) = P( A) + P( B) P ( A I B)
Exemplo 7.F: Lanamento de Dois Dados - II

No lanamento de dois dados justos temos: A = a soma impar e B = pelo menos um nmero 1.
Qual a probabilidade da soma ser impar ou termos pelo menos um nmero 1?
P( A) = 18 / 36
18 + 11 6 23
P( B) = 11 / 36 P( A U B) =
=
36
36
P( A I B) = 6 / 36
7-12
REGRA1B:
PROBABILIDADE DA UNIO DE EVENTOS DISJUNTOS
A e B disjuntos A I B = P( A I B) = 0
P( A U B) = P( A) + P( B)
Exemplo 7.G: Lanamento de Dois Dados - III

No lanamento de dois dados justos temos: A = a soma menor do que 6 e B = a soma no mnimo 10.
P( A) = 15 / 36
15 6 21
P( B) = 6 / 36 P( A U B) =
+
=
36 36 36
P( A I B) = 0
Desigualdade de Boole
REGRA 2:
PROBABILIDADE DA DE UMA SEQNCIA DE EVENTOS DISJUNTOS
Se
A1 , A2 , A3 ,... , formam uma seqncia de eventos disjuntos, ento

P (U
i =1
Ai ) = P ( Ai )
i =1
REGRA 3:
DESIGUALDADE DE BOOLE
Dada uma seqncia de eventos
A1 , A2 , A3 ,..., An ,
n
P (U
n
i= 1
Exemplo 7.H: Deficincia Nutricional
Ai ) P ( Ai )
i =1
7-13
Numa floresta de Eucalyptus grandis, foram coletadas amostras de folhas de 100 rvores (selecionadas
aleatoriamente) para anlise foliar. A anlise revelou deficincia de alguns nutrientes.
Nutrientes
Macro
Micro
N
P
K
B
Zn
Mn
Proporo de
rvores
c/ Deficincia
0.35
0.15
0.10
0.50
0.01
0.02
Qual a probabilidade de uma rvore selecionada

aleatoriamente nesta floresta estar com deficincia
de macro-nutrientes?
0.35 + 0.15 + 0.10 = 0.60
A Desigualdade de Boole implica que a probabilidade

de no mximo 60%,
isto , que no mnimo 40% das rvores no tem
deficincia de macro-nutrientes.
Probabilidade do Complemento
No lanamento de duas moedas temos: A = pelo menos uma cara, B = duas coroas.
Qual a probabilidade duas coroas ou pelo menos uma cara ?
Moeda 1
C
K
P( A) = 3 / 4
3 1 4
P( B ) = 1 / 4 P( A U B) = + = = 1
4 4 4
P( A I B) = 0
Moeda 2
C
K
CC
CK
KC
KK
A e B so complementares P( A) + P( B) = P( S ) = 1
REGRA 4:
PROBABILIDADE DO COMPLEMENTO
P ( S ) = P ( A) + P ( A C ) = 1 P ( A) = 1 P( AC )
Exemplo 7.I: Lanamento de Um Dado
Um dado lanado 10 vzes, qual a probabilidade de A = pelo menos um 6?
5 5 5 5 5 5 5 5 5 5 510
9765625
A = nenhum 6= = 10 =
= 01615
.
6 6 6 6 6 6 6 6 6 6 6
60466175
C
P(A)= 1 - P(AC )=1 - 0.1615 = 0.8385
7-14
Probabilidade Condicional
A ocorrncia de um evento altera a
probabilidade de ocorrncia de outro evento
PROBABILIDADE CONDICIONAL
No estabelece relao de causa-efeito entre

os eventos, simplesmente relaciona as
probabilidades dos eventos ocorrerem.
Exemplo 7.J: Educao em Sala

Num estudo de eduacao, alunos do primeiro e segundo graus foram questionados sobre atividades de sua
preferncia dentro de sala de aula.
Um aluno selecionado aleatoriamente deste grupo:
Qual a probabilidade dele ser do 1o. grau?
P( A) =
GRAU
30 3
=
50 5
1O.
2O.
Qual a probabilidade dele preferir atividades

artsticas?
P( B) =
TOTAL
ATIVIDADE
ARTSTICA LEITURA
27
3
5
15
32
18
TOTAL
30
20
50
32 16
=
50 25
Se o aluno selecionado for do 1o. grau, qual a

probabilidade dele preferir atividades artsticas?
P( B dado que ocorreu A) =
NOTAO
27 9
=
30 10
P( A dado que ocorreu B) = P( A| B)

P( B dado que ocorreu A) = P( B| A)
Se o aluno preferir atividades artsticas, qual a

probabilidade dele ser do 1o. grau?
P( A dado que ocorreu B) =
27
32
REGRA 5:
PROBABILIDADE CONDICIONAL
P( A I B)
P( B)
P( A I B)
P( B| A) =
P( A)
P( A| B) =
7-15
Exemplo 7.J: Educao em Sala

Voltando ao exemplo de educao temos:
A = aluno do primeiro grau P( A) = 3 / 5
B = aluno prefere atividades artsticas P( B) = 16 / 25
A e B = aluno do primeiro grau e prefere atividades artsticas P( A I B ) = 27 / 50
A dado B = aluno do primeiro grau dado que o aluno prefere atividades artsticas
P( A I B ) 27 / 50 27
P( A| B) =
=
=
P( B)
16 / 25 32
B dado A = aluno prefere atividades artsticas dado que o aluno do primeiro grau
P( A I B) 27 / 50 27 9
P ( B| A) =
=
=
=
P( A)
3/5
30 10
Probabilidade Condicional no Diagrama de Venn

AB
AB
S
A
Se o evento A ocorreu, o resultadoest em A.

P(B|A) = P(A B )/P(A)
Se o evento B ocorreu, o resultado est em B.

P(A|B) = P(A B )/P(B)
Exemplo 7.K: Concorrncia

Uma empresa de consultoria participa de duas concorrncias para realizar estudos de impacto ambiental. A
probabilidade dela vencer a primeira concorrncia de 50% e de vencer a segunda de 70%, enquanto que a
probabilidade de vencer ambas concorrncias 40%.
A = vence a 1a. concorrncia P( A) = 0.5
B = vence a 2a. concorrncia P ( B ) = 0.7
A e B = vence ambas as concorrncias P ( A I B) = 0.4
Qual a probabilidade de vencer a segunda concorrncia dado que ela vence a primeira?
P ( B| A) =
P( A I B) 0.4
=
= 0.80
P( A)
0.5
Qual a probabilidade de vencer a primeira concorrncia dado que ela vence a segunda?
7-16
P( A I B) 0.4
=
= 0.57
P( B)
0.7
P ( A| B) =
Probabilidade da Interseco de Dois Eventos
P( A I B)
P( A I B) = P ( B| A) P ( A)
P( A)
P( A I B)
P ( A| B) =
P( A I B) = P ( A| B) P ( B )
P( B)
P ( B| A) =
A probabilidade condicional nos

permite calcular diretamente a
probabilidade da interseco de
dois eventos.
REGRA 6:
PROBABILIDADE DA INTERSECO DE DOIS EVENTOS
P( A I B) = P( A| B) P( B) = P( B| A) P( A)
Exemplo 7.L: Seleo de Pessoal

Uma empresa produtora de papel e celulose dispe de 250 fichas cadastrais de candidatos a vagas de emprego.
Assume-se que as fichas cadastrais representem uma amostra aleatria da populao da economicamente ativa
cidade. Nas fichas, 60% so homens e 40% so mulheres. Sabe-se que nesta cidade 50% dos homens so
fumantes, mas apenas 20% das mulheres so fumantes.
Qual a proporo da populao que qualificaria para um emprego de motoserrista (homem no fumante)?
A = homem: P ( A) = 0.6
B = homen no fumante: P ( B| A) = 0.5
P( A I B) = P( B| A) P( A) = (0.5)(0.6) = 030
.
Qual a proporo da populao que qualificaria para um emprego de embaladora (mulher no fumante)?
A = mulher: P ( A) = 0.4
B = mulher no fumante: P ( B| A) = 0.8
P( A I B) = P( B| A) P( A) = ( 0.4)( 08) = 0.32

.
7-17
Independncia de Eventos
Dois eventos so ditos
A ocorrncia de um dos eventos no altera a

probabilidade de ocorrncia do outro.
INDEPENDENTES
quando:
DEFINIO:
DOIS EVENTOS INDEPENDENTES
P( A| B) = P( A)
P( B| A) = P( B)
Exemplo 7.M: Amostragem Sem Reposio x Com Reposio

Uma urna contm 5 bolas: 2 brancas e 3 pretas. Duas bolas so selecionadas aleatoriamente.
A = a primeira bola preta P( A) = 3 / 5

B = a segunda bola branca. P( B) = 2 / 5
Se bolas forem retiradas sem reposio qual probabilidade de B dado A ?
Se A ocorreu, uma bola preta foi tirada da urna e, portanto, restaram 2 brancas e 2 pretas, logo:
P( B| A) =
2 1
2
= P( B) =
4 2
5
Os eventos A e B no so independentes.
Se bolas forem retiradas com reposio qual probabilidade de B dado A ?
Se A ocorreu, mas a bola preta retornou a urna, a configurao da urna permanece 2 brancas e 3 pretas,
logo
P( B| A) =
Os eventos A e B so independentes.
2
2
= P( B) =
5
5
7-18
REGRA 7:
PROBABILIDADE DA INTERSECO DE DOIS EVENTOS INDEPENDENTES
P( A I B) = P( A) P( B)
Exemplo 7.N: Cruzamento Aleatrio
Uma certa planta anual, possui um gene com dois alelos: o dominante (A) e o recessivo (a). Como cada indivduo
possui dois alelos, os gentipos possveis numa populao so AA, Aa e aa. Numa dada populao, as propores
destes gentipos so: 1/2, 1/4 e 1/4, respectivamente. Assumindo que os indivduos desta populao se cruzem de
modo totalmente aleatrio, quais as propores dos gentipos na prxima gerao?
Gentipo
AA
Aa
aa
Criao dos Gametas

pelos Gentipos
Proporao
de
Gametas
A => 5/8
A => (1/2) * (1/2) = 1/4

A => (1/2) * (1/2) = 1/4
A => (1/4) * (1/2) = 1/8
a => (1/4) * (1/2) = 1/8
a => (1/4) * (1/2) = 1/8
a => (1/4) * (1/2) = 1/8
Gentipos na Prxima
Gerao
AA => (5/8)*(5/8) = 25/8
Aa => 2*(5/8)*(3/8) = 30/8
a => 3/8
aa => (3/8)*(3/8) = 9/8
Exemplo 7.O: Ocorrncia de Paranormalidade

Os fenmenos paranormais so invenses de pessoas supersticiosas ou realmente existem?
SITUAO: Uma pessoa sonha que um amigo morreu e nessa mesma noite o amigo morre.
PRESSUPOSIES: a) sonho e morte so independentes (no h paranormalidade)
b) cada pessoa tem apenas um sonho destes na vida.
Evento Ai
Pessoa i tem o sonho num dado dia.
Expectativa de vida do brasileiro:
65 anos = 23750 dias
P ( Ai ) =
Evento Bi
O amigo da pessoa i morre num dado dia. Taxa de mortalidade
de 1%/ano: 1.700.000 (0.01) = 1700000 pessoas/ano
= 4658 pessoas/dia
1
23750
P ( Bi ) =
Ocorrncia de ambos eventos num dado dia assumindo independncia:
1 4658
= 11537 109
P ( Ai I Bi ) = P( Ai ) P( Bi ) =
.
23750 170000000
.
Mas a populao grande, ser que a ocorrncia simultnea ainda rara na

populao?
4658
170000000
Concluso
o fenmeno ( Ai I Bi )
extremamente raro!!
Concluso
1 vez a cada 5 dias o
fenmeno ( Ai I Bi )
ocorre!!
7-19
Conceitos-Chave
SIMULAO - EXPERIMENTO ALEATRIO - ESPAO AMOSTRAL - EVENTO - CONCEITO CLSSICO DE
PROBABILIDADE - PROBABILIDADE A PRIORI - CONCEITO FREQENTISTA DE PROBABILIDADE - PROBABILIDADE
A POSTERIORI - AXIOMAS DE PROBABILIDADE - DIAGRAMS DE VENN - UNIO DE EVENTOS - INTERSECO DE
EVENTOS - EVENTOS DISJUNTOS - EVENTOS MUTUAMENTE EXCLUSIVOS - SUB-CONJUNTOS - COMPLEMENTO PROBABILIDADE DA UNIO - PROBABILIDADE DA SEQNCIA DE EVENTOS DISJUNTOS - DESIGUALDADE DE BOOLE
- PROBABILIDADE DO COMPLEMENTO - PROBABILIDADE CONDICIONAL - PROBABILIDADE DA INTERSECO EVENTOS INDEPENDENTES - PROBABILIDADE DA INTERSECO DE EVENTOS INDEPENDENTES
Exerccios
7.1 Numa floresta nativa a taxa de ocorrncia de espcies arbreas pioneiras de 20%. Atravs de simulaes
(utilizando a tabela de nmeros aleatrios), estime a probabilidade de numa amostra aleatria de 10 rvores se
encontrar no mnimo trs rvores de espcies pioneiras.
7.2 Esquematize um processo de simulao (utilizando nmeros aleatrios) para a amostragem de rvores numa
floresta nativa onde:
10% das rvores so de espcies pioneiras;
20% das rvores so de espcies secundrias iniciais;
30% das rvores so de espcies secundrias tardias;
40% das rvores so de espcies primrias.
O objetivo simular uma amostra aleatria de 20 rvores desta floresta.
7.3 Uma urna contm trs bolas: uma azul (A), uma verde (V) e uma rosa (R). Duas bolas so selecionadas
aleatoriamente da urna. O resultado representado pela combinao da letra das cores, por exemplo, se as bolas
selecionadas forem a azul e a verde o resultado (A,V). Represente o espao amostral para este experimento nas
seguintes situaes:
a) Amostragem com reposio onde a ordem importante;
b) Amostragem com reposio onde a ordem no importante;
c) Amostragem sem reposio onde a ordem importante;
d) Amostragem sem reposio onde a ordem no importante.
7.4 Num levantamento da avifauna, as aves foram classificadas segundo a sua dieta preferencial em insentvoras
(I) e frugvoras (F).
a) Represente o espao amostral para uma amostra de trs aves;
b) Represente o evento A = pelo menos uma ave frugvora;
c) Represente o evento B = exatamente duas aves so frugvoras.
7.5 Considere com experimento aleatrio o lanamento de dois dados balanceados.
a) Represente o espao amostral;
b) Represente o evento A = exatamente 1 dado trs;
c) Represente o evento B = exatamente 2 dados so trs;
d) Represente o evento C = pelo menos um dos dados trs;
e) Represente o evento D = a soma dos dados seis.
7.6 Considere com experimento aleatrio o lanamento de dois dados justo. Calcule a probabilidade dos
seguintes eventos:
7-20

A.
B.
C.
D.
E.
= nenhum trs;
= exatamente um trs;
= exatamente dois trs;
= pelo menos um trs;
Compare 1 - P(A) com P(D).
7.7 Num levantamento em floresta de Pinus oocarpa, foram observadas 830 rvores, segundo a tabela abaixo. Os
defeitos so excludentes, isto , cada rvore foi classificada em apenas uma das quatro classes de defeito.
Idade
Jovem
Madura
Total
Bifurcada
24
36
60
Classes de Defeito do Tronco

Tortas
Rabo-de-raposa
91
78
74
76
165
154
Sem Defeito
181
270
451
Total
374
456
830
Considere os seguintes eventos:

A. = rvore jovem;
B. = rvore madura;
C. = rvore bifurcada;
D. = rvore torta;
E. = rvore com rabo-de-raposa;
F. = rvore jovem e bifurcada;
G. = rvore madura e torta;
H. = rvore jovem sem defeitos.
Estabelea a relao entre os seguintes eventos:
a) A e B;
b) A e G;
c) C e F;
d) D e E;
e) B I D e G;
f) A I(C U D U E) e H.
7.8 Considerando as informaes do exerccio anterior calcule as seguintes probabilidades:
a) P(A U C)
b) P(B U E)
c) P(D U F)
d) P(C U G )
e) P(B U H )
f) P(C U D U E)
g) P(A I(C U D U E))
7.9 Uma indstrias de mveis de Pinus fez um levantamento no ptio de secagem para analisar a incidncia de
defeitos nas peas de madeira secas ao ar. Todos os defeitos de cada pea amostrada (amostra aleatria em 3
lotes) foram anotados, isto , uma mesma pea pode ter mais de um defeito. O resultado encontrado foi.
Defeitos
Freqncia Relativa
Lote 1
Lote 2
Lote 3
7-21

Manchamento
Empenamento Longitudinal
Empenamento Transversal
Ns Mortos
Perfurao por Brocas
Rachaduras de Topo
Madeira Juvenil
0.23
0.07
0.09
0.01
0.02
0.17
0.08
0.19
0.03
0.03
0.02
0.05
0.20
0.08
0.35
0.12
0.10
0.05
0.20
0.25
0.17
a) Qual a proporo de peas em cada lote que apresentam defeitos de empenhamento ? Por que?
b) Qual dos lotes est em melhores condies, isto , apresenta a menor proporo defeituosa ? Por que?
7.10 Um estudo do coportamento social de capivaras produziu o seguinte resultado:
Ambiente
Restrito
Amplo
Total
Comportamento
Agressivo
No Agressivo
22
5
20
12
42
17
Total
27
32
59
Se um animal for selecionada aleatoriamente deste grupo:

a) Qual a probabilidade deste animal estar num ambiente restrito?
b) Qual a probabilidade deste animal ter um comportamento agressivo?
c) Se este animal est num ambiente restrito, qual a probabilidade dele ter um comportamento agressivo?
d) Se este animal est num ambiente restrito, qual a probabilidade dele ter um comportamento no
agressivo?
e) Se este animal tem um comportamento agressivo, qual a probabilidade dele estar num ambiente
restrito?
f) Se este animal tem um comportamento agressivo, qual a probabilidade dele estar num ambiente
amplo?
7.11 Um aluno de Engenharia Florestal considera as chances de conseguir dois estgios prtico. As chances dele
conseguir o estgio numa empresa florestal so de 80%, enquanto que as chances de conseguir um estgio num
parque nacional so de 70%. As possibilidades de conseguir ambos os estgios, entretanto, so de 50%.
Pergunta-se:
a) Qual a probabilidade do aluno conseguir o estgio no parque nacional, dado que ele conseguiu o
estgio na empresa?
b) Qual a probabilidade do aluno conseguir o estgio na empresa florestal, dado que ele conseguiu o
estgio no parque nacional?
c) Qual a probabilidade do aluno conseguir pelo menos um dos estgios?
7.12 Uma fbrica de peas possui duas linhas de produo. A linha A produz 5% das peas da fbrica e destas
10% so defeituosas. J a linha B produz 95% das peas com uma taxa de defeitos de apenas 2%.
a) Qual a proporo de peas defeituosas que deixam a fbrica?
b) Se a pea defeituosa, qual a probabilidade dela ter saido da linha de produo A?
c) Se a pea defeituosa, qual a probabilidade dela ter saido da linha de produo B?
d) Se a pea no defeituosa, qual a probabilidade dela ter saido da linha de produo A?
e) Se a pea no defeituosa, qual a probabilidade dela ter saido da linha de produo B?
7-22
7.13 Numa floresta de Pinus elliottii, 30% das rvores foram resinadas. Das rvores no resinadas, 70% so
apropriadas para serraria, enquanto que dentre as resinadas apenas 10% o so. Assumindo que uma rvore desta
floresta for selecionada ao acaso, pegunta-se:
a) Qual a probabilidade dela ser apropriada para serraria?
b) Qual a probabilidade dela ter sido resinada e ser prpria para serraria?
c) Qual a probabilidade dela ter sido resinada e no ser prpria para serraria?
d) Qual a probabilidade dela no ter sido resinada e ser prpria para serraria?
7.14 Sabe-se que numa regio de florestas tropicais em condies primitivas 75% das rvores so de espcies
raras, mas em reas que sofreram distrbios antrpicos a proporo de espcies raras cai para 30%. Considere
uma reserva florestal onde 20% da sua rea foi alterada antropicamente. Qual a probabilidade de um rvores
selecionada aleatoriamente nesta reserva ser de espcie rara ?
7.15 Um dado lanado 20 vzes, qual a probabilidade de pelo menos um dos lanamentos resultar num seis?
7.16 Numa floresta de Eucalyptus grandis a taxa de ocorrncia de cancro de 2.5%. Num levantamento foram
selecionadas ao acaso 30 rvores, qual a probabilidade de pelo menos uma ter cancro?
7.17 Uma festa reune 23 pessoas. Assumindo que as datas de nascimento das pessoas ocorre de modo totalmente
aleatrio, qual a probabilidade de pelo menos duas pessoas terem nascido no mesmo dia do ano?
7.18 Sabe-se que as rvores de uma certa espcie arbrea produzem em mdia 2000 frutos no estgio inicial de
desenvolvimento. Quando os frutos amadurecem, aproximadamente 27 sementes por fruto so disseminadas.
Outras informaes sobre a biologia reprodutiva desta espcie incluem:
55% dos frutos em incio de desenvolvimento so abortados.
Dos frutos verdes (no abortados), 70% so predados antes de amadurecer.
Dos frutos que amadurecem, 50% das sementes so eficientemente disseminadas.
Qual a quantidade de sementes por rvore que auxiliar efetivamente na regenerao natural desta espcie.
7.19 Num sistema de iluminao, foram instaladas em srie 15 lmpadas, de modo que se uma delas queimar
todas as lmpadas apagam. Cada lmpada tem probabilidade de 0.99 de no queimar nas primeiras 300 horas de
funcionamento. Assumindo que as lmpadas se comportam de modo independente, qual a probabilidade do
sistema no falhar nas primeiras 300 horas ?
7.20 Um lote de sementes de Eucalyptus saligna com uma proporo de 5% de sementes hbridas (E. saligna x E.
cloeziana) foi utilizado para a implantao de uma floresta. Se dez rvores desta floresta forem selecionadas ao
acaso qual a probabilidade de:
a) nenhuma delas ser hbrido;
b) pelo menos uma delas ser hbrido;
c) todas elas serem hbridos.
11-1
11. O Modelo Fundamental: Distribuio Normal

Introduo
As principais razes que fazem a distribuio Normal o modelo mais importante na Bioestatstica so:
1. Muitas variveis biomtricas tendem a ter distribuio Normal. Isto ocorre principalmente quando a varivel
influenciada por um grande nmero de fatores que atuam de modo independente e aditivo.
2. A distribuio das mdias amostrais de uma varivel qualquer tendem a ter distribuio Normal, mesmo que a
varivel em si no tenha distribuio Normal.
3. Muitos testes e modelos estatsticos tm como pressuposio a nomalidade dos dados, isto , que os dados
possuem distribuio Normal.
Histrico
A distribuio Normal tambem conhecida como distribuio Gaussiana como homenagem a Karl F. Gauss
(1777-1855), brilhante matemtico e fsico alemo, que a desenvolveu no incio do sculo XIX. Entretanto,
Abraham de Moivre (1667-1754) foi o primeiro a anunciar a equao da distribuio em 1733 e Pierre-Simon
Marquis de Laplace (1749-1827), famoso matemtico e fsico francs, a redescobriu na mesma poca que Gauss.
Para evitar uma questo internacional de originalidade o famoso estatstico ingls Karl Pearson passou a
cham-la de distribuio Normal em 1920.
Definio da Distribuio Normal

A Distribuio Normal
uma
VARIVEL ALEATRIA CONTNUA
definida por uma
funo de densidade
f(x)
FUNO DE DENSIDADE DA DISTRIBUIO NORMAL
1 1
f ( x) =
e
2
1 x

2
Define a
forma da distribuio
11-2
Probabilidade de x estar entre x 1 e x 2 :
P ( x1 < x < x2 ) =
x2
x1
f ( t ) dt =
x2
x1
1 1
e
2
1 t

2
dt
f(x)
REA SOB A
CURVA DE DENSIDADE
x1
x2
Propriedades da Distribuio Normal

1) FORMA DE SINO: unimodal e simtrica
2) DOIS PARMETROS: mdia ( ) e desvio padro ( )
A mdia ( ) controla a localizao do

centro da distribuio, o ponto de
simetria.
1 < 2 < 3
11-3
O desvio padro ( ) controla a

disperso da curva ao redor da
mdia.
1 < 2 < 3
3) NO POSSUI LIMITE INFERIOR OU SUPERIOR
4) UNIDADES PADRES : o desvio padro define unidades padres na distribuio a partir da mdia, isto , a
disperso dos dados controlada pelas unidades de desvio padro.
66%
95%
99.7%
+ 2
+ 3
11-4
Distribuio Normal Padronizada

A mdia () e o desvio padro ()
definem a distribuio Normal.
Existem tantas distribuies Normais quantos

valores de e podemos imaginar (infinitas).
Todas elas podem ser reduzidas a uma nica

distribuio Normal atravs da Padronizao.
PADRONIZAO
X N ( X , X )
X X
Z=
Z N ( 01)
,
X
66%
95%
99.7%
-3
-2
-1
De modo inverso, a Varivel Normal Padronizada (Z) pode ser

transformada em qualquer Varivel Normal:
Z N (0,1)
X = X ( Z ) + X X N ( X , X )
11-5
Valor de z
P(Z<z)
rea
-3
-2
-1
P(Z<z)
P(Z<z)
-3.0
-2.9
-2.8
-2.7
-2.6
-2.5
-2.4
-2.3
-2.2
-2.1
-2.0
-1.9
-1.8
-1.7
-1.6
-1.5
-1.4
-1.3
-1.2
-1.1
-1.0
-0.9
-0.8
-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0.0
0.0013
0.0019
0.0026
0.0035
0.0047
0.0062
0.0082
0.0107
0.0139
0.0179
0.0228
0.0287
0.0359
0.0446
0.0548
0.0668
0.0808
0.0968
0.1151
0.1357
0.1587
0.1841
0.2119
0.2420
0.2743
0.3085
0.3446
0.3821
0.4207
0.4602
0.5000
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
0.5000
0.5398
0.5793
0.6179
0.6554
0.6915
0.7257
0.7580
0.7881
0.8159
0.8413
0.8643
0.8849
0.9032
0.9192
0.9332
0.9452
0.9554
0.9641
0.9713
0.9772
0.9821
0.9861
0.9893
0.9918
0.9938
0.9953
0.9965
0.9974
0.9981
0.9987
11-6
Valor de z
P(Z<z)
rea
-3
-2
-1
P(Z<z)
z
(percentil)
1.0
2.5
5.0
10.0
20.0
30.0
40.0
50.0
60.0
70.0
80.0
90.0
95.0
97.5
99.0
-2.33
-1.96
-1.64
-1.28
-0.84
-0.52
-0.25
0.00
0.25
0.52
0.84
1.28
1.64
1.96
2.33
Exemplo 11.A: Clculo de Probabilidades na Distribuio Normal Padronizada

O Anexo B apresenta uma tabela detalhada da Distribuio Normal Padronizada. Utilizando esta tabela
encontre as seguintes probabilidades:
a) P(Z > 1.96) =
b) P(Z < 1.96) =
c) P(Z < - 1.96) =
d) P( -2.50 < Z < 2.50 ) =
e) P( 0.50 < Z < 1.50 ) =
f) P( Z < z ) = 0.75 z = ?
g) P( -z1 < Z < z1 ) = 0.75 z1 = ?
h) P( 0.27 < Z < z2 ) = 0.50 z2 = ?
11-7
11-8
Exemplo 11.B: Aplicando a Distribuio Normal

Assumindo que o Quociente de Inteligncia (QI) de crianas de 12 anos pode ser modelado por uma distribuio
Normal com mdia 100 e desvio padro 16, responda as questes abaixo:
a) Esquematize o grfico da distribuio do QI.
b) Qual a proporo de crianas com QI acima de 84?
c) Qual a proporo de crianas com QI entre 96 e 120?
d) Qual a proporo de crianas com QI entre 84 e 116?
e) Qual o QI que uma criana deve possuir para estar entre os 1% mais inteligentes da populao?
Exemplo 11.C: Aplicando a Distribuio Normal II

A distribuio dos dimetros de uma floresta de Pinus caribaea var. caribaea segue distribuio Normal com
mdia 23 cm e desvio padro 7 cm. Pede-se:
a) Esquematize o grfico da distribuio.
b) Qual a proporo de rvores com dimetro acima de 28cm?
c) Qual a proporo de rvores com dimetro abaixo de 17cm?
d) Qual a proporo de rvores com dimetro acima de 20cm?
e) Qual a proporo de rvores com dimetro abaixo de 30cm?
f) Qual a proporo de rvores com dimetro entre 20 e 25cm?
g) Qual a proporo de rvores com dimetro entre 16 e 30cm?
h) Qual a proporo de rvores com dimetro entre 25 e 30cm?
i) Qual a proporo de rvores com dimetro entre 10 e 20cm?
j) Se 25% das menores rvores forem cortadas, qual o dimetro mnimo das rvores remanescentes?
k) Qual o dimetro mnimo para uma rvore estar entre as 5% maiores rvores?
l) Se 35% das menores rvores forem cortadas, qual o dimetro mnimo das rvores remanescentes?
m) Qual o dimetro mnimo para uma rvore estar entre as 1% maiores rvores?
11-9
11-10
Conceitos-Chave
VARIVEL ALEATRIA CONTNUA - FUNO DE DENSIDADE - FUNO DE DENSIDADE NORMAL PROBABILIDADE NA DISTRIBUIO NORMAL - PROPRIEDADES DA DISTRIBUIO NORMAL - PADRONIZAO DISTRIBUIO NORMAL PADRONIZADA - CLCULO DE PROBABILIDADES NA NORMAL PADRONIZADA CLCULO DE PROBABILIDADES COM A DISTRIBUIO NORMAL
Leitura
[WALLIS & ROBERTS , 1964] volume 2, p.470-498.
[ROCHA, 1975] p.234-241
Exerccios
11.1 As rvores de uma floresta de Eucalyptus grandis tm altura com distribuio Normal de mdia 27m e
desvio padro 3m. Pergunta-se:
a) Esquematize o grfico da distribuio.
Qual a proporo das rvores com altura:
b) maior que 30m; c) menor que 20m; d) maior que 25m; e) menor que 35m; f) entre 20 e 30m; g)
entre 24 e 30m; h) entre 20 e 25m; i) entre 30 e 35m.
Qual a altura mnima da floresta se forem cortadas
j) 10% menores rvores; k) 30% menores rvores; l) 40% menores rvores; m) 50% menores rvores.
Qual a altura que uma rvore precisa ter para estar entre
n) as 10% mais altas; o) as 5% mais altas; p) as 1% mais altas.
11.2 Uma floresta de Pinus taeda tem o DAP (dimetro a altura do peito) que segue distribuio Normal com
mdia de 21cm e desvio padro de 5cm.
a) Se todas as rvores com DAP < 18cm forem cortadas qual a proporo de rvores cortadas?
b) Se um melhorista florestal selecionar as 2.5% maiores rvores da floresta, qual o DAP mnimo das
rvores selecionadas?
c) Um Engenheiro Florestal deseja cortar 20% das rvores a partir das menores rvores. Qual o DAP
mximo das rvores a serem cortadas?
d) Uma fbrica de laminao s processa rvores com DAP entre 18 e 27cm. Qual a proporo de
rvores desta floresta que poderiam ser utilizadas na fbrica?
11.3 A precipitao anual numa dada localidade segue distribuio Normal com mdia de 1200mm e desvio
padro de 150mm. Pergunta-se:
a) Qual a precipitao para um ano que voc consideraria extremamente chuvoso? Explique.
b) Qual a precipitao para um ano que voc consideraria extremamente seco? Explique.
11.4 Y uma varivel aleatria contnua com distribuio Normal e mdia 20 e varincia 4. Calcule:
a) P( 18< Y < 23) b) P( 12 < Y < 19) c) P( 21 < Y < 23) d) P(Y < 21 | Y > 18 ) e) P( Y > 19 | Y < 23 )
11.5 X uma varivel aleatria com distribuio Normal de mdia 100 e varincia 36. Calcule:
a) P(X < 95)
b) P(X > 110)
c) P(90 < X < 108)
d) P(90 X 108)
e) P( X > 92 | X < 110)
f) P( X < 100 | X > 90 )
12-1
12. Contornando as Limitaes dos Dados:

Distribuies Amostrais II
Distribuio Amostral da Mdia
Se amostras aleatrias de tamanho n forem tomadas de uma
populao com mdia e desvio padro , ento a
distribuio amostral de X n tem as seguintes propriedades:
1.
X =
2.
2 =
X
X n um estimador sem vis de .
X =
n
n
Se o tamanho da amostra cresce, o desvio padro da mdia

amostral decresce.
3. Se a populao original tem distribuio Normal, ento X n tambm
tem distribuio Normal:
2
X n Normal ( , )
n
2
2
n
Xn
12-2
4. Teorema Central do Limite:

Se a populao original tem uma distribuio qualquer, para n
SUFICIENTEMENTE GRANDE X n ser APROXIMADAMENTE Normal:
2
X n aproximadamente Normal ( , )
n
2
2
n
Xn
"aproxima
damente"
Exerccio 12.A: Esquema da Distribuio Amostral da Mdia

Esquematize a distribuio de X e de X , assumindo que X tem distribuio Normal com mdia 30, desvio padro
25 e que o tamanho de amostra foi 25.
Exerccio 12.B: Produo de Resina em Pinus elliottii

Seja X a produo anual de resina de rvores de Pinus elliottii. Suponha que X tem distribuio Normal com
mdia 2.3 kg e desvio padro 0.7kg.
a) Esquematize a distribuio de X.
12-3
b) A proporo de rvores que produz mais do que 2.8kg ser maior ou menor do que 0.5? Por que ?
c) Calcule a proporo de rvores que produzir mais do que 2.8 kg.
d) Foi realizado uma amostra aleatria de 16 rvores. mais provvel ou menos provvel (em relaao ao item
(b)) que a produo mdia das 16 rvores amostradas seja maior do que 2.8 kg? Desenhe uma figura para
embasar a sua resposta.
e) Qual a probabilidade de que a produo mdia das 16 rvores amostradas seja maior que 2.8 kg?
f) Uma amostra aleatria de 49 rvores foi tomada. mais provvel ou menos provvel (em relaao ao item (d))
que a produo mdia das 16 rvores amostradas seja maior do que 2.8 kg? Desenhe uma figura para embasar a
sua resposta.
g) Qual a probabilidade de que a produo mdia das 49 rvores amostradas seja maior que 2.8 kg?
12-4
Distribuio Amostral de Propores

p a proporo das unidades de uma populao que possuem uma certa
caracterstica (proporo de sucessos), como por exemplo:
rvores com cancro numa floresta de eucalipto;
rvores cobertas por cips numa mata;
capivaras do sexo masculino.
Se amostras aleatrias de tamanho n forem tomadas de uma populao com
proporo p , ento a distribuio amostral de
1.
p = p pn
$
$
2.
p =
$
$
pn
tem as seguintes propriedades:
um estimador sem vis de p .
p(1 p )
n
Se o tamanho da amostra cresce, o desvio padro da

proporao amostral decresce.
3. Se a populao original tem uma distribuio qualquer, para n
$
SUFICIENTEMENTE GRANDE, p n ser APROXIMADAMENTE NORMAL:
$
pn aproximadamente Normal ( p,
p(1 p )
)
n
Exerccio 12.C: Visitantes num Parque

Uma proporo de 37% dos visitantes de um parque favorecem a cobrana de taxas de entrada. Uma amostra
aleatria de 200 visitantes foi tomada.
a) Qual o parmetro? Qual a estatstica?
b) Qual a probabilidade que na amostra de 200 visitantes pelo menos 40% favoream a cobrana de taxas?
12-5
c) Qual a probabilidade que na amostra de 200 visitantes, a proporo dos que favorecem a cobrana de taxas
fique entre 35 e 39% ?
d) Uma nova amostra de 10 visitantes foi tomada. Qual a probabilidade de que pelo menos 50% dos visitantes na
amostra favoream a cobrana de taxas ? vlido utilizar o mesmo mtodo utilizado em (b) e (c) ? Por que?
Qual mtodo deveria ser utilizado neste caso para encontrar a probabilidade?
Conceitos-Chave
DISTRIBUIO AMOSTRAL DA MDIA - TEOREMA CENTRAL DO LIMITE - DESVIO PADRO DA MDIA
AMOSTRAL - SUFICIENTEMENTE GRANDE - APROXIMADAMENTE NORMAL - DISTRIBUIO AMOSTRAL DE
PROPORES - DESVIO PADRO DE UMA PROPORO
Exerccios
12.1 Seja X o nmero de rvores de cedro por hectare numa regio de floresta tropical. Suponha que X tem
mdia igual a 2.2 e desvio padro igual a 1.4. Seja X o nmero mdio de rvores de cedro por hectare numa
reserva de 100 ha (n=100).
a) Qual a distribuio de X ? Desenhe um grfico e explique.
b) Qual a probabilidade do nmero mdio de rvores de cedro por hectare na reserva seja menor do que 2?
c) Qual a probabilidade do nmero total de rvores de cedro na reserva ser 195?
12.2 Numa floresta de Eucalyptus saligna, a proporo de rvores mortas de 4%. Foi tomada uma amostra
aleatria de 100 rvores.
a) Qual a distribuio aproximada da proporo de rvores mortas na amostra de 100 rvores? Desenhe uma
figura e explique.
b) Qual a probabilidade de que no mximo 7% das rvores na amostra estejam mortas?
c) Qual a probabilidade de que a proporo de rvores mortas na amostra fique entre 2 e 6%.
d) Qual o intervalo centrado na mdia que compreende a proporo de rvores mortas na amostra com uma
probabilidade de 95%?
e) Uma nova amostra aleatria de 8 rvores foi tomada. Qual a probabilidade de que haja no mximo uma rvore
morta nesta amostra? Pode ser utilizado o mesmo mtodo utilizados nos itens anteriores? Por que ?
13-1
13. Tomando Decises: Julgando Hipteses

Introduo
A tomada de deciso em Bioestatstica envolve o teste de HIPTESES . Exitem 2 tipos de hipteses
complementares: HIPTESE NULA (H0) e HIPTESE ALTERNATIVA (H). Ao escolhermos a hiptese nula
podemos incorrer num erro TIPO II (aceitar uma hiptese nula falsa), enquanto ao escolhermos a hiptese
alternativa podemos fazer um erro TIPO I (rejeitar uma hiptese nula verdadeira). A possibilidade de cometermos
um erro tipo I chamada de valor-p e dizemos que um teste dito SIGNIFICATIVO , isto , rejeita-se a hiptese
nula, quando esse valor inferior ao NVEL DE SIGNIFICNCIA ( ). O valor-p sempre depende DO TAMANHO DA
AMOSTRA . importante distinguir um RESULTADO ESTATISTICAMENTE SIGNIFICATIVO de um resultado
importante.
Formulando Hiptese Nula e Alternativa: Exemplos

Hiptese Nula e hiptese Alternativa estabelecem duas possibilidades para uma deciso.
Essas duas possibilidades devem ser mutuamente exclusivas, isto , ao rejeitarmos H0 estaremos
automaticamente aceitando H , e vice-versa.
Para que H0 seja testvel quantitativamente, ela deve ser estabelecida da forma mais simples e objetiva
possvel.
EXEMPLOS :
a) Um estudo sugere que tomando um comprimido de aspirina a cada dois dias durante 20 anos pode reduzir o
risco de contrair cancer no clon pela metade. Contudo, os benefcios s comeam a aparecer aps uma
dcada. O risco de se desenvolver cancer no clon durante a vida de 1 para 16.
H0 : O risco de cancer no clon ainda 1 em 16.
H : O risco de cancer no clon menor que 1 em 16.
b) Os mtodos tradicionais de colheita de madeira em florestas tropicais tm grande impacto sobre a estrutura
da floresta. Em geral, a retirada de 10 rvore/ha (dimetro > 50cm) danifica 20% da cobertura da floresta.
Mtodos alternativos afirmam que possvel uma reduo sensvel nesse impacto quanto a localizao das
rvores a serem abatidas mapeada e as trilhas de entrada e saida das mquinas planejada.
H0 : A colheita danifica 20% da cobertura da floresta.
H : O dano da colheita menor que 20% da cobertura da floresta.
13-2
c) O conhecimento popular costuma dizer que o desmatamento provoca seca. Entretanto, estudos indicam
que, numa bacia hidrogrfica, o corte de reas florestadas costuma aumentar a quantidade de gua nos rios,
desde que o impacto do corte sobre o solo seja pequeno.
H0 : A quantidade de gua no rio antes e depois do corte no se altera.
H : A quantidade de gua no rio aps o corte maior do que antes.
d) Estudos recente indicam que adubao com boro (um micronutriente) aumenta marcantemente a
sobrevivncia de rvores de Eucalyptus durante perodos de seca.
H0 : A mortalidade de rvores durante a seca a mesma em florestas adubadas e no adubadas.
H : A mortalidade de rvores durante a seca a menor em florestas adubadas.
Que Erros podemos cometer ?

Existem dois tipos de erro:
Erro Tipo I
No rejeitarmos uma H0 falsa (ou rejeitarmos uma H verdadeira) Erro Tipo II
Rejeitarmos uma H0 verdadeira (ou aceitarmos uma H falsa)
A V ERDADEIRA HIPTESE
Nula H0
A S UA
Nula H0
Alternativa H
Sem erro
Erro Tipo II
Erro Tipo I
Sem erro
ESCOLHA
Alternativa H
EXEMPLO:
Hoje noite voc vai a uma festa. A previso do tempo diz que h 80% de possibilidade de chuva. Voc leva
um guarda-chuva?
H0 : Vai chover hoje noite.
H : No vai chover hoje noite.
Erro Tipo I: Voc rejeita H0 e, portanto, acredita que no vai chover.
Sai sem o guarda-chuva e se molha !
13-3
Erro Tipo II: Voc no rejeita H0 e, portanto, aceita que vai chover.
Passa a noite carregando um guarda-chuva sem usa-lo.
Como se Decide Qual Hiptese Aceitar ?

Uma serraria vem utilizando um mtodo tradicional de processar as toras. O novo Engenheiro Florestal deseja
implantar e um novo mtodo seria mais eficiente, que reduziria as sobras de madeira (perdas).
H0 : O novo mtodo to eficiente como o tradicional.
H : O novo mtodo mais eficiente que o tradicional.
Questes:
1) Se as perdas de madeira fosse exatamente iguais entre os dois mtodos voc implantaria o mtodo novo ?
2) Se as perdas no mtodo novo fosse 5% menores que no mtodo tradicional, qual hiptese voc aceitaria ?
3) Qual hiptese voc aceitaria se a diferena fosse 20% a favor do novo mtodo ?
4) Qual o tamanho da diferena entre o mtodo tradicional e novo mtodo que lhe daria segurana suficiente
para rejeitar a hiptese nula ?
Rejeitar a Hiptese Nula significa, geralmente, mudar um procedimento tradicional em favor de um novo
procedimento.
Esta mudana sempre acarreta custos e evita-se mudar quando no se tem certeza que o novo
procedimento ser de fato melhor que o tradicional.
Assim, na maioria das pesquisas estamos mais preocupados em controlar o Erro Tipo I.
Em estatstica, se utiliza a seguinte terminologia para designar a probabilidade de se cometer um erro no
teste de hipteses:
- a probabilidade de se cometer um Erro Tipo I (nvel de significncia),
a chance de se rejeitar H0 quando ela verdadeira
(se aceitar uma H falsa).
- a probabilidade de se cometer um Erro Tipo II,

a chance de no se rejeitar H0 quando ela falsa
(se rejeita uma H verdadeira).
13-4
Exemplo 13.A: Floresta Plantada ou Floresta Nativa ?

A SITUAO
No final do sculo passado, Manuel Gomes Acher foi incumbido por D. Pedro II de reflorestar as encostas dos
morros na regio na Tijuca (Rio de Janeiro). As repedidas secas que a cidade do Rio de Janeiro vinha
sofrendo, com a conseqente falta, de gua era atribuida ao desmatamento dos morros. Acher cumpriu sua
misso com bastante eficincia e um visitante passeando hoje pelo Parque Nacional da Tijuca ter dificuldade
em saber se a floresta que observa nativa ou foi plantada pelo major Acher.
HIPTESES
Um pesquisador deseja iniciar um projeto sobre o impacto urbano da cidade do Rio de Janeiro sobre a
Floresta da Tijuca. O projeto, entretanto, deve ser instalado em rea de floresta nativa. O pesquisador possue
como informao inicial os grficos abaixo que apresentam a frequncia de rvores observadas em diferentes
classes de tamanhos, em reas plantadas e reas nativas. Na escolha da rea apropriada para o projeto, o
pesquisador trabalha com a seguintes hipteses:
H0 : A rea escolhida de floresta nativa.
H : A rea escolhida de floresta plantada.
A partir de mapas o pesquisador selecionou uma certa rea. Quais os erros que podem ocorrer:
Erro tipo I
= Rejeita H0 quando H0 verdadeira

= Conclue que a rea plantada, quando de fato a rea nativa
= Procura uma nova rea, embora a rea selecionada seja nativa.
Erro tipo II
= Aceita H0 quando H verdadeira (No rejeita H0 quando H0 falsa)

= Conclue que a rea nativa, quando de fato a rea plantada
= Estabelece o projeto na rea errada.
Regra de deciso
Selecionada a rea, o pesquisador sortea uma rvore e a mede (amostra de tamanho n=1).
Suponha que a rvore sorteada tenha dimetro de 80 cm. Voc concluiria que a rea nativa ou plantada ?
Por que ? E se a rvore sorteada tivesse 20 cm ?
REGRA DE DECISO:
Regra que estabelece, com base em dados obtidos, quando a hiptese nula (H0 ) rejeitada.
13-5
Vrias regras de deciso diferente so possveis e os nveis de e dependem de qual regra de deciso
utilizada. Verificando a chance de se sortear rvores de diferentes tamanhos em ambas reas de floresta
podemos verificar isso:
Tamanho da
rvore Sorteada
(dimetro em cm)
20
40
60
80
100
120
Total
Chance da rvore ser

da rea:
Nativa
Plantada
22 / 40
3 / 40
10 / 40
7 / 40
4 / 40
12 / 40
2 / 40
11 / 40
2 / 40
5 / 40
0 / 40
2 / 40
40 / 40
40 / 40
Exerccio:
Suponha que a H0 fosse rejeitada se a rvore sorteada tivesse dimetro de 60 cm ou mais. Estabelea
os nveis e .
Rejeita H0 se o dimetro 60 cm
= 8 / 40 = 0.20
= 10 / 40 = 0.25
Exerccio:
O que aconteceria com e se a regra de deciso estabelece um dimetro limite maior para rejeitar
H0 ?
Rejeita H0 se o dimetro 100 cm
= 2 / 40 = 0.05
= 33 / 40 = 0.83
Exerccio:
No exemplo acima, possvel se manter simultaneamente e pequenos ?
No. Eles esto relacionados de modo inverso. Ao se diminuir a chance de um erro tipo I () se
aumenta a chance de um erro tipo II (). A nica maneira trabalhar com o tamanho da amostra.
Nvel de Significncia
Para que as decises tomadas por diferentes pessoas tenha uma certa coerrncia entre si, cada ramo de
atividade costuma estabelecer nveis mnimos para a ocorrncia do erro tipo I ().
13-6
Esse nvel chamado de nvel de significncia . Na rea florestal, as decises devem ser tomadas com um nvel
de significncia () de pelo menos 0.05 (5%). Um teste de hiptese chamado significativo quando H0
rejeitada por uma regra de deciso que possui = nvel de significncia (0.05 na rea florestal).
NVEL DE SIGNIFICNCIA:
o nvel de (chance de se cometer um erro tipo I) associado com uma regra de deciso.
Exerccio:
Qual o nvel de significncia para as seguintes regras de deciso:
a) Rejeita Rejeita H0 se o dimetro 40 cm.
b) Rejeita Rejeita H0 se o dimetro 60 cm.
c) Rejeita Rejeita H0 se o dimetro 100 cm.
Qual das regras acima deveria ser utilizada, considerando que a hiptese sendo testada da rea de
cincias florestais ?
Valor-p
Digamos que a regra de deciso estabelecida tem nvel de significncia de 10% ( = 0.10), isto , a regra :
Rejeita H0 se o dimetro da rvore selecionada for 80 cm.
Caso 1: a rvore selecionada tem dimetro de 60 cm.
Nesse caso, H0 no rejeitada, pois 60 cm < 80 cm.
Entretanto, se ignorarmos a regra estabelecida, e rejeitarmos H0 as chance de cometermos um erro
tipo I ser = 8 / 40 = 0.20.
Caso 2: a rvore selecionada tem dimetro de 100 cm.
Nesse caso, H0 rejeitada, pois 100 cm > 80 cm.
As chance de cometermos um erro tipo I ser = 2 / 40 = 0.05.
VALOR-P:
Valor de associado aos dados observados, isto , chance do erro tipo I caso se H0
com base nos dados observados.
Concluso:
Valor-p
Valor-p >
Nvel de significncia
Nvel de significncia
H0 rejeitada
H0 no rejeitada
rejeitada
13-7
Tamanho de Amostra e Chance de erros

Suponhamos agora que o pesquisador decidiu aumentar o tamanho da amostra e sorteou duas rvores. Ele
decidiu formular uma regra de deciso com base no dimetro mdio das duas rvores sorteadas. Nesse caso
as chances que envolvem duas rvores.
Por exemplo, a chance de selecionarmos duas rvores com dimetro de 20 cm :
rea nativa = 22 x 22 = 484;
rea plantada = 3 x 3 = 9.
OBS.: Se lembrarmos que cada nmero na verdade conta como 1.000.000 ( = 10 6 ) rvores, os clculos exatos seriam: rea
nativa = (22.000.000 x 21.999.999) / (10 12 x 10 12 ) = 4.84 x 10 14 /10 12 484;
rea plantada
= ( 3.000.000 x 2.999.999) / (10 12 x 10 12 ) = 9.00 x 10 12 /10 12 9.
Portanto, podemos ignorar o fato que no estaremos selecionando a mesma rvore duas vzes.
Dimetros das Duas
rvores Pssiveis de
Serem Selecionadas
20
20
20
20
20
20
40
40
40
40
40
60
60
60
60
80
80
80
100
100
120
20
40
60
80
100
120
40
60
80
100
120
60
80
100
120
80
100
120
100
120
120
Valor Mdio
dos Dimetros
20
30
40
50
60
70
40
50
60
70
80
60
70
80
90
80
90
100
100
110
120
Nmero Total
Nmero de Possibilidades
de se selecionar 2 rvores
Nativa
Plantada
484
220
88
44
44
0
100
40
20
20
0
16
8
8
0
4
4
0
4
0
0
9
21
36
33
15
6
49
84
77
35
14
144
132
60
24
121
55
22
25
10
4
1104
976
13-8
Sumarizando os resultados em termos apenas de valor mdio dos dois dimetros temos:
Valor Mdio dos
Dimetros
(cm)
Nmero de Possibilidades
de se selecionar 2 rvores
Nativa
Plantada
20
30
40
50
60
70
80
90
100
110
120
484
220
188
84
80
28
12
4
4
0
0
9
21
85
117
236
173
195
79
47
10
4
Nmero Total
1104
976
Exerccio:
Utilizando a tabela acima, resolva os exerccios:
1) Qual o nvel de significncia para as regras de deciso:
a) Rejeita H0 se a mdia dos dimetros for 100 cm.
b) Rejeita H0 se a mdia dos dimetros for 80 cm.
c) Rejeita H0 se a mdia dos dimetros for 60 cm.
2) Qual o nvel de associado a cada regra de deciso no exerccio anterior.
O que acontece com medida que o limite para rejeio diminui ?
3) Suponha que as duas rvores selecionadas tiveram mdia de dimetro igual a 70cm.
a) H0 rejeitada ao nvel de 5% de significncia?
b) Qual o valor-p ?
4) Para o nvel de significncia de 5%:
a) Estabelea a regra de deciso quando quando o tamanho da amostra de uma rvore.
b) Estabelea a regra de deciso quando quando o tamanho da amostra de duas rvore.
c) O que acontece com (mantendo-se = 0.05 fixo) quando o tamanho da amostra (n)
aumentado ?
13-9
rea Nativa (Hiptese Nula)

Nmero
de rvores
(1.000.000)
20
15
10
|
|
X
|
X
|
X
|
X
|
X
|
X
|
X
|
X
|
X
|
X
|
X
|
X
|
X
X
|
X
X
|
X
X
|
X
X
|
X
X
|
X
X
|
X
X
X
|
X
X
X
|
X
X
X
X
X
|
X
X
X
X
X
-------------------------------------------
20
40
60
80
100 120
Centro de Classes de Tamanho (dimetro em cm)
rea Plantada (Hiptese Alternativa)

Nmero de rvores (1.000.000)
20 |
|
|
|
|
15 |
|
|
|
X
|
X
X
10 |
X
X
|
X
X
|
X
X
|
X
X
X
|
X
X
X
5 |
X
X
X
X
|
X
X
X
X
|
X
X
X
X
X
|
X
X
X
X
X
X
|
X
X
X
X
X
X
--------------------------------------------
20
40
60
80
100 120
Centro de Classes de Tamanho (dimetro em cm)
13-10
Conceitos-Chave
HIPTESES - HIPTESE NULA - HIPTESE ALTERNATIVA - ERRO TIPO I
- ERRO TIPO II - VALOR-P - NVEL DE
SIGNIFICNCIA - ALFA ( ) - TAMANHO DE AMOSTRA - DIFERENA SIGNIFICATIVA - TESTE SIGNIFICATIVO RESULTADO ESTATISTICAMENTE SIGNIFICATIVO - RESULTADO IMPORTANTE
Exerccios
13.1 Nos casos abaixo, defina a hiptese nula (H0) e a hiptese alternativa (H) apropriadas.
a) Alguns mdicos afirmam que no possvel tratar resfriados e que o prprio organismo desenvolve defesas
para neutraliz-lo. Entretanto, uma companhia farmacutica deseja lanar no mercado o remdio Resfriatim, que
num prazo de 5 a 7 dias cura qualquer resfriado. Voc foi encarregado de organizar um experimento para testar o
Resfriatim.
b) Um dos grandes problemas sociais do Brasil a concentrao de renda. O governo alega que aps o plano
real houve uma sensvel melhora desse problema. Como voc testaria as alegaes do governo ?
c) Com base em pesquisa de opinio realizada no 19o. Salo Internacional do Automvel (So Paulo, 1996), a
Chevrolet anuncia: Vectra, o melhor carro. A pesquisa consultou 439 pessoas e o Vectra foi apontado por 24%
dos entrevistados como o melhor carro nacional. Vectra o melhor carro nacional ?
d) Voc diretor de uma fbrica de chapas de madeira (chapas duras). A companhia deseja duplicar a produo
da sua fbrica pois o mercado est em franca expanso. Estudando o processo de produo na sua fbrica voc
chega a concluso de que o consumo de madeira crescer em 1.300.000m3 de madeira/ano com a duplicao. O
gerente florestal afirma que as florestas da companhia so capazes de produzir at 1.320.000m3 de madeira/ano a
mais do que vm produzindo. Ser que a floresta de fato capaz de produzir madeira suficiente para duplicao?
e) Eucalyptus grandis uma das espcies arbreas de maior produtividade quando plantada no Estado de So
Paulo. Entretanto, um experimento mostrou que quando a floresta plantada sem preparo de solo e sem
adubao inicial, Eucalyptus cloeziana pode alcanar produtividades de 15 a 20% maiores que E. grandis. Quais
as hipteses de um experimento cujo objetivo comparar essas duas espcies?
f) Sabe-se que numa floresta tropical no perturbada a abundncia de espcies pioneiras fica em torno de 10%.
Com aumento de perturbaes antrpicas a abundncia dessas espcies tende a crescer. Na demarcao de uma
reserva florestal com rea total de 50.000 ha, ecologistas e engenheiros florestais discutem a incorporao de uma
rea de 7.500 ha onde o levantamento de campo revelou uma abundncia de 15% de espcies pioneiras. Ser que
a rea de 7.500 ha foi perturbada ?
13.2 Considere as hipteses nulas abaixo e escreva as hipteses alternativas apropriadas. Explique.
a) H0 : A diversidade de espcies arbreas em floresta tipo cerrado igual diversidade
em matas ciliares.
b) H0 : A taxa de incidncia de cancro numa floresta plantada de E. grandis de 3%.
[Voc deseja verificar se est ocorrendo um surto de cancro na floresta.]
13-11
c) H0 : Em termos de infraestrutura em parques nacionais, as expectativas de visitantes que chegam de nibus so

iguais s expectativas de visitantes que chegam com veculo prprio.
d) H0 : O novo processo de branqueamento da pasta de celulose produz um mesmo nvel de branqueamento que o
processo tradicional.
[Voc deseja provar que o novo processo melhor.]
e) H0 : O instrumento a laser para medio de rvores resulta no mesmo tempo de
instrumentos pticos.
[Voc deseja mostrar que o instrumento a laser melhor.]
medio dos
13.3 O princpio da justia que todo acusado inocente at que seja provado culpado.
a) Qual a hiptese nula e a hiptese alternativa num julgamento criminal ?
b) Quais so as consequncias equivalentes aos erros tipo I e II ?
13.4 Uma empresa florestal deseja introduzir um novo clone de E. saligna nas suas plantaes comerciais. Foi
realizado um experimento comparando o novo clone com o clone tradicionalmente utilizado. As hipteses nesse
experimento foram:
H0 : A produtividade do novo clone e do clone tradicional so iguais.
H : A produtividade do novo clone maior do que a do clone tradicional.
a) Descreva as conseqncias do erro tipo I.
b) Descreva as conseqncias do erro tipo II.
c) O experimento resultou numa diferena estatsticamente significativa entre os clones. Qual a hiptese
rejeitada ? Por que ?
13.5 Uma serraria que fornece peas de madeira para diversas fbricas de mveis recebeu vrias reclamaes
de que as peas de largura de 10 cm tm apresentado em mdia uma largura menor do que 9 cm. Voc
responsvel por verificar essas reclamaes a partir de dados da linha de produo.
a) Quais so as hipteses nula e alternativa ?
b) Qual o erro tipo I e as suas consequncias ?
c) Quais as consequncias do erro tipo II ?
d) Suponha que os dados coletados resultaram num teste estatisticamente significativo. Qual a hiptese que seria
rejeitada ?
13.6 Numa floresta plantada, foi realizado um levantamento para se verificar a existncia de um surto de cancro.
A taxa normal de ocorrncia de cancro de 2%, assim as hipteses testadas foram:
H0 : A taxa de cancro na floresta de 2%.
H : A taxa de cancro na floresta maior do que 2%.
a) Quais os erros tipo I e II ?
b) Quais as consequncias de ambos tipos de erro ?
c) Se o teste de hiptese no for estatisticamente significativo, qual hiptese ser rejeitada ?
13.7 O IBAMA o orgo federal responsvel pelo controle de desmatamento. Um proprietrio s pode ser
multado por desmatamento ilegal se esse for comprovado em campo. Na regio amaznica, entretanto, o controle
13-12
por visitas a propriedades praticamente impossvel. Com a ajuda da NASA, o IBAMA tem utilizado uma
areonave de alta altitude equipada com radar. Essa aeronave indica reas provveis de terem sofrido
desmatamento no autorizado e uma equipe de terra do IBAMA visita a propriedade em questo. Caso o
desmatamento seja comprovado na visita, o proprietrio multado. Suponha que uma dada rea foi indicada como
desmatamento ilegal provvel.
a) Defina as hipteses H0 e H .
b) Defina as consequncias do erro tipo I.
c) Defina as consequncias do erro tipo II.
d) Quais consequncias so mais piores ?
13.8 O nmero de peas defeituosas produzida por uma destopadeira segue os grficos apresentados abaixo:
REGULADA
DESREGULADA
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
----------------------------------------------------------------------------------------------------1
2
3
4
5
6
1
2
3
4
5
6
peas defeituosas/hora
As hipteses a serem testadas so:
peas defeituosas/hora
H0 : A destopadeira est regulada .

H : A destopadeira no est regulada.
a) Utilizando um nvel de significncia de 5% ( ), qual hiptese seria rejeitada se a regra de deciso fosse:
Rejeitar H0 caso ocorra 6 ou mais peas defeituosas numa hora.

b) Qual a probabilidade de um erro tipo II ( ) para a regra de deciso acima ?
c) Utilizando um nvel de significncia de 10% ( ), qual hiptese seria rejeitada se a regra de deciso fosse:
Rejeitar H0 caso ocorra 4 ou mais peas defeituosas numa hora.

d) Qual a probabilidade de um erro tipo II ( ) para a regra de deciso acima ?
e) Quais as consequncias dos erros tipo I e II ?

f) Qual seria o valor-p para a seguinte regra de deciso: Rejeitar H0 caso ocorra 5 ou mais peas defeituosas
numa hora? H0 seira rejeitada num nvel de significncia de 10%? Por que ?
g) Qual seria o valor-p para a seguinte regra de deciso: Rejeitar H0 caso ocorra 3 ou mais peas defeituosas
numa hora? H0 seira rejeitada num nvel de significncia de 10%? Por que ?
13.9 Impactos ambientais em florestas tropicais resultam, em geral, numa reduo no nmero de espcies
arbreas. A tabela abaixo apresenta a freqncia com que se observar um dado nmero de espcies em parcelas
13-13
de 1 hectare em florestas maduras e florestas degradadas. A questo bsica detectar se uma dada rea
florestal foi degradada, portanto, as hipteses sendo testadas so:
H0 : No houve degradadao da floresta.
H : Houve degradao da floresta.
Nmero de Espcies
Arbrea em
parcelas
de 1 hectare
40
50
60
70
80
90
100
110
120
Total de parcelas
Floresta
Madura
1
2
4
8
10
13
17
20
25
100
Floresta
Degradada
25
20
17
13
10
8
4
2
1
100
Parte I: Apenas uma parcela foi observada.

A regra de deciso Rejeitar H0 se o nmero de espcies na parcela for 50 ou menos.
a) Qual o valor-p dessa regra? H0 seria rejeita para = 0.05 ?
b) Qual o valor de correspondente a regra de deciso acima?
c) Qual a regra de deciso que garante nvel de significncia de 1% ?
Parte II: Foram observadas 2 parcelas.

A regra de deciso Rejeitar H0 se o nmero mnimo de espcies por parcela for 50 ou menos.
d) Qual o valor-p dessa regra? H0 seria rejeita para = 0.05 ?
e) Qual o valor de correspondente a regra de deciso acima?
f) Qual a regra de deciso que garante nvel de significncia de 1% ?
13.10 Comente os resultados apresentados abaixo em termos de diferena estatisticamente significante e
diferena importante.
a) Na comparao de dois lotes de mudas de rvores encontrou-se uma diferena de 0.1 cm na altura mdia que
foi considerada estatisticamente significativa ( =0.05).
b) Num experimento visando detectar o efeito de adubao em florestas plantadas, a hiptese nula no foi
rejeitada ( =0.05), embora a produtividade mdia diferisse em 20 m3/ha.ano entre parcelas adubadas e no
adubadas.
14. Testando Hipoteses sobre os Par^metros de uma

a
Populac~o
a
Testando Hipoteses Estat sticas
Hipotese Estat sticas sempre surgem

na forma de
Duas Hipotese Complementares
Ao testarmos
uma hipotese
estat stica
podemos
cometer dois
tipos de erro
QQ
QQ
QQ
s
Hipotese Nula H
Estabelece uma relac~o

a
de desigualdade entre duas quantias
Erro Tipo I
Rejeitar uma H0 verdadeira.
(implica em aceitar uma H falsa)
Erro Tipo II
N~o rejeitar uma H0 falsa.
a
(implica em refjeitar uma H verdadeira)
3
QQ
QQ
QQ
s
Os erros tipo I s~o,

a
geralmente, de
consequ^ncias mais
e
danosas
Hipotese Nula H0
Geralmente estabelece uma relac~o

a
de igualdade entre duas quantias
Decis~es estat sticas

o
sempre controlam a
margem de erro tipo I.
Porb. erro tipo I

N vel de
^
Significancia
Porb. erro tipo II
Na Engenharia Floresta o
n vel de signi c^ncia e de 5%,
a
isto e, a probabilidade de
erro tipo I aceitavel e
de no maximo 5%
( = 0:05)
LME-216 Introduc~o a Bioestat stica Florestal

a
Aula 14 2
Exemplo 14.A Mortalidade de Arvores numa Floresta

Apos varios anos de acompanhamento de parcelas permanentes, uma Eng. Florestal
concluiu que, das arvores que morrem num fragmento orestal, 75% s~o devido ao
a
abafamento da copa por cipos. No ano seguinte, ocorreu um per odo prolongado de intensa
seca e 30 arvores morreram durante o ano, das quais 24 mortes podem ser atribuidas ao
efeito dos cipos. A Eng. Florestal a rma que a proporc~o de arvores que morreram devido
a
aos cipos (p) foi maior neste ano de seca intensa do que nos anos anteriores.
a. Estabeleca H0 e H .
H0: A proporc~o de arvores mortas por cipos no ano de seca intensa e igual a 75%.
a
H : A proporc~o de arvores mortas por cipos no ano de seca intensa e maior que
a
75%.
b. Estabeleca H0 e H de forma quantitativa.
H0 : p = 0:75
H : p > 0:75
c. De acordo com a a rmac~o da Eng. Florestal, a hipotese nula foi rejeitada ou
a
aceita? Explique
d. Se o teste de hipotese utilizou o n vel de 5% de signi c^ncia, o valor-p foi maior ou
a
menor que 0.05? Explique.
e. Qual o tamanho de amostra utilizado para os resultados no ano de seca intensa?
Testando Hipoteses sobre a Proporc~o de uma Populac~o

a
a
Como a hipotese acima pode ser testada?
Como a taxa de mortalidade do ultimo ano (ano de seca intensa) foi baseada numa
amostra, o valor
24 100 = 80%
30
e uma estat stica da amostra e deve ser representado por p. Nos sabemos que p varia de
b
b
amostra para amostra. Se a amostragem fosse repedita e outras 30 arvores mortas
observadas, nos provavelmente obter amos um outro valor para p.
b
Como ja foi visto, a distribuic~o amostral de p tem as seguintes propriedades:
a
b

a
Aula 14 3
1. a media da distribuic~o de p sera p

a
b
2. a vari^ncia da distribuic~o de p sera
a
a
b
p(1 ; p)
n
3. a distribuic~o de p sera aproximadamente Normal.

a
b
Com base nestas propriedades sabemos que a variavel aleatoria:
p;p
b
Z = p
p(1 ; p)=n
tera distribuic~o aproximadamente Normal Padronizada, isto e, distribuic~o Normal com

a
a
media 0 e desvio padr~o 1.
a
Assumindo que a hipotese nula e verdadeira (H0 : p = 0:75), p seria aproxb

imadamente Normal com media 0.75 e
desvio padr~o
a
r
0:75(1 ; 0:75)
30
(distribuic~o ao lado).
a
Podemos
agora
quanti car,
sob as condic~es de H0 , a probabilidade de
o
observarmos um valor de p = 0:80 ou mais
b
extremo, .
0.59
0.75
0.91
O que quer dizer um valor mais extremo ?

A hipotese alternativa (H ) estabelece que p > 0:75, portanto a Eng. Florestal acredita
que a mortalidade no ano de seca intensa e maior do que nos anos normais. Se isso de
fato ocorrer, o valor amostral p poderia ser ainda maior do que 0.80.
b
H : p > 0:75
) P p 0:80]
b
H0 : p = 0:75
) P p 0:80] = P Z
b
"
0:80 ; 0:75
p
=P Z
0:75(1 ; 0:75)=30
0:63] = 0:2643
Portanto, sob H0 , a probabilidade de se observar um valor de p ou maior e 0.2643. Se

b
rejeitarmos H0 com base no valor observado de p = 0:80, teremos a probabilidade de
b
0.2643 de cometermos um erro tipo I. Logo, 0.2643 e o valor-p, mas a margem de erro tipo
I aceitavel nas Ci^ncias Florestais e de 0.05 (alpha - n vel de signi c^ncia). Como o
e
a
valor-p (0.2643) e bem maior do que o n vel de signi c^ncia ( = 0:05) nos n~o rejeitamos
a
a
H0 e podemos concluir que, do ponto de vista estat stico, a a rmac~o da Eng. Florestal
a
n~o procede.
a

a
Aula 14 4
Teste Formal de Hipoteses

O exemplo acima representa um teste formal de hipoteses estat stica a respeito da
proporc~o p em uma populac~o. Este teste e chamado de teste Z para proporc~o
a
a
a
envolvendo uma amostra. Vejamos os elementos basicos deste teste:
A hipotese sendo testada e a respeito da proporc~o p de uma populac~o que tem
a
a
determinado atributo. Mais especi camente:
H0 : p = 0:75 versus H : p > 0:75
Note que as hipoteses se referem a proporc~o na populac~o e n~o na amostra.
a
a
a
A decis~o a respeito de p foi baseada na proporc~o da amostra p. Mais precisamente
a
a
b
no valor padronizado de p:
b
Z = p
p ; p0
b
p0(1 ; p0 )=n
onde p0 e o valor hipotetizado para p na hipotese nula (H0).

Esta quantia padronizada e chamada de estat stica de teste e sua distribuic~o sob H0
a
e aproximandamente Normal, com media 0 e desvio padr~o 1.
a
O valor-p para o teste e calculado com base em como a hipotese alternativa (H ) e
expressa.
Decis~o: um valor-p menor que o n vel de signi c^ncia implica em rejeitar H0. No
a
a
exemplo acima, no entanto, o valor-p foi maior que o n vel de signi c^ncia e H0 n~o
a
a
foi rejeitada, concluindo-se que a a rmac~o da Eng. Florestal n~o tem embasamento
a
a
estat stico.
Exemplo 14.B Rabo-de-Raposa

A proporc~o de arvores com rabo-de-raposa numa oresta de Pinus oocarpa e da ordem de
a
10%. Apos um projeto de melhoramento genetico, o melhorista orestal a rmou que a
proporc~o de arvores com rabo-de-raposa tinha sido reduzida sens velmente na populac~o
a
a
de arvores melhoradas, pois numa amostra aleatoria de 100 arvores, apenas 7
apresentaram o problema.
a. Estabeleca as hipoteses nula e alternativa para testar a a rmac~o do melhorista.
a
H0:
H :
b. Estabeleca de forma quantitativa as hipoteses nula e alternativa.

H0:
versus H :

a
Aula 14 5
c. Encontre o valor da estat stica Z .

d. Encontre o valor-p correspondente a estat stica Z .
e. Estabeleca a decis~o estat stica nal.
a
Testes Monocaudais e Testes Bicaudais

A hipotese alternativa de ne como o valor-p e calculado
H : p > p0
Valor-p: area da cauda a

direita do valor observado
para estat stica de teste sob
H0 .
valor-p
Zobs
H : p < p0
Valor-p: area da cauda a esquerda do valor observado

para estat stica de teste sob
H0 .
valor-p
H : p 6= p0
Valor-p: area nas duas

caudas (extremo em ambas direc~es) fora da regi~o
o
a
de nida pelo do valor observado para estat stica de
teste sob H0.
Como a distribuic~o Nora
mal(0,1) e simetrica, isto implica em dobrar a area de
uma das caudas.
-Zobs
valor-p/2
valor-p/2
-Zobs
Zobs
Exemplo 14.C A Moeda Justa

O matematico ingl^s John Kerrick lancou 10000 v^zes uma moeda. Do total de
e
e
lancamentos, 5064 resultaram em \cara".

a
Aula 14 6
a. Existe evid^ncia, ao n vel de 5% de probabilidade, de que a moeda n~o e justa?

e
a
Hipoteses:
Dados: p =
b
Estat stica: Z =
Valor-p:
Decis~o:
a
b. Existe evid^ncia, ao n vel de 5% de probabilidade, de que o numero de \caras" e
e
maior do que o esperado?
Hipoteses:
Dados: p =
b
Estat stica: Z =
Valor-p:
Decis~o:
a

a
Aula 14 7
Testando Hipoteses sobre a Media de uma Populac~o

a
Ate agora foi visto o teste Z para se testar a proporc~o de uma populac~o. Qual seria o
a
a
teste mais apropriado para testarmos hipoteses sobre a media de uma populac~o?
a
Exemplo 14.D Testando o pH do Solo

Um cientista deseja saber se o pH de um solo e acido. Ele uma amostra com cinco
unidades e obteve os valores de ph:
5.8 6.3 6.9 6.2 5.5
Considere os seguintes aspectos:

O cientista considera o solo acido se o seu pH for menor que 7. Portanto as hipotese
a serem testadas s~o:
a
H0:
H :
Utilizando a teoria da distribuic~o da media amostral podemos utilizar o seguinte
a
racioc nio: Seja X o pH do solo e possui distribuic~o Normal com media e desvio
a
padr~o , ent~o:
a
a
x5 tera media igual
p
x5 tera desvio padr~o igual a = 5
a
x5 tera distribuic~o Normal.
a
Logo, pela teoria da distribuic~o amostral, a estat stica:
a
Z=
x5 ;
p
= 5
tera distribuic~o Normal com media 0 e desvio padr~o 1. Poder amos utiliza-la para
a
a
testar H0.
Estas considerac~es apresentam um problema: a hipotese nula (H0) nos fornece uma
o
indicac~o para a media da populac~o ( ), mas n~o nos da qualquer dica sobre o desvio
a
a
a
padr~o da populac~o ( ). O desvio padr~o da populac~o ( ) permanece desconhecido e,
a
a
a
a
n~o modo de se obter a estat stica Z com base na amostra tomada pelo cient sta.
a

a
Aula 14 8
Estat stica t
Este tipo de problema ja foi estudado no comeco do seculo pelo matematico ingl^s
e
William Gosset, que usava o pseud^nimo \Student" para publicar os seus trabalhos.
o
Student desenvolveu a seguinte estat stica:
t=
xn ;
p
sn = n
onde sn e o desvio padr~o amostral (amostra de tamanho n).

a
A estat stica t e uma variavel aleatoria cuja distribuic~o tem as seguintes propriedades:
a
1. Tem forma de sino (como a dist.
Normal).
2. E simetrica em relac~o ao zero
a
(como a dist. Normal Padronizada).
3. E mais \achatada" no centro e tem
as caudas mais \pesadas".
4. Possui somente um par^metro:
a
= n ; 1 chamado de graus de liberdade.
5. A medida que ! 1, ent~o t ! Z ,
a
isto e, para grandes amostras a distribuic~o de t se aproxima da Nora
mal Padronizada.
Normal(0, 1)
t (n=3)
t (n=5)
t (n=20)
-3
-2
-1
E importante notar que para cada valor dos graus de liberdade ( = n ; 1) temos uma
distribuic~o diferente para o t de Student. A distribuic~o Normal Padronizada e uma
a
a
unica distribuic~o (o valor dos par^metros s~o xos), mas a distribuic~o t de Student e na
a
a
a
a
verdade uma fam lia de distribuic~es, pois cada valor particular de gera uma
o
distribuic~o distinta das demais.
a
Nesta situac~o, torna-se imposs vel existir uma tabela que apresente todos os valores de
a
todas as distribuic~es t poss veis. O Anexo C, no entatno, apresenta os quantis da
o
distribuic~o t de Student para alguns valores particulares de (probabilidade na cauda) e
a
uma serie de valores distintos de .

a
Aula 14 9
Exemplo 14.D Testando o pH do Solo

Podemos agora testar as hipotese a respeito do pH do solo utilizando a estat stica t. Seja
o pH medio do solo e x a media amostral dos pHs na amostra:
Hipoteses
H0 : = 7
H : <7
Dados
x = (5:8 + 6:3 + 6:9 + 6:2 + 5:5)=5 = 6:14
s = 0:5320
Estat stica t:
6:14 ;p = ;3:61
7
t=
0:5320= 5
Valor-p
) P x < 6:14] ) P t < ;3:61] ) P t > 3:61] (Simetrica em relac~o ao zero)

a
) P t > 3:61] = valor-p
H : <7
H0 : = 7
Na tabela do t de Student (Anexo C) encontramos o valor 2.13 para t

Logo:
=0:05 =4
P t > 3:61] < P t > 2:13] ) P t < ;3:61] < P t < ;2:13]
) valor-p < = 0:05
t = -3.61 t = -2.13
= 0.05
-4
-3
-2
-1
Decis~o: Rejeita-se H0 (ao n vel de 5% de probabilidade) e conclu -se que existe

a
evid^ncia estat stica para a rmar que o pH medio do solo e menor que 7.
e

a
Aula 14 10
Teste t para a Media de uma Populac~o

a
O teste estat stico que acabamos de utilizar e chamado de teste t para a media de
uma populac~o e ele possui as seguintes caracter sticas:
a
A hipotese sendo testada e a respeito da media de uma populac~o. No exemplo do
a
pH temos:
H0 : = 7 versus H : < 7
Note que as hipoteses se referem a media da populac~o e n~o da amostra.

a
a
A decis~o a respeito de foi baseada na media da amostra xn . Mais precisamente
a
na estat stica t observada na amostra:
t =
xn ; 0
p
sn = n
onde 0 e o valor hipotetizado para na hipotese nula (H0).

Sob a hipotese nula, a estat stica t tem distribuic~o t de Student com par^metro
a
a
= n ; 1 (graus de liberdade.
O valor-p para o teste e calculado com base em como a hipotese alternativa (H ) e
expressa.
Decis~o: um valor-p menor que o n vel de signi c^ncia ( ) implica em rejeitar H0.
a
a
Foi exatamente o que ocorreu no exemplo do pH. Quando o valor-p e maior que o
n vel de signi c^ncia, H0 n~o e rejeitada.
a
a
Conceitos-Chave
hipoteses estat sticas - hipotese nula - hipotese alternativa - erro
^
~
~
tipo I - valor-p - n vel de significancia - proporcao nula populacao ~
~
~
proporcao amostral - distribuicao amostral de uma proporcao ~
valor extremo - teste Z para proporcao - teste monocaudal - teste
~
~
bicaudal - media da populacao - media amostral - distribuicao
~
amostral da media - estat stica t de Student - distribuicao t de
~
Student - teste t para media de uma populacao.
Exerc cios
14.1 Acredita-se que a proporc~o de tabuas de Eucalyptus grandis que apresentam serios
a
problemas de rachadura de topo apos o desdobro e da ordem de 85%. Uma pesquisa com
100 tabuas de um clone de E. grandis resultou numa proporc~o de 78% das tabuas com
a

a
Aula 14 11
rachadura de topo. O melhorista orestal garante que este ganho e \signi cativo", o
responsavel pela serraria acredita que essa diferenca e \devida ao acaso". Qual dos dois
tem embasamento estat stico? Explique.
14.2 Um experimento classico em Percepc~o Extra Sensorial (PES) consiste em

a
embaralhar um baralho com cartas de cinco naipes (ondas, estrelas, c rculos, quadrados e
cruzes). A medida que o pesquisador vira uma carta e se concentra nela, a pessoa sendo
pesquisada tenta advinhar o naipe da carta. Uma pessoa sem PES tem probabilidade de
1/5 (0.20) de acertar por pura sorte. Ja uma pessoa com PES devera acertar com mais
frequ^ncia. Isadora acertou 36 em 50 tentativas. Teste ao n vel = 0:01 se Isadora tem
e
PES. Encontre o valor-p e estabeleca as suas conclus~es.
o
14.3 Um estudante de estat stica usou um programa de computador para testar a
hipotese H0 : p = 0:50 contra a hipotese H : p > 0:50 (teste monocaudal). O programa foi
alimentado com 500 observac~es de uma amostra simples aleatoria e o programa retornou
o
o seguinte resultado:
Estat stica Observada: Z = 0:44 valor-p=0.33
a. Baseado no valor-p acima, o estudante concluiu que existe uma probabilidade de
33% da hipotese nula ser verdadeira. Voc^ concorda ? Explique.
e
b. Qual seria o valor-p se o teste fosse bicaudal (hipotese alternativa H : p 6= 0:50)?
14.4 No ultimo Fantes~o, o pessoal da K xama observou os seguintes dados:

a
numero de pessoas: 521
numero de homens: 300
numero de cervejas/homem: 4
numero de cervejas/mulher: 2.5.
Este ano, espera-se que as taxas de consumo permanecam as mesmas e que comparecam
700 pessoas. Estimando uma proporc~o de 60% de homens, o pessoal da K xama
a
encomendou 100 caixas de cerveja (cada uma com 24 cervejas). Vai faltar cerveja?
a. Estabeleca as hipoteses apropriadas.
b. Efetue o teste e encontre o valor-p.
c. Com base no teste, qual a sua decis~o?
a
14.5 Um Eng. Florestal deseja saber se a altura media de uma oresta nativa e superior a
20m. Numa amostra de 100 parcelas de inventario, ele obteve media amostral de 23m e
desvio padr~o amostral de 7.5m. Ha evid^ncia estat stica (n vel de 5% de probabilidade)
a
e
para se acreditar que a altura media da oresta e superior a 20m?
14.6 Um levantamento do tempo de quebra de motosserras numa empresa orestal

resultou numa media de 120 horas e desvio padr~o de 30 horas. O Eng. Florestal
a

a
Aula 14 12
responsavel pela area de colheita deseja saber se ele pode elaborar orcamento anual
assumindo que o tempo medio de quebra e de 100 horas.
14.7 Ze do Grude e proprietario de uma fabrica de cola. Como parte do programa de
controle de qualidade de sua fabrica, ele amostra toda semana pacotes de 20kg de cola
para veri car se o peso dos pacotes n~o difere muito do peso nominal. Se os pacotes forem
a
mais leves os clientes reclamam, se forem mais pesados a empresa perde dinheiro. Em
ambos os casos a maquina de empacotamento teria de ser desligada para investigar o que
esta ocorrendo.
a.
b.
c.
d.
e.
Estabeleca as hipoteses apropriadas.

Quais as pressuposic~es necessarias para testar estas hipoteses?
o
Como um Erro Tipo I afetaria a companhia ?
Como um Erro Tipo II afetaria a companhia ?
A amostra semanal de 25 pacotes resutou numa media de 19.6kg e num desvio
padr~o de 0.9kg. Realize o teste e encontre o valor-p.
a
f. Baseado no resultado do teste, qual seria a sua recomendac~o?
a
14.8 S~o 12:30 hs e voc^ esta na la do RUCALQ, com 33 pessoas na sua frente. Voc^
a
e
e
esta ansioso pois tem um compromisso as 13:00 hs. Um aluno de PG do Departamento de
Estat stica tem acompanhado o tempo de atendimento na la e obteve os seguintes
resultados:
Numero de Pessoas Tempo para Atend^-las
e
(minutos)
35
28
40
30
30
25
39
32
24
20
Sera que voc^ estara almocando ate as 13:00 hs?
e
a.
b.
c.
d.
Estabeleca as hipoteses apropriadas.

Quais as pressuposic~es necessarias para testar as hipoteses?
o
Efetue o teste e encontre o valor-p.
Com base no teste, qual a sua decis~o?
a
15. Infer^ncia sobre os Par^metros de uma Populac~o:

e
a
a
\Intervalo de Con anca
^
Teste de Hipoteses
O teste de hipoteses (H versus H ) envolve:
(1) o par^metro da populac~o (p.ex.: media )
a
a
(2) informac~es de uma amostra
o
A
(p.ex.: media x e desvio padr~o s)
a
A
(3) um estat stica cujo o comportamento e conhecido A
A
sob H (p.ex.: estat stica t).
A
H0 e rejeitada se:
valor-p
U
A
H0 n~o e rejeitada se:

a
valor-p >
Exemplo 15.A Produc~o em Florestas de Plantadas

a
Numa oresta plantada, um conjunto de 20 parcelas de inventario resultou numa
produc~o media de 280 st/ha e desvio padr~o de 25 st/ha. O engenheiro orestal deseja
a
a
saber se a produc~o media desta oresta e estatisticamente diferente de 300 st/ha.
a
a. Hipoteses: H0 : = 300 versus H : 6= 300.
b. Dados: x = 280 e s = 25.
p20
c. Estat stica: t = 280=;300 = ;3:58
25
d. Valor-p:
t = -3.58 t = -2.09
t = 2.09
= 0.025
-4
= 0.025
-3
-2
-1

a
Aula 15 2
e. Decis~o: Rejeita-se H0. Ha evid^ncias estat sticas de que a produc~o n~o e igual a
a
e
a a
300 st/ha.
Regra de Decis~o: Abordagem Classica

a
Como vimos, a hipotese nula (H0) sera sempre rejeitada quando:
valor-p
n vel de signi c^ncia ( ).

a
Existe outra forma de se veri car quando a hipotese nula e rejeitada utilizando apenas a
informac~o do n vel de signi c^ncia ( ).
a
a
Testes Monocaudais
Suponha que no exemplo anterior est vemos testando as hipoteses:
H0 : = 300 versus H : > 300,

atraves da mesma estat stica t:
Rejeita H0
se x for
\muito maior" que .
t = x;n
s=p
-
Rejeita H0
se o valor de t e
\muito grande"
Rejeita H0
se t c
c = Valor Cr tico
Qual o valor cr tico (c) que corresponde a

uma probabilidade de Erro Tipo de I de 5% ?
= P Erro Tipo I ]
= P Rejeita H jH verdadeira ]
= P t cjt t de Student( = 19)] = 0:05
0

a
Aula 15 3
t(0.95; 19) = 1.73
Regiao de Rejeicao
( = 0.05)
95%
-4
-3
-2
-1
Valor Cr tico
c = t0:95 19 = 1:73
~
~
Regiao de Rejeicao
= 0:05
Testes Bicaudais
No exemplo de produc~o temos

a
Estat stica: t = x ; ]= s= n]
Hipoteses Testadas: H0 : = 300

H : 6= 300
Neste caso:
Rejeita H0
se x for mais extremo que .
(\muito maior" ou
\muito menor")
Rejeita H0
se o valor de t e
\extremo"
Regiao de Rejeicao
( = 0.025)
95%
-2
ou
t(0.975; 19) = 2.09
Regiao de Rejeicao
( = 0.025)
-3
jtj c ) t c
t(0.975; 19) = -2.09
-4
Rejeita H se
jtj c ) t c
-1

a
Valor Cr tico
c = t0:975 19 = 2:09
Aula 15 4
~
~
Regiao de Rejeicao
c = t0:975 19 = 2:09 ) = 0:025
c = ;t0:975 19 = ;2:09 ) = 0:025
Regi~o de Rejeic~o
a
a
t(0.95 ; )
H : >
Rejeita H se t c
onde c = t ;
0
(1
( = 0.05)
-4 -3 -2 -1
-4 -3 -2 -1
t (0.95 ; )
Rejeita H se t c
onde c = t
(note que t = ;t
0
H : <
( )
( )
(1
( = 0.05)
t (0.95 ; )
H : 6=
Rejeita H se
t c ou t ;c
onde c = t ; =
t(0.95 ; )
(1
( = 0.025)
2)
-4 -3 -2 -1
( = 0.025)
0
Intervalo de Con anca para a Media de uma Populac~o

a
Media amostral (x) e uma
Estimativa Pontual
da media da populac~o ( ).
a
Qual a qualidade desta estimativa pontual ?

Podemos con ar nela?
Podemos de nir intervalo simetrico ao redor da

media amostral (x) que contem valores
\plaus veis" para a media populacional ( ).
Este intervalo pode ser de nido de acordo com
um dado \n vel de con anca".

a
Utilizamos a estat stica t
Aula 15 5
t = x;n
s=p
para testar as hipoteses
H0 : x = versus H : x 6=
num determinado n vel de signi c^ncia ( ).
a
Assumindo H0 como verdadeiro sabemos que a estat stica t segue a distribuic~o t de
a
Student. Portanto:
P t( =2)
t
t(1; =2) ] = 1 ;
P ;t(1;
h
t(1;
=2)
]=1;
P ;t(1;
P
=2)
=2)
x;
p
s= n
t(1;
=2)
]=1;
s
pn (;t(1; =2) )
x;
s
pn
t(1;
=2)
]= 1;
;x
s
pn
t(1;
=2)
;x]= 1;
P ; psn t(1;
=2)
P x ; psn t(1;
x + psn t(1;
=2)
=2)
]= 1;
Intervalo de Confianca
s
pn t
; =2)
(1
e chamado de Intervalo de Con anca de 100(1 ; )%,

onde e o n vel de signi c^ncia.
a
Exemplo 15.B Produc~o em Florestas de Plantadas

a
Com base nas informac~es do exemplo anterior construa Intervalos de Con anca 95% para
o
da produc~o oresta.
a
Intervalo de Con anca de 95% )
= 0:05 ) t(1;
=2)
s
) x pn t ; =
) 280 11:7 st/ha
) 268:3 , 291:7] st/ha
(1
2)
= t0:975 19 = 2:09
25
) 280 p 2:09
20

a
Aula 15 6
Interpretac~o:
a
Quest~o 1: O I.C. de 95% contem a media populacional ( )?

a
N~o sabemos.
a
Quest~o 2: O I.C. de 95% signi ca que existe 95% de probabilidade da media
a
populacional ( ) estar dentro do intervalo 268.3 , 291.7 ]?
N~o! O I.C. e xo e a media e xa, logo, ou esta dentro do intervalo

a
ou n~o esta!
a
O que e Intervalo de Con anca de 95%?
Amostras
1
2
3
4
5
.
.
.
99
100
Se repertirmos o mesmo procedimento de amostragem e

construc~o do Intervalo de
a
Con anca varias v^zes, Ese
peramos que em 95% das
v^zes o Intervalo de Cone
anca construido contera a
media populacional ( ).
Exemplo 15.C Tamanho Medio dos Peixes

Analisando os dados de uma amostra de 200 peixes pescados num reservatorio, uma Eng.
Florestal compilou os seguintes dados:
Variaveis
Media Amostral Desvio Padr~o Amostral
a
Comprimento (cm)
35
8.3
Peso (kg )
0.870
0.120
Com base em tais dados, ela deseja estimar o tamanho medio dos peixes do reservatorio
em relac~o as duas variaveis.
a

a
Aula 15 7
a. Encontre os Intervalos de Con anca de 95% para ambas variaveis.

t0:975 =99 =
Variavel
Media Amplitude do
Amostral
Intervalo
Limite
Inferior
Limite
Superior
(s= n)t0:975 99 x ; (s= n)t0:975 99 x + (s= n)t0:975 99
Comprimento (cm)
Peso (kg )
b. Qual variavel tem o maior intervalo de con anca?
c. Como voc^ interpreta o resultado da quest~o anterior?
e
a
Conceitos-Chave
^
teste de hipoteses - erro tipo I - n vel de significancia - valor-p ~
~
abordagem classica - valor cr tico - regiao de rejeicao - teste
monocaudal - teste bicaudal - estimativa pontual - intervalo de
~
~
confianca para a media de uma populacao - interpretacao do
intervalo de confianca
Exerc cios
15.1 Em orestas nativas a \domin^ncia" das especies arboreas e medida pela somatoria
a
das areas seccionais das arvores (area basal). Num levantamento em fragmento orestal,
as medic~es em 7 parcelas resultou nos seguintes dados:
o
Area Basal (m2=ha)
Media Desvio Padr~o
a
Jatoba
2.5
0.4
Embauba 1.2
0.3
Jequitiba 5.7
1.8
Especie

a
Aula 15 8
a. Encontre o Intervalo de Con anca de 90% para area basal de cada uma das especies.
b. Qual das especies tem maior intervalo de con anca? O que signi ca isso?
15.2 Num estudo sobre o peso medio de capivaras, a pesquisadora encontrou o seguinte
intervalo de Con anca 95%: 4:5 7:8]. A pesquisadora deseja saber agora se o peso medio
da populac~o estudada e estat sticamente diferente de 5kg.
a
a. Estabeleca as hipotese nula e alternativa para a pergunta da pesquisadora.
b. E poss vel responder esta pergunta? Explique.
c. Se for poss vel responder, qual seria o resultado do teste de hipotese.
15.3 Uma fabrica de paneis de madeira deseja duplicar a sua produc~o. A duplicac~o
a
a
acarretaria num consumo adicional de 1300000 m3 =ano de madeira. Com base no sistema
de inventario da empresa, que disp~e de 1500 parcelas, o gerente orestal encontrou que as
o
orestas da empresa t^m uma capacidade excedente de produc~o media de 1320000
e
a
m3 =ano com desvio padr~o de 170000 m3=ano. A empresa deve fazer a duplicac~o?
a
a
Explique.
15.4 Sabe-se que numa dada oresta tropical n~o perturbada a abund^ncia de especies
a
a
\pioneiras" ca em torno de 10%. Com aumento de perturbac~es antropicas, a

o
abund^ncia destas especies tende a crescer. Na demarcac~o de uma reserva orestal de
a
a
area total de 50000 ha, ecologistas e engenheiros orestais discutem a incorporac~o de
a
uma area extra de 7500 ha onde o levantamento de campo (50 parcelas) revelou
abund^ncia media de especies pioneiras de 15% (desvio padr~o de 9%). O objetivo da
a
a
demarcac~o da reserva e proteger \areas representativas de ecossistemas locais que n~o
a
a
sofreram in u^ncia antropica marcante". A area extra de 7500 ha deve ou n~o deve ser
e
a
incorporada a reserva? Justi que estatisticamente a sua resposta.
15.5 Uma pesquisadora deseja estimar o tamanho da populac~o de Furnaris rufus

a
(jo~o-de-barro) numa dada localidade do interior de Minas Gerais. Num primeiro

a
levantamento, a pesquisadora capturou 30 passaros (n1 ) e marcou-os todos com anilhas.
Num segundo levantamento, a pesquisadora capturou 40 passaros (n2 ) dos quais 12 (m)
possu am a anilha referente ao primeiro levantamento. A teoria de marca-e-recaptura
estabele que o tamanho da populac~o (valor amostral) e sua vari^ncia devem ser obtidos
a
a
pelos estimadores:
1)( 2
b
Tamanho de populac~o : N = (n1 +m +n1)+ 1) ; 1
a
(
n2
1
Vari^ncia : s2b = (n1 + 1)((m + 1)(2nm; m)(n2 ; m)
a
N
+ 1) ( + 2)
q
b
Intervalo de Con anca de 95% : N 2 s2b
N
a. Qual o intervalo de con anca de 95% para o tamanho desta populac~o ?

a
b. A pesquisadora pode considerar a populac~o de Furnarius rufus como tendo 100
a
passaros ? Explique.
16. Comparando duas Populac~es: \Teste t"

o
Modelo Estat stio para Comparac~o de Duas Populac~es
a
o
Para compararmos duas populac~es devemos assumir que cada populac~o possui
o
a
distribuic~o Normal com suas medias e vari^ncias respectivas.
a
a
De cada populac~o se toma uma amostra aleatoria simples, com tamanhos n e n ,
a
n~o necessariamente iguais.
a
1
~
Poplucao 1
~
Distribuicao Normal
( 1 , 12)
Amostra
(x1 , s2, n1)
1
~
Poplucao 2
~
Distribuicao Normal
( 2, 22)
Amostra
(x2, s2, n2)
2
Nossa intens~o e testar dois grupos de hipoteses:

a
Comparac~o de Medias:
a
H : 1= 2
H : 1 6= 2
0
Comparac~o de Vari^ncias:
a
a
H : 1= 2
H : 1 6= 2
0

a
Aula 16 2
Comparando as Vari^ncias de Duas Populac~es

a
o
A comparac~o das vari^ncias de duas populac~es se baseia nas hipoteses:
a
a
o
Teste Bicaudal
Teste Monocaudal
2
8 HH0: : 21>= 22
<
1
2
: H ou 12 < 22
:
H0 : 12 = 22
H : 12 6= 22
Para testar estas hipoteses utilizamos a estat stica:

F=
s2 =
1
s2 =
2
Sendo a hipotese nula verdadeira, temos

1 = 2 =
e a estat stica F ca:
2
s2 =
F= 1
s2 =
2
s2 =
1
= s2=
2
2
2
s2
1
= s2
2
Se H e verdadeira, ambas amostras foram obtidas de duas populac~es \Normais"

o
com igual vari^ncia ( ).
a
0
~
Nesta situac~o a estat stica F tem Distribuicao F , a qual tem as seguintes
a
propriedades:
F so assume valores positivos, pois e uma raz~o de duas vari^ncias

a
a
(0 < F < +1)
Possui dois par^metros:

a
= n ; 1 ) Graus de Liberdade do Numerador
= n ; 1 ) Graus de Liberdade do Denominador
A distribuic~o F e unimodal assimetrica a direita, tendo o gra co:
a
1

a
Aula 16 3
O Anexo D apresenta uma tabela da distribuic~o F para alguns valores de

a
graus de liberdade para o n vel de signi c^ncia de 5%.
a
Exemplo 16.A Estimando a Dist^ncia de Animais Observados

a
Um pesquisador deseja testar dois metodos para determinar a dist^ncia do observador ao
a
animal em levantamento de fauna. Durante um levantamento, a dist^ncia para cada
a
animal observado foi medida utilizando os dois metodos obtendo-se os seguintes resultados:
^
Distancias
Metodo
Utilizando Range nder 25 30 16 13 21

Utilizando Trena
20 31 18 10 23
^
Variancia
46.5
58.3
Hipoteses testadas:
H0 :
H :
=
2
1 6=
2
Estat stica F amostral:
F = 46::5 = 0:798 ou F = 58::3 = 1:254

58 3
46 5
Para o n vel de signi c^ncia de 5% ( = 0:05) com graus de liberdade

a
2 = 4 temos:
F = 0.1041
F = 9.6045
Regi~o de Rejeic~o:
a
a
* O quantil 2.5% e 0.104 e o quantil 97.5% e 9.605
10
=4e

a
Aula 16 4
* Os valores da estat stica F observada s~o menos extremos que os quantis

a
* N~o se rejeita H0.
a
Teste F Bicaudal
Note que os valores na tabela do Anexo D apresentam apenas um valor (quantil
95% ou 97.5%). Para simpli car os calculos e o teste de hipotese, devemos utilizar o
seguinte procedimento:
1. Calcular a estat stica F sempre na forma:
F=
maxfs2 s2g
1 2
2 s2g
minfs1 2
2. Rejeitar H quando o valor da estat stica for maior que o quantil

(1 ; =2)100%:
0
F1; =2
1 2
.
Exemplo 16.B Comparando Processos de Produc~o de Papel
a
Uma fabrica de papel deseja introduzir um novo processo de fabricac~o que e considerado
a
mais e ciente tanto em termos de custo com em termos ambientais. A Engenheira
Florestal responsavel decidiu fazer um teste comparando o novo processo contra o
processo tradicional em termos de gramatura, que e o peso do metro quadrdado de papel,
obtendo os seguintes resultados:
Processo
Gramatura (g=m2)
s2
Tradicional 120 140 80 75 110 150 6 937.5

Novo
105 95 108 120 90
5 137.3
Hipoteses:
H0 :
H :
Estat stica F amostral:
T
2
>
N
2
F = 937::5 = 6:828
137 3

a
Aula 16 5
Regi~o de Rejeic~o:
a
a
Sob H0 , a estat stica F tera distribuic~o F com graus de liberdade
a
O valor do quantil 95% neste caso e 6.256 (veja Anexo D).
Gra co:
=5e
= 4.
F = 6.2561
10
Como 6:8281 > 6:256 (F > F0:95 5 4), rejeita-se H0 e conclui-se que o metodo
tradicional tem vari^ncia maior que o novo.
a
Teste F Monocaudal
No caso do teste F monocaudal, devemos utilizar o seguinte procedimento:
1. Calcular a estat stica F segundo a forma como a hipotese alternativa e
estabelecida:
s2
H :
=) F = s12
2
2
2 < 2 =) F = s2
H : 1
2
s2
1
2
2
1 > 2
2. Rejeitar H quando o valor da estat stica for maior que o quantil (1 ; )100%:
0
F1;
1 2
.
Comparac~o de Medias
a
A comparac~o de medias geralmente envolve as hipoteses:
a
H : 1= 2) 1; 2=0
H : 1 6= 2 ) 1 ; 2 6= 0
0

a
Aula 16 6
O que implica que as medias dos tratamentos s~o iguais.

a
Uma forma mais generica de se estabelecer estas hipoteses e a rmar que as medias
diferem uma certa quantia , onde = 0 e uma das possibilidades:
H : 1; 2=
H : 1 ; 2 6=
0
A estat stica utilizada para testar estas hipoteses e

(x ; x ) ;
t= q 1 2
d
Var(x1 ; x2 )
A estat stica t assim calculada dependera de como a estimativa da vari^ncia da
a
d x1 ; x2 )) e obtida. Como as amostras que geraram x1 e x2
diferenca das media (Var(
s~o independentes temos que:
a
Var(x1 ; x2) = Var(x1) + Var(x2)
Se
= 2 , ent~o
a
2
1 1
Var(x1 ; x2) = n + n = n + n
2
Neste caso a estimativa de
deve ser uma composic~o de

a
1 +1 s
n n C
(n ; 1)s1 + (n ; 1)s2
sC =
n +n ;2
d
Var(x1 ; x2) =
2
Se
6= 2 , ent~o
a
e a estimativa ca:
Var(x1 ; x2) = n1 + n2
2
2
d x1 ; x2 ) = s1 + s2
Var(
n1 n2
e 2:
2

a
Aula 16 7
Contexto Observacional versus Contexto Experimental

A comparac~o de medias t^m sign cado diferente se
a
e
os dados foram obtidos num contexto de
Pesquisa Observacional ou
Pesquisa Experimental.
Os exemplos considerados ate agora se referem a Pesquisa Observacional, pois tinhamos
duas populac~es distintas das quais se tomou amostras independentes.
o
~
Poplucao 1
~
Distribuicao Normal
( 1 , 12)
~
Poplucao 2
~
Distribuicao Normal
( 2, 22)
Amostra
(x1 , s2, n1)
1
Amostra
(x2, s2, n2)
2
O contexto da Pesquisa Experimental surge quando o pesquisador parte de uma
unica populac~o , toma uma amostra e aplica nesta amostra dois diferentes tipos de
a
manipulac~o experimental.
a
O contexto experimental, portanto, implica em:

1. As Unidades Experimentais (n1 + n2 ) foram tomadas aleatoriamente de uma
mesma populac~o.
a
2. Os Tratamentos (manipulac~o experimental das unidades) foram atribuidos de
a
modo aleatorio a cada uma das unidades experimentais.
3. Os tratamentos foram repetidos em mais de uma undade experimental.
4. A aplicac~o do tratamento em uma das unidades experimentais e completamente
a
independente da aplicac~o dos tratamentos nas demais unidades.
a

a
Aula 16 8
~
Poplucao Original
~
Distribuicao Normal
( , 2)
Amostra Aleatoria
(n1 + n2)
P
Tratamento 1
(x1 , s2, n1)
1
PPPP
PPP
q
P
Tratamento 2
(x2, s2, n2)
2
Note que no contexto experimental, a rejeic~o da hipotese H :

a
que os tratamentos aplicados s~o diferentes.
a
0
; 2 ja implica
2
Consideraremos agora como o teste de medias deve ser aplicado em diferentes

situac~es de pesquisas observacionais e experimentais.
o

a
Aula 16 9
Teste t para Duas Medias: Observac~es Pareadas

o
As observac~es s~o ditas pareadas quando feitas
o a
num mesmo objeto ou agrupada em pares no campo.
Desta forma a diferenca entre duas observac~es pareadas tem signi cado pratico e
o
podemos pensar na media e vari^ncia das diferencas entre observac~es.
a
o
A hipotese nula, neste caso, pode ser transformada para:

H : 1 = 2 =) H : 1 ; 2 = 0 =) H : d = 0
0
Novamente, podemos tornar esta hipotese mais generica:

H : d=
H : d 6=
0
Assim, o teste t para observac~es pareadas se resume ao

o
teste t para uma populac~o testando hipotese nula da
a
media diferencas ser igual a uma certa quantia .
d;
t= p 2
sd =n
Exemplo 16.C Estimando a Dist^ncia de Animais Observados - II

a
Voltando ao exemplo da medic~o da dist^ncia observdor-animal, podemos re-organizar a
a
a
tabela na forma:
^
Distancias
Metodo
s2
Utilizando Range nder 25 30 16 13 21 21.0 46.5

Utilizando Trena
20 31 18 10 23 20.4 58.3
Diferenca
5 -1 -2 3 -2 0.6 10.3
Hipoteses:
H0 :
H :
Estat stica:
R; T
=0
R ; T 6= 0
t = p 0:6 = 0:418
10:3=5

a
Regi~o de Rejeic~o:
a
a
Aula 16 10
jtj t :
jtj 2:776
0 975 4
Conclus~o: Como j0:418j < 2:776, n~o se rejeita H0 . Conclui-se que n~o ha
a
a
a
evid^ncias de que os dois metodos sejam diferentes entre si.
e
Teste t para Duas Medias: Vari^ncias Homog^neas

a
e
Antes de compararmos duas medias onde as observac~es
o
n~o foram pareadas, devemos primeiro comparar
a
as vari^ncias atraves do teste F , testando as hipoteses:
a
H0 :
H :
=
2
1 6=
2
Se H n~o for rejeitada, assumimos que as vari^ncias s~o iguais

a
a
a
e comparamos as medias atraves da estat stica:
(x ; x ) ;
t= q 1 2
d
Var(x1 ; x2 )
0
onde a vari^ncia da diferenca das medias e obtida por:

a
d
Var(x ; x ) = 1 + 1 s
1
s2
C
n1 n2 C
2
1) 2 n
1
= (n1 ; n s+ + (;22; 1)s2
n2
1
Sob H , a estat stica t calculada seguira a

distribuic~o t de Student com graus de liberdade
a
= n + n ; 2.
0
Exemplo 16.D Proced^ncias de Pinus oocarpa

e
Um Engenheiro Florestal deseja saber se uma proced^ncia mais produtiva de Pinus
e
oocarpa (proced^ncia A) difere da proced^ncia menos produtiva (proced^ncia B) em pelo
e
e
e
menos 10 st/ha.ano. Os dados obtidos foram:
Proced^ncia
e
A
B
Incremento Medio (st=ha:nao)
s2
45.6 42.1 44.9 45.1 47.6 46.7 45.5 48.9 45.8 4.1114
30.1 21.6 27.6 27.3 30.4 31.4 34.1 30.6 29.1 13.8512

a
Aula 16 11
Testando igualdade de vari^ncias

a
Hipoteses:
H0 :
H :
Estat stica:
=
2
A 6=
2
B
2
8512
F = 13::1114 = 3:369
4
Regi~o de Rejeic~o:
a
a
F0:975 7 7 ) F
4:995
Conclus~o: Como 3:369 < 4:995 n~o se rejeita H0 . Assume-se que as vari^ncias s~o
a
a
a
a
iguais.
Comparando as Medias
Hipoteses:
H0 : xA ; xB = 10
H : xA ; xB > 10
Estat stica:
2
1 + 1 (n1 ; 1)s2 + (n2 ; 1)s2

1
2
n1 n2
n1 + n2 ; 2
(8
d
Var(x1 ; x2) = 1 + 1 (8 ; 1)4:11114 + ; 2; 1)13:8512 = 2:2453
8 8
8+8
(
;
t = qxA ; xB) ; = (45:8p 29:1) ; 10 = 1:6:7 = 4.471
4984
2:2453
d
Var(x1 ; x2)
d
) Var(x1 ; x2) =
Regi~o de Rejeic~o (teste monocaudal):

a
a
t t1;
n;1)
2(
)t t :
0 95 14
) t 1:761
Conclus~o: Como 4:471 > 1:761, rejeita-se H0 ao n vel de 5% de probabilidade.

a
Conclui-se ha evid^ncias para se a rmar que a proced^ncia mais produtiva excede a
e
e
menos produtiva em mais de 10 st=ha:ano.

a
Aula 16 12
Teste t para Duas Medias: Vari^ncias Heterog^neas

a
e
Quando rejeitamos H no teste de comparac~o das vari^ncias,
a
a
temos que assumir que 1 6= 2 e a hipotese nula
para as medias e testada utilizando a mesma estat stica t.
0
O comportamento da estat stica t sob H , no entanto,

dependera se o tamanho de amostra para as duas medias
e igual ou diferente.
0
Amostras de Mesmo Tamanho (n = n )

1
Para amostras de mesmo tamanho n = n = n,

a estat stica t se torna:
(x ; x ) ;
t = 1q 2
1
s2 +s2
1 2
n
Sob H , a estat stica t tera distribuic~o t

a
de Student com graus de liberdade = 2(n ; 1).
0
Amostras de Tamanhos Diferentes (n 6= n )

1
No caso das amostras terem tamanhos diferentes, a estat stica t ca:

(x1 ; x ) ;
t= q 2 2 2
s2
s1
n1 + n2
a qual tera distribuic~o t de Student sob H
a
com graus de liberdade igual a:
2 2
s2
1 + s2
n1
n2
s2 2
s2 2
1
2
n1
n2
n1 ;1 + n2 ;1

a
Aula 16 13
Exemplo 16.E Metodos de Resinagem

Uma Engenheira Florestal testou dois metodos de resinagem em matrizes de Pinus
elliottii. Um grupo de 18 das melhores matrizes foi selecionado. Atraves de sorteio
aleatorio, aplicou-se em 9 matrizes o tratamento com acido sufurico a 30% (tratamento
A), enquanto que as demais 9 matrizes receberam o tratamento de acido sufurico a 15%
(Tratamento B). Os resultados obtidos foram:
Trat.
A
B
~
Producao de Resina(g)
s2
2326 2206 1835 1434 1629 1761 1511 2146 1548 1821.778 108740.944
6006 3455 3115 3376 2609 2582 3674 2648 2012 3275.222 1324733.194
Testando a igualdade das vari^ncias

a
Hipoteses:
H0 :
H :
Estat stica:
=
2
A 6=
2
B
2
194
F = 1324733::944 = 12:182
108740
Regi~o de Rejeic~o:
a
a
F0:975 8 8 ) F
4:357
Conclus~o: Como 12:182 > 4:357, rejeita-se H0. Assume-se que as vari^ncias s~o
a
a
a
diferentes.
Comparando as Medias
Hipoteses:
H0 : xA = xB
H : xA 6= xB
Estat stica:
2
2
d
Var(x1 ; x2) = s1 + s2 = 1324733:194 + 108740:944 = 159274:9034
n1 n2
9
9
778
(xA ; xB ) ; = (1821:p ; 3275:222) ; 0 = ;1453:444 = -3.642
t = q
399:0926
159274:9034
d
Var(x1 ; x2)

a
Aula 16 14
Regi~o de Rejeic~o (teste bicaudal):

a
a
jtj t ;
1
=2 2(n;1)
) jtj t :
0 975 16
) jtj 2:120
Conclus~o: Como j ; 3:642j > 2:120, rejeita-se H0 ao n vel de 5% de probabilidade.

a
Conclui-se ha evid^ncias para se a rmar que os metodos de resinagem s~o diferentes.
e
a
Exemplo 16.F Comparando Processos de Produc~o de Papel - II

a
Voltando ao exemplo da fabrica de papel, onde foi rejeitada a hipotese de igualdade das
vari^ncias, a Engenheira Florestal deseja agora testar a hipotese sobre as medias:
a
H0 :
H :
T; N
=0
T ; N 6= 0
Os resultados obtidos foram:

Processo
Gramatura (g=m2)
s2
Tradicional 120 140 80 75 110 150 6 112.5 937.5

Novo
105 95 108 120 90
5 103.6 137.3
Estat stica:
d
Var(x1 ; x2) = 937:5 + 137:3 = 183:711
6
5
112:5 ; 103:6 = 8:90 = 0.657
t = p
13:554
183:711
Regi~o de Rejeic~o:
a
a
";
937:5 + 137:3 2 = 937:5 2 + 137:3 2

6
5
=
6
5
6;1
5;1
3641
= 33749::3254 = 6:655 ! 6
5071
jtj
t0:975 6 ) jtj > 2:447
Conclus~o: Como j0:657j < 2:447, n~o se rejeita H0 e conclu-se que n~o ha evid^ncia
a
a
a
e
(ao n vel de 5% de probabilidade) para a rmar que os processos produzem papel
com gramaturas medias diferentes.

a
Aula 16 15
Conceitos-Chave
~
~
~
~
estat stica F - distribuicao F - regiao de rejeicao na distribuicao F teste F bicaudal - teste F monocaudal - estat stica t para
~
^
comparacao de duas medias - variancia da diferenca das medias contexto observacional - contexto experimental teste t pareado ^
^
teste t para variancias homog^neas - teste t variancias heterog^neas
e
e
^ncias heterog^neas
com amostras de mesmo tamanho - teste t varia
e
com amostras de tamanhos diferentes
Exerc cios
16.1 Acredita-se que a adubac~o de cobertura em Eucalyptus grandis nem sempre produz
a
um ganho na produc~o mas aumenta a homogeneidade das arvores. Formule hipoteses
a
estat sticas apropriadas e teste-as utilizando os dados da tabela abaixo.
Floresta Adubada
DAP (cm)
14.9 18.6 16.8 14.6 13.8 20.7 15.8 20.1 19.4 18.4 18.5
15.3 16.6 18.9 18.1 14.4 14.5 14.0 16.3 17.6 17.6
~
Floresta Nao Adubada
21.6 25.8 18.7 16.7 23.1 14.6 6.4 12.2 31.5 4.1 11.5
27.2 8.0 22.5 25.1 16.8 17.4 20.7 14.8 15.8 9.3
16.2 Um pesquisador deseja veri car se o melhoramento genetico produziu reduc~o

a
marcante na grau de rachadura de topo de Eucalyptus saligna. Comparando dois grupos

de arvores o pesquisador obteve os dados na tabela abaixo. Teste as hipoteses apropriadas
e estabeleca as suas conclus~es.
o
Numero de Rachaduras / cm2
~
Arvores nao melhoradas
0.2 6.6 8.0 2.2 1.9 6.8 1.7 6.3 1.4

Arvores melhoradas
2.6 4.6 4.8 4.3 4.4 3.1 3.8
16.3 Um engenheiro orestal deseja comparar a domin^ncia de duas especie nativas. Num
a
levantamento com 31 parcelas, a especie A teve domin^ncia media de 5.3 m2 =ha (desvio
a
padr~o de 1.2) e a especie B teve media de 6.7 m2=ha (desvio padr~o de 2.1). Estabeleca
a
a
a hipoteses estat sticas apropriadas. Teste as hipoteses e estabeleca as suas conclus~es.
o
16.4 Numa fabrica de celulose o engenheiro responsavel notou um aumento no consumo
dos produtos qu micos na utlima semana. Suspeitando que este aumento se deve ao fato
da madeira dos lotes mais recentes possuir densidade maior que a madeira dos lotes mais

a
Aula 16 16
antigos, ele veri cou as tabelas de controle de densidade da madeira feita no patio da
fabrica (tabela abaixo). O aumento de produtos qu micos no processo de fabricac~o
a
poderia ser atribuido a um aumento na densidade da madeira entrando na fabrica ?
Ultima Semana
Densidade da Maderia (g=cm3)
0.645 0.711 0.705 0.549 0.676 0.662 0.709 0.637 0.711 0.728
0.575 0.613 0.880 0.625 0.684 0.622 0.579 0.490 0.529 0.626
0.619 0.696 0.642 0.687 0.603 0.708 0.667 0.425 0.665
Semana Anterior
0.856 0.704 0.755 0.582 0.836 0.550 0.819 0.741 0.681 0.713
0.882 0.844 0.601 0.627 0.628 0.691 0.599 0.669 0.746 0.607
0.547 0.680 0.654 0.701 0.741 0.563 0.723 0.719 0.675 0.620
16.5 Com o objetivo de veri car o efeito da exposic~o do solo sobre a microfauna do solo,
a
uma pesquisadora fez levantamentos de microfauna antes e depois da exposic~o do solo em

a
areas desmatadas de varios tipos de ecossistemas (tabela abaixo). Teste as hipoteses
apropriadas e estabeleca a sua conclus~o.
a
No. de Micro-organismos/cm3
Antes
Depois
Campo Limpo
1430
780
Cerrado
2500
1020
Restinga
732
640
Caatinga
640
680
Floresta Estacional 10530
2520
Floresta Pluvial
21883
2302
Ecossistema
17. Modelo vs. Realidade: \Teste de Qui-Quadrado"
Comparac~o de Frequ^ncias
a
e
Ja foram vistos varios testes para comparar par^metros de
a
duas populac~es (media e vari^ncia).
o
a
Entretanto, muitas v^zes desejamos comparar frequ^ncias observadas para testar se
e
e
elas s~o provenientes de uma mesma populac~o
a
a
O teste de Qui-Quadrado (teste 2) foi construido

para comparar dois grupos de frequ^ncias.
e
Exemplo 17.A Distribuic~o dos Di^metros das Arvores numa Floresta
a
a
Um engenheiro orestal deseja saber se a distribuic~o Normal e um bom modelo estat stico
a
para os di^metros das arvores de uma oresta plantada de Eucalyptus camaldulensis.
a
Classes de Di^metros (cm) Frequ^ncia
a
e
Lim. Inferior Lim. Superior (arv=ha)
10.0
12.5
4
12.5
15.0
23
15.0
17.5
50
17.5
20.0
132
20.0
22.5
224
22.5
25.0
286
25.0
27.5
295
27.5
30.0
243
30.0
32.5
161
32.5
35.0
73
35.0
37.5
9
1500
A tabela acima apresenta a frequ^ncia observada para cada classe de di^metro. As
e
a
hipoteses sendo testadas s~o:
a
H0 :
H :
b
b
fi = fi
fi 6= fi (para pelo menos um dos i)

a
Aula 17 2
onde fi e a frequ^ncia observada e fi e a frequ^ncia que esperamos para dados com

e
e
distribuic~o Normal.
a
Para veri carmos se as frequ^ncias observadas e as frequ^ncias esperadas est~o proximas,
e
e
a
devemos calcuar as frequ^ncias esperadas. Para cada classe de di^metro fazemos os
e
a
seguintes calculos:
Valores da Normal Padronizada para os Limites:
Probabilidade por Classe (Tabela):

Frequ^ncia Esperada (N=1500):
e
q
q
zI i = dapI i ; dap
s2
dap
zS i = dapS i ; dap
s2
dap
pi = P (Z < zI i ) ; P (Z < zS i )
fi = pi N
bb
b
Classes Di^metros (cm) Frequ^ncia Normal Padronizada Probab. Frequ^ncia

a
e
e
(i)
Limite Limite Observada Limite
Limite por Classe Esperada
Inferior Superior (arv=ha) Inferior
Superior
(arv=ha)
dapI i
1
2
3
4
5
6
7
8
9
10
11
10.0
12.5
15.0
17.5
20.0
22.5
25.0
27.5
30.0
32.5
35.0
dapS i
fi
12.5
15.0
17.5
20.0
22.5
25.0
27.5
30.0
32.5
35.0
37.5
zI i
4
23
50
132
224
286
295
243
161
73
9
1500
-3.28
-2.74
-2.20
-1.67
-1.13
-0.59
-0.05
0.48
1.02
1.56
2.10
zS i
-2.74
-2.20
-1.67
-1.13
-0.59
-0.05
0.48
1.02
1.56
2.10
2.63
b
0.0026
pi
0.0108
0.0336
0.0817
0.1484
0.2025
0.2043
0.1617
0.0945
0.0415
0.0136
0.9952
3.90
16.20
50.40
122.55
222.60
303.75
306.45
242.55
141.75
62.25
20.40
1492.8
A estat stica utilizada para comparar as frequ^ncia e

e
X2 =
X (f ; fb)
b
f
k
i=1
que so podera assumir valores positivos. Grandes valores de X 2 indicam que as

frequ^ncias s~o bastante distintas, levando-nos a rejeitar H0.
e
a
Sob H0, a estat stica X 2 segue a distribuic~o de Qui-Quadrado ( 2 ). Esta distribuic~o
a
a
tem as seguintes propriedades:
2
so assume valores positivos
fi

a
Aula 17 3
a distribuic~o e unimodal, assimetrica a esquerda

a
possui um unico par^metro: graus de liberadade = n ; 1 ; p, onde p e o numero de
a
par^metros estimados para encontrar as frequ^ncias esperadas.
a
e
= 10
= 20
10
20
= 30
30
40
50
Classes Di^metros (cm) Frequ^ncia Frequ^ncia

a
e
e
X2
(i)
Limite Limite Observada Esperada
Inferior Superior (arv=ha) (arv=ha) (fi ; fi )2
dapI i
1
2
3
4
5
6
7
8
9
10
11
10.0
12.5
15.0
17.5
20.0
22.5
25.0
27.5
30.0
32.5
35.0
dapS i
12.5
15.0
17.5
20.0
22.5
25.0
27.5
30.0
32.5
35.0
37.5
fi
4
23
50
132
224
286
295
243
161
73
9
1500
b
b
fi
fi
3.90
16.20
50.40
122.55
222.60
303.75
306.45
242.55
141.75
62.25
20.40
1492.8
0.003
2.854
0.003
0.729
0.009
1.037
0.428
0.001
2.614
1.856
6.371
15.905
A valor cr tico para 2 ao n vel de 5% de probabilidade e com = 11 ; 1 ; 2 = 8 graus de

liberdade e 15.507. Como
2 = 15.507
10
X 2 = 15:905 >
20
30
= 15:507
rejeitamos H0 e conclu mos que ha evid^ncias (ao n vel de 5% de probabilidade) de que o
e
di^metro das arvores da oresta n~o segue a distribuic~o Normal.
a
a
a
2
0:95 =8
A-1
Anexo A: Tabela de Nmeros Aleatrios

Linhas
1
2
3
4
5
1
37330
10556
45811
73736
17223
2
53935
08243
96068
58198
12221
3
13353
70946
33049
34805
61507
4
39148
57339
45243
92339
77114
Colunas
5
6
90771
13159
72234
59692
27243
94492
46743
87758
72285
69923
7
33960
52999
67854
53546
05809
8
06997
93494
01933
91205
06493
9
84693
95782
75224
20339
97064
10
46795
09651
77355
80666
46339
6
7
8
9
10
81548
90216
00764
20759
42933
95763
94892
91156
16044
66329
83937
06615
09068
24367
75711
91219
01442
03279
90989
94739
01721
53108
05814
46036
36532
17329
21428
60628
74737
97440
93669
83671
50454
77971
27111
60293
71161
75238
76094
15222
03667
47712
85013
96855
30748
21710
73850
03935
71792
68995
11
12
13
14
15
90227
43376
63024
57417
42252
25813
01076
89093
62107
61257
47260
85915
09505
69764
07265
18871
30545
22752
44870
89677
32378
47255
03459
58163
80135
83526
04452
61945
36237
78227
45759
24526
92030
50600
41473
91977
77645
77252
19644
70922
17721
13186
68334
17087
67684
94625
42302
14381
57247
39150
16
17
18
19
20
78009
38594
61166
96847
96233
80035
79867
10972
09658
37435
01594
81298
89696
78425
02304
31923
27956
72737
27341
86004
16715
23186
74575
01678
36919
13916
58969
33628
72410
34869
58606
40255
07724
07312
36691
83282
53449
09325
18256
05771
25382
06430
55122
14849
70516
04772
02044
03607
41021
23301
21
22
23
24
25
96723
83778
81870
79836
87161
28815
80486
45840
38814
71681
56751
07191
40560
35247
12125
06769
27820
06232
52688
66883
79709
12450
48136
54767
61697
94181
50519
70977
59184
17181
64349
12220
79352
09034
54093
87804
01604
60376
45814
56464
51772
42242
65229
08280
11199
20745
30684
78414
11287
07275
26
27
28
29
30
87783
08119
18922
17629
85876
75633
21105
09414
55417
53986
05979
09347
30267
41930
94018
57992
34139
31239
85312
97123
39071
56304
05542
67452
26576
52546
12470
90793
19141
85913
62850
98466
48181
27944
14366
73274
22863
04769
78229
63907
29428
62609
37248
88922
19704
35256
36216
31929
66229
24935
31
32
33
34
35
39992
41986
99382
72215
35633
84306
50658
46409
07414
43596
70490
70507
04296
94276
50301
49481
53404
92514
26246
44167
78479
25900
19794
50979
92491
81102
28854
81119
22571
03588
99329
61275
23260
64260
41259
90414
59667
64028
32572
10595
53003
51324
61763
97833
59500
74881
67022
50013
10481
78197
36
37
38
39
40
88312
97936
70453
13199
86790
90675
08967
97653
73340
40381
83843
06297
82137
29241
32919
39813
90721
31617
96338
51971
81547
11649
82240
78479
02988
56037
00469
78879
01993
45995
85139
90058
99752
83968
01324
86009
19169
33814
45405
43030
98724
42794
27956
24145
76348
00114
65151
00884
99657
11470
41
42
43
44
45
64480
68173
03398
92656
03659
68876
57677
42731
62471
61742
88985
77372
22387
96454
79474
23621
71297
81826
40858
10843
77087
77786
28712
51211
48114
38588
48919
38888
86127
15666
90692
69894
20897
24676
38553
19155
25420
85387
84158
05251
47371
45816
09919
09159
47571
14490
11371
27589
52302
80037
11
12
13
14
15
17
18
19
20
Linhas
Colunas
16
A-2
1
2
3
4
5
42165
17186
88019
73984
64178
53648
35082
44552
06982
29530
23781
11609
01298
57401
11201
61440
21142
92145
46327
11848
07050
49037
22778
33441
23831
37998
59028
16430
39177
35181
91935
60429
75500
73562
71664
77759
64920
03045
34604
13627
19704
16096
05800
94405
47908
74933
86919
10042
54252
38205
6
7
8
9
10
60987
62759
69098
09690
34934
63701
39064
47903
10998
04670
64052
69267
57767
81103
94135
03482
45633
00789
29359
30083
15119
21715
00197
73418
42034
67928
51964
94958
53278
02213
85876
24053
91347
41076
21936
28907
42376
17714
48164
03303
78476
17255
12752
20004
92272
78618
74126
71803
07060
00319
11
12
13
14
15
76303
02455
83810
27329
41187
96793
23467
82163
89043
42664
01008
51836
28566
60936
02228
57706
46352
15985
61771
81133
93717
71524
28592
73344
27379
15862
91560
67643
97478
08643
00642
69802
96112
49700
74930
81828
22287
45673
09037
54711
73887
57267
35587
64897
03608
76319
87487
89684
34947
91965
16
17
18
19
20
74140
69008
70862
93192
16146
30401
40976
79284
64786
24939
40969
23097
88385
14476
79222
24053
67454
87849
06706
31585
03853
08611
67488
88219
52940
61559
12703
23064
33105
01301
05995
25426
17334
13158
70503
24126
51482
92617
03142
82704
17948
10591
97037
67513
39142
14561
43370
01607
39149
12421
21
22
23
24
25
16218
50985
88210
26357
16629
64385
84421
60901
51990
91364
76563
69289
00889
46249
73398
55292
09914
36179
62216
13823
44910
85585
95595
85683
19038
31658
88017
97065
21568
40454
27920
02160
91100
33080
96427
14819
03604
93526
05738
90364
12959
84955
73198
38108
18166
90258
53730
12242
66755
55014
26
27
28
29
30
89864
41764
49543
92900
81910
82058
11638
58827
95237
00774
23929
98271
21371
86410
04190
00999
81056
75317
15652
33528
69219
78376
91602
21033
18807
39167
32132
48134
43878
64371
12819
91701
09999
43415
78867
63579
82895
08958
77988
49337
68274
30675
70837
22126
69665
95242
24803
57100
42693
38686
31
32
33
34
35
07273
44744
59049
91194
63395
14043
75503
26420
35877
59659
80432
30140
56665
82939
54752
33541
01920
02075
56681
83240
95806
66214
73873
26239
40201
29973
43834
37727
43530
75321
20871
01562
51442
29668
06777
49814
22678
25202
97729
97949
61299
78464
49659
35020
29375
06543
32970
39004
00290
45443
36
37
38
39
40
96776
65703
33982
62800
01650
91429
22165
14156
01895
24083
80951
91226
05501
26926
23285
20937
96651
02125
98283
11298
51148
77591
42252
19411
14134
22800
39259
45740
58220
36497
93427
83294
74129
11773
27930
42432
52333
89349
07989
00930
39814
92003
95643
25152
95384
03188
55615
91532
65949
94789
41
42
43
44
45
18034
33755
68668
85164
35409
04957
31725
55013
40008
43191
47794
34521
52031
83167
80299
60553
76179
86387
27823
29665
05921
50793
55883
21266
28438
40798
72683
96150
65425
01645
21115
54808
63309
90630
03950
69277
85102
91525
21315
82683
79212
54916
74170
21833
14189
18303
20944
20909
94512
47057
B-1
Anexo B: Distribuio Normal Padronizada (Z)

0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.1
0.2
0.3
0.4
0.5000
0.4602
0.4207
0.3821
0.3446
0.4960
0.4562
0.4168
0.3783
0.3409
0.4920
0.4522
0.4129
0.3745
0.3372
0.4880
0.4483
0.4090
0.3707
0.3336
0.4840
0.4443
0.4052
0.3669
0.3300
0.4801
0.4404
0.4013
0.3632
0.3264
0.4761
0.4364
0.3974
0.3594
0.3228
0.4721
0.4325
0.3936
0.3557
0.3192
0.4681
0.4286
0.3897
0.3520
0.3156
0.4641
0.4247
0.3859
0.3483
0.3121
0.5
0.6
0.7
0.8
0.9
0.3085
0.2743
0.2420
0.2119
0.1841
0.3050
0.2709
0.2389
0.2090
0.1814
0.3015
0.2676
0.2358
0.2061
0.1788
0.2981
0.2643
0.2327
0.2033
0.1762
0.2946
0.2611
0.2296
0.2005
0.1736
0.2912
0.2578
0.2266
0.1977
0.1711
0.2877
0.2546
0.2236
0.1949
0.1685
0.2843
0.2514
0.2206
0.1922
0.1660
0.2810
0.2483
0.2177
0.1894
0.1635
0.2776
0.2451
0.2148
0.1867
0.1611
1.0
1.1
1.2
1.3
1.4
0.1587
0.1357
0.1151
0.0968
0.0808
0.1562
0.1335
0.1131
0.0951
0.0793
0.1539
0.1314
0.1112
0.0934
0.0778
0.1515
0.1292
0.1093
0.0918
0.0764
0.1492
0.1271
0.1075
0.0901
0.0749
0.1469
0.1251
0.1056
0.0885
0.0735
0.1446
0.1230
0.1038
0.0869
0.0721
0.1423
0.1210
0.1020
0.0853
0.0708
0.1401
0.1190
0.1003
0.0838
0.0694
0.1379
0.1170
0.0985
0.0823
0.0681
1.5
1.6
1.7
1.8
1.9
0.0668
0.0548
0.0446
0.0359
0.0287
0.0655
0.0537
0.0436
0.0351
0.0281
0.0643
0.0526
0.0427
0.0344
0.0274
0.0630
0.0516
0.0418
0.0336
0.0268
0.0618
0.0505
0.0409
0.0329
0.0262
0.0606
0.0495
0.0401
0.0322
0.0256
0.0594
0.0485
0.0392
0.0314
0.0250
0.0582
0.0475
0.0384
0.0307
0.0244
0.0571
0.0465
0.0375
0.0301
0.0239
0.0559
0.0455
0.0367
0.0294
0.0233
2.0
2.1
2.2
2.3
2.4
0.0228
0.0179
0.0139
0.0107
0.0082
0.0222
0.0174
0.0136
0.0104
0.0080
0.0217
0.0170
0.0132
0.0102
0.0078
0.0212
0.0166
0.0129
0.0099
0.0075
0.0207
0.0162
0.0125
0.0096
0.0073
0.0202
0.0158
0.0122
0.0094
0.0071
0.0197
0.0154
0.0119
0.0091
0.0069
0.0192
0.0150
0.0116
0.0089
0.0068
0.0188
0.0146
0.0113
0.0087
0.0066
0.0183
0.0143
0.0110
0.0084
0.0064
2.5
2.6
2.7
2.8
2.9
0.0062
0.0047
0.0035
0.0026
0.0019
0.0060
0.0045
0.0034
0.0025
0.0018
0.0059
0.0044
0.0033
0.0024
0.0018
0.0057
0.0043
0.0032
0.0023
0.0017
0.0055
0.0041
0.0031
0.0023
0.0016
0.0054
0.0040
0.0030
0.0022
0.0016
0.0052
0.0039
0.0029
0.0021
0.0015
0.0051
0.0038
0.0028
0.0021
0.0015
0.0049
0.0037
0.0027
0.0020
0.0014
0.0048
0.0036
0.0026
0.0019
0.0014
Probabilidade da
Tabela corresponde
rea da Calda da
Curva Normal
Padronizada
C-1
Anexo C: Quantis da Distribuio t de Student

0.400
0.250
0.100
0.050
0.025
0.010
0.001
0.600
0.750
0.900
0.950
0.975
0.990
0.999
1
2
3
4
5
6
7
8
9
10
0.3249
0.2887
0.2767
0.2707
0.2672
0.2648
0.2632
0.2619
0.2610
0.2602
1.0000
0.8165
0.7649
0.7407
0.7267
0.7176
0.7111
0.7064
0.7027
0.6998
3.0777
1.8856
1.6377
1.5332
1.4759
1.4398
1.4149
1.3968
1.3830
1.3722
6.3138
2.9200
2.3534
2.1318
2.0150
1.9432
1.8946
1.8595
1.8331
1.8125
12.7062
4.3027
3.1824
2.7764
2.5706
2.4469
2.3646
2.3060
2.2622
2.2281
31.8205
6.9646
4.5407
3.7469
3.3649
3.1427
2.9980
2.8965
2.8214
2.7638
31.8205
6.9646
4.5407
3.7469
3.3649
3.1427
2.9980
2.8965
2.8214
2.7638
11
12
13
14
15
16
17
18
19
0.2596
0.2590
0.2586
0.2582
0.2579
0.2576
0.2573
0.2571
0.2569
0.6974
0.6955
0.6938
0.6924
0.6912
0.6901
0.6892
0.6884
0.6876
1.3634
1.3562
1.3502
1.3450
1.3406
1.3368
1.3334
1.3304
1.3277
1.7959
1.7823
1.7709
1.7613
1.7531
1.7459
1.7396
1.7341
1.7291
2.2010
2.1788
2.1604
2.1448
2.1314
2.1199
2.1098
2.1009
2.0930
2.7181
2.6810
2.6503
2.6245
2.6025
2.5835
2.5669
2.5524
2.5395
2.7181
2.6810
2.6503
2.6245
2.6025
2.5835
2.5669
2.5524
2.5395
20
21
22
23
24
25
26
27
28
29
30
0.2567
0.2566
0.2564
0.2563
0.2562
0.2561
0.2560
0.2559
0.2558
0.2557
0.2556
0.6870
0.6864
0.6858
0.6853
0.6848
0.6844
0.6840
0.6837
0.6834
0.6830
0.6828
1.3253
1.3232
1.3212
1.3195
1.3178
1.3163
1.3150
1.3137
1.3125
1.3114
1.3104
1.7247
1.7207
1.7171
1.7139
1.7109
1.7081
1.7056
1.7033
1.7011
1.6991
1.6973
2.0860
2.0796
2.0739
2.0687
2.0639
2.0595
2.0555
2.0518
2.0484
2.0452
2.0423
2.5280
2.5176
2.5083
2.4999
2.4922
2.4851
2.4786
2.4727
2.4671
2.4620
2.4573
2.5280
2.5176
2.5083
2.4999
2.4922
2.4851
2.4786
2.4727
2.4671
2.4620
2.4573
40
45
50
55
60
65
70
75
80
85
90
95
100
0.2550
0.2549
0.2547
0.2546
0.2545
0.2544
0.2543
0.2542
0.2542
0.2541
0.2541
0.2541
0.2540
0.6807
0.6800
0.6794
0.6790
0.6786
0.6783
0.6780
0.6778
0.6776
0.6774
0.6772
0.6771
0.6770
1.3031
1.3006
1.2987
1.2971
1.2958
1.2947
1.2938
1.2929
1.2922
1.2916
1.2910
1.2905
1.2901
1.6839
1.6794
1.6759
1.6730
1.6706
1.6686
1.6669
1.6654
1.6641
1.6630
1.6620
1.6611
1.6602
2.0211
2.0141
2.0086
2.0040
2.0003
1.9971
1.9944
1.9921
1.9901
1.9883
1.9867
1.9853
1.9840
2.4233
2.4121
2.4033
2.3961
2.3901
2.3851
2.3808
2.3771
2.3739
2.3710
2.3685
2.3662
2.3642
2.4233
2.4121
2.4033
2.3961
2.3901
2.3851
2.3808
2.3771
2.3739
2.3710
2.3685
2.3662
2.3642
150
200
500
0.2538
0.2537
0.2535
0.2533
0.6761
0.6757
0.6750
0.6745
1.2872
1.2858
1.2832
1.2816
1.6551
1.6525
1.6479
1.6449
1.9759
1.9719
1.9647
1.9600
2.3515
2.3451
2.3338
2.3263
2.3515
2.3451
2.3338
2.3263
D-1
Anexo D: Quantil da Distribuio F

QUANTIL 95%
1
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
100
2
1
161.448
199.500
215.707
224.583
230.162
233.986
236.768
238.883
240.543
241.882
248.013
250.095
251.143
251.774
252.196
252.497
252.724
252.900
253.041
254.314
2
18.513
19.000
19.164
19.247
19.296
19.330
19.353
19.371
19.385
19.396
19.446
19.462
19.471
19.476
19.479
19.481
19.483
19.485
19.486
19.496
3
10.128
9.552
9.277
9.117
9.013
8.941
8.887
8.845
8.812
8.786
8.660
8.617
8.594
8.581
8.572
8.566
8.561
8.557
8.554
8.526
4
7.709
6.944
6.591
6.388
6.256
6.163
6.094
6.041
5.999
5.964
5.803
5.746
5.717
5.699
5.688
5.679
5.673
5.668
5.664
5.628
5
6.608
5.786
5.409
5.192
5.050
4.950
4.876
4.818
4.772
4.735
4.558
4.496
4.464
4.444
4.431
4.422
4.415
4.409
4.405
4.365
20
4.351
3.493
3.098
2.866
2.711
2.599
2.514
2.447
2.393
2.348
2.124
2.039
1.994
1.966
1.946
1.932
1.922
1.913
1.907
1.843
30
4.171
3.316
2.922
2.690
2.534
2.421
2.334
2.266
2.211
2.165
1.932
1.841
1.792
1.761
1.740
1.724
1.712
1.703
1.695
1.622
40
4.085
3.232
2.839
2.606
2.449
2.336
2.249
2.180
2.124
2.077
1.839
1.744
1.693
1.660
1.637
1.621
1.608
1.597
1.589
1.509
50
4.034
3.183
2.790
2.557
2.400
2.286
2.199
2.130
2.073
2.026
1.784
1.687
1.634
1.599
1.576
1.558
1.544
1.534
1.525
1.438
60
4.001
3.150
2.758
2.525
2.368
2.254
2.167
2.097
2.040
1.993
1.748
1.649
1.594
1.559
1.534
1.516
1.502
1.491
1.481
1.389
1
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
100
6
5.987
5.143
4.757
4.534
4.387
4.284
4.207
4.147
4.099
4.060
3.874
3.808
3.774
3.754
3.740
3.730
3.722
3.716
3.712
3.669
7
5.591
4.737
4.347
4.120
3.972
3.866
3.787
3.726
3.677
3.637
3.445
3.376
3.340
3.319
3.304
3.294
3.286
3.280
3.275
3.230
8
5.318
4.459
4.066
3.838
3.687
3.581
3.500
3.438
3.388
3.347
3.150
3.079
3.043
3.020
3.005
2.994
2.986
2.980
2.975
2.928
9
5.117
4.256
3.863
3.633
3.482
3.374
3.293
3.230
3.179
3.137
2.936
2.864
2.826
2.803
2.787
2.776
2.768
2.761
2.756
2.707
10
4.965
4.103
3.708
3.478
3.326
3.217
3.135
3.072
3.020
2.978
2.774
2.700
2.661
2.637
2.621
2.610
2.601
2.594
2.588
2.538
70
3.978
3.128
2.736
2.503
2.346
2.231
2.143
2.074
2.017
1.969
1.722
1.622
1.566
1.530
1.505
1.486
1.471
1.459
1.450
1.353
80
3.960
3.111
2.719
2.486
2.329
2.214
2.126
2.056
1.999
1.951
1.703
1.602
1.545
1.508
1.482
1.463
1.448
1.436
1.426
1.325
90
3.947
3.098
2.706
2.473
2.316
2.201
2.113
2.043
1.986
1.938
1.688
1.586
1.528
1.491
1.465
1.445
1.429
1.417
1.407
1.302
100
3.936
3.087
2.696
2.463
2.305
2.191
2.103
2.032
1.975
1.927
1.676
1.573
1.515
1.477
1.450
1.430
1.415
1.402
1.392
1.283
3.841
2.996
2.605
2.372
2.214
2.099
2.010
1.938
1.880
1.831
1.571
1.459
1.394
1.350
1.318
1.293
1.274
1.257
1.243
1.003
D-2

QUANTIL 97.5%
1
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
100
2
1
647.789
799.500
864.163
899.583
921.848
937.111
948.217
956.656
963.285
968.627
993.103
1001.414
1005.598
1008.117
1009.800
1011.004
1011.908
1012.612
1013.175
1018.258
2
38.506
39.000
39.165
39.248
39.298
39.331
39.355
39.373
39.387
39.398
39.448
39.465
39.473
39.478
39.481
39.484
39.485
39.487
39.488
39.498
3
17.443
16.044
15.439
15.101
14.885
14.735
14.624
14.540
14.473
14.419
14.167
14.081
14.037
14.010
13.992
13.979
13.970
13.962
13.956
13.902
4
12.218
10.649
9.979
9.605
9.364
9.197
9.074
8.980
8.905
8.844
8.560
8.461
8.411
8.381
8.360
8.346
8.335
8.326
8.319
8.257
1
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
100
5
10.007
8.434
7.764
7.388
7.146
6.978
6.853
6.757
6.681
6.619
6.329
6.227
6.175
6.144
6.123
6.107
6.096
6.087
6.080
6.015
6
8.813
7.260
6.599
6.227
5.988
5.820
5.695
5.600
5.523
5.461
5.168
5.065
5.012
4.980
4.959
4.943
4.932
4.923
4.915
4.849
7
8.073
6.542
5.890
5.523
5.285
5.119
4.995
4.899
4.823
4.761
4.467
4.362
4.309
4.276
4.254
4.239
4.227
4.218
4.210
4.142
8
7.571
6.059
5.416
5.053
4.817
4.652
4.529
4.433
4.357
4.295
3.999
3.894
3.840
3.807
3.784
3.768
3.756
3.747
3.739
3.670
9
7.209
5.715
5.078
4.718
4.484
4.320
4.197
4.102
4.026
3.964
3.667
3.560
3.505
3.472
3.449
3.433
3.421
3.411
3.403
3.333
10
6.937
5.456
4.826
4.468
4.236
4.072
3.950
3.855
3.779
3.717
3.419
3.311
3.255
3.221
3.198
3.182
3.169
3.160
3.152
3.080
70
5.247
3.890
3.309
2.975
2.754
2.595
2.474
2.379
2.302
2.237
1.910
1.779
1.707
1.660
1.628
1.604
1.585
1.570
1.558
1.436
80
5.218
3.864
3.284
2.950
2.730
2.571
2.450
2.355
2.277
2.213
1.884
1.752
1.679
1.632
1.599
1.574
1.555
1.540
1.527
1.400
90
5.196
3.844
3.265
2.932
2.711
2.552
2.432
2.336
2.259
2.194
1.864
1.731
1.657
1.610
1.576
1.551
1.531
1.516
1.503
1.371
100
5.179
3.828
3.250
2.917
2.696
2.537
2.417
2.321
2.244
2.179
1.849
1.715
1.640
1.592
1.558
1.532
1.512
1.496
1.483
1.347
5.024
3.689
3.116
2.786
2.567
2.408
2.288
2.192
2.114
2.048
1.708
1.566
1.484
1.428
1.388
1.357
1.333
1.313
1.296
1.004
2
20
5.871
4.461
3.859
3.515
3.289
3.128
3.007
2.913
2.837
2.774
2.464
2.349
2.287
2.249
2.223
2.205
2.190
2.179
2.170
2.085
30
5.568
4.182
3.589
3.250
3.026
2.867
2.746
2.651
2.575
2.511
2.195
2.074
2.009
1.968
1.940
1.920
1.904
1.892
1.882
1.787
40
5.424
4.051
3.463
3.126
2.904
2.744
2.624
2.529
2.452
2.388
2.068
1.943
1.875
1.832
1.803
1.781
1.764
1.751
1.741
1.637
50
5.340
3.975
3.390
3.054
2.833
2.674
2.553
2.458
2.381
2.317
1.993
1.866
1.796
1.752
1.721
1.698
1.681
1.667
1.656
1.545
60
5.286
3.925
3.343
3.008
2.786
2.627
2.507
2.412
2.334
2.270
1.944
1.815
1.744
1.699
1.667
1.643
1.625
1.611
1.599
1.482
Bibliografia
(Em Reserva na Biblioteca Helldio do Amaral Mello)
[AZEVEDO & CAMPOS, 1987]

Azevedo, A.G. de; Campos, P.H.B. de 1987 Estatstica Bsica. Rio de Janeiro: Livros Tcnicos e Cientficos
Editora Ltda.
[BEIGUELMAN, 1994]
Beiguelman, B. 1994 Curso Prtico de Bioestatstica. (3a. edio). Ribeiro Preto: Sociedade Brasileira de
Gentica.
[IEMMA, 1992]
Iemma, A.F. 1977 Estatstica Descritiva. Piracicaba: Publicaes.

[MENDENHALL, 1985]
Mendenhall, W. 1984 Probabilidade e Estatstica (vol. 2). Rio de Janeiro: Editora Campus.
[OLIVEIRA ,1977]
Oliveira Costa, Neto, P.L. de 1977 Estatstica. So Paulo: Edgard Blcher.
[ROCHA, 1975]
Rocha, M.V. da 1975 Curso de Estatstica. Rio de Janeiro: Fundao Instituto Brasileiro de Geografia e
Estatstica..
[WALLIS & ROBERTS, 1964]
Wallis, W.A.; Roberts, H.V. 1964 Curso de Estatstica. Rio de Janeiro: Editora Fundo Cultural.

A-1
Respostas de Exerccios Selecionados
2.1 (a) nominal; (b) de razo; (c) nominal; (d) de razo; (e) nominal; (f) nominal; (g) de razo; (h) nominal; (i)
ordinal; (j) de razo; (k) ordinal; (l) ordinal; (m) nominal.
2.2 H [0,100]; V [ 0,1000] ; X {0,1,2,..., } ; I {0,2 }; Y {0,1,2 ,..., }; S [0,1] ; A [ 0,1] ;
E [0,1] ; C [ 0,30] ; D1 [0,360] ; D2 [ 0,100] ; F [ 0,360]
7.3 (a) S={ (A,A); (A,V); (A,R); (V,A); (V,V); (V,R); (R,A); (R,V); (R,R) }
(b) S={ (A,A); (A,V); (A,R); (V,V); (V,R); (R,R) } (c) S={ (A,V); (A,R); (V,A); (V,R); (R,A); (R,V) }
(d) S={ (A,V); (A,R); (V,R) }
7.4 (a) S={III; IIF; IFI; FII; IFF; FIF; FFI; FFF} (b) A={IIF; IFI; FII; IFF; FIF; FFI; FFF} (c) B={IFF; FIF;
FFI}
7.6 (a) (5/6) 2 = 25/36 (b) 10/36 (c) 1/36 (d) 11/36 (e) 1 - P(A) = P(D) = 11/36
7.7 (a) disjuntos (b) disjuntos (c) C subconjunto de F, ou F implica C (d) disjuntos (e) idnticos (f) disjuntos
7.8 (a) 410/830 (b) 534/830 (c) 189/830 (d) 225/830 (e) 637/830 (f) 379/830 (g) 193/830
7.9 (a) Lote 1 0.16; Lote 2 0.6; Lote 3 0.22 (desigualdade de Boole) (b) Lote 2, menor soma das
probabilidades (desigualdade de Boole)
7.10 (a) 27/59 (b) 42/59 (c) 22/27 (d) 5/27 (e) 22/42=11/21 (f) 20/42=10/21
7.11 (a) 0.6550 (b) 0.7143 (c) 1
7.12 (a) 0.0240 (2.4%) (b) 0.2083 (c) 0.7917 (d) 0.0461 (e) 0.9539
7.13 (a) 0.52 (b) 0.03 (c) 0.27 (d) 0.49 7.14 0.66 7.15 1 - (5/6) 20 7.16 1 - (0.975) 30
365 364 363 362
7.17 1
L
365 365 365 365
7.20 (a) (0.95) 10 (b) 1 - (0.99) 10
( 365 23)
P 23
= 1 36523 = 0.5073
365
365
(c) (0.05) 10
7.18 9450 7.19 (0.99) 15

Lme216bioes. Florestal

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Lme216bioes. Florestal

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade de So Paulo

Escola Superior de Agricultura Luiz de Queiroz

NOTAS PARA ACOMPANHAR

Prof. Dr. Joo L.F. Batista

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

4. Resumindo a Informao: Grficos

5. Resumindo a Informao: Estatsticas.

6. Gerando Informao: Amostragem.

7. Informao e Incerteza: Probabilidade.

8. A Incerteza Domada: Variveis Aleatrias Discretas.

9. A Incerteza Domada II: Variveis Aleatrias Contnuas.

10. Contornando as Limitaes dos Dados: Distribuies Amostrais

11. O Modelo Fundamental: Distribuio Normal

12. Contornando as Limitaes dos Dados II: Mais Distribuies Amostrais

13. Tomando Decises: Julgando Hipteses

14. Inferncia sobre os Parmetros de uma Populao: Intervalo de Confiana

15. Comparando duas Populaes: Teste F

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

16. Comparando duas Populaes II: Teste t

17. Modelo vs. Realidade: Teste de Qui-Quadrado

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

1. Por que Bioestatstica Florestal ?

Voc faz a duplicao da fbrica ? Por que ?

Qual o tamanho da populao de Furnarios rufus nessa localidade ?

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

A rea de 7.500 ha deve ou no deve ser incorporada reserva ?

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

2. Tipos de Informaes: Variveis

Conjunto de ATRIBUTOS sem qualquer

Conjunto de ATRIBUTOS que se

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

Os ATRIBUTOS so quantitativos (nmeros)

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

De representao matemtica direta:

A = ngulo de disperso das sementes de ip-roxo a partir de uma rvore matrix:

Os atributos so representados por escalas numricas

* Z a proporo de rvores com cancro numa amostra com 10 rvores:

* Y o nmero plntulas numa rea de 2m2 do solo de uma floresta nativa:

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

VARIVEL CONTNUA : escala representada por uma quantidade incontvel de nmeros

*S a porcentagem saturao de bases num solo florestal:

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

* Localizao de uma rvore numa parcela de floresta de 500 x 1000 m: S = ( X , Y ) ,

rvore classificada como Morta ou Viva: ____________________

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

Risco de incndio no dia de hoje numa floresta plantada: ____________________

2.2 Represente as escalas apropriadas para as seguintes variveis quantitativas:

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

3. Resumindo a Informao: Tabelas

Exemplo 3.A: Dimetros das rvores de uma Floresta

33.0 47.6 45.7 11.0 19.8

Estes mesmos dados resumidos numa

O que se pode dizer sobre a

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

ESPCIES ARBREAS DE UMA

DEFINIO DAS CLASSES

1. Nmero de Classes: nCLASSES

3. Amplitude das Classes: a = A / nCLASSES . Arredonde esta

LME 216 - INTRODUO BIOESTATSTICA FLORESTAL

Exemplo 3.B: Produo de Resna em Pinus elliottii

nCLASSES = 1 + 3.33 log10 (40) = 1 + 3.33(1.60206) = 6.33486 7

A = 5.41 - 0.71 = 4.70