Inferências em Ecologia

INFERNCIA EM ECOLOGIA
INFERNCIA EM ECOLOGIA: COMENTRIOS E UM EXEMPLO

HUMBER AGRELLI ANDRADE & PAUL GERHARD KINAS
Univ. Fed. Santa Catarina (UFSC); Depto. Informtica e Estatstica (INE); Depto. Matemtica; Caixa Postal 476; CEP 88010970;
Florianpolis-SC; humber@inf.ufsc.br
2
Univ. Fed. do Rio Grande (FURG); Caixa Postal 474; CEP 96201900; Rio Grande RS; dmtkinas@furg.br
RESUMO
A estimativa de intervalos de confiana e a realizao de testes de hipteses so componentes da inferncia estatstica
fundamentais em estudos na rea de ecologia quantitativa. Os procedimentos de inferncia so freqentemente utilizados por
pesquisadores nas avaliaes de questes e afirmaes de cunho cientfico. Pelo menos trs procedimentos podem ser
utilizados para a realizao de inferncias. Neste trabalho avaliamos estes procedimentos com a anlise de um exemplo de
ecologia. Conclumos que a abordagem bayesiana vantajosa, pois propicia que o pesquisador obtenha respostas diretas para
as questes relevantes de um estudo de ecologia.
PALAVRAS-CHAVE: intervalo de confiana, teste de hiptese, anlise Bayesiana
ABSTRACT
Inference in ecology: comments and an example
Statistical confidence intervals and hypotheses tests are important components of ecological studies. Inference tools are often
used by researchers when they assess scientific questions and statements. At least three procedures could be used in
inference. In this paper we evaluated those procedures when analyzing an example of ecology. We show that the Bayesian
approach is in advantage because it allows the researchers to easily answer the relevant questions in ecological studies.
KEYWORDS: confidence interval, hypothesis test, Bayesian analysis
INFERNCIA
na maioria dos estudos ecolgicos no temos de fato
Em diversas situaes no decorrer do estudo
acesso a populao toda e temos ento que lidar com

o desafio de fazer generalizaes a partir de uma
de um problema ecolgico tem-se interesse em tirar
amostra. No exemplo acima, isto equivale a responder
concluses sobre um todo (populao) a partir do

estudo de uma parte (amostra) ou, fazer previses
a mesma pergunta sem, no entanto, conhecer a

proporo de mutaes na populao. Isto implica
para o futuro com base na experincia acumulada no

passado.
Por
exemplo,
poderamos
estar
que na prtica cientfica temos que utilizar a lgica

indutiva (raciocinar da parte para o todo) ao invs da
interessados em avaliar o peso mdio de todos os

organismos de uma dada espcie, a partir de
lgica dedutiva (raciocinar do todo para a parte).

Quando utilizamos algumas tcnicas
informaes sobre os pesos de alguns destes
procedimentos para se fazer uma induo, dizemos
organismos, ou prever a resposta dessa espcie a

determinado impacto ambiental. Esse processo de
que estamos fazendo uma inferncia estatstica. O

papel da inferncia estatstica na cincia atualmente
estudar um caso especfico e a subseqente tentativa

de se tirar concluses sobre o caso mais genrico
crucial (Salsburg, 2002). Na poca contempornea

praticamente nenhuma descoberta, hiptese ou
denominado induo. O processo inverso, em que

se parte de um conhecimento genrico para tirar uma
pretenso avano considerado cientificamente vlido

se no estiver referendado por inferncias
concluso sobre uma especificidade, denominado
estatsticas, que podem ser realizadas a partir de
deduo. O principal campo de aplicao do

procedimento dedutivo o da matemtica pura, que
diferentes abordagens. Este trabalho apresenta uma

comparao entre essas abordagens, ilustrando-as
se ocupa com a elaborao de conseqncias a partir

de regras pr-estabelecidas. Por exemplo, se ns
com um exemplo prtico.
sabemos que 30% dos inivduos de uma dada

espcie apresentam determinada mutao gentica,
A ABORDAGEM ORTODOXA
o processo dedutivo, com o uso de uma distribuio
A inferncia estatstica amplamente utilizada
de probabilidade binomial, nos permite dizer que em

uma amostra de 10 indivduos a probabilidade de que
pelos pesquisadores da rea de ecologia, por vezes

denominada de freqentista, clssica, tradicional,
5 ou mais apresentem a mutao 4,7%. No entanto,
ou ortodoxa (Jaynes, 2003). Esta a abordagem
Atlntica, Rio Grande, 30(2) 147-160, 2008.
147
dominante nos livros textos utilizados na grande
designaes
maioria dos cursos de graduao, incluindo aqueles

vinculados s cincias naturais como biologia e
probabilidade, quando entendida como um atributo,

poderia ser verificada a partir da replicao do
ecologia.
fenmeno.
Enquadra-se
no
contexto
ortodoxo
da
Aqui
abordagem
podemos
ortodoxa.
substituir
palavra
construo de intervalos de confiana e a realizao

de testes de hipteses. A construo destes dois
fenmeno por experimento para simplificao, sem o

nus de se perder o sentido. Por exemplo, se o
elementos fundamental na cincia contempornea e

est baseada na teoria de probabilidades.
experimento o lanamento do dado, ento na

abordagem
ortodoxa
assume-se
que
esse
A adoo do arcabouo ortodoxo no pode ser

feita de maneira universal no estudo de problemas
experimento pode ser repetido com perfeio

inmeras vezes. A freqncia relativa com que
ecolgicos. H muitas vezes violaes de suposies
aparece a face com o nmero quatro voltada para
importantes. Adaptaes de conceitos acabam sendo

feitas para adequao dos mtodos ortodoxos na
cima deveria ento confirmar a probabilidade

intrnseca de 1/6, como um atributo do dado. No
soluo
de
questionamentos
prticos.
H
freqentemente uma interpretao equivocada dos
entanto, esse processo de contagem da freqncia

de ocorrncias em experimentos idnticos no
resultados por parte dos pesquisadores das reas de

cincias naturais, atribuindo aos resultados ortodoxos
aplicvel em problemas ecolgicos para os quais a

possibilidade de replicao est ausente.
o significado que eles gostariam que tivessem, e no o
impossvel replicar 1000 vezes e em condies
significado que efetivamente tm, e que muitas vezes

podem ser de pouca utilidade para o pesquisador.
idnticas a ocorrncia da espcie de alga no costo

rochoso para obter a freqncia relativa em que ela
Quatro pontos fundamentais resultam em uma

frustrada e desgastada relao de pesquisadores das
foi a espcie dominante.
cincias naturais com a abordagem ortodoxa de

anlise estatstica:
Probabilidade Na abordagem ortodoxa a
Intervalos de confiana Os intervalos de

confiana calculados com a abordagem ortodoxa
esto entre os recursos de anlise estatstica mais
probabilidade um atributo de um fenmeno. Por
comuns em artigos cientficos. Infelizmente so

tambm interpretados de maneira equivocada na
exemplo, tome-se um dado honesto de seis faces.

Antes mesmo de fazermos um lanamento j
maioria esmagadora dos estudos relacionados s

cincias naturais. Vejamos isto atravs de um
conhecemos a probabilidade de que a face com o
exemplo. Suponha que um pesquisador estimou que
nmero quatro caia voltada para cima. Essa

probabilidade 1/6, e na abordagem ortodoxa ela
o intervalo de 95% de confiana para a proporo de

fmeas em uma populao animal seja marcado
intrnseca ao dado. Porm h fenmenos na natureza

que no tm uma probabilidade intrnseca intuitiva
pelos limites de 0,3 e 0,4.

Poderamos agora listar muitas interpretaes
desse tipo. Por exemplo, qual a probabilidade de

que determinada espcie de alga marinha
equivocadas usualmente encontradas de maneira

explcita ou implcita em artigos cientficos. No
encrustrante domine a superfcie de um costo
entanto, vejamos somente quatro delas a ttulo de
rochoso? A probabilidade intrseca ao fenmeno?

Ela est naturalmente implcita no conjunto espcie
exemplo. O intervalo de confiana ( IC ) disposto
de alga e costo rochoso? Certamente no.

Portanto, no contexto ortodoxo no faria sentido falarse em probabilidades neste caso. Apesar disso,
percebemos que a pergunta legtima e muito natural
na viso de um eclogo.
Replicabilidade do experimento Essa questo
est no mago da palavra freqentista, outra das
148
acima no est dizendo que a proporo de fmeas

da populao varivel e tem 95% de probabilidade
de cair entre 0,3 e 0,4. Este IC tambm no
significa que o valor mais provvel para a proporo
de fmeas da populao de 0,35, o valor
intermedirio entre os limites inferior e superior do
intervalo. Este IC tambm no quer dizer que se
fssemos retirar outra amostra da populao, a
proporo de fmeas teria 95% de probabilidade de
estar entre 0,3 e 0,4. Por fim, este IC tambm no
hipteses. Esse um exemplo das constataes por
quer dizer que a proporo populacional de fmeas
vezes frustrantes acerca dos testes de hipteses

ortodoxos. Em muitos estudos sobre ecologia, o
da populao fixo, mas que 95% de todas as

possibilidades esto concentradas entre 0,3 e 0,4.
O intervalo de confiana significa que se
fssemos capazes de repetir o mesmo experimento
(a retirada de uma amostra aleatria de mesmo
tamanho da mesma populao) um grande nmero
de vezes, obteramos um grande nmero de
diferentes intervalos de confiana, e que 95% deles
conteriam o valor real da proporo de fmeas da
populao. Usualmente segue-se ento com a
interpretao de que o nico intervalo de confiana
efetivamente calculado tem uma probabilidade de
95% de ser um dos que contm o verdadeiro valor da
proporo populacional de fmeas. Note que toda a
afirmao probabilstica feita sobre o intervalo de
confiana, e pouco se pode dizer sobre a proporo
de fmeas da populao, que o que realmente nos
interessa.
pesquisador ao fazer um teste de hipteses, percebe

que o teste incapaz de fornecer a resposta que
procurava.
A ABORDAGEM BAYESIANA
A designao dada a este procedimento
motivada
pelo
trabalho
de
Bayes
(1763).
Na
abordagem bayesiana a probabilidade de qualquer

evento, fenmeno, proposio ou hipteses definida
como a quantificao do grau de plausibilidade.
Assim tornam-se perfeitamente legtimas perguntas
tais como qual a probabilidade de que a espcie de
alga marinha A seja dominante em um determinado
costo
rochoso?,
que
so
inconcebveis
na
abordagem ortodoxa. A probabilidade na abordagem

bayesiana , portanto, a probabilidade que
Teste de hiptese Usualmente em ecologia
pesquisadores de reas de cincias naturais

procuram, sem deixar de incluir os casos abordados
estamos interessados em confrontar uma ou mais
de maneira frequentista como casos particulares. A
proposies que configuram as nossas hipteses. A
conceituao Bayesiana bem mais ampla de

probabilidades se encaixa mais naturalmente aos
inteno , por exemplo, avaliar os dados e concluir

que a hiptese A mais plausvel do que B, que por
sua vez mais plausvel do que C. Tambm
desejvel quantificar, dado toda a informao
disponvel, qual a plausibilidade das diferentes
hipteses. Esse tipo de resultado no pode ser
construdo com o uso de testes de hipteses
ortodoxos. Nestes testes se parte do princpio de que
h uma hiptese de referncia supostamente correta
(a hiptese nula
H 0 ), representada por uma
estudos ecolgicos, onde a replicabilidade

experimentos raramente factvel.
de
Na inferncia bayesiana, construda uma

distribuio de probabilidade para representar as
plausibilidades relativas dos diversos valores do
parmetro de interesse, como por exemplo, a
proporo de fmeas na populao. Assim o clculo
de intervalos de confiana pode ser feito a partir da
explorao das caractersticas desta distribuio. Se
igualdade. Segue-se com o clculo da probabilidade
o intervalo de confiana bayesiano (95%) para a

proporo limitado por 0,3 e 0,4, isto quer dizer
de se retirar de uma populao cuja verdade
H0 ,
exatamente que a probabilidade de a proporo de
uma amostra com caractersticas mais extremas que
fmeas ser um valor entre 0,3 e 0,4 95%.

Testes de hipteses na abordagem bayesiana
a amostra observada. Rejeita-se
H 0 e considera-se
que h evidncias
de uma hiptese
favor
alternativa, somente se essa probabilidade

excepcionalmente baixa (usualmente inferior a 5%).
No entanto, no se pode dizer que
H 0 mais
plausvel que a hiptese alternativa, mesmo quando
H 0 no rejeitada! Pois, note que a probabilidade

faz afirmaes sobre os dados e no sobre as
podem ser realizados de forma a fornecer respostas

diretas aos questionamentos dos cientistas.
Simplesmente, luz de todas as informaes
disponveis,
calculam-se
as
probabilidades
(plausibilidades) de proposies alternativas. Por
exemplo, poderamos simplesmente calcular a
probabilidade de que o peso mdio de um organismo
seja maior que 5 kg, e compar-la diretamente com a
149
probabilidade de que o peso seja inferior a 3 kg, para
distribuio posterior integre a 1, mas no essencial
identificar qual das duas hipteses (proposies)

mais plausvel. Este tipo de teste de hipteses est
para o delineamento da sua caracterstica mais

importante que a forma . Assim freqentemente a
em consonncia com as necessidades em estudos de
avaliao da proporcionalidade:
ecologia
e
responde
diretamente
questionamentos dos cientistas.
aos
Apesar de parecer ser a alternativa mais

adequada em estudos de ecologia, a abordagem
bayesiana continua sendo menos utilizada que a
ortodoxa. Como citado anteriormente, um dos
provveis motivos histrico, uma vez que ela no
p ( | dados ) p ( ) p (dados | )
(2)
suficiente para obter a soluo desejada.

Segue uma descrio dos trs componentes
fundamentais desta soluo.
Verossimilhana
p (dados | )
Neste componente esto todas as informaes
usualmente ensinada em cursos de graduao. No

entanto, isto ocorre no por que ela seja uma
relevantes
novidade, pois os alicerces da abordagem

bayesiana so to antigos quanto os da abordagem
observacionais
( dados ). A obteno da verossimilhana comea
ortodoxa. Os estatsticos ortodoxos no aceitam a

definio de probabilidade como uma medida de
com a proposio de um modelo para o clculo da
plausibilidade, por temerem que isto tornaria subjetiva
por um
a investigao cientfica. No entanto, h contraargumentaes contundentes a esta crtica, que
probabilidade ento interpretado s avessas como
garantem respeitabilidade cientfica abordagem

bayesiana. Em contrapartida, as caractersticas
de
atrativas que ela disponibiliza ao cientista tm sido o

motivo da sua rpida expanso nas mais diferentes
reas de cincias (Kinas & Andrade, 2007). No
prximo item, medida que descrevemos os
componentes da formulao de Bayes, incluindo a
distribuio a priori, voltaremos a apontar essas
crticas e seus contra-argumentos com maiores
detalhamentos.
sobre
e/ou
contidas
A abordagem bayesiana deve seu nome

importncia do Teorema de Bayes. A aplicao deste
teorema inclui o produto de uma funo de
verossimilhana
a priori
p (dados | ) , com uma distribuio
p ( ) para se obter uma distribuio posterior
para o objeto de interesse ( ), que pode ser um

escalar, um vetor, ou mesmo elementos de maior
dimenso. Na formulao de Bayes,
(1)
p ( ) p(dados | )
p( | dados ) =
p( ) p(dados | ) d
a integral do denominador uma constante de

normatizao. Este termo, por vezes difcil de ser
avaliado analtica ou numericamente, garante que a
150
estudos
do
trabalho
experimentais
probabilidade de que os dados tenham sido gerados
em particular. Este valor da densidade de
uma medida do quo verossmel o valor particular
, luz dos dados efetivamente disponveis.
Por
exemplo, suponhamos que coletamos uma amostra

de quarenta organismos cuja mdia de peso
x = 5,5 kg. Poderamos estabelecer que o modelo de

probabilidade
para
distribuio
amostrais normal com mdia

O vetor
cada
= { , 2 }
das
mdias
e varincia
2 /n.
o elemento de interesse. Para
em
particular,
1 = { = 6, 2 = 2} ,
ELEMENTOS DA ABORDAGEM BAYESIANA
nos
podemos
por
exemplo
calcular
uma
densidade de probabilidade, que neste caso
p(dados | 1 ) 0,146 , que , de certa forma, uma

medida do grau de plausibilidade (verossimilhana)
de
1 = { = 6, 2 = 2}
frente aos dados
n = 40 e
x = 5,5 kg. Para 2 = { = 5, 2 = 3} temos que
p(dados | 2 ) 0,275 , e portanto, diramos que 2

mais verossmel que
1 .
Encontrar o valor
que
produz a mxima verossimilhana um critrio para

obter um estimador para
facilmente
feitos
com
. Tais clculos podem ser

o
uso
de
programas
computacionais estatsticos (e.g. R, S-Plus, SAS,

SPSS, Statistica) ou mesmo de algumas planilhas
eletrnicas. Neste trabalho, todos os clculos e
grficos foram produzidos com o programa R (R
Development Core Team, 2007), que de livre
partidrios de que no se deve temer o uso de
distribuio.
importante mencionar que o clculo da
opinies de especialistas enquanto no se dispe de

informaes mais especficas, e que talvez a esteja a
verossimilhana, tambm um elemento chave na
fora da anlise bayesiana, que permite integrar
estatstica ortodoxa. Portanto no h neste ponto uma

divergncia entre as duas abordagens. Note tambm
formalmente na mesma estrutura de anlise todo o

conhecimento existente sobre o problema (Berger,
que foi preciso escolher um modelo de probabilidade

para descrever os dados, um modelo normal naquele
1985). Caso contrrio parte da informao estaria

sendo deliberadamente ignorada, o que no
exemplo, o que no deixa de ser uma atitude

parcialmente subjetiva no seio da abordagem
adequado
no
raciocnio
lgico
cientfico
principalmente nas situaes em que as anlises
ortodoxa.
requerem uma tomada de deciso imediata. Portanto,
Distribuio a priori
nestes casos a incorporao na anlise de todo o

conhecimento disponvel desejvel.
iii - Diferentes distribuies a priori podem ser
p ( )
Na abordagem bayesiana uma distribuio de

probabilidade para
deve ser especificada a priori,
levando-se em conta toda a informao que no est

contida nos
dados obtidos na amostragem realizada
no estudo, mas que tem relevncia para o fenmeno

em estudo. Estas informaes podem provir de
trabalhos observacionais e experimentais pretritos,
mas informaes cientficas que no tem carter
estatstico podem tambm ser utilizadas. O ponto
que todas as informaes relevantes sobre a questo
devem ser formalmente incorporadas. S assim
poder ser realizada uma anlise coerente. A
desconsiderao consciente de informaes teis,
esta sim fere o princpio na iseno e objetividade
cientfica.
As distribuies a priori esto no centro da
polmica entre bayesianos e ortodoxos. Ortodoxos
alegam que, ao analisar os fragmentos de
informaes disponveis para a construo da priori, a
interpretao que um pesquisador d a estas
informaes pode ter carter subjetivo, o que seria
condenvel em uma anlise cientfica. No entanto, h
uma srie de contra-argumentaes reticncia
ortodoxa ao uso da distribuio a priori:
i - Se todas as informaes disponveis so
analisadas por diferentes pesquisadores, e todos eles
especificadas, de tal forma que sempre se pode fazer

uma anlise do seu impacto sobre as concluses. Em
particular pode-se especificar uma a priori difusa, que
carrega pouca ou nenhuma informao sobre
de
tal forma que se deixa o dado falar por si mesmo a

partir da funo de verossimilhana. Assim, a
distribuio a priori viria a ser s um elemento
estrutural e no teria uma influncia importante nos
resultados finais.
iv - A escolha do modelo para a estruturao
da verossimilhana tambm subjetiva. A
verossimilhana faz parte de ambas as abordagens,
bayesiana e ortodoxa. Portanto no legtimo alegar
que uma se distingue da outra quanto subjetividade
envolvida.
Distribuio posterior
p ( | dados )
Esta distribuio representa o compromisso

entre a distribuio a priori (toda a informao que
havia
antes
do
estudo)
verossimilhana
(informao nova obtida com o estudo). Se os dados

obtidos com o estudo so muito informativos acerca
de
a posterior ser dominada pela funo de
verossimilhana. Caso contrrio a distribuio a priori

pode influenciar substancialmente a posterior. Na
fazem uso da mesma base de raciocnio lgico, as

distribuies a priori especificadas resultam similares
(Jaynes, 2003). Portanto boas distribuies a priori
verdade todo este processo dinmico em que se
provm de anlises essencialmente objetivas e no

subjetivas como alegam os ortodoxos.
ii No h substituto para um bom banco de
formalizao quantitativa do raciocnio indutivo que

todo cientista j faz intuitivamente e em termos
procura um balano entre os dados coletados e as

demais informaes disponveis, propicia uma
dados; nisso a abordagem ortodoxa e bayesiana
qualitativos.
Na construo da distribuio posterior a
concordam.
integrao do denominador da equao 1 pode impor
Porm,
alguns
pesquisadores
so
151
vezes,
a) Abordagem ortodoxa usualmente ensinada
principalmente em problemas que envolvem a

inferncia de muitos parmetros, no possvel uma
nos cursos de graduao;

b) Abordagem ortodoxa baseada na anlise da
soluo analtica e abordagens numricas, tais como
verossimilhana;
simulaes de Monte Carlo, so necessrias para a

explorao da distribuio posterior. Em muitas
c) Abordagem bayesiana em que se faz uso da

verossimilhana e de uma distribuio a priori.
situaes de relevncia prtica, o uso dessas

tcnicas no excede em dificuldade ao uso do
mtodo de bootstrap, por exemplo, que j bastante
A ESTIMATIVA DE PROPORES: ESTUDO DA
algumas
dificuldades
tcnicas.
Muitas
popular na abordagem ortodoxa. No entanto, em
COBERTURA DE ALGAS MARINHAS EM UM

COSTO ROCHOSO
alguns casos a soluo bayesiana facilitada pelo

uso de famlias conjugadas de modelos para a
distribuio a priori e a verossimilhana, o que implica
Apresentao
experimentais
que a posterior assume uma forma conhecida, similar

da distribuio a priori e que os clculos envolvidos
Suponha que foi realizada uma pesquisa para o

estudo da cobertura de algas marinhas em um costo
se reduzem a simples atualizao dos parmetros

dessa distribuio a partir de frmulas matemticas
rochoso. A amostragem foi feita com armaes

2
quadradas com rea interna de 400 cm (20 cm x 20
explcitas.
do
problema
dos
dados
H uma srie de possibilidades de
cm de lado) em que se verifica qual a alga
conjugao, e a opo por uma ou outra alternativa

depende do reconhecimento da soluo que mais
dominante, no sentido de que entre todas as espcies

ela a que recobre a maior rea dentro do quadrado.
adequada para o problema em anlise. A

identificao da soluo adequada exige que o
Para cada quadrado, uma espcie de alga a

dominante. Trinta destes quadrados amostrais
pesquisador tenha conhecimento dos fundamentos
foram distribudos aleatoriamente em um costo
bsicos de probabilidade e alguma familiaridade com

as propriedades e estruturas de diferentes modelos
rochoso verificando em cada um deles se h o

domnio de uma particular espcie de alga verde.
de probabilidade. Aqui digno de nota que a opo

em alguns cursos de graduao pela reduo ou
Suponha que estamos particularmente interessados

em fazer inferncias sobre a proporo de quadrados
mesmo supresso do estudo de probabilidade bsica,

leva a formao de profissionais que tero
que cobrem a totalidade do costo rochoso em que

h domnio desta espcie de alga verde. Vamos
dificuldades para desenvolver anlises estatsticas
denominar de
com enfoque nos modelos probabilsticos coerentes.

Como neste artigo tem-se como um dos
objetivos a exemplificao de maneira simples do
funcionamento da abordagem bayesiana para
a proporo de quadrados de 400
cm do costo em que predomina a alga de interesse.

No problema de inferncia proposto temos
duas metas:
a) estimar a proporo da superfcie do costo
problemas ecolgicos, analisaremos um caso em que

se faz uso de famlias conjugadas. Mostraremos a
dominada pela alga ( ); e
partir do exemplo as etapas para a construo e

explorao da distribuio posterior, incluindo pontos
de interesse maior que 50% ( > 0,5 ), ou seja,
serem
observados
que
podem
facilitar
identificao
dos
modelos
de
probabilidade
adequados. Recomenda-se o livro de Gelman et al.
(1995) para estudos e entendimento mais
aprofundado dos elementos envolvidos na inferncia
bayesiana.
Para facilitar comparaes, um mesmo
problema ecolgico ser abordado de trs maneiras
diferentes:
152
b) avaliar se a proporo dominada pela alga

avaliar se a alga dominante na maioria da superfcie
do costo.
Dois comentrios so importantes aqui. O
primeiro que tais problemas surgem naturalmente
em estudos ecolgicos, e que o exemplo no um
caso pouco realista. A ttulo de exemplificao
podemos supor por exemplo que este costo rochoso
o nico da rea de estudo voltado para o norte, ou
um no qual no h muitas horas de insolao, e
estaramos
tentando
avaliar
se
nesta
situao
especfica ocorre uma dominncia clara da alga de
escolha do nvel de confiana (usualmente 95%) da
interesse. O segundo comentrio sobre o

procedimento utilizado no exemplo para se identificar
estimativa intervalar denominada intervalo de

confiana.
Os
quadrados
amostrados
so
dominncia com os quadrados amostrais. Ela s
classificados em duas categorias (dominado pela
ilustrativa! Outras alternativas, talvez mais coerentes

sob o prisma de um eclogo, poderiam ser
alga e no dominado pela alga). Como a amostra

de quadrados tomada sem reposio, o nmero de
levantadas. O importante ter em mente que

qualquer que fosse a abordagem, ela poderia ser
quadrados amostrados com dominncia da alga

segue uma distribuio hipergeomtrica, a qual pode
colocada no contexto de um problema de inferncia

estatstica.
justificadamente ser aproximada por uma binomial

quando o nmero de quadrados amostrais ( n )
Voltando ao caso proposto para exemplificao
muito menor que o nmero de quadrados da
poderamos ter como resultado do programa amostral
populao ( N ), que no nosso caso corresponde ao
o nmero de quadrados amostrados ( n = 30 ) e de
costo inteiro. Nos casos em que
quadrados amostrados em que h dominncia da
se espera que o nmero de observaes em ambas
alga verde ( x = 18 ).
n 30 e em que
as categorias (quadrados dominados e quadrados

no dominados pela alga no nosso caso) seja maior
Abordagem ortodoxa usualmente ensinada em cursos

de graduao
Nos cursos de graduao e mesmo psgraduao relacionados s cincias naturais, esta a
que 5, justifica-se por sua vez a aproximao da

binomial
pela
distribuio
normal,
que
tradicionalmente a mais estudada em cursos de

estatstica. Assim nas abordagens ortodoxas o
abordagem mais utilizada. A propagao destes

ensinamentos resulta que a esmagadora maioria de
clculo do intervalo de confiana para uma proporo
artigos da rea de cincias naturais realiza

inferncias utilizando as solues descritas mais
tem uma distribuio normal padronizada. Temos
abaixo. Como esta abordagem bem conhecida, no

so feitos comentrios mais detalhados. Livros textos
de estatstica bsica (e.g. Bussab & Morettin, 2004;
Triola, 2005) podem ser consultados pelos
interessados. De maneira resumida pode-se dizer que
na abordagem ortodoxa a inferncia realizada
baseada na viso frequentista do significado de
probabilidade
na
concepo
de
que
essa
probabilidade calculada considerando-se o dado

observado como condicionado a um determinado
valor assumido para o parmetro de interesse como a
proporo do nosso exemplo.
Na abordagem ortodoxa, para o cumprimento
da primeira meta proposta no problema (obter
estimativas de
),
poderamos fazer uso do clculo
dos tradicionais intervalos de confiana para as

propores. O primeiro passo seria utilizar um
estimador
( =
x/n)
para
proporo
de
quadrados com dominncia da alga verde que neste

caso seria
= 18 / 30 = 0,6 .
Prosseguimos com a
A justificativa para a escolha deste estimador aparece mais

adiante quando se trata do estimador de maxima verossimilhana.
, realizado com o auxlio de uma varivel ( Z ) que

ento que:
z / 2
(3)
(1 )
n
Para a obteno da soluo substitui-se o

parmetro ( ) pelo estimador ( ) e tem-se ento:
z / 2
(4)
Assim, o intervalo
proporo
(5)
de
(1 )
n
confiana para
IC95
% ]0,425;0,775[
Cabe lembrar que este intervalo de confiana

significa que se o experimento pudesse ser e fosse
repetido um grande nmero de vezes, poderia ser
ento construdo um intervalo de confiana diferente
em cada repetio. Noventa e cinco porcento destes
intervalos devem conter o valor verdadeiro da
proporo estudada caracterizando assim a
confiana associada ao nico intervalo de que
dispomos na prtica. Portanto, poderia ser assumido
que qualquer um dos intervalos de confiana
153
construdos, particularmente o que est mostrado
embora os estatsticos ortodoxos reconheam que
acima, tem 95% de probabilidade de conter o valor da
seja recomendvel faz-lo sempre que
verdadeira proporo populacional ( ). No entanto, a

partir de um intervalo de confiana no h indicaes
sobre os valores mais provveis para o parmetro.
Por exemplo, ao avaliarmos o intervalo de confiana
acima incorreto pensar que o valor mais provvel de
exatamente o ponto mdio entre 0,425 e 0,775,
que o estimador
= 0,6 .
H 0 no
rejeitada. Na verdade, h a percepo equivocada de

que quando a hiptese nula no rejeitada o estudo
pouco importante e no tem apelo para a
publicao. No entanto, mesmo que
H 0 no seja
rejeitada, o trabalho pode vir a ser relevante se

houver um estudo do poder de teste.
O fato de que a hiptese nula de igualdade no
Vejamos agora como ficaria o teste de

hiptese. Teramos que estabelecer a hiptese de
foi rejeitada no quer dizer que ela verdade. Por

isso at recomendvel utilizar terminologias como
interesse como uma alternativa ( H 1 ) hiptese nula
no rejeitamos
( H0 ) :
Enquanto a primeira colocao passa a impresso

mais coerente de que
H 0 : = 0,5
H 1 : > 0,5
(6)
impresso de que
importante salientar tambm que ao final do

teste de hiptese disposto acima no se pode
responder nem mesmo de maneira aproximada a
Portanto, se verdade que a proporo do

recoberta
pela
alga
0,5
( H 0 ),
probabilidade de que obtivssemos uma amostra que

resultasse em um valor de z to ou mais extremo
que 1,095 P ( Z
1,095) 0,137 . Se adotarmos
um nvel de significncia de
= 0,05
vemos que a
probabilidade indicada acima no muito baixa pois
P ( Z 1,095) > . A concluso seria que no h

nos dados evidncias contrrias suficientes para que
se rejeite
H 0 . Portanto, no h motivaes para
apoiar a hiptese de que a alga recobre a maioria da

superfcie do costo (
> 0,5 ).
A probabilidade de que a colocao feita acima

esteja equivocada, ou seja, que a hiptese
H 0 deve ser tomada como uma
verdade, o que no o caso.

z=
1,095
(1 )
n
costo
H 0 plausvel mas no
necessariamente verdade, a segunda passa a
A estatstica de teste :
(7)
H 0 ao invs de aceitamos H 0 .
H 0 no
perguntas de real interesse ecolgico como por

exemplo: Qual a probabilidade de que a proporo
do costo recoberta pela alga seja maior que 0,5?.
Com base no teste de hiptese acima simplesmente
podemos dizer que os dados observados seriam
razoavelmente plausveis caso a hiptese nula
(
= 0,50 ) fosse de fato verdade. No entanto, no
estamos dizendo nada especificamente sobre a

intensidade com que uma hiptese
alternativa) mais plausvel que a outra.
(nula
ou
Abordagem baseada verossimilhana

Esta abordagem similar ortodoxa no que diz
respeito conceituao de probabilidade. No entanto,
aqui, a exemplo do que ocorre tambm na
abordagem
bayesiana
(mostrada
mais
abaixo),
deve ser feita
tenha sido rejeitada mesmo sendo falsa, a
considera-se que a inferncia para
probabilidade de se estar cometendo um erro do tipo
condicionada aos dados observados. Aos leitores
II, P (erroII )
probabilidade
de
O poder de um teste a
corretamente
quando ela de fato falsa, que
rejeitarmos
H0
1 . Raramente
realizado um estudo do poder de teste nos artigos

cientficos em que se faz uso da abordagem ortodoxa,
154
interessados
no
estudo
do
princpio
da
verossimilhana, sugere-se a consulta de livros texto
como o de Edwards (1972).
A ttulo de exemplificao, vamos considerar
que a distribuio binomial razovel para a anlise
do problema de propores. A funo
verossimilhana para esta distribuio :
de
(8)
n
p(dados | ) = L( x | ) = x (1 ) n x
x
verossimilhanas de um valor qualquer de
equao acima e igualar o resultado a zero. Fazendo

isto vemos que
EMV = x / n .
qualquer estimativa de
EMV ,
no intervalo [0,1], incluindo
e pode-se obter uma curva com o perfil da
verossimilhana. Para o clculo do intervalo de

confiana para
um
grau
de
probabilidade
liberdade.
temos
que
Ento depois de calculado
A funo acima (eq. 8) pode ser calculada para
podemos fazer uso de resultados
tericos (Hudson, 1971; Kendall & Stuart, 1979) que

implicam que (-2) vezes o logaritmo da razo entre as
L( x | )
L( x | EMV )
tem uma distribuio qui-quadrado ( ) com
da proporo temos que obter o estimador de mxima

Para isto basta derivar a
R = 2 log
(9)
parmetro dado est condicionado aos valores

fixados de x e n .Para encontrar a melhor estimativa
EMV .
e de
EMV ,
Na verdade na funo de verossimilhana o
verossimilhana
valores de
Desta
densidade
de
P( 2 < 3,481) = 0,95 .
EMV ,
basta encontrar os
que correspondem a R
= 3,841 , e
teremos um intervalo de confiana (95%) aproximado,

que no caso
IC95
% ]0, 422;0,762[
(10)
Uma ilustrao deste procedimento mostrada

na figura 1.
FIGURA 1 Avaliao do perfil de verossimilhanas para clculo de intervalos de conficana. A linha contnua (R)
menos duas vezes o logaritimo da razo entre verossimilhanas. A linha tracejada espessa a probabilidade de
que uma estatstica de qui-quadrado (gl=1) seja menor do que R,
P( 2 < R) . A linha pontilhada extende-se
desde o eixo que representa o parmetro de interesse ( ) at o ponto de interseco entre as duas outras curvas
para
P( 2 < R) = 0,95 . Os valores marcados no eixo correspondem ao intervalo de confiana (95%).

A soluo mostrada na equao 9 tambm
pode ser usada para se fazer testes entre duas

hipteses concorrentes, ou seja, valores alternativos
para
Para dois valores quaisquer se a razo R
no alcana 3,841, significa que no h uma

evidncia muito forte a favor do
comparado ao
fizermos
do denominador se
do numerador. Por exemplo se
deno min ador = 0,55
numerador = 0,50
temos
que R
= 0,902 , o que implica que a hiptese 0,55
tem mais suporte que 0,50, mas, a diferena entre

elas no significativa (a um nvel de 5% de
significncia). Fazendo uso deste princpio vemos que
se comparado a um numerador de 0,5 no h um
valor de
que torne R maior que 3,841. Portanto,
tecnicamente, no h uma hiptese para a proporo

superior
= 0,5
que seja significantemente
155
melhor. Ento, com a abordagem da verossimilhana

podemos dizer que alguns valores de
mais suporte que
= 0,5
diferena
entre
> 0,5
tm
mas no se pode medir a
credibilidade
das
uma no-informativa (ou difusa) e outra informativa.
diferentes
hipteses. Novamente no podemos responder a

perguntas como: Qual a probabilidade de que a
proporo do costo recoberta pela alga seja maior
que 0,5?.
a) Soluo com uma distribuio a priori noinformativa

Para assumir uma ignorncia completa sobre a
proporo poderamos assumir como a priori uma
distribuio uniforme no intervalo [0,1] que um caso
particular de uma distribuio Beta ( a, b) (eq. 11) em
que os parmetros so a
Abordagem Bayesiana
A funo de verossimilhana a mesma da
equao 8. No entanto, agora a funo de
verossimilhana deve ser combinada com a
distribuio a priori para se obter a distribuio
posterior atualizada. Para a soluo do problema
= 1 e b = 1 (ver linha
pontilhada na figura 2 A).

(11)
p( ) = Beta(a, b) =
(a + b) a 1
(1 ) b1
(a)(b)
proposto vamos utilizar duas distribuies a priori,
FIGURA 2 Distribuies a priori (linha pontilhada), posterior (linha contnua) e a verossimilhana (linha tracejada)
para as anlises com a priori no-informativa (A) e informativa (B). No painel A h uma sobreposio entre a
verossimilhana e a distribuio posterior. Todas as curvas esto normatizadas de tal forma que a rea abaixo de
cada uma delas integra a 1.
A escolha da distribuio Beta conveniente
uma vez que ela conjugada da funo de
verossimilhana. Note como os dois ltimos termos
direita da distribuio a priori (eq. 11) e da
verossimilhana (eq. 8) so similares. O termo
remanescente uma constante e no envolve a
quantidade de interesse
De acordo com a equao 2, prosseguimos

ento com a multiplicao da distribuio a priori pela
verossimilhana e obtemos:
156
(12)
p( | dados ) = p( | x) a+ x 1 (1 ) b+n x +1
Com a constante j suprimida vemos que a

equao acima corresponde a uma distribuio
Beta (a ' = a + x, b' = b + n x) . Se lembrarmos que

os parmetros da distribuio a priori no-informativa
= b = 1 e que amostramos n = 30 quadrados

e que verificamos que x = 18 eram dominados pela
so a
alga de interesse, temos que a distribuio posterior

para
Beta (a ' = 19, b' = 13)
(figura 2 A).
Podemos usar ento as propriedades da distribuio
oportuno neste ponto chamar a ateno do
Beta (ver Gelman et al., 1995) para obtermos a

esperana (mdia) E ( ) , a varincia var( ) , e a
leitor para o fato de que nenhuma das hipteses

contrapostas na abordagem bayesiana incluem
moda
mod( ) da distribuio posterior da proporo
do costo recoberta pela alga:
que uma varivel contnua, seria sempre igual a

zero. Por exemplo, no nosso caso teramos que
p ( = 0,5 | dados ) = 0 . Este elemento expe um

pouco mais a dificuldade de se lidar com os testes de
hipteses ortodoxos onde se comea com algo como
a '1
0,633
a '+b'2
Suponhamos que
Um intervalo de 95% de confiana Bayesiano

para
pode ser obtido com o clculo dos percentis
de 2,5% e 97,5% da distribuio de densidade
Beta (19,13) :
posterior
IC95
% ]0, 422;0,755[
(14)
no faz realmente sentido. A probabilidade para

qualquer igualdade no estudo de uma proporo ( ),
a'
(13) E ( ) =
0,598
a '+b'
a ' b'
var( ) =
0,007
(a'+b' ) 2 (a'+b'+1)
mod( ) =
exclusivamente uma igualdade, o que no caso de
= 0,5
verdade, ento ...,
quando na realidade a probabilidade de que isto seja

verdade zero! Vamos voltar agora abordagem
bayesiana, com a avaliao da soluo para a outra
distribuio a priori.
b) Soluo com uma distribuio a priori informativa
Note que neste caso a soluo similar quela

obtida com a estatstica ortodoxa, mas h uma
Vamos considerar agora que h alguns estudos

prvios que indicam que a proporo da superfcie
diferena conceitual fundamental. Aqui podemos dizer
recoberta pela alga em costes similares quele que

estamos estudando de 0,42 (ou 42%). No seria
que h 95% de probabilidade de que a proporo do

costo recoberta pela alga seja um valor entre 0,422
e 0,775. Afirmaes dessa natureza no podem ser
feitas para os intervalos de confiana calculados com
as outras abordagens. importante mencionar que
com a abordagem bayesiana pode-se inclusive
indicar a moda de 0,633 como sendo o valor mais
provvel de
, e mais do que isto, deve-se ressaltar
que este valor mais provvel geralmente no o

centro do intervalo de confiana.
Vamos agora tentar responder ao teste de
hiptese proposto originalmente: A proporo
lgico
desconsiderar
deliberadamente
esta
informao. Uma estimativa coerente para a
proporo deveria ser uma combinao do que j se
sabia (a priori) com o que aprendemos com o
experimento atual (verossimilhana). O primeiro
passo a construo da distribuio a priori.
H
diversas
maneiras
mesmo
regras
sugeridas por alguns autores sobre os procedimentos

que se deve tomar para aferir os parmetros de
distribuies a priori a partir de informaes pretritas
recoberta pela alga maior que 0,5 (50%)? Essa

questo pode ser abordada de maneira direta, s
como as dispostas no incio do pargrafo acima.

Berry (1995) discute especificamente como construir
distribuies a priori para propores com o uso de
calcular a rea da distribuio de probabilidade
distribuies
posterior
Beta (19,13) , que corresponde a valores de
> 0,5 .
Obtemos ento
complementar
Aqui
utilizaremos
um
procedimento bem simples. A moda para um valor
p ( > 0,5 | dados ) 0,86
que se distribui de acordo com uma distribuio
p ( 0,5 | dados ) 0,14 .
Beta (a, b) :
Diramos ento que h 86% de probabilidade de que
Beta .
(15)
seja maior que 0,5, e que as evidncias so em
muito favorveis (i. e. as chances a favor de
> 0,5
so aproximadamente de 6 para 1) hiptese de que
mod( ) =
a 1
a+b2
A questo ento encontrar pares de valores

para
a e b que resultem em uma moda igual a 0,42
a proporo do costo recoberta seja realmente maior
(informao disponvel). Quanto menores forem os
que 50%.
valores de
a e b , mais aberta e menos informativa

157
ser a curva de densidade da distribuio. Optamos
e portanto, h 95% de probabilidade de que a
Beta (a = 2, b = 2,4)
proporo do costo recoberta pela alga seja um
ento por usar uma distribuio
como exemplo (linha pontilhada na figura 2 B).
valor entre 0,416 e 0,738. O valor de
O procedimento para a obteno da

distribuio posterior idntico ao usado mais acima
0,586, o qual novamente no corresponde ao centro
quando consideramos o uso de uma distribuio a

priori no-informativa. Multiplicando a verossimilhana
pela distribuio a priori, obtemos novamente uma
soluo (eq. 12) em que reconhecemos que a
posterior
agora
a
distribuio
Beta (a + x = 20, b + n x = 14,4) .
esperana
E ( ) , a varincia var( ) , e a moda
(mdia)
mod( ) , para a proporo do costo recoberta pela

alga so:
(16)
E ( ) 0,581 var( ) 0,07 mod( ) 0,586

O intervalo de 95% de confiana Bayesiano
para
IC95
% ]0, 416;0,738[
(17)
mais provvel
do intervalo de confiana.
Com a explorao da distribuio posterior
obtemos que
P( > 0,5) 0,83 e diramos que h
83% de probabilidade de que
seja maior que 0,5.
Portanto as evidncias a favor de

(i.e. as chances a favor de
> 0,5
> 0,5
diminuem
se reduzem para
aproximadamente 5 para 1), mas continuam sendo

em muito favorveis hiptese original de que a
proporo do costo recoberta pela alga realmente
maior que 50%.
Um sumrio dos resultados obtidos na anlise
dos dados quando utilizados os trs diferentes
procedimentos para a inferncia consta na tabela 1.
Exposto isto podemos avanar para uma comparao
dos resultados e para as consideraes finais.
TABELA 1 Intervalos de confiana e resultados dos testes de hipteses para a proporo do costo recoberta
pela alga marinha.
Procedimento
Intervalo de 95% de
confiana
Avaliao da hiptese de que a alga recobre a maioria do costo

(
> 0,5 )
No h uma resposta direta. No podemos rejeitar que

Abordagem ortodoxa
]0,425;0,775[
> 0,5
]0,422;0,762[
= 0,5 .
que algumas outras em que

abdicarmos de
Bayesiano
a priori noinformativa
]0,422;0,755[
a priori informativa
]0,416;0,738[
ainda que aparentemente ela seja melhor que
No h uma resposta direta. A hiptese de que

Verossimilhana
= 0,5
portanto no h como dar suporte para a hiptese de que
= 0,5
> 0,5
= 0,5
pior
mas no o suficiente para
em favor de qualquer outra hiptese.
H uma probabilidade de 0,86 (86%) de que a alga cubra a maioria

do costo, ou seja, de que
> 0,5 , e portanto esta a hiptese
mais plausvel.
H uma probabilidade de 0,83 (83%) de que a alga cubra a maioria
do costo, ou seja, de que
> 0,5 , e portanto esta a hiptese
mais plausvel.
DISCUSSO
quando amostras so grandes e/ou a distribuio

posterior envolvida unimodal e razoavelmente
Parte da diferena encontrada ao se comparar

os intervalos de confiana da abordagem ortodoxa
simtrica. Provavelmente tambm a melhor opo

para cursos onde aulas em salas com computadores
com as demais (verossimilhana ou bayesiana) se

deve ao fato de que naquela se faz uma aproximao
no possam ser realizadas com facilidade. Mas

acreditamos que isto est mudando rapidamente.
pela Normal. De certa forma o uso de aproximaes
Hoje em dia, pacotes computacionais bsicos incluem
com uso de tabelas j disponveis justificado
funes estatsticas que permitem o estudo e clculos
158
pertinentes para grande parte das distribuies de
distribuio posterior.
probabilidade de uso comum, como o caso da

binomial.
Nota-se que no h uma distino grande

quanto aos intervalos de confiana, principalmente
A simplicidade da abordagem e os clculos que
entre aqueles obtidos com a verossimilhana, e com
no exigem ferramentas computacionais so

certamente as maiores vantagens do procedimento
a abordagem bayesiana em que se fez uso de uma

distribuio a priori no informativa. Na verdade
que envolve a aproximao da binomial por uma

normal. No entanto, na sua aplicao h uma
quando se adota uma a priori desta natureza a

distribuio posterior acaba sendo delineada
violao conceitual, pelo menos no que se refere

replicabilidade do evento estudado, que nem sempre
ecolgicos.
fundamentalmente pelo dado. Em outras palavras, o

dado fala por si mesmo a partir da funo de
verossimilhana, e a distribuio a priori tem pouco
Independentemente de haver ou no violaes

internas dos preceitos, importante notar que o teste
efeito no resultado final. Portanto, na maioria dos

casos
a
anlise
baseada
somente
na
de hiptese realizado com a abordagem ortodoxa,

ensinado nos cursos de graduao, insatisfatrio
verossimilhana, e a abordagem bayesiana com uma

distribuio a priori no-informativa, acabam
pois no permite a elaborao de uma resposta direta

s questes usualmente propostas.
resultando em limites similares de intervalos de

confiana. Como mencionado anteriormente a grande
aplicvel
em
problemas
O ponto crucial referente abordagem com o
diferena entre estas duas abordagens conceitual e
emprego da verossimilhana que dado os

resultados do intervalo de confiana e do teste de
interfere na interpretao do que significam os

intervalos de confiana calculados.
hiptese no se atribuem probabilidades sobre quais

seriam os plausveis valores do parmetro de
Na abordagem bayesiana, podem ser

naturalmente encontradas respostas a questes de
que no exemplo apresentado a
timbre ecolgico, sem que se incorra em uma
proporo do costo rochoso dominada pela alga
violao interna dos preceitos da abordagem.

Normalmente as crticas que provm de estatsticos
interesse
marinha. Podemos por exemplo dizer que a hiptese
= 0,55
tem mais suporte que a hiptese
mas no podemos mensurar o quo
= 0,5 ,
> 0,5
mais
plausvel. Essa impossibilidade resulta em uma

frustrao do pesquisador ao final do trabalho.
A abordagem via verossimilhana de certa
forma muito prxima da bayesiana. Na verdade as
curvas de verossimilhana no normatizadas (i.e. no
escalonadas para integrar a 1) contm informaes
dos dados sobre os pesos das evidncias em favor
de uma ou outra hiptese. A diferena que h
algumas restries tomadas como imprescindveis
pelos adeptos da verossimilhana e que so
ortodoxos so exatamente sobre alguns dos preceitos

intrnsecos da abordagem bayesiana, como por
exemplo, o tratamento da probabilidade como o grau
de plausibilidade de uma proposio, e o uso de
distribuies a priori de teor subjetivo. A avaliao da
primeira destas crticas envolve desafios conceituais
bastante tcnicos no que diz respeito a
operacionalizao de lgica indutiva. Para os
interessados, uma abordagem introdutria pode ser
encontrada em Kinas & Andrade (2007). Tratamento
aprofundado do tema encontra-se em Cox (1946),
desnecessrias no contexto bayesiano. A primeira
Plya (1954) e no excelente livro de Jaynes (2003).

No que tange a crtica de que a distribuio a
priori, como elemento subjetivo, macula uma
est na recusa em aceitar probabilidades fora do

paradigma freqentista. A segunda, conseqncia
abordagem cientfica, simplesmente alertamos que a

prpria verossimilhana, cerne da abordagem
direta da primeira, est na recusa de combinar

verossimilhana com a distribuio a priori. Se um
pesquisador adota uma noo mais geral de
probabilidade como quantificador lgico, no h
maiores dificuldades em aceitar verossimilhanas
como um caso particular (e incompleto) de uma
ortodoxa, igualmente subjetiva. Finalmente, no que

toca a contenda entre as abordagens ortodoxas e
bayesianas, entendemos que esta ltima , no
momento, a nica que produz respostas diretas a
perguntas relevantes no contexto ecolgico e,
portanto, h um grande apelo para o seu uso.
159

REFERNCIAS
BAYES, Rev. T. 1763. An essay toward solving a problem in the
doctrine of chances. Philos. Trans. R. Soc. Lond., 370-418.
BEGER, JO. 1985. Statistical Decision Theory and Bayesian
Analysis. New York, Springer-Verlag. 617p.
COX, RT. 1946. Probability, frequency, and reasonable
expectation. Am. J. Physic., 14: 1-13.
EDWARDS, AWF. 1972. Likelihood. London, The John Hopkins
University Press. 275 p.
GELMAN, A, JB CARLIN, HS STERN & DB RUBIN. 1995.
Bayesian Data Analysis. London, Chapman & Hall. 526p.
HUDSON, DJ. 1971. Interval estimation from the likelihood function.
J. R. Statistic. Soc., 33: 256-262.
JAYNES, ET. 2003. Probability Theory: The Logic of Science. New

York, Cambridge University Press. 727p.
KENDALL, M & A STUART. 1979. The advanced theory of
statistics. New York, Oxford University Press. 758p.
KINAS, PG & HA ANDRADE. 2007. Bayesian statistics for fishery
stock assessment and management: a synthesis. PANAMJAS,
2(2): 103-112.
PLYA G. 1954. Mathematics and Plausible Reasoning. (2 vls).
Princeton, Princeton University Press. 296p.
R Development Core Team. 2007. R: A language and environment
for statistical computing. www.R-project.org.
SALSBURG, D. 2002. The Lady Tasting Tea: How Statistics
Revolutionized Science in Twentieth Century. New York, Owl
Books. 352p.
Entrada: 12/11/2007
Aceite: 30/06/2008
160

Inferências em Ecologia

Enviado por

Dados do documento

Descrição original:

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

Inferências em Ecologia

Enviado por

Direitos autorais:

Formatos disponíveis

INFERNCIA EM ECOLOGIA

INFERNCIA EM ECOLOGIA: COMENTRIOS E UM EXEMPLO

na maioria dos estudos ecolgicos no temos de fato

Em diversas situaes no decorrer do estudo

acesso a populao toda e temos ento que lidar com

de um problema ecolgico tem-se interesse em tirar

amostra. No exemplo acima, isto equivale a responder

concluses sobre um todo (populao) a partir do

a mesma pergunta sem, no entanto, conhecer a

para o futuro com base na experincia acumulada no

que na prtica cientfica temos que utilizar a lgica

interessados em avaliar o peso mdio de todos os

lgica dedutiva (raciocinar do todo para a parte).

informaes sobre os pesos de alguns destes

procedimentos para se fazer uma induo, dizemos

organismos, ou prever a resposta dessa espcie a

que estamos fazendo uma inferncia estatstica. O

estudar um caso especfico e a subseqente tentativa

crucial (Salsburg, 2002). Na poca contempornea

denominado induo. O processo inverso, em que

pretenso avano considerado cientificamente vlido

concluso sobre uma especificidade, denominado

estatsticas, que podem ser realizadas a partir de

deduo. O principal campo de aplicao do

diferentes abordagens. Este trabalho apresenta uma

se ocupa com a elaborao de conseqncias a partir

com um exemplo prtico.

sabemos que 30% dos inivduos de uma dada

o processo dedutivo, com o uso de uma distribuio

A inferncia estatstica amplamente utilizada

de probabilidade binomial, nos permite dizer que em

pelos pesquisadores da rea de ecologia, por vezes

5 ou mais apresentem a mutao 4,7%. No entanto,

ou ortodoxa (Jaynes, 2003). Esta a abordagem

Atlntica, Rio Grande, 30(2) 147-160, 2008.

HUMBER AGRELLI ANDRADE & PAUL GERHARD KINAS

dominante nos livros textos utilizados na grande

maioria dos cursos de graduao, incluindo aqueles

probabilidade, quando entendida como um atributo,

construo de intervalos de confiana e a realizao

fenmeno por experimento para simplificao, sem o

elementos fundamental na cincia contempornea e

experimento o lanamento do dado, ento na

A adoo do arcabouo ortodoxo no pode ser

experimento pode ser repetido com perfeio

ecolgicos. H muitas vezes violaes de suposies

aparece a face com o nmero quatro voltada para

importantes. Adaptaes de conceitos acabam sendo

cima deveria ento confirmar a probabilidade

entanto, esse processo de contagem da freqncia

resultados por parte dos pesquisadores das reas de

aplicvel em problemas ecolgicos para os quais a

o significado que eles gostariam que tivessem, e no o

impossvel replicar 1000 vezes e em condies

significado que efetivamente tm, e que muitas vezes

idnticas a ocorrncia da espcie de alga no costo

Quatro pontos fundamentais resultam em uma

foi a espcie dominante.

cincias naturais com a abordagem ortodoxa de

Intervalos de confiana Os intervalos de

probabilidade um atributo de um fenmeno. Por

comuns em artigos cientficos. Infelizmente so