Mi i C d E t t ti Mini-Curso de Estatstica

Curso de Ecologia da Floresta Amaznica

PDBFF Manaus AM Brasil Agosto de 2008 PDBFF - Manaus, AM, Brasil - Agosto de 2008
Adriano Sanches Melo
Dep. Ecologia, Instituto de Biocincias
Universidade Federal do Rio Grande do Sul
C.P. 15007 - Porto Alegre - RS - Brasil
adrimelo@ufrgs br adrimelo@ufrgs.br
www.ecologia.ufrgs.br/~adrimelo/
Objetivos
-- A coisa no to difcil assim...
-- Importncia do planejamento
-- Idia de modelos lineares
-- Familiarizao com anlises
-- Resoluo de problemas em computador (Systat)
Viso Geral
-- Planejamento, tipos de variveis a eja e to, t pos de a e s
-- Modelos Lineares
-- Inferncias: teste de b
x
e partio varincia
-- Blocos
-- Interao
M d l Li E l l id -- Modelos Lineares - Exemplos resolvidos
Teste t
Regresso linear simples Regresso linear simples
Anova 1 fator
Anova 1 fator + bloco o a ato b oco
Anova 2 fatores
Qui-quadrado
-- Anlise multivariada exploratria
ndices de similaridade
N d Cl ifi O d Noes de Classificao e Ordenao
-- Tarde Resoluo de exerccios
0) Planejamento: Razo de ser to importante.
T b lh A S Fl k Trabalhos A.S. Flecker
1) Modelos lineares 1) Modelos lineares.
A base para os testes de hipteses tradicionais.
Y
i
= b
0
+ b
1
X
i
+ e
i
Y
i
b
0
b
1
X
i
e
i
2) Anlises so basicamente as mesmas...
O que muda a natureza (contnua, categrica)
das variveis dependentes e independentes.
C d t l li -Cada captulo, uma anlise...
Exemplos de modelos lineares
3) Variveis dependentes e independentes.
(respostas) (preditoras) (respostas) (preditoras)
Exemplos
4) O modelo de regresso linear simples.
Ajuste do modelo
Q = Soma ( Y [ b + b X ] )
2
Ajuste do modelo
Q = Soma ( Y
i
- [ b
0
+ b
1
X
i
] )
2
Resduo Resduo
Mdia Mdia
tambm
minimiza
Q !!!
9
5a) Variveis preditoras categricas: variveis indicadoras
2 nveis
7
8
9
5
6
7
p
o
s
t
a

(
P
e
s
o
)
Desvio Entre
3
4 R
e
s
p
9
se T1 = -1 e T2 = 1
Resduos ou
Desvios
Dentro
2
Tratamento 1 Tratamento 2
Dieta
6
7
8
e
s
o
)
( )
ij i ij
e X Y + + = 5 . 2 5 . 5
se e 2
Dentro
4
5
6
R
e
s
p
o
s
t
a

(
P
e
2
3
4 R
( )
ij i ij
e X Y + + = 5 3
se T1 = 0 e T2 = 1
Tratamento 1 Tratamento 2
Dieta
5b) Variveis preditoras categricas: variveis indicadoras
> 2 nveis
20 mdia=20
n = base, s = X
s
e d = X
d
2 nveis
20 mdia=20
X Y
n 2.5
( ) ( )
j i d s j i
e X X Y 17 5 3 + + + =
base, s
s
e d
d
15
e
s
o
)
n 3
n 3.5
( ) ( )
j i d s j i , ,
10
mdia=8
p
o
s
t
a

(
P
e
s 7.5
s 8
5
mdia=8
R
e
s
p
s 8.5
d 19.5
0
mdia=3
d 19.5
d 20
d 20 5
0
N vel d
Fator 1 (alimentao)
N vel s
N vel n
d 20.5
6) Modelos Lineares (As diferentes anlises....)
Varivel dependente: Contnua
Nmero de variveis independentes Nmero de variveis independentes
1 2 3
t
e
regresso
simples
regresso
mltipla
regresso
mltipla
n
d
e
n
t
simples mltipla mltipla
teste t (1-2
nveis)
test t pareado 3-anova
n
d
e
p
e
n
nveis)
1-anova (>2
i )
2-anova
1 bl
2-anova + bloco
1 2

v
e
l

i
n
nveis) 1-anova + bloco 1-anova + 2
blocos
o

v
a
r
i

----
Ancova Ancova
T
i
p
o
7) Inferncias
--Forma geral para testar a significncia de
uma varivel preditora.
Pergunta que se faz: Vale a pena incluir no modelo? --Pergunta que se faz: Vale a pena incluir no modelo?
--Duas formas de interpretar
7a) Coeficientes so diferentes de 0 ? 7a) Coeficientes so diferentes de 0 ?
Numa regresso linear simples: g p
Vale a pena incluir b
1
X?
A varivel X aumenta a explicao consideravelmente?
Teste: H
0
: b
1
= 0 (Y = b
0
)
ou H : b = 0 (Y = b + b X) ou H
1
: b
1
= 0 (Y = b
0
+ b
1
X)
7b) Partio de Varincia
Q = S( Y
i
- [b
0
+ b
1
X
i
] )
2
Resultado Systat Exemplo Anterior
Dep Var: VAR00005 N: 3 Multiple R: 0.939 Squared multiple R:0.881
Adjusted squared multiple R: 0.762 Standard error of estimate:5.715
Effect Coefficient Std Error Std Coef Tolerance t P(2 Tail) Effect Coefficient Std Error Std Coef Tolerance t P(2 Tail)
CONSTANT 7.933 6.550 0.000 . 1.211 0.439
VAR00004 0.220 0.081 0.939 1.000 2.722 0.224
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
Regression 242.000 1 242.000 7.408 0.224
Residual 32.667 1 32.667
274.667 = 242.000 + 32.667
SSTotal = SSReg + SSE
R
2
= 242 / 274.667 = 0.881
SSTotal = SSReg + SSE
SSTotal Y ajustado
SSE
(10 12 33)
2
5 44
(10 23.33)
2
= 177.78
(28 23.33)
2
= 21.78
(32 23.33)
2
= 23.33
7.93+0.22*20 = 12.33
7.93+0.22*70 = 23.33
7.93+0.22*120 = 34.33
(10-12.33)
2
= 5.44
(28-23.33)
2
= 21.78
(32-34.33)
2
= 5.44
( )
274.67
32.67
Varincia = s
2
= SS
n-1
-- Por que dividir por (n-1) ?
-- A idia de graus de liberdade (Crawley p.36) A idia de graus de liberdade (Crawley p.36)
Suponha termos 5 nmeros e que sua mdia seja 4. A soma dos
nmeros, portanto, deve ser 20. Vamos ver quais nmeros poderiam
) O
ser:
2
1) O primeiro nmero pode ser qualquer um; por exemplo o 2
2 7
2) O segundo nmero pode ser qualquer um; por exemplo o 7
2 7
2 7 4
3) O terceiro nmero pode ser qualquer um; por exemplo o 4
2 7 4
4) O quarto nmero pode ser qualquer um; por exemplo o 0
2 7 4 0
5) No temos escolha para o quinto nmero; ele DEVE ser 7
2 7 4 0 7
SST l (SST) SSR (SSR) SSR d (SSE)
7b) Partio de Varincia
SSTotal (SST) = SSRegresso (SSR) + SSResduo (SSE)
Y Y Y Y Y Y

+ =
i i i i
Y Y Y Y Y Y + =
SST
SSR SSE
( )
2

= Y Y SST
i
( )
1
2

= =

n
Y Y
Var MST
i
( )
2

Y Y SSR
( )

1 n
SSR
MSR =
( )

= Y Y SSR
i
( )
2

Y Y SSE
1
MSR =
SSE
( )

= Y Y SSE
i
2
=
n
SSE
MSE
7e) Graus de Liberdade (gl ou df) ) (g )
Total = n 1
Modelo = nmero de parmetros exceto constante (b
0
)
V i l t 1 Varivel contnua = 1
Varivel categrica = nveis 1
Resduo = gl Total gl Modelo
Co Ce2 Ce4
Bloco 1
Unidades experimentais
1 2 3
8) Refinando nosso estudo:
Uso de blocos
Ce2 Ce4 Co
Ce4 Ce2 Co
Bloco 2
Bloco 3
F
l
u
x
Experimento Prochilodus.
3 nveis do fator de estudo
Ce4 Ce2 Co
Ce2 Co Ce4
C C C
Bloco 3
Bloco 4
o
3 nveis do fator de estudo
Co = controle;
Ce2 = Controle de procedimento
Ce4 = gaiola de excluso 4 lados
Co Ce4 Ce2
Bloco 5
Ce4 gaiola de excluso 4 lados
O trabalho feito por corredeiras,
cada corredeira sendo 1 bloco.
t
e
b
r
a
d
o
s
Note que em cada corredeira existe
uma rplica do tratamento.
Poderamos ter mais de uma rplica
d
a
d
e

I
n
v
e
r
t
Poderamos ter mais de uma rplica
por corredeira. Note tambm que a
posio do tratamento dentro da
corredeira aleatria Este desenho
D
e
n
s
i
d
corredeira aleatria. Este desenho
experimental em blocos seria til no
caso de haver indcios de que a fauna
entre corredeiras seja distinta, ou seja
Co Ce2 Ce4
que as corredeiras sejam muito
diferentes umas das outras.
9) Quando temos mais de uma varivel preditora 9) Quando temos mais de uma varivel preditora
Interao
a
a
l
m
e
i
r
a
Argiloso
T
a
d
e

p
a
T
i
p
o

d
e
D
e
n
s
i
d
a
e

S
o
l
o
D
Arenoso
o
Terra firme Terra alagvel
Regime de Inundao
10) Quando temos mais de uma varivel preditora
Anlises no fatoriais
Correlao entre variveis
preditoras diferente de 0
Anlises fatoriais
Correlao entre
i i dit 0 preditoras diferente de 0
Problemas com
multicolinearidade
variveis preditoras 0
multicolinearidade ....
2







2






2
X
2






1

X
2






1

0 1 2
0


0 1 2
0


0 1 2
X
1
0 1 2
X
1
11) Modelos Lineares Generalizados (GLM)
Varivel dependente: Qualitativa
Nmero de variveis independentes Nmero de variveis independentes
1 2 3
t
e
regresso
l i
regresso
l i l i l
regresso
l i l i l
n
d
e
n
t
logstica
simples
logstica mltipla logstica mltipla
n
d
e
p
e
n
teste G modelos log-
lineares
modelos log-
lineares

v
e
l

i
n
2
_
teste
----
o

v
a
r
i

_
regresso
logstica mltipla
regresso
logstica mltipla
T
i
p
o
Na prtica - Regresso Linear Simples
S Altitude
101 3
P 1 E lh d d l
95 7
132 7
Passo 1 - Escolha do modelo
147 10
140 11
200
153 11
169 12 69
150
Q
U
E
Z
A
100
R
I
Q
0 5 10 15
50
0 5 10 15
ALTITUDE
Resultado Systat
Passo 2 Ajuste do modelo
Na prtica - Regresso Linear Simples
Dep Var: RIQUEZA N: 7 Multiple R: 0.861 Squared multiple R: 0.741
Adjusted squared multiple R: 0.689 Standard error of estimate: 15.111
Resultado Systat
Passo 2 - Ajuste do modelo
j q p
Effect Coefficient Std Error Std Coef Tolerance t P(2
Tail)
CONSTANT 70 344 17 746 0 000 3 964 0 011 CONSTANT 70.344 17.746 0.000 . 3.964 0.011
ALTITUDE 7.288 1.928 0.861 1.000 3.780 0.013
Effect Coefficient Lower < 95%> Upper pp
CONSTANT 70.344 24.727 115.961
ALTITUDE 7.288 2.332 12.245
----------------------------------------------------------------------
Correlation matrix of regression coefficients Correlation matrix of regression coefficients
CONSTANT ALTITUDE
CONSTANT 1.000
ALTITUDE -0.947 1.000
--------------------------------------------------------------------
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
Regression 3263 108 1 3263 108 14 290 0 013 Regression 3263.108 1 3263.108 14.290 0.013
Residual 1141.749 5 228.350
-----------------------------------------------------------------------
Na prtica - Regresso Linear Simples
Passo 3 - Adequao do modelo (transformao ?)
Plot of Residuals against Predicted Values
10
20
0
D
U
A
L
-10
R
E
S
I
D
-30
-20
90 100 110 120 130 140 150 160
ESTIMATE
30
Densidade Tipo de casca
3.7 lisa
Na prtica - Teste t
3.7 lisa
4.3 lisa
2.9 lisa
5 6 rugosa 5.6 rugosa
8.4 rugosa
7.1
8.4
7.1 rugosa
5.6
S
I
D
A
D
E
3.7
4.3
D
E
N
S
Mdias
geral = 5 333
2.9
geral 5.333
lisa = 3.633
rugosa = 7.033
lisa rugosa
CASCA
g
Na prtica
Teste t
D casca
3 7 lisa
(3.7 3.633)
2
= 0.004489
(4.3 3.633)
2
= 0.444889
(2.9 3.633)
2
= 0.537289
(3.633 5.333)
2
= 2.89
(7.033 5.333)
2
= 2. 89
5.78
3.7 lisa
4.3 lisa
2.9 lisa
5 6
(2.9 3.633) 0.537289
(5.6 7.033)
2
= 2.053489
(8.4 7.033)
2
= 1.868689
(7.1 7.033)
2
= 0.004489
5.78
n = 3
5.78 * 3 = 17.34
Resultado Systat
5.6 rugo
8.4 rugo
7.1 rugo
( )
4.913334
Dep Var:DENSIDADE N: 6 Multiple R:0.883 Squared multiple R:0.779
-1
y
Estimates of effects B = (X'X) X'Y
DENSIDADE
Mdias
geral = 5.333
li 3 633
CONSTANT 7.033
CASCA$ lisa -3.400
lisa = 3.633
rugosa = 7.033
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
Regression 17 340 1 17 340 14 117 0 020 Regression 17.340 1 17.340 14.117 0.020
Residual 4.913 4 1.228
--------------------------------------------------------------------
Na prtica - Anova 1 fator
Ratos/armadilha Vegetao
0.60 vrzea
0.81 vrzea
1.22 vrzea
1.43 firme
1.15 firme
3
0.76
firme
2.17 campina
1.98 campina
2.79 campina
2
A
R
M
A
D
I
1
R
A
T
O
S
A
Mdias
geral = 1 434 geral = 1.434
vrzea = 0.877
firme = 1 113
campina firme vrzea
VEGETACAO
0
firme 1.113
campina = 2.313
Na prtica - Anova 1 fator
Resultado Systat
Dep Var:RATOSARMADI N:9 Multiple R:0.905 Squared multiple R:0.819
-1
Estimates of effects B = (X'X) X'Y
RATOSARMADI
Mdias
geral = 1.434
CONSTANT 0.877
VEGETACAO$ campina 1.437
vrzea = 0.877
firme = 1.113
i 2 313
VEGETACAO$ firme 0.237
A l i f V i
campina = 2.313
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
Regression 3 560 2 1 780 13 619 0 006 Regression 3.560 2 1.780 13.619 0.006
Residual 0.784 6 0.131
--------------------------------------------------------------------
Na prtica - Anova 1 fator
COL/
ROW VEGETACAO$
Resultado Systat - teste a posteriori
1 campina
2 firme
3 vrzea
U i l t Using least squares means.
Post Hoc test of RATOSARMADI
-----------------------------------------------------------------
Using model MSE of 0 131 with 6 df Using model MSE of 0.131 with 6 df.
Matrix of pairwise mean differences:
1 2 3
1 0.000
2 -1.200 0.000
3 -1.437 -0.237 0.000
k S lti l C i Tukey HSD Multiple Comparisons.
Matrix of pairwise comparison probabilities:
1 2 3
1 1 000 1 1.000
2 0.016 1.000
3 0.007 0.716 1.000
------------------------------------------------------------------
Na prtica - Anova 2 fatores
Dens.
oplies
Bacia Alaga
2 5 Negro firme 2.5 Negro firme
3 Negro firme
3.5 Negro firme
7.5 Negro alaga
8 Negro alaga
25
B
mdia=25
8.5 Negro alaga
14.5 Solim firme
15 Solim firme
20
p
i
l
i

e
s
B
r
a
n
c
a
F
a
t
o
15 Solim firme
15.5 Solim firme
24.5 Solim alaga
10
15
s
i
d
a
d
e

o
P
o
r

2

mdia=15 25 Solim alaga

25.5 Solim alaga
5
D
e
n
s
P
r
e
t
a

g
u
a
mdia=3
mdia=8
0
Terra Alagvel
Terra Firme
Fator 1
Na prtica - Anova 2 fatores
Resultado Systat
Dep Var:DENSOPILIO N:12 Multiple R:0.999 Squared multiple R:0.998
DENSOPILIO
CONSTANT 12.750
RIO$ Negro -7.250
ALAGAMENTO$ alaga 3.750
ALAGAMENTO$ alaga
$ 1 250 RIO$ Negro -1.250
Analysis of Variance Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P
RIO$ 630.750 1 630.750 2523.000 0.000
ALAGAMENTO$ 168.750 1 168.750 675.000 0.000
ALAGAMENTO$*RIO$ 18.750 1 18.750 75.000 0.000
Error 2.000 8 0.250
-------------------------------------------------------------------
Na prtica Anova 1 fator + bloco
Densid
Algas
Trat Bloco
2 5 cont 1
Unidades experimentais
2.5 cont 1
3 ce2 1
4.5 ce4 1
Co Ce2 Ce4
C 2 C 4 C
Bloco 1
p
1 2 3
4.5 ce4 1
17.5 cont 2
17 ce2 2
Ce2 Ce4 Co
Ce4 Ce2 Co
Bloco 2
Bloco 3
F
l
u
x
o
17 ce2 2
19.5 ce4 2
14.5 cont 3
Ce2 Co Ce4
Bloco 4
15 ce2 3
15.5 ce4 3
e
b
r
a
d
o
s
4.5 cont 4
5 ce2 4
a
d
e

I
n
v
e
r
t
e
5.5 ce4 4
cont = controle
2 d
D
e
n
s
i
d
a
ce2 = cont. proced.
ce4 = excluso
Co Ce2 Ce4
Na prtica Anova 1 fator + bloco
Resultado Systat com bloco
Dep Var:VAR00001 N:12 Multiple R:0.998 Squared multiple R: 0.997
Analysis of Variance
Source Sum-of-Squaresdf Mean-Square F-ratio P Source Sum of Squaresdf Mean Square F ratio P
TRATAM$ 5.167 2 2.583 10.333 0.011
BLOCO$ 474.000 3 158.000 632.000 0.000
Error 1.500 6 0.250
Dep Var: VAR00001 N: 12 Multiple R: 0.104 Squared multiple R: 0.011
Resultado Systat sem bloco
Analysis of Variance
Source Sum-of-Squares df Mean-Square F-ratio P Source Sum-of-Squares df Mean-Square F-ratio P
TRATAM$ 5.167 2 2.583 0.049 0.953
Error 475.500 9 52.833
Na prtica - Qui-quadrado
A presena de mosquitos depende da espcie de bromlia?
Presena mosquito
(resposta) (resposta)
Sim No Totais
Bromlia A 18 15 33 Bromlia A 18 15 33
Bromlia B
8 32 40 8 32 40
Totais 26 47 73
P it
Na prtica - Qui-quadrado
F i E d
Presena mosquito
(resposta)
Frequncia Esperada
total linha * total coluna
Sim No Totais
total geral
(33*26) / 73 = 11 75
Bromlia A
18
(11.75)
15
(21.25)
33
(33*26) / 73 = 11.75
Bromlia B 8
(14.25)
32
(25.75)
40
( ) E O
2
Totais 26 47 73
( )

=
E
E O
Pearson
2
2
_
( ) ( ) ( ) ( )
42 . 9 52 . 1 83 . 1 74 . 2 32 . 3
75 . 25
75 . 25 32
25 . 21
25 . 21 15
25 . 14
25 . 14 8
75 . 11
75 . 11 18
2 2 2 2
2
= + + + =

=
Pearson
_
df (li h 1)*( l 1) 1*1 1 df = (linhas-1)*(colunas-1) = 1*1 = 1
Probabilidade de obter o valor 9.42 com 1 df = 0.0022
Na prtica - Qui-quadrado
Frequncia Mosquito Bromlia
18 sim a 18 sim a
8 sim b
15 nao a
32 nao b
Resultado Systat
Case frequencies determined by value of variable FREQ.
Frequencies q
MOSQUITO$ (rows) by BROMELIA$ (columns)
a b Total
nao 15 32 47
sim 18 8 26
Total 33 40 73
Test statistic Value df Prob Test statistic Value df Prob
Pearson Chi-square 9.410 1.000 0.002
Anlise Multivariada Exploratria
Matrix de locais (objetos) por espcies (variveis)
sp1 sp2 sp3 sp4 sp5 sp6 sp7
Sitio1 0 5 12 23 23 68 0 Sitio1 0 5 12 23 23 68 0
Sitio2 5 10 24 0 45 52 6
Sitio3 78 79 0 0 2 0 54
Sitio4 45 79 0 0 3 0 68
Sitio5 6 2 34 0 10 0 2
ndices de similaridade: Qualitativos: Presena e ausncia
amostra 1 amostra 1
+ -
+ a b
c d
m
o
s
t
r
a

2
-Discordncia quanto ao uso de d
a
- c d
a
m
Discordncia quanto ao uso de d
-Geralmente variam entre 0 e 1
c b a
a
S
j
+ +
= Jaccard
c b a
a
S
s
+ +
=
2
2
Sorensen
c b a + + 2
d a
S
+
C d i i l ( i l t hi )
d c b a
S
sm
+ + +
=
Concordncia simples (simple matching)
ndices de similaridade: Quantitativos: tambm abundncia
A
C B
Nmero de indivduos da sp1
0 100 50
Nmero de indivduos da sp1
ndices de similaridade: Quantitativos: tambm abundncia
Distncia Euclidiana
2
B
o
s

d
a

s
p

B
i
n
d
i
v

d
u
o
C
m
e
r
o

d
e

A
C
Nmero de indivduos da sp1
N

ndices de similaridade: Quantitativos: tambm abundncia

Distncia Euclidiana
2 2
y x D
jk
+ =
2
B
x
o
s

d
a

s
p

B
x
y
i
n
d
i
v

d
u
o
C
y
m
e
r
o

d
e

A
C
Nmero de indivduos da sp1
N

ndices de similaridade: Quantitativos: tambm abundncia

Distncia Euclidiana
2 2
y x D
jk
+ =
E para 3, 4, 5 etc espcies?
2
B
x
E para 3, 4, 5 etc espcies?
o
s

d
a

s
p

B
x
y
i
n
d
i
v

d
u
o
C
y
m
e
r
o

d
e

A
C
Nmero de indivduos da sp1
N

ndices de similaridade: Quantitativos: tambm abundncia

Distncia Euclidiana
2 2
y x D
jk
+ =
( )
2

=
s
X X D
2
B
x
( )
1

=
=
i
ik ij jk
X X D
o
s

d
a

s
p

B
x
y
i
n
d
i
v

d
u
o
C
y
m
e
r
o

d
e

A
C
Nmero de indivduos da sp1
N

ndices de similaridade: Quantitativos: tambm abundncia

2
Distncia Euclidiana
( )
2
1

=
= A
s
i
ik ij jk
X X
s
d
jk
jk
2
A
=
1 = i s
Distncia Manhattan
varia de 0 ao
Distncia Manhattan
(city block)

= A
s
ik ij jk
X X
= i 1

s
( )

=

=
s
i
ik ij
m
X X
k j d
1
) , (
varia de 0 a 1
Distncia Bray-Curtis
( )

=
+
s
i
ik ij
X X
1
varia de 0 a 1
ndices de similaridade
Dados originais
sp
1
sp
2
sp
3
sp
4
sp
5
a1 5 2 5 2 1
a2 0 1 3 2 1
Matriz de distncia
(Bray-Curtis)
a3 2 1 3 2 1
b1 5 20 6 5 5
a1 a2 a3 b1 b2 b3
a1 0
b2 12 19 4 7 11
b3 11 21 5 7 10
a2 0,364 0
a3 0,250 0,125 0
b1 0,464 0,708 0,640 0
b2 0,588 0,766 0,709 0.191 0
b3 0 565 0 770 0 714 0 157 0 047 0 b3 0,565 0,770 0,714 0,157 0,047 0
Anlise Multivariada Exploratria: Classificao Anlise Multivariada Exploratria: Classificao
-Matriz de similaridade entre objetos (e.g. Jaccard, Bray-Curtis) Matriz de similaridade entre objetos (e.g. Jaccard, Bray Curtis)
-Mtodo de aglomerao (e.g. UPGMA)
-Resultado: Dendrograma
Sitio3 Sitio3
Sitio4
Sitio5
Sitio1
Sitio2
Similaridade
1 0.8 0.6 0.4 0.2 0
Anlise Multivariada Exploratria: Ordenao





1
0
0
Rec











s
p
2
5
0








SP
PoA
s










5
Vene
Man











0 50 100
0




Peru
sp1
Anlise Multivariada Exploratria: Ordenao





1
0
0
Rec











PCA1
PCA2
s
p
2
5
0








SP
PCA2
PoA
s










5
Vene
Man











0 50 100
0




Peru
sp1
Anlise Multivariada Exploratria: Ordenao
Man Rec Vene
PCA1
Man
PoA
Rec Vene
SP Peru
PCA1
Anlise Multivariada Exploratria: Ordenao
PCA2
Man
Rec
Vene
PCA1
SP
Peru
PCA1
PoA
SP
Peru