Академический Документы
Профессиональный Документы
Культура Документы
Populao
Amostragem
Inferncia
Amostra
Inferncia estatstica: processo de prever ou estimar parmetros populacionais baseado em dados amostrais
Mtodos de amostragem
(amostragem aleatria)
x x= n
s2
( x =
n 1
sx =
s2 n ( 1 ) n N
Zona de craca/mexilho
Zona de ostras
Saccostrea cuccullata
Zona de cracas
Chthamallus spp.
Zona de cracas
Tetraclita spp.
Zona de cracas
Tetraclita spp.
Littoraria kraussi
Nodilittorina natalensis
Nodilittorina africana
Especial cuidade com efeito de fronteira. Usualmente amostragem a distncia de segurana da fronteira das manchas
N x
i
x ST =
i= 1
w i2 si2 sx = (1 f i ) i= 1 n i
wi = Ni N
onde,
fi =
ni Ni
Praia inferior 1 3 2 4
Tabela de nmeros aleatrios
1 3
2 4
Table of random numbers
Mtodos de amostragem
Desenhos aleatrios e estratificados so geralmente os mais adequados... ... Especialmente quando queremos visar inferncia estatstica Outros mtodos so uteis ou produzem melhores estimativas em condies particulares
REPLICAO Replicao apropirada deve ser usada para gerar preciso estatstica, e para considerar a complexa heterogeneidade dos sistemas naturais: no h sistemas idnticos e estes variam no tempo e no espao a escalas diferentes.
CONTROLOS Controlos apropriados, especialmente em procedimentos experimentais, devem ser usados, para permitir uma verdadeira compreenso da significncia dos nossos tratamentos experimentais.
10
CONFUSO Frequentemente, diferentes variveis e processos produzem os padres observados em interaces complexas. imperatrivo desenhar a amostragem/experincia de modo a isolar factores e discriminar a sua influncia isolada e sinergstica.
ESCALA As escalas a que os fenmenos e padres ocorrem podem interferir com as escalas usadas na nossa estratgia de amostragem.
11
As escalas dos padres e processos variam. A sua expresso varia de lugar para lugar e de tempo para tempo. A variao tem de ser abordada simultneamente a diferentes escalas espaciais, com amostragem que inclua replicao aleatria em desenhos hierrquicos (anichados) Tem de se tomar em conta a variao causada pela interaco entre processos e entre processos e variabilidade espacial e temporal entre habitates
Tipo e forma ptima de unidade de amostragem Os mtodos de amostragem para abundncia podem ser categorizados como PLOT e PLOTLESS Mtodos Plot incorporam o uso de fronteiras rgidas, usadas para reduzir o bias e poupar tempo. (Bias um erro direccional sistemtico) Linhas de transecto ou amostragem agregada podem ter tcnicas plot ou plotless
12
Formas mais comuns (Pringle, 1984): Quadrados (67%) Crculos (19%) Rectangulos (14%) Transectos em linha Transectos radiais
13
O tipo e forma da unidade de amostragem varia em funo de Organism(s) alvo (sssil/mvel, individual/colonial, dimenso, padro de distribuio, etc) Ambiente especfico (bentnico/pelgico, substrato duro/mole, homogneo/heterogneo, uniforme/gradiente, etc) Questo e hipteses de investigao (estimativa de densidade, padro de distribuio, parmetros biolgicos, etc)
Estimativa de densidade
Organismo
Medida
Dimenso do (m)
Animais ssseis
cobertura (%)
0.5x0.5 ou 0.25x0.25
Lapas
n m-2
littorindeos
n m-2
cracas
n m-2
14
aleatrio
aleatrio
15
Estimativa da densidade Presena/ausncia em subquadrates (% cobertura) Nmero por subquadrate ou em aleatoriamente seleccionados (pseudoreplicao) (n por rea) Estimativa subjectiva da cobertura (% cobertura) Nmero de interseces (% cobertura)
Estimativa da densidade organismos ssseis Presena/ausncia em subquadrates (% cobertura) Nmero por subquadrate ou em aleatoriamente seleccionados (pseudoreplicao) (n por rea) Estimativa subjectiva da cobertura (% cobertura) Nmero de interseces (% cobertura)
50%
16
Estimativa da densidade organismos ssseis Presena/ausncia em subquadrates (% cobertura) Nmero por subquadrate ou em aleatoriamente seleccionados (pseudoreplicao) (n por rea) Estimativa subjectiva da cobertura (% cobertura) Nmero de interseces (% cobertura)
Estimativa da densidade Presena/ausncia em subquadrates (% cobertura) Nmero por subquadrate ou em aleatoriamente seleccionados (pseudoreplicao) (n por rea) Estimativa subjectiva da cobertura (% cobertura) Nmero de interseces (% cobertura)
9(16) = 56%
17
Estimativa da densidade
4(25) = 16%
Estimativa da densidade 1 16 interseces 1 4(16) = 25% Sobre-estimativa 2 2(16) = 12.5% leve Sub-estimativa
18
Estimativa da densidade
Estimativa da densidade
2(25) = 8%
19
Estimativa da densidade 16 interseces 1 1 2(16) = 12.5% Sobre-estimativa 2 1(16) = 6.25% leve Sub-estimativa
Estimativa da densidade
20
Estimativa da densidade
1(25) = 4%
21
Estimativa da densidade
Estimativa da densidade
1(50) = 2%
22
Estimativa da densidade 16 interseces 1 0(16) = 0%=1% Sub-estimativa 2 1(16) = 6.25% Sobre-estimativa 3 0(16) = 0%=1% Sub-estimativa
2 3
2 3
23
Estimativa da densidade 36 interseces 1 1(36) = 2.77% Bom 2 0(25) = 2.77% Bom 3 0(25) = 2.77% Bom
2 3
Estimativa da densidade O mais seguro (preciso para pequenos organismos/ colnias) e largamente usado 7 x 7 = 49 interseces
24
25
n=
t 2 SD2 (E X )2
n = nmero de unidades t = valor t (n-1, gl) SD = desvio padro E = erro permitido (eg 10% = 0.1) X = mdia exemplo: comprimento mdio de peixes
26
( )
200 r
1 X
n = nmero de unidades = aproximadamente igual a r = erro permitido (%) X = mdia exemplo: contagens de galerias de caranguejos em zonas de mar
Nmero de unidades de amostragem numa distribuio binomial negativa (aggregated) (Krebs, 1999) (100 t)2 r2 1 +1 (X ) k
n = nmero de unidades = aproximadamente igual a t = valor t (n-1, gl) (=2 para 95% nvel confiana) r = erro permitido (%) X = mdia k = expoente da binomial negativa estimado
k=
(X)2 (S)2 - X
27
uniforme (regular)
aleatria
Distribuio uniforme
28
Distribuio agregada
Distribuio aleatria
29
30
MI =
S (n2 - N) N (N-1)
n = total number of individuals in a quadrat N = total number of all individuals S = number of quadrats IF MI > 1 MI = 1 MI < 1 REGULAR OR UNIFORM DISPERSION RANDOM DISPERSION CLUMPED DISPERSION
31
1) Calculate MI 2) Calculate two new indices, UNIFORM INDEX (Mu) and CLUMPED INDEX (Mc)
Mu =
2.975 - n +xi
(xi) - 1
Mc =
2.025 - n +xi
(xi) - 1
2.975 2.025
= value of Chi-square from the table (n - 1 df) with 97.5% of the area to the right = value of Chi-square from the table (n - 1 df) with 2.5% of the area to the right
- Mc ( MI ) n - Mc
If
Mc > MI 1.0
then
MI - 1 Mu - 1
If
then
MIS = - 0.5
MI - 1 ( Mu ) -1 - Mu ( MIMu )
If
then
32