Aulas Inventário Florestal

PROCESSOS DE AMOSTRAGEM
Inventários Florestais
Aplicação da amostragem em
Inventários Florestais
Processos de Amostragem
A localização das
Unidades Amostrais
• Aleatória Simples
• Aleatória Estratificada
• Sistemática
 Faixas
 Parcelas
 Único estágio
 Dois ou mais estágios
• Múltiplos (Dois) Estágios
• Mista
 Conglomerados
 Shiue
Amostragem aleatória Amostragem sistemática

Amostragem estratificada Amostragem em dois
estágios
Amostragem em Amostragem em
conglomerados múltiplos inícios
aleatórios
Estimativas & parametro
•A obtenção de informações de uma variável a 100%

Não é praticável devido a elevado custos, bem como
por dificuldades operacionais
•Utilização de uma parte da população “amostra”

visando a obtenção de estimativas precisas sem
tendencias dos parametros da população
Estimativas
n
Média aritmética: (X ) i

Erro de amost. absoluto: E a  t  s x
x i 1
n
n
t  sx
Variância:  ( X i  x )2 Erro de amost. relativo: E r  
x
 100
s 
2 i 1
n 1
x
Intervalo de confiança para média:

Desvio Padrão: sx  s x ²  
IC x  (t  s x )  X  x  (t  s x )  P
s x2  N  n 
Variância da média: s 
2
x
 
n  N  Total da população: Xˆ  N  x
sx
Erro padrão: sx    (1  f ) Intervalo de confiança para total:
n
ICXˆ  N t  s   X  Xˆ  N t  s   P
x x
sx
Coeficiente de variação: cv   100
x
Intensidade amostral:
Depende do grau de variabilidade da população.
É importante sempre aferir a intensidade amostral com base na precisão, a qual
é estabelecida via limite de erro especificado e probabilidade definida,
geralmente 10% e 95%, respectivamente.
População finita ou infinita:

(1 - f )  0,98  a população é considerada infinita.
(1 - f )  0,98  a população é considerada finita.
n A
f  N 
N a
Onde:
A= Área total da população (m²)
a = Área da unidade amostral ou parcela (m²)
Intensidade amostral:
O cálculo da intensidade amostral (n) muda conforme o processo de
Amostragem escolhido e é obtida por meio do valor de (t) de Student e do limite
de erro (LE), assim como pode ser calculada em função:
da variância: ou do coeficiente de variação:
Nt 2 cv%
2
Nt 2 s x2
Populações finitas: n  Populações finitas: n 
NE 2  t 2 s x2 N LE%  t 2 cv%
2 2
t 2 cv %
2
t 2 s x2
Populações infinitas: n  Populações infinitas: n 
E2 LE %2
Amostragem Aleatória Simples
• Requer que todas as combinações possíveis de (n)
unidades de amostra (u.a.) da população tenham igual
chance de participar da amostra (conjunto das u.a.).
• A seleção de cada u.a. deve ser livre de qualquer

escolha e totalmente independente.
• O desenho da amostra na área a ser inventariada pode

ser combinado de várias maneiras:
N!
CnN 
n! N  n !
• O uso de fotografias aéreas, mapas e ferramentas de
geotecnologia se faz necessário neste processo, pois
permite estabelecer a estrutura de amostragem, a partir
da qual será obtida a amostra aleatoriamente.
• As principais dificuldades deste processo são localizar

as unidades amostrais no campo e o acesso ao local
exato onde estas deverão ser demarcadas.
• Estas dificuldades aumentam quanto mais extensa e

acidentada for a área da floresta e quanto mais densa
for esta. Estes fatores têm implicação direta nos custos
do inventário.
• Quando deve ser aplicada:
– Áreas homogêneas
– Áreas pequenas
– Áreas de fácil acesso
NOTAÇÃO
Para realização dos cálculos das estimativas é necessário

conhecer algumas notações:
• N = número total de unidades da população ou número

potencial;
• n = número de unidades amostradas ou medidas;
• f = fração de amostragem;
• X = variável de interesse.
ESTIMATIVAS
• Intensidade Amostral: pode ser calculada em função da
variância ou do coeficiente de variação:
• Populações finitas:
n
2
Nt s x
2
n
Nt cv %
2 2
NE  t s x N LE %  t cv %
2 2 2 2 2 2
• Populações infinitas: t cv %

2 2 2 2
t sx
n n
E
2
LE% 2
E  LE  x 
ESTIMATIVAS
• Intensidade Amostral:
CT  C0
• Em função dos custos CT  C0  nC1 n
C1
• Onde:
• CT = custos totais do inventário;
• CO = custos fixos (planejamento, equipamentos, análise
e relatórios);
• C1 = custo médio por unidade amostral;
• n = número de unidades amostradas ou medidas.
Estimativas
n
Média aritmética: (X ) i

Erro de amost. absoluto: E a  t  s x
x i 1
n
n
t  sx
Variância:  ( X i  x )2 Erro de amost. relativo: E r  
x
 100
s 
2 i 1
n 1
x
Intervalo de confiança para média:

Desvio Padrão: sx  s x ²  
IC x  (t  s x )  X  x  (t  s x )  P
s x2  N  n 
Variância da média: s 
2
x
 
n  N  Total da população: Xˆ  N  x
sx
Erro padrão: sx    (1  f ) Intervalo de confiança para total:
n
ICXˆ  N t  s   X  Xˆ  N t  s   P
x x
sx
Coeficiente de variação: cv   100
x
EXEMPLO DE APLICAÇÃO
• Talhão de Pinus taeda, plantado em uma área de 40 ha;

• Objetivo: estimar o volume de madeira;
• Processo de amostragem: aleatória simples;
• Parcelas de 600 m2;
• Inventário piloto: 16 parcelas;
• Erro máximo admissível: 10%;
• Nível de probabilidade: 95%.
VOLUME
EXEMPLO DE APLICAÇÃO PARCELA
(m3 /parcela de 600 m2)
1 20,85
2 19,47
3 24,13
4 24,34
5 25,13
6 22,37
7 22,51
8 19,78
9 25,05
10 28,84
11 23,70
12 24,78
13 22,58
14 23,70
15 36,16
16 17,83
20,85  19,47    17,83
x   23,83m / parcela 17,82  667  16 
 
3 2
sx     1,0870 m / parcela
2 3
16
16  667 
sx 
2 267,37
16  1

 17,82 m / parcela
3

2
4,222
sx    0,976  1,043m / parcela
3
16
sx  s  17,82  4,222m / parcela
2 3
x
Ea  2,131 1,043  2,223m / parcela
3
4,222
cv   100  17,72%
23,83 2,131 1,043
Er    100  9,33%
E  2,383m / parcela
3 23,83
N 
400.000
 667 parcelas
 
IC 23,83  2,131 1,043  X  23,83  2,131 1,043  95%
 
600
IC 21,61m / parcela  X  26,05m / parcela  95%
3 3
16
f   0,0240
667 Xˆ  667  23,83  15.895m
3
1  0,0240  0,976  0,98

 
IC 15.895  6672,131 1,043  X  15.895  6672,131 1,043  95%
6672,131 17,82
2
n1 
6672,383  2,131 17,82
2 2
 13,9  14 parcelas

IC 14.413m  X  17.377m
3 3
  95%
6672,160 17,82
2
n2   14,3  14 parcelas
6672,383  2,160 17,82
2 2
Amostragem Estratificada
• Quando uma população é heterogênea pode-se dividi-la
em sub-populações homogêneas (estratos), de modo
que a reduzir a variabilidade da variável de interesse.
• Este processo consiste em eliminar fontes de variação

que podem mascarar resultados do inventário, para
tanto a variabilidade dentro dos estratos deve ser
menor que a variabilidade da floresta como um todo.
• Além disto, a estratificação permite obter estimativas

mais precisas, uma vez que a variabilidade de cada
estrato será tanto menor quanto melhor for a
estratificação da floresta.
• A estratificação ainda facilita a coleta de dados e o
processamento destes por estrato, sendo também
conveniente para planejamento e condução de trabalho
de campo.
• O número de estratos a serem adotados depende da

conveniência administrativa, do custo do levantamento
e da variabilidade da característica de interesse a
inventariar.
• O número total de parcelas (tamanho da amostra) irá

influenciar o erro de amostragem, ou seja, a precisão do
inventário.
• Assim, para obter um erro de amostragem menor deve-
se aumentar a intensidade amostral.
• Se a população é muito heterogênea e as razões de

custo limitam o aumento da intensidade amostral,
torna-se impossível definir uma amostragem aleatória
simples da população toda com uma precisão razoável.
• Dividindo a população em estratos mais homogêneos,

diminui-se o erro de amostragem global, melhorando a
precisão do inventário.
• O aumento da intensidade amostral, decorrente da
heterogeneidade da população, acarretará elevação dos
custos do inventário.
• Com a estratificação da população, é possível

conseguir, com uma intensidade amostral menor, uma
estimativa precisa da média, e diminuição dos custos.
• No processo de estratificação a divisão da população

em estratos é feita de modo que estes não sejam
superpostos e, juntos, totalizem o tamanho da
população.
• A estratificação deve ser feita com base na variável de
interesse.
• Pode ser: as espécies, as idades, as procedências,

regiões administrativas, tipologias, condições
topográficas, estágios de desenvolvimento, classes de
densidade ou diâmetro, índices de sítio ou altura média
das árvores dominantes e a característica de interesse
(volume, peso, etc.).
• Tipos de estratificação:
– Estratificação da variável de interesse
– Estratificação administrativa
– Estratificação tipológica
– Pré-estratificação
– Pós-estratificação
NOTAÇÃO
• L = número de estratos;
• h = índice de estratos;
• Nh = número potencial de unidades dos estratos (h);
• nh = número total de unidades amostradas nos estratos
(h);
• N = número total potencial de unidades da população;
• n = número total de unidades amostradas na população;
• Wh = proporção do estrato (h) na população;
• wh = proporção do estrato (h) na amostra total;
• Ah = área do estrato;
• A = área total da população;
• fh = fração amostral do estrato (h);
• f = fração amostral da população;
• Xih = variável de interesse na amostragem estratificada.
L
N
L L
N
h 1
h n n
h 1
h Wh 
N h Ah
N

A
wh 
nh
n
A A
h 1
h
ESTIMATIVAS
Intensidade Amostral
• Alocação proporcional: as u.a. são distribuídas no

estrato proporcionalmente ao tamanho do mesmo:
Nh
nh   n ou nh  Wh.n
N
• A variabilidade do estrato e o custo não são levados em

consideração. Os estratos maiores recebem mais
parcelas que os menores.
ESTIMATIVAS
• A intensidade amostral é calculada em função da

variância estratificada:
L
t 2
W s h
2
h
• Populações finitas: n h 1
W h s h2 L
E t 2
h 1 N
2

L
• Populações infinitas: t 2
 Wh s h2
n h 1
E2
ESTIMATIVAS
• Alocação ótima: distribuição das u.a é feita de forma

proporcional à variação e aos custos.
Wh sh
Ch
nh  n
L W s 
  h h
 C


• Onde:
h 1
 h 
• Ch = custo de amostragem no estrato (h).
ESTIMATIVAS
• A intensidade amostral é calculada através do seguinte:
• Populações finitas: 
  L
  L
sh 
t   Whsh Ch   Wh
2  
 h 1  h 1 Ch 

n L
Whsh2
E t 
2 2
h 1 N
• Populações infinitas:

 L  L 
t   Whsh Ch   Wh
2 sh 
  h 1 
  h 1   Ch 

n
E2
ESTIMATIVAS
• Alocação ótima com custos iguais ou de Neyman:

variação da alocação ótima, onde se consideram custos
iguais de amostragem em todos os estratos
Wh s h
nh  L
n
W s
h 1
h h
• Os estratos com maior variabilidade recebem

proporcionalmente mais parcelas que os estratos mais
homogêneos.
ESTIMATIVAS
• A intensidade amostral é calculada assim:

2
• Populações finitas:  L 
t 2
 
Wh s h 

n  h 1 
L
W h s h2
E 2
t 2
h 1
 N
• Populações infinitas:  L 
2
t 2
 
Wh s h 

n  h 1
2

E
ESTIMATIVAS
• Número efetivo de graus de liberdade: as fórmulas dos

intervalos de confiança pressupõem que a média
estratificada tenha uma distribuição normal e o erro
padrão da média estratificada seja bem determinado,
para que o valor de (t) possa ser encontrado na tabela.
• O valor de (t) pode ser encontrado na tabela, em função

do número efetivo de graus de liberdade e do nível de
probabilidade admitido pelo inventário.
ESTIMATIVAS
• Satterthwaite (1946) desenvolveu um método para o

cálculo do número efetivo de graus de liberdade:
2
 L 

  g h sh2 

ne   h 1 
L
g h 2sh4
 nh  1
h 1
• Onde: g  N h N h  nh 
h
nh
ESTIMATIVAS L
( X ih
)
Média por estrato xh  h 1
nh
L
 N h x h  L
Média estratificada x st  h 1

  Wh x h 
N h 1
L
Variância por estrato s 2 


h 1
( X ih  x h ) 2
nh  1
h
 W 
Variância estratificada L
s st2  s
h h
2
h 1
ESTIMATIVAS
2 2
L
s L
W s
2
Variância da média estratificada s x ( st )   W h2  h   h h
h 1 n h h 1 N
2
L
s L
W h s h2
Erro padrão estratificado s
x ( st )
 h 1
W h2  h 
nh

h 1 N
Erro de amostragem absoluto E a  t  s x (st )
t  s x ( st )
Er    100
Erro de amostragem relativo x ( st )
ESTIMATIVAS
Intervalo de confiança para a média estratificada

 
IC x st  (t  s x (st ) )  X  x st  (t  s x (st ) )  P
Total por estrato Xˆ h  N h x h

L
Total para a população Xˆ   Xˆ
h 1
h  Nx st
Intervalo de confiança para o total da população
 
IC Xˆ  Nt  s x st    X  Xˆ  N t  s x st    P
ANÁLISE DE VARIÂNCIA
FONTES DE VARIAÇÃO GL SQ QM F
Entre estratos L-1 SQe SQe/(L-1) QMe/QMd
Dentro dos estratos n-L SQd SQd/(n-L)
TOTAL n-1 SQt
 X  xh 
nh
 n x  x
L L
SQ e  SQ d 
2 2
h h ij
h 1 h 1 i 1
nh
SQe SQd QM e
  X  x
L
SQ t  ih
2
QMe  QMd  F
h 1 i 1 GLe GLd QM d
• Empresa de consultoria florestal: inventário em uma

floresta natural com área total de 1.000 ha;
• Processo de amostragem: estratificada;
• Fotos aéreas: estrato 1 com 650 ha de floresta
explorada e estrato 2 com 350 ha de floresta
(inexplorada);
• Inventário piloto: 12 unidades amostrais de um hectare
em cada uma;
• Volume de madeira para laminação com casca.
Estrato 1
Unidade de
1 2 3 4 5 6 7 8 9 10 11 12
Amostra
Volume para
Laminação 101 82 95 89 74 79 96 92 86 92 83 100
(m3 / ha)
Estrato 2
Unidade de
1 2 3 4 5 6 7 8 9 10 11 12
Amostra
Volume para
Laminação 125 147 109 119 128 153 143 121 122 109 99 130
(m3 / ha)
101 82    100
 71,538m / ha
786,9167
x1  s 
2 3 2
12  1
1
12
x 1  89,083m 3 / ha
 261,174m / ha
2.872,917
s 
2 3 2
12  1
2
125  147    130

x2 
12
x 2  125,417m 3 / ha
xst  0,65x89,083  0,35x125,417  101,800m3 / ha

F.V. GL SQ QM F
Entre 1
Dentro 22
TOTAL 23

SQe  1289,083  107,25  12125,417  107,25
2 2

SQe  7.920,667
SQ d  

 101  89,083    100  89,083 
 2 2
 


  
125  125 ,417 2
   130  125,417 2




SQd  786,917  2.872,917 SQd  3.659,833
F.V. GL SQ QM F
Entre 1 7.920,667
Dentro 22 3.659,833
TOTAL 23

SQt  101 107,25  82  107,25    130  107,25
2 2 2

SQt  11.580,5
F.V. GL SQ QM F
Entre 1 7.920,667
Dentro 22 3.659,833
TOTAL 23 11.580,5
7.920,667
QM e   7.920,667
1
3.659,833
QM d   166,356
22
F.V. GL SQ QM F
Entre 1 7.920,667 7.920,667 47,613
Dentro 22 3.659,833 166,356
TOTAL 23 11.580,5
7.920,667
F  47,613
166,356
Fcal  47,613  Ftab 0,05;1 / 22   4,30
E  LE  x st 
xst  0,65x89,083  0,35x125,417  101,800m3 / ha

E  10,18m 3 / ha
L
n h
24
f  h 1
  0,024 1 0,024  0,976  0,98
N 1000
A1 650
W1    0,65
A 1000
A2 350
W2    0,35
A 1000
EXEMPLO DE APLICAÇÃO  L 2

t W h s h 
2
 h 1 
n  
L
W s 2
E 2 t 2  h h
h 1 N
n1 
2,069 137,911  5,66  6
2
parcelas
10,18  2,069 0,138
2 2
n2 
2,570 137,911
2
 8,71  9 parcelas
10,18  2,570 0,138
2 2
n3 
2,360 137,911  7,02  7
2
parcelas
10,18  2,360 0,138
2 2
n4 
2,447 137,911  7,95  8
2
parcelas
10,18  2,447 0,138
2 2
n h  Wh  n
nestrato1  0,65  6  3,9  4
nestrato 2  0,35  6  2,1  2
 W 
L
s st2  s
h h
2
h 1
s st2  0,650  71,538  0,350  261,174
s  137,911m / ha 
2 3 2
st
2 2
L
s L
W s
s x2( st )   W h2  h   h h
h 1 n h h 1 N
 71,538  
 0,650   
 1000  
s x2st   0,4225  5,9615  0,1225  21,7645  
 261,174  
 0,350  
 1000  
 5,0470m / ha
2 3 2
s x st 
s x st   s x2st   5,0470  2,2466m 3 / ha

N h N h  nh 
gh 
nh
650650  12 350350  12
g1   34.558,33 g 2   9.858,33
12 12
2
 L  2.472.233,81  2.574.739,48
2

  g h sh 
2

ne 
5,5563111  6,0266211
ne   h 1 
L 2,5471913
g h 2sh4
 nh  1
ne 
1,15829 12
 21,991  22
h 1
E a  t  s x (st ) E a  2,074  2,247  4,659m 3 / ha
t  s x ( st ) 4,659
Er    100 Er    100  4,6%
x ( st ) 101,800
 
IC x st  (t  s x (st ) )  X  x st  (t  s x (st ) )  P

IC 101,800  4,659  X  101,800  4,659  95% 
IC 97,14m 3

/ ha  X  106,46m 3 / ha  95%
Xˆ h  N h x h Xˆ 1  65089,083  57.904m 3
Xˆ 2  350125,417  43.895m 3
L
Xˆ   Xˆ h  Nx st Xˆ  1000101,800  101.800m 3
h 1
 
IC Xˆ  Nt  s x st    X  Xˆ  N t  s x st    P

IC 101.800  4.659,45  X  101.800  4.659,45  95% 
IC 97.140m 3

 X  106.459m 3  95%
Amostragem Sistemática
• Critério de probabilidade: aleatoriedade apenas da
primeira unidade de amostra, sendo todas as demais
distribuídas segundo uma mesma orientação, ou seja,
segundo uma distribuição espacial equitativa ou
mecânica.
• Pode ser em estágio único, por meio de faixas ou

parcelas, ou em dois estágios, entre linhas e entre
unidades na linha.
• Fácil localização das unidades amostrais no campo,

menor tempo gasto no deslocamento para localizar as
parcelas e redução dos custos do inventário.
• Proporciona boa estimativa da média e total, devido à
distribuição uniforme da amostra em toda população.
• Recomendado quando se deseja mapear a população

ou conhecer a distribuição espacial de espécies
florestais, visto que a distribuição das parcelas no
campo é feita de forma a varrer toda a propriedade,
possibilitando a identificação de aspectos físicos e
mesmo estabelecer o contorno da propriedade.
• As unidades amostrais são fixadas através de um

intervalo regular, haverá um conjunto fixo de amostras
possíveis na população.
• Se um intervalo de amostragem (k) for escolhido,
haverá (k) amostras possíveis.
• Sendo uma população florestal composta por (N)

unidades e (n) represente o tamanho da amostra, o
número de amostras possíveis é igual a k = N/n.
• Para que não seja tendenciosa é necessária a

aleatorização da primeira unidade amostral. Todas as
demais serão selecionadas em intervalos constantes de
(k) unidades.
• Não é um procedimento probabilístico pleno.
• Possibilidade de ocorrerem efeitos periódicos na

população: variação de local para local, apesar de seus
elementos se encontrarem arranjados
independentemente uns dos outros.
• Poderão ser obtidas estimativas superestimadas da

média se as parcelas coincidirem com o efeito periódico
que represente o limite superior dos elementos da
população ou subestimar no caso oposto.
AMOSTRAGEM SISTEMÁTICA EM ESTÁGIO ÚNICO
• A amostra é selecionada, mediante uma única etapa ou

fase de amostragem.
• Pode ser realizada através de faixas ou parcelas.

AMOSTRAGEM SISTEMÁTICA EM FAIXAS
• A área é dividida em (N) faixas de igual largura, das

quais se toma uma amostra de (n) faixas, com um
intervalo de (k) faixas.
• A seleção de (n) faixas com um intervalo (k) de

amostragem pode ser realizada de duas maneiras:
• Sorteio da primeira faixa entre 1 e (N):
• Seleção de um número aleatório entre 1 e (N) e a

subsequente divisão deste número (k).
• O numerador da fração residual da divisão está situado

entre 1 e (k) e a faixa correspondente a esse número
será eleita como a primeira unidade de amostra.
• As próximas faixas são automaticamente selecionadas

em intervalos constantes de (k) unidades.
• Sorteio da primeira faixa entre 1 e (k):
• Seleção de um número aleatório entre 1 e (k), para

definir a primeira faixa.
• As demais faixas da amostra são selecionadas,

somando o intervalo (k) ao número da faixa anterior
escolhida.
• Os dois procedimentos produzem o mesmo número de

amostras sistemáticas prováveis. O primeiro
procedimento deve ser preferido quando possível.
AMOSTRAGEM SISTEMÁTICA COM PARCELAS
• As unidades são dispostas, segundo o intervalo de

amostragem (k) em duas direções perpendiculares,
linha (M) e coluna (N).
• A seleção da primeira unidade ou ponto amostral é

realizada, geralmente, através de dois procedimentos:
• Por coordenadas:
• Sorteio de uma linha entre 1 e (M) e de uma coluna entre

1 e (N).
• Os números sorteados são divididos por (k.k).
• Numeradores das frações: indicam as coordenadas da

primeira unidade amostral (linha e coluna).
• Em seguida são selecionadas as outras unidades,

estendendo-se o intervalo (k) em ambas as direções.
• A partir de um vértice da área:
• Escolhendo-se arbitrariamente o canto inferior

esquerdo da área, marca-se um quadro de 4 linhas por 4
colunas (k.k = 16).
• A partir desse quadro é definida a primeira unidade da

amostra, sorteando um número entre 1 e 16.
• As próximas unidades são selecionadas

esquematicamente, estendendo o intervalo (k) em
ambas as direções.
AMOSTRAGEM SISTEMÁTICA EM DOIS ESTÁGIOS
• As u.a. são selecionadas através de duas etapas ou

estágios de amostragem, cada um deles com um
intervalo de amostragem.
• A distribuição equidistante das u.a. é frequentemente

alterada, de modo que o intervalo entre linhas (k1) seja
maior que o intervalo entre as unidades na linha (k2).
• O primeiro estágio é a orientação das linhas e o

segundo é o intervalo (k2).
Notação
• A = área total da floresta;

A A
• Aa = área amostrada, em hectares; f  a n a
A a
• f = fração de amostragem;
• a = área da subunidade, em metros quadrados;
• n = número de parcelas;
• d = distância na linha, entre o início de uma subunidade
e o início da subunidade seguinte, em metros;
• D = distância entre linhas, em metros.
CÁLCULOS DAS ESTIMATIVAS
• Intensidade amostral: calculada utilizando os mesmos

procedimentos da amostragem aleatória simples.
n
• Média - estágio único (X ) i
x i 1
n nj
• Média - dois estágios  ( X

j 1 i 1
ij
)
x
mn j
• Variância da média - estágio único
n
 ( X i  x )2
s x2  i 1 (1  f )
n(n  1)
• Variância da média - dois estágios
 X  X nj2 
m
2
m nj m nj 1j
 X 
2
ij  X ij  X i 1 j 
j 1
s  1  f 
2 j 1 i 1 j 1 i 1 2
n n  m 
x
• Erro padrão s x  s x2
• Erro de amostragem
• Absoluto: E a  t  s x
t  sx
• Relativo: Er    100
x
• Intervalo de confiança para a média
 
IC x  (t  s x )  X  x  (t  s x )  P
• Total da população
Xˆ  Nx
• Intervalo de confiança para o total

IC Xˆ  Ntsx  X  Xˆ  Ntsx  P 
• EXEMPLO DE APLICAÇÃO DO PROCESSO
• Empresa florestal: inventário em uma floresta na

Amazônia com área de 25.000 ha
• Processo de Amostragem Sistemática com Parcelas.
• Inventário piloto: 10 faixas de amostragem com seis

unidades de amostra em cada, com área de 1 hectare.
Áreas Basais por Hectare
Unidade de Faixa de amostragem

Amostra 1 2 3 4 5 6 7 8 9 10
1 51,5 48,0 36,9 65,9 36,7 43,9 67,6 49,2 51,6 57,2
2 55,7 52,9 32,0 67,0 29,0 40,0 56,0 55,0 47,8 46,8
3 45,3 44,7 40,0 82,0 40,3 28,9 49,7 57,8 46,5 45,0
4 48,1 46,4 29,7 75,0 35,0 44,0 48,9 60,0 53,4 55,8
5 56,3 25,2 44,3 47,4 37,6 48,0 23,8 40,0 43,5 27,9
6 55,0 29,0 38,7 59,0 23,8 45,9 37,9 37,8 29,0 32,1
Para o cálculo das estimativas foi considerado um limite de erro de amostragem máximo
de 10% da média estimada, 95% de probabilidade de confiança.
• Média das áreas basais – dois estágios
x
51,5  55,7    27,9  32,1
x  45,82m 2 / ha
106
• Variância das áreas basais
s x2 
9.110,048
59

 154,408 m / ha
2 2

• Intensidade amostral
60
1 f  1  0,9976
25.000
• População infinita:
• Valor de (t): obtido para (n - 1) e 95%: 2,001.
n1 
2,001 154,408  29,443  29 unidades amostrais
2
4,582
2
n2 
2,048 154,408  30,855  31 unidades amostrais
2
4,582
2
n3 
2,042  154,408 
2
 30,671  31 unidades amostrais

4,582 2
• No inventário piloto foram amostradas 60 parcelas, com
um intervalo de amostragem (k) de 416 unidades, então
este foi convertido ao inventário definitivo.
N 25.000
k    416,67  416
n 60
• Variância da média – dois estágios
• População infinita: não há necessidade de aplicar o

fator de correção (1 – f) na fórmula.
43.114,17
135.096,72  110.529,23 
s 2x  2  1,0035m 2 /ha
2
6060  10
• Erro padrão
s x  1,0035  1,0017m 2 / ha
• Erro de amostragem absoluto
E a  2,0011,0017  2,0045m 2 / ha
• Erro de amostragem relativo
Er  
2,0011,0017  100  4,37%
45,82


IC 45,82  2,0045  X  45,82  2,0045  95% 
IC 43,82m 2

/ ha  X  47,83m 2 / ha  95%
• Total estimado
Xˆ  25.00045,82  1.145.583m 2

IC1.145.583  50.112  X  1.145.583  50.112  95%
IC1.095.472m 2  X  1.195.695m 2   95%

Amostragem em Dois Estágios
Amostragem Em Dois Estágios
• Situação mais simples da amostragem em múltiplos
estágios
• Divide-se a população em (N) unidades amostrais

primárias, e estas são subdivididas em (M) unidades
amostrais secundárias, representando assim, o
primeiro e o segundo estágio
• Aplicável quando a área inventariada for muito grande:

Inventário Florestal Nacional ou em florestas nativas,
quando há dificuldade de acesso – facilidade
operacional e redução de custos
• Notação
• N = número total de unidades primárias da população

• n = número de unidades primárias amostradas
• M = número total de unidades secundárias por unidade
primária
• m = número de unidades secundárias amostradas por
unidade primária
• Xij = variável de interesse na amostragem em dois
estágios
• ESTIMATIVAS
• Intensidade amostral
• Unidades primárias
 2 s d2 
t  s e 
2

• Populações infinitas:  m
n
E2
 2 s d2 
t  s e 
2

• Populações finitas: n  m
1 2  2 s d2 
E  t  s e 
2

N  M 
• Unidades secundárias C1 s d2
m  2
C2 se
• Onde:
• C1 = Custo médio de deslocamento
• C2 = Custo médio de medição
• S2d = variância dentro

• S2e = variância entre
n m
• Média da população por subunidade  X
i 1 j 1
ij
x
nm
m
X ij
• Média das subunidades por unidade primária xi  m
j 1
• Variância por subunidade s x2  s e2  s d2
 X 
n m
ij  x i
2
i 1 j 1
sd2  QMdentro 
n m  1
mx i  x 
n

2
QM entre  QM dentro
s e2  QM entre  i 1
m n 1
• Variância da média  N  n  s 2
 M  m  s 2
s x2    e   d
 N  n  M  nm
• Erro padrão s x  s x2
• Erro de amostragem
• Absoluto: E a  t  s x
• Relativo: E r   t  s x  100
x
 
IC x  (t  s x )  X  x  (t  s x )  P
• Total da População
Xˆ  NMx
 
IC  Xˆ  NM t  s x   X  Xˆ  NM t  s x   P
• Empresa: inventário de uma floresta na Amazônia

• Área: 100.000 ha
• Processo de Amostragem em Dois Estágios
• Aleatoriamente 15 unidades primárias com área de 100
ha
• Aleatoriamente 4 unidades secundárias com área de 1
ha, de 20 m x 500 m
• Volumes comerciais para laminação
• Limite de erro máximo de 10% da média estimada
• 95% de probabilidade de confiança
SUB-UNIDADE
UNIDADE MÉDIA
(m³/ha)
AMOSTRAL xi
1 2 3 4
1 21,4 35,2 25,3 18,4 25,075
2 23,0 22,9 24,3 26,4 24,150
3 26,4 22,7 30,1 29,7 27,225
4 25,8 17,0 18,2 35,1 24,025
5 26,7 29,2 40,8 38,2 33,725
6 34,3 33,0 28,6 41,0 34,225
7 27,5 45,0 41,7 38,4 38,150
8 39,8 25,3 27,8 40,6 33,375
9 51,1 37,8 46,9 43,4 44,800
10 27,2 26,5 44,0 33,8 32,875
11 56,3 38,2 35,1 45,2 43,700
12 25,2 23,8 29,0 37,9 28,975
13 44,3 40,0 38,7 37,8 40,200
14 47,4 43,5 59,0 29,0 44,725
15 37,6 27,9 23,8 32,1 30,350
• Média da população por subunidade
21,4  23,0    29,0  32,1
x  33,705m 3 / ha
60
• Média das subunidades por unidade primária
21,4  35,2  25,3  18,4

x1   25,075
4
23,0  22,9  24,3  26,4

x2   24,150
4
• Variância por subunidade
2.236,50 2.970,19
QM dentro   50,278 QMentre   212,157
154  1 15  1
s d2  50,278m 3 / ha 
2
• Variância entre unidades primárias
se2 
QMentre  QMdentro 212,157  50,278
m

4

 40,470 m 3 / ha 
2
• Estimativa da variância total

s x2  s e2  s d2
s x2  40,470  50,278  90,747m 3 / ha 

2
• Intensidade amostral – Unidades secundárias
• Para efetuar o cálculo do número de unidades

secundárias utilizou-se uma razão de custos (C1/C2)
igual a 0,45:
50,278
m  0,45   0,748  1
40,470
• O número ótimo de subunidades por unidade primária

seria 1, porém, como foram tomadas 4 subunidades,
decidiu-se calcular o número de unidades primárias
com 4 unidades secundárias.
• Intensidade amostral - Unidades primárias
• Para calcular o número de unidades primárias, é

necessário obter algumas informações, como:
• O valor de E: E  LE  x  E  3,3705m 3 / ha
• População: f  15  0,015 1 0,015  0,985  0,98

1000
• Intensidade amostral - Unidades primárias
 50,278 
2,145 2
 40,470  
 4 
n1   21,48  21 unidades amostrais
3,3705 2
 50,278 
2,086 2
 40,470  
 4 
3,3705 2
 50,278 
2,093 2
 40,470  
 4 
3,3705 2
• Variância da média
• (1 - f) para as unidades primárias = 0,985
• Para as unidades secundárias: 1- f = 0,96, portanto a

população é finita
f 
4
 0,04 1 f  1 0,04  0,96
100
40,470  100  4  50,278

s x2    s x2  3,502m 3 / ha 
2
15  100  154 
• Erro padrão s x  3,502  1,871m 3 / ha
• Erro de amostragem absoluto

Ea  2,1451,871  4,014m3 / ha
4,014
• Erro amostral relativo Er    100  11,91%
33,705
• A intensidade amostral realizada não foi satisfatória

para os requerimentos do inventário
• Intervalo de confiança para média

IC 33,705  4,104  X  33,705  4,104  95% 
IC 29,691m 3

/ ha  X  37,719m 3 / ha  95%
• Total estimado
Xˆ  100010033,705  3.370.500m 3

IC3.370.500  401.392  X  3.370.500  401.392  95%
IC2.969.108m 3  X  3.771.892m 3   95%

Amostragem Em Conglomerados
• Variação da amostragem em dois estágios: segundo
estágio é sistemático dentro do primeiro
• Redução dos custos de amostragem e de locomoção,

porém o cálculo do erro de amostragem sofre uma
pequena tendência
• Melhor controle no trabalho de campo e também uma

percepção de maior quantidade de variabilidade da
variável de interesse
• Baseia-se na obtenção da informação pelo menor custo,
propiciando maiores benefícios por unidade de custo
que as amostragens aleatória simples e estratificada
• Opta-se pela amostragem em conglomerado quando o

custo de obter informações aumenta com o aumento da
distância entre elementos
• ou quando a confecção da lista de elementos de uma

população apresenta um custo muito alto para sua
obtenção
• ou é impossível de ser viabilizada

Exemplos de formas e arranjos das subunidades
• O número de subunidades por conglomerado é
representada pela fórmula:
C1 1  
M 
C2 
• Depende do resultado do coeficiente de correlação

intraconglomerados para a população considerada.
• Esta dependência vai afetar o custo total no final da

otimização.
• As variâncias entre e dentro dos conglomerados variam

de acordo com a distância entre as subunidades
• Quando se aumenta a distância, aumenta-se a variância

dentro e diminui a variância entre conglomerados
• Alguns autores afirmam que a distância de 100 m é

sugerida como a ideal entre as subunidades do
conglomerado
• Notação
• N = número total de unidades primárias da população

• n = número de unidades primárias amostradas
• M = número total de unidades secundárias por unidade
primária
• m = número de unidades secundárias amostradas por
unidade primária
• Xij = variável de interesse na amostragem em dois
estágios
ESTIMATIVAS
• As principais estimativas da amostragem em
conglomerados são as seguintes:
– Intensidade amostral
• A intensidade de amostragem, assim como na

amostragem em dois estágios, é calculada a partir de
duas equações – existência de duas variáveis (n) e (M),
função de custos é utilizada para compor, juntamente
com a variância da média, duas das equações do
sistema
Intensidade amostral
Número de conglomerados
t 2 s x2
n  2 1  r M  1
E M
Número ótimo de subunidades do conglomerado
C1 1  r
M 
C2 r
Coeficiente de correlação intraconglomerados

2
s
r 2 e
se  sd
2
• Esta estimativa avalia o grau de homogeneidade da

variável de interesse na floresta, podendo assumir
valores entre (0 ≤ r ≤ 1) - quando não existir variância
entre os conglomerados (Se2 = 0) será igual a zero e
quando a variância dentro dos conglomerados for nula
(Sd2 = 0), será igual a 1 .
• Assim, quanto menor o valor de (r), mais homogênea

será a floresta.
• Para efeito prático, é determinado um limite para o valor

de (r), onde (0 ≤ r ≤ 0,4), o qual enquadra populações
absolutamente homogêneas (r = 0) e as razoavelmente
homogêneas (r = 0,4).
• Quando o coeficiente de correlação for maior que o

limite aceitável, a amostragem estratificada será mais
eficiente que a amostragem em conglomerados.
Média da população por subunidades
n m
 X
i 1 j 1
ij
x
nM
Média das subunidades por conglomerado

M X ij
xi  j 1 M
Variância da população por subunidade
n M
1
s 
2
x  ij
nM  1 i 1 j 1
( X  x ) 2
• Através da análise de variância s 2  s 2  s 2

x e d
• sendo
Variância dentro dos conglomerados
 
n M
  ij i
 2
X x
i 1 j 1
→ sd2  QM dentro 
n M  1
Variância entre conglomerados
→ QMentre  QMdentro
se2 
M
• onde n
 M  x i  x 2
i 1
QM entre 
n 1
Variância da média
N ns
2
s x2  x 1  r M  1
2
s 2
s
s 
2
x e
 d ou
 N  n nM nM
Erro padrão
s x  s x2
Erro de amostragem
• Absoluto E a  t  s x
t  sx
• Relativo Er    100
x
Intervalo de confiança para a média
 
IC x  (t  s x )  X  x  (t  s x )  P
Total da População
Xˆ  NMx
Intervalo de confiança para o total
 
• Empresa: inventário na floresta na Amazônia

• Área: 2.500ha
• Processo de Amostragem em Conglomerados
• 15 conglomerados com área de 1 ha, cada um
composto por 4 sub-unidades de 0,25 hectare
• Após as medições de diâmetro à altura do peito, a
empresa processou os dados e obteve as áreas basais
• Limite de erro máximo de 10%
Exemplo aplicativo de amostragem em conglomerados
Unidade Secundária (m³/0,25ha) Média

Conglomerado
I II III IV xi
1 12,9 13,9 11,3 12,0 12,525
2 12,0 13,2 11,2 11,6 12,000
3 9,2 8,0 10,0 7,4 8,650
4 16,5 16,8 20,5 18,8 18,150
5 9,2 7,3 10,1 8,8 8,850
6 11,0 10,0 7,2 11,0 9,800
7 16,9 14,0 12,4 12,2 13,875
8 12,3 13,8 14,5 15,0 13,900
9 12,9 12,0 11,6 13,4 12,475
10 14,3 11,7 11,3 14,0 12,825
11 14,1 12,0 13,8 11,5 12,850
12 6,3 6,0 7,3 9,5 7,275
13 11,1 10,0 9,7 9,5 10,075
14 11,9 10,9 14,8 7,3 11,225
15 9,4 7,0 6,0 8,0 7,600
A seguir, cálculos das estimativas
12,9  13,9    6,0  8,0

x  11,472m 2 / 0,25ha
60
• Média das subunidades por conglomerado

12,9  13,9  11,3  12,0
x1   12,525
4
12,0  13,2  11,2  11,6
x2   12,000
4
• Onde
n
 M x i  x 
2
i 1 458,5693
QMentre    32,755
n 1 15  1
7,572
r   0,7543
7,572  2,467
• Variância da população por subunidade
• Através da fórmula
n M
1
s 
2
x  ij
nM  1 i 1 j 1
( X  x ) 2
• Através da análise de variância
s x2  se2  sd2 
 7,572  2,467  10,039 m / 0,25ha
2

2
• Para calcular o número de conglomerados necessários

para representar a população, é necessário obter o
valor de (E)
E  LE  x  → E  0,1  11,472   1,1472
• O valor de (t) é obtido em função de (GL) e do nível de

probabilidade, na tabela da distribuição de Student.
Conforme o exemplo, o grau de liberdade é 14 e o nível
de probabilidade admitido é de 95%, sendo assim, o
valor de (t), segundo a tabela, 2,145.
• Sendo
  X ij  x i 
n M
2
sd2  QM dentro 
i 1 j 1
n M  1

111,0125
154  1

 2,467 m / 0,25ha
3

2
se2 
M

4
 7,572 m 3 /0,25ha2

n1 
2,145   10,039 
2
1 0,7543  4  1  28,62  29 conglomera dos
1,1472   4
2
• Recalcula-se a intensidade amostral até o obter valor

constante, com valor de (t) para 28 graus de liberdade
(2,048)
n2 
2,048   10,039 
2
1 0,7543  4  1  26,12  26 conglomera dos
1,1472   4
2
n3 
2,059   10,039 
2
1 0,7543  4  1  26,39  26 conglomera dos
1,1472   4
2
• Os cálculos realizados indicam que 26 conglomerados

amostram bem a população. No inventário piloto foram
amostrados 15 conglomerados, havendo a necessidade
de aumentar a intensidade amostral e assim pode-se
determinar o erro de amostragem cometido neste
inventário.
• Pode ser calculada de duas formas
• O valor de (1 - f) indica que a população inventariada é

infinita, portanto elimina-se o fator de correção da
fórmula da variância da média,
15
f   0,006 → 1 f  1 0,006  0,994 >0,98
2.500
s x2 
7,572 2,467
15

154

 0,546 m / 0,25ha
2
2
ou
s x2 
10,039
15  4

1  0,7543  4  1  0,546 m / 0,25ha
2
2
Erro padrão
s x  0,546  0,739m 2 / 0,25ha
Erro de amostragem absoluto
Ea  2,1450,739  1,585m2 / 0,25ha

Erro de amostragem relativo
1,585
Er    100  13,81 %
11,472
• É possível observar que o erro relativo (13,81%) foi

superior ao limite de erro admitido neste inventário
(10%), isto ocorreu devido à intensidade amostral
realizada, que não foi satisfatória.
Intervalo de confiança para média
 
IC 11,472  1,585  X  11,472  1,585  95 %
 
IC 9,89m 2 / 0,25ha  X  13,06m 2 / 0,25ha  95%
• Total estimado
X̂  2.500411,472  114.720m2
IC 114 .720  15 .850  X  114 .720  15 .850   95 %
 
IC 98.870m 2  X  130.570m 2  95%
Amostragem de Shiue
Amostragem de Shiue
• Assemelha-se ao processo de amostragem sistemático

– ao invés de um início aleatório, tem-se múltiplos
inícios aleatórios
• Proposto por Shiue (1960) – todas as faixas ou linhas de

unidades devem ser selecionadas aleatoriamente
• Divisão de uma população em (n) partes de (K)

unidades cada, sendo escolhida aleatoriamente, a
posição em que será colocada a faixa ou linha
Amostragem de Shiue
• Essa estrutura é uma convergência da amostragem

sistemática em dois estágios para a amostragem
aleatória simples – mantém-se a abordagem das
unidades sobre a mesma orientação da amostragem
sistemática, mudando apenas a localização das linhas
ou faixas
• A minimização da variância entre linhas ou faixas,

devido a orientação da amostragem é a principal
vantagem do processo, assim como, a obtenção de
estimativa válida do erro de amostragem, uma vez que
são selecionadas (n) unidades
Amostragem de Shiue
Número de Inícios Aleatórios
• Um grande número de inícios aleatórios faz a

distribuição das unidades se aproximar de uma amostra
aleatória, reduzindo a variância da média bem como a
eficiência da amostragem sistemática
• Amostras pequenas apresentam valores de (t) altos,

interferindo nos cálculos do intervalo de confiança e
erro de amostragem.
Amostragem de Shiue
Cálculos das Estimativas
• Cada início aleatório é tratado como um conglomerado,

e as fórmulas utilizadas no processo de amostragem
em conglomerados podem ser empregadas neste
processo
Amostragem de Shiue
• Para o cálculo da intensidade amostral, é utilizado o

mesmo procedimento usado no processo de
amostragem em conglomerados
Número ótimo de subunidades do conglomerado
C1 1  r
M 
C2 r
Amostragem de Shiue
• Onde (r) é o coeficiente de correlação

intraconglomerados
s e2
r 2
s e  s d2
Número de conglomerados
t 2 s x2
n  2 1  r M  1
E M
Amostragem de Shiue
Média da população por subunidade
n M
 X ij
x
i 1 j 1
nM
Média das subunidades por conglomerado
M
X ij
xi  
j 1 M
Amostragem de Shiue
• Através da fórmula
n M
1
s 
2
x  ij
nM  1 i 1 j 1
( X  x ) 2
s x2  s e2  s d2
Amostragem de Shiue
• Sendo
  X ij  x i 
n M
2
i 1 j 1
n M  1
QMentre  QMdentro
se2 
M
Amostragem de Shiue
• Onde n
 M x i  x 
2
i 1
QM entre 
n 1
s e2
r 2
s e  s d2
Amostragem de Shiue
 N  n  se
2
s x2 s d2
s 
2
1  r (M  1) ou s 
2
x  
 N  n nM
x
nM
Erro padrão
s x  s x2
E a  t  s x
Amostragem de Shiue
t  sx
Er    100
x
 
IC x  (t  s x )  X  x  (t  s x )  P
Amostragem de Shiue
Total da População
Xˆ  NMx
 
Amostragem de Shiue
• Empresa: inventário na floresta na Amazônia

• Área: 15.000 ha
• Processo de Amostragem Com Múltiplos Inícios
Aleatórios
• 12 conglomerados lineares com 8 sub-unidades de 0,25
hectare
• Após as medições, a empresa processou os dados e
obteve volumes comerciais
• Limite de erro máximo de 20%
Amostragem de Shiue
Exemplo aplicativo da amostragem com múltiplos inícios aleatórios.
Início Subunidades (m³/0,25 ha)

Aleatório 1 2 3 4 5 6 7 8
1 8,8 11,6 11,0 7,8 8,7 5,9 11,3 14,1
2 10,0 13,5 12,9 11,0 15,0 16,0 12,5 16,0
3 22,5 17,0 14,0 16,5 17,3 9,5 25,0 19,5
4 8,5 12,8 9,3 8,9 13,5 15,5 11,0 15,3
5 6,5 12,2 10,0 14,5 14,2 6,4 9,0 14,7
6 12,5 17,0 14,4 18,5 9,9 22,9 15,0 19,5
7 6,4 20,5 13,5 16,5 17,3 20,3 8,9 23,0
8 20,9 13,8 18,3 18,4 19,9 10,0 23,4 16,3
9 22,7 15,6 19,1 21,5 19,8 14,5 25,2 18,1
10 14,5 20,0 9,4 13,5 19,9 17,9 17,0 22,5
11 9,2 7,0 7,5 14,0 12,5 16,5 11,7 9,5
12 14,4 16,7 17,3 13,9 19,8 10,0 16,9 19,2
Amostragem de Shiue
A seguir, cálculos das estimativas
8,8  11,6    16,9  19,2

x   14,731m 3 / 0,25ha
96
• Média das subunidades por conglomerado

8,8  11,6    11,3  14,1
x1   9,90
8
10,0  13,5    12,5  16,0
x2   13,36
8
Amostragem de Shiue
x 3  17,66 x 5  10,94 x 7  15,80 x 9  19,56 x11  10,99

x 4  11,85 x 6  16,21 x 8  17,63 x 10  16,84 x 12  16,03
  X ij  x 
m M
1
• Através da fórmula s 
2 2
n  M  1 i 1 j 1
x
 2.119,866   22,314m 3 / 0,25ha 

1
s x2 
2
12  8  1
Amostragem de Shiue
• Variância da população por subunidade
s x2  se2  sd2  8,335  14,594  22,929 m3 / 0,25 ha 2
• Sendo
  X ij  x i 
n M
2
i 1 j 1
n M  1

1.225,858
128  1

 14,594 m 3 / 0,25ha2
Amostragem de Shiue
n
 M x i  x 
2
i 1
QM entre 
n 1
n
 M x i  x 
2
i 1 894,009
QM entre    81,274
n 1 12  1
se2 
M

8
 8,335 m /0,25ha
3 2
 
Amostragem de Shiue
• Coeficiente de correlação intraconglomerados
8,335
r   0,3635
8,335  14,594
• Para calcular o número de conglomerados necessários

para representar a população, é necessário obter o
valor de (E)
E  LE  x  → E  0,2  14,731  2,9463

Amostragem de Shiue
• O valor de (t) é obtido em função de (GL) e do nível de

probabilidade, na tabela da distribuição de Student.
Conforme o exemplo, o grau de liberdade é 11 e o nível
de probabilidade admitido é de 95%, sendo assim, o
valor de (t), segundo a tabela, 2,201 .
n1 
2,201  22,929 1  0,3635  8  1  5,67  6 conglomerados
2
2,946  8
2
Amostragem de Shiue
• Recalcula-se a intensidade amostral até o obter valor

constante, com valor de (t) para 5 graus de liberdade
(2,571)
n2 
2,571  22,929
2
1  0,3635  8  1  7,73  8 conglomerados

2,946  8
2
n3 
2,365  22,929
2
1  0,3635  8  1  6,54  7 conglomerados

2,946  8
2
n4 
2,447  22,929 1  0,3635  8  1  7,01  7 conglomerados
2
2,946  8
2
Amostragem de Shiue
• Os cálculos realizados indicam que 7 faixas amostram

satisfatoriamente a população. Como no inventário
piloto foram amostradas 12 faixas, este foi convertido
no inventário definitivo.
 0,847m / 0,25ha 
8,335 14,594
s  
2 3 2
x
12 128
Amostragem de Shiue
Erro padrão
s x  0,847  0,920m 3 / 0,25ha

Ea  2,2010,920   2,025m3 / 0,25 ha

2,025
Er    100  13,75%
14,731
• O erro relativo ainda está dentro do limite de erro

admitido no inventário (20%).
Amostragem de Shiue

IC 14,731  2,025  X  14,731  2,025  95% 
 
IC 12,706m 3 / 0,25ha  X  16,756m 3 / 0,25ha  95%
• Total estimado
Xˆ  7.500814,731  883.875m 3
Amostragem de Shiue
IC883.875  121.509  X  883.875  121.509  95%
IC 762.366 m 3  X  1.005.384 m 3   95%

Aulas Inventário Florestal

Enviado por

Direitos autorais:

Formatos disponíveis

Aulas Inventário Florestal

Enviado por

Dados do documento

Descrição 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

Aulas Inventário Florestal

Enviado por

Direitos autorais:

Formatos disponíveis

PROCESSOS DE AMOSTRAGEM

Amostragem aleatória Amostragem sistemática

Estimativas & parametro

•A obtenção de informações de uma variável a 100%

•Utilização de uma parte da população “amostra”

Média aritmética: (X ) i

Intervalo de confiança para média:

População finita ou infinita:

da variância: ou do coeficiente de variação:

• A seleção de cada u.a. deve ser livre de qualquer

• O desenho da amostra na área a ser inventariada pode

• As principais dificuldades deste processo são localizar

• Estas dificuldades aumentam quanto mais extensa e

Para realização dos cálculos das estimativas é necessário

• N = número total de unidades da população ou número

• Populações infinitas: t cv %

Média aritmética: (X ) i

Intervalo de confiança para média:

• Talhão de Pinus taeda, plantado em uma área de 40 ha;

1  0,0240  0,976  0,98

• Este processo consiste em eliminar fontes de variação

• Além disto, a estratificação permite obter estimativas

• O número de estratos a serem adotados depende da

• O número total de parcelas (tamanho da amostra) irá

• Se a população é muito heterogênea e as razões de

• Dividindo a população em estratos mais homogêneos,

• Com a estratificação da população, é possível

• No processo de estratificação a divisão da população

• Pode ser: as espécies, as idades, as procedências,

– Estratificação da variável de interesse

• Alocação proporcional: as u.a. são distribuídas no

• A variabilidade do estrato e o custo não são levados em

• A intensidade amostral é calculada em função da

• Alocação ótima: distribuição das u.a é feita de forma

• A intensidade amostral é calculada através do seguinte:

• Alocação ótima com custos iguais ou de Neyman:

• Os estratos com maior variabilidade recebem

• A intensidade amostral é calculada assim:

• Número efetivo de graus de liberdade: as fórmulas dos

• O valor de (t) pode ser encontrado na tabela, em função

• Satterthwaite (1946) desenvolveu um método para o

Variância por estrato s 2 

Erro de amostragem absoluto E a  t  s x (st )

Intervalo de confiança para a média estratificada

Total por estrato Xˆ h  N h x h

Intervalo de confiança para o total da população

Entre estratos L-1 SQe SQe/(L-1) QMe/QMd

Dentro dos estratos n-L SQd SQd/(n-L)

TOTAL n-1 SQt

• Empresa de consultoria florestal: inventário em uma

125  147    130

xst  0,65x89,083  0,35x125,417  101,800m3 / ha

xst  0,65x89,083  0,35x125,417  101,800m3 / ha

nestrato1  0,65  6  3,9  4

nestrato 2  0,35  6  2,1  2

s st2  0,650  71,538  0,350  261,174

s x st   s x2st   5,0470  2,2466m 3 / ha

E a  t  s x (st ) E a  2,074  2,247  4,659m 3 / ha

• Pode ser em estágio único, por meio de faixas ou