Dados

Pretendemos, neste espaço, reunir dados que possam ilustrar os conceitos emitidos nos Capítulos anteriores. Para isso, contamos com a colaboração dos leitores.

Em Limnologia, não basta a coleta e a simples apresentação dos dados. Os métodos estatísticos são essenciais em experimentos que geram respostas com flutuações como, p.ex., a produção de fitoplâncton relacionada ao aporte de fósforo, ou a variação mensal da profundidade de visibilidade do disco de Secchi.

gráfico com dados do disco de Secchi

Os gráficos podem, muitas vezes, identificar efeitos (tanto esperados como inusitados) nos dados, mais rapidamente e algumas vezes melhor do que qualquer outro método de análise estatística.

Geração e análise de dados na investigação 
científica

Os métodos clássicos de análise estatística de dados pressupõem as etapas mostradas no croqui ao lado. O primeiro passo é identificar a população-alvo do estudo, que pode ser a água do reservatório. A seguir, há que definir a amostra: tamanho, mensurações, pontos e frequência de coleta, métodos e aparelhos de medida, treinamento da equipe e outras condutas específicas. Os dados resultantes sofrem uma Análise Descritiva e posteriormente, a Análise Inferencial, que possibilita a atualização do conhecimento que se tinha, até o momento, sobre aquele caso específico.

A Amostra

O tamanho da amostra está relacionado ao tema: Suficiência amostral. Se o tamanho da amostra é bastante grande, os resultados das replicações são normalmente distribuídos, ou distribuídos segundo a Curva de Gauss (ou do sino). Assim, para n=>30, a forma da distribuição é "quase" perfeitamente normal.

Curva Normal

Para a construção da Curva de Gauss (vide croqui ao lado) há que, inicialmente, transformar os dados numa Tabela de Frequência. Para isso, arbitra-se um determinado número de classes e anotam-se quantas vezes os dados da amostra encaixam-se em cada uma. Pode-se estimar em 10 a 15 classes, ou estimá-las pela fórmula de Yule: nc = 2,5 raiz(N)  onde: nc=número de classes e N=número de variáveis.

Em qualquer levantamento, será sempre necessário avaliar se o tamanho da amostra é suficiente para dada precisão requerida. Isto pode ser estimado pela expressão:
n=t2.Sx2/ dms2   onde: n=tamanho da amostra; t=valor tabelado da distribuição  t  de Student para n-1 graus de liberdade; Sx=variância da variável  x  e dms=diferença mínima significativa a ser detectada.

Já a margem de erro na amostra, pode ser estimada pela fórmula:
e = 1 / raiz(n)  onde e=erro esperado e n=número de elementos da amostra.
Assim, numa amostra com 1.600 dados o erro esperado é de 0,025 ou 2,5% enquanto que, noutra com apenas 6, será de 0,408 ou 40,8%.

voltar MENU PRINCIPAL prosseguir