The hardware and bandwidth for this mirror is donated by dogado GmbH, the Webhosting and Full Service-Cloud Provider. Check out our Wordpress Tutorial.
If you wish to report a bug, or if you are interested in having us mirror your free-software or open-source project, please feel free to contact us at mirror[@]dogado.de.
Primeiro carregamos o pacote e os dados:
library(forestmangr)
data(exfm1)
data(exfm2)
data(exfm3)
data(exfm4)
data(exfm5)
dados_acs_piloto <- exfm3
dados_acs_def <- exfm4
dados_ace_piloto <- exfm1
dados_ace_def <- exfm2
dados_as <- exfm5O objetivo deste exemplo é realizar uma amostragem casual simples de uma área, de 46,8 ha com um erro de 20%. Foram lançadas 10 parcelas de 3000 m² para um inventário piloto. Os dados são o seguinte:
dados_acs_piloto
#> # A tibble: 10 × 4
#> TOTAL_AREA PLOT_AREA VWB VWB_m3ha
#> <dbl> <int> <int> <dbl>
#> 1 46.8 3000 41 137.
#> 2 46.8 3000 33 110
#> 3 46.8 3000 24 80
#> 4 46.8 3000 31 103.
#> 5 46.8 3000 10 33.3
#> 6 46.8 3000 32 107.
#> # ℹ 4 more rowsAgora, rodamos o inventário piloto considerando um erro de 20% e a
população como finita com a função sprs. Lembrando que os
valores de área da parcela devem ser inseridos em metros quadrados, e os
valores de área total devem ser inseridos em hectare:
sprs(dados_acs_piloto, "VWB", 3000, 46.8,error = 20, pop = "fin")
#> Variables Values
#> 1 Total number of sampled plots (n) 10.0000
#> 2 Number of maximum plots (N) 156.0000
#> 3 Variance Quoeficient (VC) 53.2670
#> 4 t-student 2.2622
#> 5 recalculated t-student 2.0452
#> 6 Number of samples regarding the admited error 25.0000
#> 7 Variance (S2) 328.0000
#> 8 Standard deviation (s) 18.1108
#> 9 Mean (Y) 34.0000
#> 10 Standard error of the mean (Sy) 5.5405
#> 11 Absolute Error 12.5335
#> 12 Relative Error (%) 36.8634
#> 13 Estimated Total Value (Yhat) 5304.0000
#> 14 Total Error 1955.2326
#> 15 Inferior Confidence Interval (m3) 21.4665
#> 16 Superior Confidence Interval (m3) 46.5335
#> 17 Inferior Confidence Interval (m3/ha) 71.5549
#> 18 Superior Confidence Interval (m3/ha) 155.1118
#> 19 inferior Total Confidence Interval (m3) 3348.7674
#> 20 Superior Total Confidence Interval (m3) 7259.2326Com esses resultados, percebe-se que para atingirmos o erro desejado, precisaremos de mais 15 amostras. Após uma nova amostragem, os novos dados são os seguintes:
dados_acs_def
#> # A tibble: 25 × 3
#> TOTAL_AREA PLOT_AREA VWB
#> <dbl> <int> <int>
#> 1 46.8 3000 41
#> 2 46.8 3000 33
#> 3 46.8 3000 24
#> 4 46.8 3000 31
#> 5 46.8 3000 10
#> 6 46.8 3000 32
#> # ℹ 19 more rowsAgora o inventário definitivo será realizado, com 20% de erro e considerando uma população finita:
sprs(dados_acs_def, "VWB", 3000, 46.8, error = 20, pop = "fin")
#> Variables Values
#> 1 Total number of sampled plots (n) 25.0000
#> 2 Number of maximum plots (N) 156.0000
#> 3 Variance Quoeficient (VC) 45.4600
#> 4 t-student 2.0639
#> 5 recalculated t-student 2.0930
#> 6 Number of samples regarding the admited error 20.0000
#> 7 Variance (S2) 226.6933
#> 8 Standard deviation (s) 15.0563
#> 9 Mean (Y) 33.1200
#> 10 Standard error of the mean (Sy) 2.7595
#> 11 Absolute Error 5.6952
#> 12 Relative Error (%) 17.1957
#> 13 Estimated Total Value (Yhat) 5166.7200
#> 14 Total Error 888.4555
#> 15 Inferior Confidence Interval (m3) 27.4248
#> 16 Superior Confidence Interval (m3) 38.8152
#> 17 Inferior Confidence Interval (m3/ha) 91.4159
#> 18 Superior Confidence Interval (m3/ha) 129.3841
#> 19 inferior Total Confidence Interval (m3) 4278.2645
#> 20 Superior Total Confidence Interval (m3) 6055.1755O erro foi atingido.
Os valores de área podem ser inseridos também como colunas:
sprs(dados_acs_def, "VWB", "PLOT_AREA", "TOTAL_AREA",
error = 20, pop = "fin")
#> Variables Values
#> 1 Total number of sampled plots (n) 25.0000
#> 2 Number of maximum plots (N) 156.0000
#> 3 Variance Quoeficient (VC) 45.4600
#> 4 t-student 2.0639
#> 5 recalculated t-student 2.0930
#> 6 Number of samples regarding the admited error 20.0000
#> 7 Variance (S2) 226.6933
#> 8 Standard deviation (s) 15.0563
#> 9 Mean (Y) 33.1200
#> 10 Standard error of the mean (Sy) 2.7595
#> 11 Absolute Error 5.6952
#> 12 Relative Error (%) 17.1957
#> 13 Estimated Total Value (Yhat) 5166.7200
#> 14 Total Error 888.4555
#> 15 Inferior Confidence Interval (m3) 27.4248
#> 16 Superior Confidence Interval (m3) 38.8152
#> 17 Inferior Confidence Interval (m3/ha) 91.4159
#> 18 Superior Confidence Interval (m3/ha) 129.3841
#> 19 inferior Total Confidence Interval (m3) 4278.2645
#> 20 Superior Total Confidence Interval (m3) 6055.1755Também é possível realizar vários inventários casuais simples. Para
demonstrar isso vamos utilizar o dado de exemplo para inventário
estratificado, porém, vamos utilizar as estatísticas de acs. Utilizamos
a função sprs, e indicamos a variável de grupo no argumento
.groups. Neste caso, como temos várias áreas, a área total
deve ser informada como uma coluna:
sprs(dados_ace_def, "VWB", "PLOT_AREA", "STRATA_AREA",
.groups = "STRATA" ,error = 20, pop = "fin")
#> Variables STRATA1 STRATA2 STRATA3
#> 1 Total number of sampled plots (n) 14.0000 20.0000 23.0000
#> 2 Number of maximum plots (N) 144.0000 164.0000 142.0000
#> 3 Variance Quoeficient (VC) 24.4785 15.8269 16.7813
#> 4 t-student 2.1604 2.0930 2.0739
#> 5 recalculated t-student 2.4469 4.3027 4.3027
#> 6 Number of samples regarding the admited error 9.0000 11.0000 12.0000
#> 7 Variance (S2) 2.1829 3.6161 5.3192
#> 8 Standard deviation (s) 1.4774 1.9016 2.3063
#> 9 Mean (Y) 6.0357 12.0150 13.7435
#> 10 Standard error of the mean (Sy) 0.3752 0.3984 0.4402
#> 11 Absolute Error 0.8105 0.8339 0.9130
#> 12 Relative Error (%) 13.4288 6.9409 6.6431
#> 13 Estimated Total Value (Yhat) 869.1429 1970.4600 1951.5739
#> 14 Total Error 116.7157 136.7670 129.6455
#> 15 Inferior Confidence Interval (m3) 5.2252 11.1811 12.8305
#> 16 Superior Confidence Interval (m3) 6.8462 12.8489 14.6565
#> 17 Inferior Confidence Interval (m3/ha) 52.2519 111.8105 128.3048
#> 18 Superior Confidence Interval (m3/ha) 68.4624 128.4895 146.5647
#> 19 inferior Total Confidence Interval (m3) 752.4271 1833.6930 1821.9284
#> 20 Superior Total Confidence Interval (m3) 985.8586 2107.2270 2081.2194O objetivo deste exemplo é realizar uma amostragem casual sistemática de uma área, com um erro de 5%. A área foi dividida em 3 estratos: 1 com 14,4 ha e 7 parcelas, um com 16,4 ha e 8 parcelas, e outro com 14,2 ha e 7 parcelas. As parcelas tem uma área de 1000 m². Ao total foram 22 parcelas para o inventário piloto. Os dados são o seguinte:
dados_ace_piloto
#> # A tibble: 22 × 5
#> STRATA STRATA_AREA PLOT_AREA VWB VWB_m3ha
#> <int> <dbl> <int> <dbl> <dbl>
#> 1 1 14.4 1000 7.9 79
#> 2 1 14.4 1000 3.8 38
#> 3 1 14.4 1000 4.4 44
#> 4 1 14.4 1000 6.25 62.5
#> 5 1 14.4 1000 5.55 55.5
#> 6 1 14.4 1000 8.1 81
#> # ℹ 16 more rowsAgora realizamos o inventário com um um erro almejado de 5%,
considerando a população como finita utilizando a função
strs. Os valores de área podem ser inseridos como números,
ou como variáveis. No caso da área dos estratos, um vetor numérico pode
ser utilizado. A área da parcela deve ser inserida em metros quadrados,
e a área dos estratos em hectares:
strs(dados_ace_piloto, "VWB", 3000, c(14.4, 16.4, 14.2),
strata = "STRATA", error = 5, pop = "fin")
#> $Table1
#> Variables STRATA 1 STRATA 2
#> 1 STRATA_AREA 14.4000 16.4000
#> 2 Plot Area 3000.0000 3000.0000
#> 3 Number of sampled plots per stratum (nj) 7.0000 8.0000
#> 4 Total number of sampled plots (n) 22.0000 22.0000
#> 5 Number of maximum plots per stratum (Nj) 48.0000 54.6667
#> 6 Number of maximum plots (N) 150.0000 150.0000
#> 7 Nj/N Ratio (Pj) 0.3200 0.3644
#> 8 Stratum sum (Eyj) 42.1000 98.2500
#> 9 Stratum quadratic sum (Eyj2) 268.8950 1237.2275
#> 10 Mean of Yi per stratum (Yj) 6.0143 12.2812
#> 11 PjSj2 0.8370 1.5929
#> 12 PjSj 0.5175 0.7619
#> 13 PjYj 1.9246 4.4758
#> 14 t-student 2.0796 2.0796
#> 15 recalculated t-student 2.0129 2.0129
#> 16 Number of samples regarding the admited error 45.0000 45.0000
#> 17 Optimal number of samples per stratum (nj optimal) 11.0000 16.0000
#> 18 Optimal number of samples (n optimal) 46.0000 46.0000
#> 19 Total value of Y per stratum (Yhatj) 288.6857 671.3750
#> STRATA 3
#> 1 14.2000
#> 2 3000.0000
#> 3 7.0000
#> 4 22.0000
#> 5 47.3333
#> 6 150.0000
#> 7 0.3156
#> 8 96.1000
#> 9 1365.5500
#> 10 13.7286
#> 11 2.4316
#> 12 0.8760
#> 13 4.3321
#> 14 2.0796
#> 15 2.0129
#> 16 45.0000
#> 17 19.0000
#> 18 46.0000
#> 19 649.8190
#>
#> $Table2
#> Variables value
#> 1 t-student 2.0796
#> 2 Standard error of the mean (Sy) 0.4228
#> 3 Stratified Variance 4.8614
#> 4 Stratified Standard Deviation 2.1554
#> 5 Variance Quoeficient (VC) 20.0829
#> 6 Stratified Mean (Y) 10.7325
#> 7 Absolute Error 0.8793
#> 8 Relative Error (%) 8.1925
#> 9 Estimated Total Value (Yhat) 1609.8798
#> 10 Total Error 131.8894
#> 11 Inferior Confidence Interval (m3) 9.8533
#> 12 Superior Confidence Interval (m3) 11.6118
#> 13 Inferior Confidence Interval (m3/ha) 32.8442
#> 14 Superior Confidence Interval (m3/ha) 38.7060
#> 15 inferior Total Confidence Interval (m3) 1477.9904
#> 16 Superior Total Confidence Interval (m3) 1741.7691Analisando a tabela 1, vemos que para atingir o erro de 5%, precisaremos amostrar mais 24 parcelas. 4 no estrato 1, 8 no estrato 2, e 12 no estrato 3.
Com as parcelas lançadas, os dados para o inventário definitivo são esses:
dados_ace_def
#> # A tibble: 57 × 5
#> STRATA STRATA_AREA PLOT_AREA VWB VWB_m3ha
#> <int> <dbl> <int> <dbl> <dbl>
#> 1 1 14.4 1000 7.9 79
#> 2 1 14.4 1000 3.8 38
#> 3 1 14.4 1000 4.4 44
#> 4 1 14.4 1000 6.25 62.5
#> 5 1 14.4 1000 5.55 55.5
#> 6 1 14.4 1000 8.1 81
#> # ℹ 51 more rowsAgora, realizamos o inventário novamente, dessa vez para os dados definitivos. Consideramos novamente um erro de 5% e a população como finita:
strs(dados_ace_def, "VWB", "PLOT_AREA", "STRATA_AREA",
strata = "STRATA", error = 5, pop = "fin")
#> $Table1
#> Variables STRATA 1 STRATA 2
#> 1 STRATA_AREA 14.4000 16.4000
#> 2 Plot Area 1000.0000 1000.0000
#> 3 Number of sampled plots per stratum (nj) 14.0000 20.0000
#> 4 Total number of sampled plots (n) 57.0000 57.0000
#> 5 Number of maximum plots per stratum (Nj) 144.0000 164.0000
#> 6 Number of maximum plots (N) 450.0000 450.0000
#> 7 Nj/N Ratio (Pj) 0.3200 0.3644
#> 8 Stratum sum (Eyj) 84.5000 240.3000
#> 9 Stratum quadratic sum (Eyj2) 538.3950 2955.9100
#> 10 Mean of Yi per stratum (Yj) 6.0357 12.0150
#> 11 PjSj2 0.6985 1.3179
#> 12 PjSj 0.4728 0.6930
#> 13 PjYj 1.9314 4.3788
#> 14 t-student 2.0032 2.0032
#> 15 recalculated t-student 2.0141 2.0141
#> 16 Number of samples regarding the admited error 46.0000 46.0000
#> 17 Optimal number of samples per stratum (nj optimal) 12.0000 17.0000
#> 18 Optimal number of samples (n optimal) 47.0000 47.0000
#> 19 Total value of Y per stratum (Yhatj) 869.1429 1970.4600
#> STRATA 3
#> 1 14.2000
#> 2 1000.0000
#> 3 23.0000
#> 4 57.0000
#> 5 142.0000
#> 6 450.0000
#> 7 0.3156
#> 8 316.1000
#> 9 4461.3350
#> 10 13.7435
#> 11 1.6785
#> 12 0.7278
#> 13 4.3368
#> 14 2.0032
#> 15 2.0141
#> 16 46.0000
#> 17 18.0000
#> 18 47.0000
#> 19 1951.5739
#>
#> $Table2
#> Variables value
#> 1 t-student 2.0032
#> 2 Standard error of the mean (Sy) 0.2339
#> 3 Stratified Variance 3.6949
#> 4 Stratified Standard Deviation 1.8936
#> 5 Variance Quoeficient (VC) 17.7851
#> 6 Stratified Mean (Y) 10.6471
#> 7 Absolute Error 0.4685
#> 8 Relative Error (%) 4.4003
#> 9 Estimated Total Value (Yhat) 4791.1768
#> 10 Total Error 210.8250
#> 11 Inferior Confidence Interval (m3) 10.1786
#> 12 Superior Confidence Interval (m3) 11.1156
#> 13 Inferior Confidence Interval (m3/ha) 101.7856
#> 14 Superior Confidence Interval (m3/ha) 111.1556
#> 15 inferior Total Confidence Interval (m3) 4580.3518
#> 16 Superior Total Confidence Interval (m3) 5002.0018O erro desejado foi atingido.
Agora iremos amostrar uma área de 18 hectares em que 18 parcelas de 200 metros quadrados foram lançadas sistematicamente:
dados_as
#> # A tibble: 18 × 4
#> TOTAL_AREA PLOT_AREA VWB VWB_m3ha
#> <dbl> <int> <int> <dbl>
#> 1 10 200 6 300
#> 2 10 200 8 400
#> 3 10 200 9 450
#> 4 10 200 10 500
#> 5 10 200 13 650
#> 6 10 200 12 600
#> # ℹ 12 more rowsPrimeiro, vamos ver qual seria o erro atingido, pelo método da amostragem casual simples:
sprs(dados_as, "VWB", 200, 18)
#> Variables Values
#> 1 Total number of sampled plots (n) 18.0000
#> 2 Number of maximum plots (N) 900.0000
#> 3 Variance Quoeficient (VC) 44.6505
#> 4 t-student 2.1098
#> 5 recalculated t-student 1.9873
#> 6 Number of samples regarding the admited error 79.0000
#> 7 Variance (S2) 81.9771
#> 8 Standard deviation (s) 9.0541
#> 9 Mean (Y) 20.2778
#> 10 Standard error of the mean (Sy) 2.1341
#> 11 Absolute Error 4.5025
#> 12 Relative Error (%) 22.2042
#> 13 Estimated Total Value (Yhat) 18250.0000
#> 14 Total Error 4052.2580
#> 15 Inferior Confidence Interval (m3) 15.7753
#> 16 Superior Confidence Interval (m3) 24.7803
#> 17 Inferior Confidence Interval (m3/ha) 788.7634
#> 18 Superior Confidence Interval (m3/ha) 1239.0143
#> 19 inferior Total Confidence Interval (m3) 14197.7420
#> 20 Superior Total Confidence Interval (m3) 22302.2580O erro obtido foi de 22,2%. Agora iremos calcular o erro utilizando o
método das diferenças sucessivas com a função ss_diffs.
Lembrando que os dados devem ser inseridos na ordem de medição, valores
de área da parcela devem ser inseridos em metros quadrados, e valores de
área total, em hectares.
ss_diffs(dados_as, "VWB", 200, 18)
#> Variables Values
#> 1 Total number of sampled plots (n) 18.0000
#> 2 Number of maximum plots (N) 900.0000
#> 3 Variance Quoeficient (VC) 44.6505
#> 4 t-student 2.1098
#> 5 recalculated t-student 1.9873
#> 6 Number of samples regarding the admited error 79.0000
#> 7 Variance (S2) 81.9771
#> 8 Standard deviation (S) 9.0541
#> 9 Mean (Y) 20.2778
#> 10 Standard error of the mean (Sy) 0.4041
#> 11 Absolute Error 0.8527
#> 12 Relative Error (%) 4.2050
#> 13 Estimated Total Value (Yhat) 18250.0000
#> 14 Total Error 767.4046
#> 15 Inferior Confidence Interval (m3) 19.4251
#> 16 Superior Confidence Interval (m3) 21.1304
#> 17 Inferior Confidence Interval (m3/ha) 971.2553
#> 18 Superior Confidence Interval (m3/ha) 1056.5225
#> 19 inferior Total Confidence Interval (m3) 17482.5954
#> 20 Superior Total Confidence Interval (m3) 19017.4046O erro obtido foi de 4,2%. Houve uma redução significativa no erro.
These binaries (installable software) and packages are in development.
They may not be fully stable and should be used with caution. We make no claims about them.
Health stats visible at Monitor.