Inventário Florestal: Suficiência Amostral
Inventário Florestal

De volta ao escritório:
sua amostra é suficiente?

Por que o n necessário não tem resposta direta e como a iteração de ponto fixo resolve a dependência circular entre n e t.

01

A situação

Cena 01
Você entrou na floresta e mediu 30 parcelas
Cena 02
Voltou à base. Dados em mãos. Variância calculada.
Cena 03
A fórmula pede um n necessário, mas para calculá-lo, precisa do t de Student
O que medi é suficiente para garantir meu erro… ou preciso voltar à floresta?
02

A dependência circular

⚠ sem saída algébrica direta
Para calcular n… precisa de t
n =
t² · s²
E²
⟳
n precisa de t
t precisa de n
Mas t depende de n − 1
t =
Tabela t de Student
gl = n − 1
03

A iteração, passo a passo

Por isso, a suficiência amostral é obtida por iteração: parte-se de uma estimativa inicial de n, que neste caso é o próprio levantamento realizado em campo, consulta-se o t correspondente, recalcula-se n e repete-se o processo até a estabilização dos resultados.

Dados de campo, fixos e imutáveis
30
n medido
parcelas coletadas
s²
calculado
variância da amostra
E
definido
erro máximo admissível
s² e E são constantes a partir daqui. Apenas o valor de t será atualizado a cada rodada.
início da iteração
Rodada
1
Entra na tabela com
gl = 30 − 1 = 29
t encontrado
2,045
n = 2,045² · s² / E²
n = 38
38 ≠ 30 → recalcular com gl = 37
atualiza gl e repete
Rodada
2
Entra na tabela com
gl = 38 − 1 = 37
t encontrado
2,026
n = 2,026² · s² / E²
n = 37
37 ≈ 38 → mais uma verificação
verifica convergência
Convergiu
3
Entra na tabela com
gl = 37 − 1 = 36
t encontrado
2,028
n = 2,028² · s² / E²
n = 37
37 = 37. Solução estabilizada.
04

O veredicto

Se n necessário ≤ n coletado
Amostra suficiente
Sua amostra é estatisticamente adequada para o erro declarado. Redija o relatório com confiança, o intervalo de confiança está garantido.
Se n necessário > n coletado
Retornar a campo
Neste exemplo: n calculado = 37 > 30 coletados. Faltam 7 parcelas para garantir o erro máximo admissível com o nível de confiança declarado.
05

Por que calcular n se o erro já foi atendido?

Mesmo que sua amostra de 30 parcelas tenha gerado um erro dentro do limite, você só pode afirmar isso com rigor depois de calcular o n necessário. Sem esse cálculo, o erro observado é apenas uma estimativa, não uma garantia estatisticamente válida.

O erro pode ter sido sorte
Com poucos dados, as parcelas podem ter sido semelhantes por acaso. O erro pareceu pequeno, mas pode não representar a floresta real.
Só o n confirma o erro
O cálculo verifica se a amostra é grande o suficiente para que o erro seja válido ao nível de confiança declarado. Sem isso, o erro carece de respaldo.
O t penaliza n pequeno
A distribuição t usa valores críticos maiores quando n é pequeno, há mais incerteza. O cálculo de n garante que esse ajuste foi feito corretamente.
Em síntese: mesmo que o erro pareça atendido, o cálculo de n é obrigatório. É ele que confirma ou derruba se a amostra é grande o suficiente para garantir o erro máximo admissível com o nível de confiança declarado.
06

Por que o t de Student e não a distribuição normal

Cada etapa é consequência direta da anterior. O t não é uma escolha arbitrária, é a única resposta estatisticamente correta quando σ² é desconhecido.

1
Você não conhece σ², a variância real da floresta
A floresta inteira existe lá fora, mas você mediu apenas uma amostra. A variância real da população (σ²) é permanentemente desconhecida.
Toda a floresta
→
Variância real
σ²
desconhecida
impossível sem medir tudo
portanto…
2
Você usa s², que é apenas uma estimativa de σ²
s² é a melhor estimativa disponível, calculada a partir das 30 parcelas. Mas não é σ². Outra amostra produziria um s² diferente.
Variância real (σ²)
desconhecida
toda a floresta
≠
s² estimada
calculada
suas 30 parcelas
Quanto menor n, maior a chance de s² estar longe de σ²
por isso…
3
A distribuição normal não serve: ela assume σ² conhecido
A curva normal padrão (z = 1,96) pressupõe que você conhece σ². Usá-la com s² significa fingir uma certeza que não existe subestimando o n necessário.
0 +2 −2 z = 1,96 (assume σ² conhecido)
a solução é…
4
O t de Student, construído para quando σ² é desconhecido
O t tem caudas mais largas que a normal, uma correção deliberada. Exige um valor crítico maior, aumentando o n calculado e garantindo que a margem de confiança seja real.
0 +2 −2 t = 2,045 (usa s², sem σ²)
e daí vem o problema…
5
O t depende de n e n depende do t: iteração obrigatória
O valor crítico do t muda conforme n muda (via gl = n−1). Isso significa que n e t se definem mutuamente, não existe fórmula fechada. A iteração de ponto fixo é o único caminho.
n necessário
depende de t
→←
t de Student
depende de n − 1
Equação implícita · sem solução algébrica · iteração de ponto fixo
07

Quando a iteração não converge

Quando a amostra é pequena demais para a variabilidade da floresta, o processo iterativo pode falhar de três maneiras distintas.

n oscila, nunca estabiliza
n=8→n=24→n=9→n=22→ ∞
Variância alta + amostra pequena = t muito elevado. O ciclo não fecha.
n colapsa a 1 ou 0
n=3→n=2→n=1→gl=0 ✗
Com gl = 0 a tabela t não existe. O cálculo quebra matematicamente.
n converge em valor absurdo
s² alto→n = 4.000?
Floresta heterogênea + poucos dados = n completamente impraticável.
Em todos os casos o diagnóstico é o mesmo: a amostra é insuficiente para descrever a variabilidade da floresta. A única solução é retornar a campo. Não existe atalho estatístico.

Inventário Florestal · Suficiência Amostral · Distribuição t de Student