Um importante instrumento da ecologia de comunidades é a análise multivariada, que trata todas as
variáveis simultaneamente, sintetizando os dados e revelando a sua estrutura com a menor perda de
informações possÃvel. Objetivou-se neste trabalho construir, através da análise multivariada, dois
Ãndices fitossociológicos que envolvessem as mesmas variáveis do Ãndice de Valor de Importância
(IVI), para comparação dos resultados entre estes Ãndices, através do ranqueamento das espécies
arbóreas amostradas em um inventário da Floresta Ombrófila Densa, em três categorias ecológicas
previamente estabelecidas: predominância alta, intermediária e baixa. A adequação da análise fatorial
foi determinada pelos testes Bartlett e KMO. O teste de Bartlett avaliou a significância geral da matriz
de correlação, indicando que as correlações, em geral, são significantes ao nÃvel de 1% de
probabilidade. O teste KMO indicou que as variáveis estão correlacionadas e o modelo fatorial
apresentou um nÃvel bom de adequação aos dados. Estes resultados respaldaram o emprego da análise
fatorial para a extração de fatores e a estimação dos escores fatoriais das espécies. O melhor Ãndice
entre os três foi aquele obtido através da análise fatorial, pelo método de componentes principais, que
adicionou uma variável dummy para cada uma das variáveis envolvidas no modelo.
Construction of importance value index of species using multivariate analysis for phytosociological
analysis of dense rain forest. An important tool for community ecology is multivariate analysis, which
treats all variables simultaneously, summarizing data and revealing its structure with the smallest
possible loss of information. This study aimed to develop, by multivariate analysis, two
phytosociological indices derived from the same variables of the Importance Value Index (IVI), in order
to compare such results between the indices by ranking of tree species sampled in a dense rain forest
inventory, according to three previously established ecological categories: high, medium and low
prevalence. The suitability of factor analysis was determined by Bartlett and KMO tests. Bartlett's test
evaluated the overall significance of the correlation matrix indicating that correlations in general were
significant at probability of p < 0.01. The KMO test indicated that the variables were correlated and the
factorial model presented a good suitability level to the data. These results reinforce factor analysis using
for factor extraction and estimating factor species scores. The best index of the three was obtained with
factor analysis, which added a dummy variable to each variable in the model.
