Objetivou-se, neste estudo, distinguir grupos ecológicos por técnicas multivariadas, utilizando dados de 37 espécies arbóreas, em área sem intervenção, obtidos em 10 anos de monitoramento do Ensaio de Produção Sustentável em Floresta Estacional Semidecidual Secundária de Transição, implantado em 1986 em Rio Vermelho e Serra Azul de Minas, MG. As espécies foram divididas em pioneiras, secundárias iniciais e secundárias tardias. Já as variáveis consideradas foram: número de árvores por hectare; número de ingressos; número de árvores mortas; área basal; volume; diâmetro médio; incrementos em diâmetro, em área basal e em volume; índice de valor de importância; e regeneração natural. Utilizaram-se as análises de componentes principais (ACP), de agrupamento (AA) e discriminante (AD). Com a ACP foi possível reduzir a dimensão para tridimensional com uma explicação da variância de 79%. Na AA, visando a uma classificação “a posteriori”, observou-se que a formação de grupos não correspondeu à classificação “a priori”. Com a AD, verificaram-se 92,86 e 57,14% de classificações “a posteriori” e “a priori” corretas, respectivamente. A utilização das ACP, AA e AD permitiu identificar as espécies arbóreas que deveriam ser classificadas em maior número de grupos ecológicos, enquanto a aplicação de técnicas multivariadas da avaliação da pré-classificação confirma a subjetividade na classificação dos grupos ecológicos.
The objective of this research was to apply multivariete techniques analysis to separate ecological groups. Data of 37 tree species, in area without intervention, obtained in ten years of survey by the Experiment of Sustainable Production in Secondary Forest of Transition, established in 1986, at Rio Vermelho and Serra Azul de Minas, Minas Gerais State, Brazil were used. The species were separated in pioneers, early secondary and old secondary. The considered variables were: number of trees per hectare, number of ingrowth, mortality, basal area, volume, mean diameter, increment in diameter, increment in basal area, increment in volume, index of value of importance and natural regeneration. Principal components analysis (PCA); cluster analysis (CA) and the discriminant analysis (DA) were used. By PCA it was possible to reduce the dimension to threedimensional with variance explanation above 79%. In the CA, seeking a classification at posteriori, it was observed that group formation did not correspond to the classification at priori. With the DA, 92.86 and 57.14% of classification at posteriori and at priori respectively were correct. In conclusion: the use of the principal components analysis, cluster analysis and discriminant analysis allowed the identification of tree species that should be classified in a larger number of ecological groups; and the application of PCA, CA and DA in the evaluation of at priori classification confirms most researchers’ subjectivity in classifying ecological groups of tree species.
