Bio Help PDF

APLICAES ESTATSTICAS
NAS REAS DAS CINCIAS BIO-MDICAS
Desenvolvimento estatstico:
Manuel Ayres
Professor Emrito da Universidade Federal do Par
Manuel Ayres Jr. Ph.D.,
Universidade de Maryland
Desenvolvimento do software
Daniel Lima Ayres
Engenheiro de Computao
Universidade de Illinois
Alex de Assis Santos dos Santos
Tecnlogo em Processamento de Dados

Instituto Bioestatstico de Cincia e Tecnologia
BELM PAR BRASIL

ANO 2007
Manuel Ayres, Manuel Ayres Jnior, Daniel Lima Ayres, Alex de

Assis Santos dos Santos e Lucas Lima Ayres dedicam esta verso 5.0
do BioEstat a IZA DO AMARAL CORRA AYRES, com um abrao
carinhoso, repassado com admirao e apreo.
Ao longo de mais de dez (10) anos ininterruptos, voc IZA tem nos
proporcionado apoio incondicional na elaborao de nosso trabalho
cientfico, participando direta e indiretamente com sugestes, na escolha
de textos e imagens que enriquecem nosso livro, e no apoio material e
espiritual desmedido para o aperfeioamento de uma ferramenta
imprescindvel para todos aqueles que desenvolvem pesquisa em nosso
Pas. Sua bondade e humanidade nos tem sido preciosos e voc tem sido a
grande responsvel por nossa alegria e energia nesse labor, no havendo
qualquer exagero nessa afirmao. A unanimidade dentre aqueles que tem
sorte de conhec-la de perto no deixa margem a equvocos quanto ao
estofo de que feita a sua personalidade, sendo uma criatura singular
difcil de encontrar nesse mundo conturbado em que vivemos. Voc a
Me admirvel, a Mulher incomparvel e a amiga mais carinhosa que
poderamos desejar.
Um muito obrigado de todos os seus fiis admiradores:
Manuel Ayres
Manuel Ayres Jnior
Daniel Lima Ayres
Alex Santos dos Santos
Lucas Lima Ayres
Prefcio da 5a Edio
O universo encontra-se em constante evoluo. A idia de que o mundo seria
imutvel, com toda a sua monotonia, foi alterada por outra, de uma dinmica
incessante. Da mesma maneira, a famlia Ayres e seu fiel companheiro Alex Santos
dos Santos tambm no param. Estamos agora diante da quinta verso de um manual
que j provou sua imensa utilidade junto comunidade cientfica brasileira. Tendo
como origem texto publicado h 20 anos atrs, as diferentes verses do BioEstat esto
sempre procurando manter-se alertas s necessidades desta comunidade, em uma rea
que tradicionalmente considerada difcil por alunos e profissionais da biologia e
biomedicina.
Esta natural (ser mesmo natural?) averso de bilogos e biomdicos
matemtica e estatstica est sendo vencida, e boa parte do progresso alcanado
vincula-se revoluo causada pela eletrnica. Com a internet houve uma
considervel democratizao do saber. Informaes que antes levavam meses para
transitar entre o Primeiro e o Terceiro Mundos atualmente podem ser obtidas de
maneira quase instantnea. Da mesma forma, os pacotes estatsticos tornaram
imensamente mais fcil a tarefa dos nefitos, como pode ser perfeitamente
testemunhado por todos os usurios das verses anteriores do BioEstat.
O que pode ser encontrado nas mesmas, bem como na verso atual? Bem, ali
(e aqui) esto matrias presentes tambm em qualquer tratado de bioestatstica, como
probabilidades; amostragem; construo de grficos e tabelas; frmulas mais
empregadas; estimao de parmetros clssicos; correlao e regresso; e anlise de
varincia. Mas tambm h tpicos mais especializados e de grande valor, como
anlise de sobrevivncia; bootstrap; ou meta-anlises diversas.
O que h de novo? O teste de Mantel; acrscimo aos testes de risco relativo;
ndices de diversidade; e diversos outros aplicativos que complementam de maneira
importante aspectos de processos considerados anteriormente.
Qual seria a mensagem final desta breve introduo? A de que devemos
agradecer que crebros como os dos autores deste livro estejam se dedicando difcil
tarefa de colocar disposio de seus colegas ou de qualquer outro interessado as
ferramentas bsicas necessrias utilizao de conceitos e interpretao de processos
cientficos. Em uma poca em que lado a lado com os fantsticos progressos da
cincia pululam por todo o mundo movimentos anticincia salutar encontrar obras
como esta: uma aragem revigorante que parte do ambiente quase sempre escaldante
da nossa Amaznia!
Francisco M. Salzano
Professor Emrito
Universidade Federal do Rio Grande do Sul
Prefcio da 1a e 2a Edies
O alvio da pobreza na Amaznia s pode ser feito se
diminuirmos a migrao da zona rural para as grandes
cidades. Para mantermos a populao humana na zona
rural, alm de darmos infra-estrutura escolar, sanitria
e mdica, precisamos manejar os recursos naturais de
forma sustentvel com base cientfica slida e assim
manter a estrutura dos ecossistemas atravs da
conservao dos processos ecolgicos e evolutivos.
Jos Mrcio Ayres
APRESENTAO
O pacote estatstico BioEstat, aqui apresentado, tem como objetivo propiciar

aos acadmicos de diversas reas do conhecimento um instrumento de grande
praticidade e de fcil manuseio na avaliao de informaes originadas
atravs de pesquisa, sendo composto por este manual e de um aplicativo. Este
estudo representa na verdade uma evoluo bastante significativa dos mesmos
autores de Aplicaes Estatsticas em Basic, publicado em 1987 pela editora
McGraw-Hill e, atravs de observaes ao longo dos anos, oriundas do curso
de Bioestatstica fornecido pelo autor principal na Universidade Federal do
Par.
Este trabalho foi realizado por trs geraes dos Ayres: a primeira est
representada por Manuel Ayres, professor de Estatstica da Universidade
Federal do Par; a segunda, por Manuel Ayres Jr., PhD em engenharia civil
pela Universidade de Maryland (EUA); e a terceira, pelo estudante do
segundo grau, Daniel Lima Ayres, com 15 anos de idade, que desenvolveu o
aplicativo, juntamente com Alex de Assis Santos dos Santos, em Visual Basic,
e a diagramao deste manual.
BioEstat dirigido especialmente aos estudantes de graduao e psgraduao das reas mdica e biolgica que possuam noes bsicas de
estatstica. O pacote bastante facilitado pelo emprego do aplicativo e deste
manual, onde a escolha do teste adequado poder ser feita de maneira prtica
de acordo com a natureza dos dados, nmero de amostras e tipo de
experimento. Ainda, para facilitar seu uso, cada teste tem seu respectivo
exemplo que auxilia o emprego deste pacote estatstico. Os exemplos aqui
fornecidos podem ter sido originados de situaes prticas reais ou puramente

hipotticas.
Embora os testes estatsticos aqui apresentados sejam empregados nas mais
diversas reas da cincia, a escolha foi baseada na demanda levantada ao
longo dos ltimos anos por estudantes das reas mdicas e de diversos
segmentos da rea biolgica. Podero ser observadas pequenas divergncias
de resultados quando comparados a outros pacotes desse gnero. Essas
diferenas, porventura detectadas, podem estar relacionadas ao emprego de
distintos algoritmos.
Sugestes para melhoria do pacote e possveis erros encontrados durante o seu
uso sero bem recebidos pelos autores. Essas modificaes tambm podero
ser inseridas em futuras verses.
J. Mrcio C. Ayres
MPEG/CNPq
Wildlife Conservation Society
NY
Belm, Par, Maio de 1998.
In memorian: o Autor desta Apresentao faleceu em 7 de maro de 2003 e, se vive fosse,
o segundo pargrafo desta Apresentao teria certamente o seguinte teor:
Este trabalho foi realizado por trs geraes dos Ayres: a primeira est
representada por Manuel Ayres, ex-professor de Estatstica da Universidade
Federal do Par; a segunda, por Manuel Ayres Jr., PhD em engenharia civil pela
Universidade de Maryland (EUA); e a terceira, por Daniel Lima Ayres,
engenheiro de computao pela Universidade de Illinois (EUA), que
desenvolveu o aplicativo, juntamente com Alex de Assis Santos dos Santos, e a
diagramao deste manual, e, mais recentemente, Lucas Lima Ayres, estudante
de medicina veterinria da Universidade Federal de Minas Gerais, o qual
contribuiu no desenvolvimento do Captulo 18 sobre Estatsticas Circulares.
Prefcio da 3a Edio
A conservao da biodiversidade componente essencial para qualquer poltica de
desenvolvimento sustentvel. A falta de uma poltica consistente para este fim poder levar a
contnua eliminao de diferentes formas de vida, perda de recursos genticos e a modificao
de processos ecolgicos e evolutivos que so essenciais para a prpria sobrevivncia da nossa
prpria espcie. Como demonstrado por inmeros estudos, a perda da diversidade biolgica
ter custos enormes para toda a humanidade, tanto se utilizarmos os indicadores econmicos
tradicionais, como se considerarmos tambm os valores sociais, estticos e espirituais que
fazem parte da nossa cultura.
A Conservation International acredita que conservao da biodiversidade deve ser baseada em
cincia de boa qualidade. Por isso, estamos estabelecendo, atravs dos nossos Centros de
Conservao da Biodiversidade, parcerias diversas para o desenvolvimento de pesquisas e
capacitao em todas as reas do conhecimento relevantes para a ao de conservao.
Independente da rea, o conhecimento da estatstica fundamental.
Uma necessidade comum no Brasil, tanto para os cientistas mais novos como para os que j
possuem anos de experincia, a existncia de programas de computador que sejam efetivos
para as anlises estatsticas. nesse contexto, que temos a honra de apoiar a publicao da
terceira edio do livro BIOESTAT, escrito com toda a competncia por Manuel Ayres,
Manuel Ayres Jnior, Daniel Lima Ayres e Alex Santos dos Santos. H poucos cientistas no
Brasil que no conhecem as verses anteriores e certamente so milhares os estudantes de
graduao e ps-graduao no pas que iniciaram ou aprofundaram seus estudos de estatstica
utilizando este livro. O sucesso das duas verses anteriores foi to grande, que os autores
tiveram que trabalhar bastante para atender a uma demanda enorme para a atualizao e
publicao peridica de um livro to importante para todos.
Em nome de todos os que se dedicam ao estudo e a conservao da biodiversidade brasileira e
mundial, desejamos agradecer o extraordinrio esforo dos autores para produzir uma obra to
importante para todos, assim como reconhecer a importncia do trabalho realizado por nosso
grande amigo Jos Mrcio Ayres, cujo trabalho fenomenal para demonstrar de forma
inequvoca a indissociabilidade entre cincia e conservao.
Russel A. Mittermeier
Presidente
Conservation International
Gustavo A. B. da Fonseca
Vice-Presidente Executivo
Conservation International
Prefcio da 4a Edio
A Estatstica tem tido grande importncia ao longo de sua histria, que comea Antes
de Cristo, com os registros egpcios de presos de guerra, a partir da organizao de bancos
de dados que possibilitaram o estabelecimento de uma relao-verdade entre o passado, o
presente e o futuro.
O BioEstat trilha a gide que fortalece o conhecimento da Estatstica como cincia,
desvendando modelos matemticos e procedimentos de anlises e, assim, possibilitando maior
facilidade na interpretao dos fenmenos que se manifestam espontaneamente ou so
induzidos natureza dos seres vivos, sobretudo pelo prprio Homem.
A evoluo deste trabalho didtico deve-se, entre outros fatores, s fases evolutivas
dos conhecimentos estatsticos. A princpio houve a preocupao de introduzir aqueles
aplicativos de uso mais geral, e assim o BioEstat 1.0 se apresentou como ferramenta destinada
a oferecer aspectos voltados sobretudo para estudantes de graduao e ps-graduao das
reas mdicas e biolgicas. Na segunda etapa, o BioEstat 2.0 no perde seu foco inicial, mas
evolui com a incluso de novos modelos de anlises e ultrapassa as fronteiras brasileiras e
alcana o pblico tcnico-cientfico da lngua espanhola.
Na fase seguinte, com a adio de novos aplicativos, a sugesto da escolha dos testes
estatsticos e o clculo do tamanho das amostras, o BioEstat 3.0 solidifica-se como ferramenta
didtica quase obrigatria devida, sobretudo, facilidade de sua aplicao e interpretao dos
fenmenos biolgicos, sejam de ordem observacional, quer de natureza experimental. Tem
assim incio, e de forma definitiva, a empatia entre usurios e autores, cada um interpretando
as necessidades de desenvolvimento do outro.
Por fim, ocorre a interdependncia de diversas reas do conhecimento das cincias
biomdicas com a Biometria o BioEstat 4.0 chega com nova roupagem, com mais 15
aplicativos, sem se despir de sua trajetria histrica, mas atendendo as exigncias dos
usurios, vidos por ampliar seus conhecimentos e se coloca, com seus 184 testes, como
alternativa didtica para outras reas das cincias, com sugestes dos prprios usurios.
Esta edio do BioEstat 4.0 consolida a relao de dependncia com o seu pblico
fiel, onde as trocas se igualam vontade de evoluir, com ganhos de conhecimentos e
confiabilidade, diante da necessidade de aprender a ensinar ensinando. Desperta interesse
maior e permite a sua insero, como instrumento de consultas, por estudiosos de outras reas
de conhecimento tcnico-cientfico, que se auxiliam do BioEstat nas avaliaes de seus
estudos experimentais e observacionais.
Do mesmo modo como a Estatstica surgiu e ganhou reconhecimento, o projeto
BioEstat vem evoluindo a cada lanamento. Esta evoluo s se tornou possvel pelo forte
empenho e competncia de seus autores, os quais tem se dedicado ao longo de 20 anos no
aperfeioamento e na produo desta obra.
Ana Rita Pereira Alves
Diretora
AGRADECIMENTOS
Os autores penhoradamente agradecem o desvelo da Professora

JUSSARA MORETTO MARTINELLI, da Universidade Federal do Par, na
reviso minuciosa e com primor do manuscrito do BioEstat 5.0. O interesse
inexcedvel da ilustre Professora na execuo dessa rdua tarefa, trouxe grande
satisfao, incentivo e alegria aos participantes do trabalho ora publicado.
Ao LUCAS LIMA AYRES, aluno de Medicina Veterinria da Universidade

Federal de Minas Gerais, outro componente da famlia Ayres engajado nesta
tarefa, agradecemos seu incentivo na introduo dos ndices de Shannon-Wiener e
de Simpson no BioEstat 5.0 e, sobretudo, no desenvolvimento das Estatsticas
Circulares, ainda de menor utilizao em nosso meio acadmico.
NOTA: Manuel Ayres, Manuel Ayres Jnior, Daniel Lima Ayres e Alex Assis
Santos dos Santos tm a satisfao em lanar a mais nova edio do BioEstat (5.0),
com 210 aplicativos voltados sobretudo para as reas de cincias biolgicas e
mdicas, resultantes do aperfeioamento das verses anteriores e de sugestes
recebidas dos Usurios deste softwere, esclarecendo, todavia, que possveis
incorrees no programa e no texto so de inteira responsabilidade dos seus
autores.
Agradecemos, tambm, a todas as pessoas que colaboraram direta ou

indiretamente na construo do BioEstat, tornando pblico o nosso
reconhecimento quelas indicadas em seguimento e, ainda, aos docentes e
discentes das Universidades brasileiras que muito contriburam com suas
sugestes no aperfeioamento deste trabalho:
Ademar Ayres do Amaral
Alberto Cargnelutti Filho
Alex Fiza de Melo
Altino Pinheiro
Ana Rita Pereira Alves
Anis Rassi Jnior
Antonio Carlos Simes Pio
Arno Holf Hamel
Bernardo Beiguelman
Ceclia Banhara Marigo
Cristovam Diniz
Deborah Magalhes Lima
Edson Elias Andrade Berbary
Elon Lages Lima
Fbio Pereira Alves
Fernanda Sagica
Francisco Mauro Salzano
Giorgini Augusto Venturieri
Gustavo A. B. da Fonseca
Helder Lima de Queiroz
Horcio Schneider
Ima Vieira
Israel Roisenberg
Iza do Amaral Corra Ayres
J. C. Voltolini
*
Jeffrey Shaw
Jos Mrcio Corra Ayres *
Jos Maria Cardoso da Silva
Jos Maria de Azevedo Barbosa *
Jos Maria de Sousa
Jos Slvio Govone
Jussara Moretto Martinelli
Lucimar Macedo Rodrigues
Lcio Flvio Pinto
Luiz Claudio Marigo
Marcos Porpino de Oliveira
Maria Aparecida Pion Abuabara
Miguel Petrere Jr.
Oswaldo Frota-Pessoa
Paulo A. Otto
Peter Toledo
Renata Gomes G. Oliveira
Roberto B. Cavalcanti
Russel A. Mittermeier
Srgio Cacela Alves
Sdia M. Callegari Jacques
Suely Fraiha
Victoria J. Isaac
William D. Hamilton *
: In memorian
Os autores estendem seus agradecimentos s seguintes Instituies:

Conselho Nacional de Pesquisa - CNPq
Conservation Internacional - CI
Instituto de Desenvolvimento Sustentvel Mamirau
Imprensa Oficial do Estado do Par - IOEPA
Museu Paraense Emlio Goeldi - MPEG
Ministrio da Cincia e Tecnologia MCT
Universidade Federal do Par - UFPA
Wildlife Conservation Society - WCS
SUMRIO
CAPTULO 1
Usando o BioEstat
1.1 Requerimentos de sistema, 1
1.7 Imprimindo, 6
1.2 Instalando o BioEstat, 1
1.8 Escolhendo o teste, 6
1.3 Expresso de casas decimais, 1
1.9 Executando o teste, 6
1.4 Entrando com os dados, 3
1.10 Configurando o BioEstat, 7
1.5 Salvando os dados, 4
1.10 Obtendo ajuda, 7
1.6 Abrindo arquivos, 5
1.12 Capacidade do geral do sistema, 7
CAPTULO 2
Amostragem
2.1 Introduo, 9
2.5 Amostra por Conglomerados, 11
2.2 Amostra Aleatria Simples, 10
2.6 Amostragem dos Escores do Grid, 13
2.3 Amostra Sistemtica, 10
2.7 Aumento da amostra, 14
2.4 Amostra Estratificada, 11
CAPTULO 3
Anlise Multivariada.
17
3.1 Introduo, 17
3.6 Distncia Euclidiana, 30
3.2 Anlise de Conglomerados, 17
3.7 Distncia Penrose-Mahalanobis, 31
3.3 Anlise Discriminante, 20
3.8 Teste de Bartlett, 33
3.4 Componentes Principais, 23
3.9 Teste de Hotelling, 33
3.5 Correlao Cannica, 25
3.10 Teste de Mantel, 34
CAPTULO 4
Anlise de Sobrevivncia .
39
4.1 Introduo, 39
4.6 Log-Rank Test, 47
4.2 Atuarial, 40
4.7 Gehan (Wilcoxon Gerneralizado), 51
4.3 Modelo de Cox-Mantel, 41
4.8 Mantel-Haenszel, 52
4.4 Cox: Modelo de Risco Proporcional, 42 4.9 Pirmide Populacional, 53

4.5 Kaplan-Meyer, 46
- xi -
SUMRIO
CAPTULO 5
Anlise de Varincia
59
5.1 Introduo, 59
5.5 ANOVA: fatorial a x b x c, 67
5.2 ANOVA: um critrio, 59
5.6 Teste de Friedman, 68
5.3 ANOVA: dois critrios, 64
5.7 Teste de Kruskal-Wallis, 70
5.4 ANOVA: fatorial a x b, 65
5.8 Teste Q de Cochran, 72
CAPTULO 6
Bootstrap Tira de Bota
75
6.1 Introduo, 75
6.6 IC da Proporo , 80
6.2 Dados Dicotmicos, 75
6.7 Teste t, 2 amostras independentes, 81
6.3 Dados Contnuos, 77
6.8 ANOVA, um critrio, 82
6.4 IC da Correlao Linear, 78
6.9 Correlao Linear, 83
6.5 IC da Mdia , 79
*IC: Intervalo de Confiana
CAPTULO 7
Correlao
85
7.1 Introduo, 85
7.6 Coeficiente de Contingncia C, 90
7.2 Correlao Linear de Pearson, 85
7.7 Concordncia de Kendall, 91
7.3 Matriz de Correlao, 86
7.8 Correlao de Kendall, 92
7.4 Correlao Parcial, 88
7.9 Coeficiente Phi: r, 93
7.5 Correlao Linear: 0, 89
7.9 Correlao de Spearman: rs, 94
CAPTULO 8
Distribuio de Probabilidades
8.1 Introduo, 95
8.9
8.2 Distribuio Binomial, 95
8.10 Regra de Bayes, 106
8.3 Distribuio Hipergeomtrica, 96
8.11 Sensibilidade/Especificidade, 107
8.4 Distribuio de Poisson, 97
8.12 Distribuio F, 107
8.5 Distribuio Exponencial, 98
8.13 Distribuio do Qui-Quadrado, 108
8.6 Distribuio Normal, 99
8.14 Distribuio t de Student, 109
8.7 Crivo (Screening Test), 102
8.15 Distribuio Z, 110
8.8 Curva ROC, 103
- xii -
Ponto de Corte, 105
95
SUMRIO
CAPTULO 9
Uma Amostra
111
9.1 Introduo, 111
9.8 Teste G, 119
9.2 Teste t, dados amostrais, 111
9.9 Teste de Kolmogorov-Smirnov, 120
9.3 Teste t, resumo amostral, 113
9.10 Teste de Lilliefors, 121
9.4 Teste Z, dados amostrais, 114
9.11 Teste do Qui-Quadrado, iguais, 121
9.5 Teste Z, resumo amostral, 115
9.12 Teste do Qui-Quadrado, desiguais, 122
9.6 Teste Binomial, 116
9.13 Teste de Poisson, 123
9.7 Iteraes (runs test), 117
CAPTULO 10
Duas Amostras Independentes
10.1 Introduo, 125
10.10 Teste U, de Mann-Whitney, 135
10.11 Teste da Mediana, 137
10.12 Teste do Qui-Quadrado, 138
10.4 Teste Z, dados amostrais, 129
10.13 Odds Ratio (OR), 139
10.5 Teste Z, resumo amostral, 130
10.14 Risco Relativo (RR), 140
10.6 Teste Binomial, 131
10.15 Taxa de Incidncia, 143
10.7 Teste Exato de Fisher, 132
10.16 Coeficiente de Variao, 144
10.8 Teste G, 133
10.17 Teste de Poisson, 145
125
CAPTULO 11
Duas Amostras Relacionadas
11.1 Introduo,147
11.6 Teste de McNemar, 152
11.7 Teste dos Sinais 154
11.8 Teste Kappa, 156
11.4 ANOVA, 150
11.9 Teste de Wilcoxon, 157
11.5 Correlao Intraclasse, 151

(dados contnuos)
- xiii -
147
SUMRIO
CAPTULO 12 Estatstica Descritiva
159
12.1 Introduo, 159
12.3.1 ndice de Shannon-Wiener, 162
12.2 Variveis quantitativas, 160
12.3.2 ndice de Simpson: k amostras, 163
12.3 Variveis qualitativas, 162
CAPTULO 13
Estimao de Parmetros
165
13.1 Introduo, 165
13.9
13.2 Da Mdia, 165
13.10 Impacto Populacional, PIN-ER-t, 174
13.3 Da Proporo, 167
13.11 Matriz de Crescimento Populacional,
13.4 Diferena entre Duas Mdias, 167
Fourier (densidade), 173
Modelo de Leslie, 175
13.5 Diferena entre Duas Propores, 169 13.12 Tamanho (simples, direto), 176
13.6 Densidade e Tamanho, 170
13.13 Tamanho (simples, inverso), 177
13.7 Equilbrio de Hardy-Weinberg, 171
13.14 Tamanho (mltipla, fechada), 177
13.8 Fentipos e Gentipos, 172
13.15 Tamanho (mltipla, aberta), 179
CAPTULO 14
Meta-Anlise
181
14.1 Introduo, 181
14.7
Qui-Quadrado (independncia), 192
14.2 Teste de DerSimonian-Laird, 182
14.8
Regresso para k amostras, 194
14.3 Dados Contnuos, 185
14.9
Risco Relativo (k Tabelas), 195
14.4 Teste de Mantel-Haenszel, 187
14.10 Teste G (aderncia), 197
14.5 P-Valor (pw combinado), 190
14.11 Vrias Correlaes, 198
14.6 Qui-Quadrado (aderncia), 191
14.12 Vrias Propores, 199
CAPTULO 15
Normalidade
203
15.1 Introduo, 203
15.5 Teste de Lilliefors, 205
15.2 Teste DAgostino, 203
15.6 Teste de Shapiro-Wilk, 206
15.3 Teste DAgostino-Pearson, 204
15.7 Valores Extremos (desvios), 207
15.8 Valores Extremos (quartis), 209
- xiv -
SUMRIO
CAPTULO 16
Qui-Quadrado
211
16.1 Introduo, 211
16.2 Partio, 211
16.1 Aderncia (ver Captulo 9)
16.3 Resduos do Qui-Quadrado, 212
16.1 Independncia (ver Captulo 10)
16.4 Teste de Tendncia, 213
CAPTULO 17
Anlise de Regresso
215
17.1 Introduo, 215
17.6 Logstica Simples, 224
17.2 Linear Simples, 215
17.7 Logstica Mltipla, 226
17.3 Linear Mltipla, 217
17.8 Polinomial, 228
17.4 Ajustamento de Curvas, 219
17.9 Seleo Regressores (stepwise), 230
17.5 Anlise de Resduos, 221
17.10 Comparao: duas Regresses, 233
CAPTULO 18
Estatstica Circular
235
18.1 Introduo, 235
18.5 Duas Amostras Independentes, 240
18.2 Estatstica Descritiva, 236
18.5 Trs Amostras Independentes, 242
18.3 Uma Amostra: Teste de Rayleigh, 238 18.7 Duas Amostras Relacionadas, 243
18.4 Uma Amostra: Teste V, 239
18.9 Correlao Circular, 244
CAPTULO 19 Tamanho das Amostras

19.1 Introduo, 245
245
19.7 Qui-Quadrado, 250
19.2 Anlise de Varincia, 246
19.8 Regresso Linear, 250
19.3 Correlao Linear, 246
19.9 Teste t: uma amostra, 251
19.4 Teste de McNemar, 247
19.10 Teste t: duas independentes, 252
19.5 Proporo: uma amostra, 248
19.11 Teste t: amostras pareadas, 253
19.6 Proporo: duas amostras, 249
CAPTULO 20
Transformao de Dados
20.1 Introduo, 255
- xv -
SUMRIO
CAPTULO 21
Grficos e Tabela
259
21.1 Introduo, 259
21.11 Grfico de Linha, 275
21.2 Grfico de rea, 260
21.12 Grfico Mximo e Mnimo, 276
21.3 Box-Plot (Mediana e quartis), 261
21.13 Pirmide populacional, 277
21.4 Box-Plot (Mdia e desvios), 262
21.14 Grfico Polar, 281
21.5 Caule e Folha (Stem and Leaf), 263
21.15 Grfico de setor, 282
21.6 Grfico de Colunas, 265
21.16 Manipulao de Grficos, 283
21.7 Diagrama de Disperso, 267
21.17 Tabelas de Freqncias, 285
21.8
Diagrama IC (95% e 99%), 268
21.18 Grficos de Resultados, 287
21.9
Diagrama Pontual (Dot plot), 271
21.19 Configuraes Avanadas, 287
21.10 Histograma, 272
CAPTULO 22
Frmulas Estatsticas
289
22.1 Introduo, 289
22.10 Estatstica Descritiva, 307
22.2 Anlise Multivariada, 289
22.11 Estimao de Parmetros, 309
22.3 Anlise de Sobrevivncia, 292
22.12 Meta-Anlise, 315
22.4 Anlise de Varincia, 294
22.13 Normalidade, 318
22.5 Correlao, 296
22.14 Qui-Quadrado, 319
22.6 Distribuio de Probabilidades, 297
22.15 Regresso, 321
22.7 Uma Amostra, 300
22.16 Tamanho das Amostras, 325
22.17 Transformao de dados, 327
22.9 Duas Amostras Relacionadas, 305
22.18 Distribuio circular, 327
CAPTULO 23
Escolha do Teste Estatstico Sugestes
23.1 Introduo, 331
23.5 Duas Amostras Relacionadas, 335
23.2 Nmero de Amostras, 332
23.6 k Amostras Independentes, 336
23.3 Uma Amostra, 332
23.7 k Amostras relacionadas, 337
- xvi -
331
SUMRIO
Glossrio
339
Referncias Bibliogrficas
351
ndice
359
- xvii -
CAPTULO 1
USANDO O BIOESTAT
1.1 REQUERIMENTOS DE SISTEMA

O BioEstat 5.0 requer o sistema operacional Microsoft Windows XP ou posterior e
um processador compatvel com o padro Intel Pentium com no mnimo 128MB de
memria RAM.
1.2 INSTALANDO O BIOESTAT
a) Coloque o CD-ROM do BioEstat no drive apropriado;
b) O programa de instalao deve inicializar aps alguns instantes. Caso isso no
ocorra, clique no boto Iniciar, em seguida escolha Executar e digite:
D:\SETUP.EXE, onde D a letra do drive apropriado;
c) Aps o programa de instalao inicializar, siga as instrues contidas na tela;
d) Quando a instalao estiver terminada, voc pode rodar o BioEstat clicando em
Iniciar, Programas, BioEstat 5.0 e, por fim, ao lado, em BioEstat 5.0.
1.3 EXPRESSO DE CASAS DECIMAIS
No BioEstat, para que seja mantida a compatibilidade com outros softwares e
acompanhando a norma aceita internacionalmente nas calculadoras eletrnicas, todos
os valores que possuam casas decimais devem ser grafados usando o ponto decimal.
A vrgula, portanto, no usada no BioEstat como indicador da separao entre a
parte inteira e a decimal, conforme os exemplos abaixo:
GRAFIA
CORRETA
VALOR DESEJADO
GRAFIA
INCORRETA
Um e meio.
1.5
1,5
Dois inteiros e 75 centsimos.
2.75
2,75
5000.01
5000,01
Cinco mil e um centsimo.
-1-
CAPTULO 1 USANDO O BIOESTAT

1.4 OUTRAS INFORMAES
Para usar o BioEstat preciso entender alguns termos bsicos do programa e do
padro Microsoft Windows XP :

Menu superior
Figura 1.1
Janela do
BioEstat.
Barra de
ferramentas
Grid geral
de entrada
de dados
Tela de
resultados
Barra de
status
Figura 1.2
Barra de
ferramentas
Imprimir
Copiar
Abrir
Novo grid
Recortar
Salvar
Colar
Aumentar
largura da
Limpar tudo
coluna
Diminuir
casas
decimais
Aumentar
casas
decimais
Localizar
Diminuir
largura da
coluna
-2-
Ajuda
Lista dos
testes
estatsticos
mais
comuns

1.5 ENTRANDO COM OS DADOS
Para entrar com os dados no grid geral (planilha), clique com o mouse na clula
desejada e entre com o valor ou texto, se for o caso, passando para outra clula com as
setas direcionais do teclado e inserindo o prximo dado, e assim por diante.
A denominao de uma coluna pode ser efetuada de uma das seguintes maneiras:
a) Pressione a tecla F2, preencha o nome desejado na caixa de texto e pressione a
tecla Enter;
b) Clique em Configurar no menu superior e, a seguir, na opo Nome da coluna,
preencha a caixa de texto com o nome desejado e pressione a tecla Enter.
Se h interesse em copiar os dados do grid, adote as seguintes condutas:
a) Clique em uma das clulas j preenchidas e, com o boto pressionado, arraste o
mouse sobre os dados que deseje copiar;
b) Clique no boto Copiar da barra de ferramentas ou pressione Editar do menu
superior, clicando em Copiar ou utilizando as teclas Ctrl + C.
Para recortar os dados do grid adote os seguintes procedimentos:
a) Clique em uma das clulas j preenchidas e, com o boto pressionado, arraste o
mouse sobre os dados que deseje recortar;
b) Clique no boto Recortar da barra de ferramentas ou pressione Editar do menu
superior, clicando em Recortar ou pressione as teclas Ctrl + X.
Quando for necessrio colar os dados, adote as seguintes condutas:
a) Copie ou recorte os dados que deseje colar;
b) Clique na clula desejada e pressione o boto Colar na barra de ferramentas, ou
em Colar do menu Editar ou, ainda, apertar Ctrl + V.
Para localizar um valor ou um texto do grid geral, adote os seguintes procedimentos:
a) Clique no boto Localizar na barra de ferramentas ou na opo Localizar no
menu Editar ou, ainda, pressione as teclas Ctrl + L, quando surgir a seguinte
tela:
Figura 1.3
Localizar
b) Preencha a caixa de texto com a palavra ou o valor a ser localizado, pressione em

Localizar prxima;
c) Aps fechar-se a janela Localizar, pode-se repetir a ltima busca utilizando a
tecla F3 ou a opo Localizar prxima do menu Editar.
Caso queira, pode-se apagar todos os dados presentes no grid clicando no boto
Limpar tudo da barra de ferramentas ou na opo Limpar tudo do menu Editar.
-3-

1.6 SALVANDO OS DADOS
O arquivamento para posterior recuperao dos dados contidos no BioEstat pode ser
efetuado no grid geral a maioria e, em alguns casos, em grids especficos.
1.6.1 DO GRID GERAL (Matriz de entrada de dados)
Quando for necessrio salvar os dados, siga as seguintes instrues:
a) Clique na opo Salvar (tecla Ctrl + B) no menu Arquivo ou pressione o boto
Salvar na barra de ferramentas;
b) Caso seja a primeira vez que esteja salvando os dados, entre com o nome do
arquivo desejado na caixa de texto e, em seguida, pressione o boto Salvar.
Caso deseje salvar um arquivo com outro nome, siga o seguinte procedimento:
a) Clique na opo Salvar Como no menu Arquivo;
b) Preencha a caixa de texto com o nome do arquivo desejado e, em seguida,
pressione o boto Salvar.
possvel tambm exportar os dados para o formato CSV (delimitado por vrgula),
que pode ser lido por diversos outros aplicativos, tal como o Microsoft Excel. Para
exportar, siga as seguintes condutas:
a) Clique na opo Exportar do menu Arquivo;
b) Preencha a caixa de texto com o nome do arquivo desejado e, em seguida,
pressione o boto Salvar.
1.6.2 DE GRIDS ESPECFICOS
Em alguns testes o BioEstat apresenta grids prprios, a saber:
a) Teste de Cox-Mantel;
b) Teste de Gehan (Wilcoxon generalizado);
c) ANOVA Fatorial: a x b;
d) ANOVA Fatorial: a x b x c;
e) Correlao: Teste de homogeneidade para vrios valores de r;
f) Qui-Quadrado: Homogeneidade (aderncia);
g) Teste G de Homogeneidade (aderncia).
Clique no menu Estatstica e escolha, conforme o caso, um dos testes acima

indicados. Aps introduzir os escores nas caixas de texto, como especificado na
Figura 1.4, digite em Nome do arquivo a designao que servir para identificar seus
dados.
Depois desses procedimentos, o nome do arquivo aparecer na lista dos itens salvos
na parte superior esquerda do respectivo grid com a denominao do teste em
questo. A Figura 1.4 mostra um exemplo do salvamento de um teste de Anlise de
Sobrevivncia teste de Gehan. Na lista daqueles que foram salvos aparecem dois
exemplos: Exemplo_5_6_1.Gehan e Exemplo_5_6_2.Gehan.
-4-

Para recuperar os dados, basta clicar no nome do item contido na lista, pressionando o
mouse, a seguir, em Executar para obter os resultados.
Figura 1.4
Salvando os
dados de um
grid especfico.
Na parte superior do grid consta o seguinte: Novo, Deletar, Salvar e Imprimir, que podem
ser utilizados pelo usurio, conforme o caso.
1.7 ABRINDO ARQUIVOS
Quando for necessrio abrir um arquivo, siga as seguintes instrues:
a) Clique na opo Abrir (tecla Ctrl + A) no menu Arquivo ou pressione o boto
Abrir na barra de ferramentas;
b) Selecione o arquivo desejado e pressione o boto Abrir.
Para abrir um arquivo que foi recentemente utilizado, clique no menu Arquivo e
selecione aquele desejado na parte inferior do menu.
O BioEstat contm os dados dos vrios exemplos encontrados neste manual; para
acess-los, siga os seguintes passos:
a) Clique na opo Abrir (tecla Ctrl + A) no menu Arquivo ou pressione o boto
Abrir na barra de ferramentas;
b) D um duplo clique na pasta Exemplos, que se encontra na lista de arquivos;
c) Selecione um dos vrios exemplos disponveis e pressione o boto Abrir.
O programa tambm permite importar dados do formato CSV (delimitado por vrgula)
e, para isso, siga as seguintes condutas:
a) Clique na opo Importar do menu Arquivo;
b) Selecione o arquivo desejado e pressione o boto Abrir.
-5-
1.8 IMPRIMINDO
Para imprimir dados, siga os seguintes passos:
a) Clique na opo Imprimir (Ctrl + P) do menu Arquivo ou no boto Imprimir da
barra de ferramentas;
b) Escolha se deseja imprimir o ttulo ou no, o nmero de cpias e a orientao da
pgina, sendo que a opo Automtica utiliza a orientao mais adequada;
c) Caso seja necessrio, configure a impresso apertando no boto Configuraes
ou atravs da opo Configurar impresso do menu Arquivo.
d) Quando esses procedimentos estiverem definidos, pressione o boto Imprimir.
1.9 ESCOLHENDO O TESTE
Quando o usurio desejar escolher um teste estatstico que seja adequado para os seus
dados, siga, a ttulo de sugesto, os seguintes procedimentos:
a) Pressione Sugestes no menu superior;
b) Clique na clula correspondente ao nmero de amostras do seu trabalho: uma
amostra, duas amostras independentes, duas amostras pareadas, k amostras
independentes ou k amostras relacionadas;
c) Clique na clula relacionada com o nmero de variveis da(s) amostra(s): uma,
duas ou k variveis;
d) Clique na clula relativa ao tipo de dados amostrais: categricos, ordenativos ou
numricos, surgindo, nesse momento, na parte inferior da tela, exemplos desses
modelos de dados e, na coluna seguinte, os testes sugeridos pelo programa;
e) Ao passar o cursor sobre as sugestes do BioEstat, surgiro, na parte inferior da
tela, um resumo e a frmula estatstica do teste correspondente. Se julgar
adequado, pressione o teste desejado.
A qualquer momento possvel retornar coluna anterior pressionando o boto
correspondente: Dados, Variveis ou Amostras, conforme o caso ou, ainda, em Sair
para retornar ao grid geral.
1.10 EXECUTANDO O TESTE
O BioEstat 5.0 dispe de 210 mtodos estatsticos, entre procedimentos de
amostragem, descritivos e inferenciais; para execut-los, adote as seguintes condutas:
a) Abra um dos arquivos de Exemplos do BioEstat ou digite seus prprios dados no
grid principal;
b) Clique no menu Estatsticas e escolha um teste dentre as diversas opes;
c) Na janela Seleo de Amostras:
i - Selecione as colunas a serem utilizadas no teste, clicando-as. Para selecionar
todas as colunas disponveis para o teste, aperte o boto >>;
ii - Caso queira remover alguma coluna que havia sido selecionada, d um duplo
clique nela mesma e, para remover todas as colunas selecionadas, pressione o
boto <<;
d) Quando as colunas desejadas estiverem selecionadas, clique no boto Executar
Estatstica.
-6-

Para tornar a executar o ltimo teste, clique na primeira opo do menu Estatsticas
ou pressione as teclas Ctrl + U.
Voc tambm pode acessar mais facilmente os testes estatsticos mais comuns
utilizando a lista dos mesmos na barra de ferramentas.
1.11 CONFIGURANDO O BIOESTAT
O menu Configurar apresenta uma srie de opes de configurao:
a) Aumentar Casas Decimais: aumenta o nmero de casas decimais visveis da
coluna atual, podendo tambm ser acessada atravs de seu boto na barra de
ferramentas;
b) Diminuir Casas Decimais: diminui o nmero de casas decimais visveis da
coluna atual. Esta opo pode tambm ser acessada atravs de seu boto na barra
de ferramentas;
c) Aumentar Largura: aumenta a largura da coluna atual. Tambm pode ser
acessada atravs do boto do mesmo nome na barra de ferramentas;
d) Diminuir Largura: diminui a largura da coluna atual. Ainda pode ser acessada
atravs do boto similar da barra de ferramentas;
e) Nome da coluna (F2): denomina uma coluna;
f) Barra de Ferramentas: habilita ou desabilita a barra de ferramentas;
g) Barra de Status: esconde ou torna visvel a barra de status;
h) Aumentar o nmero de colunas: basta caminhar com o cursor para direita,
utilizando a seta direcional do teclado.
1.12 OBTENDO AJUDA
Para obter ajuda enquanto estiver no BioEstat, aperte o boto Ajuda na barra de
ferramentas ou clique na opo Ajuda do BioEstat (tecla F1) no menu Ajuda.
1.13 CAPACIDADE GERAL DO SITEMA
A Capacidade de armazenamento e processamento de dados do BioEstat definida
de acordo com os aspectos referidos em seguimento.
1.13.1 TAMANHO MXIMO DA MATRIZ DE DADOS
O BioEstat suporta, no mximo, 35 mil clulas distribudas entre linhas e colunas.
1.13.2 ANLISE DE CONGLOMERADOS
Capacidade mxima de 50 variveis, com at 500 observaes cada.
1.13.3 TESTE EXATO DE FISHER
A soma de todas as clulas pode atingir 600 escores.
-7-
-8-
CAPTULO 2
AMOSTRAGEM
2.1 INTRODUO
Amostragens ou sondagens so procedimentos de seleo de subconjuntos de
populaes as amostras , destinados ao conhecimento de uma ou vrias
caractersticas dos universos investigados. Quando se estuda uma populao por
sondagens, necessrio selecionar suas amostras representativas, a fim de que os
resultados obtidos possam ser inferidos para o conjunto objeto da investigao.
As amostragens dividem-se em dois grupos:
a) Amostragens probabilsticas:
i amostras aleatrias simples;
ii amostras sistemticas;
iii amostras estratificadas;
iv amostras por conglomerados;
v amostras aleatrias: dados do grid;
vi aumento do tamanho da amostra;
vii reamostragem Bootstrap.
b) Amostras no-probabilsticas:
i intencional;
ii por convenincia;
iii por cotas.
No BioEstat sero abordadas as amostragens probabilsticas, nas quais cada indivduo
tem uma chance conhecida, diferente de zero, de ser includo na amostra e o mtodo de
seleo deve ser compatvel com a probabilidade de cada unidade.
Algumas etapas devem ser observadas na seleo amostral:
a) Definio da populao-alvo;
b) Alistamento de todos os indivduos desse universo: 1, 2, 3, , n;
c) Determinao do tamanho da amostra;
d) Escolha do modelo de amostragem;
e) Seleo das unidades da populao.
2.1.1 INSTRUES
a) Dirigir o mouse para o menu superior e clicar em Estatstica;
b) Apontar o mouse em Amostragem, quando surgir a figura abaixo, comum para
todos os modelos de seleo amostral do BioEstat:
Figura 2.1
Menu de
Amostragem.
-9-
CAPTULO 2 AMOSTRAGEM
2.2 AMOSTRAS ALEATRIAS SIMPLES
So aquelas cujos indivduos foram obtidos ao acaso da populao, tendo cada amostra
a mesma chance de ser escolhida dentre todas aquelas possveis do mesmo tamanho.
Os termos aleatrio, randmico, casual e ao acaso so sinnimos. As amostras
aleatrias simples podem ser obtidas por sorteio, em tabelas de nmeros aleatrios e
por computao.
2.2.1 EXEMPLO
Para determinar a estatura mdia de uma populao de 350 alunos da segunda srie do
Ensino Fundamental, tomou-se amostra aleatria de 40 estudantes, precedida da
listagem numrica de todos os discentes desse universo.
2.2.2 INSTRUES
a) Apontar o mouse em Aleatria, para escolha de um dos modelos: Com ou Sem
reposio.
b) Clicar o mouse em Sem reposio, modelo escolhido neste exemplo; preencher as
caixas de texto com os tamanhos da populao e da respectiva amostra,
pressionando, a seguir, o boto Executar.
Figura 2.2
Amostragem
Aleatria
(Sem
Reposio).
2.3 AMOSTRAS SISTEMTICAS

Nestas amostras o primeiro elemento escolhido ao acaso e os demais, a partir dessa
unidade, so selecionados a intervalos sistemticos (k) previamente definidos at ser
atingido o nmero total de indivduos. Os intervalos so calculados pela razo:
k = tamanho da populao (N) / tamanho da amostra (n).
A primeira unidade amostral pode variar de um (1) at o limite mximo do intervalo
sistemtico (k).
2.3.1 EXEMPLO
Do mesmo alunado do exemplo anterior, retirar amostra sistemtica de tamanho 50.
2.3.2 INSTRUES
a) Clicar o mouse em Sistemtica;
b) Preencher as caixas de texto com os tamanhos da populao e da respectiva
amostra, pressionando, a seguir, o boto Executar.
- 10 -
Figura 2.3
Amostragem
sistemtica.
2.4 AMOSTRAS ESTRATIFICADAS

Trata-se de amostras obtidas de subconjuntos de uma populao designados por
estratos ou grupos, sem superposio de unidades entre eles, retirando-se amostra
randmica de cada um. H maior homogeneidade dos elementos dentro de cada grupo
e maior diversidade entre os estratos, possibilitando maximizar as informaes sobre
todo o universo investigado. Deve-se definir cuidadosamente a quantidade de estratos,
os limites de cada um e o nmero de variveis a investigar.
2.4.1 EXEMPLO
A populao de uma cidade de 600 habitantes foi dividida em dois estratos: urbano e
rural, com a finalidade de se estudar a incidncia de malria em cada grupo de seus
residentes. O estrato urbano possui 400 habitantes e o rural, 200. O tamanho total da
amostra deve compreender 60 pessoas. Deve-se notar que o tamanho da amostra
retirada de cada subconjunto proporcional ao tamanho de cada estrato em relao ao
tamanho da populao (ver Figura 2.4).
2.4.2 INSTRUES
a) Clicar o mouse em Estratificada;
b) Preencher as caixas de texto com o nmero de estratos, o tamanho total da amostra
e o tamanho da populao em cada estrato, pressionando, a seguir, o boto
Executar.
2.5 AMOSTRAS POR CONGLOMERADOS

Caracterizam-se pelo fato de que os elementos simples destas amostras so obtidos de
unidades coletivas denominadas conglomerados ou clusters. Os conglomerados
apresentam acentuada similitude no que diz respeito variao de seus indivduos,
como so exemplos as colmias, os blocos residenciais, as aldeias de um mesmo grupo
indgena, etc. Por esse procedimento possvel a listagem de todos os clusters, a
escolha randmica de alguns, a relao completa das unidades simples daqueles j
sorteados e, finalmente, a obteno casual dos indivduos dos conglomerados
- 11 -
selecionados. A retirada da amostra pode ser efetuada em dois ou mais estgios: duplo,
triplo, mltiplo, conforme o caso.
Figura 2.4
Amostragem
Estratificada.
2.5.1 EXEMPLO
Calcular o peso mdio de estudantes da quinta srie do ensino fundamental das escolas
pblicas de um municpio. O total de estabelecimentos de ensino de 52 escolas
(conglomerados do 1o estgio), cada uma com 10 turmas da quinta srie
(conglomerados do 2o estgio), e cada turma apresentando 40 alunos matriculados
(unidades simples, 3o estgio). Foram selecionadas 5, 4 e 8 unidades dos estgios 1o, 2o
e 3o, respectivamente, constituindo, ao final, amostra de 160 discentes (5 x 4 x 8).
2.5.2 INSTRUES
a) Clicar o mouse em Conglomerados;
b) Preencher a caixa de texto com o nmero de estgios (3), com a denominao de
cada um, o nmero de unidades contidas nos respectivos clusters e, por fim, a
quantidade de unidades determinadas para sorteio em cada conglomerado.
Pressionar, em seguida, o boto Executar.
Figura 2.5
Amostragem
por Conglomerados.
(parte dos resultados)
- 12 -
2.6 AMOSTRA ALEATRIA DOS ESCORES DO GRID SEM REPOSIO
Pode-se retirar amostras aleatrias de escores inseridos no grid geral do BioEstat.
2.6.1 EXEMPLO
Esto inseridos no grid 140 escores (Figura 2.6), referentes estatura de estudantes do
sexo masculino de idades compreendidas entre 16 e 18 anos, de uma escola de ensino
fundamental. Tendo em vista que os dados compreendem todos os alunos matriculados
nessa instituio, com as caractersticas referidas, esses escores constituem, portanto,
uma populao, com estatura mdia igual a 169.45 cm. Retirou-se amostra aleatria
desse conjunto para calcular a mdia amostral da varivel estatura no sentido de
verificar se ela representativa do universo em questo.
Figura 2.6
Dados
parciais do
Exemplo
2.6.1.
2.6.2 INSTRUES
a) Introduzir os dados no grid padro do BioEstat, conforme a Figura 2.6;
b) Pressionar o mouse em Aleatria dos escores do grid;
c) Selecionar a coluna, neste exemplo a de nmero 1;
d) Pressionar em Executar;
Informar na caixa de texto o tamanho da amostra desejada (10, neste caso) e Pressionar
em OK, para resultados (Figuras 2.7 e 2.8).
Figura 2.7
Tamanho da
Amostra.
Figura 2.8
A Coluna
Amostra
indica os
escores
selecionados
de maneira
aleatria.
- 13 -
Efetuando-se a estatstica descritiva dos escores amostrais, com o clculo da mdia e
do erro padro, e comparando-os com a mdia paramtrica, obtm-se:
Dados da amostra: X = 176.4;
s x = 3.4;
Dado da populao: = 178.5;
Vis = ( - X ) = 178.5 176.4 = 2.1
Pode-se concluir que a mdia amostral ( X = 176.4) um estimador no enviesado do
parmetro ( =178.5), eis que o vis (2.1) inferior a um erro padro, representado por
s x = 3.4.
A mdia amostral , assim, representativa do universo em questo.
2.7 AUMENTO DO TAMANHO DA AMOSTRA

um mtodo computacional de gerao de dados a partir de valores observados, com o
objetivo de gerar novas e maiores amostras, cujo tamanho ser decidido pelo
pesquisador. possvel, assim, aumentar o poder do teste, sobretudo quando as
amostras iniciais so pequenas por indisponibilidade de indivduos.
2.7.1 EXEMPLO
A partir de dados hipotticos foram obtidas duas amostras independentes de tamanho n
= 4, cujos escores medidos em escala ordinal expressam resultados de anlise
histolgica, sendo identificados conforme o grau da leso:
- Escore 1: leve;
- Escore 2: moderada;
- Escore 3: alta.
A figura abaixo contm os escores observados no experimento. Quando o teste de
Mann-Whitney foi aplicado o p-valor no foi significativo (p = 0.1266).
Figura 2.9
Dados do
Exemplo
2.7.1
2.7.2 INSTRUES
a) Inserir no grid os dados obtidos;
b) Selecionar no menu Amostragem: Escores do Grid e Aumento da Amostra;
c) Na janela Seleo de Amostras, escolha apenas uma coluna de cada vez;
d) Clique em Executar Estatstica;
e) Informe o tamanho da amostra a ser gerada. Neste exemplo adotamos 40 como o
tamanho da nova amostra;
f) O BioEstat 5.0 informar em qual coluna ser inserida a reamostragem;
g) Repita o procedimento para a segunda amostra;
h) Execute o teste em questo com as novas amostras obtidas.
- 14 -
Figura 2.10
Exemplo
2.7.1,
j com a
reamostragem
(viso parcial).
Neste exemplo, com amostras geradas de tamanho = 40, foi aplicado o teste de MannWhitney o qual mostrou diferena muito significativa, com p-valor <0.0001. Este
procedimento poder ser aplicado para k amostras, como na Anlise de Varincia.
Figura 2.11
Resultado do
teste de
Mann-Whitney
para a
reamostragem
- 15 -
- 16 -
CAPTULO 3
ANLISE MULTIVARIADA
3.1 INTRODUO
A maioria dos testes estatsticos concernente ao exame de uma nica varivel, a qual
considerada importante na descrio ou no estudo analtico dos dados amostrais. Em
algumas situaes, porm, torna-se importante considerar a anlise de diversas
variveis aleatrias de modo simultneo, para atingir outros aspectos no abrangidos
por um exame mais simplificado. Embora se deva a Francis Galton (1886) as
primeiras anlises multivariadas, somente com o desenvolvimento dos computadores
foi possvel construir pacotes estatsticos com diferentes modelos de anlises
multivariadas, possibilitando seu uso em escala muito mais ampla. Do ponto de vista
matemtico, alm dos conhecimentos bsicos de lgebra, h necessidade de alguma
noo sobre matrizes algbricas, para a efetivao da anlise multivariada.
A atual verso do BioEstat (5.0) dispe dos seguintes testes:
a) Anlise de Conglomerados;
b) Anlise Discriminante;
c) Componentes Principais;
d) Correlao Cannica;
e) Distncia Multivariada (Euclidiana);
f) Distncia Multivariada (Penrose e Mahalanobis);
g) Teste de Bartlett (duas amostras);
h) Teste de Hotelling (uma amostra);
i) Teste de Mantel.
3.1.1 INSTRUES
a) Introduzir os dados no grid padro ou especfico, conforme o teste;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
c) Apontar o mouse em Anlise Multivariada, conforme demonstra a Figura 3.1:
Figura 3.1
Menu de
anlise
multivariada.
3.2 ANLISE DE CONGLOMERADOS

O objetivo desta anlise agrupar os indivduos em conglomerados ou clusters. Os
conglomerados so identificados como grupos que compem a populao ou a
amostra que est sendo analisada. As unidades de um grupo apresentam muitas
- 17 -
CAPTULO 3 ANLISE MULTIVARIADA

semelhanas entre si e muitas diferenas em relao s unidades dos demais grupos.
, pois, uma verdadeira classificao ou taxonomia, muito usada por bilogos. Dessa
forma um mtodo exploratrio, no um teste estatstico, contendo uma srie de
algoritmos para classificao dos objetos segundo o grau de similaridade, na tentativa
de estabelecer uma estrutura, mesmo sendo inexistente. A anlise pode ser realizada
segundo alguns critrios de procedimentos, os quais so selecionados conforme as
caractersticas das variveis a serem analisadas, sendo apresentados a seguir:
Mtodo de Agregao
A medida da distncia a base da anlise de conglomerados. Originalmente, cada
objeto nico e, portanto, as distncias entre os objetos so bvias. Entretanto,
medida que os objetos so agrupados, deve-se decidir qual a forma de medir a
distncia entre um grupo (cluster) e um objeto, ou entre dois grupos. Cada mtodo de
agregao fornece um critrio diferente para definir, no espao multidimensional, o
ponto dentro do grupo que servir de referncia para calcular as distncias entre esse
grupo e outros objetos ou grupos.
Tipo de Distncia
A distncia na anlise de conglomerados um parmetro para medir o grau de
similaridade entre dois objetos. Cada varivel corresponde a uma dimenso, e cada
objeto representado por um ponto no espao multidimensional resultante. Quanto
menor a distncia mais similar sero os objetos e, portanto, aumenta a probabilidade
de pertencerem ao mesmo grupo. As frmulas que caracterizam os tipos de distncias
que podem ser aplicadas anlise de conglomerados podem ser obtidas no Captulo
22 e podem ser escolhidas durante o procedimento deste aplicativo.
Estandardizao das variveis
Os resultados da anlise de conglomerados podero ter algum vis, se os dados so
medidos em escalas diferentes. Dessa forma, por exemplo, se uma das variveis for a
altura do indivduo medida em metros e a outra for a massa corporal medida em
quilograma, aqueles tero um peso menor quando se compara a mesma informao
medida em centmetros. A maneira de tornar as variveis comparveis ser realizar
a transformao z, em outras palavras, estandardizar todas essas variveis.
3.2.1 EXEMPLO
Procurou-se verificar similitudes entre a forma escrita de diversos idiomas. As
comparaes tm como base as duas primeiras letras da grafia dos nmeros de 1 a 10
em cada idioma. Para cada letra do alfabeto foi atribudo um valor numrico. Para a
letra A (primeira letra do alfabeto) foi atribudo o valor 1, para a letra B (segunda letra
do alfabeto) foi atribudo 2 e assim sucessivamente at a letra Z que corresponde ao
nmero 26 por ser a vigsima sexta letra (foi includa a letra w).
Observe a Figura 3.2, na primeira linha da primeira coluna est localizado o grupo
que representa o idioma Portugus. Na Figura 3.3, somente as duas primeiras letras de
- 18 -

cada nmero e de cada idioma foram substitudas pelos respectivos valores numricos
das letras. Em Portugus o nmero um recebeu o escore 2113, pois a letra inicial da
palavra um (u) a vigsima primeira (21a) letra do alfabeto e a segunda letra (m) a
dcima terceira (13 a), e assim por diante.
Figura 3.2
Nmeros
escritos por
extenso.
Exemplo
3.2.1A.
Figura 3.3
Valores que
representam
as duas
primeiras
letras de
cada idioma.
Exemplo
3.2.1B.
Deseja-se efetuar a Anlise de Conglomerados para que sejam identificados e

agrupados os idiomas conforme as similitudes e as diferenas existentes entre eles.
3.2.2 INSTRUES
a) Clicar no menu Anlise Multivariada e na opo Anlise de Conglomerados;
b) Selecionar as colunas referentes s variveis do grid geral;
c) Clicar em Executar o Teste, para obter a Figura 3.4:
Figura 3.4
Critrios
usados na
anlise.
- 19 -

d) Selecione as opes:
- Ligao Completa, como Mtodo de Agregao;
- Euclidiana, como Tipo de Distncia;
- Com Estandardizao das Variveis;
e) Clicar em Executar, para obter o Dendograma da Figura 3.5.
O dendograma (Figura 3.5) demonstra:
a) Similitude entre o idioma Portugus e o Espanhol e proximidade com o
Francs;
b) Similitude entre o Holands e o Alemo e proximidade com o Ingls;
c) Similitude entre o Noruegus e o Dinamarqus;
d) O idioma Hngaro est separado dos demais.
Figura 3.5
Resultado
do Exemplo
3.2.1.
Nota: no BioEstat
as distncias so
normalizadas em
termos relativos
maior distncia
calculada.
3.3 ANLISE DISCRIMINANTE

uma tcnica de Anlise Multivariada que determina a separao de grupos de
indivduos de acordo com os valores de suas variveis. Na Anlise Discriminante
pode-se obter:
a) A determinao das funes discriminantes de Fisher (Y1 e Y2) capazes de
separar ou discriminar os grupos de indivduos. Y1 e Y2 so duas variveis
adimensionais, criadas de modo a permitir melhor separao entre os grupos que
esto sendo analisados.
b) O diagrama que identifica os grupos e permite a visualizao das separaes e
aproximaes grupais.
c) Atravs das funes discriminantes de Fisher, torna-se possvel a classificao de
novos indivduos, em um dos grupos determinados, sendo o clculo semelhante
ao utilizado na Regresso Linear Mltipla.
- 20 -

Destaque-se, por exemplo, que na rea mdica comum em psiquiatria a classificao
de pacientes dentre categorias grupais, tais como: psicose afetiva, depresso,
esquizofrenia, bipolar e outras, com apoio no exame clnico e nos sintomas
observados durante o exame inicial de rotina. Dados laboratoriais posteriores, o
seguimento dos enfermos (follow-up) e novas informaes familiares podem resultar
na alocao em uma nova categoria ou grupo, diminuindo, tanto quanto possvel, o
nmero de classificaes equivocadas. A Anlise Discriminante constitui um
instrumento importante nesse modelo de abordagem.
3.3.1 EXEMPLO (dados hipotticos)
Foram coletadas amostras de trs espcies de Iris, medindo-se o comprimento e a
largura das spalas e respectivas ptalas. Os Grupos e as respectivas Variveis foram
introduzidas no grid do BioEstat na seguinte ordem:
a) Grupo 1: Variveis da Iris sp.1, contm 20 unidades;
b) Grupo 2: Variveis da Iris sp.2, contm 20 unidades;
c) Grupo 3: Variveis da Iris sp.3, contm 20 unidades.
Cada unidade de cada grupo est representada com as seguintes variveis:
X1 = comprimento das spalas;
X2 = largura das spalas;
X3 = comprimento das ptalas;
X4 = largura das ptalas.
Figura 3.6
Viso parcial
dos dados
do Exemplo
3.3.1
3.3.2 INSTRUES
a) Clicar no menu Anlise Multivariada e selecionar em Anlise Discriminante;
c) Clicar em Executar o Teste, para obter a Figura 3.7;
d) Pressionar em OK, nessa Figura, surgindo as funes discriminantes de Fisher
(Y1 e Y2), com os respectivos estimadores das variveis X1, X2, X3 e X4.
Figura 3.7
As funes
discriminante
de Fisher.
Exemplo
3.3.1.
- 21 -

e)
Pressionar o boto Grfico, na parte superior esquerda da Figura 3.7, para obter
o diagrama representado pela Figura 3.8.
Figura 3.8
Diagrama
da funo
discriminante.
Exemplo
3.3.1.
Observe os agrupamentos: o Grupo 2 est ao centro, entre os Grupos 1 e 3.

Quando desejamos classificar uma nova unidade, devemos preencher o valor de cada
uma de suas variveis e pressionar em Classificar. Por exemplo, foram introduzidos
os valores X1 = 4.7, X2 = 3.5, X3 = 1.3 e X4 = 0.22, (Figura 3.9), pressionando-se o
boto Classificar, resulta em uma unidade do Grupo 3 (ris sp.3).
Figura 3.9
Entrada de
dados das
variveis
para obter a
classificao
de um novo
indivduo.
Exemplo
3.3.1.
- 22 -

Para obter um novo diagrama, pressione o boto Grfico (Figura 3.9), sendo gerado
novo diagrama com destaque para a nova unidade (Figura 3.10).
Figura 3.9
A classificao
de um novo
indivduo.
Exemplo
3.3.1.
Percebe-se que a nova unidade (Objeto Classificado) est localizada entre as unidades
do Grupo 3, Iris sp.3, conforme resultados n Figura 3.9.
3.4 COMPONENTES PRINCIPAIS

O principal objetivo deste teste indicar a significncia relativa de variveis
preditivas, eis que, quando o nmero delas em um conjunto de dados muito grande,
podem surgir, pela anlise de regresso mltipla, coeficientes irracionais, dificultando
uma acurada identificao da importncia daquelas variveis.
Trata-se, portanto, de um teste interpretativo, o qual consiste em examinar um grupo
de k variveis correlacionadas, transformando-as em outro conjunto de variveis no
correlacionadas e independentes, dispostas em combinaes lineares e em ordem
decrescente de importncia atravs de ndices designados de Zp, de tal maneira que a
varincia var(Z1) varincia var(Z2) varincia var(Z3) ., , varincia var(Zp). Os
primeiros ndices so chamados de Componentes Principais, devendo-se dar maior
nfase queles que descrevem cerca de 80% ou mais da variao, os quais, em alguns
casos, esto representados pelo primeiro e segundo componentes. Os tamanhos das
amostras podem ser iguais ou desiguais.
3.4.1 EXEMPLO
Foram examinadas 40 andorinhas, mensurando-se cinco (5) variveis: X1, X2, X3, X4
e X5, representando o comprimento total, comprimento das asas, comprimento do
bico, permetro ceflico e comprimento do esterno, respectivamente. Determinar os
componentes principais dentre essas variveis, cujos valores foram inseridos no grid
geral como demonstrado a seguir:
- 23 -
Figura 3.11
Dados
parciais do
Exemplo
3.4.1.
3.4.2 INSTRUES
f) Pressionar o mouse em Componente Principal;
g) Selecionar as colunas referentes s variveis do grid geral;
h) Clicar em Executar o Teste, para obter os resultados (ver Figura 3.12).
Figura 3.12
Resultados do
Exemplo 3.4.1
Os resultados
demonstram
que os ndices 1 e 2
representam
84% da
variao total
(73% + 11%)
dos indivduos
testados,
constituindo
os Componentes Principais nesse
Exemplo.
d) Pressionar em Grfico, na barra da Figura 3.12, para visualizar a seguinte imagem:
- 24 -
Figura 3.13
Grfico do
Exemplo
3.4.1.
3.5 CORRELAO CANNICA

Trata-se de um modelo de Anlise Multivariada que permite investigar o
relacionamento entre duas sries de variveis: um grupo de variveis X e outro de
variveis Y. A associao entre os grupos de variveis tem como resultante a
correlao (Rc) denominada Cannica.
Assim, na rea mdica, um pesquisador poder relacionar um grupo de sintomas com
um conjunto de fatores de risco em relao a determinada doena.
OBJETIVOS
a) Determinar a magnitude da relao entre dois conjuntos de variveis;
b) Deduzir os pesos de cada grupo de variveis de forma que a correlao de cada
composio linear seja maximizada;
c) Avaliar a contribuio relativa de cada varivel na correlao cannica, no
sentido de explicar a natureza do relacionamento;
d) Para propsitos descritivos e inferenciais, devendo, neste caso, as variveis
apresentar distribuio normal.
LIMITAES
a) A Correlao Cannica reflete a variao explicada pela composio linear das
variveis;
b) Os valores cannicos derivados constituem amostra-dependente;
c) As variveis cannicas derivadas maximizam a Correlao e no a varincia
extrada;
d) As interpretaes estatsticas ainda no esto bem desenvolvidas.
- 25 -

3.5.1 EXEMPLO 1
Suponha que em um estudo epidemiolgico envolvendo enfermeiros que atuam em
unidades de sade de urgncia e emergncia, tem como objetivo determinar o nvel de
correspondncia entre um conjunto de caractersticas das atividades desenvolvidas e a
satisfao do profissional de sade pblica. As respostas a um questionrio foram
interpretadas e os dados introduzidos no grid geral conforme a Figura 3.14.
H trs variveis relacionadas com as caractersticas da atividade:
a) Variao: Nvel de variao envolvida nas tarefas, medida em percentual;
b) Feedback: a resposta, em percentual, da satisfao das pessoas usurias do
servio de sade onde foi efetuada a pesquisa;
c) Autonomia: Percentual de liberdade admitido na realizao das tarefas.
As variveis associadas satisfao do profissional tambm so trs:
a) Satisfao: Nesta varivel cada funcionrio aponta o seu percentual de
satisfao com as perspectivas que a carreira lhe oferece;
b) Superviso: Satisfao do empregado com a chefia imediata, o estilo gerencial
do supervisor e o padro de comunicao praticado no ambiente de trabalho,
medida em percentual;
c) Salrio: Nvel de satisfao do funcionrio com o salrio e outros benefcios,
usando uma escala ordinal que varia de 1 a 10, sendo 1 = insatisfeito e valor
10 = excelente.
Figura 3.14
Dados do
Exemplo
3.5.1.
3.5.1.1 INSTRUES
a) Clicar no menu Anlise Multivariada e na opo Correlao Cannica;
b) Selecionar todas as colunas referentes s variveis do grid geral;
c) Clicar em Executar o Teste, para obter o dilogo mostrado na Figura 3.15;
d) Indique a quantidade de variveis do Grupo Xi;
e) Indique a quantidade de variveis do Grupo Yi;
f) Pressionar em Executar, para obter os resultados.
- 26 -
Figura 3.15
Definio dos
grupos de
variveis do
Exemplo
3.5.1.
A figura acima define que as variveis sero analisadas em dois grupos, onde o
primeiro grupo formado por trs colunas, o segundo grupo de variveis tambm
formado por trs colunas. Esta especificao obedece a ordem na qual as colunas
foram selecionadas na interface Seleo de Amostras para Correlao Cannica.
Figura 3.16
Resultados
da correlao
cannica.
Exemplo
3.5.1.
A Figura 3.16 mostra as correlaes cannicas, os autovalores e as probabilidades.

A primeira correlao cannica (a correlao entre o primeiro par de variveis
cannicas) 0.9352. Este valor, tambm denominado R Cannico, representa a
melhor correlao possvel entre qualquer combinao linear das variveis de
satisfao do profissional (Grupo Y) com as variveis da caracterstica da atividade
desenvolvida (Grupo X).
- 27 -

A estatstica R Cannica expressa a magnitude do relacionamento entre os dois
conjuntos de variveis. Neste exemplo confirmada a associao entre os conjuntos
de variveis Xi e Yi pelo Qui-Quadrado (2) igual a 26.7996, com gl = 9, e o
correspondente p-valor igual a 0.0015, que muito significativo.
Pode-se, ainda, determinar a correlao entre as variveis do Grupo Xi e as variveis
do Grupo Yi, bastando clicar na parte superior da Figura 3.16 (Matriz das
Correlaes), cujos resultados esto dispostos na Figura seguinte (Figura 3.17), onde
se constata que h quatro correlaes Xi vs. Yj que so significativas.
Figura 3.17
Correlaes
do Exemplo
3.5.1.
3.5.2 EXEMPLO 2
Estrutura populacional dos camares Penaeidae no esturio do rio Caet, litoral norte
do Brasil.
Sendo seis variveis do grupo X.
a) CPUA: ndice de captura por rea (B/A), sendo B a biomassa em gramas
e A corresponde a abertura efetiva da rede embaixo dgua.
b) Densidade: medida em indivduos/m2.
c) Temperatura.
d) Salinidade.
e) Oxignio dissolvido.
f) pH.
Variveis do grupo Y.
a) Dimenso 1.
b) Dimenso 2.
Obs: As Dimenses representam o escalonamento multidimensional da matriz gerada
pelo agrupamento dos dados com a distncia.
Os dados esto exibidos parcialmente na Figura 3.18.
Figura 3.18
Viso parcial
dos dados do
Exemplo
3.5.2.
- 28 -

3.5.2.1 INSTRUES
a) Clicar no menu Anlise Multivariada e na opo Correlao Cannica;
b) No dilogo Seleo de Amostras para Correlao Cannica, selecionar todas as
colunas referentes s variveis do grid geral;
c) Clicar em Executar a Estatstica;
d) Indique a quantidade de variveis dos Grupos X e Y, observe a Figura 3.19.
e) Pressionar em Executar, para obter os resultados.
Figura 3.19
Definio dos
grupos de
variveis do
Exemplo
3.5.2.
Figura 3.20
Resultados
do Exemplo
3.5.2.
A correlao foi altamente significativa (p-valor < 0.0001) verificando-se na Figura

3.21 pela matriz de correlao as principais associaes lineares entre as variveis
que compem os dois grupos X e Y.
- 29 -
Figura 3.21
Matriz de
correlao do
Exemplo
3.5.2.
3.6 DISTNCIA MULTIVARIADA (Euclidiana)

A distncia Euclidiana abrange amostra com n indivduos de espcies ou subespcies diferentes, cada uma apresentando p variveis X1, X2, , Xp mensuradas
a nvel intervalar ou de razes, procurando-se determinar a distncia, sob o aspecto
evolutivo, entre os indivduos estudados. Os tamanhos das amostras podem ser iguais
ou desiguais.
3.6.1 EXEMPLO (hipottico)
Procurou-se verificar a distncia Euclidiana de cinco (5) espcies de felinos,
medindo-se: X1 = distncia entre o primeiro molar e o ltimo molar; X2 =
comprimento do canino; X3 = extenso da mandbula; X4 = distncia entre o primeiro
pr-molar e o ltimo molar; X5 = altura mandibular. Os dados foram inseridos no grid
geral, de tal modo que as variveis mensuradas correspondem s colunas X1, X2, X3,
X4 e X5 , e as espcies de felinos so correlativas s linhas: 1 = espcie A; 2 =
espcie B; 3 = espcie C; 4 = espcie D; e 5 = espcie E.
Figura 3.22
Dados do
Exemplo
3.6.1.
3.6.2 INSTRUES
a) Pressionar o mouse em Distncia Multivariada (Euclidiana);
c) Clicar em Executar o Teste para obter os resultados (ver Figura 3.23).
Figura 3.23
Resultados
do Exemplo
3.6.1.
A distncia
observada
entre as
espcies.
- 30 -

d) Pressionar em Grfico barra de ferramentas, Fig. 3.23 para visualizar a
seguinte imagem:
Figura 3.24
Grfico do
Exemplo
3.6.1.
3.7 DISTNCIA MULTIVARIADA (Penrose e Mahalanobis)

O mtodo de Penrose testa as distncias multivariadas de duas ou mais populaes,
levando em considerao, para o clculo, os dados sobre mdias, varincias e
covarincias. O teste de Mahalanobis considera ainda as correlaes entre as
variveis, alm dos valores numricos utilizados no procedimento de Penrose. Os
tamanhos das amostras podem ser iguais ou desiguais.
3.7.1 EXEMPLO
O exemplo diz respeito a um trabalho (hipottico) realizado por um antroplogo sobre
as medidas de quatro (4) variveis cranianas do homem em cinco diferentes grupos
indgenas: Grupo A = variveis A1, A2, A3, A4; Grupo B = variveis B1, B2, B3, B4;
Grupo C = variveis C1, C2, C3, C4; Grupo D = variveis D1, D2, D3, D4; Grupo E =
variveis E1, E2, E3, E4. Os dados so introduzidos no grid geral abrangendo 20
colunas e 30 linhas, estas representando o nmero de indivduos mensurados,
conforme demonstrado na Figura 3.25.
Figura 3.25
Dados
parciais do
Exemplo
3.7.1.
- 31 -

3.7.2 INSTRUES
a) Pressionar o mouse em Distncia Multivariada (Penrose/Mahalanobis);
c) Clicar em Executar o Teste;
d) Informar o nmero de amostras introduzidas. Neste exemplo so cinco (5)
amostras;
e) Clicar em OK, para os resultados.
Figura 3.26
Dados
parciais do
Exemplo
3.7.1.
f)
Pressionar em Grfico barra de ferramentas da Fig. 3.26 para visualizar a

seguinte imagem:
Figura 3.27
Grfico do
Exemplo
3.7.1.
- 32 -

3.8 TESTE DE BARTLETT
O teste de Bartlett compara trs ou mais amostras m multivariadas, obtendo-se um
coeficiente de mxima-verossimilhana simbolizado por (phi), cuja significncia
estatstica calculada pelo Qui-Quadrado com p (m 1) graus de liberdade.
O tamanho das amostras pode ser igual ou desigual.
3.8.1 EXEMPLO
Os mesmos dados de exemplo da Distncia Multivariada (Penrose e Mahalanobis)
constituem o exemplo para este teste, compreendendo, pois, cinco (5) amostras, cada
uma com quatro (4) variveis (ver Figura 3.25).
3.8.2 INSTRUES
a) Pressionar o mouse em Teste de Bartlett;
d) Informar o nmero de amostras introduzidas. Neste exemplo so cinco (5)
amostras, e clicar em OK, para resultados:
Figura 3.28
Resultados do
Exemplo
3.8.1.
Os resultados
apresentam
um valor de
Phi elevado
(61.3095),
sendo
estatisticamente muito
significativo,
eis que o pvalor menor
que 0.0001.
3.9 TESTE DE HOTELLING

Destina-se a comparar duas amostras multivariadas, cada uma com o mesmo nmero
de variveis duas ou mais , baseando-se na generalizao do Teste t de Student,
mais precisamente no quadrado dessa estatstica, sendo representado simbolicamente
por T2. A probabilidade do teste p-valor calculada pela estatstica F resultante da
transformao de T2, conforme demonstrado no captulo sobre Frmulas Estatsticas.
Os dados devem ser mensurados a nvel intervalar ou de razes.
3.9.1 EXEMPLO
Duas amostras foram selecionadas, estudando-se cinco (5) variveis de cada uma,
cujos dados foram introduzidos no grid geral, correspondendo s variveis Xi
- 33 -

primeira, enquanto as variveis Yi representam a segunda, num total de dez (10)
colunas (variveis) e 28 linhas, estas representando o nmero de indivduos sorteados
para o teste.
Figura 3.29
Viso
parcial dos
dados do
Exemplo
3.9.1.
3.9.2 INSTRUES
a) Pressionar o mouse em Teste de Hotelling;
c) Clicar em Executar o Teste, para resultados:
Figura 3.30
Resultados
do Exemplo
3.9.1.
No h
diferena
estatisticamente significante entre
as duas
amostras,
p = 0.5210.
3.10 TESTE DE MANTEL

Comparao entre duas matrizes de distncias, como, por exemplo, da composio
gentica entre vrias populaes e respectivos intervalos geogrficos ou temporais,
obtendo-se valores do Coeficiente de Correlao (r), o qual pode variar de 1 a +1,
denotando ou no associao matricial.
H dois procedimentos que podem ser utilizados na entrada de dados para este teste:
1) Procedimento A: dispomos das informaes para a construo das matrizes;
2) Procedimento B: dispomos das matrizes M e E.
- 34 -

3.10.1 EXEMPLO: PROCEDIMENTO A
MATRIZ GENTICA x MATRIZ DE DISTNCIA GEOGRFICA
Um estudo epidemiolgico cujo objetivo era verificar se fatores climticos estariam
associados a variaes genticas dos portadores de anemia de clulas falciformes. A
amostra era composta por 20 indivduos moradores de cinco (5) cidades, com
caractersticas climticas diversificadas. As cidades foram identificadas pelas letras:
A, B, C, D e E. Para isso seria necessrio comparar as caractersticas genticas e
geogrficas presentes nos cinco (5) grupos de indivduos. No primeiro momento
determinou-se a freqncia de um grupo de quatro (4) genes (Fator Alfa, Fator B,
Fator V e IL 10). No segundo momento, obteve-se a distncia linear (km) entre as
cidades. A Figura 3.31 representa os dados genticos da amostra, que esto
armazenados no arquivo Ex 03.10.01A Dados Genticos. A Figura 3.32
representa as distncias geogrficas entre as cidades, estando armazenada no arquivo
Ex 03.10.01B Distncias geogrficas. Os arquivos esto disponveis na pasta de
Exemplos do Captulo 3 do BioEstat.
H0: r = 0
H1: r 0;
Nvel alfa = 0.05.
Figura 3.31
Viso parcial
da coleta de
dados de
caractersticas
genticas nas
5 cidades
Ex 3.10.1A.
Figura 3.32
Distncias
geogrficas
em 5 pontos
de coleta
em cada
municpio.
Ex 3.10.1B.
3.10.1.1 OBTENO DAS MATRIZES

a) Com os dados do Ex 03.10.1A Dados Genticos efetuar o procedimento de
PenroseMahalanobis, para cinco (5) amostras, conforme descrito no item 3.7.1,
para obter as distncias entre as cinco (5) amostras. A matriz das distncias de
Penrose mostrada no Figura 3.33.
- 35 -
Figura 3.33
Dados da
matriz
Penrose.
b) Clicar em Teste de Mantel (segmento superior da Figura 3.33), para obter a

imagem como na Figura 3.34. Este procedimento insere instantaneamente as
Distncias de Penrose (matriz) na entrada de dados do Teste de Mantel.
Figura 3.34
Entrada de
dados da
primeira
matriz (dados
genticos)
para o teste
de Mantel.
c) Para fechar as janelas do Teste de Mantel e da Distncia Multivariada de PenroseMahalanobis, clicar na seta (parte inferior direita da Figura 3.34), e fechar a janela
das Figuras 3.34 e 3.33;
d) Repetir este procedimento para os dados das Distncias Geogrficas (Figura 3.32),
mas utilizando a Distncia Euclidiana, como se observa na Figura 3.34;
Figura 3.35
Dados da
Matriz
Euclidiana.
- 36 -

e)
Repetir os procedimentos do item b), ou seja, clicar em Teste de Mantel, na parte

superior da Figura 3.33, no sentido de obter a seguinte imagem:
Figura 3.36
As duas
matrizes
esto
prontas
para o teste
de Mantel.
f) Clicar em Teste de Mantel (parte inferior da figura 3.34), para obter os seguintes
resultados (Fig. 3.37):
Figura 3.37
Resultado
do Teste
de Mantel
Os resultados mostram associao entre dados genticos e distncias geogrficas, com

o Coeficiente de Correlao igual a 0.6830 e p-valor significativo (0.0294). O valor Z
representa o somatrio do produto das variveis das matrizes Mi e Ei. Assim temos:
Z = (0.0897 x 2.4360 + 0.4093 x 4.9666 + ... + 0.2448 x 2.4073) = 7.3819.
possvel, entretanto, obter outros valores de Z permutando-se os valores das
matrizes, procedimento conhecido como bootstrap. Assim, basta clicar em Bootstrap,
na parte inferior da Figura 3.34, e preencher as caixas de texto, conforme o desejado,
como se depreende da Figura 3.38.
Figura 3.38
Resultados da
reamostragem
das matrizes.
Os resultados so semelhantes aos obtidos

diretamente no Teste de Mantel, sem a
reamostragem,
com
Coeficiente
de
Correlao r = 05484 e p-valor = 0.0170.
possvel, na reamostragem, a ocorrncia de
valores positivos ou negativos, mas o p-valor
ter a significao aproximada do obtido
diretamente das matrizes sem bootstrap, e
que correspondeu a 0.0294 (Figura 3.37).
- 37 -

3.10.2 EXEMPLO: PROCEDIMENTO B
AS MATRIZES GENTICA E GEOGRFICA J ESTO DISPONVEIS
Os dados so semelhantes ao exemplo anterior, isto , dizem respeito s Distncias
Genticas e Espaciais, entretanto so preenchidas com outros escores.
H0: r = 0
H1: r 0;
Nvel alfa = 0.05.
3.10.2.1 INTRUES
a) Introduzir as Matrizes M e E no grid geral do BioEstat, conforme se verifica na
Figura 3.39. importante destacar que as matrizes devem ter sempre o mesmo
tamanho: neste exemplo elas so 5x5.
b) Pressionar o mouse em Anlise Multivariada e, a seguir, em Teste de Mantel,
selecionar as colunas do grid, clicando, em seguida em Executar, para resultados
(Figura 3.40).
Figura 3.39
Matrizes
Mi e Ei
obtidas das
Distncias
Penrose e
Euclidiana.
Figura 3.40
Resultados do
Teste de
Mantel.
Exemplo
3.10.2.
A correlao obtida, com r = 0.6548, significativa, eis que o p-valor igual a

0.0398, rejeitando-se a hiptese de nulidade. H, portanto, associao entre as
freqncias gnicas e as distncias geogrficas. Se houver interesse na reamostragem,
pressionar em Bootstrap, na parte superior da Figura 3.40, efetuando o mesmo
procedimento j referido.
- 38 -
CAPTULO 4
ANLISE DE SOBREVIVNCIA
4.1 INTRODUO
A anlise de sobrevivncia vem sendo enfatizada nos estudos biomtricos e destina-se
a calcular a probabilidade de ocorrncia de eventos ao longo de certo perodo, o qual
dividido em vrios intervalos de tempo. Os eventos podem ser de diversas naturezas,
tais como: perodos de remisso de uma doena, tempo de sobrevivncia de indivduos
acometidos por neoplasia, estudos epidemiolgicos, durao de matrimnios, efeitos de
drogas e outros.
Um fato a destacar nas anlises de sobrevivncia o de que nem todos os elementos
selecionados para o estudo atendem ao seguimento ao longo do perodo previamente
estabelecido, podendo, a qualquer momento, abandon-lo por motivos diversos. Esses
indivduos recebem a designao geral de censurados, os quais, de acordo com o teste
escolhido, devem ou no ser registrados em cada tempo t no qual o perodo total foi
dividido.
O BioEstat oferece os seguintes modelos de Anlise de Sobrevivncia:
a) Atuarial;
b) Cox-Mantel;
c) Cox: Modelo de Risco Proporcional;
d) Kaplan-Meier;
e) Log-Rank Test;
f) Gehan (Wilcoxon generalizado);
g) Mantel-Haenszel;
h) Pirmide Populacional.
4.1.1 INSTRUES
a) Introduzir os dados no grid padro do BioEstat;
c) Apontar o mouse em Anlise de Sobrevivncia, conforme demonstra a Figura 4.1
Figura 4.1
Menu
Anlise de
Sobrevivncia.
- 39 -
CAPTULO 4 ANLISE DE SOBREVIVNCIA
4.2 ATUARIAL
Este procedimento consiste na observao de um grupo de indivduos em perodos
relativamente longos e divididos em vrios intervalos constantes t de semanas,
a
a
meses ou anos, registrando-se na 1 coluna o nmero de indivduos vivos, na 2 , o de
a
ocorrncias remisses, recidivas, mortes, etc. e na 3 , o de censurados 0, 1, 2, ,
n. Este modelo de largo uso em instituies securitrias.
4.2.1 EXEMPLO
Um estudo foi efetuado em 87 pessoas operadas de neoplasia do estmago, as quais
foram observadas ao longo de cinco anos, com intervalos t anuais. Os dados foram
introduzidos no grid geral, registrando-se nas colunas 1, 2 e 3 os vivos, as ocorrncias
e os censurados, respectivamente. As linhas correspondem aos intervalos anuais: 1, 2,
3, 4 e 5 anos.
Figura 4.2
Dados do
Exemplo
4.2.1.
4.2.2 INSTRUES
a) Pressionar o mouse em Atuarial;
c) Clicar em Executar o Teste, informando caixa de texto ao lado da Fig. 4.2 a
unidade de tempo representada pelos nmeros 1 a 5 (ano, neste exemplo);
d) Pressionar OK, para resultados.
Figura 4.3
Resultados
do Exemplo
4.2.1.
Ao final de cinco (50 anos, a chance de sobrevivncia bem exgua (0.0174),

aumentando a proporo de risco a cada intervalo t. A expectativa de vida anual de
2.82.
- 40 -

Pressionando-se em Grfico, na barra superior desta figura, escolhe-se uma das opes:
Freqncia, Proporo ou Chance acumulada de sobrevivncia com IC (95%). Neste
exemplo escolheu-se a terceira opo, surgindo o grfico da Figura 4.4.
Figura 4.4
Grfico do
Exemplo
4.2.1.
4.3 COX-MANTEL
Teste estatstico no-paramtrico para duas amostras independentes com observaes
censuradas.
Dois grupos de seis (6) mulheres com cncer mamrio foram tratados do seguinte
modo: o primeiro grupo recebeu quimioterapia e radioterapia, enquanto o outro nada
recebeu aps mastectomia total. Ao final de trs (3) anos, o tempo de remisso foi
assinalado em meses. As observaes censuradas esto assinaladas no grid especfico
com o sinal +.
H0: S1(t) = S2(t);
H1: S1(t) > S2(t);
Nvel de deciso: alfa = 0.05 (unilateral)
4.3.2 INSTRUES
a) Pressionar o mouse em Cox-Mantel;
b) Inserir os valores de cada grupo (A e B) no grid especfico, assinalando com o
caractere + sucedendo os escores censurados;
c) Clicar em OK para obter os resultados, conforme disposto na Figura 4.5.
- 41 -
Figura 4.5
Resultados
do Exemplo
4.3.1.
A diferena entre os tratamentos muito significativa (p = 0.0079), rejeitando-se a

hiptese de nulidade, constatando-se que o tempo de sobrevivncia foi maior no grupo
tratado com quimioterapia e radioterapia.
4.4 COX: MODELO DE RISCO PROPORCIONAL

uma tcnica de anlise estatstica que busca explicar o efeito que um grupo de
variveis exerce na sobrevivncia do paciente. Permite a anlise, alm do efeito da
droga, de vrios outros fatores de risco simultaneamente. As variveis denominadas
preditoras (explanatrias) podem ser fatores de risco tais como: idade, sexo, peso,
glicemia, durao da doena ou variveis de controle que indicam o tipo de tratamento
administrado ao paciente. O modelo de risco proporcional introduzido por Cox
conhecido na literatura como Proporcional Hazard Regression Analysis.
INTERPRETAO DO COEFICIENTE b
Quando o Coeficiente de Regresso (b) de uma das variveis preditoras um nmero
positivo (b>0), ento entendemos que o risco (hazard) para os pacientes crescente
com a grandeza da varivel e, por via de conseqncia, o prognstico que a varivel
em questo diminui o tempo de sobrevivncia do paciente. Por outro lado, quando uma
especificada varivel caracterizada por um Coeficiente de Regresso Negativo (b<0)
devemos deduzir que a tal varivel melhora o prognstico de sobrevivncia do
paciente.
- 42 -

Num exemplo hipottico, o risco estimado com determinada dose de uma droga
teraputica de b = 0.41, a respectiva Taxa de Risco calculada por exp(0.41)
igual a 0.66 (66%), ou seja, a droga decresce em 34% o risco de rejeio, bito, etc.
Em outro exemplo, uma varivel preditora, como a idade do paciente, o Coeficiente de
Regresso (b), positivo, igual a 0.70. A Taxa de Risco dessa varivel de exp(0.70) =
2.01, isto , pessoas idosas tm o risco aumentado em duas vezes (2.01).
TAXA DE RISCO (HAZARD RATE)
definida como a probabilidade, por unidade de tempo, que um paciente tenha
sobrevivido ao incio do respectivo intervalo e que falhar nesse intervalo.
Especificamente computado como o nmero de falhas por unidade de tempo no
respectivo intervalo, dividido pelo nmero mdio de casos de sobrevivncia no ponto
mdio do intervalo.
Em um grupo de 48 pacientes portadores de mieloma mltiplo, por randomizao, 24
indivduos receberam tratamento com 75mg de riluzole (Droga), e os demais receberam
placebo. Ao mesmo tempo, foram registrados, para cada paciente, os valores referentes
s seguintes variveis: Idade, Sexo, Uria sangunea, Clcio srico, Hemoglobina e
Protena de Bence-Jones. A Durao do tratamento (Tempo) e a ocorrncia de remisso
foram registradas como nas anlises de sobrevivncia.
O objetivo deste experimento , alm de testar o efeito da droga, verificar a influncia
dos demais fatores (variveis preditoras) na remisso da doena.
Figura 4.6
Viso parcial
do Exemplo
4.4.1.
4.4.2 INSTRUES
a) No menu Estatsticas clique em Anlise de Sobrevivncia;
b) Selecione a opo Cox: Modelo de Risco Proporcional;
c) Na janela Seleo de Amostras, escolha inicialmente as variveis: Droga, Idade,
Sexo, Uria, Clcio srico, Hemoglobina, Protena de Bence-Jones.
d) Ainda na mesma janela selecione as colunas: Tempo e Remisso, as quais devem,
obrigatoriamente, ser as duas ltimas colunas selecionadas, nessa ordem.
e) A janela Seleo de Amostras ser configurada conforme a visualizao a seguir.
- 43 -

Figura 4.7
Seleo de
variveis
do Exemplo
4.4.1
f)
Finalmente, clique em Executar Estatstica para obter os resultados abaixo, que

para fins didticos foram divididos em duas partes (Figuras 4.8 e 4.9).
Figura 4.8
Parte
superior do
grid de
resultados
do Exemplo
4.4.1.
A parte superior da tela de resultados da anlise de Cox apresenta:

- O Qui-Quadrado igual a 32.5782 e o correspondente p < 0.0001, o qual indica
uma forte evidncia do efeito da droga (p = 0.0002) e de variveis preditoras
sobre a varivel Remisso, destacando-se tambm os nveis de Clcio srico (p
= 0.0046) e o de Hemoglobina (p = 0.0025).
- A droga (riluzole) obteve o coeficiente b = 1.8432 (p = 0.0002), cuja Taxa de
Risco correspondente igual a 0.1583 (15.83%), dando uma proteo de
84.17%.
Figura 4.9
Viso parcial
da parte
Inferior dos
resultados
do Exemplo
4.4.1.
Na parte superior da Figura 4.8 est localizada a opo que permite visualizar as
Curvas de Sobrevivncia.
- 44 -

O diagrama abaixo representa a Curva Geral de sobrevivncia.
Figura 4.10
Grfico
do Exemplo
4.4.1.
Outras curvas podem ser obtidas para ilustrar a influncia de cada varivel preditora na
sobrevivncia dos indivduos que compem a amostra:
a) Droga;
b) Idade;
c) Sexo;
d) Uria;
e) Clcio;
f) Hemoglobina;
g) Proteina de Bence-Jones.
Figura 4.11
Grfico
do Exemplo
4.4.1.
Grfico da varivel Droga. A curva

superior corresponde aos pacientes que
receberam o tratamento (p = 0.002).
- 45 -
Grfico da varivel Sexo. As curvas se

sobrepem indicando que o sexo no
influenciou o tempo de sobrevivncia
(p = 0.7858).

4.5 KAPLAN-MEIER
Este procedimento semelhante ao atuarial, porm o tempo aprazado menor, de dias
ou meses, e os intervalos no so, de modo obrigatrio, igualmente espaados,
obtendo-se, ainda, em cada tempo t, o intervalo de confiana (IC 95%) respectivo.
4.5.1 EXEMPLO
180 indivduos com patologia de alto risco de mortalidade foram submetidos a
tratamento com a droga A em altas doses. O perodo de observao foi de 6 meses,
com intervalos mensais de registro das observaes. Os dados foram introduzidos no
grid geral: a Coluna 1 corresponde ao tempo t; a Coluna 2, aos indivduos vivos; e a
coluna 3, s ocorrncias (bitos). Observa-se que os intervalos mensais no so
constantes como ocorre na Anlise Atuarial (ver Figura 4.12).
Figura 4.12
Dados do
Exemplo
4.5.1.
4.5.2 INSTRUES
a) Pressionar o mouse em Kaplan-Meier;
b) Selecionar as duas colunas referentes s variveis do grid geral;
c) Clicar em Executar o Teste para obter os resultados.
Figura 4.13
Resultados
do Exemplo
4.5.1.
Probabilidade de sobrevivncia em cada perodo e a chance acumulada at o referido

tempo, com IC 95%.
Pressionando-se em Grfico, na barra superior da Figura 4.13, escolhe-se uma das
opes: Freqncia, Proporo ou Chance acumulada de sobrevivncia com IC (95%).
Neste exemplo escolheu-se a primeira opo, surgindo o diagrama da Figura 4.14.
- 46 -
Figura 4.14
Grfico do
Exemplo
4.5.1.
4.6 LOG-RANK TEST

Este teste de anlise de sobrevivncia permite comparar duas amostras, cujas
observaes foram efetuadas em perodos e intervalos idnticos.
4.6.1 EXEMPLO 1 (sem censurados, mtodo 1)
O tempo de recidiva ao alcoolismo foi observado em dois grupos:
a) Grupo A, indivduos com at 45 anos (n = 376);
b) Grupo B, com idade superior a 45 anos (n = 450).
O objetivo era verificar se a varivel idade influenciava a ocorrncia objeto da
investigao. O tempo de observao foi de 365 dias, dividido em intervalos
trimestrais, e contadas as ocorrncias. Os dados foram introduzidos no grid geral.
Figura 4.15
Dados do
Exemplo
4.6.1 (sem
censurados).
H0: o tempo de recidiva ao alcoolismo o mesmo nos dois grupos de pessoas: p1 = p2;
H1: o tempo de recidiva ao alcoolismo dependente do grupo etrio dos indivduos:
p1 p2;
Nvel de deciso: alfa = 0.05.
- 47 -

4.6.2 EXEMPLO 2 (sem censurados, mtodo 2)
Dados hipotticos foram coletados relativos aos tratamentos A e B. No grupo A foram
acompanhados quatorze (14) indivduos enquanto no grupo B, 35. Os dados esto
dispostos na Figura 4.16.
Figura 4.16
Viso parcial
dos dados
do Exemplo
4.6.2.
H0: no h diferena no tempo de sobrevivncia dos indivduos submetidos aos

tratamentos A e B: p1 = p2;
H1: h diferena no tempo de sobrevivncia dos indivduos submetidos aos
tratamentos A e B: p1 p2;
4.6.3 EXEMPLO 3 (com censurados)
Dados hipotticos de duas amostras sobre tempo de sobrevivncia de dois conjuntos de
indivduos submetidos a tratamentos diferentes: A, para um grupo e B, para o outro,
com seguimento ao longo de seis anos, correspondendo cada valor do grid ao
respectivo nmero de indivduos. Os indivduos dos Eventos A e B totalizaram 99 e 77,
respectivamente.
H0: no h diferena no tempo de sobrevivncia dos indivduos submetidos aos
tratamentos A e B: p1 = p2;
H1: h diferena no tempo de sobrevivncia dos indivduos submetidos aos
tratamentos A e B: p1 p2;
Figura 4.17
Dados do
Exemplo
4.6.3 (com
censurados).
4.6.4 INSTRUES
a) Pressionar o mouse em Log-Rank test, e escolha uma das duas opes: Sem
Censurados (Figuras 4.15 e 4.16) ou Com Censurados (Figura 4.17);
- 48 -

b) Selecionar, no grid geral, as colunas referentes s variveis conforme o caso;
c) Clicar em Executar o Teste, para obter os resultados.
Figura 4.18
Resultados
do Exemplo
4.6.1.
A diferena no tempo de recidiva ao alcoolismo no foi significativa (p = 0.1564).

Figura 4.19
Resultados
do Exemplo
4.6.2.
A diferena foi significativa (p = 0.0102).

Figura 4.20
Resultados
do Exemplo
4.6.3.
A diferena no foi significativa. (p = 0.1845).
- 49 -

4.6.5 GRFICO DO EXEMPLO 4.6.1
Pressionar em Grfico (Figura 4.18) para visualizar a seguinte imagem:
Figura 4.21
Grfico do
Exemplo
4.6.1.
O grfico desta anlise de sobrevivncia compatvel com o resultado do teste, o qual

no mostrou diferena significativa entre os dois tratamentos. As curvas so muito
semelhantes.
Pressionar em Grfico na barra da Fig. 4.19, para visualizar a seguinte imagem:
Figura 4.22
Grfico do
Exemplo
4.6.2.
- 50 -

Pressionar em Grfico (Figura 4.20) para visualizar a seguinte imagem:
Figura 4.23
Grfico do
Exemplo
4.6.3.
4.7 GEHAN (WILCOXON GENERALIZADO)

Teste estatstico semelhante ao anterior para duas amostras independentes com
observaes censuradas.
Dois grupos de seis (6) mulheres com cncer mamrio foram tratados do seguinte
modo: o primeiro grupo recebeu quimioterapia e radioterapia, o outro nada recebeu
aps mastectomia total. Ao final de trs (3) anos, o tempo de remisso foi assinalado
em meses.
As observaes censuradas esto assinaladas no grid especfico com o sinal +.
H0: S1(t) = S2(t);
H1: S1(t) > S2(t);
Nvel de deciso: alfa = 0.05 (unilateral)
4.7.2 INSTRUES
a) Pressionar o mouse em Gehan (Wilcoxon generalizado);
b) Inserir os valores de cada grupo, assinalando com + os escores censurados;
c) Clicar em OK para obter os resultados, conforme disposto na Figura 4.24.
- 51 -
Figura 4.24
Resultados
do Exemplo
4.7.1.
A diferena entre os tratamentos muito significativa (p = 0.0085), rejeitando-se a

hiptese de nulidade, constatando-se que o tempo de sobrevivncia foi maior no grupo
tratado com quimioterapia e radioterapia.
4.8 MANTEL-HAENSZEL
O teste de Mantel-Haenszel se aplica para duas ou mais amostras cujos dados so
dispostos em n tabelas de contingncia 2 x 2.
4.8.1 EXEMPLO
Efetuou-se levantamento de duas investigaes (Amostras A e B) em 865 mulheres
com idades compreendidas entre 40 e 50 anos, relativo associao entre neoplasia
cervical e positividade para HPV.
Amostra A: 490 mulheres
Neoplasia cervical
Sem neoplasia
HPV+
152
120
HPV -
108
110
Amostra B: 375 mulheres

Neoplasia cervical
Sem neoplasia
HPV+
143
111
HPV -
45
76
Essas tabelas foram introduzidas nas caixas de texto do teste de Mantel-Haenszel,

como sero vistas a seguir.
H0: no h associao entre neoplasia cervical e HPV positivo: p0 = p1;
H1: h associao entre neoplasia cervical e HPV positivo: p0 p1;
- 52 -

4.8.2 INSTRUES
a) Pressionar o mouse em Mantel-Haenszel;
b) Preencher as caixas de texto com os dados da Amostra A;
c) Clicar em Nova Tabela e introduzir os dados da Amostra B;
d) Clicar em Executar, para obter os resultados.
Figura 4.25
Resultados
do Exemplo
4.8.1.
O teste foi muito significativo (p

= 0.0013) rejeitando-se a hiptese de nulidade, demonstrando
que a neoplasia cervical est
associada presena de HPV. O
Odds Ratio calculado conjuntamente com o teste de MantelHaenszel, concluindo-se que as
mulheres com teste positivo para
HPV tm mais de uma vez e meia
a probabilidade de ter cncer do
colo uterino do que aquelas com
teste negativo.
4.9 PIRMIDE POPULACIONAL

A maioria dos grficos estatsticos refere-se s amostras. Pode-se, contudo, representar
Populaes atravs de Pirmides, constitudas por grupos etrios, propores sexuais,
locais de residncias, estados civis e outras variveis.
4.9.1 EXEMPLO 1
A populao do Estado do Par (IBGE) no ano 2000 foi tabulada em relao aos grupos
etrios e respectivos sexos.
Figura 4.26
Viso parcial
dos dados
do
Exemplo
4.9.1.
- 53 -

4.9.2 INSTRUES
a) Inserir no grid as informaes obtidas do IBGE;
b) Pressionar em Grficos e, a seguir, em Pirmide Populacional;
c) Clicar em Executar para Resultados.
Figura 4.27
Pirmide
populacional
do
Exemplo
4.9.1.
H ligeiro predomnio de indivduos do sexo masculino nos primeiros anos de vida e

do sexo feminino aps os 80 anos de vida.
4.9.3 EXEMPLO 2
A populao do Estado do Par (IBGE) no ano 1970 foi tabulada em relao aos grupos
etrios e locais de residncia, urbana e rural.
Figura 4.28
Viso parcial
dos dados
do
Exemplo
4.9.3.
- 54 -

4.9.4 INSTRUES
Figura 4.29
Pirmide
populacional
do
Exemplo
4.9.3.
H ligeira predominncia na proporo de residentes na rea rural (52.56%) em relao

aos da rea urbana (47.44%), no ano de 1970.
4.9.5 EXEMPLO 3
A populao do Estado do Par (IBGE) no ano 2000 foi tabulada em relao aos
grupos etrios e locais de residncia, urbana e rural.
Figura 4.30
Viso parcial
dos dados
do
Exemplo
4.9.5.
- 55 -

4.9.6 INSTRUES
c) Clicar em Executar para obter os resultados.
Figura 4.31
Pirmide
populacional
do
Exemplo
4.9.5.
H predominncia de moradores na rea urbana (66.55%) quando comparados com os

da rea rural, denotando uma migrao para as cidades em todo o Estado do Par.
4.9.7 EXEMPLO 4
A populao do Estado do Par foi tabulada em relao aos grupos etrios, sexos e
estado civil (solteiros e outros). Os dados so hipotticos, apenas para demonstrar a
possibilidade da introduo de trs (3) variveis.
Figura 4.32
Viso parcial
dos dados
do
Exemplo
4.9.7.
4.9.8 INSTRUES
a) Inserir no grid os dados hipotticos;
- 56 -

c)
Clicar em Executar para Resultados.
Figura 4.33
Pirmide
populacional
do
Exemplo
4.9.7.
Esta pirmide representa trs variveis: faixa etria, sexo e estado civil (solteiros e no
solteiros).
- 57 -
- 58 -
CAPTULO 5
ANLISE DE VARINCIA
5.1 INTRODUO
A Anlise de Varincia, introduzida por R. A. Fisher, compara a magnitude das
variaes de mais de duas amostras, decompondo a varincia total em duas partes:
a) entre as amostras, constituindo o chamado quadrado mdio dos tratamentos;
b) dentre cada tratamento, compondo o denominado quadrado mdio do erro
experimental.
c) O teste da anlise da varincia a razo entre esses quadrados mdios. Esta
anlise compreende dois grupos:
a) Testes paramtricos:
i ANOVA: um critrio;
ii ANOVA: dois critrios;
iii ANOVA: Fatorial (a x b) com replicao;
iv ANOVA: Fatorial (a x b x c) sem replicao.
b) Testes no-paramtricos:
i Teste de Friedman;
ii Teste de Kruskal-Wallis;
iii Teste Q de Cochran.
5.1.1 INSTRUES
a) Introduzir os dados no grid geral do BioEstat;
c) Apontar o mouse em Anlise de Varincia, conforme demonstra a Figura 5.1:
Figura 5.1
Menu de
Anlise de
Varincia.
5.2 ANOVA: um critrio

A designao ANOVA deriva da expresso inglesa ANalysis Of VAriance,
chamando-se F-teste em homenagem a Fisher. Destina-se a comparar mais de duas
amostras cujos dados devem ser mensurados em escala intervalar ou de razes. A
designao um critrio pelo fato de se comparar somente as variaes entre os
- 59 -
CAPTULO 5 ANLISE DE VARINCIA

tratamentos, cujo resultado traduzido no valor do F-teste, complementando-se com
o exame, a priori (Bonferroni) ou a posteriori (Tukey ou teste t de Student), das
diferenas entre as mdias amostrais. As amostras podem ser do mesmo tamanho ou
desiguais.
Quando o valor de F for significativo e a escolha do teste das diferenas entre as
mdias for o Bonferroni, deve-se escolher previamente o nvel alfa e, neste caso, o
aplicativo permite selecionar: 0.1, 0.05, 0.025, 0.01, 0.005, 0.001 ou 0.0005, j
indicados como testes bilaterais (/2). Assim, se a escolha for igual a 0.025,
significa 2 x 0.025.
5.2.1 EXEMPLO 1 (TUKEY)
Foi efetuada uma investigao em trs grupos de estudantes: o grupo A estava
constitudo por seis (6) alunos no-fumantes (NF); o segundo, por seis (6) discentes
que fumavam moderadamente em torno de dez (10) a quinze (15) cigarros por dia
(FM); e o terceiro, por cinco (5) estudantes que fumavam mais de 40 cigarros por dia
(FI). Mediu-se a funo pulmonar atravs do fluxo mdio expiratrio. Os dados
obtidos esto no grid geral.
Figura 5.2
Dados do
Exemplo
5.2.1.
H0: o fumo no influencia a funo pulmonar medida pelo fluxo mdio expiratrio:
1 = 2 = 3;
H1: o fumo influencia a funo pulmonar medida pelo fluxo mdio expiratrio,
havendo diferena, pelo menos, entre duas mdias: 1 2 etc.;
5.2.2 EXEMPLO 2 (DUNNETT)

Trs extratos de origem vegetal foram introduzidos em ces por via oral com a
finalidade de testar o possvel efeito sobre a presso arterial sistlica desses animais.
Os ces foram divididos em grupos de cinco animais, recebendo cada grupo um tipo
de extrato B, C ou D , alm de um grupo controle A injetado com placebo. Os
dados esto contidos no grid geral.
H0: a presso arterial sistlica no alterada pela introduo oral dos extratos
vegetais referidos no experimento: 1 = 2 = 3 = 4;
H1: a administrao desses extratos produz alteraes na presso arterial sistlica
dos animais, havendo diferena entre a mdia do grupo controle com um dos
demais grupos submetidos ao experimento: 1 i;
- 60 -
Figura 5.3
Dados do
Exemplo
5.2.2.
5.2.3 INSTRUES
a) Pressionar o mouse em ANOVA: um critrio;
b) Selecionar as colunas referentes aos tratamentos do grid geral;
c) Clicar em Executar o Teste, surgindo a Figura 5.4 naqueles casos em que h
diferena estatisticamente significativa do F calculado (ver p-valor),
selecionando-se um dos testes sugeridos para a comparao das mdias
amostrais, os quais foram o de Tukey e o de Dunnett. Exemplos 5.2.1 e 5.2.2,
respectivamente.
Figura 5.4
Tela de
seleo do
teste para
ANOVA: um
critrio,
Exemplo
5.2.1.
d) Clicar em Executar para obter os resultados.

Figura 5.5
Resultados
do Exemplo
5.2.1
(Tukey).
- 61 -

Os valores obtidos rejeitam a hiptese de nulidade, aceitando-se, nesse exemplo, a
hiptese alternativa. O valor alfa escolhido a priori informa que a probabilidade
obtida na comparao entre as mdias pelo teste de Tukey deve ser igual ou inferior
a 0.01, para que a diferena seja estatisticamente significativa. O fluxo mdio
expiratrio menor entre fumantes (FM e FI), quando comparados com os no
fumantes (NF), no ocorrendo, contudo, diferena significativa entre os fumantes.
Figura 5.6
Tela de
seleo do
teste para
ANOVA: um
critrio,
Exemplo
5.2.2.
Figura 5.7
Resultados
do Exemplo
5.2.2
(Dunnett).
O F obtido altamente significativo (p < 0.0001). Pelo teste de Dunnett verifica-se

que os extratos B (Coluna 2) e C (Coluna 3) quando comparados com o Controle
(Coluna 1) aumentaram de maneira significativa a presso arterial sistlica dos
animais submetidos ao experimento (p < 0.01), enquanto o extrato D (Coluna 4) no
produziu alteraes significativas na presso dos animais investigados (ns).
Para se obter os grficos desses resultados, seguir as instrues abaixo:
a) Pressionar, com o mouse, em Grfico (barra da Figura 5.5) surgindo a seguinte
imagem:
- 62 -
Figura 5.8
Grfico do
Exemplo
5.2.1.

b) Pressionar, com o mouse, em Grfico (barra da Figura 5.7) surgindo a seguinte
imagem:
Figura 5.9
Grfico do
Exemplo
5.2.2.
- 63 -

5.3 ANOVA: dois critrios
Este teste compara, alm da variao entre os tratamentos, a variabilidade entre os
blocos, os quais correspondem s linhas do grid geral. As amostras devem ter o
mesmo tamanho e os escores mensurados a nvel intervalar ou de razes. H, neste
modelo, dois valores de F: dos tratamentos e dos blocos.
5.3.1 EXEMPLO
Em uma escola do ensino mdio efetuou-se levantamento sobre o nmero de alunos
reprovados nas disciplinas Cincias, Matemtica e Portugus (tratamentos), ao
mesmo tempo em que se procurou verificar a proporo dos inabilitados nessas
matrias nos turnos da Manh (linha 1), da Tarde (linha 2) e da Noite (linha 3). Em
cada turno estavam matriculados 800 discentes, de onde foram retiradas as amostras.
Os dados coletados esto inseridos no grid geral de entrada de dados.
Figura 5.10
Dados do
Exemplo
5.3.1.
H0: o tipo de disciplina cursada no afeta os ndices de reprovao;

H1: pelo menos duas mdias so diferentes;
H0: o turno cursado pelo estudante no afeta os ndices de reprovao;
5.3.2 INSTRUES
a) Pressionar o mouse em ANOVA: dois critrios;
b) Selecionar as colunas referentes aos tratamentos (Cincias, Matemtica,
Portugus) do grid geral;
c) Clicar em Executar o Teste, surgindo a Figura 5.11 naqueles casos em que h
diferena estatisticamente significativa entre mdias dos tratamentos e/ou
blocos p-valor, selecionando-se um dos testes sugeridos para a comparao
dos valores mdios amostrais, o qual, neste exemplo, foi escolhido o t de
Student (Blocos).
d) Pressionar Executar, para resultados.
Figura 5.11
Tela de
seleo do
teste
a posteriori
para ANOVA:
dois critrios.
- 64 -
Figura 5.12
Resultados
do Exemplo
5.3.1.
O F-teste significativo entre blocos (F = 8.0453, p = 0.0411), o que no ocorreu

com os tratamentos (F = 4.2754, p = 0.1023). A comparao entre as mdias dos
blocos exibe diferenas significativas entre os Blocos 1 vs. 2 e 1 vs. 3, o que no foi
observado entre os Blocos 2 vs. 3. Pode-se concluir, assim, que as turmas da manh
referentes s trs disciplinas apresentaram propores menores de alunos
reprovados, rejeitando-se, conseqentemente, a hiptese de nulidade entre os blocos
(turnos), mas aceitando-se no que diz respeito aos tratamentos (disciplinas).
5.4 ANOVA: Fatorial a x b (com replicao)
Algumas vezes o estudo procura esclarecer se h interaes entre os tratamentos e os
blocos, devendo-se, nessa circunstncia, efetuar repeties para visualizar esse
detalhe da pesquisa. Os resultados desta anlise de varincia so apresentados sob a
forma de trs (3) F-testes: a) dos tratamentos; b) dos blocos; c) da interao entre
tratamentos e blocos, todos com os respectivos valores de p.
5.4.1 EXEMPLO
Estudo experimental procurou verificar a influncia das drogas A, B e C no peso de
frangos e frangas, ou seja, procurou-se determinar se, alm da ao ponderal,
haveria influncia relacionada com o sexo e, ainda, a possibilidade de interao
entre peso e sexo dos animais determinada pelas drogas, com as seguintes hipteses:
H0: as drogas no afetam o peso mdio das aves em crescimento: 1 = 2 = 3;
H0: a condio sexual no afeta o peso mdio das aves em crescimento: m = f;
H1: a condio sexual afeta o peso mdio das aves em crescimento: m f;
Ho: no h interao significativa entre as variveis independentes: droga e sexo;
H1: h interao significativa entre as variveis independentes;
- 65 -

5.4.2 INSTRUES
a) Pressionar o mouse em ANOVA: Fatorial a x b;
b) Preencher as caixas de textos com o nmero de tratamentos, de blocos e de
repeties, e clicar em Ativar o Grid.
c) Preencher o grid especfico (Figura 5.13) de acordo com os escores obtidos no
experimento, correspondendo cada valor ao peso em gramas de cada animal;
d) Clicar em Executar o teste, para resultados.
Figura 5.13
Dados do
Exemplo
5.4.1.
Figura 5.14
Resultados
do Exemplo
5.4.1.
O F-teste dos tratamentos foi elevado, com p-valor < 0.0001, indicando que o efeito
das drogas sobre o peso muito significativo, rejeitando-se sob esse aspecto a
hiptese de nulidade e aceitando-se a hiptese alternativa. No que diz respeito
varivel sexo e interao entre drogas e sexo conclui-se, pelos resultados dos
respectivos valores de F, que as diferenas no so estatisticamente significativas,
aceitando-se, assim, a hiptese de nulidade (ver Figura 5.14).
- 66 -

5.5 ANOVA: Fatorial a x b x c (sem replicao)
Os experimentos fatoriais, como j foi visto no exemplo anterior, incluem a
combinao de vrios fatores ou conjuntos de tratamentos com as respectivas
interaes. Neste caso, trata-se dos fatores a, b e c, testados de modo isolado e
combinados, como segue:
i Fator a;
v Fator a Fator c;
ii Fator b;
vi Fator b Fator c;
iii Fator c;
vii Fator a Fator b Fator c.
iv Fator a Fator b;
Procurou-se determinar a acidez de laranjas de 3 variedades, em 3 temperaturas
diferentes e em 3 perodos anuais. Os dados esto includos no grid especial do
BioEstat, como pode ser visualizado na Figura 5.15, sendo A as variedades da
espcie, B as temperaturas e C os perodos anuais.
H0: o teor de acidez o mesmo nas 3 variedades estudadas;
H1: o teor de acidez diferente nas variedades investigadas;
H0: a temperatura no altera o teor de acidez das variedades estudadas;
H1: a temperatura altera o teor de acidez das variedades estudadas;
H0: o perodo anual no altera o teor de acidez das variedades investigadas;
H1: o perodo anual altera o teor de acidez das variedades estudadas;
Ho: no h interao significativa entre as variveis independentes;
H1: h interao significativa entre as variveis independentes.
Figura 5.15
Dados do
Exemplo
5.5.1.
- 67 -

5.5.2 INSTRUES
a) Pressionar o mouse em ANOVA: Fatorial a x b x c;
b) Preencher as caixas de textos com o nmero de cada fator: variedades, meses do
ano e nmero de anos, e clicar em Ativar o Grid.
c) Preencher o grid especfico (Figura 5.15) de acordo com os escores obtidos no
experimento;
d) Clicar em Executar teste, para resultados.
Figura 5.16
Resultados
do Exemplo
5.5.1.
Observa-se pelos resultados contidos na Figura 5.16 que a interao dos Fatores a e
b, variedades vs. temperaturas, respectivamente, significativa, com p-valor da
ordem de 0.0146.
5.6 TESTE DE FRIEDMAN
A Anlise de Varincia de Friedman um teste no-paramtrico para dados
mensurados a nvel ordinal, abrangendo trs ou mais amostras e equivalendo
ANOVA com dois critrios. Este procedimento recebe, tambm, a designao de
Dupla Anlise de Varincia por Postos. Os dados devem ter dupla disposio: as
linhas representam os indivduos e as colunas, as condies experimentais ou
tratamentos. As amostras (tratamentos) devem ter o mesmo tamanho, a fim de
permitir a comparao entre todos os indivduos submetidos ao teste.
5.6.1 EXEMPLO
Em um experimento, cinco coelhos foram submetidos a quatro estmulos de
intensidade crescente: A < B < C < D. As respostas de cada animal variaram em uma
escala ordinal de 0 a 100 e os escores foram introduzidos no grid geral do programa.
Figura 5.17
Dados do
Exemplo
5.6.1.
H0: a intensidade dos estmulos no influencia a magnitude de resposta dos animais

submetidos ao experimento: 1 = 1 = 2 = 3;
H1: a intensidade dos estmulos influencia a magnitude de resposta dos animais
submetidos ao experimento: 1 1 2 3;
- 68 -

5.6.2 INSTRUES
a) Pressionar o mouse em Friedman;
Figura 5.18
Resultados
do Exemplo
5.6.1.

d) Pressionar, com o mouse, em Grfico (barra da Figura 5.18):
Figura 5.19
Grfico do
Exemplo
5.6.1.
- 69 -

O teste de Friedman (Fr2 = 13.0200) muito significativo (p = 0.0046), devendo-se,
portanto, rejeitar a hiptese de nulidade e aceitar a hiptese alternativa. Com base
nesse resultado e na anlise dos dados, pode-se concluir que a intensidade da
resposta dos animais diretamente proporcional intensidade do estmulo
provocado. A comparao entre os tratamentos exibe diferena significativa entre os
Estmulos A vs. D e B vs. D.
5.7 TESTE DE KRUSKAL-WALLIS
Teste no-paramtrico, conhecido como Teste H, destina-se a comparar trs ou mais
amostras independentes do mesmo tamanho ou desiguais, cujos escores devem ser
mensurados, pelo menos, a nvel ordinal. O teste de Kruskal-Wallis comparvel
ANOVA (um critrio).
5.7.1 EXEMPLO
Conscincia Ecolgica entre universitrios escolhidos ao acaso e pertencentes aos
cursos de Biologia, Enfermagem, Odontologia e Administrao. A apurao de
questionrio distribudo entre os estudantes indicaria que, quanto maior o escore,
maior o grau de conscincia ecolgica revelado, cujos valores variavam numa escala
de 0 a 100 pontos.
H0: os escores obtidos dos estudantes independem dos cursos nos quais esto
matriculados;
H1: a magnitude da conscincia ecolgica dependente do curso no qual o aluno
est matriculado;
Figura 5.20
Dados do
Exemplo
5.7.1.
5.7.2 INSTRUES
a) Pressionar o mouse em Kruskal-Wallis;
c) Se a estatstica H obtiver p-valor significativo, o usurio poder optar entre dois
mtodos para comparao da mdia dos postos: Dunn ou Student-NewmanKeuls. Neste exemplo foi escolhido o mtodo de Dunn, o qual mais
conservador, pois retifica o Nvel Alfa conforme o nmero de amostras:
Nvel Alfa/(k(k-1)), sendo k o nmero de amostras;
d) Clicar em Executar, para obter resultados:
- 70 -
Figura 5.21
Resultados
do Exemplo
5.7.1.

e) Pressionar, com o mouse, em Grfico (barra da Figura 5.21):
Figura 5.22
Grfico do
Exemplo
5.7.1.
O valor de H = 15.0230 altamente significativo (p = 0.0018). Rejeita-se a hiptese

de nulidade e aceita-se a hiptese alternativa. Verifica-se, de outro lado, que as
- 71 -

diferenas entre os escores mdios dos alunos de Biologia vs. Odontologia e
Odontologia vs. Administrao apresentam valores de p inferiores ao nvel alfa de
0.05, sendo considerados significativos ou muito significativos, concluindo-se que
os estudantes de Biologia e de Administrao apresentaram maior conscincia
ecolgica do que os discentes dos demais cursos investigados.
5.8 TESTE Q DE COCHRAN
Destinado a testar vrias amostras relacionadas, nas quais os mesmos indivduos so
observados em trs ou mais etapas. Os escores so mensurados a nvel nominal ou
ordinal, e os resultados apresentam-se dicotomizados: 1 (sucesso) ou 0 (insucesso),
por exemplo. Este teste no-paramtrico considerado uma extenso do teste de
McNemar referente a duas amostras (ver Captulo 11), enquanto o de Cochran se
aplica para trs ou mais conjuntos do mesmo tamanho.
5.8.1 EXEMPLO
Um entrevistador enviou formulrio para doze (12) indivduos sobre a preferncia de
cada um referente a um produto comercial recentemente lanado venda, repetindo
o procedimento em trs oportunidades, com intervalo de dois (2) meses entre cada
questionamento. As respostas foram consideradas satisfatrias (1) ou no (0), de
acordo com a avaliao do pesquisador.
Figura 5.23
Dados do
Exemplo
5.8.1.
H0: a probabilidade da resposta favorvel (1) a mesma em todas as trs etapas da

investigao;
H1: a probabilidade da resposta favorvel (1) difere em cada etapa do
questionamento;
- 72 -

5.8.2 INSTRUES
a) Pressionar o mouse em Q de Cochran;
c) Clicar em Executar o Teste, para resultados.
Figura 5.24
Resultados
do Exemplo
5.8.1.
O teste Q de Cochran exibe um valor estatisticamente significativo (p = 0.0439),

devendo-se rejeitar a hiptese de nulidade e aceitar a hiptese alternativa. As
respostas favorveis diferem em cada etapa de resposta ao questionrio, no
havendo, portanto, uniformidade sobre o assunto objeto da pesquisa.
- 73 -
- 74 -
CAPTULO 6
BOOTSTRAP
6.1 INTRODUO
A tcnica empregada para este procedimento consiste em retirar de uma pequena
amostra numerosas outras com reposio, por exemplo 500, 1000, 10000 ou mais.
Cada uma delas tem a probabilidade de 1/n de ser obtida. Chama-se, tambm, de
tcnica de simulao ou de reamostragem, cuja denominao na lngua inglesa
bootstrap, e a traduo tem sido Tira de Bota. Esta designao foi atribuda a Bradle
Efron, como tambm a afirmao de que a distribuio relativa de repetidas amostras
estatsticas uma estimao da distribuio de amostragem, conforme publicao de
seu artigo no The Annals of Statistics, em 1979.
Para alguns autores, requerido, para este procedimento, que as reamostragens nunca
sejam inferiores a 500, constituindo o bootstrap um mtodo computacional intensivo,
de anlise estatstica por simulao para estimativas de intervalos de confiana, erro
padro e testes de significncia, aplicveis a modelos paramtricos e no
paramtricos.
Os aplicativos tipo Bootstrap Tira de Bota - apresentados no BioEstat so:
a) Dados Qualitativos: Dicotmicos;
b) Dados Quantitativos: Contnuos;
c) Intervalo de Confiana da Correlao Linear;
d) Intervalo de Confiana da Mdia;
e) Intervalo de Confiana da Proporo;
f) Teste de hiptese: Teste t Duas Amostras Independentes;
g) Teste de hiptese: ANOVA (um critrio);
h) Teste de hiptese: Correlao Linear.
6.1.1 INSTRUES
b) Apontar o mouse em Bootstrap, quando surgir a figura abaixo:
Figura 6.1
Menu de
Bootstrap.
6.2 DADOS QUALITATIVOS: DICOTMICOS

Os dados dicotmicos ou binrios so representados pelos dgitos Um (1) e Zero (0),
correspondentes a SIM e NO, respectivamente.
- 75 -
CAPTULO 6 BOOTSTRAP
Exemplos: casados (1) e no casados (0), homens (1) e mulheres (0), cara (1) e coroa
(0), tratados (1) e no tratados (0), tabagistas (1) e no tabagistas (0), etc. No caso de
dados usados em certos jogos, constitudos de seis faces, representadas pelos
algarismos 1, 2, 3, 4, 5 e 6, pode-se tambm usar o sistema dicotmico, escolhendo-se
qualquer um dos valores, 5 por exemplo, que corresponder a SIM e os demais (1, 2,
3, 4 e 6), a NO.
6.2.1 EXEMPLO
O lanamento de moeda onze (11) vezes resultou em seis (6) caras, representadas por
um (1), e cinco (5) coroas, equivalentes a 0 (zero). Os dados esto contidos no grid
geral (Figura 6.2).
Figura 6.2
Dados do
Exemplo
6.2.1.
Neste exemplo, a simulao (reamostragem) ser aplicada

para estimar a proporo de coroas na populao.
6.2.2 INSTRUES
a) Pressionar o mouse em Dados Qualitativos: Dicotmicos;
b) Selecionar a coluna Moeda, do Exemplo 6.2.1;
c) Clicar em Executar o Teste, preencher as caixas de texto, com os seguintes
dados:
i tamanho da amostra inicial;
ii tamanho da reamostra;
iii valor do evento de interesse, 0 (coroa) no presente caso;
iv nmero de simulaes, 10000 no presente exemplo;
d) Pressionar o mouse em Executar, para resultados.
Figura 6.3
Resultados
do Exemplo
6.2.1.
Os dados da reamostragem esto bem

prximos do valor da proporo inicial da
amostra de coroas da amostra (valor 0 do
evento), 45.45% e 45.51%, respectivamente.
- 76 -
CAPTULO 6 BOOTSTRAP
6.3 DADOS QUANTITATIVOS: CONTNUOS
Trata-se de um procedimento de reamostragem a partir de uma pequena amostra
aleatria, de onde se retira um grande nmero de amostras do mesmo tamanho da
amostra inicial, sempre com reposio, tendo por objetivo a estimao da mdia e da
varincia da amostra original e das reamostragens. Os resultados alcanados das
medidas de tendncia central e de variao aproximam-se dos valores paramtricos.
6.3.1 EXEMPLO
De uma populao de cinco (5) mil pacientes, com faixa etria entre 20 e 40 anos,
retirou-se amostra de nove (9) indivduos. Determinou-se a mdia e o desvio padro e
em seguida, foram efetuadas as reamostragens cujos resultados esto contidos na
Figura 6.5.
Figura 6.4
Dados do
Exemplo
6.3.1.
6.3.2 INSTRUES
a) Introduzir os dados no grid geral (Figura 6.4);
b) Pressionar o mouse em Dados Quantitativos: Contnuos;
c) Selecionar a amostra (Ex 06.03.1);
d) Clicar no boto Executar Estatstica;
e) Informar o Nmero de Reamostragens, neste exemplo 5000 (Figura 6.5);
f) Clicar no boto Executar.
Figura 6.5
Exemplo
6.3.1.
A reamostragem apresentou Mdia Aritmtica

= 32.0124 e Desvio Padro = 17.6226, sendo
estes valores considerados estimaes dos
valores paramtricos.
- 77 -
CAPTULO 6 BOOTSTRAP
6.4 INTERVALO DE CONFIANA DA CORRELAO LINEAR
um dos testes estatsticos de largo uso, cujos dados amostrais das variveis X e Y
podem ser submetidos reamostragem, para determinao do intervalo de confiana
do coeficiente r (Pearson), como demonstrado em seguida.
6.4.1 EXEMPLO
Efetuou-se levantamento de 30 recm-nascidos de ambos os sexos, no sentido de
verificar a associao entre peso (X) e comprimento (Y) dessas crianas. A amostra
foi randmica, cujos dados esto contidos no grid geral (Figura 6.6).
Figura 6.6
Dados
parciais do
Exemplo
6.4.1.
6.4.2 INSTRUES
a) Pressionar o mouse em Intervalo de Confiana da Correlao Linear;
b) Selecionar as colunas Peso (X) e Comprimento (Y);
c) Clicar em Executar o Teste. Sero exibidas caixas de texto, as quais devem ser
preenchidas com o nmero de simulaes - 12000, no caso - e o Intervalo de
Confiana desejado (95%, neste exemplo). Pressionar, a seguir, em Executar,
para resultados.
Figura 6.7
Resultados
do Exemplo
6.4.1.
O IC (95%), aps 12000 simulaes, est compreendido entre 0.12 a 0.73, tambm
mostrado graficamente na figura inferior em linha de cor cinza, assinalando-se, ainda,
o trao vertical escuro correspondente ao valor de r da simulao, igual a 0.4545,
includo, como seria de esperar, no respectivo intervalo, prximo do valor de r da
amostra inicialmente coletada (0.4542).
- 78 -
CAPTULO 6 BOOTSTRAP
6.5 INTERVALO DE CONFIANA DA MDIA
De dados amostrais randmicos podem-se obter a mdia das reamostragens e seu
respectivo intervalo de confiana baseado em percentis.
6.5.1 EXEMPLO
De amostra formada por dez (10) insetos, mediu-se o peso de cada indivduo em
gramas. Os resultados foram estes:
Figura 6.8
Dados do
Exemplo
6.5.1.
6.5.2 INSTRUES
a) Pressionar o mouse em Intervalo de Confiana da Mdia;
b) Selecionar a coluna do grid geral correspondente aos valores amostrais e clicar
em Executar o Teste;
c) Preencher as caixas de texto com as informaes sobre o nmero de simulaes e
o Intervalo de Confiana desejado;
d) Pressionar em Executar, para resultados.
Figura 6.9
Resultados
do Exemplo
6.5.1.
Foram efetuadas 10000 simulaes, ou seja, a retirada de dez mil amostras da amostra
inicial, com reposio, obtendo-se os seguintes valores da Mdia e do Intervalo de
Confiana de 95%:
Mdia = 3.050 e IC (95%): 2.640 a 3.407 (em termos de percentis).
- 79 -
CAPTULO 6 BOOTSTRAP
Para efeito de comparao, quando se efetua a estimao de parmetros somente com
base na mdia e no desvio padro da amostra original, obtm-se:
Mdia = 3.05
IC (95%): 2.622 a 3.478 (em termos de desvio padro)
Obs.: pode-se repetir n vezes o mesmo procedimento, com ou sem alteraes do
nmero de Simulaes e do Intervalo de Confiana, clicando-se em Executar, para
resultados.
6.6 INTERVALO DE CONFIANA DA PROPORO

O procedimento semelhante ao utilizado para mdia, como ser visto em seguida,
cujos Intervalos de Confiana esto baseados nos percentis.
6.6.1 EXEMPLO
Em sondagem eleitoral, efetuada com dois meses de antecedncia do pleito, obteve-se
amostra de tamanho 200 e a seguinte proporo para o candidato AZ: 0.36 (36%),
correspondendo a 72 eventos favorveis em 200 eleitores. Efetuar 15000 simulaes,
para calcular a proporo e o Intervalo de Confiana de 99%.
6.6.2 INSTRUES
a) Pressionar o mouse em Intervalo de Confiana da Proporo;
b) Preencher as caixas de texto com as informaes sobre o nmero de simulaes,
o Intervalo de Confiana desejado e os valores originais do tamanho da amostra e
da respectiva proporo;
c) Pressionar em Executar, para resultados.
Figura 6.10
Resultados
do Exemplo
6.6.1.
- 80 -
CAPTULO 6 BOOTSTRAP
Foram efetuadas 15000 simulaes, ou seja, a retirada de quinze mil amostras com
reposio da amostra original, obtendo-se os seguintes valores:
Proporo = 0.363;
IC (99%): 0.275 a 0.445 (em termos de percentis).
Para efeito de comparao, quando se efetua a estimao de parmetros somente com
base na amostra inicial e no nmero de eventos favorveis, obtm-se:
Proporo amostral = 0.36;
IC (99%): 0.272 a 0.448 (em termos de desvio padro);
Obs.: pode-se repetir n vezes o mesmo procedimento, com ou sem alteraes do Nmero
de Simulaes e do Intervalo de Confiana, clicando-se em Executar, para resultados.
6.7 TESTE DE HIPTESE: Teste t Duas Amostras Independentes

Realiza-se a reamostragem de duas amostras independentes teste t , as quais podem
ser do mesmo tamanho ou desiguais.
6.7.1 EXEMPLO
Um investigador admite que a estatura dos homens de duas populaes de pases da
Europa Ocidental so diferentes. Foram mensurados 36 indivduos do pas A e 33 do B.
Os dados esto inseridos no grid geral (Figura 6.11).
Figura 6.11
Dados
parciais do
Exemplo
6.7.1
H0: no h diferena entre a estatura mdia dos homens nos pases A e B: 1 = 2;

H1: h diferena entre a estatura mdia dos homens nos pases A e B: 1 2;
6.7.2 INSTRUES
a) Pressionar o mouse em Teste de hiptese: teste t - Duas Amostras Independentes;
b) Selecionar as colunas referentes aos pases A e B, do Exemplo 6.7.1;
c) Informar, em seguida, o nmero de simulaes desejadas, 1000 neste caso;
d) Clicar em Executar, para resultados.
- 81 -
CAPTULO 6 BOOTSTRAP
Figura 6.12
Resultado
do Exemplo
6.7.1.
A Mdia geral prior e o Desvio prior so estatsticas obtidas das amostras, sem
simulao. O p-valor da simulao mostrou resultado altamente significativo
(0.0010), rejeitando-se, portanto, a hiptese de nulidade, podendo-se admitir que a
estatura mdia dos homens desses pases diferente.
6.8 TESTE DE HIPTESE: ANOVA (um critrio)

Para obter a reamostragem de dados para fins de anlise de varincia, realiza-se o
seguinte procedimento: retirar trs ou mais amostras, dos mesmos tamanhos ou
desiguais, cujos critrios de comparao so os tratamentos. Procede-se, ento, a
simulao conforme o exemplo indicado a seguir.
6.8.1 EXEMPLO
Foram coletadas sementes das espcies A, B, C e D, cujo peso medido em gramas de
cada unidade e as respectivas espcies so mostrados na tabela seguinte:
Figura 6.13
Dados do
Exemplo
6.8.1.
H0: os pesos das sementes obtidas das espcies em questo no apresentam diferenas
significativas: 1 = 2 = 3 = 4;
H1: os pesos das sementes pelo menos de duas das espcies obtidas apresentam
diferenas significativas: i j;
- 82 -
CAPTULO 6 BOOTSTRAP
6.8.2 INSTRUES
a) Pressionar o mouse em Teste de hiptese: ANOVA (um critrio);
b) Selecionar as colunas referentes aos tratamentos (Espcies A, B, C e D) do
Exemplo 6.8.1;
c) Clicar em Executar o Teste e informar o Nmero de Tratamentos includos no
teste (quatro tratamentos). Preencher, em seguida, o Nmero de Simulaes
desejadas, 10000 neste exemplo, e pressionar em Executar, para resultados.
Figura 6.14
Resultados
do Exemplo
6.8.1.
O p-valor da simulao mostrou resultado

altamente significativo (0.0001), rejeitandose, portanto, a hiptese de nulidade,
podendo-se admitir que, pelo menos, o peso
mdio das sementes de duas espcies das
amostras coletadas so diferentes.
6.9 TESTE DE HIPTESE: CORRELAO LINEAR

Pelo procedimento de reamostragem, podemos obter os valores de r (Pearson) e o
respectivo p-valor da Correlao Linear.
6.9.1 EXEMPLO
Os dados contidos na Figura 6.15 foram submetidos ao teste de reamostragem para
obteno de r simulado e do respectivo p-valor.
H0: no h correlao entre as variveis X e Y: r = 0;
H1: h correlao entre as variveis X e Y: r 0;
Figura 6.15
Dados do
Exemplo
6.9.1.
- 83 -
CAPTULO 6 BOOTSTRAP
6.9.2 INSTRUES
a) Pressionar o mouse em Teste de hiptese: Correlao Linear;
b) Selecionar as colunas do grid geral correspondentes aos valores amostrais X e Y
(Exemplo 6.9.1) e clicar em Executar o Teste;
c) Preencher as caixas de texto com o nmero de simulaes desejado, 1000 no
presente exemplo;
Figura 6.16
Resultados
do Exemplo
6.9.1.
O p-valor obtido igual a 0.0040, sendo estatisticamente muito significativo. Os

valores de r, prior e simulado, foram 0.8728 e 0.5036, respectivamente.
- 84 -
CAPTULO 7
CORRELAO
7.1 INTRODUO
A Anlise de Correlao proporciona um meio de se verificar o grau de associao
entre duas ou mais variveis. Os testes mais utilizados para essa anlise so:
i Correlao linear de Pearson;
ii Matriz de Correlao;
iii Correlao parcial;
iv Correlao linear quando o parmetro diferente de zero (r < 0 ou r > 0);
i Contingncia C;
ii Concordncia de Kendall;
iii Correlao de Kendall;
iv Coeficiente Phi;
v Correlao de Spearman.
7.1.1 INSTRUES
c) Apontar o mouse em Correlao, conforme demonstra a Figura 7.1:
Figura 7.1
Menu de
Correlao.
7.2 CORRELAO LINEAR DE PEARSON

um teste de largo emprego em bioestatstica, onde os valores das variveis X e Y so
mensurados a nvel intervalar ou de razes. O coeficiente de Pearson r pode
variar de 1 a +1, e quanto mais prximos desses valores, mais forte a associao das
variveis em exame. O escore zero desse coeficiente indica ausncia de correlao.
7.2.1 EXEMPLO
Efetuou-se levantamento em adolescentes no sentido de verificar a associao de peso
e estatura desses indivduos. A amostra foi randmica e os dados esto no grid geral
(ver Figura 7.2).
- 85 -
CAPTULO 7 CORRELAO
H0: no h associao entre peso e estatura de adolescentes: r = 0;
H1: h correlao entre as duas variveis: r 0;
Figura 7.2
Dados do
Exemplo
7.2.1.
7.2.2 INSTRUES
a) Pressionar o mouse em Coef. de Correlao de Pearson;
c) Clicar em Executar o Teste para obter resultados.
Figura 7.3
Resultados
do Exemplo
7.2.1.
Os resultados mostram forte correlao positiva entre Peso e Estatura de adolescentes

(r = 0.9624 e p = 0.0021), rejeitando-se, assim, a hiptese de nulidade e aceitando-se
a alternativa. Em outras palavras, medida que aumenta uma das variveis, a outra
cresce de valor, no havendo, entretanto, relao de dependncia de X em relao a Y
ou de Y sobre X.
7.3 MATRIZ DE CORRELAO
Pode-se calcular diversos valores de r com as respectivas probabilidades e, ao mesmo
tempo, obter a matriz dos valores da correlao.
7.3.1 EXEMPLO
Os dados contidos no grid geral, apresentados na Figura 7.4, correspondem a valores
de quatro (4) amostras, as quais devem apresentar o mesmo tamanho. A Figura 7.5
indica os resultados obtidos e a matriz de correlao.
7.3.2 INSTRUES
a) Pressionar o mouse em Matriz de Correlao;
- 86 -
CAPTULO 7 CORRELAO
c) Clicar em Executar o Teste para obter resultados
Figura 7.4
Dados do
Exemplo
7.3.1.
Figura 7.5
Resultados
do Exemplo
7.3.1.
Na parte
inferior est
representada a
matriz de
correlao.
As variveis das colunas um (1) e quatro (4) apresentam Coeficiente de Pearson igual
a 0.9609, com p = 0.0092. As demais correlaes no so estatisticamente
significativas. A matriz est representada na parte inferior da Figura 7.5.
Pressionar em Grfico na linha superior da Figura 7.5:
Figura 7.6
Grfico do
Exemplo
7.3.1,
Colunas
1 e 4.
- 87 -
CAPTULO 7 CORRELAO
7.4 CORRELAO PARCIAL
No estudo da correlao linear possvel estender o conceito medindo-se a associao
entre duas variveis e, ao mesmo tempo, controlando o efeito de uma terceira, a
varivel Z. Neste caso, chama-se o procedimento de Correlao Parcial.
7.4.1 EXEMPLO
O exemplo que vai ser mostrado o da influncia da renda familiar varivel Z na
correlao entre tempo de estudo dos pais varivel X e tempo de estudo dos filhos
varivel Y. O programa permite que se escolha a varivel Z, a qual pode ser
qualquer uma das trs colunas preenchidas com os escores. No exemplo, a varivel a
ser fixada est na coluna trs (3) do grid. Alm disso, os resultados da Correlao
Linear de Pearson das variveis X e Y so apresentados a ttulo comparativo.
H0: a renda familiar (varivel Z) no influencia a correlao tempo de estudo dos pais
(varivel X) e o tempo de escolaridade dos filhos (varivel Y);
H1: a renda familiar (varivel Z) influencia a correlao tempo de estudo dos pais
(varivel X) e o tempo de escolaridade dos filhos (varivel Y);
Figura 7.7
Dados do
Exemplo
7.4.1.
7.4.2 INSTRUES
a) Pressionar o mouse em Coef. de Correlao Parcial;
c) Clicar em Executar o Teste, surgindo uma tela para a escolha da varivel Z;
Figura 7.8
Resultados
do Exemplo
7.4.1.
- 88 -
CAPTULO 7 CORRELAO
H uma associao entre a escolaridade dos pais e dos filhos (r XY= 0.8295, p =
0.021), a qual deixa de ser significativa ao se introduzir a varivel Z (r XY.Z =
0.2719, p = 0.6022)
7.5 CORRELAO LINEAR: < 0 ou > 0
Algumas vezes h interesse do pesquisador no estudo da associao entre duas
variveis, mas o parmetro de comparao passa a ser diferente de zero, como se
exemplifica a seguir.
7.5.1 EXEMPLO
Em estudo gentico (hipottico) verificou-se que o parmetro (
) de associao entre
as variveis X e Y igual a 0.50. Tomou-se amostra aleatria de seis (6) indivduos,
cujas variveis em questo foram mensuradas, a fim de verificar se estariam de
acordo com a distribuio terica formulada.
H0: = 0.50;
H1: 0.50;
Figura 7.9
Dados do
Exemplo
7.5.1.
7.5.2 INSTRUES
a) Pressionar o mouse em Coef. de Correlao: < 0 ou > 0;
c) Clicar em Executar o Teste, surgindo a Figura 7.10, a qual deve ser preenchida
com o valor de assumido da populao, 0.5 no caso;
Figura 7.10
Coef. de
correlao da
populao (
).
(Exemplo
7.5.1).
d) Clicar em OK, para resultados.
- 89 -
CAPTULO 7 CORRELAO
Figura 7.11
Resultados
do Exemplo
7.5.1.
H diferena estatisticamente significativa entre o coeficiente observado (- 0.5456) e

o parmetro (0.50), sendo o p-valor igual a 0.044. Rejeita-se, portanto, a hiptese de
nulidade.
7.6 COEFICIENTE DE CONTINGNCIA C
Este Coeficiente indicado para determinar a magnitude de associaes de variveis
mensuradas a nvel ordinal, dispostas em tabelas de contingncia n x n (n 2).
7.6.1 EXEMPLO
Um pesquisador deseja verificar se h associao entre o grau de escolaridade (X) e o
nvel salarial (Y). Os dados coletados de cada amostra correspondem ao nmero de
indivduos e foram inseridos no grid geral da seguinte forma:
Figura 7.12
Dados do
Exemplo
7.6.1.
a)
Colunas 1, 2 e 3 referentes aos nveis de escolaridade: fundamental, mdio e

superior, respectivamente;
b) Linhas 1, 2 e 3: relativas aos nveis salariais: um a dois, trs a cinco e mais de
cinco salrios mnimos, respectivamente;
c) Cada casela do grid registra o nmero de indivduos relativos escolaridade e
ao respectivo nvel salarial.
H0: no h associao entre nveis de escolaridade e salarial: Coeficiente C = 0;
H1: h correlao entre as duas variveis, quanto maior a escolaridade dos indivduos,
maior o salrio recebido: Coeficiente C 0;
7.6.2 INSTRUES
a) Pressionar o mouse em Coef. de Contingncia C;
c) Clicar em Executar o Teste, para resultados (Figura 7.13).
- 90 -
CAPTULO 7 CORRELAO
Figura 7.13
Resultados
do Exemplo
7.6.1.
H forte associao entre o grau de escolaridade e o nvel salarial: Coef. C = 0.3977 e

p < 0001, rejeitando-se a hiptese de nulidade e aceitando-se a alternativa.
7.7 COEFICIENTE DE CONCORDNCIA DE KENDALL: W
Este coeficiente W testa a associao entre vrios (k) conjuntos de postos dos
mesmos indivduos (n), cujas variveis so mensuradas a nvel ordinal.
7.7.1 EXEMPLO
Testar o grau de correlao entre o nvel de desempenho de trs (3) mdicos
residentes e as respectivas avaliaes efetuadas por trs (3) supervisores.
Figura 7.14
Dados do
Exemplo
7.7.1.
H0: no h concordncia entre a avaliao dos supervisores em relao ao

desempenho dos mdicos residentes: Coef. de Kendall W = 0;
H1: h concordncia entre a avaliao dos supervisores em relao ao
desempenho dos mdicos residentes: Coef. de Kendall W 0;
7.7.2 INSTRUES
a) Pressionar o mouse em Coef. de Concordncia de Kendall;
b) Selecionar as colunas (postos) referentes s variveis do grid geral;
Figura 7.15
Resultados do
Exemplo
7.7.1.
- 91 -
CAPTULO 7 CORRELAO
O resultado no estatisticamente significativo (W = 0.7778 e p = 0.097), no tendo
havido, portanto, concordncia (associao) entre os supervisores. Aceita-se, assim, a
hiptese de nulidade.
7.8 COEFICIENTE DE CORRELAO DE KENDALL:
Mede a associao entre duas variveis mensuradas a nvel ordinal, ou seja, por
postos.
7.8.1 EXEMPLO
Dois mdicos neonatalogistas efetuaram a avaliao de seis recm-nascidos pelos
escores de Apgar. Os valores foram inseridos no grid geral.
H0: no h associao entre a avaliao dos neonatalogistas em relao aos escores
de Apgar dos recm-nascidos: Coef. de Correlao de Kendall = 0;
H1: h associao entre a avaliao dos neonatalogistas em relao aos escores
de Apgar dos recm-nascidos: Coef. de Correlao de Kendall 0;
Figura 7.16
Dados do
Exemplo
7.8.1.
7.8.2 INSTRUES
a) Pressionar o mouse em Coeficiente de Correlao de Kendall;
Figura 7.17
Resultados do
Exemplo
7.8.1.
- 92 -
CAPTULO 7 CORRELAO
Os resultados revelam um Coeficiente de Correlao de Kendall (0.7877)
significativo (p = 0.0132) tendo havido associao (concordncia) dos mdicos
especialistas em relao aos escores de Apgar dos recm-nascidos. Rejeita-se a
hiptese de nulidade, aceitando-se a alternativa.
7.9 COEFICIENTE PHI: r
Este teste aplicado para verificar a associao de variveis mensuradas a nvel
nominal e que se apresentam de modo dicotmico em tabela de contingncia 2 x 2.
7.9.1 EXEMPLO
Foi efetuado levantamento em uma universidade para verificar se h associao entre
os sexos dos estudantes e os cursos de medicina e biologia. Nesse exemplo, ambas as
variveis apresentam-se dicotmicas e so mensuradas a nvel nominal: sexo
masculino e feminino de um lado e, de outro, os cursos de medicina e biologia, com
os seguintes escores:
a) estudantes do sexo masculino cursando biologia: 40;
b) estudantes do sexo masculino cursando medicina: 48;
c) estudantes do sexo feminino cursando biologia: 55;
d) estudantes do sexo feminino cursando medicina: 47;
H0: no existe associao entre os sexos dos estudantes e os cursos de medicina e de
biologia: r = 0;
H1: existe associao entre os sexos dos estudantes e os cursos de medicina e de
biologia: r 0;
7.9.2 INSTRUES
a) Pressionar o mouse em Coeficiente Phi;
b) Preencher o grid conforme exemplo abaixo;
c) Clicar em Executar, para resultados.
Figura 7.18
Coeficiente
Phi.
(Exemplo
7.9.1).
Entrada de Dados do Coeficiente Phi.

A = estudantes masculinos que cursam biologia;
B = estudantes masculinos que cursam medicina;
C = estudantes femininos que cursam biologia;
D = estudantes femininos que cursam medicina.
- 93 -
CAPTULO 7 CORRELAO
Pelos resultados verifica-se que no h diferena estatisticamente significativa entre
sexos e escolha dos cursos em questo (p = 0.3085). Aceita-se, portanto, a hiptese de
nulidade.
7.10 COEFICIENTE DE CORRELAO DE SPEARMAN: rs

uma prova no-paramtrica com a finalidade de determinar o grau de associao
entre duas variveis mensuradas, pelo menos, a nvel ordinal e dispostas em postos
ordenados em duas sries: X e Y.
7.10.1 EXEMPLO
Os mesmos dados relativos Correlao de Kendall sobre os escores de Apgar (ver
Figura 7.16).
H0: no h correlao entre a avaliao dos neonatalogistas em relao aos escores de
Apgar dos recm-nascidos: rs = 0;
H1: h correlao entre a avaliao dos neonatalogistas em relao aos escores de
Apgar dos recm-nascidos: rs 0;
7.10.2 INSTRUES
a) Pressionar o mouse em Coef. de Correlao de Spearman;
Figura 7.19
Resultados do
Exemplo
7.10.1.
Os resultados mostram correlao entre as avaliaes efetuadas pelos dois mdicos

em 6 recm-nascidos, sendo o teste estatisticamente significativo (p = 0.0198),
confirmando aqueles obtidos pelo teste de Correlao de Kendall.
- 94 -
CAPTULO 8
DISTRIBUIO DE PROBABILIDADES
8.1 INTRODUO
Quando o procedimento para a coleta de dados, conseqentemente das variveis
investigadas, randmico, assumindo cada varivel um certo valor e uma
determinada probabilidade, diz-se, ento, que so variveis aleatrias. O programa
apresenta as seguintes distribuies:
a)
Distribuies discretas:
i Binomial;
ii Hipergeomtrica;
iii Poisson.
b) Distribuies contnuas:
i Exponencial;
ii Normal.
c) Probabilidade condicional:
i Crivo (screening test);
ii Curva ROC;
iii Ponto de Corte;
iv Regra de Bayes;
v Sensibilidade/Especificidade.
d) Outras distribuies:
i Distribuio F;
ii Distribuio do Qui-quadrado;
iii Distribuio t de Student;
iv Distribuio Z.
8.1.1 INSTRUES
b) Apontar o mouse em Distribuio de Probabilidades.
Figura 8.1
Menu de
Distribuio
de Probabilidades.
8.2 DISTRIBUIO BINOMIAL

Esta distribuio caracteriza-se quando:
a) o experimento consiste de n provas idnticas, cada uma apresentando apenas dois
resultados: sucesso e insucesso;
b) a probabilidade do sucesso igual a p, e a do insucesso, a q, sendo q = 1 p;
- 95 -
CAPTULO 8 DISTRIBUIO DE PROBABILIDADES

c)
as provas so independentes, procurando-se determinar a probabilidade do

nmero de sucessos k em n provas;
d) o quociente n/N deve ser inferior a 0.05.
8.2.1 EXEMPLO
No universo de leuccitos da circulao perifrica do homem a proporo de
linfcitos igual a 0.36. Contando-se 20 leuccitos, qual a probabilidade de se obter
cinco (5) linfcitos? Considerando-se que a populao (N) de leuccitos atinge a casa
dos milhes, ento o quociente n/N inferior a 0.05, indicando-se, nesse caso, a
aplicao da distribuio binomial para a varivel questionada.
8.2.2 INSTRUES
a) Clicar o mouse em Binomial;
b) Preencher as caixas de texto com os dados;
c) Clicar em Executar, para obter os resultados.
Observa-se, alm da mdia (), do
desvio padro () e dos valores de p e q,
a probabilidade de se obter exatamente
cinco (5) linfcitos em 20 clulas
leucocitrias (0.1161), a da obteno de
cinco (5) ou menos linfcitos (k 5 =
0.2171) e, ainda, a chance de mais de
cinco (5) clulas linfocitrias (0.7829).
A soma desses valores igual unidade
(0.2171+ 0.7829 = 1). A frao 0.1161
est includa em 0.2171 (igual ou menor
que cinco (5) linfcitos).
Figura 8.2
Distribuio
Binomial.
(Exemplo
8.2.1)
8.3 DISTRIBUIO HIPERGEOMTRICA

Em determinadas ocasies as distribuies de probabilidades de variveis discretas
tm as mesmas caractersticas das distribuies binomiais, mas o tamanho da amostra
relativamente grande em relao ao tamanho do universo. Desse modo, a retirada de
uma unidade sem reposio altera acentuadamente a probabilidade dos demais
constituintes da populao e, nesses casos, a distribuio passa a ser hipergeomtrica.
O critrio adotado para considerar esse modelo o valor do quociente n/N, o qual
deve ser 0.05.
8.3.1 EXEMPLO
Uma caixa contm quinze (15) vidros (populao) de comprimidos de vitamina B1 e
em cada caixa observou-se que trs (3) vidros apresentavam dosagem da vitamina
- 96 -

inferior indicada pelo fabricante, compreendendo uma proporo de 3/15 = 0.2. Em
amostra randmica de cinco (5) unidades, calcular a probabilidade de dois (2) vidros
ou menos apresentarem dosagem da vitamina abaixo da indicada pelo produtor. Como
o quociente n/N = 5/15 = 0.333 superior a 0.05, indica-se a distribuio
hipergeomtrica para esse clculo.
8.3.2 INSTRUES
a) Clicar o mouse em Hipergeomtrica;
Figura 8.3
Distribuio
Hipergeomtrica.
(Exemplo
8.3.1).
A probabilidade de se encontrar na
amostra dois (2) vidros com
subdosagem de vitamina B1 0.2198,
a de 2 vidros ou menos 0.9780 e a de
mais de dois vidros 0.0220.
A soma dessas probabilidades igual
unidade: 0.9780 + 0.0220 = 1 (o
valor 0.2198 est includo em
0.9780).
8.4 DISTRIBUIO DE POISSON

Trata-se de um modelo de distribuio de probabilidade discreta semelhante
binomial, com as seguintes diferenas:
a) A probabilidade do evento de interesse p se apresenta como ocorrncia rara e
relacionada no tempo e no espao.
b) O valor de q (1 - p) no considerado nos clculos.
8.4.1 EXEMPLO
A hipersensibilidade penicilina de 0.0015 em populaes humanas. Se em
determinada localidade e num perodo de um ano fossem testadas 4000 pessoas
residentes, qual seria a probabilidade de trs (3) indivduos apresentarem a
mencionada reao ao antibitico? Tratando-se de evento raro (0.0015) e relacionado
no tempo e no espao, indica-se a distribuio de Poisson para o clculo da
probabilidade dessa distribuio.
- 97 -

8.4.2 INSTRUES
a) Clicar o mouse em Poisson;
Figura 8.4
Distribuio
de Poisson.
(Exemplo
8.4.1).
A probabilidade de ocorrncia de trs (3) indivduos com hipersensibilidade

penicilina 0.0892; de trs (3) ou menos, 0.1512, e para mais de 3 pessoas, 0.8488. A
soma dessas probabilidades igual unidade: 0.1512 + 0.8488 = 1. No escore 0.1512
est includo o p-valor de (x), igual a 0.0892.
8.5 DISTRIBUIO EXPONENCIAL
A distribuio exponencial um modelo para variveis contnuas referentes a
intervalos de tempo transcorrido entre eventos raros e discretos, como ocorre na
distribuio de Poisson. O interesse, no entanto, o intervalo temporal, o qual
apresenta distribuio contnua e exponencial.
8.5.1 EXEMPLO
Em uma instituio de abrigo aos idosos, a admisso em 12 meses de 25 pessoas por
1000 habitantes, com valor lambda (p) = 25/1000 = 0.025. Calcular a probabilidade
do recebimento de 25 idosos em oito (8) meses.
8.5.2 INSTRUES
a) Clicar o mouse em Exponencial;
- 98 -
Figura 8.5
Distribuio
Exponencial.
(Exemplo
8.5.1)
A probabilidade do evento ocorrer (25 admisses) em oito (8) meses inferior a 20%
(0.1813).
8.6 DISTRIBUIO NORMAL

um dos mais importantes modelos de distribuio de probabilidades em estatstica,
sobretudo nas reas das cincias biolgicas e da sade. A curva desta distribuio
apresenta as seguintes caractersticas:
a) simtrica;
b) em forma de sino;
c) assinttica: as extremidades se aproximam mas no tocam a linha das abscissas;
d) dois pontos de inflexo situados a igual distncia da mdia, um de cada lado
desse parmetro: 1.
Os escores brutos so transformados em escores padronizados (Z), e nessa
padronizao a mdia igual a zero (0) e o desvio padro igual a um (1). Aps o
clculo do valor de Z, o programa determina as probabilidades da distribuio.
A rea sob a curva normal apresenta estas propores, por exemplo:
a) 1.645 = 90% da rea, sendo 45% de cada lado da curva;
b) 1.96 = 95% da rea, sendo 47.5% de cada lado da curva;
c) 2.33 = 98% da rea, sendo 49% de cada lado da curva;
d) 2.58 = 99% da rea, sendo 49.5% de cada lado da curva.
- 99 -

8.6.1 EXEMPLO
Em uma amostra aleatria, o peso de recm-nascidos tem distribuio normal, com
mdia de 3100g e desvio padro igual a 225g. Considerando-se amostra aleatria de
300 crianas, calcular:
a) a probabilidade e a respectiva proporo de recm-nascidos pesando entre 2750g
e 3200g;
b) idem, entre 3150g e 3300g;
c) idem, entre 2659g e 3541g.
8.6.2 INSTRUES
a) Clicar o mouse em Normal;
b) Preencher as caixas de texto: Tamanho, Mdia, Desvio padro e os escores X1 e
X2, os quais compreendem o intervalo de valores cuja probabilidade se pretende
calcular;
Figura 8.6
Distribuio
Normal.
(Exemplo
8.6.1 - a).
A Figura acima expressa os valores de Z, as respectivas probabilidades (p) e os

escores inferiores a X1 (17.97), entre X1 e X2 (183.51) e superiores a X2 (98.52). A
questo argida, portanto, corresponde a 184 crianas.
As casas decimais so importantes porque a curva normal representa dados contnuos.
A probabilidade e a respectiva proporo de recm-nascidos pesando entre 3150g e
3300g, conforme argido no item b, est representada na prxima figura.
- 100 -
Figura 8.7
Distribuio
Normal.
(Exemplo
8.6.1 - b).
A Figura 8.7 apresenta os valores de Z, as respectivas probabilidades (p) e os escores

inferiores a X1 (176.37), entre X1 e X2 (67.53) e superiores a X2 (56.10). A resposta
pergunta formulada, assim, corresponde a 68 crianas.
Figura 8.8
Distribuio
Normal.
(Exemplo
8.6.1 - c)
A Figura 8.8 exibe os valores de Z, as respectivas probabilidades (p) e os escores

inferiores a X1 (7.50), entre X1 e X2 (285) e superiores a X2 (7.50). A questo
formulada (item c), dessa maneira, compreende 285 crianas. Registre-se que os
escores escolhidos 2659 e 3541 correspondem a valores de Z de 1.96 e + 1.96,
cujas probabilidades de distribuio situam-se nas faixas de 0.025 para cada lado da
curva, aqum e alm dos escores X1 e X2, respectivamente, totalizando 0.025 + 0.025
- 101 -

= 0.05 (5%). A rea compreendida entre esses valores igual a 1 - 0.05 = 0.95 (95%),
confirmando, portanto, a informao antes mencionada, ou seja: 1.96 = 95%
da rea, sendo 47.5% de cada lado da curva.
8.7 CRIVO (SCREENING TEST)
Emprega-se em estudos epidemiolgicos e em clnica mdica como estimadores de
determinadas doenas. O mais simples aquele em que a pessoa testada pode ser
classificada como doena provvel (teste positivo) ou doena improvvel (teste
negativo). A classificao final de cada indivduo poder depender, entretanto, do
seguimento dos casos, de exames complementares, de procedimentos cirrgicos e de
resultados de necropsia. O aperfeioamento cada vez maior dos testes laboratoriais
tem aumentado o grau de certeza nos resultados dos screening tests.
H vrios estimadores de desempenho de um teste:
a) Sensibilidade: probabilidade de, se o teste for positivo, a pessoa ter a doena;
b) Especificidade: probabilidade de, se o teste for negativo, a pessoa esteja sadia;
c) Valor preditivo de um teste positivo: probabilidade do indivduo com teste
positivo ter a doena;
d) Valor preditivo de um teste negativo: probabilidade do indivduo com teste
negativo estar sadio.
8.7.1 EXEMPLO
Efetuou-se um screening test para diabete em 630 indivduos de ambos os sexos, com
idade compreendida entre 18 e 25 anos, considerando-se o teste como positivo se a
glicemia fosse igual ou superior a 155 mg/dL, determinada uma hora aps refeio
padro. Os resultados foram os seguintes:
Teste positivo em pessoas diabticas = 61;
Teste positivo em pessoas no diabticas = 35;
Teste negativo em pessoas diabticas = 12;
Teste negativo em pessoas no diabticas = 522.
Figura 8.9
Screening
Test,
(Exemplo
8.7.1).
Definies
- 102 -

8.7.2 INSTRUES
a) Selecionar Probabilidade Condicional e clicar em Crivo (Screening Test);
A especificidade do teste maior que a sensibilidade, ou seja, o valor preditivo do
teste negativo de 97.75%. Portanto, se em uma pessoa o teste for negativo, h quase
100% de chance de no ser diabtica. De outro lado, o valor preditivo de um teste
positivo de apenas 63.54%.
Pode haver, contudo, mudana ulterior na prevalncia da doena. Neste caso,
mantidos os valores da sensibilidade e da especificidade, o valor preditivo ser
alterado de modo diretamente proporcional alterao da prevalncia. Se esta
aumentar, o valor preditivo do teste positivo crescer, e vice-versa. Suponhamos que a
prevalncia posterior subiu para 0.25: pressiona-se o mouse no boto SIM, introduz-se
na caixa de texto o atual valor desse ndice, clicando outra vez em Executar.
Figura 8.10
(Exemplo
8.7.1 com
nova
prevalncia).
8.8 CURVA ROC

A Curva ROC (Receiver Operanting Characteristic Curve) um mtodo estatstico e
grfico para determinar o melhor ponto de corte (cutoff point) de um teste
diagnstico. Representa-se no eixo das ordenadas (Y) a sensibilidade e no eixo das
abscissas a proporo de falsos positivos, ou seja, 1-especificidade. O ponto mais
elevado da curva, correspondente ao ngulo superior esquerdo do grfico, representa
100% de sensibilidade e 0% de falsos positivos (d = 0), sendo, nesse caso, o valor
ideal de uma prova diagnstica, chamado padro ouro. Podemos testar at vrias
curvas por este mtodo, para avaliar o ponto de corte de cada uma, medindo-se, para
isto, as respectivas reas e os valores de d.
8.8.1 EXEMPLO
Uma investigao efetuada para determinar qual o melhor teste, A ou B, para
enfermidade neoplsica, mostrou os resultados abaixo, em exames efetuados em 45
pessoas com a enfermidade e em 45 indivduos considerados normais:
Figura 8.11
Dados do
Exemplo
8.8.1.
- 103 -

8.8.2 INSTRUES
a) Introduzir os dados no grid geral do BioEstat, conforme mostrado na Figura 8.11;
b) Selecionar com o mouse em Probabilidade Condicional e pressionar em Curva
ROC;
c) Selecionar as colunas do grid geral e, em seguida, pressionar Executar;
d) Informar o nmero de indivduos doentes e o nmero de indivduos sadios de
cada amostra (Figura 8.12) e pressionar o boto Executar.
Figura 8.12
Nmero de
doentes e de
sadios em
cada teste,
Exemplo
8.8.1.
Figura 8.13
Resultados
do Exemplo
8.8.1.
Figura 8.14
A linha
diagonal
representa a
metade da
rea. Quanto
mais
prximas
estiverem as
curvas dessa
linha, menor o
desempenho
do teste.
A linha 'd' indica o teste

de melhor desempenho,
mais prximo do padro
ouro, ou seja:
Sensibilidade = 1 e
Especificidade = 0.
O melhor resultado foi
obtido com o teste B,
com a distncia d = 0.32.
- 104 -

8.9 PONTO DE CORTE
Determinar o melhor Ponto de Corte (Cutoff point) para um teste diagnstico.
8.9.1 EXEMPLO
A Enzima Alfa-GST usada como marcador de leso heptica causada pela Hepatite
C. Foram testados 72 indivduos, sendo 40 doentes e 32 sadios.
8.9.2 INSTRUES
a) Introduzir os dados no grid (ver Figura 8.15), em duas colunas as quais
representam, neste caso, os grupos Doentes e Sadios, podendo as amostras ter
tamanhos diferentes;
b) Selecionar no menu principal do BioEstat: Distribuio de Probabilidades,
Probabilidade Condicional e clicar em Ponto de Corte, nessa ordem;
c) O BioEstat solicitar que o usurio responda seguinte pergunta: O grupo de
DOENTES apresenta os valores mais elevados?. Neste caso a resposta
afirmativa, portanto clicar no boto Sim para visualizar a Figura 8.16 que contm
a Curva ROC e as especificaes: Ponto de Corte (4.000) e sua respectiva
Distncia (d), Sensibilidade, Especificidade e Prevalncia.
Figura 8.15
Viso parcial
dos dados
do Exemplo
8.9.1.
Ser instantaneamente exibido o diagrama abaixo:
Figura 8.16
Curva ROC,
Ponto de
Corte,
Sensibilidade,
Especificidade
e a menor
Distncia (d) ao
Padro Ouro,
Exemplo
8.9.1.
- 105 -

Para obter os Valores Preditivos pressione na parte superior da Figura 8.16.
Figura 8.17
Valores
Preditivos,
Exemplo
8.9.1.
8.10 REGRA DE BAYES

A probabilidade condicional para dois ou mais eventos pode ser obtida pela
generalizao da regra de Bayes. O programa admite at dez eventos.
8.10.1 EXEMPLO
Tendo em vista os dados populacionais e as informaes clnicas, obtiveram-se os
seguintes escores relativos ao sintoma dispnia (A):
a) Dados da populao (prevalncia):
b) Dados clnicos:
B1 = Asma brnquica: Pr (B1) = 0.15
Pr (A|B1) = 0.26
Pr (A|B2) = 0.75
B2 = Enfisema pulmonar: Pr (B2) = 0.01
B3 = Cncer do pulmo: Pr (B3) = 0.009
Pr (A|B3) = 0.43
Dada a ocorrncia de dispnia, calcular as respectivas probabilidades dessas afeces.
8.10.2 INSTRUES
a) Apontar o mouse em Probabilidade Condicional e clicar em Regra de Bayes;
b) Preencher as caixas de texto da Figura 8.18;
Figura 8.18
Regra de
Bayes
(Exemplo
8.10.1).
c) Clicar em Executar, preenchendo em seguida o grid especfico com os dados;

d) Dirigir o mouse para o menu superior e clicar em Executar, para resultados.
Figura 8.19
Exemplo
8.10.1.
- 106 -

8.11 SENSIBILIDADE/ESPECIFICIDADE
A probabilidade posterior pode ser calculada conhecendo-se a probabilidade prior e
os novos valores da sensibilidade e da especificidade.
8.11.1 EXEMPLO
Um determinado evento tem uma probabilidade prior 0.45, calculada com
informaes sobre a sensibilidade e a especificidade de 0.55 e 0.45, respectivamente,
obtidas em um screening test. Com o aperfeioamento dos exames de laboratrio, os
novos valores da sensibilidade e da especificidade foram, respectivamente, iguais a
0.85 e 0.78. Calcular a probabilidade posterior com essas novas informaes.
8.11.2 INSTRUES
a) Apontar o mouse em Probabilidade Condicional e clicar em
Sensibilidade/Especificidade e preencher as caixas de texto;
b) Clicar em Executar, para obter resultado.
Figura 8.20
Sensibilidade/
Especificidade. (Exemplo
8.11.1).
Com os valores da sensibilidade, da especificidade e da prevalncia (prior), obtm-se

todos os indicadores quantificados na rea de resultados da Figura 8.20.
8.12 DISTRIBUIO F
A distribuio F, como as demais que se seguem, facilita o clculo do p-valor a partir
do valor de F obtido e de acordo com os graus de liberdade do numerador e do
denominador. Trata-se, assim, de um procedimento didtico, de vez que o grfico
aproximado da curva respectiva da distribuio mostrado com destaque para a rea
de rejeio, o que torna mais fcil a compreenso de um teste F pelo usurio.
8.12.1 EXEMPLO
Considerando o valor de F = 3.26, obtido em um teste de anlise de varincia baseada
em um critrio, com quatro (4) e quinze (15) graus de liberdade do numerador e do
denominador, respectivamente, determinar a curva e p-valor para esses dados.
8.12.2 INSTRUES
a) Apontar o mouse em Outras distribuies;
b) Clicar o mouse em Distribuio F;
c) Preencher as caixas de texto com os dados do exemplo e clicar em Executar.
- 107 -
Figura 8.21
O p-valor
obtido
igual a
0.0408.
8.13 DISTRIBUIO DO QUI-QUADRADO

A distribuio do Qui-Quadrado, com base no valor de 2 obtido e os graus de
liberdade, calcula o p-valor e mostra, aproximadamente, a respectiva curva.
8.13.1 EXEMPLO
Considerando o valor de 2 = 3.841, obtido em uma tabela de contingncia 2 x 2,
portanto, com um (1) grau de liberdade, calcular o respectivo p-valor.
8.13.2 INSTRUES
a) Apontar o mouse em e Outras distribuies;
b) Clicar o mouse em Distribuio do Qui-Quadrado;
c) Preencher as caixas de texto com os dados do exemplo e clicar em Executar.
Figura 8.22
O p-valor
igual a
0.05 e
corresponde
ao segmento escuro
direita da
curva.
- 108 -

8.14 DISTRIBUIO t DE STUDENT
A distribuio t de Student varia de acordo com o valor de t obtido e os respectivos
graus de liberdade, aproximando-se da curva normal medida que aumentam os graus
de liberdade. Os valores alfa unilateral e bilateral so mostrados juntamente com a
respectiva curva, esta de modo aproximado.
8.14.1 EXEMPLO
Tendo em vista o valor obtido de t = 2.947 e considerando quinze (15) graus de
liberdade, calcular o p-valor unilateral.
8.14.2 INSTRUES
b) Clicar o mouse em Distribuio t de Student;
c) Preencher as caixas de texto com os dados do exemplo e clicar em Unilateral.
Figura 8.23
Distribuio
t de
Student,
o valor de p
unilateral
obtido
igual a
0.005.
O resultado unilateral, como era esperado, igual a 0.005. Se fosse desejado o valor
bilateral, bastaria pressionar o boto Bilateral, o qual, com esses dados, o p-valor
corresponderia a 0.005 de cada lado da curva, totalizando 0.01 (0.005 + 0.005).
- 109 -

8.15 DISTRIBUIO Z
A distribuio Z, como se sabe, corresponde distribuio normal N(0,1) cujos
parmetros mdia = 0 e varincia = 1. A curva e o p-valor so mostrados conforme se
verifica na Figura 8.24.
8.15.1 EXEMPLO
Considerando o valor obtido de Z = 1.96, calcular o p-valor bilateral.
8.15.2 INSTRUES
b) Clicar o mouse em Distribuio Z;
c) Preencher a caixa de texto com o valor de Z e clicar em Bilateral.
Figura 8.24
O valor de p
bilateral
obtido igual
a 0.025 de
cada lado da
curva,
totalizando
0.05.
- 110 -
CAPTULO 9
UMA AMOSTRA
9.1 INTRODUO
Os testes de inferncia estatstica para uma s amostra envolvem os dados amostrais e
os parmetros da populao investigada. Algumas vezes a comparao dos valores
numricos da amostra efetuada com distribuies tericas esperadas, recebendo a
denominao, nesses casos, de testes de aderncia.
Estes testes classificam-se em:
i Teste t: dados amostrais;
ii Teste t: resumo amostral;
iii Teste Z: dados amostrais;
iv Teste Z: resumo amostral.
i Teste Binomial;
ii Teste de Iteraes (Runs test);
iii Teste G;
iv Teste de Kolmogorov-Smirnov;
v Teste de Lilliefors;
vi Teste do Qui-Quadrado: propores esperadas iguais;
vii Teste do Qui-Quadrado: propores esperadas desiguais;
viii Teste de Poisson.
9.1.1 INSTRUES
c) Apontar o mouse em Uma Amostra, conforme demonstra a Figura 9.1:
Figura 9.1
Menu dos
aplicativos
para uma
amostra.
9.2 TESTE t DE STUDENT: DADOS AMOSTRAIS

Prova paramtrica cuja finalidade a de comparar a mdia amostral com a mdia da
populao, sendo necessrio assumir a mdia paramtrica do universo em questo, ou
- 111 -
CAPTULO 9 UMA AMOSTRA

seja, o valor de . O teste efetuado estimando-se a varincia da populao pela
varincia amostral (s2). Esse procedimento escolhido sobretudo quando o tamanho
da amostra considerado pequeno (n 30), porm no h impedimentos para valores
amostrais superiores a 30. Deve-se lembrar, todavia, que medida que aumenta o
tamanho amostral, os valores da distribuio t se aproximam dos valores da
distribuio Z da curva normal.
9.2.1 EXEMPLO
Determinaram-se os nveis de fosfatase srica de 24 crianas com infeco malrica,
comparando-se os escores obtidos com o dado paramtrico da populao considerado
normal para a infncia: = 2.45 mg/dL.
H0: A fosfatase srica no alterada durante a infeco malrica: 1 = 0;
H1: A fosfatase srica alterada durante a infeco malrica: 1 0.
Nvel de deciso: alfa = 0.01, bilateral.
Figura 9.2
Viso parcial
dos dados do
Exemplo
9.2.1.
9.2.2 INSTRUES
a) Pressionar o mouse em Teste: Dados amostrais;
b) Selecionar a coluna referente amostra do grid geral;
c) Clicar em Executar o Teste surgindo a Figura 9.3 e preencher ento a caixa
de texto com a mdia da populao.
Figura 9.3
Mdia da
populao.
d) Clicar em Executar para obter os resultados.

Pelo exame dos resultados (Figura 9.4), conclui-se que a diferena altamente
significativa, eis que o p-valor inferior ao nvel alfa previamente estabelecido.
Rejeita-se a hiptese de nulidade e aceita-se a alternativa, ou seja, o nvel de fosfatase
srica em crianas alterado - aumentado - pela infeco malrica.
- 112 -
Figura 9.4
Resultados
do Exemplo
9.2.1.
9.3 TESTE t DE STUDENT: RESUMO AMOSTRAL

uma verso do Teste t de Student quando dispomos do tamanho, varincia e mdia
amostrais e, ainda, o valor da mdia paramtrica.
9.3.1 EXEMPLO
Dados coletados da temperatura (graus Centgrados) de 27 caranguejos:
a) Tamanho da amostra = 27;
b) Mdia da temperatura dos caranguejos = 24.90C;
c) Varincia da amostra = 0.38;
d) Mdia da temperatura do Meio Ambiente (parmetro) = 25.160C.
H0: = 0;
H1: 0;
Nvel de deciso: = 0.05.
9.3.2 INSTRUES
a) Pressionar o mouse em Teste t: Resumo Amostral;
b) Introduzir os dados no grid Resumo Amostral (Figura 9.5);
Figura 9.5
Entrada de
dados do
Exemplo
9.3.1.
- 113 -
Figura 9.6
Resultados
do Exemplo
9.3.1.
A diferena estatisticamente significativa (p < 0.05). A temperatura dos animais foi

inferior observada no meio ambiente.
9.4 TESTE Z: DADOS AMOSTRAIS

Prova paramtrica semelhante anterior, devendo o procedimento ser escolhido
quando a mdia e a varincia da populao so conhecidas.
9.4.1 EXEMPLO
Em um lago criatrio foram pesados 50 peixes de determinada espcie, cujos escores
esto inseridos no grid geral. Em estudos efetuados no hbitat natural, o peso mdio
dos animais dessa espcie de 21600g e o desvio padro igual a 7338g.
Figura 9.7
Viso parcial
dos dados
do Exemplo
9.4.1.
H0: os animais do lago criatrio tm peso igual aos do hbitat natural: 1 = 0;

H1: os animais do lago criatrio tm peso superior aos do hbitat natural: 1 > 0;
Nvel de deciso: alfa = 0.05, unilateral.
9.4.2 INSTRUES
a) Pressionar o mouse em Teste Z: Dados amostrais;
b) Selecionar a coluna referente amostra do grid geral;
c) Clicar em Executar o Teste surgindo a Figura 9.8 e preencher ento as caixas
de texto com a mdia da populao e o desvio padro paramtrico.
- 114 -

Figura 9.8
Mdia e
desvio padro
da populao
Exemplo
9.4.1.

Figura 9.9
Resultados
do Exemplo
9.4.1.
Os resultados revelam que a diferena significativa (p unilateral = 0.0212), inferior,

portanto, ao nvel de significncia previamente estabelecido. Rejeita-se a hiptese de
nulidade e aceita-se a alternativa, ou seja, os peixes do lago criatrio tm mdia de
peso superior queles existentes no hbitat natural.
9.5 TESTE Z: RESUMO AMOSTRAL

uma verso do Teste Z quando dispomos do tamanho e mdia amostrais e, ainda, os
valores da mdia e do desvio padro paramtricos.
9.5.1 EXEMPLO
Dados coletados da altura de uma espcie de planta submetida a determinado
fertilizante, comparados com a mdia da populao obtida de plantas da mesma
espcie e coletadas no meio ambiente.
a) Tamanho da amostra = 53;
b) Mdia da altura das plantas com fertilizante = 54.4 cm;
c) Desvio Padro da populao = 8.2 cm;
d) Mdia da Populao das plantas coletadas no meio ambiente = 51.9 cm.
Hipteses:
H0: = 0;
H1: 0;
- 115 -

9.5.2 INSTRUES
a) Pressionar o mouse em TesteZ: Resumo amostral;
b) Introduzir os dados no grid de Resumo amostral (Figura 9.10);
Figura 9.10
Entrada de
dados do
Exemplo
9.5.1.
Figura 9.11
Resultados
do Exemplo
9.5.1
A diferena significativa (p < 0.05), tendo o fertilizante aumentado o tamanho das

plantas submetidas ao tratamento.
9.6 TESTE BINOMIAL (para uma proporo)
Trata-se de teste no-paramtrico utilizado quando os eventos na populao
apresentam-se de forma dicotmica ou binria sucesso e insucesso. Os valores
amostrais so comparados com os dados da populao.
9.6.1 EXEMPLO
Supondo-se que, de 10000 indivduos com idade entre 50 e 60 anos e com histria
familiar de cncer gstrico, 350 apresentaram esse tipo de carcinoma. Os estudos
demonstraram que a prevalncia dessa doena na populao de 0.03. As hipteses
formuladas so estas:
H0: a prevalncia de cncer gstrico em indivduos com histria familiar dessa
neoplasia igual a da observada na populao: p1 = p0;
H1: a prevalncia de cncer gstrico em indivduos com histria familiar dessa
neoplasia diferente da observada na populao: p1 p0;
- 116 -

9.6.2 INSTRUES
a) Pressionar o mouse em Teste binomial;
b) Preencher as caixas de texto com o tamanho da amostra, o nmero de sucessos e
a proporo do evento na populao (em decimais).
Figura 9.12
Teste
Binomial
(Exemplo
9.6.1).
A diferena entre as propores da amostra e a da populao altamente significativa

(p = 0.0034) no teste bilateral. Considerando-se que a proporo amostral superior a
da populao, rejeita-se a hiptese de nulidade e aceita-se a alternativa, no sentido de
que os indivduos com histria familiar de neoplasia gstrica tm maior prevalncia
dessa enfermidade.
9.7 ITERAES (RUNS TEST)

Destina-se a verificar se a amostra em questo foi obtida de maneira aleatria. A
tcnica deste teste baseada na ordem ou seqncia com que os escores originais
foram coletados. Os dados podem ser quantitativos ou qualitativos. No caso de
binrios, como sucesso ou insucesso, sim ou no, masculino ou feminino, sinais + e -,
os dados devem ser introduzidos no grid com os valores 1 e 0, respectivamente. Este
teste est relacionado com a Mediana, estabelecendo valores abaixo e acima dessa
medida de tendncia central. Conhecido tambm como Runs test of randomness.
9.7.1 EXEMPLO 1
Dados coletados na jogada de uma moeda dezoito (18) vezes: a varivel Cara foi
assinalada no grid com o valor um (1), e a varivel Coroa, com o valor zero (0). Os
dados, parciais, podem ser visualizados na Figura 9.12.
H0: a seqncia de Caras e Coroas aleatria;
H1: a seqncia obtida no lanamento da moeda no aleatria;
Figura 9.12
Viso parcial
dos dados do
Exemplo
9.7.1.
- 117 -

9.7.2 INSTRUES
a) Introduzir os dados no grid na ordem obtida no experimento (Fig. 9.12);
b) Pressionar o mouse em Iteraes (Runs test);
Figura 9.13
Resultados
do Exemplo
9.7.1.
Os resultados obtidos revelam que ocorreram dez (10) Coroas (n1) e oito (8) Caras
(n2) e treze (13) Iteraes, sendo o p-valor no significativo (ns). A amostra, assim
considerada aleatria. Neste exemplo o tamanho das amostras menor que 20, note
que n1=10 e n2 = 8, neste caso os valores crticos so obtidos a partir da tabela de
Frida S. e Eisenhart, C. (1943).
9.7.2 EXEMPLO 2
Em uma escola observaram-se, uma vez por dia, a discusso entre duas crianas de
cada vez, no que diz respeito a determinado conceito social. O grau da intensidade da
discusso foi assinalado de 24 pares, totalizando 48 estudantes. O objetivo era
determinar se a amostra obtida era ou no aleatria. Os dados coletados poderiam
variar numa escala de 0 a 100, conforme a intensidade da discusso de cada grupo de
participantes, cujos escores podem ser visualizados na Figura 9.14.
H0: a seqncia obtida aleatria;
H1: a seqncia obtida no aleatria;
Figura 9.14
Viso parcial
dos dados do
Exemplo
9.7.2.
9.7.2 INSTRUES
a) Introduzir os dados no grid na ordem obtida no experimento (Fig. 9.14);
b) Pressionar o mouse em Iteraes (Runs test);
- 118 -

Figura 9.15
Resultados
do Exemplo
9.7.2.
Os resultados obtidos revelam que o nmero de Iteraes (r = 33) foi muito

significativo (p-valor = 0.0073), com base na distribuio Z, o que ocorrer quando
um ou os dois escores n1 e n2 forem superiores a 20 unidades. Concluso: rejeita-se a
hiptese de nulidade, ou seja, a amostra no foi obtida de forma aleatria.
9.8 TESTE G
Prova no-paramtrica de aderncia, semelhante ao teste do Qui-Quadrado, aplicada
em amostra com dados mensurados na escala nominal e dispostos em duas ou mais
categorias mutuamente exclusivas.
9.8.1 EXEMPLO
Efetuaram-se 300 lanamentos de um dado cujos escores esto inscritos no grid geral.
Considerando-se que o dado apresenta seis (6) categorias (s, duque, terno, quadra,
quina e sena) e todas so equiprovveis, ento, do ponto de vista terico deve-se
esperar que, em trezentos lanamentos, cada modalidade deve apresentar 50 sucessos.
Testar:
H0: os valores observados esto de acordo com os teoricamente esperados;
H1: os valores esperados diferem da proporo terica esperada em cada categoria;
Figura 9.16
Dados do
Exemplo
9.8.1.
9.8.2 INSTRUES
a) Pressionar o mouse em Teste G;
b) Selecionar as colunas do grid geral referentes aos dados observados e queles
teoricamente esperados; e clicar em Executar, para resultados:
Figura 9.17
Resultados
do Exemplo
9.8.1.
- 119 -

As propores observadas concordam com as esperadas, eis que o teste G ajustado
(Williams) = 2.6669 no significativo (p = 0.7512). O dado pode, assim, ser
considerado no-viciado, sem vis.
9.9 TESTE DE KOLMOGOROV-SMIRNOV
Prova no-paramtrica de aderncia destinada a comparar o grau de concordncia
entre a distribuio acumulada de um conjunto de valores de uma amostra com a
distribuio terica acumulada esperada.
9.9.1 EXEMPLO
Em uma fazenda registrou-se o grau mdio do teor alcolico de cada safra anual dos
vinhos produzidos no perodo de 1980/89, obtendo-se os seguintes valores:
Os dados obtidos em todas as reas vincolas da regio indicam que o grau mdio
alcolico dos vinhos igual a nove (9), com desvio padro igual a dois (2).
Figura 9.18
Dados do
Exemplo
9.9.1.
H0: as freqncias acumuladas observadas no diferem da distribuio esperada, com

base nos dados da populao: F0(X) = Sn(X);
H1: as freqncias acumuladas observadas diferem da distribuio esperada, com base
nos dados da populao: F0(X) Sn(X);
9.9.2 INSTRUES
a) Pressionar o mouse em Kolmogorov-Smirnov;
b) Selecionar apenas uma coluna do grid geral referente aos dados observados, os
quais, neste caso, correspondem coluna 2;
c) Clicar em Executar e preencher as caixas de texto com as informaes referentes
aos dados paramtricos mdia e desvio padro , clicando na tecla OK, para
resultados.
Figura 9.19
Resultados
do Exemplo
9.9.1.
- 120 -

Pelo resultado do teste, rejeita-se a hiptese de nulidade e se aceita a alternativa. O
grau alcolico obtido da referida adega difere do parmetro da populao vincola da
rea investigada.
9.10 TESTE DE LILLIEFORS

Prova no-paramtrica de aderncia destinada a comparar o grau de concordncia
entre a distribuio acumulada de um conjunto de valores de uma amostra com a
distribuio terica acumulada esperada.
9.10.1 EXEMPLO
O mesmo exemplo anterior Exemplo 9.9.1 sobre o grau mdio do teor alcolico
de cada safra anual dos vinhos produzidos no perodo de 1980/89, conforme relao
constante na Figura 9.18, desconhecendo-se os parmetros da populao (mdia e
desvio padro). Este teste pode ser empregado para k amostras de modo simultneo.
H0: as freqncias acumuladas observadas no diferem da distribuio terica
esperada: F0(X) = Sn(X);
H1: as freqncias acumuladas observadas diferem da distribuio terica esperada:
F0(X) Sn(X);
9.10.2 INSTRUES
a) Pressionar o mouse em Lilliefors;
b) Selecionar apenas uma coluna do grid geral referente aos dados observados, os
quais, neste caso, correspondem coluna 2;
c) Clicar em Executar para obter resultados.
Figura 9.20
Resultados
do Exemplo
9 10 1
Pelo resultado do teste (p > 0.05), aceita-se a hiptese de nulidade e consideram-se os

dados amostrais com aderncia normalidade. Pelo modelo de Lilliefors o p-valor,
dos dados do Exemplo 9.9.1, difere do modelo Kolmogorov-Smirnov.
9.11 TESTE DO QUI-QUADRADO: PROPORES ESPERADAS IGUAIS

Constitui a prova no-paramtrica de mais largo uso nas reas de cincias biolgicas e
mdicas. O teste para uma amostra um procedimento semelhante ao teste G, ou seja,
de aderncia. A comparao efetuada entre os escores observados e os esperados,
estes iguais, como no exemplo dado a seguir, no sendo necessrio introduzi-los no
grid.
- 121 -

9.11.1 EXEMPLO
Em 48 filhos de casais constitudos por um cnjuge afetado por anomalia dominante
autossmica (Aa) e o outro normal (aa), verificou-se que dezoito (18) descendentes
mostravam a anomalia do genitor afetado e, conseqentemente, 30 no a
apresentavam. Pela teoria gentica, as propores esperadas so de 1:1. Os dados
devem ser inseridos em uma s coluna do grid geral, eis que quando as propores
esperadas so iguais. Testar:
H0: as propores fenotpicas observadas concordam com as esperadas pela Teoria
Gentica (1:1): p1 = p2;
H1: as propores fenotpicas observadas no esto de acordo com as esperadas pela
Teoria Gentica (1:1): p1 p2;
Figura 9.21
Dados do
Exemplo
9.11.1.
9.11.2 INSTRUES
a) Apontar o mouse em Qui-Quadrado para Propores esperadas iguais, conforme
o Exemplos 9.11.1;
b) Selecionar a coluna do grid geral e clicar em Executar o Teste, para resultados.
Figura 9.22
Resultados
do Exemplo
9.11.1.
O Qui-Quadrado corrigido (Yates) no

significativo (p = 0.1124), evidenciando que os
valores observados concordam com os esperados
pela teoria gentica. A diferena existente ,
portanto, variao amostral.
9.12 TESTE DO QUI-QUADRADO: PROPORES ESPERADAS DESIGUAIS

O teste para uma amostra um procedimento semelhante ao teste G, ou seja, um teste
no-paramtrico de aderncia. A comparao efetuada entre os escores observados e
os esperados, estes desiguais, calculados do ponto de vista matemtico ou de acordo
com alguma teoria.
9.12.1 EXEMPLO
Em casais com grupos sangneos AB x AB, testou-se o fentipo de 80 descendentes
no que diz respeito a esse sistema, observando-se que dezoito (18) pertenciam ao
grupo A, 36 ao AB e 26 ao B. Pela teoria gentica as propores esperadas seriam:
1:2:1 (25% : 50% : 25%), dos grupos A, AB e B, respectivamente. Os dados devem
ser inseridos em duas colunas do grid geral: na primeira coluna os valores observados
e na segunda, os esperados, visto que os valores esperados so desiguais.
- 122 -
Figura 9.23
Dados do
Exemplo
9.12.1.
H0: as propores fenotpicas observadas concordam com as esperadas pela teoria

gentica (1:2:1): p1 = ; p2 = ; p3 = ;
H1: as propores fenotpicas observadas no esto de acordo com as esperadas pela
teoria gentica (1:2:1): p1 ; p2 ; p3 ;
9.12.2 INSTRUES
a) Apontar o mouse em Qui-Quadrado, para Propores esperadas desiguais,
conforme o Exemplo 9.12.1;
b) Selecionar as colunas do grid geral e clicar em Executar o Teste, para resultados.
Figura 9.24
Resultados
do Exemplo
9.12.1.
O Qui-Quadrado calculado no significativo (p = 0.3012), evidenciando que os

valores observados concordam com os esperados pela teoria gentica. Aceitar a
hiptese de nulidade, eis que a diferena existente , portanto, variao amostral.
9.13 TESTE DE POISSON

Este teste deve ser empregado quando os dados so binrios, como no teste binomial,
e se o evento em questo considerado raro e ocorrido em determinado espao de
tempo.
Uma investigao foi efetuada sobre a ocorrncia de linfomas em dez mil indivduos
que trabalhavam em uma indstria de calados e que foram seguidos durante um (1)
ano. O nmero registrado de casos foi igual a seis (6), enquanto a taxa dessa neoplasia
na populao, por 10000 habitantes, no mesmo perodo, obtida dos rgos de sade,
foi igual a 4.7. H diferena significativa entre esses dados?
H0: = 0;
H1: 0;
9.13.2 INSTRUES
a) Pressionar o mouse em Teste de Poisson;
- 123 -

b) Preencher a caixa de texto e pressionar Executar, para resultados.
Figura 9.25
Resultados
do Exemplo
9.13.1.
As propores observadas concordam com as esperadas, eis que o teste de Poisson

no significativo (p = 0.6631). A diferena detectada no importante do ponto de
vista epidemiolgico, sendo considerada de natureza amostral.
- 124 -
CAPTULO 10
DUAS AMOSTRAS INDEPENDENTES
10.1 INTRODUO
Um dos testes mais freqentes em bioestatstica consiste na avaliao da diferena
entre duas amostras independentes, que devem representar as respectivas populaes,
em que os dados de uma no esto relacionados com os escores da outra.
i Teste t: dados amostrais;
ii Teste t: resumo amostral;
iii Teste Z: dados amostrais;
iv Teste Z: resumo amostral.
i Binomial para Duas Propores;
ii Exato de Fisher;
iii Teste G;
iv Kolmogorov-Smirnov;
v Mann-Whitney;
vi Mediana;
vii Qui-Quadrado;
vii Odds Ratio;
viii Risco Relativo;
ix Taxa de Incidncia.
x Coeficiente de Variao;
xii Poisson;
10.1.1 INSTRUES
a) Introduzir os dados no grid geral do BioEstat ou preencher caixas de texto;
c) Apontar o mouse em Duas Amostras Independentes.
Figura 10.1
Menu de
Duas
Amostras
Independentes.
- 125 -
CAPTULO 10 DUAS AMOSTRAS INDEPENDENTES

Teste paramtrico de largo uso, sobretudo quando o tamanho das amostras n1 e n2
igual ou inferior a 30 unidades e as varincias paramtricas so desconhecidas, cuja
distribuio das diferenas entre as mdias (1 - 2 ) foi descrita por W. Gosset
(Student). Os dados devem ser mensurados a nvel intervalar ou de razes e as
amostras podem ser de igual tamanho ou desiguais. As seguintes pressuposies
devem ser observadas neste teste:
a) amostras randmicas de cada populao investigada;
b) as varincias devem ser homogneas;
c) as variveis das populaes de onde as amostras foram selecionadas devem
apresentar distribuio aproximadamente normal.
A questo das varincias amostrais importante no teste t de Student. Como as
amostras podem ser de tamanho desiguais, conveniente ponderar as duas varincias
s21 e s22 mesmo que a pressuposio tenha sido feita de que elas no so
heterogneas. Essa ponderao conduz a determinado valor conhecido como pooled
variance.
Outras vezes uma das varincias mais de quatro (4) vezes superior outra ou, ento,
n1 e n2 so muito diferentes. Nesses casos, as varincias so consideradas desiguais
desde que o teste F, realizado tambm pelo BioEstat, seja significativo (p 0.05). O
valor de t calculado para as duas mdias amostrais X 1 e X 2 levar em
considerao esses aspectos.
10.2.1 EXEMPLO (para dados amostrais)
Um pesquisador admite que a estatura dos homens pertencentes ao grupo indgena A
diferente dos indivduos do sexo masculino concernentes ao grupo indgena B.
Foram mensuradas doze (12) pessoas do primeiro agrupamento e onze (11) do
segundo. Testar:
Figura 10.2
Dados do
Exemplo
10.2.1.
H0: no h diferena entre a estatura mdia dos indivduos dos grupos A e B: 1 = 2;

H1: h diferena entre a estatura mdia dos indivduos dos grupos A e B: 1 2;
- 126 -

10.2.2 INSTRUES
a) Pressionar o mouse em Teste t: dados amostrais;
b) Selecionar as colunas referentes s amostras do grid geral;
c) Clicar em Executar o Teste para obter resultados.
Figura 10.3
Resultados
do Exemplo
10.2.1.
O valor de t (5.0647) altamente significativo, com p-valor menor que 0.0001

(bilateral). Rejeita-se, assim, a hiptese de nulidade e aceita-se a alternativa: h
diferena na estatura dos homens das populaes investigadas, sendo em mdia mais
altos aqueles pertencentes ao grupamento indgena A.
Pressionar em Grfico na barra superior da Fig. 10.3.
Figura 10.4
O grfico
sugestivo da
diferena
entre as
mdias
amostrais
do Exemplo
10.2.1.
- 127 -

10.3 TESTE t DUAS AMOSTRAS INDEPENDENTES: RESUMO AMOSTRAL
Trata-se do Teste t de Student, quando se dispe apenas das mdias, varincias e
tamanhos amostrais.
10.3.1 EXEMPLO
Duas amostras de plantas para verificao do crescimento, submetidas a diferentes
fertilizantes:
Amostra A: fertilizante XX;
Amostra B: fertilizante YY.
Dados amostrais: contidos no grid do Resumo Amostral (Figura 10.5).
H0: 1 = 0;
H1: 1 0;
10.3.2 INSTRUES
a) Pressionar o mouse em Teste t: Resumo Amostral;
b) Introduzir os dados nas caixas de texto de Resumo Amostral (Figura 10.5);
c) Clicar em Executar para resultados.
Figura 10.5
Entrada de
dados do
Exemplo
10.3.1.
Figura 10.6
Resultados
do Exemplo
10.3.1.
A diferena muito significativa (p < 0.01). O fertilizante YY foi superior ao XX em

termos de crescimento das plantas submetidas aos tratamentos.
- 128 -

10.4 TESTE Z: DADOS AMOSTRAIS
Apresenta caractersticas semelhantes ao Teste t, mas indicado para duas amostras
independentes quando as varincias paramtricas so conhecidas e as variveis nas
populaes apresentam distribuies normais. Esta ltima pressuposio pode no ser
conhecida, mas o tamanho de cada amostra, nesse caso, deve ser superior a 30
unidades.
10.4.1 EXEMPLO
Dois produtos comerciais D1 e D2 , recomendados para alvio de dores
musculares, foram testados em duas amostras independentes de pacientes da mesma
idade, do sexo feminino e em condies clnicas semelhantes. Cada grupo estava
constitudo de 32 indivduos e o tempo decorrido entre a ingesto das drogas e o
alvio do sintoma foi contado em minutos. As varincias paramtricas dos produtos
D1 e D2 so, respectivamente, 1.68 e 1.62. Testar:
H0: no h diferena entre as drogas no tempo de alvio da dor muscular: 1 = 2;

H1: a droga A alivia a dor muscular em um tempo inferior ao da droga B: 1 < 2;
Nvel de deciso: alfa unilateral = 0.01.
Figura 10.7
Dados
parciais do
Exemplo
10.4.1.
10.3.2 INSTRUES
a) Pressionar o mouse em Teste Z;
b) Selecionar as colunas referentes s amostras do grid geral e clicar em Executar o
Teste;
c) Preencher as caixas de texto (Figura 10.8), com as informaes sobre as varincias
paramtricas e pressionar em Continuar, para obter resultados (Figura 10.9).
- 129 -
Figura 10.8
Como informar
as varincias
paramtricas.
Exemplo
10.4.1.
Figura 10.9
Resultados
obtidos.
Exemplo
10.4.1.
O valor de Z (2.9194) calculado muito significativo no teste unilateral (p = 0.0018),

rejeitando-se a hiptese de nulidade e aceitando-se a alternativa. A droga D1 alivia a dor
muscular em um perodo de tempo inferior (5.06 minutos) ao da droga D2. Se desejar o
grfico desse Exemplo, pressionar em Grfico na barra superior da Figura 10.9.
10.5 TESTE Z DUAS AMOSTRAS INDEPENDENTES: RESUMO AMOSTRAL
Trata-se do Teste Z, quando se dispe apenas das mdias e tamanhos amostrais, e
ainda, das varincias paramtricas.
10.5.1 EXEMPLO
Duas drogas: A (primeira amostra) e B (segunda amostra) foram testadas em dois
grupos de pacientes para alvio de dores nas panturrilhas depois de caminhada de
5000 metros. O tempo decorrido entre a ingesto da droga e o desaparecimento das
dores foi registrado em minutos. Os dados amostrais e as respectivas varincias das
populaes esto registradas no grid Resumo Amostral.
H0: 1 = 0;
H1: 1 0;
Nvel de deciso: = 0.05
10.5.2 INSTRUES
a) Pressionar o mouse em Teste z: resumo amostral;
b) Introduzir os dados no grid de Resumo Amostral (Figura 10.10);
c) Clicar em Executar para resultados (Figura 10.11).
- 130 -
Figura 10.10
Entrada de
dados do
Exemplo
10.5.1.
Figura 10.11
Resultados
do Exemplo
10.5.1.
O valor de Z significativo (p < 0.05). O tempo decorrido entre a ingesto das drogas
e o alvio do sintoma foi menor com o emprego do medicamento A (p < 0.05).
10.6 TESTE BINOMIAL
Destina-se a testar a diferena entre duas propores amostrais independentes,
procurando-se determinar se a diferena (p1 p2) de tal grandeza que permita
rejeitar a hiptese de nulidade. O tamanho de cada amostra deve ser suficiente para a
devida aproximao da distribuio binomial curva normal, ou seja, quando
atendidas duas condies: n1 p1 q1 5 e n2 p2 q2 5 .
10.6.1 EXEMPLO
Uma pesquisa foi conduzida para estudar o efeito da aspirina no enfarte do miocrdio.
Um grupo de 10000 pessoas do sexo masculino, de 40 anos de idade, cada uma
recebeu 100 mg da droga por dia e foram observados durante 10 anos. Ocorreram
manifestaes de enfarte coronariano em quatorze (14). Outro grupo de 9500
- 131 -

indivduos do mesmo sexo e com a mesma idade foram seguidos por igual perodo,
mas no receberam aspirina, tendo ocorrido 30 casos de enfarte do miocrdio. Testar:
H0: a aspirina no influencia a ocorrncia da doena coronria: p1 = p2;
H1: a aspirina diminui a incidncia da doena coronria: p1 < p2;
Nvel de deciso: alfa unilateral = 0.01.
Os valores n1p1q1 = 10000 x 0.0014 x 0.9986 = 13.98 e n2 p2q2 = 9500 x 0.0032 x
0.9968 = 30.30, atendendo, assim, as condies exigidas para este teste.
10.6.2 INSTRUES
a) Pressionar o mouse em Teste Binomial: duas propores;
Figura 10.12
Teste
Binomial
(Exemplo
10.6.1).
A diferena observada muito significativa (p unilateral = 0.0049), rejeitando-se a

hiptese de nulidade e aceitando-se a alternativa. O uso prolongado da aspirina
diminui a incidncia da doena coronria no homem.
10.7 TESTE EXATO DE FISHER

Prova no-paramtrica com a finalidade de verificar se duas amostras independentes
provieram da mesma populao. As amostras devem ser classificadas sob dois
critrios ou categorias, dispostas em tabelas de contingncias 2 x 2, cujos escores
amostrais podem ser pequenos, com valor zero (0) inclusive. A probabilidade exata
(p-valor) apresentada sob as formas unilateral e bilateral. A vantagem do BioEstat
5.0 que a soma de todas as caselas pode atingir 600 escores.
- 132 -

10.7.1 EXEMPLO
Vinte (20) ces, divididos aleatoriamente em dois grupos de dez (10) animais, foram
submetidos gastrectomia experimental, tendo sido efetuada a sutura do coto
duodenal em um plano, no primeiro grupo, e em dois, no segundo. O experimento
destinou-se a constatar a ocorrncia de aderncia do epploo ao duodeno, verificado
no ps-operatrio imediato:
a)
primeiro grupo:
i aderncia presente: 9 animais;
ii aderncia ausente: 1 animal.
b) segundo grupo:
i aderncia presente: 2 animais;
ii aderncia ausente: 8 animais.
H0: a presena de aderncia do epploo no coto duodenal independe do nmero de
planos de sutura: p1 = p2;
H1: a presena de aderncia do epploo no coto duodenal depende do nmero de
planos de sutura: p1 p2;
Nvel de deciso: alfa bilateral = 0.01.
10.7.2 INSTRUES
a) Pressionar o mouse em Teste Exato de Fisher;
Figura 10.13
Resultados
do Teste
Exato de
Fisher
(Exemplo
10.7.1).
O p-valor bilateral igual a 0.0055, rejeitando-se a hiptese de nulidade e aceitandose a alternativa. Os animais submetidos ao experimento, cuja sutura foi efetuada em
dois planos, apresentaram menor nmero de aderncias ao coto duodenal.
10.8 TESTE G
Teste no-paramtrico para duas amostras independentes, semelhante em todos os
seus aspectos ao do Qui-Quadrado, para dados categricos. Os escores devem ser
mensurados a nvel nominal ou ordinal, e as amostras podem apresentar duas ou mais
categorias dispostas em tabelas de contingncia l x c. Os graus de liberdade so assim
calculados: (l 1) x (c 1).
- 133 -

10.8.1 EXEMPLO
Relao entre sistema secretor ABH em indivduos normais e com filariose. Foram
submetidos ao teste 573 filariticos, dos quais 472 eram secretores e 101 nosecretores; e 558 controles, sendo 490 secretores e 68 no-secretores.
Figura 10.14
Dados do
Exemplo
10.8.1.
H0: a ocorrncia de filariose independe do grupo do sistema secretor ABH ao qual

pertence o paciente;
H1: a ocorrncia de filariose est associada ao grupo do sistema secretor ABH ao qual
pertence o paciente;
10.8.2 INSTRUES
a) Pressionar o mouse em Teste G;
c) Clicar em Executar o Teste, para resultados
d) Clicar em Grfico na barra da Figura 10.15.
Figura 10.15
Resultados
do Exemplo
10.8.1 e
respectivo
Grfico.
Os resultados mostram associao estatstica significativa entre sistema Secretor ABH

e filariose, rejeitando-se a hiptese de nulidade e aceitando-se a alternativa.

Prova no-paramtrica para duas amostras independentes e vrias modalidades, com
dados mensurados a nveis nominais, ordinais ou intervalares e retiradas da mesma
populao ou com a mesma distribuio cumulativa.
- 134 -

10.9.1 EXEMPLO
Tempo de adaptabilidade escola de crianas pertencentes s classes Maternal I e
Jardim I, com idades mdias de trs (3) (76 alunos) e quatro (4) anos (63 escolares),
respectivamente. A avaliao foi efetuada a nvel ordinal, por postos, correspondendo
cada linha do grid geral a um posto em termos temporais diretamente proporcionais:
Figura 10.16
Dados do
Exemplo
10.9.1.
H0: o perodo de adaptao escola independe da idade da criana;

H1: o tempo de adaptao escola depende da idade da criana;
10.9.2 INSTRUES
a) Pressionar o mouse em Kolmogorov-Smirnov;
b) Selecionar as colunas 2 e 3 do grid geral;
c) Informar se os dados esto ou no agrupados em classe. Neste exemplo os dados
esto agrupados, devendo-se clicar em Sim;
d) Clicar em Executar o Teste, para resultados.
Figura 10.17
Resultados
do Exemplo
10.9.1.
O teste revela que a diferena entre as duas amostras muito significativa, rejeitandose a hiptese de nulidade e aceitando-se a alternativa. mais fcil a adaptabilidade
das crianas ao Jardim I que ao Maternal, indicando que a idade influencia o
comportamento desses escolares.
10.10 TESTE DE MANN-WHITNEY

O teste de Mann-Whitney, conhecido tambm como Teste U de Wilcoxon-MannWhitney ou ainda Wilcoxon rank-sum test, uma prova no-paramtrica destinada a
comparar duas amostras independentes do mesmo tamanho ou desiguais, cujos
escores tenham sido mensurados pelo menos a nvel ordinal.
- 135 -

10.10.1 EXEMPLO
Nveis de fosfatase sangnea em doze (12) pacientes acometidos de malria por P.
vivax e em dez (10) parasitados pelo Plasmodium falciparum.
H0: os nveis de fosfatase sangnea independem da espcie de Plasmodium que

parasita o homem;
H1: os nveis de fosfatase sangnea esto relacionados com a espcie de Plasmodium
encontrada nos doentes de malria;
Figura 10.18
Dados do
Exemplo
10.10.1.
10.10.2 INSTRUES
a) Pressionar o mouse em Mann-Whitney;
Figura 10.19
Resultados
do Exemplo
10.10.1.
O teste U no estatisticamente significativo (p = 0.6444), aceitando-se, portanto, a

hiptese de nulidade. No h diferena nos nveis sangneos de fosfatase em
pacientes acometidos de malria pelo P. vivax ou pelo P. falciparum.
- 136 -

10.11 TESTE DA MEDIANA
O teste da Mediana um procedimento destinado a comprovar se duas amostras
independentes, do mesmo tamanho ou desiguais, provieram da mesma populao com
o mesmo valor mdio, mais precisamente o valor da mediana. Os escores de cada
amostra devem ser mensurados pelo menos a nvel ordinal.
10.11.1 EXEMPLO
Aps alta hospitalar, doze (12) indivduos de uma casa de sade (A) e dez (10)
pessoas de outra entidade nosocomial (B) foram avaliados quanto aos cuidados de
enfermagem dispensados a cada um nas respectivas instituies. O escore de autoavaliao de cada paciente, numa escala ordinal de 0 a 100, est contido no grid geral
do BioEstat.
H0: o atendimento de enfermagem no difere nos hospitais de onde os indivduos

foram selecionados;
H1: o atendimento de enfermagem difere nos hospitais de onde provieram as pessoas
selecionadas;
Figura 10.20
Dados do
Exemplo
10.11.1.
10.11.2 INSTRUES
a) Pressionar o mouse em Mediana;
Figura 10.21
Resultados
do Exemplo
10.11.1.
O teste da Mediana foi significativo (p = 0.0323), rejeitando-se a hiptese de nulidade

e aceitando-se a alternativa. Os cuidados de enfermagem do Hospital A foram
superiores queles oferecidos pelo Hospital B.
- 137 -

10.12 TESTE DO QUI-QUADRADO
um dos testes no-paramtricos mais conhecidos e de larga aplicao nas cincias
biomdicas, destinando-se a comprovar se duas amostras independentes provieram da
mesma populao. Os escores devem ser mensurados a nvel nominal ou ordinal, e as
amostras podem apresentar duas ou mais categorias dispostas em tabelas de
contingncia l x c.
O Qui-Quadrado sofre a correo de continuidade correo de Yates quando as
amostras apresentam apenas duas categorias (tabelas 2 x 2), devendo-se escolher
outro teste quando o valor de n (soma de todas as modalidades) inferior a 20 ou se
20 < n < 40 e qualquer freqncia esperada for menor que cinco (5). De acordo com
Cochran, se n for igual ou maior que 40, pode-se tolerar valores esperados to
pequenos quanto a unidade (1).
10.12.1 EXEMPLO
Em rebanho bubalino, parte dos animais recebeu cuidados veterinrios, o que no
aconteceu com a outra parte. Decorrido um ano, o nmero de animais vivos e mortos
entre os referidos grupos foi o seguinte:
Figura 10.22
Dados do
Exemplo
10.12.1.
H0: a proporo dos animais vivos e mortos independe dos cuidados veterinrios
recebidos;
H1: a proporo dos animais vivos e mortos depende dos cuidados veterinrios
recebidos;
10.12.2 INSTRUES
a) Pressionar o mouse em Qui-Quadrado;
c) Clicar em Executar o Teste, para resultados;
Figura 10.23
Resultados
do Exemplo
10.12.1.
O Qui-Quadrado obtido e devidamente corrigido (Yates) significativo, rejeitando-se

a hiptese de nulidade e aceitando-se a alternativa. A freqncia de animais vivos ou
mortos dependente dos cuidados veterinrios recebidos.
- 138 -

10.13 ODDS RATIO (OR)
O Odds Ratio (OR) um teste para propores dispostas em tabela de contingncia 2
x 2, ou seja, para duas amostras dicotomizadas, mensuradas a nvel nominal, o qual
calcula a vantagem (ou desvantagem) de um dos eventos sucesso em relao ao
outro. O programa apresenta tambm a probabilidade da ocorrncia e o intervalo de
confiana de 95%. Quando o ndice igual unidade no h vantagem para quaisquer
dos eventos. Indica-se o OR nos estudos de casos nos quais o nmero de controles
previamente fixado pelo pesquisador, no sendo aconselhvel a determinao da
incidncia do evento.
10.13.1 EXEMPLO
Efetuou-se levantamento em um grupo de pessoas do sexo masculino, cujas idades
variavam entre 50 e 60 anos, no sentido de verificar a associao de enfisema
pulmonar e o hbito do fumo. De 400 indivduos investigados, durante dez (10) anos,
216 eram no-fumantes (controles), obtendo-se, ao final, os seguintes escores:
Amostra 1 (fumantes):
Com enfisema = 120; Sem enfisema = 64;
Amostra 2 (no-fumantes): Com enfisema = 66; Sem enfisema = 150.
Tendo em vista que se trata de um estudo de casos cujos controles foram definidos
pelo investigador, pode-se calcular o OR.
10.13.2 INSTRUES
a) Clicar o mouse em Odds Ratio;
Figura 10.24
Teste de
Odds Ratio
(Exemplo
10.13.1).
O Aumento Relativo do Risco

resumido pela sigla ARR e
obtido por (p1 p2), todas as
vezes que o OR for superior a
um (1).
A probabilidade de enfisema
pulmonar entre os fumantes
superior a cerca de quatro (4)
vezes a dos no-fumantes, com
p-valor < 0.0001. Quando o
Odds Ratio calculado atinge
valores maiores que um (1),
exibido o Nmero Necessrio
para
causar
um
evento
desfavorvel (NNH). Neste
exemplo o NNH = 3. Significa
que seriam necessrios trs
indivduos expostos ao fator de
risco para, num perodo de dez
(10) anos, surgir um novo caso
da doena (enfisema).
- 139 -
Figura 10.25
Teste de
Odds Ratio
(Exemplo
10.13.1 com
posio
invertida das
amostras).
Se os dados fossem introduzidos com inverso da posio das amostras, ter-se-ia:

A leitura passaria a ser diferente:
O Odds Ratio obtido (0.2347)
representa que a chance de
enfisema pulmonar ocorrer em
no-fumantes cerca de quatro
(4) vezes menor que a dos
fumantes.
Quando o Odds Ratio obtido
menor que um (1) o BioEstat
ento indica o NNT, ou seja, o
Nmero Necessrio para Tratar.
Este exemplo, onde o NNT = 3, o
resultado deve ser entendido que
so necessrios 3 indivduos
livres da exposio ao fumo para
evitar a ocorrncia de um (1)
caso de enfisema pulmonar.
10.14 RISCO RELATIVO (RR)

O RR um teste para duas amostras dicotomizadas e dispostas em tabelas de
contingncia 2 x 2, no qual se calcula o quociente das propores p1 e p2. bastante
utilizado para comparar a incidncia de eventos em pessoas expostas a determinado
fator em relao aos de indivduos no expostos.
O programa determina tambm o p-valor do RR e o intervalo de confiana de 95%. Se
o risco relativo se aproxima da unidade, os eventos devem ser considerados
independentes, no havendo, por conseguinte, vantagem ou desvantagem entre eles.
De outro lado, quanto mais afastado de 1 (um), maior a relao de dependncia entre
os eventos investigados. Deve ser calculado em ensaios randomizados e estudos de
coorte, nos quais um dos grupos de pacientes submetido a determinado tratamento e
o outro sem essa interferncia, e que so seguidos durante determinado perodo de
tempo (follow-up), a fim de que sejam observadas as ocorrncias. O BioEstat calcula
ainda:
a) p1: proporo de indivduos tratados;
b) p2: proporo de indivduos controles;
c) RR: Risco Relativo = p1/p2;
d) RRR: Reduo Relativa do Risco = 1-RR;
e) ARR: Aumento Relativo do Risco: RR 1;
f) RAR: Reduo Absoluta do Risco: p2 p1;
g) AAR: Aumento Absoluto do Risco: p1 p2;
- 140 -

h) NNT: Nmero Necessrio para Tratar e prevenir 1 (um) evento desfavorvel
num determinado perodo de tempo (t) = 1/RAR ou 100/(RAR 100);
i) NNH: Nmero Necessrio para causar 1 (um) evento desfavorvel (Harm)
num determinado perodo de tempo (t) = 1/AAR ou 100/(AAR 100).
Em um estudo prospectivo realizado numa coorte de dez (10) mil pessoas do sexo
masculino, com idade entre 40 e 50 anos, dois grupos foram formados conforme o uso
de uma droga do grupo das Estatinas: os componentes do grupo A (6500) receberam
10mg dirias do medicamento. Os outros indivduos (grupo controle, 3500)
receberam uma dose diria de placebo. A pesquisa foi efetuada no modelo duplocego. Ao final de trs (3) anos os resultados sobre a ocorrncia de manifestaes
coronarianas nos dois grupos foi a seguinte:
a) No grupo A (tratado): a manifestao coronariana ocorreu em 325 indivduos
dentre um total de 6500;
b) No grupo B (controle): a manifestao coronariana ocorreu em 525
indivduos dentre um total de 3500.
10.14.2 INSTRUES
a) Clicar o mouse em Risco Relativo;
Figura 10.26
Risco
Relativo
(Exemplo
10.14.1).
- 141 -

O Risco Relativo (RR) de 0.33, muito significativo, determina uma Reduo Relativa
do Risco (RRR) de 67% e uma Reduo Absoluta do Risco (RAR) de 10%. Desse
modo, o Nmero de pacientes Necessrios para Tratar (NNT) com Estatinas e obter
um (1) evento favorvel, ou seja, evitar que ocorra um (1) caso de manifestao
coronariana, de dez (10) indivduos (NNT = 1/0.1 ou 100/10). Em outras palavras,
de cada dez (10) indivduos tratados com Estatinas durante trs (3) anos, evita-se a
manifestao coronariana em 1 (um) deles.
Em um servio de anestesia foi realizado um levantamento em 95 profissionais
observando-se a presena ou ausncia do marcador de hepatite B, obtendo-se os
seguintes resultados, cujos indivduos foram divididos conforme o tempo de servio:
a) Grupo com 16 ou mais anos de servio: 10 apresentaram resultado positivo
num total de 20 pessoas;
b) Grupo com at 15 anos de servio: 15 apresentaram resultado positivo entre
75 profissionais.
Deseja-se saber se h associao entre o tempo de servio em ambiente de Servios
de Anestesia e a presena da hepatite B.
10.14.4 INSTRUES
a) Clicar o mouse em Risco Relativo;
Figura 10.27
Risco
Relativo
(Exemplo
10.14.3).
O Risco Relativo (RR) de 2.5, muito significativo, determina um Aumento Relativo do

Risco (ARR) de 150% e um Aumento Absoluto do Risco (AAR) de 30%. O Nmero
- 142 -

de profissionais do Servio de Anestesia Necessrios para causar 1 (um) evento
desfavorvel (Harm) de quatro (4) indivduos (NNH = 4). Em outras palavras, de
cada quatro (4) profissionais do Servio de Anestesia, com mais de dezesseis (16)
anos de servio, pode ocorrer 1 (um) caso de hepatite B.
10.15 TAXA DE INCIDNCIA
Este teste destina-se a verificar se as taxas de incidncia (TI) de dois grupos
expostos e no expostos a determinado fator de risco diferem ou no de modo
significativo.
10.15.1 EXEMPLO
Um levantamento foi efetuado em uma coorte de indivduos expostos e no expostos
tuberculose no ambiente familiar. Ao final de um ano, obtiveram-se os seguintes
dados:
Nmero
Nmero de pessoas
de casos
no perodo
Expostos
40
2137
No Expostos
30
3485
H diferena nas taxas de incidncia desses grupos?

H0: TI1 = TI2;
H1: TI1 TI2;
10.15.2 INSTRUES
a) Clicar em Taxa de Incidncia;
Figura 10.28
Resultados
do Exemplo
10.15.1.
A diferena altamente significativa (p = 0.0015), havendo maior incidncia entre o

grupo exposto ao contgio domiciliar com o bacilo responsvel pela tuberculose. Os
- 143 -

valores esperados seriam: 27.0 no primeiro grupo e 43.0 no segundo, diferindo de
modo acentuado dos valores observados, 40 e 30, respectivamente.
10.16 COEFICIENTE DE VARIAO

Este teste permite comparar dois Coeficientes de Variao (CV) de dados mensurados
de variveis diferentes, por exemplo: peso (kg) e estatura (cm) de pr-escolares,
largura (cm) e peso (g) de folhas, etc. Deve-se pressupor distribuio normal para os
dados.
10.16.1 EXEMPLO
Um estudo foi efetuado em uma maternidade, registrando-se o peso e o comprimento
de 40 recm-nascidos do sexo feminino, obtendo-se os dados inseridos no grid geral,
mostrados, em parte, na Figura 10.29.
H0: a variabilidade inerente ao peso a mesma variabilidade inerente ao

comprimento das crianas recm-nascidas do sexo feminino;
H1: a variabilidade inerente ao peso no a mesma da variabilidade inerente ao
comprimento das crianas recm-nascidas do sexo feminino;
10.16.2 INSTRUES
a) Clicar em Coeficiente de Variao;
b) Selecionar as colunas do grid geral;
Figura 10.29
Viso parcial
dos dados
do Exemplo
10.16.1.
Figura 10.30
Coeficientes
de Variao:
Resultados
do Exemplo
10.16.1.
Os Coeficientes de Variao do peso (CV = 0.0578) e do comprimento (CV = 0.0411)

das crianas recm-nascidas do sexo feminino mostram maior variabilidade intrnseca
da primeira varivel, com um p-valor significativo (0.0351). Rejeita-se, portanto, a
- 144 -

10.17 TESTE DE POISSON
De uma populao com distribuio de Poisson, pode-se testar, atravs de dois
valores amostrais (Y1 e Y2), se eles so oriundos do mesmo universo.
Duas capivaras foram capturadas de modo randmico, sendo uma do sexo masculino
e outra do sexo feminino. Foi contado o nmero de colepteros que parasitavam cada
animal, os quais apresentavam distribuio de Poisson. No animal do sexo masculino
observaram-se 26 parasitas, enquanto o registrado na capivara fmea foi igual a 12.
Testar a hiptese de que a quantidade de parasitas encontrados, em termos mdios,
est relacionada com o sexo dos animais capturados.
H0: 1 = 2
H1: 1 2
Nvel de deciso: alfa bilateral = 0.05.
10.17.2 INSTRUES
a) Clicar o mouse em Teste de Poisson;
b) Preencher as caixas de texto com os valores da primeira e da segunda amostra;
c) Clicar em Executar para resultados.
Figura 10.31
Teste de
Poisson
(Exemplo
10.17.1).
O valor de Z obtido estatisticamente significativo ao nvel alfa previamente fixado

(p = 0.0221), rejeitando-se a hiptese de nulidade. O nmero de parasitas encontrados
em cada animal diferente, podendo-se admitir que a parasitose mais intensa nas
capivaras do sexo masculino.
- 145 -
- 146 -
CAPTULO 11
DUAS AMOSTRAS RELACIONADAS
11.1 INTRODUO
um procedimento onde dois conjuntos so investigados, o segundo constitudo dos
mesmos elementos do primeiro, formando-se pares de unidades onde cada indivduo
contribui com dois escores, ou seja, funciona como seu prprio controle. So, pois,
amostras relacionadas, pareadas ou dependentes, tomadas para testar-se a mdia das
diferenas antes e depois da condio objeto da pesquisa.
Os testes estatsticos para duas amostras relacionadas classificam-se em:
i Teste t de Student: dados amostrais;
ii Teste t de Student: resumo amostral;
iii ANOVA.
i Correlao Intraclasse;
ii Kappa;
iii McNemar;
iv Sinais;
v Wilcoxon (Signed-Rank Test).
11.1.1 INSTRUES
a) Preencher duas colunas do grid geral com os dados: antes e depois, com exceo
do Teste de McNemar;
c) Apontar o mouse em Duas Amostras Relacionadas, para a escolha do teste:
Figura 11.1
Menu dos
aplicativos
para duas
amostras
relacionadas.

Teste paramtrico destinado a verificar se os dois grupos de escores dos mesmos
indivduos, cujas unidades foram retiradas ao acaso da populao, no apresentam
diferena em relao s mdias. Os dados devem ser mensurados em escala intervalar
ou de razes, sendo o teste empregado quando a varincia da populao das
diferenas desconhecida, com n 1 graus de liberdade, sendo n o nmero de pares.
- 147 -
CAPTULO 11 DUAS AMOSTRAS RELACIONADAS

11.2.1 EXEMPLO
Em um grupo de dez (10) pacientes, infectados pelo P. vivax, contou-se o nmero de
plaquetas por mL do sangue perifrico em duas ocasies: no momento do diagnstico
e aps o tratamento. Os dados foram inseridos no grid geral de entrada de dados.
Figura 11.2
Dados do
Exemplo
11.2.1.
H0: a infeco no altera o nmero de plaquetas no sangue perifrico: D = 0;

H1: a infeco altera o nmero de plaquetas no sangue: D 0;
11.2.2 INSTRUES
a) Pressionar o mouse em Teste t: dados amostrais;
Figura 11.3
Resultados
do Exemplo
11.2.1.
O valor de t calculado igual a -6.7053, com p < 0.0001, ou seja, a diferena

observada estatisticamente muito significativa, rejeitando-se a hiptese de nulidade
e aceitando-se a alternativa. Como o valor de t negativo, deduz-se que a contagem
plaquetria antes do tratamento era bem inferior quela obtida aps a teraputica
contra a infeco malrica, responsvel pela diminuio desses elementos figurados
do sangue perifrico do homem.
- 148 -

11.3 TESTE t - DUAS AMOSTRAS RELACIONADAS: RESUMO AMOSTRAL
11.3.1 EXEMPLO
Um psiclogo acredita que a parte lateral do hipotlamo esteja envolvida no
comportamento do apetite. Dez (10) ratos foram submetidos a uma cirurgia de
implante de eletrodos: em cada animal foram implantados dois (2) eletrodos: um na
parte lateral do hipotlamo e o outro em um rea comprovadamente sem qualquer
efeito sobre o apetite. Cada rato foi submetido estimulao durante 30 minutos em
cada eletrodo, com perodo de repouso entre os estmulos. No perodo de estimulao
de cada uma das reas foi determinada a quantidade de alimento ingerido por animal,
com os seguintes resultados:
a) Tamanho da amostra (n) =10;
b) Mdia aps estmulo do hipotlamo: 17.3g
c) Mdia aps estmulo da rea neutra: 11.89g
d) Mdia das diferenas: 5.41g;
e) Desvio padro das diferenas: 3.31g.
H0: 1 = 0;
H1: 1 0;
Figura 11.4
Dados
do Exemplo
11.3.1
11.3.2 INSTRUES
a) Selecionar no menu:
- Duas Amostras Relacionadas;
- Teste t: resumo amostral;
b) Introduzir os dados no formulrio (Figura 11.4) e clicar em Executar;
Figura 11.5
Resultados
do Exemplo
11.3.1.
A estimulao eltrica do hipotlamo afeta o comportamento alimentar dos ratos

(p < 0.01), rejeitando-se, portanto, a H0.
- 149 -

11.4 ANOVA
Tem as mesmas caractersticas do teste t de Student para amostras pareadas, mas ao
invs de utilizar a mdia das diferenas entre os pares, emprega a anlise da varincia
entre os blocos.
11.4.1 EXEMPLO
Determinaram-se os nveis sangneos de triglicerdios em doze (12) pessoas em duas
ocasies: a) em jejum e b) quatro (4) horas aps o almoo. Testar:
H0: no h diferena entre os nveis de triglicerdios em jejum e quatro (4) horas aps
o almoo: D = 0;
H1: ocorre aumento dos nveis de triglicerdios aps o almoo quando comparados
com os valores obtidos em jejum: D > 0;
Nvel de deciso: alfa = 0.01, unilateral.
Figura 11.6
Dados do
Exemplo
11.4.1.
11.4.2 INSTRUES
a) Pressionar o mouse em ANOVA;
Figura 11.7
Resultados do
Exemplo
11.4.1.
- 150 -
Figura 11.8
Grfico de
Colunas
Justapostas
do Exemplo
11.4.1.
O F obtido (88.6160) altamente significativo (p < 0.0001), para 1,11 graus de

liberdade, rejeitando-se a hiptese de nulidade e aceitando-se a alternativa. Os nveis
de triglicerdios so maiores quatro (4) horas aps o almoo do que os observados em
jejum. Se o teste t fosse realizado, obter-se-ia um valor calculado igual raiz
quadrada de F. Pode-se, ainda, visualizar o grfico desses dados, exibidos na Figura
11.8, bastando clicar na barra superior Grfico da Figura 11.7, o qual ilustra a
relao entre os nveis de triglicerdios em jejum e quatro (4) horas aps refeio.
11.5 CORRELAO INTRACLASSE: DADOS CONTNUOS

A correlao Intraclasse um aplicativo para testar a replicabilidade amostral para
dados contnuos, no sendo tratadas as variveis como X e Y mas sim como
Replicao 1 e Replicao 2. , desse modo, medida de replicabilidade amostral.
11.5.1 EXEMPLO
Foram determinados os nveis de Testosterona Livre em seis (6) pacientes, tendo sido
retiradas amostras sangneas de cada indivduo, sendo cada amostra dividida em dois
frascos distintos (A e B), os quais foram enviados, aleatoriamente, a dois laboratrios,
tornando-se impossvel distinguir para os tcnicos laboratoriais a Replicao 1 da
Replicao 2.
Figura 11.9
Dados do
Exemplo
11.5.1.
- 151 -

11.5.2 INSTRUES
a) Introduzir os dados no grid do BioEstat (Figura 11.9);
b) Clicar em Duas Amostras Relacionadas e, a seguir, em Replicabilidade;
c) Pressionar o mouse em Correlao Intraclasse;
d) Clicar em Executar, para Resultados;
Figura 11.10
Dados do
Exemplo
11.5.1.
A Replicabilidade foi considerada Excelente, com valor da Correlao Intraclasse

igual a 0.9712 e o p-valor = 0.002. Nos seis (6) pacientes, os nveis de Testosterona
Livre em ambos os laboratrios podem ser considerados semelhantes, segundo
resultados fornecidos pelos dois laboratrios.
11.6 TESTE DE McNEMAR

Teste no-paramtrico para duas propores, no qual procura-se avaliar o grau de
discordncia de dois tratamentos a que foram submetidos os mesmos indivduos. Os
dados devem ser mensurados a nvel nominal ou ordinal e so dispostos em tabelas de
contingncia 2 x 2, conforme definido a seguir:
A (+ +)
C (
+)
B (+ )
D (
)
A forma mais usual de realizar a entrada de dados introduzir nas caselas A e D os

pares concordantes. As caselas (B e C) representam os pares discordantes de interesse
no teste. O programa, entretanto, est disposto de maneira que pode haver inverso na
introduo dos dados, a saber:
A (+ )
C (
)
B (+ +)
D (
+)
Desta forma, portanto, os pares concordantes podem ser inseridos nas caselas B e C
ou nas caselas A e D, e o programa calcula a probabilidade desses pares em ambas as
situaes, devendo o pesquisador selecionar o resultado de acordo com o modo de
- 152 -

inserir os escores nas caixas de texto. Quando ao soma dos pares discordantes for
menor que 20, devendo seus valores serem introduzidos nas caselas B e C, o
programa calcula o p-valor pelo teste das Propores Correlacionadas, ou seja, o
Teste Exato.
11.6.1 EXEMPLO 1
Mediu-se a presso arterial sistlica em 620 indivduos utilizando-se o
esfigmomanmetro convencional na primeira medio e um modelo eletrnico na
segunda. Considerou-se normotensa a pessoa cuja presso sistlica era inferior a 150
mmHg. Os resultados foram estes:
a) hipertenso com ambos medidores: 240 (+ +);
b) hipertenso com modelo eletrnico e normotenso com o convencional: 100 (+ );
c) normotenso com o modelo eletrnico e hipertenso com o convencional: 60 ( +);
d) normotenso com ambos aparelhos: 220 ( ).
H0: no h discordncia nas propores dos resultados da presso arterial sistlica
medida pelo esfigmomanmetro convencional e pelo modelo eletrnico;
H1: h discordncia nas propores dos resultados da presso arterial sistlica medida
pelo esfigmomanmetro convencional e pelo modelo eletrnico;
11.6.2 INSTRUES
a) Pressionar o mouse em McNemar;
b) Preencher as caixas de texto com os escores (Figura 11.11);
Figura 11.11
Teste de
McNemar
Exemplo
11.6.1.
Os pares discordantes foram inseridos nas caselas B e C e o resultado do teste

altamente significativo (p = 0.0020), rejeitando-se a hiptese de nulidade e aceitandose a alternativa. H discordncia nos resultados das medidas de presso arterial
- 153 -

sistlica entre os modelos utilizados na investigao, tendo ocorrido maior nmero de
pessoas consideradas hipertensas com o aparelho eletrnico.
11.6.3 EXEMPLO 2 (Hipottico)
Determinou-se a presena ou a ausncia de crie dentria em 30 pessoas do sexo
masculino, verificando-se, simultaneamente se esses indivduos eram Secretores ou
No-Secretores. Os resultados foram estes:
a) presena de crie dentria e Secretor: 5 (+ +);
b) presena de crie dentria e No-Secretor:16 (+ );
c) ausncia de crie dentria e Secretor: 3 ( +);
d) ausncia de crie dentria e No-Secretor: 6 ( ).
Tendo em vista que o Total de Pares Discordantes igual a dezenove (19) (16+3),
sendo neste caso B+C < 20, o programa ainda mais preciso, pois efetua o Teste de
McNemar pelo Mtodo Exato.
H0: no h discordncia nas propores dos portadores de cries dentrias em
relao ao Sistema Secretor;
H1: h discordncia nas propores dos portadores de cries dentrias em relao
ao Sistema Secretor;
11.6.2 INSTRUES
a) Pressionar o mouse em McNemar;
b) Preencher as caixas de texto com os escores (Figura 11.12), introduzindo os pares
discordantes nas caselas B e C;
Figura 11.12
Teste de
McNemar
Exemplo
11.6.1.
Considerando-se o p-valor (0.0044), rejeita-se H0, concluindo-se que h associao

entre a presena de crie dentria e Sistema Secretor.
- 154 -
11.7 TESTE DOS SINAIS

Teste no-paramtrico onde se define, em cada par, a diferena dos escores antes e
depois do procedimento investigatrio, baseando-se apenas no sentido das diferenas
dos escores, registrados sob a forma de sinais: (+) e (). Os pares com resultados
iguais - considerados empatados -, so eliminados dos clculos pelo programa.
Quando o nmero de pares (no empatados) for maior que 30, o programa calcula a
probabilidade pela curva normal N(0,1), caso contrrio, utiliza-se a distribuio
binomial.
11.7.1 EXEMPLO
Em vinte (20) voluntrios testou-se o tempo de reao a determinado estmulo antes e
aps exerccio fsico prolongado, registrado em segundos.
H0: no h diferena no tempo de resposta ao estmulo utilizado antes e aps o
exerccio fsico prolongado: p = q = ;
H1: h diferena no tempo de resposta ao estmulo utilizado antes e aps o exerccio
fsico prolongado: p q;
Figura 11.13
Viso parcial
dos Dados
do Exemplo
11.7.1.
11.7.2 INSTRUES
a) Pressionar o mouse em Sinais;
c) Clicar em Executar o Teste, para resultados;
d) Para obter o grfico clique no menu Grfico.
O resultado muito significativo (p =
0.0022) e o poder do teste igual a
0.9970, rejeitando-se a hiptese de
nulidade e aceitando-se a alternativa. O
exerccio fsico prolongado aumenta o
tempo de resposta ao estmulo utilizado no
experimento.
Figura 11.14
Resultados
do Exemplo
11.7.1.
- 155 -
Figura 11.15
Grfico
do Exemplo
11.7.1.
11.8 TESTE KAPPA

Prova no-paramtrica destinada a comparar as propores da mesma varivel
mensurada a nvel nominal em duas ocasies diferentes. Testa-se a reprodutibilidade
dos resultados, admitindo-se que haver concordncia nas propores das respostas
nos dois perodos considerados. Os dados so inseridos em caixas de texto, sob a
forma de tabela de contingncia 2 x 2.
11.8.1 EXEMPLO
Foram enviados, em maro de 2006, questionrios a 200 pessoas, solicitando
informaes sobre o atendimento do posto de sade localizado no bairro onde elas
residiam. Um ano mais tarde o procedimento foi repetido para os mesmos indivduos,
obtendo-se 400 respostas nos dois perodos (200 em 2006 e 200 em 2007), conforme
os dados contidos na tabela de contingncia abaixo:
ANO 2007
ANO 2006
Satisfeito
Insatisfeito
Satisfeito
180
19
Insatisfeito
20
181
H0: No h concordncia entre as respostas nos dois perodos (K = 0);

H1: H concordncia entre as respostas nos dois perodos (K 0);
Nvel de deciso: alfa = 0.05 (unilateral).
- 156 -

11.8.2 INSTRUES
a) Pressionar o mouse em Kappa;
b) Preencher as caixas de texto com os escores obtidos;
Figura 11.16
Teste
Kappa
Exemplo
11.8.1.
O valor de Kappa (K) obtido foi igual a

0.8050, se aproximando da unidade, e
denotando Excelente replicabilidade. O
p-valor obtido (< 0.0001) muito
significativo, rejeitando-se a hiptese de
nulidade, de no haver concordncias de
respostas nos dois perodos com os
mesmos indivduos. A escala de
replicabilidade adotada foi a de Bernard
Rosner em Fundamental of Biostatistics
(2006).
11.9 TESTE DE WILCOXON (SIGNED-RANK TEST)

O teste de Wilcoxon teste T uma prova no-paramtrica destinada a comparar
dados pareados de uma amostra obtidos em ocasies distintas: antes e aps. Equivale
ao teste t de Student para dados relacionados, mas aplicado a dados mensurados pelo
menos a nvel ordinal, baseando-se no sentido e na magnitude das diferenas entre os
pares amostrais.
11.9.1 EXEMPLO
Culturas de linfcitos de nove (9) indivduos foram investigadas, determinando-se os
ndices mitticos antes e aps exposio luz fluorescente branca durante 60
minutos.
Figura 11.17
Dados do
Exemplo
11.9.1.
- 157 -

H0: no h diferena entre os ndices mitticos das clulas de culturas observadas
antes e aps exposio luz fluorescente branca;
H1: h diferena entre os ndices mitticos das clulas de culturas observadas antes e
aps exposio luz fluorescente branca;
11.9.2 INSTRUES
a) Pressionar o mouse em Wilcoxon;
Figura 11.18
Resultados
do Exemplo
11.9.1.
O T obtido altamente significativo (p = 0.0077), rejeitando-se a hiptese de nulidade

e aceitando-se a alternativa. Os ndices mitticos so menores aps a aplicao nas
culturas de luz fluorescente branca.
- 158 -
CAPTULO 12
ESTATSTICA DESCRITIVA
12.1 INTRODUO
A funo descritiva da estatstica consiste em sumarizar os dados coletados da
amostra ou da populao , ordenando-os e classificando-os, para torn-los de fcil
entendimento, conforme o tipo da varivel que est em estudo.
Figura 12.1
Classificao
das variveis
e exemplos
de cada tipo.
O programa calcula o seguinte:

I Variveis Quantitativas
a) Nmero de escores (N);
b) Valor mnimo;
c) Valor mximo;
d) Amplitude total (At).
e) Mediana (Md);
f) Desvio Interquartlico;
g) Primeiro e Terceiro Quartis;
h) Mdia aritmtica ( ou X );
i) Varincia (2 ou s2);
j) Desvio padro ( ou s);
k) Erro padro ( x ou s x );
l) Coeficiente de variao (CV).
m) Coeficiente de assimetria (g1);
n) Coeficiente de curtose (g2).
II Variveis Qualitativas
a) ndice de Shannon-Wiener;
b) ndice de Simpson.
- 159 -
CAPTULO 12 ESTATSTICA DESCRITIVA

12.2 - VARIVEIS QUANTITATIVAS
As trs medidas de tendncia central mais usadas em medicina e biologia so a mdia,
a mediana e a moda. Todas as trs so usadas para dados quantitativos, entretanto a
mediana e a moda tambm podem ser usadas para dados ordinais.
12.2.1 EXEMPLO 1
Um pesquisador coletou trs (3) amostras, cuja varivel investigada era a presso
arterial sistlica:
a) Amostra A: 12 estudantes do sexo feminino;
b) Amostra B: 9 alunos do sexo masculino;
c) Amostra C: 10 docentes.
Figura 12.1
Dados do
Exemplo
12.2.1.
12.2.2 EXEMPLO 2
Em uma cultura de bactrias, o nmero aumentou de 1431, no final do 1o dia, para
3250, 9610, 26800 e 63300 ao trmino do 2o, 3o, 4o e 5o dias, respectivamente.
Descrever a amostra calculando a mdia geomtrica.
Figura 12.2
Dados do
Exemplo
12.2.2.
- 160 -

12.2.3 INSTRUES
c) Clicar o mouse em Estatstica Descritiva e, a seguir, em Dados Quantitativos;
d) Selecionar as colunas do grid (1, 2, 3, , n);
e) Pressionar em Executar o Teste, para Resultados.
Figura 12.3
Resultados do
Exemplo
12.2.1.
A tabela acima contm os resultados das trs (3) amostras coletadas: medidas de
tendncia central, de disperso e de forma.
Figura 12.4
Resultados
do Exemplo
12.2.2.
A mdia geomtrica a medida de tendncia

central que mais se ajusta aos dados amostrais,
sendo duas vezes menor que a aritmtica e estando
mais prxima da mediana.
- 161 -

12.3 - VARIVEIS QUALITATIVAS
Quando a varivel qualitativa, as observaes so medidas numa escala nominal ou
categrica. Logo, medidas como a mdia e o desvio padro no se aplicam neste caso.
Esses dados podem ser medidos de outras formas como: contagens, propores,
razes, taxas e ndices.
12.3.1 NDICE DE SHANNON - WIENER: k amostras

O ndice de Shannon-Wiener estima a diversidade de variveis categricas em uma
populao, avaliando os aspectos da riqueza e eqitabilidade, os quais dizem
respeito ao nmero de categorias da varivel em questo e s propores de cada
uma destas, respectivamente. A uma populao com maior nmero de categorias que
outra atribuda maior riqueza, e a uma populao com mais homogeneidade nas
propores de suas categorias atribuda maior eqitabilidade. O ndice poder ser
efetuado para k amostras.
12.3.1.1 EXEMPLO
Foram coletadas amostras de ninhos de andorinhas em localidades distintas de dois
Municpios: A e B. Os dados obtidos esto contidos na Figura 12.5.
Figura 12.5
Dados do
Exemplo
12.3.1.1.
12.3.1.2 INSTRUES
c) Clicar o mouse em Estatstica Descritiva e, a seguir, em Dados Qualitativos;
d) Clicar em ndice de Shannon-Wiener e selecionar as colunas do grid (1, 2, ... , n);
Figura 12.6
Resultados do
Exemplo
12.3.1.1.
- 162 -

Os resultados evidenciam menor homogeneidade dos dados coletados no Municpio
A (coluna 1), cujo valor igual a 0.2675, em contraste com o ndice dos dados do
Municpio B (coluna 2), cujo valor obtido foi igual a 0.9888.
12.3.2 NDICE DE SIMPSON: k amostras

Semelhante ao anterior, mede tambm a diversidade, quando os dados so
categricos.
12.3.2.1 EXEMPLO
Em duas ilhas, foi contado o nmero de espcies de mamferos encontrados em cada
uma. Os dados esto resumidos na Figura 12.7. Estimar o ndice de Simpson para
essas duas amostras.
Figura 12.7
Dados do
Exemplo
12.3.2.1.
12.3.2.2 INSTRUES
c) Clicar o mouse em Estatstica Descritiva e, a seguir, em Dados Qualitativos;
d) Clicar em ndice de Simpson e selecionar as colunas do grid (1, 2, ... , n );
Figura 12.8
Resultados do
Exemplo
12.3..2.1.
O ndice de Simpson foi maior na amostra da Ilha A (0.7436), enquanto o da ilha B

atingiu 0.5664. Os resultados mostram, ainda, as propores (pi) de cada amostra.
- 163 -
- 164 -
CAPTULO 13
ESTIMAO DE PARMETROS
13.1 INTRODUO
A estimao de parmetros parte da inferncia estatstica atravs da qual, a partir
dos dados amostrais, se inferem os valores numricos da populao investigada. O
BioEstat apresenta os seguintes programas de estimao paramtrica:
a)
b)
c)
d)
e)
f)
g)
h)
i)
j)
k)
l)
m)
n)
Da Mdia;
Da Proporo;
Da Diferena entre Duas Mdias;
Da Diferena entre Duas Propores;
Da Densidade e Tamanho da Populao;
Equilbrio de Hardy-Weinberg;
Fentipos e Gentipos;
Fourier (densidade);
Impacto Populacional (PIN-ER-t);
Mtodo de Leslie: Modelo Populacional
Tamanho da Populao (amostragem simples, mtodo direto);
Tamanho da Populao (amostragem simples, mtodo inverso);
Tamanho da Populao (amostragem mltipla, populao fechada);
Tamanho da Populao (amostragem mltipla, populao aberta).
13.1.1 INSTRUES
b) Apontar o mouse em Estimao de Parmetros, como demonstra a Fig. 13.1:
Figura 13.1
Menu de
Estimao de
Parmetros.
13.2 ESTIMAO DA MDIA

A estimao da mdia populacional () efetuada de duas maneiras:
a) Estimao de Ponto;
b) Estimao de Intervalos de Confiana: 95% e 99%.
O procedimento consiste em retirar amostra aleatria da populao e computar a
mdia aritmtica cujo valor, com base no Teorema do Limite Central, constituir a
- 165 -
CAPTULO 13 ESTIMAO DE PARMETROS

estimao de ponto da mdia do universo objeto da pesquisa. O desvio padro ser o
da populao () ou, se inexistir, o do valor amostral (s). Os intervalos de confiana,
para amostras com desvio padro paramtrico conhecido, tm por base a distribuio
de probabilidades da curva normal, ou seja, os escores padronizados z. Em caso
contrrio, quando se utilizar o desvio padro amostral, o programa calcula os
intervalos de confiana com suporte na distribuio t de Student.
13.2.1 EXEMPLO
Determinaram-se os nveis de creatinina do sangue perifrico de 35 estudantes
universitrios, escolhidos de modo randmico e cujas idades variavam de 18 a 23
anos, obtendo-se, como mdia amostral, 1.041 mg/dL. O desvio padro da populao
conhecido, cujo valor igual a 0.2729 mg/dL. Desse modo, h:
a) Mdia amostral = 1.041 mg/dL;
b) Desvio padro paramtrico = 0.2729 mg/dL;
Efetuar as estimativas de ponto e de intervalos de confiana de 95% e 99%.
13.2.2 INSTRUES
a) Pressionar o mouse em Estimao da Mdia;
b) Preencher as caixas de texto;
c) Clicar o boto correspondente ao desvio padro da populao ();
d) Clicar em Executar, para obter resultados.
Figura 13.2
Estimao de
ponto e de
intervalos da
mdia
(Exemplo
13.2.1).
H 95% de chance de que a mdia paramtrica seja um valor situado no espao

compreendido entre 0.9506 e 1.1314, e de 99%, entre 0.9220 e 1.1600.
- 166 -

13.3 ESTIMAO DA PROPORO
A estimao de uma proporo efetuada para populaes binomiais, onde a
proporo paramtrica uma frao do universo que possui determinada
modalidade ou categoria de interesse do pesquisador. A proporo da amostra
aleatria uma estatstica que estima a proporo paramtrica, representando a
estimativa de ponto da proporo populacional, assim definida: p = k / n , sendo k o
nmero de eventos observados da categoria de interesse e n o tamanho amostral.
Os clculos dos intervalos de confiana so efetuados com base na distribuio
normal, desde que o valor npq seja igual ou maior que 5, aspecto definido no
programa do BioEstat.
13.3.1 EXEMPLO
Um levantamento efetuado em hospital especializado em doenas neoplsicas revelou
que em uma coorte de 12000 mulheres, cujas idades variavam entre 40 e 50 anos, o
nmero de pacientes com cncer mamrio foi igual a 420. O valor npq igual a 40.53.
Efetuar as estimativas de ponto e de intervalos de confiana de 95% e 99%.
13.3.2 INSTRUES
a) Pressionar o mouse em Estimao da Proporo;
Figura 13.3
Estimao
da proporo
(Exemplo
13.3.1).
A estimativa de ponto igual a 0.035 (3.5%), devendo a proporo paramtrica ()

ser um valor situado no intervalo de 0.032 a 0.038, com probabilidade de 95%, ou
entre 0.031 e 0.039, com chance de 99%.
13.4 ESTIMAO DA DIFERENA ENTRE DUAS MDIAS

Do mesmo modo que se infere a mdia de uma populao, pode-se estimar a da
diferena entre duas mdias (12). Quando se conhecem as varincias paramtricas,
- 167 -

pressupe-se uma distribuio normal da amostragem dessa diferena, independente
do tamanho das amostras. Quando as varincias das populaes so desconhecidas, as
varincias amostrais so introduzidas e a distribuio da amostragem passa a ser a t de
Student. Todas as informaes concernentes estimao da diferena entre duas
mdias, inclusive, quando for o caso, sobre o pressuposto da homogeneidade das
varincias amostrais, so inseridas diretamente nas caixas de texto do programa.
13.4.1 EXEMPLO
Coletaram-se duas amostras referentes ao peso (g) de recm-nascidos: uma de
populao caucaside e outra de universo amerndio, com 32 e 27 recm-natos,
respectivamente. Os dados obtidos foram os seguintes:
a) Mdia da primeira amostra = 3300g;

b) Varincia da primeira amostra = 80200;
c) Mdia da segunda amostra = 3050g;
d) Varincia da segunda amostra = 81000;
Em estudo prvio, as varincias amostrais foram consideradas homogneas. Efetuar
as estimativas de ponto e de intervalos de confiana de 95% e 99% da diferena entre
as duas mdias.
13.4.2 INSTRUES
a) Pressionar o mouse em Diferena entre Duas Mdias;
c) Clicar o boto correspondente a varincias amostrais (s2);
d) Pressionar em Executar e, a seguir, em Homogneas, para resultados.
Figura 13.4
Estimao da
diferena
entre duas
mdias
(Exemplo
13.4.1).
A estimativa de ponto da diferena

entre as mdias igual a 250g,
devendo
o
verdadeiro
valor
paramtrico dessa diferena das
populaes investigadas estar situado
entre os limites dos intervalos de
confiana, com erro de estimao de
0.05 ou 0.01, IC (95%) e IC (99%),
respectivamente.
- 168 -

13.5 ESTIMAO DA DIFERENA ENTRE DUAS PROPORES
Em algumas investigaes h interesse em calcular a magnitude da diferena entre
propores de duas populaes binomiais, desde que as amostras tenham valores npq
iguais ou superiores a cinco (5) e que os escores p estejam prximos de 0.5. A
distribuio de amostragem da diferena entre duas propores binomiais (p1- p2) se
aproxima da curva normal, podendo-se, com base no Teorema do Limite Central,
utilizar os escores z para o clculo dos intervalos de confiana.
13.5.1 EXEMPLO
Um candidato a Reitor de uma universidade obteve, em consulta prvia efetuada em
dois Centros Profissionais da referida instituio de ensino, os seguintes resultados:
a) Centro Profissional A: 430 eleitores e 312 votos favorveis;
b) Centro Profissional B: 400 eleitores e 243 votos favorveis.
Efetuar as estimativas de ponto e de intervalos de confiana de 95% e 99% da

diferena entre as duas propores
13.5.2 INSTRUES
a) Pressionar o mouse em Diferena entre Duas Propores;
Figura 13.5
Estimao da
diferena
entre duas
propores
(Exemplo
13.5.1).
A estimativa de ponto da diferena entre as duas propores e os respectivos

intervalos de confiana de 95% e 99% esto contidos na Figura 13.5.
- 169 -

13.6 DENSIDADE E TAMANHO DA POPULAO
Em muitas pesquisas h interesse em determinar o tamanho do universo investigado
como, por exemplo, o nmero de indivduos acometidos de determinada doena
epidmica, o total de indivduos residentes em determinada rea geogrfica, a
quantidade de animais de uma espcie ameaada de extino, etc.
O BioEstat estima o nmero de indivduos da rea geogrfica definida, ou seja, a
densidade populacional e, a seguir, procede a estimao da quantidade de indivduos
em todo o espao objeto da pesquisa.
13.6.1 EXEMPLO
Em uma regio geogrfica de 400 ares plantados com seringueiras, selecionaram-se
aleatoriamente 15 ares, examinando-se em cada um o nmero de plantas infectadas
por fungos, contando-se, ao final, 35 rvores parasitadas. Estimar a densidade por are
e o total de plantas infectadas.
13.6.2 INSTRUES
a) Pressionar o mouse em Densidade e tamanho da populao;
Figura 13.6
Densidade e
tamanho da
populao
(Exemplo
13.6.1).
A densidade de seringueiras infectadas de 2.33 por are e a populao de rvores

com fungo em todos os 400 ares de terra atinge 933 unidades. Os resultados assinalam
os erros de estimao para o intervalo de confiana de 95%.
- 170 -

13.7 EQUILBRIO DE HARDY-WEINBERG
A estimao das freqncias genotpicas e das fenotpicas esperadas podem ser
calculadas, determinando-se se h aderncia entre os valores observados e aqueles
esperados, estes com base na determinao da freqncia gnica.
O teste do Qui-Quadrado efetuado com base nos dados fenotpicos mostra, em termos
probabilsticos, se a populao est ou no em Equilbrio de Hardy-Weinberg, sendo
o grau de liberdade igual ao nmero de alelos dominantes menos um (1). O
procedimento bastante semelhante ao utilizado no item 13.8 deste Captulo sobre
Fentipos e Gentipos.
O BioEstat apresenta os seguintes exemplos:
a) Sistema ABO;
b) Sistema Haptoglobinas;
c) Sistema MN
Vamos apresentar um exemplo Sistema MN -, pois os procedimentos para os
demais sistemas so similares.
13.7.1 EXEMPLO
Coletou-se amostra de 500 indivduos de uma etnia de origem oriental e seus
descendentes, determinando-se os respectivos grupos sanguneos do Sistema MN,
com os dados contidos na Figura 13.7. Determinar se a populao de onde a amostra
foi retirada est em equilbrio de Hardy-Weinberg.
13.7.2 INSTRUES
a) Apontar o mouse em Lei de Hardy-Weinberg;
b) Preencher as caixas de texto (Fig. 13.7) como os dados dos grupos M, MN e N;
Figura 13.7
Dados do
Exemplo
13.7.1.
Figura 13.8
Resultados
do Exemplo
13.7.1.
O Qui-Quadrado igual a 15.9106, sendo o p-valor = 0.0001, para um (1) grau de

liberdade. A populao no est em Equilbrio de Hardy-Weinberg.
- 171 -

13.8 FENTIPOS E GENTIPOS
A estimao das freqncias fenotpicas e genotpicas, calculadas pelo mtodo da
mxima-verossimilhana, compreende os seguintes sistemas:
a) Sistema Secretor;
e) Sistema ESD;
b) Sistema ABO;
f) Sistema Gm;
c) Sistema A1A2BO;
g) Sistema Rh.
d) Sistema MN;
Tendo em vista que os procedimentos so similares, ser tomado um dos sistemas
para exemplificar a estimao paramtrica.
13.8.1 EXEMPLO
Em uma populao urbana brasileira retirou-se amostra aleatria de 200 pessoas de
ambos os sexos, determinando-se os grupos sangneos do sistema ABO, tendo sido
observado:
Figura 13.9
Fentipos e
gentipos:
Sistema ABO
(Exemplo
13.8.1).
Estimar os fentipos e gentipos do sistema sangneo investigado.

13.8.2 INSTRUES
a) Apontar o mouse em Fentipos e Gentipos;
b) Clicar em Sistema ABO;
c) Preencher o grid especfico com os dados amostrais;
Figura 13.10
Resultados
do Exemplo
13.10.1.
- 172 -

A diferena entre os fentipos observados e os esperados no significativa (p =
0.2638). A estimao final dos alelos est bem prxima da calculada inicialmente,
sendo a diferena entre o clculo inicial e o final dos alelos A e B inferior a um desvio
padro, enquanto do alelo O de apenas 1.19 desvio padro.
13.9 FOURIER (densidade)

O programa Fourier, do BioEstat, destinado ao clculo dos estimadores da
densidade de populaes animais. A largura da transeco determinada pela curva
mais apropriada de uma srie de probabilidades baseada na distribuio das distncias
de observaes.
13.9.1 EXEMPLO
Em levantamento efetuado em certa reserva, no sentido de determinar a densidade de
uma espcie de macacos, a distncia perpendicular mxima foi igual a 50 metros e a
inventariada atingiu 2000 metros, tendo sido observados doze (12) grupos de
indivduos nesse espao. Estimar a densidade pelo mtodo de Fourier.
13.9.2 INSTRUES
d) Pressionar o mouse em Fourier;
e) Preencher as caixas de texto e o grid especfico;
f) Clicar em Executar, para resultados.
Figura 13.11
Anlise da
srie de
Fourier
(Exemplo
13.9.1).
A estimativa de 88.0 grupos de indivduos por km2. Os intervalos de confiana e as

medidas de variao esto contidos nos resultados.
Figura 13.12
Resultados
do Exemplo
13.9.1.
- 173 -

13.10 IMPACTO POPULACIONAL (PIN-ER-t)
Medidas epidemiolgicas relacionadas com o fator de risco, tais como o Risco
Relativo (RR) e o Odds Ratio (OR) que podem indicar a intensidade da associao
entre exposio e doena, no esclarecem, todavia, os benefcios que poderiam advir
para a populao se a exposio ao fator de risco fosse modificada ou eliminada. Uma
medida descrita recentemente (PIN-ER-t) proporciona essa quantificao
populacional, denominada de Nmero de Impacto Populacional.
Em estudo piloto em pessoas com idade superior a 56 anos, verificou-se que o Risco
Relativo (RR), decorrente da associao entre Obesidade e Acidente Coronariano
(AC), foi igual a 1.4. Foram considerados obesos os indivduos de ambos os sexos
que apresentaram ndice de Massa Corporal (IMC) acima de 28 kg/m2. A Prevalncia
de Obesidade nesse grupo foi mensurada em 0.3 (30%) e a Incidncia de Acidente
Coronariano em torno de 0.015 (1.5%).
Qual ser o resultado da eliminao do fator de risco Obesidade (IMC > 28) em uma
populao de 300 mil habitantes com mais de 56 anos?
13.10.2 INSTRUES
a) Pressionar o mouse em Impacto Populacional (PIN-ER-t);
b) Preencher as caixas de texto, conforme as indicaes;
c) Clicar em Calcular o PIN-ER-t, para resultados.
Figura 13.13
Calculo do
Nmero de
Impacto
Populacional
(Exemplo
13.10.1).
Conforme o resultado do teste, o nmero de casos de Acidentes Coronarianos que

poderiam ser prevenidos nessa populao, acima de 57 anos, se o 'fator de risco'
Obesidade fosse eliminado, seria de 482, com IC 95%: 289 a 646.
- 174 -

13.11 MODELO DE LESLIE: MATRIZ DE CRESCIMENTO POPULACIONAL
Trata-se de um procedimento, desenvolvido por P. H. Leslie, destinado a descrever o
crescimento de populaes fechadas migrao e onde somente um sexo, geralmente o
feminino, considerado nos clculos, determinando-se as mudanas numricas dos
organismos estudados em determinados perodos de tempo.
Do ponto de vista matemtico, o mtodo de Leslie baseia-se na construo de uma matriz
quadrada. As linhas representam classes etrias ou estdios de vida reprodutiva. As
colunas representam perodos de tempo. Para a construo a Matriz, certas informaes
devem ser conhecidas da populao que est sendo investigada:
nx: nmero de indivduos de cada classe etria ou estgio;
fx: taxa de fecundidade;
sx: proporo de sobrevivncia;
t: tempo.
13.11.1 EXEMPLO (Hipottico)
Um estudo cujo objetivo era estimar o crescimento populacional do pirarucu (Arapaima
gigas) foi realizado em um ambiente controlado. O experimento foi realizado a partir de
uma colnia com 20 machos e 20 fmeas. Num estudo piloto foi observado que a idade
mxima que o pirarucu atinge 13 anos e que nos primeiros cinco (5) anos de vida o
peixe ainda no tem capacidade reprodutiva.
Ser utilizado o mtodo de Leslie para estimar o crescimento populacional em um perodo
de cinco (5) anos. Os dados so apresentados na tabela abaixo.
Figura 13.14
Modelo de
entrada de
Dados do
Exemplo
13.11.1.
A ltima clula da coluna 'sx'

no deve ser preenchida.
13.11.2 INSTRUES
a) Apontar o mouse em Mtodo de Leslie: Modelo Populacional;
b) Selecione as colunas desejadas e clique em Executar Estatstica;
c) Quando surgir o dilogo Mtodo de Leslie, digite o Nmero de passos a serem
calculados, neste exemplo so cinco (5) e clique em OK.
Figura 13.15
Resultados
do Exemplo
13.11.1.
Os resultados mostram que a populao mantida em ambiente controlado ter

aumento de 20 para 62 indivduos cinco (5) anos, representando um aumento de
314%. A maioria dos indivduos, entretanto, estar concentrada na primeira faixa
etria (entre zero e cinco anos).
- 175 -

13.12 TAMANHO DA POPULAO (amostragem simples, mtodo direto)
A estimativa do tamanho de uma populao N aplicada na rea animal pelo
mtodo direto a partir dos dados amostrais e referentes a uma determinada rea
geogrfica. Este mtodo compreende duas etapas: na primeira capturam-se t animais,
os quais so marcados e devolvidos ao meio ambiente, e na segunda, alguns dias mais
tarde, capturam-se n indivduos, contando-se os marcados e os no-marcados. Com
esses dados pode-se estimar o tamanho da populao (N), processo que poder
repetir-se, periodicamente, avaliando-se o aumento ou a diminuio do universo
pesquisado.
13.12.1 EXEMPLO
Em uma reserva florestal de tamanho bem definido capturaram-se 250 capivaras, as
quais foram marcadas. Transcorridos 20 dias, repetiu-se a operao de recaptura
obtendo-se, ao final, 180 animais, dos quais 59 estavam marcados. Estimar o tamanho
da populao da espcie estudada.
Figura 13.16
Tamanho da
populao:
mtodo direto
(Exemplo
13.12.1).
13.12.2 INSTRUES
a) Pressionar o mouse em Tamanho da populao (amostragem simples, mtodo
direto);
Os resultados mostram que o tamanho estimado da populao de 763 capivaras,

podendo o parmetro ser um valor situado entre 600 e 926 animais, conforme o
clculo do intervalo de confiana de 95%.
- 176 -
13.13 TAMANHO DA POPULAO (amostragem simples, mtodo inverso)

A metodologia semelhante do procedimento direto para o clculo do tamanho da
populao (N), com a seguinte diferena: na primeira etapa capturam-se t animais, os
quais so marcados e devolvidos ao meio ambiente, e, na segunda, algum tempo mais
tarde, recapturam-se tantos espcimes at que nesta amostra tenham sido apreendidos
n animais marcados e previamente determinados.
13.13.1 EXEMPLO
Foram capturados e marcados 250 mergulhes e devolvidos, a seguir, ao respectivo
hbitat. Decorridas duas semanas, programou-se a recaptura de 33 aves marcadas,
sendo que o total da amostra para atingir esse objetivo foi de 120 indivduos. Estimar
o tamanho da populao objeto da pesquisa.
13.13.2 INSTRUES
a) Pressionar o mouse em Tamanho da populao (amostragem simples, mtodo
inverso);
Figura 13.17
Tamanho da
populao:
mtodo
inverso
(Exemplo
13.13.1).
O tamanho da populao de mergulhes foi estimada em 909 indivduos, podendo o

verdadeiro parmetro N ser um valor situado entre 643 e 1175 aves, definido pelo
intervalo de confiana de 95%.
13.14 TAMANHO DA POPULAO (amostragem mltipla, populao fechada)

O modelo para este teste o de Schumacher e Eschmeyer, considerando-se 'populao
fechada' aquele universo que mantm constante seu tamanho durante o perodo de
investigao. O procedimento desses autores baseia-se na regresso linear, com
ajustes pelo mtodo dos mnimos quadrados.
- 177 -

Os dados devem ser introduzidos no grid geral do BioEstat, obedecendo aos seguintes
critrios:
ni = tamanho de cada amostra;
mi = nmero de indivduos marcados em cada amostra;
Mi = nmero de indivduos marcados na populao exatamente antes da i-sima
amostra ser coletada.
Uma populao de uma espcie de anuros foi investigada durante seis (6) dias
consecutivos para calcular o tamanho desse universo. Os dados abaixo indicam a
maneira de introduzir os dados no grid geral. Estimar o tamanho da populao e os
intervalos de confiana de 95% e 99%. Sendo a amostragem mltipla (6 amostras) e a
populao considerada fechada, o mtodo escolhido foi o de Schumacher e
Eschmeyer.
Figura 13.18
Dados
do Exemplo
13.14.1.
13.14.2 INSTRUES
a) Cada linha deve ter a seguinte disposio:
Na linha 1: ni, nmero de animais capturados em cada amostra (marcados e
no marcados);
Na linha 2: mi, nmero de animais que j estavam marcados entre os
capturados na amostra;
Todos os animais capturados em cada amostra (ni ) so marcados, exceto os
que j apresentavam a marca, portanto, quantificados na linha (mi );
b) Introduzir os dados no grid como mostra a Figura 13.18;
c) Pressionar o mouse em Tamanho da populao (amostragem mltipla, mtodo de
Schumacher e Eschmeyer);
d) Selecionar as colunas do grid a partir da coluna 2, sendo neste exemplo de dois
(2) a sete (7), totalizando as 6 amostras e clicar em Executar, para resultados.
Figura 13.19
Resultados
do Exemplo
13.14.1.
Para obter o grfico desse Exemplo pressionar o mouse em Grfico da barra superior
da Figura 13.19.
- 178 -
Figura 13.20
Grfico
do Exemplo
13.14.1.
13.15 TAMANHO DA POPULAO (amostragem mltipla, populao aberta)

O modelo para este teste o de Parker, considerando-se populao aberta aquele
universo que altera seu tamanho por migraes, nascimentos e bitos , durante o
perodo de investigao. O procedimento desse autor baseia-se na regresso linear,
com ajustes pelo mtodo dos mnimos quadrados. De acordo com o autor, o
intercepto constitui uma estimativa do quociente entre o nmero de indivduos
marcados na populao e o tamanho do universo.
Os dados devem ser introduzidos no grid geral do BioEstat, obedecendo aos seguintes
critrios:
NACMD = nmero de animais inicialmente capturados, marcados e devolvidos
ao respectivo meio ambiente;
perodos = nmero de perodos de recaptura (i = 1, 2, 3, ... , p);
ni = nmero de indivduos capturados em cada amostra;
mi = nmero de indivduos marcados e recapturados em cada amostra;
Na regio de Mamirau, Estado do Amazonas, amostra de 3250 peixes de
determinada espcie foram capturados, marcados e devolvidos ao meio ambiente.
Posteriormente, efetuaram-se em cinco (5) perodos distintos e consecutivos novas
capturas, contando-se, em cada apreenso, o nmero de animais capturados (marcados
e no marcados). Os dados da Figura 13.21 indicam o procedimento da introduo
dos dados no grid geral. Estimar o tamanho da populao e os intervalos de confiana
de 95% e 99%. Tratando-se de amostragem mltipla e a populao sendo considerada
aberta, o mtodo escolhido foi o de Parker.
- 179 -

Obs.: Somente foram marcados os 3250 indivduos iniciais, nenhum outro animal foi
marcado durante as capturas posteriores.
13.15.2 INSTRUES
a) Introduzir os dados no grid como mostra a Figura 13.21;
b) Pressionar o mouse em Tamanho da Populao (amostragem mltipla, mtodo
de Parker);
c) Selecionar as colunas do grid: 1, 2 e 3, neste exemplo;
d) Clicar em Executar e preencher a caixa de texto com o nmero de espcimes
inicialmente capturados (NACMD), marcados e devolvidos ao meio ambiente, o
qual somou 3250 unidades;
e) Pressionar em OK, para resultados.
Figura 13.21
Dados do
Exemplo
13.15.1.
Figura 13.22
Espcimes
inicialmente
capturados.
(Exemplo
13.15.1).
Figura 13.23
Resultados
do
Exemplo
13.15.1.
O nmero estimado de animais da espcie em questo s e os respectivos intervalos de

confiana esto contidos nos resultados.
- 180 -
CAPTULO 14
META-ANLISE
14.1 INTRODUO
Define-se Meta-Anlise como um procedimento destinado a examinar, de modo
simultneo, vrias investigaes, diversas pesquisas sobre um mesmo tpico. Esse
tipo de estudo vem sendo largamente utilizado na esfera mdica, para, atravs de
numerosos dados de vrios trabalhos sobre determinado assunto, aumentar o nvel de
confiana nas inferncias estatsticas, com objetivos teraputicos e outros. Alguns
estudos, como se sabe, sobre determinada matria, so concordantes, mas podem
tambm ser contraditrios, o que aumenta a necessidade de anlises conjuntas para
que se possa concluir com maior segurana.
Embora o conceito de Meta-Anlise seja oriundo de uma escola de metodologia
desenvolvida por Glass em 1976, estudos genticos sobre gentipos e fentipos j
abrangiam esse conceito, conforme descrito por Sokal e Rohlf (Biometry, 1969), sob
o ttulo "Replicated tests of goodness of fit" (pgina 575), ou seja, a combinao de
vrias amostras com informaes sobre o mesmo assunto, para obter estimativas mais
precisas das propores paramtricas.
importante distinguir os efeitos observados entre os diversos estudos examinados
em conjunto:
1 - quando diferem somente em decorrncia do erro amostral, ou seja, o
verdadeiro efeito o mesmo em cada um dos estudos, na mesma direo e no devido
a diferenas sistemticas em cada trabalho, diz-se que as amostras so homogneas e
as diferenas so consideradas efeitos randmicos ou aleatrios;
2 - outras vezes os efeitos observados ultrapassam o esperado pelo erro amostral,
existindo diferenas reais entre os estudos examinados. Quando isso ocorre,
denominando-se o efeito, neste caso, de efeito fixo, o qual pode acontecer na mesma
direo dos tratamentos efetuados - favorvel ou no - ou em diferentes direes benfico e adverso, sendo as amostras consideradas heterogneas.
Alguns autores aplicam em tabelas 22 o teste do Qui-Quadrado de heterogeneidade.
Quando o teste significativo, escolhem testes de efeitos aleatrios, como o de
DerSimonian-Laird; caso contrrio, os de efeitos fixos, sendo o mais conhecido o de
Mantel-Haenszel.
Existem vrias discusses, contudo, sobre a escolha do teste, mas preciso lembrar
ser fundamental preencher, pelo menos, estas recomendaes:
a) as amostras devem ser aleatrias, representativas da populao em estudo;
b) os experimentos devem ser controlados, escolhendo-se os indivduos de modo
randmico para cada grupo. Estes procedimentos so designados na literatura
inglesa como RCT (Randomized Controlled Trials);
- 181 -
CAPTULO 14 META-ANLISE
c) os critrios de tratamento devem ser semelhantes entre os estudos submetidos
meta-anlise;
d) rigorosa escolha dos trabalhos publicados, podendo-se incluir pesquisas ainda no
editadas, desde que atendam os requisitos antes referidos.
O BioEstat apresenta os seguintes aplicativos para Meta-Anlise:
a) Efeito Aleatrio: DerSimonian-Laird: para k tabelas 2 x 2;
b) Efeito Fixo: Dados Contnuos
c) Efeito Fixo: Mantel-Haenszel e Odds Ratio: para k tabelas 2 x 2;
d) p-valor (pw, combinado);
e) Qui-Quadrado (aderncia): para k amostras;
f) Qui-Quadrado (independncia): para k tabelas 2 x 2;
g) Regresso (Bw): para k amostras;
h) Risco relativo: para k tabelas 2 x 2;
i) Teste G (aderncia): para k amostras;
j) Vrias Correlaes (rw combinado);
k) Vrias Propores (pw combinado).
14.1.1 INSTRUES
b) Apontar o mouse em Meta-Anlise, conforme mostra a Figura 14.1;
c) Introduzir os dados no grid geral ou nas caixas de texto, conforme o teste.
Figura 14.1
Menu de
Meta-Anlise.
14.2 EFEITO ALEATRIO: DerSimonian-Laird

Este teste recomendado quando o Qui-Quadrado da heterogeneidade significativo,
aplicvel em k tabelas de contingncia 2 x 2.
Foram efetuados estudos sobre doena grave ocorrida em pessoas adultas, sendo, em
todos esses estudos, um grupo submetido ao tratamento (A) e o outro ao tratamento
tradicional (B). As amostras foram aleatrias e os indivduos de cada grupo
escolhidos pelo processo de randomizao. Os resultados obtidos, aps o perodo de
tratamento previamente estabelecido, foram os seguintes:
- 182 -
Grupo A
Tabelas (Estudos)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Sucessos (a)
181
214
118
100
1
217
163
109
906
345
212
33
24
30
100
250
180
307
100
1113
190
92
132
4270
369
123
293
1840
2000
6540
Insucessos (b)
29
69
36
3
31
60
40
21
110
80
30
17
16
1
1
173
29
41
6
37
40
16
10
268
48
1
18
67
43
33
Grupo B
Sucessos (c) Insucessos (d)
157
108
78
40
32
192
151
107
901
113
201
38
28
47
29
244
165
318
97
1080
200
50
130
4267
355
97
300
1830
1990
1661
52
37
39
4
4
81
53
25
112
26
50
12
20
10
3
177
32
47
7
48
27
2
14
247
61
2
11
72
42
3
Total
413
428
271
147
68
550
407
262
2029
564
493
100
88
88
133
844
406
713
210
2234
457
160
286
9052
833
223
622
3809
4075
8237
H0: a proporo de casos favorveis igual em ambos tratamentos;

H1: a proporo de casos favorveis maior com o tratamento A;
14.2.2 INSTRUES
a) Apontar e pressionar o mouse em Efeito Aleatrio: DerSimonian-Laird;
b) Preencher as caixas de texto com os dados do Exemplo 14.2.1, Estudo 1;
c) Clicar em Nova tabela e introduzir os dados do Estudo 2, e assim,
sucessivamente, at o Estudo 30;
d) Aps introduzir os ltimos dados, clicar em Executar, para resultados.
- 183 -
Figura 14.2
Resultados
do Exemplo
14.2.1.
O Odds Ratio (1.1486) significativo (p-valor = 0.0285) e contido no Intervalo de

Confiana 95% (1.0149 a 1.2999), cujo limite inferior est acima da unidade (valor
1), rejeitando-se, portanto, a hiptese de nulidade. O teste de heterogeneidade foi
significativo (p-valor = 0.0181), o que sugere o teste escolhido - DerSimonian-Laird.
O tratamento A, em concluso, superior ao B. O nmero total de indivduos
cuidados com os tratamentos referidos de 38202, conferindo maior relevncia aos
resultados.
Est tambm disponvel a anlise dos dados de cada amostra: Odds Ratio, Intervalos
de Confiana (95%) e o Peso (inverso da varincia); para obter a tabela abaixo basta
pressionar com o mouse em Anlise na barra da Figura 14.2.
Figura 14.3
Viso parcial
da Anlise e da
Meta-Anlise
do Exemplo
14.2.1.
- 184 -
Para obter o grfico Forest Plot pressionar o mouse em Grfico na barra da Figura
14.2, para resultado.
Figura 14.4
Grfico do
Exemplo
14.2.1
O Odds Ratio (w) combinado est representado na parte inferior do grfico, sob a
forma de um pequeno losango, cujo limite inferior maior que a unidade (1.015).
14.3 EFEITO FIXO: DADOS CONTNUOS

Em determinadas situaes dispomos de vrios estudos sob a forma de dados
contnuos, medidos em escala intervalar ou de razes, onde cada estudo compara duas
amostras independentes. Essas pesquisas podem ser reunidas, desde que se tratem do
mesmo tpico.
Duas drogas foram utilizadas no tratamento de indivduos com taxas elevadas de
colesterolemia, cujas idades variavam entre 40 a 60 anos. A finalidade da pesquisa
era testar o 'risco de aterosclerose' em dez (10) estudos independentes, do ponto de
vista do Coeficiente Total/HDL. Dos dados coletados, registrou-se o tamanho das
amostras, os valores mdios dos coeficientes obtidos e os respectivos desvios
padres, dispostos no grid geral (Fig. 14.5), como segue:
a) N (A): tamanho das amostras com a droga A;
b) Mdia (A): mdia dos Coeficientes das amostras (tratamento A);
c) DP (A): desvio padro das amostras (tratamento A);
- 185 -
d) N (B): tamanho das amostras com a droga B;
e) Mdia (B): mdia dos Coeficientes das amostras (tratamento B);
f) DP (B): desvio padro das amostras (tratamento B);
Figura 14.5
Dados
do Exemplo
14.3.1.
H0: no h diferena entre as mdias dos Coeficientes Total/HDL entre os

tratamentos A e B: 1 = 0;
H1: h diferena entre as mdias dos Coeficientes Total/HDL entre os tratamentos
A e B: 1 0;
Nvel de deciso: alfa = 0.05
14.3.2 INSTRUES
a) Inserir os dados no grid geral, conforme mostra a Figura 14.5, obedecendo
rigorosamente ordem e disposio dos dados nas colunas desse grid;
b) Apontar e pressionar o mouse em Efeito Fixo: Dados Contnuos;
c) Selecionar as seis (6) colunas do grid geral e Executar, para resultados.
Figura 14.6
Resultados
do Exemplo
14.3.1.
Os resultados apresentam diferena muito significativa (p-valor = 0.0026) entre os

dois tratamentos, podendo-se dizer que a mdia dos Coeficientes Total/HDL com a
droga A inferior aos obtidos com a droga B (Mdia das diferenas = 0.2725).
Foram testados 3792 indivduos no grupo A e 3701, no B, totalizando 7493 pessoas.
Se desejar os dados de cada amostra (Mdia das Diferenas e respectivo Intervalo de
Confiana de 95%), pressionar com o mouse em Anlise (Figura 14.6).
- 186 -
Figura 14.7
Anlise e
Meta-Anlise
do Exemplo
14.3.1
Para obter a Figura 14.8: pressionar o mouse em Grfico na barra da Figura 14.6.
Figura 14.8
Grfico do
Exemplo
14.3.1
A Mdia Geral das Diferenas (MD w) e os respectivos Intervalos de Confiana esto

representados na parte inferior do grfico, sob a forma de um pequeno losango cujo
limite superior menor que a unidade (-0.096).
14.4 EFEITO FIXO: MANTEL-HAENSZEL E ODDS RATIO
Este teste tambm utilizado em anlise de sobrevivncia, mas indicado para
avaliao dos chamados efeitos fixos, utilizando-se k tabelas 2 x 2. Calcula-se,
simultaneamente, o valor do Odds Ratio e o respectivo intervalo de confiana.
14.4.1 EXEMPLO (Dados hipotticos)
Estudos realizados durante cinco (5) anos em diferentes centros populacionais, sobre
a ocorrncia de cncer pulmonar em fumantes e no fumantes, revelaram o seguinte:
- 187 -
BELFAST
Fumantes
No Fumantes
Com cncer
12
2
Sem cncer
598
613
LISBOA
Fumantes
No Fumantes
Com cncer
14
3
Sem cncer
734
758
LONDRES
Fumantes
No Fumantes
Com cncer
14
5
Sem cncer
709
742
MADRI
Fumantes
No Fumantes
Com cncer
17
4
Sem cncer
684
650
BERLIM
Fumantes
No Fumantes
Com cncer
22
3
Sem cncer
918
832
H0: a prevalncia de cncer pulmonar (Efeito Fixo) em indivduos fumantes igual a

da observada em pessoas no fumantes: 1 = 0;
H1: a prevalncia de cncer pulmonar em indivduos fumantes diferente da
observada em pessoas no fumantes: 1 0;
14.4.2 INSTRUES
a) Apontar e pressionar o mouse em Efeito Fixo: Mantel-Haenszel e Odds Ratio;
b) Preencher as caixas de texto com os dados da primeira tabela 2 x 2;
c) Clicar em Nova tabela e introduzir os dados da segunda tabela e assim,
sucessivamente, at a ltima;
- 188 -
Figura 14.9
Resultados
do Exemplo
14.4.1.
A meta-anlise, efetuada em amostras coletadas por vrios investigadores em cinco

(5) cidades do continente europeu, revelou o seguinte: a diferena expressa em termos
de Qui-quadrado estatisticamente muito significativa (p < 0.0001), ou seja, a
proporo de indivduos fumantes com cncer pulmonar maior que a de no
fumantes com essa neoplasia. O Odds Ratio indica que essa proporo quatro (4)
vezes e meia maior entre fumantes, com intervalo de confiana (95%) de 2.71 a 7.76.
O total de indivduos testados nessas cinco (5) amostras foi igual a 7334, o que
confere maior confiabilidade nos resultados obtidos. O NNH obtido evidencia que em
cada grupo de 61 fumantes deve ocorrer um (1) novo caso de cncer pulmonar no
perodo de cinco (5) anos.
O procedimento para se obter a Anlise dos Dados o mesmo dos exemplos
anteriores, clicando em Anlise na barra da Figura 14.9.
Figura 14.10
Anlise e
Meta-Anlise
do Exemplo
14.4.1.
- 189 -
Pressionar o mouse em Grfico na barra da Figura 14.9, para obter o resultado.
Figura 14.11
.
Grfico do
Exemplo
14.4.1.
O teste de Mantel-Haenszel altamente significativo e o Odds Ratio combinado, com

o respectivo Intervalo de Confiana (95%), est representado pelo losango na parte
inferior do grfico.
14.5 P-VALOR (pw combinado)

Em alguns estudos, sobre o mesmo tpico, dispe-se apenas das probabilidades de
erro na concluso de cada pesquisa de acordo com a hiptese formulada. H, assim, o
p-valor de cada trabalho, sendo possvel, nesses casos, reuni-los para Meta-Anlise
obtendo-se, ao final, um p-valor que representa o conjunto de dados submetidos ao
teste. O p-valor de cada estudo transformado em logaritmo neperiano, aplicando-se,
ao final, o teste do Qui-quadrado para obteno do valor combinado (w = pooled).
14.5.1 EXEMPLO
Coletaram-se 15 estudos e as respectivas probabilidades (p-valor) de testes efetuados
em amostras aleatrias, com o pressuposto de distribuio normal das populaes de
onde eram oriundas e o conhecimento das varincias paramtricas.
Foi aplicado o teste Z em cada um dos estudos efetuados. Os dados referidos esto
parcialmente dispostos na Fig. 14.12.
- 190 -
H0: as probabilidades dos testes submetidos Meta-Anlise no apresentam p-valor.
combinado (w) significativo;
H1: as probabilidades dos testes submetidos Meta-Anlise apresentam p-valor
combinado (w) significativo;
Figura 14.12
Dados
parciais do
Exemplo
14.5.1.
14.5.2 INSTRUES
a) Inserir os dados no grid geral conforme mostra a Figura 14.12;
b) Apontar e pressionar o mouse em p-valor;
c) Selecionar a coluna 2 e clicar em Executar, para resultados.
Figura 14.13
Resultados
do Exemplo
14.5.1.
O Qui-quadrado com 30 graus de liberdade foi igual a 86.6554, cujo p-valor (w)
altamente significativo (p < 0.0001).
14.6 QUI-QUADRADO (aderncia): PARA k AMOSTRAS
Indicado para comparar vrias amostras em testes de aderncia para verificar se so
ou no homogneas.
14.6.1 EXEMPLO
Coletaram-se quatro (4) amostras sobre sazonalidade de nascimentos de crianas
cujos pais residiam em localidades rurais ou urbanas do Mdio Solimes:
Categoria A
Nascimentos de maio a
outubro (tempo menos
chuvoso e de vazante do rio)
Categoria B
Nascimentos de novembro
a abril (perodo chuvoso e
de enchente do rio)
H0: Os desvios entre o Observado e o Esperado nas categorias de cada amostra no

ocorrem na mesma direo, sendo as mesmas heterogneas;
H1: Os desvios entre o Observado e o Esperado nas categorias de cada amostra
ocorrem na mesmas direo, sendo as mesmas homogneas;
- 191 -
14.6.2 INSTRUES
a) Apontar o mouse em Qui-quadrado Aderncia: k amostras;
b) Preencher as caixas de texto com o nmero de amostras e de categorias;
c) Clicar em Ativar entrada de dados e, em seguida, preencher o grid especfico
com os dados;
Figura 14.14
Dados do
Exemplo
14.6.1.

Figura 14.15
Dados do
Exemplo
14.6.1.
O total de nascidos no perodo A atingiu 1540, enquanto no perodo B somou 1670.

Figura 14.16
Resultados
do Exemplo
14.6.1.
As amostras so homogneas (p = 0.0218), ou seja, ocorreu, em todas as amostras,

maior nmero de nascimentos no perodo chuvoso e de enchente do rio (Categoria B).
No h evidncia de heterogeneidade das amostras (p = 0.5245).
14.7 QUI-QUADRADO (independncia): PARA k TABELAS 2 x 2

Da mesma forma, neste teste procura-se verificar se as amostras foram retiradas da
mesma populao, isto , se so homogneas ou no.
14.7.1 EXEMPLO
Em oito localidades endmicas de malria efetuou-se pesquisa de controle de casos
(hospitalares), registrando-se os indivduos que eram admitidos com manifestaes
sugestivas da doena, oriundos da zona urbana ou da rea rural, confirmando-se ou
- 192 -
no o diagnstico a posteriori. As propores de casos positivos e negativos de cada
municpio foram estas:
ZONA
Municpio A
POSITIVO NEGATIVO
URBANA
RURAL
ZONA
35
70
50
55
Municpio E
POSITIVO NEGATIVO
URBANA
RURAL
33
75
52
50
Municpio B
Municpio C
Municpio D
POSITIVO NEGATIVO
POSITIVO NEGATIVO
POSITIVO NEGATIVO
48
74
56
60
17
29
18
20
30
73
52
39
Municpio F
Municpio G
Municpio H
POSITIVO NEGATIVO
POSITIVO NEGATIVO
POSITIVO NEGATIVO
43
78
66
47
31
78
55
40
31
74
59
38
Os totais gerais foram estes:

a) Zona Urbana: testes positivos 268 casos;
b) Zona Urbana: testes negativos 408 casos;
c) Zona Rural: testes positivos 551 casos;
d) Zona Rural: testes negativos 349 casos;
e) Total geral = 268 + 408 + 551 + 349 = 1576 casos
H0: a incidncia da malria no est relacionada com a rea de residncia dos
pacientes;
H1: a incidncia da malria ocorre com mais freqncia em pessoas residentes na
zona rural, havendo, portanto, associao;
14.7.2 INSTRUES
a) Apontar o mouse em Qui-quadrado (independncia): para k tabelas 2 x 2,
preenchendo as caixas de texto com os valores das tabelas;
b) Aps introduzir a ltima tabela (municpio H, nesse exemplo), clicar em
Executar, para resultados.
Figura 14.17
Resultados
do Exemplo
14.7.1.
- 193 -
O Qui-Quadrado de associao muito significativo (p < 0.0001), rejeitando-se a
hiptese de nulidade e aceitando-se a alternativa. A incidncia de malria maior nas
zonas rurais do que nas urbanas nos oito municpios investigados, compreendendo
1576 pessoas. As amostras no so heterogneas.
14.8 REGRESSO (Bw): PARA k AMOSTRAS

Trata-se de verificar se vrias amostras, no que diz respeito aos coeficientes de
regresso linear e aos interceptos, provieram do mesmo universo. Trata-se de uma
combinao das anlises de varincia e de regresso, conhecida como Anlise de
Covarincia ou ANCOVA. O programa determina, ainda, o coeficiente de regresso
(b) e o intercepto (a) de cada amostra, bem como o coeficiente de regresso conjunto,
tambm denominado pooled regression, simbolizado por Bw. A homogeneidade dos
coeficientes de regresso e dos interceptos determinada pela anlise de varincia,
constatando-se ou no se eles so oriundos da mesma populao, ou seja, se so
homogneos ou heterogneos. As amostras podem ser de diferentes tamanhos.
14.8.1 EXEMPLO
Registrou-se a presso arterial diastlica (P.A.D.) de pessoas do sexo feminino, cujas
idades variavam de 39 a 73 anos, selecionando-se, ao acaso, trs amostras obtidas em
diferentes cidades, cada uma constituda de oito (8) indivduos. O objetivo do estudo
verificar se a relao entre a idade e a P.A.D. homognea, para as trs amostras
levantadas. As hipteses formuladas foram as seguintes:
H0: Os coeficientes de regresso so iguais, pois as amostras foram retiradas da
mesma populao: b1 = b2 = b3;
H1: Os coeficientes de regresso so desiguais, pois as amostras foram retiradas de
populaes diferentes: pelo menos um bi bj ;
H0: Os interceptos so iguais, pois as amostras foram retiradas da mesma populao:
a1 = a2 = a3;
H1: Os interceptos so desiguais, pois as amostras foram retiradas de populaes
diferentes: pelo menos um ai aj ;
Figura 14.18
Dados do
Exemplo
14.8.1.
Note que neste teste a ordem de seleo das colunas requer que para cada par (Y,X) a
varivel dependente (Y) deve preceder a varivel independente (X).
- 194 -
14.8.2 INSTRUES
a) Preencher o grid geral com os escores amostrais, introduzindo na primeira coluna
os valores da varivel P.A.D. (Y1) e na seguinte, os valores da varivel Idade
(X1) e, de modo sucessivo, para as demais amostras;
b) Clicar em Regresso (Bw): para k amostras e selecionar as colunas do grid geral;
Figura 14.19
Resultados
do Exemplo
14.8.1.
A anlise comparativa dos coeficientes de regresso exibe um valor de F (Regresso)

no-significativo, pois p = 0.5063, para 2,18 graus de liberdade, aceitando-se por isso
a hiptese de nulidade. O mesmo pode-se afirmar da anlise comparativa dos
interceptos, cujo valor de F (Interceptos) no significativo, sendo p = 0.9359, com
2,20 graus de liberdade. Assim, os coeficientes de regresso das amostras (b1, b2 e b3)
so homogneos, o mesmo acontecendo com os interceptos (a1, a2 e a3). Conclui-se
que as amostras so homogneas. O coeficiente de regresso conjunto - pooled
regression - igual a 1.1327 (Bw), F (Bw) igual a 80.11, cujo p-valor menor que
0.0001, muito significativo. A Figura 14.19 exibe, ainda, os valores do intercepto (a) e
do coeficiente de regresso (b) de cada amostra.
14.9 RISCO RELATIVO (w): PARA k TABELAS 2 x 2
Da mesma forma que se calcula o "Odds Ratio" (Teste de Mantel-Haenszel) em
tabelas 2 x 2, pode-se verificar o Risco Relativo (RR), como se demonstra a seguir.
14.9.1 EXEMPLO
O exemplo 14.4.1 e as respectivas tabelas 2 x 2, com as seguintes hipteses:
H0: o risco relativo de cncer pulmonar em indivduos fumantes igual ao
observado em pessoas no fumantes;
H1: o risco relativo de cncer pulmonar em indivduos fumantes maior que o
observado em pessoas no fumantes;
- 195 -
14.9.2 INSTRUES
a) Apontar e pressionar o mouse em Risco Relativo: para k amostras 2 x 2;
b) Preencher as caixas de texto com os dados da primeira tabela 2 x 2;
c) Clicar em Nova tabela e introduzir os dados da segunda tabela e assim,
sucessivamente, at a ltima tabela (quinta, neste exemplo);
d) Aps introduzir a ltima tabela, clicar em Executar, para resultados.
Figura 14.20
Resultados
do Exemplo
14.9.1.
O Risco Relativo de cncer pulmonar cerca de quatro (4) vezes maior em fumantes
do que em no fumantes, sendo a diferena muito significativa (p < 0.0001). As
amostras so homogneas, ou seja, na mesma direo, como pode ser visto no
resultado do teste do Qui-quadrado de homogeneidade = 35.26 e p < 0.0001.
O procedimento para se obter a Anlise dos Dados o mesmo dos exemplos
anteriores, clicando-se em Anlise na barra da Figura 14.20.
O NNH obtido evidencia em cada grupo de 61 fumantes deve ocorrer um (1) novo
caso de cncer pulmonar no perodo de cinco (5) anos.
Figura 14.21
Anlise e
Meta-Anlise
do Exemplo
14.9.1
Pressionar o mouse em Grfico na barra da Figura 14.20, para resultado:
- 196 -
Figura 14.22
Grfico do
Exemplo
14.9.1
O Risco Relativo combinado altamente significativo e est representado pelo

losango na parte inferior do grfico, com os respectivos intervalos de confiana
(95%), e cujo limite inferior maior que a unidade (2.829 > 1).
14.10 TESTE G (aderncia): PARA k AMOSTRAS

O teste G de aderncia semelhante ao teste do Qui-Quadrado de aderncia para
vrias amostras, sendo que os valores esperados em cada categoria esto dispostos em
somente uma coluna, em nmeros decimais.
14.10.1 EXEMPLO
O mesmo exemplo do Qui-Quadrado (Exemplo 14.6.1), para o teste de
Homogeneidade (aderncia) com quatro (4) amostras, sobre sazonalidade de
nascimentos de crianas cujos pais residiam em localidades rurais ou urbanas do
Mdio Amazonas, estando os dados assim dispostos:
Categoria A: nascimentos de maio a outubro;
Categoria B: nascimentos de novembro a abril.
H0: os desvios entre os valores observados e os esperados em cada categoria no
ocorrem na mesma direo: as amostras so heterogneas;
H1: os desvios entre os valores observados e os esperados em cada categoria ocorrem
nas mesmas direes: as amostras so homogneas;
- 197 -
14.10.2 INSTRUES
a) Apontar o mouse em Teste G (aderncia): para k amostras, surgindo a Figura
14.23;
b) Preencher as caixas de texto com o nmero de amostras e o de categorias, 4 e 2,
respectivamente, no presente caso;
c) Clique em Ativar entrada de dados;
Figura 14.23
Quantidade
de amostras
e de
categorias.
d) Preencher, a seguir, com os dados amostrais, as caixas de texto conforme

demonstrado na Figura 14.24, clicando em Executar, para resultados.
Figura 14.24
Entrada de
dados do
Teste G.
Exemplo_14_10_1
Figura 14.25
Resultados
do exemplo
14.10.1.
Os resultados mostram que as amostras so homogneas, com valores observados e

esperados na mesma direo, sendo o teste significativo com p-valor igual a 0.0217.
Aceita-se a hiptese de alternativa, rejeitando-se a hiptese alternativa. Os resultados
so semelhantes aos obtidos no teste de Homogeneidade (aderncia) pelo QuiQuadrado, sendo tambm o teste G Heterogeneidade no significativo (p = 0.5234).
14.11 VRIAS CORRELAES (rw combinado)

Destinado a testar vrios coeficientes de correlao linear (r), no sentido de verificar
se foram retirados da mesma populao, ou seja, se as amostras de onde provieram
apresentam homogeneidade.
- 198 -
14.11.1 EXEMPLO
Pesquisa realizada sobre a associao linear entre peso e estatura de recm-nascidos
foi efetuada em trs (3) maternidades, com a finalidade de verificar se as amostras
eram homogneas. Cada amostra, independentemente do tamanho, tem um valor de r
correspondente ao grau de associao entre as duas variveis analisadas.
H0: r1 = r2 = r3;
H1: pelo menos ri rk;
14.11.2 INSTRUES
a) Pressionar o mouse em Vrias correlaes: homogeneidade;
b) Preencher a tela seguinte (Figura 14.26) com o nmero de amostras a testar,
sendo trs (3) neste exemplo, pressionando-se, ento, em Montar Grid;
Figura 14.27
Dados do
Exemplo
14.11.1.
Figura 14.26
Nmero de
amostras.
(Exemplo
14.11.1).
c)
Preencher ento o grid especfico com o Tamanho de cada amostra e o respectivo

valor de r (Figura 14.27) e clicar em Executar para resultados.
Figura 14.28
Resultados
do Exemplo
14.11.1.
O p-valor ajustado (0.0041) do teste com todas as amostras muito significativo,

rejeitando-se a hiptese de nulidade: as amostras so heterogneas. Quando os valores
de r so comparados entre si, constata-se que h diferena significativa entre os
coeficientes das amostras 2 e 3 (p < 0.05) e muito significativa entre aqueles
representados pelas amostras 1 e 3 (p < 0.01). Observa-se, ainda, que no h diferena
significativa entre os coeficientes das amostras 1 e 2 (ns).
- 199 -
14.12 VRIAS PROPORES (pw combinado)
Em determinados estudos h interesse em comparar vrias propores no sentido de
determinar se elas provieram ou no do mesmo universo, podendo ser efetuada a
pesquisa por este modelo de procedimento.
14.12.1 EXEMPLO
Procurou-se avaliar se os resultados da contagem de linfcitos na frmula leucocitria
do sangue perifrico eram influenciados pelos tipos de aparelhos eletrnicos
atualmente utilizados pelos laboratrios clnicos. Retirou-se amostra sangnea de um
indivduo considerado clinicamente normal e efetuou-se o procedimento laboratorial
em quatro (4) aparelhos de marcas diferentes: A, B, C e D. Os resultados foram estes:
Figura 14.29
Dados do
Exemplo
14.12.1.
H0: No h diferena nas propores de linfcitos obtidas atravs de quatro (4)

aparelhos diferentes: p1 = p2 = p3 = p4;
H1: H diferena nas propores de linfcitos obtidas nos aparelhos testados: pelo
menos duas propores so desiguais; pi pj;

14.12.2 INSTRUES
a) Clicar o mouse em Vrias Propores: (pw combinado);
b) Selecionar as colunas do grid geral referentes aos dados das colunas 2 e 3;
Figura 14.30
Resultados
(Exemplo
14.12.1).
O Qui-Quadrado obtido igual a 8.9866 (gl = 3) e o p-valor (w) = 0.0295, rejeitandose a hiptese de nulidade. Observa-se que as propores 1 (A) e 2 (B) apresentam
- 200 -
diferena estatisticamente significativa (p < 0.05) e nas demais comparaes os
resultados no so significativos (ns).
Pressionar o mouse em Grfico na barra da Figura 14.30.
Figura 14.31
Grfico do
Exemplo
14.12.1.
Pelo teste efetuado, no qual o pw-valor estatisticamente significativo, fica evidente

que as amostras 1 (A) e 2 (B) apresentam diferenas do ponto de vista estatstico, com
erro de concluso inferior a 5% (p < 0.05).
- 201 -
- 202 -
CAPTULO 15
NORMALIDADE
15.1 INTRODUO
Uma das pressuposies dos testes estatsticos paramtricos diz respeito distribuio
normal das variveis nas populaes. Quando se retira, portanto, uma amostra para
esses modelos de testes, deve-se supor que as unidades do universo em questo
apresentem distribuio normal.
Vrios testes tm sido descritos para a identificao da normalidade das variveis. O
BioEstat apresenta os seguintes:
a) Teste DAgostino, para n 10 e k amostras;
b) Teste DAgostino-Pearson, para n 20 e k amostras;
c) Teste de Kolmogorov-Smirnov, para uma amostra;
d) Teste de Lilliefors, para k amostras;
e) Teste de Shapiro-Wilk, para: 2 < n > 51 e k amostras;
f) Teste para Valores Extremos (base nos desvios);
g) Teste para Valores Extremos (base nos quartis).
15.1.1 INSTRUES
a) Introduzir os dados no grid padro do BioEstat;
c) Apontar o mouse em Normalidade, conforme mostra a Figura 15.1.
Figura 15.1
Menu
Normalidade.
15.2 TESTE DAGOSTINO (k amostras)

Trata-se de um teste para pequenas amostras, mas cujo valor de n deve ser igual ou
superior a dez (10) unidades. Os resultados so comparados com os valores crticos
previamente estabelecidos. A hiptese de nulidade, portanto de normalidade, deve ser
rejeitada quando o valor calculado menor ou igual que o valor crtico mnimo ou
igual ou maior que o valor crtico mximo. recomendvel, ainda, que os resultados
sejam fornecidos em cinco (5) decimais, uma vez que o valor estatstico do desvio (D)
pode ser muito pequeno. Pode ser efetuado para vrias (k) amostras simultaneamente.
15.2.1 EXEMPLO
Foram determinados os nveis de glicemia (mg/dL) de quinze (15) crianas escolares,
obtendo-se os valores constantes no grid padro, Figura 15.2.
H0: a distribuio da varivel apresenta normalidade;
H1: a distribuio da varivel no atende o pressuposto de normalidade;
- 203 -
CAPTULO 15 NORMALIDADE
Figura 15.2
Dados do
Exemplo
15.2.1.
15.2.2 INSTRUES
a) Pressionar o mouse em DAgostino (k amostras);
b) Selecionar a coluna correspondente amostra do grid geral;
Figura 15.3
Resultados
do teste
DAgostino
(Exemplo
15.2.1.)
O D obtido igual a 0.2812, o qual est contido nos limites dos valores crticos
tabelados ao nvel alfa de 5%, traduzindo um p > 0.05. A varivel em questo
apresenta distribuio normal.
15.3 TESTE DAGOSTINO-PEARSON (k amostras)
Este teste baseia-se nas medidas de simetria (g1) e curtose (g2) e o p-valor calculado
pelo Qui-Quadrado com dois (2) graus de liberdade. Deve ser utilizado para amostras
iguais ou maiores que 20 unidades, com uma ou k amostras.
15.3.1 EXEMPLO
O peso (g) de sementes de uma espcie de leguminosa foi calculado de amostra
aleatria de 30 unidades, cujos valores esto inseridos no grid geral.
H0: a varivel peso das sementes da leguminosa normalmente distribuda;
H1: a varivel peso das sementes da leguminosa no normalmente distribuda;
15.3.2 INSTRUES
a) Pressionar o mouse em DAgostino-Pearson (k amostras);
b) Selecionar a coluna do grid geral correspondente amostra;
a) Clicar em Executar, para resultados.
- 204 -
Figura 15.4
Dados do
Exemplo
15.3.1
e resultados
do teste.
O p-valor igual a 0.2195, aceitando-se a hiptese de nulidade. A varivel estudada

apresenta distribuio normal.
Este teste j foi descrito em detalhes no Captulo 9, referente a testes para uma
amostra. Assim sendo, o exemplo e os resultados podem ser vistos nesse captulo e o
teste compreende:
a) Introduo dos dados amostrais no grid geral;
b) Pressionar o mouse em Kolmogorov-Smirnov;
c) Selecionar a coluna do grid referente aos dados amostrais;
d) Clicar em Executar;
e) Preencher as caixas de texto com os parmetros do universo em estudo (mdia
e desvio padro);
f) Clicar em OK, para resultados.
15.5 TESTE DE LILLIEFORS (k amostras)
O teste de Lilliefors j est descrito no Captulo 9, para uma amostra.
Efetuar o mesmo teste, mas com cinco (5) amostras de modo simultneo.
15.5.1 EXEMPLO
Foram coletadas cinco (5) amostras, cada uma representando diferentes populaes.
Testar a normalidade dessas amostras pelo Teste de Lilliefors.
H0: as amostras apresentam normalidade em suas distribuies;
H1: as amostras no apresentam normalidade em suas distribuies;
15.5.2 INSTRUES
a) Introduzir os dados de cada amostra no grid geral;
b) Pressionar o mouse em Lilliefors (k amostras);
c) Selecionar as colunas do grid referentes aos dados amostrais;
- 205 -
Figura 15.5
Dados das
amostras do
Exemplo
15.5.1.
Figura 15.6
Resultados
das
Amostras
do Exemplo
15.5.1.
O teste de Lilliefors mostra anormalidade nas amostras 2 e 5, cujos valores de p

correspondem a < 0.05 e < 0.01, respectivamente. As demais amostras no
apresentam diferenas significativas (p > 0.05), podendo-se consider-las como
representantes de populaes com normalidade de distribuio.
15.6 TESTE DE SHAPIRO
WILK (k amostras)
O teste de Shapiro-Wilk teste W obtido dividindo-se o quadrado da combinao
linear apropriada dos valores ordenados da amostra pela varincia simtrica estimada.
O BioEstat calcula este teste para amostras: 2 < n < 51. O teste pode ser efetuado para
k amostras de modo simultneo.
Foram escolhidas de modo aleatrio 42 laranjas, cujos pesos esto inseridos no grid
geral, Figura 15.7. As hipteses formuladas foram as seguintes:
H0: a varivel peso das laranjas normalmente distribuda;
H1: a varivel peso das laranjas no apresenta normalidade em sua distribuio;
Figura 15.7
Viso parcial
dos dados do
Exemplo
15.6.1.
- 206 -
15.6.2 INSTRUES
a) Pressionar o mouse em Shapiro-Wilk (k amostras);
b) Selecionar a coluna correspondente amostra do grid geral;
Figura 15.8
Resultados
do Teste de
ShapiroWilk do
Exemplo
15.6.1.
O p-valor obtido igual a 0.0137, rejeitando-se a hiptese de nulidade.

15.7 TESTE DE VALORES EXTREMOS, modelo com base nos desvios (OUTLIERS)
A determinao dos chamados valores extremos ou outliers pode ser desejada, uma
vez que podem desempenhar importante papel nas concluses das pesquisas. Um
valor extremo pode ser introduzido em um conjunto de observaes em decorrncia
de falha na coleta de dados, de erro no registro durante a coleta, na introduo
equivocada desse escore no momento da execuo dos clculos ou, ainda, do fato de
que o valor extremo obtido est correto. Torna-se, por conseguinte, importante sua
identificao, devendo-se tomar, conforme o caso, as medidas adequadas.
O BioEstat identifica os valores extremos contidos em uma s amostra, sem
considerar, contudo, sua origem. De acordo com a experincia de Rosner (2006), o
programa determina a quantidade de possveis outliers com base na equao
min({n/10},5), onde n o tamanho da amostra e cinco (5) a quantidade mxima de
valores extremos que podem ser detectados em uma distribuio normal.
15.7.1 EXEMPLO (baseado nos desvios)
Foi efetuada coleta de 50 peixes de uma determinada espcie em um lago criatrio,
cujos escores esto no grid geral. Parte da amostra est contida na Figura 15.9.
H0: No h valores extremos na amostra obtida;
H1: H valores extremos na amostra obtida;
Figura 15.9
Viso parcial
dos dados
do Exemplo
15.7.1.
- 207 -
15.7.2 INSTRUES
a) Preencher o grid geral com os dados amostrais;
b) Pressionar o mouse em Valores Extremos (base nos desvios);
c) Selecionar a coluna correspondente aos dados;
d) Clicar em Executar;
Figura 15.10
Resultados
do Teste de
Valores
Extremos,
com
base nos
desvios
(Outliers).
O valor 65 kg considerado um valor extremo com p < 0.05. Se esse escore no for
excludo da amostra, o peso mdio dos peixes ser de 19.418 kg e, com sua excluso,
passa a ser igual a 18.4878 kg. H, portanto, diferena de 0.93 kg entre esses valores
mdios. Deve-se, assim, verificar a origem do valor extremo referido. Como neste
exemplo, n = 50, logo n/10 igual a 5, ento o programa admitiu a possibilidade de
existirem at 5 outliers, como demonstrado na Figura 15.10.
Pressionando-se em Grfico na barra da Figura 15.10 obtm-se a seguinte imagem:

Figura 15.11
Grfico do
Exemplo
15.7.1.
Valor
Extremo = 65
O grfico (Box-Plot desvios) confirma o Valor Extremo detectado pelo teste.
- 208 -
15.8 TESTE DE VALORES EXTREMOS, modelo com base nos quartis (OUTLIERS)
A determinao dos valores extremos pode ser calculada com base nos quartis, onde
os outliers sero:
a) Os escores menores que o limite inferior, com base no primeiro quartil ajustado;
b) Os escores maiores que o limite superior, baseado no terceiro quartil ajustado.
O BioEstat identifica, como se ver em seguimento, os valores extremos contidos em

uma s amostra, sem considerar, contudo, sua origem.
15.8.1 EXEMPLO (baseado nos quartis)
O exemplo o mesmo descrito no item 15.7.1, Figura 15.9.
H0: No h valores extremos na amostra obtida;

H1: H valores extremos na amostra obtida;
15.8.2 INSTRUES
e) Preencher o grid geral com os dados amostrais;
f) Pressionar o mouse em Valores Extremos (base nos quartis);
g) Selecionar a coluna correspondente aos dados;
h) Clicar em Executar.
Figura 15.12
Resultados
do Exemplo
15.8.1,
baseado
nos quartis.
Os escores 65 e 32 so considerados valores extremos, eis que se encontram acima do

limite superior. Pelo mtodo anterior, com base nos desvios, apenas o escore 65 foi
considerado outlier.
- 209 -
- 210 -
CAPTULO 16
QUI-QUADRADO
16.1 INTRODUO
O teste do Qui-Quadrado um dos mais empregados em pesquisas biomdicas, sendo
aplicado para dados mensurados em escala nominal ou ordinal.
Os testes de aderncia e de independncia do Qui-Quadrado e o teste G j foram
exibidos nos captulos relativos a uma e duas amostras independentes. Por sua vez, os
testes envolvendo vrias amostras sobre o mesmo assunto, tanto de aderncia como o
de n tabelas de contingncia, esto dispostos agora no Captulo 14 sobre MetaAnlise.
Este Captulo, embora abranja os testes de Aderncia e de Independncia, inclui
exemplos apenas dos aplicativos de Partio e de Tendncia:
a)
b)
c)
d)
e)
Uma amostra (Aderncia): Qui-Quadrado, Captulo 9;

Duas amostras independentes: l x c, Captulo 10;
Partio: l x c;
Resduos do Qui-Quadrado;
Teste de Tendncia.
16.1.1 INSTRUES
b) Apontar o mouse em Qui-Quadrado, quando surgir a figura abaixo:
Figura 16.1
Menu do QuiQuadrado.
16.2 PARTIO
O teste de independncia do Qui-Quadrado destinado para duas amostras dispostas
em tabelas de contingncia l x c: 2 x 3, 3 x 3, 3 x 4 etc. Nessas tabelas, quando o
resultado significativo (p-valor 0.05), no se pode saber com preciso em qual dos
conjuntos testados ocorreu a associao estatstica. A partio dessas tabelas de
contingncia em outras de tamanho 2 x 2, cada uma com um grau de liberdade,
permite esclarecer o problema. Inicia-se a partilha pelo canto superior esquerdo da
tabela geral, combinando-se linhas e colunas at abranger o todo.
- 211 -
CAPTULO 16 QUI-QUADRADO E TESTE G

16.2.1 EXEMPLO
Efetuou-se levantamento de 250 granjas de trigo, com a finalidade de determinar a
influncia da lagarta sobre a produo do cereal. As granjas foram classificadas em
quatro (4) tipos, de acordo com a intensidade da infestao leve, moderada, alta,
muito alta , registrando-se em cada uma o resultado da colheita satisfatria e nosatisfatria. Os dados foram inseridos no grid geral.
Figura 16.2
Dados do
Exemplo
16.2.1.
H0: A produo de trigo independe do grau de infestao do cereal pela lagarta;

H1: A produo de trigo depende do grau de infestao do cereal pela lagarta;
16.2.2 INSTRUES
a) Clicar o mouse em Partio: L x C;
Figura 16.3
Resultados
do Exemplo
16.2.1.
Pelos resultados pode-se concluir que as colheitas com infestao leve e moderada
no apresentam diferena estatstica significativa (p = 0.3561). Quando comparadas,
entretanto, com s infestaes alta e muito alta, parties 2:3 (2 linhas e 3 colunas) e
2:4 (duas linhas e 4 colunas), verifica-se que as discrepncias so muito significativas
(p-valor = 0.0042 e p-valor = 0.0098, respectivamente). Se fosse efetuado o teste de
independncia, o Qui-Quadrado seria altamente significativo (p-valor = 0.0013, 2 =
15.7086), mas no informaria as propores de interesse no caso: colheitas
Satisfatrias e Insatisfatrias.
16.3 ANLISE DE RESDUOS DO QUI-QUADRADO
O Teste de Resduos realizado em tabelas de contingncia L x C, o qual colabora na
interpretao do Qui-Quadrado, eis que determina a importncia probabilstica de
cada uma das caselas, complementando com mais especificidade o Teste de Partio,
pois possvel comparar os resultados de cada valor obtido com a probabilidade
padronizada da curva normal, uma vez que o denominador da equao final dos
Resduos comparvel ao erro padro. Desse modo, o teste do Qui-Quadrado adquire
- 212 -

uma nova dimenso, informando a importncia de cada valor original para o resultado
dessa estatstica no-paramtrica.
Em um hospital pblico, localizado em Pauxs-PA, foi realizado um estudo para
dimensionar o impacto da fibromialgia entre os profissionais de enfermagem. Os
indivduos que preencheram os critrios estabelecidos neste estudo foram distribudos
aleatoriamente em dois grupos:
- Grupo A: 84 pacientes com Lombalgia;
- Grupo B: 58 pacientes sem Lombalgia (Grupo Controle).
A ocorrncia da doena em cada faixa etria foi registrada conforme a tabela abaixo.
Figura 16.4
Dados do
Ex 16.3.1.
H0: Os valores das caselas, aps ajustamento, no apresentam diferena significativa;

H1: Os valores das caselas, aps ajustamento, apresentam diferena significativa;
16.3.2 INSTRUES
a) Clicar o mouse em Resduos;
Figura 16.5
Resultados
do Exemplo
16.3.1.
Os valores apresentados na Figura 16.5 expressam

a contribuio de cada casela para a respectiva
avaliao probabilstica, demonstrando que os
valores da linha 5 foram mais expressivos nos
resultados
obtidos,
revelando
dados
probabilsticos inferiores a 0.01. Quando se
calcula o Qui-Quadrado de Partio observa-se a
confirmao dos resduos obtidos.
16.4 TESTE DE TENDNCIA

O Teste de Tendncia realizado em k amostras, cada uma com duas categorias (A e
B), em tabelas 2 x k. Cada amostra reflete determinados perodos de tempo, os quais
devem ser espaados de maneira regular. O objetivo determinar o aumento ou
diminuio do evento sucesso nas amostras, ou seja, se h alguma Tendncia
crescente ou decrescente ou se inexiste qualquer associao dos eventos com os
perodos investigados.
- 213 -

16.4.1 EXEMPLO
Em pesquisa ambulatorial, procurou-se estabelecer a tendncia da hipertrofia
prosttica em relao idade.
Os dados obtidos foram os seguintes:
Hipertrofia
de prstata
SIM
NO
54 59
120
784
IDADE EM ANOS
60 64
65 69
135
162
800
950
70 74
190
950
H0: No h tendncia de maior nmero de indivduos com hipertrofia prosttica com o

aumento da idade;
H1: H tendncia de maior nmero de indivduos com hipertrofia prosttica com o
aumento da idade;
16.4.2 INSTRUES
a) Clicar o mouse em Teste de Tendncia;
b) Preencher o grid especfico com os dados;
Figura 16.6
Dados do
Exemplo
16.4.1.
Clicar em Executar, para obter os resultados.

Figura 16.7
Resultados
do Exemplo
16.4.1.
A tendncia aumentar o nmero de casos de hipertrofia prosttica medida que o

indivduo acresce a idade. O teste significativo (p = 0.0367), indicando tendncia
crescente pelo valor positivo de A (52.8443). Rejeita-se a hiptese de nulidade e
aceita-se a alternativa. A seo 22.14.4, do captulo Frmulas Estatsticas, define a
varivel A. Quando A > 0, a tendncia crescente; e se A < 0, a tendncia
decrescente.
- 214 -
CAPTULO 17
ANLISE DE REGRESSO
17.1 INTRODUO
No estudo de correlao procura-se verificar a magnitude e o sentido da associao
que possa existir entre duas variveis, sem haver qualquer grau de dependncia de
uma em relao outra. No teste de regresso, ao contrrio, a finalidade determinar
a dependncia de uma varivel em relao chamada varivel independente ou
preditora.
O BioEstat contm os seguintes programas de regresso:
a) Regresso linear simples;
b) Regresso linear mltipla;
c) Ajustamento de curvas;
d) Anlise de Resduos da Regresso;
e) Regresso logstica simples;
f) Regresso logstica mltipla;
g) Regresses polinomiais;
h) Regresses passo-a-passo (Stepwise regression)
i) Regresso: comparao de duas regresses lineares
17.1.1 INSTRUES
b) Apontar o mouse em Regresso, quando surgir a figura abaixo:
Figura 17.1
Menu dos
Aplicativos de
Regresso.
.
17.2 REGRESSO LINEAR SIMPLES

um dos modelos de regresso de largo emprego nas pesquisas biomdicas, no qual
procura-se predizer o valor de uma varivel dependente (Y) a partir de uma varivel
independente (X) ou preditora, pressupondo que elas assumam modelo linear.
17.2.1 EXEMPLO
Determinou-se a presso arterial diastlica (P.A.D.) de 20 indivduos do sexo
masculino, registrando-se a idade, em anos, de cada pessoa. Os dados obtidos esto
inseridos no grid geral.
- 215 -
CAPTULO 17 ANLISE DE REGRESSO

H0: a presso arterial diastlica dos homens no sofre alteraes com a idade: = 0;
H1: a presso arterial diastlica dos homens alterada pela idade: 0;
Figura 17.2
Dados do
Exemplo
17.2.1
(viso
parcial).
17.2.2 INSTRUES
a) Preencher o grid geral com os escores amostrais, representando a primeira coluna
os valores da varivel Y (dependente) e a segunda os escores da varivel X
(independente);
b) Clicar em Linear Simples e selecionar as colunas do grid geral;
Figura 17.3
Resultados
do Exemplo
17.2.1.
O valor de F (regresso) muito significativo (p = 0.0011), rejeitando-se a hiptese

de nulidade e aceitando-se a alternativa: a presso arterial diastlica acresce medida
que aumenta a idade do homem. Constata-se, neste exemplo, pelo coeficiente de
determinao ajustado (R2), que 44.49% da varivel dependente explicada pela
varivel preditiva, devendo outros fatores atuar como preditores do aumento da
P.A.D.
- 216 -

17.2.3 ESTIMAO DE Y
Para obter o valor estimado da Presso Arterial Diastlica, pressione a opo Estimar
Y que est visvel no topo da Figura 17.3. Neste exemplo definimos o valor da
varivel X em 50 (anos). O valor estimado foi 77.4251 conforme ilustrado na figura
abaixo. Para o clculo da estimao est implcito o uso do modelo Y= a + bX
referente ao Exemplo 17.2.1.
Figura 17.4
Resultado da
Estimao
de Y do
Exemplo
17.2.1.
17.3 REGRESSO LINEAR MLTIPLA

A regresso mltipla linear semelhante regresso linear simples, mas a quantidade
de variveis independentes ou preditoras de duas ou mais.
17.3.1 EXEMPLO
Foi efetuada pesquisa em doze (12) indivduos do sexo masculino, com idades
variando de 30 a 55 anos, determinando-se: Y: creatininemia em mg/dL; X1: idade em
anos; X2: peso em kg; X3: estatura em cm.
Figura 17.5
Viso parcial
dos dados
do Exemplo
17.3.1.
H0: o nvel srico da creatinina no dependente da idade e/ou do peso e/ou da

estatura: 1 = 0, 2 = 0, 3 = 0;
H1: o nvel srico da creatinina dependente da idade e/ou do peso e/ou da estatura:
pelo menos um i 0;
Nvel de deciso: alfa 0.05.
- 217 -

17.3.2 INSTRUES
a) Clicar o mouse em Linear Mltipla;
c) Clicar em Executar Estatstica, ento surgir uma caixa de texto para que seja
informado em qual das colunas est a varivel dependente Y que, neste exemplo,
foi a coluna 1 (Creatinina);
Figura 17.6
A varivel
Dependente
do Exemplo
17.3.1.

Figura 17.7
Resultados
do Exemplo
17.3.1.
O valor de F (regresso) significativo (p = 0.0399), rejeitando-se a hiptese de

nulidade e aceitando-se a alternativa: pelo menos uma das variveis independentes
X1, X2 ou X3 influencia o nvel srico de creatinina. Entre os coeficientes parciais de
regresso somente o b1 estatisticamente significativo (t = 2.3102, p = 0.0496),
sendo, portanto, X1 a varivel que mais explica a variao de Y. O nvel srico de
creatinina (Y) deve aumentar 0.0223 mg/dL para cada acrscimo de uma unidade de
X1 (cada ano de idade, a partir de 39 e at 55).
Dados sobre os coeficientes de determinao (R2) e de correlao mltiplos (Ryy) esto
contidos nos resultados, assinalando-se, ainda, a comparao entre os coeficientes
parciais de regresso.
- 218 -

Assinale-se, por fim, que o modelo linear para predio de Y, baseado nas variveis
X1, X2 e X3, representado pela seguinte equao:
= 1.4957 + 0.0223X1 + 0.0222X2 + ( 0.0164X3).
Y
17.3.3 ESTIMAO DE Y
Para obter um valor estimado da varivel Y, pressione a opo Estimar Y que est
visvel no topo da Figura 17.7. Neste exemplo fixamos os valores da varivel X1 em
54 (anos), da varivel X2 em 80 (peso) e da varivel X3 em 174 (estatura). O valor
obtido da estimao da varivel Y (creatinina) igual a 1.6223, conforme ilustrado na
figura abaixo.
Figura 17.8
Estimao
de Y do
Exemplo
17.3.1.
17.4 AJUSTAMENTO DE CURVAS

Em algumas pesquisas, nas quais se procura analisar a relao de dependncia entre
duas variveis, o modelo de distribuio pode no ser linear, eis que os dados podem
se ajustar a uma distribuio exponencial, logartmica ou geomtrica. Torna-se mais
fcil efetuar a regresso das variveis em questo de maneira simultnea, verificandose, pelo coeficiente de determinao, qual a curva que mais se ajusta aos escores
coletados.
17.4.1 EXEMPLO
Supondo-se que, em determinado experimento, os escores amostrais foram
submetidos ao teste de regresso. Os dados sobre as variveis X e Y, independente e
dependente, respectivamente, esto inseridos no grid geral. Efetuar o ajustamento.
Figura 17.9
Dados do
Exemplo
17.4.1.
- 219 -

17.4.2 INSTRUES
a) Preencher o grid geral com os escores amostrais, representando:
- Na primeira coluna os valores da varivel X (independente);
- Na segunda, os escores da varivel Y (dependente);
b) Clicar em Ajustamento de Curvas e selecionar as colunas do grid geral;
c) Clicar em Executar Estatstica, para obter os resultados.
Figura 17.10
Resultados
do Exemplo
17.4.1.
Considerando os valores dos Coeficientes de Determinao (R2), constata-se que as

regresses logartmica e geomtrica, 98% e 97%, respectivamente, so as curvas que
mais se ajustam aos dados obtidos no experimento. Em ordem decrescente, o
ajustamento seria o seguinte:
a) Logartmica, com R2 = 98.48%;
b) Geomtrica, com R2 = 97.48%;
c) Linear, com R2 = 73.73%;
d) Exponencial, com R2 = 58.88%.
Assim, a estimao da varivel dependente pela preditora deve obedecer ao modelo
logartmico:
= 0.42 + 0.35 x ln (X).

Y
Assim, para estimar o valor Y quando X = 8, teremos:
= 0. 4153 + 0. 3452 ln(8)

Y
= 0.4153 + 0.3452 2.07944
Y
= 1.1331
Y
= 0.42 + 0.35 x ln (X), pressione em Grfico na
Para obter a curva da funo Y
barra da Figura 17.10. A qual confirma que o melhor ajuste representado por uma
curva logartmica, conforme indicado pelo coeficiente de determinao (r2) de 98%.
- 220 -
Figura 17.11
Grfico
do Exemplo
17.4.1.
17.5 ANLISE DE RESDUOS

Na anlise de regresso, a predio da varivel dependente Y efetuada diretamente
atravs do escore da varivel independente X e dos coeficientes respectivos, pela
equao: Y = a + bX . No entanto, de modo indireto, pode-se examinar a varivel
dependente pela avaliao dos resduos, ou seja, dos escores ei, os quais so obtidos
pela conhecida diferena: ei = ( y i y i ) , que estimam os valores paramtricos i. A
mdia dos resduos sempre igual a zero, obtendo-se a varincia pela equao da
soma dos quadrados e respectivo quadrado mdio.
Essa anlise pode ser til para verificar os seguintes pressupostos:
a) homogeneidade das varincias dos valores de Y;
b) linearidade dos valores observados;
c) normalidade dos escores de Y;
d) presena de valores extremos (outliers).
O exame dos resduos efetuado, em geral, com diagramas de disperso. Desse
modo, aps a anlise residual, conveniente efetuar com os valores obtidos os
referidos grficos.
17.5.1 EXEMPLO 1 (hipottico)
Suponha-se que foi determinada a presso arterial sistlica (P.A.S.) de do\e (12)
crianas de ambos os sexos consideradas normais, cujas idades estavam
compreendidas entre um (1) e seis (6) anos (incluindo meses de vida). Os escores
esto inseridos no grid geral.
- 221 -
Figura 17.12
Dados do
Exemplo
17.5.1
(viso
parcial).
H0: os escores da P.A.S. so homogneos (no apresentam valores extremos);

H1: os escores da P.A.S. no so homogneos (apresentam valores extremos);
Nvel de significncia: alfa = 0.05.
17.5.2 INSTRUES
a) Preencher o grid geral com os escores amostrais, introduzindo na primeira coluna
os valores da varivel X (independente) e na seguinte os valores da varivel Y
(dependente);
b) Orientar o mouse para Regresso e clicar em Anlise de Resduos;
c) Selecionar as colunas correspondentes s variveis X e Y e clicar em Executar,
para resultados.
Figura 17.13
Resultados
do Exemplo
17.5.1.
d) Clique na opo Grfico do menu superior para obter o diagrama dos resduos.
- 222 -

Pelo grfico de disperso entre os valores da varivel X e o dos resduos (i), contido
no diagrama da Figura 17.14, observa-se:
Figura 17.14
Grfico de
disperso do
Exemplo
17.5.1.
Valor extremo?
11 = 41.1051
A linha contnua horizontal representa a mdia dos resduos valores de Y, a qual

igual zero (0). As linhas tracejadas correspondem a 1 em torno da mdia residual.
Nota-se que h muita diferena entre o valor observado Y11= 172.0000 e o esperado
Y 11= 130.8949 (Figura 17.13), cujo resduo igual a 41.1051, o qual est inserido na
Figura 17.14 (ver seta indicativa). Testando-se o conjunto dos resduos, no sentido de
verificar se esse escore pode ser considerado um valor extremo, obtm-se:
Figura 17.15
Valores
Extremos
do Exemplo
17.5.1.
Constata-se, pelos dados da Figura 17.15, que o resduo 41.1051 foi considerado um
valor extremo (p < 0.05). Esse resduo corresponde P.A.S. igual a 172 mmHg, de
uma criana de cinco (5) anos de idade. Considerando-se essa faixa etria, deve-se
rever a medio referida, uma vez que pode ter ocorrido erro do observador, equvoco
no registro, problemas com a aferio do aparelho medidor ou, ainda, hipertenso
arterial verdadeira.
- 223 -

17.5.3 EXEMPLO 2
Pode-se, tambm, testar os valores dos resduos para verificar a normalidade desses
escores. Para isso, escolheu-se o teste de Shapiro-Wilk com os resduos j calculados,
contidos na Figura 17.13 e reproduzidos, de modo isolado, na Figura 17.16:
Figura 17.16
Dados do
Exemplo
17.5.3.
H0: os resduos dos escores da presso arterial sistlica apresentam normalidade;

H1: os resduos dos escores da presso arterial sistlica no apresentam normalidade;
Nvel de significncia: alfa = 0.05.
17.5.4 INSTRUES
a) Preencher o grid geral com os escores residuais, como se verifica na Figura
17.16;
b) Clicar em Normalidade e pressionar em Shapiro-Wilk;
c) Selecionar a coluna do grid correspondente aos valores dos resduos;
d) Pressionar em Executar, para resultados.
Figura 17.17
Resultados
do Exemplo
17.5.3.
O teste de Shapiro-Wilk (W) significativo com p-valor igual a 0.0424, confirmando

o resultado do teste de valores extremos (outliers). Os resduos no apresentam
distribuio normal, rejeitando-se a hiptese de nulidade.
17.6 REGRESSO LOGSTICA SIMPLES

A regresso logstica simples testa uma varivel dependente Y e uma varivel
independente, sendo a varivel Y binria, ou seja, assume valores 1 (sucessos) e
valores 0 (insucessos). Por exemplo, bito e sobrevivente, curado e no-curado,
viciado em drogas e no-viciado, fumante e no-fumante, e assim por diante. A
varivel independente pode ser binria ou contnua.
- 224 -

Uma investigao foi efetuada no sentido de verificar a incidncia de cncer cervical
(Y) em relao com a histria clnica de cervicite crnica (X). A classificao
estabelecida foi a seguinte:
Varivel Y: neoplasia cervical presente = 1; ausente = 0;
Varivel X: antecedentes de cervicite crnica presente = 1; ausente = 0.
O nmero total de indivduos investigados foi igual a 20, conforme mostra,
parcialmente, a Figura 17.18:
Figura 17.18
Dados
parciais do
Exemplo
17.6.1.
H0: = 0;
H1: 0;
17.6.2 INSTRUES
a) Clicar o mouse em Regresso Logstica Simples;
b) Selecionar as colunas do grid geral, comeando pela coluna 1, a qual ser
considerada como a varivel dependente (Y);
Figura 17.19
Resultados
do Exemplo
17.6.1.
- 225 -

A equao de regresso, assinalada na Figura 17.19, a seguinte:
Logit Pi = -1.5041 + 2.7568X1.
Tendo em vista o p-valor (0.0138) do coeficiente b, rejeita-se a hiptese de nulidade.
A chance de neoplasia cervical de cerca de 16 vezes maior se a mulher tiver
antecedentes de cervicite crnica (odds ratio = 15.75).
Com base na equao acima referida, as probabilidades seriam assim calculadas:
Para X = 1 (antecedentes de cervicite crnica):
Logit P = - 1.5041 + 2.7568 1 = 1.2527
P = 1/(1+ EXP(-1.2527) = 0.78 = 78%.
Para X = 0 (sem antecedentes de cervicite crnica):
Logit P = - 1.5041 + 2.7568 0 = -1.5041
P = 1/(1 + EXP (1.5041) = 0.18 = 18%.
Pode-se obter essas probabilidades diretamente do BioEstat, pressionando-se o boto
Exibir, assinalado pela seta (Figura 17.19), preenchendo-se as caixas de texto da
Figura 17.20 com 1 (com cervicite) ou 0 (sem cervicite). Pressionar o mouse em
Estimar Y, para resultados.
Figura 17.20
Resultados
do Exemplo
17.6.1.
Os valores estimados de Y so os mesmos anteriores: 78% e 18%, para X1 = 1 e X1 = 0,

respectivamente.
17.7 REGRESSO LOGSTICA MLTIPLA

A regresso logstica mltipla testa uma varivel dependente Y e duas ou mais
variveis independentes, sendo a varivel Y binria, ou seja, assume valores 1
(sucessos) e valores 0 (insucessos). As variveis independentes so geralmente
binrias, mas uma delas pode ser contnua.
Uma investigao verificou que a incidncia de cncer pulmonar (Y) em relao ao
fumo (X1) e ao sexo dos indivduos (X2). O nmero total de indivduos investigados
foi igual a 20, sendo os cinco (5) primeiros contidos na Fig. 17.21.
Figura 17.21
Dados
parciais do
Exemplo
17.7.1
DEFINIES:
Y: Cncer presente = 1; Ausente = 0;
X1: Sexos: Masculino = 1; Feminino =0;
X2: Fumante = 1; No Fumante = 0
- 226 -

H0: 1 = 0; 2 = 0;
H1: 1 0; 2 0;
Nvel de deciso: alfa 0.05.
17.7.2 INSTRUES
a) Clicar o mouse em Regresso Logstica Mltipla;
b) Selecionar as colunas do grid geral, comeando com a coluna 1, a qual ser
considerada a varivel dependente (Y);
c) Clicar em Executar o Teste.
Figura 17.22
Resultados
do Exemplo
17.7.1.
A chance (odds ratio) de neoplasia pulmonar cerca de 23 vezes se o indivduo

fumante. Os valores probabilsticos exatos so estimados (Pi) pela equao:
Logit Pi = -2.9892 + 2.1813 X1 + 3.1450 X2
Com base na equao acima referida, as probabilidades seriam assim calculadas:
a) Para X1 = 0 (no-fumante) e X2 = 0 (sexo feminino):
Logit P1 = -2.9892 + 2.1813 0 + 3.1450 0 = -2.9892
P1 = 1/(1+ EXP(-2.9892)) = 0.0479 = 4.79%;
b) Para X1 = 1 (fumante) e X2 = 0 (sexo feminino):
Logit P1 = -2.9892 + 2.1813 1 + 3.1450 0 = 0.8079
P1 = 1/(1+ EXP(0.8079)) = 0.31 = 31%;
c) Para X1 = 0 (no-fumante) e X2 = 1 (sexo masculino):
Logit P1 = -2.9892 + 2.1813 0 + 3.1450 1 = 0.1558
P1 = 1/(1+ EXP(0.1558)) = 0.54 = 54%;
d) Para X1 = 1 (fumante) e X2 = 1 (sexo masculino):
Logit P1 = -2.9892 + 2.1813 1 + 3.1450 1 = 2.3371
P1 = 1/(1+ EXP(2.3371)) = 0.91 = 91%.
- 227 -

Pode-se obter essas probabilidades diretamente do BioEstat, pressionando-se o boto
Exibir, assinalado pela seta (Figura 17.22), preenchendo-se as caixas de texto da
Figura 17.18 com X1= 1 (fumante) ou 0 (no-fumante.) e X2= 1 (sexo masculino) ou
0 (sexo feminino). Pressione Estimar Y, para resultados.
Figura 17.23
Resultados
do Exemplo
17.7.1.
17.8 REGRESSO POLINOMIAL

O ajustamento de regresses polinomiais pode ser efetuado atravs do emprego dos
conhecidos coeficientes dos polinmios ortogonais, os quais facilitam os clculos
quando os escores da varivel independente apresentam intervalos iguais. O uso da
computao permite calcular essas regresses sem auxlio dos referidos coeficientes,
como ser observado em seguimento. O BioEstat executa as seguintes regresses
polinomiais:
a) Quadrtica;
b) Cbica;
c) Qurtica.
A escolha de uma dessas Regresses Quadrtica, Cbica ou Qurtica - depende da
disposio dos dados coletados. Assim, no Exemplo dado a seguir Regresso
Qurtica: Exemplo 17.8.1. verifica-se que a produo de milho (varivel Y)
aumenta a medida que aumenta a quantidade de fosfato na adubao (varivel X). A
partir, porm, de determinada quantidade deste produto agrcola, h uma tendncia de
diminuio na produo de milho. Ento a curva desses valores Y e X no ser linear
e sim parablica, como se verifica no grfico da Figura 11.27. Da a escolha da
Regresso Quadrtica. Pelas Curvas de outros Exemplos pode-se escolher outro
modelo de Regresso Polinomial.
17.8.1 EXEMPLO (Regresso quadrtica)
Em um experimento de emprego de fosfato (X) e produo de milho (Y), os
resultados obtidos esto inseridos no grid geral (Figura 17.24). Efetuar a regresso
quadrtica para esses dados:
H0: 1 = 0; 2 =0;
H1: 1 0; 2 0.
Nvel alfa = 0.05
- 228 -

Figura 17.24
Dados do
Exemplo
17.8.1.
17.8.2 - INSTRUES
a) Pressionar o mouse em Polinomial;
b) Escolher uma das regresses polinomiais, que neste exemplo foi a Quadrtica;
c) Selecionar as colunas do grid, comeando com a que representa a varivel Y;
d) Clicar em Executar Estatstica, para resultados.
Figura 17.25
Resultados
do Exemplo
17.8.1.
O F calculado significativo, como tambm os coeficientes b1 e b2.

17.8.3 ESTIMAO DE Y
Para obter um valor estimado da varivel Y, pressione a opo 'Estimar Y' que est
visvel no topo da Figura 17.25. Neste exemplo estamos supondo que o valor da
varivel X1 120 (fosfato). O valor obtido da estimao da varivel Y (produo de
milho) igual a 106.7554, conforme ilustrado na figura seguinte.
Figura 17.26
Estimao.
Exemplo
17.8.1.
- 229 -

Pode-se obter o grfico em curva dos dados do Exemplo 17.8 basta selecionar a opo
'Grfico' no menu mostrado na Figura 17.25.
Figura 17.27
Grfico de
linha do
Exemplo
17.8.1.
Obs.: O BioEstat dispe tambm de exemplos para as regresses Cbica (Ex 17.08.2)
e Qurtica (Ex 17.08.3), com os respectivos grficos.
17.9 SELEO DE REGRESSORES (STEPWISE REGRESSION)
Esta anlise possibilita a escolha das variveis preditoras que se relacionam com mais
intensidade com a varivel dependente, aspecto importante na Regresso Linear
Mltipla. Uma varivel considerada to importante para o modelo quanto for capaz
de influenciar de maneira significativa a varivel dependente (Y). O mtodo de
execuo pode ser de duas maneiras:
a) Mtodo Progressivo (forward), a cada passo includa uma varivel.
b) Mtodo Regressivo (backward), a cada passo excluda uma varivel.
A incluso ou excluso de variveis depende de trs fatores: Coeficiente de
Determinao, p-valor e Erro Quadrtico Mdio.
17.9.1 EXEMPLO: MTODO PROGRESSIVO (FORWARD)
Em um estudo pesquisadores procuraram determinar a influncia de algumas variveis
sobre a Presso Arterial Sistlica (P.A.S.). Os dados, para este exemplo hipottico, esto
representados na Figura 17.28 pelas seguintes variveis:
a) Presso Arterial Sistlica (P.A.S.), medida em mm/Hg, representando a varivel
dependente;
b) Idade, em anos completos;
c) Peso, em quilogramas;
d) Tempo de diagnstico da doena, em anos;
e) Nvel de estresse, medido em escala de 1 a 100.
- 230 -

H0: as variveis independentes no tm influncia sobre a varivel dependente;
H1: as variveis independentes tm influncia sobre a varivel dependente;
Nvel alfa = 0.05.
Figura 17.28
Viso parcial
do Exemplo
17.9.1.
17.9.2 INSTRUES
a) Pressionar o mouse em Regresso Linear Passo a Passo (Stepwise);
b) Selecionar as colunas, comeando com a que representa a varivel Y;
c) Clicar em Executar Estatstica, quando surgir a Figura 17.29;
e) Clique no boto Progressivo >> para obter a regresses inicial.
f) Para executar um novo passo da anlise clique no boto Prximo Passo.
Figura 17.29
Escolha do
modelo de
stepwise do
Exemplo
17.9.1.
Figura 17.30
Resultados
do Exemplo
17.9.1.
- 231 -

Pela anlise dos resultados verifica-se que a varivel da Coluna 3, representando o
Peso dos pacientes, foi responsvel por 91.58% do Coeficiente de Determinao
(R2), enquanto as demais variveis idade, durao da doena e estresse acresceram apenas 3.55% a esse Coeficiente, totalizando, ao final 95.13%. Se
observarmos o QM do Erro, constata-se que o modelo que melhor representa o
fenmeno composto pelas variveis Peso (3), Idade (2) e Estresse (5), cujo
Quadrado Mdio do Erro (1.0147) o menor entre as simulaes realizadas pelo
programa. Nos dados deste exemplo, considerando-se quatro casas decimais, o pvalor mostra-se estvel, indicando que em quaisquer das combinaes acima
haver rejeio da hiptese de nulidade. O Coeficiente F aponta para a varivel
Peso (3) como a que obteve o valor mais elevado (239.2314).
Observao: Aconselha-se, na anlise do indicador de melhor desempenho do
modelo de regresso linear, verificar conjuntamente os valores de R2 e do
Quadrado Mdio do Erro (QM do Erro).
17.9.3 EXEMPLO: MTODO REGRESSIVO (BACKWARD)
Trata-se do mesmo Exemplo anterior (Exemplo 17.9.1), efetuando-se, agora, a
Regresso passo a passo no sentido inverso (backward), ou seja, excluindo-se
gradativamente cada uma das variveis independentes.
17.9.4 INSTRUES
a) Pressionar o mouse em Regresso Linear Passo a Passo (Stepwise);
b) Selecionar as colunas, comeando com a que representa a varivel Y;
d) Ao surgir o dilogo 'Escolha o sentido das regresses', clicando no boto
'Regressivo >>' para obter a regresso inicial.
e) Para executar um novo passo da anlise clique no boto 'Prximo Passo'.
Figura 17.31
Viso parcial
do resultado
do Exemplo
17.9.1
O mtodo stepwise regressivo preconiza que o modelo inicial seja composto por
todas as variveis independentes. Neste caso o Coeficiente de Determinao (R2)
foi responsvel por 95.13% da varivel dependente (P.A.S.). A cada passo
eliminada uma das variveis independentes, fica bem claro que a de maior
importncia neste Exemplo a varivel da Coluna 3 (Peso), as demais exercem
menor influncia. Notar que a varivel da Coluna 2 (Idade) responsvel por
apenas 3.23% da determinao da varivel dependente. Observa-se que, nas
quatro simulaes realizadas neste exemplo o p-valor muito significativo, no
- 232 -

podendo ser considerado, neste exemplo, um indicador para a eliminao das
variveis em questo.
17.10 COMPARAO ENTRE DUAS REGRESSES
Este teste procura determinar se os valores do Coeficiente de Regresso (b) e do
intercepto (a) de duas regresses provieram da mesma populao:
Os dados obtidos em uma amostragem foram divididos em dois extratos:
a) Grupo A, indivduos com idade entre 50 e 60 anos;
b) Grupo B, indivduos com idade entre 15 e 19 anos;
O objetivo do estudo determinar se a influncia da idade sobre a Presso
Arterial idntica em ambos os grupos.
H0: b1 = b2;
H1: b1 b2;
Nvel alfa = 0.05.
H0: Os interceptos so semelhantes (a1 = a2);
H1 Os interceptos so diferentes (a1 a2);
Nvel alfa = 0.05.
Figura 17.32
Viso parcial
do Exemplo
17.10.1.
17.10.2 INSTRUES
a) Pressionar o mouse em Comparao entre Duas Regresses;
b) Selecionar as quatro colunas do grid, correspondentes s variveis Y e X da
primeira e da segunda regresses;
- 233 -
Figura 17.33
Resultados
do Exemplo
17.10.1.
Percebe-se que o Teste t dos Coeficientes de Regresso (0.6081 e 1.3636,

respectivamente) muito significativo (p-valor = 0.0100), sendo, portanto,
dissimilares. Os Interceptos, por sua vez, no evidenciam diferenas, eis que o pvalor do Teste T para esses Coeficientes no significativo do ponto de vista
estatstico (0.1759).
- 234 -
CAPTULO 18
ESTATSTICA CIRCULAR
18.1 INTRODUO
A estatstica circular (ou direcional) aplicada a dados que esto dispostos ao redor
de uma circunferncia. Exemplos de dados deste tipo so diversos, e podem incluir as
direes de vo de um pssaro, o nmero de pacientes chegando a um hospital ao
longo do dia, a orientao do plo magntico da Terra, entre outros. importante
ressaltar que o emprego de mtodos estatsticos convencionais para essas amostras
no gera resultados com significado, da a necessidade de se utilizar frmulas e testes
especficos.
O BioEstat oferece os seguintes recursos para trabalhar com dados circulares:
a) Estatstica Descritiva:
i
Tamanho da amostra;
ii Mdia dos cossenos;
iii Mdia dos senos;
iv Mdia angular;
v Comprimento do vetor Mdio;
vi Varincia angular;
vii Desvio angular;
vii Intervalo de confiana (95%);
b) Uma Amostra: Teste de Rayleigh;
c) Uma Amostra: Teste V (Rayleigh);
d) Duas Amostras Independentes (Watson-Williams);
e) Trs Amostras Independentes (Watson-Williams);
f) Duas Amostras Relacionadas: Paramtrico;
g) Correlao Circular.
18.1.1 INSTRUES
a) Introduzir os dados no grid padro do BioEstat. Os ngulos devem ser inseridos em
graus;
b) Dirigir o mouse para o menu superior e clicar em Estatsticas;
c) Apontar o mouse em Estatsticas Circulares, conforme demonstra a Figura 18.1:
Figura 18.1
Menu de
Estatsticas
Circulares.
- 235 -
CAPTULO 18 ESTATSTICA CIRCULAR

18.2 ESTATSTICA DESCRITIVA CIRCULAR
Diferentemente da estatstica descritiva para dados lineares, aqui cada escore
interpretado como um vetor unitrio. As projees desse vetor nos eixos Y e X so o
seno e o cosseno do ngulo, respectivamente (ver figura 18.2). Isto importante pois
o seno e o cosseno do ngulo que so computados para calcular a mdia angular.
A utilizao da mdia aritmtica no recomendada para a anlise de dados
circulares. Em muitos casos, ela gera resultados errados facilmente percebidos at
pelo observador leigo (ver exemplo 18.2.1).
Figura 18.2
Projees do
ngulo
observado
nos eixos
vertical (seno)
e horizontal
(cosseno).
As medidas de disperso adotadas no BioEstat so a varincia angular e o desvio

angular. A varincia angular sempre um nmero entre zero e dois (2), e o desvio
angular varia no intervalo de zero a 81.03. Valores mais altos podem indicar maior
disperso ou distribuio circular uniforme.
18.2.1 EXEMPLO
Um pesquisador estudou um ninho contendo nove (9) filhotes de pssaros. Ao anotar
a direo do primeiro vo de cada animal, observou os seguintes ngulos:
Figura 18.3
Dados do
Exemplo
18.2.1.
Tentaremos caracterizar a amostra atravs da estatstica descritiva.
- 236 -

18.2.2 INSTRUES
a) Clicar em Estatstica Descritiva;
b) Na janela Seleo de Amostras escolha a coluna desejada, neste caso
representado pela Coluna 1, e clique no boto Executar Estatstica.
Figura 18.4
Resultado
da estatstica
descritiva
circular
Ex 18.2.1.
A estatstica descritiva apontou a mdia angular prxima de dois (2) graus. Note que a
mdia aritmtica seria 164. Destacamos, assim, a necessidade de mtodos apropriados
para lidar com dados de natureza circular. O Grfico pode ser acionado para emitir a
figura abaixo.
Figura 18.5
Grfico do
Ex 18.2.1.
- 237 -

18.3 UMA AMOSTRA: TESTE DE RAYLEIGH
O teste de Rayleigh usado para verificar se uma populao est distribuda
uniformemente em torno da circunferncia. A hiptese nula declara que a populao
apresenta uma distribuio circular uniforme. A hiptese alternativa, por sua vez,
afirma que a populao no uniformemente distribuda em torno da circunferncia e,
portanto, existe uma direo preferida.
18.3.1 EXEMPLO
Em seguimento ao estudo do Exemplo 18.2.1, o pesquisador observou outro ninho,
contendo doze (12) filhotes de pssaros. O objetivo era comprovar a existncia de
orientao direcional logo na primeira tentativa de vo.
H0: A populao est uniformemente distribuda ao redor do crculo;
H1: A populao no est distribuda uniformemente ao redor do crculo;
Verificaram-se os seguintes ngulos:
Figura 18.6
Dados e
Grfico do
Exemplo
18.3.1.
18.3.2 INSTRUES
a) Selecionar Uma Amostra: Teste de Rayleigh;
b) Na janela Seleo de Amostras escolha a coluna desejada;
c) Clicar em Executar Estatstica, para obter os resultados.
Figura 18.7
Resultado do
Exemplo
18.3.1.
O p-valor obtido foi menor que o nvel de significncia (0.05). Rejeita-se, portanto, a
hiptese nula e conclui-se que h uma orientao direcional no primeiro vo desses
pssaros. A mdia angular para esta amostra foi igual a 99.4 graus.
- 238 -

18.4 UMA AMOSTRA: TESTE V (RAYLEIGH)
usado para testar um valor paramtrico de mdia angular contra a hiptese de
uniformidade em torno da circunferncia. As hipteses nula e alternativa so como
segue:
H0: A populao est distribuda de maneira uniforme ao redor da circunferncia.
H1: A populao no est distribuda de maneira uniforme ao redor da circunferncia,
e a mdia da populao igual ao valor esperado.
Obs.: quando a hiptese nula aceita, no se deve descartar a possibilidade de que
uma outra mdia angular, diferente do valor esperado, de fato exista.
18.4.1 EXEMPLO
Antes de depositar seus ovos, dez tartarugas foram soltas num ponto exatamente a
leste de seu local de desova. Ao serem recapturadas, algum tempo depois, mediu-se o
ngulo formado entre a posio inicial e a final. A expectativa do estudo era de que os
quelnios nadassem diretamente para oeste, realizando retorno num ngulo de 180
graus.
H0: As tartarugas nadaram em direes de distribuio aleatria;
H1: As tartarugas nadaram, no retorno, num ngulo de 180 graus;
Nvel de deciso: alfa = 0.05
A coleta de dados revelou os seguintes ngulos:
Figura 18.8
Dados e
Grfico do
Exemplo
18.4.1.
18.4.2 INSTRUES
a) Selecionar o menu o Estatstica Circular;
b) Clicar sobre a opo Uma Amostra: Teste V (Rayleigh);
c) Na janela Seleo de Amostras, selecione a coluna que contm os dados e clique
no boto Executar Estatstica;
d) Ao surgir a janela Teste V de Rayleigh, digite o ngulo esperado e confirme com
um clique no boto OK para que seja exibido o resultado do teste. Neste exemplo
o ngulo mdio esperado de 180 graus.
- 239 -
Figura 18.9
Entrada de
dados do
ngulo mdio
esperado.
Figura 18.10
Dados e
Grfico do
Exemplo
18.4.1.
O p-valor foi inferior ao nvel de significncia

pr-estabelecido. Conclui-se que a mdia
angular da amostra diferente do da populao
(157.3 180).
18.5 DUAS AMOSTRAS INDEPENDENTES (WATSON-WILLIAMS)

Prova paramtrica para comparar as mdias de duas amostras circulares
independentes. A hiptese nula afirma que as populaes apresentam mdias iguais,
enquanto a hiptese alternativa assegura que elas so diferentes. Este teste assume que
as duas populaes tm distribuio circular normal (de von Mises) e disperses
angulares iguais.
18.5.1 EXEMPLO
Em um estudo observacional, as visitas de abelhas s flores de uma planta foram
sendo registradas ao longo de dois anos. O pesquisador desejava saber se havia
sincronizao entre o pico de atividade das abelhas e o pico anual de
desabrochamento das flores. Antes de executar o teste de Watson-Williams,
verificamos, pelo teste de Rayleigh, que havia sazonalidade tanto na atividade das
abelhas quanto no desabrochamento das flores. Os dias e meses do ano foram
convertidos em graus conforme mostra a prxima figura:
Figura 18.11
Diviso da
circunferncia
em meses
(Ex 18.5.1).
- 240 -

H0: O pico de atividade das abelhas sincronizado com o desabrochar das flores;
H1: O pico de atividade das abelhas no sincronizado com o desabrochar das
flores;
Figura 18.12
Viso parcial
dos dados
(Ex 18.5.1).
18.5.2 INSTRUES
a) Clicar o mouse em Duas Amostras Independentes (Watson-Williams);
b) Na janela Seleo de Amostras, escolha as duas amostras que sero comparadas e
clique no boto Executar Estatstica;
Figura 18.13
Resultados
do Exemplo
18.5.1.
Com o p-valor maior que 0.05, aceitamos a hiptese nula. Conclui-se que h, de fato,
uma sincronizao entre a atividade das abelhas e a poca do ano em que as flores
desabrocham em maior quantidade.
- 241 -

18.6 TRS AMOSTRAS INDEPENDENTES (WATSON-WILLIAMS)
Esta uma generalizao do teste de Watson-Williams em que devem ser inseridas
trs amostras circulares independentes. A estatstica F empregada para determinar o
p-valor.
18.6.1 EXEMPLO
Em um experimento, trs grupos de pombos-correio foram soltos a quatro (4) km de
seu viveiro habitual. O primeiro grupo consistiu de pombos ansmicos (sem olfato), e
os pombos do segundo grupo tiveram seus olhos vendados. Um terceiro grupo, de
animais hgidos e sem vendas, serviu de controle.
Aps serem todos soltos, anotaram-se as direes dos vos. O ngulo zero marcou a
direo em que deveriam seguir (em linha reta) para chegar ao viveiro. O bloqueio da
viso ou do olfato afetou a direo de vo dos pombos?
Figura 18.14
Dados do
exemplo
18.6.1.
H0: A mdia da direo dos vos igual nas trs (3) populaes: 1=2=3;
H1: A mdia da direo dos vos no igual nas trs (3) populaes: i k.
18.6.2 INSTRUES
a) Selecionar a opo: Trs Amostras Independentes (Watson-Williams);
b) Na janela Seleo de Amostras, selecionar trs amostras e clicar em Executar
Estatstica.
Figura 18.15
Resultado do
exemplo
18.6.1.
- 242 -

O p-valor obtido (0.9465) aponta para uma diferena no-significativa entre as
mdias circulares dos trs grupos de pombos-correios. Assim, aceitamos a hiptese
nula e conclumos que nem a olfao nem a viso foram essenciais para o retorno das
aves ao pombal.
18.7 DUAS AMOSTRAS RELACIONADAS
Neste teste paramtrico, comparam-se as medidas de um mesmo grupo de indivduos
em dois momentos distintos. As amostras devem ser compostas por dados circulares
pareados e em graus.
18.7.1 EXEMPLO
Com o objetivo de verificar a eficcia de um protocolo fisioteraputico, um grupo de
doze (12) pacientes foi submetido a testes antes e depois de dez (10) sesses do
tratamento. A varivel avaliada foi a flexo do joelho, medida em graus.
Figura 18.16
Dados do
exemplo
18.7.1.
H0: No houve alterao na mdia angular aps o tratamento.

H1: Houve alterao na mdia angular aps o tratamento.
18.7.2 INSTRUES
a) Clicar em Duas Amostras Relacionadas: Paramtrico;
b) Na janela Seleo de Amostras, escolha as duas colunas correspondentes aos
valores Antes e Depois. Clique em Executar Estatstica;
Figura 18.17
Resultados
do Exemplo
18.7.1.
.
O p-valor foi muito significativo (< 0.0001), rejeitando-se H0. O tratamento aumentou
a mdia angular de flexo dos joelhos dos indivduos submetidos ao tratamento.
- 243 -

18.8 CORRELAO CIRCULAR
Este teste paramtrico avalia a associao entre duas variveis circulares
independentes. Usamos a notao raa para identificar o Coeficiente de Correlao, que
mede o grau de associao entre as variveis. O raa pode atingir qualquer valor real
entre 1 e 1, e o sinal deste coeficiente determina o sentido da correlao. O valor
raa=zero indica ausncia de correlao, e quando raa for igual a 1 ou -1 tem-se uma
correlao perfeita. Por ltimo, alertamos que nenhum valor de raa pode ser usado
como indicativo de relao causa-e-efeito.
18.8.1 EXEMPLO
Desejamos avaliar a relao entre a direo do vento e a direo de vo de um grupo
de 20 pssaros. Foram coletados os seguintes dados:
Figura 18.18
Viso Parcial
do Dados
do Exemplo
18.8.1.
.
H0: raa=0;
H1: raa0;
18.8.2 INSTRUES
a) Clicar o mouse em Regresso Linear;
b) Na janela Seleo de Amostras, escolha as duas colunas correspondentes aos
valores Direo do Vento e ngulo de Vo;
Figura 18.19
Resultado do
Exemplo
18.8.1.
c)
Pressionar em Executa Estatstica, para resultados.
Com um p-valor maior que o nvel alfa de 0.05, aceitamos a hiptese nula e
conclumos que no houve correlao entre a direo do vento e a direo de vo dos
pssaros.
- 244 -
CAPTULO 19
TAMANHO DAS AMOSTRAS
19.1 INTRODUO
O tamanho amostral est relacionado com o grau de variao dos dados, a magnitude
dos efeitos a serem detectados e o poder do teste desejado. Cumpre salientar que:
a) quanto maior a varincia, maior dever ser o tamanho da amostra, e vice-versa;
b) quanto menor o nvel alfa, maior dever ser o tamanho da amostra;
c) quanto maior o poder do teste, maior dever ser o tamanho da amostra;
d) quanto maior a diferena entre as mdias a serem comparadas, menor poder ser
o tamanho da amostra.
importante obter informaes de outros trabalhos sobre o assunto objeto da
investigao, pois possvel coletar informaes sobre parmetros e/ou estatsticas
da mdia e da varincia, a fim de permitir, com mais preciso, determinar o tamanho
amostral. Pode-se, ainda, efetuar um teste-piloto, cujo tamanho da amostra ficar a
critrio do pesquisador, obtendo-se estatsticas com definies prvias do nvel alfa e
do poder do teste que iro proporcionar os dados necessrios para o clculo do
tamanho amostral.
O BioEstat calcula o tamanho da amostra para os seguintes testes:
i Anlise da varincia;
ii Correlao linear;
iii Teste de McNemar;
iv Proporo: uma amostra;
v Proporo: duas amostras;
vi Qui-Quadrado: 2 x 2;
vii Regresso Linear;
viii Teste t: uma amostra;
ix Teste t: duas amostras independentes;
x Teste t: duas amostras pareadas.
19.1.1 INSTRUES
b) Apontar o mouse em Tamanho das Amostras, quando surgir a figura abaixo:
Figura 19.1
Menu de
Tamanho
das
Amostras.
- 245 -
CAPTULO 19 TAMANHO DAS AMOSTRAS

19.2 ANLISE DE VARINCIA
O programa adequado para o clculo do tamanho amostral da ANOVA, um critrio,
abrangendo de trs (3) a oito (8) tratamentos e permitindo a escolha do poder do teste,
com a recomendao de que no deve ser inferior a 0.80 a fim de no aumentar o erro
tipo II (). A escolha do nvel alfa apresenta duas alternativas: 0.05 e 0.01.
19.2.1 EXEMPLO
Determinar o tamanho da amostra para um teste de anlise da varincia, um critrio,
em que se dispe de cinco (5) tratamentos, considerando o nvel alfa de 0.05, o poder
do teste de 0.80 e tendo em vista as seguintes informaes obtidas em experimento
piloto: diferena mnima entre as mdias dos tratamentos = 39.48; desvio padro do
erro experimental = 26.18.
19.2.2 INSTRUES
a) Clicar o mouse em ANOVA;
c) Pressionar em Alfa 0.05 ou Alfa 0.01, para resultados.
Figura 19.2
Tamanho da
amostra:
ANOVA.
19.3 CORRELAO LINEAR

O tamanho amostral na correlao linear teste de Pearson depende do
conhecimento prvio do valor de r obtido em testes anteriores, escolhendo-se o poder
do teste e o nvel alfa desejado.
19.3.1 EXEMPLO
Uma pesquisa-piloto revelou que o coeficiente de correlao linear entre duas
variveis era de 0.73. Calcular o tamanho da amostra, considerando o nvel alfa de
0.05 e o poder do teste de 0.85.
- 246 -

19.3.2 INSTRUES
a) Clicar o mouse em Correlao Linear;
Figura 19.3
Tamanho da
amostra:
Correlao
linear.
19.4 TESTE DE McNEMAR

O teste de McNemar, um caso especial de teste binomial, efetuado em tabelas de
contingncia 2 x 2, onde se calcula a probabilidade dos chamados pares discordantes:
a e d ou b e c. Os dados a serem introduzidos nas caixas de texto para o clculo
amostral apresentam a seguinte configurao:
a) Proporo, em decimais, de todos os pares concordantes: com o tratamento A e
com o tratamento B;
b) Proporo, em decimais, dos pares discordantes com um dos tratamentos;
c) poder do teste e o nvel alfa, informando, ainda, se o teste unilateral ou
bilateral.
19.4.1 EXEMPLO
Supondo-se que mulheres com neoplasias mamrias, cujas idades variavam de 45 a 60
anos, foram submetidas a dois tipos de tratamento: A e B. Inicialmente, fez-se o
pareamento das pacientes em dois grupos, de acordo com a idade, o tempo de doena,
o grupo tnico e a situao scio-econmica. Ao final de um perodo de 4 anos,
verificou-se o seguinte:
a) em 87% de todos os pares amostrais o tratamento foi concordante, seja com o
esquema teraputico A, quer com o B;
b) dos pares discordantes, 75% ocorreram com o tratamento A.
- 247 -

Calcular o tamanho da amostra ao nvel alfa de 0.05, poder igual a 0.85 e teste
unilateral.
19.4.2 INSTRUES
a) Clicar o mouse em McNemar;
c) Pressionar em Teste Unilateral ou Teste Bilateral, para resultados.
Figura 19.4
Tamanho
da amostra:
McNemar.
19.5 PROPORO: UMA AMOSTRA

Em diversas ocasies o pesquisador deseja realizar teste binomial para uma amostra,
considerando as seguintes informaes: o poder do teste, o nvel alfa de significncia,
o direcionamento da H1 e o conhecimento das propores paramtrica e amostral, esta
ltima obtida em pesquisa-piloto.
19.5.1 EXEMPLO
Quantos indivduos seriam necessrios para um teste bilateral, sabendo-se que a
proporo do universo igual a 0.01 e a da amostra, obtida em pesquisa-piloto, igual
a 0.04? Dados adicionais: poder do teste 0.80 e nvel alfa 0.05.
19.5.2 INSTRUES
a) Clicar o mouse em Proporo: uma amostra;
- 248 -
Figura 19.5
Tamanho
da amostra:
Uma
Proporo.
19.6 PROPORO: DUAS AMOSTRAS

O teste para duas propores binomiais, diferente do McNemar, para amostras
independentes. Deve-se informar as propores estimadas de p de cada amostra, a
relao entre elas (1:1, 1:2, 1:, etc.), o poder do teste, o nvel alfa e se o teste
bilateral ou unilateral.
19.6.1 EXEMPLO
Suponha-se que a incidncia da rubola na populao infantil no vacinada de 0.30,
e que, aps campanha vacinal, a incidncia diminuiu para 0.15. Determinar o tamanho
da amostra necessria para testar a diferena entre as duas propores, ao nvel alfa de
0.05, poder de 0.80 e teste unilateral. Nota-se que houve decrscimo na incidncia da
doena aps imunizao.
19.6.2 INSTRUES
a) Clicar o mouse em Proporo: duas amostras;
c) Pressionar, neste caso, em Teste Unilateral, para resultados.
Figura 19.6
Tamanho da
amostra:
Duas
Propores.
- 249 -

19.7 QUI-QUADRADO
O tamanho da amostra para testes do Qui-Quadrado atende testes de aderncia e de
independncia, estes dispostos em tabela de contingncia 2 x 2. As informaes sobre
os escores obtidos em teste-piloto Qui-quadrado e graus de liberdade - so
introduzidas nas caixas de texto. Escolher o nvel alfa - 0.05 ou 0.01 e o poder do
teste.
19.7.1 EXEMPLO
Por suposio, em determinado experimento piloto, obtiveram-se os dados abaixo:
a) Qui-Quadrado = 4.756;
b) Graus de liberdade = 1
Calcular o tamanho da amostra (n) para um teste ao nvel alfa de 0.05 e poder do teste
igual a 0.95.
19.7.2 INSTRUES
a) Clicar o mouse em Qui-Quadrado;
c) Selecionar Alfa 0.05 e Poder do teste de 0.95;
Figura 19.7
Tamanho da
amostra: QuiQuadrado.
.
19.8 REGRESSO LINEAR

O clculo baseado em informaes sobre estatsticas da Regresso Linear obtidas
em teste piloto. As estatsticas necessrias para calcular o tamanho da amostra so as
seguintes:
Coeficiente de regresso (b);
Desvio padro da varivel X;
Desvio padro da varivel Y.
- 250 -

19.8.1 EXEMPLO
Os dados preliminares da pesquisa piloto mostraram os seguintes valores:
b (Coeficiente de regresso) = 4.8;
sx (Desvio padro da varivel X) = 7;
sy (Desvio padro da varivel Y) = 80.
Calcular o tamanho da mostra para um teste de Regresso Linear, considerando o
valor alfa = 0.05 e o poder de 0.80.
19.8.2 INSTRUES
a) Clicar o mouse em Regresso Linear;
b) Preencher as caixas de texto com os dados do Exemplo 19.8.1;
Figura 19.8
Tamanho da
amostra:
Regresso
Linear.
19.9 TESTE t : UMA AMOSTRA

O tamanho da amostra calculado com base nas informaes sobre o parmetro da
populao e de estatsticas obtidas em teste-piloto. O poder, o nvel de significncia e
a determinao prvia de teste bilateral ou unilateral constituem elementos que
definem o tamanho amostral.
19.9.1 EXEMPLO
Uma amostra retirada de uma populao indgena mostrou que o nvel de colesterol
no sangue perifrico dessas pessoas era em mdia igual a 159 mg/dL e o desvio
- 251 -

padro de 47.5 mg/dL. Tendo em vista que a mdia de colesterolemia na populao
brasileira de 178 mg/dL, pergunta-se: qual o tamanho da amostra para confirmar
essa diferena ao nvel alfa de 0.01, com poder de 0.85, em teste unilateral ?
19.9.2 INSTRUES
a) Clicar o mouse em Teste t: uma amostra;
Figura 19.9
Tamanho da
amostra:
Teste t para
Uma Amostra.
19.10 TESTE t : DUAS AMOSTRAS INDEPENDENTES

O clculo baseado em informaes sobre as mdias amostrais e os respectivos
desvios padres, fixando-se o tamanho da segunda amostra em relao primeira e
determinando-se o poder, o nvel alfa e o direcionamento do teste, unilateral ou
bilateral. O tamanho da segunda amostra poder ser igual ao da primeira (1:1) ou
diferente (1:2), (1:1.5), (1:0.5), etc.
19.10.1 EXEMPLO
Dados preliminares pressupem que o peso de recm-nascidos de famlias de baixo
nvel socioeconmico (BNSE) diferente do das crianas filhas de casais com
elevado nvel socioeconmico (ENSE). As estatsticas mostraram o seguinte:
BNSE
ENSE
Mdia de peso
2950g
3240g
- 252 -
Desvio padro
468g
470g

Calcular o tamanho das amostras para testar essa possvel diferena, em teste
bilateral, ao nvel alfa de 0.05 e poder de 0.90, devendo a segunda amostra ser do
mesmo tamanho da primeira (relao 1:1).
19.10.2 INSTRUES
a) Clicar o mouse em Teste t: duas amostras independentes;
c) Pressionar em Teste Unilateral ou Teste Bilateral, para os resultados.
Figura 19.10
Tamanho da
amostra:
Teste t Duas
Amostras
Independentes.
19.11 TESTE t : AMOSTRAS PAREADAS

No caso de duas amostras pareadas os dados so coletados antes e aps determinado
experimento, coletando-se as informaes dos mesmos indivduos nos dois perodos
considerados. O clculo prev o nvel alfa, o poder e, ainda, se o teste unilateral ou
bilateral.
19.11.1 EXEMPLO
Determinou-se a hemoglobina no incio da infeco malrica e oito (8) dias aps a
cura. Os dados coletados revelaram os seguintes valores:
Antes do tratamento: mdia = 9.5g/dL;
Oito (8) dias aps a cura: mdia = 10.7g/dL;
Desvio padro da diferena entre as mdias = 2.5g/dL.
- 253 -

Calcular o tamanho da amostra necessria para verificar se a diferena
estatisticamente significativa ao nvel alfa de 0.05, poder de 0.85 e teste unilateral.
19.11.2 INSTRUES
a) Clicar o mouse em Teste t: duas amostras pareadas;
Figura 19.11
Tamanho da
amostra:
Teste t Duas
Amostras
Pareadas.
- 254 -
CAPTULO 20
TRANSFORMAO DE DADOS
20.1 INTRODUO
As transformaes so procedimentos estatsticos de mudanas de escalas, com a
finalidade de obter a normalidade da distribuio dos escores e a estabilizao da
varincia.
Na distribuio normal os escores amostrais so transformados de modo linear em zescores, cuja mdia igual a zero (0) e o desvio padro igual a uma unidade (1).
Outras transformaes no-lineares podem ser efetuadas para atender ao modelo de
distribuio normal, sobretudo quando os escores brutos apresentam acentuada
assimetria ou quando mdias muito grandes so acompanhadas por varincias
tambm muito elevadas, com perda da normalidade, da homogeneidade e da
homocedasticidade.
O BioEstat apresenta os seguintes programas de transformaes:
a) Box e Cox;
b) Exponencial;
c) Logaritmo natural (neperiano);
d) Logaritmo decimal;
e) Percentual;
f) Quadrado;
g) Raiz quadrada;
h) Ordinal (rank);
i) Recproca.
Algumas indicaes so oferecidas nos textos de Estatstica sobre a escolha do
modelo de transformao dos escores brutos coletados.
A transformao logartmica, por exemplo, indicada quando os valores numa
distribuio linear so multiplicativos, como crescimento bacteriano, ou quando a
distribuio muito assimtrica, sendo indicada tambm em dados de pH. Esta
transformao no admite, obviamente, valores negativos ou nulos. Quando o escore
for zero, o programa adiciona um (1) a todos os valores.
A transformao em raiz quadrada sugerida em variveis referentes a medidas de
superfcie ou em variveis discretas nmero de leuccitos por mm3, nmero de
filhos por casal, etc. Emprega-se, tambm, quando o modelo de distribuio dos
escores brutos o de Poisson, no qual a mdia e a varincia tm o mesmo valor (np).
Com essa transformao a varincia e a mdia tornam-se independentes.
Quando o valor da varivel for zero, o programa acrescenta 0.5 a todos os valores.
A transformao ordinal (rank) designada para distribuies muito assimtricas,
sendo largamente usada nos testes no-paramtricos correlao de Spearman,
anlise de varincia de Kruskal-Wallis, etc.
- 255 -
CAPTULO 20 TRANSFORMAO DE DADOS

Pode-se efetuar a transformao ordinal (rank) pela ordem numrica ou alfabtica, de
modo crescente ou decrescente. Algumas vezes h necessidade de ordenar um
conjunto de colunas, sendo a primeira quela que conduzir os respectivos valores das
demais.
A transformao recproca empregada em pesquisas cujos escores envolvem
diluies, como ocorre em titulaes sorolgicas. Quando houver zeros entre os
dados, no dever ser usada essa transformao.
Box e Cox desenvolveram um procedimento a fim de estimar a melhor transformao
para obter a normalidade de um conjunto de escores. Trata-se de um modelo de
funo de mxima-verossimilhana, podendo o usurio, por esse mtodo, verificar
qual a transformao sugerida para seus dados.
Recomenda-se, todavia, ponderar as vantagens e as desvantagens da transformao de
dados. Quando ocorrer dvida, prefervel manter os escores originais e utilizar testes
no-paramtricos.
Figura 20.1
Menu de
transformao.
20.1.1 EXEMPLO 1
Determinaram-se as estatsticas dos dados inseridos no grid, verificando-se que a
varincia cerca de 25 vezes maior que a mdia, sendo a curva assimtrica positiva.
A transformao dos escores foi efetuada escolhendo-se, a ttulo ilustrativo, a
logartmica (natural), a raiz quadrada e a recproca, cujos valores esto contidos na
Figura 20.2. Os dados originais, contidos na coluna 1 do grid geral, foram ainda
submetidos ao procedimento de Box e Cox, cujo resultado est contido na Figura 20.4.
Figura 20.2
Dados do
Exemplo
20.1.1.
- 256 -

20.1.2 INSTRUES
a) Preencher o grid geral com os escores amostrais;
c) Apontar o mouse em Transformaes;
d) Clicar em Ln, selecionar a coluna correspondente aos valores originais;
e) O BioEstat informa a coluna a ser preenchida com os valores transformados;
f) Repetir os passos d e e, para as demais transformaes.
g) Para o procedimento Box e Cox, efetuar a, b e c, pressionando a seguir nessa
opo, o que foi efetuado com os dados amostrais (Figura 20.2), tendo sido
sugerida a transformao logartmica.
Figura 20.3
Box e Cox.
Observa-se, em relao ao Coeficiente varincia/mdia, o seguinte:

Figura 20.4
Estatstica
descritiva dos
dados
originais e
dos transformados.
a)
b)
c)
d)
Dados originais: 25.2;

Transformao logartmica: 1.7;
Transformao raiz quadrada: 1.8;
Transformao recproca: 2.5.
- 257 -

Esses Coeficientes e os valores da assimetria e curtose sugerem que a melhor
transformao para os dados originais a logartmica, confirmando a indicao do
procedimento Box e Cox.
20.1.3 EXEMPLO 2 (hipottico)
Foram inseridos no grid geral os dados referentes a diversos municpios de um estado
brasileiro e respectivos valores da populao e da rea municipal em quilmetros
quadrados.
Figura 20.5
Dados do
Exemplo
20.1.3.
20.1.4 INSTRUES
a) Preencher o grid geral com os municpios selecionados e respectivos valores das
populaes e reas;
c) Apontar o mouse em Transformaes e clicar em ordinal, pressionando em
ordem alfabtica ou numrica, a qual, neste exemplo, alfabtica;
d) Selecionar as colunas do grid de interesse, comeando com a coluna que ir
comandar as demais, a qual, neste caso a coluna 1 (Municpio);
e) Escolher entre ordem crescente ou decrescente, e que, neste caso, foi crescente.
Figura 20.6
Rank
Alfabtico.
Verifica-se que os Municpios esto ordenados em ordem alfabtica e que os valores

de cada Municpio Populao (coluna 5) e rea (Coluna 6) - esto de
acordo com os nmeros registrados nas Coluna 2 e 3, respectivamente.
- 258 -
CAPTULO 21
GRFICOS E TABELA
21.1 INTRODUO
Os grficos constituem importantes instrumentos de comunicao rpida, clara e
efetiva, poupando, sobretudo, tempo e esforo na visualizao de dados resumidos,
permitindo fixar uma imagem duradoura, da o largo uso dessas representaes em
trabalhos estatsticos. As tabelas de freqncia permitem, tambm, condensar os
escores de modo a torn-los de fcil compreenso. O BioEstat apresenta os seguintes
grficos e tabelas de freqncia:
a) rea;
b) Box Plot: mediana e quartis;
c) Box Plot: mdia e desvios;
d) Caule e Folha (Stem and Leaf);
e) Colunas;
f) Diagrama de Disperso;
g) Diagramas IC;
h) Diagrama Pontual (Dot Plot);
i) Histograma;
j) Linha (Curva);
k) Mximo e Mnimo;
l) Pirmide Populacional;
m) Polar;
n) Setor;
o) Tabelas de Freqncia.
21.1.1 INSTRUES
Dirigir o mouse para menu e clicar em Grficos, quando surgir a figura abaixo;
Figura 21.1
Menu
Grficos.
a) Pressionar com o mouse o grfico escolhido ou

Tabelas de Freqncia;
b) Selecionar a(s) coluna(s) do grid, conforme o caso, e
pressionar em Executar, para resultados;
c) Configurar cada grfico de acordo com a orientao
contida no item 21.16.
- 259 -
CAPTULO 21 GRFICOS E TABELA

21.2 GRFICO DE REA
Destina-se a comparar as reas abrangidas pelos escores de duas ou mais amostras,
embora possa ser utilizado para apenas um conjunto de dados.
21.2.1 EXEMPLO
Tomou-se a presso arterial de quatorze (14) pessoas do sexo feminino, cujas idades
variavam de 30 a 40 anos. Os dados obtidos em condies basais esto inseridos no
grid padro e representam: PAD-F: presso arterial diastlica, sexo feminino; PAS-F:
presso arterial sistlica, sexo feminino.
Figura 21.2
Dados
do Exemplo
21.2.1
(Viso parcial).
21.2.2 INSTRUES
a) Clicar em rea;
b) Selecionar as colunas do grid e pressionar em Executar.
Figura 21.3
Grfico de
rea do
Exemplo
21.2.1.
- 260 -

Verifica-se que a presso arterial diastlica (cinza-escuro), embora menor,
acompanha, de modo aproximadamente paralelo e em cada indivduo, o valor da
presso sistlica (cinza-claro). Valores menos elevados da presso sistlica
correspondem a valores mais baixos da presso diastlica, e vice-versa. A correlao
linear de Pearson mostra forte associao entre as duas variveis, com valor de r =
0.813, sendo muito significativa (p = 0.0004).
21.3 GRFICO BOX-PLOT (mediana e quartis)
Trata-se de grfico muito utilizado nas reas de cincias biolgicas e mdicas,
mostrando, no box, a mediana, o primeiro e o terceiro quartis. Exibe, ainda, o menor e
o maior escores atravs do limite inferior e superior de linhas retas verticais, que se
originam do primeiro e terceiro quartis, respectivamente.
21.3.1 EXEMPLO
Foram tomadas as presses arteriais sistlica e diastlica de 40 pessoas de ambos os
sexos, no perodo de viglia e sono. Os valores esto inseridos no grid padro e
parcialmente representados na figura abaixo:
Figura 21.4
Dados do
Exemplo
21.3.1
(Viso parcial).
21.3.2 INSTRUES
a) Clicar em Box Plot: mediana e quartis;
b) Selecionar as colunas do grid e pressionar em Executar, para resultados.
Figura 21.5
Colunas
selecionadas
para o
Exemplo
21.3.1.
O grfico compara valores das presses arteriais sistlicas nos perodos de viglia e de
repouso noturno (sono), o mesmo ocorrendo com as diastlicas. As posies e as
- 261 -

amplitudes dos boxes e, ainda, o comprimento das linhas verticais evidenciam com
clareza as diferenas entre as distribuies das variveis referidas.
Figura 21.6
Grfico BoxPlot do
Exemplo
21.3.1.
21.4 GRFICO BOX-PLOT (mdia e desvios)

Semelhante ao grfico anterior, mostrando, todavia, no box, a mdia e o desvio ou o
erro padro. Exibe, ainda, o menor e o maior escores atravs do limite inferior e
superior de linhas retas verticais. Pode-se verificar, tambm, a presena de valores
extremos (outliers), como ocorreu no exemplo abaixo, representados atravs de
pequenos crculos acima ou abaixo das linhas verticais do grfico. Com o mouse,
pode-se visualizar, na parte superior do grfico, o valor de cada uma dessas
estatsticas ou dos escores amostrais.
21.4.1 EXEMPLO
Foi efetuada coleta de 50 peixes de uma determinada espcie em um lago criatrio,
cujos escores esto inseridos no grid geral. Parte da amostra est contida na Fig. 21.7.
Figura 21.7
Dados do
Exemplo
21.4.1
(Viso
parcial).
- 262 -

21.4.2 INSTRUES
a) Clicar em Box-Plot: mdia e desvios, selecionar as coluna do grid e pressionar
em Executar;
b) Escolher um dos botes de opo: Caixa (Box) = desvio padro e Suas
(Whisker) = Mximo e Mnimo, pressionando Aplicar para obter o grfico.
Figura 21.8
Botes de
opo do
Exemplo
21.4.1.
Figura 21.9
Grfico BoxPlot do
Exemplo
21.4.1.
Valores Extremos
As linhas horizontais de cada box representam, agora, a mdia aritmtica (linha

central) e 1 desvio padro (linhas superior e inferior).
21.5 GRFICO CAULE E FOLHA (STEM AND LEAF)
Algumas vezes difcil agrupar certos escores em tabelas e represent-los
graficamente, perdendo-se, nesse propsito, o valor real de cada escore. O diagrama
caule e folha contorna esse problema, mostrando, ainda, a disposio dos dados em
forma de curva, evidenciando aspectos da simetria e da curtose.
Para sua construo, o programa separa o componente caule e respectiva folha,
sendo o primeiro representado por todos os dgitos de cada escore, menos o dgito da
direita, o qual constitui a folha. A preciso da folha pode ser escolhida pelo
usurio. Exemplos:
Escore
523
46.74
115.8
523
Caule
52
46
115
5
Folha
3
7
8
2
- 263 -
Preciso da Folha
Unidade
Centsimo
Dcimo
Dezena

O programa executa todos esses passos de acordo com as informaes inseridas nas
caixas de textos, conforme se verificar em seguimento.
21.5.1 EXEMPLO
A presso arterial sistlica de 87 pessoas do sexo masculino, cujas idades variavam de
20 a 45 anos, foram tomadas em condies basais. Os valores esto inseridos no grid
geral, parcialmente mostrados na Figura 21.10.
Figura 21.10
Dados do
Exemplo
21.5.1
(Viso
parcial).
Estatsticas do Exemplo 21.5.1

Nmero de escores
Mediana
Mdia aritmtica
Coef. de assimetria
Coef. de curtose
= 87
= 119
= 119.8
= 0.29
= 0.05
21.5.2 INSTRUES
a) Clicar em Caule e Folha (Stem and Leaf);
b) Selecionar a coluna do grid e pressionar o mouse em Executar;
c) O formulrio, mostrado na Figura 21.11 (lado direito), indica o maior e o menor
escore e a amplitude dos dados; deve-se, com um clique do mouse, indicar o nvel
de preciso da folha, que neste caso foi a unidade, e o nmero de linhas por
classe, o qual, neste exemplo, foram escolhidas duas (2) linhas;
d) Pressionar em Exibir Diagrama, para resultados (Figura 21.11).
A figura abaixo ilustra a configurao que
precede a exibio do diagrama de Caule e
Folha.
Note a importncia da escolha adequada
do item Nvel de Preciso da Folha.
Figura 21.11
Grfico de
Caule e Folha
do Exemplo
21.5.1.
O diagrama Caule e Folha apresenta uma distribuio aproximadamente simtrica

(g1 = 0.29) e mesocrtica (g2 = 0.05), com todos os escores amostrais, sendo a maior
concentrao de valores em torno da mdia e da mediana, 119.8 e 119,
respectivamente.
- 264 -

21.6 GRFICO DE COLUNAS
Destina-se a comparar escores de diferentes categorias representadas sob a forma de
retngulos separados, mas da mesma largura, com alturas proporcionais s grandezas
que representam. Os dados devem ser mensurados em escala nominal, ordinal ou
numrica de valores discretos. O BioEstat apresenta os seguintes modelos para este
tipo de grfico:
a) Colunas simples;
b) Colunas justapostas;
c) Colunas superpostas.
Em qualquer dos casos, as colunas podem ser apresentadas sob a forma vertical ou
horizontal.
21.6.1 EXEMPLO
Em um hospital foram efetuadas cirurgias classificadas em diferentes especialidades e
realizadas no ms de maro de 1999. Os dados esto contidos no grid geral:
Figura 21.12
Dados do
Exemplo
21.6.1.
21.6.2 INSTRUES
a) Clicar o mouse em Colunas e pressionar em Simples;
b) Selecionar as duas colunas do grid e pressionar o mouse em Executar.
Para visualizar as Barras
Figura 21.13
de Erro, selecione na jaGrfico de
nela de Configuraes a
Colunas
opo Outras e escolha
do Exemplo
o tipo de Barra de Erro
21.6.1
conforme disponvel na
contendo
parte inferior da janela.
barras de
erro.
21.6.3
- 265 -

EXEMPLO (colunas justapostas, dados hipotticos)
Foi efetuada investigao destinada a verificar a incidncia de dengue de acordo com
a escolaridade. Os dados esto inseridos no grid geral, conforme mostra a Figura
21.14.
Figura 21.14
Dados do
Exemplo
21.6.3.
21.6.4 INSTRUES
a) Clicar o mouse em Colunas e pressionar em Justapostas;
b) Selecionar as trs colunas do grid e pressionar em Executar.
Figura 21.15
Grfico de
Colunas
justapostas
do Exemplo
21.6.3.
21.6.5 EXEMPLO (colunas superpostas, dados hipotticos)

A mesma investigao do exemplo anterior, mas com o tamanho da amostra diferente
entre as diversas escolaridades. O modelo escolhido foi o de colunas superpostas,
sendo os dados das colunas apresentados em forma percentual.
Figura 21.16
Dados do
Exemplo
21.6.5.
- 266 -

21.6.6 INSTRUES
a) Clicar o mouse em Colunas e pressionar em Superpostas;
b) Selecionar as trs colunas do grid e pressionar em Executar;
c) Aps o aparecimento do grfico, pressionar em Configuraes e escolher a opo
Outras;
d) Clicar em Percentuais.
Figura 21.17
Grfico de
Colunas
superpostas
percentuais
do Exemplo
21.6.5.
21.7 DIAGRAMA DE DISPERSO

Grfico utilizado para duas variveis mensuradas de maneira simultnea X e Y,
como ocorre nos testes de Correlao e de Regresso.
21.7.1 EXEMPLO
Peso e comprimento de folhas de gramnea coletadas em Ipixuna, Estado do Par. Os
escores esto inseridos no grid geral (Figura 21.18).
Figura 21.18
Dados do
Exemplo
21.7.1.
- 267 -

21.7.2 INSTRUES
a) Clicar em Diagrama de Disperso;
b) Selecionar as colunas do grid e pressionar o mouse em Executar.
Figura 21.19
Diagrama de
Disperso do
Exemplo
21.7.1.
A figura abaixo
ilustra o resultado
do teste de
Correlao Linear
do Exemplo 21.7.1.
Ao lado do grfico de disperso esto os resultados do teste de Correlao Linear,

mostrando o coeficiente r muito significativo, com p-valor = 0.0006. Quando este
grfico expressa os escores da regresso linear, a reta representativa da equao dos
mnimos quadrados pode ser ativada, conforme explicitado no item 21.16.
21.8 DIAGRAMA IC (95% e 99%)
Este grfico aplicado quando em uma amostra h relao entre duas variveis: uma
categrica (nominal ou ordinal) e outra numrica (discreta ou contnua), sobretudo
quando a categrica , no mnimo, dicotmica (sexo masculino e feminino vs. idade,
doentes e no doentes vs. nveis de colesterol).
O diagrama descreve graficamente a estimao da mdia e o respectivo intervalo de
confiana (95% ou 99%) da varivel numrica de cada categoria. Permite, ainda,
comparar as mdias e intervalos de confiana das categorias com a mdia geral e seu
intervalo de confiana, o qual abrange todos os valores.
Trata-se de uma estimao de parmetros de cada categoria, com base na distribuio
Z (1.96 e 2.58) quando as amostras forem maiores que 30; e na distribuio t, se o
tamanho amostral for igual ou inferior a 30 unidades.
Para este diagrama, o BioEstat estabelece o limite de dez (10) categorias.
21.8.1. EXEMPLO 1
Foi efetuada avaliao da cardiotoxicidade do antimoniato de meglumina no
tratamento da leishmaniose tegumentar americana. Um grupo de quinze (15)
pacientes, escolhidos de maneira aleatria, recebeu a dose de 15 mg/kg/dia dessa
droga durante um perodo de 20 dias. Foram efetuados eletrocardiogramas
- 268 -

convencionais de cada paciente, antes e logo aps o tratamento, determinando-se o
Intervalo PR de cada traado. Critrios idnticos foram efetuados com outros quinze
(15) pacientes mudando-se apenas a dose do medicamento para 20 mg/kg/dia. O total
de eletrocardiogramas atingiu 60 unidades, com a seguinte distribuio:
a) 15 Eletrocardiogramas antes do tratamento com dosagem de 15/mg/kg/dia;
b) 15 Eletrocardiogramas aps o tratamento com dosagem de 15/mg/kg/dia;
c) 15 Eletrocardiogramas antes do tratamento com dosagem de 20/mg/kg/dia;
d) 15 Eletrocardiogramas aps o tratamento com dosagem de 20/mg/kg/dia;
Figura 21.20
Viso parcial
dos dados
do
Exemplo
24.8.1.
21.8.2 INSTRUES
a) Introduzir os dados da seguinte forma:
Primeira coluna: Contm as categorias. Neste exemplo os valores so de um (1)
a quatro (4), correspondentes s dosagens de 15 e 20 mg/kg/dia, antes e aps os
tratamentos.
Segunda coluna: Os valores da varivel numrica. Neste caso o valor do
Intervalo PR, em cada situao indicada na primeira coluna.
Terceira e quarta colunas: indicam o nmero e o nome das categorias.
b) Clicar em Grficos e, a seguir, em Diagrama IC 95% e selecionar as quatro (4)
colunas;
c) Pressionar em Executar para obter o diagrama abaixo.
Figura 21.21
Diagrama
IC 95%
do
Exemplo
21.8.1.
- 269 -

Verifica-se que as mdias dos Intervalos PR das amostras antes dos tratamentos foram
ligeiramente superiores mdia geral (150.0), ocorrendo o oposto aps a medicao.
Por sua vez, o IC (95%) da mdia geral foi o menor de todos os ICs, em decorrncia
do tamanho amostral (60), o qual reuniu todas as amostras.
21.8.3 EXEMPLO 2
Em indivduos infectados pelo H. pylori na mucosa gstrica, a avaliao das idades de
299 destes indivduos apresentou a seguinte distribuio: 103 assintomticos; 100
com gastrite; 65 com lcera gstrica ou duodenal e 31 com cncer do estmago.
Figura 21.22
Viso parcial
dos dados
do
Exemplo
21.8.3.
21.8.4 INSTRUES
a) Introduzir os dados da seguinte forma:
Primeira coluna: Contm as categorias. Neste exemplo os valores so de 1 a 4 e
correspondem s categorias:
1) assintomticos (controles);
2) com gastrite;
3) com lcera gstrica ou duodenal;
4) com cncer do estmago.
Obs.: No h necessidade de ordenao prvia desses valores, conforme se verifica
na Figura 21.23. O programa computacional efetua os respectivos ranks
numricos, sendo essa uma das vantagens deste aplicativo.
Segunda coluna: Varivel numrica. Esta coluna contm o valor das idades de
cada grupo: controles, gastrite, etc.
Terceira e quarta colunas: indicam o nmero e o nome das categorias.
b) Clicar em Grficos e, a seguir, em Diagrama IC 95% e selecionar as quatro (4)
colunas;
c) Pressionar em Executar para obter o diagrama abaixo.
- 270 -
Figura 21.23
Diagrama
IC 95%
do
Exemplo
24.8.3.
Percebe-se, nitidamente, o deslocamento da mdia e do IC dos acometidos de cncer

gstrico. Neste grupo a mdia etria foi igual a 54.35 anos e o limite inferior (49.09)
do respectivo IC foi maior que o limite superior do IC da mdia geral (45.83).
A mdia geral (43.57), por sua vez, foi menor que a mdia dos acometidos de gastrite
(44.19) ou de lcera gstrica ou duodenal (44.58), mas superou a dos indivduos
controles (39.09).
O Intervalo de Confiana (95%) da mdia geral, como seria o esperado, em face do
tamanho amostral (n = 299), foi o menor (41.31 a 45.83), ou seja, de 4.52 anos.
21.9 DIAGRAMA PONTUAL (DOT PLOT)

Este diagrama descreve graficamente duas ou mais amostras (at sete), permitindo a
visualizao pontual dos escores em sentido vertical e as respectivas comparaes.
21.9.1 EXEMPLO
O peso em gramas de sementes de duas variedades (A e B) da mesma espcie foram
coletados de modo aleatrio, e esses valores foram inseridos no grid do BioEstat,
conforme viso parcial contida na Figura 21.24.
Figura 21.24
Viso parcial
dos dados
do
Exemplo
21.9.1.
- 271 -

21.9.2 INSTRUES
a) Clicar em Grficos e, a seguir, em Diagrama Pontual;
b) Pressionar em Executar para Resultados.
Figura 21.25
Diagrama
Pontual
do
Exemplo
21.9.1.
Observa-se que o peso das sementes da Variedade A inferior ao da Variedade B.
21.10 HISTOGRAMA
O histograma uma representao grfica para dados contnuos sob a forma de
retngulos justapostos. A base de cada retngulo representa o intervalo de cada classe
e a altura, a respectiva freqncia.
O programa solicita que o usurio informe se os dados esto ou no agrupados em
classes e, tambm, o nmero desejado.
Para obter melhor representao grfica, deve-se evitar que o nmero de classes seja
muito pequeno ou muito grande, pois a representao do histograma, nesses casos,
no atender as finalidades esperadas.
21.10.1 EXEMPLO
Foi tomada a presso arterial diastlica (P.A.D.) de 45 pessoas do sexo feminino,
cujas idades variavam de 25 a 40 anos. Os dados esto inseridos no grid geral e
parcialmente reproduzidos na Figura 21.26.
- 272 -
Figura 21.26
Viso parcial
dos dados
do Exemplo
21.10.1.
Dados do Exemplo 21.10.1

Nmero de escores
Mnimo
Mximo
Mdia aritmtica
Desvio Padro
Mediana
= 45
= 63
= 93
= 77,067
= 8,0068
= 76
21.10.2 INSTRUES
a) Pressionar o mouse em Histograma;
b) Selecionar a coluna do grid geral e clicar em Executar;
c) Preencher o formulrio Especificao das Classes (Fig. 21.27):
i Tipo de Limites de Classes: inferior fechado e superior aberto ( | );
ii Mantenha o contedo da caixa de texto Nmero de Classe (6);
iii Ajuste os Limites Superior e Inferior, 96 e 60, respectivamente;
iv - O Limite Inferior no poder ser maior que o Limite Inferior da Amostra,
o qual corresponde ao menor valor amostral, 63 neste caso;
v O Limite Superior no poder ser menor que o Limite Superior da
Amostra, correspondente ao maior valor amostral, 93 neste exemplo;
d) Pressionar o boto Confirmar para obter o Histograma.
Figura 21.27
Histograma
do Exemplo
21.10.1.
- 273 -

Figura 21.28
O BioEstat
sugere o
nmero de
classes e
os limites
superior e
inferior do
histograma
do Exemplo
21.10.1.
O histograma pode ser associado ao polgono de freqncia, como observado na

Figura 21.29.
A figura abaixo
ilustra a configurao
para exibio
do polgono de
freqncia.
Figura 21.29
Histograma
com polgono
de freqncia
do Exemplo
21.10.1.
- 274 -

21.11 GRFICO DE LINHA (CURVA)
Utiliza-se este grfico sobretudo na representao de sries temporais, considerandose a disposio dos dados nos eixos das abscissas (X) e das ordenadas (Y).
Populaes dos pases A e B (em milhes de habitantes) determinadas a cada dez (10)
anos, de acordo com a recomendao das Naes Unidas, obtendo-se os dados que
esto inseridos no grid geral. Os escores da primeira coluna correspondem ao eixo das
abscissas (X) e os das demais colunas, ao eixo das ordenadas (Y).
Figura 21.30
Dados do
Exemplo
21.11.1.
21.11.2 INSTRUES
a) Clicar em Linha (Curva);
Figura 21.31
Grfico de
linha do
Exemplo
21.11.1.
- 275 -

21.12 GRFICO DE MXIMO E MNIMO
Permite comparar a amplitude e os valores mximo e mnimo de cada amostra.
21.12.1 EXEMPLO
A presso arterial sistlica e diastlica foi tomada de 25 pessoas do sexo feminino
e de dez (10) indivduos do sexo masculino, respectivamente. Os dados esto
inseridos no grid geral, com as indicaes da Legenda:
Figura 21.32
Dados
parciais do
Exemplo
21.12.1.
Legenda:
1: PMS-F presso mxima sistlica,
sexo feminino;
2: PMS-M presso mxima sistlica,
sexo masculino;
3: PMD-F presso mxima diastlica,
sexo feminino;
4: PMD-M presso mxima diastlica,
sexo masculino.
21.12.2 INSTRUES
a) Clicar em Mximo e Mnimo;
Figura 21.33
Grfico de
Mximo e
Mnimo do
Exemplo
21.12.1.
As amplitudes, tanto sistlicas como diastlicas, assinaladas na parte superior de cada

barra vertical, foram maiores nos indivduos do sexo masculino, o que demonstra
maior variao dessas variveis entre os homens. J o valor mximo da presso
sistlica foi maior entre as mulheres, enquanto o da diastlica, observou-se nas
pessoas do sexo masculino.
- 276 -

21.13 PIRMIDE POPULACIONAL
A maioria dos grficos estatsticos refere-se s amostras. Pode-se, contudo,
representar Populaes atravs de Pirmides, as quais podem representar grupos
etrios, propores sexuais, locais de residncias, estados civis e outras variveis.
21.13.1 EXEMPLO 1
grupos etrios e respectivos sexos.
Figura 21.34
Viso parcial
dos dados
do
Exemplo
21.13.1.
21.13.2 INSTRUES
Figura 21.35
Pirmide
populacional
do
Exemplo
21.13.1.
H ligeiro predomnio de indivduos do sexo masculino nos primeiros anos de vida e

do sexo feminino aps os 60 anos de vida.
- 277 -

21.13.3 EXEMPLO 2
Figura 21.36
parcial dos
dados do
Exemplo
24.13.3.
24.13.4 INSTRUES
Figura 21.37
Pirmide
populacional
do
Exemplo
24.13.3.
Enquanto no ano 2000 a proporo de residentes na rea rural era de 33.45%, no ano
de 1970 a populao dessa mesma rea chegava a 52.56%.
- 278 -

21.13.5 EXEMPLO 3
Figura 21.38
Viso parcial
dos dados
do
Exemplo
24.13.5.
24.13.6 INSTRUES
Figura 21.39
Pirmide
populacional
do
Exemplo
21.13.5.
H predominncia de moradores na rea urbana quando comparados com os da rea

rural, denotando uma migrao para as cidades em todo o Estado do Par.
- 279 -

21.13.7 EXEMPLO 4
A populao do Estado do Par foi tabulada em relao aos grupos etrios, sexos e
estado civil (solteiros e outros). Os dados so hipotticos, apenas para demonstrar a
possibilidade da introduo de trs (3) variveis.
Figura 21.40
Viso parcial
dos dados
do
Exemplo
21.13.7.
21.13.8 INSTRUES
Figura 21.41
Pirmide
populacional
do
Exemplo
21.13.7.
Esta pirmide representa trs variveis: faixa etria, sexo, estado civil (solteiros e no
solteiros).
- 280 -

21.14 GRFICO POLAR
recomendado para sries temporais de carter cclico, as quais representam
determinados perodos.
Foram registrados os limites das reas endmicas de malria e dengue durante doze
(12) meses. As distncias lineares registradas esto dimensionadas em quilmetros,
em relao sede do municpio. Os dados esto contidos na Fig. 21.42.
Figura 21.42
Dados do
Exemplo
21.14.1.
21.14.2 INSTRUES
b) Apontar o mouse em Grficos;
c) Clicar em Polar;
d) Selecionar as colunas do grid e pressionar o mouse em Executar.
Figura 21.43
Resultados
do Exemplo
21.14.1.
- 281 -

Apenas em um perodo (outubro) a ocorrncia de dengue ultrapassou os limites
geogrficos dos casos de malria. A sede do municpio est representada pelo centro
do grfico (cruzamento das linhas das ordenadas com as das abscissas).
21.15 GRFICO DE SETOR
Deve ser utilizado para dados nominais ou ordinais, quando o principal objetivo o
de comparar vrias parcelas com o total. Divide-se um crculo em setores, cada um
correspondendo, de forma proporcional, a uma das categorias da amostra.
Dados da vacinao efetuada em crianas de zero (0) a um (1) ano de idade, em um
Posto de Sade da cidade de Castanhal, Par, no primeiro trimestre de 1999.
Figura 21.44
Dados do
Exemplo
21.15.1.
21.15.2 INSTRUES
a) Clicar em Setor;
b) Na janela do grfico selecione Configuraes;
c) Na aba Outras, selecione entre Absolutos ou Percentuais;
e) Selecionar as colunas do grid e pressionar o mouse em Executar.
Figura 21.45
Grfico de
setor do
Exemplo
21.15.1.
Para destacar uma ou mais

'fatias' do grfico de setor,
pressione o menu
'Configuraes', selecione a
janela 'Fontes e Cores',
clique no boto ' Elementos
do grfico', selecione o
nmero do(s) elemento(s)
desejado(s) e marque a
caixa 'Destacar'
facilmente visualizado que a vacina Sabin e o BCG representaram as maiores

propores de vacinaes efetuadas no perodo indicado. A fatia destacada
corresponde vacina trplice, escolhida de forma aleatria.
- 282 -

21.16 MANIPULAO DE GRFICOS
Os grficos gerados pelo BioEstat podem ser alterados pelo usurio, impressos ou
copiados para o clipboard (memria auxiliar do Microsoft Windows).
21.16.1 IMPRIMIR GRFICOS
Aps a exibio do grfico, acione o menu Arquivo, Imprimir e escolha o tipo de
impresso desejada.
Figura 21.46
Menu de
impresso
de grficos.
21.16.2 COPIAR E COLAR GRFICOS

Aps a exibio do grfico, acione o menu Editar, selecione a opo Copiar, para que
a imagem do grfico fique armazenada na memria, podendo, dessa forma, ser
colada (aplicada, visualizada) em outros programas como o Microsoft Excel, Word ou
PowerPoint, atravs do uso das teclas CTRL-V ou no acionamento do menu Editar,
Colar daqueles aplicativos.
21.16.3 CONFIGURAR APARNCIA DE GRFICOS
As caractersticas do grfico podem ser alteradas pelo acionamento do menu
Configuraes. O formulrio de Configuraes contm quatro (4) grupos de
caractersticas que podem ser manipuladas:
a) Ttulos;
b) Fontes e Cores;
c) Linhas Auxiliares;
d) Outras.
21.16.3.1 - CONFIGURAR TTULOS
a) Clique na aba Ttulos para visualizar a Figura 21.47.
b) Preencha as caixas de texto com os ttulos desejados;
c) Clique em Atualizar.
Figura 21.47
Configurao
de ttulos da
Figura 21.31.
- 283 -

21.16.3.2 - CONFIGURAR FONTES E CORES
Clique na aba Fontes e Cores para visualizar a Figura 21.48.
Figura 21.48
Configurao
de fontes e
cores.
Para configurar adequadamente o item Fontes e Cores, siga as instrues abaixo:

1. Escolha a abrangncia da configurao, entre as seguintes opes:
a) Ttulo;
b) Subttulos;
c) Fundo (Cor de fundo);
d) Legendas;
e) Elementos do Grfico;
f) Explodir.
2.
Ajuste o tamanho dos caracteres utilizando a escala grfica abaixo.
Figura 21.49
Tamanho dos
caracteres.
3.
Escolha a aparncia dos textos selecionados, entre as seguintes opes:

b)
Itlico
c)
Sublinhado
a)
Negrito
4.
5.
Escolha a cor desejada clicando na grade colorida exibida na Figura 21.48.

Para alterar a cor de elementos como barras, linhas, pontos, etc.:
a) Clique no boto Elementos do Grfico;
b) Selecione o nmero do elemento, na caixa de combinao;
c) Clique na cor desejada.
21.16.3.3 - CONFIGURAR LINHAS AUXILIARES

Com os dados do Exemplo 21.7.1 e respectivo grfico, clique em Linhas Auxiliares
para visualizar a Figura 21.50.
Figura 21.50
Configurao
de linhas
auxiliares.
- 284 -

Para configurar as linhas auxiliares:
a) Escolha a linha desejada: Mdia, Desvio padro, Mximo e Mnimo, Curva
ajustada, best Fit ou Grade;
b) Clique no boto Habilitar (localizado acima da grade de cores);
c) Clique na cor desejada
Figura 21.51
Linhas
auxiliares.
As linhas tracejadas, Figura 21.51, correspondem a 1 em torno da mdia de Y. A

linha contnua horizontal representa a mdia aritmtica da mesma varivel e a linha
contnua inclinada corresponde reta de regresso ( Y = a + bX ).
21.16.3.4 OUTRAS (Dados, Dimenses, Eixos e Orientao)
De acordo com o modelo selecionado do grfico, os dados podero ser apresentados
sob a forma percentual ou em termos absolutos, as figuras (setor) representadas em
duas ou trs dimenses, a intercesso entre os eixos cartesianos na origem (0,0) ou
em um ponto varivel determinado pelo BioEstat, e a orientao das colunas em
barras verticais ou horizontais.
Para essas finalidades deve-se selecionar em Configuraes a opo Outras,
escolhendo uma das opes conforme o tipo de grfico em questo, ou seja, Dados,
Dimenses, Eixos ou Orientao.
21.17 TABELAS DE FREQNCIA
As tabelas de freqncia constituem um modelo de representao tabular utilizado
nas descries de dados quantitativos discretos ou contnuos. Embora sua construo
manual seja relativamente simples, o BioEstat apresenta esse modelo, com os
intervalos de classes, os pontos mdios e as freqncias absoluta e percentual de cada
classe, podendo, ainda, o usurio colocar o ttulo, conforme o caso.
O nmero de classes fica a critrio do usurio, mas o programa, considerando a
amplitude total e o nmero de escores, sugere um nmero adequado, de acordo com a
frmula de Sturges.
- 285 -

Foi determinada a quantidade de consumo de oxignio, aps exerccio controlado, em
44 estudantes de uma Escola Superior de Educao Fsica, Par., em maro de 1998.
Os dados esto inseridos no grid geral, Figura 21.52.
Figura 21.52
Viso parcial
do Exemplo
21.17.1
21.17.2 INSTRUES
a) Pressionar o mouse em Tabelas de Freqncia;
b) Selecionar a coluna do grid geral e clicar em Executar;
c) Preencher o formulrio Especificao das Classes (Fig. 21.53):
i Tipo de Limites de Classes: inferior fechado e superior fechado ( || );
ii Aumente o contedo da caixa de texto Nmero de Classes para 7;
iii Ajuste os Limites Superior e Inferior, 73 e 32, respectivamente;
iv - O Limite Inferior no poder ser maior que o Limite Inferior da Amostra,
o qual corresponde ao menor valor amostral, 33 neste caso;
v O Limite Superior no poder ser menor que o Limite Superior da
Amostra, correspondente ao maior valor amostral, 70 neste exemplo;
d) Pressionar o boto Confirmar para obter Tabela de Freqncia.
Figura 21.53
Formulrio
Especificao
das Classes.
- 286 -
Figura 21.54
Tabela de
Freqncia
do Exemplo
21.17.1.
Se desejar a imagem desses dados, pressione o mouse em Histograma na barra

superior da Fig. 21.54.
A figura 21.53 apresenta trs opes de tipos de limites dos intervalos de classes:
a) | intervalos fechados esquerda e abertos direita, devendo-se, neste caso,
aumentar o limite superior ajustado;
b) || intervalos fechados direita e esquerda;
c) | intervalos fechados direita e abertos esquerda, devendo-se, neste caso,
diminuir o limite inferior ajustado.
21.18 GRFICOS DE RESULTADOS
Alm dos grficos contidos neste captulo, o BioEstat 5.0 disponibiliza outros diagramas
adequados interpretao de resultados especficos, os quais s podem ser obtidos
atravs da opo Grfico que est localizada na parte superior do grid de resultados do
teste em questo.
21.19 CONFIGURAES AVANADAS

Alm das opes de configuraes de grficos disponveis no menu Configurar, o
BioEstat permite o acesso interface de Configuraes Avanadas. O acesso a este
recurso est disponvel quando uma janela de grfico est sendo exibida pelo BioEstat.
Para visualizar essa interface pressione o boto direito do mouse sobre o diagrama
exibido.
- 287 -
- 288 -
CAPTULO 22
FRMULAS ESTATSTICAS
22.1 INTRODUO
Neste captulo esto dispostas as frmulas dos testes estatsticos contidos no BioEstat.
22.2 ANLISE MULTIVARIADA
22.2.1 ANLISE DE CONGLOMERADOS
a) Distncias: ver 22.2.5, 22.2.6 e 22.2.7
b) Distncia Chebischev:
d ij = max X iv X jv ;
c) Distncia de Bray-Curtis:
BC ij =
d) Ligao simples:
n ik n jk
(n
+ n jk )
ik
d (UV )W = min(dUW ,VW ) ;

d ik
e) Mdia do Grupo:
d (UV )W = i k
f) Ward (Varincia Mnima):
j =1
S ijv
v =1
g) Gower (Mediana): S ij =
p
Wijv
v =1
h) Centride:
)(
ESS = x j x ' x j x ;
d (i , j )k = min d ik ; jk .
- 289 -
CAPTULO 22 FRMULAS ESTATSTICAS

22.2.2 ANLISE DISCRIMINANTE
1
' x = x1 x2 ' S pooled
A combinao linear (Fisher) y = a
x
maximizada pela equao:
s 2y =
max =
(a' d )2
a' S pooled a
2
2
2
(y1 j y1 ) + (y 2 j y 2 ) +
n1
j =1
j =1
, sendo
n1 + n2 2
y1 j = a' x1 j e y 2 j = a' x 2 j
22.2.3 CORRELAO CANNICA
U r = a r1 X 1 + a r 2 X 2 + ... + a rp X p
Vr = br1Y1 + br 2Y2 + ... + brpY p
Corr (U ,V ) =
a' 12 b
a' 11 a b' 22 b
r
2j = {n 0.5( pq + 1)} log e (1 i )

i = j +1
Graus de liberdade =
( p 1)(q 1)
X1 X2 ... Xp
X1
X2
.
.
.
Xp
Y1
Y2
.
.
.
Yp
p x p matriz
A
q x p matriz
C
- 290 -
Y1 Y2 ... Yp
p x q matriz
C
q x q matriz
B

22.2.4 COMPONENTE PRINCIPAL
a) Matriz de covarincia:
c11 c12
c
21 c 22
C=

c p1 c p 2
c1 p
c 2 p
;
c pp
b) Autovalores:
1 + 2 + 3 + + p = c11 + c 22 + c33 + + c pp ;
c)
Ordenao dos autovalores:
1 2 3 p 0 ;
d) Autovetores:
a i1 , a i 2 , , a ip ;
e)
f)
i corresponde ao i simo componente principal:

Z i = ai1 X 1 + ai 2 X 2 + + aip X p ;
Varincia:
var (Z i ) = i .
22.2.5 DISTNCIA MULTIVARIADA (Euclidiana)

i, j = indivduos; p = nmero de variveis;
dij = xik x jk 2 .
k =1
22.2.6 DISTNCIA MULTIVARIADA (Penrose)

p = nmero de variveis;
Pij =
( ki kj )2 .
pVk
k =1
22.2.7 DISTNCIA MULTIVARIADA (Mahalanobis)

p
) (
Dij2 = ri rj v rs si sj
r =1 s =1
- 291 -
).

22.2.8 TESTE DE HOTELLING
a) Estimao conjunta da matriz de covarincia:
C=
{(n1 1) C1 + (n2 1) C2 } ;
n1 + n2 2
b) Teste de Hotelling:
T2 =
n1n2 ( x1 x2 )' C 1 ( x1 x2 )
;
n1 + n2
F = (n1 + n 2 p 1)T 2 /{(n1 + n2 2) p};

gl = (n1 + n2 p 1).
22.2.9 TESTE DE BARTLETT
n = nmero de observaes;
m = nmero de amostras;
|T| = matriz da soma dos quadrados e produtos;
|W| = matriz da soma dos quadrados dentre as amostras e dos produtos cruzados;
= n 1 ( p m ) ln[T / W ].
2
22.2.10 TESTE DE MANTEL

n = nmero de elementos da matriz;
M = elementos da primeira matriz;
E = elementos da segunda matriz;
Z = ME
r=
n Z ( M )(E )
n M 2 ( M )2 n E 2 ( E )2
gl = n - 2
22.3 ANLISE DE SOBREVIVNCIA
22.3.1 ANLISE ATUARIAL
S(t) = funo de risco, que indica a probabilidade de sobrevivncia no tempo t, para
cada t > 0;
h(t) = risco no tempo t, determinado pela equao:
S (t ) S (t + t )
.
h(t ) =
S (t )
t
- 292 -

22.3.2 KAPLAN-MEIER
k nj d j
;
S (t ) =
n j
j =1
intervalos de t(k) a t(k + 1), sendo k = 1, 2, 3, .r;
var ln S (t ) = var ln p j .
j =1
22.3.3 LOG-RANK TEST

k
O = ai ;
i =1
k
+ bi )(ai + ci )
;
Ni
i =1
k (a + b )(c + d )(a + c )(b + d )
i ;
V = i i i 2i i i i
i =1
N i ( N i 1)
E=
2
X LR
(ai
( O E 0.5)2 .
V
22.3.4 COX-MANTEL TEST

k
U = r2 mi Ai ;
i =1
k m (r m )
i
Ai (1
I= i i
ri 1
i =1
Ai ) ; Z = U I .
22.3.5 GEHAN (WILCOXON GENERALIZADO)

n1 n2
W = U ij ;
i =1 j =1
n1+ n2
Var (W ) =
n1n 2
i =1
U i2
(n1 + n2 )(n1 + n2 1)
- 293 -
Z = W Var (W ) .

22.3.6 COX: MODELO DE RISCO PROPORCIONAL
(a + b1 X 1 + b2 X 2 + ...+ bk X k )
S (t ) = e
e = base dos logaritmos naturais (2.71828);

a = constante; bk = coeficiente de regresso;
Xk = varivel;
h (t ) = ln S(t )
h(t )
(b1 X 1 + b2 X 2 + ...+ bk X k )
=e
h0 (t )
h(t )
ln
= (b1 X 1 + b2 X 2 + ... + bk X k )
h0 (t )
22.4 ANLISE DE VARINCIA
22.4.1 ANOVA (um critrio)
Xij = observaes individuais;
j = relativo s repeties (1, 2, 3jr);
i = tratamentos (1, 2, 3it);

rt = N de unidades experimentais;
X.. = total geral; X i. = X i. / r ;
Xi. = totais dos tratamentos;

SQ = soma dos quadrados:
X i. 2 X ..2
X ..2
2
; SQtratamentos =
;
SQtotal = X ij
rt
r
rt
SQerro = SQtotal SQtratamentos; gltratamentos = t 1; glerro = t(r 1);
QM = quadrados mdios (varincias):

QMtratamentos = SQtratamentos / gltratamentos; QMerro = SQerro / glerro;
QM tratamentos
Ftratamentos =
.
QM erro
22.4.2 ANOVA (dois critrios)
SQblo cos =
X .j
t
X ..2
; SQerro = SQtotal SQtratamentos SQblocos;
rt
glblocos = r 1; glerro = (t 1)(r 1);

QMblocos = SQblocos / glblocos; QMerro = SQerro / glerro;
Fblocos = QM blo cos .
QM erro
- 294 -

22.4.3 TESTE DE FRIEDMAN
N = nmero de linhas;
k = nmero de colunas;
Rj = soma dos postos da coluna j;
k
12
2
X r2 = Fr =
R j 3N (k + 1) .
Nk (k + 1) j =1
22.4.4 TESTE KRUSKAL-WALLIS

k = nmero de amostras ou grupos;
N = nmero total de escores;
nj = nmero de escores da amostra j;
Rj = somatrio dos postos da amostra j;
12
k
2
H =
n j R j 3( N + 1) .
N ( N + 1) j =1
22.4.5 TESTE Q DE COCHRAN

gl = k 1;
Gj = total de sucessos no posto j;
Li = total de sucessos na linha i;
2
k
k

2
(k 1) k G j G j
j =1
j =1
.
Q=
N
N
2
k Li Li
i =1
i =1
- 295 -

22.5 CORRELAO
22.5.1 CONTINGNCIA C
r
2 =
(Oij Eij )2 ;
Eij
i =1 j =1
C=
N + 2
N = soma de todas as categorias.

22.5.2 CONCORDNCIA DE KENDALL
2
Rj
R j
N
kW 1
; r
;
W=
S av =
k 1
1 2 3
k N N
12
k = nmero de conjuntos de postos;
N = nmero de indivduos.
22.5.3 CORRELAO DE KENDALL

N = nmero de postos;
=
z=
S
1
N ( N 1)
2

2(2 N + 5) ;
9 N ( N 1)
22.5.4 COEFICIENTE DE CORRELAO PARCIAL

N = nmero de trincas de variveis (X, Y, Z);
rxy. z =
rxy rxz ryz
1 rxz2
2
r yz
varivel z mantida constante;
gl = N 3.
- 296 -

22.5.5 COEFICIENTE DE CORRELAO LINEAR DE PEARSON
XY ( X )( Y ) / n
r=
X ( X ) / n Y ( Y ) / n
n = nmero de pares (X, Y);
gl = n 2;
r n2 .
t=
1 r 2
2
22.5.6 COEFICIENTE Phi
phi = r =
ad bc
(a + c )(b + d )(a + b )(c + d )
22.5.7 COEFICIENTE DE CORRELAO DE SPEARMAN

N = nmero de pares; D = diferena entre postos;
rs = 1
t = rs
6 Di2
N ( N 2 1)
N 2 .
1 rs 2
22.6 DISTRIBUIO DE PROBABILIDADES

22.6.1 DISTRIBUIO BINOMIAL
n = tamanho da amostra;
E(x) = = np = mdia;
V(x) = 2 = npq = varincia;
= npq = desvio padro;

n!
P( x ) =
p x q n x .
x! (n x)!
22.6.2 DISTRIBUIO DE POISSON
E(x) = = np = mdia;
V(x) = 2 = np = varincia;
xe ;
P( x ) =
x!
e = 2.71828 (constante, base dos logaritmos neperianos).
- 297 -

22.6.3 DISTRIBUIO HIPERGEOMTRICA
N = tamanho da populao;
k = nmero de elementos na populao considerados sucessos;
N k = nmero de elementos na populao considerados insucessos;
x = nmero de sucessos na amostra;
( N k )!
k!
x !(k x )! (n x ) !((N k ) (n x ))!

P(x ) =
N!
n !( N n ) !
k
= mdia;
N
V(x) = 2 = n k N k N n ;
N N N 1
k!
(N k )!
x ! (k x ) ! (n x ) ! (( N k ) (n x )) ! .
P( x ) =
N!
n !(N n )!
E(x) = = n
22.6.4 DISTRIBUIO EXPONENCIAL

= 1/ = mdia; = 1/ = desvio padro;
P( x 0) = e x
P( x 0) = e x , sendo > 0.
22.6.5 DISTRIBUIO NORMAL
=
2
X = mdia;
N
2
2
X ( X ) / N = varincia;
=
N
= 2 = desvio padro;
Y=
e(x )
2 / 2 2
= equao da curva normal;
Y = freqncia;
X = escore bruto;
- 298 -
e = 2.71828 (constante matemtica, base dos logaritmos neperianos);

= 3.1416 (constante matemtica);
X
= escores padronizados.
z=
22.6.6 CRIVO (Screening Test)

Tabela de contingncia 2 x 2:
Teste Doente No-doente
+
a
b
c
d
Total
a+c
b+d
Total
a+b
c+d
a+b+c+d
a
d
100 = sensibilidade;
100 = especificidade;
a+c
b+d
a
100 = valor preditivo do teste positivo;
a+b
d
100 = valor preditivo do teste negativo;
c+d
a+c
= prevalncia.
a+b+c+d
22.6.7 CURVA ROC (Receiver Operating Characteristic curve)
NA = Nmero de pacientes
NN = Nmero de sadios
Ponto de Corte = 1 especificidade, sensibilidade
rea =
0.5 * (Sensibilidadei + Sensibilidadei 1 ) * Especificidadei
i =1
)
)(
Q3 = rea (1 rea ) ; Q4 = (NA 1) (Q1 - rea )
Q5 = (NN 1) (Q2 - rea ) ;
Q1 = rea/(2 rea);
Q2 = 2 rea 2 / 1 + rea
Erro padro =
(Q3 + Q4 + Q5) / (NA NN )
d = (1 Sensibilidade )2 + (1 Especificidade )2
Eixo das ordenadas (Y) = Sensibilidade
Eixo das abscissas (X) = 1 Especificidade (Falso-positivos)
- 299 -

22.6.8 REGRA DE BAYES
Pr( Bi A) =
Pr( A Bi ) Pr( Bi )
k
Pr( A B j ) Pr( B j )
j =1
22.7 UMA AMOSTRA

22.7.1 KOLMOGOROV-SMIRNOV (aderncia)
k = nmero de postos;
N = tamanho da amostra;
Fo(X) = distribuio terica acumulada sob H0;
Sn(X) = distribuio amostral acumulada;
D = mximo |Fo(X) Sn(X)| = desvio mximo;
1.36
, para = 0.05;
1.63
, para = 0.01.
22.7.2 QUI-QUADRADO (aderncia)

O = freqncia observada; E = freqncia esperada;
k = nmero de categorias;
2 =
(O E )2 ;
(Yates ) =
( O E 0.5)2 ;
E
gl = k 1.
22.7.3 TESTE G (aderncia)
f i = freqncia observada; fi = freqncia esperada;

k = nmero de categorias;
k
f
G = 2 f i ln i ; gl = k 1.
f
i
22.7.4 TESTE BINOMAL: UMA PROPORO

p = proporo do evento amostral; p0 = proporo do evento na populao;
Quando p < p0 : p(valor ) = 2 ( p p 0 )
Quando p p 0 :
( p0 q 0 ) / N ];
p(valor ) = 2{1 [( p p 0 ) ( p 0 q 0 ) / N ] }.
- 300 -

22.7.5 TESTE t (Student)
= mdia da populao; n = tamanho da amostra;
Xi
; sx = s / n ;
n
X
; gl = n 1.
t=
sx
X=
22.7.6 TESTE Z
= mdia da populao;
Xi
; x = / n ;
X=
n
Z=
22.7.7 TESTE DE POISSON

x e0 k
0
p = 2 1
quando x < 0
k =0 k !
x e 0 0k
quando x 0.
p = 2
k = 0 k !
22.8 DUAS AMOSTRAS INDEPENDENTES

22.8.1 TESTE EXATO DE FISHER
A = escore da casela A; B = escore da casela B;
C = escore da casela C; D = escore da casela D;
N = A + B + C + D;
p=
( A + B)! (C + D)! ( A + C )! ( B + D)!

.
N! A! B! C! D!
22.8.2 TESTE DE KOLMOGOROV-SMIRNOV

k = nmero de postos; NA = tamanho da 1a amostra;
Distribuio das freqncias acumuladas:
SNA(X) = k/NA; SNB(X) = k/NB;
D = mximo |SNA(X) SNB(X)| = desvio mximo;
2 = 4D 2
NB = tamanho da 2a amostra;
NA NB
NA + NB
; D 1.36
, para = 0.05;
NA + NB
NA NB
- 301 -

NA + NB
, para = 0.01.
NA NB
D 1.63
22.8.3 TESTE DE MANN-WHITNEY

n1 = tamanho da primeira amostra; n2 = tamanho da segunda amostra;
R1 = soma dos postos da primeira amostra;
R2 = soma dos postos da segunda amostra;
n1 (n1 + 1)
n (n + 1)
R1 , ou U = n1n2 + 2 2
R2 ;
2
2
nn
(n1 )(n2 )(n1 + n2 + 1) = desvio padro;
U = 1 2 = mdia; U =
2
12
U U
; p(valor) = 2 [1 ( z )] .
z=
U = n1n2 +
22.8.4 TESTE DA MEDIANA

MC = mediana combinada;
A = nmero de escores da amostra 1 acima da MC;
B = nmero de escores da amostra 1 abaixo da MC;
C = nmero de escores da amostra 2 acima da MC;
D = nmero de escores da amostra 2 abaixo da MC;
2
N AD BC
2
;
X2 =
( A + B )(C + D )( A + C )(B + D )
gl = 1.
22.8.5 TAXA DE INCIDNCIA
E1 =
V1 =
(a1 + a 2 )t1
t1 + t 2
(a1 + a2 )t1t 2
(t1 + t 2 ) 2
a1 e a2 = nmero de eventos nos grupos 1 e 2;

t1 e t2 = nmero de pessoas nos tempos 1 e 2;
a E1 0.5
, quando
a1 > E1;
Z = 1
V1
Z=
a1 E1 + 0.5
V1
, quando a1 E1; Teste vlido quando V1 5.
- 302 -

22.8.6 ODDS RATIO (OR)
Sucesso
Insucesso
Amostra 1
a
b
Amostra 2
c
d
Total
na
nb
Total
n1
n2
N
p1 = a/n1; q1 = 1 p1;
p2 = c/n2; q1 = 1 p2;
( O E .5) ;
ad p1q 2 ; 2
X =
OR =
=
E
bc p 2 q1
2
C1 = ln(OR) 1.96 1 + 1 + 1 + 1 ;
a b c d
C2 = ln(OR) + 1.96 1 + 1 + 1 + 1 ;
a b c d
IC(95%): 2.71828C1 OR 2.71828C2;
IC vlido somente quando:
n1p1q1 5 e n2p2q2 5.
22.8.7 QUI-QUADRADO
r = nmero de linhas;
2
r k
(Oij Eij )2 ;
i =1 j =1
r k
Yates
E ij
( Oij Eij
i =1 j =1
0.5
)2 ;
Eij
gl = (r 1)(k 1);
Correo de Yates: somente quando gl = 1.
22.8.8 RISCO RELATIVO
Sucesso
Insucesso
Amostra 1
a
b
Amostra 2
c
d
Total
na
nb
- 303 -
Total
n1
n2
N
p1 = a/n1; q1 = 1 p1;
p2 = c/n2; q1 = 1 p2;
RR =
a / n1 p1
=
;
c / n 2 p2
X2 =
( O E .5)2 ;
E
C1 = ln(RR) 1.96
b
d ;
+
an1 cn2
C2 = ln(RR) + 1.96
b
d ;
+
an1 cn2
C2
RR 2.71828 ;
IC(95%): 2.71828C1
IC vlido somente quando:
n1 pq 5 e n 2 pq 5 .
22.8.9 TESTE BINOMIAL: DUAS PROPORES
p =
n1 p1 + n2 p 2
, q = 1 p ;
n1 + n2
p 1 p 2
Z=
p q (1 / n1 + 1 / n 2 )
p(valor) = 2[1 (Z )] , se Z 0;
p(valor) =
2 (Z ) , se Z < 0.
22.8.10 TESTE t DE STUDENT

n1 = tamanho da amostra 1; n2 = tamanho da amostra 2;
X 1 = X 1 / n1 ;
X 2 = X 2 / n2 ;
(n 1)s12 + (n 2 1)s 22
s dif = 1
n1 + n 2 2
1
1 ;
+
n
n
2
1
t = X 1 X 2 / s dif ;
gl = n1 + n2 2.
22.8.11 TESTE Z
n1 = tamanho da amostra 1;
X 1 = X 1 / n1 ;
X2
n2 = tamanho da amostra 2;
= X 2 / n2 ;
- 304 -
Z=
X1 X 2
;
x x
1
p-valor = 1 - (z) ! teste unilateral;

p-valor = 2 (1 - (z)) ! teste bilateral
22.8.12 COEFICIENTES DE VARIAO
;
CV1 CV2
Z=
V2
V p2
p
2
n 1 + n 1 0.5 + V p
1
2
p-valor = 2 (1 - (z)).
V p2 =
(n1 1)CV1 + (n2 1)CV2 ;

n1 + n2 2
22.8.13 TESTE DE POISSON
z=
2 X1 +
3
3
2X 2 +
4
4
22.9 DUAS AMOSTRAS RELACIONADAS

22.9.1 TESTE KAPPA
po = probabilidade de concordncia observada;
pe = probabilidade de concordncia esperada;
K=
po pe
;
1 pe
se(K ) =
Z=
pe + pe2 [ai bi (ai + bi )] ;
N (1 pe )2
i =1
1
K ;
se( K )
p (valor ) = 1 (Z ) .
22.9.2 CORRELAO INTRACLASSE
Coeficient e
I = 2A / 2A + 2
Estimao de ponto
[ (
)]
I = 2A / 2A + 2 ,0
- 305 -

Interpretao de acordo com J. L. Fleiss (1986):
I < 0.04 indica pouca reprodutibilidade;
0.04 I < 0.75 indica boa reprodutibilidade;
I 0.75 indica excelente reprodutibilidade.
22.9.3 TESTE DE McNemar
NA = total de pares discordantes tipo A;
ND = total de pares discordantes;
Para ND 20:
2
1
ND ;
X = N A D
2
2
4
p (valor ) = Pr 12 X 2 ;
2
Para ND < 20
n A n 1 nD
p = 2 D
se n A < nD / 2
k 2
k =0
nD n
p = 2 k D
k =nA
1

2
nD
se n A > nD / 2
p = 1 se n A = n D / 2
22.9.4 TESTE DOS SINAIS
H0: P(+) = P() =
1
;
2
H1: P(+) P();

P(k x n, p ) = n Ck p k q n k ;
x
Z=
2x 1 n
k =0
22.9.5 TESTE DE WILCOXON

T = soma dos postos do mesmo sinal;
T =
N ( N + 1)
;
4
- 306 -

N ( N + 1)(2 N + 1)
;
24
T T
;
Z (T ) =
T
p(valor) = 2 [1 (T )] .
T =
22.9.6 TESTE t DE STUDENT

D =D/ N ;
sD =
sD =
t=
(D D ) ;
N 1
sD
2
D ; gl = N 1.
sD
22.9.7 ANOVA (dados pareados)

a = 2 (colunas); b = nmero de itens;
Y A1 = mdia da coluna 1; Y A 2 = mdia da coluna 2;
YBi = mdias aritmticas de cada par de observaes;

1 a b
Y =
Y = mdia geral;
ab i =1 j =1
a
SSA = b (Y A Y )2 ; glA = 1; QMA = SSA/ glA;
i =1
SSB = a (YB Y )2 ; glB = b -1; QMB = SSB/ glB;

b
j =1
SSerro = (Y Y A YB + Y )2 ; glerro =1x(b 1); QMerro = SSerro/ glerro;

a
i =1 j =1
FA = QMA / QMerro ; FB = QMB / QMerro .
22.10 ESTATSTICA DESCRITIVA

22.10.1 AMPLITUDE TOTAL
At (valor mximo valor mnimo) = amplitude total.
- 307 -

22.10.2 MDIA ARITMTICA
n
X =
Xi
i =1
22.10.3 MEDIANA
a) quando o nmero de observaes for mpar:
Md = valor da posio n + 1 ;
2
b) quando o nmero de observaes for par:
n
n
Md = mdia dos valores das posies e + 1 .
2 2
22.10.4 VARINCIA
Xi X
s =
n 1
2
)2
ou s 2 =
2
X i ( X i ) / n .
n 1
22.10.5 DESVIO-PADRO
s = s2 .
22.10.6 ERRO-PADRO
sx =
s .
n
22.10.7 COEFICIENTE DE VARIAO (%)
CV =
s
100 .
X
22.10.8 MOMENTOS DE ORDEM r CENTRADOS NA MDIA

r = 2, 3 e 4
(
= (X
= (X
);
X) ;
X) .
m2 = X i X
m3
m4
- 308 -

22.10.9 COEFICIENTE DE ASSIMETRIA
g1 =
n m3
(n 1) (n 2) 3
g1 = 0: curva simtrica;
g1 > 0: curva assimtrica positiva;
g1 < 0: curva assimtrica negativa.
22.10.10 COEFICIENTE DE CURTOSE
g2 = [n (n + 1) m4 3 m2 m2 (n 1)] ;
(n 1) (n 2) (n 3) 4
g2 = 0: curva normocrtica;
g2 > 0: curva leptocrtica;
g2 < 0: curva platicrtica.
22.10.11 MDIA GEOMTRICA
GM =
X i , ou ln(G) =
i =1
ln( X i )
n
GM = antiln(G).
22.10.12 VARINCIA GEOMTRICA
ln( X i )
ln( X 1 ) V1 ;
V1 =
; V2 =
n 1
n
antiln(V2 )
Vargeomtrica =
.
ln(10)
22.10.13 DESVIO-PADRO GEOMTRICO
D1 = V2 ; Desvio-padrogeomtrico = antiln(D1).
22.11 ESTIMAO DE PARMETROS

22.11.1 ESTIMAO DA MDIA
a) De ponto:
X =
Xi ;
n
- 309 -

b) De intervalos:
s ;
n
sx =
IC(95%):
para varincia paramtrica desconhecida: X t .05 ( gl ) s x ;

para varincia paramtrica conhecida: X 1.96 x ;
IC(99%):
para varincia paramtrica desconhecida: X t.01 ( gl ) s x ;

para varincia paramtrica conhecida: X 2.58 x .
22.11.2 ESTIMAO DA PROPORO

k = nmero de eventos favorveis; n = tamanho da amostra;
a) De ponto:
p=k ;
n
b) De intervalos:
p (1 p )
;
n
p =
IC(95%):
p 1.96 p ;
IC(99%):
p 2.58 p .
22.11.3 ESTIMAO DA DIFERENA ENTRE DUAS MDIAS
a)
De ponto
E= X
Xj
Xi ;
;
XB =
nB
nA
A
XB ;
b) De intervalos:
12
s12 s22
22 ou s
=
+
+
( x1 x2 )
n1 n2
n1 n2
( x1 x2 ) =
IC(95%):
X A X B 1.96 ( x1 x2 ) ou
(X A X B ) t.05(gl ) s( x x )
- 310 -
IC(99%):
X A X B 2.58 ( x1 x2 ) ou X A X B t.01(gl ) s( x1 x2 )
22.11.4 ESTIMAO DA DIFERENA ENTRE DUAS PROPORES

a) De ponto:
p1 = proporo do evento na amostra 1;
p2 = proporo do evento na amostra 2;
E = (p1 p2);
b) De intervalos:
( p 1
p2
) =
p1q1
+
n1
IC(95%): ( p1 p2 ) 1.96 ( p1 p2 ) ;
IC(99%): ( p1 p2 ) 2.58 ( p1 p 2 ) .
22.11.5 DENSIDADE E TAMANHO DA POPULAO
A = nmero total de quadros da rea investigada;
n = nmero de quadros selecionados de modo randmico;
a = tamanho de cada quadro;
m=
mi
= mdia de indivduos por quadro;
n
m
a
= estimador da densidade;
;
V =
an
M = A = populao estimada ;
IC(95%): M 1.96 V M ;
()
IC(99%): M 2.58
( )
V (M ) .
- 311 -

22.11.6 FENTIPOS E GENTIPOS
Sistema ABO:
------------------------------------------------------------------------Fentipo
Gentipo Probabilidade Nmero observado
------------------------------------------------------------------------O
OO
r2
(O)
p(p+2r)
(A)
A
AA+AO
q(q+2r)
2pq
(B)
(AB)
-----------------------------------------------------------------------Funo logartmica de mxima verossimilhana:
L = (O) 2 ln r + (A){ln p + ln (p + 2 r)}+ (B){ln q + ln (q + 2r)}+ (AB)(ln p + ln q).
Substituindo:
x = p/r; y = q/r;
1 + x + y = 1/r;
Assim,
L = -2N ln(1 + x + y) + {(A) + (AB)}ln x + {(B) + (AB)}ln y + (A) ln (2 + x)+ (B)ln (2
+ y).
Estimao inicial:
B
AB
BB+BO
AB
[O ] ;
p ' = 1 [B ] + [O ] ;
q ' = 1 [ A] + [O ]
;
Total = 2 [ A] + [O ] [B ] + [O ] + [O ] ;
D 1 r p q = [ A] + [O ] + [B ] + [O ] [O ] 1.
r' =
Equaes de mxima verossimilhana:
2=
p' (2 p' ) ( p' + D )( p' + D + 2r ' )

+
=
p
p + 2r
) (
)(
q' 2 q'
q ' + D q ' + D + 2r '
+
q
q + 2r
);
sendo:
r = (r+ D) (1 + D);
p = p(1 + D);
q = q(1 + D);
--------------------------------------------Total = (1 + D) (r+ p+ q+ D)
Sistema MN:
(m) = 2 (MM) + (MN);
(n) = (MN) + 2(NN);
Total = 2G, sendo G = tamanho da amostra;
- 312 -

(MM), (MN) e (NN) correspondem aos gentipos;
Propores gnicas:
m = {2(MM) + (MN)}/2G;
n = {2(NN) + (MN)}/2G;
Nmero esperado de gentipos:
Gm2, 2Gmn e Gn2
Varincia = (mn)/2G
Desvio padro =
(mn ) / 2G .
22.11.7 FOURIER (densidade)

N = nmero total de indivduos ou grupos observados;
Xi = distncia perpendicular de cada indivduo ou grupo observado;
W = distncia perpendicular mxima;
L = distncia total inventariada (em metros);
M = nmero de termos para anlise (iterao);
k = 1, 2, 3, , M;
Z k = cos (k 3.14159 X i ) W ;
S k = Z k ; Ak = [2 ( N W )] S k ;
k =1
M +1
U = Ak ; H = (1/W) + U + A1;
k =2
D = N H (2 L ) = densidade ;
V = [1 ( N 1)] (1 W ) A2 + (2 W ) A 2 ;
1
) (
DA = ( N H ) (2 L ) ; DB = N N 2 + V H 2 ;
DD =
DA 2 DB : desvio padro;
D 1000000 = densidade indivduos ou grupos por km 2 ;
IC(95%): D 1.96 DD ; IC(99%): D 2.58 DD .

22.11.8 TAMANHO DA POPULAO (amostragem simples, mtodo direto)
t = nmero de animais capturados, marcados e devolvidos ao meio ambiente (1a captura);
n = nmero de animais capturados (2a captura);
s = nmero de animais marcados entre os indivduos da 2a captura;
p =
s
= proporo de animais marcados na 2a captura;
n
- 313 -

nt
t 2n (n s ) ;
= populao estimada; p =
N =
s
s3
IC (95%): N 1.96 p ;
IC (99%): N 2.58 p .
22.11.9 TAMANHO DA POPULAO

(amostragem simples, mtodo inverso)
t = nmero de animais capturados, marcados e devolvidos ao meio ambiente (1a captura);
s = nmero de animais marcados que devem ser capturados (2a captura);
n = nmero de animais capturados entre marcados e no-marcados (2a captura);
p =
s
= proporo de animais marcados (2a captura);
n
nt
t 2n (n s ) ;
N = = populao estimada; p =
s
s 2 (s + 1)
IC (95%): N 1.96 p ;
IC (99%): N 2.58 p .
22.11.10 TAMANHO DE POPULAO FECHADA (amostragem mltipla)

Mtodo de Schumacher e Eschmeyer
N = tamanho da populao (estimao);
s = nmero de amostras;
ni = tamanho de cada amostra;
mi = nmero de animais marcados em cada amostra;
Mi = nmero de animais marcados na populao exatamente antes da i-sima amostra ser
tomada;
s
2
ni M i
N = i = 2
s
mi M i
i =2
s
mi M i
2
s m
(s 2) ~ 2 = i i =s2
n
i
2
i =2
ni M i
i =2
- 314 -

Intervalo de Confiana:
IC =
s
2
ni M i
i=2
1/ 2
s
~2 s
2
mi M i t s 2 ( / 2) ni M i
i =2
i=2
22.11.11 TAMANHO DE POPULAO ABERTA (AMOSTRAGEM MLTIPLA)

Mtodo de Parker
N o = M o / o
IC =
M o / ( o t n 2 ( / 2) o )
22.12 META-ANLISE
22.12.1 DerSimonnian-Laird
k
w = w1 k ;
s w2 =
i =i
1 k 2
wi kw 2
k 1 i =1
s2
U = (k 1) w i ; 2 = 0 if Q k 1
kw
= (Q (k 1)) / U if Q > k 1
k
k
1
wi* =
;
T.RND = wi*Ti / wi*
2
i =1
i =1
(1 / wi ) +
var = (T.RND ) = 1 / wi*

i =1
T.RND z / 2 /
i =1
i =1
wi* T.RND + z / 2 / wi*
22.12.2 MANTEL-HAENSZEL
Tabelas de Contingncia 2 x 2:
Teste Exposto No-exposto
+
ai
bi
ci
di
Total ai + ci
bi + dI
Total
ai + bi
ci + di
ni
- 315 -
E=
i =1
V=
(ai + bi )(ai + ci ) ;
(ai
ni
+ bi )(ci + d i )(a i + ci )(bi + d i )
i =1
2
=
X MH
(OE
ni2
(n i
0. 5 )
1)
gl = 1.
22.12.3 P-VALOR (Fisher)

k
2 log( p i ) ;
i =1
Comparar o valor crtico da distribuio 2 com 2k graus de liberdade.
22.12.4 QUI-QUADRADO (aderncia) para k amostras

gla = k 1, para o qui-quadrado de cada amostra;
glt = gla , para o qui-quadrado total;
glho = k 1, para o qui-quadrado de homogeneidade;
glhe = glt glho , para o qui-quadrado de heterogeneidade.
22.12.5 QUI-QUADRADO (independncia): para k tabelas 2 x 2
Exposto
No-exposto
Total
Doente
No-doente
Total
n11
n21
n1
n12
n22
n2
n1
n2
n
s i = 1 / n11 + 1 / n12 + 1 / n 21 + 1 / n 22 ;
2
X A2
k
k
n11 (i ) n1 (i )n1 (i ) / n (i )
i =1
i =1
;
=
k n (i )n (i )n (i )n (i )
2
1
2
1
2
i =1
n (i ) (n (i ) 1)
- 316 -
X H2 =
a i2
s i2
A2 ; glA = 1; glH = k 1.
22.12.6 REGRESSO (w): para n amostras

x2 = X2 (X)2/n; y2 = Y2 (Y)2/n;
xy = XY (X)(Y)/n;
n
xy
bw =
i =1
n
;
2
i =1
n
SS1 = (Y Y ')2 , com gl1 = k(n 2);

i =1
SS 2 = y 2
( xy )2 ,
com gl2 = k(n 1) 1;

2
x
SS3 = SS2 SS1 , com gl3 = k 1;
Quando o tamanho das amostras so desiguais:

k
i =1
i =1
gl1 de SS1 = ni 2k ; gl2 de SS2 = ni k 1 ; F =

22.12.7 RISCO RELATIVO (w): para k tabelas 2 x 2
k b +d
i i a i
ni
i =1
RR MH =
;
n i = a i + bi + c i + d i
k a +c
i
i
bi

ni
i =1
22.12.8 VRIAS CORRELAES (rw combinado)
ni = tamanho da amostra i;
ri = coeficiente de correlao linear da amostra i;
zi =
1
[ln (1 + ri ) ln (1 ri )] ;
2
X2
(ni 3)z i
k
i =1
; gl = k 1.
= (ni 3)z i2
k
i =1
(ni 3)
i =1
- 317 -
SS 3 / gl 3
.
SS1 / gl1

22.12.9 VRIAS PROPORES (pw combinado)
ni = tamanho de cada amostra i; xi = nmero de eventos de cada amostra i;
k
p =
xi
i =1
k
ni
i =1
(xi
2
; q = 1 p ; =
i =1
ni p )
; gl = k 1 ;
ni p (1 p )
2
pi = 0.5 arcsen X /( n + 1) + arcsen ( X + 1) /( n + 1) ;
410.35
410.35 .
+
ni + 0.5 n j + 0.5
Desvio Padro =
22.13 NORMALIDADE
22.13.1 DAGOSTINO
n
D=
(i n + 1 / 2) x(i)
i =1
(x
i =1
x)
;
2
Valores crticos: tabelados.
22.13.2 DAGOSTINO-PEARSON
K2 = Z 2 + Z 2
g1
g2
gl = 2
22.13.3 KOLMOGOROV-SMIRNOV
= mdia da populao; = desvio padro paramtrico;
D
1.36
N
, para = 0.05;
1.63
N
, para = 0.01.
22.13.4 LILLIEFORS
Mdia e desvio padro amostrais;
- 318 -

0.886
, para = 0.05;
D
N
1.031
, para = 0.01.
D
N
22.13.5 SHAPIRO-WILK
V = cov (xi , xj);
m = (m1 + m2 , ..., mn)
1
m,V y
yi
y=
;
= , 1m ;
mV
n
R2 = m V 1 m; C 2 = m V 1 V 1 m;
n
S2 = ( y y )2 ; b = R 2 / C
1
W =
b2
C 2S 2
22.14 QUI-QUADRADO
22.14.1 AMOSTRAS INDEPENDENTES
r = nmero de linhas;
2
(Oij Eij )2 ;
r k
i =1 j =1
r k
2Yates =
Eij
( Oij Eij 0.5)2 ;

Eij
i =1 j =1
gl = (r 1)(k 1);
Correo de Yates: somente quando gl = 1.
22.14.2 RESDUOS L x C
Resduo Padronizado
OE
R pad =
E
Resduo Ajustado
R pad
R ajus =
TC
TL
1
1
TG
TG
TC = Total da Coluna
TL = Total da Linha
TG = Total Geral
Valor crtico : 1.96, para alfa = 0.05
Valor crtico : 2.576, para alfa = 0.01
- 319 -
22.14.3 PARTIO R x C
Parties:
R = linha; C = coluna;
Exemplo:
Tabela 3 x 4 = 3R x 4C
N11
N21
N31
n12
n22
n32
n13 n14
n23 n24
n33 n34
Modelo para a partio:
A
C
B
D
1a. partio 2R:2C

A = n11; B = n12;
C = n21; D = n22.
2a. partio 3R:2C

A = n11 + n21; B = n12 + n22;
C = n31;
D = n32.
3a. partio 2R:3C
A = n11 + n12; B = n13;
C = n21 + n22; D = n23.
4a. partio 3R:3C
A = n11 + n12 + n21 + n22;
C = n31 + n32;
B = n13 + n23;
D = n33.
5a. partio 2R:4C

A = n11 + n12 + n13; B = n14;
C = n21 + n22 + n23; D = n24.
6a. partio 3R:4C
A = n11 + n12 + n13 + n21 + n22
C = n31 + n32 + n33;
gl (para cada partio) = 1.
+ n23; B = n14 + n24;

D = n34.
- 320 -
22.14.4 TENDNCIA: TABELAS DE CONTINGNCIA 2 x k
k = nmero de grupos (colunas);

ni = nmero de unidades no grupo i;
x = nmero total de sucessos em
todos os grupos;
p = x / n = proporo geral de
xi = sucessos no grupo i;
p i = xi/ni = proporo de sucessos no
grupo i;
n = nmero total de unidades;
q = 1 p = proporo geral de
sucessos;
Si = escore da varivel do grupo i;
insucessos;
k
k
k
2
A = xi S i x S ; B = pq ni S i ni S i n ;
i =1
i =1
i =1
Quando A > 0, tendncia crescente;

Quando A < 0, tendncia decrescente;
X 12 = A 2 B ; gl = 1; Deve ser usado somente quando npq 5 .

22.15 REGRESSO
22.15.1 AJUSTAMENTO DE CURVAS
Equaes:
= a + bX : Linear;
Y = aebX (a > 0) : Exponencial;
Y
Y
= a + b ln(X) : Logartmica;
= aXb (a > 0) : Geomtrica;

Coeficientes:
b=
( XY ) ( X )( Y ) / n ;
2
2
X ( X ) / n
a = Y bX ;
a Y + b XY ( Y )2 / n ;
R2 =
2
2
Y ( Y ) / n
Variveis:
Linear:
Xi = Xi ; Yi = Yi ; a = a.
Exponencial:
Xi = Xi ; Yi = ln(Yi); a = ln(a).
- 321 -

Logartmica:
Xi = ln(Xi);
Geomtrica:
Xi = ln(Xi);
Yi = Yi ; a = a.
Yi = ln(Yi); a = ln(a).
Mdias:
X = X/n; Y = Y/n;
Exponencial: X = X/n; Gm(Y) = antiln [ln(Y)/n];
Logartmica: Gm(X) = antiln [ln(X)/n]; Y = Y/n;
Linear:
Geomtrica: Gm(X) = antiln [ln(X)/n]; Gm(Y) = antiln [ln(Y)/n].

22.15.2 REGRESSO LINEAR
X=
bY =
Xi
Yi
; Y=
;
n
n
XY ( X )( Y ) / n ;
2
2
X ( X ) / n
a = Y bY X ; Y = a + bYX ;
x2 = X2 (X)2/n; y2 = Y2 (Y)2/n;
xy = XY (X)(Y)/n;
2
2
xy
; r = (r) ;
r=
2
2
x y
t=
r n 2 ; gl = n 2.
1 r2
22.15.3 REGRESSO MLTIPLA
Modelo de Regresso Mltipla:

k
y = + j x j + , sendo k o nmero de variveis independentes.

j =1
Os parmetros , 1, 2, , k so estimadas pelos coeficientes a, b1, b2, , bk,

pelo mtodo dos mnimos quadrados. Matrizes:
- 322 -

1 X 11 X 12 X 1m
1 X
X 22 X 2 m ;
21
X=

1 X n1 X n 2 X nm
n
x1
x2
x
2
x1
x1 x 2
1
2
X X = x 2 x 2 x1
x2

x m x m x1 x m x 2
b0
Y1
b
Y
1 ;
2 ;
b =
Y =
n 1 p 1

Yn
b p 1
xm
x1 x m
x2 xm ;
x m
1
b = (X' X ) (X' Y ) ;
p 1
p p
p 1
a = Y b1 X 1 b2 X 2 b p 1 X p 1 ; y i = a + b j xij ;
j =1
Teste F:
H0: b1 = b2 = b3 = = bp-1 = 0;
H1: bi 0;
i =1
i =1
SQtotal = ( yi y )2 ; SQerro = ( yi y )2 ;
SQregresso = SQtotal SQerro ;

gl regresso = k ; glerro = (n k 1) ;
QM regresso =
Fregresso =
SQregresso
gl regresso
QM regresso
QM erro
; QM erro =
SQerro
;
gl erro
F(gl) = k, n k 1.
22.15.4 REGRESSO LOGSTICA

logit ( p ) = ln[ p / (1 p )] ;
logit (p ) = 0 + 1x1 + 2x2 + ... + kxk
p=
1
;
x
1 1 + ... + k x k )
1+ e
logit (pA) = + 1x1 + ... + j-1 xj-1 + j(1) + j+1 xj+1 + ... + kxk
logit (pB) = + 1x1 + ... + j-1 xj-1 + j(0) + j+1 xj+1 + ... + kxk
- 323 -

p A / (1 p A )
;
p B / (1 p B )
j = ln
OR = e j ;
z=
j
SE ( j )
p-valor = 2 [1 - (z)], quando z 0;

p-valor = 2 (z),
quando z < 0.
22.15.5 POLINOMIAL
Y = b0 + b1X + b2X2 + ... + b p X p , sendo p o nmero de termos da regresso.
Anlise de varincia:
Modelos de Regresso
i) Linear:
Y = a + b1X;
Estatstica F =
R12
( 1 R ) / (N 2 )
2
1
GL regresso = 1
GL erro
=N-2
ii) Quadrtica:
Y = a + b1X + b2X2;
Estatstica F =
R22 / 2
(1 R )/(N 3) ;
2
2
GL regresso = 2
GL erro
=N3
iii) Cbica:
Y = a + b1X + b2X2 + b3X3;
R2 / 3
3
;
Estatstica F =
1 R 2 / ( N 4)
3
GL regresso = 3
GL erro
=N4
iv) Qurtica:
Y = a + b1X + b2X2 + b3X3 + b4X4;
- 324 -

R2 / 4
4
;
Estatstica F =
1 R 2 / ( N 5)
4
GL regresso = 4
GL erro
= N-5
22.16 TAMANHO DAS AMOSTRAS

22.16.1 TESTE t : UMA AMOSTRA
a) Teste unilateral:
n=
2 (z1 + z1 )2
( 0 1 )
b) Teste bilateral:
n=
2 (z1 / 2 + z1 )2
( 0 1 )
22.16.2 TESTE t : DUAS AMOSTRAS PAREADAS

n=
s d2 z1 + z1
(D)2
)2 ;
b) Teste bilateral:
n=
s d2 z1 / 2 + z1
(D)2
)2 .
22.16.3 TESTE t : DUAS AMOSTRAS INDEPENDENTES

n=
( 12 + 22 )(z1 + z1 )2 , para cada amostra;

( 2 1 )2
b) Teste bilateral:
n=
( 12 + 22 )(z1 / 2 + z1 )2 , para cada amostra.

( 2 1 )2
- 325 -

22.16.4 TESTE DE McNEMAR
(z1 / 2 + 2 z1
n=
p Aq A
4( p A 0.5)2 p D
)2 = nmero de pares;
2n = nmero de indivduos;
pA = pares discordantes tipo A;
pD = total de todos os pares discordantes.
22.16.5 PROPORO BINOMIAL: UMA AMOSTRA
2
p1q1
p o q o z1 + z1
p o q o
;
n=
( p1 po )2
b) Teste bilateral:
p1q1
po qo z1 / 2 + z1
po qo
n=
( p1 po )2
22.16.6 PROPORO BINOMIAL: DUAS AMOSTRAS

1
n1 = pq 1 + z1 +
k
p q
p1q1 + 2 2 z1
k
( p2 p1 )2 ;
b) Teste bilateral:
2
p q
1
n1 = pq 1 + z1 / 2 + p1q1 + 2 2 z1 ( p 2 p1 )2 .
k
k
n2 = n1k;
k = 0.5, 1, 2, etc. = vezes que a segunda amostra deve ser em relao primeira.
- 326 -

22.16.7 CORRELAO LINEAR
zr = 0.5 ln 1 + r ;
1 r
z1 / 2 + z1
n=
+ 4.
zr
22.17 TRANSFORMAO DE DADOS

22.17.1 BOX-COX
Y = (Y - 1)/
(para 0);
Y = lnY
(para = 0);
= 1 ! transformao linear;
= ! transformao em raiz quadrada;
= 0 ! transformao logartmica;
= -1 ! transformao recproca;
um valor maximizado por procedimento iterativo pela equao:
v
v
L = ln sT2 + ( 1) ln Y ;
2
n
v = graus de liberdade;
sT2 = varincia do valor de Y transformado;
n = tamanho da amostra.
22.18 DISTRIBUIO CIRCULAR
22.18.1 ESTATSTICA DESCRITIVA
Y=
sen ai
;
n
X =
cos ai
n
r = X 2 +Y2
cos a =
X
;
r
sen a =
Y
r
ngulo Mdio: arcos ou arcsen de a
s 2 = 2(1 r )
- 327 -
s=
180
2(1 r )
R = nr
2n 2 R 2 0nX 2 ,1
d = ar cos =
4n X ,1
R
Intervalo de Confiana (95%) =
a d
22.18.2 TESTES DE HIPTESES
Teste de Rayleigh:
R2 = nr;
R2 ;
z=
n
p-valor = Tabelado em funo de n
P = exp 1 + 4n + 4 n 2 R 2 (1 + 2n )
Teste V de Rayleigh:
V = R cos(a o )
u=
2
n
Teste de Watson-Williams para duas (2) Amostras Independentes:
F=K
(N 2)(R1 + R2 R ) , onde R = n
N R1 R2
- 328 -
+ n2

Teste de Watson-Williams para trs (3) Amostras Independentes:
k ) R j R
j =1
F = K
(k 1 ) N R j
j =1
(N
Teste para 2 Amostras Pareadas (paramtrico):

Xj = cos a2j cos a1j;
xy = X j Y j
F=
Yj = sen a2j sen a1j
X j Yl
k
k (k 2 ) X 2 y 2 2 XY xy + Y 2 x 2
2
2
2
x y ( xy )2
Teste para Correlao:
n 1 n
sen ai a j sen bi b j
i =1 j = i +1
raa =
) (
n 1 n
n 1 n
2
2
sen ai a j sen bi b j
i =1 j = i +1
i =1 j = i +1
- 329 -
- 330 -
CAPTULO 23
ESCOLHA DO TESTE ESTATSTICO SUGESTES
23.1 INTRODUO
A escolha do teste adequado aos dados obtidos em uma investigao um passo que
deve ser decidido no planejamento de uma pesquisa. A experincia acumulada em
trabalhos anteriores, a indicao do orientador, quando o caso, e o conhecimento
pleno da Estatstica propiciam elementos capazes de se efetuar a escolha do teste mais
ajustado ao estudo em questo.
As sugestes oferecidas pelo BioEstat no esgotam todas as possibilidades na escolha
de um teste estatstico, destinando-se, sobretudo, aos iniciantes em investigaes
cientficas, mas deve ser precedida do planejamento da pesquisa, com formulao da
hiptese a ser testada, da cuidadosa definio do universo de onde a(s) amostra(s)
ser(o) coletada(s), do estabelecimento do nvel de significncia do teste (erro ), do
levantamento ou do experimento a ser efetuado, ou seja, de todas as etapas que
possibilitem, ao final, comprovar ou refutar a hiptese formulada, prevendo-se, nessa
fase, o teste estatstico que atenda ao objetivo do trabalho proposto.
Os fluxogramas apresentados em seguimento so auto-explicativos, obedecendo os
seguintes passos:
a) Nmero de amostras:
Uma amostra;
Duas amostras independentes;
Duas amostras relacionadas;
k amostras independentes;
k amostras relacionadas.
b) Nmero de variveis:
Uma varivel;
Duas variveis;
k variveis.
c) Tipo de dados:
Dados categricos;
Dados ordenativos;
Dados numricos.
Os dados categricos e ordenativos so aqueles mensurados em escala nominal e
ordinal, respectivamente, e esto geralmente relacionados a testes de distribuio
livre, abrangendo os chamados testes no-paramtricos ou estatsticas firmes, de largo
emprego nas reas de biologia e de medicina. Os dados numricos, mensurados em
escala intervalar ou de razes, dizem respeito a modelos de distribuio bem
definidos, como os referentes distribuio normal.
- 331 -
CAPTULO 23 ESCOLHA DO TESTE ESTATSTICO

23.2 NMERO DE AMOSTRAS
23.3a UMA AMOSTRA: UMA VARIVEL
- 332 -

23.3b UMA AMOSTRA: DUAS VARIVEIS
23.3c UMA AMOSTRA: k VARIVEIS
- 333 -

23.4a DUAS AMOSTRAS INDEPENDENTES: UMA VARIVEL (dados categricos)
23.4b DUAS AMOSTRAS INDEPENDENTES: UMA VARIVEL (dados ordenativos)
- 334 -

23.4c DUAS AMOSTRAS INDEPENDENTES: UMA VARIVEL e k VARIVEIS
(dados numricos)
23.5 DUAS AMOSTRAS RELACIONADAS: UMA VARIVEL
- 335 -

23.6a k AMOSTRAS INDEPENDENTES: UMA VARIVEL (dados categricos,
ordenativos e numricos)
23.6b k AMOSTRAS INDEPENDENTES: k VARIVEIS
- 336 -

23.7 k AMOSTRAS RELACIONADAS
- 337 -
- 338 -
GLOSSRIO
AAR: Aumento Absoluto do Risco (p1-p2).
ARR: Aumento do Risco Relativo (1-RR).
Ajustamento de curvas: teste de regresso destinado a verificar o modelo de dependncia
entre duas variveis: linear, exponencial, logartmica ou geomtrica.
Amostra: parte da populao.
Amostra aleatria, casual, randmica: amostra escolhida sem a interferncia do
pesquisador, obtida por sorteio, pelos nmeros aleatrios ou por procedimento computadorizado
(pseudo-randmico), constituindo, do ponto de vista matemtico, amostra probabilstica.
Amostra estratificada: amostra retirada de camadas da populao denominadas estratos
no-superpostos, caracterizando-se, de um lado, pela maior homogeneidade da varivel investigada
dentre cada estrato e, de outro, pela maior heterogeneidade entre as camadas, como, por exemplo,
nvel socioeconmico de populao urbana: baixo, mdio e elevado. De cada camada retiram-se
amostras aleatrias de tamanho proporcional a cada estrato.
Amostra por conglomerados: amostra probabilstica cujas unidades simples so obtidas
de modo randmico de unidades coletivas, pressupondo-se que estas ltimas apresentem
homogeneidade entre si. Colmias, cardumes, blocos residenciais, so exemplos de unidades
coletivas de onde so retiradas amostras randmicas.
Amostra sistemtica: amostra probabilstica cuja primeira unidade obtida ao acaso e as
demais, a partir da primeira, escolhidas a cada k intervalo sistemtico, definido pela razo entre o
tamanho da populao e o tamanho da amostra.
Amostras no-probabilsticas: amostras escolhidas por critrios pessoais, seja por
convenincia, por julgamento ou por quotas.
Amostras independentes: dois ou mais subconjuntos randmicos da populao retirados
de modo independente e de tamanhos iguais ou desiguais.
Amostras pareadas: subconjuntos randmicos da populao em que a varivel estudada
mensurada antes e depois de um certo procedimento. Exemplo: medio do pulso radial antes e aps
esforo fsico controlado. As amostras so necessariamente do mesmo tamanho.
Amostragem: procedimento de estudo de uma parte do universo. Sinnimo: Sondagem.
Amplitude total: diferena entre o maior e o menor escores de uma amostra ou universo.
Anlise de conglomerados (Cluster analysis): mtodo eficiente para a classificao
biolgica de vrios organismos em grupos relativamente semelhantes e, uma vez agrupados, as
caractersticas de cada grupo podem ser analisadas para se verificar se pertencem ou no mesma
espcie. A demonstrao grfica dos conglomerados efetuada, sobretudo, atravs de dendograma.
Anlise de sobrevivncia: anlise estatstica do tempo de ocorrncia de determinado
evento, o qual, na rea mdica, pode ser o bito, a recidiva de uma doena, a resposta teraputica a
uma droga, etc. As instituies securitrias utilizam esse modelo de anlise. O BioEstat apresenta os
seguintes programas de anlise de sobrevivncia: Atuarial, e Cox (Risco Proporcional), Cox-Mantel,
Gehan (Wilcoxon generalizado), Kaplan-Meier e Log-Rank test.
Anlise de resduos: auxiliar na interpretao das caselas em tabelas de contingncia l x c.
- 339 -
GLOSSRIO
Anlise discriminante: separao de dois ou mais grupos de indivduos em funo das

medidas de suas variveis por eles apresentadas.
Anlise multivariada: compreende testes estatsticos nos quais so consideradas de
maneira simultnea n variveis de k amostras, destacando-se nesta verso do BioEstat os programas:
Componente Principal, Distncia Multivariada (Euclidiana, Penrose e Mahalanobis), teste de
Hotelling, teste de Bartlett, Regresso Linear Mltipla e Regresso Logstica Mltipla.
ANOVA: teste estatstico cujo modelo de distribuio de probabilidades o da varincia
para k amostras ou tratamentos independentes. As amostras podem ser do mesmo tamanho ou
desiguais, no caso de k tratamentos (um critrio), e devem ser iguais quando for o caso de k
tratamentos e r blocos (dois critrios). Este teste tambm conhecido como teste F, em homenagem
a R. A. Fisher, e destina-se a comparar diferenas entre mdias atravs das varincias, cujos escores
amostrais devem ser mensurados a nvel intervalar ou de razes.
Bioestatstica ou Biometria: estatstica aplicada s cincias biolgicas e da sade.
Bonferroni: procedimento de comparao entre mdias de vrios tratamentos, no sentido
de verificar a significncia estatstica das diferenas entre essas medidas de tendncia central,
determinando-se, a priori, o nvel alfa de deciso. A comparao efetuada aps a anlise da
varincia e somente se o valor de F for significativo.
Bootstrap: procedimento que consiste em retirar de uma pequena amostra numerosas
amostras, com reposio, cada uma com probabilidade 1/n de ser obtida, sendo tambm conhecido
como tcnica de reamostragem ou de simulao.
Caixa de texto: espao destinado entrada de uma determinada informao, requerida para
o teste.
Clicar: ato de pressionar um dos botes do mouse (em geral o da esquerda).
Coeficiente de assimetria: medida de forma de distribuio dos escores de variveis
aleatrias contnuas, podendo ser simtrica, assimtrica positiva (curva cuja cauda est desviada
para a direita) e assimtrica negativa (curva cuja cauda est desviada para a esquerda).
Coeficiente de curtose: medida de forma de distribuio de variveis aleatrias contnuas,
podendo ser mesocrtica (em forma de sino), leptocrtica (afilada) ou platicrtica (achatada).
Coeficiente de determinao (R2): o quadrado do coeficiente de correlao (r),
representando a quantidade da variao de uma varivel dependente explicada pela varivel
preditiva.
Coeficiente de regresso: uma constante que determina o grau de inclinao da reta de
regresso, simbolizado pela letra b. Na regresso mltipla h tantos coeficientes de regresso quanto
o nmero de variveis independentes testadas.
Coeficiente de variao: razo entre o desvio padro e a mdia aritmtica, vezes 100 (%).
Coeficiente Phi ( r ): coeficiente de correlao entre duas variveis qualitativas e
dicotmicas, dispostas em tabela de contingncia 2 x 2.
Concordncia de Kendall (W): teste de associao entre k variveis dispostas em vrios
conjuntos de postos e mensuradas a nvel ordinal.
Contingncia C: teste de associao entre conjuntos de variveis mensuradas a nvel
nominal, dispostas em tabelas de contingncia l (linhas) x c (colunas), isto , com quaisquer
nmeros de categorias.
Coorte: grupos bem definidos de uma populao, possuindo alguma caracterstica em
comum e cujos indivduos permanecem no conjunto durante determinado tempo, registrando-se e
avaliando-se as ocorrncias havidas entre os elementos no perodo considerado.
- 340 -
GLOSSRIO
Correlao Cannica: anlise multivariada que permite investigar o relacionamento entre
duas sries de variveis: um grupo de variveis X e outro do grupo Y.
Correo de Williams: correo do teste G para obter melhor aproximao com o teste do
Qui-Quadrado.
Correo de Yates: correo de continuidade do teste do Qui-Quadrado, onde se subtrai
0.5 do numerador de cada termo, desde que o grau de liberdade seja igual unidade (1).
Correlao de Kendall: teste de associao entre duas variveis mensuradas a nvel ordinal
(postos), calculando-se a correlao pelo coeficiente de Kendall .
Correlao de Spearman: teste de associao entre duas variveis mensuradas a nvel
ordinal (postos), calculando-se a correlao pelo coeficiente de Spearman rs.
Correlao intraclasse: a Correlao intraclasse um aplicativo para testar replicabilidade
amostral para dados contnuos, no sendo tratadas as variveis como X e Y e sim como Replicao
1 e Replicao 2. , portanto, medida de replicabilidade amostral.
Correlao linear (Pearson): teste de associao linear entre duas variveis mensuradas a
nvel intervalar ou de razes, medindo-se o grau e a direo pelo Coeficiente de correlao linear r.
Correlao Parcial: teste de associao de duas variveis quantitativas X e Y as quais
so testadas juntamente com uma outra varivel Z , a fim de se verificar se a correlao existente
entre as primeiras alterada pela presena da terceira varivel introduzida.
Correlao: teste de associao entre variveis, medindo-se a magnitude e o sentido ou
somente o grau dessa correlao, conforme o teste empregado. No h qualquer dependncia
funcional de uma varivel em relao outra.
Curva ROC (Receiver Operanting Characteristic Curve): um mtodo estatstico e
grfico para determinar o melhor ponto de corte (cutoff point) de um teste diagnstico.
Dados: escores obtidos de observaes ou de experimentos, podendo ser de fontes
primrias ou secundrias e de amostras ou de populaes.
DAgostino: teste empregado para testar a normalidade dos dados amostrais.
DAgostino-Pearson: teste destinado a verificar a normalidade dos dados amostrais.
Desvio padro: raiz quadrada da varincia.
Diagrama pontual (dotplot): diagrama que descreve graficamente duas ou mais amostras
(at sete), permitindo a visualizao pontual dos escores - em sentido vertical - e as respectivas
comparaes.
Diagrama IC: diagrama indicada quando em uma amostra h relao entre duas variveis,
sendo uma categrica (nominal ou ordinal) e outra numrica (discreta ou contnua). O diagrama
descreve a estimao da mdia e o respectivo Intervalo de Confiana (95% ou 99%) da varivel de
cada categoria.
Distribuio binomial: modelo de distribuio de probabilidades de variveis aleatrias
discretas, consistindo de n provas idnticas e independentes, cada uma apresentando apenas dois
resultados: sucesso (p) e insucesso (q = 1 - p).
Distribuio de Poisson: modelo de distribuio de probabilidades de variveis aleatrias
discretas, cujos eventos so raros e referentes ao tempo e ao espao. A mdia igual varincia.
Distribuio exponencial: modelo de distribuio de probabilidades de variveis aleatrias
contnuas, referente ao intervalo de tempo decorrido entre eventos raros e discretos.
Distribuio hipergeomtrica: modelo de distribuio de probabilidades de variveis
aleatrias discretas, com as mesmas caractersticas da distribuio binomial. O tamanho da amostra,
contudo, relativamente grande em relao ao tamanho da populao, alterando-se em grau
acentuado a probabilidade dos elementos do universo pela retirada de cada unidade sem reposio.
- 341 -
GLOSSRIO
Distribuio normal: modelo de distribuio de probabilidades de variveis aleatrias

contnuas de largo emprego em estatstica, caracterizando-se por ser simtrica, em forma de sino,
assinttica, cuja rea sob a curva igual unidade.
Erro amostral: vis observado nas amostras aleatrias, decorrente da natural variabilidade
dos elementos constituintes das populaes, assinalando-se o fato de que nem todas as unidades do
universo participam da amostra. O erro amostral reduzido pelo aumento do tamanho amostral e
medido pelo erro padro.
Erro padro: o desvio padro de uma populao de mdias amostrais, o qual
corresponde ao quociente do desvio padro do universo de onde as amostras foram retiradas pela
raiz quadrada do tamanho amostral. Quando se desconhece o desvio padro paramtrico, utiliza-se
no clculo o desvio padro da amostra.
Erro tipo I (alfa): rejeio da hiptese de nulidade quando ela verdadeira.
Erro tipo II (beta): aceitao da hiptese de nulidade quando ela falsa.
Escala de razes: caracteriza-se por apresentar unidade constante e comum de
mensurao, atribuindo-se um nmero real a cada escore, havendo uma razo conhecida entre dois
intervalos quaisquer, um quociente conhecido entre dois valores quaisquer e um verdadeiro ponto
zero como origem. Exemplo: peso em gramas.
Escala intervalar: semelhante escala de razes, havendo apenas uma razo conhecida
entre dois intervalos quaisquer, sendo a unidade de medio e o ponto zero arbitrrios. Exemplo:
temperatura em graus centgrados.
Escala nominal: escala na qual as diversas categorias ou modalidades de uma varivel so
contadas. a mais simples das escalas, havendo relao de equivalncia entre e dentre as categorias.
Exemplo: estado civil solteiro, casado, divorciado e vivo.
Escala ordinal ou por postos: escala na qual as modalidades de uma varivel so
ordenadas em graus ou magnitudes convencionadas, havendo uma relao matemtica 'maior do
que' ou 'menor do que' dos elementos entre as diversas categorias e de equivalncia das unidades
dentre cada modalidade. Exemplo: conceitos escolares Excelente, Bom, Regular e Insuficiente.
Escores padronizados: transformao dos escores brutos em escores z, onde a mdia
igual a zero e o desvio padro igual unidade (1), simbolizados por N (0,1).
Especificidade: percentagem de indivduos sem o evento (sem a afeco investigada, por
exemplo), cujo teste tuberculnico, por exemplo negativo ().
Estatstica descritiva: parte da estatstica cujo objetivo a coleta, a organizao, a
classificao dos dados amostrais ou das populaes, as apresentaes tabular e grfica e o clculo
de determinadas medidas: mdia, mediana, varincia, desvio padro, coeficiente de variao, de
assimetria, de curtose e outras.
Estatsticas (no plural): valores numricos das amostras: mdia, mediana, varincia,
coeficiente de assimetria, etc, constituindo nas amostras probabilsticas estimativas no enviesadas
dos parmetros, conforme demonstrado pelo Teorema do Limite Central.
Estimao de parmetros: parte da inferncia estatstica, cujo procedimento indutivo
consiste em generalizar os valores numricos amostrais para o universo investigado.
Estudo longitudinal: aquele no qual se coletam informaes sobre os indivduos
selecionados ao longo de um intervalo de tempo especificado.
Estudo prospectivo: estudo longitudinal no qual os indivduos so observados a partir de
um dado momento, prosseguindo-se ao longo do tempo previamente fixado.
- 342 -
GLOSSRIO
Estudo retrospectivo: estudo longitudinal no qual as informaes de interesse esto
contidas em registros anteriores, em arquivos de dados como, por exemplo, em pronturios
hospitalares.
Estudo transversal: dados coletados de um grupo de indivduos em um momento definido,
avaliando-se sobretudo a prevalncia de uma determinada afeco.
Experimento: estudo analtico no qual h interveno do pesquisador nos indivduos
submetidos pesquisa, com controle efetivo dos fatores causais e dos respectivos efeitos.
Fentipo: caracterstica de um indivduo resultante do produto dos genes e expressada de
diversas maneiras. As pessoas do sistema sangneo ABO, por exemplo, so classificadas em
fentipos dos grupos A, B, AB ou O.
Gentipo: conjunto de todos os genes que determinado indivduo possui. No caso, por
exemplo, do sistema sangneo ABO, as pessoas do grupo A possuem o gentipo AA ou AO; do
grupo B, gentipo BB ou BO; do grupo AB, gentipo AB; e do grupo O, gentipo OO.
Goodness of fit: teste estatstico de modelo de distribuio de probabilidades, no qual as
propores observadas se ajustam s propores esperadas, deduzidas matematicamente ou
estabelecidas de acordo com alguma teoria. tambm denominado de teste de aderncia.
Grfico de rea: compara as reas abrangidas pelos escores de duas ou mais amostras.
Grfico box-plot (mediana e quartis): mostra a mediana, o primeiro e o terceiro quartis e,
ainda, o maior e o menor escores da amostra.
Grfico box-plot (mdia e desvio): mostra a mdia, o desvio ou erro padro, o maior e o
menor escores da amosra.
Grfico caule-e-folha (stem and leaf): organiza os escores em ordem crescente e separa
cada valor em dois componentes: o caule, constitudo por todos os valores de cada varivel, exceto o
ltimo direita, o qual representa a folha.
Grfico de colunas: compara os escoes de cada categoria em retngulos verticais ou
horizontais, com a mesma largura e cuja altura proporcional s grandezas que representam. Podem
ser classificadas em a) simples; b) justapostas e c) superpostas.
Grfico de disperso: utilizado para duas variveis X e Y retiradas da mesma
unidade, como ocorre nas anlises de correlao e regresso.
Grfico de linha (curva): utilizado, sobretudo, nas sries temporais, considerando-se a
disposio dos dados nos eixos das abscissas (X) e das ordenadas (Y).
Grfico de mximo e mnimo: grfico e linhas verticais permitindo comparar a amplitude
e os valores mximo e mnimo da cada amostra.
Grfico polar: representa perodos cclicos meses, semanas, horas, graus, etc -, com
representao circular, indicado nas sries temporais.
Grfico de setor: representa parcelas, em um crculo, de variveis categricas,
comparando cada valor com o todo, dividindo-se a circunferncia em setores, cada um
representando a respectiva categoria. recomendvel que o nmero de setores no deve ultrapassar
sete (7) variveis.
Graus de liberdade (gl): so parmetros indexadores estatsticos correspondentes ao
nmero de observaes independentes, como se observam nas distribuies t de Student, F da
ANOVA, Qui-Quadrado e r da correlao linear de Pearson.
Grid geral: uma espcie de planilha eletrnica do BioEstat onde os dados, da maior parte
dos testes estatsticos, devem ser introduzidos. Sinnimo: Matriz de Dados.
Grid especfico: similar ao grid geral, utilizado apenas para determinados testes
estatsticos.
- 343 -
GLOSSRIO
Hiptese de nulidade (H0): a hiptese que se testa considerando-se no haver diferenas

entre os grupos especficos objetos do estudo, representada, por exemplo: 1 = 2.
Hiptese alternativa (H1): a hiptese que contraria a de nulidade, no sentido de afirmar
que h diferena entre os grupos especficos objetos da pesquisa, como, por exemplo: 1 2.
Heterogeneidade das amostras: um modelo probabilstico que indica se as amostras
investigadas no so oriundas da mesma populao, sendo utilizado nos testes G, do Qui-Quadrado,
da correlao linear e da regresso linear.
Heterocedasticidade: vide Heterogeneidade das varincias.
Heterogeneidade das varincias: um modelo probabilstico que revela se as varincias
dos subconjuntos testados so desiguais, no sendo oriundas da mesma populao, e empregado no
F teste da ANOVA, no t teste de Student para duas amostras independentes e na regresso linear.
Sinnimo: heterocedasticidade.
Histograma: representao grfica para dados contnuos sob a forma de retngulos
justapostos. A base de cada retngulo representa o intervalo de cada classe e a altura, a respectiva
freqncia.
Homogeneidade das amostras: um modelo probabilstico que indica se as amostras
investigadas so oriundas da mesma populao, sendo utilizado nos testes G, do Qui-Quadrado, da
correlao linear e da regresso linear.
Homocedasticidade: vide Homogeneidade das varincias.
Homogeneidade das varincias: um modelo probabilstico que revela se as varincias
dos subconjuntos testados so iguais, oriundas, portanto, da mesma populao, sendo empregado no
F teste da ANOVA, no t teste de Student para duas amostras independentes e na regresso linear.
Sinnimo: homocedasticidade.
Incidncia: estudo epidemiolgico de ocorrncia de casos novos de determinada doena,
constatados ao longo de um perodo de tempo prefixado como, por exemplo, seis (6) meses, um ano,
e assim por diante. Os estudos relativos incidncia so denominados de longitudinais.
ndices de diversidade (Shannon e outros): destinam-se a determinar a variabilidade de
dados mensurados em escala nominal, ou seja, a distribuio de observaes entre categorias.
Inferncia estatstica: mtodo indutivo de generalizao dos valores numricos amostrais
para a populao de onde os dados foram retirados. As generalizaes estatsticas, diferentes das leis
universais, admitem excees, mas proporcionam conhecimentos de relevncia em termos
cientficos.
Intercepto: uma constante relativa ao valor de Y nas equaes de regresso quando o
escore de X igual a zero, sendo simbolizada pela letra a. Representa, portanto, o valor da varivel
dependente quando o valor da varivel preditiva igual a zero.
Intervalos de confiana: rea abrangida por n erros padres em torno da estimativa
pontual, para mais e/ou para menos, e definidos em termos probabilsticos pela Regra Emprica e
pelo Teorema do Limite Central. Os intervalos de confiana mais usados so de 95% e 99%,
correspondentes, no caso do modelo da distribuio normal, a X 1.96 x e X 2.58 x ,
respectivamente.
Iteraes (Runns Test): destina-se a verificar se a amostra em questo foi obtida de
maneira aleatria. A tcnica deste teste baseada na ordem ou seqncia com que os escores
originais forem coletados.
Kolmogorov-Smirnov: teste estatstico no-paramtrico, de aderncia ou de independncia,
para uma ou duas amostras, respectivamente. O teste de aderncia utilizado tambm para testar a
normalidade dos escores amostrais.
- 344 -
GLOSSRIO
Levantamentos ou surveys: estudos caracterizados pela coleta de dados, descrevendo-se os
escores amostrais e calculando-se estatsticas que estimam os parmetros da populao investigada.
Nos levantamentos pode-se, ainda, estudar a relao de causa e efeito de variveis, mas sem o
controle efetivo dos elementos causais.
Lilliefors: teste de aderncia empregado para testar a normalidade amostral.
Matriz de Dados: uma espcie de planilha eletrnica do BioEstat onde os dados, da
maior parte dos testes estatsticos, devem ser introduzidos. Sinnimo: Grid Geral.
Mdia aritmtica: medida de tendncia central de largo emprego em estatstica,
representada pela razo do somatrio dos valores pelo nmero de escores.
Mdia geomtrica: medida de tendncia central representada pela raiz n do produto dos
escores e indicada, sobretudo, quando os dados esto dispostos em progresso geomtrica.
Mdia harmnica: medida de tendncia central para grandezas inversamente
proporcionais como, por exemplo, tempo e velocidade.
Mediana: medida de tendncia central que separa os escores em dois grupos: 50%
inferiores e 50% superiores mediana.
Menu: lista de opes do BioEstat que ativada com um clique do mouse. encontrado na
parte superior da tela.
Meta-Anlise: conjunto de procedimentos destinados a examinar, de modo simultneo,
vrios estudos, diversas pesquisas, sobre um mesmo tpico. Largamente utilizado na esfera das
cincias mdicas.
Moda: o valor mais freqente de um conjunto de dados.
Modelo: forma simblica de um princpio fsico expressado por uma equao ou por uma
frmula.
Newman-Keuls: procedimento de comparao entre mdias de vrios tratamentos, no
sentido de verificar a significncia estatstica das diferenas entre essas medidas de tendncia
central. A comparao efetuada aps a anlise da varincia e somente se o valor de F for
significativo.
Nvel de significncia: valor probabilstico do limite de rejeio da hiptese de nulidade,
do erro alfa (Tipo I). Em geral adota-se o valor alfa de 0.05 ou 0.01, admitindo-se, ao rejeitar a
hiptese de nulidade, a probabilidade de ocorrncia de 1 erro em 20 (5%) ou 1 em 100 (1%),
respectivamente.
NNH: Nmero Necessrio para causar (Harm) 1 (um) evento desfavorvel num
determinado perodo de tempo (t).
NNT: Nmero Necessrio para Tratar e prevenir 1 (um) evento desfavorvel num
determinado perodo de tempo (t).
Observao censurada: observao na anlise de sobrevivncia que no cumpriu o
seguimento estabelecido, desconhecendo-se o motivo (abandono, etc).
Odds ratio: teste estatstico simbolizado por OR para determinar a vantagem ou
desvantagem de um evento em relao ao outro, no estudo de casos nos quais o nmero de controles
fixado previamente pelo investigador.
p-valor: a probabilidade obtida em um teste de hiptese inferncia estatstica variando
de 0 a 1. Quando o p-valor igual ou menor que o nvel alfa previamente estabelecido, rejeita-se a
Parmetros: valores numricos das populaes representando constantes de cada varivel
do universo investigado.
- 345 -
GLOSSRIO
Pirmide populacional: diagrama de populaes sob a forma piramidal, podendo

representar grupos etrios, propores sexuais, locais de residncias, estados civis e outras
variveis.
Poder do teste: capacidade de um teste estatstico de rejeitar a hiptese de nulidade quando
de fato ela falsa.
Ponto de corte: determinao do melhor Ponto de Corte (Cutoff point) para um teste
diagnstico, ou seja, aquele que mais se aproxime do chamado Padro Ouro.
Populao ou Universo: conjunto de todos os indivduos, itens, eventos, membros ou
unidades, circunscritos em uma rea e em determinado tempo. O tamanho da populao
simbolizado pela letra N.
Populao aberta: o universo que altera seu tamanho durante o perodo da pesquisa, em
decorrncia de nascimentos, bitos e fenmenos migratrios.
Populao fechada: o universo que no altera seu tamanho durante o perodo de
investigao.
Preciso amostral: a proximidade entre os valores das estatsticas obtidas de vrias
amostras do mesmo tamanho e da mesma populao.
Prevalncia: estudo epidemiolgico de ocorrncia de casos de determinada doena,
constatados em um determinado momento. Os estudos relativos prevalncia so denominados de
transversais.
Probabilidade: uma escala de mensurao usada para descrever a chance de ocorrncia
de um valor especfico (evento) de uma varivel aleatria.
Regra de Bayes: modelo de distribuio de probabilidade condicional onde se calcula a
probabilidade a posteriori do evento (A) dada a ocorrncia do (B) (AB) , em funo do
conhecimento a priori da probabilidade de ocorrncia do evento B, desde que o evento A tenha
ocorrido Pr (BA). Para dois eventos o BioEstat apresenta o chamado crivo ou screening test,
enquanto que para trs ou mais, o programa dispe do modelo da regra de Bayes.
Regresso linear simples: teste estatstico que determina o modelo estimador dos valores
de Y a partir dos escores de X.
Regresso linear mltipla: teste estatstico que determina o modelo estimador dos escores
da varivel Y a partir dos valores de duas ou mais variveis preditivas: X1, X2, , Xn.
Regresso logstica simples: teste estatstico de regresso no qual a varivel dependente
Y sempre binria, assumindo valores de 1 (sucessos) e 0 (insucessos). Por outro lado, a varivel
independente X , em geral, binria, mas pode assumir valores contnuos. Este teste tem larga
aplicao nas cincias mdicas.
Regresso logstica mltipla: semelhante regresso logstica simples, mas o nmero de
variveis independentes, em geral binrias, mltiplo dois (2) ou mais. A varivel dependente
sempre binria.
Resumo amostral: testes paramtricos (t e z) para uma ou duas amostras, quando se dispe
apenas de informaes sobre tamanho, mdias e varincias amostrais.
Risco relativo: teste estatstico simbolizado por RR, representando a razo entre o
coeficiente de incidncia de determinado evento em pessoas expostas (a uma doena, por exemplo) e
o coeficiente de incidncia do mesmo evento em indivduos no expostos.
RAR: Reduo Absoluta do Risco representado por p1-p2.
RRR: Reduo do Risco Relativo representado por 1-RR.
Sensibilidade de um teste: percentagem de indivduos com o evento (determinada afeco,
por exemplo) cujo teste tuberculnico, por exemplo positivo (+).
- 346 -
GLOSSRIO
Srie categrica ou especificativa: uma srie estatstica na qual o elemento varivel o
fenmeno estudado, mantendo-se fixos o tempo e o local de observao.
Srie cronolgica, temporal, evolutiva ou histrica: uma srie estatstica na qual o
tempo varia, mantendo-se fixos o local e o fenmeno estudado.
Srie geogrfica: uma srie estatstica na qual o local (fator geogrfico) varivel,
mantendo-se fixos o tempo e o fenmeno observado.
Shapiro-Wilk: teste empregado para verificar a normalidade dos dados amostrais.
Sondagem: procedimento de estudo de uma parte da populao voltado, sobretudo, para
pesquisas de opinio e de mercado. Sinnimo: amostragem.
Seleo dos Regressores (stepewise regression): constitui na seleo das variveis
independentes na regresso linear mltipla, no sentido de remover aquelas cujo p-valor superior ao
nvel alfa previamente estabelecido. Dois mtodos so utilizados: a) Mtodo Progressivo (Forward
Selection) e b) Modelo Regressivo (Backward Selection).
Tabelas de freqncia: so representaes tabulares nas quais os escores se apresentam
em correspondncia com suas repeties, com freqncias dispostas em valores absolutos e/ou em
percentuais, podendo haver agrupamento de dados em classes previamente definidas.
Tabelas de contingncia: tabelas nas quais se dispem as freqncias observadas de duas
ou mais amostras, cada uma com duas ou mais categorias, em tabelas de l linhas e c colunas (2 x 2, 3
x 2, 2 x 3, 3 x 3, etc).
Teste de aderncia: aquele em que se observa o ajustamento ou concordncia dos
escores observados aos valores tericos esperados ou deduzidos do ponto de vista matemtico.
denominado de goodness of fit na literatura inglesa. Os testes G e do Qui-Quadrado, para uma
amostra, so exemplos de testes de aderncia.
Teste bilateral: teste estatstico no qual a hiptese alternativa no especifica a direo da
diferena a ser detectada, com esta representao: 1 0, podendo 1 ser maior ou menor que 0.
Teste binomial (duas propores): teste estatstico baseado na distribuio binomial ou na
aproximao curva normal, onde se comparam as propores de duas amostras.
Teste binomial (uma proporo): teste estatstico baseado na distribuio binomial ou na
aproximao curva normal, onde se compara a proporo de uma amostra com a do parmetro.
Teste da Mediana: teste estatstico no-paramtrico de distribuio livre, para duas
amostras independentes, no sentido de constatar se provieram de uma populao com a mesma
mediana. Os dados devem ser mensurados, pelo menos, em escala ordinal.
Teste de Cochran: teste estatstico de modelo livre de distribuio de probabilidades, onde
os dados esto contidos em n linhas e k colunas. Todos os escores nominais ou ordinais
dicotomizados so definidos somente com dois valores: 1 (sim = sucesso) e 0 (no = insucesso).
Teste de Coeficientes de Variao: teste estatstico da diferena entre dois coeficientes de
variao, para verificar se os mesmos provieram da mesma populao.
Teste de Friedman: teste estatstico de modelo livre de distribuio de probabilidades
abrangendo trs (3) ou mais amostras relacionadas, para comparao das respectivas mdias, cujos
escores so mensurados em escala nominal ou ordinal (postos). As amostras devem ser do mesmo
tamanho.
Teste de Kruskal-Wallis: teste estatstico de modelo livre de distribuio de
probabilidades, para anlise de mdias de k amostras independentes, do mesmo tamanho ou
desiguais, cujos dados devem ser mensurados, no mnimo, a nvel ordinal.
- 347 -
GLOSSRIO
Teste de Mann-Whitney: teste estatstico no-paramtrico de distribuio livre, para duas

amostras independentes do mesmo tamanho ou desiguais e dados mensurados, no mnimo, a nvel
ordinal. tambm conhecido como Wilcoxon rank-sum test.
Teste de Mantel: comparao da distncia entre duas matrizes, como, por exemplo, a
composio gentica entre populaes e respectivas distncias geogrficas ou temporais, obtendo-se
valores de r, variando de 1 a +1, denotando ou no associao matricial.
Teste de McNemar: teste estatstico para dados dispostos em tabela de contingncia 2 x 2,
a fim de comparar propores de dois grupos pareados, onde so observados os pares concordantes e
os discordantes em relao a dois tratamentos A e B , avaliando-se, em termos probabilsticos,
somente os pares discordantes em relao a esses mesmos tratamentos: (+ ) e ( +).
Teste de Parker: teste de estimao do tamanho de populao atravs de amostragem
mltipla em universos abertos.
Teste de Poisson: teste para uma amostra, cujos eventos so raros e ocorridos em
determinado perodo, comparando-se, pelo modelo de distribuio de Poisson, os dados amostrais
com os da populao.
Teste de Schumacher e Eschmeyer: teste de estimao do tamanho da populao atravs
de amostragem mltipla em universos fechados.
Teste de Wilcoxon: teste no-paramtrico de distribuio livre, para duas amostras
pareadas, cujos dados devem ser mensurados, pelo menos, a nvel ordinal. tambm conhecido
como Wilcoxon signed-rank test.
Teste do Qui-Quadrado (amostras independentes): teste estatstico para n amostras
independentes, cujas propores observadas nas diversas modalidades esto dispostas em tabelas de
contingncia l x c, sendo os valores esperados deduzidos matematicamente, e onde se procura
determinar se as propores observadas nas diferentes categorias so independentes ou esto
associadas. O Qui-Quadrado apresenta uma famlia de distribuio de variveis com (l 1) x (c 1)
graus de liberdade.
Teste dos Sinais: teste estatstico no-paramtrico para duas amostras pareadas, onde se
leva em considerao apenas o sinal das diferenas entre cada par de escores (+ ou ),
independentemente, portanto, da magnitude das diferenas.
Teste Exato de Fisher: teste estatstico, para duas amostras independentes cujas
propores esto dispostas em tabela de contingncia 2 x 2, devendo ser escolhido quando os
valores observados so pequenos, inclusive com propores cujos escores so iguais a zero (0).
Teste G (amostras independentes): teste estatstico para n amostras cujas propores das
diversas modalidades esto dispostas em tabelas de contingncia l x c, sendo os valores esperados
deduzidos matematicamente, procurando-se determinar se as propores observadas nas diferentes
categorias so independentes ou esto associadas. Os graus de liberdade neste teste so calculados
como segue: (l 1) x (c 1).
Teste Kappa: teste estatstico no-paramtrico destinado a comparar as propores da
mesma varivel mensurada a nvel nominal em duas ocasies distintas. Testa-se a reprodutibilidade
dos resultados, no sentido de haver ou no concordncia nas propores observadas nos diferentes
perodos. Os dados so dispostos em tabela de contingncia 2 x 2.
Teste no-paramtrico: aquele em que no h pressuposto sobre modelo de distribuio
nem quanto aos parmetros, no se aplicando ao mesmo o Teorema do Limite Central.
Teste paramtrico: aquele com pressuposto de um modelo de distribuio normal,
binomial, etc , cujos parmetros assumem um desses modelos, aplicando-se-lhe o Teorema do
Limite Central.
- 348 -
GLOSSRIO
Teste unilateral: teste estatstico no qual a hiptese alternativa especifica a direo da
diferena a ser detectada, assim representado: 1 < 0 ou 1 > 0.
Testes t (Student): testes paramtricos para uma amostra, duas amostras pareadas ou duas
amostras independentes, baseados no modelo de distribuio de Student e geralmente efetuados
quando se desconhece as varincias paramtricas. O modelo de Student constitui uma famlia de
distribuio e est relacionado com os graus de liberdade.
Testes Z: testes paramtricos para uma amostra ou duas amostras independentes, baseados
no modelo de distribuio normal e geralmente efetuados quando as varincias das populaes so
conhecidas. Nos estudos estatsticos, a distribuio normal constitui um dos modelos mais
importantes em termos probabilsticos.
Transformao de dados: mudana de escala dos dados de uma varivel, podendo ser
efetuada pelos logaritmos, pela raiz quadrada, pela ordenao dos escores (rank), pelo quadrado dos
valores, etc.
Unidade: indivduo, elemento, item, membro ou unidade estatstica onde se estuda uma ou
mais variveis. A unidade estatstica pode ser simples: pessoa, objeto, animal, planta, protozorio,
etc, ou coletiva: cardume, blocos residenciais, turmas escolares, colmias, colnias bacterianas e
outras.
Universo: o mesmo que populao.
Valor preditivo de um teste negativo: probabilidade de que um indivduo com teste
negativo () seja uma pessoa sem o evento objeto da investigao (determinada doena, por
exemplo).
Valor preditivo de um teste positivo: probabilidade de que um indivduo com teste
positivo (+) apresente o evento objeto da investigao (determinada doena, por exemplo).
Valor extremo: escore muito afastado da maioria dos valores amostrais, decorrente da
incluso no universo investigado de elemento estranho, de erro de observao, de falha instrumental,
de equvoco de registro ou de introduo do dado na planilha de clculos. Pode, entretanto, ser um
valor verdadeiro, devendo-se examin-lo cuidadosamente antes de sua excluso da anlise dos
dados. Na literatura inglesa denomina-se outlier.
Varincia: soma dos quadrados dos desvios em relao mdia, dividida pelo nmero de
observaes da amostra menos um (n 1).
Variveis independentes: so variveis consideradas preditivas de uma outra varivel
denominada dependente.
Varivel: determinada caracterstica dos indivduos ou elementos objetos da investigao,
como so exemplos o sexo dos animais, o estado civil, a etnia, o peso de recm-nascidos, etc.
Varivel dependente: a varivel decorrente de uma ou mais variveis, estas denominadas
independentes ou preditivas.
Vis ou Bias: diferena entre o valor de uma estatstica e a do parmetro.
Vis ou Bias ocasionais: so aqueles decorrentes de erros de cobertura superposio,
incluso ou excluso de unidades , da escolha no-aleatria das amostras, de erros de observao,
de defeitos instrumentais e outros.
- 349 -
GLOSSRIO
- 350 -
REFERNCIAS BIBLIOGRFICAS
Abuabara, M.A.P. & Petrere Jr., M. (1997). Estimativas da Abundncia de Populaes Animais.
EDUEM Editora da Universidade Estadual de Maring, Paran.
Allen, R.G.D. (1979). Estatstica para Economistas. Zahar Editores, Rio de Janeiro.
Ayres, M. & Ayres Jr., M. (1987). Aplicaes Estatsticas em BASIC. McGraw-Hill do Brasil, So
Paulo.
Ayres, M., Ayres Jr., M., Ayres, D.L., Santos, A.S. (1998). BioEstat. Verso 1.0, Sociedade Civil
Mamirau, MCT CNPq, Belm, Par, Brasil.
Beiguelman, B. (1979). Gentica Mdica, vol. 3. Edart-So Paulo Livraria Editora, Ed. da Universidade
de So Paulo.
Beiguelman, B. (1994). Curso Prtico de Bioestatstica. 3. ed., Revista Brasileira de Gentica.
Beiguelman, B. (1994). Dinmica dos Genes nas Famlias e nas Populaes. Sociedade Brasileira de
Gentica, Ribeiro Preto, So Paulo.
Berkeley, E.C. (1965). Sorte ou Azar. Editora Universidade de Braslia, Braslia.
Berqu, E.S., Souza, J.M.P. & Gotlieb, S.L.D. (1980). Bioestatstica. Editora Pedaggica e
Universitria, So Paulo.
Blank, S., Seiter, C. & Bruce, P. (2001). Resampling Stats in Excel. Resampling Stats, Inc., Arlington,
Virginia.
Brown, F.L., Amos, J.R. & Mink, O.G. (1975). Statistical Concepts. 2rd. ed., Harper & Row,
Publishers, New York.
Burleson, D.R. (1980). Elementary Statistics. Winthrop Publishers, Inc., Cambridge, Massachusetts.
Bussad, W.O. (1988). Anlise de Varincia e Regresso. 2. ed., Editora Atual, So Paulo.
Butcher, H.J. (1966). Sampling in Educational Research. Manchester University Press, Manchester.
Caldeira, A.M.S. & Ferreira, M.L.B. (1974). Estatstica Instruo Programada, vols. 1 e 2.
Conquista, Rio de Janeiro.
Callegari-Jacques, S. (2003). Bioestatstica: princpios e aplicaes. Artmed Editora S.A., Porto
Alegre, Brasil.
Calot, G. (1979). Cours de Statistique Descriptive. Deuxime dition, Dunod, Paris.
Camel, F. (1991). Estadstica Mdica y Planificacin de la Salud, I y II. Consejo de Publicaciones de la
Universidad de Los Andes, Mrida, Venezuela.
Campbell, R.C. (1994). Statistics for Biologists. 3rd. ed., Cambridge University Press, Cambridge.
Canavos, G.C. (1988). Probabilidad y Estadstica. McGraww-Hill, Mxico.
Castello, L. (2004). A method to Count Pirarucu Arapaima gigas: Fishers, Assessment, and
Management. North American Journal of Fisheries Management, 24:379-389.
Castle, W.M. (1977). Statistics in Small Doses. 2rd. ed., Churchill Livingstone, London.
Caswell, H. (2001). Matrix Population Models. 2rd. ed., Sinauer Associates, Inc. Publishers,
Sunderland, Massachusetts.
Centeno, A.J. (1982). Curso de Estatstica Aplicada Biologia. Editora da Universidade Federal de
Gois, Goinia.
Chacn, E. (1972). Curso de Estatstica. Livro Ibero-Americano, Rio de Janeiro.
Chatfield, C. & Collins, A.J. (1986). Introduction to Multivariate Analysis. Chapman and Hall, London.
- 351 -
Chernick, M.R. & Friis, R.H. (2003). Introductory Biostatisitcs for the Health Science. Wiley
Intercience, New Jersey.
Cochran, W.G. (1977). Sampling Techniques. 3rd. ed., John Wiley & Sons, Inc., New York.
Cohen, J. (1977). Statistical Power Analysis for the Behavioral Sciences. 2rd. ed., Lawrence Erlbaum
Associates, Publishers, New Jersey.
Collett, D (1996). Modelling Survival Data in Medical Research. Chapman & Hall, London.
Cooke, D., Craven, A.H. & Clarke, G.M. (1984). Basic Statistical Computing. Edward Arnold
(Publishers), London.
Costa, J.J.S. (1981). Elementos de Estatstica. Editora Campus, Rio de Janeiro.
Costa, S.F. (1988). Introduo Ilustrada Estatstica. Editora Harbra, So Paulo.
Cox, D.R. (1972). Regression Models and Life-Tabels. J. Roy. Statist. Soc. , 34: 187-220.
Crespo, A.A. (1997). Estatstica Fcil. 15. ed., Editora Saraiva, So Paulo.
Cunha, O.S. & Ramos, F.A.O. (1976). Iniciao Estatstica: Volumes I e II. Tipografia do
Carvalhido, P.
Cunha, S.E. (1978). Estatstica Descritiva na Psicologia e na Educao. Forense-Universitria, Rio de
Janeiro.
Daniel, W.W. (1999). Biostatistics: A Foundation for Analysis in the Health Sciences. 7th. ed., John
Wiley & Sons, New York.
Dawson-Saunders, B. & Trapp, R.G. (1994). Basic & Clinical Bioestatstics. 2rd. ed., Appleton &
Lange, Norwalk, Connecticut.
DeGroot, M.H. (1988). Probabilidad y Estadstica. 2. ed., Addison-Wesley Iberoamericana,
Wilmington, Delaware.
Di Dio, R.A.T. (1979). Estatstica, Instruo Programada. Editora Pedaggica e Universitria, So
Paulo.
Dress, F. (2004). Probabilits et Statistique de A Z. Dunod, Paris.
Edwards, A.L. (1984). An Introduction to Linear Regression and Correlation. 2nd. ed., W. H. Freeman
and Company, New York.
Efron, B. (1979). Bootstrap Methods: Another Look at de Jacknife. The Annals of Statistics 7 (1): 1-26.
Efron, B. & Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman & Hall/CRC, London.
Elston, R.C. & Johnson, W.D. (1994). Essentials of Biostatistics. 2nd. ed., F. A. Davis Company,
Philadelphia.
Essex-Sorlie, D. (1995). Medical Bioestatstics & Epidemiology. Appleton & Lange, Norwalk,
Connecticut.
Fisher, L.D. & Van Belle, G. (1993). Biostatistics. John Wyley & Sons, Inc., New York.
Fisher R.A. (1946a). The fitting of gene frequencies to data on Rhesus reactions. Ann. Eug. 13:150-155.
Fisher R.A. (1946b). Note on the calculation of the frequencies of Rh allelomorphs. Ann. Eug. 13:223224.
Fisher, R.A. (1993). Statistical Methods Experimental Design and Scientific Inference. Oxford
University Press, Oxford.
Fisher, R.A. & Yates, F. (1954). Tablas Estadisticas. Aguilar Ediciones, Madrid.
Fleiss, J.L. (1986). The design and analysis of clinical experiments. Wiley, Nerw York.
Fogiel, M. (1996). The Statistics Problem Solver. Research and Education Asscociation, New Jersey.
Freund, R.J. & Wilson, W.J. (1997). Statistical Methods. Revised Edition, Academic Press, New York.
Galambos, J. (1984). Introductory Probability Theory. Marcel Dekker, Inc., New York.
Galton, F. (1886). Rate of Regression in Hereditary Stature. Journal of the Anthropological Institute,
Vol. 15, p. 248.
- 352 -
Gatts, R.R. (1978). Elementos de Probabilidade e Inferncia. Editora Atlas, So Paulo.
Gemmell, I., Heller, R.F., mcElduff P., Butler, G., Edwards, R., Roland, M. & Dumington, P. (2005).
The population impact of stricter aherence to recommendations for pharmacological and
lifestyle intervations over one year in pactients with coronary heart disease. Journal of
Epidemiology and Community Hearth; 59: 1041-1046.
Gimenes, M. (2003). Interaction between visiting bees (Hymenoptera, Apoidea) and flowers of
Ludwigia elegans (Camb.) hara (Onagraceae) during the year in two different areas in So
Paulo, Brazil. Braz. J. Biol., So Carlos, v. 63, n. 4, 2003.
Glantz, S.A. (1997). Primer of Biostatistics. 4th. ed., McGraw-Hill, NewYork.
Gnedenko, B.V. & Khintchine, A.I. (1974). Introduo Teoria das Probabilidades e Estatstica.
Editorial Estdios Cor, Lisboa.
Gonick, L. & Smith, W. (1993). The Cartoon Guide To Statistics. HarperPerennial, HarperCollins
Greenberg, R.S., Daniels, S.R., Flanders, W.D., Eley, J.W. & Boring, J.R. (1996). Medical
Epidemiology. 2nd. ed., Appleton & Lange, Norwalk, Connecticut.
Groeneveld, R.A. (1979). An Introduction to Probability and Statistics Using Basic. Marcel Dekker,
Inc., New York.
Groves, R.M. (1989). Survey Errors and Survey Costs. John Wiley & Sons, New York.
Guedes, M.L.S. & Guedes, J.S. (1988). Bioestatstica para Profissionais de Sade. Ao Livro Tcnico,
Rio de Janeiro.
Guimares, R.C. & Cabral, J.A.S. (1997). Estatstica. McGraw-Hill de Portugal, Porto,
Gullon, A. (1971). Introduccion a la Estadstica Aplicada. Editorial Alhambra, Madrid.
Hayslett Jr., H.T. (1968). Statistics Made Simple. Doubleday, New York.
Hedges, L.V. & Olkin, I. (1985). Statistical Methods for Meta-Analysis. Academic Press, New York.
Heller, R.F., Dobson, A.J., Attia, J. & Page, J.H. (2002). Impact numbers: mesures of risk factor impact
on the whole population from case control and cohort studies. J. Epidemiol Community Health
2002; 56: 606-10.
Heller, R.F., McElduff, P. & Edwards, R. (2002). Impact of upward social mobility on pupulation
mortality: analysis with routine data. BMG; 325: 134.
Heller, R.F., Edards, R. & McElduff, P. (2003). Implementing guidelines in primary care: can
population impact measures help? Bmc Public Haalth; 2: part 7.
Heller, R.F., Buchan, L., Edwards R., Lyratzopoulos, G., McElduff P. and St Leger S. (2004).
Communicanting risks at the population level: application of population impact numbers.
British Medical Journal: 327: 1162-5.
Heller, R.F. (2005). Evidence for Population Health. Oxford University Press, Manchester, UK.
Herzon, F.D. & Hooper, M. (1976). Introduction to Statistics for the Social Sciences. Thomas Y.
Crowell Company, New York.
Hine, J. & Wetherill, G.B. (1975). A Programmed Text in Statistics: Book One, Summarizing Data.
Chapman and Hall, London.
Hinkle, D.E., Wiersma, W. & Jurs, S.G. (1994). Applied Statistics for the Behavioral Sciences. 3rd. ed.,
Houghton Mifflin Company, Boston.
Hoel, P.G. (1979). Estatstica Elementar. Editora Atlas, So Paulo.
Hosmer, D.W. & Lemeshow, S. (1989). Applied Logistic Regression. John Wiley & Sons, New York.
Hosmer, D.W. & Lemeshow, S. (1998). Applied Survival Analysis, John Wiley & Sons, New York.
Howell, D.C. (1993). Fundamental Statistics for the Behavioral Sciences. 2nd. ed., PWS-KENT
Publishing Company, Boston.
- 353 -
Huck, S.W. & Sandler, H.M. (1984). Statistical Illusions: Solutions. Harper & Row, Publishers, New
York.
Huff, D. (1993). How to Lie with Statistics. W. W. Norton & Company, Inc., New York.
Ingelfinger, J.A., Mosteller, F., Thibodeau, L.A. & Ware, J.H. (1994). Biostatistics in Clinical
Medicine. 3rd. ed., McGraw-Hill, New York.
Jabardo, W.R.S. (1985). Gentica. Editora McGraw-Hill do Brasil, So Paulo.
Jammalamadaka, S. R.& Gupta, A. (2001). Topics in Circular Statistic. Word Scientific, London.
Johnson, D. E. (1998). Mtodos Multivariados Aplicados al Anlisis de Datos. International Thomson
Editores, Mxico.
Johnson, R.A. & Wichern, D.W. (1998). Applied Multivariate Statistical Analysis. 4th. ed., Prentice
Hall, Inc., New Jersey.
Kaar, A.F. (1986). Point Processes and Their Statistical Inference. Marcel Dekker, Inc., New York
Kachigan, S.K. (1991). Multivariate Statistical Analysis A Conceptual Introduction. 2nd Ed.. Radius
Press. New York.
Kalbfleisch, J.G. (1985). Probability and Statistical Inference, vols. 1, 2. 2rd. ed., Springer-Verlag,
New York.
Kaplan, D.T. (1999). Resampling Stats in MATLAB. Resamplibg Stats. Inc., Arlington, Virginia.
Katz, D.L. (2001). Epidemiologia, Bioestatstica e Medicina Preventiva. Livraria e Editora Revinter
Ltda., Rio de Janeiro.
Kellner, S.R.O., Cavas, C.S.T. & Nick, E. (1979). Exerccios de Estatstica. Editora Renes, Rio de
Janeiro.
Kirkwood, B.R. (1995). Essencials of Medical Statistics. Blackwell Science, Oxford.
Lang, T.A. & Secic, M. (1997). How to Report Statistics in Medicine. American College of Physicians,
Philadelphia.
Lange, K. (1997). Mathematical and Statistical Methods for Genetic Analysis. Springer-Verlag, New
York.
Lapponi, J.C. (1997). Estatstica usando Excel 5 e 7. Lapponi Treinamento e Editora, So Paulo.
Laurenti, R., Mello Jorge, M.H.P., Lebro, M.L. & Gotlied S.L.D. (1987). Estatsticas de Sade. 2. ed.,
Editora Pedaggica e Universitria, So Paulo.
Lee, E.T. (1992). Statistical Methods for Survival Data Analysis. 2nd. ed., John Wiley & Sons, Inc.,
New York.
Levin, J. (1978). Estatstica Aplicada a Cincias Humanas. Editora Harper & Row do Brasil, So
Paulo.
Levy, P.S. & Lemeshow, S. (1991). Sampling of Populations. John Wiley & Sons, Inc., New York.
Lindley, D.V. & Scott, W.F. (1984). New Cambridge Elementary Statistical Tables. Cambridge
University Press, Cambridge.
Maletta, C.H.M. (2000). Bioestatstica Sade Pblica. 3a edio, Editora Independente, Belo
Horizonte, Minas Gerais.
Manly, B.F.J. (2000). Multivariate Statistical Methods- A Primer, Third Ed., Chapman and Hall,
London.
Martinelli, J.M. (2005). Estrutura Populacional dos Camares Penaeidae no Esturio do Rio Caet,
litoral Norte do Brasil, Tese de Doutorado, Belm, Par, Brasil.
Martins, G.A. & Donaire, D. (1979). Princpios de Estatstica. Editora Atlas, So Paulo.
Massad, E., Menezes, R.X., Silveira, P.S.P. & Ortega, N.R.S. (2004). Mtodos Quantitativos em
Medicina. Editora Manole, So Paulo, Brasil.
Mattar, F.N. (1994). Pesquisa de Marketing, 1 e 2. Editora Atlas, So Paulo.
- 354 -
Matthews, D.E. & Farewell, V.T. (1996). Using and Understanding Medical Statistics. 3rd. ed., Karger,
Basel.
Maxwell, A.E. (1977). Multivariate Analysis in Behavioural Research. Chapman and Hall, London.
McCuen, R.H. (1993). Microcomputer Applications in Statistical Hidrology. Prentice Hall, New Jersey.
Mendenhall, W. & Beaver, R.J. (1991). Introduction to Probability and Statistics. 8th. ed., PWS-KENT
Michelson, S. & Schofield, T. (1996). The Biostatistics Cookbook. Kluwer Academic Publishers,
Boston.
Miller, S. (1977). Planejamento Experimental e Estatstica. Zahar Editores, Rio de Janeiro.
Minium, E.W., King, B.M. & Bear, G. (1993). Statistical Reasoning in Psychology and Education.
Third ed., John Wiley & Sons, Inc., New York.
Morettin, P.A. & Bussab, W.O. (2004). Estatstica Bsica, 5a. Ed., Editora Saraiva, SoPaulo.
Mosteller, F. & Rourke, R.E.K. (1993). Estatsticas Firmes. Edies Salamandra, Lisboa.
Murteira, B.J.F. (1990). Probabilidades e Estatstica, vols. I e II. 2. ed., McGraw-Hill de Portugal,
Lisboa.
Neave, H.R. (1985). Elementary Statistics Tables. George Allen & Unwin, London.
Neter, J., Kutner, M.H., Nachtsheim, C.J. & Wasserman, W. (1996). Applied Linear Regression
Models. 3rd. ed., IRWIN, Chicago.
Neter, J., Kutner, M.H., Nachtsheim, C.J. & Wasserman, W. (1996). Applied Linear Statistical Models.
4th. ed., IRWIN, Chicago.
Nick, E. & Kellner, S.R.O. (1971). Fundamentos de Estatstica para as Cincias do Comportamento.
Editora Renes, Rio de Janeiro.
Oliveira, T.F.R. (1976). Estatstica na Escola. Ao Livro Tcnico, Rio de Janeiro.
Ott, R.L. & Mendenhall, W. (1995). Understanding Statistics. 6th. ed., Duxbury Press, Belmont,
California.
Pagano, R.R. (1994). Understanding Statistics in the Behavioral Sciences. 4th. ed., West Publishing
Company, New York.
Peters, W.S. & Summers, G.W. (1978). Anlise Estatstica e Processo Decisrio. 2. ed., Editora da
Fundao Getlio Vargas, Rio de Janeiro.
Queiroz, H.L. (2000). Natural history and conservation of pirarucu, Arapaima gigas, at the Amazonian
Varzea: Red giants in muddy waters. Thesis submitted for the degree of Doctor of Philosophy,
University of St. Andrew.
Rameau, C. (1971). As Estatsticas: um Instrumento de Gesto, 10 e 20. Livraria Clssica Editora,
Lisboa.
Rees, D.G. (1990). Essential Statistics. 2rd. ed., Chapman and Hall, London.
Reichmann, W.J. (1975). Uso e Abuso das Estatsticas. Editora Artenova, Rio de Janeiro.
Reis, E. (1997). Estatstica Multivariada Aplicada. Edies Slabo, Ltda., Lisboa.
Reis, M.D. (1978). Elementos Bsicos de Estatstica. 2. ed., Editora Estrutura, So Paulo.
Reszczynski, O. (1969). Sumatorias. Centro Interamericano de Enseanza de Estadstica, Santiago.
Rivera, D.P.S. (1989). Estadstica Modelos y Mtodos, 1. Fundamentos. Alianza Editorial, Madrid.
Rocha, M.V. (1975). Curso de Estatstica. 3. ed., Fundao Instituto Brasileiro de Geografia e
Estatstica (IBGE), Rio de Janeiro.
Rosner, B. (2006). Fundamentals of Biostatistics. 6th. ed., Duxbury Press, Boston.
Rothenberg, R.I. (1991). Probability and Statistics. Harcout Brace Jovanovich, Publishers, New York.
Rowntree, D. (1981). Statistics Without Tears - A Primer for Non-mathematicians. Penguin Books,
New York.
- 355 -
Sahai, H. & Martnez, W. (1996). Tablas y Frmulas Estadsticas para las Ciencias Biolgicas,
Sociales y Fsicas. Grupo Editorial Iberoamrica, de C.V., Mxico.
Salaru, N.N. (1989). Blood groups in large sample from city of So Paulo (Brazil): allele and haplotype
frequencies for MNSs, Kell-Cellano, Rh and ABO systems. Rev. Brasil. Genet. 12, 2, 625-643.
Shapiro, S.S. & Wilk, M.B. (1965). An Analysis of variance test for normality (complete samples).
Biometrika, 52: 591- 411.
Shapiro, S.S., Wilk, M.B. & Chen, H.J. (1968). A comparative study of various tests for normality.
J. Amer. Statist. Assoc. 63: 1343 1372.
Scheaffer, R.L., Mendenhall, W. & Ott, L. (1990). Elementary Survey Sampling. 4th. ed., PWS-KENT
Shiavi, R. (1991). Introduction to Applied Statistical Signal Analysis. Aksen Associates Incorporated
Publishers, Boston.
Shiffler, R. E. & Adams, A. J. (1999). Succeding Statistics. Duxbury Press, New York.
Siegel, S. & Castellan Jr., N.J. (1988). Nonparametric Statistics for the Behavioral Sciences. 2nd. ed.,
Mc Graw-Hill, Inc., New York.
Sincich, T. (1993). Statistics by Example. 5th. ed., Prentice Hall, New Jersey.
Snedecor, G.W. & Cochran, W.G. (1978). Statistical Methods. 6th. ed., The Iowa State University
Press, Ames, Iowa.
Soares, J.F. & Siqueira, A.L. (2002). Introduo Estatstica Mdica. Departamento de Estatstica
UFMG, Belo Horizonte, Brasil.
Sokal, R.R. & Rohlf, F.J. (1969). Biometry. W. H. Freeman and Company, San Francisco.
Sokal, R.R. & Rohlf, F.J. (1995). Biometry. 3rd. ed., W. H. Freeman and Company, New York.
Sounis, E. (1985). Bioestatstica. 3. ed., Livraia Atheneu, Rio de Janeiro.
Spiegel, M.R. (1984). Estatstica. 2. ed., McGraw-Hill do Brasil, So Paulo.
Stansfield, W.D. (1985). Gentica. 2. ed., McGraw-Hill do Brasil, So Paulo.
Steel, R.G.D., Torrie, J.H. & Dickey, D.A. (1997). Principles and Procedures of Statistics A
Biometrical Approach. 3rd. ed., McGraw-Hill, New York.
Stevens, W.L. (1938). Estimation of blood-groups gene frequencies. Ann. Eug. 8:362-217.
Stevens, W.L. (1950). Statistical analysis of the A-B-O blood groups. Hum. Biol. 22:191-217.
Sutton, A. J., Abrams, K. R., Jones, D. R., Sheldin, T. A. & Song. F. (2000). Methods for MetaAnalysis in Medical Research. John Wiley & Sons, Ltd., New York.
Tanis, E.A. (1987). Statistics II Estimation and Tests of Hypotheses. Harcout Brace Jovanovich,
Tippett, L.H.C. (1968). Estatstica. 2. ed., Coleo SABBER, Publicaes Europa-Amrica, Lisboa.
Toledo, G.L. & Ovalle, I.I. (1995). Estatstica Bsica. 2. ed., Editora Atlas, So Paulo.
Triola, M.F. (1999). Introduo Estatstica. 7. ed., LTC Livros Tcnicos e Cientficos Editora, Rio
de Janeiro.
Van Belle. G. (2002). Statistical Rules of Thumb. Wiley Interscience, New York.
Vicente, P., Reis, E. & Ferro, F. (1996). Sondagens. Edies Slabo, Lisboa.
Vieira, S. (1981). Introduo Bioestatstica. Editora Campus, Rio de Janeiro.
Weaver, J. H. (2001). Conquering Statistics Numbers Without The Crunch. Perseus Publishing,
Cambridge, Massachusetts.
Wetherill, G.B. (1967). Elementary Statistical Methods. Methuen & Co. Ltd., London.
White, J., Yeats, A. & Skipworth, G. (1979). Tables for Statisticians. 3rd. ed., Stanley Thornes
(Publishers) Ltd., Cheltenham.
- 356 -
Wonnacott, R.J. & Wonnacott, T.H. (1985). Introductory Statistics. 4th. ed., John Wiley & Sons, New
York.
Zar, J.H. (1999). Biostatistical Analysis. 4th. ed., Prentice Hall, New Jersey.
- 357 -
NDICE
duas amostras pareadas, 150

fatorial a x b, 65
fatorial a x b x c, 67
Friedman, 68
Kruskal-Wallis, 70
Q de Cochran, 72
um critrio, 59
rea, grfico de, 260
Aumento do Tamanho Amostral, 14
A
Abrindo arquivos, 5
Acurcia, 102, 107
Aderncia,
G, teste, 119
Kolmogorov-Smirnov, 120
Lilliefors, 121
Qui-Quadrado, 121,122
Ajustamento de curvas, 219
Amostras, tamanho, 245
Amostragem, tipos de, 9
Aleatrias do grid, 13
Aleatrias simples, 10
Estratificadas, 11
Por conglomerados, 11
Sistemticas, 10
Anlise multivariada, 17
Componente principal, 23
Conglomerados, 17
Correlao cannica, 25
Discriminante, 20
Distncia Euclidiana, 30
Distncia de Penrose e Mahalanobis, 31
Teste de Hotelling, 33
Teste de Bartlett, 33
Teste de Mantel, 34
Anlise de resduos, 212, 221
Anlise de sobrevivncia, 39
atuarial, 40
Cox-Mantel, 41
Cox: Modelo de Risco Proporcional, 42
Gehan, 51
Kaplan-Meier, 46
Log-Rank test, 47
Mantel-Haenszel, 52
ANOVA, 59
dois critrios, 64
B
Bartlett, teste de, 33
Bayes, regra de, 106
Binomial, distribuio, 95
Binomial, teste, 116, 131
Bootstrap (Tira de bota), 75
Box-plot, 262, 262
C
Casas decimais, expresso de, 1
Caule e folha, diagrama, 263
Circular, estatsticas, 235
Cochran, teste Q de, 72
Coeficientes de variao, teste de, 144
Colunas, grfico de, 265
Configurando o BioEstat, 7
Componente principal, 23
Conglomerados, amostras por, 11
Conglomerados, anlise, 17
Correlao, 85
cannica, 25
circular, 244
concordncia de Kendall, 91
contingncia C, 90
de Kendall, 92
intraclasse, 151
- 359 -
NDICE
teste de Kolmogorov-Smirnov, 134
teste de Mann-Whitney, 135
teste da Mediana, 137
teste de Poisson, 145
teste do Qui-Quadrado, 138
teste t de Student, 126, 128
teste Z, 129, 130
Duas amostras relacionadas, 147
ANOVA, 150
teste de McNemar, 152
teste de Wilcoxon, 157
teste dos Sinais, 154
teste Kappa, 156
linear de Pearson, 85
linear < 0 ou > 0, 89
matriz de, 86
parcial, 88
Phi, 93
Spearman, 94
Curva, grfico de, 275
Curva ROC, 103
Cox-Mantel, 41
Cox: Modelo de Risco Proporcional, 42
Crivo (screening test), 102
D
DAgostino, teste, 203
DAgostino-Pearson, teste, 204
Densidade e tamanho da populao, 170
Diagrama de disperso, grfico, 267
Diagrama IC, 268
Diagrama Pontual, 271
Discriminante, anlise, 20
Distncia multivariada, 17
Euclidiana, 30
Penrose e Mahalanobis, 31
Distribuio de probabilidades, 95
binomial, 95
crivo (Screening test), 102
curva ROC, 103
exponencial, 98
F, 107
hipergeomtrica, 96
normal, 99
Poisson, 97
Qui-Quadrado, 108
Regra de Bayes, 106
Sensibilidade/Especificidade, 107
t Student, 109
Z, 109
Duas amostras independentes, 125
coeficiente de variao, 144
Odds Ratio (OR), 139
Risco Relativo, (RR), 140
taxa de Incidncia, 143
teste binomial, 131
teste exato de Fisher, 132
teste G, 133
E
Entrando com os dados, 3
Escolha do teste estatstico, sugestes, 331
Escolhendo o teste, 6
Especificidade, 102, 107
Estatstica circular, 235
Correlao, 244
Descritiva, 236
Uma amostra,
Rayleigh,, 238
Teste V, 239
Duas amostras independentes, 240
Duas amostras relacionadas, 243
Trs amostras independentes, 242
Estatstica descritiva, 159
Tendncia central, disperso e forma, 160
ndice de Shannon-Wiener, 162
ndice de Simpson, 163
Estimao de parmetros, 165
da diferena entre duas mdias, 167
da diferena entre duas propores, 169
da mdia, 165
da proporo, 167
densidade e tamanho da populao, 170
fentipos e gentipos, 172
Hardy-Weinberg, 171
Impacto populacional (PIN-ER-t), 174
Matriz de Crescimento (Leslie), 175
tamanho da populao, 176, 177, 177, 179
- 360 -
NDICE
diagama IC, 268
diagrama pontual, 271
disperso, 267
histograma, 272
manipulao, 283
mximo e mnimo, 276
pirmide populacional, 277
polar, 281
resultados, 287
setor, 282
tabelas de freqncia, 285
Estratificadas, amostras, 11
Euclidiana, distncia, 30
Executando o teste, 6
Exponencial, distribuio, 98
F
F, distribuio, 107
Fatorial, anova, 65. 69
Fentipos e gentipos, 172
Frmulas estatsticas, 289
anlise multivariada, 289
anlise de sobrevivncia, 292
anlise de varincia, 294
correlao, 296
distribuio circular, 328
distribuio de probabilidades, 297
duas amostras independentes, 301
duas amostras relacionadas, 305
estatstica descritiva, 308
estimao de parmetros, 310
meta-anlise, 315
normalidade, 318
Qui-Quadrado, 319
regresso, 321
tamanho das amostras, 325
transformao de dados, 327
uma amostra, 300
Fisher, teste exato, 132
Freqncia, tabelas de, 285
Friedman, teste de, 68
H
Hipergeomtrica, distribuio, 96
Histograma, grfico, 272
Hotelling, teste de, 33
I
Imprimindo, 6
Incidncia, taxa de, 143
Independncia, 125
duas amostras, 126, 129
Qui-Quadrado, 138
ndice, 357
ndice de Shannon-Wiener, 162
ndice de Simpson, 163
Instalando o BioEstat, 1
Iteraes, (runs test), 117
Kaplan-Meier, 46
Kappa, teste, 156
Kendall, 91
coeficiente de concordncia, 91
coeficiente de correlao, 92
Kolmogorov-Smirnov, teste de
aderncia, 120, 205
independncia, 134
uma amostra, 120
Kruskal-Wallis, teste de, 70
G, teste, 119, 133

Gehan, 51
Glossrio, 339
Grficos e tabela, 259
rea, 260
avanados, 287
box-plot (mediana), 261
box-plot (media), 262
caule e folha, 263
coluna, 265
curva, 275
- 361 -
NDICE
D'Agostino, teste de, 203
D'Agostino-Pearson, teste de, 204
Kolmogorov-Smirnov, teste de, 205
Lilliefors, teste de, 205
Shapiro-Wilk, teste de,206
Valores extremos, 207, 209
L
Leslie (Matriz de crescimento), 175
Lilliefors, teste de, 121, 205
Likelihood ratio, 102, 107
Linear, correlao, 85, 89
Linear mltipla, regresso, 217
Linear simples, regresso, 215
Logstica mltipla, regresso, 226
Logstica simples, regresso, 224
Log-Rank test, 47
O
Obtendo ajuda, 7
Odds-ratio, 139
Mahalanobis, distncia de, 31

Manipulao, Grficos, 283
Mann-Whitney, teste de, 135
Mantel, teste de, 34
Mantel-Haenszel, 52, 187
Mximo e mnimo, grfico, 276
McNemar, teste de, 152
Mdia, estimao da, 165
Mediana, teste da, 137
Meta-Anlise, 181
DerSimonian-Laird, 182
Dados Contnuos, 185
Grficos, 259
Mantel-Haenszel, 177
Qui-Quadrado, 191, 192
p-valor, 190
Regresso, 194
Risco Relativo, 195
Teste G, 197
Vrias Correlaes, 198
Vrias Propores, 200
Kolmogorov-Smirnov, teste de, 120, 134
Multivariada, anlise, 17
Mltipla, regresso linear, 217
Mltipla, regresso logstica, 226
P-valor (Meta-Anlise), 190

Parcial, correlao, 88
Pearson, correlao de, 85
Penrose, distncia de, 31
PIN-ER-t, 174
Pirmide Populacional, 53, 277
Ponto de Corte, 105
Populao, tamanho, 176
amostragem simples direta, 176
amostragem simples inversa, 177
amostragem mltipla pop. aberta, 179
amostragem mltipla pop. fechada, 177
densidade e tamanho, 170
Poisson, distribuio de, 97
Poisson, teste, 145
Polgono de freqncia, 285
Polinomial, regresso, 228
Prevalncia, 102, 107
Probabilidades, distribuio, 95
Proporo,
estimao da, 167, 169
uma amostra, 116
duas amostras, 131
vrias propores, 200
Q, de Cochran, 72
Qui-Quadrado, 211
amostras independentes, 211
anlise de resduos, 212
NNT e NNH, 134, 140

Normal, distribuio, 99
Normalidade, 203
- 362 -
NDICE
distribuio do, 108
homogeneidade, aderncia, 211
homogeneidade, independncia, 211
Mantel-Haensze, 52, 187
partio, 211
tendncia, 213
uma amostra, 121, 122
vrias propores, 200
T
t de Student, distribuio, 109
Tabela de freqncia, 285
Tamanho da populao, 176
amostragem simples direta, 176
amostragem simples inversa, 177
amostragem mltipla pop. Aberta, 179
amostragem mltipla pop. fechada, 177
Tamanho das amostras, 245
anlise de varincia, 246
correlao linear, 246
McNemar, 247
proporo
duas amostras, 248
uma amostra, 249
Qui-Quadrado, 250
Regresso linear, 250
Teste t,
amostras pareadas, 253
uma amostra, 251
Taxa de incidncia, 143
Teste binomial,
duas propores, 131
uma proporo, 116
Teste da Mediana, 137
Teste de Bartlett, 33
Teste de Cox-Mantel, 41
Teste DAgostino, 203
Teste DAgostino-Pearson, 204
Teste de Gehan, 51
Teste de Friedman, 68
Teste de Hotelling, 33
Teste de Kappa, 156
Teste de Kaplan-Meier, 46
Teste de Kolmogorov-Smirnov,
Teste de Kruskal-Wallis, 70
Teste de Lilliefors, 121, 205
Teste de Mantel-Haenszel, 52, 187
Teste de Mann-Whitney, 135
Teste de McNemar, 152
Teste de Parker, 179
Teste de Poisson, 123, 145
R
Rayleigh (circular, uma amostra), 238
Reamostragem: bootstrap, 15
Referncias bibliogrficas, 358
Regra de Bayes, 106
Regresso, 215
ajustamento de curvas, 219
anlise de resduos, 221
comparao de duas regresses, 233
homogeneidade, 194
linear mltipla, 217
linear simples, 215
logstica mltipla, 226
logstica simples, 224
polinomial, 228
seleo de regressores, 230
stepwise, 230
tamanho da amostra, 250
Requerimentos de sistema, 1
Risco relativo, 140, 195
Runs test (Iteraes), 117
S
Salvando os dados, 4
Sensibilidade, 102, 107
Setor, grfico de, 282
Sensibilidade/Especificidade, 107
Shapiro-Wilk, teste, 206
Sinais, teste dos, 154
Spearman, correlao de, 94
Sugestes, escolha do teste estatstico, 331
- 363 -
NDICE
Teste de Shapiro-Wilk,
Teste de Schumacher e Eschmeyer, 177
Teste de Wilcoxon, 157
Teste do Qui-Quadrado,
homogeneidade, 191
partio, 211
tendncia, 213
vrias propores, 200
Teste dos sinais, 154
Teste exato de Fisher, 132
Teste G,
uma amostra, 119
homogeneidade, 197
Teste Kappa, 156
Teste Q de Cochran, 72
Teste t,
duas amostras independentes, 126, 128
duas amostras relacionadas, 147, 149
Teste V (circular, uma amostra), 239
Teste Z,
duas amostras independentes, 129. 130
Tira de bota (Bootstrap), 75
Transformao de dados, 255
binomial, teste, 116

Iteraes, (runs test), 117
teste G, 119
teste de Kolmogorov-Smirnov, 120
teste de Lilliefors, 121
teste do Qui-Quadrado, 121, 122
teste de Poisson, 123
teste Z, 114, 115
V
Valores extremos, 207, 209
Valores preditivos, 102, 107
Vrias propores, 200
Variao, coeficiente de, 144
Varincia, anlise de, 59
W
Wilcoxon, teste de, 157
Wilcoxon-Mann-Withney, 135
Z
Z, distribuio, 109
Z, teste para duas amostras independentes, 129
Z, para uma amostra, 114
U
Uma amostra, 111
- 364 -

Bio Help PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bio Help PDF

Uploaded by

Copyright:

Available Formats

APLICAES ESTATSTICAS

NAS REAS DAS CINCIAS BIO-MDICAS

Tecnlogo em Processamento de Dados

BELM PAR BRASIL

Manuel Ayres, Manuel Ayres Jnior, Daniel Lima Ayres, Alex de

O pacote estatstico BioEstat, aqui apresentado, tem como objetivo propiciar

fornecidos podem ter sido originados de situaes prticas reais ou puramente

Os autores penhoradamente agradecem o desvelo da Professora

Ao LUCAS LIMA AYRES, aluno de Medicina Veterinria da Universidade

Agradecemos, tambm, a todas as pessoas que colaboraram direta ou

Os autores estendem seus agradecimentos s seguintes Instituies:

1.1 Requerimentos de sistema, 1

1.2 Instalando o BioEstat, 1

1.8 Escolhendo o teste, 6

1.3 Expresso de casas decimais, 1

1.9 Executando o teste, 6

1.4 Entrando com os dados, 3

1.10 Configurando o BioEstat, 7

1.5 Salvando os dados, 4

1.10 Obtendo ajuda, 7

1.6 Abrindo arquivos, 5

1.12 Capacidade do geral do sistema, 7

2.5 Amostra por Conglomerados, 11

2.2 Amostra Aleatria Simples, 10

2.6 Amostragem dos Escores do Grid, 13

2.3 Amostra Sistemtica, 10

2.7 Aumento da amostra, 14

2.4 Amostra Estratificada, 11

3.6 Distncia Euclidiana, 30

3.2 Anlise de Conglomerados, 17

3.7 Distncia Penrose-Mahalanobis, 31

3.3 Anlise Discriminante, 20

3.8 Teste de Bartlett, 33

3.4 Componentes Principais, 23

3.9 Teste de Hotelling, 33

3.5 Correlao Cannica, 25

3.10 Teste de Mantel, 34

4.6 Log-Rank Test, 47

4.7 Gehan (Wilcoxon Gerneralizado), 51

4.3 Modelo de Cox-Mantel, 41

4.4 Cox: Modelo de Risco Proporcional, 42 4.9 Pirmide Populacional, 53

5.5 ANOVA: fatorial a x b x c, 67

5.2 ANOVA: um critrio, 59

5.6 Teste de Friedman, 68

5.3 ANOVA: dois critrios, 64

5.7 Teste de Kruskal-Wallis, 70

5.4 ANOVA: fatorial a x b, 65

5.8 Teste Q de Cochran, 72

Bootstrap Tira de Bota

6.2 Dados Dicotmicos, 75

6.7 Teste t, 2 amostras independentes, 81

6.3 Dados Contnuos, 77

6.8 ANOVA, um critrio, 82

6.4 IC da Correlao Linear, 78

6.9 Correlao Linear, 83

*IC: Intervalo de Confiana

7.6 Coeficiente de Contingncia C, 90

7.2 Correlao Linear de Pearson, 85

7.7 Concordncia de Kendall, 91

7.3 Matriz de Correlao, 86

7.8 Correlao de Kendall, 92

7.4 Correlao Parcial, 88

7.9 Coeficiente Phi: r, 93