Professional Documents
Culture Documents
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
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
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
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.
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
SUMRIO
CAPTULO 1
Usando o BioEstat
1.7 Imprimindo, 6
CAPTULO 2
Amostragem
2.1 Introduo, 9
CAPTULO 3
Anlise Multivariada.
17
3.1 Introduo, 17
CAPTULO 4
Anlise de Sobrevivncia .
39
4.1 Introduo, 39
4.2 Atuarial, 40
4.8 Mantel-Haenszel, 52
- xi -
SUMRIO
CAPTULO 5
Anlise de Varincia
59
5.1 Introduo, 59
CAPTULO 6
75
6.1 Introduo, 75
6.6 IC da Proporo , 80
6.5 IC da Mdia , 79
CAPTULO 7
Correlao
85
7.1 Introduo, 85
CAPTULO 8
Distribuio de Probabilidades
8.1 Introduo, 95
8.9
- xii -
95
SUMRIO
CAPTULO 9
Uma Amostra
111
CAPTULO 10
125
CAPTULO 11
11.1 Introduo,147
- xiii -
147
SUMRIO
159
CAPTULO 13
Estimao de Parmetros
165
13.9
13.5 Diferena entre Duas Propores, 169 13.12 Tamanho (simples, direto), 176
13.6 Densidade e Tamanho, 170
CAPTULO 14
Meta-Anlise
181
14.7
14.8
14.9
CAPTULO 15
Normalidade
203
- xiv -
SUMRIO
CAPTULO 16
Qui-Quadrado
211
CAPTULO 17
Anlise de Regresso
215
CAPTULO 18
Estatstica Circular
235
18.3 Uma Amostra: Teste de Rayleigh, 238 18.7 Duas Amostras Relacionadas, 243
18.4 Uma Amostra: Teste V, 239
245
19.7 Qui-Quadrado, 250
CAPTULO 20
Transformao de Dados
- xv -
SUMRIO
CAPTULO 21
Grficos e Tabela
259
21.8
21.9
CAPTULO 22
Frmulas Estatsticas
289
CAPTULO 23
- xvi -
331
SUMRIO
Glossrio
339
Referncias Bibliogrficas
351
ndice
359
- xvii -
CAPTULO 1
USANDO O BIOESTAT
VALOR DESEJADO
GRAFIA
INCORRETA
Um e meio.
1.5
1,5
2.75
2,75
5000.01
5000,01
-1-
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
-3-
-4-
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-
-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).
- 10 -
CAPTULO 2 AMOSTRAGEM
Figura 2.3
Amostragem
sistemtica.
- 11 -
CAPTULO 2 AMOSTRAGEM
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 -
CAPTULO 2 AMOSTRAGEM
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 -
CAPTULO 2 AMOSTRAGEM
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.
2.7.2 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 -
CAPTULO 2 AMOSTRAGEM
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 -
CAPTULO 2 AMOSTRAGEM
- 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.
- 17 -
- 18 -
Figura 3.3
Valores que
representam
as duas
primeiras
letras de
cada idioma.
Exemplo
3.2.1B.
- 19 -
Nota: no BioEstat
as distncias so
normalizadas em
termos relativos
maior distncia
calculada.
- 20 -
3.3.2 INSTRUES
a) Clicar no menu Anlise Multivariada e selecionar em Anlise Discriminante;
b) Selecionar as colunas referentes s variveis do grid geral;
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 -
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.
- 22 -
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.
- 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.
- 24 -
Figura 3.13
Grfico do
Exemplo
3.4.1.
- 25 -
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.
- 27 -
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 -
Definio dos
grupos de
variveis do
Exemplo
3.5.2.
Figura 3.20
Resultados
do Exemplo
3.5.2.
- 29 -
Figura 3.21
Matriz de
correlao do
Exemplo
3.5.2.
3.6.2 INSTRUES
a) Pressionar o mouse em Distncia Multivariada (Euclidiana);
b) Selecionar as colunas referentes s variveis do grid geral;
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 -
- 31 -
f)
Figura 3.27
Grfico do
Exemplo
3.7.1.
- 32 -
- 33 -
3.9.2 INSTRUES
a) Pressionar o mouse em Teste de Hotelling;
b) Selecionar as colunas referentes s variveis do grid geral;
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.
- 34 -
Figura 3.32
Distncias
geogrficas
em 5 pontos
de coleta
em cada
municpio.
Ex 3.10.1B.
- 35 -
Figura 3.33
Dados da
matriz
Penrose.
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 -
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
- 37 -
- 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;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
c) Apontar o mouse em Anlise de Sobrevivncia, conforme demonstra a Figura 4.1
Figura 4.1
Menu
Anlise de
Sobrevivncia.
- 39 -
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;
b) Selecionar as colunas referentes s variveis do grid geral;
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.
- 40 -
4.3 COX-MANTEL
Teste estatstico no-paramtrico para duas amostras independentes com observaes
censuradas.
4.3.1 EXEMPLO (hipottico)
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.
- 42 -
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 -
f)
Figura 4.8
Parte
superior do
grid de
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 -
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.
- 45 -
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.
- 46 -
Figura 4.14
Grfico do
Exemplo
4.5.1.
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 -
4.6.4 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 -
- 49 -
- 50 -
- 51 -
Figura 4.24
Resultados
do Exemplo
4.7.1.
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
143
111
HPV -
45
76
- 52 -
- 53 -
- 54 -
- 55 -
4.9.8 INSTRUES
a) Inserir no grid os dados hipotticos;
b) Pressionar em Grficos e, a seguir, em Pirmide Populacional;
- 56 -
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;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
c) Apontar o mouse em Anlise de Varincia, conforme demonstra a Figura 5.1:
Figura 5.1
Menu de
Anlise de
Varincia.
- 59 -
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.;
Nvel de deciso: alfa = 0.01.
- 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.
- 61 -
Figura 5.7
Resultados
do Exemplo
5.2.2
(Dunnett).
- 62 -
Figura 5.8
Grfico do
Exemplo
5.2.1.
- 63 -
- 64 -
Figura 5.12
Resultados
do Exemplo
5.3.1.
- 65 -
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 -
- 67 -
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.
- 68 -
- 69 -
5.7.2 INSTRUES
a) Pressionar o mouse em Kruskal-Wallis;
b) Selecionar as colunas referentes aos tratamentos do grid geral;
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.
- 71 -
- 72 -
- 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
a) Dirigir o mouse para o menu superior e clicar em Estatstica;
b) Apontar o mouse em Bootstrap, quando surgir a figura abaixo:
Figura 6.1
Menu de
Bootstrap.
- 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.
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.
- 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.
- 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.
- 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.
- 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.
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;
Nvel de deciso: alfa = 0.01.
- 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.
- 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;
d) Clicar em Executar, para resultados.
Figura 6.16
Resultados
do Exemplo
6.9.1.
- 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:
a) Testes paramtricos:
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);
b) Testes no-paramtricos:
i Contingncia C;
ii Concordncia de Kendall;
iii Correlao de Kendall;
iv Coeficiente Phi;
v Correlao de Spearman.
7.1.1 INSTRUES
a) Introduzir os dados no grid geral do BioEstat;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
c) Apontar o mouse em Correlao, conforme demonstra a Figura 7.1:
Figura 7.1
Menu de
Correlao.
- 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;
Nvel de deciso: alfa = 0.05.
Figura 7.2
Dados do
Exemplo
7.2.1.
7.2.2 INSTRUES
a) Pressionar o mouse em Coef. de Correlao de Pearson;
b) Selecionar as colunas referentes s variveis do grid geral;
c) Clicar em Executar o Teste para obter resultados.
Figura 7.3
Resultados
do Exemplo
7.2.1.
- 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.
7.3.3 GRFICO DO EXEMPLO 7.3.1
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);
Nvel de deciso: alfa = 0.05.
Figura 7.7
Dados do
Exemplo
7.4.1.
7.4.2 INSTRUES
a) Pressionar o mouse em Coef. de Correlao Parcial;
b) Selecionar as colunas referentes s variveis do grid geral;
c) Clicar em Executar o Teste, surgindo uma tela para a escolha da varivel Z;
d) Pressionar Executar, para resultados.
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;
Nvel de deciso: alfa = 0.05.
Figura 7.9
Dados do
Exemplo
7.5.1.
7.5.2 INSTRUES
a) Pressionar o mouse em Coef. de Correlao: < 0 ou > 0;
b) Selecionar as colunas referentes s variveis do grid geral;
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).
- 89 -
CAPTULO 7 CORRELAO
Figura 7.11
Resultados
do Exemplo
7.5.1.
a)
- 90 -
CAPTULO 7 CORRELAO
Figura 7.13
Resultados
do Exemplo
7.6.1.
- 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;
Nvel de deciso: alfa = 0.05.
Figura 7.16
Dados do
Exemplo
7.8.1.
7.8.2 INSTRUES
a) Pressionar o mouse em Coeficiente de Correlao de Kendall;
b) Selecionar as colunas referentes s variveis do grid geral;
c) Clicar em Executar o Teste, para resultados.
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;
Nvel de deciso: alfa = 0.05.
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).
- 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.
- 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
a) Dirigir o mouse para o menu superior e clicar em Estatstica;
b) Apontar o mouse em Distribuio de Probabilidades.
Figura 8.1
Menu de
Distribuio
de Probabilidades.
- 95 -
Figura 8.2
Distribuio
Binomial.
(Exemplo
8.2.1)
- 96 -
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).
- 97 -
- 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).
- 99 -
- 100 -
Figura 8.7
Distribuio
Normal.
(Exemplo
8.6.1 - b).
- 101 -
Definies
- 102 -
- 103 -
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.
- 104 -
Figura 8.16
Curva ROC,
Ponto de
Corte,
Sensibilidade,
Especificidade
e a menor
Distncia (d) ao
Padro Ouro,
Exemplo
8.9.1.
- 105 -
- 106 -
- 107 -
Figura 8.21
O p-valor
obtido
igual a
0.0408.
- 108 -
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 -
- 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:
a) Testes paramtricos:
i Teste t: dados amostrais;
ii Teste t: resumo amostral;
iii Teste Z: dados amostrais;
iv Teste Z: resumo amostral.
b) Testes no-paramtricos:
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
a) Introduzir os dados no grid geral do BioEstat;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
c) Apontar o mouse em Uma Amostra, conforme demonstra a Figura 9.1:
Figura 9.1
Menu dos
aplicativos
para uma
amostra.
- 111 -
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.
- 112 -
Figura 9.4
Resultados
do Exemplo
9.2.1.
- 113 -
Figura 9.6
Resultados
do Exemplo
9.3.1.
- 114 -
- 115 -
Figura 9.11
Resultados
do Exemplo
9.5.1
- 116 -
- 117 -
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;
Nvel de deciso: = 0.05.
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);
c) Clicar em Executar, para resultados.
- 118 -
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 -
- 120 -
- 121 -
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.
- 122 -
Figura 9.23
Dados do
Exemplo
9.12.1.
- 123 -
- 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.
a) Testes paramtricos:
i Teste t: dados amostrais;
ii Teste t: resumo amostral;
iii Teste Z: dados amostrais;
iv Teste Z: resumo amostral.
b) Testes no-paramtricos:
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;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
c) Apontar o mouse em Duas Amostras Independentes.
Figura 10.1
Menu de
Duas
Amostras
Independentes.
- 125 -
- 126 -
- 127 -
Figura 10.6
Resultados
do Exemplo
10.3.1.
- 128 -
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.
- 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 -
10.6.2 INSTRUES
a) Pressionar o mouse em Teste Binomial: duas propores;
b) Preencher as caixas de texto com os dados;
c) Clicar em Executar, para resultados.
Figura 10.12
Teste
Binomial
(Exemplo
10.6.1).
- 132 -
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;
b) Preencher as caixas de texto com os dados;
c) Clicar em Executar, para resultados.
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 -
- 134 -
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.
- 135 -
10.10.2 INSTRUES
a) Pressionar o mouse em Mann-Whitney;
b) Selecionar as colunas referentes s amostras do grid geral;
c) Clicar em Executar o Teste, para resultados.
Figura 10.19
Resultados
do Exemplo
10.10.1.
- 136 -
10.11.2 INSTRUES
a) Pressionar o mouse em Mediana;
b) Selecionar as colunas referentes s amostras do grid geral;
c) Clicar em Executar o Teste, para resultados.
Figura 10.21
Resultados
do Exemplo
10.11.1.
- 137 -
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;
Nvel de deciso: alfa = 0.05.
10.12.2 INSTRUES
a) Pressionar o mouse em Qui-Quadrado;
b) Selecionar as colunas referentes s amostras do grid geral;
c) Clicar em Executar o Teste, para resultados;
Figura 10.23
Resultados
do Exemplo
10.12.1.
- 138 -
- 139 -
Figura 10.25
Teste de
Odds Ratio
(Exemplo
10.13.1 com
posio
invertida das
amostras).
- 140 -
- 141 -
- 142 -
- 143 -
Figura 10.30
Coeficientes
de Variao:
Resultados
do Exemplo
10.16.1.
- 144 -
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).
- 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:
a) Testes paramtricos:
i Teste t de Student: dados amostrais;
ii Teste t de Student: resumo amostral;
iii ANOVA.
b) Testes no-paramtricos:
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;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
c) Apontar o mouse em Duas Amostras Relacionadas, para a escolha do teste:
Figura 11.1
Menu dos
aplicativos
para duas
amostras
relacionadas.
- 147 -
- 148 -
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.
- 149 -
11.4.2 INSTRUES
a) Pressionar o mouse em ANOVA;
b) Selecionar as colunas referentes s amostras do grid geral;
c) Clicar em Executar o Teste, para resultados.
Figura 11.7
Resultados do
Exemplo
11.4.1.
- 150 -
Figura 11.8
Grfico de
Colunas
Justapostas
do Exemplo
11.4.1.
- 151 -
B (+ )
D (
)
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 -
Exemplo
11.6.1.
- 153 -
- 154 -
11.7.2 INSTRUES
a) Pressionar o mouse em Sinais;
b) Selecionar as colunas do grid geral;
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.
ANO 2007
ANO 2006
Satisfeito
Insatisfeito
Satisfeito
180
19
Insatisfeito
20
181
- 156 -
- 157 -
- 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.
- 159 -
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 -
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.
- 161 -
12.3.1.2 INSTRUES
a) Introduzir os dados no grid geral do BioEstat;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
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);
e) Pressionar em Executar o Teste, para Resultados.
Figura 12.6
Resultados do
Exemplo
12.3.1.1.
- 162 -
12.3.2.2 INSTRUES
a) Introduzir os dados no grid geral do BioEstat;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
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 );
e) Pressionar em Executar o Teste, para Resultados.
Figura 12.8
Resultados do
Exemplo
12.3..2.1.
- 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
a) Dirigir o mouse para o menu superior e clicar em Estatstica;
b) Apontar o mouse em Estimao de Parmetros, como demonstra a Fig. 13.1:
Figura 13.1
Menu de
Estimao de
Parmetros.
- 165 -
- 166 -
- 167 -
- 168 -
- 169 -
- 170 -
- 171 -
- 172 -
- 173 -
- 174 -
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.
- 175 -
13.12.2 INSTRUES
a) Pressionar o mouse em Tamanho da populao (amostragem simples, mtodo
direto);
b) Preencher as caixas de texto;
c) Clicar em Executar, para resultados.
- 176 -
- 177 -
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.
- 179 -
Figura 13.22
Espcimes
inicialmente
capturados.
(Exemplo
13.15.1).
Figura 13.23
Resultados
do
Exemplo
13.15.1.
- 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
a) Dirigir o mouse para o menu superior e clicar em Estatstica;
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.
- 182 -
CAPTULO 14 META-ANLISE
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
- 183 -
CAPTULO 14 META-ANLISE
Figura 14.2
Resultados
do Exemplo
14.2.1.
- 184 -
CAPTULO 14 META-ANLISE
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).
- 185 -
CAPTULO 14 META-ANLISE
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.
- 186 -
CAPTULO 14 META-ANLISE
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
- 187 -
CAPTULO 14 META-ANLISE
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
- 188 -
CAPTULO 14 META-ANLISE
Figura 14.9
Resultados
do Exemplo
14.4.1.
- 189 -
CAPTULO 14 META-ANLISE
Pressionar o mouse em Grfico na barra da Figura 14.9, para obter o resultado.
Figura 14.11
.
Grfico do
Exemplo
14.4.1.
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 -
CAPTULO 14 META-ANLISE
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;
Nvel de deciso: alfa = 0.01.
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)
- 191 -
CAPTULO 14 META-ANLISE
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.
- 192 -
CAPTULO 14 META-ANLISE
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
- 193 -
CAPTULO 14 META-ANLISE
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.
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 -
CAPTULO 14 META-ANLISE
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;
c) Clicar em Executar, para resultados.
Figura 14.19
Resultados
do Exemplo
14.8.1.
- 195 -
CAPTULO 14 META-ANLISE
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
- 196 -
CAPTULO 14 META-ANLISE
Figura 14.22
Grfico do
Exemplo
14.9.1
- 197 -
CAPTULO 14 META-ANLISE
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.
Exemplo_14_10_1
Figura 14.25
Resultados
do exemplo
14.10.1.
- 198 -
CAPTULO 14 META-ANLISE
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;
Nvel de deciso: alfa = 0.05.
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)
Figura 14.28
Resultados
do Exemplo
14.11.1.
- 199 -
CAPTULO 14 META-ANLISE
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.
H1: H diferena nas propores de linfcitos obtidas nos aparelhos testados: pelo
menos duas propores so desiguais; pi pj;
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 -
CAPTULO 14 META-ANLISE
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.
- 201 -
CAPTULO 14 META-ANLISE
- 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;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
c) Apontar o mouse em Normalidade, conforme mostra a Figura 15.1.
Figura 15.1
Menu
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;
c) Clicar em Executar, para resultados.
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;
Nvel de deciso: alfa = 0.05.
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 -
CAPTULO 15 NORMALIDADE
Figura 15.4
Dados do
Exemplo
15.3.1
e resultados
do teste.
- 205 -
CAPTULO 15 NORMALIDADE
Figura 15.5
Dados das
amostras do
Exemplo
15.5.1.
Figura 15.6
Resultados
das
Amostras
do Exemplo
15.5.1.
- 206 -
CAPTULO 15 NORMALIDADE
15.6.2 INSTRUES
a) Pressionar o mouse em Shapiro-Wilk (k amostras);
b) Selecionar a coluna correspondente amostra do grid geral;
c) Clicar em Executar, para resultados.
Figura 15.8
Resultados
do Teste de
ShapiroWilk do
Exemplo
15.6.1.
- 207 -
CAPTULO 15 NORMALIDADE
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.
Valor
Extremo = 65
- 208 -
CAPTULO 15 NORMALIDADE
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.
- 209 -
CAPTULO 15 NORMALIDADE
- 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)
16.1.1 INSTRUES
a) Dirigir o mouse para o menu superior e clicar em Estatstica;
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 -
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 -
- 213 -
54 59
120
784
IDADE EM ANOS
60 64
65 69
135
162
800
950
70 74
190
950
- 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
a) Dirigir o mouse para o menu superior e clicar em Estatstica;
b) Apontar o mouse em Regresso, quando surgir a figura abaixo:
Figura 17.1
Menu dos
Aplicativos de
Regresso.
.
- 215 -
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;
c) Clicar em Executar o Teste, para resultados.
Figura 17.3
Resultados
do Exemplo
17.2.1.
- 216 -
- 217 -
- 218 -
- 219 -
Figura 17.11
Grfico
do Exemplo
17.4.1.
- 221 -
Figura 17.12
Dados do
Exemplo
17.5.1
(viso
parcial).
d) Clique na opo Grfico do menu superior para obter o diagrama dos resduos.
- 222 -
Valor extremo?
11 = 41.1051
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 -
- 224 -
H0: = 0;
H1: 0;
Nvel de deciso: alfa = 0.05.
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);
c) Clicar em Executar o Teste, para resultados.
Figura 17.19
Resultados
do Exemplo
17.6.1.
- 225 -
DEFINIES:
Y: Cncer presente = 1; Ausente = 0;
X1: Sexos: Masculino = 1; Feminino =0;
X2: Fumante = 1; No Fumante = 0
- 226 -
- 227 -
- 228 -
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.
- 229 -
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 -
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 -
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 -
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;
c) Clicar em Executar o Teste, para resultados.
- 233 -
Figura 17.33
Resultados
do Exemplo
17.10.1.
- 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 -
- 236 -
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 -
18.3.2 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 -
18.4.2 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.
- 240 -
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 -
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.
Nvel de deciso: alfa = 0.05.
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 foi muito significativo (< 0.0001), rejeitando-se H0. O tratamento aumentou
a mdia angular de flexo dos joelhos dos indivduos submetidos ao tratamento.
- 243 -
H0: raa=0;
H1: raa0;
Nvel de deciso: alfa = 0.05.
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)
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
a) Dirigir o mouse para o menu superior e clicar em Estatstica;
b) Apontar o mouse em Tamanho das Amostras, quando surgir a figura abaixo:
Figura 19.1
Menu de
Tamanho
das
Amostras.
- 245 -
- 246 -
- 247 -
- 248 -
Figura 19.5
Tamanho
da amostra:
Uma
Proporo.
- 249 -
- 250 -
- 251 -
BNSE
ENSE
Mdia de peso
2950g
3240g
- 252 -
Desvio padro
468g
470g
- 253 -
- 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 -
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 -
a)
b)
c)
d)
- 257 -
20.1.4 INSTRUES
a) Preencher o grid geral com os municpios selecionados e respectivos valores das
populaes e reas;
b) Dirigir o mouse para o menu superior e clicar em Estatstica;
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.
- 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.
- 259 -
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 -
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 -
- 262 -
Figura 21.9
Grfico BoxPlot do
Exemplo
21.4.1.
Valores Extremos
Caule
52
46
115
5
Folha
3
7
8
2
- 263 -
Preciso da Folha
Unidade
Centsimo
Dcimo
Dezena
= 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.
- 264 -
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 -
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.
- 266 -
- 267 -
A figura abaixo
ilustra o resultado
do teste de
Correlao Linear
do Exemplo 21.7.1.
- 268 -
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 -
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.
- 271 -
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.
= 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 21.29
Histograma
com polgono
de freqncia
do Exemplo
21.10.1.
- 274 -
21.11.2 INSTRUES
a) Clicar em Linha (Curva);
b) Selecionar as colunas do grid e pressionar em Executar.
Figura 21.31
Grfico de
linha do
Exemplo
21.11.1.
- 275 -
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;
b) Selecionar as colunas do grid e pressionar em Executar.
Figura 21.33
Grfico de
Mximo e
Mnimo do
Exemplo
21.12.1.
- 276 -
21.13.2 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 21.35
Pirmide
populacional
do
Exemplo
21.13.1.
- 277 -
24.13.4 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 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 -
24.13.6 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 21.39
Pirmide
populacional
do
Exemplo
21.13.5.
- 279 -
21.13.8 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 21.41
Pirmide
populacional
do
Exemplo
21.13.7.
Esta pirmide representa trs variveis: faixa etria, sexo, estado civil (solteiros e no
solteiros).
- 280 -
21.14.2 INSTRUES
a) Introduzir os dados no grid geral do BioEstat;
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 -
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.
- 282 -
- 283 -
Figura 21.49
Tamanho dos
caracteres.
3.
4.
5.
- 284 -
- 285 -
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.
- 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
e) Mdia do Grupo:
d (UV )W = i k
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 -
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
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
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
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)
1 2 3 p 0 ;
d) Autovetores:
a i1 , a i 2 , , a ip ;
e)
f)
var (Z i ) = i .
dij = xik x jk 2 .
k =1
( ki kj )2 .
pVk
k =1
) (
Dij2 = ri rj v rs si sj
r =1 s =1
- 291 -
).
C=
{(n1 1) C1 + (n2 1) C2 } ;
n1 + n2 2
b) Teste de Hotelling:
T2 =
n1n2 ( x1 x2 )' C 1 ( x1 x2 )
;
n1 + n2
= n 1 ( p m ) ln[T / W ].
2
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 -
var ln S (t ) = var ln p j .
j =1
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
Ai ) ; Z = U I .
n1+ n2
Var (W ) =
n1n 2
i =1
U i2
(n1 + n2 )(n1 + n2 1)
- 293 -
Z = W Var (W ) .
S (t ) = e
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);
SQtotal = X ij
rt
r
rt
SQerro = SQtotal SQtratamentos; gltratamentos = t 1; glerro = t(r 1);
SQblo cos =
X .j
t
X ..2
; SQerro = SQtotal SQtratamentos SQblocos;
rt
- 294 -
(k 1) k G j G j
j =1
j =1
.
Q=
N
N
2
k Li Li
i =1
i =1
- 295 -
2 =
(Oij Eij )2 ;
Eij
i =1 j =1
C=
N + 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.
=
z=
S
1
N ( N 1)
2
2(2 N + 5) ;
9 N ( N 1)
rxy. z =
1 rxz2
2
r yz
gl = N 3.
- 296 -
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
phi = r =
ad bc
rs = 1
t = rs
6 Di2
N ( N 2 1)
N 2 .
1 rs 2
xe ;
P( x ) =
x!
- 297 -
( N k )!
k!
x ! (k x ) ! (n x ) ! (( N k ) (n x )) ! .
P( x ) =
N!
n !(N n )!
E(x) = = n
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 -
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 =
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 =
d = (1 Sensibilidade )2 + (1 Especificidade )2
Eixo das ordenadas (Y) = Sensibilidade
Eixo das abscissas (X) = 1 Especificidade (Falso-positivos)
- 299 -
Pr( Bi A) =
Pr( A Bi ) Pr( Bi )
k
Pr( A B j ) Pr( B j )
j =1
1.36
, para = 0.05;
1.63
, para = 0.01.
2 =
(O E )2 ;
(Yates ) =
( O E 0.5)2 ;
E
gl = k 1.
22.7.3 TESTE G (aderncia)
N = tamanho da amostra;
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 -
Xi
; sx = s / n ;
n
X
; gl = n 1.
t=
sx
X=
22.7.6 TESTE Z
= mdia da populao;
n = tamanho da amostra;
Xi
; x = / n ;
X=
n
Z=
0
p = 2 1
quando x < 0
k =0 k !
x e 0 0k
quando x 0.
p = 2
k = 0 k !
p=
2 = 4D 2
NB = tamanho da 2a amostra;
NA NB
NA + NB
; D 1.36
, para = 0.05;
NA + NB
NA NB
- 301 -
D 1.63
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 +
N AD BC
2
;
X2 =
( A + B )(C + D )( A + C )(B + D )
gl = 1.
E1 =
V1 =
(a1 + a 2 )t1
t1 + t 2
(a1 + a2 )t1t 2
(t1 + t 2 ) 2
a1 E1 + 0.5
V1
- 302 -
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;
k = nmero de colunas;
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
Tabela de contingncia 2 x 2:
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 .
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.
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
;
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 =
z=
2 X1 +
3
3
2X 2 +
4
4
K=
po pe
;
1 pe
se(K ) =
Z=
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 -
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
1
;
2
Z=
2x 1 n
k =0
T =
N ( N + 1)
;
4
- 306 -
T =
sD =
sD =
t=
(D D ) ;
N 1
sD
2
D ; gl = N 1.
sD
j =1
i =1 j =1
- 307 -
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
CV =
s
100 .
X
(
= (X
= (X
);
X) ;
X) .
m2 = X i X
m3
m4
- 308 -
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.
GM =
X i , ou ln(G) =
i =1
ln( X i )
n
GM = antiln(G).
ln( X i )
ln( X 1 ) V1 ;
V1 =
; V2 =
n 1
n
antiln(V2 )
Vargeomtrica =
.
ln(10)
D1 = V2 ; Desvio-padrogeomtrico = antiln(D1).
X =
Xi ;
n
- 309 -
s ;
n
sx =
IC(95%):
IC(99%):
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 )
( 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 -
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' =
2=
) (
)(
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 -
(mn ) / 2G .
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;
p =
s
= proporo de animais marcados na 2a captura;
n
- 313 -
IC (95%): N 1.96 p ;
IC (99%): N 2.58 p .
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 .
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 -
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
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 ) +
T.RND z / 2 /
i =1
i =1
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
i =1
2
=
X MH
(OE
ni2
(n i
0. 5 )
1)
gl = 1.
2 log( p i ) ;
i =1
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.
xy
bw =
i =1
n
;
2
i =1
n
SS 2 = y 2
( xy )2 ,
i =1
i =1
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
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
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
22.13.2 DAGOSTINO-PEARSON
K2 = Z 2 + Z 2
g1
g2
gl = 2
22.13.3 KOLMOGOROV-SMIRNOV
k = nmero de postos;
N = tamanho da amostra;
= mdia da populao; = desvio padro paramtrico;
Fo(X) = distribuio terica acumulada sob H0;
Sn(X) = distribuio amostral acumulada;
D = mximo |Fo(X) Sn(X)| = desvio mximo;
D
1.36
N
, para = 0.05;
1.63
N
, para = 0.01.
22.13.4 LILLIEFORS
k = nmero de postos;
N = tamanho da amostra;
Mdia e desvio padro amostrais;
Fo(X) = distribuio terica acumulada sob H0;
Sn(X) = distribuio amostral acumulada;
- 318 -
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;
k = nmero de colunas;
2
(Oij Eij )2 ;
r k
i =1 j =1
r k
2Yates =
Eij
i =1 j =1
gl = (r 1)(k 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
A
C
B
D
C = n21; D = n22.
B = n13 + n23;
D = n33.
- 320 -
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
= a + bX : Linear;
Y
Y
= a + b ln(X) : Logartmica;
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 -
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:
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
- 322 -
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
gl regresso
QM regresso
QM erro
; QM erro =
SQerro
;
gl erro
F(gl) = k, n k 1.
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 -
j = ln
OR = e j ;
z=
j
SE ( j )
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 -
GL regresso = 4
GL erro
= N-5
n=
2 (z1 + z1 )2
( 0 1 )
b) Teste bilateral:
n=
2 (z1 / 2 + z1 )2
( 0 1 )
n=
s d2 z1 + z1
(D)2
)2 ;
b) Teste bilateral:
n=
s d2 z1 / 2 + z1
(D)2
)2 .
n=
b) Teste bilateral:
n=
- 325 -
(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
a) Teste unilateral:
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
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 -
zr = 0.5 ln 1 + r ;
1 r
z1 / 2 + z1
n=
+ 4.
zr
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
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
a d
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
F=K
(N 2)(R1 + R2 R ) , onde R = n
N R1 R2
- 328 -
+ n2
k ) R j R
j =1
F = K
(k 1 ) N R j
j =1
(N
xy = X j Y j
F=
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
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 -
- 332 -
- 333 -
- 334 -
- 335 -
- 336 -
- 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
- 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
- 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
- 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
hiptese de nulidade.
Parmetros: valores numricos das populaes representando constantes de cada varivel
do universo investigado.
- 345 -
GLOSSRIO
- 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
- 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 -
REFERNCIAS BIBLIOGRFICAS
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 -
REFERNCIAS BIBLIOGRFICAS
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
Publishers, New York.
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 -
REFERNCIAS BIBLIOGRFICAS
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 -
REFERNCIAS BIBLIOGRFICAS
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
Publishing Company, Boston.
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 -
REFERNCIAS BIBLIOGRFICAS
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
Publishing Company, Boston.
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,
Publishers, New York.
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 -
REFERNCIAS BIBLIOGRFICAS
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
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
teste t de Student, 147, 149
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
Fourier (densidade), 173
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
Fourier (densidade), 173
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
- 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
Q, de Cochran, 72
Qui-Quadrado, 211
amostras independentes, 211
anlise de resduos, 212
- 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
duas amostras independentes, 252
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,
duas amostras independentes, 134
uma amostra, 120, 205
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,
amostras independentes, 138
homogeneidade, 191
partio, 211
tendncia, 213
uma amostra, 121, 122
vrias propores, 200
Teste dos sinais, 154
Teste exato de Fisher, 132
Teste G,
amostras independentes, 133
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
uma amostra, 111, 113
Teste V (circular, uma amostra), 239
Teste Z,
duas amostras independentes, 129. 130
uma amostra, 114, 115
Tira de bota (Bootstrap), 75
Transformao de dados, 255
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 -