Professional Documents
Culture Documents
DEFINIÇÃO DE ESTATÍSTICA
Definição de Bioestatística
ANÁLISE DESCRITIVA
ANÁLISE INFERENCIAL
DADOS EXPERIMENTAIS
POPULAÇÃO
População finita
População infinita
AMOSTRA
Amostragem
AMOSTRA ALEATÓRIA
VARIÁVEL
VARIÁVEIS QUALITATIVAS
ESTATÍSTICA DESCRITIVA
Coleta, organização e apresentação dos dados amostrais, sem
inferir sobre a população
Representação gráfica
90
Número de indivíduos
80
70
60
50
BRANCA
40
30 ROXA
20
10
0
BRANCA ROXA
15%
BRANCA
85% ROXA
n
k
s
c
k
Frequência
5
0
2,471 2,586 2,701
Classes (kg)
MÉDIA ARITMÉTICA
- simbologia:
n
i i n
n n
kg
kg
Propriedades da média
i
i
i
i
Classes Fi
05├─ 10 10
10├─ 20 20
20├─ 50 45
50 ou mais 20
MEDIANA (md)
n n
(i) Se n for par: md
A = {1, 2, 3}
n=3
md = X(2) = 2
n
md md cmd
md
No exemplo,
LImd = 2,528
FA= 2
Fmd = 7
cmd = 0,115kg
MODA (mo)
- um conjunto pode ter mais de uma moda ou até mesmo não ter
moda (amodal)
MEDIDAS DE DISPERSÃO
As medidas de posição não informam sobre a variabilidade dos
dados e são insuficientes para sintetizar as informações amostrais.
Para exemplificar este fato, têm-se a seguir três amostras com a
mesma média
Simbologia
n
n i i
n i i n
i i
n n
kg
kg
n
n i i i
i i i n
n
Para o exemplo:
–
kg
kg
Propriedades
(i) Variância
n
O erro padrão fornece um mecanismo de medir a precisão com que
a média populacional foi estimada (pela média amostral)
kg
PROBABILIDADE
DEFINIÇÃO
Alguns conceitos
m
PE
n
≤PE ≤
EXEMPLO: Proporção de ocorrência do sexo de bezerros ao nascimento
Ω { ω1 ω2 = M}
P eP
m
PE n
m
PE n
PΩ ePФ
LEIS DA PROBABILIDADE
Lei da soma
Lei do produto
Sexo
Cor Total
Macho Fêmea
Branca 32 33 65
Cinza 65 64 129
Preta 34 32 66
Total 131 129 260
P(Pelagem branca e animal macho)=32/260
VARIÁVEIS ALEATÓRIAS
RH+; RH-
Sim, Não
Presente; Ausente
Seja X uma v.a. discreta e x1; x2; x3, ..., seus diferentes valores possíveis. A
sua função de probabilidade é denotada por:
P i pi i
≤P i ≤
P i
i
i P i
i
ar - , para
i P i
i
DISTRIBUIÇÃO BINOMIAL
P n p qn –
em que,
n
n
n–
p + q=1
Outras propriedades:
Média = µ =n.p
Variância = σ2 = n.p.q
EXEMPLO 1: No nascimento de dois bezerros considerando o sucesso a
ocorrência de fêmeas, pergunta-se qual a probabilidade de nascer duas
fêmeas? E uma fêmea? E nascer pelo menos uma fêmea?
–
P
–
P
P(X = 0) = 25%
x 0 1 2
0,75
Probabilidade
0,5
0,25
0
0 1 2
X
EXEMPLO 2: Em média, 60% dos pacientes que se submetem a uma
determinada cirurgia do coração, se restabelecem. Qual a probabilidade de em
5 casos todos os operados se restabelecerem.
DISTRIBUIÇÃO DE POISSON
P e
(ii) 1 doente?
(iii) 2 doentes?
n = 100 > 50
(ii) P e-
(iii) P e-
(iv) P 1 – P (X ≤ 3) = 1 – [ P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3)]
= 1 – 0,8571 = 14,29%
n.p k
σ n.p. k
DISTRIBUIÇÃO NORMAL
f ≥
–
-
f e σ ,- - eσ
σ
Propriedades
f(x) 0 quando x
a b
b
P a≤ ≤b f d
a
–
c
(iii) P(X > 2,701) = P(Z > 1,73) = 0,50 – 0,4582 = 0,0418 ⇒ P(X >
2,701) = 4,18%
TEORIA DA ESTIMAÇÃO
POPULAÇÃO AMOSTRA
σ2 S2
estimador consistente de .
α e
α e
N-n
Onde e tα e tα com n-1 graus de liberdade (GL), sendo
n N-
e , logo,
logo,
α p e
pq
onde e α n
α p e
pq N-n
Onde e α , sendo a única alteração o fator de correção
n N-
α e
Satterthwaite (1946):
n n
n n
n n
A regra geral é:
α e
n n
P
n n
TESTE DE HIPÓTESES
TIPOS DE HIPÓTESES
Realidade
H0 verdadeira H0 falsa
Não rejeitar Decisão correta (1- Erro tipo β
H0 α
Decisão
Rejeitar H0 Erro tipo α Decisão correta (1-
β
CARACTERÍSTICAS
ALGORITMO
(i) Formular as hipóteses H0 e H1;
(ii) Usar a teoria estatística e as informações disponíveis para julgar
o estimador adequado;
(iii) Fixar α e usar esse valor para criar a região crítica;
RNRH0
Sabe-se que ∩t
(i) H0: o
–
(ii) tc
n
(iii) Define-se a região de rejeição de H0 com:
–
tc
Nn
n N
– –
(ii) tc -
n
H0: P = Po
H1: P ≠ Po (Hipótese bilateral) ou
H1: P > Po (Hipótese unilateral) ou
H1: P < Po (Hipótese unilateral).
P–P –
c
pq
n
Resolução
Hipóteses
H0:
H1: ≠ teste bilateral
Resolução
Hipóteses:
H0:
H1: 0 (teste unilateral à direita);
Amostra pequena (n = 18) e σ desconhecido. ogo t-Student, com
eα .
– –
t
n
Resposta: Não, pois a média é igual a 30, pois como: tCALC<tTAB, não
rejeito H0: µ=30
EXEMPLO 3. Suponhamos que em indivíduos normais quanto à
visão, a pressão intra-ocular seja uma variável aleatória
normalmente distribuída com média 20 e variância 4 (em unidade
de mm de mercúrio). Um cientista, querendo por à prova a sua
hipótese de que o glaucoma causa um aumento tensional, mediu as
pressões de 16 pacientes portadores de glaucoma, obtendo uma
média igual a 24. O cientista deve ou não manter sua hipótese, em
nível de significância α ?
Resolução
H0:
H1: teste unilateral à direita)
2
Temos: n = 16; σ α .
2
amostra é pequena mas a variância populacional é conhecida σ
eσ . Portanto, usaremos a Tabela Normal, onde a área de
− corresponde a uma abscissa de . ogo
ZTAB=2,58
– –
σ
n
Como ZCALC>ZTAB, em nível de significância de 0,5%, rejeito H0:
20.
ssim aceito que > 20, ou seja, o cientista está correto e deve
manter sua hipótese de que o glaucoma aumenta a pressão intra-
ocular.
EXEMPLO 4. Os dados abaixo se referem ao efeito da adaptação
de phlorizin em ruminantes, medidos pela glucose arterial em mM
σ n
H0: 3,40
H1: 3,40
– –
σ
n
ZTAB=-1,645
Não rejeito H0
verdadeira, se resume em
S S
2 2
As variâncias amostrais são denominadas de tal forma que 1 2
Então, como |tc| > |ttab| rejeita-se H0, existe efeito positivo da
ração no ganho de peso dos bezerros.
DELINEAMENTOS EXPERIMENTAIS
OBJETIVOS:
ALGUNS CONCEITOS
TESTE F
Facilidade de análise
FV GL SQ QM F
TRAT I-1 SQTRAT QMTRAT QMTRAT/QMRES
RESÍDUO I(J-1) SQRES QMRES
TOTAL IJ-1 SQTOTAL
MODELO MATEMÁTICO
Yij ti eij
ti é o efeito do tratamento i
FORMULAÇÕES
A B C D
35 40 39 27
19 35 27 12
31 46 20 13
15 41 29 28
30 33 45 30
130 195 160 110
X 2
SQTOTAL X 2
N
X 2
352 19 2 ... 40 2 ... 30 2 19625
s 68,75 8,3
274,58
F 3,99
68,75
ANÁLISE DE VARIÂNCIA
FTAB(3,16:1%) = 5,29
FV GL SQ QM F
BLOCOS J-1 SQBLOCO QMBLOCO QMBLOCO/QMRES
TRAT I-1 SQTRAT QMTRAT QMTRAT/QMRES
RESÍDUO (I-1)(J-1) SQRES QMRES
TOTAL IJ-1 SQTOTAL
MODELO MATEMÁTICO
Yij ti b j eij
ti é o efeito do tratamento i
b j =é o efeito do bloco j
ESQUEMA FATORIAL
Experimentos que incluem todas as combinações de vários
conjuntos de tratamentos ou fatores
H0: t a = t b = t c = ... tn
Ha: existe pelo menos uma diferença
TESTE DE TUKEY
É usado para comparar as médias duas a duas. Tem por base a
diferença mínima significativa (DMS)
RE
q
d
Onde d é o divisor de médias, ou seja, o número de repetições e q
= é o valor obtido na tabela de Tukey em um nível de significância
α, gl do resíduo e nº de tratamentos
Passos:
1º Ordenar as médias
2º Calcular a DMS
3º Comparar as médias duas a duas
4º Colocar as letras
Médias iguais recebem letras iguais
Médias diferentes recebem letras diferentes
5º Conclusão
As médias seguidas da mesma letra não diferem estatisticamente
pelo teste de Tukey em nível α de probabilidade.
BLOCOS
VARIEDADES
I II III IV TOTAIS
1 94,0 80,6 98,5 91,0 364,1
2 95,7 83,2 75,5 69,4 323,8
3 96,5 93,4 81,6 86,8 358,3
4 57,0 46,5 70,2 42,2 215,9
5 77,0 52,4 59,0 47,9 236,3
TOTAIS 420,2 356,1 384,8 337,3 1498,4
FV GL SQ QM Fc P
--------------------------------------------------------------------------------------------
TRAT 4 480103.2000 120025.8000 16.61 0.0001
BLOCO 3 78338.8000 26112.9333 3.61 0.0457
RESÍDU0 12 86731.2000 7227.6000
--------------------------------------------------------------------------------------------
TOTAL 19 645173.2000
--------------------------------------------------------------------------------------------
CV (%) = 11.35
Média geral: 749.2000 Número de observações: 20
--------------------------------------------------------------------------------------------
Teste Tukey para a FV TRATAMENTOS
DMS: 19,1675 NMS: 0,05
--------------------------------------------------------------------------------