DISCIPLINA DE BIOESTATSTICA I

Departamento de Bioestatstica


Prof
a
Ldia Raquel de Carvalho


UNESP - BOTUCATU





Populao e Amostra
2

Populao o conjunto de indivduos ou objetos ou que tm pelo menos
uma varivel comum observvel.
Ex: Conjunto de pacientes de um hospital
Conjunto de alunos da UNESP
Conjunto de animais
Conjunto de rvores

Amostra qualquer subconjunto da populao.
Varivel qualquer quantidade ou caracterstica que pode assumir
diferentes valores numricos.


Nveis de mensurao

Ao realizarmos um levantamento de dados necessrio saber o nvel de
mensurao das informaes a serem levantadas, da a necessidade de se
conhecer as escalas de medida.

1)Escala Nominal
Quando classes ou smbolos so usados para identificar os grupos a que
vrios objetos pertencem, essas classes ou smbolos, no ordenados,
constituem uma escala nominal. Por exemplo ao classificarmos um indivduo
numa populao de acordo com uma caracterstica como por exemplo sexo, ou
cor dos olhos, ou estado civil, estamos usando uma escala nominal. Neste caso
as categorias se expressam nominalmente e devem ser exaustivas (no sentido
de que dem conta de todos os indivduos da populao) e mutuamente
exclusivas (no sentido de que um mesmo indivduo da populao no possa
possuir sumultaneamente duas categorias).

2)Escala Ordinal
Quando, alm de classificar as unidades de acordo com as classes, a
mensurao permite ordenar essas classes relativamente ao grau de
classificao da varivel, atinge-se o nvel seguinte de mensurao denominado
de escala ordinal.
Por exemplo quando se fala em estgios de uma doena: primrio,
moderado, avanado; h uma certa ordem de gravidade, porm essa ordenao
no fornece informao sobre a magnitude das diferenas entre os elementos
da escala. Neste caso a escala ordinal. Um outro exemplo seria o nvel de
escolaridade.
3



3) Escala de Razes
A escala de mensurao mais elevada, com origem (zero) no arbitrria e
onde possvel a realizao de todas as operaes aritmticas denominada
de escala de razes. A razo entre dois valores quaisquer da escala
independente da unidade de mensurao. Por exemplo um indivduo que tem
40 anos tem o dobro da idade do que tem 20 anos.

comum denominar varivel qualitativa s caractersticas medidas em
escala nominal ou ordinal e varivel quantitativa referindo-se s caractersticas
medidas em escalas intervalar ou da razo.
A varivel quantitativa pode ser contnua ou discreta. Quando a varivel
puder assumir qualquer valor numrico num determinado intervalo de variao
ela ser uma varivel contnua. Como exemplo temos as medies de peso,
altura, dosagem de hemoglobina no sangue, taxa de glicose, etc. Por outro lado,
a varivel quantitativa discreta s poder assumir valores pertencentes a um
conjunto enumervel. Ex: Nmero de filhos por casal, nmero de radiografias
tiradas no setor de radiologia de um hospital, nmero de leitos, etc.


2- ESTATSTICA DESCRITIVA

2.1- Apresentao Tabular dos Dados
As informaes obtidas baseadas nos elementos que constituem a
populao ou a amostra so denominadas tecnicamente de dados.
Os dados relativos a indivduos podem ser coletados tanto diretamente
pelo pesquisador, como atravs de declaraes feitas pelos prprios indivduos.
Para se obter essas informaes o pesquisador pode fazer questionrios com
perguntas para serem respondidas por escrito, ou fazer entrevistas. Assim, por
exemplo, os dados a respeito do estado de sade de um indivduo podem ser
obtidos tanto mediante exame fsico como atravs de declaraes prestadas
pelo prprio indivduo (anamnese).
Um mesmo elemento pode fornecer diversos dados. Assim, por exemplo,
os pacientes de uma clnica fornecem dados relativos a sexo, idade, profisso,
etc., alm de dados relativos ao diagnstico e ao tratamento.
Depois de se fazer levantamento de dados, isto , aps a operao de
coleta do material bsico para descrio e posterior anlise das
caractersticas de uma populao, h necessidade de os dados e os resultados
obtidos serem dispostos de uma forma ordenada e resumida, a fim de auxiliar
o pesquisador na anlise dos mesmos. Os dados e os resultados podem ser
4
apresentados na forma de tabelas. Existem normas nacionais para a
apresentao de tabelas.
Uma tabela possui elementos essenciais e complementares. Os
elementos essenciais so o ttulo, o corpo e o cabealho e a coluna indicadora.
O ttulo deve preceder a tabela e designar a natureza do fato estudado,
as variveis escolhidas na anlise do fato, o local e a poca em que o mesmo
foi observado.
O corpo formado pelo conjunto de linhas e colunas onde os dados
esto colocados.
O cabealho deve especificar o contedo das colunas.
Coluna indicadora a parte em que designada a natureza (as
categorias, as modalidades da varivel) do contedo de cada linha.
Casela o cruzamento de uma linha com uma coluna, onde se tem a
freqncia com que a categoria aparece.
Os elementos complementares so a fonte, as notas e chamadas.
Fonte o indicativo, no rodap da tabela, da entidade responsvel pela
sua organizao ou fornecedora dos dados primrios.
Notas so colocadas no rodap para esclarecimento de ordem geral.
Chamadas, tambm colocadas no rodap, servem para esclarecer
mincias em relao s casas, colunas ou linhas. So numeradas geralmente
em algarismos arbicos.
As tabelas devem ser fechadas no alto e embaixo por linhas horizontais.
No devem ser fechadas direita e esquerda.
Nenhuma casela da tabela deve ficar em branco, apresentando sempre
um nmero ou sinal, a saber:
- (hfen), quando o valor numrico nulo;
.. quando no se aplica dado numrico;
... (reticncia), quando no se dispe de dado;
? (interrogao), quando h dvidas quanto exatido do valor numrico;
0; 0,0; 0,00 (zero), quando o valor numrico muito pequeno para ser expresso
pela unidade utilizada.
x (letra x), quando o dado for omitido a fim de evitar individualizao da
informao.
Exemplos:




Tabela 1- Esperana de vida ao nascer, por regio socioeconmica Brasil
1940-1972
Esperana de vida ao nascer(anos)
5
Regio Socioeconmica

1940 1950 1960 1970 1972
Brasil 42,74 45,90 52,49 59,19 53,36

Regio I-RJ 45,38 50,91 59,19 57,29 63,21
Regio II-SP 43,57 49,92 59,11 58,45 64,35
Regio III-PR, SC e RS 50,09 53,33 60,34 60,26 63,77
Regio IV-M e ES 43,93 47,10 53,29 54,78 60,38
Regio V-
MA,PI,CE,RN,PB,PE,AL,S
E e BA
38,17 38,69 43,51 44,38 42,55
Regio VI-DF .. .. 48,91 54,17 60,,31
Regio VII ... ... ... 56,57 ...
Fonte-Fundao Instituto Brasileiro de Geografia e Estatstica-IBGE.

Notas:Mdia das esperanas de vida ao nascer, resultantes de interpolao
linear, nas Tbuas de Mortalidade Modelo Brasil, das probabilidades de morrer
at as idades de 2,3 e 5 anos, obtidas atravs do emprego da Tcnica de Brass.
Sinais convencionais utilizados:
.. No se aplica dado numrico.
... Dado numrico no disponvel.

Tabela 2- Total dos estabelecimentos, pessoal ocupado, valor da produo e valor da
transformao industrial das indstrias metalrgicas, para algumas Unidades da
Federao do Brasil-1982
Unidade da
Federao
Total de
estabelecimento
s
Pessoal
ocupado
Valor da
produo(1000
Cr$)
(2)
Valor da
transformao
industrial(1000
Cr$)
Brasil 8 452 448 932 4 637 512 1 646 043

Rondnia 1 x x x
Acre 2 x x x
Amazonas 31 1 710 21 585 10 103
Roraima 2 x x x
Par 43 1 675 6 492 3 287
Amap - - - -
Fonte:Pesquisa Industrial 1982-1984. Dados gerais, Brasil. Rio de Janeiro:IBGE, v.9,
410p.

Sinais convencionais utilizados:
x Dado numrico omitido a fim de evitar a individualizao da informao.
- Dado numrico igual a zero no resultante de arredondamento.
(2) Inclui o valor dos servios prestados a terceiros e a estabelecimentos da mesma
empresa.
Tabela 3-Taxa de crescimento anual da populao residente, em ordem
decrescente, de alguns Municpios do Estado de Alagoas, no perodo 1980
1991
6
Municpio Taxa de crescimento anual(%)
Campo Grande 0,70
Poo das Trincheiras 0,67
Marechal Deodoro 0,60
Limoeiro de Anadia 0,59
So Jos da Laje 0,00
Jacupe -0,00
Novo Lino -0,06
Fonte-Fundao Instituto Brasileiro de Geografia e Estatstica-IBGE.

Notas:Dados numricos arredondados.
Sinais convencionais utilizados:
0,00 Dado numrico igual a zero resultante de arredondamento de dado
numrico originalmente positivo.
-0,00 Dado numrico igual a zero resultante de arredondamento de dado
numrico originalmente negativo.




2.2- Distribuio de freqncias

Chama-se distribuio de freqncias a correspondncia entre
categorias ou valores possveis de uma varivel e as freqncias respectivas,
como aparecem na tabela 2.1.

Tabela 2.1 Nmero de bitos, segundo o sexo, de residentes no municpio de So Paulo
em 1970.
Sexo Nmero de bitos
Masculino 25 754
Feminino 19 300
Total 45 054
Fonte: So Paulo (Estado) Secretaria de Economia e Planejamento, Departamento de
Estatstica, 1974.


Esta tabela se refere a apenas uma varivel (sexo). Vejamos um exemplo
com duas variveis.





Tabela 2.2 Nmero e percentagem de mulheres segundo a religio e uso de mtodos
anticoncepcionais (MAC), distrito de So Paulo, 1966.
USO DE MAC

7
Alguma vez Nunca Total

Religio N
O
% N
O
% N
O
%
Catlica
Praticante
746 74,2 260 25,8 1006 100
Catlica no
Praticante
1149 77,2 339 22,8 1488 100
No catlica
Praticante
176 78,6 48 21,4 224 100
No catlica No
praticante
91 75,8 29 24,2 120 100
Total 2162 76,2 676 23,8 2838 100
Fonte: Berqu, E. et al., A Fecundidade em So Paulo - Caractersticas demogrficas,
biolgicas e scio-econmicas, CEBRAP, Editora Brasileira de Cincias, So Paulo, 1977.


Algumas vezes os dados relativos a uma varivel contnua tm preciso maior
do que aquela que o pesquisador pretende utilizar. Nesses casos razovel
apresentar os dados por faixas, de acordo com a preciso necessria. Ento,
construmos uma tabela de distribuio de freqncias. Seja por exemplo a
varivel idade.
Em primeiro lugar, definimos as faixas etrias que recebem tecnicamente
o nome de classes. Ex.:
0( 10
10( 20
20( 30
para significar que o intervalo compreende os valores da varivel de zero
(inclusive) at dez (exclusive) e assim por diante.
til que as classes tenham a mesma amplitude, mas h situaes que
nem sempre possvel.
Definida uma classe, podemos calcular o seu ponto mdio, que dado
pela mdia aritmtica dos extremos da classe. Assim, o ponto mdio da classe
0( 10 (0 + 10)/2 = 5. O ponto mdio ser usado para construo de um
grfico que veremos depois, e para calcular algumas medidas.

Exemplo:











Tabela 2.3 Distribuio de freqncias de alcolatras crnicos segundo a idade na ocasio
do incio do hbito ingerir bebidas alcolicas.
Idade Ponto mdio N
o
de indivduos
5( 10 7,5 2
8
10( 15 12,5 9
15( 20 17,5 34
20( 25 22,5 28
25( 30 27,5 12
30( 35 32,5 9
35( 40 37,5 2
40( 45 42,5 4
Fonte: Dantas (1979)

Quando fazemos uma pesquisa e obtemos os dados, se quisermos
organizar uma tabela como esta, ser necessrio calcular:

a) Amplitude total (R)
o maior valor menos o menor valor e aparece no conjunto de dados.
R = X
mx
- X
mn

b) Nmero de classes (K)
No existem critrios rgidos para se estabelecer o nmero ideal de
classes, podendo-se sugerir de 8 a 20 como um nmero razovel.
c)Amplitude de classe(H)
H = R/K
d) Limites de classe
Limite inferior
O limite inferior da 1
a
. classe deve ser menor ou igual ao menor valor. Os
demais limites inferiores so obtidos por:


li = l
i-1
+ h
Limite superior
Li = l
i
+ h

Seja o exemplo:

Tabela 2.4 Medidas de capacidade vital pulmonar em litros, de 50 adultos do sexo masculino,
de 18 a 27 anos, da Santa Casa de So Paulo, 1974.
4,08 4,55 5,03 5,70 6,03
4,12 4,68 5,22 5,75 6,07
4,23 4,82 5,33 5,76 6,08
4,25 4,83 5,37 5,76 6,08
4,27 4,85 5,53 5,78 6,30
4,34 4,92 5,56 5,82 6,72
4,48 4,96 5,61 5,83 6,92
4,49 4,97 5,63 5,90 7,04
4,52 4,98 5,66 5,95 7,28
4,55 5,00 5,66 6,00 7,51
Fonte:Santa Casa de So Paulo, 1974.

Vejamos o procedimento para agrupar os dados em classes:

a) Amplitude total (R) R = Xmx - X mn
r = 7,51 - 4,08 = 3,43
9

b) Nmero de classes (K)
Faamos k = 8

c) Amplitude de classe (H) H = R/K
h = 3,43/8 = 0,42 ~ 0,5

d) Limites
l
1
= 4,0
l
2
= 4,0 + 0,5 = 4,5
l
3
= 4,5 + 0,5 = 5,0
Portanto, l
4
= 5,5, l
5
= 6,0, l
6
= 6,5, l
7
= 7,0, l
8
= 7,5
L
1
= 4,0 + 0,5 = 4,5
L
2
= 4,5 + 0,5 = 5,0
L
3
= 5,0 + 0,5 = 5,5
Portanto, L
4
= 6,0 , L
5
= 6,5, L
6
= 7,0, L
7
= 7,5, L
8
= 8,0

Tabela 2.5 Distribuio de freqncias de medidas de capacidade vital pulmonar, em litros, de
50 adultos do sexo masculino, de 18 a 27 anos, da Santa Casa de So Paulo, 1974.
Capacidade Vital Nmero de adultos Porcentagem
4,0 ( 4,5 8 16,0
4,5 ( 5,0 11 22,0
5,0 ( 5,5 5 10,0
5,5 ( 6,0 15 30,0
6,0 ( 6,5 6 12,0
6,5 ( 7,0 2 4,0
7,0 ( 7,5 2 4,0
7,5 ( 8,0 1 2,0
Fonte: Santa Casa de So Paulo, 1974.

2.3 APRESENTAO GRFICA

A apresentao grfica de dados pode ser usada para aumentar a
legibilidade de resultados de pesquisas. Os grficos devem ser auto-explicativos
e de fcil compreenso. Devem sempre ter um ttulo e devem ser construdos
em uma escala que no desfigure os fatos ou as relaes que se deseja
destacar. (A altura deve ter de 60% a 80% da largura). Deve ser colocada
tambm a fonte de obteno dos dados.



Representao grfica de varivel qualitativa

10
Quando trabalhamos com variveis qualitativas os grficos mais usados
so:
. Grfico de colunas, de barras, de setores, de crculos, de linhas.
Exemplo:

Tabela 2.6 Percentuais de bitos de menores de 1 ano, por grupos de causas, Curitiba, de 1951
a 1955.
Grupos de causas Percentuais
Causas congnitas 21,92
Causas gastro-intestinais 39,96
Causas respiratrias 17,50
Causas infecciosas 7,68
Outras causas 9,56
Causas no especificadas 3,38
Total 100,00
Fonte: Sounis, Emilio - Bioestatstica (1979)

1) Grfico de colunas - a representao em que, sobre o eixo horizontal, em
intervalos apropriados, constroem-se retngulos cujas reas so
proporcionais s freqncias das categorias da varivel em estudo. Se
usarmos a mesma base para os diversos retngulos bastar construir
retngulos cujas alturas sejam proporcionais s freqncias.

0
5
10
15
20
25
30
35
40
congnitas gastro-
intestinais
respiratrias infecciosas Outras no
especificadas
Causas
Percentuais

Figura 1 - Percentuais de bitos de menores de 1 ano, por grupos de causas, Curitiba, de 1951
a 1955.
Fonte: Sounis, Emilio - Bioestatstica (1979)


Grfico de barras- semelhante ao grfico de colunas, porm os retngulos so
dispostos horizontalmente.
11
0 5 10 15 20 25 30 35 40
congnitas
gastro-intestinais
respiratrias
infecciosas
Outras
no especificadas
Causas
Percentuais

Figura 2 - Percentuais de bitos de menores de 1 ano, por grupos de causas, Curitiba, de 1951
a 1955.
Fonte: Sounis, Emilio - Bioestatstica (1979)
Grfico de crculos - alm do retngulo, uma outra figura geomtrica utilizada
o crculo ou conjunto de crculos. Sabemos que a rea do crculo o produto do
nmero irracional t (3,1416) pelo quadrado do raio (r),ou seja,
c r = t.
2
, e desde que as reas dos diversos crculos devem ser
proporcionais s magnitudes das freqncias, isto , c f = o. , onde o fator
de proporcionalidade, segue-se que:
o t . . f r =
2
e
r f =
o
t
.

Se chamarmos
o
t
de o' , tem-se que r f = o' . Assim, os raios
dos crculos devem se proporcionais raiz quadrada das freqncias das
modalidades da varivel. Portanto, para o nosso exemplo, os raios dos crculos
devero ser proporcionais, respectivamente, a:
o' , 39 96

o' , 2192

o' , 17 50

o' , 9 56

o' , 7 68

12
o' , 3 38
fazendo o' = 0,4 , teremos
0,4 . 6,32 = 2,53
0,4 . 4,68 = 1,87
0,4 . 4,18 = 1,67
0,4 . 3,09 = 1,24
0,4 . 2,77 = 1,11
0,4 . 1,84 = 0,73








Gastro-intestinais Congnitas Respiratrias Outras Infecciosas No especificadas

Figura 3- Percentuais de bitos de menores de 1 ano, por grupos de causas, Curitiba, de 1951
a 1955.
Fonte: Sounis, Emilio - Bioestatstica (1979)
Grfico de setores- neste tipo de grfico, divide-se a rea total de um crculo em
subreas (setores) proporcionais s freqncias.
Essa diviso pode ser obtida atravs da regra de trs:
total - 360
parte - x
100% - 360
3,38% - x x = 12,17
100% - 360
7,68% - x x = 27,65
100% - 360
9,56% - x x = 34,42

Para as demais freqncias teremos 63, 78,91 e 143,85.


13
congnitas
gastro-intestinais
respiratrias
infecciosas
Outras
no especificadas


Figura 4 - Percentuais de bitos de menores de 1 ano, por grupos de causas, Curitiba, de 1951
a 1955.
Fonte: Sounis, Emilio - Bioestatstica (1979)



Grfico linear - Neste tipo de grfico unem-se as extremidades das retas, tendo-
se ento o grfico linear.

Ex.:
Tabela 2.7 Nmero de casos da molstia X, na rea Z, 1970/1974.
Anos Nmero de casos
1970 8 000
1971 7 600
1972 7 200
1973 7 300
1974 7 000
Total 37 100



14
6600
6800
7000
7200
7400
7600
7800
8000
1970 1971 1972 1973 1974


Figura 5 - Nmero de casos da molstia X, na rea Z, 1970/1974.





Distribuies a duas ou mais variveis qualitativas


Quando se passa das distribuies de uma varivel para duas variveis,
em lugar de retngulos construdos sobre bases de mesmo comprimento,
necessitamos paraleleppedos de mesma rea e, finalmente, em lugar de exigir
que as reas dos retngulos sejam proporcionais s freqncias exigimos que
os volumes sejam proporcionais. Com isto os grficos devem ser construdos
em perspectiva, o que fica mais difcil. Ex.:
Tabela 2.8 Populao da Capital de So Paulo (em milhares), segundo o sexo e trs grupos
etrios, 1950.
Grupos etrios
Sexo I
1
I
2
I
3
Total
Masculino 325 638 127 1090
Feminino 318 669 133 1120
Total 643 1307 260 2210
Fonte: IBGE, Censo demogrfico - 1950.


15
I1 I2 I3
0
100
200
300
400
500
600
700
P
o
u
l
a

o

(
e
m

m
i
l
h
a
r
e
s
)
I1 I2 I3
Idade
Mas
Fem





Figura 6 - Populao da Capital de So Paulo (em milhares), segundo o sexo e trs grupos
etrios, 1950.
Fonte: IBGE Censo demogrfico - 1950.



Uma outra opo que facilita bem representar as modalidades da distribuio
de uma das variveis, para cada um dos valores da outra varivel; assim o
grfico fica reduzido a um grfico de colunas ou de barras.


16
0
100
200
300
400
500
600
700
I1 I2 I3
Faixa etria
Populao
Masc
Fem


Figura 7 - Populao da Capital de So Paulo (em milhares), segundo o sexo e trs grupos
etrios, 1950.
Fonte: IBGE Censo demogrfico - 1950.

Representao grfica de variveis quantitativas

Nas distribuies de freqncias a uma varivel quantitativa necessrio
distinguir quando esta discreta ou contnua.
Nas distribuies discretas o grfico mais usado o de ordenadas.
Nas distribuies contnuas os grficos mais usados so o polgono de
freqncias e o histograma.


Polgono de freqncias

Para construir o polgono de freqncias, admite-se que as freqncias
das classes esto concentradas nos pontos mdios dos intervalos que as
definem. Locados os pontos, estes so ligados entre si por meio de retas, sendo
que, via de regra, o primeiro e o ltimo deles so ligados ao eixo das abscissas
17
na metade de classes hipotticas, imediatamente anterior primeira e posterior
ltima; este procedimento leva ao trmino da construo do polgono e
determina que a rea total delimitada pelo polgono e o eixo das abscissas seja
proporcional freqncia total da distribuio, ou seja, 100%, havendo tambm
proporcionalidade entre reas parciais, delimitadas por intervalos definidos no
eixo das abscissas.
Ex.:
Tabela 2.9 Distribuio de frequncias de pesos (em onas
1
) de tumores malignos removidos de
abdomens de 57 indivduos.
Classes Ponto mdio N de indivduos
11| 20 15,5 5
20| 29 24,5 19
29| 38 33,5 8
38| 47 42,5 11
47| 56 51,5 7
56| 65 60,5 2
65| 74 69,5 3
74| 83 78,5 2
Total 57
Fonte: Daniel, W.W Bioestatistics: A foundation for analysis in the health sciences
(1) 1 ona = 28,691 g
0
2
4
6
8
10
12
14
16
18
20
0 6,5 15,5 24,5 33,5 42,5 51,5 60,5 69,5 78,5 87,5
Peso do tumor
Nmero de indivduos


Figura - 8 Distribuio de frequncias de pesos (em onas
1
) de tumores malignos removidos de
abdomens de 57 indivduos.

Fonte: Daniel, W.W Bioestatistics: A foundation for analysis in the health sciences
(1) 1 ona = 28,691 g
18

Histograma


O histograma um grfico cujas colunas so justapostas. Lembrando
que as reas das colunas devem ser proporcionais s freqncias, no caso
de intervalos de classes iguais, as bases dos retngulos so sempre de
mesma amplitude, bastando construir os retngulos com alturas
proporcionais s freqncias das classes.



0
2
4
6
8
10
12
14
16
18
20
15,5 24,5 33,5 42,5 51,5 60,5 69,5 78,5
Peso do tumor
Nmero de indivduos

Figura 9 - Distribuio de frequncias de pesos (em onas
1
) de tumores malignos removidos de
abdomens de 57 indivduos.

Fonte: Daniel, W.W Bioestatistics: A foundation for analysis in the health sciences
(1) 1 ona = 28,691 g





19
Representao grfica com amplitudes de classes diferentes

Quando a representao grfica for de uma distribuio de freqncias
de uma varivel contnua apresentada em classes com intervalos com
amplitudes diferentes, h necessidade do ajuste das frequncias, pois, caso
contrrio, a magnitude da figura geomtrica no ser proporcional freqncia
com que ocorre a varivel. O ajuste feito dividindo-se o nmero de casos de
cada classe pela amplitude da respectiva classe, obtendo-se como resultado o
nmero de casos por unidade de intervalo.
Vejamos o exemplo da tabela 2.10, onde construiremos o polgono de
freqncias e o histograma.


Tabela 2.10 Nmero de casos registrados de linfomas, sexo feminino, segundo a idade (anos),
Brasil, 1975.
Idade N de casos Amplitude do intervalo casos/ano
0| 5 15 5 15:5 = 3,0
5| 20 63 15 63:15 = 4,2
20| 50 151 30 151:30 = 5,0
50| 65 79 15 79:15 = 5,3
65| 100 54 35 54:35 = 1,5
Total 362
*

Nota: Excludos casos com idade ignorada
Fonte: Brasil (Ministrio da Sade), Registro Nacional de Tumores, Diviso de doenas crnico-
degenerativas. RJ,1978.

20

0
1
2
3
4
5
6

2,5 12,5 35 57,5 82,5 132,5
Idade
Casos/ano

Figura 10 - Nmero de casos registrados de linfomas, sexo feminino, segundo a idade (anos),
Brasil, 1975.

Nota: Excludos casos com idade ignorada
Fonte: Brasil (Ministrio da Sade), Registro Nacional de Tumores, Diviso de doenas crnico-
degenerativas. RJ,1978.
21
0
1
2
3
4
5
6
Anos
Casos /ano



Figura 11 - Nmero de casos registrados de linfomas, sexo feminino, segundo a idade (anos),
Brasil, 1975.


Nota: Excludos casos com idade ignorada
Fonte: Brasil (Ministrio da Sade), Registro Nacional de Tumores, Diviso de doenas crnico-
degenerativas. RJ,1978.


Grfico Polar
Quando as categorias da varivel em estudo se repetem aps um
perodo, como no caso dos dias da semana,os meses do ano, as horas do dia,
etc. pode haver interesse em verificar se o conjunto de freqncias destas
categorias apresentam algum padro de acordo com a ordenao das
categorias; em Epidemiologia seria caso do estudo do fenmeno chamado
estacionalidade ou sazonalidade. O grfico recomendado o grfico polar, que
consiste em um crculo com tantos raios quantas forem as categorias da
varivel; cada raio ter uma escala de freqncias com origem no centro do
crculo. Locadas as freqncias observadas para cada raio, unem-se os pontos
e da tem-se o grfico polar.

Ex.:
22
Tabela 2.12 Nmero de bitos mensais na UTI do HC de Botucatu, segundo o sexo, nos
meses de janeiro a outubro de 1990.
Meses
Sexo Jan Fev Mar Abr Mai Jun Jul Ago Set Out Total
Masc 1 2 1 2 2 2 1 2 1 2 16
Fem 2 3 2 - 2 3 6 2 4 2 26
Total 3 5 3 2 4 5 7 4 5 4 42
Fonte: trabalho realizado por alunos da UNESP na UTI do HC de Botucatu, 1990.


0
1
2
3
4
5
6
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
Out
Masc
Fem

Figura 13 - Nmero de bitos mensais na UTI do HC de Botucatu, segundo o sexo, nos
meses de janeiro a outubro de 1990.

Fonte: trabalho realizado por alunos da UNESP na UTI do HC de Botucatu, 1990.


MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL

Uma forma til de descrever um grupo como um todo consiste em
encontrar um nico nmero que represente o que mdio ou tpico naquele
conjunto particular de dados. Esse valor conhecido por medida de tendncia
central ou de posio ou mdia, uma vez que ele geralmente se localiza em
torno do meio ou centro de uma distribuio, onde a maior parte dos dados
tende a se concentrar.
So medidas de tendncia central:
Mdia aritmtica, mediana e moda.



23
Mdia aritmtica - Dados no agrupados
Se x
1
, x
2
,...,x
n
so n valores distintos da varivel X, a mdia aritmtica
simples de X representada por X :
X
X
n
i
i
n
=
=

1
, ou simplesmente X
X
n
=
, onde n o nmero de elementos do
conjunto.
X
X X X
n
n
=
+ + +
1 2
...

Ex.: Calcular a mdia aritmtica de radiografias tiradas em uma semana em
determinado hospital.
x= (9 + 12 + 8 + 6 + 14 + 11 + 5)/7 = 9,28 radiografias

Mdia aritmtica - dados em distribuio de freqncias ou agrupados

Se tivermos k observaes da varivel X, das quais f
1
so iguais a x
1
, f
2

iguais a x
2
, ..., f
k
iguais a x
k
, ou quando os dados estiverem agrupados em
classes, usaremos a mdia aritmtica dos valores x
1
, x
2
, ..., x
k
, ponderados
pelas respectivas freqncias.

X
X f
n
i i
i
k
=
=

1
onde
n f
i
i
k
=
=

1








1) Por exemplo, seja a tabela abaixo:












24
Tabela 2.13 Pacientes com hipertenso, segundo a idade.
Idade(em anos completos)(X
i
) N
o
de indivduos (f
i
) X
i
f
i

22 1 22
27 1 27
30 1 30
31 1 31
34 1 34
35 3 105
36 5 180
40 1 40
42 1 42
43 1 43
44 2 88
45 1 45
46 2 92
47 1 47
48 1 48
50 2 100
53 3 159
56 1 56
58 1 58
59 2 118
60 1 60
61 1 61
63 1 63
65 3 195
67 2 134
Total
Fonte: Montenegro, M.R.G. (1962)


x =
+ + +
= =
221 271 67 2
40
1878
40
46 95
. . ... .
, anos

x = 46 anos e 11 meses, ou seja, a idade mdia dos hipertensos igual a 46
anos (completos)
2) Se os dados estiverem agrupados em classes, preciso, antes de calcular a
mdia, determinar os pontos mdios das classes.
X
X f
n
i i
i
k
=
=

1
onde X
i
o ponto mdio de cada classe. Ex.:










25
Tabela 2.14 Pacientes com hipertenso segundo a idade.
Idade Ponto mdio n de indivduos(f
i
) x
i
f
i

20| 25 22,5 1 22,5
25| 30 27,5 1 27,5
30| 35 32,5 3 97,5
35| 40 37,5 8 300,0
40| 45 42,5 5 212,5
45| 50 47,5 5 237,5
50| 55 52,5 5 262,5
55| 60 57,5 4 230,0
60| 65 62,5 3 187,5
65| 70 67,5 5 337,8
Total 40 1915,0
Fonte: Montenegro, M.R.G.
x= 1915,0/40 = 47,875 = 47 anos e 10 meses ou 47 anos completos.



Mediana


a realizao que ocupa a posio central da srie de observaes
quando estas esto ordenadas segundo suas grandezas (em ordem crescente
ou decrescente). Precisamos considerar:
a) Se o nmero de observaes (n) mpar a mediana ser o valor da varivel
que ocupa o posto de ordem (n + 1)/2.

Seja o exemplo do nmero de radiografias tiradas em uma semana em
determinado hospital.

2
a
feira - 9 3
a
feira - 12 4
a
feira - 8 5
a
feira - 6
6
a
feira - 14 sbado - 11 domingo - 5
Colocando em ordem crescente, teremos:
5, 6, 8, 9, 11, 12, 14
Logo, a mediana ser:
md = 9 que o valor que ocupa o posto (7 + 1)/2 = 4
o
, na ordem.

b) Se n par, ento no existe um valor que ocupe o centro.
Da convencionou -se que a mediana ser a mdia aritmtica dos valores que
ocupam os postos n/2 e n/2 + 1.

No exemplo das radiografias, se no considerssemos o domingo, teramos:
6, 8, 9, 11, 12, 14
e a mediana seria md = (9 + 11)/2 = 10.



26
Alm da mediana que, por definio, divide um conjunto ordenado de
valores em duas partes iguais, existem outras medidas que dividem o conjunto
de valores em 4, 10 e 100 partes iguais.


Quartis

Os quartis dividem um conjunto de dados em quatro partes iguais. Assim:


Q
1
Q
2
Q
3


25% dos valores so menores do que o primeiro quartil (Q
1
)
50% dos valores caem abaixo do segundo quartil (Q
2
ou mediana)
75% dos valores so menores que o terceiro quartil (Q
3
).
Para se calcular os quartis procedemos semelhantemente como no caso
do clculo da mediana.


Decis so valores que dividem o conjunto ordenado de dados em 10 partes
iguais, isto , 10% das observaes caem abaixo do 1
o
decil, 20% abaixo do 2
o
,
e assim por diante.

Percentis so valores que dividem o conjunto de dados em 100 partes
iguais.


MODA


o valor mais freqente da distribuio. Por exemplo para a distribuio:
x
i
18 21 32 27 45
f
i
2 5 8 7 4
a moda 32. Indica-se m = 32. Esse nmero o mais comum nesta distribuio
(aparece mais vezes).
Se os pesos de 8 pessoas (em kg) so: 65, 87, 49, 58, 67, 83, 79, 69,
estas medidas no definem uma moda. J os pesos:
65, 87, 49, 58, 65, 65, 67, 83, 87, 79,87 apresentam duas modas: m = 65 kg e
m = 87 kg. Nesse caso a distribuio diz-se bimodal. Ser unimodal se
apresentar uma s moda e multimodal se apresentar vrias modas.
A moda pode ser usada tambm no caso de a varivel ser qualitativa. Por
exemplo quando se diz que as doenas cardacas foram a causa principal de
mortalidade em certo ano, isto significa que na distribuio dos bitos segundo a
causa mortis, s doenas cardacas correspondeu um maior nmero de bitos,
ou seja, a rubrica "doenas cardacas" a moda da distribuio.


27
MEDIDAS DE VARIABILIDADE OU DE DISPERSO

A sumarizao de um conjunto de dados, atravs de uma nica medida
representativa de posio central, esconde toda a informao sobre a
variabilidade do conjunto de valores. Sejam, por exemplo, as amostras A e B
que representam dois grupos de pessoas cujas presses sangneas sistlicas
(mm) acusaram os seguintes valores:

amostra A
10 10 11 12 12 13 14 14 14 15 x =12,5 md = 12,5
amostra B
7 7 8 9 12 13 13 16 17 23 x =12,5 md = 12,5

Observamos que essas sries no so homogneas, apesar de terem o
mesmo valor para a mdia e mediana em ambas. preciso pois calcular as
constantes de disperso que medem os afastamentos dos valores dessas
sries em torno do valor central.
Entre as medidas de disperso mais usadas, veremos:
a) Amplitude Total
b) Amplitude interquartlica
c) Varincia
d) Desvio-padro
e) Coeficiente de variao

a) Amplitude total - a diferena entre o maior e o menor valor de um conjunto
de dados.
R= X
mx
- X
mn

Para a srie A r = 5
Para a srie B r = 16
A utilizao da amplitude total como medida de disperso muito
limitada, pois sendo uma medida que depende apenas dos valores externos,
instvel, no sendo afetada pela disperso dos valores internos.

b) Amplitude interquartlica - a diferena entre o 3
o
e o 1
o
quartil.
A = Q
3
- Q
1

Para a srie A a = 14 - 11 = 3
Para a srie B a = 16 - 8 = 8
Examinando os resultados podemos concluir que a srie B tem disperso maior
que a A.

c) Varincia
Considerando o nosso propsito de medir a disperso dos valores em
torno da mdia, interessante estudarmos o comportamento dos desvios de
cada valor em relao mdia, isto , x x
i
. Observem que, na determinao
de cada desvio d x x
i i
= , estaremos medindo a disperso entre cada x
i
e a
28
mdia x. Porm, se somarmos todos os desvios, teremos d
i
i
n
=
=
1
0 ou
( ) x x
i
i
n
=
=
1
0. Para contornar o problema, resolveu-se considerar o quadrado de
cada desvio ( ) x x
i

2
, evitando-se com isso que d
i
i
n
=
=
1
0. Assim, definiu-se a
varincia como:
o

2
2
1
2
1
=

=
= =

( ) x
N
d
N
i
i
N
i
i
N
se os dados no so agrupados e

o

2
2
1
2
1
=

=
= =

( ) x f
N
d f
N
i i
i
K
i i
i
K
para os dados agrupados.

Trata-se da mdia aritmtica dos quadrados dos desvios.
Observao: o
2
indica e l-se sigma ao quadrado, a mdia da populao e N
o tamanho da populao. Para o caso do clculo da varincia de valores
amostrais conveniente usarmos a frmula:
S
x x
n
i
i
n
2
2
1
1
=

( )
se os dados no so agrupados e
S
x x f
n
i i
i
k
2
2
1
1
=

( )
para os dados agrupados onde x no caso, a mdia da
amostra e n o tamanho amostral.
A seguir esto outras frmulas que podem ser usadas para o clculo da
varincia populacional e amostral.


o
2 2
1
2
1
1
=
=
=

N
X
X
N
i
i
N i
i
N
[
( )
] varincia populacional para dados no agrupados

o
2 2
1
2
1
1
=
=
=

N
X f
X f
N
i i
i
K i i
i
K
[
( )
] varincia populacional para dados agrupados

S
n
X
X
n
i
i
n i
i
n
2 2
1
2
1
1
1
=

=
=

[
( )
] varincia amostral para dados no agrupados

29
S
n
X f
X f
n
i i
i
k i i
i
k
2 2
1
2
1
1
1
=

=
=

[
( )
] varincia amostral para dados agrupados.

Estas frmulas so obtidas atravs de transformaes nas respectivas
frmulas originais.

Clculo da varincia amostral para as sries A e B
S
n
X
X
n
i
i
n i
i
n
2 2
1
2
1
1
1
=

=
=

[
( )
]
s mm
A
2
2
2
1
9
1591
125
10
3167 = = [
( )
] ,
s mm
B
2
2
2
1
9
1799
125
10
26 278 = = [
( )
] ,

d)Desvio-padro
Observando-se a frmula para o clculo da varincia, vemos que se trata
de uma soma de quadrados. Assim, se a unidade da varivel for, por exemplo,
mm, teremos como resultado mm
2
.
Para voltarmos varivel original, necessitamos definir outra medida de
disperso, que a raiz quadrada da varincia, o desvio-padro. Assim:
o o =
2
o desvio-padro populacional
S S =
2
o desvio-padro amostral

Portanto, para o exemplo das sries teremos:
s mm
A
= = 3167 1780 , ,
s mm
B
= = 26 278 5126 , ,

Vejamos o exemplo da tabela 2.14 (pacientes com hipertenso segundo a
idade), para dados agrupados:
S
n
X f
X f
n
i i
i
k i i
i
k
2 2
1
2
1
1
1
=

=
=

[
( )
]
s anos
2
2
2
1
39
97500
1915
40
149 21 = = [
( )
] ,
portanto, a varincia da idade dos pacientes com hipertenso igual a 149,21
anos
2
, sendo que o desvio padro 12,22 anos.




30
e) Coeficiente de variao
Trata-se de uma medida relativa da disperso, til para a comparao em
termos relativos do grau de concentrao em torno da mdia de conjuntos de
dados distintos. dado por:
CV =
o

.100% ou CV
S
X
= .100%
Vamos supor, para exemplificar, que temos dois grupos de indivduos,
cujas idades esto apresentadas na tabela abaixo:

Tabela 2.16 Idades de indivduos, segundo o grupo
Grupo
I II
3 55
1 57
5 53


Temos que a idade mdia no Grupo I 3 e no grupo II, 55. A disperso
em torno da mdia a mesma para os dois grupos, pois tm varincias s
2
= 4
anos
2
e desvio-padro s = 2 anos. Entretanto, as diferenas de dois anos, na
idade dos indivduos do grupo I, so muito importantes porque determinam
grandes modificaes tanto no aspecto fsico como no comportamento desses
indivduos. Isso j no acontece com os indivduos do grupo II. Ento, h o
interesse em estabelecer relao entre o desvio-padro, que mede a disperso
dos dados, e a mdia, que mede a tendncia central.
Assim, o coeficiente de variao ser:
cv
A
= 2/3 . 100% = 66,67%
cv
B
= 2/55 . 100% = 3,64%
Vejamos os valores dos coeficientes de variao para as sries A e B:
cv
A
= 1,780/12,5 . 100% = 14,24%
cv
B
= 5,126/12,5 . 100% = 41,10%
Vemos portanto, que h maior variao na srie B que na A, pois o cv na
srie B foi bem maior que na srie A.





31
NOES DE PROBABILIDADE
Conceitos fundamentais


Qual a probabilidade de ocorrer determinado fenmeno?

pergunta-se quo provvel esse fenmeno.
quer-se quantificar a possibilidade de ocorrncia desse fenmeno.


Probabilidade uma medida de incerteza.


Fenmeno aleatrio ou probabilstico: aquele cuja ocorrncia no se pode
prever com certeza.

a cura de um doente aps ser submetido a um transplante.
sair a face cara no lanamento de uma moeda.
a durao de uma lmpada ser igual a 100 horas.
chover amanh.
o primeiro filho de um casal ser do sexo masculino.
etc.

Blaise Pascal
(1601 1665)
&
Pierre Fermat
(1623 1662)
deram origem

Teoria das Probabilidades
32
Fenmeno determinstico: aquele cuja ocorrncia pode ser prevista com certeza.

a velocidade atingida por um objeto em queda livre.
etc.

CONCEITOS FUNDAMENTAIS

Experimento
um procedimento realizado sob determinadas condies e que pode ser
repetido um nmero qualquer de vezes sob condies idnticas.

Experimentos Determinsticos
So aqueles em que as condies em que o experimento realizado
determinam completamente seu resultado.

Experimentos Aleatrios ou Probabilsticos
So aqueles cujo resultado no se pode prever com certeza.

realizao de um experimento aleatrio

diversos resultados possveis
causas mltiplas que no podem ser controladas: ACASO
33
Exemplos:

Experimento: plantar uma semente e observar o resultado:
Resultados possveis: germinou, no germinou.

Experimento: observar o sexo de um recm-nascido:
Resultados possveis: masculino; feminino.

Experimento: observar o peso de um recm-nascido, em quilos:
Resultados possveis:...; 2,2; ...; 2,5; ...; 3,0; ...
etc.

Espao Amostral
o conjunto de todos os possveis resultados de um experimento aleatrio.
representado pela letra S.


Evento
Dado um experimento aleatrio, evento qualquer subconjunto de seu espao
amostral.

Os eventos constitudos por apenas um elemento do espao amostral
so chamados eventos simples.

O espao amostral chamado evento certo.

O conjunto vazio chamado evento impossvel.


Exemplos:

Experimento: plantar uma semente e verificar o resultado:
34
S = { germinou; no germinou}

Experimento: observar o sexo de um recm-nascido:
S = { feminino; masculino }

Experimento: observar o peso de um recm-nascido, em quilos:
S = {...; 2,2; ...; 2,5; ...; 3,0; ... }


um experimento aleatrio repetido vrias vezes
sob mesmas condies



padro regular na freqncia dos
diferentes resultados que podem ocorrer


Neste contexto,
a probabilidade de ocorrncia de determinado resultado na realizao
de um experimento aleatrio
pode ser estimada pela
razo entre o nmero de vezes em que este resultado foi observado
em uma srie de repeties do experimento e
o nmero total de vezes em que o experimento foi repetido.
efeito aleatrio
35
Notao: Seja o evento A pertencente ao espao amostral de determinado
experimento aleatrio. A probabilidade de A ocorrer em uma realizao deste
experimento representada por P(A).

Interseo de Eventos
Dado um experimento aleatrio, a ocorrncia simultnea dos eventos A e B de
seu espao amostral chamada evento interseo e representada por
A B.

Unio de eventos
Dado um experimento aleatrio e dois eventos A e B de seu espao amostral, a
ocorrncia de A, de B ou de ambos chamada evento unio e representada
por A B.
A B
S
A B
S
36

Eventos Mutuamente Exclusivos
Dado um experimento aleatrio, dois eventos A e B de seu espao amostral so
mutuamente exclusivos se nunca ocorrem simultaneamente.
Ou seja, a ocorrncia de A exclui a ocorrncia de B e vice-versa.

A e B mutuamente exclusivos P(A B) =0.



Eventos Independentes
Dado um experimento aleatrio, dois eventos A e B de seu espao amostral so
independentes se a ocorrncia de A no afeta a ocorrncia de B e vice-versa,
ou seja, a probabilidade de ocorrncia de B independe de A ter ou no
ocorrido e vice-versa.
A probabilidade de A dado que B ocorreu chamada probabilidade
condicional de A dado B e denotada por P(A | B).


Exemplo

Num estudo sobre a ocorrncia de problemas cardacos em pessoas acima de
40 anos de determinado municpio, um pesquisador coletou dados de peso
corporal e presso arterial de uma amostra aleatria de 1660 pessoas dessa
populao:

A e B independentes
P(A | B) = P(A )
P(B | A) = P(B )
37
Peso

Presso
Excessivo Normal Baixo
Arterial (A) (B) (C) Total
Elevada (E) 166 132 35 333
Normal (N) 249 747 331 1327
Total 415 879 366 1660

Considere o experimento aleatrio:

Selecionar aleatoriamente uma pessoa da populao amostrada e observar sua
presso arterial e seu peso corporal (de acordo com a classificao adotada
pelo pesquisador para as variveis peso e presso arterial).

Com base nos dados obtidos pelo pesquisador, ou seja, com base na amostra
observada, podemos responder, por exemplo, s seguintes perguntas:

1. Qual a probabilidade de a pessoa selecionada ter presso arterial
elevada?
2. Qual a probabilidade de a pessoa selecionada ter peso excessivo?
3. Qual a probabilidade de a pessoa selecionada ter presso arterial
elevada e peso excessivo?
4. Qual a probabilidade de a pessoa selecionada ter presso arterial
elevada ou peso baixo?

O espao amostral correspondente ao experimento aleatrio considerado :

38
S ={EA, EB, EC, NA, NB, NC}

Podemos definir vrios eventos em S. Sejam, por exemplo, os eventos:

H : apresentar presso arterial elevada H = {EA, EB, EC}.
I : apresentar peso normal I = { EB, NB }.

Considerando-se o conceito de probabilidade como o limite de uma freqncia
relativa, podemos facilmente calcular:

1. Qual a probabilidade do evento H ocorrer neste experimento aleatrio?

2. Qual a chance do evento I ocorrer?
Qual a probabilidade dos eventos H e I ocorrerem simultaneamente?

3. Qual a chance de ocorrer o evento H ou o evento I?
P( H )
333
1660
0,2006 = =
0,5295
1660
879
) I P( = =
P( H I )
132
1660
0,0795 = =
P( H I )
333
1660
0,6506 = + =
879
1660
132
1660
39

4. Se foi observado que a pessoa selecionada apresenta peso excessivo, qual
probabilidade dessa pessoa apresentar presso arterial elevada?

H : apresentar presso arterial elevada H = {EA, EB, EC}.
I : apresentar peso normal I = { EB, NB }.
J : apresentar peso excessivo J = { EA, NA }.

5. Dado que a pessoa selecionada apresenta peso normal, qual a
probabilidade dessa pessoa apresentar presso arterial elevada?

TEOREMA DA SOMA


P( H | J )
166
415
0,4000 = =
P( H )
333
1660
0,2006 = =
P( H | I )
132
879
0,1502 = =
P( H | I )
P( H I )
P( I )
132
879
0,1502 =

= = =
132
1660
879
1660
40
Dados dois eventos A e B do espao amostral de um experimento aleatrio,
ento a probabilidade de ocorrncia de A ou de B na realizao desse
experimento aleatrio dada por:


TEOREMA DO PRODUTO
Dados dois eventos A e B do espao amostral de um experimento aleatrio,
ento a probabilidade de ocorrncia simultnea de A e de B na realizao desse
experimento aleatrio dada por:




P( A B ) P( A ) P( B | A) =
P( A B ) P( B ) P( A | B) =
ou
P( A | B )
P( A B )
P( B )
=

P( B | A )
P( A B )
P( A )
=

P( A B ) = P( A ) + P( B ) - P( A B )
41
EXPERIMENTOS ALEATRIOS


Existe grande importncia nos experimentos feitos na cincia. Um
princpio fundamental que se efetuamos tais experimentos repetidas vezes,
sob condies praticamente idnticas, obtemos resultados que so
essencialmente os mesmos. H entretanto, experimentos em que os resultados
no so essencialmente os mesmos, ainda que as condies de realizao se
mantenham praticamente as mesmas. Tais experimentos chamam-se
experimentos aleatrios.


ESPAO AMOSTRAL


Um conjunto S que consiste de todos os resultados possveis de um
experimento aleatrio chamado espao amostral; cada resultado um ponto
amostral. comum haver mais de um espao amostral para descrever os
resultados de determinado experimento, mas em geral apenas um desses
espaos nos d o mximo possvel de informaes.


EVENTO

Um evento um subconjunto do espao amostral.



PROBABILIDADES


Em qualquer experimento aleatrio, h sempre um incerteza quanto
ocorrncia, ou no, de determinado evento. A fim de obtermos uma medida de
chance, ou probabilidade, com que podemos esperar a ocorrncia de
determinado evento, conveniente atribuirmos um nmero entre 0 e 1.

Ex. 1)
De um grupo de duas mulheres (M) e trs homens (H), uma pessoa ser
sorteada para ser representante do Conselho de Classe no IB. Observamos que
a) s existem duas possibilidades: ou a pessoa sorteada do sexo feminino (M)
ou do sexo masculino (H);
b) supondo que o sorteio seja honesto e que cada pessoa tenha a mesma
chance de ser sorteada; teremos o seguinte modelo de probabilidades para o
experimento:


42
Sexo
Masculino Feminino Total
Freq. terica 3/5 2/5 1

Todo experimento ou fenmeno que envolva um elemento casual ter
seu modelo probabilstico especificado no momento que estabelecemos:

1
o
) um espao amostral, S, que consiste, no caso discreto, na enumerao de
todos os possveis resultados do experimento em questo: S = {w
1
,w
2
,...}. Os
elementos w so os pontos amostrais.
No exemplo acima S = {M,H}.

2
o
) uma probabilidade , P(w), para cada ponto amostral, de tal sorte que ser
possvel encontrar a P(A) de qualquer subconjunto A de S, isto , a
probabilidade da ocorrncia de um evento.



Exemplo 2
Lanamos uma moeda duas vezes. Se C indica cara e R indica Coroa, ento,
um espao amostral ser S = {w
1
, w
2
, w
3
, w
4
} ou seja,
S = {(C,C); (C,R); (R,C); (R,R)}. Se a moeda perfeitamente simtrica e
homognea razovel supor que cada ponto w tem probabilidade 1/4.

Se A o evento que consiste na obteno de faces iguais nos dois
lanamentos, ento
P(A) = P(w
1
,w
4
) = 1/4 + 1/4 = 1/2

De um modo geral, se A um evento, ento, P(A) = (w
j
), onde a soma
estendida a todos os w
j
e A.

Para um mesmo experimento podemos ter vrios espaos amostrais,
dependendo do objetivo do problema que se quer estudar.

Exemplo 3
Considere o experimento que consiste em retirar um medicamento de um
lote de medicamentos e medir a sua validade. Um espao amostral conveniente
:
S={t : t > 0}

Se A indica o evento: "o tempo de validade do medicamento inferior a 3 anos",
ento A = {t : 0 s t< 3}. Este um exemplo de um espao amostral contnuo, ao
contrrio dos exemplos anteriores, que so discretos.



43

Algumas Propriedades

Sendo o modelo probabilstico um modelo terico para as freqncias
relativas, das propriedades destas podemos verificar algumas das propriedades
que veremos a seguir.
Como toda freqncia relativa um nmero entre 0 e 1, temos que:
0 s P(A) s 1 para qualquer evento A.
Considerando o espao todo S e o conjunto vazio como eventos, temos:
P(S) = 1
P(C) = 0
onde o primeiro denominado evento certo e o segundo, evento impossvel.



Varivel aleatria discreta (v.a.d.)

Uma funo X, definida sobre o espao amostral S e assumindo valores
num conjunto enumervel de pontos do conjunto real, dita uma varivel
aleatria discreta.

w
1
w
2
w
3
w
4
w
5
w
6
S
- - - - - -





x
1
x
2
x
3
x
4


Exemplos:
X: n. de sobreviventes aps determinada operao
X: n. de pessoas portadoras de 1 determinado bacilo
X: n. de amostras de feses com ovos detectados
X: n. de bitos do sexo masculino

Chama-se de funo de probabilidade (f.p.) da varivel aleatria discreta
X, que assume os valores x
1
, x
2
, ... , x
n
, a funo p(x
i
), que a cada valor x
i

associa sua probabilidade de ocorrncia, isto ,
p(x
i
) = P(X = x
i
) = p
i







44
Valor esperado de uma varivel aleatria discreta

Dada a varivel aleatria discreta X, assumindo os valores x
1
, x
2
, ... x
n
,
chamamos valor mdio ou esperana matemtica de X ao valor

E(X) = x p
i
i
n
i
=

1


Varincia de X

Var(X) =

= = =
=
n
1 i
n
1 i
2
i i i
2
i i
2
n
1 i
i
)] x ( p x [ ) x ( p x p )] X ( E x [

e desvio-padro de X
DP(X) = Var X ( )

Exemplo: Seja X o nmero de pontos marcados na face superior de
um dado:
x 1 2 3 4 5 6 Total
p(x) 1/6 1/6 1/6 1/6 1/6 1/6 1,0


E(X) = 1.1/6 + 2.1/6 + 3.1/6 + 4.1/6 + 5.1/6 + 6.1/6 = 21/6 = 3,5
Var(X) = (1-21/6)
2
.1/6 + (2-21/6)
2
.1/6 + (3-21/6)
2
.1/6 + (4-21/6)
2
.1/6 +
+(5-21/6)
2
.1/6 + (6-21/6)
2
.1/6 = 35/12 = 2,917.
DP(X) = 708 , 1 12 / 35 =



Distribuio de Bernoulli

Muitos experimentos so tais que os resultados possveis apresentam ou
no determinada caracterstica.
(1) Uma pessoa escolhida, ao acaso, dentre 1000 pessoas, ou no do sexo
feminino;
(2) Uma pessoa escolhida, ao acaso, entre os moradores de uma cidade e
pergunta-se se ela diz sim ou no a um projeto governamental;
(3) Uma moeda lanada: o resultado ou "cara", ou no ;
(4) Um dado lanado: ou ocorre face 5, ou no.

Em todos esses casos, estamos interessados na ocorrncia de um
sucesso (ser do sexo feminino, dizer sim a um projeto, sair cara, ocorrer face 5)
ou fracasso (no ser do sexo feminino, dizer no a um projeto, sair coroa, no
ocorrer face 5). A definio do que sucesso ou fracasso depende do objetivo
do estudo.
45
Para cada experimento acima, podemos definir uma varivel X que
assume apenas dois valores: o valor 1, se ocorre sucesso, e o valor 0, se ocorre
fracasso. Indicaremos por p a probabilidade de sucesso e q = 1-p a
probabilidade de fracasso.


A varivel aleatria X, que assume apenas os valores 0 e 1 com a funo
de probabilidade,
x 0 1 Total
p(x) 1-p p 1

chamada varivel aleatria de Bernoulli.
E(X) = 0.(1-p) + 1.p = p
Var(X) = p - p
2
= p(1-p) = pq




Distribuio Binomial



Imagine que repetimos um ensaio de Bernoulli n vezes, ou como se diz
tambm, obtemos uma amostra de tamanho n de uma distribuio de Bernoulli.
Suponha ainda que as repeties sejam independentes, isto , o resultado de
um ensaio no tem influncia nenhuma no resultado de qualquer outro ensaio.
A varivel aleatria X, correspondente ao nmero de sucessos num
experimento binomial b(n,p), tem funo de probabilidade:

P X k
n
k
p q
k n k
( ) = =
|
\

|
.
|


onde
)! k n ( ! k
! n
k
n

=
|
|
.
|

\
|


Numa distribuio binomial
E(X) = np
Var(X) = npq

EX: Qual a proporo esperada de famlias com 2 filhas e 3 filhos, supondo
mesma chance de nascimento para cada sexo?

Definindo X como n. de meninas
P(X = 2) = ?
46
P(X = 2) =
5 3 2
5 , 0 .
! 3 ! 2
! 5
5 , 0 . 5 , 0
2
5
=
|
|
.
|

\
|

P(X = 2) = 10.0,03125 = 0,3125 = 31,25%

Sabe-se que a proporo de sucesso de um tratamento de 0,80. Qual a
probabilidade de que em 10 indivduos, 6 obtenham sucesso?

P(X = 6) =
10
6
0 80 0 20
10!
6!4
0 80 0 20
6 4 6 4
|
\

|
.
| = , . ,
!
. , . ,

P(X=6) = 210 . 0,2621 . 0,0016 = 0,0881 = 8,81%



Variveis aleatrias contnuas

Ex: O ponteiro dos segundos de um relgio mecnico pode parar a
qualquer instante por defeito tcnico. Vamos indicar por X o ngulo que este
ponteiro forma com o eixo imaginrio, passando pelo centro do relgio e pelo
nmero XII.
0
o

xii

270
o
IX III - 90
o



VI
180
o

Lembrando que:
a) o ponteiro deve dar 60 "saltos" (ele d um salto em cada segundo) para
completar uma volta;
b) acreditando que o ponteiro tenha probabilidade igual de parar em qualquer
ponto, a varivel X tem distribuio uniforme discreta, cuja funo de
probabilidade :
x 0 6 12 18 ... 348 354
p(x) 1/60 1/60 1/60 1/60 1/60 1/60

com a seguinte representao grfica:







47
p(x)



1/60 - - - - -



6
o
12
o
18
o
348
o
354
o
x (em graus)




Transferindo o mesmo problema para um relgio eltrico, onde o ponteiro
dos segundos move-se continuamente, necessitamos um outro modelo para
representar a varivel aleatria X. Primeiro observamos que o conjunto dos
possveis valores de X no mais um conjunto enumervel de valores, pois X
pode assumir qualquer valor do intervalo [0,360[ = {x e R 0 s x < 360}. Neste
caso faz sentido determinar a probabilidade de o ngulo X estar compreendido
entre dois valores quaisquer. Por exemplo, a probabilidade de o ponteiro parar
no intervalo compreendido entre os nmeros XII e III 1/4, pois este intervalo
corresponde a 1/4 do intervalo total. Ento, podemos escrever:
P(0 s X s 90) = 1/4
Do mesmo modo, a probabilidade de o ponteiro parar entre os nmeros IV
e V igual a 1/12, isto ,
P(120 s X s 150) = 1/12
Portanto, a probabilidade de X e [a,b[
P(a s x < b) =
b a
360


f(x)



1/360



a b c d 360 x (em graus)

O histograma acima corresponde seguinte funo:
f x ( ) =
<
s <
>

0, se x 0
1/ 360, se 0 x 360
0, se x 360


48


A rea correspondente ao intervalo [a,b[ deve indicar a probabilidade da
varivel estar entre a e b. Matematicamente, isso expresso atravs da
integrao da funo entre a e b.

P(as X < b) = f x dx dx
b a
a
b
a
b
( ) =

} }
1
360 360

pois a integral de uma funo entre dois pontos determina a rea sob a curva
compreendida entre esses dois pontos.
A funo f(x) chamada funo densidade de probabilidade (f.d.p.).




Valor esperado de uma varivel aleatria contnua

Qualquer funo (f.d.p) no negativa tal que
}

=1 dx ) x ( f , define uma
varivel aleatria contnua X. Isto cria um modelo terico para as freqncias
relativas de uma varivel quantitativa contnua. A rea compreendida entre dois
valores, a e b, da abscissa x e da curva f(x), d a probabilidade (proporo
terica esperada) da varivel pertencer ao intervalo limitado pelos dois pontos.
Assim, temos:

P(a s x < b) = f x dx
a
b
( ) }
A esperana matemtica ou valor esperado de uma v.a.c. pode ser
escrita como:
E(X) = x f x dx . ( )

}
e a varincia
Var(X) = ( ( )) . ( ) x E X f x dx

}
2

sendo que o desvio-padro
DP(X) = ) X ( Var











49
Modelo Normal ou Distribuio Normal

Podemos apresentar dados contnuos em histogramas ou em polgonos de
freqncias. Esses grficos mostram a configurao de distribuies empricas,
isto , de distribuies obtidas com base em dados observados.
Veja o exemplo abaixo.

Exemplo1: Uma distribuio emprica
Um matemtico belga do sculo XIX ps na cabea a idia de descrever o
homem mdio e, por conta disso, mediu muitas e muitas variveis.A tabela 1
mostra a distribuio do permetro torcico que esse matemtico mediu em
nada menos que 5732 soldados escoceses. As medidas esto em polegadas.
Como uma polegada vale 2,54 cm, voc v que as medidas variaram entre
83,82 cm e 121,92 cm. Veja o histograma apresentado na figura 1.

Tabela 1- Distribuio de freqncias do permetro torcico de homens adultos
em polegadas
Permetr
o torcico
Freqnci
a
Freqnci
a relativa
33 3 0,00052
34 19 0,00331
35 81 0,01413
36 189 0,03297
37 409 0,07135
38 753 0,13137
39 1062 0,18528
40 1082 0,18876
41 935 0,16312
42 646 0,11270
43 313 0,05461
44 168 0,02931
45 50 0,00872
46 18 0,00314
47 3 0,00052
48 1 0,00017











50
























Muitas distribuies de freqncias tm a aparncia da distribuio da figura 1.
Todas elas se aproximam de uma distribuio terica chamada distribuio
normal (tambm conhecida como distribuio de Gauss) apresentada na figura
2. O fato de se pressupor que uma varivel tem distribuio normal permite
resolver muitos problemas em estatstica.




0,00000
0,02000
0,04000
0,06000
0,08000
0,10000
0,12000
0,14000
0,16000
0,18000
0,20000
33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
Permetro torcico
F
r
e
q

n
c
i
a

r
e
l
a
t
i
v
a

Figura 1- Distribuio de freqncias do permetro torcico de homens adultos
em polegadas
51




Os grficos apresentados nas figuras 1 e 2 tm configurao semelhantes, mas
o primeiro emprico e o segundo terico. O histograma da figura 1 a
freqncia relativa de unidades em cada intervalo dada pela altura (medida
no eixo das ordenadas) do retngulo que representa o intervalo. Ento, a
proporo de homens adultos com permetro torcico igual a 37 polegadas, por
exemplo, dada no eixo das ordenadas(aproximadamente 0,07). Essas
propores so estimativas de probabilidade.
A distribuio terica dada na figura 2 representa uma populao infinita. Logo,
o eixo das ordenadas no mostra a proporo de indivduos em cada categoria
porque no d para calcular propores sobre um total que infinito. Mas a
curva abriga toda a populao em estudo. Ento, a rea total sob a curva 1,
ou seja, 100%, porque toda a populao est sob a curva.

A distribuio normal fica definida quando so dados dois parmetros: a mdia,
que se representa pela letra grega (l-se mi) e o desvio-padro, que se
representa pela letra grega o(l-se sigma)
Algumas caractersticas da distribuio normal so bem conhecidas:
- A mdia, a mediana e a moda coincidem e esto no centro da
distribuio
- O grfico da distribuio normal tem aspecto tpico: uma curva em forma
de sino, simtrica em torno da mdia;
52
- Como a curva simtrica em torno da mdia, 50% dos valores so iguais
ou maiores do que a mdia e 50% dos valores so iguais ou menores
que a mdia.

A grande vantagem de se pressupor que uma varivel tenha distribuio normal
o fato de ser possvel calcular as probabilidades relacionadas a essa varivel.
Essas probabilidades so dadas pelas reas sob a curva. Mas como isso
feito? Voc j sabe a relao entre a rea da curva e a mdia: metade das
observaes maior do que mdia e metade menor. Mas tambm existem
relaes entre a rea sob a curva e o desvio-padro da varivel:

- Prova-se teoricamente que se a varivel tem distribuio normal, 34,13%
da rea sob a curva esto entre a mdia () e um ponto de abscissa igual
mdia mais um desvio-padro (+o)
- A curva simtrica em torno da mdia.Segue-se da que 34,13% da rea
sob a curva esto entre a mdia () e um ponto de abscissa igual mdia
menos um desvio-padro (-o)
- Se voc somar as porcentagens, ter 68,26%. Ento, entre (-o) e (+o)
esto 68,26% da rea da curva.
- Entre (-2o) e (+2o) esto 95% da rea da curva e entre(-3o) e (+3o)
esto 99% da rea da curva





Dizemos que uma v.a. X tem distribuio normal com parmetros, mdia
igual a e varincia igual a o
2
,
- < < +
0 < o
2
< + ,
se a sua funo densidade de probabilidade (f.d.p) dada por:

f x e
x
( )
( ) /
=

1
2
2 2
2
o t
o
< < + x



Grfico

53
f(X)
-o +o 0



Temos que:
a) E(X) =
b)Var(X) = o
2

c) f(x) 0 quando x
d) - o e + o so pontos de inflexo de f(x);
e) x = ponto de mximo de f(x), e o valor mximo
1
2
o
t

f) f(x) simtrica ao redor de x = , isto ,
f(x + ) = f(x - ), para todo < <+ x
Como calcular
P(a < X < b) = ?

P(a < X < b) =
dx e
2
1
b
a
2 / ) x (
2 2
}
o
t o



f(x)
f
a b




A integral no pode ser calculada exatamente, e a probabilidade indicada
s pode ser obtida aproximadamente, por mtodos numricos. No entanto, para
cada valor de e cada valor de o, teramos que obter P(a < X < b) para
54
diversos valores de a e b. Essa tarefa facilitada, atravs do uso da normal
padronizada ou reduzida.
Quando = 0 e o
2
= 1 e, temos a distribuio normal padro ou reduzida.
Se X tem distribuio normal, com mdia e varincia o
2
, indicaremos assim :
X ~ N(, o
2
), ento a varivel aleatria Z definida por
Z
X
=

o


tem distribuio normal com mdia 0 e varincia 1 Z ~N(0, 1).


f
-1,0 0,0 1,0
Z
f(z)




Ento, para obter probabilidades podemos consultar uma tabela que
tenha a distribuio normal reduzida ou padronizada, pois esta tabela nos d as
probabilidades sob uma curva normal padro, que nada mais so do que as
correspondentes reas sob a curva.


P(Zsz
0
)
z0 Z



Ex.: As alturas de 10 000 alunos tm distribuio aproximadamente normal,
com mdia 170 cm e desvio padro 5 cm. Qual a probabilidade de termos:
a) alunos com alturas entre 165 cm e 170 cm.
b) entre 165 e 180 cm.
c) entre 168 e 185 cm.
55
d) menores que 160 cm.
e) maiores que 180 cm.
f) Qual o nmero esperado de alunos com altura superior a 165 cm?
Resoluo:
a) P(165 < X < 170)

o

=
X
Z
z = (165 - 170)/5 = -1
z = (170 - 170)/5 = 0

P(165 < X < 170) = P(-1 < Z < 0)
Temos que P(Z < 0) = 0,5000 e P(Z < -1) = 0,1587, portanto a rea que
queremos dada por
P(Z < 0) - P(Z < -1) = 0,5000 - 0,1587 = 0,3413 = 34,13%.

b) z = (165 -170)/5 = -1
z = (180 - 170)/5 = 2
P(165 < X < 180) = P(-1 < Z < 2)
= P(Z < 2) - P(Z < -1)
= 0,9772 - 0,1587 = 0,8185 = 81,85%.

c) z = (168 - 170)/5 = -0,4
z = (185 - 170)/5 = 3,0
P(168 < X < 185) = P(-0,4 < Z < 3)
= P(Z < 3) - P(Z < -0,4)
= 0,9987 - 0,3446 = 0,6541 = 65,41%

d) z = (160 - 170)/5 = -2
P(X < 160) = P(Z < -2) = 0,0228 = 2,28%

e) z = (180 - 170)/5 = 2
P(X > 180) = P(Z >2) = 1 - P(Z < 2)
= 1 - 0,9772 = 0,0228 = 2,28%

f) P(X > 165) = ?
z = (165 - 170)/5 = -1
P(X > 165) = P(Z > -1) = 1 - P(Z < -1)
= 1 - 0,1587 = 0,8413 = 84,13%
Como so 10 000 alunos teremos
10 000 x 0,8413 = 8413 alunos
que o nmero esperado de alunos com altura superior a 165 cm.

56
Desenhos de estudo
Classificao dos desenhos de estudo
Existem vrias formas de classificar os desenhos de estudo, no entanto, mais
importante do que a classificao, em si, conhecer as vrias caractersticas a
ter em conta na classificao de um determinado tipo de estudo e conhecer e
compreender, adequadamente, a terminologia utilizada.
Quanto manipulao de intervenes diretas sobre o objeto em estudo
podem-se definir trs tipos de estudos: experimentais, quasi-experimentais e
observacionais.

Os estudos experimentais caracterizam-se por apresentarem manipulao de
intervenes diretas sobre os indivduos em estudo e atribuio aleatria da
interveno em causa. O exemplo tpico de estudo experimental o ensaio
clnico randomizado.
Os quasi-experimentais so estudos em que existe manipulao da
interveno, mas no atribuio aleatria da mesma. So exemplos de estudos
quasi-experimentais certos ensaios de campo, certos ensaios de intervenes
na comunidade e os ensaios clnicos no randomizados.
Nos estudos observacionais no existe manipulao de intervenes diretas
sobre os indivduos em estudo, limitando-se o investigador observao destes
e suas caractersticas. Exemplos destes ltimos so os estudos de coorte, os
estudos de casos e controles, os estudos transversais, entre outros.
A existncia de um perodo de seguimento dos indivduos em estudo
tambm utilizada na classificao dos desenhos de estudo e define dois grupos:
os estudos transversais e os estudos longitudinais.
Os primeiros no apresentam perodo de seguimento, os dados so colhidos
num nico ponto no tempo e representam um corte transversal ou fotografia das
caractersticas da populao em estudo e so usados, por exemplo, para
estudar a prevalncia das doenas. No caso dos estudos longitudinais, existe
um perodo de seguimento, mais ou menos longo, dos indivduos, existem pelo
menos dois pontos no tempo em que se colhem dados e permitem estudar as
mudanas de estado que ocorreram na populao durante o perodo em que
esta foi seguida, so usados, por exemplo para estudar a incidncia das
doenas.
Quanto ao perodo de referncia, isto , o perodo a que se referem os dados
que so colhidos num estudo, existem dois tipos de estudos: os estudos
retrospectivos e os estudos prospectivos.
Nos retrospectivos colhem-se dados sobre exposies ou doenas que
ocorreram no passado.
Nos prospectivos colhem-se dados sobre exposies ou doenas que ocorrem
no presente ou que vo ocorrer no futuro, durante o perodo de seguimento dos
indivduos.
57
Esta classificao algo artificial, j que na realidade, a maior parte dos estudos
existentes no so puramente retrospectivos ou prospectivos, mas um misto dos
dois tipos.
Quanto ao objetivo do estudo poder-se-o classificar os vrios desenhos em:
estudos descritivos e estudos analticos.
Os estudos descritivos so aqueles que pretendem, unicamente, descrever as
caractersticas da populao, atravs da descrio das variveis em estudo,
sem se preocupar em estabelecer relaes entre estas.
Os estudos analticos pretendem, no s, descrever as variveis em estudo,
como tambm, estabelecer relaes entre estas, com o intuito ltimo de
estabelecer relaes de causalidade entre a(s) varivel(eis) independente(s) e
a(s) varivel(eis) dependente(s) em estudo.

Tipos de estudos epidemiolgicos
Os estudos epidemiolgicos podem ser classificados em observacionais e
experimentais. Os estudos experimentais fogem ao escopo deste trabalho e no
sero comentados. De uma maneira geral, os estudos epidemiolgicos
observacionais podem ser classificados em descritivos e analticos.
Estudos descritivos
Os estudos descritivos tm por objetivo determinar a distribuio de doenas ou
condies relacionadas sade, segundo o tempo, o lugar e/ou as
caractersticas dos indivduos. Ou seja, responder pergunta: quando, onde
e quem adoece? A epidemiologia descritiva pode fazer uso de dados
secundrios (dados pr-existentes de mortalidade e hospitalizaes, por
exemplo) e primrios (dados coletados para o desenvolvimento do estudo).
A epidemiologia descritiva examina como a incidncia (casos novos) ou a
prevalncia (casos existentes) de uma doena ou condio relacionada sade
varia de acordo com determinadas caractersticas, como sexo, idade,
escolaridade e renda, entre outras. Quando a ocorrncia da doena/condio
relacionada sade difere segundo o tempo, lugar ou pessoa, o epidemiologista
capaz no apenas de identificar grupos de alto risco para fins de preveno
(por exemplo: na cidade de Bambu, verificou-se que idosos com renda familiar
inferior a trs salrios mnimos ingeriam menos frutas e legumes frescos e
praticavam menos exerccios fsicos do que aqueles com renda familiar mais
alta
23
), mas tambm gerar hipteses etiolgicas para investigaes futuras.
24

No Brasil, existem importantes bancos de dados secundrios com abrangncia
nacional como o Sistema de Informaes sobre Mortalidade (SIM-SUS), o
Sistema de Informaes sobre Autorizaes de Internaes Hospitalares (SIH-
SUS)
25-28
e a Pesquisa Nacional de Amostra Domiciliar (PNAD, 1998)
29
que
podem ser usados em estudos epidemiolgicos. Os resultados apresentados na
58
Tabela 1 constituem exemplo de um estudo descritivo utilizando dados do SIM-
SUS. Outro exemplo do uso de dados secundrios para estudo epidemiolgico
descritivo pode ser visto na Tabela 2. Nessa tabela, verifica-se que a
mortalidade por doena de Chagas no Brasil vem diminuindo progressivamente,
em quase todas as faixas etrias (exceto na de 70+ anos) e que o pico da
mortalidade situa-se na sexta dcada de vida. Resultados semelhantes so
encontrados quando as taxas de mortalidade so analisadas segundo coortes
de nascimento. As maiores taxas de mortalidade entre as coortes mais velhas
so, possivelmente, reflexo do sucesso do programa de controle da doena de
Chagas no pas, representando a reduo da transmisso da infeco pelo
Trypanosoma cruzi entre as coortes mais jovens.
30





59


Dados secundrios tambm tm sido utilizados para monitorar a qualidade da
assistncia hospitalar prestada ao idoso. Na Figura 1, pode-se verificar que a
alta mortalidade entre idosos internados em uma clnica do Rio de Janeiro (que
levou ao seu fechamento temporrio, a partir de denncias divulgadas pela
imprensa em 1996), j vinha ocorrendo desde 1993, sendo maior que a
observada em hospitais de referncia em vrios dos meses estudados. Esse
resultado mostra que a anlise adequada de dados secundrios de internaes
hospitalares poderia ter antecipado a identificao do problema pelos rgos
competentes, evitando o excesso de mortalidade s identificado em meados de
1996.
31


60


Na Figura 2, so apresentados os resultados de um estudo descritivo usando
dados primrios. Nesse estudo, cerca de 1.700 idosos e uma amostra
representativa de indivduos mais jovens foram entrevistados para determinadas
caractersticas, entre elas o hbito de fumar. Os resultados mostram que a
prevalncia de fumantes diminui com a idade, de forma consistente, em homens
e mulheres. A reduo do hbito de fumar entre pessoas mais velhas, tambm
observada em outros trabalhos,
12
conseqncia de pelo menos um dos
seguintes fatores: a) reduo do hbito de fumar em virtude do aumento da
idade; b) efeito de coorte (alterao nos hbitos em geraes diferentes); e c)
vis de sobrevivncia (menor sobrevivncia dos fumantes).
32


61


Estudos analticos
Estudos analticos so aqueles delineados para examinar a existncia de
associao entre uma exposio e uma doena ou condio relacionada
sade. Os principais delineamentos de estudos analticos so: a) ecolgico; b)
seccional (transversal); c) caso-controle (caso-referncia); e d) coorte
(prospectivo). Nos estudos ecolgicos, tanto a exposio quanto a ocorrncia da
doena so determinadas para grupos de indivduos. Nos demais
delineamentos, tanto a exposio quanto a ocorrncia da doena ou evento de
interesse so determinados para o indivduo, permitindo inferncias de
associaes nesse nvel. As principais diferenas entre os estudos seccionais,
caso-controle e de coorte residem na forma de seleo de participantes para o
estudo e na capacidade de mensurao da exposio no passado, como ser
visto a seguir.
Estudos ecolgicos
Nos estudos ecolgicos, compara-se a ocorrncia da doena/condio
relacionada sade e a exposio de interesse entre agregados de indivduos
(populaes de pases, regies ou municpios, por exemplo) para verificar a
possvel existncia de associao entre elas. Em um estudo ecolgico tpico,
medidas de agregados da exposio e da doena so comparadas. Nesse tipo
de estudo, no existem informaes sobre a doena e exposio do indivduo,
mas do grupo populacional como um todo. Uma das suas vantagens a
possibilidade de examinar associaes entre exposio e doena/condio
62
relacionada na coletividade. Isso particularmente importante quando se
considera que a expresso coletiva de um fenmeno pode diferir da soma das
partes do mesmo fenmeno. Por outro lado, embora uma associao ecolgica
possa refletir, corretamente, uma associao causal entre a exposio e a
doena/condio relacionada sade, a possibilidade do vis ecolgico
sempre lembrada como uma limitao para o uso de correlaes ecolgicas. O
vis ecolgico ou falcia ecolgica possvel porque uma associao
observada entre agregados no significa, obrigatoriamente, que a mesma
associao ocorra em nvel de indivduos.
24,33

Na Figura 3, apresentada a distribuio da proporo de bitos por causas
mal definidas entre idosos e a taxa de pobreza (proporo da populao com
renda per capita inferior a meio salrio mnimo), segundo a macrorregio
brasileira. Sabe-se que, para o conjunto da populao idosa brasileira, cerca de
65% dos bitos sem causa bsica conhecida ocorrem sem assistncia mdica.
3

Assim, a maior proporo de mortes por causas mal definidas nas regies com
maior proporo de habitantes com renda familiar per capita inferior a meio
salrio mnimo sugere que a falta da assistncia mdica ao idoso est
associada pobreza.





63
Estudos seccionais
Nos estudos seccionais, a exposio e a condio de sade do participante so
determinadas simultaneamente. Em geral, esse tipo de investigao comea
com um estudo para determinar a prevalncia de uma doena ou condio
relacionada sade de uma populao especificada (por exemplo, habitantes
idosos de uma cidade). As caractersticas dos indivduos classificados como
doentes so comparadas s daqueles classificados como no doentes.
Um exemplo de estudo seccional foi desenvolvido na cidade de Bambu, situada
no interior de Minas Gerais, para determinar a prevalncia e os fatores
sociodemogrficos associados depresso.
34
Um questionrio foi aplicado para
identificar os indivduos com depresso em uma amostra representativa da
populao da cidade com 18+ anos de idade (1.041 participantes). Os episdios
depressivos atuais estavam associados ao sexo (maior prevalncia no sexo
feminino, em comparao ao sexo masculino), idade (maior prevalncia nos
mais velhos, em comparao aos mais jovens) e condio atual de trabalho
(maior prevalncia entre aqueles que no estavam trabalhando, em comparao
aos que estavam), conforme discriminao na Tabela 3. Saliente-se que as
determinaes do episdio depressivo atual e da ocupao foram feitas
simultaneamente, ou seja, no foi possvel saber se a ausncia de trabalho foi
anterior ou posterior ao surgimento do episdio depressivo.



Esta a caracterstica fundamental de um estudo seccional: no possvel
saber se a exposio antecede ou conseqncia da doena/condio
64
relacionada sade. Portanto, esse delineamento fraco para determinar
associaes do tipo causa-efeito, mas adequado para identificar pessoas e
caractersticas passveis de interveno e gerar hipteses de causas de
doenas. Em relao ao estudo de Bambu, os resultados mostraram que a
depresso um importante problema de sade na comunidade, especialmente
entre mulheres, pessoas mais velhas e aqueles que no esto trabalhando. O
resultado do estudo tambm gerou uma hiptese sobre a influncia da ausncia
de trabalho no desenvolvimento do episdio depressivo.
Estudos caso-controle
Os estudos caso-controle e os estudos de coorte podem ser utilizados para
investigar a etiologia de doenas ou de condies relacionadas sade entre
idosos, determinantes da longevidade; e para avaliar aes e servios de sade.
Os estudos de coorte tambm podem ser utilizados para investigar a histria
natural das doenas.
Nos estudos caso-controle, primeiramente, identificam-se indivduos com a
doena (casos) e, para efeito de comparao, indivduos sem a doena
(controles) (Tabela 4). Depois, determina-se (mediante entrevista ou consulta a
pronturios, por exemplo) qual a Odds da exposio entre casos (a/c) e
controles (b/d). Se existir associao entre a exposio e a doena, espera-se
que a Odds da exposio entre casos seja maior que a observada entre
controles, alm da variao esperada devida ao acaso.



Os estudos caso-controle, ao contrrio dos estudos de coorte (ver a seguir),
partem do efeito (doena) para a investigao da causa (exposio). Nesse
artifcio, residem as foras e as fraquezas desse tipo de estudo epidemiolgico.
65
Entre as vantagens, podemos mencionar: a) tempo mais curto para o
desenvolvimento do estudo, uma vez que a seleo de participantes feita aps
o surgimento da doena; b) custo mais baixo da pesquisa; c) maior eficincia
para o estudo de doenas raras; d) ausncia de riscos para os participantes; e)
possibilidade de investigao simultnea de diferentes hipteses etiolgicas. Por
outro lado, os estudos caso-controle esto sujeitos a dois principais tipos de
vieses (erro sistemtico no estudo): de seleo (casos e controles podem diferir
sistematicamente, devido a um erro na seleo de participantes); e de memria
(casos e controles podem diferir sistematicamente, na sua capacidade de
lembrar a histria da exposio). Essas limitaes podem ser contornadas no
delineamento e conduo cuidadosos de um estudo caso-controle.
35

Um estudo caso-controle para investigar a associao de quedas entre idosos e
uso de medicamentos est sendo desenvolvido no Municpio do Rio de Janeiro.
Os casos so pessoas com 60+ anos de idade, internadas em seis hospitais do
municpio por fratura decorrente de queda. Os controles so pacientes dos
mesmos hospitais internados por outras causas. At o momento, os resultados
sugerem um maior risco de quedas e fraturas entre aqueles que fazem uso de
benzodia-zepnicos (Odds Ratio-OR=1,9; Intervalo de Confiana-IC em nvel de
95%=1,0-3,8) e miorrelaxantes (OR=1,9; IC95%=1,0-4,0).
36

Estudos de coorte
Nos estudos de coorte, primeiramente, identifica-se a populao de estudo e os
participantes so classificados em expostos e no expostos a um determinado
fator de interesse (Tabela 5). Depois, os indivduos dos dois grupos so
acompanhados para verificar a incidncia da doena/condio relacionada
sade entre expostos (a/a + d) e no expostos (c/c + d). Se a exposio estiver
associada doena, espera-se que a incidncia entre expostos seja maior do
que entre no expostos, alm da variao esperada devida ao acaso. Nesse
tipo de estudo, a mensurao da exposio antecede o desenvolvimento da
doena, no sendo sujeita ao vis de memria como nos estudos caso-controle.
Alm disso, os que desenvolveram a doena e os que no desenvolveram no
so selecionados, mas sim identificados dentro das coortes de expostos e no
expostos, no existindo o vis de seleo de casos e controles. Os estudos de
coorte permitem determinar a incidncia da doena entre expostos e no
expostos e conhecer a sua histria natural.

66


A principal limitao para o desenvolvimento de um estudo de coorte, alm do
seu custo financeiro, a perda de participantes ao longo do seguimento por
conta de recusas para continuar participando do estudo, mudanas de
endereos ou emigrao. Os custos e as dificuldades de execuo podem
comprometer o desenvolvimento de estudos de coorte, sobretudo quando
necessrio um grande nmero de participantes ou longo tempo de seguimento
para acumular um nmero de doentes ou de eventos que permita estabelecer
associaes entre exposio e doena.
37

Por essas razes, so poucos os estudos de coorte com base populacional
desenvolvidos entre idosos brasileiros. Um desses estudos (Epidoso) est
sendo desenvolvido na cidade de So Paulo, onde cerca de 1.700 pessoas com
65+ anos esto sendo acompanhadas.
16
Um outro estudo (Projeto Bambu) est
sendo desenvolvido na cidade de Bambu, Minas Gerais, onde esto sendo
acompanhados todos os residentes na comunidade com 60+ anos de idade
(cerca de 1.700 pessoas).
19
De uma maneira geral, os principais objetivos de um
estudo prospectivo consistem em determinar a incidncia de condies
adversas sade e investigar determinantes dessas condies.
O delineamento bsico do estudo de coorte de Bambu est apresentado na
Figura 4. Inicialmente, foi conduzido um censo para identificar todos os
residentes na cidade. Em seguida, aqueles com 60+ anos de idade foram
convidados a participar do estudo. Os que aceitaram participar foram includos
na linha de base do estudo e submetidos a entrevista, exame fsico e diversos
exames laboratoriais. A entrevista foi realizada com a utilizao de um
questionrio estruturado e pr-codificado, contendo informaes sobre
caractersticas sociodemogrficas, morbidade auto-referida, uso de medicao,
uso de servios de sade e fontes de cuidados, hbitos de vida, aspectos
psicossociais, histria reprodutiva, funo fsica e sade mental. Foi constituda
uma soroteca e um banco de DNA para investigaes futuras. As informaes
obtidas na linha de base do estudo so denominadas variveis exploratrias
(exposio) e a sua associao com condies adversas de sade (variveis de
67
desfecho) sero investigadas, comparando-se as incidncias dessas condies
ao longo do tempo, entre expostos e no expostos. As principais variveis de
desfecho investigadas nesse estudo so: morte; internaes hospitalares;
declnio fsico e cognitivo; acidentes; episdios depressivos; e uso de
medicamentos e de servios de sade. A adeso ao estudo foi alta, tanto na
linha de base (dos 1.742 idosos selecionados, 92% foram entrevistados e 86%
examinados) quanto no primeiro seguimento (somente 1,7% foram perdidos
para acompanhamento). Esses resultados mostram que a escolha da cidade e a
forma de abordagem da comunidade foram adequadas para garantir a adeso
ao estudo na linha de base e a pequena perda de acompanhamento, condio
essencial para o sucesso de um estudo de coorte.
19




Nas ltimas dcadas, importantes estudos de coorte com base populacional de
idosos vm sendo realizados em pases desenvolvidos.
38-46
Os resultados
dessas pesquisas tm sido fundamentais para subsidiar programas de
preveno e promoo da sade dessas populaes. No se sabe, entretanto,
68
se esses resultados so generalizveis para pases em desenvolvimento.
Estudos de coorte com base populacional da populao idosa nesses pases
so importantes para, entre outras razes: a) determinar a incidncia de eventos
adversos de sade entre idosos, orientando estratgias de preveno
adequadas realidade nacional; b) contribuir para o entendimento da etiologia
de algumas doenas; e c) estudar fatores culturais, comportamentos e estilos de
vida que podem variar entre comunidades e pases, associados a esses
eventos.























69
Tabela da Distribuio Normal Padro P(Z<z)

z 0,0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

70

P(Z<z)

z 0,0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
-3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
71




Bibliografia


BERQU, E.S.; SOUZA, J.M.P. de; GOTLIEB, S.L.D. Bioestatstica. So
Paulo, EPU, 1980. 325p.

BUSSAB, W.O. & MORETTIN, P.O. Estatstica bsica; mtodos
quantitativos. 5.ed. So Paulo, Editora Saraiva, 2002. 540p.

CAMPBELL, M.J. & MACHIN, D. Medical statistics: a commonsense
approach. 2nd ed. Chichester, John Wiley & Sons, 1993. 189p.

SOARES, J.F. & SIQUEIRA, A.L. Introduo estatstica mdica. 2.ed.
Coopmed Editora, 2002. 300p.

VIEIRA, S. Introduo bioestatstica. 3.ed. Rio de Janeiro, Editora
Campus, 1998. 216p.