Conteúdos desta unidade

Análise na distribuição dos dados:

avaliação da normalidade.

Análise e interpretação dos resultados
dos seguintes testes:
Unidade II

Teste t para uma amostra.

Teste t pareado.

Teste t para amostras independentes.

Teste de ANOVA.

BIOESTATÍSTICA
Teste de Friedman.

Teste de correlação.

Teste de regressão linear.

Profa. Dra. Carina Helena Wasem Fraga.

Distribuição normal (Gauss) Distribuição normal (Gauss)

Características:
Indica a probabilidade de ocorrência de

distribuição característica de variáveis um evento numa população.
biológicas.
Exemplo: qual a probabilidade de uma

distribuição normal não significa que pessoa apresentar um valor de
ocorra apenas em pessoas sadias. hemoglobina entre 14,5 e 15,5?

maior frequência em valores centrais e
menor incidência em valores baixos e
altos

CALLEGARI-JACQUES, 2003

PASQUALI (2007)

Frequência de ocorrência 24%.

1
 Distribuição normal (Gauss)
Propriedades:

apresenta o formato de um sino.

a curva é simétrica em torno da média.
CALLEGARI-JACQUES, 2003
Distribuição normal (Gauss)

Área total sob a curva totaliza 100%.

Área entre pontos de inflexão representa
aproximadamente 68% (2/3) dos valores.
CALLEGARI-JACQUES, 2003
Distribuição normal (Gauss)

A média, a mediana e a moda coincidem.

A média e o DP são representativos de
dados de distribuição normal.

A curva apresenta 2 pontos de inflexão:
média somada e subtraída ao DP.
Distribuição normal (Gauss)
O gráfico mostra distribuição normal
rigorosamente simétrica, que tem como
característica englobar 99,73% das
ocorrências no intervalo entre a média ± 3
DP.
Fonte: UFRGS
2
 Distribuição normal na prática Distribuição normal na prática

Distribuição normal é uma curva teórica:
Distribuição normal → testes

tentativa de encaixar histogramas paramétricos (apresentam maior poder
parecidos com a curva normal. estatístico).

Existem inúmeras variáveis de
distribuição assimétrica ou descontínua
que não apresentam curva normal de
distribuição dos dados.

Identificar se os dados apresentam uma
distribuição normal é importante para a
determinação dos tipos de testes
estatísticos a serem empregados.

PASQUALI (2007)

Distribuição normal na prática Testes de normalidade

Distribuição não-normal → testes
Testes de normalidade averiguam a

não-paramétricos. assimetria da curva de dados em relação
à curva normal.

Curva normal
sobreposta
ao histograma
indicando a
(a) Assimetria positiva ou esquerda (b) Assimetria negativa ou direita distribuição que os
dados deveriam

Dificilmente os dados apresentarão uma apresentar para
atender aos
distribuição normal perfeita, por isso pressupostos
de normalidade
determina-se a normalidade dos dados
por meio dos testes de normalidade.
CALLEGARI-JACQUES, 2003

CALLEGARI-JACQUES, 2003

3
Testes de normalidade Interatividade

Realizada a partir das medidas de São exemplos de curvas normais:

assimetrias e curtoses (achatamentos)

Pode-se utilizar diversos pacotes
estatísticos.

Teste de Shapiro – Wilk: conjunto de até
50 observações.

Teste de Kolmogorov Smirnov demais
situações.

Nível de significância é inferior ao
estabelecido (geralmente 0,05), rejeita-se a) A, B, C e D
a normalidade. b) Apenas C
CALLEGARI-JACQUES, 2003
c) Apenas A e C
d) A, B e C
e) Apenas D

Resposta Teste estatísticos

Alternativa “d”

A curva normal é unimodal (apenas 1 pico)

e simétrica (idêntica em ambos os lados da
média). Mas pode ter diferentes níveis de
curtoses: platicúrtica (A), leptocúrtica (B) e
mesocúrtica (C). BARROS e REIS , 2003

4
Formulando hipóteses

A hipótese é o resultado esperado.

Ao elaborar um procedimento
experimental para um estudo,
geralmente há uma idéia de qual será o
resultado.

O resultado esperado é elaborado com
base na revisão de literatura feita
previamente.

A hipótese deve ser formulada de
maneira que possa ser aceita ou
refutada.
Teste t para uma amostra

Situações em que características de um
único grupo precisam ser comparadas
com um valor de referência.

Desenvolvido para comparar duas
médias em um experimento.

Necessita atender aos critérios de
normalidade de distribuição.
Formulando hipóteses

Duas hipóteses são formuladas: a
hipótese alternativa (H1) e a hipótese
nula (H0).

A hipótese alternativa é o resultado
esperado pelo experimento que irá ser
conduzido.

A hipótese nula é usada na análise
estatística e considera que não há
diferença entre os tratamentos ou
relação entre as variáveis analisadas.
Teste t para uma amostra
Exemplo 1: Comparação entre a média de
desempenho dos alunos do curso de
Graduação em Educação no teste de 12
minutos, em relação à média esperada para
a faixa etária na população.
A hipótese estatística a ser formulada é:

H0 → A média dos resultados no grupo
avaliado é semelhante à média do
referencial estipulado.

H1 → A média dos resultados no grupo
avaliado não é igual a média do
referencial estipulado.
5
Teste t para uma amostra
Exemplo 2: Comparação entre a média
nacional de desempenho dos alunos de
graduação do curso de Educação Física,
com a média de desempenho dos alunos e
Educação Física da UNIP, que estejam
cursando o último ano.

Média dos alunos da UNIP: 9,63 ± 0,7.

Média nacional: 8,20 ± 0,9.

Neste caso, a hipótese alternativa (H1) foi
confirmada pois após aplicação do teste
foi verificada diferença entre a média dos
alunos da UNIP e média nacional.
Teste t pareado

Exemplo 1: Um grupo de trabalhadores
foi submetido a um período de
treinamento e de ginástica laboral e
objetiva-se analisar alguma condição
pré- e pós-treinamento.

Exemplo 2: Um grupo de pessoas idosas
foi submetido a uma série de testes nos
quais foram avaliados em sua condição
física e posteriormente submetidos a um
período de treinamento para melhorar as
capacidades físicas, para depois
novamente serem reavaliados.
Teste t pareado

Situações nas quais um mesmo grupo é
avaliado em 2 condições e o objetivo é
comparar estas 2 médias entre si.

Necessita atender aos critérios de
normalidade de distribuição.

Condição fundamental: a amostra de
dados nas duas condições (antes e
depois) deve ter o mesmo tamanho, caso
contrário, a relação de dependência ou
pareamento será perdida.
Teste t pareado

Nos 2 exemplos anteriormente citados,
os grupos terão seus desempenhos
comparados antes e depois do período
de treinamento para investigar se houve
diferença nos resultados e se essa
diferença foi estatisticamente diferente.

Uma forma de análise é observar
diferença das médias pré e pós
tratamento. Se os dois conjuntos de
médias forem iguais, então a diferença
(subtração das médias) será igual a zero.
6
Interatividade
Um grupo de trabalhadores submetido a um
período de exercícios de alongamento
aumentou significativamente os valores de
flexibilidade entre a condição pré e pós-
treinamento.
a) Pode-se concluir esse resultado
calculando o CV;
b) O valor do DP é o mais importante para
esse cálculo;
c) O teste de normalidade assegura o
cálculo dessa diferença;
d) O teste mais indicado é o teste t para
uma amostra;
e) O teste mais indicado é o teste t
pareado;
Teste t para amostras
independentes

Utilizado em situações de comparação
de uma característica comum de dois
grupos que são compostos por
indivíduos diferentes (grupos são
independentes).

Os sujeitos de um grupo não devem
estar relacionados aos sujeitos de outro
grupo.

Comparação da média dos valores de um
grupo com a média de valores de outro
grupo.
Resposta

Alternativa “e”.
Para comparar os valores correspondentes
ao desempenho em teste de flexibilidade de
um mesmo grupo antes e depois de um
período de treinamento, o teste mais
indicado é o teste t pareado.
Condições:

amostra de dados nas duas situações
(antes e depois) deve ter o mesmo
tamanho.

distribuição de dados normal.
Teste t para amostras
independentes

Aplicável em grupos cuja distribuição
dos dados seja suficientemente parecida
a uma curva normal.

Exemplo 1: Comparação da altura de
salto vertical de uma amostra composta
por jogadores de basquete com uma
amostra composta por lutadores de judô.

Exemplo 2: Comparação da força
máxima do grupo muscular quadríceps
de atletas halterofilistas com atletas
jogadores de futebol.
7
Análise de Variância (ANOVA)

Numa situação de comparação de 4
grupos com relação a uma variável
quantitativa, poderiam ser usados vários
testes t entre os grupos para compará-
los dois a dois.

Realizar este procedimento seria
inadequado estatisticamente, pois
aumenta o erro de se concluir
inadequadamente que existe diferença
entre as médias.

Por isso, o procedimento correto
consistiria em usar uma técnica
chamada Análise de Variância.
Análise de Variância (ANOVA)

Os níveis de um fator representam as
características diferentes deste fator.

O procedimento detecta qual a influência
destes fatores na variação dos grupos
analisados, ou seja, identifica qual ou
quais fatores são as possíveis causas de
variação observada.

Ex: gênero é um fator, com dois níveis,
masculino e feminino. Nível de
escolaridade poderia ser outro fator, com
três níveis, ensino médio, graduação e
pós-graduação.
Análise de Variância (ANOVA)

Método para comparar mais de duas
médias de um experimento em um único
teste.

Identifica diferenças entre os grupos,
mantendo controle sobre o nível de
significância do teste.

Cada possível causa de variação é
chamada de fator.

Um experimento pode conter um ou mais
fatores, com diferentes níveis.
Análise de Variância (ANOVA)

Tabela ilustrativa da estatura (metros) de
estudantes de ensino médio, graduação
e pós-graduação, do sexo masculino e
feminino. Os alunos do sexo masculino
são estatisticamente mais altos que os
alunos do sexo feminino, mas o fator
nível de escolaridade não mostrou
diferenças significativas.
8
Considerações que permitem o uso
da ANOVA

Os dados devem apresentar distribuição
normal.

Variações amostrais semelhantes nas
diferentes amostras dos grupos.

Tamanho das amostras dos grupos
necessitam ser semelhantes.

Mais confiável com grandes amostras.
Interatividade
A partir da aplicação da ANOVA os dados
abaixo mostraram diferença entre os gêneros,
mas não entre a escolaridade. O que isso
significa?
a) O fator gênero foi determinante para as
diferenças observadas;
b) A escolaridade é um nível e o gênero é um
fator;
c) O fator gênero não é importante;
d) O fator escolaridade foi mais importante;
e) Gênero e escolaridade são níveis.
Teste de Friedman

Utilizado para comparar os resultados de
três ou mais amostras.

Teste não paramétrico correspondente à
ANOVA para medidas repetidas.

Este teste ordena os resultados para
cada um dos casos e depois calcula a
média das ordens para cada amostra.

Se não existem diferenças entre as
amostras, as suas médias das ordens
devem ser similares.
Resposta
a) o fator gênero foi determinante para as
diferenças observadas.
b) a escolaridade e o gênero são fatores.
c) o fator gênero É importante.
d) o fator escolaridade NÃO foi mais
importante.
e) Gênero e escolaridade são FATORES, E
NÃO níveis.

Alternativa “a”.
9
Correlação

É usada para avaliar se existe
associação entre duas variáveis numa
determinada amostra.

Se a variação no resultado de uma das
variáveis afeta de forma específica o
resultado da outra variável, as variáveis
estão correlacionadas.

Diagrama de dispersão: avalia a
correlação entre duas variáveis.
Correlação

Exemplo 2: número de horas de estudo X
nota obtida na prova.

Pelo exemplo, o número de horas será
apresentado no eixo de X e a nota da
prova será apresentada no eixo de Y.

A correlação pode ser avaliada
quantitativamente por meio do
coeficiente de correlação de Pearson.

O coeficiente de correlação indica a
intensidade de associação existente
entre duas variáveis. O símbolo para
representar o coeficiente é a letra r.
Correlação

Para cada indivíduo o valor de uma
variável é apresentado em relação ao
valor da outra variável.

Exemplo 1: impulsão vertical X
circunferência da coxa.
Correlação

O coeficiente de correlação pode variar
de -1 a +1.

Valores negativos indicam uma
correlação inversa.

Valores positivos indicam uma
correlação direta.

O valor numérico do coeficiente indica
quão forte é a correlação:
1) 1 correlação perfeita.
2) acima 0.70 indica uma forte correlação.
3) 0.30 a 0.7 indica correlação moderada.
4) 0 a 0.30 fraca correlação.
5) 0 indica correlação nula
10
 Regressão linear simples Regressão linear simples

Na regressão, é considerado que o
Exemplo: numa piscina com 15 pessoas

comportamento de uma variável Y aleatoriamente paradas, a linha de
depende das mudanças ocorridas em regressão representaria a corda de uma
outra variável x. bóia que seria arremessada na piscina à

O comportamento de dependência pode menor distância possível de cada
ser representado por uma linha chamada banhista.
de linha de regressão.

A linha de regressão expressa o
comportamento esperado de uma
variável em função de outra, e se
encontra na menor distância possível de
cada um dos pontos no diagrama de
dispersão.
BARROS e REIS , 2003

Interatividade Resposta

Em qual dos gráficos apresentados a seguir r = -1 r=0

encontra-se uma correlação classificada como
moderada? r=1

r = -1 r=0

r=1

r = 0,8 r = 0,6 r=0

Alternativa “b”
r = 0,8 r = 0,6 r=0 a. correção perfeita direta
b. correlação perfeita inversa
BARROS e REIS , 2003 c. correlação nula
d. correlação forte direta
a) figuras a; b b) figura e c) figura a
e. correlação moderada direta
d) figuras d; e e) figura d f. correlação nula

11
ATÉ A PRÓXIMA!

12