A Condução da Análise 2014/1

A Condução da Análise
© Thierry R. Gasnier/ Universidade Federal do Amazonas

em Ciências Biológicas I
2013/2

Thierry R. Gasnier
Universidade Federal do Amazonas
 A Condução da Análise I- 2012/2
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Sumário
Introdução ............................................................................................ 3 
1.  Estatística na perspectiva do usuário ........................................... 4 
1.1  A necessidade de estatística .................................................... 4 
1.2  Complexidade estatística ........................................................ 4 
1.3  Questão, hipótese, previsão e evidência. ................................ 6 
1.4  Tipos de evidências .................................................................. 8 
1.5  Validando evidências ............................................................. 12 
1.6  Estatísticas intuitiva e frequentista ...................................... 15 
1.7  Da amostra à população........................................................ 18 

2.  Do problema biológico ao estatístico. ......................................... 20 

2.1  Entidades ................................................................................ 20 
2.2  Propriedades .......................................................................... 21 
2.3  Tabelas e gráficos EPR ......................................................... 22 
2.4  Relações entre variáveis ........................................................ 22 
2.5  A estatística para estabelecer relações. ................................ 23 

3.  Confiança na medida e independência....................................... 27 

3.1  Níveis e escalas de medida .................................................... 27 
3.2  Atribuição de níveis nominais e ordinais............................. 29 
3.3  Exatidão, precisão e acurácia. .............................................. 30 
3.4  Distribuições de frequências ................................................. 34 
3.5  Parâmetros populacionais .................................................... 36 
3.6  Intervalos de confiança de parâmetros................................ 37 
3.7  Independência para parâmetros univariados ..................... 41 
3.8  Independência em análises de relações ................................ 42 
3.9  Considerações complementares ........................................... 44 

4.  A lógica dos testes de hipóteses ................................................... 50 

4.1  O método hipotético dedutivo............................................... 50 
4.2  Estabelecendo hipóteses de trabalho ................................... 52 
4.3  Controlando a inflação .......................................................... 53 
4.4  Descartando hipóteses com procedimentos ......................... 54 
4.5  Descartando a hipótese do acaso .......................................... 56 
4.6  Nível de significância e tipos de erros. ................................. 59 
4.7  Considerações complementares ........................................... 62 
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

5.  Diversidade de testes e suas premissas ....................................... 70 

5.1  “Ecologia” e diversidade dos testes estatísticos. ................. 70 
5.2  Testes com apenas uma variável .......................................... 70 
5.3  Testes com duas variáveis ..................................................... 71 
5.4  Premissas dos testes paramétricos ....................................... 72 
5.5  Transformação de dados....................................................... 76 
5.6  Outras premissas ................................................................... 76 
5.7  Contrastes .............................................................................. 78 

6.  Planejamento Amostral ............................................................... 80 

6.1  Independência entre unidades amostrais ........................... 80 
6.2  A coleta parecia apropriada, mas... ..................................... 80 
6.3  Tipos de variáveis dentro de mapas conceituais. ................ 83 
6.4  Controle: tratamento, função e estratégia........................... 86 
6.5  Escolha a sua abordagem...................................................... 91 
6.6  O experimento como modelo na pesquisa de relações........ 91 
6.7  Abordagens quase experimentais. ........................................ 92 
6.8  Abordagens não experimentais ............................................ 93 
6.9  Independência pela distância ............................................... 96 

7.  Maximizando o poder do teste .................................................... 99 

7.1  Testes unicaudais e testes bicaudais ..................................... 99 
7.2  Testes pareados e testes em blocos ..................................... 100 
7.3  Níveis fixos e níveis livres .................................................... 102 
7.4  Relações retilineares, curvilineares e monotonicidade. .... 103 
7.5  O poder e os tipos de teste................................................... 103 
7.6  O poder e os níveis das variáveis em estudo ...................... 105 
7.7  Perdas voluntárias de poder ............................................... 106 
7.8  Testes múltiplos ................................................................... 106 

8.  Glossário ..................................................................................... 109 

9.  Bibliografia citada e recomendada ........................................... 112 

Anexo: Chaves e Guias para uso de testes e gráficos
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Introdução
No título “A Condução da Análise”, o termo “Condu-
ção” serve para reforçar uma analogia entre análise
na pesquisa e dirigir um veículo (carro, bicicleta,
etc.) que foi utilizada no texto. Talvez o principal
aspecto desta analogia seja que dirigir é uma ativi-
dade quase assustadoramente complexa a princípio,
mas, depois de algum tempo de treinamento, vai
ficando cada vez mais fácil, mesmo sem deixar de
ser complexa, tendendo a tornar-se agradável. O
mesmo pode ocorrer com o conhecimento sobre
medida, planejamento e análise dos dados, ao pas-
so que deixam de ser uma preocupação incômoda
para se tornar parte natural do cotidiano da pesqui-
sa. O termo “análise” deve ser compreendido em um
sentido bem amplo, pois a confiança em um resulta-
do não depende apenas da análise matemática. Um
bom estatístico sempre pergunta como os dados
foram medidos e coletados antes de ajudar na análi-
se, de forma que não é inapropriado utilizar este
sentido amplo para deixar o título mais compacto.
Este livro não é uma introdução à estatística, é uma
introdução à bioestatística aplicada, isto é, ao uso
de ferramentas estatísticas para a resolução de
problemas biológicos. É importante separarmos dois
contextos da estatística, o contexto da criação e
fundamentação matemática e o contexto da aplica-
ção. Há profissionais que desenvolvem ferramentas
estatísticas e avaliam suas aplicações e limitações,
mas há também pessoas que sabem utilizar estas
ferramentas com competência apenas com a base
necessária para o seu uso. O primeiro é como um
engenheiro de carros ou um construtor de instru-
mentos musicais e o segundo é como um piloto ou
um músico. Quando uma pessoa que conhece a
fundamentação e a aplicação vai ajudar outra pes-
soa com um problema estatístico, não se espera
que a primeira explique noções de cálculo de proba-
bilidade e faça demonstrações de fórmulas (ques-
tões mecânicas), espera-se que ela vá direto ao
assunto e explique qual é a ferramenta apropriada,
quais suas premissas e limitações, como se realiza
o teste em um programa estatístico e quais são os
gráficos mais apropriados para comunicar os resul-
tados (questões de condução). Por isto, o conteúdo
de um livro de apoio na formação de estatísticos
(como para engenheiros ou construtores de instru-
mentos) deve ser diferente de um livro de apoio para
usuários (como para pilotos ou músicos). Ainda que
alguns livros de bioestatística tenham esta proposta,
alguns autores (e. g. Motulsky 2010, Magnusson &
Mourão 2005) propõem uma ênfase ainda menor na
matemática e ainda maior nos conceitos associados
ao uso da estatística. Podemos ganhar muito se
“terceirizamos” a parte matemática da estatística
para os computadores e nos concentramos nas
questões conceituais sobre a forma correta de utili-
zá-la.
Para a parte prática, apresentamos um texto anexo
com instruções para a escolha de muitos testes e
gráficos; é uma “caixa de ferramentas” básica para
análises e apresentação de resultados. Estas instru-
ções servem para qualquer programa estatístico.
Adicionalmente, incluímos neste anexo as instru-
ções específicas sobre como fazer esses teste e
gráficos no programa MYSTAT12, que pode ser
baixado gratuitamente pela internet.
Este livro foi desenvolvido ao longo de mais de 15
anos ministrando aulas de bioestatística em gradua-
ção e pós-graduação na Universidade Federal do
Amazonas (UFAM) e no Instituto Nacional de Pes-
quisas da Amazônia (INPA). Devo aos alunos pelo
estímulo e ajuda na busca de conteúdos mais apro-
priados para uma estatística aplicada à pesquisa. O
amadurecimento do texto foi um processo longo e
se deveu muito à contribuição de várias pessoas.
Pelas discutições de questões básicas que nortea-
ram a redação, agradeço a William Magnusson,
Donald Macnaughton, Cintia Cornélius, José Luiz
Camargo e Paulo Estefano. Agradeço pelas suges-
tões e críticas a versões anteriores do texto a Bruno
Spacek, Cecilia Roma, Erika Portela, Fabrício Bac-
caro, José Cardoso Neto e Sérgio Rodrigues da
Silva.
Este texto usado em disciplinas da UFAM continuará em processo de
aperfeiçoamento. Versões mais recentes poderão ser obtidas no site
www.intertropi.ufam.edu.br/ docs.html. Neste site também estão as
últimas versões das apostilas para escolha de gráficos e testes e outros
anexos. Sugestões poderão ser enviadas para o email tgasni-
er@ufam.edu.br. Os direitos autorais desta apostila pertencem ao autor
e à Universidade Federal do Amazonas. É permitida a cópia sem fins
lucrativos desde que a fonte seja citada.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
1. Estatística na perspectiva
do usuário
1.1 A necessidade de estatística
Em um sentido amplo, a Estatística é uma área
do conhecimento que lida com a medida, coleta,
organização, apresentação e interpretação de
dados. O termo costuma ser utilizado em um
sentido mais estrito referindo-se prioritariamente
à matemática da análise dos dados. A Estatísti-
ca Aplicada deve ter ênfase didática e priorizar
o uso correto das técnicas estatísticas em situa-
ções concretas e contextualizadas em uma
determinada área do conhecimento. Ade-
quadamente integrada aos conhecimentos da
área, pode deixar de ser apenas uma técnica
para tornar-se parte de uma filosofia de análise
de dados.
A ciência avançou por muito tempo sem
estatística, então por que agora seu aprendi-
zado é considerado uma necessidade? Há pes-
soas que se recusam a aprender a dirigir um
carro, mas sabem usar transporte público, ima-
gine então uma pessoa que se recusasse a
usar qualquer meio de transporte, até uma bici-
cleta ou um elevador. Esta pessoa poderia es-
colher um estilo de vida compatível com um
deslocamento exclusivamente a pé, não é im-
possível, mas certamente sua autonomia seria
muito limitada. A estatística é uma ferramenta
para ajudar na pesquisa, assim como um meio
de transporte ajuda no deslocamento. Há situa-
ções na pesquisa em que não precisamos de
estatística, assim como há situações no cotidia-
no em que só podemos nos deslocar a pé, mas
isto não é argumento para optarmos por evitar a
estatística ou os meios de transporte.
Também podemos comparar a estatística com
um microscópio, outra ferramenta de pesquisa
do biólogo. O microscópio é necessário para
vermos organismos e estruturas muito peque-
nos e a estatística é necessária para vermos o
que há por trás dos dados. É verdade que nem
sempre o microscópio ou a estatística são ne-
4
cessários, mas é preciso ter claro que é o pro-
blema que define esta necessidade. Uma pes-
soa que optou por não aprender estatística está
limitando sua capacidade de analisar dados e
de resolver problemas.
A boa notícia, principalmente para quem não
gosta de fazer cálculos, é que dominar o uso da
estatística hoje depende muito pouco de se
entender as suas bases matemáticas, em fun-
ção do desenvolvimento dos programas aplica-
tivos de estatística, o que permite um melhor
aprofundamento nas questões conceituais es-
senciais de análise.
1.2 Complexidade estatística
Muitas pessoas consideram a estatística como
uma especialidade da matemática, mas pode-
mos considerá-la um ramo da lógica que faz
uso intensivo de matemática. Vista em seu sen-
tido amplo, a estatística lida com pensamento
complexo. Isto não significa que seja uma forma
diferente de pensar, pois também é complexo
nosso pensamento cotidiano.
Por exemplo, chegar a um lugar determinado
em uma cidade é uma atividade complexa
(Fig. 1.1). Em primeiro lugar você precisa co-
nhecer a cidade, ou ter um mapa dela e saber
se orientar pelo mapa. Depois, você precisa
saber o local exato onde você está e aonde
quer chegar. Se for de carro, precisa saber diri-
gir o veículo, o que inclui aspectos de “legisla-
ção” (como saber que não se deve dirigir na
contramão), aspectos “psicomotores” (como
saber dominar o veículo em uma curva) e o uso
correto dos instrumentos (como o freio ou o
limpador de para-brisa). Estamos utilizando
pensamento complexo quando temos que
integrar conhecimentos de diversos aspec-
tos da realidade para atingir um determinado
objetivo. Complexo não significa necessaria-
mente difícil. Muita gente consegue chegar a
um endereço sem muita dificuldade, embora
seja um problema que envolve vários tipos de
conhecimento. Lidamos com problemas com-
plexos no dia a dia e precisamos aprender a
lidar com problemas complexos na pesquisa.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Hoje em dia não precisamos ter

muito conhecimento de mecânica
para dirigir um carro e chegar a
um endereço. Normalmente basta
saber que temos que colocar ga-
solina, trocar o óleo e calibrar os
pneus ocasionalmente. Pessoas
com conhecimento de mecânica
de automóveis fazem a manuten-
ção de nossos carros. Engenhei-
ros desenvolvem novas tecnologi-
as com base em um conhecimento
de física e de química que os cien-
tistas estão aprofundando nos
institutos de pesquisa e universi-
dades. Estas pessoas, portanto,
nos ajudam a atingir nossos obje-
tivos, pois nos entregam resolvi-
dos os níveis mais “moleculares”
ligados ao funcionamento do veí-
culo. A nossa responsabilidade na
condução de um veículo, portanto, Figura 1.1- A solução de problemas complexos envolve
deve se concentrar no domínio diferentes níveis de conhecimento, desde os mais "molecu-
dos níveis mais “globais” do pro- lares" até os mais "globais", como ocorre quando condu-
zimos um carro até um endereço ou quando conduzimos
blema de como chegar ao endereço. uma pesquisa. A explicação sobre o que é um problema
EPR será apresentada no capítulo 2.
Uma concepção equivocada da maioria dos
livros e cursos de Bioestatística dos últimos 40 quisas pedem análises estatísticas de dados,
anos é que é necessário e suficiente dominar o mas quando isto ocorre, é necessário algum
nível molecular da matemática, como o cálculo preparo em organização dos dados (cap. 2).
de probabilidades, para conduzir uma análise Precisamos entender bem as medidas e as
de dados. Nesta concepção, coloca-se um peso formas de coletar os dados apropriadas para
desproporcional neste nível de análise em de- responder questões (Cap. 3 e 6). E finalmente,
trimento de níveis mais importantes para quem precisamos saber realizar testes e preparar
conduz uma análise de dados. gráficos para uma análise e comunicação apro-
priadas (cap. 5 e Guia de testes e gráficos). É
Para formar usuários, é necessária uma abor- isto que um usuário de estatística precisa saber
dagem que leve em conta que a pesquisa é fazer bem. Para a maioria dos problemas, o
semelhante à forma cotidiana complexa de se usuário não precisa lidar diretamente com fór-
pensar. Quando fazemos pesquisa precisamos, mulas ou com algoritmos complexos e menos
em primeiro lugar, ter conhecimento do referen- ainda com a compreensão de por que as fórmu-
cial teórico do assunto de pesquisa, pois sem las são válidas. Este conhecimento matemático
ele estamos perdidos. Nosso referencial teórico e de programação pode ajudar, mas também
é como um mapa necessário a cada momento, podem atrapalhar, por desviar a atenção do
e é dele que nascem as questões de pesquisa. principal. É necessário que se reconheça que
Cada pesquisa tem o seu referencial, por isto, os conhecimentos fundamentais para o estatís-
neste texto começaremos com o passo seguin- tico não coincidem com os conhecimentos fun-
te, discutindo algo sobre questões e hipóteses damentais necessários para o usuário de esta-
de pesquisas (cap. 1 e 4). Nem todas as pes- tística.
5
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
1.3 Questão, hipótese, previsão e
evidência.
As contribuições para a ciência costumam co-
meçar com questões (ou com observações de
padrões incomuns que levam a questões). As
questões na pesquisa são perguntas temáti-
cas relevantes sobre a realidade, que geral-
mente começam com “como”, “por que”, “o
que”, “quando”, “onde” ou “qual”, cuja res-
posta não é óbvia. Por exemplo, ao perceber
que a maioria das trepadeiras em uma floresta
sobe na hospedeira girando em sentido anti-
horário, surge a questão “por que a maioria das
trepadeiras sobe em sentido anti- horário?”. A
resposta para esta pergunta não é óbvia e a
questão é relevante porque pode revelar algum
aspecto de fisiologia e ecologia vegetal de tre-
padeiras que são um componente importante
das florestas.
As questões podem ser simples, mas as res-
postas podem ser muito complexas. Exemplos
de questões de pesquisa: a) Como é possível a
coexistência de duas espécies de aranhas ar-
madeiras muito semelhantes em uma determi-
nada floresta?; b) Por que os dinossauros se
extinguiram?; c) Quais os motivos das notas
baixas do Brasil no exame Pisa (Programme for
International Student Assessment)? Algumas
vezes as questões surgem inesperadamente,
como quando surgem pessoas com uma doen-
ça estranha desconhecida, mas o mais comum
na atividade científica é irmos atrás das ques-
tões. Levantar boas questões envolve a capaci-
dade de observação e o conhecimento do refe-
rencial teórico, inclusive para perceber que a
questão é relevante e merece ser estudada. A
boa questão não garante uma boa pesquisa,
mas é difícil imaginar uma pesquisa boa e origi-
nal sem uma questão bem definida boa e origi-
nal.
Em função disto, é importante refletirmos um
pouco sobre como criamos questões. Saber
criar boas questões é uma arte, mas há algu-
mas diretrizes que ajudam a desenvolver esta
capacidade (ver texto paradidático “Writing good
questions”). Durante a elaboração de um projeto
6
você precisa construir seu mapa mental concei-
tual sobre o assunto, isto é, consolidar a base
conceitual consultando pessoas e com uma
pesquisa bibliográfica séria. Levantamento bi-
bliográfico é uma tarefa inútil se você não estu-
dar o material. Estudar não é apenas ler, dificil-
mente se consegue elaborar um projeto interes-
sante sem um grau de envolvimento emocional
com o problema. A informação não vem apenas
de livros, é necessário desenvolver a capacida-
de de observar. Isto significa estar atento, pro-
curar oportunidades de ver fenômenos de inte-
resse e tentar aplicar a teoria aprendida na leitu-
ra para interpretar suas observações. Este é o
momento de gestação da pesquisa, quando ela
precisa tomar forma. Esta etapa demanda tem-
po e muita concentração, esqueça o estilo de
vida “Fast Food” quando estiver elaborando um
projeto.
Na pesquisa há respostas de dois tipos: descri-
tivas e hipotéticas. As respostas descritivas não
envolvem hipóteses, como na questão “como é
o tubo digestivo desta espécie de formiga?”.
Basta desenhar ou fotografar e destacar o que
for considerado mais importante. Algumas des-
tas descrições diretas envolvem ferramentas
estatísticas, como veremos no capítulo 3. A
descrição direta de objetos de interesse científi-
co, mesmo considerando a complexidade técni-
ca, costuma ser simples, no sentido de não
envolver hipóteses formais. Talvez por esta
simplicidade, as questões descritivas frequen-
temente são consideradas “inferiores” na pes-
quisa por algumas pessoas. Para derrubar esta
ideia, basta considerar o impacto que foi a in-
venção do microscópio para a biologia, quando
todo um novo mundo de microorganismos e
microestruturas foi descoberto, ou a atual revo-
lução resultante da descrição de genomas, in-
clusive o humano.
Nossas descrições da realidade param no mo-
mento que aparecem dúvidas sobre o que es-
tamos vendo. O que pensou o primeiro biólogo
que viu células em um microscópio? Provavel-
mente foi “o que são estas caixinhas?”. Quando
há questões sem resposta imediata pela “sim-
ples” observação, criamos alternativas de res-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

postas possíveis e investigamos se estão corre- evidências que apoia fortemente a hipótese
tas ou não. Estas respostas possíveis são cha- como resposta correta a uma questão. Na
madas de Hipóteses. Talvez a primeira hipótese realidade, não testamos diretamente hipóteses,
sobre as “caixinhas” tenha sido que eram meras testamos as previsões das hipóteses.
ornamentações casuais do primeiro organismo
observado, mas esta hipótese teria caído com Previsões são consequências empíricas
as observações posteriores de outros organis- esperadas de hipóteses, e algumas delas
mos. Em algum momento surgiu a hipótese que podem ser usadas nos testes das hipóteses.
as caixinhas eram uma espécie de divisão na Uma coisa é a previsão, que é o esperado pela
organização de todos os organismos. Esta hipó- hipótese, e outra é o observado. As evidências
tese não se sustentou realmente para todos os são os resultados observados em testes de
organismos, mas sustentou-se para os orga- (previsões de) hipóteses. As comparações
nismos pluricelulares. Hoje a teoria celular não das Previsões com as Evidências são denomi-
é mais tratada como uma possível resposta nadas Contrastes PE e costumam seguir re-
para aquela questão, mas como um fato inques- gras pré-estabelecidas de análise que podem
tionável e um dos pilares da Biologia moderna. terminar com um aumento ou redução da credi-
Portanto, o que era hipótese tornou-se descri- bilidade das hipóteses. Se a credibilidade de
ção, pois faz parte do que aceitamos como rea- uma hipótese aumentou muito, podemos dizer
lidade. que respondemos à questão. Usarmos o termo
“Resposta” para denominar o “final” do processo
Hipóteses que não podem ser avaliadas através de criação científica centrado em questões. Não
da observação de fatos não entram na ciência estamos implicando com isto que a hipótese
empírica, por isto, vamos nos referir a “hipótese” transformou-se, de forma definitiva, na resposta
como sinônimo de “hipótese empírica”. Hipóte- para uma questão, apenas que ela passou por
se (empírica) significa “qualquer afirmação um teste de qualidade rigoroso e a evidência
simples ou complexa que tenha consequên- indicou que é recomendável a sua aceitação
cias empíricas constatáveis” (Diez & Molines,
2008). Neste contexto, tanto a teoria
da evolução como a sugestão que
determinado comportamento de um
inseto indica territorialidade são
hipóteses, pois ambas têm conse-
quências empíricas constatáveis.
Entretanto, é mais comum se usar o
termo para ideias relativamente
simples (como o exemplo do inseto),
ficando o termo “Teoria” para uma
rede complexa de ideias. Pela defi-
nição acima, mesmo hipóteses e-
xaustivamente corroboradas são
tecnicamente hipóteses, mas na
prática, estas se tornam ideias acei-
tas com o acúmulo de evidências,
como vimos com a teoria celular.
Não há verdades definitivas na ciên-
cia, mas podemos falar que uma Figura 1.2- Uma hipótese é avaliada pelo contraste entre suas previsões e
hipótese transforma-se em con- as observações (evidências). Neste exemplo, as evidências não apoiam a
hipótese que passar sob uma escada dá azar. (Não tente repetir este
ceito cientificamente estabeleci- experimento sem as condições de segurança apropriadas).
do, quando há um conjunto de
7
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

como Resposta, ainda que provisoriamente.
Se as observações correspondem ao previsto
por uma hipótese, então elas apoiam a hipóte-
se, mas isto não basta. Algumas vezes outra
hipótese concorrente é compatível com a mes-
ma previsão. Por isto, quando temos hipóteses
concorrentes, temos de procurar previsões
exclusivas. Esta comparação entre previsões
de hipóteses é denominada “Contraste de Hi-
póteses”. Por exemplo, ao observar que duas
espécies de plantas tendem a ocorrer juntas,
um pesquisador levanta a hipótese que elas tem
uma relação mutualista. Para testar a hipótese
ele faz a previsão que quanto mais plantas de
uma espécie houver em um local, maior será o
número das plantas da outra espécie. Então, ele
recolhe dados de 100 locais distantes e encon-
tro uma forte correlação positiva. O resultado
parece apoiar a hipótese de mutualistmo, mas
há um problema. Podemos sugerir outra hipóte-
se, que as plantas não são mutualistas, são
indiferentes ou até competidoras, e que pode se
esperar uma correlação positiva entre as suas
abundâncias porque as duas respondem da
mesma forma à fertilidade do solo. Como a
evidência é compatível com as duas hipóteses,
o resultado não permite uma escolha segura.
Um teste mais efetivo de mutualismo seria plan-
tar as duas juntas em densidades variáveis. A
previsão pela hipótese de mutualismo é que
haveria um maior crescimento de cada uma
delas em função do aumento na abundância da
outra. Se isto for observado, a única hipótese
alternativa que resta para explicar a evidência é
que a diferença foi em direção ao esperado por
mero acaso. A estatística é útil nesta situação,
como ferramenta para a exclusão da possibili-
dade do resultado coincidir com a previsão ape-
nas por acaso.
Embora existam estudos puramente descritivos,
como a descrição de uma espécie nova para a
ciência, geralmente os estudos são parcialmen-
te descritivos e parcialmente envolvem hipóte-
ses. Alguns estudos descritivos terminam com
uma proposta de explicação para o que foi en-
contrado. Por exemplo, um estudo com síntese
de dados sobre muitos aspectos do ensino que
poderiam explicar a posição do Brasil em um
ranking de educação dificilmente deixaria de
propor uma interpretação para estes dados.
Esta interpretação construída a partir de dados
descritivos não deixa de ser uma hipótese com-
plexa. Há divergências sobre considerar
um estudo realizado assim como um
teste de hipótese, já que foi principal-
mente uma construção de hipótese. En-
tretanto, o que importa é que um estudo
deste contribuiria para a compreensão
do fenômeno. A inclusão de uma fase
descritiva, em uma fase preliminar ou
como parte programada do projeto de
pesquisa, é algo muito importante. Difi-
cilmente geramos hipóteses interessan-
tes antes de conhecer um pouco mais
sobre o sistema de estudo.

Figura 1.3- Uma hipótese é uma possível resposta para uma questão.
Para avaliar se efetivamente ela é a resposta correta, precisamos
contrastar previsões exclusivas dela com os dados (evidências).
Frequentemente a estatística é uma útil ferramenta para realizar este
contraste.

8
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
1.4 Tipos de evidências
A estatística não é uma ferramenta necessária
em qualquer contraste, sua utilidade depende
do tipo de evidência esperada.
“Evidência Factual”. Uma evidência é factual
quando uma ou poucas
observações são suficientes
para convencer que uma
hipótese está correta.
Considere primeiro um exemplo cotidiano. Su-
ponha que seu telefone tenha deixado de fun-
cionar. Sua questão é: “o que causou a inter-
rupção no funcionamento?”. Então, você pensa
nas possibilidades (hipóteses): mau contato na
tomada, aparelho quebrado, falta de serviço no
bairro, conta não paga, banco não repassou
pagamento, etc. Vimos que uma hipótese é uma
suposição de um cenário possível do qual se
tira uma ou mais consequências. Então, você
testa cada hipótese, por suas previsões, até
descobrir qual a correta. Para a hipótese de
mau contato, você meche nos contatos e verifi-
ca se a linha volta. Para a hipótese de problema
na rede telefônica, você vai ao vizinho ver se
ele também está com problema. E assim por
diante, até resolver o problema.
Isto também ocorre na ciência. Quando cientis-
tas observaram anomalias na órbita de Netuno
ao redor do Sol levantaram a hipótese que po-
deria ser uma perturbação gravitacional causa-
da por um planeta com órbita mais externa,
calcularam aonde o planeta deveria estar e
encontraram um novo planeta que chamaram
de Urano. Há muitos outros exemplos. Uma
única volta ao redor do globo provou que a terra
era redonda; a passagem do cometa Halley no
ano previsto provou que cometas são corpos
celestes com passagens periódicas; Pasteur
derrubou a teoria da geração espontânea com
um simples experimento. Algumas vezes, uma
descoberta é uma evidência factual que gera
uma “hipótese” que ela mesma sustenta. É o
caso da descoberta do peixe primitivo chamado
Celacanto em 1938 A ideia que este peixe não
estava extinto nasceu e se comprovou no mes-
9
mo momento em que o peixe foi identificado
como um verdadeiro Celacanto. Esta foi uma
das maiores descobertas da paleontologia, em
função da posição deste peixe na filogenia dos
tetrápodes. Dificilmente esta ideia gerada da
própria evidência seria chamada de hipótese,
mas a evidência é certamente do tipo factual,
pois bastou uma observação para termos con-
vicção da afirmação.
Uma “Evidência Factual” não significa uma evi-
dência definitiva e verdadeira, Colombo achava
que a terra era redonda e mostrou que o mundo
não terminava em um abismo no meio do Atlân-
tico, mas errou ao achar que tinha chegado às
Índias. Evidências factuais, como todas as ou-
tras, dependem de premissas válidas, isto é, de
condições explicitas ou não que justifiquem a
confiança na afirmação. Ainda que estejamos
sempre sujeitos a erros, não é preciso muito
esforço para encontrar inúmeros exemplos de
evidências factuais que revolucionaram a ciên-
cia e que foram utilizadas para construir nossas
certezas de muitas questões do cotidiano.
“Evidência Estatística Simples”. Uma evidên-
cia é estatística simples
quando se baseia em
várias unidades amostrais
consideradas “indepen-
dentes”.
Você se questiona: o que é a febre? Seria uma
resposta do corpo para ajudar na cura da doen-
ça? Ou seria uma reação induzida pelo agente
infeccioso que prolonga a doença? As duas
hipóteses fazem sentido, mas como saber qual
é a verdadeira? O fato de se observar uma cura
rápida em um paciente cuja febre não foi tratada
é uma evidência favorável à primeira hipótese,
mas é muito fraca. Entretanto, um conjunto de
muitos pacientes escolhidos aleatoriamente
sem tratamento contra a febre com cura rápida
comparado com muitos pacientes escolhidos
aleatoriamente com tratamento e cura lenta
seria uma evidência forte a favor da primeira
hipótese.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
A rigor, as evidências estatísticas simples apli-
cam-se a estudos experimentais, nos quais a
independência entre unidades amostrais é ga-
rantida pela aleatorização de qual unidade a-
mostral receberá qual tratamento (isto será
explicado no Capitulo 3).
“Evidência Contextual”. Uma evidência é con-
textual quando se baseia
em unidades amostrais
“dependentes”, de for-
ma que é necessário
incorporar informações
destas unidades amostrais na análise ou redo-
brar cuidados na forma de coletar dados.
Existe uma relação entre a precipitação no es-
tado do Amazonas e o nível da água no Rio
Negro ao longo do ano? A unidade amostral na
figura 1.4 é “registro por momento” (uma obser-
vação de precipitação e de nível de água por
mês). O gráfico não apenas mostra que existe
uma relação, mostra ainda que a defasagem é
de cerca de três a quatro meses. Ao contrário
da evidência estatística simples, os registros
neste caso não são independentes, pois pode-
mos prever que os valores de chuva e de nível
Figura 1.4- Variação da precipitação média e do nível
médio do Rio Negro ao longo dos meses do ano. Fonte:
Key Environments: Amazonia, 1985
10
da água de um mês tendem a ser similares aos
registrados no mês anterior. Entretanto, isto não
é necessariamente uma desvantagem, pois é
justamente pelo fato de um mês seguir o outro
que podemos perceber as dinâmicas defasadas
das chuvas e do nível de água. A informação do
mês do registro é necessária para avaliar a
influência da precipitação sobre o nível da água.
Assim como vimos para a evidência factual, há
casos em que a evidência gera a própria hipó-
tese que ela sustenta. É o caso da hipótese que
houve uma extinção abrupta da diversidade dos
dinossauros há cerca de 50 milhões de anos
depois de reinarem por mais de 100 milhões de
anos (apenas restaram os ancestrais das aves).
É um caso de evidência contextual porque a
redução abrupta na abundância de dinossauros
baseia-se em várias medidas sucessivas de
abundância de dinossauros (unidades amostrais
dependentes de “momentos” seguidos no tem-
po) cuja magnitude de variação pôde ser consi-
derada não aleatória. As quedas de meteoros
eram eventos comuns durante a formação da
terra, mas foram tornando-se raros até serem
muito raros. Esta também é uma interpretação
contextual temporal. Portanto, o fato de haver
fortes indícios de uma grande colisão de um
meteoro com a terra nesta época dá muita força
à hipótese da grande extinção ser consequência
do impacto de um meteoro.
As evidências são do tipo contextual principal-
mente nos fenômenos em que há uma depen-
dência espacial ou temporal importante. Nestes
exemplos utilizamos avaliações contextuais
qualitativas, mas há casos em que são utiliza-
das técnicas estatísticas mais precisas e com-
plexas que são específicas para diferentes situ-
ações (e. g. Geoestatística, Análises de séries
temporais). Não abordaremos estas técnicas,
mas dedicaremos o capítulo 6 a estudos obser-
vacionais em que o cuidado redobrado com o
contexto pode permitir a utilização de uma esta-
tística mais simples.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
“Evidência Sistêmica” (ou Evidência por Coe-
rência em Rede). .
Evidências sistêmicas
são aquelas que encon-
tram suporte principal-
mente na força da arti-
culação de ideias e/ou fatos de natureza dife-
rente.
O que determina a perda da fertilidade em mu-
lheres na menopausa? A maioria das pessoas
acredita que é apenas uma consequência natu-
ral da idade, como se isto fosse evolutivamente
inevitável. Diamond (2010) sugere uma hipótese
diferente, que a menopausa é um fenômeno
adaptativo para a espécie humana. Não há
como se testar esta hipótese experimentalmen-
te, mas a análise é possível e também se ba-
seia em comparação de previsões. Se a meno-
pausa fosse mero resultado do envelhecimento,
o que poderíamos prever? Por exemplo, pode-
ríamos prever que a interrupção da fertilidade
fosse comum em outras espécies. Entretanto,
não é o que ocorre, na grande maioria das es-
pécies, as fêmeas não param a reprodução ou
só deixam de reproduzir ao quando estão muito
velhas, quase morrendo. E se a hipótese de
Diamond estiver certa, o que podemos prever?
Poderíamos prever que haveria vantagem na
menopausa relacionada a características distin-
tas de nossa espécie. Diamond destaca duas
características: a) um bebê tão grande que a
chance de morte da mãe e do bebê no parto
sempre foi alta (só reduziu recentemente devido
à evolução da medicina); b) o cuidado parental
dura anos, incluindo a educação. Daí conclui
que a interrupção da fertilidade após certa idade
seria vantajosa pelo aumento da probabilidade
da mãe conseguir sobreviver para criar todos os
11
filhos, mesmo perdendo a chance de ter mais
alguns filhos. Em resumo, parar a reprodução
aumentaria o sucesso reprodutivo. O importante
a notar aqui é que a conclusão não depende de
um fato ou de unidades amostrais independen-
tes ou dependentes, ela é mais ou menos con-
vincente pela articulação das ideias.
As análises que envolvem evidências sistêmi-
cas sempre foram importantes na ciência. Uma
dificuldade em trabalhar com evidências sistê-
micas é que nem sempre é fácil convencer pes-
soas, mesmo com vários bons argumentos. O
desenvolvimento da estatística frequentista no
século XX possibilitou a criação de critérios
poderosos e objetivos de avaliação de uma
evidência (quando a evidência for um conjunto
de dados “independentes”), a ponto de influen-
ciar o conceito do que é ciência. Para muitos
iniciantes, a ciência verdadeira é aquela que
envolve estudos experimentais, repetições e
testes estatísticos. O problema é que nem sem-
pre a realidade se apresenta como um conjunto
de dados independentes, como ocorre em um
laboratório. Como usar estatística para analisar
a revolução francesa? A exigência de testes
para considerarmos uma teoria como científica
é válida somente se utilizarmos o termo “teste”
com um significado mais amplo que o de teste
estatístico. Hipóteses na História, Arqueologia,
Sociologia, Geografia Humana, Economia, As-
tronomia, Evolução e outras áreas predominan-
temente não experimentais podem ser testadas
por contraste com outras hipóteses comparando
a coerência do conjunto de cada uma delas, e
lembrando que cada conjunto deve possuir
elementos empíricos envolvidos. (e. g. docu-
mentos e fatos históricos, objetos arqueológi-
cos, observações de corpos celestes).
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

1.5 Validando evidências

É difícil errar na matemática de análises
estatísticas usando computadores, mas
podemos errar de outras formas. Podemos
errar por distração no registro e na entrada
de dados, o que deve ser evitado com
atenção redobrada e revisões nas bases
de dados. Abordaremos aqui outros impor-
tantes motivos de erros tão comuns que a
verificação que eles não ocorrem é cha-
mada de validação da pesquisa.

1) Validação da medida. Nem é preciso

Figura 1.5- A divisão das evidências em quatro tipos é uma simplifica-
ção didática útil. Entretanto, existem situações intermediárias entre estes
quatro tipos.
Embora as evidências possam ser divididas em
quatro tipos, as pesquisas geralmente são sis-
têmicas, incluindo evidências factuais, estatísti-
cas ou contextuais, pois as questões normal-
mente envolvem diversas hipóteses que devem
estar articuladas de forma coerente. Além disto,
há situações intermediárias (fig. 1.5). Por exem-
plo, três evidências factuais podem ser mais
fortes que uma evidência factual; não chega a
ser uma evidência estatística, mas vai nesta
direção. A dependência entre unidades amos-
trais pode ser considerada tão fraca que um
problema contextual pode ser tratado como um
problema estatístico, mas na verdade esta é
uma situação intermediária. Há sempre conside-
rações sistêmicas em qualquer tipo de evidên-
cia. Por exemplo, você confia que os dados não
foram falsos com base na reputação do pesqui-
sador. Portanto, todas as evidências são parci-
almente sistêmicas.
12
explicar a necessidade de se manter ins-
trumentos calibrados. O que abordaremos
aqui é um aspecto mais sutil da validação
da medida: a preocupação com variáveis
operacionais tendenciosas em relação às
respectivas variáveis teóricas. As variá-
veis teóricas são aquelas da hipótese e que
dizem respeito à relação em estudo, ainda
que não possam ser diretamente medidas. As
variáveis operacionais são aquelas efetiva-
mente medidas (são as variáveis da previsão e
da evidência). Quando uma variável da hipótese
pode ser medida diretamente, não existe a dis-
tinção, mas é comum que haja a separação.
Vejamos um exemplo. Sua hipótese é que a
Taxa de Atividade (TA) de um lagarto insetívoro
muda em relação à disponibilidade de alimento
(DA). Para isto, você mede quanto cada lagarto
se deslocou em uma hora (D) e pesa os insetos
(PI) que capturou com armadilhas de cola no
centro do seu território de forrageio. As medidas
de D e PI parecem ser equivalentes a TA e DA,
mas não são idênticas e as diferenças podem
comprometer a interpretação. Por exemplo,
você não encontra relação e considera isto evi-
dência contrária à sua hipótese. Entretanto, isto
poderia ser um erro de escolha de variável ope-
racional. Imagine que a mudança de atividade
ocorresse na duração da atividade diária e não
em deslocamento por hora e os insetos captu-
rados nas armadilhas podem não ser as mes-
mas espécies da dieta do lagarto. A má escolha
de variáveis operacionais pode levar a erros de
interpretação sobre relações previstas para
variáveis teóricas.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

V. dep→ Ordinal ou
Binário Quantitativo
A validação da medida não é um problema ape- V. ind.↓
(Categ. de 2)
Categórico Quantitativo
Condição NP
Condição P

nas de variáveis quantitativas. Imagine que Teste de 2 prop.,

T. Exato de
Tabela de
Contingência (TC)
Mann- Whitney;
Cochran’s TT (c)
Teste t (de 2
grupos) (d)
Binário Fisher ou T.C. (a)
perguntamos para estudantes se eles sabem (cat. de 2) Graf: Seção III
Tabela de
(b) Graf: Seção III
Tabela de
Graf: Seção IV
Kruskal-Wallis
Graf: Seção IV
Análise de

nadar, juntamos os dados, analisamos com Categórico Contingência (b)

Graf: Seção III
Contingência (b)
Graf: Seção III
(e)
Graf: Seção IV
Variância (f)
Graf: Seção IV
Dicotomizar VI ou
testes estatísticos e concluímos que os meninos Ordinal
Mann- Whitney;
Cochran’s TT (c)
VD e usar teste
apropriado (Max.
Correlação de
Postos/ RNL(h)
Correlação de
Postos/ RNL(h)
Graf: Seção VI Graf: Seção V Graf: Seção V
sabem nadar com frequência significativamente Regressão
Balanço) (g)
Dicotomizar VI ou Correlação de
Pearson/
Regressão
maior que as meninas. Mas será que o resulta- Quantitativo Logística (i)
Graf: Seção VI
VD (Max. Balanço)
(g)
Postos/ RNL(h)
Graf: Seção V
Linear/ RNL (j)
Graf: Seção V

do indica uma maior habilidade em nadar ou

mais vergonha de admitir que não sabe?
Em muitos estudos, a medida é a maior fonte de
incertezas. Quando nós utilizamos um coeficien-
te de inteligência, estamos realmente medindo
inteligência? O número de pegadas de predado-
res em uma praia pode ser considerado um
indicador de pressão de predação sobre ovos
de tartaruga? A concentração medida de fósforo
total no solo realmente reflete o fósforo disponí-
vel para uma planta? As espécies do estudo
foram identificadas corretamente? Se as incer-
tezas sobre medidas são uma fonte de dúvida
(e isto é bastante comum), é essencial explicar
bem como ela é feita nos métodos e por que
você acredita que sua medida representa bem o
que ela deveria representar. Algumas vezes,
parte do estudo inclui uma verificação disto. No
exemplo do estudo comparando a capacidade
de nadar de meninos e meninas, você poderia
pedir para uma parte dos estudantes nadar em
uma piscina rasa. Sua medida será válida se
meninos e meninas não diferirem na taxa de
respostas falsas nos questionários. (Obs: A
validação da medida refere-se a medidas indivi-
duais; a validação de medidas coletivas é “Vali-
Figura 1.6- Um paquímetro simbolizando a validação da
medida.
13
Figura 1.7- Esquema de uma tabela para escolha de testes
simbolizando a validação de análise.
dação Externa”, o que será explicado adiante.)
2) Validação de análise. A abordagem mate-
mático-estatística escolhida é realmente apro-
priada para a interpretação dos resultados?
Podemos errar na escolha e na forma de aplicar
testes estatísticos, mas é fácil aprender a evitar
isto para as análises mais comuns na pesquisa.
Nos capítulos 4 e 5 apresentaremos as bases
conceituais para a escolha e aplicação de tes-
tes. Exemplos de erro: utilizar um teste sem
considerar suas premissas ou basear-se ape-
nas em gráficos de barras ou em proporções
para concluir algo que exige um teste ou inter-
valos de confiança. A utilização de testes fracos
onde testes poderosos poderiam ser aplicados
também é um erro, embora seja menos grave
(cap. 7). A figura 1.7, tirada da apostila de práti-
ca, simboliza esta forma de validação pela es-
colha correta do tipo de teste em função da
natureza dos dados.
3) Validação Interna ou Independência Inter-
na. A forma como os dados foram coletados
previne explicações alternativas à conclusão?
Se eu sempre pescar muitos peixes no lago A e
você sempre pescar poucos peixes no lago B
podemos afirmar com segurança que no lago A
tem mais peixes? Quem garante que nós dois
temos a mesma habilidade de pescar? Dúvidas
deste tipo podem anular a validade de uma
pesquisa científica. Note que estamos analisan-
do a possibilidade de um problema “interno”
comprometer a validade de um estudo. Este
problema seria resolvido se nossos esforços
amostrais fossem iguais nos dois lagos, tornan-
do o resultado independente de uma eventual
diferença de habilidade de pescar. Sem plane-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
jamento amostral, existe o risco de que todos os
dados de um estudo precisem ser coletados
novamente. A independência interna é geral-
mente simples em estudos experimentais e uma
das mais complexas em estudos observacio-
nais. Ela será discutida nos capítulo 3 e 6.
4) Validação Externa ou Independência Ex-
terna. Até que ponto as conclusões com base
em uma amostra (dados efetivamente coleta-
dos) podem ser extrapoladas? Você poderia ter
uma amostra de intenções de voto para presi-
dente de 1000 pessoas do Amazonas e uma
amostra de 1000 pessoas bem espalhadas por
todo o Brasil. Qual delas é uma amostra mais
confiável para falarmos da intenção de votos
dos brasileiros? Você se surpreenderia se os
resultados fossem muito diferentes? Os de den-
tro (a amostra) são igualmente representativos
dos “externos” (toda a população) nas duas
situações? Há dois tipos de Validação Externa:
Validação Externa por Representatividade.
Medidas coletivas (ou parâmetros populacio-
nais) são aquelas obtidas com um conjunto de
dados de uma variável, como o peso médio de
crianças recém-nascidas ou a frequência de
intenções de votos em determinado local, mo-
Figura 1.8- Esquema de coleta simbolizando o planeja-
mento amostral que é objeto de análise da validação
interna.
14
mento ou situação particular. Elas geralmente
são feitas com base em amostras. A validação
externa de medidas coletivas depende basica-
mente de técnicas de se obter uma amostra
representativa da população, como no exemplo
das intenções de votos. Fala-se em “Indepen-
dência” Externa quando se aplica estas técnicas
porque a representatividade anula os efeitos
tendenciosos de agrupamentos espaciais, tem-
porais e de situação. Voltaremos a discutir re-
presentatividade no capítulo 3.
Validação Externa por Razoabilidade. Muitas
vezes é impraticável ou até impossível se reali-
zar uma amostra representativa, entretanto,
pode ser razoável se generalizar a partir de
premissas teóricas. Esta situação é mais justifi-
cável quando o estudo aborda relações entre
variáveis.
Considere este exemplo com duas variáveis,
sexo e tamanho. Se eu concluir que machos de
uma espécie de borboleta são mais ativos que
fêmeas da mesma espécie em uma determina-
da área de estudo baseado em coletas feitas
em janeiro de 2006, o que é razoável se supor?:
a) Os machos desta espécie são mais ativos
que as fêmeas todos os anos?; b) Os machos
desta espécie são mais ativos que as fêmeas
durante o ano todo?; C) Os machos são mais
ativos que as fêmeas 1 km dali? (e 10? e 100?
e 1000?); d) Outras espécies do mesmo gêne-
ro têm machos mais ativos em janeiro?;
e) Espécies desta família têm machos mais
ativos em janeiro? E se o estudo do compor-
tamento da borboleta fosse feito em um labo-
ratório? As observações ainda seriam repre-
sentativas do comportamento na natureza?
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Obviamente, quanto mais distante da situação
estudada, maior o risco da extrapolação, mas
este risco pode ser avaliado, ainda que grossei-
ramente, com base no que você já sabe sobre
borboletas. Se restringirmos nossas generaliza-
ções ao universo amostrado, não há problema
de validação externa. Entretanto, qual é o inte-
resse do comportamento de borboletas da sua
área de estudo em janeiro de 2006 se não po-
demos generalizar? Poderíamos coletar em
outras épocas e outros locais, mas isto pode
não ser praticável e permaneceria a limitação
de não poder generalizar além das épocas e
locais dos estudos. Generalizar além do razoá-
vel é um erro, mas não generalizar também é
um erro.
Tomemos um exemplo mais extremo, a genera-
lização a partir de uma observação. Imagine
que você encontrou uma tartaruga de uma es-
pécie rara colocando seus ovos em um ninho
em uma praia. Você leva estes ovos para o
laboratório para verificar se a determinação do
sexo é influenciada pela temperatura durante o
desenvolvimento. Ao final do experimento, nas-
ceram apenas fêmeas dos 20 ovos mantidos a
temperaturas altas e apenas machos dos 20
ovos mantidos a temperaturas baixas e você
conclui que nesta espécie o sexo é determinado
pela temperatura no desenvolvimento. Se esta
for sua conclusão, você estará extrapolando
para a espécie com base em apenas uma fê-
mea e a partir de um experimento em condições
Figura 1.9- Esquema representando a generalização de um
estudo específico para conclusões mais gerais, simboli-
zando a validação externa.
15
artificiais de laboratório. Se esta não for a sua
conclusão, cuidado, você está sofrendo de uma
doença comum chamada “paranoia metodológi-
ca” disseminada até mesmo em alguns cursos
de metodologia e de estatística superficiais.
Generalizar a partir de um indivíduo é algo ina-
ceitável em muitas situações, mas não em to-
das, e não nesta em particular. Ao demonstrar
estatisticamente que isto ocorre em um indiví-
duo, temos evidência factual para a espécie,
pois sabemos que a determinação do sexo é
uma característica da espécie que não varia
entre indivíduos. As condições artificiais de um
laboratório precisam ser levadas em conta em
muitos casos, mas é difícil imaginar como elas
poderiam influir na razão sexual se ela fosse
cromossômica do tipo 1:1. O contexto biológico
nunca deve ser esquecido quando seguimos
diretrizes metodológicas.
A generalização por razoabilidade é parte intrín-
seca da pesquisa. Por exemplo, é comum se
utilizar ratos para iniciar estudos sobre remédios
para humanos porque: a) a ética nos impede de
começar com humanos; b) o custo de manuten-
ção de ratos em biotérios é relativamente baixo;
c) os ratos também são mamíferos, e devem ter
uma fisiologia semelhante em algum grau. Pre-
cisamos avaliar caso a caso até que ponto é
razoável generalizar e ter consciência que a
generalização pode estar errada. A validação
externa por razoabilidade inclui argumentos,
citações e dados adicionais que justifiquem a
generalização.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
1.6 Estatísticas intuitiva e
frequentista
Alguns textos sugerem que cursos de esta-
tística são necessários devido à “dificuldade
dos cérebros humanos em lidar com proba-
bilidades”. Será que nossa estatística intui-
tiva é tão ruim assim? Ao contrário, somos
muito bons, pois a sobrevivência de animais
em geral e dos animais com melhores ca-
pacidades cognitivas em particular depende
destes cálculos intuitivos. Acontece que há
uma diferença entre a estatística intuitiva e
a formal mais utilizada em pesquisas. Ve-
remos nesta seção como esta estatística
intuitiva está em nosso cotidiano e como a
estatística formal mais comum difere dela.
Quando atravessamos uma rua, calculamos a
velocidade do carro que vem em nossa direção,
a sua distância, o tamanho da rua e o tempo
que levaremos para chegar ao outro lado e
então cruzamos a via, com a maior naturalida-
de. Imagine a complexidade e rapidez dos cál-
culos que realizamos durante uma partida de
tênis ou para dirigir um automóvel no meio de
outros carros e dos pedestres que atravessam a
rua. Esta matemática instantânea e sem núme-
ros desenvolveu-se ao longo da evolução, pois
quanto mais precisos os cálculos intuitivos,
maior a chance de sobrevivência, sucesso soci-
al e reprodutivo.
Parte desta matemática intuitiva é transformada
em estatística intuitiva, utilizada na tomada de
decisões do cotidiano. Por exemplo, você está
saindo de casa e percebe que há nuvens carre-
gadas, volta e pega um guarda chuva. No mer-
cado você vai pagar as compras, escolhe a fila
com menos carrinhos, mas muda de fila porque
percebe que os carrinhos da frente estão muito
cheios. No caminho de volta, você reconhece e
cumprimenta uma pessoa que não via há uns
10 anos; ela está um pouco diferente, mas qua-
se não envelheceu. Preparando a janta, você
avalia que o peixe no forno ainda não está pron-
to com base no cheiro e na consistência. Con-
clui ainda que está demorando e que a demora
pode ter sido por não ter coberto o peixe, mas
Figura 1.10- Três tipos intuitivos de decisão utilizados em problemas
do cotidiano que também são usados na pesquisa.
acha que valeu a pena porque ele está ficando
mais dourado que no seu preparo usual. Sua
mãe deveria ter chegado há meia hora, esta
observação te faz ligar para ela para saber se
houve algum problema. Cada uma destas atitu-
des simples está carregada de estatística intuiti-
va.
Não nos damos conta da complexidade dos
cálculos envolvidos nas decisões do cotidiano.
Usamos nossa estatística intuitiva para atribuir
valores, sintetizar as informações, decidir se
existe uma relação entre determinadas variáveis
e construir modelos de previsão e de controle.
O termo “estatística intuitiva” não implica que
nascemos com ela, da mesma forma que não
nascemos andando, na verdade nascemos com
o potencial, mas é uma capacidade que vamos
desenvolvendo. Se pensarmos bem a estatísti-
ca intuitiva, é algo tão impressionante como a
nossa capacidade de andar sobre duas pernas
ou de nos comunicar com palavras.
Podemos dividir estas decisões em três tipos de
Valor, de relação e de ação (Fig. 1.10). Há deci-
sões de valor, como nas expressões “nuvens
muito carregadas”, “carrinhos muito cheios” ou
no reconhecimento de uma pessoa (esta pes-
soa=João). Parece natural, mas pense na com-
plexidade que é reconhecer uma pessoa. O
atraso da mãe foi percebido em função de uma
medida de tempo médio e de atraso médio que
permitiu “medir” o atraso como “acima do nor-
16
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
mal”. Outras decisões são de relações entre
variáveis, que nos são ensinadas ou que apren-
demos ou percebemos por conta própria. Por
exemplo, a relação entre a quantidade de nu-
vens e a probabilidade de chover ou entre o
cheiro do peixe e ele estar pronto para ser con-
sumido. Outras decisões são de ação, como
pegar o guarda chuvas, mudar de fila ou telefo-
nar para a sua mãe.
Para entender como uma decisão envolve um
cálculo, analise o exemplo do guarda chuva.
Depois da decisão de valor de considerar que o
que você viu eram “nuvens muito carregadas” e
depois de ter estabelecido (ainda na sua infân-
cia) a relação entre a quantidade de nuvens e a
probabilidade de chuvas, você vai aplicar este
conhecimento a uma decisão de ação. A deci-
são de ação de pegar o guarda chuva depende
da avaliação do custo de pegar o guarda chu-
vas e não chover contra o custo de não pegar o
guarda chuva e chover. Comecemos pelos ex-
tremos: se pegar chuva fosse extremamente
perigoso e o guarda chuva fosse muito leve,
você simplesmente o levaria sempre; se pegar
chuva não incomodasse em nada e carregar um
guarda chuvas fosse um estorvo, você nunca o
levaria. Em casos intermediários, precisamos de
um cálculo, intuitivo ou formal. Ilustremos com
um cálculo formal. Se você acha que escapar
de uma chuva vale R$10,00 e que pagaria
R$2,00 para não ter que carregar o guarda chu-
vas por um dia, então não levaria o guarda chu-
vas se a chance de chover fosse de 50% (pois
0,5 x R$10,00 > 0,5 x R$2,00), mas levaria se a
chance de chuva fosse de 90% (pois 0,1 x
R$10,00 < 0,9 x R$2,00). Não dê importância
ao cálculo exato, o objetivo aqui é perceber que
a decisão depende de duas coisas: do custo
que representa cada alternativa de decisão e da
probabilidade de cada alternativa no momento
da decisão.
É importante iniciarmos valorizando nossa ca-
pacidade de tomar decisões, para entendermos
que nossa lógica intuitiva não está errada, ape-
nas difere na aplicação com o que é mais feito
na ciência. Imagine que seu namorado ou na-
morada lhe pede em casamento. Digamos que
17
você gostaria de casar, mas teme muito a pos-
sibilidade separação; qual é a chance disto
ocorrer? Se você quisesse uma avaliação do
tipo que se usa mais nas pesquisas científicas,
você teria que casar com ele (a) umas 30 vezes
em condições semelhantes à atual e verificar a
taxa de sucesso para tomar uma decisão com o
tipo de estatística que vamos trabalhar neste
curso. Naturalmente que isto é impossível neste
exemplo e em muitas situações do cotidiano,
mas é bem mais comum isto ser possível na
pesquisa, especialmente em estudos experi-
mentais.
Na decisão sobre um casamento, só lhe resta
uma abordagem sistêmica na qual você recolhe
informações relevantes e procura fazer um cál-
culo aproximado de probabilidades. Você pode-
ria partir das estatísticas de uma taxa recente
de divórcios no Brasil de 20% nos 10 anos inici-
ais. Entretanto, considerando sua faixa etária e
classe social, você verifica na pesquisa que a
taxa é de 30%, portanto, esta é uma estimativa
mais apropriada. Este é um risco alto, o que te
coloca em dúvida. Então, você conversa com
amigos que te tranquilizam lembrando que seu
(sua) pretendente teve relacionamentos anterio-
res estáveis e que não terminaram devido a
alguma briga irracional. Portanto, você conside-
ra que a probabilidade de divórcio com ele (a) é
bem inferior aos 30% e aceita a proposta. Esta
probabilidade estimada considerando as infor-
mações contextuais não é utilizada apenas no
cotidiano, também é bastante usada em pro-
blemas aplicados, como no cálculo do valor de
apólices de seguros, utilizando uma versão
matemática mais precisa de nossa estatística
intuitiva chamada Estatística Bayesiana. Sua
utilização na pesquisa tem sido relativamente
restrita, mas tem crescido nos últimos anos, à
medida que os pesquisadores vão entendendo
a sua utilidade para uma diversidade de situa-
ções de tomada de decisão.
A estatística intuitiva mais comum é uma forma
complexa válida de pensar, tanto que tem um
equivalente formal, que é a estatística Bayesia-
na. Entretanto, em condições especiais, quando
podemos obter informações de dados com re-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
petições de unidades amostrais independentes,
e dentro de premissas metodológicas bem defi-
nidas, temos uma alternativa bem mais objetiva
e poderosa para estabelecer relações que é
chamada Estatística Frequentista. Vamos
explicar o seu funcionamento a partir do capítu-
lo 3. Neste livro, como na grande maioria dos
cursos básicos de estatística, apenas tratare-
mos de cálculos de probabilidades frequentis-
tas. Entretanto, a estatística intuitiva também é
usada quando utilizamos a frequentista. Não
faremos cálculos matemáticos Bayesianos, mas
utilizaremos avaliações de premissas qualitati-
vas que chamaremos de “Razoabilidade”, como
fizemos na seção 1.5 na validação externa por
razoabilidade.
1.7 Da amostra à população.
O objetivo da análise estatística frequentista de
dados é fazer as conclusões mais fortes possí-
veis com segurança sobre uma população
estatística com base nos dados disponíveis
(amostra ou amostras) (Motulsky, 2010).
Já falamos superficialmente em populações e
amostras na seção anterior, vamos aprofundar
um pouco mais. Uma população estatística é
um conjunto completo de entidades que se
pretende estar envolvendo em uma análise.
Em contraste, a amostra é o subconjunto da
população estatística efetivamente utilizado
na análise.
É importante não confundir o termo biológico/
geográfico de população com o termo “Popula-
ção Estatística”. Em um estudo sobre intenções
de votos para presidente do Brasil, a população
estatística é o conjunto de “intenções” (imagine
uma caixa com papéis com declarações de
intenção de voto de cada eleitor em determina-
do momento). Se preferir imaginar como pesso-
as, então imagine uma “pessoa-momento”. Note
que a população estatística não é realmente a
população brasileira, pois a população que vai
votar praticamente não muda de um mês para
outro, mas as intenções podem mudar bastante
ao longo do tempo.
18
O ideal é que a população estatística seja muito
bem delimitada, como no exemplo das inten-
ções de voto, mas nem sempre isto é possível.
No exemplo de borboletas da seção anterior
dificilmente se conseguiria coletar em toda sua
área de ocorrência, e não seria possível se
coletar borboletas no futuro ou no passado. Por
isto, a delimitação assumida como “borboletas
pertencentes a determinada espécie” tem a
premissa que as do presente e do local do es-
tudo são representativas também de outros
lugares e tempos, premissa cuja validade de-
pende de reflexão com base na razoabilidade
biológica.
Os elementos da população estatística que
constituem a amostra são denominados Unida-
des Amostrais. A amostra com todos os ele-
mentos que entraram no estudo pode ser dividi-
da em amostras menores com base em alguma
característica das unidades amostrais. Por e-
xemplo, podemos dividir a amostra borboletas
em função do sexo e obtemos uma amostra de
machos e uma amostra de fêmeas. Podemos
dividir a amostra de intenções de votos de uma
ampla pesquisa no Brasil em 27 amostras (uma
para cada estado). Ao fazermos isto, também
estamos dividindo a população estatística em
populações estatísticas. Não podemos dizer
que há uma população biológica de machos de
borboletas, mas podemos dizer que há uma
população estatística de machos de borboletas.
Frequentemente, as conclusões estatísticas
envolvem parâmetros populacionais. Um Parâ-
metro é uma medida coletiva quantitativa de
alguma propriedade da população, como a mé-
dia do tamanho das borboletas macho. Outros
parâmetros incluem número de indivíduos da
população, a razão sexual, o grau de dimorfis-
mo sexual, a proporção de eleitores dispostos a
votar em certo candidato e coeficientes de mo-
delos que descrevem relações. Abordaremos
mais profundamente parâmetros populacionais
no capítulo 3.
Esta seção apenas introduz um assunto que
será tratado mais profundamente no capítulo 3.
Em geral, trataremos de análises de estudos
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
com coletas dirigidas para testes de hipóteses,
entretanto, é conveniente destacar que nem
sempre é assim. Muitas pesquisas estão cen-
tradas em uma coleta temática, como o “Censo”
do Instituto Brasileiro de Geografia e Estatística.
Trata-se de uma pesquisa planejada que abor-
da muitas perguntas ao mesmo tempo, que
serão avaliadas de uma forma integrada. Há
ainda pesquisas em que os dados vêm antes
das perguntas, como no caso de descobertas
acidentais ou no caso de uma coleta de recicla-
gem na qual estudamos uma base de dados
que não coletamos, como um estudo sobre a
evolução da caça em uma determinada região
cujos dados são provenientes dos registros de
comércio de peles.
Exercícios:
1.1- O uso da estatística na pesquisa foi comparado
com o uso de meios de transporte e de um micros-
cópio. Explique a analogia.
1.2- O que é um problema complexo e por que o
fato dele ser complexo não implica que seja de difícil
solução.
1.3- Algumas pessoas afirmam que os homens não
conseguem desenvolver atividades complexas como
as mulheres. Puro preconceito. Se for dado tempo
suficiente e assessoria adequada, os homens po-
dem desenvolver atividades igualmente complexas.
Explique por que preparar uma festa de criança é
um problema complexo e quais partes deste pro-
blema podemos “terceirizar”.
1.4 Reflita sobre os temas abaixo e pense em um
estudo (para cada um) na forma de um problema
(um aspecto relevante do tema a ser desenvolvido).
Com base nisto: a) defina o problema que será a-
bordado; b) levante uma hipótese dentro deste pro-
blema; c) faça uma previsão para testar esta hipóte-
se.
1.4- a. Micorrizas: Suponha que você descobriu as
Endomicorrizas*, mas ainda não sabe o que são. O
que você percebeu foi a existência de muitos espo-
ros de fungos no solo que aparentemente estão
ligados às raízes. (Se não sabe o que são endomi-
corrizas, comece com uma pesquisa na internet)
19
1.4- b. Ninhos de cupons. Você percebe que algu-
mas espécies de cupins fazem seus ninhos no alto
de árvores enquanto outras espécies fazem ninhos
no solo com uma parte do ninho acima do solo e um
terceiro grupo de espécies fazem ninhos completa-
mente subterrâneos.
1.4- c. Lua: Você sabe que a variação nas fases da
lua tem efeitos sobre muitos animais. Então você se
pergunta, será que a lua também tem efeito sobre
plantas?
1.5- Explique o que é uma previsão exclusiva
1.6- Cite problemas originais que envolvam uma
evidência: a) factual; b) estatística simples; c) con-
textual d) sistêmica.
1.7- Explique um exemplo original de pesquisa em
que as conclusões são suspeitas devido a incerte-
zas na validade das medidas.
1.8- Qual é a diferença entre um problema de vali-
dação interna e um problema de validação externa?
1.9- O que é paranoia metodológica?
1.10- Por que os problemas de validação da medida
e de validação interna normalmente são mais graves
do que problemas de validação analítica e de vali-
dação externa ao longo de uma pesquisa?
1.11- Por que evoluímos com uma alta capacidade
de realizar cálculos estatísticos intuitivos e falhamos
em algumas questões estatísticas cotidianas banais.
1.12- Cite exemplos originais de decisões: a) de
valores; b) de relações; c) de ações.
1.13- Explique a diferença entre a estatística intuitiva
e a estatística mais utilizada em pesquisas científi-
cas (frequentista).
1.14- Por que nem sempre é possível delimitar bem
uma população estatística? Em que sentido isto
atrapalha na obtenção de uma amostra representa-
tiva e na determinação de um parâmetro populacio-
nal?
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

2. Do problema biológico ao tos), como para uma entidade particular (gato

estatístico.
Os livros de estatística vêm com exemplos
prontos para a análise de dados. Entretanto,
uma das maiores dificuldades dos estudantes é
a transformação de problemas biológicos (ou de
outras ciências, ou cotidianos) em problemas
estatísticos. Neste capítulo, descreveremos
sucintamente a Abordagem EPR (Entidade,
Propriedade e Relação) de Macnaugton (2002)
que ajuda a transformar problemas biológicos (e
outros) em problemas estatísticos. Macnaugh-
ton mostrou que há alguns conceitos tão bási-
cos que passam despercebidos, e que são cha-
ves para se compreender como se “monta” um
problema antes de iniciar o planejamento de
coleta de dados e para determinar quais serão
os testes mais adequados à análise dos dados
obtidos. Vejamos estes conceitos.
2.1 Entidades
Se você prestar atenção aos seus pensamentos
cotidianos em um dado momento, provavelmen-
te concordará que estamos pensando sobre
diversos tipos de “coisas”. Por exemplo, neste
minuto você poderia estar pensando em um
amigo ou em um compromisso que tem marca-
do para a tarde. Estas “coisas” são exemplos de
entidades (Fig. 2.1).
no23). Trata-se de um conceito tão básico, que
raramente é discutido em metodologia e estatís-
tica. Entretanto, como veremos, é útil deixá-lo
explícito. As entidades também podem ser
chamadas de casos, membros de uma popula-
ção, indivíduos, itens, espécimes, objetos, ob-
servações, unidades amostrais, etc.
Alguma confusão pode surgir quando há uma
derivação imprópria de um substantivo para um
adjetivo ou vice-versa. Por exemplo, a palavra
“burro” designa um animal, mas pode ser usada
como adjetivo, referindo-se a uma pessoa, e a
palavra “azul” é normalmente um adjetivo, mas
na frase “o azul é lindo” ela é um substantivo.
Na frase “o pássaro é da cor azul” a expressão
“da cor azul” tem a função de adjetivo para pás-
saro. Na frase “este pássaro é da espécie Pi-
tangus sulphuratus”, estamos qualificando a
entidade pássaro com a expressão “da espécie
P. sulphuratus”, enquanto na frase “P. sulphura-
tus é uma espécie com distribuição ampla”, P.
sulphuratus é uma entidade. O que vale em
EPR é a classe gramatical no contexto.

Existem muitos tipos de entidades: Objetos

físicos reais simples (montanhas, automóveis,
lagos, pessoas, árvores) ou coletivos (cadeias
de montanhas, florestas, alcateias, turma de
alunos; população; conjunto de elementos em
um grupo, espécie biológica); Objetos imaginá-
rios (fadas, universos paralelos, teorias, concei-
tos); Processos/ações (um experimento, uma
reação química, uma reunião, um beijo; uma
viagem, a força necessária para levantar certo
objeto). Cada tipo de entidade é uma categoria Figura 2.1- Entidades são "coisas" em que pensamos, como
árvores, beijos e unidades amostrais, às quais podemos atribu-
que nomeia diversas entidades unitárias (mon- ir propriedades
tanha 1, montanha 2, etc.)

As entidades têm um papel fundamental no

pensamento. Na gramática são sempre subs-
tantivos, tanto para os tipos de entidades (ga-
20
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

2.2 Propriedades suem as propriedades comuns aos Homo sapi-

Cada tipo de entidade tem associado a ela uma
gama de atributos ou propriedades (Fig. 2.2).
Carros têm peso, cor, marca e ano de fabrica-
ção. Árvores têm altura, nome da espécie, posi-
ção em um mapa. Bandos de passarinhos têm
um nome da espécie, um número de indivíduos,
uma razão sexual. Cada entidade tem um valor
para cada propriedade (não existe carro sem
peso, podemos até não saber o valor, mas ele
existe).
Propriedades também são chamadas de aspec-
tos, atributos, características, fatores, qualida-
des ou tratamentos. Os nomes das proprieda-
des geralmente são substantivos que nomeiam
qualificadores (localização, cor, beleza, idade,
velocidade, quantidade, valor de pH). As propri-
edades também podem ser ações realizadas ou
sofridas (ou não) por uma entidade. Por exem-
plo, “tomar chocolate” (sim ou não) é proprieda-
de na frase “fulano tomou chocolate”. Os nomes
de propriedades também podem ser abrevia-
ções de ações. Por exemplo, a propriedade
“tomou chocolate” (s/n) torna-se apenas “Cho-
colate” (s/n).
ens, como respirar com pulmões e ser incapaz
de voar batendo os braços. No seu estudo,
todos os indivíduos poderiam compartilhar a
mesma nacionalidade e o fato de possuírem
sapatos, seja pela contingência da população
acessível ao estudo, seja por uma definição
prévia estabelecida por você acerca de que
características teriam os indivíduos seleciona-
dos para fazer parte da amostra.
Outras propriedades variam entre entidades,
como a altura, o sexo e o meio de transporte
mais utilizado por pessoas. Estas propriedades
são chamadas “Variáveis”. A variação nestas
propriedades tem causas e consequências que
podem ser investigadas. As propriedades a
serem avaliadas precisam variar no banco de
dados do estudo. Você não poderia estudar a
diferença na utilização de transporte público
entre os sexos se apenas entrevistar pessoas
de um sexo, nem poderia estudar o efeito de um
tratamento se não tiver indivíduos sem o trata-
mento (controle).

Os valores das propriedades são adjetivos

(vermelho, velho, rápido, grande, brasileiro,
estudioso), advérbios (aqui, agora, longe, mal,
sim, não, talvez, muito, pouco), numerais com
funções quantitativas, ordinais ou de rótulo-
planta no 135 e datas), às vezes símbolos (
♂,☺, ♠ ou O+), e até substantivos. Quando os
valores são substantivos, eles têm função quali-
ficadora, isto é, tem papel de adjetivo. As pro-
priedades origem, local de formação e espécie
para a entidade pessoa tem os valores Brasil,
USP e Homo sapiens que substituem os adjeti-
vos brasileiro, “Uspiano” e humano. Como vi-
mos na seção anterior, a espécie Pitangus sul-
phuratus é um substantivo, mas faz parte da
função qualificadora na expressão após o verbo Figura 2.2- Propriedades são atributos das entidades.
na frase “este pássaro é da espécie P. sulfura-
tus”. Os valores das propriedades podem ou
não variar entre as entidades dentro de um
estudo. Por exemplo, em um estudo sobre pes-
soas, todas as entidades necessariamente pos-
21
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

2.3 Tabelas e gráficos EPR utilizados na apresentação de resultados.

As tabelas ou planilhas EPR são as tabelas com 2.4 Relações entre variáveis
nossos dados organizados em entidades (li-
nhas), propriedades (colunas) e valores (células Hipóteses são testadas a partir de suas previ-
da tabela). Em uma tabela EPR cada entidade sões, e as previsões mais comuns na pesquisa
aparece apenas uma vez e as propriedades envolvem a relações entre duas variáveis, a
são variáveis que serão relacionadas ou que Variável Preditora (ou “Independente”), cuja
participarão da análise de outra forma. A tabela variação influi sobre os valores de uma Variável
EPR é mais que um local para depositar os Resposta (ou “Dependente”), se sua hipótese
dados, ela é estiver correta. Para determinar quais são estas
uma tabela con- variáveis em seu estudo, pergunte a si próprio:
ceitual que su- pela minha hipótese o quê (qual fator ou variá-
mariza o plane- Tamanho Sexo vel) influencia sobre o quê (qual variável)? Por
jamento do nos- 12 m exemplo, se estamos testando a capacidade de
so projeto, de borboletas distinguirem entre cores semelhan-
forma que deve 10 m tes pela previsão que a cor da armadilha (ver-
ser planejada 11 f melhas ou amarelas- variável preditora) atrai
preferencialmen- 11 f uma quantidade diferente de borboletas (variá-
te antes da cole- vel resposta).
ta de dados, Figura 2-3- Nas tabelas EPR, as
tendo em vista linhas são entidades e as colunas Os termos variável preditora e variável resposta
são propriedades. A seta indica se aplicam quando há uma Relação Conse-
as relações que uma relação.
queremos veri- quente (ou causal fig. 2.6) entre elas, isto é,
ficar. quando a causa da variação da segunda é,
direta ou indiretamente, a primeira. Quando esta
Os gráficos EPR são gráficos cartesianos cujos as duas variáveis tem uma relação “próxima”,
eixos são propriedades (as variáveis em estudo) ela é chamada Relação de Causa Proximal, e
e as entidades são representadas, cada uma quando é distante, é chamada Relação de
delas, por um ponto situado no gráfico em fun- Causa Final. Por exemplo, em anos com pouca
ção dos seus valores das propriedades (e. g. chuva, alguns lagos secam causando a mortali-
diagrama de dispersão e “dot density”). Além dade generalizada dos peixes. A causa proximal
dos eixos, as da morte dos peixes é a falta de água para os
propriedades Janeiro ( ) Julho ( ) peixes poderem respirar e não ressecar e a
também podem causa final é a variação climática. Uma pessoa
ser representa- pode perder seu emprego porque a sua produti-
Tamanho

das por diferen- vidade foi abaixo da média (causa proximal),

tes cores ou mas isto só aconteceu em função da necessi-
símbolos (e. g. ♀ dade do banco cortar custos devido à crise ban-
e ♂). São gráfi- cária (causa final). Em estudos biológicos, a
cos mais ricos causa proximal costuma ser fisiológica ou com-
Machos Fêmeas
em informação portamental e a causa final costuma ser evoluti-
que muitos gráfi- Figura 2-4- Nos gráficos EPR, as va.
cos tradicionais variáveis (propriedades) são os
eixos dos gráficos e as entidades
são os pontos. Variáveis adicionais
podem ser apresentadas na forma
de cores ou simbolos.

22
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Algumas previsões envolvem duas variáveis
(Covariáveis) que tem uma Relação Inconse-
quente (ou correlação), isto é, a variação em
uma não influi sobre o valor da outra, mas as
duas podem covariar (variar ao mesmo tempo)
em resposta a uma terceira variável. Por exem-
plo, podemos verificar se existe uma relação
entre as cores das roupas que uma pessoa
prefere vestir e o seu sucesso em desempenhar
tarefas em grupo. A constatação que a relação
existe não implica que as cores causam o su-
cesso, é mais provável que uma terceira variá-
vel, talvez o grau de otimismo da pessoa tenha
influência sobre as cores que ela usa e sobre a
sua tendência a ter sucesso em tarefas em
grupo. Estudos com previsões conscientes so-
bre relações inconsequentes são válidos, como
no exemplo acima, entretanto, uma falha co-
mum é achar que a existência de uma relação
implica uma causalidade, isto é, mesmo encon-
trando a relação entre roupa e sucesso, não
podemos prever que mudando a cor da roupa
de uma pessoa haverá mudança no sucesso
em atividades em grupo. Uma expressão impor-
tante em estatística é “Correlação não implica
causalidade”, isto é, cuidado para não confundir
relações inconsequentes com relações conse-
quentes.
A relação entre duas variáveis pode ser obscu-
recida ou confundida pela existência de outros
fatores (conhecidos ou não) influenciando nos
valores da variável resposta, por isto, um dos
desafios em um estudo é conseguir estabelecer
Figura 2-5- Esquema representando diferentes tipos de
relações (setas) entre variáveis (letras “A” a “F”). As
relações R1 a R5 são consequentes e as relações r1 a r4
são inconsequentes. As relações ligadas diretamente
por apenas uma seta são de causa proximal e as rela-
ções entre “A” e “D” e entre “A” e “F” são de causa
final.
23
a relação entre as variáveis preditora e resposta
“eliminando” ou “controlando” o efeito das ou-
tras relações. Em estudos experimentais, nos
quais manipulamos o valor da variável preditora
(e. g. quantidade de certo elemento químico em
vasos) e medimos a velocidade de crescimento
de uma planta, é possível ter segurança que a
relação encontrada, se houver, é uma relação
consequente. Em estudos não experimentais,
isto é, naqueles em que não manipulamos a
variável preditora, normalmente não podemos
ter esta segurança. Por exemplo, se você com-
parar a taxa de crescimento de plantas em fun-
ção da quantidade de certo elemento químico
no solo na natureza, você não pode ter certeza
que a relação encontrada, se houver, é causal,
pois é possível que as duas variáveis sejam
influenciadas por uma terceira variável. Possi-
velmente a umidade no solo tenha um efeito
sobre o crescimento da planta e sobre a quanti-
dade de algum elemento químico, causando
uma relação inconsequente entre estas duas
variáveis. Embora correlação não implique cau-
salidade, ela pode ser uma evidência importante
dentro de um estudo sobre relações causais,
desde que tenhamos a consciência que as con-
clusões em estudos não experimentais depen-
dem de cuidados redobrados (cap. 6).
2.5 A estatística para estabelecer
relações.
Muitos estudos biológicos envolvem previsões
com uma variável preditora e uma resposta ou
com duas covariáveis. O conjunto de técnicas
utilizadas nesta situação é denominado Estatís-
tica Bivariada (Fig. 2.6). Alguns problemas são
mais complexos, ou tratados de forma mais
complexa, incluindo na análise mais de duas
variáveis ao mesmo tempo para uma descrição
ou teste. O conjunto de ferramentas para estes
problemas é denominado Estatística Multivari-
ada. A estatística multivariada inclui análises
com uma variável resposta e múltiplas predito-
ras e análises com múltiplas variáveis preditoras
e respostas (muitas pessoas utilizam a expres-
são estatística multivariada exclusivamente no
segundo caso). Há ainda a Estatística Univari-
ada, que inclui as técnicas para problemas que
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
envolvem apenas uma variável. Na estatística
univariada, a relação avaliada não é com outra
variável, mas com um valor único (ou uma dis-
tribuição de valores) de referência ou esperado.
Por exemplo, quando queremos saber se o
número médio de mosquitos da dengue por
armadilha em casas de um bairro está acima do
padrão que indica risco de epidemia. Neste
livro, trabalharemos apenas com técnicas de
estatística univariada e bivariada (com ênfase
na bivariada).
O primeiro passo no estudo das relações bivari-
adas (e multivariadas em geral) é montar uma
tabela EPR. Comece com a hipótese (e. g. a
ingestão de chocolate causa espinhas), passe
para uma previsão com uma variável preditora
(“tomou chocolate”- sim/não) e uma variável
resposta (“número de espinhas”). A entidade
inicialmente é alguém ou algo a quem estas
propriedades podem ser atribuídas, no caso,
pessoa (pessoa 1, pessoa 2, etc.). Faça uma
coluna para numerar as entidades (opcional),
Figura 2-6- A estatística bivariada é a mais utilizada na
pesquisa, incluindo apenas uma variável preditora e uma
resposta, entretanto, também há análises que lidam com
mais variáveis ou com apenas uma variável.
24
Tabela 2.1- Tabela EPR para avaliar a questão se a
ingestão de chocolate causa espinhas
uma coluna para a variável preditora e outra
para a variável resposta e entre os valores para
cada entidade (Tab. 01). Outras colunas com
variáveis adicionais (e. g. idade e sexo da pes-
soa) também podem ser incluídas, desde que
sejam apropriadas para a entidade em questão.
Uma única planilha pode ser utilizada para tes-
tar todas as hipóteses que tem a mesma enti-
dade em um estudo, basta que as variáveis
envolvidas estejam entre as colunas.
Na tabela EPR, uma entidade não pode
aparecer duas vezes. Se a mesma pes-
soa tomou chocolate mais de uma vez,
então a entidade é ingestão-pessoa-dia
(ingestão 1, ingestão 2, etc.), e “pessoa”
opcionalmente pode entrar na tabela
como mais uma propriedade (quem
ingeriu). (Considerando a importância da
independência entre unidades amostrais
(cap. 6), normalmente se evita incluir a
mesma pessoa em uma amostra de
várias pessoas; a tabela pode ser mon-
tada, mas a análise apropriada pode ser
complexa.) Outra possibilidade seria
realizar todo o estudo com uma única
pessoa, utilizando como entidade “dia”
(dia 1, dia 2, etc.). Pode parecer estra-
nho que “tomou chocolate” seja proprie-
dade de dia, mas pense bem, no dia 3
alguém “tomou chocolate” = sim e no dia
7 alguém “tomou chocolate” = não. Esta abor-
dagem de usar apenas uma pessoa tem vanta-
gens e desvantagens que serão discutidas de-
pois, o ponto a ressaltar aqui é que diferentes
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
planilhas EPR podem ser utilizadas para anali-
sar “a mesma” previsão (embora não seja exa-
tamente a mesma quando as entidades são
diferentes).
Nem sempre a determinação da entidade é tão
fácil como no exemplo do chocolate. Se sua
hipótese é que o pH da água onde as larvas de
mosquitos se desenvolve afeta a sua sobrevi-
vência, a variável preditora é o pH da água e a
resposta é a sobrevivência do mosquito, mas
qual a entidade? Pode ser frasco, se você tiver
vários frascos diferindo no tipo de água e com
larvas cuja sobrevivência será calculada ao final
do experimento. Há outras possibilidades de-
pendendo do que foi sua unidade amostral.
Cuidado com o que vai definir como unidade
amostral. Se você quer saber se o investimento
em merenda escolar por escola influi no rendi-
mento acadêmico, sua unidade amostral é es-
cola, não é aluno. Portanto, cada linha é uma
escola e você vai utilizar a média do rendimento
acadêmico por escola.
Algumas hipóteses envolvem apenas uma vari-
ável, o que implica em uma coluna na planilha
EPR. Considere a hipótese “a resistência de
peixes ornamentais ao transporte é influenciada
pelo sexo do peixe”. Podemos testa-la com a
previsão que partindo de uma população de 50
machos e 50 fêmeas, a proporção de fêmeas ao
final será maior. Sobrevivem 25 machos e 40
fêmeas, que é uma diferença estatisticamente
significativa. A forma de determinar isto será
abordada no capítulo 5, o que nos importa ago-
ra é que a conclusão baseia-se apenas na vari-
ável “sexo” (a entidade é peixe). Há hipóteses
com variável preditora e variável resposta que
utilizam testes univariados (testes pareados).
Considere a hipótese: “a agilidade de adultos do
sexo masculino diminui após a ingestão de a-
penas uma lata de cerveja”. Sua previsão é que
a velocidade na execução de certa tarefa com-
plexa é menor depois da ingestão de uma lata
de cerveja. Então você mede a diferença de
velocidade antes e depois da cerveja para vá-
rias pessoas. Repare que sua análise vai se
basear apenas em uma variável, a diferença de
velocidade, mas há uma variável preditora im-
25
plícita (tomou cerveja?- antes/ depois) e uma
variável resposta implícita (velocidade).
Para MacNaughton (2002), o papel da pesquisa
empírica é descrever relações para predizer e
controlar valores de propriedades. A seu ver, as
hipóteses são sobre relações (entre variáveis ou
em relação a um padrão). O teste de sua hipó-
tese é feito com base em predições. Se as evi-
dências apoiam uma hipótese, então ela pode
ser utilizada como base para outras hipóteses e
em na aplicação em problemas práticos, pois
nos permite prever valores.
Pense em problemas práticos. Neste lago pega-
remos bastante peixe? Este paciente será cura-
do? A plantação produzirá mais se plantarmos
em abril ou se esperarmos até setembro? Neste
local encontraremos cobras venenosas? Se não
sabemos as respostas (pois não temos uma
máquina de viajar no tempo ou um oráculo) e
não podemos esperar o futuro para tomar deci-
sões, o que fazer? Se conseguirmos identificar
relações entre variáveis, podemos fazer previ-
sões. Se soubermos que lagos de água branca
sempre tem muito peixe, e que um determinado
lago tem água branca, então podemos prever
que provavelmente haverá muito peixe nele. Se
soubermos que pessoas que têm temperatura
alta geralmente estão com infecções, e que
uma determinada substância controla infecções,
podemos predizer que ela provavelmente terá
diminuição na febre e se sentirá melhor se to-
mar esta substância. Esta ação aparentemente
banal de estabelecer relações é um dos pila-
res que sustenta a ciência. A explicação é outro
objetivo da ciência, mas se pensarmos bem, ela
está intimamente ligada ao estabelecimento de
relações.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Exercícios:
2.1- Cite exemplos originais de entidades do tipo
objeto físico, do tipo entidade coletiva e do tipo pro-
cesso, com duas propriedades inerentes a cada tipo
de entidade.
2.2- Explique, com um exemplo original, por que
algumas palavras podem ter significados compatí-
veis com entidades (substantivo) ou com valores de
propriedades (e. g. adjetivos) dependendo do con-
texto.
2.3- Monte uma tabela EPR que contenha quatro
propriedades cujos valores das propriedades sejam
respectivamente adjetivos, advérbios, numerais e
símbolos. Duas destas propriedades devem ser
variáveis e as outras duas não.
2.4- Defina uma hipótese, uma previsão e faça um
esquema de uma tabela EPR com duas colunas, a
variável preditora na coluna da esquerda e a variá-
vel resposta na coluna da direita. Inclua valores para
cinco entidades.
2.5- Faça um gráfico EPR para a tabela da questão
anterior com os 5 valores da tabela e outros 15
adicionais.
2.6- Qual é a diferença entre variáveis teóricas e
operacionais e entre hipóteses de relações e hipóte-
ses existenciais?
2.7- A frase “correlação não implica causalidade”
está relacionada com a diferença entre relações
consequentes e inconsequentes? Explique a frase
com exemplos originais de relações consequentes e
inconsequentes.
2.8- De um exemplo original de uma relação proxi-
mal e uma distal para explicar o mesmo fenômeno.
2.9- Qual é a diferença entre as estatísticas bivaria-
da, univariada e multivariada.
Elabore tabelas e gráficos EPR para a lista hipó-
teses a seguir:
a) O tamanho de indivíduos da espécie de tar-
tarugas Podocnemis expansa influi na
taxa reprodutiva.
26
b) A temperatura durante o desenvolvimento
embrionário afeta a razão sexual em ni-
nhos artificiais de P. expansa.
c) Motoristas que utilizam insulfilme em seus
carros costumam realizar maior número
de contravenções em ambiente urbano.
d) A taxa de decomposição da serrapilheira
varia em função do ambiente (Campina-
rana, Baixio e Platô) na Amazônia Cen-
tral.
e) A temperatura na sala de aula influi sobre o
desempenho de estudantes em provas.
f) O pH de um local no qual há acúmulo de
água de chuva afeta a sobrevivência de
mosquitos.
g) Há dimorfismo sexual de tamanho nas bor-
boletas Capronnieria abretia.
h) A sobrevivência de gafanhotos verdes é
maior do que de gafanhotos marrons na
época chuvosa na caatinga.
i) Cigarro causa câncer.
j) Passar por baixo de uma escada dá azar.
k) Olho gordo seca pimenteira.
2.10). Quais itens são hipóteses de relação,
quais são hipóteses existenciais e quais são
previsões? Para os itens com hipóteses exis-
tenciais, defina uma previsão por relação.
2.11) Construa uma tabela e um gráfico EPR
para cada relação entre as variáveis operacio-
nais com dados imaginários verossímeis.
(Quando necessário, substitua variáveis teóri-
cas por operacionais).
2.12) Escolha uma relação para explicar dificul-
dades com validação da medida, validação
interna e validação externa.
2.11) Construa uma tabela EPR e dois gráficos
EPR para avaliar relações em seu campo de
pesquisa (preferencialmente um trabalho que
esteja desenvolvendo).
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
3. Confiança na medida e
independência
Neste capítulo abordaremos: a) a incerteza em
medidas de valores individuais em função da
forma de atribuir uma categoria ou da falta de
precisão ou de acurácia em instrumentos ou
procedimentos de medida; b) a variação natural
em valores quantitativos na forma de distribui-
ções de frequências; c) a incerteza na estimati-
va de parâmetros populacionais e d) a impor-
tância da “independência entre unidades amos-
trais” na estimativa de parâmetros populacio-
nais. Para discutir estes assuntos serão apre-
sentados alguns termos.
3.1 Níveis e escalas de medida
Dizer que uma pessoa é “alta” ou que mede
1,80m são duas formas válidas de falar sobre
altura, mas com poder informativo diferente e
que recebem tratamentos estatísticos diferen-
tes. Nas duas formas, estamos falando de vari-
áveis, pois são propriedades que variam entre
unidades amostrais. Se você divide as pessoas
em dois grupos, altas e baixas, terá dois níveis
de medidas; se você dividir em 3 grupos, altas,
médias e baixas, terá três níveis. Se medir com
uma fita métrica, terá vários níveis de medida
(e. g. 1,73 m, 1,82 m).
Níveis efetivos de medida são os
diferentes valores de uma variável
T amnho da aranh a(mm)
efetivamente incluídos em uma
análise. Para saber o número de
níveis efetivos (NE) em variáveis
categóricas ou ordinais (veremos
a diferença adiante), basta con-
tarmos as categorias utilizadas.
Em variáveis quantitativas ele é
calculado com esta fórmula sim-
ples: NE= (max-min+1)/precisão
(ou conta-se diretamente do gráfi-
co ou da base de dados). Por
exemplo, na figura 3.1, a variável
“Mês” tem 6 níveis efetivos e a
variável “Tamanho da Aranha” tem
19 níveis efetivos. Cuidado, não
são todos os 25 do eixo Y, pois a menor medida
foi 4 mm, a maior 22 mm, e a precisão da medi-
da foi de 1mm (como pode se ver no gráfico).
Se a precisão fosse de 0,5mm, teríamos apro-
ximadamente o dobro de níveis efetivos.
Em função do tipo de valor utilizado, as variá-
veis dividem-se em “escalas de medida” da
seguinte forma:
Binárias: Possuem apenas dois níveis efetivos.
Por exemplo: sim ou não; presença ou ausên-
cia; macho ou fêmea; macrofauna ou mesofau-
na; “controle” ou “tratamento”. Também são
binárias as variáveis quantitativas que assumem
apenas dois valores em uma analise (e. g. com-
paração entre tratamentos com 1 mg ou 2 mg
de um medicamento).
Categóricas: Assumem valores “qualitativos”
(não quantitativos) sem uma ordem intrínseca
natural entre os níveis, ou possuem uma ordem,
mas esta pode ser ignorada na análise. Por
exemplo: tipos sanguíneos (A, B, AB e O), mar-
cas de fertilizante, habitat e nome do coletor
(podem ser ordenadas alfabeticamente, por
exemplo, mas esta ordem é irrelevante para a
análise). Números podem ser utilizados para
“rotular” entidades (e. g. 135= planta # 135), por
isto a propriedade “número da planta” é categó-
Phoneutria reidyi
25
v ♀♂
20
?
15
10
5
0
Jun Ago Out Jan Abr Ago
Mês da coleta 2001/2002
Figura 3.1- Neste gráfico EPR há seis níveis na variável “Mês da coleta”, 19
níveis na variável “Tamanho da aranha” e três níveis na variável “Sexo”.
27
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
rica, já que não é uma quantidade sujeita a
operações matemáticas (a planta #1 não é igual
à planta#136 menos a planta#135). Variáveis
binárias sempre podem ser tratadas como cate-
góricas, mas diferem das categóricas com mais
de dois níveis efetivos por possuir uma maior
flexibilidade em análises estatísticas, o que
justifica uma escala separada. As escalas Biná-
ria e Categórica juntas são chamadas de Esca-
la Nominal.
Ordinais: Existe uma sequência ordenada rele-
vante entre os níveis na análise. A diferença
entre um nível e o próximo é de posição ape-
nas, não há uma quantificação. Por exemplo,
não podemos saber se o segundo lugar em uma
corrida chegou mais próximo do primeiro ou do
terceiro apenas com a posição da chegada.
Outros exemplos: abundância na escala “nula,
rara, intermediária, comum ou muito comum”;
vento na escala “fraco, moderado, forte, violento
e furacão”; notas na escala “A, B, C, D ou re-
provado”; idade na escala “filhote, jovem pré
reprodutivo, adulto novo, adulto velho”; tipo de
solo na escala “arenoso, intermediário arenoso,
intermediário argiloso ou argiloso”. Você pode
usar números nestas escalas, mas é preciso
lembrar que estes números não são quantida-
des.
Quantitativas: Variáveis quantitativas possuem
valores numéricos que efetivamente represen-
tam quantidades. Não são variáveis quantitati-
vas aquelas que possuem valores numéricos
que representam apenas ordem ou rótulo de
uma categoria.
Muitos livros de estatística dividem a escala
quantitativa em duas: Razão e Intervalar. Esta
separação envolve um detalhe matemático que
raramente é relevante para o uso das técnicas
estatísticas que abordaremos, de forma que não
a utilizaremos. Outra separação comum na
escala quantitativa é entre números “contínuos”
(números Reais) e “descontínuos” (números
Inteiros). A questão da continuidade é relevante
porque os “saltos” dos números entre níveis
podem exigir ajustes nos cálculos estatísticos. É
como se fossem buracos na estrada de nossos
28
carros estatísticos. Por exemplo, o número de
ovos é uma variável quantitativa descontínua,
pois não existem “3,5 ovos”, há um “salto” entre
os níveis 3 e 4. Segundo estes livros, o peso de
um ovo seria uma variável quantitativa contínua,
pois há valores intermediários entre 40 e 41 g
(como 40,555 g).
A descontinuidade é efetivamente algo que
deve ser levado em conta em análises estatísti-
cas. Entretanto, o problema não se resolve com
esta divisão em dois tipos de números. Esta
divisão é inapropriada porque: a) na prática, não
existe nenhuma medida continua, tudo é conta-
gem, pois todo equipamento ou procedimento
tem um limite de precisão. Por exemplo, no
caso de pesos nós contamos as microgramas
do último dígito de uma balança, com “saltos”
de 40,555 para 40,556 mg; b) contagens com
muitos níveis (e. g. posturas de peixes com 623,
1.544, etc., em número de ovos) têm proprieda-
des matemáticas semelhantes em análises
estatísticas às dos números “descontínuos”
(equivalem a 0,623 e 1,544, etc., em milhares
de ovos); c) mesmo para uma variável conside-
rada contínua (números Reais), pode haver
problema de descontinuidade até para instru-
mentos de precisão se o número de níveis efeti-
vos for pequeno. Por exemplo, se você obtiver
apenas os três níveis efetivos 0,01; 0,02 e 0,03
g em todas as suas medidas (note que não são
números Inteiros) haverá descontinuidade. Ao
invés de separar as estradas em “lisas” (contí-
nuas) e “esburacadas” (descontínuas), seria
melhor classificar as estradas em função dos
tamanhos dos buracos, pois microburacos sem-
pre existem sem ser necessariamente um pro-
blema. Veremos no capítulo 5 que na prática o
problema da descontinuidade na variável res-
posta é irrelevante acima de 20 níveis efetivos,
pequeno até 10 níveis e vai tornando-se gradu-
almente grave a muito grave à medida que te-
mos menos níveis efetivos, exigindo ajustes na
técnica de análise.
Outras escalas. Há três escalas de medida
especiais com as quais não trabalharemos, mas
que precisam ser conhecidas, uma vez que
requerem métodos estatísticos próprios. Algu-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Figura 3.2-. Do ponto de vista lógico, as escalas de medida
não são auto excludentes, algumas estão contidas em
outras, e a Binária (Bi) se encontra dentro de todas.
mas vezes estas escalas podem ser tratadas
como se fossem uma das escalas apresentadas
anteriormente, entretanto, não é o ideal. A Es-
cala “Proporção” é para valores do tipo “x de n”
(e. g. 15/28 sementes sobreviveram no vaso 1)
ou do tipo que varia de 0 a 1 ou de 0 a 100%.
Muitas vezes estes valores são tratados como
quantitativos, mas há formas mais apropriadas
de lidar com eles (Warton & Hui, 2011). Na Es-
cala Hierárquica a “ordem” entre os níveis
efetivos é hierárquica (grupos dentro de gru-
pos). O exemplo mais comum em biologia é a
variável “espécies” (pois as espécies se agru-
pam de forma hierárquica em gêneros, famílias,
etc.). A variável “local”, como em casas em um
estudo sobre dengue em vários municípios
também é hierárquica, pois as casas podem ser
agrupadas em vários níveis espaciais (bairro,
município, estado). As técnicas específicas são
diversas em função do problema específico (e.
g. Anova hierárquica; Regressão Filogenética,
Análise de Correspondência Canônica). Na
Escala Circular os níveis são cíclicos, isto é
seguem uma determinada ordem até chegar a
um último nível e retornar ao primeiro. Os e-
xemplos mais comuns envolvem medidas de
tempo, como “hora do dia”, “dia da semana”,
“mês”. Direções angulares (como a direção do
voo indivíduos em migração) também estão em
escala circular. Métodos de “Estatística Circular”
(Zar, 1984) são necessários para analisar dados
29
nesta escala. Entretanto, variáveis como meses
e horas deixam de ser circulares se há uma
referência sequencial adicionada à informação
(e. g. fevereiro de 2008, 23 horas do terceiro
dia).
As escalas de medida normalmente são trata-
das como se fossem excludentes entre si, isto
é, que se um valor pertencesse a uma não per-
tenceria a outra, mas não é assim (Fig. 3.2).
Uma escala quantitativa é também ordinal, pois
os números que representam quantidades estão
ordenados (mas nem toda sequência ordinal é
quantitativa). As escalas quantitativa e ordinal,
também são categóricas, pois cada valor numé-
rico ou de ordem, pode ser visto como uma
categoria. A binária está incluída em todas, pois
dois valores podem ser obtidos em qualquer
escala. Muitos textos dividem os valores em
quantitativos e qualitativos, o que nos induz a
pensar que quantidades não são qualidades.
Entretanto, dizer que uma pessoa tem 1,80 m é
só uma maneira mais precisa de dizer que ela é
alta. Portanto, quantidades também são quali-
dades. A compreensão que algumas escalas de
medida estão “dentro” de outras e que qualquer
atribuição de valor é uma atribuição de uma
qualidade será importante quando abordarmos
lógica e a flexibilidade na escolha de testes
estatísticos (capítulo 5).
3.2 Atribuição de níveis nominais e
ordinais
Em escalas nominais (binárias ou categóricas) e
ordinais não há uma quantificação; os níveis
são atribuídos por um reconhecimento ou inter-
pretação que determinada unidade amostral
pertence a uma categoria ou grupo definido ou
que está dentro de uma posição em uma escala
ordinal. Muitas vezes isto é simples, como ao
registrar o local de uma coleta ou o se um peixe
morreu ou está vivo ao final de um experimento
de ecotoxicologia. Entretanto, frequentemente a
atribuição de níveis nominais ou ordinais é uma
das partes mais sensíveis de um estudo.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Imagine que você quer saber se a proporção de
meninos que sabe nadar é diferente da propor-
ção de meninas que sabem nadar. Você realiza
entrevistas e pergunta a muitas crianças se elas
sabem nadar. Dos 300 meninos, 66% responde-
ram “sim” (sabem nadar), muito mais que os
33% de 300 meninas que responderam “sim”.
Embora a diferença seja estatisticamente signi-
ficativa, há uma dúvida importante antes de se
concluir que mais meninos que meninas sabem
nadar. O significado de um “sim” de um menino
é realmente comparável ao significado de um
“sim” de uma menina? Possivelmente os meni-
nos tenham mais vergonha em admitir que não
sabem nadar e respondam “sim” mesmo sem
saber, enquanto as meninas apenas respondem
“sim” se nadam bem. Este exemplo ilustra o tipo
de problema que pode acontecer em entrevis-
tas, mas o problema não se restringe a entrevis-
tas.
Por serem interpretações, as atribuições nomi-
nais e ordinais sempre estão sujeitas a erros,
como na identificação de uma espécie, na de-
terminação de qual doença um paciente teve,
ou no sentido de um “sim” no parágrafo anterior.
É importante definir cuidadosamente os critérios
de atribuição, principalmente quando a subjeti-
vidade pode ter um papel importante na decisão
de valor. Em muitos estudos de comportamento,
é importante se detalhar o significado de cate-
gorias de comportamento utilizadas para permi-
tir comparações (etograma). Se você chamar de
“comportamento agressivo” apenas quando
animais efetivamente lutam, vai considerar o
comportamento mais raro do que outra pessoa
que considere qualquer demonstração de a-
gressividade.
Quando trabalhamos com níveis ordinais os
resultados são muito mais confiáveis se sempre
forem definidos pela mesma pessoa suficiente-
mente treinada, ou se houver uma tabela de
referência bem definida (como uma tabela de
cores de solo). Mais difícil é interpretar níveis
ordinais que variam entre pessoas ou circuns-
tâncias envolvidas na coleta dos dados. Se 60%
das pessoas entrevistadas de uma cidade gos-
tam da qualidade de vida e apenas 30% das
30
pessoas entrevistadas de outra cidade gostam
da qualidade de vida, não podemos saber se a
qualidade de vida é melhor na primeira cidade
ou se as pessoas são mais exigentes na se-
gunda. Uma pessoa pode achar que há “pou-
cas” aves em um local quando estiver come-
çando a observar aves, e perceber que há “mui-
tas” depois de adquirir mais experiência.
Abordamos aqui as incertezas na atribuição de
valores nominais e abordaremos na próxima
seção incertezas em precisão e acurácia de
valores quantitativos. Terminamos esta seção
destacando que também os valores quantitati-
vos podem ter incertezas de atribuição, por
exemplo, o número de ações agressivas por dia
dependerá do que se considera um comporta-
mento agressivo, como já foi discutido acima.
Portanto, é sempre importante refletir bem so-
bre a possibilidade de erros de atribuição com-
prometendo a interpretação no seu estudo.
3.3 Exatidão, precisão e acurácia.
Uma medida é um valor de uma propriedade de
uma entidade obtido com o uso de instrumen-
tos, protocolos e procedimentos que podem ser
bons ou ruins em diferentes graus e aspectos
que serão tratados aqui.
A exatidão de uma medida, na teoria, é a pro-
ximidade entre o valor obtido e o valor real. Esta
definição com foco na medida individual serve
como ideal, mas é insuficiente na prática por
três motivos: A) Se você tivesse um valor “real”
a cada momento não precisaria mais da medi-
da, o que tornaria desnecessária a preocupação
com exatidão da medida. B) Falta exatidão nes-
ta definição de exatidão: geralmente não é pos-
sível se verificar a “proximidade” porque não é
possível se obter um “valor real”. Não se trata
apenas de limitações tecnológicas, há um fato
matemático mais simples: há infinitas casas
decimais após uma vírgula e não é possível se
definir objetivamente quantas casas bastam
para se chegar ao “valor real definitivo”. C) Não
há referência à precisão e acurácia do procedi-
mento. Resumindo, esta definição teórica omite
que “valores reais” são apenas abstrações, o
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
que podemos obter são aproximações instru-
mentais mais ou menos satisfatórias.
Na prática, a exatidão de uma medida está liga-
da à exatidão do procedimento de medida (ins-
trumento, protocolo e técnica, incluindo a expe-
riência de quem mede) e tem forte relação com
o grau de satisfação considerando o contexto.
Um valor exato é um valor obtido com um pro-
cedimento cuja “aproximação ao valor real” é
considerada plenamente satisfatória na situação
da sua utilização. Um instrumento que medisse
o tempo em milésimos de segundos é grosseiro
demais se você estiver lidando com alguns fe-
nômenos atômicos enquanto uma xícara de
farinha é uma medida exata para se seguir uma
receita de torta. Nem todos os procedimentos
de medida são plenamente satisfatórios, alguns
são inúteis de tão grosseiros e outros são im-
precisos, mas ainda assim úteis. Aperfeiçoa-
mentos metodológicos permitem a melhoraria
na exatidão de procedimentos; a melhoria de
medidas individuais é uma consequência desta
melhoria instrumental. Portanto, para entender-
mos exatidão, nosso foco não deve ser nas
medidas individuais, mas nos procedimentos e
nos dois aspectos da exatidão instrumental: a
precisão e a acurácia.
Figura 3.3- Ilustração sobre dois conceitos de incerteza de
de instrumental pela analogia com tiros de uma espingarda
(acima) e de um revolver (abaixo).
31
A precisão de um procedimento é o grau em
que conseguimos com ele medidas quantitati-
vamente próximas entre si em condições está-
veis e homogêneas. Quanto maior a precisão
menor a dispersão dos valores. A precisão nos
tiros ao alvo com o instrumento “espingarda”
costuma ser alta comparada com a baixa preci-
são com o instrumento “revolver” para o mesmo
atirador à mesma distância (Fig. 3.3). O resulta-
do é que os tiros da espingarda ficam mais con-
centrados que os do revolver. Outro exemplo,
um grupo de alunos mede uma mesma semente
com um paquímetro e obtém os valores: 2,34,
2,38, 2,31, 2,35 e 2,32 cm. Estas diferenças
podem ser atribuídas à variação aleatória na
segunda casa decimal. No entanto, encontra-
mos consistência nos valores na primeira casa,
de forma que temos precisão de uma casa de-
cimal (2,3 cm). As condições precisam ser está-
veis, se você medir a precisão de uma balança
em um laboratório em terra firme e depois levá-
la para um barco, a precisão tende a mudar. Se
medirmos o pH de uma piscina, esperamos
obter um valor representativo.
A acurácia de um procedimento é o seu grau de
ajustamento médio em relação ao valor “real”
(normalmente um padrão). Você pode ter exce-
lente precisão e péssima acurácia ou o contrário
(Fig. 3.3). Em um instrumento 100% preciso, a
distância de uma medida com o valor real é falta
de acurácia e é fixa e em um instrumento 100%
calibrado, a distância é falta de precisão e é
variável. Note que não podemos distinguir se o
desvio de um tiro foi por falta de precisão ou por
falta de acurácia se não tivermos um conjunto
de tiros. No exemplo dos tiros, você recupera
acurácia regulando (calibrando) a mira a partir
da análise do conjunto dos desvios. Normal-
mente isto é feito com a arma fixa e dando vá-
rios tiros para ver se está tendenciosa. Este é
um método estatístico, pois envolve várias me-
didas comparadas a um padrão. E o que é o
valor “real” para referência de calibragem? É um
valor obtido com um instrumento mais preciso.
Um peso de 100 g usado na calibragem de uma
balança não tem 100 g “reais”, são 100 g “satis-
fatórias”, isto é, a inexatidão do valor é inferior a
0,1 g verificada a partir de uma balança mais
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
precisa. O ajuste de acurácia dos instrumentos
mais exatos do mundo pode ser um assunto
complexo para certas medidas pela dificuldade
do estabelecimento de referenciais nulos.
Precisão e acurácia podem ser medidas (Fig.
3.4). A medida da acurácia é útil para corrigir
distorções, por isto trataremos dela primeiro. A
eliminação de erros de acurácia de instrumen-
tos é chamada calibragem. Para equipamentos
de alta precisão, costuma ser suficiente se
comparar uma medida obtida com um padrão
para se corrigir o desvio do aparelho. Por e-
xemplo, se uma balança estiver medindo 101,3
g para um peso padrão de 100,0 g, temos de
reduzir 1,3 g na medida. Há equipamentos de
precisão que precisam de mais de um padrão
para a calibragem (e. g. pHmetros). Também é
comum não dispormos de procedimentos preci-
sos de medida. Imagine que você tivesse que
estimar tamanhos de jacarés com base na sua
capacidade de estimar o tamanho de um jacaré.
Neste caso, você pode calibrar esta capacidade
estimando tamanhos de objetos semelhantes a
jacarés (como troncos) à distância e depois
verificar como está se saindo. Se tiver tendência
a superestimar o tamanho, reduza suas estima-
tivas e se tiver tendência a superestimar, au-
mente as estimativas. Se puder capturar jaca-
rés, é conveniente repetir a avaliação para me-
Figura 3.4- Representação de medidas relacionadas à exatidão:
1) desvio de um tiro (ou inexatidão pontual); 2) imprecisão de
uma espingarda (dispersão de valores ou imprecisão instrumen-
tal); 3) descalibragem ou tendenciosidade instrumental (inacurá-
cia instrumental). A imprecisão e a inacurácia são os dois aspec-
tos da inexatidão instrumental.
32
lhorar a sua capacidade de estimar. Ninguém
consegue acertar precisamente todas as medi-
das, mas você pode se considerar “calibrado”
quando a quantidade de subestimativas é se-
melhante à quantidade de superestimativas.
A exatidão de um procedimento calibrado é a
sua precisão. O erro de precisão também pode
ser reduzido em algumas situações, como nas
estimativas de tamanhos de jacarés com o trei-
namento, mas costuma ser fixo para instrumen-
tos de medida, de forma que só podemos me-
lhorar a precisão de medidas individuais trocan-
do o instrumento por outro mais preciso. Embo-
ra muitas vezes não possamos melhorar a pre-
cisão, é importante dimensioná-la para saber-
mos se a qualidade da medida sustenta concre-
tamente nossas conclusões e afirmações base-
adas nos dados.
A precisão costuma ser medida pelo seu inver-
so, a dispersão dos valores (Fig. 3.4-2). Quan-
to menor a precisão, mais dispersos serão os
dados ao redor do valor central. A medida mais
simples de dispersão é a amplitude total, isto
é, a diferença entre o maior e o menor valor
(Fig. 3.5). Imagine que você já treinou bastante
sua capacidade de estimar tamanho de objetos
à distância para seu estudo de jacarés, conse-
guiu uma excelente acurácia e quer saber como
está a sua precisão. Então, você estima o ta-
Figura 3.5- A dispersão de valores pode ser medida com
uma amplitude parcial central dos dados pela exclusão de
extremos como no Intervalo Interquartil, obtido pela exclu-
são de 25% dos valores inferiores e 25% dos valores supe-
riores. O tamanho deste intervalo é chamado de Amplitude
Interquartil.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

manho de 80 troncos e alguém registra as dife- pouco confiáveis como medida de dispersão.
renças entre o estimado e o “real” (i. e. medido Além disto, ele pode não ser uma boa medida
com fita métrica- Fig. 3.4). A amplitude total de dispersão dependendo da distribuição de
seria o maior valor (+39 cm) menos o menor frequências da variável em questão, como ve-
valor (-35 cm), isto é 65 cm. Esta medida de remos na próxima seção.
dispersão (e precisão) tem alguma utilidade
quando há muitos dados, mas é simplista de-
mais e ruim para a maioria das situações, pois a
amplitude total não varia apenas com a precisão
do instrumento, ela também varia (tende a au-
mentar) com o número de medidas.

Uma solução para este problema é utilizar uma

amplitude parcial central dos dados por exclu-
são de uma porcentagem dos extremos. Em
medidas de dispersão de valores por este mé-
todo, o mais comum costuma ser a amplitude
parcial central excluindo-se ¼ dos menores
valores e ¼ dos maiores valores, que é chama-
da Amplitude do Intervalo Interquartil. Com a
exclusão de uma proporção fixa de extremos, a
amplitude parcial dos dados não aumenta com
o número de dados, como costuma acontecer
com a amplitude total. Isto é, a amplitude Inter-
quartil não tende a ser maior ou menor se for
determinado com oito dados ou com 800, o Quadro 3.1- A média aritmética (1) é um parâmetro popula-
maior número de dados apenas aumenta a cional utilizado em cálculos de muitas medidas paramétricas.
Quando estimada com base em uma amostra, ela é geralmente
precisão desta medida de dispersão. Portanto, a simbolizada com um X ou um Y com uma barra encima. O
amplitude do intervalo interquartil é uma forma Desvio Absoluto Médio (2) é uma medida simples e intuitiva
apropriada de medir a dispersão dos dados. de dispersão. O Desvio Padrão (3) é uma medida bem mais
utilizada, com a mesma essência do DAM. A fórmula de DP
Apesar disto, esta forma de medir a dispersão apresentada é utilizada quando o determinamos com base em
dos dados é pouco utilizada. uma amostra, que é a situação mais comum. N= Tamanho
amostral; xi= cada valor registrado na amostra; Ʃ= símbolo
Outra opção para medir a dispersão é a utiliza- matemático de somatório que significa que deve se somar os
termos a seguir na fórmula. Curiosidade matemática: a estatís-
ção do Desvio Absoluto Médio (DAM) entre os tica paramétrica utiliza estimativas inicialmente tendenciosas
valores e a média destes valores (Quadro 3.1). que necessitam ajustes. É o caso do desvio padrão da amostra
Esta medida é uma forma bastante intuitiva de com seu denominador (N-1). Por que não calculamos a média
dos desvios elevados ao quadrado com o denominador N? De
medir dispersão, mas também é pouco utilizada. fato, no cálculo de um desvio padrão de um conjunto completo
A medida de dispersão mais utilizada é seme- de dados o denominador é N. O problema é que para determi-
lhante na essência: a raiz quadrada da média nar o desvio padrão populacional com base em uma amostra
estaremos subestimando a dispersão com o denominador N,
dos desvios ao quadrado, que é chamada de porque nossa média não é a média real, mas uma estimativa
Desvio Padrão. O desvio padrão é realmente que necessariamente é mais central ao conjunto de dados em
uma excelente medida de dispersão em muitas questão. Ao dividir por (N-1) temos um valor mais aproxima-
do do DP da população.
situações, inclusive na medida da precisão de
instrumentos e procedimentos, mas é necessá-
rio algum cuidado. Primeiro quanto ao número
de valores usados em seu cálculo. Bastam dois
valores para um cálculo de desvio padrão, mas
cálculos com menos que cinco dados são muito
33
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
3.4 Distribuições de frequências
A partir do momento em que temos procedimen-
tos calibrados e com precisão conhecida, po-
demos nos despreocupar com as medidas indi-
viduais e voltar a nossa atenção para a Varia-
ção Natural.
Não se deve confundir a variação de medidas
em função da precisão de instrumentos com a
variação natural. Poucas pessoas têm uma
altura que coincide com a média da população,
mas isto não significa que a altura da maioria
das pessoas esteja errada. Não é uma questão
de erro de medida, é algo natural. No exemplo
das sementes do início da seção 3.3, estáva-
mos realmente nos referindo a uma variação de
precisão de medida, ou erro de medida, porque
eram medidas da mesma semente. Entretanto,
se os alunos estivessem medindo sementes
diferentes, a variação encontrada seria também
Figura 3.6- Duas distribuições de frequência com formatos
diferentes. Na figura A, a distribuição tem o formato apro-
ximado de um sino. Na figura B a distribuição é fortemente
assimétrica. As amplitudes com 95% dos dados foram
determinadas com cálculo paramétrico em (1) e por exclu-
são de extremos em (2).
34
resultado da variação natural dos tamanhos das
sementes. Ocasionalmente esta variação com-
binada (erro de medida + variação natural) é
chamada de “erro”. Este é um termo infeliz, pois
nos induz a pensar que a variação natural é
parte de um erro da mesma forma que os erros
de instrumentos ou de métodos de medida. Se
a precisão de medida for muito baixa, o erro de
medida pode prevalecer e obscurecer a varia-
ção natural, mas se a precisão de medida for
boa, a variação encontrada não é um erro, mas
uma característica importante da população em
estudo.
O gráfico mais comum para mostrar a variação
nos valores de uma variável quantitativa é cha-
mado Histograma. Trata-se de um gráfico de
distribuição de frequências. Vamos ilustrar com
um conjunto de valores de tamanhos de peixes
e de salários de uma amostra representativa de
funcionários em uma grande corporação (Fig.
3.6). Analise o gráfico com atenção, veja que no
eixo X (horizontal) da figura temos valores
quantitativos divididos em intervalos iguais e no
eixo Y (vertical) temos frequência, que pode ser
a contagem das entidades por intervalo (fre-
quência absoluta) ou uma percentagem por
intervalo do total de entidades (frequência rela-
tiva). Na figura 3.5 temos outra forma de apre-
sentar dados de uma variável, mas em histo-
gramas o eixo Y com a frequência dá melhor
visibilidade à forma como os dados se distribu-
em, especialmente quando temos muitos dados
e intervalos de classes pequenos, geralmente
lembrando uma “montanha” (distribuição uni-
modal- como nos dois gráficos da figura).
Os histogramas mostram bem os dados de
amostras, mas são limitados para fazermos
inferências populacionais. Por isto, geralmente
se faz inferências modelando a distribuição
com curvas matemáticas teóricas ajustadas aos
valores obtidos, ou por procedimentos de rea-
mostragem (seção 3.6), ou simplesmente as-
sumindo um modelo matemático, como vere-
mos adiante. Na figura 3.6 as linhas com uma
forma de montanha foram construídas a partir
de modelos matemáticos ajustados aos valores.
Na figura 3.7 são apresentados gráficos de
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Figura 3.7- Exemplos gráficos que ilustram modelos de
distribuições de probabilidades teóricas. Estes modelos
servem como bases para utilização de ferramentas estatís-
ticas se podemos assumir que eles realmente são compa-
tíveis com a distribuição na população.
modelos matemáticos que podem ser ajustados
aos dados quantitativos obtidos. Naturalmente,
o modelo se aplica bem apenas em uma situa-
ção estável, isto é, quando a amostra foi retira-
da em uma condição na qual qualquer outra
amostra deveria mostrar um resultado bastante
similar. Por exemplo, se o tamanho médio dos
peixes varia entre anos, não podemos modelar
apropriadamente para um ano com base nos
dados de outro ano.
As distribuições de frequência tem importância
direta e indireta em estudos biológicos. A impor-
tância direta está na interpretação de causas e
consequências do formato da distribuição. Por
exemplo: a) uma distribuição bimodal (fig. 3.7)
pode indicar uma seleção natural disruptiva em
um caráter biológico; b) pirâmides etárias são
uma forma especial de histograma que revelam
importantes características de populações, co-
mo o grau de desenvolvimento social de um
pais. A importância indireta está em permitir a
35
verificação de premissas para a utilização de
determinadas ferramentas de análise estatísti-
ca, como veremos a seguir.
É comum que a “montanha” da distribuição de
frequência tenha um formato bastante simétrico
que lembra um sino, como vemos na figura
3.6 A e na figura 3.7. O modelo matemático que
descreve esta forma de curva é chamado mode-
lo de Distribuição Normal (ou Gaussiano).
Muitas ferramentas estatísticas foram desenvol-
vidas para serem utilizadas quando os dados
tem “normalidade” (isto é, quando é razoável
assumir que a população tem distribuição nor-
mal). Na prática, nunca obtemos uma distribui-
ção perfeitamente normal com nossos dados,
pois um modelo é sempre uma aproximação da
realidade. Por exemplo, na natureza há limites
para tamanhos, mas na distribuição normal não
há. Para uma distribuição de frequência de da-
dos ser considerada do tipo “normal” não é ne-
cessário uma forma perfeita de sino, basta o
“jeitão” (como na figura 3.6 A). Quando os da-
dos não são suficientes para definir o “jeitão”,
ainda podemos assumir a normalidade com
base na razoabilidade, isto é, em motivos teóri-
cos ou de experiência anterior com dados da
mesma natureza. Mesmo quando é evidente
que a distribuição não tem normalidade, mas
ela não se afasta muito da distribuição normal,
ainda é razoável se utilizar técnicas estatísticas
que tem a premissa da distribuição normal. O
problema é trabalhar com dados assumindo
uma distribuição normal sem verificar a compa-
tibilidade dos dados com esta distribuição ou
sem uma base na razoabilidade.
Quando temos uma distribuição normal, ou
aproximada, o desvio padrão é uma excelente
medida de dispersão dos dados. Conhecendo a
média e o desvio padrão de uma população,
pode-se determinar a proporção aproximada da
população a um, dois ou três desvios padrões
da média (Fig. 3.8). O desvio padrão é calcula-
do a partir da média, que é um parâmetro popu-
lacional, por isto, é uma medida chamada de
paramétrica.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

A vantagem do desvio padrão (DP) é que é uma

excelente medida de dispersão para variáveis
que tem normalidade. A desvantagem é que
simplesmente não é uma medida apropriada
quando a distribuição não é normal. Você pode
determinar o intervalo que contém 95% dos
dados por exclusão de extremos (seção 3.3) ou
de forma paramétrica com base no desvio pa-
drão (Amplitude 95%= média±1,96 DP), com
resultados semelhantes se a distribuição for
normal (Fig. 3.6 A). Entretanto, ao utilizarmos o
Desvio Padrão para descrever uma distribuição
que não é normal podemos chegar a resultados
estranhos, como incluir salários negativos nos Figura 3.8- Quando temos uma distribuição normal, pode-
mos determinar com base na média e no desvio padrão
limites de uma amplitude parcial central (DP), como os dados se distribuem e a proporção a cada
(Fig. 3.6 B), o que nunca acontece com interva- intervalo entre um, dois e três desvios padrões acima e
los determinados por exclusão de extremos. abaixo da média.
Quando não há normalidade, há algumas alter-
nativas: a) utilizar a amplitude interquartil como duos da população estatística (não confunda o
medida de dispersão; b) realizar uma transfor- número de indivíduos da população com tama-
mação dos dados de forma a obter normalidade nho de uma amostra desta população).
(Cap. 5); c) apresentar a distribuição de fre-
Os parâmetros de proporção são contagens de
quência ao invés de uma síntese numérica.
unidades amostrais de uma categoria divididos
por um total de unidades amostrais, como a
3.5 Parâmetros populacionais razão sexual de adultos e a taxa de sucessos
em um estudo sobre aprendizado (sucessos/
Na Biologia, geralmente estamos mais interes-
sados em características de populações ou de tentativas). Em variáveis binárias só se apre-
senta um parâmetro de proporção relevante (e.
conjuntos de observações ou eventos do que
em indivíduos ou em eventos singulares. Algu- g. razão sexual= machos/ total), pois o parâme-
tro da outra categoria (fêmeas/ total) seria re-
mas destas características são valores quantita-
tivos denominados parâmetros. dundante, de forma que você pode escolher
qualquer um. Quando há mais de duas catego-
Quando temos um conjunto de valores (popula- rias em uma variável, pode haver mais de um
ção estatística) com distribuição de frequência parâmetro relevante (e. g. “azul/total”, “ver-
estatisticamente estável, podemos estimar a- de/total”, “amarelo/total”). Embora isto possa ser
propriadamente alguns parâmetros a partir de aplicado para categorias ordinais, normalmente
subconjuntos representativos (amostras). Isto é é preferível se usar outro parâmetro que será
muito útil, já que raramente temos acesso a apresentado adiante para esta escala.
toda a população estatística em que estamos
interessados em um estudo. Nesta seção serão Os parâmetros de variáveis quantitativas envol-
vem contagens, como o número médio de célu-
apresentados os parâmetros populacionais mais
las brancas por campo em uma lâmina de san-
importantes. Os parâmetros podem ser univari-
gue, ou medidas “contínuas”, como o desvio
ados (de contagem, de proporção, de variáveis
padrão no tamanho (em µm) de indivíduos de
ordinais, de variáveis quantitativas) ou multiva-
riados (de relação). uma população de Artemia salina. Note que as
contagens neste tipo de parâmetro não são de
Os parâmetros de contagem são totais para unidades amostrais, mas de algo que está em
toda a população, como número total de indiví- cada unidade amostral. No exemplo da lâmina

36
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
de sangue, a unidade amostral era campo e a
população eram os campos daquela lâmina.
Os parâmetros de variáveis ordinais e de variá-
veis quantitativas mais importantes são de três
tipos: de tendência central, de dispersão e ex-
tremos. As três medidas de tendência central
principais são a média, a mediana e a moda. A
média comum (também chamada de média
aritmética) é a soma dos valores divididos pelo
número de observações (a princípio não deveria
ser aplicado para variáveis ordinais). A mediana
divide os valores ordenados pela metade. Por
exemplo, se colocarmos 25 valores em ordem
crescente, a mediana será o 13º valor. A moda
é o valor mais frequente quando os dados quan-
titativos estão agrupados em intervalos. A me-
diana geralmente é considerada uma medida
mais apropriada de “centralidade” quando não
temos uma distribuição normal ou aproximada-
mente normal, entretanto, a média é sempre
uma medida significativa para medidas quantita-
tivas, mesmo na ausência de normalidade, pois
reflete um aspecto de centralidade que a medi-
ana não reflete.
Nas seções anteriores vimos medidas de dis-
persão como o Desvio Padrão e a Amplitude do
Intervalo Interquartil. Se a imprecisão da medida
for pouco relevante em relação à variação natu-
ral, estas medidas também são parâmetros
populacionais (quando toda a população foi
amostrada), ou estimativas de parâmetros po-
pulacionais (quando o cálculo foi feito por uma
amostra), pois a variação é uma característica
de uma população.
Parâmetros quantitativos extremos são o máxi-
mo e o mínimo populacional para uma variável.
Não nos referimos a médias de mínimos ou de
máximos, mas a estimativas de mínimos e má-
ximos absolutos a partir de amostras. Sua de-
terminação é bem mais incerta e complexa do
que para medidas de centralidade e de disper-
são. Por este motivo, raramente são tratados
em cursos básicos, entretanto, são parâmetros
extremamente importantes. Por exemplo, preci-
samos ter estimativas do valor máximo da en-
37
chente de um rio para construirmos uma barra-
gem segura.
Parâmetros multivariados envolvem mais de
uma variável ao mesmo tempo. Por exemplo, a
diferença nos tamanhos médios de machos e
fêmeas de ratos silvestres em uma população
(parâmetro de grau de dimorfismo sexual em
tamanho) ou a inclinação (coeficiente angular)
da reta que descreve a relação entre o peso de
indivíduos uma população de ratos silvestres e
a quantidade de recursos alimentares em sua
área de vida (parâmetro em um modelo mate-
mático). São parâmetros, pois são característi-
cas quantitativas relacionadas a estas popula-
ções, e são importantes nos estudos de rela-
ções. Há análises em que diversos parâmetros
são determinados ao mesmo tempo, como em
equações que descrevem a relação entre uma
variável resposta e diversas variáveis preditoras
(regressão múltipla).
3.6 Intervalos de confiança de
parâmetros.
Como já vimos, raramente trabalhamos com
parâmetros, trabalhamos com estimativas de
parâmetros e estas estimativas tem utilidade
limitada sem um intervalo de confiança.
Se você está estudando um pequeno bando de
girafas de uma reserva, basta contá-las para
obter o valor do parâmetro “número de indiví-
duos”. Entretanto, se quiser estimar a popula-
ção de gafanhotos na mesma área, a contagem
de todos provavelmente seria impraticável. Vo-
cê poderia dividir a área em muitas partes, sor-
tear algumas, realizar contagens apenas nes-
tas, tirar uma média e multiplicar pelo número
de partes. Neste caso, você não teria o valor do
parâmetro, mas uma estimativa. A chance de
você acertar exatamente é extremamente baixa,
por isto qualquer estimativa de parâmetro é
praticamente inútil sem um intervalo de confian-
ça.
Um intervalo de confiança é uma extensão da
nossa estimativa para uma amplitude ao invés
de um valor pontual, tendo um grau de rigor pré-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

estabelecido para seu cálculo. Os intervalor de
confiança mais utilizados são IC99%, IC95%,
IC90% e o erro padrão (ou IC68,27%). Um
IC95% de um parâmetro significa que o interva-
lo foi calculado de forma a ter 95% de chance
do intervalo de conter o parâmetro. Por exem-
plo, uma estimativa de média de gafanhotos por
100 m2 de 12,3 com IC95% entre 8,5 e 20,3 nos
dá uma ideia bastante precisa de até que ponto
nossa estimativa pontual é confiável. A figura
3.9 ilustra uma utilização de intervalos de confi-
ança para mostrar mudanças temporais. Os
intervalos permitem avaliar as mudanças nas
médias de volume de néctar por horário de for-
ma objetiva. O aumento entre 5:00 e 6:00 horas
é incerto, mas podemos dizer com segurança
que houve redução entre 6:00 e 7:00 horas.
Quanto menor o intervalo de confiança obtido
para um parâmetro, melhor é a estimativa, isto é
maior é a sua precisão. A precisão de um pa-
râmetro depende da precisão das medidas indi-
viduais, da variação natural entre unidades a-
mostrais e da representatividade de cobertura.
Abordamos precisão das medidas individuais na
seção 3.3. É bom termos medidas individuais
precisas, mas a im-
precisão e a variação
natural no cálculo de 12
Volume de Nectar (µL)
do valor real da população. No exemplo dos
gafanhotos, quanto mais áreas de certo tama-
nho você tiver, maior precisão terá. Neste e-
xemplo, também teremos maior precisão quanto
maior for cada área, pois isto tende a diminuir a
variação nos valores entre áreas e a represen-
tatividade de cobertura da área coletada. (A
representatividade em distribuição é um concei-
to diferente relacionado com acurácia da esti-
mativa que será tratado na próxima seção.)
O conceito de intervalo de confiança é essencial
ao usuário de estatística, mas o seu cálculo não
é, por isto não entraremos em detalhes sobre a
forma de calcular intervalos de confiança de
parâmetros de contagens e de parâmetros de
proporções. Estes intervalos podem ser facil-
mente calculados em sites como
www.graphpad.com/quickcalcs/confInterval1
(Motulsky, 2010). Entretanto, entraremos um
pouco nos detalhes de como obter intervalos de
confiança de parâmetros de variáveis ordinais e
quantitativas, pois há conceitos relevantes ao
usuário que precisam ser tratados.
Há diferentes formas de se determinar interva-

parâmetros podem
10
ser compensadas por
uma maior represen- 8
tatividade de cobertu-
ra. A representativi- 6
dade de cobertu-
ra.tem dois elemen- 4
tos principais, o ta-
manho da amostra 2
(número de unidades
amostrais) e o tama- 0
nho da unidade a-
0

0
0

0
:0

:0

:0

:0

:0

:0
05

06

08
07

09

10

mostral (quando ela

varia em tamanho). Horário da manhã
Basicamente, quanto
maior o tamanho da Figura 3.9- Variação na quantidade de néctar (µL) em flores de Ficus devendus entre as 5:00
amostra, maior é a e as 10:00 horas da manhã. A barra horizontal representa a medida paramétrica do Intervalo
de Confiança de 95% da Média. O IC95% paramétrico é simétrico, mas foram omitidos os
certeza de que a valores negativos no gráfico.
estimativa do parâ-
metro está próxima
38
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
los de confiança. As mais utilizadas para o pa-
râmetro média têm sido o Erro Padrão (Quadro
3.2) e uma estimativa paramétrica do Intervalo
de Confiança da Média (ICM) de 95% (ou
IC95% da média) calculada a partir do valor do
erro padrão. É importante não confundir o erro
padrão com o desvio padrão. O desvio padrão é
uma medida de dispersão de valores da popu-
lação; é uma característica desta população que
ganha precisão quanto maior a amostra usada
para estimá-lo. O erro padrão é um intervalo de
confiança da média (equivale a um IC68%) que
diminui quanto maior for o tamanho da amostra
utilizada na estimativa. Sempre que usar um ou
outro é obrigatório explicitar de qual se trata.
O erro padrão e o intervalo de confiança para-
métrico são simétricos acima e abaixo da medi-
a. Este é um dos problemas desta forma de
calcular intervalos de confiança que fica claro
no exemplo da figura 3.8. Note que foi omitida a
parte negativa do intervalo de confiança no
horário 10:00hs. Isto foi feito porque sabemos
que não existe quantidade negativa de néctar.
Quando a distribuição de frequências é muito
assimétrica, como ocorreu neste exemplo, me-
didas paramétricas de intervalos de confiança
devem ser evitadas.
A técnica chamada Bootstrap (Quadro 3.3)
permite obter uma estimativa não paramétrica
Quadro 3.2- Cálculo paramétrico do Intervalo de Confian-
ça IC95% da média. O cálculo do Desvio Padrão foi apre-
sentado no Quadro 3.1.
39
de intervalos de confiança assimétricos ajusta-
dos aos dados. A lógica do funcionamento do
Bootstrap é bastante intuitiva e é apresentada
na legenda do Quadro 3.3. Quando há normali-
dade, suas estimativas são tão boas quanto as
obtidas por métodos paramétricos e quando não
há normalidade suas medidas são sempre me-
lhores. Outra vantagem do Bootstrap é que esta
técnica não se restringe a avaliações da média,
permite a determinação de intervalos de confi-
ança para qualquer parâmetro das escalas
quantitativa e ordinal.
Embora seja uma técnica antiga, raramente é
apresentada em cursos introdutórios de estatís-
tica, porque os conteúdos destes cursos foram
definidos há uns 30 anos, quando o acesso ao
poder de computação era mais restrito, e esta
técnica exige este poder. Entretanto, já faz tem-
po que isto não é um fator limitante e trata-se de
uma técnica valiosa, de forma que lentamente
está vencendo o tradicionalismo e começando a
ser incorporada aos cursos básicos.
Mesmo o intervalo determinado por Bootstrap é
suspeito quando o tamanho amostral é peque-
no. De quantos dados precisamos para obter
um intervalo de confiança confiável? O ideal é
mais de 30. Entretanto, assim como no exemplo
da figura 3.9, é comum que tenhamos bem me-
nos. Considerando que esta precisão varia com
o tipo de distribuição, podemos recomendar um
mínimo de 5 quando há forte expectativa de
distribuição de frequências aproximadamente
normal, um mínimo de 10 quando há um desvio
bastante forte da normalidade (e. g. 2, 2, 3, 3, 3,
4, 4, 5, 5, 5, 5, 7, 8, 10, 14, 15) e um mínimo de
15 quando há um desvio maior (e. g. 0, 0, 0, 0,
0, 1, 1, 3, 5, 9, 20). Quando temos tamanhos
amostrais menores, o intervalo de confiança
pode ser utilizado, mas é muito importante tam-
bém apresentar os dados brutos, como foi feito
na figura 3.9, onde os pontos todos são mostra-
dos. Tamanhos amostrais pequenos não são
um pecado acadêmico, mas está errado escon-
der do leitor as incertezas nos dados.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Quadro 3.3- Determinação de Intervalos de Confiança pela técnica de Reamostragem chamada Bootstrap. Funciona
como se o computador “clonasse” os dados várias vezes, “recriando” algo semelhante à população original (como os
números na tabela acima). Tendo esta população, o computador retira uma amostra do mesmo tamanho amostral da
amostra inicial (representada em destaque na tabela) e calcula o valor do parâmetro (e. g. a média). Depois repete o
processo muitas vezes (e. g. 1000 vezes), obtendo repetições de estimativa do parâmetro. Então retira uma porcentagem
dos valores extremos (e. g.. 5% para obter um IC95%) e obtêm os limites do Intervalo de Confiança.

40
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

3.7 Independência para parâmetros

univariados
Os valores de parâmetros univariados e seus
Intervalos de Confiança apenas são válidos se
as amostras utilizadas para as estimativas fo-
rem baseadas em amostras representativas
em distribuição na população em questão.

Uma amostra com representatividade em distri-

buição é aquela obtida de forma a se obter uma
estimativa não tendenciosa de um parâmetro
univariado. A forma mais conhecida de se obter
uma amostra representativa em distribuição é
pela aleatorização (isto é, pelo sorteio) de quais
unidades amostrais de toda a população serão
incluídas na amostra. Esta não é a única forma
válida de obter amostras representativas em
distribuição, uma coleta sistemática apropriada
também permite isto (Fig. 3.11). Por que isto é
importante? Suponha que você quisesse esti-
mar a produtividade vegetal média em uma
fazenda e realizasse todas as coletas na mar-
gem leste desta fazenda por uma questão de
conveniência (proximidade da estrada de aces-
so). O problema é que esta produtividade pode-
ria ser influenciada pela fertilidade do solo que
não é necessariamente homogênea e poderia
*variar em gradiente de uma margem a outra da
área. Isto não é uma questão de paranoia me-
todológica (seção 1.5), é uma possibilidade
concreta que não pode ser desprezada. A pos-
sibilidade da estimativa do parâmetro ser desvi-
ada por qualquer variável de confundimento que
possa ter algum padrão espacial ou temporal é
anulada se a coleta for feita de uma forma a- Figura 3.11- Três formas de coletar dados. X= unidades
propriada, como em uma coleta aleatória ou amostrais selecionadas para compor a amostra. Neste
sistemática na área de estudo. Algo semelhante caso, a amostra sistemática não é representativa da borda
da área e a amostra de conveniência só é representativa de
acontece com coletas realizadas ao longo do uma borda.
tempo.

A qualidade de uma estimativa de parâmetro

univariado depende, primariamente, das unida-
des amostrais terem sido obtidas de uma forma
bem distribuída no universo amostral (represen-
tatividade em distribuição) e, secundariamente,
da porcentagem da população que foi amostra-
da (representatividade em cobertura). Por e-
xemplo, se você conseguir dados de altura de
41
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
0,01% da população masculina adulta do Brasil
por sorteio de toda a população terá uma amos-
tra excelente para calcular a média de alturas.
Se você utilizar os dados de toda a população
masculina adulta de um único estado, como
São Paulo, esta medida não será representativa
da média nacional, mesmo contendo cerca de
20% da população do Brasil. Quando há repre-
sentatividade em distribuição as unidades a-
mostrais, frequentemente se diz que são “inde-
pendentes”. O que significa independentes?
Independentes umas das outras? Não, nem
poderiam, já que estamos falando de uma popu-
lação e todas devem pertencer à mesma popu-
lação. O termo Independência significa fora da
influência de um fator de confundimento.
3.8 Independência em análises de
relações
As análises mais comuns em estudos biológicos
envolvem a avaliação de relações que implicam
causalidade (relações consequentes). Nestas
análises são calculados parâmetros multivaria-
dos (e seus intervalos de confiança), incluindo
diferenças de médias entre grupos, coeficientes
de correlação ou coeficientes para cada variável
de uma equação em modelos matemáticos mais
complexos. Nesta situação, podemos falar em
independência quando há representatividade
paralela (Fig. 3.12). Na representatividade
paralela ideal, os conjuntos de unidades amos-
trais de cada nível da variável preditora (ou
Figura 3.12- A representatividade paralela ocorre quando
os conjuntos de unidades amostrais de cada nível da
variável preditora (linhas paralelas) possuem a mesma
representatividade de distribuição. Isto ocorre, por exem-
plo, quando selecionamos aleatoriamente as unidades
amostrais que serão utilizadas em cada tratamento em um
experimento.
42
combinações de níveis das variáveis preditoras,
se houver mais de uma) possuem representati-
vidade em distribuição válida em relação à po-
pulação estatística. Esta situação é rara, como
veremos adiante, de forma que geralmente se
busca nesta situação uma representatividade
paralela parcial e generalizações com base na
razoabilidade. Na representatividade paralela
parcial, os conjuntos de unidades amostrais de
cada nível da variável preditora possuem a
mesma representatividade em distribuição entre
si, ainda que nenhum destes níveis seja válido
como representatividade em distribuição de
toda a população estatística. Esta situação será
explicada com exemplos experimentais, pois
neles é mais simples se obter esta condição.
Vamos comparar três experimentos para testar
a hipótese que a Vermiculita (um mineral seme-
lhante à mica usado na agricultura) adicionada
ao solo influi sobre a produtividade de soja.
Para testar esta hipótese você vai comparar o
crescimento de plantas em vasos sem vermicu-
lita (controle) com o crescimento de plantas em
vasos com 50 g de Vermiculita adicionada ao
solo. No primeiro experimento você utiliza ape-
nas sementes saudáveis de soja de um pacote
que comprou em um supermercado. Ao final, as
plantas nos vasos com o tratamento cresceram
significativamente mais e a resposta para sua
questão, dentro de critérios estatísticos, é sim,
pelo menos para este pacote. Note que um
pacote não pode ser considerado representativo
das plantas de soja do mundo, entretanto o
resultado positivo pode ser considerado uma
evidência relevante do efeito da vermiculita para
além deste pacote. A lógica é que, neste con-
texto, costuma ser mais razoável imaginar que a
diferença é uma característica genérica da soja
do que particular ao pacote. Voltaremos a isto
adiante.
Agora imagine que você tem dois pacotes de
sementes de soja, um de um lote brasileiro e
outro de um lote japonês. Você escolhe (ou
sorteia) qual deles vai ser utilizado no controle e
o outro vai para o tratamento. Ao final, as plan-
tas nos vasos com o tratamento cresceram
significativamente mais. O problema é que você
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
não sabe se cresceram mais em função do
tratamento ou em função do lote. Não há repre-
sentatividade paralela porque os níveis da vari-
ável preditora diferem em algo que relevante
além da própria variável em estudo. O sorteio
foi uma aleatorização irrelevante, pois não foi
para cada semente e sim para cada pacote, de
forma que não permitiu a homogenização da
representatividade entre os níveis. A variável
“lote” neste caso é uma variável de confundi-
mento porque gera uma indefinição, já que é
uma explicação alternativa ao tratamento com
Vermiculita para explicar a diferença entre tra-
tamento e controle. Portanto, este segundo
experimento é inconclusivo.
Em um terceiro experimento, você sorteia de
qual dos dois lotes, do Brasil ou do Japão, sairá
cada uma das sementes que irá para o trata-
mento e para o controle. Desta forma, terá uma
mistura dos dois lotes tanto no controle como no
tratamento. Ao final, as plantas nos vasos com
o tratamento cresceram significativamente mais
e a resposta para sua questão é sim, pelo me-
nos para esta mistura de dois pacotes. Assim
como o primeiro experimento, este também é
válido.
Note que em nenhum desses experimentos
temos garantia de representatividade em distri-
buição das amostras em relação a todas as
plantas de soja do mundo, mas isto não é tão
importante quanto a representatividade paralela.
Vejamos por quê.
Nos estudos de relações entre uma variável
preditora e uma variável resposta não há ape-
nas duas variáveis em jogo, há muitas outras
variáveis influindo sobre a variável resposta,
que podem atrapalhar na avaliação sobre a
relação em estudo. O primeiro e o terceiro expe-
rimentos são considerados válidos porque a
representatividade em distribuição entre os
níveis da variável preditora é idêntica. Isto é,
ainda que não tenham representatividade em
distribuição da população, não diferem de forma
potencialmente tendenciosa, pois não existe um
fator que afeta o grupo do tratamento de forma
diferente da que afeta o grupo controle. Assim,
43
o único fator que influi no sentido de causar
uma diferença entre o tratamento e o controle é
o próprio efeito do tratamento em estudo.
No segundo experimento o potencial efeito do
lote tornou o resultado inconclusivo, mas no
terceiro experimento o efeito do lote foi anulado
porque o sorteio garantiu a representatividade
balanceada, isto é, a distribuição do efeito do
lote igualmente entre tratamento e controle.
Tecnicamente dizemos que “realizamos atribui-
ção aleatória de qual semente vai para cada
nível de tratamento”. Em uma linguagem mais
simples, a gente simplesmente mistura bem as
sementes e distribui entre os tratamentos. Ape-
nas em estudos experimentais temos este po-
der de atribuição aleatória de tratamentos. Em
estudos não experimentais precisamos encon-
trar outras formas de anular ou reduzir o efeito
de variáveis de confundimento que trataremos
no capítulo 6, mas a essência de se buscar
representatividade paralela é a mesma.
Além de anular o efeito de potenciais variáveis
de confundimento, há uma segunda preocupa-
ção que precisa ser levada em conta em estu-
dos de relações: a representatividade. Como já
comentamos acima, o experimento 1 com as
sementes foi considerado válido, mas baseou-
se em apenas um lote de sementes de soja. O
ideal não seria que fosse utilizada uma amostra
aleatória de todas as sementes de soja do
mundo? Isto seria muito difícil, mas pelo menos
não deveríamos tentar misturar vários lotes
diferentes?
Para responder estas perguntas, precisamos
levar em conta conhecimentos biológicos e
razoabilidade. A rigor, a conclusão a que che-
gamos com um lote aplica-se apenas ao lote de
sementes que estudamos. Entretanto, este nível
de rigor é exagerado. Podemos e devemos
utilizar a validação externa por razoabilidade
(seção 1.5). Com base em nossos conhecimen-
tos biológicos, devemos ser cautelosos em ge-
neralizar o resultado para toda a espécie em
qualquer clima e solo, mas é muito razoável
generalizar para a variedade e para o mesmo
clima e solo. Poderíamos ter feito uma mistura
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
de lotes diferentes, o que realmente aumenta o
poder de generalização, entretanto, isto introduz
ruído na análise. Ruído é a variação ocasionada
por incluir o efeito de outras variáveis, ainda que
de forma não tendenciosa, o que leva ao obscu-
recimento do efeito em estudo. A decisão de
misturar alguns lotes é razoável e precisa ser
ponderada pelo pesquisador, levando em conta
se irá priorizar o poder do teste ou a generaliza-
ção. Entretanto, considerando que normalmente
queremos generalizar nossas conclusões para o
futuro, e que não podemos viajar no tempo, a
representatividade paralela ideal raramente é
possível e geralmente teremos que julgar com
base na razoabilidade até onde podemos gene-
ralizar as conclusões de um estudo.
Em resumo: em estudos de relações, o aspecto
mais importante é proceder de forma a anular
todas as potenciais variáveis de confundimento
(aquelas que podem causar tendenciosidades).
Desta forma, teremos a segurança de que as
diferenças significativas nas variáveis respostas
apenas possam ser atribuídas às variáveis pre-
ditoras estabelecidas no estudo. Adicionalmen-
te, é preciso refletir até que ponto as unidades
amostrais representam o universo amostral
inferido pelo estudo.
3.9 Considerações complementares
3.9.1- Sobre o significado do termo “Indepen-
dência”.
Como vimos, o termo “independência” tem sig-
nificados diferentes, o que gera confusão. Nesta
seção analisaremos o uso do termo e sintetiza-
remos o que vimos nas duas seções anteriores.
Mesmo nos melhores textos de bioestatística o
conceito de independência é apresentado de
forma pouco esclarecedora.
Definição 1: “Por independência queremos dizer
que as observações coletadas em uma réplica
não tem influência sobre as observações cole-
tadas em outra” (Gotelli e Elison 2010). Mesmo
neste excelente livro, a definição não é clara. É
difícil entender como observações coletadas
podem influir sobre outras observações coleta-
44
das. Com esta definição, somos induzidos a
achar que não haveria problema de indepen-
dência no segundo experimento da seção ante-
rior, pois não há nenhuma influência de uma
semente sobre a outra, cada uma está em um
vaso separado. Entretanto, o problema das
sementes não estaria na influência presente de
uma réplica sobre outra durante o experimento,
mas em potenciais diferenças nos “passados
compartilhados” que são fatores comuns a cada
lote de sementes (constituição genética, riqueza
do solo onde foram geradas, tempo de armaze-
namento, qualidade obtida em função da forma
de colheita e transporte, etc.).
Definição 2: “Em probabilidade e estatística,
independência entre variáveis aleatórias ou
eventos significa que a partir do resultado de
um deles não é possível inferir nenhuma con-
clusão sobre o outro” (Wikipédia). A Wikipédia é
uma valiosa fonte para tirar dúvidas de estatísti-
ca, mas não ajudou. O que significa “a partir do
resultado de um deles”? Com dependência ou
sem, nunca podemos inferir um valor a partir de
outro. E se considerarmos vários valores, o
conceito não se sustenta logicamente nem nos
exemplos de jogos de azar. O que significa “não
é possível inferir nenhuma conclusão sobre o
outro”? Se eu jogar um dado muitas vezes (e-
ventos independentes) posso verificar que há
seis números diferentes com frequências seme-
lhantes de ocorrência e posso concluir que a
chance de cair qualquer um deles na próxima
jogada é de 1/6, ao contrário do que propõe a
definição.
É surpreendente que um termo tão importante
na estatística não seja definido de forma mais
apropriada. Estas definições provavelmente
refletem uma visão de estatística predominan-
temente inspirada em jogos, mas que não se
encaixa bem em situações de pesquisa.
A dificuldade existe porque se utiliza um termo
para quatro conceitos diferentes: a independên-
cia genérica, a independência absoluta, a inde-
pendência induzida de amostragens e a inde-
pendência induzida de relações.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

A Independência (genérica) é um termo que se Existe independência induzida de amostragem

aplica quando se obtém as condições necessá- quando as unidades amostrais incluídas na
rias para análises estatísticas não tendenciosas. amostra foram selecionadas de forma represen-
Entretanto, o termo normalmente não é utilizado tativa do universo amostral (representatividade
estritamente com este sentido. A expressão em distribuição). O modelo ideal de indepen-
“independência entre unidades amostrais” é dência induzida de amostragem é a amostra
utilizada com frequência, como se fosse uma aleatória na qual cada unidade amostral tem
característica intrínseca das unidades amos- igual chance de ser escolhida para fazer parte
trais. Mas é importante entendermos que duas da amostra. Entretanto, há outras formas de se
unidades amostrais nunca são independentes obter independência induzida de amostragem.
sob todos os aspectos imagináveis. Você pode- Esta forma de independência é necessária para
ria considerar independentes duas unidades estimativas de medidas coletivas (parâmetros)
amostrais obtidas em lados opostos do mundo, de uma população.
mas elas seriam dependentes em algum outro
aspecto, como, por exemplo, por terem sido Existe independência induzida de relação por
medidas no mesmo ano. Na realidade, entre as representatividade balanceada em estudos com
unidades amostrais tem que haver uma depen- variáveis preditoras e variável resposta quando
dência fundamental: todas devem pertencer à a relação entre cada variável preditora e a vari-
mesma população, que é delimitada por muitas ável resposta não é influenciada ou por uma
características comuns. Na forma como o termo variável de confundimento ou até mesmo pelo
costuma ser usado, não fica claro que estas efeito de uma variável preditora sobre a outra. A
condições variam em função do tipo de análise forma ideal de se obter isto é pela aleatorização
que estamos fazendo. da atribuição de tratamentos descrita na seção
anterior que pode ser obtida em estudos expe-
Dois eventos são “absolutamente independen- rimentais, mas há outras abordagem que po-
tes” se a ocorrência de ambos é aleatória dentro dem se aproximar deste ideal.
do mesmo universo de possibilidades delimita-
do. Depois de tirar uma carta do baralho (e ver
o que ela era), o universo de possibilidades da
segunda retirada é diferente (uma carta conhe-
cida está fora), logo os dois eventos não são
absolutamente independentes, pois um influi
sobre o outro. Apenas com condições idênticas
temos independência absoluta entre eventos.
Este conceito de independência é aplicável em
jogos e em muitos experimentos em física e
química. Algo próximo a isto pode ocorrer em
laboratórios de biologia quando é possível con-
siderar todas as condições biológicas idênticas
(condições climáticas estritamente controladas,
ao se utilizar clones, eficiência do manipulador
padronizada, etc.). Se houver qualquer dúvida
sobre eventuais efeitos de mudanças temporais,
espaciais, genéticas, de eficiência, etc., dentro
do laboratório, que não seja o tratamento em
estudo, é melhor realizar a pesquisa com o
conceito de representatividade balanceada.

45
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
3.9.2- O preço a pagar pela qualidade.
Alta precisão e acurácia são características
desejáveis em medidas, mas não existe medida
perfeita e qualidade tem seu preço, sejam elas
medidas de propriedades de unidades amos-
trais ou medidas de propriedades de popula-
ções. Por exemplo, vale a pena gastar metade
do dinheiro de um projeto para trocar um ins-
trumento de baixa precisão por outro de alta
precisão, comprometendo uma verba que per-
mitiria mais idas ao campo? É razoável delimi-
tarmos o tamanho de um transecto de 200 m
usando passos, ou é necessário sempre utili-
zarmos da precisão de uma trena? Se uma
amostra aleatória é inviável, podemos utilizar
uma amostra menos representativa ou é melhor
desistir do estudo? Um experimento deve ser
cancelado se questões logísticas nos impedem
de realizar as medidas do tratamento e do con-
trole na mesma semana?
Administrar projetos de pesquisa é uma ativida-
de complexa, de forma que não podemos igno-
rar custos, tempo, praticidade e questões logís-
ticas na determinação da precisão e acurácia
que será utilizada. É importante conhecer ideais
metodológicos (e. g. medidas precisas e não
tendenciosas, tamanhos amostrais grandes,
amostragens aleatórias, etc.), mas estes ideais
não são leis metodológicas absolutas, são ape-
nas diretrizes que devem ser levadas muito a
sério. Acontece que há limites logísticos, físicos
e morais que ocasionalmente nos impedem de
medir e coletar dados da forma ideal. É essen-
cial entender a diferença entre um comporta-
mento cuidadoso para evitar interpretações
equivocadas e uma paranoia metodológica (se-
ção 1.5). Um treinamento metodológico não
pode te proibir de agir nestas condições, mas
ensinar como redobrar o cuidado quando for
necessário. Não existe uma única metodologia
correta, existem metodologias apropriadas (ou
não) considerando o contexto e as alternativas
disponíveis para resolver um problema.
Vamos abordar situações concretas. É necessá-
rio diferenciar três situações nas medidas indi-
viduais: a) quando há uma decisão importante a
46
cada medida; b) quando há dificuldade em se
obter os objetos a serem medidos; c) quando o
estudo permite obter várias medidas “indepen-
dentes”.
Nas duas primeiras situações, a prioridade na
precisão é mais alta que na terceira. Por exem-
plo, se estivermos selecionando atletas para
uma olimpíada, não é aceitável a exclusão de
um atleta por erro de medida (cada medida leva
a uma decisão importante). Quando temos difi-
culdade em obter os objetos ou encontrar as
situações de interesse da pesquisa, cada opor-
tunidade deve ser aproveitada ao máximo. O
que se ressalta aqui é que apenas nos casos
em que cada medida for muito importante ou
difícil de ser obtida, a alta precisão justifica alta
prioridade de investimento. Naturalmente, não é
uma questão de investir ou não na qualidade,
mas de quanto investir.
Na terceira situação, temos que separar preci-
são de acurácia. Por causar desvios aleatórios
(i. e. não tendenciosos), a falta de precisão
normalmente não é um problema tão grave na
pesquisa. É um problema indesejável, mas fre-
quentemente pode ser compensado por uma
amostragem maior (com a vantagem de melhor
representatividade). Isto ocorre porque nos
testes de hipóteses estatísticas, as conclusões
são tomadas quando uma tendência (relação
em estudo) é tão forte que pode ser distinta de
variações aleatórias, sejam elas naturais ou de
medida. A falta de precisão pode contribuir para
não termos sucesso em “provar” uma determi-
nada relação, em função de uma amostragem
insuficiente. Isto é considerado um erro menos
sério do que “provar” equivocadamente uma
relação que não existe, como veremos no capí-
tulo 4. Em outras palavras, a falta de precisão
pode atrasar a obtenção de resultados significa-
tivos, mas não aumenta a chance de um falso
positivo. Por outro lado, a falta de acurácia não
pode ser compensada por um aumento no nú-
mero de unidades amostrais medidas. Portanto,
é uma fonte de preocupações nas três situa-
ções.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
É importante que o cuidado com a qualidade da
medida não se torne obsessivo, isto é, prejudi-
cial ao próprio estudo. Por exemplo, digamos
que você esteja fazendo um trabalho de ecolo-
gia vegetal no Pico da Neblina e seu tempo é
muito curto por questões logísticas. É válido
medir transectos com passos para economizar
o tempo de estender a trena em cada transec-
to? Vimos que a falta de precisão não é um
problema sério, mas e se neste processo in-
conscientemente obtivermos uma medida ten-
denciosa que subestima o tamanho do transec-
to? Digamos que esta falta de acurácia resulte
em transectos com 190 m em média ao invés
de 200 m. Qual a gravidade disto? Depende da
questão em estudo. Se você estiver querendo
comparar a densidade de plantas em diferentes
altitudes e cometer o mesmo erro, então a falta
de acurácia seria irrelevante, pois todos os tran-
sectos serão do mesmo tamanho, que é o que
importa para que sejam comparáveis. Entretan-
to, se o objetivo for obter medidas precisas de
densidade para comparar com outros locais,
então quanto maior for o desvio, maior será o
problema com o resultado. Provavelmente, uma
sub-estimativa de 5% na área de cada transecto
não tenha muita relevância, neste exemplo em
particular.
Alguns dos problemas mais graves ligados à
qualidade dos dados aparecem quando esta-
mos tomando uma medida por outra. Um exem-
plo clássico é a utilização de provas para medir
coeficientes de inteligência, como se uma prova
destas conseguisse captar conjuntamente a
complexidade dos diferentes tipos de inteligên-
cia. O máximo que estes testes poderiam medir
é a capacidade das pessoas de se saírem bem
neste tipo de teste. Podemos considerar pro-
blemas deste tipo como falta de acurácia por
indefinição de um padrão de referência para
calibrar as medidas. Na seção 1.5 vimos outros
problemas de validação da medida ligados a
esta falta de acurácia inclusive um com variável
binária. Ao perguntarmos a meninos se eles
sabiam nadar, a resposta (sim ou não) era ten-
denciosa (muitos não sabiam, mas tinham ver-
gonha de responder a verdade), a das meninas
também era, mas de forma menos intensa. Des-
47
ta forma, mesmo sem diferença na habilidade
de nadar, concluiríamos que os meninos têm
mais habilidade. Este exemplo ilustra os riscos
da falta da acurácia em medidas em qualquer
escala.
Os conceitos de precisão e acurácia aplicam-se
melhor a valores quantitativos, mas podem ser
generalizados para outras escalas de medida.
Quando estamos com uma variável ordinal,
podemos obter maior precisão quanto maior for
o número de categorias ordinais. Por exemplo,
se queremos avaliar a sensação térmica de
pessoas, teremos menos precisão com uma
escala de três níveis efetivos (quente, agradá-
vel, frio) do que uma de cinco níveis efetivos
(muito quente, quente, agradável, frio e muito
frio). Entretanto, escalas ordinais exigem um
cuidado redobrado na análise, pois muitas ve-
zes é difícil avaliar acurácia nestas condições
(e. g. qual o valor real de “muito frio”?). Quando
falamos em escala categórica, temos uma situ-
ação similar. Nem sempre os limites de uma
categoria são claros. Qual é o limite onde o
vermelho deixa de ser vermelho para se tornar
laranja? O resultado de um exame de sangue
pode ser positivo ou negativo (logo binário) para
malária, entretanto, há uma incerteza (pode ser
um falso positivo) que diminui em função da
quantidade de amostras e da experiência de
quem analisa o exame. Por isto, os erros de
atribuição de categorias também podem ser
considerados erros de precisão (se não forem
tendenciosos) ou de acurácia (se forem tenden-
ciosos).
Como vimos na seção 3.6, a acurácia na medi-
da de um parâmetro é maximizada quanto me-
lhor a representatividade amostral. Se a amos-
tragem aleatória não é possível, o que é muito
comum, procure o método de coleta que mais
se aproxima daquilo que você esperaria obter
em uma amostra que fosse aleatória. Há muitas
formas sistemáticas de coletar os dados que
permitem obter amostras representativas. Tam-
bém há formas de analisar os dados para obter
resultados mais representativos (e. g. a média
ponderada). Se nada disto for possível, procure
coletar amostras o mais distante possível dentro
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

da área de estudo. Tente evitar associar alguma

variável que poderia dar um viés à coleta. Por
exemplo, se quer investigar o interesse de uma
população por futebol, o último lugar onde vai
obter uma amostra representativa é em um
estádio de futebol. Entrevistar pessoas na rua
em diferentes bairros não é o ideal, pois exclui
grupos de pessoas que andam pouco na rua,
como idosos. Telefonar para pessoas também
pode excluir pessoas que não tem dinheiro ou
interesse em ter um telefone. Entretanto, se
você fizer as duas coisas e os resultados forem
semelhantes, então tem uma indicação que
estas formas de amostrar não foram tão ruins.
Outra opção é simplesmente reduzir o universo
de estudo ao grupo com o qual se pode traba-
lhar e tirar conclusões apenas sobre este grupo.
Por exemplo, seu estudo pode ser sobre o inte-
resse em futebol das pessoas que andam na
rua.

Como vimos na seção 3.8, a questão da inde-

pendência no estudo de relações é um proble-
ma fácil de resolver em abordagens experimen-
tais normais, nas quais podemos escolher alea-
toriamente quais entidades receberão quais
tratamentos. Entretanto, quando isto não é pos-
sível é bem mais complicado analisar causali-
dade. Este assunto será aprofundado no capítu-
lo 6.

48
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Exercícios:
1) O que são escalas de medida? Apresente um
exemplo original de cada uma delas.
2) Faça um gráfico EPR com três níveis de me-
dida ordinais no eixo x e com cinco níveis quan-
titativos no eixo Y. Represente 20 entidades
neste gráfico.
3) Explique por que dividir a escala quantitativa
em “números contínuos” e “números descontí-
nuos” não resolve o problema da descontinui-
dade.
4) O fato de um valor pertencer a uma escala
não implica que ele não possa pertencer a outra
escala ao mesmo tempo. Explique.
5) Explique e exemplifique as incertezas na
atribuição de valores nominais e ordinais.
6) Faça uma ilustração representando alvos
atingidos por uma espingarda com a) alta preci-
são e alta acurácia; b) alta precisão e baixa
acurácia; c) baixa precisão e alta acurácia;
d) baixa precisão e baixa acurácia.
7) Explique porque o Intervalo Interquartil é uma
medida de dispersão (ou imprecisão) melhor
que a amplitude total para comparar a dispersão
de amostras com número de observações dife-
rentes.
8) Em que o desvio padrão é mais conveniente
que intervalos interquartis como medida de
dispersão e quando a utilização de desvios
padrões não é apropriada.
9) Alguns textos usam o termo “erro” para a
dispersão de dados em função da imprecisão
da medida e para a variação natural. Explique
por que isto não é apropriado.
10) Faça um histograma com 24 valores que
represente uma distribuição bastante próxima
do esperado para uma população com distribui-
ção normal e um segundo histograma com 24
valores com uma distribuição muito fora do es-
perado para uma população com distribuição
49
normal. Coloque nomes nos eixos ilustrando um
exemplo de um estudo biológico imaginário.
11) Cite usando exemplos de variáveis originais
a) um parâmetro populacional para uma variável
binária; b) dois parâmetros populacionais para
uma variável ordinal; c) três parâmetros popula-
cionais para uma variável quantitativa; d) um
parâmetro multivariado.
12) Quando a mediana e a moda são medidas
mais úteis?
13) Para que utilizamos intervalos de confiança
em estudos biológicos?
14) Qual a diferença na utilidade do desvio pa-
drão e do erro padrão.
15) No “Bootstrap”, o computador “cria” “pseu-
dopopulações” pela clonagem dos dados. Expli-
que como isto permite determinar intervalos de
confiança pela exclusão de extremos.
16) Explique por que acurácia é mais importante
que a precisão quando estamos estimando
parâmetros populacionais?
17) Explique diferença entre a independência
induzida de amostragem e a independência
induzida de relação quanto à forma de ser obti-
da e quanto à sua aplicação.
18) Explique a dificuldade que existe na defini-
ção do termo “independência” em contextos
estatísticos.
19) O que é “paranoia metodológica” e porque
nem sempre podemos seguir ideais metodológi-
cos?
20) Podemos falar em precisão e acurácia em
escalas de medidas ordinal, categóricas e biná-
rias?
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

4. A lógica dos testes de

hipóteses

Uma das funções mais importantes da estatísti-

ca é fornecer ferramentas que ajudam a “testar”
hipóteses. O assunto é tão central em livros e
cursos de estatística que algumas pessoas
acham que se trata de um assunto dentro da
estatística (Fig. 4.1-A). Em função disto, é con-
veniente chamar a atenção para o fato que nem
todos os testes de hipóteses envolvem estatísti-
ca. Testes de hipóteses sem estatística são
extremamente comuns, não apenas em filmes
de Sherlock Holmes, como no seu cotidiano e
em muitas pesquisas científicas (seção 1.4).
Além disto, mesmo quando se utiliza estatística, Figura 4.1- O assunto teste de hipóteses não é algo que está
o teste de hipótese é algo mais amplo que o dentro da estatística como simbolizado na figura A. O teste
teste estatístico (Fig. 4.1-B). O assunto deste de hipóteses é algo mais amplo que pode utilizar importan-
tes ferramentas estatísticas (área de sobreposição na figura
capítulo é a lógica dos testes estatísticos dentro B).
do contexto mais amplo dos testes de hipóte-
ses. Um biólogo estudava uma espécie de formiga
que caça em grupos de cerca de 20 indivíduos,
4.1 O método hipotético dedutivo captura cupins a até 200 m de distância do ni-
nho e depois retorna ao ninho. Ele se pergun-
tou: como elas acham o caminho de volta?
Testar uma hipótese (vamos chamá-la de hipó-
(Questão). Ele sabia que as formigas utilizam
tese de trabalho) envolve (a) deduzir conse-
pistas químicas, mas há um risco alto delas
quências (previsões) dela, (b) verificar que ocor-
acidentalmente perderem a trilha, por isto achou
reu o que ela previu e (c) conseguir rejeitar to-
que elas poderiam estar utilizando outras pistas
das as explicações (hipóteses) concorrentes
para encontrar seus ninhos. Então, ele levantou
razoáveis para o que foi observado. A rejeição
a hipótese que elas usavam também referenci-
das hipóteses concorrentes é tão essencial ao
ais espaciais (árvores e arbustos ao redor) para
processo quanto a verificação do previsto pela
achar o caminho de volta. Então, ele esperou as
hipótese de trabalho. Quando a previsão da
formigas se afastarem 100 m do ninho e pren-
hipótese de trabalho coincide com a previsão de
deu-as sob um balde, retirou uma camada su-
uma hipótese concorrente, não podemos con-
perficial de solo da área ao redor do ninho, mar-
cluir que nossa hipótese foi corroborada pelos
cou as formigas com uma tinta não tóxica e
fatos. Para não perdermos tempo, a fase “a”
soltou-as. No dia seguinte, ele voltou ao formi-
precisa ser planejada prevenindo problemas
gueiro e encontrou as formigas marcadas lá.
com a fase “c”, isto é, para contrastar hipóte-
Desta forma, ele concluiu que as formigas são
ses, você precisa criar ou buscar situações
capazes de encontrar o ninho mesmo sem as
em que as previsões da hipótese de trabalho
pistas químicas e devem possuir uma capaci-
sejam divergentes das previsões das hipóte-
dade de orientação com base em referências
ses concorrentes. Esta afirmação será expli-
espaciais. Veja como este procedimento envol-
cada ao longo deste capítulo, vamos começar
ve contrastes de previsões.
analisando um exemplo.

50
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

A previsão da hipótese era que as formigas Ainda há uma hipótese a considerar: as formi-
conseguiriam retornar ao ninho (pois podem gas poderiam ter conseguido retornar por sorte.
utilizar referenciais espaciais). Entretanto, a Poderiam ter andado a esmo pela área e por
mera observação das formigas de volta no ni- acaso encontrado a pequena abertura do formi-
nho não teria nenhum valor sem a eliminação gueiro. Entretanto, procure imaginar a situação,
dos rastos com a remoção do solo, pois elas não eram 2m ou 10 m, eram 100 m. É uma
poderiam ter retornado utilizando apenas as distância enorme para as formigas andarem ao
pistas químicas. O biólogo ainda marcou as acaso e encontrarem o formigueiro apenas por
formigas para eliminar a possibilidade de estar sorte. Seria muito mais provável que elas sim-
confundindo os indivíduos do estudo com outras plesmente se perdessem se não tivessem orien-
formigas do ninho, ou até com formigas de outro tação. A hipótese de terem encontrado ao aca-
ninho que tivessem aproveitado a oportunidade so é tão improvável que pode ser tranquilamen-
do ninho vazio. Alguém poderia questionar a te descartada.
validade de um experimento que prendeu formi-
gas sob um balde, trocou o solo e as marcou O exemplo acima ilustra o que chamamos de
com tinta, o que certamente poderia ter afetado Método Hipotético Dedutivo de Julgamento
o comportamento delas. Entretanto, estas criti- Centrado (Fig. 4.2), no qual há uma hipótese de
cas não comprometem a interpretação do resul- trabalho em uma posição central, pois é dela
tado, pois o que poderíamos prever desta per- que parte a previsão que queremos verificar, e
turbações é que elas apenas poderiam atrapa- hipóteses concorrentes de diversos tipos que
lhar as formigas, de nenhuma forma poderiam precisam ser derrubadas para dar significado ao
ajudá-las. O fato é que mesmo com estas per- que foi verificado (i. e. estabelecer a causalida-
turbações, elas conseguiram chegar ao formi- de correta).
gueiro. Outra pessoa poderia questionar a inter-
pretação dizendo
que as formigas
poderiam ter se
orientado com base
no eixo magnético
da terra, utilizando
uma “bússola” inter-
na. Ele poderia ter
respondido que esta
possibilidade não
pode ser excluída,
mas que não parece
razoável, pois já foi
demonstrada a ca-
pacidade de orien-
tação por referenci-
ais espaciais em
outros himenópte-
ros, mas nunca foi
demonstrada a ca-
pacidade de orien- Figura 4.2- Duas formas de contrastar hipóteses. O método hipotético dedutivo pode utilizar
tação magnética em ambas, primeiro uma fase de julgamento competitivo para selecionar uma hipótese de trabalho
e depois um julgamento centrado no qual a hipótese de trabalho é contrastada com outras
insetos. hipóteses

51
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Na realidade, o processo completo de teste de
hipóteses frequentemente se inicia com a esco-
lha da hipótese de trabalho com base em um
Método Hipotético Dedutivo de Julgamento
Competitivo. Veremos que há um risco em cada
teste de hipótese por julgamento centrado, de
forma que uma seleção preliminar de hipóteses
relevantes e objetivas é parte essencial do pro-
cesso de pesquisa.
4.2 Estabelecendo hipóteses de
trabalho
A estratégia mais utilizada de método hipotético
dedutivo na pesquisa científica separa a solu-
ção do problema em duas etapas, antes e de-
pois da formulação da hipótese de trabalho.
Conscientemente ou não, os pesquisadores
costumam utilizar Julgamento Competitivo na
primeira fase e Julgamento Centrado na segun-
da.
Este processo é utilizado na solução de crimes.
A princípio, qualquer habitante da terra poderia
ser o culpado de um determinado assassinato
(= bilhões de hipóteses). Não podemos julgar o
mundo inteiro, por isto precisamos de uma in-
vestigação para chegar a um suspeito ou a um
grupo de suspeitos que trabalhou junto para
realizar o crime (= 1 hipótese de trabalho). De-
pois, há uma busca de evidências que apoiem a
hipótese e então o caso é levado a julgamento.
No momento do julgamento nós nos concen-
tramos em uma única pessoa ou grupo de pes-
soas que poderia ter trabalhado junto para reali-
zar o crime. Reduzimos bilhões de hipóteses a
apenas duas: os réus são culpados ou os réus
são inocentes.
A fase da determinação de qual é o principal
suspeito de cometer um crime pode ser tão
simples que acontece inconscientemente ou tão
complexa que nem conseguimos chegar a um
suspeito qualificado. Nossa mente possui me-
canismos de escolha tão rápidos que, em algu-
mas situações, você nem percebe que fez uma
escolha. Certamente nossa primeira opção re-
cairá antes em uma pessoa agressiva do conví-
vio da vítima que na possibilidade de ter sido
52
uma simpática velhinha. Nesta fase, é difícil
colocar regras, pois até descobertas casuais
podem ser vitais. Entretanto, certamente há
diretrizes de ações, como entrevistar conheci-
dos da vítima, recolher materiais da cena do
crime, etc., juntando peças até começar a se
formar um quadro. Em situações complexas, é
importante começar com a mente aberta para
qualquer possibilidade razoável e submetê-las a
o processo de competição de hipóteses, como
em um campeonato para ver o melhor time,
frequentemente com diferentes etapas até che-
gar ao suspeito qualificado (ou grupo suspeito
que trabalhou junto). Normalmente ainda existe
uma fase adicional para verificar a suficiência
de evidências antes de se levar o suspeito a
julgamento.
O mesmo se aplica à pesquisa. Como apontou
o filósofo da ciência Karl Popper, “não importa”
como você chega à sua hipótese. O importante
é a nossa disposição em submetê-la a “testes”
(contrastes) e que estejamos dispostos a colo-
cá-la de lado se a evidência contrária for forte.
(como ocorre em um tribunal). Quando Popper
disse que “não importa”, significa apenas que
não há uma regra obrigatória, a fase de chegar
à hipótese de trabalho é extremamente impor-
tante, e há diretrizes. É preciso refletir muito,
pois nem toda hipótese justifica um financia-
mento ou o investimento em tempo. É necessá-
rio selecionar hipóteses relevantes e coerentes.
Ao definir uma hipótese de trabalho, automati-
camente definimos duas hipóteses: ela mesma
e a hipótese complementar que ela está errada,
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
(mesmo se a previsão se realizar) que chama-
remos de “Hipótese da Negação” ou HN. Há
uma diferença entre as duas, a hipótese de
trabalho é uma hipótese autônoma, isto é, per-
mite previsões por si só (e. g. As formigas con-
seguem retornar ao ninho por referências espa-
ciais). Por outro lado, a HN só pode “prever”
que a hipótese de trabalho vai se mostrar insa-
tisfatória em algum momento quando conhe-
cermos mais o fenômeno, o que é muito vago
(Se as formigas chegaram ao ninho, o motivo
não foi a capacidade de utilizar as referências
espaciais). Não podemos contrastar hipóteses
se não há previsões autônomas a se contrastar.
No entanto, podemos dividir a HN em cinco
hipóteses autônomas: a Hipótese da Inflação de
Testes, a Hipótese da Medida Inapropriada, a
Hipótese de “Outras Causas”, a Hipótese da
Falha de Representatividade e a Hipótese do
Acaso (Fig. 4.2).
4.3 Controlando a inflação
Por que uma seleção preliminar de hipóteses
relevantes e objetivas é parte essencial do pro-
cesso de pesquisa? Por que não sair por ai
coletando dados simplesmente e depois ver
aonde chegamos? Seria apenas uma questão
de custo do processo de testar muitas hipóte-
ses? Acontece que as argumentações a favor
de hipóteses de trabalho se baseiam na proba-
bilidade de hipóteses concorrentes. Algo impro-
vável é algo raro, mas não algo impossível,
senão nem seria testado. O problema é que a
observação ou um resultado raro não prova
nada se não soubermos quantas outras obser-
vações ou testes foram feitos para se chegar a
este resultado “raro”. Vamos entender isto ana-
lisando dois exemplos.
Podemos analisar cientificamente se pessoas
com alegadas capacidades extrassensoriais
podem ajudar na solução de crimes? Claro que
sim. Chame a pessoa que diz ter estes poderes,
escolha um crime não resolvido aleatoriamente
e peça para ela predizer com precisão onde
está um corpo desaparecido. Se ela conseguir
prever que o corpo está enterrado do lado do
terceiro pinheiro à esquerda da caverna do ur-
53
so, pode contratá-la. Alguém dirá: “Por que
perder tempo com este teste se já há vários
registros ‘confiáveis’ de pessoas que previram
coisas que resolveram crimes; estes registros
não bastam para provar a existência da mediu-
nidade?” O problema é que estes registros não
teriam se tornado registros se a adivinhação
não fosse correta, teriam caído no esquecimen-
to, de forma que não sabemos a taxa de fracas-
so. Imagine que milhares de pessoas fazem
centenas de previsões ousadas. Fatalmente
algumas destas previsões serão corretas. Por
isto, não basta te mostrarem alguns registros
impressionantes, isto não prova nada. Não dá
para confiar porque sabemos que houve uma
inflação de testes. Nossa estatística intuitiva é
fraca para lidar com alguns tipos de cálculos de
probabilidade e há coisas em que queremos
acreditar ignorando o razoável. Por que pesso-
as com alegadas capacidades extrassensoriais
nunca decidem quebrar a banca dos cassinos
ao invés de tentar nos convencer dos seus po-
deres? Tomamos decisões com base em pro-
babilidades isoladas, mas tudo muda quando
temos muitos testes. As observações do passa-
do são úteis para levantar hipóteses (e. g. de
possíveis médiuns), mas devem ser vistas com
muita desconfiança como provas se não tiver-
mos informações adicionais suficientes.
Na bolsa de valores há corretores que são con-
siderados geniais com base na proporção das
ações que eles recomendaram e que tiveram
lucros excepcionais, e eles são contratados com
salários milionários. Será que eles valem estes
salários ou são simplesmente os ganhadores na
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
loteria das bolsas? Estudos mostraram que,
depois dos sucessos excepcionais, estes corre-
tores “brilhantes” não tinham mais sucesso que
corretores medianos. Não percebemos isto
porque nossas convicções que o sucesso está
ligado à competência são tão fortes que nos
cegam para perceber que muitas vezes o su-
cesso é fortemente influenciado pelo acaso.
Resultados extremamente positivos são evidên-
cia de competência, mas a evidência torna-se
fraca se o número de tentativas for elevado.
Achamos que alguns corretores são brilhantes
com base em seus resultados extremamente
positivos porque esquecemos que há milhares
de corretores realizando milhões de operações
durante anos.
A inflação de testes certamente é principal cau-
sa de falsas evidências não intencionais publi-
cadas na ciência. Muitas pessoas acham que o
uso de estatística as torna imunes ao risco dos
cometer estes erros. Trata-se de um problema
real que não recebe a atenção devida em cur-
sos de metodologia. A principal forma de anu-
lamos ou minimizamos a hipótese da inflação
de testes é dividir o problema em duas fases
(Julgamento Competitivo e Julgamento Centra-
do). Evitamos uma inflação de testes deixando
para a segunda fase apenas uma hipótese mais
relevante a ser testada (ou minimizamos com
poucas hipóteses). A hipótese da inflação de
teses é um complemento da hipótese do acaso.
Se você ficar testando muitas possibilidades,
você vai distorcer no conjunto o significado de
cada teste individual. Uma pesquisa não precisa
se restringir a uma hipótese de trabalho. Pode
haver várias questões e hipóteses envolvendo o
tema em estudo, mas é importante restringir os
testes a hipóteses relevantes para não escolher
apenas os resultados significativos. Voltaremos
a este assunto quando abordarmos testes múl-
tiplos no capítulo 7.
4.4 Descartando hipóteses com
procedimentos
As hipóteses da inflação de testes, da medida
inapropriada, das outras causas e da represen-
tatividade frequentemente são “derrubadas”
54
ainda antes da coleta de dados com base em
procedimentos preventivos e na razoabilidade.
Vimos na seção anterior como eliminar ou mi-
nimizar a hipótese da inflação de testes com o
procedimento preventivo de escolher bem as
hipóteses que vamos testar.
A hipótese de medida inapropriada tem a previ-
são: a calibragem do instrumento ou método
está errada e os valores estão fora do padrão
(sem acurácia). Se esta verificação for feita
depois da coleta de dados, e um erro for consta-
tado, possivelmente o melhor seja descartar os
dados. Entretanto, naturalmente é melhor des-
cartar a hipótese com o procedimento de cali-
bração regular de instrumentos e de métodos e
verificando que as atribuições de valores nomi-
nais ou ordinais não é tendenciosa. Erros de
precisão não entram na hipótese de Medida
Inapropriada porque não são tendenciosos.
A hipótese das outras causas tem uma previsão
vaga: algum fator tornou-se uma variável de
confundimento levando ao estabelecimento de
uma relação espúria (estudos bi ou multivaria-
dos). Embora a previsão seja vaga, esta incer-
teza pode ser eliminada em estudos experimen-
tais, pois todas as potenciais variáveis de con-
fundimento pré aleatorização são descartadas
no procedimento de aleatorização da atribuição
de tratamentos por unidade amostral (seção
3.8). Portanto, a menos que seja cometido al-
gum erro depois do estabelecimento de trata-
mentos, a Hipótese de outras causas é automa-
ticamente eliminada. Em estudos amostrais a
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
situação é bem mais complexa e será tratada
no Capítulo 6.
A previsão da hipótese de falha de representati-
vidade também é um pouco vaga: A amostra
obtida no estabelecimento de um parâmetro não
representa bem o Universo Amostral de forma
que a conclusão com os dados do estudo não
pode ser generalizada para a população de
interesse. Normalmente, isto se torna um pro-
blema com amostras com unidades amostrais
agrupadas em uma situação de variações nos
valores da variável em estudo não distribuídas
homogeneamente no espaço e/ou no tempo. A
melhor forma de lidar com isto é a busca de
unidades amostrais escolhidas aleatoriamente
em toda a população estatística em considera-
ção, mas ainda há outras técnicas válidas con-
forme a situação (seção 3.7). Infelizmente, nem
sempre isto é possível. Há situações em que se
pode descartar esta hipótese por razoabilidade,
mas, principalmente em estudos com hipóteses
univariadas, é necessário levar esta hipótese
muito a sério.
A hipótese do acaso tem a previsão que as
coisas saíram dentro do esperado pela hipótese
de trabalho por mero acaso. Como derrubar
uma hipótese destas? Qual é concretamente a
previsão? Eventualmente ela pode ser descar-
tada por razoabilidade, como no exemplo das
formigas do início do capítulo. Na próxima se-
ção veremos como a hipótese do acaso pode
ser descartada estatisticamente e que a previ-
são é um modelo matemático de frequências
esperadas específico para a situação em análi-
se.
Para resumir o descarte de hipóteses com pro-
cedimentos preventivos, vamos ver como ele
funcionou no exemplo das formigas. O biólogo
que estudou formigas planejou seu estudo de
forma a não tropeçar em questões do tipo:
“...mas não poderia ter sido...”.. Ele se preparou
para ser questionado de várias formas: Q1) “...
mas não poderia ter sido porque você realizou
muitos testes e apenas nos está mostrando
aquele que deu positivo?” Resposta: Não, eu só
realizei este teste durante o estudo. Q2) “Mas
55
não poderia ter sido porque você usou uma
medida inapropriada?” R: A medida foi um “sim”
ou “não” para o retorno das formigas, não há
como se enganar com o significado da medida.
Q3) “Mas este resultado pode ser considerado
representativo para a espécie?” R. Nunca se
pode ter certeza absoluta que todas as formigas
desta espécie tenham esta capacidade, mas é
muito mais razoável esperar que este compor-
tamento extremamente adaptativo seja comum
na espécie do uma mutação casual justamente
na colônia escolhida para a pesquisa. Q4) “Mas
o retorno das formigas não poderia ser por outro
motivo?” R: Antes do trabalho imaginamos al-
gumas possibilidades: a) achar formigas na
colônia que fossem de outro grupo ou até inva-
soras, por isto marcamos as formigas; b) pen-
samos que as formigas poderiam encontrar
trilhas químicas antigas ao redor da colônia, por
isto trocamos o solo de todo o entorno. Q5)
“Mas as formigas não poderiam ter achado a
colônia por sorte?” R. Esta opção nunca pode
ser totalmente eliminada, entretanto, conside-
rando o velocidade do deslocamento das formi-
gas, a distância de 100 m e o pequeno tamanho
da entrada do formigueiro, avaliamos que esta
probabilidade seria muito menor do que uma em
1000.
Vejamos outro exemplo com as mesmas formi-
gas no qual a hipótese do acaso será derrubada
a partir de um cálculo de probabilidade. O cálcu-
lo de probabilidade será tratado na próxima
seção, mas vamos explorar aqui as hipóteses
descartadas por procedimentos.
Nosso amigo biólogo percebeu que as formigas
são muito mais comuns em solo argiloso, embo-
ra tanto este solo como o solo arenoso sejam
comuns na floresta onde elas ocorrem. Possi-
velmente a formiga não seja capaz de diferenci-
ar entre tipos de solo e simplesmente é mais
abundante onde encontra mais alimentos e
menos inimigos naturais. Por outro lado, se ela
sobrevive e se reproduz mais em um tipo de
solo, seria vantajoso se ela tivesse a capacida-
de de evitar o outro tipo de solo. Então ele deci-
diu testar a hipótese que as rainhas jovens es-
colhem o tipo de solo onde fundam suas colô-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
nias. Sua previsão é que rainhas jovens levadas
ao laboratório e mantidas em arenas com solo
argiloso de um lado e arenoso do outro escava-
rão com maior frequência o primeiro tipo de
solo.
Com relação à medida, veja que não estamos
medindo preferência diretamente (não podemos
entrevistar as formigas). Entretanto, se houver
preferência por um tipo de solo, é razoável as-
sumir que a frequência de escolha por um tipo
de solo possa ser utilizada como uma medida
de preferência, desde que não haja interferência
de outra variável nesta escolha do solo (como
veremos adiante).
Com relação à representatividade, não temos
validação externa de amostragem porque cole-
tamos rainhas jovens apenas de uma área.
Entretanto, podemos argumentar que temos
validação externa por razoabilidade. No caso de
um resultado positivo, é mais razoável esperar
que este comportamento adaptativo seja co-
mum à espécie do uma mutação restrita à popu-
lação da área da coleta. Raramente temos vali-
dação externa de amostragem em estudos eco-
lógicos. É preciso avaliar a razoabilidade de
uma validação externa conforme o caso, e lem-
brar que razoável não significa certo. Por outro
lado, ainda que o comportamento não esteja
presente em toda a espécie, encontrá-lo em
uma população não deixa de ser interessante.
Com relação à hipótese de outras causas, foi
levantada a possibilidade da disposição dos
tipos de solo no laboratório interferir no resulta-
do. A escolha do solo poderia ser influenciada
por sons e movimentos na proximidade do labo-
ratório. Ainda que houvesse pouco som e mo-
vimento, não podemos excluir a possibilidade
das formigas serem bastante sensíveis a eles.
Por isto, a disposição dos tipos de solo foi de-
terminada aleatoriamente.
Alguns fatores não podem ser eliminados, mas
ainda assim não comprometem a interpretação
do resultado. Por exemplo, é razoável supor
que o comportamento das formigas seja afetado
pelo fato de estarem em cativeiro. Entretanto,
56
temos que pensar como uma mudança de com-
portamento afetaria o resultado do trabalho.
Possivelmente a formiga ficasse mais ativa, ou
menos ativa. Possivelmente deixe de se preo-
cupar em escolher solo quando está estressada
em cativeiro. Entretanto, não é uma previsão
razoável supor que a formiga fosse incapaz de
perceber o solo na natureza e começasse a
perceber quando estivesse sob estresse em
cativeiro. Portanto, se as formigas não diferirem
no solo utilizado para escavar, o resultado é
inconclusivo, pois não podemos saber se foi um
efeito de mudança comportamental. Entretanto,
se uma diferença fosse encontrada, ela não
poderia ser associada a um efeito do cativeiro
sobre a preferência.
Restou apenas uma hipótese a descartar: A
maior frequência de escavações no solo argilo-
so não poderia ter ocorrido por mero acaso?
4.5 Descartando a hipótese do acaso
A forma mais tradicional de derrubar estatisti-
camente a hipótese do acaso é chamada de
Teste de Significância de Hipótese Nula.
(TSHN) (Wood, 2012). A abordagem parte do
princípio que os problemas na obtenção de
dados discutidos anteriormente foram todos
eliminados por procedimento (a amostra é re-
presentativa, a medida foi apropriada, não hou-
ve inflação de testes e o desenho amostral ex-
clui a possibilidade de variáveis de confundi-
mento). Portanto, se o observado coincide com
o previsto pela hipótese de trabalho, restam
apenas duas opções: a hipótese de trabalho
está certa ou a coincidência ocorreu por mero
acaso. Neste ponto entra a característica mar-
cante do TSHN: o cálculo da probabilidade do
obtido ter ocorrido por acaso e a comparação
desta probabilidade com um valor limite pré-
definido.
A Hipótese Nula, geralmente simbolizada como
Ho, é normalmente a negação de uma hipótese
de trabalho afirmativa prevendo diferenças. Por
exemplo, se sua hipótese de trabalho é que há
um efeito de certo tratamento sobre uma variá-
vel resposta (e você prevê diferença entre tra-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
tamento e controle), a hipótese nula é que não
há. A hipótese nula é uma ideia que se trans-
forma em um modelo matemático. Você faz de
conta que ela é verdadeira, considera as carac-
terísticas dos dados da sua amostra e calcula
probabilidades esperadas. Podemos calcular a
probabilidade esperada de 8 de 10 plantas te-
rem alto crescimento no tratamento contra 2 de
10 no controle quando não há efeito de trata-
mento (hipótese nula de proporções iguais;
P<0.01- para diferenças iguais ou mais extre-
mas; teste de 2 proporções de duas caudas).
Não se preocupe agora como se chega a estas
probabilidades, o que importa é entender que a
previsão da hipótese nula são valores de fre-
quência esperados para cada resultado possí-
vel. É possível rejeitar uma hipótese nula quan-
do a probabilidade encontrada for muito baixa,
mas não podemos provar que a hipótese nula
está correta, isto é, garantir que o efeito foi uni-
camente por acaso, mesmo com um valor alto
de probabilidade (seção 4.6). O TSHN é uma
abordagem apropriada quando a hipótese de
trabalho é afirmativa. Entretanto, uma hipótese
de trabalho pode ser negativa e prever uma
semelhança, como quando temos a hipótese
que certo remédio genérico tem um efeito equi-
valente a outro remédio de marca ou quando
sua hipótese é que duas espécies com compor-
tamentos diferentes consomem proporções
semelhantes de um tipo de presa, quando estu-
dos anteriores sugerem que a dieta neste caso
deveria ser muito diferente. Nesta situação há
abordagens melhores que o TSHN (seção 4.7).
A abordagem TSHN é poderosa a ponto de
“provar o improvável”. Se uma pessoa disser
que desenvolveu a habilidade de controlar a
forma de jogar a moeda para cair cara, você
desconfia. Qual é a probabilidade dela realmen-
te ter a habilidade? Posso achar improvável
porque nunca ouvi falar que alguém pudesse
fazer isto e porque a precisão necessária ao
jogar uma moeda e obter uma face escolhida
parece além da capacidade humana. Também
posso achar provável porque conheço a pessoa
e sei que ela é hábil e não mentiria para mim.
Esta probabilidade calculada “sem dados”, deri-
vada de informações inerentes à situação é
57
muito importante e funciona muito bem em di-
versas circunstâncias. Pode até ser bastante
precisa, por exemplo, acreditamos que a chan-
ce de cair “cara” é de 50% principalmente por
intuição, pois uma moeda tem dois lados prati-
camente iguais. Em situações de emergência e
em condições especiais podemos utilizar a intu-
ição. Entretanto, a intuição pode ser muito sub-
jetiva e incerta. Há outra forma. Pedir para esta
pessoa jogar as moedas algumas vezes e “cal-
cular a probabilidade com base nos resulta-
dos”. Quando fazemos isto, não estamos cal-
culando a probabilidade dela ter a habilida-
de, mas dos dados apoiarem a hipótese que
ela tem quando na realidade não tem. Então
você pede a ele que mostre.
A pessoa te mostra que a moeda tem “cara” e
coroa (descartando a hipótese de moeda com
duas caras). A moeda dá várias voltas no ar e
cai com a face “cara” para cima. Você sorri, mas
não se convence. Você sorri porque pensa que
deve ser uma coincidência, mas não se con-
vence porque não é uma coincidência tão im-
provável para te impressionar. Você não acredi-
ta que uma pessoa possa ter tanta habilidade
para contar o número de voltas e parar a moeda
do lado escolhido. Trata-se de uma hipótese
que parece muito improvável com base no seu
conhecimento cotidiano. Entretanto, ela lança a
moeda mais vezes e continua acertando. Você
para de sorrir e começa a ficar cada vez mais
impressionado (a) a cada novo acerto. E depois
de 10 lances você mudou de ideia, abandonou
a hipótese do acaso completamente e está intei-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

ramente convencido que a pessoa possui a tal
habilidade. É verdade que não se pode descar-
tar totalmente a hipótese do acaso, mas a
chance de acertar 10 vezes seguidas por acaso
é menor que uma em 1.000 (Tab. 4.1). Embora
a habilidade de controlar o lance de moeda seja
impressionante, é menos impressionante do
que acertar um número em mil na primeira ten-
tativa. Se uma hipótese de trabalho estiver cer-
ta, quanto mais informação obtiver, maior será o
acúmulo de informação contrária à hipótese do
acaso. É importante entender este conceito, que
é a base do processo de rejeição do TSHN.
(Não se preocupe com as fórmulas matemáticas
que eventualmente apareçam no texto, como na
Tab. 4.1 e no Quadro 4.1, mais importante é
entender o processo.)
A situação foi colocada de forma muito rigorosa
na Tabela 4.1, a pessoa teria de acertar todas
as vezes. Mas e se ela errar de vez em quan-
do? Digamos que acerte 19 de 20 jogadas.
Ainda é convincente que ela tem a habilidade.
Mas e se ela acertar 70%? E se ela acertar
55%? Certamente seria algo bem menos con-
vincente, mas pelo menos serve como evidên-
Número de acertos  nuindo até valores absurdamente improváveis.
seguidos Probabilidade
1 0.5
2 0.25
3 0.125
4 0.0625
5 0.03125
6 0.015625
7 0.0078125
8 0.00390625
9 0.001953125
10 0.000976563
cia de algum efeito de habilidade? Chega de
moedas, passemos para um exemplo biológico.
Voltemos ao experimento de preferência de
solos pelas formigas para analisar a evidência a
partir de frequências.
A pergunta no estudo da preferência das formi-
gas não é se elas sempre vão escavar o lado do
solo argiloso, mas se tendem a escavar o solo
argiloso com maior frequência do que o espera-
do pela hipótese nula. Suponha que tenhamos
realizado o experimento com 8 rainhas jovens e
tenhamos obtido 5 (62,5%) que escavaram em
solo argiloso e 3 (37,5%) que escavaram em
solo arenoso. O esperado, supondo que não
haja preferência por solos, seria que 50% das
formigas escavariam em solo arenoso e a outra
metade em solo argiloso. O resultado obtido foi
na direção da previsão da hipótese de trabalho.
O problema é que esta diferença também é
compatível com a hipótese nula. No quadro 4.1
realizamos o cálculo de probabilidade para a
mesma diferença percentual com tamanhos
amostrais diferentes. O que vemos é que a
probabilidade de se obter a mesma proporção
de formigas escavando em solo argiloso sem ter
escolhido este solo (isto é, ao acaso) vai dimi-
E quando a probabilidade do resultado ocorrer
ao acaso é muito pequena, ela é descartada.

Tabela 4.1 Sabemos intuitivamente que a probabilidade

de acertar ao acaso vários lances seguidos de moeda
diminui com o número de lances, mas normalmente
subestimamos o quanto um resultado é improvável. A
matemática é uma ferramenta essencial para avaliações
precisas e objetivas. Neste caso, a probabilidade é calcu-
lada pela fórmula P= 1/(2)n..

58
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

4.6 Nível de significância e tipos de rar o valor da probabilidade calculada no teste.

erros.
Vimos que a hipótese nula é rejeitada quando
obtemos um valor baixo de probabilidade com
base nos dados obtidos. Isto naturalmente nos
leva a uma questão prática: qual é o valor de
referência abaixo do qual podemos rejeitar a
hipótese nula?
Não existe um valor mágico universal que sepa-
re meros indícios de evidência segura, a ideia
de definir um valor é que regras objetivas preci-
sam ser definidas “antes do jogo” (o termo téc-
nico é “a priori”). O valor limite pré-determinado
de uma probabilidade para um teste de hipótese
nula é chamado Nível de Significância, e é
representado pela letra grega α (alfa). Os valo-
res mais utilizados são 0,05; 0,01 e 0,001, de-
pendendo do grau de rigor que se quer assumir.
Algo parecido acontece quando determinamos a
nota mínima de aprovação em um curso, que
pode ser 5, 6 ou 7. Seja qual for o grau de exi-
gência, ele precisa ser estabelecido antes de
começarem as avaliações. Por outro lado, isto
não significa que vamos nos
preocupar apenas com a
aprovação. Uma nota 4,5
significa reprovação, mas é
interessante saber que o
aluno não estava longe do
limite. Uma nota Dez signifi-
ca aprovação, mas é uma
aprovação bem mais segura
do que um 5,0. Em síntese,
devemos utilizar critérios
definidos antecipadamente
para decidir pelo sim ou pelo
não, mas não devemos igno-
Como interpretar o valor da probabilidade calcu-
lada (P) em um teste de significância da hipóte-
se nula? Vimos que um valor baixo de “P” é
uma evidência contrária à hipótese nula. Pode-
mos ir mais longe, quanto mais próximo de zero
for o valor de “P”, mais forte é a evidência con-
tra a hipótese nula (Fig. 4.3). Para entender
esta relação, faremos uma analogia com uma
prova de alternativas. Como nos testes de hipó-
teses nulas, em uma prova com alternativas
sempre existe um componente de “sorte” (alea-
toriedade). Uma pessoa que acertou a metade
das perguntas em uma prova do tipo “verdadei-
ro ou falso” não demonstra nenhum conheci-
mento, pois este é o esperado de acertos por
mero acaso. Portanto, só temos indícios de
conhecimento acima de 50% de acerto. Mesmo
um acerto de 60 a 80% pode acontecer só por
acaso em uma prova com poucas questões.
Uma pessoa até poderia acertar 100% das
questões por pura sorte em uma prova com 5
questões, mas isto seria praticamente impossí-
vel em uma prova com 50 questões.

Quadro 4.1 Probabilidade calculada pelo método χ2com base no obtido (O)– o
esperado central (E). .

59
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

E quanto aos valores altos de “P”? Voltando à mos os valores arbitrários 0,05; 0,01 e 0,001,
analogia, qual seria a interpretação para a prova mas como escolher entre eles? A decisão sobre
de uma pessoa que errou mais que 50% das o Nível de Significância a se adotar depende do
questões? A princípio, significa duas coisas: a custo dos dois tipos de erro que podemos co-
pessoa não tem nenhum conhecimento e ainda meter e da urgência na decisão (Tab. 4.2- ao
teve algum azar. Considerando que qualquer final do capítulo) (e de outra consideração que
um pode ter azar, até quem tem algum conhe- será abordada na seção 4.7). Ao tomar uma
cimento e acertou 50%, uma nota abaixo de decisão estatística, os dois tipos de erro que
50% é um indício mais forte de ausência de podemos cometer são o Falso Positivo, ou
conhecimento que exatamente 50% de acerto, Erro Tipo I, que consiste em rejeitar a hipótese
entretanto, não é indício de conhecimento nega- nula quando ela é verdadeira e o Falso Negati-
tivo, pois isto não existe. Agora uma nota pró- vo, ou Erro Tipo II, que consiste em aceitar a
xima de 100% de erro seria algo muito estra- hipótese nula quando ela é falsa. Nas situações
nho. Se o número de questões for grande, po- em que a prudência exige não aceitar uma mu-
demos até suspeitar que a pessoa sabia tudo e dança de posição sem forte evidência favorável
errou propositalmente. É interessante verificar a à decisão, a prioridade é evitar o Erro Tipo I,
possibilidade de alguma anomalia deste tipo como em tribunais e na maioria das situações
quando temos valores muito altos de P (como de pesquisa. Nas situações em que a prudência
P>0,95). Entretanto, em geral, simplesmente é exige uma ação preventiva, ainda que a evidên-
um acaso que acontece quando estamos fa- cia favorável seja fraca, a prioridade é evitar o
zendo muitos testes. Erro Tipo II, como quando vigias ouvem um
barulho estranho, ou quando uma criança chega
Entender o significado do valor de “P” não impli- ao hospital com suspeita de intoxicação. E há
ca em abrir mão de definir a priori valores limi- situações em que os dois tipos de erro seriam
tes para tomada de decisões. É razoável usar- graves, como ao se decidir sobre o resultado de

a) Peso da evidência 
contra a Hipótese Nula b) Analogia
(prova de 100 questões de 
Nível de aprendizado

Muito Forte Muito Alto

Alto “Verdadeiro ou Falso”)
Evidência contra Ho

Forte Médio

0
Média Negativo?
0 50% 100%
Erros
0

Negativa?
0 0.05 0.5 1
0.001 0.01
Probabilidade calculada (“P”)
Figura 4.3 A probabilidade calculada em um teste estatístico serve como medida do peso da evidência contrá-
ria à Hipótese Nula. Quanto menor o valor de “P”, maior a evidência contrária à Hipótese Nula. Valores in-
termediários de “P” indicam situação indefinida e valores muito altos são “estranhos”. Ver a explicação no
texto com uma analogia com uma prova com alternativas do tipo “verdadeiro ou falso”.

60
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
um exame sobre uma doença muito séria quan-
do há indícios de positividade. Podemos ver na
tabela 4.2 como a análise e a ação de proces-
sos decisórios dependem da importância de
cada tipo de erro e do tempo (etapas, oportuni-
dades) que temos para obter mais dados. As
situações mais comuns na pesquisa estão em
destaque na tabela. Abordaremos unicamente
estas situações neste livro, mas é importante
termos consciência que estes métodos não são
os mais apropriados em outras situações, inclu-
sive de pesquisa. Vamos analisar mais profun-
damente os dois tipos de erro com ênfase na
situação mais comum na pesquisa, mas ilus-
trando com o funcionamento do processo deci-
sório em um tribunal.
Um assassino solto é algo ruim e deve ser evi-
tado. Entretanto, um inocente preso por assas-
sinato é algo mais grave. Por que assumir que a
inocência de uma pessoa tem prioridade sobre
o risco para resto da população? Parece estra-
nho, mas esta foi a conclusão de um longo pro-
cesso civilizatório. Acontece que crimes costu-
mam deixar pistas e é bom lembrar que um dia
poderíamos ser nós mesmos em um banco de
réus. Enfim, a regra é que toda pessoa deve ser
considerada inocente até que haja uma evidên-
cia realmente convincente de que ela é culpada.
Entretanto, por melhor que seja a justiça, ela
nunca será perfeita e há quatro resultados pos-
síveis em um julgamento: 1) podemos mandar
prender uma pessoa inocente (injustiça);
2) Podemos mandar prender um assassino;
3) Podemos libertar uma pessoa inocente e
4) podemos libertar um assassino (impunidade).
Realidade Î
Inocente Culpado
Decisão Ð
Decisão
Culpado Injustiça
Correta
Decisão
Inocente Impunidade
Correta
Tabela 4.3 Decisões e tipos de erros em um tribunal..
61
A tabela 4.3 resume estas possibilidades.
Basicamente, queremos evitar erros. Uma for-
ma de evitar erros de decisão é obter mais in-
formação relevante. Há técnicas (subutilizadas)
de amostragem até atingir critérios de decisão
(e. g. amostragem sequencial). Entretanto, o
mais comum é que a informação seja limitada
(por tempo, dinheiro ou porque todas as pistas
foram exaustivamente exploradas). A forma de
agir neste caso depende da prioridade que da-
mos em evitar o Erro Tipo I e em evitar o Erro
Tipo II. Ao assumir como premissa a inocência
do réu, estamos dando prioridade em evitar o
Erro Tipo I. A única forma de evitar o Erro Tipo I
de forma absoluta seria decidir pela inocência
sem julgamento e independente de provas, o
que não é aceitável. Infelizmente, sabemos que
alguns inocentes serão presos, mas pelo menos
podemos reduzir esta probabilidade a uma pos-
sibilidade remota ao dar ampla chance de defe-
sa e conservadorismo em aceitar provas. A
chance de Erro Tipo I é limitada a priori pelo
princípio da inocência, e quanto mais rigorosos
formos em evitar a chance de erro tipo I, maior
a chance de um erro do tipo II. Portanto, cabe
ao promotor a responsabilidade de obter infor-
mação suficiente, de forma a evitar a chance de
Erro Tipo II.
Ao propor uma hipótese de trabalho, fazemos
previsões que algo acontecerá de certa forma.
Entretanto, o fato disto acontecer não significa
nada se o previsto puder acontecer por outras
razões ou ao acaso. Vimos nas primeiras se-
ções do capítulo que precisamos tomar algumas
atitudes preventivas para excluir hipóteses con-
Realidade Î
H0 Verdadeira H0 Falsa
DecisãoÐ
Decisão
Rejeita H0 Erro tipo I
Correta
Decisão
Aceita H0 Erro tipo II
Correta
Tabela 4.4 Decisões e tipos de erros na pesquisa..
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
correntes, mas ainda resta avaliar se as previ-
sões poderiam ser obtidas por mero acaso. Na
analogia com o tribunal, é como se a hipótese
nula fosse o réu. A princípio, a hipótese nula
deve ser considerada verdadeira até a prova do
contrário, de forma a evitar o Erro Tipo I. Cabe
ao pesquisador obter informações suficientes
para derrubar a hipótese nula.
Uma diferença entre o tribunal e a pesquisa é
que nesta muitas vezes podemos definir a
chance de Erro Tipo I de forma quantitativa. O
Nível de Significância (ou “alfa”) é a chance de
Erro Tipo I que estamos dispostos a aceitar, um
grau de rigor que se estabelece a priori. Na
pesquisa, o mais comum é se utilizar um
α=0,05, que significa que aceitamos cometer
um Erro do Tipo I para cada 20 testes em que a
hipótese nula era verdadeira. É como aceitar
mandar uma pessoa inocente de cada 20 ino-
centes que a gente julgar. Se utilizarmos um
α=0,01, é como se estivéssemos mandando um
inocente para cadeia de cada 100 inocentes
julgados. Este nível é aceitável para a pesqui-
sas, mas não é aceitável na justiça. As provas
em um tribunal devem ser mais contundentes, a
chance de mandar um inocente para cadeia
deveria ser inferior a 1:1000. Não confunda, um
α=0,01 não significa que vamos cometer um
erro a cada 100 julgamentos, pois em muitos
julgamentos o réu era realmente culpado. O fato
de muitos julgamentos terminarem em conde-
nação reflete principalmente a obrigatoriedade
de indícios fortes de culpa antes de se levar um
réu a julgamento.
O que foi descrito acima é uma postura comum
na pesquisa, estabelecemos um limite para o
Erro Tipo I, mas não para o Erro Tipo II, apenas
tentamos obter informação suficiente para dimi-
nuir a chance que ele ocorra. Veremos adiante
como estabelecer o valor do Nível de Signifi-
cância (Alfa) e depois voltaremos a situações
em que o Erro Tipo II deve ser considerado na
análise.
62
4.7 Considerações complementares
Nas seções anteriores vimos o essencial sobre
testes de hipóteses, mas restaram vários aspec-
tos adicionais importantes que serão tratados
nesta seção.
a) adequando “alfa” à questão.
Vimos na seção anterior que o valor de “alfa”
(Nível de Significância) é definido ao início do
estudo normalmente em valores tradicionais de
0,05 ou 0,01 ou 0,001. Há algum critério para
escolhermos um destes valores? Sim, depende
se sua hipótese de trabalho é esperada, ousada
ou muito ousada. Testes com hipóteses de tra-
balho tidas como quase certas normalmente
tem uma função de apenas comprovar algo,
podemos dizer que a hipótese nula está em um
grupo de “alto risco” de ser rejeitada. Uma hipó-
tese de trabalho ousada é bem mais incerta, e
está em um grupo de “risco intermediário” e
uma hipótese muito ousada tem um “risco bai-
xo” de ser rejeitada. Com base nisto, devería-
mos utilizar respectivamente 0,05; 0,01 e 0,001
como Níveis de Significância para cada um
destes casos. Para entender por que, veja como
devemos interpretar resultados de exames con-
siderando o grupo de risco (Mlodinov 2008).
Suponha que a probabilidade de um falso posi-
tivo em um exame de AIDS tenha sido estabe-
lecida em 0,7%. O que significa isto? Que qual-
quer pessoa que receber um resultado positivo
tem apenas 0,7% chance dele estar errado?
Não, ao contrário do que muita gente pensa.
Acompanhe este raciocínio. Duas pessoas re-
cebam um resultado positivo em um exame de
AIDS, a primeira pertence a um grupo de risco
(usuário de drogas que não pratica sexo seguro
em uma metrópole com alta incidência de
AIDS), e a segunda não pertence ao grupo de
risco. Imagine que no grupo de risco a incidên-
cia de AIDS seja de 1/10, enquanto no grupo de
baixo risco ela seja de 1/10.000.
Milhares de pessoas fazem exames de AIDS.
Quantos são os falsos positivos de cada grupo?
Considere 10.000 pessoas no caso do grupo
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
com incidência 1/10, teremos 1000 positivos e
9000 negativos. Dos 9.000 negativos, 0.7% (63)
terão falsos positivos. Portanto, a chance deste
“positivo” ser realmente um positivo é de
1000/(1000+63) isto é, 94%. Agora considere
10.000 pessoas no grupo com incidência
1/10.000. Teremos um positivo e 9.999 negati-
vos. Destes, 0,7% terão falsos negativos (aprox.
70 pessoas). Portanto, a chance deste “positivo”
ser realmente um positivo é de 1/(1+70), isto é
1,41%. Portanto, a probabilidade da primeira
pessoa ter AIDS é cerca de 70 vezes maior!
O problema é que confundimos o que chama-
mos de falso positivo para um teste isolado com
a chance de um positivo no meio a muitos tes-
tes ser realmente um positivo, ignorando a pro-
porção esperada de falsos negativos.
Uma situação análoga pode ser considerada
para a pesquisa. Uma hipótese razoável, como
uma formiga preferir um tipo de solo (arenoso
ou argiloso) para fundar uma colônia cai no
grupo de risco das hipóteses razoáveis, das
quais boa parte deve ser realmente verdadeira,
digamos em uma proporção entre 1/2 a 1/10.
Entretanto, uma hipótese que testasse se o
comportamento da formiga é influenciado por
pequenas diferenças nos teores de cobre ou por
um leve campo magnético próximo das arenas
experimentais no solo soa estranho com base
no que se sabe sobre formigas. Estas hipóteses
parecem muito improváveis, talvez 1/50 a
1/1000 possam ser realmente ser corretas. Co-
mo as situações são análogas, a chance de um
falso positivo em hipóteses ousadas ou bizarras
é muitas vezes maior para o mesmo alfa.
Não é fácil quantificar quanto que nossas hipó-
teses são razoáveis ou bizarras, entretanto,
podemos chegar a uma diretriz aproximada. Se
sua hipótese de trabalho tratar de uma tendên-
cia que você considera intuitivamente muito
razoável, pode usar um alfa de 0,05. Se for uma
ideia um pouco mais ousada, mas não extraor-
dinária, use 0,01. Se for uma hipótese extrava-
gante que abala conceitos estabelecidos dentro
da sua área de pesquisa, melhor utilizar 0,001.
63
(Outra questão relacionada a ajustes no valor
de alfa será discutida no capítulo 7).
Hipóteses ousadas não devem ser evitadas,
pois muitas vezes marcam revoluções na ciên-
cia, entretanto, devem ser tratadas com maior
rigor para não criar falsos mitos. A estatística
não é só um jogo, nossas expectativas preci-
sam ser levadas em conta.
b) abordagens alternativas ao Teste de Sig-
nificância de Hipótese Nula
O teste de significância de hipótese nula é uma
abordagem tão preponderante na análise esta-
tística de dados que muita gente acha que é a
única. É por isto que tanto espaço foi dedicado
a esta abordagem neste capítulo. Entretanto há
outras duas abordagens que estão crescendo e
possivelmente vão superá-la em importância em
testes de hipóteses do acaso.
A primeira alternativa é a utilização de intervalos
de confiança de parâmetros ao invés de cálcu-
los de probabilidades associados a hipóteses
nulas (van Belle, 2008; Wood 2012). Uma van-
tagem é a riqueza da informação fornecida. Ao
invés de dizermos “Houve um efeito significativo
do tratamento em relação ao controle
(F1,20=6,53; p<0.05)”, diríamos “Houve um efei-
to significativo do tratamento em relação ao
controle (Diferença= 1,25; IC95%= 0.90 a
1,60)”. A segunda vantagem é que esta é tam-
bém a forma mais natural para apresentar resul-
tados que utilizam técnicas de reamostragem,
como o “Bootstrap” (seção 3.6). A terceira van-
tagem é que é mais fácil se realizar um teste de
hipóteses de trabalho de semelhança (seção
4.5). Esta alternativa foi introduzida no capítulo
3 e será contemplada no capítulo 5.
Outra abordagem alternativa em crescimento é
a utilização de Análises Bayesianas (Gotelli &
Ellison, 2011), que é uma forma bem diferente
de calcular probabilidade. No TSHN calculamos
a probabilidade de obter uma diferença obser-
vada se a hipótese nula for verdadeira, isto é
simbolizado como P (dados│hipótese nula). Na
análise Bayesiana, calculamos a probabilidade
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
da hipótese aplicando os dados fornecidos, o
que é simbolizado P (hipótese de traba-
lho│dados). É uma estatística mais semelhante
à nossa forma intuitiva de pensar. Na seção 4.1
comentamos que a escolha da hipótese de tra-
balho baseia-se na nossa intuição. A escolha de
uma hipótese que formigas usam referenciais
espaciais baseou-se em um “cálculo”. Parece
improvável que formigas usem apenas pistas
químicas, aqui chove muito, a chance de perde-
rem a trilha é grande, além disto, podem passar
por um tronco e ele cair. Já li que outros hime-
nópteros (vespas) são capazes de usar referen-
cias espaciais, etc. Por outro lado, a hipótese
que as formigas utilizam o magnetismo terrestre
lhe parece muito improváveis. Você junta infor-
mações e pode tomar decisões sobre a “proba-
bilidade” de uma hipótese estar correta. Esta
abordagem também é mais apropriada quando
estamos comparando duas hipóteses de traba-
lho concorrentes, para ver qual delas se ajusta
melhor aos dados.
c) entre o sim e o não existe um vão
Quando tomamos decisões, informações complexas
podem ser transformadas em “Sim ou Não”, que
levarão a duas diferentes possibilidades de ação.
Ocasionalmente, temos três opções: “Sim”, “Talvez”
ou “Não”. Podemos ainda decidir em mais categori-
as: o “sim forte”, o “sim fraco”, o “Talvez”, o “não
fraco” e o “não forte”. Eventualmente, há decisões
em que se utiliza uma escala quantitativa entre os
extremos (e.g. custo de apólices de seguro em fun-
ção do risco). Nesta seção, vamos nos concentrar
em decisões com três possibilidades.
No caso da pesquisa, vamos chamar de “Sim” a
rejeição da hipótese nula (Sim, a evidência é sufici-
ente para rejeitarmos a hipótese nula). No tribunal,
“Sim” significa “Sim, temos evidência suficiente para
64
declará-lo culpado”. É importante ressaltar que o
“Sim” não significa “Definitivamente sim”, significa
“Tenho convicção que sim”, e os graus de convicção
dependem da situação, como vimos na seção ante-
rior. Note que no sistema de decisão que descreve-
mos para tribunais e para a maioria das pesquisas o
“Talvez” é tratado como um “Não” (em caso de dúvi-
da prevalece a inocência/ aceitamos a hipótese
nula). Como nesta abordagem apenas levamos em
conta o “Alfa” (Nível de Significância), podemos
denominá-la Abordagem “Alfacêntrica”.
A abordagem alfacêntrica é apropriada quando
temos prioridade em evitar o Erro Tipo I e vamos
tomar uma decisão com a informação que foi cole-
tada em uma única etapa anterior ao Julgamento
Centrado. Estas condições ocorrem em tribunais e
em projetos de pesquisa ou dissertações ou teses
em que temos um tempo determinado para coletar
os dados. A desvantagem da abordagem alfacêntri-
ca é que aceitar a hipótese nula é um resultado de
pouco valor, pois não sabemos se temos um “Não”
ou “Talvez”, e um “Talvez” pode ser um “Sim”. Entre-
tanto, vimos na Tabela 4.2 que há outras aborda-
gens.
Vejamos agora uma situação em que precisamos
separar o “Não” do “Talvez”. Imagine que você tra-
balha em um laboratório de análises clínicas e tem
em mãos um resultado com níveis elevados de uma
substância que indica uma doença muito grave,
como Câncer ou AIDS, mas os níveis não são tão
elevados a ponto de ter certeza. Se você apresentar
o resultado como positivo e for um falso positivo, a
pessoa passará por uma angustia profunda para
depois descobrir que não tinha a doença. Por outro
lado, se apresentar o resultado como negativo, pode
estar adiando a chance da pessoa se tratar e ter
uma sobrevida mais longa e melhor ou até uma
cura. O que fazer? Nesta situação, a ação em caso
de “Sim” (iniciar o tratamento) é diferente da ação no
caso de “Não” (liberar o paciente), que também
difere no caso de “Talvez” (realizar mais exa-
mes).
Também há situações em que o Erro Tipo II é
um risco de gravidade muito maior que do Erro
Tipo I. Imagine que tenha havido um caso de
Doença de Chagas aparentemente adquirida
pelo consumo de açaí em um bairro de Manaus.
Em casos deste tipo, é comum que a ação
anteceda a coleta de dados, com a proibição
imediata da venda de açai. Em uma análise
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
preliminar, o órgão responsável pela vigilância sani-
tária recolhe amostras de açaí de 10 vendedores e
não encontra nenhuma amostra infectada. Portanto,
não há evidência que a doença tenha sido transmiti-
da desta forma. Entretanto, se este resultado for um
falso negativo (Erro Tipo II), há risco de transmissão
de uma doença grave para outras pessoas, portan-
to, o consumo não é liberado até o término de uma
investigação exaustiva. Lidar com alto custo de Erro
Tipo II é sempre muito complicado. É difícil se definir
quanto esforço de investigação será suficiente para
uma conclusão segura, e temos que lembrar que a
suspensão da venda também está prejudicando
pessoas.
Para separar o “Não” do “Talvez”, normalmente
precisamos de múltiplas etapas de coleta de dados,
como mais exames no exemplo da suspeita de do-
ença ou continuação exaustiva da coleta de dados
no exemplo do açai. A nova coleta de dados não
precisa ser da mesma natureza dos dados anterio-
res. No caso de exames sobre doenças, muitas
vezes se realiza repete exames de outra natureza
para avaliar um sintoma complementar da mesma
doença. No caso do açaí, é importante investigar
outras possibilidades de contágio. Se a coleta de
dados for da mesma natureza, a hipótese nula pode
acabar sendo aceita após uma coleta exaustiva,
considerando que já deveria ter sido rejeitada se
fosse falsa.
Só é possível se definir quantos dados precisamos
coletar para considerar uma coleta “suficientemente
exaustiva” para dar um veredito “Não” se tivermos
um valor de “efeito mínimo” de referência. Por e-
xemplo, digamos que você queira saber o efeito de
uma substância sobre a pressão sanguínea de ra-
tos. Se a substância aumentar a pressão da grande
maioria dos ratos, terá rejeitado a hipótese nula. Se
não obtiver nenhuma diferença significativa (isto é,
além do que esperamos ao acaso), aceitará a hipó-
tese nula. No entanto, não pode dizer que não haja
efeito, pois ele pode ser tão sutil que não pôde ser
detectado com o tamanho amostral do experimento.
Por outro lado, se você perguntar se existe um efeito
de aumentar pelo menos 10% a pressão sanguínea,
e tiver algumas informações sobre os dados, então
poderá calcular o tamanho amostral necessário a
partir de uma probabilidade de Erro Tipo II (ou “Be-
ta”, β) pré definida por você.
Não entraremos nos detalhes de como se realizam
as abordagens da Tabela 4.2. Entretanto, é bom ter
65
consciência que a abordagem alfacêntrica não se
aplica a todas as situações, até mesmo na pesquisa
podemos ter que utilizar outra abordagem.
d) Podemos provar uma hipótese?
A melhor forma que criar confusão é um diálogo
envolvendo duas linguagens. Existe uma lin-
guagem lógica/matemática e uma linguagem
“cotidiana”. Na linguagem da lógica/matemática
o termo “provar” só se aplica a demonstrações
inquestionáveis, como quando provamos que a
soma dos ângulos internos de um triângulo é
180o. Nas Ciências Naturais e Humanas as
hipóteses sempre podem estar erradas, ainda
que a evidência favorável seja extrema. Esta-
mos chamando de “cotidiana” qualquer lingua-
gem sem o rigor absoluto da linguagem lógi-
co/matemática, inclusive a linguagem bastante
rigorosa de um tribunal. Nesta linguagem, “pro-
var” significa apresentar uma evidência contun-
dente, ainda que não definitiva do ponto de vista
lógico.
Outro problema do termo “provar” (mesmo na
linguagem cotidiana) é que ele está associado
no pensamento comum com uma ideia de verifi-
car pelo acúmulo de dados favoráveis. Einstein
teria dito algo assim sobre sua teoria: “Nenhu-
ma quantidade de evidência seria suficiente
para mostrar que eu estou certo, mas bastaria
um experimento para mostrar que eu estou
errado”. Esta ideia foi mais elaborada pelo filó-
sofo da Ciência Karl Popper, que disse que a
lógica do método científico consistiria em propor
hipóteses ou teorias “falseáveis”. Deveria haver
um esforço para falseá-las, e enquanto elas
resistissem seriam mantidas como a melhor
opção vigente. Hipóteses ou teorias que não
pudessem ser falseadas (derrubadas a partir de
observações) não seriam consideradas científi-
cas. A derrubada da concepção errônea de
prova pelo acúmulo de evidências favoráveis foi
um grande avanço epistemológico, mas a apli-
cação da proposta do falsacionismo como me-
todologia foi problemática.
O filósofo da ciência Imre Lakatos percebeu
falhas nesta concepção de ciência. As ideias de
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Popper não se sustentam se quisermos levá-las
para o campo de uma lógica estrita. Qualquer
observação pode ser um engano, portanto, é
impossível se derrubar tanto quanto é impossí-
vel provar uma hipótese ou teoria. Então o que
podemos fazer? A proposta de Lakatos é que o
método científico envolve a competição entre
“Programas de Investigação Científica” (teorias
complexas) com base na previsão de cada pro-
grama. Trazendo o conceito para o nível dos
testes de hipótese, não falseamos uma hipótese
isoladamente, mas contrastamos hipóteses,
escolhendo a mais forte em condições apro-
priadas para permitir este contraste. O Jul-
gamento Centrado inclui a hipótese de trabalho
no centro contrastando com as possibilidades
que ela esteja errada.
Alguns estatísticos tentaram associar a filosofia
Popperiana com o Teste de Significância da
Hipótese Nula (TSHN) vendo a rejeição da hipó-
tese nula como um análogo ao ideal científico
de falseamento de Popper. Esta posição é pro-
blemática. Popper referia-se a hipóteses que
descrevem o funcionamento do mundo com
previsões ousadas que permitissem o seu fal-
seamento, logo, ele se referia a hipóteses de
trabalhos, não a hipóteses secundárias constru-
ídas para a avaliação destas. A hipótese seria
científica por estar aberta ao falseamento, mas
ainda resistir, portanto, é uma hipótese viva. No
momento em que a hipótese de trabalho fosse
falseada (admitindo esta possibilidade), ela
deixaria de ser ciência e entraria para a história
da ciência, e se buscaria uma nova hipótese
para ocupar o seu lugar. A hipótese nula não é
uma hipótese sobre como funciona o mundo, é
apenas uma hipótese para servir de base para
calcular a possibilidade das previsões da hipó-
tese de trabalho estar dentro do esperado ao
acaso. Não devemos inverter os papeis da hipó-
tese nula e da hipótese de trabalho. Não há
hipótese nula antes de se estabelecer uma hi-
pótese de trabalho a primeira nasce como alter-
nativa da segunda, e muitos textos estatísticos
invertem a lógica natural chamando a hipótese
de trabalho de “hipótese alternativa”. Esta asso-
ciação do TSHN, com a filosofia popperiana é
equivocada e confunde tanto o aprendizado de
66
estatística como de epistemologia. Por outro
lado, o TSHN pode perfeitamente ser visto co-
mo uma forma de contrastar a hipótese de tra-
balho com a hipótese do acaso.
Vamos tentar resumir sem tropeçar na lingua-
gem e na filosofia usando aspas para a lingua-
gem cotidiana: Em princípio, não podemos pro-
var nenhuma hipótese, entretanto, podemos
“provar” uma hipótese de trabalho no sentido de
atingir critérios pré determinados de confiabili-
dade. “Provar” não significa apenas acumular
evidência favorável (previsões da hipótese de
trabalho que se mostram corretas), significa
conseguir “Derrubar” as hipóteses concorrentes
(contraste de hipóteses baseado nas previsões
de cada hipótese autônoma). Convém terminar
com o óbvio: o objetivo de um teste não é “pro-
var” a hipótese de trabalho, no sentido de com-
prová-la, ela pode ser falsa. O objetivo é colocá-
la a prova, e aceitar o resultado. A paixão pela
pesquisa é uma qualidade, a paixão por uma
hipótese ou teoria que não se sustente não é.
e) Significativo é sinônimo de relevante?
O uso da estatística cresceu e as revistas cientí-
ficas e bancas de avaliação acadêmica passa-
ram a exigir que testes fossem utilizados para
mostrar que tendências tinham relevância esta-
tística. Esta pressão pelo uso da estatística
contribuiu para a qualidade da pesquisa, mas
também levou a alguns desvios, como a busca
pelo resultado significativo independente da
questão. Alguns acreditam que o “melhor” teste
dentro de um estudo é aquele que foi mais sig-
nificativo.
Um aspecto psicologicamente forte no teste de
previsão de hipóteses é que ele responde cate-
goricamente (com sim ou não) se evidências
para a existência de uma relação são significati-
vas. Não temos um critério semelhante para
atribuirmos o valor biológico para um teste. É
uma questão de bom senso. A relação entre
tamanho de qualquer espécie e seu peso é
sempre fortemente significativa, mesmo com
poucos dados, de forma que não é nada sur-
preendente obter-se um P<0,001 para esta
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

relação. Um efeito significativo obtido apenas transgenia, já provaram que funcionam, entre-
com um tamanho amostral imenso pode signifi- tanto, um acompanhamento é necessário pois
car variáveis de ruído interferindo muito ou sim- ainda não sabemos quais são os riscos ambien-
plesmente um efeito biologicamente irrelevante tais e para a saúde. Os farmacêuticos têm muito
de uma variável sobre outra. O valor calculado mais trabalho com a análise de cada possível
de “P” tem relação com a “força” da evidência, efeito colateral do que da comprovação dos
não tem relação com a relevância da questão. efeitos positivos. É importante não se confundir
o poder da estatística em avaliar efeitos especí-
f) Efeitos colaterais ficos com uma garantia sobre aspectos que
extrapolam cada teste particular.
Em algumas situações, particularmente no de-
senvolvimento de remédios, alimentos ou pro-
dutos que possam oferecer riscos ambientais ou
à saúde humana, temos de ir além das conside-
rações sobre o erro tipo I e tipo II. Imagine uma
substância com potencial para diminuir os enjô-
os durante a gravidez. Podemos testar estatisti-
camente se o remédio é efetivo fixando o erro
tipo I e até o erro tipo II, definindo um tamanho
amostral apropriado com base em coletas pre-
liminares. Esta análise permitirá que se defina
dentro dos critérios discutidos neste capítulo se
o remédio é efetivo ou não para reduzir o enjôo.
Entretanto, este teste só avalia o enjôo, não
garante que este remédio não tenha contra
indicações. Um remédio chamado Talidomida
foi usado na década de 1960 contra enjôo na
gravidez e causou malformações em muitos
bebês.

Ignorar efeitos colaterais não é cometer um erro

tipo I ou tipo II, é cometer um erro que extrapola
o teste. Pelo princípio da prudência, temos até
que considerar provas circunstanciais, como
uma acusação improvável de uma pessoa que
consumiu um remédio ou indícios de algum
impacto ambiental, como uma evidência que a
atenção deve ser redobrada. A análise de efei-
tos colaterais pode ser complexa. Embora haja
ferramentas estatísticas para ajudar nesta tare-
fa, cada potencial efeito (podemos mesmo listar
todos?) deveria ser analisado separadamente e,
como vimos anteriormente, é difícil separar o
“talvez” do “não”. Não é possível se obter uma
garantia que nenhum efeito colateral vá ocorrer,
mas é essencial que se considere qualquer
indício de problema e se faça um levantamento
exaustivo de todas as possibilidades razoáveis
de efeitos colaterais. Novas tecnologias, como a

67
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Tabela 4.2 Análise e ação em diferentes situações em função do custo do Erro Tipo I (falso positivo) e do Erro Tipo II
(falso negativo) e do número de etapas de coleta de dados. As formas de analisar os dados mais comuns na pesquisa
estão em destaque.

Custo  Custo 
Falso  Falso  Tempo Exemplo Análise e Ação
Positivo Negativo
Tratamento de grave intoxicação sem  Análise de risco emergencial; Priorizar a velocidade 
Muito Alto ou Alto

causa bem definida (usar remédi o  da conclusão mas com o máximo de certeza possível. 
Único forte que tem com contra  Sobre o diagnóstico. Importante haver pre paro 
Muito Alto

indicações?) antecipado para decisões rápidas e corretas.
Paciente com sintomas de possív el  Avaliação em etapas (poucas). Indícios fracos de 
doença grave de tratamento  positivo justificam exames complementares. 
Poucas Etapas
agressivo;  Continuar os testes até ter segurança suficiente sobre 
o diaqgnóstico.
Pesquisa de um remédio promissor  Avaliação em etapas (muitas); Descobrir um remédio 
Muitas Etapas com potenciais efeitos colaterais  é algo importante, mas a certeza da ausência de 
graves.  efeitos colaterais tem prioridade.  
Julgamento em tribunais criminais.  Assumir postura fortemente conservadora em 
Estudos acadêmicos com propostas  relação ao falso positivo (e.g. princípio da inocência a 
Muito Alto ou Alto

Único polêmicas. O tempo único refere‐se à  priori) ; Estatística com Alfa rigoroso (0,01) ou muito 

análise única (não dividida em etapas  rigoroso (0,001). Tamanhos amostrais e testes 
decisórias) e à defesa única.  geralmente definidos a priori . 
Médio

Exames complexos para possíveis  Avaliação em etapas (poucas). Indícios de positivo 
doenças de gravidade intermediária  justificam exames complementares. Continuar os 
Poucas Etapas
em estágios iniciais.  testes até ter segurança suficiente sobre o 
diaqgnóstico.
Pesquisa de mercado para lançar um  Avaliação em etapas. Amostragem sequencial e 
novo produto. Pesquisa sobre  Métodos de controle de processos estatísticos 
Muitas Etapas
intenções de votos durante processo  (detecção de anormalidades) podem ser úteis 
eleitoral.  conforme o problema.
Maior parte dos trabalhos  Conservadorismo para prevenir falsos positivos, mas 
Alto  ou Médio

acadêmicos; Problemas cotidianos  não tão extremo a ponto de frear muito a pesquisa. 
Único
que exigem nível mediano de certeza  Estatística com Alfa Rigoroso (0,01) ou comum (0,05).
Baixo

antes de afirmar algo.
Problemas cotidianos que exigem  Avaliação em etapas. Coletas preliminares + 
nível mediano de certeza com  Estatística alfacêntrica (duas etapas); Amostragem 
Em Etapas evidência acumulada gradualmente. sequencial (testando uma questão); Métodos de 
controle de processos estatísticos (detecção de 
anormalidades); etc.
Relatório de avaliação de  impacto  Assumir postura mais conservadora contra falsos 
Baixo ou médio

Muito Alto ou 

ambiental e ecotoxicologica; Evento  negativos. Análise de Risco rigorosa; Valorizar toda 
Único suspeito durante vigilia policial  informação relevante disponível. Considerar uso de 
(bandido ou só gato?). Emitir alarme  Estatística Bayesiana; Medidas preventivas rigorosas; 
Alto

contra catástrofes (e.g. te rremoto).
Monitoramento ambien tal e  Avaliação em etapas. Métodos de Controle de 
sanitário. Monitoramento de  Processos Estatísticos; Análise de Riscos; Medidas 
Em Etapas qualidade de processos de alto risco  preventivas rigorosas para falsos negativos; 
(e.g. funcionamento de  usína  Considerar uso de Estatística Bayesiana.
atômica)
Decisão de realizar um evento com  Análise de riscos simples; Medidas preventivas para 
Único
base em previsão de tempo.  falsos negativos.
Médio
Baixo

Monitoramentos cotidianos de  Avaliação em etapas. Testes múltiplos em etapas. 
qualidade de processos de  médio ou  Amostragem sequencial; Métodos de Controle de 
Em Etapas baixo risco (e.g. eficiência em linha  Processos Estatísticos. Monitoramento simples.
de produção e  satisfação de 
clientes).  

68
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Exercícios 4.13- O que são efeitos colaterais e como de-

vemos lidar com eles?
4.1- A lógica dos testes de hipóteses é um as-
sunto mais amplo do que a utilização de cálcu-
los estatísticos em testes de hipóteses. Expli-
que.

4.2- Descreva um exemplo original de teste de

hipóteses com Julgamento Centrado sem utili-
zação de teste estatístico.

4.3- Explique a diferença entre as duas etapas

do método hipotético dedutivo.

4.4- Qual é o risco da inflação de testes e como

ele pode ser evitado?

4.5- Quais hipóteses do Julgamento Centrado

costumam ser descartadas por procedimentos
preventivos durante um planejamento experi-
mental?

4.6- Como é “descartada” a “hipótese do aca-

so”? Utilize na sua resposta os conceitos de
a) Hipótese Nula; b) Probabilidade calculada;
c) Nível de significância (α).

4.7- Por que precisamos de um nível de signifi-

cância em um processo de decisão.

4.8- Explique a relação entre o valor calculado

de probabilidade em um teste (“P”) e seu peso
como evidência contra a hipótese nula.

4.9- Explique a diferença entre Erro Tipo I (falso

positivo) e Erro Tipo II (falso negativo) em pro-
cessos decisórios em tribunais e na pesquisa
científica.

4.10- Como devemos ajustar o Nível de Signifi-

cância em função da “ousadia” de uma hipótese
de trabalho.

4.11- Como devemos proceder quando o custo

do Erro Tipo II é elevado?

4.12- Por que não podemos “provar” apenas

pelo acúmulo de repetições favoráveis à nossa
hipótese de trabalho? E como podemos agir
para “provar” a hipótese de trabalho.

69
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
5. Diversidade de testes e suas
premissas
5.1 “Ecologia” e diversidade dos testes
estatísticos.
No capítulo anterior, vimos que o teste estatísti-
co de hipóteses envolve primeiro a escolha de
hipóteses relevantes, pois ficar “brincando” de
testar hipóteses é uma boa forma de multiplicar
as chances de descobertas espúrias. Escolhida
a hipótese, entramos na frase da verificação da
compatibilidade entre o previsto e o observado.
Não basta que tenha acontecido como a hipóte-
se de trabalho previa, é necessário que outras
explicações alternativas para este “sucesso” da
hipótese tenham sido descartadas. Precisamos
verificar com cuidado que foram excluídos pos-
síveis erros de procedimentos, desde a calibra-
ção de instrumentos, o cuidado ao digitar os
dados, o planejamento amostral e a avaliação
da representatividade dos dados. Finalmente,
mesmo com todos os cuidados, ainda resta a
possibilidade do “sucesso” por mero acaso.
Esta possibilidade é eliminada calculando a
frequência esperada de um valor igual ao ob-
servado se a hipótese nula for/fosse verdadeira.
Esta probabilidade é denominada probabilidade
frequentista. Se esta probabilidade for menor
que um nível de significância pré-determinado,
rejeitamos a hipótese nula e dizemos que a
evidência favorável à hipótese de trabalho é
estatisticamente significativa.
Há diferentes formas de calcular a probabilidade
frequentista, em função de particularidades dos
dados, e estes diferentes tipos de testes estatís-
ticos recebem nomes, como o teste kolmogo-
rov-smirnov, o teste t, a regressão logística e
muitos outros. O importante, em primeiro lugar é
entender a unidade na diversidade. Todos estes
testes fazem essencialmente a mesma coisa:
calcular a probabilidade frequentista. É impor-
tante ressaltar isto, porque as divisões de capí-
tulos em muitos livros estatísticos podem atra-
palhar esta percepção.
70
Compreendida a unidade, entramos em um
aspecto técnico dos testes que é entender as
situações em que cada um é utilizado, suas
premissas e alternativas quando eles não são
recomendáveis. É como se houvesse “nichos
ecológicos” para cada espécie de teste dentro
de um ecossistema de situações problema. O
estatístico precisa conhecer a fisiologia do teste,
mas o usuário de estatística precisa entender
sua ecologia, isto é, as condições para sua
aplicação.
5.2 Testes com apenas uma variável
Os testes de uma variável geralmente compa-
ram valores obtidos com “valores esperados”,
por isto são chamados de testes de aderência
ou de ajustamento (ou “goodness of fit” em in-
glês). Por exemplo, podemos comparar a razão
sexual de 33 ♀♀: 12 ♂♂ (obtido) com uma
razão esperada de 1♀:1♂. Valores, como esta
proporção de 50% por sexo são chamados de
esperados, mas seria mais apropriado dizer que
o esperado é um intervalo ao redor deste valor,
pois este valor central exato costuma ser bas-
tante improvável, como seria obter exatamente
500 machos de 1000 adultos. Em outras pala-
vras, o valor “esperado”, na realidade é um
“valor esperado central”; pois algum desvio está
dentro do esperado.
Os testes estatísticos tradicionais utilizados
nestas condições estão listados na tabela 3 do
guia de gráficos e testes: a) para variáveis biná-
rias são o “Binomial Exato” e o “Teste Z” (apro-
ximado); para variáveis categóricas: o “Teste Χ2
ou o “Teste G”; para variáveis quantitativas, o
teste mais utilizado é o “Teste T de uma amos-
tra” para avaliar se a média desta amostra dife-
re significativamente de um valor pré determi-
nado. É interessante conhecer estes testes e
suas aplicações porque ainda são muito usa-
dos, entretanto, o mais recomendado é substitu-
í-los por determinações de Intervalos de Confi-
ança, porque: 1) Em alguns casos são mais
precisos e poderosos em rejeitar a Hipótese
Nula; 2) são mais intuitivos e informativos;
3) nas variáveis quantitativas o IC por “boots-
trap” tem menos premissas e maior flexibilidade
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

de aplicações (não é só para médias, serve
para qualquer parâmetro). Ao invés de rejeitar-
mos a hipótese nula porque P foi menor que α,
rejeitamos porque o valor de referência não está
contido no Intervalo de Confiança. Pela forma
anterior, o resultado era apresentado assim: “A
razão sexual (33 ♀♀: 12 ♂♂) foi significativa-
mente diferente de 1♀: 1♂ (teste binomial exa-
to P<0,001)”.Pela forma atual: “O intervalo de
confiança da razão sexual ( 33 ♀♀: 12 ♂♂)
não incluiu 0,5 ♂♂/ total (RS=0,22;
IC95%=0,1280 a 0,3452).”
Há testes com uma variável, como o “Kolmogo-
rov Smirnov” e o “Shapiro-Wilk”, que servem
para verificar se a distribuição de frequência
observada em uma amostra difere do esperado
com base em uma frequência teórica discreta
(e. g. binomial, uniforme discreta, poison) ou
teórica contínua (e. g. normal, uniforme contí-
nua). Uma das aplicações mais comuns destes
testes é a verificação da compatibilidade da
distribuição dos dados com uma curva normal
para testes paramétricos. Muitos testes tem a
premissa de normalidade, de forma que é co-
mum que os testes de normalidade sejam re-
comendados. Entretanto, é necessário explicar
uma limitação destes testes. A Hipótese Nula
dos testes de normalidade é que a distribuição
dos dados é normal, isto é, ao rejeitarmos esta
hipótese nula (P<α) temos elementos para uma
decisão: não utilizar o teste paramétrico. Entre-
tanto, quando não rejeitamos a hipótese nula,
podemos afirmar que a distribuição é normal?
Não. Este “detalhe” frequentemente é omitido
Nos testes de relações geralmente temos uma
variável resposta e uma ou mais variáveis predi-
toras. Os testes com apenas uma variável predi-
tora predominam em estudos experimentais,
são mais simples e têm menos premissas, de
forma que serão analisados primeiro e em maior
profundidade. Neste capítulo apenas trataremos
de estudos em que as unidades amostrais não
estão organizadas em blocos, assunto que será
tratado no capítulo 7.
A escolha dos testes com duas variáveis de-
pende das escalas da variável preditora (inde-
pendente) e da variável resposta (dependente),
conforme a tabela a seguir. Quando há uma
variável ordinal ou quantitativa, o número de
níveis efetivos também influi na escolha do tes-
te. Estas diferenças são explicadas caso a caso
no Guia de Testes e Gráficos. A parte da tabela
que discutiremos mais é no caso da variável
resposta ser quantitativa, o que abre duas pos-
sibilidades de análise: a estatística paramétrica
e a estatística não paramétrica. A primeira tem
premissas mais exigentes, mas, quando pode
ser aplicada, dá mais poder ao teste e permite
uma descrição muito mais completa da relação.
A segunda tem premissas menos exigentes, de
forma que pode ser aplicada em uma diversida-
de maior de situações.
V. dep→ Binário
Ordinal ou
Quantitativo
Categórico Quantitativo
V. ind.↓
(Categ. de 2)
Condição NP*
Condição P*

quando se recomenda a utilização destes tes- Teste de 2 prop.,

T. Exato de
Tabela de
Contingência (TC)
Mann- Whitney;
Cochran’s TT (c)
Teste t (de 2
grupos) (d)
tes. Usuários mal esclarecidos utilizam este Binário
(cat. de 2)
Fisher ou T.C. (a)
Graf: Seção III
(b) Graf: Seção III Graf: Seção IV Graf: Seção IV
Tabela de Tabela de Kruskal-Wallis Análise de
teste com tamanhos amostrais insuficientes Categórico Contingência (b) Contingência (b) (e) Variância (f)
Graf: Seção III Graf: Seção III Graf: Seção IV Graf: Seção IV
para rejeitar a hipótese nula do teste de norma- Mann- Whitney;
Dicotomizar VI ou
VD e usar teste
Correlação de Correlação de

lidade e sentem-se confiantes para utilizar tes- Ordinal Cochran’s TT (c)

Graf: Seção VI
apropriado (Max.
Balanço) (g)
Postos/ RNL(h)
Graf: Seção V
Postos/ RNL(h)
Graf: Seção V

tes paramétricos em situações inapropriadas. Regressão Dicotomizar VI ou Correlação de

Pearson/
Regressão
Quantitativo Logística (i) VD (Max. Balanço) Postos/ RNL(h)
Qualquer tamanho amostral é suficiente se o Graf: Seção VI (g) Graf: Seção V
Linear/ RNL (j)
Graf: Seção V

resultado do teste for (P<α), entretanto, apenas

deveríamos ter confiança que uma distribuição
é compatível com a normalidade se o teste de
normalidade não rejeitou a hipótese nula com
N>30. Voltaremos a discutir isto adiante.
5.3 Testes com duas variáveis
Figura 1 Tabela para escolha de testes com uma variável
preditora e uma resposta. A maior dificuldade na deter-
minação do teste está ligada à avaliação das premissas
dos testes paramétricos.

71
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
5.4 Premissas dos testes paramétricos
Há duas premissas mais básicas para os testes
paramétricos: normalidade e homocedasticida-
de. O número de níveis efetivos da variável
resposta pode ser visto como um aspecto da
normalidade, mas vale a pena ser tratado à
parte, pois é de fácil verificação. Estas premis-
sas serão explicadas adiante. Note que na rea-
lidade não há uma fronteira exata a partir da
qual as condições permitem ou não um teste
paramétrico. Para enfatizar isto, descrevemos 3
situações:
Variável resposta quantitativa em condições
paramétricas. Situação: a) número de níveis
efetivos superior a 10; e b) distribuição de valo-
res da variável resposta “normal” em cada nível
da variável preditora; e c) homogeneidade na
variância da variável resposta entre os níveis da
variável preditora.
Variável resposta quantitativa fora de condi-
ções paramétricas. Situação: a) número de
níveis efetivos igual ou menor que 5; ou b) dis-
tribuição dos valores da variável dependente se
desviam fortemente da normalidade dentro de
cada nível da variável preditora; ou c) a variân-
cia da variável resposta diferir fortemente entre
os níveis da variável preditora.
Freqüência relativa
Variável resposta quantitativa em condições
intermediárias. A variável está em condições
intermediárias se: a) o número de níveis efeti-
vos está entre 6 e 9; ou b) a distribuição dos
valores em cada nível da variável resposta tem
um certo desvio da normalidade; ou c) A vari-
ância da variável resposta não é similar, mas
não é extremamente diferente entre os níveis da
variável preditora.
Fre qüência relativa
Há uma exceção quanto a estas exigências.
Quando a variável preditora for binária, pode-
mos utilizar um teste t com variâncias separa-
das, que é um teste paramétrico com a premis-
sa de normalidade, mas sem a premissa da
homogeneidade das variâncias.
Figura 3 Duas distribuições de frequência comuns, a
"Normal" e a “Poison".
72
Normalidade. Vamos relembrar e aprofundar
conceitos que imos antes. Normalidade significa
adequação de um conjunto de valores quantita-
tivos a uma distribuição de frequência em forma
de sino denominada “Normal”. Uma distribuição
de frequência é uma descrição de quantos valo-
res existem para cada intervalo de valor de uma
variável quantitativa. A princípio, a distribuição
normal é uma distribuição contínua (“lisa”, sem
“degrausinhos”), mas podemos ter uma aproxi-
mação de distribuição normal como na figura a
seguir. Ela é representada por um gráfico cujo
eixo x mostra a variável em questão dividida em
intervalos de valores e o eixo y é a frequência
que pode ser em valores absolutos (contagens)
ou relativos (porcentagem do total de casos ou
proporção em relação ao valor máximo). Note
que é um padrão com distribuição com tendên-
cia simétrica, com moda, mediana e média a-
proximadamente coincidentes e na forma de um
sino. A figura seguinte mostra um padrão dife-
rente, mais compatível com uma distribuição
denominada “Poisson”, mais comum quando
temos contagens com poucos níveis efetivos.
Podemos também ter distribuições bimodais
(dois “morrinhos”), que não são raros quando
trabalhamos com uma variável expressa em
porcentagens.
1.0
“Normal”
0.8
0.6
0.4
0.2
0.0
0 1 2 3 4 5 6 7
Número de peixes por pescador
1.0
0.8
Poisson
0.6
0.4
0.2
0.0
0 2 4 6 8 10 12
Número de peixes por pescador
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
A distribuição normal é especial porque muitas
variáveis assumem distribuições com esta for-
ma, e esta informação incorporada ao teste
permite maior poder de previsão. Podemos
ainda utilizar os testes paramétricos para variá-
veis com pequeno desvio da normalidade, pois
estes testes são robustos, entretanto, isto tem
um limite. No caso de grandes desvios, os re-
sultados dos testes não são confiáveis e podem
levar tanto ao erro tipo II como ao erro tipo I. Em
algumas circunstâncias, podemos transformar
algebricamente variáveis sem normalidade em
variáveis modificadas com normalidade (seção
5.5). Quando a transformação for possível, ela é
recomendada, em função das vantagens dos
testes paramétricos.
Análise de normalidade em testes.
Situação 1: uma única variável quantitativa.
Nesta situação vimos que a recomendação é a
utilização de Intervalos de Confiança ao invés
de testes de significância comuns. Entretanto,
mostraremos a análise, pois ela ajuda a enten-
der como isto é feito para duas variáveis. No
caso, o teste paramétrico seria um “Teste T de
uma amostra” (e a melhor alternativa não para-
métrica seria o próprio Bootstrap).
A análise depende do contexto:
1a) Algumas variáveis simplesmente costumam
ter distribuição normal, e assumimos (por ra-
zoabilidade) que a distribuição é normal sem
realizar uma análise de normalidade. Por exem-
plo, tamanho costuma ter distribuição normal, e
poucas pessoas questionariam presumir norma-
lidade na maioria das situações. Entretanto, há
um risco nesta premissa, até para variáveis que
tipicamente têm “comportamento normal”.
1b) Se você não pode assumir tranquilamente
este risco, então precisará colocar os dados em
um gráfico e avaliar a distribuição para ver se
têm um “jeitão” de curva normal, isto é, deve ser
aproximadamente simétrica na forma de um
sino. Esta análise depende de pelo menos uns
10 dados para caracterizar este “jeitão”. Não
precisa encontrar padrões perfeitamente nor-
mais, mas já dá para perceber grandes desvios
73
da normalidade. Este segundo procedimento
ainda é um pouco arriscado, por ser um pouco
subjetivo, mas geralmente é aceito, pois os
testes que exigem normalidade são considera-
dos robustos, isto é, eles “aguentam” desvios
razoáveis da normalidade.
1c) Se você tiver mais de 30 dados, você pode
utilizar um teste de normalidade (e. g. “Shapi-
ro-Wikes”), que determina se o desvio da nor-
malidade é grande demais para considerar a
curva normal. Se o teste mostrar um desvio
significativo da normalidade, então você ainda
poderia tentar uma transformação dos dados
(como veremos adiante).
Situação 2: uma variável resposta quantitativa e
uma variável preditora binária, categórica ou
ordinal.
Vale o mesmo que apresentamos acima para
uma variável, podemos assumir normalidade,
avaliar graficamente ou testar a normalidade.
Entretanto, neste caso, a análise de normalida-
de é feita dentro de cada um dos níveis da vari-
ável preditora. Por exemplo, numa análise de
alguma medida de resistência de pessoas (y)
em função do tipo sanguíneo é necessário que
haja normalidade da distribuição dos valores de
40
30
Resistência
20
10
0
A AB B O
Tipo Sangüíneo
Figura 3 Avaliação qualitativa de normalidade da variável
resposta dentro de cada nível da variável preditora. Os
padrões neste gráfico são compatíveis com distribuições
normais.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

10
10
Tendência retilinear

Var. Dep. Quant.

9
9
V. Dep. Quant

8
8
7
7

6
6

5
5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
0 1 2 3 4 5
Var. Ind. Quantitativa
Var. Ind. Quantitativa 2
2

Resíduos de Y em X
Resíduos de Y em X

1
1

0
0

-1
-1

-2
-2 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
0 1 2 3 4 5 Var. Ind. Quant itativa
Var. Ind. Quantitativa
10
Figura 5- Normalidade em relação linear (ver texto). Figura 4- Normalidade e curvilinearidade (ver texto).
m X

resistência para cada tipo sanguíneo (as curvas
normais ficam viradas em 90º no gráfico sobre
cada nível de x). Novamente, não espere que
os dados formem uma curva perfeitamente
normal se os tamanhos amostrais não forem
muito grandes, mas é necessário que a distribu-
ição seja pelo menos aproximadamente simétri-
ca e na forma de um sino para os testes para-
métricos. No exemplo abaixo os quatro níveis
têm padrão compatível com uma distribuição
normal.
Situação 3: Uma variável resposta quantitativa e
uma variável preditora quantitativa. Neste caso,
a relação entre as variáveis é representada por
uma linha. O esperado é que se encontre uma
curva normal em cada nível da variável predito-
ra e esta curva normal deve estar com a média
sobre o valor esperado para aquele nível da
variável preditora. Na prática, o problema de
normalidade mais comum nesta situação é a
média desta curva normal não estar no local
esperado, porque o modelo usado não é apro-
priado.
Suponha que o seu modelo é de regressão
retilinear, que é um modelo representado por
uma linha reta. O esperado é que a média em
cada nível esteja aproximadamente sobre a
linha reta, e que os pontos tenham uma distribu-
ição normal neste nível, como na figura ao lado.
74
Repare que os resíduos estão homogeneamen-
te distribuídos ao longo do eixo da variável pre-
ditora. Um desvio de normalidade ocorre quan-
do aplicamos um modelo retilinear a uma rela-
ção que na realidade é curvilinear (figura 5.4).
Repare que os resíduos não se distribuem ho-
mogeneamente ao longo do eixo da variável
preditora, inicialmente eles são muito altos,
depois muito baixos e ao final muito autos no-
vamente. (*usamos o termo “retilinear” porque o
termo “linear” não se restringe a modelos com
uma reta; vários modelos curvilineares também
entram nesta categoria segundo Zuug et al
2009)
Caso a análise de resíduos indique uma relação
não retilinear, então a forma de agir dependerá
do problema: a) se o objetivo for apenas saber
se há uma relação com previsão de aumento ou
redução monotônicos (sem reversão de tendên-
cia), pode se utilizar o teste não paramétrico
correlação de Spearman; b) se o objetivo inclui
uma descrição da relação, então você terá que
comparar estatisticamente os modelos alternati-
vos ou verificar a existência de um modelo flexí-
vel apropriado. Estes procedimentos estão des-
critos em Zar (1984).
Número de níveis efetivos apropriados na
variável resposta. A contagem do número de
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
30
Var. Dependente
20
Resistência
10
0
A AB B O
Tipo Sangüíneo
Figura 6Heterogeneidade de variâncias da variável respos-
ta entre níveis quantitativos da variável preditora.
níveis efetivos substitui a tradicional categoriza-
ção de variáveis em “discretas” e “contínuas”. O
conceito de variável contínua não se sustenta
porque todo instrumento de medida tem uma
precisão limitada. O problema da continuidade
existe, mas está ligado a um baixo número de
níveis efetivos, não à natureza da medida.
A condição de número de níveis efetivos sufici-
ente é uma extensão da premissa de normali-
dade. Se houver menos que cinco níveis efeti-
vos na variável resposta, então o “salto” de um
nível para o outro é proporcionalmente grande,
igual ou maior que 20% da amplitude (diferença
entre o menor e o maior valor). Portanto, não se
pode falar em uma curva normal, o máximo é
uma “escada normal”, e estamos “forçando” o
nosso algoritmo paramétrico devido à desconti-
nuidade dos valores. Por isto, quando você tiver
seis níveis efetivos ou menos na variável res-
posta, deveria utilizar um teste não paramétrico.
Quando você tiver 10 ou mais níveis efetivos,
então, dependendo das outras premissas, pode-
rá utilizar um teste paramétrico.
Homogeneidade de variâncias. Também
chamada de homocedasticidade, a homogenei-
dade (ou similaridade) de variâncias da variável
resposta entre níveis da variável preditora é
75
30
 
20
10
0
0 1 2 3 4  5 6
Var. Independente
Figura 5-5- Heterogeneidade de variâncias da variável
resposta entre níveis categóricos da variável indepen-
dente.
outra condição para podermos utilizar testes
paramétricos. Isto também pode ser investigado
graficamente. Em termos simples, as curvas
normais imaginárias sobre a distribuição dos
dados devem ser aproximadamente igualmente
“gordas”.A figura 5.5 mostra uma situação de
heterogeneidade de variâncias com variável
preditora categórica e a figura 5.6 com variável
resposta quantitativa.
Lidando com as “situações intermediárias”
Se você tem 6 a 9 níveis efetivos de medida na
variável resposta ou se há um desvio da norma-
lidade, mas este desvio não for muito grande ou
se há uma diferença entre as variâncias entre
os níveis das variáveis preditoras, mas esta
diferença não for muito grande, então você está
em uma situação intermediária entre a situação
em que recomendamos um teste paramétrico e
a situação em que recomendamos um teste não
paramétrico. Não há uma fronteira definida.
Caberá a você escolher conforme a situação,
considerando: a) Se a situação exigir uma abor-
dagem mais conservadora, ou se você tem uma
personalidade mais conservadora, dê preferên-
cia aos testes não-paramétricos; b) se há um
conhecimento de que a variável em estudo cos-
tuma ter um comportamento mais próximo às
premissas de testes paramétricos, então dê
preferência a estes; c) Leve em conta na esco-
lha que esta região tem um forte gradiente, e. g.
uma variável com 6 níveis efetivos está muito
mais próxima da necessidade de testes não
paramétricos do que uma variável com 9 níveis
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

efetivos. d) Leve em conta os três critérios ao
mesmo tempo, uma circunstância com condição
intermediária em apenas um critério tende a ser
menos crítica que uma circunstância com con-
dição intermediária nos três critérios.
5.5 Transformação de dados
Como dissemos antes, havendo normalidade e
homocedasticidade, a estatística paramétrica é
mais poderosa. Em muitos casos em que as
premissas não se aplicam, é possível utilizar
operações matemáticas para transformar os
dados e obter normalidade e homocedasticida-
de. Este procedimento de tentar uma transfor-
mação é recomendado para se obter o poder do
teste paramétrico e quando se deseja obter
descrições com equações lineares.
trapaça, porque você realiza a transformação
durante a fase de avaliação das premissas,
antes de ver o resultado do teste. Seria trapaça
se o motivo da transformação fosse o resultado
do teste. Estas transformações são realmente
um procedimento recomendado para variáveis
quantitativas respostas antes da decisão de se
utilizar um teste não paramétrico.
5.6 Outras premissas
Há outras premissas que envolvem testes de
relações, algumas se aplicam a todos os testes
(e. g. balanço) e outras a alguns testes em par-
ticular (e. g. ortogonalidade, “empates” em ran-
queamento, tamanhos amostrais em testes de
proporções).

Balanço entre níveis da variável preditora

A transformação utilizando logaritmo é reco-
Balanço significa equilíbrio no número de dados
mendada quando há uma relação positiva entre
entre os níveis da variável preditora em testes
a média e a variância (quanto maior a média,
de relações entre duas ou mais variáveis. Se
maior a variância). Quando não há valores i-
quisermos comparar o tamanho de aranhas em
guais a zero, a fórmula utilizada é y’= LN(y);
função do sexo e vamos medir 20 aranhas, é
quando há valores iguais a zero é y’= LN(y+1).
melhor termos 10 machos e 10 fêmeas do que
Em alguns casos, como na relação entre peso e
17 machos e três fêmeas.
altura, costuma-se utilizar uma curva “log-log”,
onde são utilizados os logaritmos tanto da vari-
O balanço se aplica a variáveis de qualquer
ável preditora como da resposta. A transforma-
escala de medida da variável preditora, binárias,
ção pela raiz quadrada é recomendada quando
categóricas, ordinais ou quantitativas. No caso
não há normalidade e a variável resposta é uma
de variáveis categóricas, o número de casos
contagem de casos, o que normalmente leva a
para cada categoria (cada nível categórico) não
uma distribuição do tipo “Poison”, ou em outras
deveria ser muito diferente. No caso de variá-
situações em que seja observada esta forma de
veis ordinais, cada categoria ordinal (cada nível
distribuição. Quando não há valores iguais a
ordinal) deve ter números aproximadamente
zero, a fórmula utilizada é y’=SQR (y); e quando
semelhantes. No caso de variáveis quantitati-
há valores iguais a zero, a fórmula é y’=
SQR(y+0,5) (SQR= Raiz Quadrada). Outras 15

transformações são mais complexas, como a

Box-Cox são utilizadas quando não se aplicam 10
Tamanho

as duas transformações anteriores, mas não

estamos lidando com proporções, e a transfor-
5
mação de Arcoseno quando os dados são
proporções (0 a 1) ou porcentagens (0 a 100%).
Nestes casos, deve se consultar um texto mais 0
f m
aprofundado (e. g. Sokal & Rohlf, 1988). Sexo

Figura 7 Dados balanceados com 10 entidades por nível.

Estas transformações podem parecer que se
está “trapaceando” no “jogo” estatístico. Não é
76
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
vas, a distribuição dos dados deveria ser apro-
ximadamente homogênea ao longo do eixo x.
VARIÁVEL Y
Se dividirmos os dados da variável quantitativa
em 3 a 5 intervalos, a quantidade de dados em
cada um deles não deve ser muito diferente.
O balanço é algo que podemos controlar facil-
mente em situações experimentais. Em situa-
ções não experimentais em que temos possibi-
lidade de coletar bastante, podemos estratificar
a amostra de forma a obter balanço (e. g. cole-
tar 10 indivíduos de cada espécie, tanto das
comuns como das raras). Entretanto, quando há
poucos dados, podemos ter dificuldade para
obter balanço. Imagine que as aranhas do e-
xemplo acima fossem fósseis raros, como obter
mais fêmeas se são tão raras?
Não encontrei nenhum livro ou artigo na internet
que fornecesse critérios para sabermos quanto
de desbalanço compromete uma análise com
uma única variável preditora. Há bons livros de
estatística com exemplos de análises com des-
balanço superior ao dobro de casos entre o
nível com menos dados e o nível com mais
dados, o que sugere que podemos assumir
robustez para desbalanços fortes, mas não
haveria um mínimo? O teste Qui quadrado é o
único teste que conheço que considera suspei-
tos resultados com menos que 5 valores em
alguma das combinações de níveis, e podemos
sugerir que este critério seja estendido a outros
testes da seguinte forma: no mínimo 5 unidades
amostrais em cada nível da variável preditora
categórica e pelo menos 5 unidades amostrais
em cada extremidade de regressões lineares,
para que não ocorra situações como esta da
figura abaixo. Caso haja menos que 5 unidades,
então a categoria deveria ser eliminada da aná-
lise ou aglutinada com outra categoria. Outra
opção seria a utilização de um teste não para-
métrico de permuta. No caso das regressões, a
análise deveria ser restrita à região do gráfico
que possui dados suficientes.
Ortogonalidade. A falta de balanço em testes
com uma única variável preditora só deve ser
uma preocupação em casos de desbalanços
extremos. Entretanto, quando há mais de uma
77
20
15
10
5
0
0 5 10 15 20 25
VARIÁVEL X
Figura 8- Dados desbalanceados ao longo de variável
quantitativa.
variável preditora na questão, é necessário se
ter mais atenção, pois desbalanços podem ge-
rar relações espúrias.
Por exemplo, se estamos querendo avaliar o
efeito do nitrogênio e do cálcio sobre o cresci-
mento de uma planta ao mesmo tempo (nor-
malmente para verificar a existência de uma
interação entre estes fatores), o ideal é utilizar-
mos um número de vasos igual para cada com-
binação dos níveis de cada fator. Por exemplo,
se tivermos os níveis +0, +10 e +50mg de nitro-
gênio e os níveis +0, +10 e +50g de cálcio, te-
remos nove combinações de concentrações.
Normalmente isto é possível em situações ex-
perimentais. Há alternativas para tratar dados
desbalanceados nesta situação, mas elas estão
fora do escopo deste texto.
Balanço entre níveis da variável resposta em
testes não paramétricos por ranqueamento.
Os testes não paramétricos que mostramos
neste curso são do tipo mais comum, chamado
testes de ranqueamento, no qual os valores
absolutos medidos são substituídos por valores
de posição. Este procedimento é mais apropria-
do do que um teste paramétrico quando a distri-
buição está muito fora da normalidade e/ou da
homogeneidade de variância. Entretanto, pou-
cos textos de estatística destacam que estes
testes também são influenciados pela distribui-
ção dos valores ranqueados em casos extre-
mos. Por exemplo, imagine que você quer com-
parar o deslocamento de uma espécie de sapo
em dois ambientes. Você tem várias medidas
de distância, mas cerca da metade dos sapos
não se moveu. Este padrão com muitos zeros
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
empatados (“ties”) não é raro, e não deveria ser
analisado por um teste de ranqueamento co-
mum. Alguns autores (e. g. Gotelli & Elisson,
2010) recomendam que estes testes sejam
abandonados e substituídos por procedimentos
de permuta do tipo Monte Carlo. É uma posição
muito válida, entretanto, considerando que ain-
da não há uma tradição consolidada do uso dos
testes de permuta, ainda é razoável a manuten-
ção do uso dos testes de ranqueamento em
situações em que não há um excesso de empa-
tes em poucos níveis efetivos de testes não
paramétricos de ranqueamento.
Tamanhos amostrais mínimos em testes de
proporções. Cuidado ao aplicar testes de pro-
porções, eles só são válidos em certas condi-
ções. No caso do teste de uma proporção, a
condição é [n .p0 > 10 e n (1 − p0) > 10], sendo
n o tamanho amostral e p0 a proporção obtida.
Por exemplo, se você quer saber se a propor-
ção 3:5 é significativamente diferente de 50%,
terá n=8 e p0=0,375. Como 8x0,375<10, este
teste não poderia ser aplicado. Entretanto, po-
deríamos testar se 30:50 é significativamente
diferente de 50% porque n=80 e 80x0,375>10.
No caso de testes de duas proporções, a condi-
ção é [(n1 p1) > 5 e n1(1 − p1) > 5 e (n2 p2) > 5
e n2(1 − p2) > 5], sendo n1 e n2 os tamanhos
amostrais e p1 e p2 as proporções. Assim, se
queremos testar se as proporções 1:5 e 40:50
são diferentes, teríamos 6x0,2<5, o que tornaria
o teste suspeito. Tabelas de contingência tam-
bém têm restrições para tamanhos amostrais
pequenos dentro de cada célula. No Mystat
quando há menos que 5 observações em uma
célula, o resultado é considerado suspeito pelo
programa.
Se você está com um problema de tamanho
amostral em um teste deste tipo, e não puder
coletar mais dados, provavelmente possa utili-
zar uma abordagem de permuta como o “boots-
trap”, mas é bom considerar uma consulta a um
estatístico.
5.7 Contrastes
78
Esta seção trata de um aspecto dos testes com
variável resposta quantitativa e variável predito-
ra categórica. Nesta situação, o teste nos permi-
te determinar se há uma diferença entre os
níveis da variável preditora. Por exemplo, po-
demos comparar o crescimento de galinhas
com três marcas de ração e descobrir que há
efetivamente uma diferença. Entretanto, isto
não costuma ser uma resposta satisfatória,
normalmente queremos saber quais diferenças
são significativas entre cada marca de ração.
Digamos que tenhamos os níveis A, B e C e
tenhamos obtido uma diferença estatisticamente
significativa. Isto significa que: A>B>C ou que
A>B=C ou que A=B>C? Para definir quais dife-
renças são estatisticamente significativas é
necessário um teste de contraste após um teste
de ANOVA ou Kruskal-Wallis. O teste mais usa-
do para ANOVA chama-se Tukey. No caso do
Kruskal-Wallis pode se utilizar um teste Mann
Whitney entre cada nível. Existe a possibilidade
do teste não apontar diferenças significativas
entre os níveis (A=B e B=C). Isto parece um
contra senso, mas é possível porque no conjun-
to a diferença é significativa, mas que pode não
haver dados suficientes para saber qual nível é
diferente de outro nível.
Exercícios
5.1- Represente com um gráfico EPR uma situação
com uma variável preditora com 4 níveis efetivos
ordinais (não quantitativos) e uma variável resposta
quantitativa com mais de 10 níveis efetivos e forte
diferença na variância entre os níveis.
5.2- Represente com um gráfico EPR uma situação
com variável preditora binária em que um dos níveis
apresenta uma distribuição de dados claramente
discrepante de uma distribuição normal e o outro
nível com uma distribuição claramente compatível
com uma distribuição normal com 10 entidades em
cada nível.
5.3- Represente com um gráfico EPR uma situação
com variáveis respostas e preditoras quantitativas. A
variável preditora deve ter quatro níveis e a relação
não deve ser compatível com uma relação retilinear.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

5.4- A transformação de dados é um procedimento

recomendado em que situações?*

5.5- Quais as diferenças entre as condições para

testes paramétricos e para testes não paramétricos.

5.6- Por que realizamos análise de contrastes quan-

do a variável preditora é categórica?

5.7- Represente com um gráfico EPR uma situ-

ação com uma variável preditora com 4 níveis
categóricos (não quantitativos ou ordinais) e
uma variável resposta quantitativa com mais de
10 níveis efetivos. Neste gráfico deve haver um
forte desbalanço (>50%) entre o nível mais re-
presentado e o menos representado na variável
preditora.

5.8- Quais as premissas dos testes paramétri-

cos apresentadas neste capítulo e qual teste
paramétrico pode ser realizado sem homoge-
neidade de variâncias entre os níveis das variá-
veis preditoras.

79
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
6. Planejamento Amostral
6.1 Independência entre unidades
amostrais
O planejamento amostral tem por objetivo de-
terminar a melhor forma de coletar os dados
prevenindo relações espúrias (este capítulo) e
obtendo o máximo de poder para a nossa análi-
se (próximo capítulo) dentro das possibilidades
logísticas do estudo. A introdução sobre coleta
de dados do capítulo 3 será aprofundada nestes
dois capítulos.
Os cursos introdutórios de estatística, como
este, lidam basicamente com “hipóteses estatís-
ticas simples” (seção 1.3), que tem como pre-
missa a independência entre unidades amos-
trais. As ferramentas para lidar com estas hipó-
teses são diversificadas e se constituem nas
formas predominantes da análise de dados em
biologia. A premissa que lhe dá força é justa-
mente seu Calcanhar de Aquiles: a indepen-
dência entre unidades amostrais. Se não houver
garantia desta independência, o resultado da
análise não será confiável.
No caso de perguntas sobre uma única variável,
a independência significa que a amostra é re-
presentativa da população. Por exemplo, se
quisermos saber se a proporção de plantas com
flores vermelhas ou brancas de uma espécie
em um campo é compatível com a 1ª lei de
Mendel (3:1), o ideal é que a escolha das plan-
tas na amostra seja aleatória. Entretanto, pode
ser inviável marcar todas as plantas para um
sorteio, então poderíamos pensar em outra
forma de amostrar, desde que tenhamos confi-
ança que o resultado não seria tendencioso. Por
exemplo, poderíamos ter um mapa detalhado
da área, criar um “grid” (gradeado) e escolher
as plantas mais centrais em cada célula do
“grid” (amostra sistemática). Há diversos tipos
possíveis de amostras sistemáticas, mas nem
todas garantem a representatividade, de forma
que devem ser pensadas primeiramente para
80
evitar alguma tendenciosidade e depois em
função da conveniência logística.
No caso de perguntas sobre relações, que en-
volvem duas ou mais variáveis (sendo pelo
menos uma preditora e pelo menos uma res-
posta), a independência, significa que “Os valo-
res da(s) variável (is) preditora(s) foram manipu-
lados ou escolhidos de forma que as influências
de relações com potenciais variáveis de con-
fundimento sobre a relação em estudo foram
todas anuladas ou radicalmente reduzidas.”
(cap.3).
A situação ideal para se obter a independência
em estudos de relações é o experimento contro-
lado, no qual manipulamos o valor da variável
preditora e medimos o efeito na variável respos-
ta. Entretanto, em muitos estudos não é possí-
vel se manipular a variável preditora. Vejamos
alguns exemplos de problemas de confundi-
mento.
6.2 A coleta parecia apropriada, mas...
Estudo 1. Pergunta: há diferenças no tamanho
de machos e fêmeas de borboletas da espécie
Capronnieria abretia (Satyrinae) ?
Procedimento: coleta de 20 borboletas em janei-
ro e 20 em julho.Na figura ao lado representa-
mos uma parte da tabela EPR. As entidades
seriam borboletas e as propriedades seriam
tamanho e sexo. A relação está representada
pela seta.
Tamanho Sexo
12 m
10 m
11 f
11 f
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Há algo errado com este procedimento? O grá-
fico abaixo mostra que o tamanho dos animais
em janeiro (verde) é maior que em julho (bran-
co) Também vemos que em janeiro encontra-
mos mais machos e em julho mais fêmeas.
Machos e fêmeas de janeiro têm os mesmos
tamanhos; machos e fêmeas de julho têm o
mesmo tamanho. Portanto, não há dimorfismo
sexual de tamanho. Entretanto, se não levamos
em conta as variações temporais de tamanho e
de abundância, aparece uma falsa evidência de
dimorfismo.
Janeiro ( ) Julho ( ) ada quando há pouco peixe nos lagos e termine
Tamanho
Estudo 2. Pergunta: A abundância de peixes
em lagos de várzea no amazonas varia entre a
fronteira com o Perú e Belém?
Amostragem: 6 meses coletando ao longo do
Rio Amazonas em diversos lagos com método
padronizado. Os lagos são escolhidos ao acaso
à medida que o barco de coleta vai descendo o
rio.
Há algo errado? A quantidade de peixes varia
muito ao longo do ano nos lagos próximos ao
Rio Amazonas. Digamos que a coleta seja inici-
quando há muitos peixes no lago. Se a coleta é
feita à medida que o barco desce o rio, haverá

diminuição da pesca à medida que o barco se

afasta do Perú, não devido à variação espacial
da pesca, mas devido à variação temporal. A
variável de confundimento foi a época do ano
que estava relacionada com a posição do barco
e com a quantidade de peixes.
Machos Fêmeas
Estudo 3. Pergunta: A temperatura do ar condi-
cionado influi sobre a capacidade de concentra-
Isto ocorre quando há uma variável de con- ção durante uma avaliação?
fundimento. Uma variável de confundimento é
aquela que influi sobre a variável resposta e a Coleta de dados. 15 voluntários são colocados
variável preditora ao mesmo tempo, criando para resolver problemas que exigem concentra-
uma relação inconsequente espúria entre elas. ção em 3 momentos. Sem que eles soubessem,
Isto fica mais claro no esquema das flechas a temperatura da sala foi ajustada em diferentes
nesta figura níveis em cada momento e a posição deles na
sala foi determinada aleatoriamente. No primei-
ro dia, a temperatura estava em 20ºC, no se-
gundo dia em 24ºC e no terceiro dia em 28ºC. A
maioria dos estudantes obteve os piores resul-
tados no primeiro dia e o melhor no último dia, o
resultado foi fortemente significativo (P< 0,001).
Tamanho Sexo Época A interpretação do experimento é que os estu-
12 m 1 dantes concentram-se melhor em salas mais
10 m 1 quentes e recomendaram a exclusão dos condi-
11 f 1 cionadores de ar das salas de aula da universi-
11 f 1
dade.
Relação espúrea
Problema. Na realidade, os estudantes tendem
a se concentrar melhor a 20ºC, entretanto, no
. Relações causais primeiro dia eles tinham pouca experiência com
o teste. No segundo dia, eles aprenderam ainda
mais e no terceiro fizeram a sua melhor prova,
81
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

mesmo com o incômodo de uma temperatura deve ser eliminado apenas porque secou há 4
alta. A ordem dos exames foi a variável de con- anos, isto acontece em lagos, trocar de lago
fundimento, pois ela determinou a temperatura não é a solução. O errado é querer tirar mais de
e a experiência. Seria melhor que a ordem das uma medida por lago se a questão é a diferença
temperaturas fosse aleatória, embora isto seja entre lagos. Melhor seria ter uma coleta por lago
um fator complicador na hora de realizar um em 5 lagos de água branca e em 5 lagos de
estudo destes, quando há uma variável de con- água preta, preferencialmente de bacias hidro-
fundimento ligada à sequência de tratamentos, gráficas diferentes. Dos exemplos apresenta-
planejamentos experimentais como estes são dos, este é o caso mais claro de Pseudoreplica-
um convite para relações inconsequentes espú- ção.
rias.
A pseudo-replicação é definida como o uso de
Estudo 4. Pergunta: Lagos de água branca têm estatística inferencial para testar efeitos de tra-
mais peixes do que lagos de água preta? tamentos com dados de experimentos que não
são replicados ou quando as replicatas não são
Coleta: Instalamos 50 redes de coleta de peixes estatisticamente independentes (Hurlbert,
em um lago no centro de uma ilha em Anavilha- 1984). Em abordagens experimentais e em
nas (bem representativo de lagos de água pre- alguns estudos observacionais, como o citado
ta) e 50 redes de coleta em um lago semelhante acima, é mais fácil se perceber quando há
no centro da ilha da Marchantaria (bem repre- pseudo-replicação, mas nem sempre é assim. O
sentativo de lagos de água branca) na mesma termo pseudo-replicação tornou-se muito popu-
época do ano lar e tem sido muito importante para despertar
e com técnica mais nas pessoas o cuidado com replicatas
padronizada. indevidas. Entretanto, acredito que ele só possa
Os dois lagos ser bem compreendido depois de se entender
foram selecio- Taxa de Tipo de melhor alguns os tipos de variáveis (em termos
nados aleato- captura água de sua influência na relação em estudo) e tipos
riamente de de controle.
uma lista
grande de 23 branca
lagos repre- 29 branca
sentativos dos 3 preta
respectivos 5 preta
tipos de água.

A princípio, a estrutura da planilha para este

estudo seria esta ao lado, mas será que ela é
válida nesta situação? Taxa de Tipo de local Lago
captura água secou
nos
O problema é que todas as coletas de peixes de últimos 5
água branca foram feitos no lago 1, e todas as anos?
23 branca Lago 1 não
de água preta foram feitos no lago 2. A diferen- 29 branca Lago 1 não
ça de tipo de água certamente não é a única 3 preta Lago 2 sim
5 preta Lago 2 sim
diferença entre estes dois lagos. Por exemplo, o
lago 1 secou há 4 anos, e a comunidade de
peixes e de plantas que são refúgio para peixes
foram severamente afetadas. O resultado do
estudo é simplesmente se há diferença na taxa
de captura entre estes dois lagos. O lago 1 não
82
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

6.3 Tipos de variáveis dentro de mapas
conceituais.
Como vimos anteriormente, algumas questões
podem ter apenas uma variável em análise.
Neste caso, temos de nos preocupar apenas
com a representatividade (seção 3.3), não há
variáveis externas nem possibilidade de con-
fundimento.
Algumas vezes investigamos a existência de
relações entre duas variáveis sem relação cau-
sal entre si, mas que poderiam estar respon-
dendo à mesma variável preditora ou realiza-
mos uma investigação preliminar sobre causali-
dade sem a preocupação rigorosa com a possi-
bilidade de variáveis de confundimento. Neste
caso, dizemos que estamos estudando a exis-
tência de uma correlação. Variáveis que apre-
sentam relações causais costumam apresentar
correlação, desde que a variável preditora varie
suficientemente, e desde que variáveis de ruído
não obscureçam muito a relação. Entretanto,
correlações não implicam relações causais de-
vido à possibilidade de confundimento. Por isto,
em uma análise de correlação, não estamos
nos preocupando muito com variáveis externas.
alternativas razoáveis que poderiam levar ao
mesmo resultado, como a diferença na prefe-
rência a algum fator ambiental (e. g. umidade)
ou à densidade de um predador comum às duas
espécies que prefere alimenta-se mais da presa
onde o predador for menos abundante.
É quando estamos realizando um estudo cuida-
doso de relações causais que precisamos avali-
ar variáveis externas. Vejamos os tipos de vari-
áveis externas e como lidar com elas.
As variáveis externas são divididas em:
b1) Variáveis Neutras, não afetam nem a vari-
ável resposta nem a preditora; b2) Variáveis
Pré Explicativas, que afetam diretamente ape-
nas a variável preditora; b3) Variáveis de Ruí-
do (VR), são aquelas que afetam a variável
resposta, mas não afetam a(s) variável(is) predi-
tora(s); b4) Variáveis de Confundimento (VC).
São aquelas que afetam tanto a variável predi-
tora como a variável resposta, criando uma
relação inconsequente espúria entre as variá-
veis em questão; b5) Variáveis de Caminho,
são aquelas que explicam a relação consequen-
te entre a variável preditora e a variável respos-
ta.

Você poderia comparar a correlação entre da-

dos climáticos efetivamente medidos (e. g. Cho-
veu) e as previsões feitas por dois modelos
climáticos (um dizia que ia chover e o outro
não). Note que as previsões de clima não cau-
sam o clima, entretanto, tanto o clima como as
previsões são influenciadas pelas condições
atmosféricas anteriores. Aqui o estudo de corre-
lação nos conduz a conclusões concretas

A correlação frequentemente é estudada como

uma forma de obter indícios de relações cau-
sais, mas a conclusão tende a ser menos con-
creta. Por exemplo, podemos verificar se a a-
bundância de uma espécie (e. g. uma presa)
está correlacionada com a abundância de outra
espécie (e. g. seu predador). A existência de
uma correlação negativa é um indício que o Figura 9- Classificação dos tipos de variáveis em função
predador influi sobre a densidade da presa, mas da sua participação em uma questão.
é um indício fraco, pois há outras explicações

83
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Figura 6-2- Mapa conceitual mostrando duas Variáveis em Questão (mais escuro) e diversas variáveis externas.

gunta se isto poderia ter causado a diferen-

Vamos discutir esta classificação em um exem-
plo. A figura 6.2 representa um mapa conceitual
de uma questão sobre o efeito do tipo de água
sobre a quantidade de tambaquis em lagos. A
ideia é que água branca tem mais nutrientes
que possibilitam uma maior produção de frutos
das árvores da borda que são o principal ali-
mento para os peixes adultos.
Digamos que fizemos a coleta de dados em 15
lagos de água branca e 15 de água preta e
obtivemos uma relação significativa (P<0,05)
entre o tipo de água e a abundância de peixes.
Levamos o trabalho a um congresso e as pes-
soas questionam sua conclusão.
1) Dra. Kaufman, economista da USP, obser-
vou que os lagos de água preta estão mais
próximos da metrópole e levanta a possibi-
lidade da diferença na quantidade de peixes
ser causada mais pela pressão do consumo
do que por diferenças ambientais.
2) Dr. Fisher pergunta sobre a experiência dos
pescadores que ajudaram no estudo e per-
84
ça.
3) Dr. Livinstone pergunta se poderia haver
uma diferença entre as nascentes das fon-
tes que alimentam o lago para causar as di-
ferenças de cor da água.
4) Dr. Glenn pergunta se poderia ter havido
algum efeito da fase da lua durante a cole-
ta.
5) Dr. Traíra sugere que a causa da maior
abundância não seja a diferença de produ-
ção de frutos, mas uma diferença de trans-
parência da água, o que dificulta a ação dos
predadores, pois são visualizados de longe
pelas presas. Outra possibilidade é que os
jovens Tambaquis tenham mais alimentos
em uma fase em que são predadores. Por-
tanto, o importante seria o alimento na fase
de jovens e não de adultos.
O tipo de água e a abundância de tambaqui
foram respectivamente a Variáveis preditora e
a Variável resposta, as duas Únicas Variáveis
em Questão; as outras são Variáveis Externas.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
A proximidade da metrópole poderia ser causa-
dora de uma relação inconsequente espúria
(como sugere a Dra. Kaufman). Foi a pergunta
mais “perigosa” das que foram feitas porque é
uma potencial Variável de Confundimento.
A experiência dos pescadores realmente pode
afetar a eficiência da pesca e a quantidade de
peixes capturados. Explicamos que não houve
confundimento porque os pescadores foram
sempre os mesmos nos lagos de água branca e
nos de água preta, portanto, o efeito da diferen-
ça de habilidade distribuído igualmente, preve-
nindo uma relação inconsequente espúria por
este fator. Se os pescadores diferirem muito na
sua habilidade, isto adiciona variância aos da-
dos, e pode obscurecer a relação, por isto esta
variável é chamada Variável de Ruído. Entre-
tanto, como a diferença foi significativa, o pro-
blema do “ruído” foi superado pelo tamanho
amostral. De qualquer forma, o ruído é um pro-
blema menos sério que a tendenciosidade.
A pergunta sobre as nascentes é aceitável co-
mo curiosidade e pode até ser útil para especu-
lações relacionadas à questão. Entretanto, é
uma pergunta inofensiva para a questão especí-
fica. A questão do estudo não era o que deter-
minava o tipo de água entre os lagos. Partia-se
do fato de que elas são diferentes para se ques-
tionar as consequências disto. Esta variável
afeta a variável resposta, mas justamente pelo
seu efeito na preditora, de forma que não cria
uma relação espúria. Por isto é chamada de
Variável Pré-Explicativa
Nós nem pensamos em verificar a lua. Entretan-
to, acreditávamos que ela realmente seria irre-
levante. Nenhum estudo anterior chegou a su-
gerir este efeito, este peixe tem hábitos diurnos
e as coletas entre lagos foram intercaladas,
sendo improvável que houvesse coincidido um
maior número de coletas em um tipo de água
associado a um tipo de lua. Seja por questões
biológicas ou por questões da forma como os
dados foram coletados, consideramos que esta
variável não seria uma fonte de relações espú-
rias. Por isto esta variável foi considerada uma
85
Variável Neutra. Algumas vezes, simplesmente
tomamos como premissa que algumas variáveis
são neutras, o que envolve um risco. Na dúvida,
é bom tentar neutralizar até os menores riscos
de confundimento, entretanto, o bom senso
precisa ser utilizado para não ficarmos paranói-
cos quando uma variável não puder ser contro-
lada, mas puder ser considerada irrelevante.
A sugestão do Dr. Traíra é válida. Nós sugeri-
mos um “caminho” de causalidade e mostramos
que nossos dados são coerentes com nossa
proposta de explicação do funcionamento do
sistema. Entretanto, há outros “caminhos” que
seriam coerentes com nossos resultados. Ape-
nas estudos mais profundos poderão nos permi-
tir ter certeza do caminho real. Entretanto, isto
não invalida o trabalho, a relação encontrada foi
pelo menos um avanço para se compreender o
funcionamento do sistema. As observações do
Dr. Traíra precisam ser anotadas para alternati-
vas em estudos posteriores. Por isto, estas
variáveis são chamadas Variáveis de Cami-
nho.
Em resumo, o único questionamento realmente
crítico para o seu trabalho foi o da Variável de
Confundimento. Note sua característica no es-
quema de mapa conceitual: é a única que forma
uma alça externa entre as variáveis preditora e
resposta. É o seu calcanhar de Aquiles. Discuti-
remos o que pode ser feito sobre isto depois.
Pelo menos, nesta seção nós vimos que não
temos que ficar paranóicos com quaisquer vari-
áveis, apenas as potenciais variáveis de con-
fundimento realmente colocam o estudo em
risco de ser considerado inválido.
Nas próximas seções abordaremos conceitos
que serão úteis para compreendermos como
lidar com as variáveis de confundimento.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
6.4 Controle: tratamento, função e
estratégia
Quando nosso objetivo é determinar se uma
relação existe e/ou descrever a relação, usamos
um princípio básico (preliminar) de controle:
“Precisamos variar a variável preditora, man-
ter fixas todas as demais variáveis e ver co-
mo muda a variável resposta”. Veremos adi-
ante que este princípio é utópico, mas é um
ideal que serve como referência para entender
o objetivo do planejamento amostral no estabe-
lecimento de relações. Note que este objetivo
não é compatível com a amostra representativa
(aleatória) da população descrita na seção ante-
rior. Não precisamos ter uma amostra represen-
tativa de todas as sementes de soja do mundo
para testar o efeito de um nutriente sobre o seu
desenvolvimento, basta um lote. É verdade que
as conclusões podem não valer para todos os
lotes, ou todas as variedades, mas isto é uma
questão de validação externa que normalmente
é tratada em um segundo momento. A essência
do princípio é que temos que ter o máximo de
controle sobre as variáveis potenciais de con-
fundimento.
Há três sentidos para a palavra controle, o sen-
tido tratamento, o sentido de função e o sentido
de estratégia.
6.5.1 Controle no sentido de tratamento nulo.
Para verificar o efeito de algum fator (uma vari-
ável preditora) sobre “alguma coisa” mensurá-
vel, temos que realizar uma comparação. O
termo tratamento é utilizado para abordagens
experimentais nas quais manipulamos a variá-
vel preditora e significa cada nível da variável
preditora. O controle no sentido de tratamento
divide-se em três tipos, o controle de tratamento
nulo, o controle de tratamento processual nulo e
o controle nulo reverso. No controle de trata-
mento nulo simples, o controle significa grupo
sem intervenção, como quando não aplicamos
nada em um grupo de ratos (chamado de con-
trole) comparado com o grupo que recebeu uma
86
droga injetável. No controle de tratamento
nulo processual, o controle significa um grupo
com um procedimento mais próximo ao trata-
mento alternativo, como quando aplicamos soro
fisiológico em um grupo de ratos (controle)
comparado com outro grupo que recebeu a
droga diluída no mesmo soro. No controle de
tratamento nulo reverso, cada tratamento
funciona como um controle do outro, como
quando injetamos drogas diferentes em dois
grupos de ratos. Algumas pessoas acreditam
que sempre precisamos de “tratamentos nulos
simples ou processuais”, entretanto, para esta-
belecermos uma relação, só o que precisamos
é uma comparação.
6.5.2 Controle no sentido de função.
No sentido de função, há duas categorias de
controle, o controle de ruído e o controle de
tendenciosidade, que tem objetivos diferentes.
Quando estamos querendo estudar a relação
entre uma variável resposta e uma variável
preditora* (variáveis em questão), temos tam-
bém uma infinidade de variáveis externas que
podem influir sobre a variável preditora, sobre a
variável resposta ou sobre ambas (Fig. 6.3).
Se a variável externa influir apenas sobre a
variável preditora, temos uma Variável Pré Ex-
plicativa (seção 6.3), que não influi diretamente
sobre a relação R1. No exemplo daquela seção,
tínhamos uma questão sobre a relação entre o
tipo de água (VI) e a abundância de tambaquis
(VR), e vimos que o motivo das águas serem
diferentes era o tipo de solo nas nascentes
(VE), que era irrelevante para a questão. O solo
nas nascentes não tinha uma relação direta (i.
e. separada) com a abundância dos peixes,
apenas tinha uma relação indireta através da
própria variável preditora.
Se a variável externa influir apenas sobre a
variável resposta, não teremos uma Variável de
Confundimento nem uma relação inconsequen-
te espúria. Entretanto, quanto mais a variável
externa variar, maior será a variação da variável
resposta, a ponto de poder “obscurecer” a rela-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Figura 6 3. Efeitos de Variáveis Externas sobre uma relação em
estudo (R1). As relações entre estas variáveis e a Variável predito-
ra (R2 a R5) são potenciais geradoras de confundimento. As rela-
ções entre as Variáveis Externas e a Variável resposta em questão
R6 a R9 são causadoras de ruído. (*O mesmo se aplica com mais
variáveis preditoras em estudo, mas é mais complexo, pois as
relações entre as variáveis preditoras em estudo também precisam
ser consideradas.)
ção R1. Este efeito é denominado Ruído. O
ruído, por definição, não é tendencioso, mas é
prejudicial porque aumenta a chance de erro
tipo II. A manipulação de uma variável externa
para reduzir o ruído é denominada Controle
Anti Ruído, e consiste em fixar seu valor ou
pelo menos diminuir a variância desta variável.
No exemplo dos tambaquis, diferenças nas
habilidades dos pescadores poderiam obscure-
cer a relação em estudo, de forma que seria
mais indicado que apena um pescador realizas-
se o trabalho ou que todos fossem treinados em
técnicas bem padronizadas.
Se a variável externa influir sobre a variável
resposta e sobre a variável preditora ao mesmo
tempo, temos que eliminar uma das duas rela-
ções. A relação entre a VE e a VR só pode ser
anulada fixando-se VE, o que também anula
sua relação com VI. Entretanto, quando isto não
é possível, ou em função de uma preocupação
com a validação externa do estudo, a opção é
anular a relação entre VE e VI. No exemplo dos
Tambaquis, a habilidade dos pescadores não
tinha relação com a variável preditora porque
87
todos eles foram para todos os lagos, mas se
um fossem para os lagos de água branca e
outro fosse para os lagos de água preta, então
teríamos uma potencial variável de confundi-
mento. Este controle contra relações inconse-
quente espúrias, isto é, contra o aumento da
chance de erro tipo I (para além de α), é deno-
minado Controle Anti Tendenciosidade. As
estratégias para se obter os dois tipos de con-
troles serão discutidas na próxima seção.
6.5.3 Estratégias de controle
Os controles no sentido de estratégias envol-
vem fixar, aleatorizar, sistematizar e/ou blocar
valores de variáveis ou incluir mais variáveis na
questão.
Controle por identidade das condições inici-
ais.
Se todas as variáveis com potencial de influir
sobre a variável resposta tivessem valores ab-
solutamente idênticos, ou tivessem um efeito
insignificante, muito menor que o efeito da vari-
ável preditora, e fizéssemos variar apenas a
variável resposta, bastariam duas unidades
amostrais com dois níveis para a variável predi-
tora para mostrarmos a existência de uma rela-
ção (ou mais níveis para descrevermos a rela-
ção).
É a premissa mais forte que se pode imaginar
para um teste, a menos razoável, e a que dá o
maior poder possível a um teste. Apesar de
parecer absurda, a premissa de “controle abso-
luto” pode ser utilizada frequentemente em labo-
ratórios de Física e de Química, com experi-
mentos com objetos padronizados e em rea-
ções com substâncias puras. Na realidade,
controle absoluto não existe nem nestas ciên-
cias exatas, o que ocorre é que em algumas
situações já se conhece suficientemente um
fenômeno para se saber que variáveis externas
teriam dimensões tão irrelevantes que podem
ser simplesmente ignoradas. Em situações tão
controladas, normalmente nem se está testando
se uma relação existe, já se sabe que existe, o
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
objetivo do estudo costuma ser descrever a
forma da relação.
Em biologia, raramente é razoável se assumir
este controle absoluto. Na física você pode
utilizar um mesmo objeto duas vezes em um
experimento, na biologia você não pode fazer
uma semente germinar duas vezes e duas se-
mentes nunca são absolutamente idênticas,
nem clones são absolutamente idênticos, no
máximo geneticamente idênticos, diferenças
podem surgir até durante o desenvolvimento
embrionário.
Controle por aleatorização simples.
Como vimos acima, se pegássemos duas se-
mentes absolutamente idênticas, poderíamos
tirar conclusões sem replicatas (repetições) de
tratamentos. O problema é que não basta pare-
cer igual, não temos condições de garantir que
duas sementes são absolutamente iguais. Não
podemos ter certeza se uma diferença ao final
resultou do próprio tratamento ou se foi resulta-
do de diferenças intrínsecas não visíveis, isto é,
elas talvez se tornassem diferentes mesmo sem
receber os tratamentos diferentes.
Uma solução para este problema é trabalhar
com várias sementes em um grupo tratamento e
várias sementes em um grupo controle. Se con-
seguíssemos dois grupos iguais, as diferenças
entre as sementes se anulariam. Não há como
se conseguir dois grupos idênticos, mas se as
sementes fossem escolhidas aleatoriamente,
estes grupos seriam cada vez mais semelhan-
tes quanto mais sementes fossem utilizadas, e
seria possível se decidir estatisticamente dentro
de critérios estabelecidos a priori se uma dife-
rença obtida está além do esperado por acaso.
A abordagem com este aleatorização contrasta
com uma formação de dois grupos em que o
pesquisador escolhe as sementes. Inconscien-
temente, ele poderia selecionar sementes me-
lhores para um dos tratamentos. A estatística
tem muito poder para detectar diferenças sutis,
mesmo que a causa seja uma variável de con-
fundimento, de forma que a aleatorização é uma
88
forma de prevenir este tipo de tendenciosidade.
Entretanto, quando a aleatorização é complica-
da por questões logísticas, pode-se utilizar al-
gum método alternativo, se houver uma justifi-
cativa forte para se acreditar que ele não é ten-
dencioso.
Após formarmos grupos iguais, aplicamos tra-
tamentos diferentes em cada grupo. Portanto,
esta abordagem só está disponível para estu-
dos experimentais. Tecnicamente, o que fize-
mos chama-se atribuição aleatória dos níveis
da variável preditora. Se a diferença entre os
grupos for maior do que a esperada ao acaso
comparado com uma probabilidade limite pré
estabelecida (α), dizemos que rejeitamos a
hipótese nula e que temos uma prova estatística
para nossa hipótese alternativa.
Esta forma de controle previne contra tenden-
ciosidade, isto é, contra erro tipo I, mas não
contra ruído. Por isto, Geralmente este controle
é feito junto com outras formas de controle,
como veremos na Abordagem Experimental
(seção 6.6)
Controle sistemático simples.
Voltando ao exemplo das sementes de soja,
imagine que você tem dois sacos de sementes
de lotes diferentes. Os lotes podem ser diferen-
tes em idade, tratamento, origem, etc. Se mon-
tássemos os grupos aleatoriamente, podería-
mos obter dois grupos comparáveis, como vi-
mos acima. Entretanto, outra forma de se obter
isto, seria se pegássemos alternadamente uma
semente de cada saco até obtermos o número
necessário para o tratamento e depois repetir a
operação para o controle. Os dois grupos foram
feitos equivalentes por intercalação. A interca-
lação, ou outra forma de proceder que garanta a
igualdade entre os grupos tratamento e controle
é outra forma de se obter grupos semelhantes.
O controle aleatório é mais fiel às fórmulas esta-
tísticas do que o controle sistemático, mas a
diferença pode ser considerada mínima, e a
amostragem sistemática apresenta algumas
vantagens. Estatísticos divergem sobre qual dos
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
dois modelo é mais apropriado. Acompanho o
ponto de vista de Hurlbert (1984), que defendeu
que as vantagens práticas da intercalação de
níveis em experimentos manipulativos superam
as desvantagens de sutilezas matemáticas de
uma abordagem estritamente aleatória, princi-
palmente para tamanhos amostrais pequenos.
Além disto, em estudos não experimentais (se-
ção 6.8) não podemos manipular a variável
preditora, portanto, não podemos atribuí-la alea-
toriamente. Entretanto, podemos intercalar ní-
veis no tempo e no espaço. Por exemplo, no
exemplo da borboleta da seção 6.2 não poderí-
amos marcar todas as borboletas da floresta e
sortear as que seriam coletadas, e, se fosse
possível, isto só funcionaria para evitar uma
relação inconsequente espúria se participassem
do sorteio as borboletas de todas as épocas.
Entretanto, este problema seria contornado
intercalando-se medidas de machos e fêmeas,
isto é, ignorando borboletas que tivessem o
mesmo sexo que a borboleta coletada anterior-
mente.
Assim como no controle aleatório, esta forma de
controle previne contra tendenciosidade apenas
e pode ser feita em conjunto com outras formas
de controle que reduzem a chance de erro tipo
II.
Controle com blocos VP
Uma forma especial de controle sistemático é o
estabelecimento de blocos, dentro dos quais há
todos os níveis da Variável preditora, que, ide-
almente são atribuídos de forma aleatória para
subunidades amostrais (neste texto considera-
mos cada bloco como a unidade amostral). Os
blocos podem ser constituídos no espaço (cada
um em um local), no tempo (cada um em um
momento, no espaço-tempo (cada um em um
local e tempo determinado) ou numa posição na
escala de uma variável externa (cada um em
um nível de uma variável categórica ou ordinal
ou em um “segmento de reta” de uma escala
quantitativa).
89
Dentro da abordagem experimental, em que os
níveis da variável preditora é atribuída aleatori-
amente entre as subunidades amostrais nos
blocos, o efeito dos blocos é reduzir a chance
de erro tipo II, pois a aleatorização já controlou
a chance de erro tipo I. A utilização de blocos é
recomendada quando há grande variação espa-
cial ou temporal nas VEs mais relevantes, ou
uma variável importante a ser controlada com
os blocos. Do contrário, geralmente a aborda-
gem sem blocos tem mais poder porque cada
“subunidade” amostral torna-se uma unidade
amostral.
Os blocos permitem a realização de aleatoriza-
ções múltiplas, o que pode ser muito importan-
te, pois nem sempre as aleatorizações podem
ser feitas em um único momento. Por exemplo,
podemos não ter espaço suficiente em um único
momento na casa da vegetação para todas as
replicatas necessárias para um experimento.
Os blocos são especialmente úteis em aborda-
gens não experimentais, pois podem controlar
todas as variáveis externas ao bloco, o que não
é pouco. Se todos os níveis da variável predito-
ra puderem ser encontrados em um bloco de
dimensões espaciais/ temporais muito menores
do que as dimensões da área/ Período de estu-
do, os blocos reduzem drasticamente o efeito
de variáveis externas e são fortemente reco-
mendáveis. Neste caso, eles servem para dimi-
nuir tanto a chance de erro tipo I como de erro
tipo II.
Caso haja Variáveis Externas que sejam poten-
ciais Variáveis de confundimento dentro de
blocos, é recomendável a utilização de algum
controle sobre estas variáveis.
Controle por fixação de variáveis externas.
Em estudos experimentais, a fixação de variá-
veis externas é uma forma de controle de ruído.
Quanto mais variáveis externas puderem ser
fixas, maior o poder do experimento. Portanto, é
uma forma de reduzir erros tipo II.
Em estudos quase experimentais e não experi-
mentais, a fixação de variáveis externas tam-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

bém tende a reduzir a chance de erro tipo II,
mas é mais importante como uma forma de
minimizar a chance de reduzir erro tipo I. Espe-
cialmente quando não há um controle por blo-
cos, é importante se levantar todas as potenci-
ais variáveis de confundimento e tentar fixá-las
ou reduzir sua variância ao máximo, ou incluí-
las no estudo (próximo item), pois estes tipos de
estudos estão mais sujeitos a relações espúrias
do que os estudos experimentais.
Controle por inclusão de variável.A análise
de Variáveis preditoras Múltiplas é um assunto
que está além do escopo deste texto básico,
apresentamos apenas uma introdução concei-
tual sobre esta forma de controle.
A inclusão de uma variável pode ser de dois
tipos: inclusão de uma variável controlada (tra-
tamento) ou a inclusão de uma variável com
níveis livres.
Em estudos experimentais, a inclusão de mais
uma variável controlada normalmente leva a
desenhos experimentais fatoriais, nos quais
temos as combinações dos níveis das variáveis
preditoras com o mesmo número de unidades
amostrais e uma estatística simples e segura
para analisar a interação entre variáveis predito-
ras em seus efeitos sobre a resposta. Por e-
xemplo, se queremos ver se um nutriente con-
tribui para o crescimento de uma plante, pode-
mos fixar a quantidade de outros nutriente, mas
pode ser que o efeito do nutriente mude em
função da concentração do outro nutriente. Para
investigar isto montamos um desenho amostral
com combinações de concentrações dos dois
tipos de nutrientes.

Figura 10- Chave para a escolha de abordagens de pesquisa. VI= Variável Independente; VR= Variável resposta; VE=
Variável Externa.

90
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Em estudos experimentais ou não experimen-
tais, a análise com níveis livres é mais comple-
xa, de forma que é recomendada a ajuda de
uma pessoa que entenda do assunto. De qual-
quer forma, a inclusão normalmente tem um
papel principal de controle anti ruído no estudo
experimental e de controle anti tendenciosidade
no estudo não experimental. Um exemplo de
inclusão de variável em um estudo não experi-
mental foi apresentado na seção 6.2, na análise
do dimorfismo sexual de borboletas.
6.5 Escolha a sua abordagem
Como vimos no capítulo 1, normalmente a prio-
ridade da pesquisa é evitar o erro tipo I, cuja
chance é ampliada pela influência de variáveis
de confundimento. Portanto, a prioridade é evi-
tar que estas variáveis possam influir na relação
em estudo. O ideal para isto é a abordagem
experimental, mas nem sempre pode ser apli-
cada, pois as variáveis preditoras não podem
ser sempre manipuladas (não experimentos), ou
podem ser manipuladas, mas a atribuição não
pode ser aleatória da forma necessária para um
experimento controlado estatisticamente (quase
experimento). Quando temos um não experi-
mento, ainda temos a chance de “atribuir” valo-
res para a variável preditora escolhendo estes
valores (níveis fixos multivalor). Quando não
escolhemos os valores da variável preditora,
podemos inferir independência pela distância,
ou pelo menos controlar parte das variáveis
preditoras. A figura acima sintetiza estas opções
que serão explicadas nas próximas seções.
6.6 O experimento como modelo na
pesquisa de relações.
O primeiro registro de planejamento experimen-
tal é de 1747, quando o médico James Lind
verificou que a doença escorbuto, que era co-
mum em marinheiros, poderia ser combatida
com uma dieta especial. Para isto, ele selecio-
nou 12 homens doentes de uma tripulação e
dividiu-os em 6 grupos. Cada grupo recebeu
todo dia respectivamente: a) um quarto de copo
91
de cidra por dia; b) um tipo de elixir usado por
marinheiros c) um pouco de água do mar; d)
uma mistura de alho e mostarda; e) duas colhe-
res de vinagre; f) duas laranjas e um limão. Os
homens que tomaram frutas cítricas melhora-
ram radicalmente em 6 dias. Havia muitas idei-
as sobre formas de curar esta terrível doença,
mas apenas com esta abordagem controlada foi
possível separar especulações de evidência
objetiva. (*embora provavelmente não tenha
havido um processo de sorteio, isto não com-
prometeu o resultado. É mais um exemplo histó-
rico do que um exemplo ideal, pois a separação
de tratamentos já representou um grande avan-
ço metodológico).
Vimos na seção anterior que um experimento
envolve a manipulação (aleatória ou sistemáti-
ca) nos valores de uma variável preditora (tra-
tamento) para se verificar o seu efeito em uma
variável resposta. Vamos reforçar a ideia de um
experimento com mais um exemplo. Para sa-
bermos se café aumenta a produtividade, temos
que dar café para algumas pessoas e não dar
nada (ou só água quente com açúcar) para
outras (manipulação da variável preditora “inge-
riu café?- (S/N)”) e ver a produtividade. A esco-
lha de quem vai tomar café, a princípio, precisa-
ria ser por sorteio; você não pode deixar as
pessoas escolherem se vão tomar café ou não.
São necessárias várias pessoas, porque há
vários fatores que influem sobre a produtivida-
de, mas a aleatorização distribui as diferenças
igualmente entre os dois grupos e tornam a
comparação confiável dentro de critérios esta-
tísticos bem definidos.
Um sorteio pode controlar fatores “do passado”
como origem, lote e condições da planta antes
da aleatorização. Entretanto, se as plantas do
tratamento crescerem mais próximas da fonte
de luz que as plantas do controle, o experimen-
to fica comprometido por uma variável de con-
fundimento pós Aleatorização. Por isto, é reco-
mendado que a posição de plantas em uma
casa de vegetação também seja determinada
aleatoriamente ou sistematicamente. Atitudes
similares precisam ser adotadas em outras situ-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
ações com potenciais variáveis de confundi-
mento pós aleatorização.
A atribuição aleatória ou sistemática dos níveis
da variável preditora feita da forma apropriada e
associada a uma análise estatística é uma for-
ma muito efetiva de se controlar todas as Variá-
veis de Confundimento de uma única vez contra
qualquer tendenciosidade, portanto, protege
contra erro tipo I (que não ultrapassa o valor de
α). A princípio, a única variável manipulada é a
variável preditora. Entretanto, esta abordagem
não reduz ruído. Por isto, quase sempre se fixa
outras variáveis de forma a se reduzir a variân-
cia do sistema. É o que se faz em laboratórios
com clima e ração controlados para ratos que
possuem pouca variabilidade genética ou ao
excluir todas as sementes de soja que boiam na
água (potencialmente estragadas) antes da
aleatorização, manter as plântulas crescendo
em casas de vegetação com clima controlado
etc. A padronização é um procedimento desejá-
vel para aumento do poder, portanto, diminui a
chance de erro tipo II. É importante destacar
que a padronização não é obrigatória para a
validação interna. Um resultado significativo
sem padronização, mas com controle de atribui-
ção aleatória dos níveis da variável preditora
não pode ser questionado em sua validade
interna.
O experimento com controle estatístico é consi-
derado a abordagem ideal para se estabelecer
uma relação entre duas variáveis devido a sua
“imunidade” à tendenciosidade (mas não ao
acaso estatístico). A estatística tradicional foi
“construída” tendo em consideração o experi-
mento como modelo. Então por que nem toda a
pesquisa é experimental? Simplesmente porque
em muitos casos não é possível tecnicamente,
eticamente ou economicamente se manipular a
variável preditora ou realizar aleatorizações da
forma ideal. Entretanto, é importante compreen-
der que as outras abordagens que vamos apre-
sentar são “aproximações” da abordagem expe-
rimental. Quanto mais uma abordagem se as-
semelhar da abordagem experimental mais
confiável ela tende a ser.
92
6.7 Abordagens quase experimentais.
Apenas quando há uma completa aleatorização
da atribuição dos tratamentos temos uma abor-
dagem dita “Experimental”, também denomina-
da “Experimento Aleatorizado de Medida Pós
Teste”. Na notação de planejamentos experi-
mentais (Trochim 2000), os mais simples são
simbolizados da seguinte forma:
A X1 O
A Xc O
Onde cada “A” representa um grupo seleciona-
do aleatóriamente. “X1” representa um trata-
mento e “Xc” outro tratamento ou o controle. “O”
representa uma observação. Se houvesse mais
tratamentos seriam X2, X3, etc. Portanto, em
cada linha temos um grupo escolhido aleatoria-
mente, tratado de forma diferente e observado
posteriormente.
Há uma segunda categoria de experimentos
denominados “quase experimentos”, ou “expe-
rimento de pré-teste e pós-teste de grupos não
aleatórios”. Há várias abordagens escolhidas
em função do tipo de limitação e de opções
para mitigar os efeitos da falta de aleatorização.
A simples simples é representada assim:
N O X1 O
N O Xc O
Onde N é um grupo que não foi obtido de forma
aleatória. As letras “O” antes e depois dos “X”
indicam observações antes e depois para verifi-
car mudanças. Exemplo de grupos não aleató-
rios: a) alunos de duas classes, uma com um
novo método didático e a outra no método tradi-
cional; b) Coletas diárias padronizadas de pei-
xes em dois lagos, um protegido contra pesca e
outro não, antes e depois da proteção; c) Cole-
tas de invertebrados a montante e a jusante de
uma fábrica potencialmente poluidora antes e
depois de sua instalação. O ideal é que os gru-
pos das duas linhas sejam tão semelhantes
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

quanto possível, mas não é absolutamente ne-

cessário. Frequentemente é desejável o menor 6.8 Abordagens não experimentais
tempo possível entre o pré-teste e o pós-teste.
Há uma série de premissas para esta aborda-
Um estudo não experimental de relações é a-
gem ser considerada válida, e os esquemas são
quele em que não se manipula a variável predi-
escolhidos em função das características de
tora, geralmente porque isto não é possível
cada problema específico.
devido a restrições técnicas, éticas ou econômi-
cas.
O planejamento pode ser mais elaborado, por
exemplo:
Na seção 6.3, vimos que em situações não
experimentais nossas conclusões sobre a rela-
N O X1 O Xc O ção entre a Variável preditora e a Variável res-
N O Xc O X1 O posta estão vulneráveis ao efeito de Variáveis
de Confundimento. A forma de agir para diminu-
Neste caso há trocas de tratamentos entre os ir muito a chance de uma relação espúria de-
grupos, o que é considerado um planejamento pende do tipo de amostragem que estamos
bastante forte, desde que não haja influência da utilizando. As abordagens não experimentais
ordem dos tratamentos. dividem-se em três tipos: a) Amostragem Fixa
Multivalores da Variável preditora simples;
Outra opção elaborada: b) Amostragem Fixa Multivalores da Variável
preditora com Blocos; c) Amostragem de Níveis
N1 O Livres.
N1 X1 O
N2 O Nas amostragens fixas multivalores simples ou
em blocos, os valores da variável preditora são
N 2 Xc O procurados na natureza e se observa qual é o
valor da variável resposta naquele lugar (há um
Neste caso a metade do primeiro grupo é ob-
caso em que é contrário, como veremos poste-
servada no pré- teste e a outra metade passa
riormente). No exemplo da seção 6.3, procura-
pelo tratamento e é observada no pós-teste. O
mos lagos de água branca para verificar se
segundo grupo tem metade medida no pré-teste
havia mais peixes de uma determinada espécie
e a outra metade tem uma medida no pós-teste
do que lagos de água preta. Note que não é um
como controle (Xc). Se sua observação inicial
experimento, pois não manipulamos a variável
pode influir sobre a observação final (e. g. reali-
preditora, nem é uma coleta livre, pois escolhe-
zar uma prova prepara as pessoas para a se-
mos os lagos com base no valor da variável
gunda prova), você pode separar a classe 1 em
preditora.
duas partes, uma que faz a prova antes do mé-
todo testado e outra que faz a prova depois. A
A primeira potencial variável de confundimento
sala 2 é um controle feito da mesma forma.
a ser considerada nas abordagens fixas é o
Comparando as diferenças entre a linha 1 e a
“conhecimento do valor da variável resposta
linha 2 com as diferenças entre a linha 3 e a
antes da escolha”. Se a pessoa que escolhe as
linha 4 teremos uma avaliação sem o efeito do
unidades amostrais conhecer os valores da
aprendizado da prova.
variável resposta, sua escolha pode ser tenden-
ciosa. Pensando no exemplo da seção 6.3, se
Há outros esquemas de “quase-experimentos”
escolhemos um lago porque ele tem água bran-
(ver Trochim, 2000). O importante aqui é ver
ca e porque ouvimos que lá tem muito peixe, e
que há alternativas de estudos manipulativos
rejeitamos outro lago de água branca porque
em que não é possível se realizar a aleatoriza-
ouvimos que tem pouco peixe, então estaremos
ção da atribuição de tratamentos.
93
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
sendo tendenciosos na escolha. É necessário
muito cuidado, pois até inconscientemente po-
demos ser tendenciosos nas escolhas. Quando
é inevitável a observação dos valores da variá-
vel resposta, o que possibilita uma coleta ten-
denciosa, é recomendável que a escolha das
unidades amostrais seja feita por uma pessoa
que desconheça a relação esperada, o que é
chamado de “escolha cega”. Este problema não
existe quando o valor da variável resposta for
desconhecido no momento da escolha.
Amostragem com VI fixa multivalores por
escolha sem blocos
A unidade amostral é simples, selecionada em
função de valores pré-definidos da variável pre-
ditora. Trata-se de uma das abordagens mais
comuns em estudos de campo. O controle esta-
tístico é inexistente ou parcial por intercalação.
Sem intercalação, (exemplo da fig. 6.2) esta
amostragem tem os mesmos problemas (e so-
luções) das amostragens de níveis livres ou ao
acaso (ver abaixo), menos um, podemos definir
balanço no número de dados por nível da variá-
vel preditora. Neste caso, é necessária alguma
justificativa para inferir que as unidades amos-
trais podem ser consideradas independentes
(seção 6.9). Com intercalação, a amostragem
com VI fixa multivalores é uma forma sistemáti-
ca de coleta recomendável contra tendenciosi-
dade (Hulbert 1984), a menos que haja algum
fator que varia de forma periódica que coincida
com a periodicidade da variável preditora, como
pode ocorrer com avaliações temporais de fe-
nômenos sujeitos à sazonalidade. Em relação à
abordagem em blocos, a amostragem fixa mul-
tivalores simples pode apresentar vantagens em
termos de poder do teste. Exemplo com interca-
lação: podemos ver a relação entre a ocorrência
de chuvas à noite e a atividade de cupins de dia
alternando contagens após uma noite de chuva,
interrompendo as contagens nas noites seguin-
tes com chuva, outra contagem após uma noite
sem chuva e assim por diante. Também poderí-
amos avaliar o efeito das quatro fases da lua
sobre a abundancia de mariposas. Teríamos
uma medida para cada fase da lua por mês. O
mesmo poderia ser feito sem intercalação (vari-
94
as medidas antes e depois de uma chuva ou
várias medidas por fase da lua em um único
mês) mas a chance de pseudo-replicação tem-
poral ou espacial seria alta.
Amostragem com VI fixa multivalores por
escolha com blocos
As unidades amostrais são blocos divididos em
subunidades (medidas repetidas) selecionadas
a) em função dos valores (níveis) pré-definidos
da Variável preditora (implícita) ou b) em função
de valores da variável resposta.
Os blocos com níveis da VI pré definidos são
normalmente áreas (espacial) ou momentos
(temporais) nos quais encontramos cada nível
da variável preditora implícita. Exemplos,
1) Bloco= montanha, VI implícita= altura (0, 300,
600), VR= produtividade de pinheiros, permi-
tem que se verifique o efeito do “tratamento”
(variável preditora implícita) isolando o efeito da
heterogeneidade entre blocos; 2) Bloco=árvore,
VI implícita= altura da flor (alta, média, baixa),
VR= produção de néctar; 3) bloco=dia, VI=horas
do dia (8, 10, 12, 14, 16, 18), VR= número de
bois forrageando.
Vamos entender por um exemplo: Você quer
saber se há uma relação entre a quantidade de
baratas silvestres e a quantidade de serrapilhei-
ra no chão em uma floresta. Suponha que não
existe uma relação consequente entre estas
duas variáveis. Entretanto, sua área de estudo é
ampla, e há áreas muito úmidas onde há menos
serrapilheira (devido à decomposição mais rápi-
da) e em lugares mais úmidos as baratas sejam
mais abundantes, mas não em função da serra-
pilheira. A umidade seria uma variável de con-
fundimento a causar uma relação espúria. Nu-
ma abordagem em blocos, poderíamos separar
blocos com duas subunidades amostrais, uma
com 1 a 5 litros de serrapilheira por m2 (pouca
serrapilheira) e outra com 10 a 20 litros por m2
(muita serrapilheira) dentro de uma mesma área
de 10 x 10 m. Neste desenho, o efeito das dife-
renças de umidades seria praticamente elimina-
do (pelo menos extremamente reduzido), pois
teríamos locais com pouca e muita serrapilheira
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
em locais secos e em locais úmidos. A aborda-
gem em blocos não reduziria apenas o efeito da
umidade, mas de todas as variações espaciais
e temporais entre blocos. Quanto menores fo-
rem os blocos (em termos espaciais ou tempo-
rais) em relação ao tamanho da área/ tempo do
estudo, mais efetivo o controle dos blocos sobre
variáveis de confundimento em geral.
A abordagem com blocos com níveis de VR
pré-definidos são menos comuns. Nenhuma
variável é manipulada, mas os valores das su-
bunidades amostrais são escolhidos. A opção
por fixar a VR é recomendada em estudos nos
quais a variável preditora não pode ser manipu-
lada (não experimental) e que tem valores da
variável resposta que raramente são diferentes
de zero. Por exemplo, se queremos estudar
fatores de risco para Doença de Chagas asso-
ciados a fazendas com extração de açaí, que é
algo pouco frequente, mas grave, podemos
comparar blocos constituídos por fazendas on-
de houve registro de Doença de Chagas e uma
fazenda vizinha onde não houve. Comparando
estes pares quanto ao uso de tela na casa,
cuidados em lavar os frutos de açaí, etc, pode-
mos ter um levantamento bastante objetivo dos
fatores de risco. Sem uma abordagem pareada,
teríamos diversos costumes regionais de uma
área endêmica que poderiam ser confundidas
com comportamentos de risco.
O problema de fixar a variável resposta é que
provavelmente não teremos balanço para os
valores da maioria das variáveis em risco sele-
cionadas. Provavelmente seja mais apropriado
considerar esta abordagem como uma boa fer-
ramenta de levantar fatores de risco do que
como um teste que comprova relações conse-
quentes.
Amostragem de Níveis Livres
Nas amostragens de níveis livres, ou amostra-
gens ao acaso, tanto VI como VR possuem
níveis livres. Lembre que “ao acaso”’ não tem
um sentido de aleatória (por sorteio) e nem tem
o sentido de uma amostra representativa da
população. O termo “níveis livres” refere-se
unicamente à liberdade dos valores nos níveis
95
das variáveis em estudo, não a todas as variá-
veis externas, pois algumas podem estar con-
troladas.
Do ponto de vista estritamente lógico, a aborda-
gem ao acaso no estudo de relações seria per-
da de tempo, pois sempre poderia haver variá-
veis de confundimento em que sequer pensa-
mos. Entretanto, testar hipótese não é só um
jogo matemático, nosso conhecimento de biolo-
gia também conta. Normalmente conhecemos o
sistema que estudamos o suficiente para imagi-
nar quais são as principais candidatas a variá-
veis de confundimento. Em um estudo sobre o
efeito de um nutriente sobre o crescimento de
plantas precisamos suspeitar do efeito da sazo-
nalidade climática, não nos preocupamos muito
com um efeito da lua e consideramos irrelevan-
tes eventuais alterações no campo magnético
da terra. Se pudermos controlar as variáveis
externas relevantes das formas descritas na
seção 6.4, podemos assumir que um resultado
significativo realmente corrobora a nossa hipó-
tese alternativa.
Há diferentes tipos de amostragens ao acaso.
Imagine um estudo sobre tamanho de bromélias
e a proporção de espécies predadoras na fauna
associada à água acumulada entre as suas
folhas. Você pode escolher: a) as primeiras 20
bromélias que encontrar, todas próximas entre
si; b) numerar 1000 bromélias e sortear 20;
c) montar um “grid” na área de estudo e pegar
as bromélias localizadas mais próximas às 20
esquinas deste grid. Cuidado, embora o grid
seja uma otimização da distribuição de amos-
tras em uma área, não é um controle sistemáti-
co de nenhuma variável no sentido da seção
6.4.
Depois de ter controlado as variáveis de risco
mais importantes, a princípio é desejável se
posicionar as unidades amostrais o mais distan-
te possível umas das outras, mas considerando
restrições inerentes ao estudo como o custo
associado à distância entre as coletas. Outro
critério de distância mínima é biológico, a dis-
tância entre unidades amostrais em um estudo
de ácaros não precisa ser tanta como o que é
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
necessário para um estudo de aves. A aleatori-
zação é menos recomendável do que uma a-
mostragem sistemática como um “grid”. Outro
critério é o da autocorrelação espacial ou tem-
poral, em que se avalia se a variância entre
valores vizinhos é menor do que a variância
geral, indicando que a distância entre unidades
amostrais precisa ser aumentada. Avaliações
gráficas de ausência de autocorrelação podem
ser importantes complementos aos testes.
6.9 Independência pela distância
Vimos que independência entre unidades amos-
trais significa que as medidas das variáveis
respostas foram obtidas em um contexto de
coleta de dados em que o efeito de todas as
variáveis externas foi: a) anulado pela atribuição
aleatória dos níveis da variável preditora (abor-
dagem experimental); ou b) suficientemente
(será?) reduzido por um desenho quase expe-
rimental, ou em blocos ou com intercalação de
níveis da VI; ou c) reduzido pelo controle de
cada uma ou mais das variáveis externas con-
sideradas relevantes por estratégias de fixação
univalor, fixação balanceada multivalores ou
inclusão da variável na análise.
Entretanto, estas abordagens não resolvem
todos os problemas. Há situações em que não
podemos controlar devidamente variáveis ex-
ternas que variam no tempo e no espaço.
Normalmente, quanto mais próximas estiverem
duas Unidades Amostrais (no tempo e no espa-
ço), maior a chance delas estarem sob os
mesmos valores de diversas variáveis externas
de potencial confundimento. A composição da
fauna de solo a 1 m da lagoa tende a ter mais
semelhança com a fauna encontrada a 2m do
que com a fauna encontrada a 100m da lagoa.
Não é só porque a lagoa influi sobre as condi-
ções da sua vizinhança, há muitas razões Para
a semelhança, por exemplo, formigas do mes-
mo formigueiro serão capturadas em duas uni-
dades amostrais tão próximas.
No estudo 5 da seção 6.2 apresentamos uma
situação extrema de várias medidas feitas em
96
apenas dois lagos para comparar o efeito do
tipo de água sobre a abundância de peixes, e
chamamos a isto de pseudo-replicação. A
pseudo-replicação é um problema porque as
medidas obtidas em um mesmo lago tendem a
ser semelhantes por compartilharem valores de
várias variáveis externas, de forma que não são
representativas da variação que temos dentro
de cada nível da variável preditora. Por exem-
plo, por acaso, este lago de água preta secou
há 3 anos, e a população de peixes ainda não
voltou ao normal, de forma que teremos várias
medidas de abundância baixa para representar
os lagos de água preta. Este é um exemplo
extremo de problema de proximidade de unida-
des amostrais. Se tivéssemos 5 lagos de cada
tipo, mas considerássemos cada dia de coleta
como uma amostra preditora, teríamos também
uma pseudo-replicação (chamada de pseudo-
replicação “sacrificial”). E se tirássemos medi-
das diárias de abundância de mosquitos contra
medidas diárias de precipitação, teríamos pseu-
do-replicação temporal, pois tanto a abundância
de mosquitos como a chuva tendem a ser se-
melhantes de um dia para outro.
O que fazer para lidar com esta questão da
distância? Se temos um experimento de campo,
isto é, a variável preditora for manipulável, en-
Figura 11- Desenhos amostrais mostrando a disposição
dos níveis da variável independente (e. g. preto=
tratamento e branco=controle). Considerando a
possibilidade de um efeito espacial em gradiente, algumas
opções são recomendáveis e outras deveriam ser evitadas
(Hurlbert, 1984).
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
tão temos as possibilidades da figura abaixo,
sendo a abordagem por blocos aleatórios a
mais recomendada, e a completamente aleató-
rioa e a sistemática como boas. As outras abor-
dagens são consideradas de forte risco de con-
fundimento.
Se a variável preditora não for manipulável (es-
tudo não experimental), podemos utilizar a es-
tratégia de escolher os valores naturais dos
níveis por intercalação ou com os níveis da
Variável preditora ou da Variável resposta orga-
nizados em blocos.
Se houver limitações em um estudo não expe-
rimental que impressa a organização em blocos,
a opção é se manipular as distâncias. Mas a
que distância podemos considerar que nossas
unidades amostrais são independentes? As
respostas para esta pergunta diferem muito em
função dos contextos possíveis para um estudo.
a) Se você não tem limitações de custos de
deslocamento, mas tem limitação de tamanho
da área de estudo e de custo por medida em
cada unidade amostral, simplesmente distribua
suas unidades da forma mais regular possível
(normalmente um grid) para obter a maior dis-
tância mínima possível entre amostras.
b) Você pode coletar os dados ao longo de um
transecto e depois fazer teses de autocorrela-
ção espacial (run test) para verificar a que dis-
tância entre unidades amostrais não há autocor-
relação.
c) Você pode coletar os dados ao longo de um
transecto e depois fazer uma análise gráfica
para verificar a que distância entre unidades
amostrais não há autocorrelação. (Normalmente
a associação entre (b) e (c) é mais poderosa.
d) Você pode partir de premissas biológicas
para assumir que determinada distância “segu-
ramente” é suficiente para considerar as unida-
des amostrais como independentes.
Na prática, a opção d é assumida na maioria
dos estudos não experimentais. Frequentemen-
te, os pesquisadores têm conhecimento sufici-
97
ente para determinar distâncias suficientes para
definir unidades amostrais independentes. En-
tretanto, também é comum os pesquisadores
subestimarem o poder da estatística em detec-
tar efeitos sutis de variáveis externas de con-
fundimento.
Neste capítulo apresentamos uma série de téc-
nicas para reduzir a chance de variáveis exter-
nas obscurecerem os efeitos da variável predi-
tora, ou pior, gerar relações espúrias. A diretriz
mais genérica é que devemos planejar cuidado-
samente e com bom senso. Como foi dito antes,
a validação interna é uma fase crítica de um
trabalho. Vale a pena pensar bem antes de
começar para não ter que recomeçar.
.
Exercícios:
6.1- A “independência entre unidades amos-
trais” é uma expressão infeliz para descrever
uma premissa de testes estatísticos. Explique
por que a expressão não é apropriada e qual a
independência que é premissa para qualquer
teste estatístico.
6.2- Dê um exemplo de problema com uma
variável de confundimento diferente dos apre-
sentados na seção 6.2.
6.3- Quais são os tipos de variáveis em função
das suas participações em uma questão?
6.4- Qual é a diferença entre uma amostra-
gem ao acaso e uma amostragem aleatória e
por que apenas a segunda é garantia de re-
presentatividade.
6.5- Qual é a diferença entre uma amostragem
aleatória para caracterização de uma população
e uma amostragem utiliza em estudos experi-
mentais?
6.6- Explique as categorias de controle no sen-
tido de tratamento
6.7- Explique as categorias de controle no sen-
tido de função
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

6.8- Explique as categorias de controle no sen-

tido de Estratégia

6.9- Qual é a diferença entre uma abordagem

experimental e uma abordagem quase experi-
mental.

6.10- Explique as diferentes categorias de estu-

dos não experimentais com níveis fixos multiva-
lores

6.11- Explique as diferentes categorias de estu-

dos não experimentais com níveis livres

6.12- Faça um mapa conceitual de um problema

relacionado com uma pesquisa que você reali-
zou, está realizando ou pensa em realizar.

6.13- Analise no seu mapa da questão os tipos

de variáveis conforme a seção 6.3.

6.14- Descreva três formas diferentes de coletar

os dados eliminando o risco de confundimento
para o estudo 1 da seção 6.2

6.15- Considerando os custos e tempo de mobi-

lidade, como proceder no estudo 2 da seção 6.2
para obter uma avaliação válida da forma como
varia a abundância de peixes entre Perú e Be-
lém?

6.16- Como poderíamos coletar os dados no

problema 3 da seção 6.2 e efeito da ordem dos
exames sobre a relação entre temperatura e
aproveitamento da prova?

6.17- Considere para o estudo 5 que você agora

vai trabalhar com 5 lagos de água branca e 5
lagos de água preta com 5 redes de pesca em
cada lago e duas ocasiões de coleta. Monte
uma tabela EPR para avaliar a se o tipo de á-
gua influi sobre a abundância de peixes.

98
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
7. Maximizando o poder do
teste
Segurança, custo e poder. Estas são as três
preocupações para se aperfeiçoar um carro de
corrida. As pessoas que apenas assistem às
corridas pensam que a ênfase está em conse-
guir um carro mais potente (veloz). Entretanto,
não dá para usar uma turbina se o carro nem
fosse conseguir fazer curvas; o piloto precisa
chegar vivo para ganhar o campeonato. A segu-
rança é a prioridade. O outro fator óbvio é o
custo. Por isto, o desafio é ter criatividade para
superar limitações tecnológicas e aumentar o
poder sem comprometer a segurança e dentro
dos recursos que temos.
Algo semelhante ocorre com nossos testes
estatísticos, queremos o máximo de segurança
(menor chance de erro tipo I) e o máximo de
poder (menor chance de erro tipo II) dentro das
nossas limitações de custos (em dinheiro, tem-
po, paciência) e dentro de limitações relaciona-
das com aspectos intrínsecos do estudo (limites
físicos ou técnicos, questões éticas, etc). A
chance de erro tipo I é definida a priori ao esco-
lhermos um α (nível de significância) e sua se-
gurança está garantida se as premissas da
independência das amostras (capítulos 3 e 6) e
dos testes forem válidas. Após os cuidados com
o erro tipo I, nossas preocupações devem recair
na redução do erro tipo II. Evitar o erro tipo I é
tão importante como garantir a segurança do
piloto. Evitar o erro tipo II é tão importante como
tornar o carro competitivo. Esta analogia mostra
que o erro tipo II também é uma preocupação
relevante, mesmo que não seja definido a priori,
o erro tipo II deve ser minimizado.
O poder de um teste é sua capacidade de rejei-
tar uma hipótese nula, isto é, quanto mais pode-
roso for um teste menor a chance de levar a um
erro tipo II. Contribuem para um maior poder:
a) Perguntas mais objetivas; b) Um maior tama-
nho amostral; c) Medidas mais precisas;
d) coletas feitas de forma a limitar o ruído (vari-
ação não tendenciosa de variáveis que não são
o objeto do estudo); e) Maior poder no tipo do
99
teste; f) Escolhas na definição dos níveis das
variáveis em estudo. Evite perguntas desneces-
sariamente complexas é a primeira diretriz para
se chegar a um resultado significativo. Algumas
limitações de poder estão relacionadas a cus-
tos, como o tamanho amostral, a precisão da
medida e algumas das ações para reduzir ruí-
dos. Entretanto, pode se ganhar poder (a baixo
custo) com escolha de testes apropriados, esco-
lhas certas nas definições de níveis das variá-
veis (este capítulo) e com um bom planejamen-
to amostral..
7.1 Testes unicaudais e testes
bicaudais
Quando uma questão tem duas possibilidades
opostas de resultado, e valores extremos em
qualquer das duas direções forem resultados
relevantes, então necessitamos um teste bicau-
dal. Por exemplo, homens e mulheres usam a
droga crack com a mesma frequência? Uma
frequência significativamente maior de homens
é um resultado tão relevante como uma fre-
quência significativamente maior de mulheres.
No teste bicaudal, a hipótese nula é sempre a
negação de uma diferença (e. g. Ho= não há
diferença entre sexos no consumo de crack).
Por outro lado, quando uma questão tem duas
possibilidades opostas de resultado e apenas
em uma direção os valores extremos têm rele-
vância, então necessitamos um teste unicaudal.
Por exemplo, esta substância X reduz a febre
de pacientes? (i.e. tem potencial para ser utili-
zado como remédio anti-térmico?). A princípio,
haveria duas possibilidades de resultados signi-
ficativos, uma redução maior no grupo tratado
com a substância e uma redução maior no gru-
po controle. Entretanto, uma redução maior no
grupo controle não é um resultado relevante
para quem busca um anti-térmico, seja ele de-
vido a um mecanismo real de aumento da febre
ou devido ao acaso estatístico de obter valores
maiores de redução de temperatura no grupo
controle. Apenas a redução significativa da fe-
bre no grupo tratado é um resultado relevante
neste caso. No teste unicaudal, a hipótese nula
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
é sempre a negação de uma desigualdade
(maior ou menor- e. g. Ho= A redução de tem-
peratura no grupo tratado não é maior do que a
redução de temperatura do grupo controle).
A opção por testes unicaudais ou bicaudais
ocorre em contextos que pedem determinados
testes. Por isto, os testes binomiais de uma e
duas proporções, o “Fisher exact test”, o Teste
T simples, de “duas amostras” e pareado e tes-
tes Z têm as opções de uma ou duas caudas
enquanto tabelas de contingência, ANOVA e
testes de Correlação não têm esta opção. Por
ser uma opção, podemos dizer “teste unicaudal”
ou “teste na opção unicaudal”. Quando a ques-
tão pede a opção “unicaudal” e utilizamos a
opção “bicaudal”, perdemos poder no teste des-
necessariamente. Por outro lado, ao utilizarmos
a opção unicaudal, não teria sentido discutir um
resultado na direção oposta da hipótese alterna-
tiva.
7.2 Testes pareados e testes em
blocos
Qual é o refrigerante preferido pelos estudantes,
“Gluglu” ou “Gostoso”? Vamos ver. Aborda-
gem 1: Pegue 40 pessoas e ofereça para cada
uma um copo de refrigerante de uma das mar-
cas e peça para dar uma nota de zero a dez.
Abordagem 2: peque 20 pessoas e dê a cada
uma delas um copo com Gluglu e um copo com
Gostoso (sem identificação) para elas darem
notas para cada um (a ordem é sorteada e a
pessoa está vendada). O primeiro procedimento
ilustra um teste não pareado e o segundo ilustra
um teste pareado.
Para a tabela EPR temos pessoa como entida-
de nos dois procedimentos, mas as proprieda-
des do primeiro são a variável preditora Refrige-
rante (Gluglu ou Gostoso) e a variável resposta
Nota (0 a a 10), enquanto na segunda aborda-
gem as propriedades são uma variável para a
primeira coluna Nota do Gluglu (0 a 10) e uma
variável para a segunda medida (nota do Gos-
toso (0 a 10). Na segunda abordagem não te-
100
mos VR e VI, temos Variáveis de Medidas Re-
petidas (VRM1 e VRM2).
O teste pareado parece um teste de duas variá-
veis, mas é um teste com uma única variável, a
diferença (quantitativa, ordinal ou binária) entre
os valores das variáveis de níveis. Em nosso
exemplo, a diferença de nota entre Gluglu e
Gostoso, que será positiva se Gluglu tiver me-
lhor nota e será negativa se Gluglu tiver menor
nota. A hipótese nula é que as notas não serão
significativamente diferentes, isto é, que a dife-
rença não será significativamente diferente de
zero.
Se a distribuição das diferenças for semelhante
a uma curva normal (ver seção 3.3- Análise de
normalidade em testes), o teste utilizado é o
teste T pareado (ou o teste T simples sobre as
diferenças). Se a distribuição das diferenças
não for semelhante a uma curva normal, a al-
ternativa é a utilização do teste Wilkoxon Pare-
ado. Se não houver diferenças quantificadas,
mas apenas uma diferença categórica (Gluglu
preferido ou Gostoso preferido ou empate),
elimina-se os dados do empate e aplica-se um
“Sign test”, que é equivalente a um teste de
proporção com hipótese nula que nenhum deles
difere estatisticamente de 50% das preferên-
cias.
Qual abordagem é mais poderosa, a pareada
ou a não pareada? Em primeiro lugar, nem to-
dos os problemas podem ser abordados com
testes pareados. Você não pode pegar um ani-
mal do sexo masculino, medir seu tamanho,
trocar o sexo dele e medir seu novo tamanho.
Para avaliar a existência de dimorfismo sexual
em tamanho somos obrigados a utilizar uma
abordagem não pareada. Em situações como o
exemplo do refrigerante acima, as duas aborda-
gens são válidas, entretanto, o teste pareado
normalmente é mais poderoso porque as pes-
soas diferem muito em critérios, algumas pes-
soas são muito críticas, e darão notas baixas
para as duas, outras muito generosas e darão
notas altas para as duas. A abordagem pareada
ganha força neste caso porque diminui a chan-
ce de se perder a sutileza em meio à variação
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

entre pessoas. Se o crítico pegar um refrigeran- ro de baratas. Na abordagem pareada, a unida-

te e o generoso pegar o outro, esta diferença
não será tendenciosa, mas adicionará variância
à análise, reduzindo o poder do teste.
Entretanto, suponha que o custo do estudo seja
nos copos de refrigerante e que as pessoas não
diferem muito em critérios. Neste caso, a abor-
dagem pareada terá um custo duas vezes mai-
or, ou, se fixarmos por custo, teremos que redu-
zir o número de pessoas, o que reduz o poder
do teste.
É necessário cuidado para não confundir a Uni-
dade Amostral em estudos pareados e em es-
tudos não pareados. Suponha que você queira
saber se baratas são mais abundantes na ser-
rapilheira da mata de noite ou de dia. Em uma
abordagem não pareada, cada unidade amos-
tral seria um quadrado de 1m2, as propriedades
seriam período da coleta (dia ou noite) e núme-
de amostral seria um par de quadrados de 1m2,
um medido de dia e outro medido de noite. É
uma abordagem duas vezes mais “cara” em
termos de m2 por unidade amostral. Se as dife-
renças entre o número de dia e o número de
noite for sutil quando comparada à diferenças
espaciais entre número de baratas, a aborda-
gem pareada será mais poderosa. Se as dife-
renças espaciais forem pequenas, então a a-
bordagem não pareada pode chegar a ser duas
vezes mais poderosa que a pareada. A amos-
tragem pareada também é mais vantajosa em
estudos observacionais em que há dúvidas
sobre a independência das unidades amostrais.
Retornaremos a isto no capítulo 6.
Voltemos ao exemplo do refrigerante, o que
aconteceria se déssemos mais de dois tipos
para as pessoas experimentarem? O teste pa-
reado é um preparo conceitual para a aborda-

101
Figura 7.1- Esquema de desenho em bloco com 4 "subunidades" amostrais por bloco.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

gem em blocos que

tem mais de dois ní-
veis. Como dissemos
acima, nos testes
pareados temos dois
níveis da variável
preditora implícita.
Quando temos mais
níveis, então temos
uma ANOVA de me-
didas repetidas e um
planejamento amos-
tral em blocos. As
abordagens pareadas
e em blocos são abordagens fortes em termos
de evitar relações inconsequentes espúrias Figura 12- Classificação dos tipos de níveis de variáveis.
(seção 2.4) que serão discutidas no capítulo 6.
Entretanto, elas dependem de algumas condi- momento, concentremo-nos na diferença entre
ções que serão discutidas naquele capítulo. níveis fixos e livres através de exemplos.

7.3 Níveis fixos e níveis livres
Uma classificação de níveis é importante para
diferenciar diretrizes ligadas ao poder de testes,
para diferenciar cálculos de probabilidade em
ANOVA, para determinar tipos de regressões e
para questões relacionadas ao planejamento
amostral (capítulo 6).
Antes um esclarecimento. Usamos o termo
“Níveis livres” ao invés do termo mais utilizado
“Níveis ao Acaso” ou “Níveis Aleatórios” pois o
primeiro é mais claro porque: a) “livre” é antô-
nimo de “fixo”, o que facilita a compreensão do
conceito; b) níveis livres não são rigorosamente
aleatórios (não são obtidos por sorteio), embora
possam ser considerados “ao acaso” (ver dife-
rença na seção 6.4); c) Porque este termo gera
menos confusão. O sentido de “ao acaso” em
níveis pode ser confundido com o sentido de
“ao acaso” na “amostragem ao acaso” e na
“atribuição de níveis ao acaso”. Por exemplo,
veremos na seção 6.1 que podemos atribuir
níveis fixos ao açaso para uma unidade amos-
tral em um experimento, mas não é possível
atribuir níveis livres ao acaso para uma unidade
amostral (dizer níveis “ao acaso” atribuídos ao
acaso seria algo confuso em um assunto que já
tem alguma complexidade intrínseca). Para o
102
Definições: Uma variável preditora tem Níveis
Fixos se os valores dos níveis foram seleciona-
dos para o teste e Níveis Livres se os valores
não foram selecionados, isto é, se foram deter-
minados “ao acaso” ou “livremente”.
Exemplo:
Problema 1- A pureza do café difere entre as
marcas A, B, C. D e E?
Problema 2- A pureza do café varia entre mar-
cas? [Você escolhe ao acaso (livremente) 5
marcas de café (A, X, F, T e M) para represen-
tar todas as marcas.]
Problema 3- A produtividade do feijão muda ao
se adicionar 0 (controle), 2 e 4 mg de Nitrogênio
ao solo?
Problema 4- A produtividade do feijão é diferen-
te em função da concentração de nitrogênio no
solo (valores de campo variando ao acaso ou
livremente entre 0 e 4 mg de N).
Os problemas 1 e 2 e os problemas 3 e 4 pare-
cem iguais, mas não são. Nos problemas 1 e 3
os valores dos níveis são definidos e fixos pelo
pesquisador e nos problemas 2 e 4 eles são
valores "ao acaso".
Podemos ter níveis fixos em um único valor,
como vimos no capítulo anterior para o controle
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

de variáveis externas, ou com diferentes valores

pré determinados da variável preditora para
analisar o efeito na variável resposta. Níveis
multivalores da variável preditora podem ter os
valores atribuídos aleatoriamente ou sistemati-
camente. Níveis livres são sempre multivalores
ao acaso. Os níveis fixos multivalores também
podem ser divididos na forma como é feita a
atribuição do valor em Níveis Fixos por Mani-
pulação, na abordagem Experimental (ex. duas
concentrações de uma droga que foram injeta-
das em ratos) e Níveis Fixos por Seleção, na
abordagem não experimental (e. g. a compara-
ção de lagos com dois tipos de água para ver
qual tipo tem maior abundância de peixes.
A distinção em níveis fixos e livres não afeta o
cálculo da probabilidade no caso de variáveis
categóricas em testes de ANOVA com uma
única variável preditora, ou no caso de testes de
ANOVA com mais variáveis preditoras que pos-
suam balanço prefeito. Em uma ANOVA com
mais de uma variável preditora sem balanço e
com alguma das variáveis com níveis livres, é
necessária a utilização de uma ANOVA Modelo
II ou Modelo III. Não vamos nos aprofundar
neste caso, pois não é uma situação muito co-
mum, entretanto, é essencial
que o usuário de estatística 20
reconheça quando a situação
Variável dependente 
7.4 Relações retilineares, curvilineares
e monotonicidade.
Quando temos uma relação entre duas variá-
veis que são ordinais ou quantitativas, esta
relação pode ser descrita por uma linha em um
gráfico EPR, e esta relação é denomina linear.
Se uma reta descreve esta relação apropriada-
mente, ela é chamada retilinear, do contrario
teremos uma relação curvilinear. Se a relação
for sempre ascendente ou sempre descendente,
ela é chamada de tendência monotônica. Se ela
não tiver esta característica, sendo ocasional-
mente ascendente e ocasionalmente descen-
dente (e. g. situações com “ótimos” ou situações
cíclicas), ela é chamada de tendência variável.
7.5 O poder e os tipos de teste
As diretrizes para maximizar o poder de um
teste, incluindo as mostradas nas seções ante-
riores e outras que serão discutidas agora estão
resumidas na figura 7.4.
a) Utilize os testes paramétricos (Teste
Tendênc ia monotônical

não permite uma ANOVA tradi- Tendência variável

cional (Modelo I) e procure se
informar como agir (e. g.
www.matstat.com/ss/).
10
Esta distinção é também impor-
tante no caso de variáveis pre-
ditoras quantitativas. O teste de
uma regressão retilinear não é
afetado pelo tipo de nível, mas
a reta que descreve a relação 0
só pode ser calculada por mí- 0 10 20 30 40
nimos quadrados (Modelo I) se Variável Independente
a variável for fixa. Se for uma
Figura 13- Quatro tipos de relações monotônicas (azuis) e dois e-
variável com níveis livres deve- xemplos de relações com tendências variáveis.(vermelho).
se utilizar um método diferente,
por exemplo, por iteração (Mo-
delo II). O mesmo se aplica a
regressões curvilineares.
103
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

T,Análise de Variância, e Regressão Retilinear/
Correlação) quando as premissas destes testes
estiverem sendo atendidas. Se estas premissas
não forem satisfeitas considere a possibilidade
de transformar os dados. Se ainda assim não
atender as premissas, utilize os equivalentes
não paramétricos (Testes Mann-Whitney, Krus-
kal-Wallis e correlação de Spearman). Não se
preocupe muito com as situações intermediá-
rias, os testes paramétricos são relativamente
robustos e que os testes não paramétricos nor-
malmente não são muito menos poderosos, de
forma que os dois são aplicáveis (seções 3.3 e
3.4).
b) Use testes unicaudais em questões que pe-
dem esta opção;
c) Use testes pareados ou em blocos quando a
questão permite sua utilização e quando o fator
em estudo tenha um efeito sutil quando compa-
rado com a variação entre unidades amostrais
que seriam utilizadas em um teste não pareado
(do contrário prefira uma abordagem não pare-
ada- seção 4.2);
d) Limite os testes múltiplos. Como foi dito no
capítulo anterior, testes múltiplos requerem
correções no nível de significância, o que leva a
uma redução brutal no poder de um conjunto de
testes A limitação do número de testes é uma
forma recomendável de se lidar com este pro-
blema. Ao invés de realizar um teste para 100
espécies, escolha apenas as 10 melhor amos-
tradas ou 10 que apresentem um interesse es-
pecial. Outra abordagem seria repetir o estudo
apenas com as espécies nas quais o Ho foi
rejeitado e ver se acontecem os mesmos resul-
tados. Se o mesmo resultado é significativo
para uma espécie em dois testes independen-
tes, então ele provavelmente é verdadeiro. (se-
ção 4.3)

Figura 14 Resumo das diretrizes para maximizar testes estatísticos (ver texto).

104
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
7.6 O poder e os níveis das variáveis
em estudo
A influência dos tipos e número de níveis das
variáveis em estudo diverge para as variáveis
respostas e as preditoras com níveis livres por
um lado e para as variáveis preditoras com
níveis fixos por outro.
4.7.1- Variáveis respostas e variáveis preditoras
com níveis livres
a) Dê prioridade a medidas quantitativa com
relação às ordinais. Por exemplo, evite valores
como “Arenoso” se puder medir a porcentagem
de areia no solo.
b) Dê prioridade a medidas ordinais com rela-
ção às categóricas. Isto é, se sua variável res-
posta possuir categorias com uma ordem rele-
vante para a questão, evite tratá-la como se
fosse categórica; na chave de testes, entre co-
mo ordinal. A perda de informação ao omitir a
ordem dos níveis resulta em perda de poder.
c) Quanto maior o número de níveis quantitati-
vos (= precisão) maior o poder do teste. Evite
medidas grosseiras se puder ter medidas mais
exatas. Especialmente críticas são as medidas
com menos de 10 níveis na variável resposta.
Entretanto, não precisa exagerar na precisão,
pois a relação custo da precisão e benefício em
ganho de poder não é retilinear. Se você obtiver
mais de vinte níveis com seu velho pHmetro
com duas casas decimais, fique tranquilo, não
há necessidade de comprar um pHmetro dez
vezes mais caro para ganhar mais uma casa
decimal. E lembre-se, mais importante do que a
precisão de um aparelho é que ele esteja ade-
quadamente calibrado.
d) Quanto maior o número de níveis ordinais,
maior o poder do teste. Se não puder utilizar
níveis quantitativos, utilize o máximo de níveis
ordinais que puder. Por exemplo, se quiser ver
o efeito da frequência de plantio sobre a granu-
lomentria do solo (em ordinal), ordene as amos-
tras em ordem da porcentagem de areia e nu-
mere as posições. Esta abordagem seria muito
105
mais poderosa do que atribuir só três categorias
ordinais (arenoso, intermediário e argiloso).
e) Restrinja os níveis categóricos ao mínimo
necessário, se possível, utilize binário. É com-
plicado trabalhar com variáveis respostas cate-
góricas. De forma geral, se ganha poder ao se
transformar esta variável em binária por agluti-
nação ou por exclusão de níveis, mesmo com a
perda de informação, devido ao ganho em obje-
tividade. Se tiver que trabalhar com categóricas
com mais de dois níveis, quanto menor o núme-
ro de níveis mais poderoso o teste. Isto ocorre
porque nas variáveis o aumento do número de
níveis não implica em mais precisão, ao contrá-
rio, implica em uma questão menos objetiva.
4.7.2- Variáveis preditoras com níveis fixos
Quando a variável preditora for fixa, então ela
pode, e deve ser manipulada no número e nos
valores da escala de medida em função dos
seus objetivos.
Se a variável preditora tiver escala quantitativa
ou ordinal, temos a flexibilidade de determinar
quais serão os valores da escala de medida
(níveis fixos multivalores). Se o objetivo princi-
pal for determinar se existe uma relação, ha-
vendo a certeza que esta relação só poderia ser
monotônica, então o máximo poder é obtido
utilizando apenas dois valores extremos. Por
exemplo, se tivermos 20 vasos e quisermos
saber se a granumolometria do solo afeta o
crescimento de uma planta, e acreditássemos
que a relação seria monotônica, o melhor seria
plantar 10 plantas com 0% de areia e 10 plantas
em 100% de areia.
Se o objetivo principal for a descrição da forma
da relação, então a melhor descrição é obtida
com o maior número de níveis possível, mas se
perde um pouco do poder. Se o objetivo for uma
descrição aproximada com um poder médio,
pode-se utilizar um número de níveis mediano.
Neste caso, amostras preliminares seriam ne-
cessárias para se definir quais seriam estes
níveis, levando-se em conta a forma da curva
definida preliminarmente. Seguindo o exemplo
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
do parágrafo anterior, Se quiséssemos descre-
ver a relação, utilizaríamos 0, 5, 10, 15, ...95,
100% de areia. Uma abordagem intermediária
seria utilizar 0, 0, 0, 0, 25, 25, 25, 25, ... 100,
100, 100, 100.
Caso não haja certeza que a relação seria mo-
notônica, então a prioridade é obrigatoriamente
a descrição da relação, mesmo que nosso inte-
resse seja sobre a existência da relação.
Quando a variável for de natureza categórica
(não ordinal), então, quanto menor o número de
níveis mais poderoso tende a ser o teste. Aqui,
naturalmente dependerá de quais níveis entra-
rão na análise. Por exemplo, se queremos com-
parar a eficiência de diferentes marcas de ra-
ção, um teste com muitas marcas será pouco
poderoso, enquanto um teste comparando ape-
nas duas marcas será mais poderoso para um
mesmo número de amostras. Digamos que a
marca A seja a melhor e a marca B seja a pior.
A inclusão de 10 marcas pode levar-nos a acei-
tar a hipótese nula que é a ausência de diferen-
ças entre marcas. Comparações aos pares têm
maior poder individualmente, mas a compara-
ção conjunta de cada par possível constitui
testes múltiplos. Da mesma forma que foi suge-
rido com os testes múltiplos, a abordagem mais
poderosa seria escolher poucas comparações
com base em amostras preliminares ou algum
outro critério relevante.
7.7 Perdas voluntárias de poder
É sempre possível se manipular os dados na
direção de uma redução do poder da analise.
Testes não-paramétricos podem substituir tes-
tes paramétricos. Perguntas unicaudais podem
ser testadas com testes bicaudais. Variáveis
quantitativas podem ser tratadas como ordinais
ou como categóricas (perda de informação).
Variáveis ordinais podem ser tratadas como
categóricas. Medidas quantitativas com alta
precisão podem ser arredondadas, o que reduz
o número de níveis. Níveis ordinais seguidos
podem ser aglutinados (bom+muito bom-> satis-
fatório); variáveis categóricas podem ser agluti-
nadas por algum critério de semelhança (“dor
106
de cabeça”+”enjôo”-> “mal estar”). Um exemplo
extremo: duas variáveis quantitativas como
tamanho de tartarugas e número de ovos po-
dem ser transformadas em tamanhos “grande
ou pequeno” e em número de ovos “muitos ou
poucos”. A análise será mais grosseira, mas
não está errada. O contrário não é recomenda-
do ou não é possível, por exemplo, é errado se
utilizar testes paramétricos em situações que
exigem testes não paramétricos e não se pode
transformar uma variável categórica não ordinal
em uma ordinal.
Reduções de poder normalmente devem ser
evitadas, porque costumam ser desvantajosas.
Entretanto, há situações em que podemos re-
duzir o poder em um aspecto da análise para
melhorá-la no seu conjunto, por exemplo: a) no
caso de testes múltiplos em que alguns dos
testes têm as premissas para estatística para-
métrica e outros não, é melhor utilizar testes
não paramétricos em todos por uma questão de
padronização; b) Quando há um forte desbalan-
ço no numero de medidas entre os níveis da
variável preditora; c) Quando houver critérios
racionais para a fusão de categorias de uma
variável categórica de forma a se aumentar o
poder do teste; d) no caso de uma transforma-
ção de uma variável ordinal de poucos níveis (3
ou 4) em uma categórica com os mesmos níveis
porque a diversidade de ferramentas estatísti-
cas para análises categóricas é bem maior e a
perda de poder não é muito grande neste caso;
e) nos casos em que a variável resposta for
categórica (não binária) e a preditora for quanti-
tativa ou ordinal, porque não há testes simples
diretos para estas situações (ver tabela de tes-
tes); f) em testes não paramétricos de ranque-
amento com muitos valores zero (>20% dos
valores) na variável resposta é mais apropriado
trabalhar com presença-ausência (mas ainda
melhor seria usar um teste de permuta).
7.8 Testes múltiplos
Quando realizamos testes múltiplos para a
mesma questão genérica, alguns autores de-
fenderam que o nível de significância (α) deve-
ria ser corrigido porque a chance de rejeição
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
inapropriada da hipótese nula (erro tipo I) é
multiplicada pelo número de testes. Por exem-
plo, quando testamos se a espécie 1, a espécie
2, … e a espécie 100 são sensíveis uma deter-
minada substância baseado em 100 experimen-
tos, se rejeitarmos Ho para 10 espécies utilizan-
do um nível de significância de 5%, então, te-
remos cerca de 5 falsos positivos e, portanto,
apenas cerca de 5 seriam positivos verdadeiros.
Cerca da metade das espécies consideradas
sensíveis seriam falsos positivos ou relações
espúrias, não devido a uma relação inconse-
quente, mas devido ao aumento do risco resul-
tante do excesso de testes.
A correção mais simples para testes múltiplos é
chamada de Correção de Bonferroni (o nome do
matemático que a criou) e é a divisão do α pelo
número de testes. Entretanto, se você tiver 20
testes e um valor inicial de α=0,05, o novo α
será 0,001, o que um nível de significância ex-
tremamente conservador. Rice (1989) reco-
menda a utilização de um cálculo menos con-
servador que ele descreve como um “Bonferroni
Sequential” com um diferente valor de α para
cada teste. Ainda é uma correção conservado-
ra, mas bem menos, e, portanto, muito útil.
Por outro lado, a utilização de correções em
testes múltiplos foi desaconselhada por alguns
autores (e. g. Moran, 2003; Gotelli & Elison,
2010). Eles questionam a drástica redução de
poder de testes com as correções e o limite
lógico para o número de testes considerados na
correção. Se aplicássemos a lógica da correção
rigorosamente, teríamos de corrigir pelo número
de testes de todo um artigo? Teríamos de corri-
gir por todos os testes feitos durante a vida de
um pesquisador? Claro que isto seria absurdo.
Eles estão certos. Então, o que fazer, simples-
mente esquecer a questão das correções? Não,
a reflexão sobre este problema é essencial.
Em primeiro lugar, temos que reconhecer que
há um problema cultural na forma como as pes-
soas interpretam qualquer conjunto de testes. É
preciso aprender a ver conjuntos de testes sa-
bendo que teremos cerca um falso positivo para
cada 20 vezes que rejeitamos Ho (não é a cada
107
teste, pois estaríamos desconsiderando que
alguns testes levam a positivos verdadeiros) ,
que podemos estimar pelo Bonferroni sequenci-
al) em α=0,05. Entretanto, a maioria das pesso-
as tende a considerar cada teste como um teste
independente. Por isto, no caso de tabelas com
uma sequência de testes relacionados, conside-
ro recomendável se apresentar uma coluna com
P (probabilidade calculada) e outra com a con-
firmação da significância do teste após uma
correção semelhante à de Rice (1989). Isto
ajuda a dar uma referência de probabilidade
dentro de um determinado contexto.
Em segundo lugar, devemos pensar bem antes
de multiplicar desnecessariamente o número de
testes em um estudo. Os críticos das correções
estão certos ao dizer que não existem limites
lógicos para correções de testes múltiplos fora
de tabelas. Por outro lado, a credibilidade de um
positivo em cinco testes é certamente menor
que a de um positivo em 50 testes. A valoriza-
ção da estatística nos últimos anos acentuou a
tendência a se multiplicar exageradamente o
número de testes dentro de cada estudo, às
vezes para todas as perguntas logisticamente
testáveis, sejam elas relevantes ou não. Os
cursos de metodologia precisam enfatizar que
isto é um problema e incentivar a atitude de
restringir o número de testes após considera-
ções teóricas ou coletas preliminares. Esta é a
atitude mais poderosa, pois reduz o número de
testes quando fazemos a correção ou suporta
um mínimo de credibilidade aceitável se não a
fizermos.
Exercícios
7.1- O que é poder de um teste e por que a
preocupação com o poder é geralmente secun-
dária na pesquisa, mas ainda assim é muito
relevante?
7.2- Cite seis aspectos em um estudo que con-
tribuem para um maior poder.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

7.3- Em que situação é preferível utilizar um
teste unicaudal e por que na dúvida devemos
utilizar um teste bicaudal?
7.3- Dê um exemplo de previsão de hipótese
unicaudal pareada envolvendo diferenças de
dieta de gêmeos e sucesso escolar. Faça uma
tabela EPR para este exemplo.
7.4- Faça uma tabela EPR para avaliar se o
número de baratas é maior em coletas noturnas
comparada com coletas noturnas para um estu-
do com amostras não pareadas e outra tabela
EPR para realizar a mesma comparação em um
teste pareado. Explicite a entidade em cada
tabela. Quais as vantagens e desvantagens de
cada abordagem?
níveis e por quê? c) em que escala o poder
diminui e por quê?
7.12- Quando os níveis da variável preditora
são fixos em relações monotônicas, qual a for-
ma de se obter o maior poder com a escolha
dos níveis?
7.13- Qual é o procedimento na escolha de
níveis quando não se sabe qual é a forma da
relação
7.14- Em que situações é recomendável tomar
atitudes que reduzem o poder de um teste?

7.5- Como decidir se aplicamos um teste para-

métrico ou não paramétrico em uma abordagem
pareada?

7.6- O que são testes múltiplos e como é reali-

zada a correção no nível de significância se
quisermos evitar o aumento global na chance
de erro tipo I?

7.7- Por que estudos experimentais quase sem-

pre têm níveis fixos e estudos observacionais
geralmente têm níveis livres. Cite um exemplo
de estudo observacional com níveis fixos.

7.8- Faça um gráfico mostrando uma relação

retilinear, uma relação curvilinear monotônica e
uma relação curvilinear variável.

7.9- Como varia o poder de um teste em função

do tipo de teste (paramétrico x não paramétrico;
unicaudal x bicaudal) com uma hipótese nula
unicaudal com as premissas para testes para-
métricos válidas.

7.10- Quando um teste pareado é mais podero-

so que um não pareado e vice versa.

7.11- Quando os níveis são livres: a) quais as

escalas de medida mais poderosas; b) em que
escalas o poder aumenta com o número de

108
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
8. Glossário
Abordagem Experimental- Pesquisa na qual
os valores das variáveis preditoras são manipu-
lados para verificar seu efeito sobre a Variável
resposta, em duas condições, com controle
absoluto de variáveis externas ou com controle
estatístico por aleatorização na atribuição dos
níveis da variável preditora.
Abordagem Quase experimental- Pesquisa
com manipulação dos valores da Variável predi-
tora para verificar seu efeito sobre a variável
resposta, mas sem controle absoluto ou estatís-
tico com atribuição aleatória de níveis.
Abordagem Não Experimental- Pesquisa sem
manipulação nos valores das variáveis predito-
ras.
Acurácia- é o grau de proximidade com a me-
dida verdadeira.
Aleatório- Por sorteio ou processo equivalente.
Não é sinônimo de “ao acaso”.
Alfa (α)- Nível de significância adotado antes de
realizar um teste estatístico que indica a proba-
bilidade de erro tipo I.
“Ao acaso”- Devido a um conjunto de peque-
nas causas preditoras entre si, que se prendem
a leis ignoradas e que determinam um aconte-
cimento qualquer, não é sinônimo de aleatório.
Autocorrelação- Relação entre valores medi-
dos em sequência espacial ou temporal, por
exemplo, relação entre Xi e Xi+1, onde i é a
iésima medida.
Balanço- Igualdade (balanço perfeito) ou seme-
lhança no número de entidades para cada nível
da variável preditora.
Bloco- Conjunto de unidades amostrais que
funcionam como entidade em uma tabela EPR-
Bloco. Nesta tabela, as linhas são os blocos e
as colunas propriedades em cada unidade a-
mostral.
Contraste- Avaliação a posteriori em uma Ana-
lise de Variância paramétrica ou não paramétri-
ca para determinar quais níveis são significati-
vamente diferentes.
Controle- Diferentes tipos de ações planejadas
para aumentar a confiabilidade e poder de um
teste.
109
C. Estratégia Absoluto- Estudo em condi-
ções em que apenas a variável preditora tem
efeito relevante sobre a variável resposta.
C. E. Aleatorização VI- Estudo em condi-
ções controladas estatisticamente pela atribui-
ção aleatória dos níveis da variável preditora.
C. E. Sistematização VI- Estudo em condi-
ções controladas estatisticamente pela atribui-
ção sistemática dos níveis da variável preditora.
C. E. Blocos VI- Estudo em condições con-
troladas estatisticamente pela atribuição aleató-
ria dos níveis da variável preditora dentro de
blocos.
C. E. Fixação VE- Estudo em condições
parcialmente controladas estatisticamente pela
fixação dos níveis de uma variável externa.
C. E. Inclusão VE- Estudo em condições
parcialmente controladas estatisticamente pela
inclusão de uma variável externa.
C. Função Anti-ruido Ações de controle
com a finalidade de aumentar o poder de um
teste pela redução do efeito aleatório de variá-
veis externas.
C. F. Anti-tendenciosidade- Ações de con-
trole com a finalidade de aumentar a confiabili-
dade de um teste pela redução do efeito ten-
dencioso de variáveis externas.
C. de Tratamento Nulo Simples- Amostras
sem tratamento utilizadas para comparar com
amostras que sofreram um determinado trata-
mento.
C. T. Nulo Processual- Amostras com tra-
tamento parcial utilizadas para comparar com
amostras que sofreram um determinado trata-
mento completo.
C. T. Nulo Reverso- Amostras com diferen-
tes tratamentos para terem seus efeitos compa-
rados.
Desenho Experimental/ Amostral- Descrição
de parte ou de todos os procedimentos conside-
rados relevantes para garantir as validações
interna, da medida e analítica em um estudo. O
primeiro termo é mais apropriado para estudos
experimentais e o segundo para estudos não
experimentais (i.e. sem manipulação da variável
preditora)
Entidade- Qualquer coisa que podemos imagi-
nar e que possui propriedades.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
Escala de Medida- Categoria de tipo de medida
de uma variável. As principais são binária, cate-
górica, ordinal ou quantitativa.
Estatística Descritiva- Procedimentos mate-
máticos e gráficos que permitem caracterizar
um conjunto de dados e/ou formas de relações.
E. Inferencial- Procedimentos matemáticos
que permitem a tomada de uma decisão sobre a
existência de uma relação com base em crité-
rios pré determinados.
E. Intuitiva- Processos intuitivos equivalen-
tes à estatística formal utilizados para tomada
de decisões cotidianas.
Gráfico EPR- Gráfico cartesiano com a Variável
preditora na abscissa, a resposta na ordenada e
pontos representando entidades.
Hipótese- Uma possibilidade de resposta para
uma pergunta com duas ou mais alternativas.
Independência- Premissa de testes estatísticos
garantida por um desenho experimental apro-
priado ou assumida por análise ou por conside-
rações teóricas. Se a premissa de independên-
cia for falsa, o teste não será confiável.
Independência pela distância- premissa que a
distância entre unidades amostrais é suficiente
para tratar as unidades amostrais como se fos-
sem independentes.
Nível de Medida- Um valor assumido por uma
variável dentro de um banco de dados.
NM Fixo- Um ou mais valores pré determi-
nados assumidos por uma variável dentro de
um banco de dados.
NM Fixo Univalor Quando uma variável tem
um nível único pré-determinado.
NM Fixos Univalores Quando uma variável
tem mais de um nível pré-determinado.
NM Livre- Quando os níveis de uma variável
não são pré-determinados.
NM Multivalor- Quando uma variável tem
mais de um nível pré-determinado ou não.
NM Unilote- Quando as entidades provêm
de um único lote
NM Multilote Quando as entidades provêm
de mais de um lote.
Nível de Significância- Ver Alfa.
Precisão- é o grau em que conseguimos uma
medida quantitativamente próxima em condi-
ções estáveis.
110
Probabilidade: Valor de uma expectativa de
chance de uma determinada ocorrência.
Propriedades- Atributos que qualificam uma
entidade. Em um estudo, uma propriedade que
varia costuma ser chamada de variável.
Pseudo-replicação- o uso de estatística infe-
rencial para testar efeitos de tratamentos com
dados de experimentos que não são replicados
ou quando as replicatas não são estatisticamen-
te independentes
Planejamento Amostral- O mesmo que dese-
nho experimental
Premissa- uma proposição que precisa ser
verdadeira para podermos chegar a uma dada
conclusão.
Poder- Em estatística significa a capacidade
que um teste ou um procedimento tem de rejei-
tar a hipótese nula quando ela é falsa.
Relação: Qualquer tendência significativa que
exista entre valores de propriedades de algum
tipo de entidade. Com base na existência de
relações que podemos fazer previsões com
algum grau de certeza.
R. Consequente- A relação existente entre
Duas variáveis que estão sobre a mesma linha
de causalidade. Pode ser direta ou indireta, mas
não apenas porque ambas são influenciadas
por uma terceira.
R. Curvilinear- Relação linear entre duas
variáveis quantitativas (excepcionalmente ordi-
nais) que é significativamente não retilinear.
R. Espúria- Uma relação encontrada entre
duas variáveis interpretada como relação causal
sem que haja realmente uma relação causal
entre elas. É impossível garantir que não ocor-
ram, mas elas podem ser reduzidas pelo nível
de significância assumido (um controle de risco
conhecido), com desenhos experimentais (um
controle contra riscos desconhecidos) e corri-
gindo os níveis de significância pelo número de
testes (controle de inflação de risco).
R. Inconsequente- Uma relação entre duas
variáveis em função das duas serem influencia-
das por uma terceira. Se houver conciência da
falta de causalidade entre as duas variáveis, a
relação inconsequente não é considerada espú-
ria, mas apenas uma correlação.
R. Linear- Relações descritas por modelos
retilineares, quadráticos, exponenciais, logísti-
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
cos e outros (GLM), em contraste com modelos
aditivos (GAM) que não abordamos.
R. Retilinear- Uma relação entre duas variá-
veis quantitativas que é compatível com uma
reta.
Resposta Contextual- Resposta baseada em
unidades amostrais com influência relevante de
fatores contextuais no espaço, tempo, filogenia
ou outra condição análoga de posição.
R. Estatística- Resposta baseada em unida-
des amostrais independentes sem influência
relevante de fatores contextuais.
R. Fato- Resposta que encontra sua força em
apenas uma ou poucas observações.
R. Sistêmica- Ver resposta por coerência em
rede.
R. por Coerência em Rede- Resposta cuja
força ou fraqueza está no grau de coerência
entre ideias relacionadas tomadas como um
conjunto. O mesmo que Resposta Sistêmica.
Tabela EPR- Formato de entrada de dados em
planilhas no qual as entidades estão nas linhas
e as propriedades nas colunas. Cada entidade
aparece apenas uma vez na planilha.
Teste estatístico- Uma decisão sobre a valida-
de de uma hipótese a partir de critérios pré-
estabelecidos utilizando algorrítimos matemáti-
cos desenvolvidos para diferentes situações.
T. Bicaudal- Teste estatístico com hipótese
nula assumindo uma igualdade entre os níveis
da variável preditora.
T. Não Paramétrico- Uma categoria de testes
com premissas menos exigentes, mas com
poder relativamente baixo.
T. Paramétrico- Uma categoria de testes com
premissas mais exigentes, mas poder relativa-
mente alto e alta capacidade de descrição.
T. Unicaudal Teste estatístico com hipótese
nula assumindo uma desigualdade entre os
níveis da variável preditora..
Transformação de dados- Operações mate-
máticas frequentemente utilizadas para trans-
formar variáveis de forma a se obter condições
dentro de premissas de testes paramétricos.
Variável: Uma propriedade dentro de um estu-
do de relações
V. de Caminho- Variáveis que se encontram
entre duas variáveis extremas dentro de uma
111
linha de causalidade e que contribuem para
detalhar o funcionamento de um sistema.
V. Condicionalmente Correlacionadas-
Duas variáveis que estão correlacionadas sob
ação de uma terceira variável, não havendo
causalidade entre elas, de forma que fixando a
terceira variável a relação deixa de existir.
V. de Confundimento- Variável que influi
sobre a variável resposta e preditora de forma a
criar uma relação espúria entre elas.
V. de Ruído- Variável obscurece a relação
enter duas variáveis, mas que não tem influên-
cia tendenciosa entre elas, isto é, não é uma
variável de confundimento.
V. resposta Uma variável tida hipotetica-
mente como influenciada pelos os valores da
variável denominada variável preditora (o que
será estabelecido durante o estudo.)
V. Externa- Uma variável que não está no
modelo em questão, mas que pode interferir
sobre o estudo, seja como variável de confun-
dimento ou como variável de ruído.
V. em Estudo- As variáveis diretamente en-
volvidas na questão e que estão no modelo
sendo testado.
V. Fixa- Uma variável cujo valor ou valores
foram pré- determinados para o estudo.
V. Livre Uma variável cujos valores não fo-
ram pré- determinados para o estudo.
V. preditora- Uma variável tida hipotetica-
mente como um fator que influi sobre os valores
da variável denominada variável resposta (o
que será estabelecido durante o estudo.)
V. Neutra- Uma variável que não influi sobre
a variável preditora nem sobre a variável res-
posta.
V. Pré-Explicativa- Uma variável que influi
sobre a variável preditora, mas não tem um
efeito sobre a variável resposta, exceto pela sua
influência sobre a primeira.
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas
9. Bibliografia citada e reco-
mendada
DIAMOND, J. 2010. O Terceiro Chimpanzé: A
Evolução e o Futuro do Ser Humano. Record.
São Paulo. 430pp.
FOWLER J. & L. COHEN. 1990. Practical Sta-
tistics fo Field Biology. John Wiley & Sons. Chi-
chter. 227p. (um livro simples e didático dirigido
para a pratica do biólogo).
GOTELLI N. J. & A. M. ELISON. 2010. Princí-
pios de Estatística em Ecologia. Artmed. 527p.
HURLBERT, S. H. 1984. Pseudoreplication and
the design of ecological field experiments. Eco-
logical Monographs 52(2). (Artigo classico sobre
desenho experimental).
LEVINE, D. L., M. L. BERENSON & D. S.
STEPHAN. 1998. Estatística: Teorias e Aplica-
ções: Usando o Microsoft Excel em Português.
LCT. 811p. (Embora o Excel não seja formal-
mente um aplicativo estatístico, sua flexibilidade
pode torná-lo uma ferramenta mais poderosa
que os programas estatísticos para alguns usos.
Este livro ajudará a conhecer mais este progra-
ma.)
LUDWIG, J. A. & REYNOLDS, J. F. 1988. Sta-
tistical Ecology. Wiley. New York. (Fornece úteis
ferramentas estatísticas alternativas ao que se
encontra em quase todos os livros de bioestatís-
tica, especialmente técnicas descritivas. Uma
boa introdução à estatística multivariada.)
MAGNUSSON, W.E. & G. MOURÃO. 2005.
Estatística sem matemática: a ligação entre as
questões e as análises. Planta. Londrina. (Um
livro de estatística dirigido aos usuários, mas
com uma abordagem e temática diferentes das
utilizadas aqui)
MLODINOW, L. 2008. O Andar do Bêbado.
Zahar. RJ. (Aborda problemas no uso da esta-
tística intuitiva. Muito divertido e revelador).
112
MORAN, M. D. 2003. Arguments for rejecting
the sequential Bonferroni in ecological studies.
Oikos 100:2.
MOTULSKY, H. 2010. Intuitive Biostatistics: A
Nonmathematical Guide to Statistical Thinking.
Oxford Univ. 472pp.
SCHEINER, S. M. & GUREVITCH, J. 1993.
Design and Analysis of Ecological Experiments.
Chapman & Hall. New York. (Livro sobre plane-
jamentos amostrais para biólogos com exem-
plos de aplicações)
SOKAL R. R. & ROHLF, F. J. 1981. Biometry.
2nd ed. Freeman. New York. . (Livro que vai um
pouco mais fundo na matemática atrás da esta-
tística, mas acessível aos não matemáticos.)
TRIOLA, F. M. Introdução à Estatística. LTC.
Rio de Janeiro. 1999. (um dos livros de estatís-
tica geral que mais gosto).
TROCHIM, W. 2000. The Research Methods
Knowledge Base, 2nd ed. Atomic Dog Publi-
shing, Cincinnati. (Disponível para venda na
internet). (Muito atual e com abordagem bastan-
te didática. Sua ênfase em Ciências Sociais
Aplicadas não compromete sua explicação dos
fundamentos de planejamentos amostrais e
ainda facilitará ao Biólogo desenvolver estudos
que envolvam o ser humano.
ZAR, J. H. 1984. Bioestatistical Analysis, 2nd.
Ed. Prentice-Hall, Englewood Cliffs, N.J. (Outro
livro que vai um pouco mais fundo na matemáti-
ca atrás da estatística, também acessível aos
não matemáticos.)
ZUUG, A. E., E. IENO, N. WALKER, A. A.
SAVELIEV & G. M. SMITH. 2009. Mixed Effects
Models and Extensions in Ecology with R.
Springer. NY. (Um livro avançado e recente de
estatística para Ecologia.)
Na Internet:
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

GARSON, D. 2006. http://www2.chass.nsu.edu/

garson/pa765/statnote.htm. (Um exemplo de
sítio para tirar dúvidas sobre testes estatísticos.
Bastante completo (Último acesso em maio de
2009).

MACNAUGHTON, D. B. 2002. The introductory

statistics course: The entity-property-relationship
approach. Available at http://www.matstat. com/
teach (Último acesso em maio de 2009.) (Para
entender mais sobre a abordagem EPR).
http://www.mathworks.com/access/helpdesk/hel
p/toolbox/stats/index.html?/access/helpdesk/hel
p/toolbox/stats/bqttcvf.html#bqttd20-
1Macnaughton, D. (2004). The Introductory
Statistics Course: The Entity-Property-
RelationshipApproach. Available online at:
www.MatStat.com/teach

(Ver como citar o Writing Good questinos:

http://www.conservationleadershipprogramme.or
g/UserDataWEB/ProjectManuals/Writing%20Go
od%20Questions.pdf

113
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Leitura complementar 10. O pão é cozido nas temperaturas tão eleva-

das quanto 400 graus! O calor neste nível pode
matar um adulto em menos de um minuto.
Este texto mostra com humor como a estatística 11. A maioria de comedores de pão é totalmen-
mal aplicada pode nos induzir a interpretar mal te incapaz de distinguir entre o fato científico
os dados. Reflita sobre ele para não cometer significativo e um blábláblá estatístico sem sen-
erros semelhantes. Na página seguinte é apre- tido.
sentada uma tabela comparando cursos tradi-
cionais com cursos mais voltado aos usuários Na luz destas estatísticas assustadoras, nós
de estatística. propomos as seguintes limitações ao pão:
1. Nenhuma venda do pão aos menores.
!!! O PÃO É PERIGOSO!!! Eu andei pesquisan- 2. Uma campanha completa de âmbito nacional
do um pouco, e o que eu descobri deve fazer “Diga não às torradas” nos horários de maior
qualquer um pensar duas vezes.... audiência e com participação de celebridades.
1. Mais de 98 por cento dos criminosos são 3. Um imposto federal de 300 por cento em todo
usuários do pão. o pão de forma a pagar por todos os males
2. A METADE de todas as crianças que cres- que a sociedade puder associar com o pão.
cem em casas onde se come pão estão abaixo 4. Nenhuma imagem de animais, de pessoas,
da média em testes escolares padronizados. ou uso de cores vivas (que puderem ser apela-
3. No século XVIII, quando virtualmente todo o tivas para as crianças) podem ser usadas para
pão era cozido em casa, a expectativa de vida promover o uso do pão.
média era 50 anos menor; as taxas de mortali- 5. O estabelecimento de zonas livres de pão em
dade infantil eram inaceitavelmente elevadas; torno das escolas.
muitas mulheres morriam no parto; e doenças (Adaptado de um texto de David Devejian.)
como a febre tifóide, febre amarela, e a influen-
za varriam nações inteiras.
4. Mais de 90 por cento de crimes violentos são
cometidos dentro de 24 horas após o consumo
de pão.
5. O pão é feito de uma substância chamada
"massa de pão." Provou-se que com apenas um
quilo de massa de pão pode-se sufocar um rato.
Uma pessoa média come mais pão do que esta
quantidade por mês!
6. Sociedades tribais primitivas que não conso-
mem nenhum pão têm uma incidência baixa de
câncer, de doença de Alzheimer, de Parkinson,
e de osteoporose.
7. Foi provado que o pão vicia. Pessoas priva-
das de pão que receberam somente água para
consumir imploraram pelo pão em apenas dois
dias.
8. O pão frequentemente conduz o usuário ao
consumo de outros artigos alimentícios tais
como a manteiga, a geleia, a manteiga de a-
mendoim, e cortes frios uniformes.
9. Os bebês recém nascidos podem engasgar
com pão.

114
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

capítulo
Pseudoreplicação ou pseudorepetição
Completar exercícios Cap.5; Ajustes sobre Ruidos tendenciosos e não tendenciosos;
Complementar com livro verde; Ajustes apostila prática para R e Rcmdr;

Ver pdf vieses e variáveis de confundimento, posso absorver algo dai

“...Conhecimento este que pode ser usado no interesse da previsão e do controle”
(Frase de Giddens pag25)
Prologo do andar do bêbado aborda 3 temas importantes: 1) que nós “criamos um
olhar próprio sobre o mundo e o empregamos para filtrar e processar nossas per-
cepções, extraindo significados do oceano de dados que nos inunda diariamente
(OK)”; 2) ao final do parágrafo 2 aborda decisões. Isto talvez ainda precise de ênfase
melhor no cap 1.; 3) no par. 3 fala e m concorrência de diferentes interpretações,
uma boa forma da falar em testes de hipóteses.

Verificar

Reflexões 1- Base epistemológica

Indutivismo enumerativo: Não se sustenta bem logicamente. Ou podemos dizer que é uma evidência
pouco satisfatória. Não podemos “provar” uma hipótese com inúmeras evidências favoráveis, basta uma
desfavorável para derrubá-la. Você não pode provar a inocência de uma pessoa com vários filmes dela
se portando bem, basta um vídeo dela roubando para derrubar sua inocência. Não pode provar que aqui
não haverá terremotos com base na ausência em milhares de anos. Se você acha que continuará sen-
do, tem de explicar o porquê. (E.g. meio de placa tectônica.). Precisamos de hipóteses que ligam dife-
rentes aspectos da realidade.

Temos uma mistura de outras visões epistemológicas do que podemos chamar de provar. (Abdução-
“dedução” pela melhor explicação; Prova por Exclusão; Método HD).

Método Hipotético Dedutivo- (Usa dedução, mas não é prova dedutiva).

Método Hipotético Dedutivo de Previsão Obrigatória e Exclusiva- O caso Einstein.

Método H.D. de Previsão Estatística.

Porque acreditamos que o sol nascerá amanhã? 1) Porque sempre nasceu? (indutivismo enumerativo);
2) porque temos uma concepção de terra redonda em rotação aos redor do sol, etc., e levando em conta
toda uma história complexa temos a expectativa que nascerá? (paradigma atual); 3) Porque os Deuses
são piedosos, etc, (um paradigma alternativo); 4) Porque se não for assim, de qualquer forma, eu não
poderia fazer para ajudar, e tento pensar em coisas mais úteis.

Reflexão 2- Sobre hipóteses. O termo hipótese alternativa é infeliz. Já incorporado suficientemente?

Rever, talvez incorporado até demais. O termo hipótese autônoma (com previsões próprias) é interes-
sante, mas talvez não venha ao caso neste texto. Cap. 4 precisa ser simplificado. Não é inválido falar em

115
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

hipótese de medida incorreta, mas é meio esquisito mesmo. Talvez seja melhor não inovar tanto e cha-
mar de possibilidades serem eliminadas.

Reflexão 3- Variáveis operacionais (estão na previsão) e variável teórica (Variáveis que estão na hipóte-
se). (Cap 1 ou 2?). Será que é isto mesmo?

Hipótese= Resposta temporária. Respondida satisfatoriamente =conclusão.

Variáveis teóricas= Variáveis preditoras e respostas na hipótese
Variáveis operacionais= Variáveis preditoras e respostas na predição
Questão= Descritiva. Qual, como , etc. Evitar porque, pois abre muito o leque.

Conteúdos sobre análise de dados para profissionais das Ciências Biológicas.

Qual o conteúdo sobre análise de dados que deve ser dominado por estudantes de graduação, de pós-
graduação e por pesquisadores na área de Ciências Biológicas?

1- Qual a importância da filosofia da ciência na análise de dados?

2- O método “Questão, Hipótese e Previsão”.
3- O método Entidade-Propriedade-Relação

116
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

4-
5-
Este livro foi desenvolvido ao longo de mais de 10 anos ministrando aulas de bioestatística aplicada em
graduação e pós-graduação na Universidade Federal do Amazonas e no INPA.

Proposta
Graduação: Conceitos Fundamentais (técnicos e filosóficos), Estatística Univariada e Bivariada, uso de
pacotes estatísticos.
Pós Graduação: Regressão Múltipla, Regressão Logística; Estatística Multivariada e Modelagem. Uso
da plataforma R (nível fundamental e médio).
Pesquisador: Conhecimento de opções diversificadas de análises (ainda que sem o domínio de todas).
Algumas opções de aprofundamento. Análise de caminhos. Estratégias (éticas) de publicação; Coorde-
nação de grupos de pesquisa; Tomada de decisões. Uso da plataforma R em nível avançado I (Uso de
scripts pré definidos) e avançado II (desenvolvimento de scripts).

Quais são os conceitos fundamentais?

1- O lugar da estatística na análise de dados.

2- A Hipótese como base da análise (estatística é ferramenta)
3- A construção e a verificação de hipóteses
4- Os tipos de resposta para previsões
5- Estatística envolve inferências de amostras para populações

117
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

6- Conclusões estatísticas envolvem várias formas de validação

7- Estatística aperfeiçoa a intuição
8- Como montar tabelas para análises estatísticas
9- A estatística é ferramenta para estabelecer relações, que é uma atividade central na ciência
10- Níveis e escalas de medidas
11- Incerteza na atribuição de valores nominais
12- Incerteza na atribuição de valores quantitativos
13- Distribuições de frequência
14- Parâmetros populacionais
15- Intervalos de confiança
16- Independência univariada
17- Independência em relações
18- O método hipotético dedutivo por contraste
19- Hipótese de trabalho, previsão e hipóteses concorrentes.
20- Nível de significância e tipos de erros
21- Ajuste do alfa à questão
22- Distinção entre estatística experimental e observacional
23- x

118
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Cap 5- Diversidade
5.1- Ecologia e a diversidade de testes
5.2- Testes de diferença com uma variável
5.3- Testes de diferença com duas variáveis
5.4- Testes de diferença em blocos
5.5- Testes multivariados
5.6- Testes de semelhança com uma variável
5.7- Testes de semelhança com duas variáveis
5.8- Premissas de testes paramétricos
5.9- Transformação de dados
5.10- Contrastes

Cap. 6- Planejamento
6.1- Experimental versus amostral
6.2- Esquemas experimentais
6.3- Ilustrando a incerteza em estudos amostrais
6.4- Mapas conceituais
6.5- Abordagens amostrais
6.6- Abordagens quase experimentais
6.7- Abordagens amostrais com blocos
6.8- Independência pela distância
6.9- Abordagens multianálises

119
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

Cap. 7- Maximizando Poder

7.1- Testes unicaudais e bicaudais
7.2- Testes pareados e em blocos
7.3- Níveis livres e fixos
7.4- Relações retilineares, curvilineares e monotonicidade
7.5- O poder e os tipos de testes
7.6- O poder e os níveis das variáveis em estudo
7.7- Perdas justificadas de poder
7.8- Testes múltiplos

120
 A Condução da Análise 2014/1
© Thierry R. Gasnier/ Universidade Federal do Amazonas

• Bromélias absorvem Fósforo da água acumulada entre as suas folhas.

Qual é a hipótese e previsão

121