 Universidade Privada de Angola

Docente : Valeriano Chimuco

Kapingala
Disciplina :Bioestatística
Informática II

7. Aula Data :
24,25,08|04\05|023
Objectivo geral :Aprender a pertinência da Estatística
Inferencial no curso de saúde para desenvolver no discente
habilidades do uso de métodos estatístico na recolha da
amostra, margem de erro , hipótese, delineamento
experimentais ,teste de comparações, em uma pesquisa
científica ;
 Objectivo Especifico :
 Descrever os métodos utilizados em Estatística
Inferencial;
 Compreender os cálculos da Estatística Inferencial ;
 Enumerar o impacto de cada método da Estatística
Inferencial no concurso de Saúde ;
 Conceitos Básicos sobre Experimentação

Introdução

“Fazer ciência” é um processo empírico, no qual

todas as perguntas e hipóteses construídas devem
ser testadas seguindo o método científico
(UNDERWOOD, 1997; KREBS, 2001). Uma das
metodologias usadas para isso são os experimentos
manipulativos, em que as variáveis de interesse são
controladas, permitindo determinar, mais facilmente,
as relações de causa e efeito (PIANA et al., 2009;
GOTELLI; ELLISON, 2011).
O delineamento desses experimentos, que pode
ser simples (unifactorial - um factor) ou complexo
(multifactorial - dois ou mais factores), é crucial,
pois, com os dados obtidos, pode-se dar suporte (ou
não) para a hipótese formulada (KREBS, 2001).
Desta forma, trabalhos de experimentação
requerem extensos e minuciosos planeamentos,
desde a etapa de determinação da hipótese até o
seu teste, através de manipulação das variáveis de
interesse.
Nesse planeamento, três pontos fundamentais
são: o controle das variáveis que podem afectar a
resposta, a aclimatação dos organismos
(especialmente em experimentos com animais), e a
condução de um experimento piloto. Além disso, a
curiosidade do pesquisador e sua capacidade de
conectar a resposta obtida com o que acontece na
natureza são requisitos fundamentais para produzir
ciência com qualidade.
Tratamento

Um tratamento é uma condição imposta ou objecto que se

deseja medir ou avaliar em um experimento. Normalmente
,em um experimento ,é utilizados mais de um tratamento .

Como por exemplos de tratamento ,podem-se citar

:equipamento de diferentes marcas ,diferentes tamanhos de
peças ,doses de um nutriente em um meio cultura,
quantidade de lubrificante em uma maquina ,temperatura de
armazenamento de alimento .
Os tratamentos que podem ser dispostos em ordem ,como
por exemplo , doses de nutriente ,quantidade de lubrificantes
,níveis de temperatura ,são ditos tratamentos quantitativos
.Já os tratamento que não podem ser disposto numa ordem
,são ditos tratamento qualitativo ,por exemplo variedade de
plantas ,métodos de preparação de alimento ,marcas de
equipamento e outros .

Cada tipo de tratamento também pode ser chamado de factor

.Nesse texto ,serão estudados somente experimentos com um
factor de interesse .
 O tipo de tratamento tem importante na forma como os
dados serão analisados.

 Quando os tratamentos são quantitativos , pode-se .por

exemplo técnicas de analise de regressão .

 Os tratamentos são chamados de variáveis

independentes .Quando , em um experimento ,estamos
interessado em estudar apenas um tipo de variáveis
independente ,dizemos que possuímos apenas um factor
.Em um experimento ,um factor pode ter variais
categorias que são chamadas de níveis .
 Exemplo: Um laboratório deseja estudar o
efeito da composição de peças de metal sobre
a dilatação .
 Neste exemplo ,a composição das peças é o
factor (variável independente).Os diferentes
tipos de composição são os níveis do factor. A
dilatação das peças ,medida em milímetro ,por
exemplo ,é variável resposta (variável
dependente).
Unidade Experimental ou parcela

Unidade experimental ou parcela é onde é feita a

aplicação do tratamento .é a unidade experimental
que fornece os dados para serem avaliados .Como
exemplo de unidade experimentais ou parcela pode-
se citar :Um motor ,uma peça do motor ,uma placa de
petri com meio de cultura ,uma porção de algum
alimento .
As unidades experimentais podem ser formadas por
grupos ou indivíduos .Por exemplo ,quando trabalha-
se com cobaia ,pode-se ter apenas uma cobaia como
unidade experimental ,ou seja ,apenas um animal
fornecera a resposta do tratamento ,ou ainda ,pode-
se ter um grupo de cobaias em uma gaiola fornecera
as informações .O uso de grupos ou indivíduos como
unidades experimentais depende do fenómeno que
se esta estudando, da forma como o experimento é
conduzido e dos recursos disponível .
Repetição

Repetição é o numero de vezes que um tratamento

aparece no experimento .

O numero de repetição ,em um experimento ,vai

depender também dos recursos disponíveis ,do tipo
de experimento (delineamento ) e ,também ,da
variabilidade do experimento ou variável resposta
.Existem varias metodologias para estimar o numero
satisfatório de repetição em um experimento .Mas ,em
função das possíveis limitações acima ,a definição do
numero de repetições ,muitas vezes ,torna-se uma
tarefa difícil.
A experiencia do pesquisador sobre o fenómeno em
estudo deve ser levada em consideração .Além disso ,as
metodologia empregada ,para esse calculo ,pressupõem
que uma estimativa do erro experimental é conhecida
.Nem sempre essa informação esta disponível antes
da realização de um experimento e , como cada
experimento é uma nova história , em função de
características intrínsecas de cada fenómeno ,esse
calculo pode ser em vão .
Casualização: serve para que os tratamentos utilizados
não sejam subestimados ou superestimados, ou seja,
não ter influência do pesquisador;

O controle local: será um local escolhido para a

pesquisa, onde o mesmo venha a ter pouca influência
ambiental (heterogeneidade ambiental) e que nos
tratamentos haja homogeneidade ( a exemplo de locais
com mesma características).
Teste de hipótese

O outro método para se inferir estatisticamente

consiste em realizar um teste de hipóteses. Como o
próprio nome indica, com este método testamos uma
hipótese por nós formulada para explicar certas
observações ou uma situação. Podemos, por
exemplo, afirmar que a média de uma população é
µ=7, que a probabilidade de um determinado
acontecimento ocorrer é π=0,4 ou que a variância da
população em estudo é σ2=0,15.
 Para testarmos uma hipótese usamos o
método da prova indirecta ou da redução ao
absurdo, pressupondo como verdadeira a
hipótese contrária àquela que queremos testar.
Se chegarmos a uma contradição, podemos
concluir que o nosso pressuposto estava
errado e, por conseguinte, a hipótese inicial
não é de excluir.
Existem, portanto, duas hipóteses de trabalho:

° H0 hipótese nula, o ponto de partida da nossa

investigação;

° H1 hipótese alternativa, normalmente a negação da

hipótese nula.
H0 constitui uma afirmação acerca do valor de um
parâmetro que aceitamos como verdadeira. No
entanto, pelo facto de estarmos a trabalhar com uma
amostra e não com toda a população, é evidente que
qualquer que seja a conclusão do teste, este não é
isento de erro. As nossas decisões são sempre
baseadas na chamada evidência amostral, naquilo
que podemos inferir a partir da amostra que
recolhemos. Se existir suficiente evidência
amostral para contradizer a amostra nula, então
acreditamos que a hipótese alternativa é a afirmação
mais razoável.
 Se a evidência amostral não for suficiente,
continuamos a acreditar que a hipótese nula é
a mais correcta para representar a situação
em estudo.
A hipótese Nula (Ho) é uma hipótese estatística que
contem uma afirmação de igualidade ,tal como <=>, .
A Hipótese Alternativa (Ha) é , geralmente ,o
complemento da hipótese nula .é a afirmação que deve
ser verdadeira se Ho for falsa e contem uma afirmação
de desigualdade estrita ,tal como , ≤≠ 𝑜𝑢 ≥.
Possibilidade para teste da media populacional:
Possibilidade para teste da media
populacional:
Ho:u=k Ha:u≠ 𝑘
Ho:u=k Ha:u> 𝑘
Ho:u=k Ha:u< 𝑘
Ho:u≤ 𝑘 Ha:u> 𝑘
Ho:u≥ 𝑘 Ha:u< 𝑘
Consideremos os seguintes exemplos de hipóteses
nulas e alternativas:

(1) H0 : µ = 10

(2) H0 : σ2 < 8

(3) H0 : π = 0,60

H 1 : µ ≠ 10

H1 : σ2 ≥ 8

H1 : π > 0,60
 Repararemos que no exemplo (2) a hipótese nula
é apresentada na forma de um intervalo e que no
exemplo (3) a hipótese alternativa não constitui uma
negação perfeita de H0. Todas as formulações das
hipóteses alternativas, incluindo obviamente o
exemplo (1), correspondem a uma interpretação do
que se entende por afirmação oposta.

 Tudo depende do enquadramento do nosso

problema. Pode acontecer que o enquadramento do
problema seja tal que o nosso único interesse seja
As hipóteses nula e alternativa representam as
afirmações referentes ao parâmetro da população, a
estatística do teste permite sumariar os dados amostrais e
apresentar a evidência estatística, a região de rejeição é a
zona que permite que a conclusão seja elaborada e, por
fim, tomada a decisão.
Se a estatística do teste estiver na região de rejeição,
concluímos que a amostra é inconsistente com a hipótese
nula e rejeitaremos esta hipótese. Caso o teste estatístico
não pertença à região de rejeição, há evidência de que a
amostra é consistente com a hipótese nula e, portanto,
não rejeitaremos esta hipótese.
A conclusão é baseada na evidência estatística
obtida a partir da amostra. O que não significa que
esteja isenta de erro. De facto, comparando as duas
conclusões possíveis (rejeitar ou não H0) com a
situação real da hipótese nula (verdadeira ou falsa)
temos quatro situações possíveis:
 Situação real

Conclusão H 0 verdadeira H0 falsa

Rejeitar H0 ERRO DO TIPO I CONCLUSÃO

CORRECTA

Não rejeitar H0 CONCLUSÃO ERRO DO TIPO II

CORRECTA
A conclusão é correcta se o teste estatístico nos levar
a rejeitar H0 e este ser efectivamente de rejeitar ou
se o teste estatístico nos levar a não rejeitar H0 e
este ser de aceitar. No entanto, nas outras duas
situações temos uma conclusão errada, havendo
dois tipos de erro: (1) erro do tipo I, sempre que uma
hipótese nula verdadeira é rejeitada; (2) erro do tipo
II, sempre que uma hipótese nula falsa é aceita.
Para determinarmos se a hipótese H0 é ou não de
rejeitar, usamos a informação amostral (média,
desvio padrão e tamanho da amostra) para calcular a
chamada estatística do teste, que não é mais do que
um valor Z* que combina o valor de µ da hipótese H0
com a evidência amostral. Comparando este valor
calculado Z* com o valor de corte Z, é possível
tomar-se a decisão.
Quando testamos a hipótese referente à média da
população usamos a seguinte estatística de teste:
−
𝑥
𝑥 − 𝑈0
𝑍 =
𝜎| 𝑛
 Exercicio
Se σ é desconhecido, podemos substituir σ pelo
desvio padrão s da amostra, especialmente se n é
superior a 30.
Para ilustrar este tipo de teste, vejamos o exemplo de
um serviço cirúrgico que foi há cerca de ano e meio
sujeito a uma auditoria.
Uma das conclusões desta auditoria é que o tempo
médio de espera dos doentes era de 51.5 dias. O
Director do serviço pretende agora, com base numa
amostra de 75 facturas e com um nível de
significância de 0,10, verificar se este número foi
alterado.
O resultado da amostra foi X = 57,3 dias com s = 21,0
dias, sendo as hipóteses a testar
H0: µ = 51,5 dias
H1: µ ≠ 51,5 dias
Para um risco de 10% de cometer um erro do tipo I, o
ponto de corte correspondente é ±1.65 e a estatística
do teste é
𝑥 − − 𝑈0 57,3 − 51,5
𝑥
𝑍 = = = 2,39
𝜎| 𝑛 21| 75
 Como Z*=2.39>1.65, rejeita-se a hipótese nula e,
portanto poderemos dizer que o tempo médio de
espera foi, de facto, alterado.
 Neste exemplo procedemos a um teste bilateral
com a região de rejeição a corresponder aos valores
de X mais afastados de µ0 para ambas as direcções.
Por vezes na prática pretendemos apenas incluir na
região de rejeição apenas uma das direcções. Isto
constitui um chamado teste unilateral. Vejamos outro
exemplo.
Há quatro meses, no intuito de diminuir o tempo de
espera para uma intervenção, o Conselho de
Administração de um hospital decidiu implementar um
programa de incentivos. Pretendemos então testar
H0: µ=57 dias contra H1: µ<57 dias a um nível de
significância de 0.05.
Uma amostra de 40 casos de doentes à espera
apresentou uma média X = 53,5 com s = 26 dias.
Será que podemos concluir que o programa de
incentivos fez diminuir o tempo de espera dos
doentes?
Para α=0,05, o ponte de corte inferior para Z é -1.65
e a nossa estatística de teste é então
−
𝑥
𝑥 − 𝑈0 53,5 − 57
𝑍 = = = 0,85
𝜎| 𝑛 26| 40

Como Z*=-0,85>-1,65, não rejeitamos H0, ou seja a

evidência amostral é consistente com a veracidade
da hipótese nula.
Variável resposta ou Variável dependente
Uma variável é qualquer característica que apresenta variação
,por exemplo ,altura de pessoa ,o peso de animais ,o
comprimento de uma peça , o numero de microrganismos em
um litro de leite etc.
Quando o valor de uma variável não pode ser determinado
antes da realização de um experimento ,tem-se então uma
variável aleatória .
As variáveis que assumem valores enumeráveis ,são
denominadas variáveis aleatórias continuas .Por exemplo ,o
peso de animais ,o teor de unidade em um alimento ,o
conteúdo de óleo em semente .
 É o pesquisado ,em geral ,quem sabe quais
serão as variáveis que serão medidas em um
experimento .Ele deve ser alertado ,sempre ,sobre
as condições para a realização de tais medições no
sentido de evitar gastar recurso com variáveis que
não fornecerão as informações para testa a
(s)hipótese(s).Quando o volume de dados de um
experimento torna-se grande ,aumentam os ricos de
erros grosseiros ,como de registro ,de inversão de
variáveis etc.
Delineamento experimento

Com a finalidade de reduzir o erro experimental

,existem os chamados delineamentos

Experimentais .Um delineamento experimental é a

forma como o tratamento ou níveis de um factor são
designados unidades experimentais ou parcela . A
analise de variância (que será vista mais adiante) é
baseada no delineamento experimental utilizado .
Alguns dos princípios delineamentos experimentais
são :

 Delineamento complemente causalidade (DCC)

 Delineamento em bloco causalizados (DBC)

Rerefencias Bibliograficas

AFLAKPUI, G.K.S. Some uses/abuses of statistics in crop

experimentation. Tropical Science, New Jersey, v. 35, n. 2, p.
347-353, 1995. ALVAREZ, V. H.; ALVAREZ, G.A.M.
Comparação de médias ou teste de hipóteses? Contrastes!
Sociedade Brasileira de Ciências do Solo. Viçosa, v. 3, n. 1, p.
24-33, 2006. BANZATTO, D.A; KRONKA, S.N.
Experimentação Agrícola. Jaboticabal: FUNEP, 2006. 237p.
CARDELLINO, R.A.; SIEWERDT, F. Utilização adequada e
inadequada dos testes de comparação de médias. Revista da
Sociedade Brasileira de Zootecnia, Viçosa, v. 21, n. 6, p. 985-
995, 1992. CHEW, V. Comparing treatment means: a
compendium. Hortscience, Alexandria, v. 11, n. 4, p. 348-35,
1976. GILL, J.L. Current status of multiple comparisons of
means in designed experiments. Journal of Dairy Science,
Savoy, v. 56, n. 8, p. 973-978, 1973. GILL, J.L. Design and
analysis of experiments. Ames: Iowa State University Press,
1978. 410p. HINKELMANN, K.; KEMPTHORNE, O. Design
and analysis of experiments: introduction to experimental
design. New York, JohnWiley & Sons, 1994. 495p.
Reflexão