FACULDADE DE VETERINÀRIA

LICENCIATURA EM CIÊNCIA E TECNOLOGIA ANIMAL

Trabalho de BIO-ESTATISTICA

DISCENTES:
Milena Jossamo
Argencia Guifutela

Docente :
Eng.

Maputo, Dezembro de 2022

INTRODUCAO
Índice
ESTE QUI-QUADRADO ______________________________________ 1. Introdução
.............................................................................................................................................4
2. Teste qui-quadrado em tabelas de contingência..............................................................4
2.1. Teste de independência.............................................................................................4
1. Estabelecer as hipóteses...........................................................................................5
3. Calcular as frequências esperadas............................................................................5
4. Calcular o valor da estatística de prova...................................................................5
5. Determinar o valor crítico........................................................................................6
6. Estabelecer a regra de decisão.................................................................................6
2.2. Teste de homogeneidade...........................................................................................6
1. Estabelecer as hipóteses...........................................................................................7
3. Calcular as frequências esperadas............................................................................7
4. Calcular o valor da estatística..................................................................................7
5. Determinar o valor crítico........................................................................................8
6. Estabelecer a regra de decisão.................................................................................8
Exemplo (v.a discreta).......................................................................................................13
Exemplo (v.a discreta).......................................................................................................13
Variável Aleatória Contínua..............................................................................................13
Função densidade de Probabilidade...................................................................................13
ESTE QUI-QUADRADO ______________________________________
1. Introdução

Geralmente, nem sempre se cumprem os requisitos exigidos para a utilização dos testes
paramétricos (teste t, teste F, etc.), e por isso necessitamos outra série de provas para as
quais não se exige que a distribuição populacional tenha uma forma determinada, nem
que seus parâmetros cumpram certas condições numéricas como se exige nos testes
paramétricos. Estas provas se conhecem com a denominação de testes não paramétricos e
podem ser aplicadas a escalas nominais, ordinais ou de intervalo.

Dentro dos testes não paramétricos, um dos mais utilizados é o teste Qui-quadrado (2),
já que nos permite comparar estados nominais por meio de frequências observadas das
que seriam de esperar, se fossem verdadeiras as condições hipotéticas do que se compara.

2. Teste qui-quadrado em tabelas de contingência

A classificação de observações (em geral, de variáveis qualitativas) de acordo com dois
critérios é referida como tabela de contingência.

Se um critério envolve 𝑟 categorias (linhas) e as outras 𝑐 categorias (colunas), a tabela é

referida como tabela 𝑟 × 𝑐. As vezes, cada uma das duas variáveis qualitativas pode
dividir-se em só duas categorias ou níveis. Quando isto acontece, o resultado é uma tabela
de contingência que consta de duas linhas e duas colunas. Tal tabela é conhecida por
tabela de 2  2.

As Tabelas de contingência são construídas com o propósito de:

(1) Testar a relação de dependência (associação) entre duas variáveis (Teste de

independência),
(2) Verificar se a distribuição de uma variável categórica é a mesma em diferentes
populações (Teste de homogeneidade)

2.1. Teste de independência

O teste de independência é baseado no esquema amostral, no qual uma única amostra
aleatória de tamanho n é classificada com relação a duas características simultaneamente;

Exemplo: Um grupo de investigadores publicou os resultados de um ensaio clínico do

uso de certa medicação para a cura de uma certa doença. Pretende-se saber se existe
associação entre o uso da medicação e cura. Seja α = 5%.

Situação
Medicação Total
Curado Não curado
Sim 90 10 100
 Não 60 40 100
Total 150 50 200

Os passos a seguir para testar a associação entre a medicação e a cura das duas variáveis
são:

1. Estabelecer as hipóteses
𝑯𝟎: A cura é independente da medicação, ou seja,
não há associação entre a cura e a medicação

𝑯𝟏: A cura é dependente da medicação, ou seja,

há associação entre a medicação e a cura

2. Escolher o nível de significância: Neste exemplo  = 0,05

3. Calcular as frequências esperadas

𝐶𝑢𝑟𝑎𝑑𝑜 𝑐𝑜𝑚 𝑚𝑒𝑑𝑖𝑐𝑎çã𝑜: 𝑎= = 75

𝑁ã𝑜 𝑐𝑢𝑟𝑎𝑑𝑜 𝑐𝑜𝑚 𝑚𝑒𝑑𝑖𝑐𝑎çã𝑜: 𝑏 = = 25

𝐶𝑢𝑟𝑎𝑑𝑜 𝑠𝑒𝑚 𝑚𝑒𝑑𝑖𝑐𝑎çã𝑜: 𝑐= = 75

𝑁ã𝑜 𝑐𝑢𝑟𝑎𝑑𝑜 𝑠𝑒𝑚 𝑚𝑒𝑑𝑖𝑐𝑎çã𝑜: 𝑑 = = 25

Assim, se as duas variáveis fossem independentes, nós esperaríamos as frequências que

se apresentam entre parênteses na tabela:

Situação
Medicação Total
Curado Não curado
Sim 90 (75) 10 (25) 100
Não 60 (75) 40 (25) 100
Total 150 50 200

4. Calcular o valor da estatística de prova

𝜒 onde O é o valor observado e E, é o número esperado

 𝐸

Assim,

2 2 2 2
𝜒 =
2
+++= 24

5. Determinar o valor crítico

O valor crístico é obtido a partir das tabelas da distribuição de qui-quadrado para um
dado valor 𝛼 e 𝑛 graus de liberdade (𝑔𝑙). Os graus de liberdade são obtidos a partir da
fórmula: 𝑔𝑙 = (𝑟 − 1) × (𝑐 − 1).

Para o caso deste exemplo, 𝑔𝑙 = (2 − 1) × (2 − 1) = 1

Assim: 𝜒(21−𝛼, 𝑔𝑙) = 𝜒(20,95, 1) = 3,841

6. Estabelecer a regra de decisão

Se 𝜒𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜2 > 𝜒𝑐𝑟2 í𝑡𝑖𝑐𝑜 ⇒ rejeita-se 𝐻0

Se 𝜒𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜2 < 𝜒𝑐𝑟2 í𝑡𝑖𝑐𝑜 ⇒ 𝑎𝑐eita-se
𝐻0
7. Concluir:
Dado que 𝜒𝑐𝑎𝑙𝑐2 > 𝜒𝑐𝑟2 í𝑡𝑖𝑐𝑜, rejeita-se a hipótese nula e conclui-se que existe uma
associação estatisticamente significativa entre o uso da medicação e a cura, ao nível
de 5%.

2.2. Teste de homogeneidade

O teste de homogeneidade é usado quando se deseja verificar se a distribuição de uma
variável categórica é a mesma em diferentes populações, isto é, que as várias colunas (ou
linhas) têm a mesma proporção de indivíduos nas várias categorias de uma característica,
se os totais das linhas (ou colunas) são especificados antecipadamente.

Consideremos os dados do exemplo que se segue, para testar a igualdade das proporções
de acasalamentos fecundos (e não fecundos) em três raças bovinas:

Tipo de acasalamento Total

Raça
Fecundo Infecundo
Charolesa 110 50 160
Gir 70 10 80
Nelore 30 10 40
Total 210 70 280
Vejamos os passos a seguir:

1. Estabelecer as hipóteses
A hipótese nula de homogeneidade que a proporção de cada tipo de acasalamento é a
mesma para todas as raças, pode ser formalmente estabelecida como:

𝐻0: A proporção de acasalamentos fecundos é a mesma na três raças, ou

seja, 𝐶ℎ= 𝑝𝐺𝑖𝑟 = 𝑝𝑁𝑒

𝐻1: As proporções não são todas iguais

2. Definir o nível de significância: Por exemplo  = 0,05

3. Calcular as frequências esperadas

𝐶ℎ𝑎𝑟𝑜𝑙𝑒𝑠𝑎 𝑓𝑒𝑐𝑢𝑛𝑑𝑜 = = 120 𝐶ℎ𝑎𝑟𝑜𝑙𝑒𝑠𝑎 𝑖𝑛𝑓𝑒𝑐𝑢𝑛𝑑𝑜 = = 40 𝐺𝑖𝑟 𝑓𝑒𝑐𝑢𝑛𝑑𝑜

= = 60 𝐺𝑖𝑟 𝑖𝑛𝑓𝑒𝑐𝑢𝑛𝑑𝑜: = = 20

𝑁𝑒𝑙𝑜𝑟𝑒 𝑓𝑒𝑐𝑢𝑛𝑑𝑜: = = 30 𝑁𝑒𝑙𝑜𝑟𝑒 𝑖𝑛𝑓𝑒𝑐𝑢𝑛𝑑𝑜: = = 10

Todos os valores calculados das frequências estão entre parênteses na tabela.

Tipo de acasalamento Total

Raça
Fecundo Infecundo
Charolesa 110 (120) 50 (40) 160
Gir 70 (60) 10 (20) 80
Nelore 30 (30) 10 (10) 40
Total 210 70 280

4. Calcular o valor da estatística

5. Determinar o valor crítico

Para 𝑔𝑙 = (3 − 1) × (2 − 1) = 2
 Temos: (21−𝛼, 𝑔𝑙) = 𝜒(20,95, 2) = 5,991

6. Estabelecer a regra de decisão

Rejeitar 𝐻0 se 𝜒𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜2 > 𝜒𝑐𝑟2 í𝑡𝑖𝑐𝑜 =

5,991
7. Concluir:
Como 𝜒𝑐𝑎𝑙𝑐2 𝑢𝑙𝑎𝑑𝑜 > 𝜒𝑐𝑟2 í𝑡𝑖𝑐𝑜, rejeita-se 𝐻0 e conclui-se que as fecundidades das raças
não são todas estatisticamente iguais, ao nível de 5%.

Como 𝐻0 foi rejeitada, deve-se continuar a investigação, comparando-se as raças duas

a duas, para verificar quem difere de quem em termos do critério analisado.

Distribuições Contínuas
Apresentaremos agora alguns dos modelos mais importantes para variáveis aleatórias
contínuas.

Distribuição Uniforme
A distribuição uniforme é a distribuição de probabilidades contínua mais simples de
conceituar. No modelo uniforme, a probabilidade de gerar qualquer ponto em um
intervalo contido no espaço amostral é proporcional ao tamanho do intervalo.
Definição: Suponha que X seja uma v.a. contínua que tome todos os valores no
intervalo [a, b], no qual a e b sejam ambos finitos. Se a dp de X for dada por

 Uma v.a. uniformemente distribuída tem uma função densidade de

probabilidade que é constante sobre o intervalo de definição. A fim de
satisfazer à condição ∫ -∞ +∞ f(x)dx =1, essa constante deve ser igual ao
inverso do comprimento do intervalo.
 Uma v.a uniformemente distribuída representa o análogo contínuo dos
resultados igualmente prováveis, no seguinte sentido. Para qualquer intervalo
[c, d], onde a ≤ c < d ≤ b, P(c ≤ X ≤ d) é a mesma para todos os subintervalos
que tenham o mesmo comprimento, isto é,

Ilustração de um experimento uniforme

  Considere um segmento de comprimento 2π.
 Vamos unir as duas pontas desse segmento e formar um círculo de raio unitário.
 O comprimento desse círculo é precisamente 2π.
 Vamos fixar um ponteiro no centro desse círculo e vamos então girá-lo,
observando-o até que ele venha a parar.
 Por razões de simetria nós vemos que a chance do ponteiro parar em qualquer
arco do círculo é a mesma para qualquer arco de um comprimento dado.
 Seja X o comprimento do arco determinado pela origem e pelo ponto onde o
ponteiro para.
 Assim temos uma variável aleatória com distribuição uniforme no intervalo
(0,2π).

Esperanca, variancia e função geradora de momentos

 Distribuição exponencial
Introdução
Uma distribuição exponencial de probabilidade que é muito útil para descrever o tempo
que se leva para completar uma tarefa, podendo descrever o tempo entre a chegada de um
motoboy a casa do cliente, o tempo exigido para alguma tarefa dentro de uma fabrica,
podendo assim ser aplicado em qualquer área aonde exista a necessidade de identificar
tempos percorridos ou ate variações de maiores erros.

Generalidades e definição
A distribuição exponencial é uma distribuição contínua utilizada para modelar o tempo
entre ocorrências de eventos num processo de Poisson.
Na realidade, a taxa constante de ocorrência de eventos prevista no processo de Poisson,
tal como uma chamada telefônica ou uma falha em uma máquina, raramente é uma
pressuposição razoável no ciclo completo de vida de um componente. Entretanto, pode
ser que num intervalo de tempo determinado essa taxa seja constante e a modelagem
nesse intervalo pode ser feita pela distribuição exponencial.
A distribuição geométrica modela o número de experimentos de Bernoulli necessários
para que um processo discreto mude de estado. A distribuição exponencial pode ser vista
como a contrapartida contínua da distribuição geométrica, modelando o tempo decorrido
para que um processo

Variáveis Aleatórias
• Ao descrever um espaço amostral de um experimento, não necessariamente o resultado
é um número.
• Contudo em muitas situações experimentais, estamos interessados na mensuração em
forma de número.
• Uma maneira de solucionar esse problema é atribuir um número real x a todo elemento
de S.
Isto é, x = X(s) em que X é uma função do
espaço amostral em S.
Definição: Sejam E um experimento e S o espaço
associado ao experimento. Uma função X, que associe a cada elemento s ∈ S um número
real X(s)
é denominada variável aleatória (v.a).

Observação: Como X é uma função, devemos lembrar que: 1 Cada elemento s de S

corresponderá a exatamente um valor; 2 Diferentes valores s ∈ S, podem levar a um
mesmo valor de X; 3 Nenhum elemento s ∈ S poderá ficar sem valor de X. Exemplo

Função de Probabilidade
Definição: Seja X uma variável aleatória discreta. A cada possível resultado xi
associaremos um número pi = P(X = xi), denominado probabilidade da variável aleatória
X assumir o valor xi , satisfazendo as seguintes condições: i) 0 ≤ p(xi) ≤ 1 ∀i ii) Pp(xi) =
1. A função P é denominada função de probabilidade
. Exemplo Considere o experimento do lançamento de duas moedas. Seja a variável
aleatória o número de caras obtidas. Construa a função de probabilidade X Solução: X
assume os seguintes valores X = {0, 1, 2}. Temos que

Função de Distribuição
Definição: Dada uma variável aleatória discreta X, definimos F(x) a função de
distribuição acumulada ou, simplesmente, função de distribuição (f.d) de X, dada por:
F(x) = P(X ≤ x) ⇒ F(x) = X xi≤x P(X = xi) Exemplo Considerando o exemplo anterior, a
função de probabilidade de X é denotada por:

Exemplo (v.a discreta)

Um par de dados é lançado. Seja X a variável aleatória que associa a cada ponto (d1, d2)
de S a soma desses números, isto é, X(d1, d2) = d1 + d2. Determine a função de
probabilidade de X.
Solução:
O espaço amostral S é formado por 36 pares, S = {(1, 1),(1, 2), . . . ,(5, 6),(6, 6)}. Então,
a variável aleatória X = d1 + d2 assume os seguintes valores X = {2, 3, 4, ..., 12}.
Exemplo (v.a discreta) A função de probabilidade de X é obtida da forma: P(X = 2)
= P(d1 = 1, d2 = 1) = 1 6 · 1 6 = 1 36 P(X = 3) = P(d1 = 1, d2 = 2) + P(d1 = 2, d2 = 1) =
1 36 + 1 36 = 2 36 . . . P(X = 12) = P(d1 = 6, d2 = 6) = 1 36 Logo, a função de
probabilidade de X será representada por

• A distribuição de probabilidades permite a definição de um modelo matemático

apropriado a cada situação.
• Os modelos para v.a’s discretas que estudaremos serão os Modelos Binomial e Poisson.
• No caso de v.a’s contínuas a função de probabilidade dá lugar à função densidade de
probabilidade que depende de conceitos matemáticos um pouco mais complexos
(integrais).
 Variável Aleatória Contínua
Quando uma v.a é contínua, ela pode assumir qualquer valor em um dado intervalo.
Exemplos: • resistência de um material;
• concentração de CO2 na água
• tempo de vida de um componente eletrônico;
• tempo de resposta de um sistema computacional
Função densidade de Probabilidade
Conclusão
Referencias bibliográficas