1

Resumo Bioestatística
nome: Gizele Alves Santos

Dicionário da Bioestatística:
Inferir: significa fazer conclusões ou deduções com base nos dados disponíveis (amostra)
Sumariar: significa resumir ou condensar informações de modo a destacar os pontos mais
importantes de um conjunto de dados.
Variável: É um elemento da população e pode assumir valores diferentes, numéricos ou
não numéricos.
Dados: são os valores coletados da variável em estudo.

Introdução

1.1 O que é estatística?

Campo da matemática que lida com coleta, análise e interpretação e organização de
dados.
1.2 Qual objetivo da Estatística?
Organizar em tabelas ou gráficos, sumariar e inferir.
1.Organizar em tabelas ou gráficos: -A estatística ajuda a organizar dados de maneira
clara e compreensível por meio de tabelas, gráficos e outros métodos visuais. Isso facilita
a interpretação e análise dos dados.
2. Sumarizar Dados: - A sumarização de dados envolve calcular medidas resumo, como
médias, medianas, desvios padrão, entre outros. Essas medidas fornecem uma visão geral
das características principais do conjunto de dados.
3. Inferência Estatística: - A inferência estatística é fundamental. Isso envolve fazer
inferências ou generalizações sobre uma população com base em uma amostra
representativa dela. As técnicas estatísticas são usadas para tirar conclusões mais amplas
a partir de dados limitados.

1.3 O que é População?

É o conjunto completo de elementos que compartilham características específicas e
são objetos de uma pesquisa .
1.4 O que é amostra?
É um subconjunto representativo da população.
1.5 O que é amostragem?
Amostragem é o processo de seleção da amostra a partir de uma população.
1.6 O que é plano amostral?
É um conjunto detalhado de procedimentos e técnicas estatísticas para selecionar uma
amostra representativa da população.
1.7 O que precisa para um bom plano amostral?
 2

Em resumo é : Objetivos do Estudo; Definir a população; Definir quadro amostral(

listagem dos elementos da população que deseja estudar)Tamanho adequado da
amostra; Escolher método adequado; Coleta e Análise dos dados.

Elementos e dados.

2.1 Tipos de variáveis:

Variáveis Qualitativas: Representam conjuntos não numéricos e que não podem ser medidos
numericamente. Existem dois tipos: Nominais e Ordinais.

● Nominais: Essas não possuem uma ordem intrínseca ou significado numérico.( Cada
categoria é única)
Exemplos: Cor dos olhos; Estado civil; Gênero; Tipo sanguíneo; País de origem…

● Ordinais: Essas representam características que têm ordem! Mas a diferença entre as
categorias não são uniformes ou mensuráveis.
Exemplos: Classificação socioeconômica (pequeno < médio < grande); Nível de
educação( ensino fundamental < ensino Médio < ensino superior);

Explicação: - Satisfação do cliente: Uma variável ordinal representa categorias que

têm uma ordem específica, mas as diferenças entre as categorias não são
necessariamente uniformes ou mensuráveis. Voltando ao exemplo "Insatisfeito",
"Neutro" e "Satisfeito", há uma ordem clara de satisfação (Insatisfeito < Neutro <
Satisfeito), mas não podemos afirmar que a diferença entre "Insatisfeito" e "Neutro"
é numericamente igual à diferença entre "Neutro" e "Satisfeito".

Variáveis Quantitativas: Representa quantidade numérica e pode ser medida. Existem dois
tipos: Discreta e Contínua.

● Discreta: São valores que representam contagem ou valores distintos e isolados.

Geralmente em números inteiros.
Exemplos: Número de filhos, número de funcionários.

● Contínua: São variáveis que podem assumir um número infinito de valores dentro de um
intervalo contínuo. Exemplos incluem altura, peso, temperatura, tempo de resposta,
etc. A medição pode ser feita com alta precisão, e pode haver uma infinidade de
valores possíveis entre quaisquer dois pontos.
 3

● Exemplos: Unidades de medida (metro,litro,grama) ,ou seja: Peso (kg)​, IMC (kg/m2)​,
glicemia (mg/dl)​, PAS (mmHg).

Explicando o B.O variável “Idade”:

A idade de uma pessoa pode ser considerada tanto uma variável contínua quanto uma variável
discreta, dependendo de como a medida é expressa e utilizada. Em muitos contextos práticos,
a idade é frequentemente tratada como uma variável contínua, especialmente em análises
estatísticas e modelagem matemática, onde a precisão pode ser importante. No entanto, em
situações cotidianas ou quando se lida com dados coletados apenas em anos completos, a idade
pode ser tratada como uma variável discreta.

Inferência estatística: Amostragem

Regra de decisão:

Se: no < 5% de N : N = no.

se: no > 5% de N : Usar fórmula 2.

N: População total. Z : constante. Q: Complemento. Er: Erro relativo

no: Amostra inicial. P : Prevalência. E: Erro absoluto.

*Mas para que serve a fórmula 1?

Essa fórmula ajuda a planejar a pesquisa, permitindo que o pesquisador saiba quantas
pessoas ou coisas deve incluir na amostra. A fórmula leva em conta a confiança
desejada, sua estimativa inicial e o tamanho da população que está estudando.

Amostra inicial ≠ Amostra.

*Mas o que seria a estimativa inicial ( amostra inicial)?

Muitas vezes é usada como etapa de preparação para o estudo principal e não é
considerada uma amostra completa. É usada para as primeiras estimativas.
 4

Amostra: é um subconjunto representativo de uma população total, é uma amostra completa.

O que significa cada elemento da fórmula 2?

n : Este é o tamanho da amostra que você está tentando calcular.

Z: Este é o nível de confiança desejado. É expresso com uma porcentagem, o valor de

(z) impacta diretamente o tamanho da amostra. Isso ocorre porque (↑z) maior o nível
de confiança e ↑ (maior) será a amostra. Valores comuns são 1,96 ( o professor aceita que
arredondar para 2) para um nível de confiança de 95% e 2,58 para um nível de confiança de
99%.

P: É uma porcentagem que você acredita que seja a verdadeira proporção na população que
possui uma característica específica antes de coletar os dados reais, é uma estimativa inicial.
Por exemplo, se você está pesquisando a preferência por um produto e acha que 30% da
população gosta dele, então ( P ) seria 0,3. Ou seja, P é estimativa inicial que você usa como
ponto de partida para calcular o tamanho da amostra e em seguida refinar com base nos dados
da amostra inicial.

Q: É o complemento da proporção (P), representa a proporção dos elementos que não possuem
a característica específica ou intencional. Para saber o valor de (Q) basta subtrair ( 1 - P)
Exemplo: P = 0,3 (30%) , então : (1 - 0,3) = 0,7 (70%).

N (maiúsculo): Este é o tamanho total da população que você está estudando.

E: Representa o erro máximo que você está disposto a aceitar ( margem de erro). Se você
quer que seu resultado seja preciso com uma margem de erro de 5%, então ( E ) seria 0,05.

*A margem de erro está diretamente relacionada ao nível de confiança escolhido. Se a estimativa

da amostra é de 50%, e a margem de erro é de ±3%, isso significa que a estimativa real na
população total é esperada para estar entre 47% (50 - 3) e 53% (50+3) .*

Exemplo Prático:

Vamos usar um exemplo prático para entender melhor como funciona a estimativa inicial (P) na
fórmula.
 5
🤔Cenário:
Imagine que você está conduzindo uma pesquisa sobre o uso de um novo aplicativo de música
em uma universidade. Sua pergunta é: "Qual é a proporção de estudantes na universidade que
usa regularmente o novo aplicativo de música?" ( você pode estimar com base em pesquisas já
feitas , por exemplo.)

Estimativa Inicial (P):

Antes de começar a coletar dados reais, você faz uma estimativa inicial (P). Com base em sua
intuição ou talvez em informações preliminares, você acredita que cerca de 40% dos estudantes
da universidade estão usando o aplicativo regularmente. Portanto, neste exemplo, (P = 0,4).

Agora, vamos usar a fórmula:

- (Z): Digamos que você escolheu um nível de confiança de 95%, então (Z aprox 1,96).
- (Q): (Q = 1 - P), então (Q = 1 - 0,4 = 0,6).
- (N): Se há 1000 estudantes na universidade, então (N = 1000).
- (E): Suponhamos que você deseje uma margem de erro de 5%, então (E = 0,05).

Agora, plugamos esses valores na fórmula para calcular o tamanho da amostra necessário \(n\).

Essa fórmula leva em consideração a variabilidade esperada (P x Q), o tamanho da população

(N), o nível de confiança (Z), e a margem de erro desejada (E) para determinar quantas respostas
você precisa coletar para ter uma estimativa confiável da proporção real na população.

Essencialmente, a estimativa inicial (P) é uma suposição que você faz antes de coletar dados
reais. À medida que você coleta dados da amostra inicial, você pode ajustar essa estimativa com
base nas observações reais, definindo assim sua compreensão da proporção na população.

possível situação que pode aparecer em questões:

Muitas vezes, a questão não fornece todos os valores e você precisa descobrir alguns. Pode
acontecer da questão exibir apenas o valor do erro relativo (Er) e não exibir a Margem de erro
(E). Use esta fórmula :

Exemplo prático do TD de revisão :

1) Calcule o tamanho da amostra, considerando a seguinte situação: população de 35.835

pessoas, prevalência de 60% e um erro relativo de 10%. (Lembrando Z = 2).

Resposta:
● População (N): 35.835 pessoas
● Prevalência (P): 60% Note que a prevalência sempre é em
porcentagem
● Erro Relativo (ER): 10% (0,10)
● Valor Crítico/confiança (Z): 2 (para um intervalo de confiança de
95%).
 6

Aplicando a fórmula 1:

Segundo a regra de decisão : no = n = 266,6 (Pois, no é menor que 5% de N, portanto, finaliza

aqui).

Tipos de Amostra (Essas são as probabilísticas )

1. Amostra Aleatória Simples:
Aqui, cada indivíduo da população tem uma chance igual de ser escolhido. É como colocar
os nomes em uma caixa e sortear.

1. Amostra Estratificada:
A população é dividida em grupos (estratos) com características semelhantes, e depois
uma amostra é escolhida de cada grupo.

ni= n * N1 / N

n : amostra ; N1: população estrato; N: população total.

 7
2. Amostra por Conglomerado:
Aqui, a população é dividida em grupos grandes (conglomerados) e alguns desses grupos
são escolhidos aleatoriamente. Em seguida, todos os indivíduos dentro desses grupos são
incluídos na amostra. Pense em escolher algumas turmas aleatoriamente e conversar com
todos os alunos nessas turmas.

3. Amostra Sistemática:
Você escolhe cada k-ésimo indivíduo da população depois de escolher um número inicial
aleatório (k). Por exemplo, se você quiser entrevistar a cada 5º aluno em uma lista,
começaria por escolher aleatoriamente um número de 1 a 5 e, em seguida, entrevistaria
cada aluno a cada 5 posições.

Exemplo prático:

Aqui estão algumas situações práticas para você pensar sobre qual tipo de amostra seria
mais apropriado:

1.Você está conduzindo uma pesquisa para entender o desempenho acadêmico dos
alunos de uma escola. Como você escolheria sua amostra?

Opções:
1. Entrevistar aleatoriamente alguns alunos da escola.
2. Dividir os alunos por séries e entrevistar alguns de cada série.
3. Escolher algumas salas de aula aleatoriamente e entrevistar todos os alunos nessas salas.
- Resposta:
- A resposta é a opção 2, amostra estratificada. Ao dividir os alunos por séries, você garante que
está capturando a diversidade acadêmica em cada nível de ensino.

2. Você está investigando os hábitos de compra em um shopping. Como você selecionaria sua
amostra?
- Opções:
1. Escolher aleatoriamente algumas pessoas no estacionamento.
2. Dividir os shoppers em grupos de acordo com a idade e escolher alguns de cada grupo.
3. Aleatoriamente escolher alguns corredores no shopping e entrevistar todas as pessoas nesses
corredores.

Resposta:
- A resposta é a opção 3, amostra por conglomerado. Ao escolher alguns corredores
aleatoriamente, você está agrupando as pessoas de forma eficiente e entrevistando todos dentro
desses grupos.

3. Você está interessado nas preferências alimentares em uma cidade grande. Como você faria
sua amostragem?
 8
Opções:
1. Escolher aleatoriamente algumas pessoas de um diretório telefônico.
2. Dividir a cidade em bairros e escolher aleatoriamente alguns bairros para entrevistar todos os
moradores.
3. Aleatoriamente escolher alguns restaurantes e entrevistar todos os clientes nesses
restaurantes.

Resposta:
- A resposta é a opção 2, amostra por conglomerado. Ao escolher aleatoriamente alguns bairros,
você está agrupando as pessoas por localização, o que pode refletir diferentes preferências
alimentares.

EStatística descritiva:

A estatística descritiva lida com a organização, resumo e apresentação de dados. Seu

objetivo principal é descrever e resumir as características essenciais dos dados,
fornecendo uma visão geral do conjunto de dados. Exemplos de técnicas e conceitos em
estatística descritiva incluem medidas de tendência central (média, mediana, moda), medidas de
dispersão (variância, desvio padrão), gráficos e tabelas de resumo.