Este documento discute procedimentos estatísticos para testes de hipóteses, incluindo: 1) escolha entre testes paramétricos e não paramétricos dependendo do tamanho e distribuição das amostras; 2) formulação de hipóteses nulas e alternativas; 3) cálculo e interpretação de estatísticas de teste como o teste t. Exemplos ilustram como aplicar esses procedimentos para testar diferenças entre médias em diferentes tipos de amostras.
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, julho de 2016, UFABC
Gravação de aula disponivel em: https://youtu.be/uoZqwLDlJb0
Bases de dados disponíveis em: https://app.box.com/s/4yl70hj73c9mqyh1jb0l8skics4xf8i1
O teste de Wilcoxon é usado para comparar dois tratamentos quando os dados são obtidos através doesquema de pareamento.
Os seguintes passos devem ser seguidos na sua construção:
1. Calcular a diferença entre as observações para cada par.
2. Ignorar os sinais das diferenças e atribuir postos a elas.
3. Calcular a soma dos postos (S) de todas as diferenças negativas (ou positivas).
Apresentação de aula sobre Amostragem inferencial feita pelos alunos João Victor Tupinambá e Vítor Fortes, para a matéria de Probabilidade e Estatística da UERJ-FAT, ministrada pelo Prof. Dr. Nilo Sampaio
Introdução ao modelo clássico de regressão linearFelipe Pontes
Revisão de Matrizes (exercício feito em casa e não será feito na sala). Introdução à RL simples. Pressupostos. Testes de hipóteses. Aplicações práticas.
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, julho de 2016, UFABC
Gravação de aula disponivel em: https://youtu.be/uoZqwLDlJb0
Bases de dados disponíveis em: https://app.box.com/s/4yl70hj73c9mqyh1jb0l8skics4xf8i1
O teste de Wilcoxon é usado para comparar dois tratamentos quando os dados são obtidos através doesquema de pareamento.
Os seguintes passos devem ser seguidos na sua construção:
1. Calcular a diferença entre as observações para cada par.
2. Ignorar os sinais das diferenças e atribuir postos a elas.
3. Calcular a soma dos postos (S) de todas as diferenças negativas (ou positivas).
Apresentação de aula sobre Amostragem inferencial feita pelos alunos João Victor Tupinambá e Vítor Fortes, para a matéria de Probabilidade e Estatística da UERJ-FAT, ministrada pelo Prof. Dr. Nilo Sampaio
Introdução ao modelo clássico de regressão linearFelipe Pontes
Revisão de Matrizes (exercício feito em casa e não será feito na sala). Introdução à RL simples. Pressupostos. Testes de hipóteses. Aplicações práticas.
A análise de variância compara médias de diferentes populações para verificar se essas populações possuem médias iguais ou não. Assim, essa técnica permite que vários grupos sejam comparados a um só tempo.
estatística é uma disciplina ampla e fundamentalssuser98ac96
A estatística é uma disciplina ampla e fundamental que envolve a coleta, organização, análise, interpretação e apresentação de dados. Ela desempenha um papel crucial em uma variedade de campos, incluindo ciências naturais, sociais, negócios, economia, saúde e engenharia, entre outros. Aqui estão alguns aspectos importantes sobre a estatística:
Coleta de dados: A primeira etapa da análise estatística envolve a coleta de dados relevantes para o estudo em questão. Isso pode ser feito através de pesquisas, experimentos, observações ou através de fontes de dados secundárias, como bancos de dados governamentais ou registros empresariais.
Organização e Sumarização de Dados: Uma vez coletados, os dados precisam ser organizados e resumidos de maneira adequada para facilitar a análise. Isso pode incluir a criação de tabelas, gráficos, medidas de resumo (como média, mediana, moda, desvio padrão) e outros métodos de resumo estatístico.
Análise de Dados: Esta é a fase em que os dados são examinados em detalhes para extrair informações significativas. Isso pode envolver técnicas estatísticas como regressão, análise de variância, teste de hipóteses, entre outras. O objetivo é entender padrões, relações e tendências nos dados.
Interpretação dos Resultados: Uma vez que os dados foram analisados, é importante interpretar os resultados de forma significativa. Isso requer uma compreensão profunda do contexto em que os dados foram coletados e da relevância das descobertas para o problema em questão.
Inferência Estatística: A inferência estatística envolve fazer inferências ou previsões sobre uma população com base em uma amostra dos dados. Isso é fundamental em muitas áreas, onde é impraticável ou impossível examinar toda a população.
Aplicações Práticas: A estatística é amplamente utilizada em uma variedade de campos. Por exemplo, na medicina, a estatística é usada para analisar resultados de ensaios clínicos e estudar padrões de saúde da população. Nos negócios, é usada para prever tendências de mercado e tomar decisões estratégicas. Na ciência, é usada para analisar resultados de experimentos e validar teorias. Em resumo, a estatística é uma ferramenta poderosa para entender e lidar com a incerteza nos dados e tomar decisões informadas com base em evidências.
Aprender que a estatística ajuda a responder as
suas perguntas;
Entender o que são parâmetros a serem
utilizados nos testes estatísticos;
Ser apresentado às distribuições de
probabilidade e suas inferências;
Conhecer as 3 formas de trabalhos estatísticos:
Exploração
Teste de Hipóteses
Predição
2019 Update to: Management of Hyperglycemia in Type 2 Diabetes, 2018. A Conse...Mgfamiliar Net
The American Diabetes Association and the European Association for the Study of Diabetes have briefly updated their 2018 recommendations on management of hyperglycemia, based on important research findings from large cardiovascular outcomes trials published in 2019. Important changes include: 1) the decision to treat high-risk individuals with a glucagon-like peptide 1 (GLP-1) receptor agonist or sodium–glucose cotransporter 2 (SGLT2) inhibitor to reduce major adverse car- diovascular events (MACE), hospitalization for heart failure (hHF), cardiovascular death, or chronic kidney disease (CKD) progression should be considered independently of baseline HbA1c or individualized HbA1c target; 2) GLP-1 receptor agonists can also be considered in patients with type 2 diabetes without established cardiovascular disease (CVD) but with the presence of specific indicators of high risk; and 3) SGLT2 inhibitors are recommended in patients with type 2 diabetes and heart failure, particularly those with heart failure with reduced ejection fraction, to reduce hHF, MACE, and CVD death, as well as in patients with type 2 diabetes with CKD (estimated glomerular filtration rate 30 to £60 mL min–1 [1.73 m]–2 or urinary albumin-to-creatinine ratio >30 mg/g, particularly >300 mg/g) to prevent the progression of CKD, hHF, MACE, and cardiovascular death.
Source: Management of Hyperglycemia in Type 2 Diabetes, 2018.
A Consensus Report by the American Diabetes Association
(ADA) and the European Association for the Study of Diabetes (EASD) Diabetes Care 2018;41:2669–2701 | https://doi.org/10.2337/dci18-0033
Management of Hyperglycemia in Type 2 Diabetes, 2015: A Patient- Centered App...Mgfamiliar Net
Update to a Position Statement of the American Diabetes Association and the European Association for the Study of Diabetes
Diabetes Care 2015;38:140–149 | DOI: 10.2337/dc14-2441
A palavra PSICOSSOMATICA tem como raiz as palavras gregas: Psico (alma, mente), somática (corpo).
É a parte da medicina que estuda os efeitos da mente sobre o corpo.
Pessoas desajustadas emocionalmente tendem a ficarem mais doentes.
Exemplo do efeito da mente sobre o corpo: uma pessoa recebe uma notícia da morte de um parente. O choque emocional é muitas vezes tão forte que o cérebro desarma o "disjuntor" e a pessoa desmaia. Em alguns casos a descarga de hormônios e adrenalina no coração é tão forte que a pessoa morre na hora ao receber uma notícia terrível.
O que entra na sua mente ou coração pode em um instante te matar.
Maus sentimentos de rancor e mágoa podem envenenar o organismo lentamente.
A medicina psicossomática é uma concepção “holística” da medicina pluricausal que tem como objetivo estudar não a doença isolada, mas o homem doente, que é o paciente humanizado na sua mais completa perspectiva nosológica e ecológica. Numerosos argumentos parecem indicar a realidade das ligações clínicas e experimentais entre a vida emocional, os problemas psíquicos e o disfuncionamento de órgãos ou o aparecimento de lesões viscerais. Os estudos anatómicos e fisiológicos desempenham um papel capital ao nível do hipotálamo, do sistema límbico e dos diferentes sistemas neuroendocrinológicos (hipófise, corticoadrenal e medulloadrenal). No nível experimental, além de limitar as úlceras obtidas por diferentes técnicas no rato de laboratório, deve-se insistir nos experimentos de Weiss que mostraram que as úlceras pépticas do rato, sob certas condições, dependem de duas variáveis: o número de estímulos que o animal deve enfrentar e os feedbacks informativos mais ou menos úteis que recebe em troca. As investigações realizadas no doente mostram a importância dos problemas funcionais em relação às anomalias do sistema nervoso autônomo ou às anomalias dos gânglios intramurais, o que talvez explique a noção de órgãos-alvo dos problemas. Considerando os conceitos mais recentes que valorizam o papel dos fatores genéticos na determinação das doenças psicossomáticas, pode-se conceber que os determinantes psicológicos, afetivos ou ambientais, são cofatores que se integram a fatores somáticos, genéticos, constitucionais e nutricionais para produzir o quadro mórbido final.
2. Sumário
Inferência estatística. Procedimentos a considerar na
realização dos testes.
Hipótese nula, escolha do teste, nível de significância,
distribuição amostral e região de rejeição.
Testes de hipóteses paramétricos para diferentes tipos de
amostras.
Testes de hipóteses não paramétricos para diferentes tipos
de amostras.
Exemplos e exercícios com o SPSS e interpretação de dados
em artigos científicos.
3. Inferência estatística
Muitas vezes recolhemos uma amostra para tirar conclusões
sobre a população de onde retiramos a amostra.
O conjunto de métodos que nos permite usar a informação da
amostra para tirar conclusões sobre a população é designado por
Inferência Estatística.
O teorema do limite central é um resultado fundamental na
Estatística e é a base de muitos métodos de inferência.
4. Inferência estatística
Teorema do limite central:
A distribuição das médias de amostras de tamanho n, obtidas de
uma população com média e desvio-padrão , converge para
uma distribuição normal com média e desvio-padrão dado por
/ 𝑛.
Erro padrão da média
5. Distribuição Normal
Caraterísticas:
Forma de “sino”.
Simétrica em torno do valor médio.
A média, a mediana e a moda são iguais.
A amplitude inter-quartil é igual a 1.33*.
A variável aleatória X tem amplitude infinita.
X~N(, 2)
6. Procedimentos a considerar na
realização dos testes
Os testes de hipóteses apresentam 5 etapas:
1. Definição de hipóteses e escolha do nível de significância.
2. Identificação da estatística de teste e respetiva distribuição.
3. Definição da regra de decisão (região de rejeição).
4. Cálculo da estatística de teste e tomada de decisão.
5. Conclusão.
7. Procedimentos a considerar na
realização dos testes
Seja X uma população com função densidade de probabilidade
f(x|θ), onde θ é um parâmetro desconhecido, sobre o qual se
pretende efetuar um teste de hipóteses.
8. Hipóteses
Seja X uma população com função densidade de probabilidade
f(x|θ), onde θ é um parâmetro desconhecido, sobre o qual se
pretende efetuar um teste de hipóteses.
Hipótese estatística: suposição relativa a um parâmetro
desconhecido da população (θ).
9. Hipóteses
Hipótese estatística: suposição relativa a um parâmetro
desconhecido da população (θ).
Teste bilateral:
H0: θ = θ0
H1: θ ≠ θ0
Teste unilateral à esquerda:
H0: θ = θ0
H1: θ < θ0
Teste unilateral à direita:
H0: θ = θ0
H1: θ > θ0
10. Tipos de erros que podem ocorrer
num teste de hipóteses
Decisão
tomada
Situação real
H0 verdadeira H1 verdadeira
Rejeitar H0 Erro tipo I Decisão
correta
Não rejeitar
H0
Decisão
correta
Erro tipo II
α = P(cometer erro tipo I) = P(Rejeitar H0|H0 é verdadeira)
β = P(cometer erro tipo II) = P(Não rejeitar H0|H1 é verdadeira)
Potência do teste, η = 1-β = P(Rejeitar H0|H1 é verdadeira)
11. Nível de significância: α
Decisão
tomada
Situação real
H0 verdadeira H1 verdadeira
Rejeitar H0 Erro tipo I = α Decisão
correta
Não rejeitar
H0
Decisão
correta
Erro tipo II
α = P(cometer erro tipo I) = P(Rejeitar H0|H0 é verdadeira)
α = 1%, 5%, 10%,…
12. Região crítica, RC
Região crítica do teste: região de rejeição de H0.
Teste bilateral:
H0: θ = θ0
H1: θ ≠ θ0
RC = ]-∞, c1[ U ]c2, + ∞[
Teste unilateral à esquerda:
H0: θ = θ0
H1: θ < θ0
RC = ]-∞, c[
Teste unilateral à direita:
H0: θ = θ0
H1: θ > θ0
RC = ]c, + ∞[
13. Testes de hipóteses
Método 1
1. Formulação da hipótese nula H0 e da hipótese alternativa H1.
2. Atribuição do nível de significância α.
3. Determinação do valor crítico c e, consequentemente, da RC
para a estatística de teste sob H0.
4. Tomada de decisão com base no valor observado da estatística
de teste sob H0.
14. Testes de hipóteses
Método 2
1. Formulação da hipótese nula H0 e da hipótese alternativa H1.
2. Atribuição do nível de significância α.
3. Cálculo do valor p (p-value):
Teste unilateral à esquerda: valor p = P(ET ≤ ETobs|H0)
Teste unilateral à direita: valor p = P(ET ≥ ETobs|H0)
Teste bilateral: valor p = P(|ET| ≥ |ETobs||H0)
4. Tomada de decisão:
Se valor p < α, rejeita-se H0
Se valor p ≥ α, não se rejeita H0
15. Testes paramétricos
Os testes paramétricos:
exigem que a(s) amostra(s) tenha(m) distribuição normal,
especialmente se tiverem uma dimensão inferior a 30.
em amostras de dimensão superior a 30, a distribuição aproxima-
se da distribuição normal, sendo possível aplicar os testes
paramétricos.
16. Testes paramétricos – escolha do teste
Teste t – uma amostra
Teste t – duas amostras independentes
Teste t – duas amostras emparelhadas
One-way Anova
17. Teste t – uma amostra
A partir de uma amostra de n indivíduos (com média 𝑥 e desvio-padrão
s), pretendemos testar se a média (θ = µ) da respetiva população é
um determinado valor (µ1).
Definição das hipóteses:
H0: A média na população é igual a µ1
(µ = µ1)
H1: A média na população é diferente a µ1
(µ ≠ µ1)
Estatística de teste, ET:
t =
𝑥−µ1
𝑠
𝑛
~tn-1
18. Teste t – uma amostra
Exemplo
Retirou-se uma amostra de 380 pacientes de uma clínica de
nutrição X.
Suponhamos que esta amostra é representativa dos pacientes da
clínica X. Pretende-se verificar se o peso real médio dos
pacientes é de 60 kgs.
19. Teste t – uma amostra
Exemplo
Nesta amostra, o peso real médio é
de 62.95 kgs e o desvio-padrão é de
12.09 kgs.
20. Teste t – uma amostra
Exemplo
Nesta amostra, o peso real médio é
de 62.95 kgs e o desvio-padrão é de
12.09 kgs.
Definição das hipóteses:
H0: A média do peso real na população é 60 kgs
(µpeso_r = 60)
H1: A média do peso real na população é diferente de 60 kgs
(µpeso_r ≠ 60)
Pressuposto: vamos assumir que a variável peso real é
normalmente distribuída.
21. Teste t – uma amostra
Exemplo
Estatística de teste, ET:
t =
𝑥−µ1
𝑠
𝑛
=
62.95−60
12.09
380
=4.76 ~t379
Nível de significância: α = 5%
Observação:
Neste módulo, vamos considerar sempre um nível de
significância de 5%.
23. Teste t – uma amostra
Exemplo – método 1
Definição das hipóteses:
H0: A média do peso real na população é 60 kgs
(µpeso_r = 60)
H1: A média do peso real na população é diferente de 60 kgs
(µpeso_r ≠ 60)
Estatística de teste, ET:
t =
𝑥−µ1
𝑠
𝑛
=
62.95−60
12.09
380
=4.76 ~t379
Nível de significância: α = 5%
-1.96 1.96
4.76
24. Teste t – uma amostra
Exemplo – método 1
Pergunta: qual a conclusão do teste de hipótese?
A) Rejeita-se H0.
B) Não se rejeita H0.
25.
26. Teste t – uma amostra
Exemplo – método 1
Pergunta: qual a conclusão do teste de hipótese?
A) Rejeita-se H0.
B) Não se rejeita H0.
Existe evidência estatística suficiente para rejeitar H0.
27. Teste t – uma amostra
Exemplo – método 2
Definição das hipóteses:
H0: A média do peso real na população é 60 kgs
(µpeso_r = 60)
H1: A média do peso real na população é diferente de 60 kgs
(µpeso_r ≠ 60)
Estatística de teste, ET:
t =
𝑥−µ1
𝑠
𝑛
=
62.95−60
12.09
380
=4.76 ~t379
Nível de significância: α = 5%
Cálculo do valor p (SPSS):
30. Teste t – uma amostra
Exemplo – método 2
Cálculo do valor p (SPSS): p < 0.001
Interpretação do valor p (SPSS):
Como p < 0.05, há evidência suficiente para rejeitar H0.
31. Teste t – uma amostra
Exemplo – método 2
Não contém o zero!
Com 95% de confiança, é possível
dizer que o peso médio real está
entre 61.73 kgs e 64.17 kgs.
32. Teste t – duas amostras independentes
Consideremos duas amostras independentes de indivíduos, A e B,
provenientes de duas populações.
A amostra A tem n1 indivíduos, média 𝑥 𝐴 e desvio-padrão sA.
A amostra B tem n2 indivíduos, média 𝑥 𝐵 e desvio-padrão sB.
Com base nestas duas amostras, pretendemos testar se a média das
duas populações são iguais.
Pressupostos:
- As duas amostras seguem uma distribuição normal
- Variâncias populacionais iguais
33. Teste t – duas amostras independentes
Definição das hipóteses:
H0: µA = µB (ou µA - µB = 0)
H1: µA ≠ µB (ou µA - µB ≠ 0)
Estatística de teste, ET:
t =
( 𝑥 𝐴− 𝑥 𝐵)−(µ 𝐴−µ 𝐵)
𝑠𝑝∗
1
𝑛 𝐴
+
1
𝑛 𝐵
~tnA+nB-2
sp é uma estimativa agrupada dos dois
desvios-padrões (sA e sB).
34. Teste t – duas amostras independentes
Pressupostos:
As duas amostras seguem uma distribuição normal
Variâncias populacionais iguais
Teste de Levene
Definição das hipóteses:
H0: 2
A = 2
B
H1: 2
A ≠ 2
B
Se as variâncias nos dois grupos
não forem iguais, não é possível
calcular sp e recorre-se a uma
forma modificada do teste t.
O SPSS incorpora no teste t, o
teste de Levene.
35. Teste t – duas amostras independentes
Exemplo
Pretendemos verificar, nos pacientes da clínica de nutrição X, se o
peso real médio das mulheres é igual ao dos homens.
36. Teste t – duas amostras independentes
Exemplo
Nesta amostra, o peso real médio das
mulheres é de 56.67 kgs e o desvio-
padrão é de 7.91 kgs. O peso real
médio dos homens é de 72.16 kgs e o
desvio-padrão é de 11.24 kgs.
Definição das hipóteses:
H0: µM = µH
H1: µM ≠ µH
Pressupostos: vamos assumer que as amostras são normalmente
distribuídas.
39. Teste t – duas amostras independentes
Exemplo
O valor p para o teste de Levene é < 0.001. Logo, para um nível de
significância de 5%, rejeita-se a igualdade das variâncias entre os
dois grupos.
40. Teste t – duas amostras independentes
Exemplo
O valor p para o teste t é < 0.001. Logo, para um nível de
significância de 5%, rejeita-se a igualdade das médias do peso
entre os dois grupos (homens vs mulheres).
41. Teste t – duas amostras independentes
Exemplo
Não contém o zero!
A média do peso das mulheres é
significativamente inferior à dos
homens.
42. Teste t – duas amostras emparelhadas
Consideremos duas amostras emparelhadas de indivíduos, A e B, e
suponhamos que se pretende testar se as médias populacionais dos
dois grupos são iguais.
Pressupostos:
- As amostras seguem uma distribuição normal (ou a variável da
diferença é normalmente distribuída)
Definição das hipóteses:
H0: µA = µB (ou µA - µB = 0)
H1: µA ≠ µB (ou µA - µB ≠ 0)
Estatística de teste, ET:
t =
𝑚é𝑑𝑖𝑎 𝑑𝑎𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛ç𝑎𝑠
𝑒𝑟𝑟𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝑑𝑎𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛ç𝑎𝑠
~tn-1
43. Teste t – duas amostras emparelhadas
Exemplo
Pretendemos verificar, nos pacientes da clínica de nutrição X, se o
peso percecionado médio é igual ao peso real médio.
44. Teste t – duas amostras emparelhadas
Exemplo
Pretendemos verificar, nos pacientes da clínica de nutrição X, se o
peso percecionado médio é igual ao peso real médio.
Definição das hipóteses:
H0: µpeso_r = µpeso_p
H1: µpeso_r ≠ µpeso_p
49. Teste t – duas amostras emparelhadas
Exemplo
p = 0.084 > 0.05, logo não há
evidência suficiente para rejeitar H0.
50. Teste t – duas amostras emparelhadas
Exemplo
O peso médio real não é
significativamente diferente
do peso médio percecionado.
O intervalo inclui o zero.
51. One-Way Anova
Consideremos mais do que duas amostras independentes de
indivíduos e, suponhamos que se pretende testar se as médias
populacionais dos grupos são iguais.
Pressupostos:
- As amostras seguem uma distribuição normal
- As variâncias entre os grupos são iguais (Teste de Levene)
Definição das hipóteses:
H0: µ1 = µ2 = µ3 = … = µk
H1: Existe pelo menos um par i, j para o qual µi ≠ µj (1 ≤ i, j ≤ k)
Estatística de teste, ET:
F =
𝑉𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑒𝑛𝑡𝑟𝑒 𝑔𝑟𝑢𝑝𝑜𝑠 (𝑀𝑆𝐺)
𝑉𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑜𝑠 𝑔𝑟𝑢𝑝𝑜𝑠 (𝑀𝑆𝐸)
~Fk-1, n-k
52. One-Way Anova
…
Grupo 1 Grupo 2 Grupo k
Considerando k grupos, cada um com n observações.
𝑿 𝟏 𝑿 𝟐
𝑿 𝒌
𝑿
53. One-Way Anova
…
Grupo 1 Grupo 2 Grupo k
Variabilidade entre grupos (MSG) =
𝒏∗ 𝒊=𝟏
𝒌
( 𝑿 𝒊− 𝑿) 𝟐
𝒌−𝟏
Considerando k grupos, cada um com n observações.
54. One-Way Anova
…
Grupo 1 Grupo 2 Grupo k
Variabilidade dentro dos grupos (MSE) =
𝒊=𝟏
𝒌
𝒋=𝟏
𝒏
𝑿 𝒊𝒋− 𝑿 𝒊
𝟐
𝒌∗(𝒏−𝟏)
Considerando k grupos, cada um com n observações.
56. One-Way Anova
Exemplo
Pretendemos verificar, nos pacientes da clínica de nutrição X, se o
peso real médio é igual nos diferentes distritos.
Definição das hipóteses:
H0: µpeso_r(Porto) = µpeso_r(Braga) = µpeso_r(Aveiro) = µpeso_r(Outro)
H1: Existe, pelo menos, um par de distritos X, Y para os quais
µpeso_r(X) ≠ µpeso_r(Y)
X, Y {Porto, Braga, Aveiro, Outro}
60. One-Way Anova
Exemplo
O valor p é 0.837 > 0.05, logo não há evidência
estatística para rejeitar H0, ou seja, considera-se
que as variâncias são iguais nos 4 grupos.
65. One-Way Anova
Exemplo
O valor p é 0.765 > 0.05, logo não há evidência
estatística para rejeitar H0, ou seja, considera-se
que as médias do peso real são iguais nos 4 grupos.
66. Verificação da assunção
da normalidade – análise visual
A verificação da assunção da normalidade pode ser realizada apenas
por análise visual do histograma da variável na amostra (ou em cada
um dos grupos em análise, se for o caso).
67. Verificação da assunção
da normalidade – testes
A verificação da assunção da normalidade pode ser realizada através
de testes:
Kolmogorov-Smirnov (amostras de dimensão > 30)
Shapiro-Wilk (amostras de dimensão ≤ 30)
Definição das hipóteses:
H0: A amostra provém de uma distribuição Normal
H1: A amostra não provém de uma distribuição Normal
A utilidade destes testes é muito limitada!
72. Verificação da assunção
da normalidade – testes
O valor p < 0.001 <
0.05, logo há
evidência estatística
para rejeitar H0, ou
seja, considera-se que
a amostra não provém
de uma distribuição
normal.
73. Verificação da assunção
da normalidade – testes
O teste K-S é muito
sensível em amostras
grandes. Obtém-se
valores p significativos
para pequenos
desvios à
normalidade.
74. Testes não paramétricos
Os testes não paramétricos são utilizados quando:
as variáveis são qualitativas com escala de medida nominal ou
ordinal.
as variáveis são quantitativas mas não cumprem os pressupostos
dos testes paramétricos (normalidade dos dados e/ou
homogeneidade das variâncias).
75. Testes não paramétricos
Uma vantagem dos testes não paramétricos é a simplicidade do
ponto de vista do cálculo e a aplicabilidade a pequenas amostras
(frequentes em estudos pilotos ou em estudos de doenças raras).
A desvantagem destes testes é que não são tão potentes quanto
os testes paramétricos, ou seja, com os testes não paramétricos
não se encontram tantas diferenças entre os dados, quando
essas diferenças realmente existem.
76. Testes não paramétricos –
escolha do teste
Teste Qui-quadrado
Teste de Mann-Whitney
Teste de Wilcoxon
Teste de Kruskal-Wallis
77. Teste Qui-quadrado
É também possível construir testes de hipóteses envolvendo apenas
variáveis categóricas.
No modulo IV, a relação entre duas variáveis categóricas foi
observada através de tabelas cruzadas.
81. Teste Qui-quadrado
Definição das hipóteses:
H0: A variável sexo e a variável distrito são independentes
H1: A variável sexo e a variável distrito não são independentes
82. Teste Qui-quadrado
Porto Braga Aveiro Outro Total
Feminino O11 O12 O13 O14 225
Masculino O21 O22 O23 O24 154
Total 260 38 45 36 379
Esta tabela tem I
linhas e J colunas
Oij é a frequência observada em cada célula ij
83. Teste Qui-quadrado
Porto Braga Aveiro Outro Total
Feminino O11
166
O12
22
O13
22
O14
15
225
Masculino O21
94
O22
16
O23
23
O24
21
154
Total 260 38 45 36 379
Esta tabela tem I
linhas e J colunas
Oij é a frequência observada em cada célula ij
84. Teste Qui-quadrado
Porto Braga Aveiro Outro Total
Feminino E11 E12 E13 E14 225
Masculino E21 E22 E23 E24 154
Total 260 38 45 36 379
Esta tabela tem I
linhas e J colunas
Eij é a frequência esperada em cada célula ij
85. Teste Qui-quadrado
Porto Braga Aveiro Outro Total
Feminino
E11 E12 E13 E14
225 = ni
(i = 1)
Masculino
E21 E22 E23 E24
154 = ni
(i = 2)
Total 260 = nj
(j = 1)
38 = nj
(j = 2)
45 = nj
(j = 3)
36 = nj
(j = 4)
379
Eij =
𝑛 𝑖∗𝑛 𝑗
𝑛
Por exemplo, E11 =
𝑛1∗𝑛1
𝑛
=
225∗260
379
= 154.35
86. Teste Qui-quadrado
Porto Braga Aveiro Outro Total
Feminino E11
154.4
E12
22.6
E13
26.7
E14
21.4
225 = ni
(i = 1)
Masculino E21
105.6
E22
15.4
E23
18.3
E24
14.6
154 = ni
(i = 2)
Total 260 = nj
(j = 1)
38 = nj
(j = 2)
45 = nj
(j = 3)
36 = nj
(j = 4)
379
Estatística de teste, ET:
2 = 𝑖=1
𝐼
𝑗=1
𝐽 (𝑂 𝑖𝑗−𝐸 𝑖𝑗)2
𝐸 𝑖𝑗
~2
(I-1)(J-1)
87. Teste Qui-quadrado
Exemplo
Pretendemos verificar, nos pacientes da clínica de nutrição X, se a
variável sexo e a variável distrito são independentes.
Definição das hipóteses:
H0: A variável sexo e a variável distrito são independentes
H1: A variável sexo e a variável distrito não são independentes
94. Teste Qui-quadrado
Exemplo
O valor p = 0.030 <
0.05, logo há
evidência estatística
para rejeitar H0, ou
seja, considera-se que
as variáveis sexo e
distrito não são
independentes.
96. Teste Qui-quadrado
Exemplo
Pressupostos:
Não existir mais do que 20% dos valores esperados menores que 5.
Em tabelas 2*2, se
este pressuposto não
for satisfeito -> teste
exato de Fisher.
101. Teste Mann-Whitney
Exemplo
Definição das hipóteses:
H0: Não há diferenças no peso real nos dois grupos
H1: Existem diferenças no peso real nos dois grupos
104. Teste Mann-Whitney
Exemplo
Estatística de teste
O valor p < 0.001 < 0.05,
logo há evidência estatística
para rejeitar H0, ou seja,
existem diferenças no peso
real entre os homens e as
mulheres.
109. Teste Wilcoxon signed-rank
Exemplo
Definição das hipóteses:
H0: Não há diferenças entre o peso real e o peso percecionado
H1: Existem diferenças entre o peso real e o peso percecionado
110. Teste Wilcoxon signed-rank
Exemplo
Pergunta: no teste t de amostras emparelhadas (teste
paramétrico) não se verificou evidência estatística para rejeitar H0.
Então, é possível concluir que o resultado do teste de Wilcoxon
será:
A) Rejeita-se H0.
B) Não se rejeita H0.
C) Nada se pode concluir.
111.
112. Teste Wilcoxon signed-rank
Exemplo
Pergunta: no teste t de amostras emparelhadas (teste
paramétrico) não se verificou evidência estatística para rejeitar H0.
Então, é possível concluir que o resultado do teste de Wilcoxon
será:
A) Rejeita-se H0.
B) Não se rejeita H0.
C) Nada se pode concluir.
115. Teste Wilcoxon signed-rank
Exemplo
O valor p = 0.307 > 0.05, logo
não há evidência estatística
para rejeitar H0, ou seja, não
existem diferenças
significativas entre o peso real
e o peso percecionado.
120. Teste Kruskal-Wallis
Exemplo
Se as variáveis não são normalmente distribuídas
-> teste Kruskal-Wallis
Definição das hipóteses:
H0: Não há diferenças no peso real nos quatro grupos
H1: Existem diferenças no peso real, pelo menos, entre dois grupos
123. Teste Kruskal-Wallis
Exemplo
O valor p = 0.598 > 0.05, logo
não há evidência estatística
para rejeitar H0, ou seja, não
existem diferenças
significativas do peso real nos 4
distritos.
124. Resumo
Objetivo
Testes
paramétricos
Testes não
paramétricos
Testar a média de
1 grupo
Teste t
Amostras
independentes
Comparar 2 grupos
Teste t de
Student
Teste de
Mann-
Whitney
Comparar mais do
que 2 grupos
One-way
Anova
Kruskal-Wallis
Amostras
emparelhadas Comparar 2 grupos Teste t
Teste de
Wilcoxon
Testar a
independência
entre 2 variáveis
Teste Qui-
quadrado
Qual a conclusão do teste de hipótese?
https://www.polleverywhere.com/multiple_choice_polls/aLWIurChXSkuuLfff8RTp
Qual a conclusão do teste da Anova?
https://www.polleverywhere.com/multiple_choice_polls/mgcjytldtJFgc414EYGIz
No teste t de amostras emparelhadas (teste paramétrico) não se verificou evidência estatística para rejeitar H0. Então, é possível concluir que o resultado do teste de Wilcoxon será:
https://www.polleverywhere.com/multiple_choice_polls/DMth1YXhuYrvz3KX9QpFg
Onde passaram as vossas férias?
https://www.polleverywhere.com/free_text_polls/W5TNBs8CfU0KCxA43bv0p