Baixe o app para aproveitar ainda mais
Prévia do material em texto
Elaboração e análise de relatórios estatísticos APRESENTAÇÃO A organização de dados é de suma importância para uma interpretação bem feita. Com a elaboração de dados, é possível realizar resumos numéricos, testes estatístcos e até previsões. Nesta Unidade de Aprendizagem, você aprenderá algumas definições de estatística, verá a aplicabilidade de cálculos já conhecidos como a média e calculará estatísticas que complementam a análise da média. Também conhecerá um pouco mais sobre testes estatísticos e os tipos de erros que os testes podem ter e ainda irá aprender a fazer previsões conforme a análise de correlação. Bons estudos. Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados: Descrever os métodos e técnicas utilizados para análises de dados lançados em relatórios estatísticos. • Identificar métodos de coleta, armazenamento e tratamento estatístico indicados para a análise de diferentes dados gerenciais. • Demonstrar, por meio de planilhas, as projeções e metas de indicadores estatísticos.• INFOGRÁFICO Quando se coletam dados, tem-se uma infinidade de técnicas disponíveis para uso; porém, precisa-se, antes de mais nada, verificar quais são adequadas. O primeiro passo sempre será a coleta e organização dos dados, depois inicia-se a análise. Essa análise pode ser desctitiva ou inferencial. Acompanhe, no Infográfico, como distinguir a estatística descritiva da estatística inferencial. CONTEÚDO DO LIVRO Um dos diferenciais de um profissional está na habilidade de resolver problemas. Na Saúde, assim como em outras áreas, para a tomada de decisão, precisa-se de embasamento científico, que pode ser obtido por meio de acurada organização dos dados e, em seguida, de procedente análise estatística. Leia mais no capítulo Elaboração e análise de relatórios estatísticos, da obra Bioestatística, base teórica para essa Unidade de Aprendizagem, onde você será inserido nas boas práticas para organização, armazenamento e análise de dados, podendo obter mais informações sobre análises estatísticas e armazenamento de dados. Boa leitura. BIOESTATÍSTICA Juliane Silveira Freire da Silva Elaboração e análise de relatórios estatísticos Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: Descrever os métodos e técnicas utilizados para análises de dados lançados em relatórios estatísticos. Identificar métodos de coleta, armazenamento e tratamento estatístico indicados para a análise de diferentes dados gerenciais. Demonstrar por meio de planilhas as projeções e metas de indicadores estatísticos. Introdução Neste capítulo, você aprenderá quais técnicas são possíveis de utilizar em bancos de dados estatísticos, bem como conhecerá um pouco mais sobre estatística descritiva e estatística inferencial. Além disso, saberá sobre os erros que podem ser cometidos em testes de hipóteses e como analisa- mos esses testes. Por fim, verá como realizar uma análise de correlação. Análise de dados A primeira defi nição que precisamos ter em mente é de que a estatística se divide em duas grandes áreas — estatística descritiva e a estatística inferencial —, que podem ter suas subdivisões. A estatística descritiva corresponde à coleta, à organização e ao resumo de dados (com diagramas e gráficos ou utilizando um valor numérico resumido) (DOANE; SEWARD, 2014). Já a estatística inferencial refere-se a generalizar resultados de uma amostra para uma população, estimar parâmetros desco- nhecidos, chegar a conclusões e tomar decisões (DOANE; SEWARD, 2014). A estatística descritiva pode ser aplicada a dados amostrais e populacionais, ao passo que estatística inferencial pode ser aplicada a uma amostra quando se deseja inferir sobre uma população. Por meio da estatística descritiva, podemos fazer uso de algumas análises para resumir dados, como, por exemplo, média, mediana e desvio-padrão dentro das medidas de posição e de variabilidade, bem como podemos fazer uso de tabelas e gráficos. Por meio da estatística inferencial, podemos fazer uso de técnicas estatísticas mais avançadas, como testes de hipóteses, intervalos de confiança, probabilidades, previsões. É importante lembrar que as variáveis estatísticas se dividem em dois grandes grupos: as variáveis qualitativas, que podem ser nominais ou ordinais, e as variáveis quantitativas, que podem ser discretas ou contínuas. Dependendo da classificação da variável, podemos verificar quais técnicas estão disponíveis a cada um dos tipos. A seguir, veremos algumas técnicas estatísticas presentes na estatística descritiva e na estatística inferencial. Medidas de posição e de variabilidade Como medidas de posição, temos a média, a moda e a mediana. A média é calculada somando-se todos os elementos da amostra ou da população e dividindo-se pelo número de elementos. Representamos a média de uma população com a letra grega µ (mi), e a média amostral, por x. Em geral, utilizamos letras gregas para representar resumos numéricos da população (parâmetros) e letras do alfabeto latino para representar resumos numéricos da amostra (estatísticas ou estimadores). Outra medida de posição importante é a mediana, a qual divide a distribui- ção de dados (ordenado) ao meio, sendo 50% menores ou iguais a esse valor, e os outros 50% maiores ou iguais a esse valor. Do conceito da mediana, temos outras duas medidas importantes: os quartis, que dividem a distribuição em 4, e os percentis, que dividem em 10 partes iguais. A moda, por sua vez, é a medida de posição com menor poder estatístico. Ela representa o valor (ou os valores) que mais se repete em uma distribuição de dados. Quanto às medidas de variabilidade, temos as mais utilizadas como sendo a amplitude, a variância, o desvio-padrão e o coeficiente de variação. Conse- guimos obter a amplitude diminuindo do maior valor da distribuição de dados Elaboração e análise de relatórios estatísticos2 o menor valor. O desvio-padrão mede as distâncias ao quadrado de cada um dos valores em relação à média. Como elevamos as distâncias ao quadrado, a unidade de medida também é matematicamente elevada ao quadrado, então precisamos tirar a raiz quadrada da variância, e esse valor passa a se chamar desvio-padrão. O coeficiente de variação é uma variabilidade percentual, em que dividimos o desvio-padrão pela média e multiplicamos por 100. Ele é útil quando queremos comparar a homogeneidade de dois ou mais grupos de dados e as médias ou as unidades de medida são diferentes. Quanto menor o valor do coeficiente de correlação, mais homogêneos são os dados. As medidas de posição também chamadas de medidas de tendência central, as quais indicam a posição que a distribuição de dados está; já as medidas de variabilidade indicam a distância dos valores ao redor da média. Testes de hipóteses Os testes de hipóteses fazem parte da estatística inferencial, e, com eles, pode- mos elaborar hipóteses e verifi car se a hipótese testada é signifi cativa ou não. Existem testes para se verificar um valor médio de uma amostra com um valor de referência, testes para comparar as médias de duas amostras distintas, testes para comparações de antes e depois de um evento, testes para comparar mais de duas médias de grupos diferentes, testes de associação de variáveis, testes de homogeneidade de variâncias, entre outros. Todavia, independente- mente do teste de hipótese utilizado, os componentes que fazem parte de cada um dos testes é o mesmo. Em resumo, para se aplicar um teste de hipóteses, precisamos primeiro formular as hipóteses, depois calcular a estatística de teste e, por fim, verificar a significância do teste (valor p) e compará-la com o nível de significância estabelecido para. Veremos, agora, os elementos dos testes de hipóteses em mais detalhes. Primeiro, precisamos formular as hipóteses: teremos a chamada hipótese nula e a hipótese alternativa. Uma hipótese estatísticaé uma afirmação ou conjec- tura sobre um parâmetro (ou parâmetros) de uma população (ou populações); pode também se referir ao tipo ou à natureza da população (ou populações) (FREUND, 2006). Uma hipótese estatística é uma afirmação sobre o valor de um parâmetro da população na qual estamos interessados. Um teste de hipótese é uma decisão entre duas hipóteses competitivas, mutuamente excludentes e coletivamente exaustivas sobre o valor do parâmetro (DOANE; SEWARD, 2014). A hipótese nula representa a ausência de diferença entre os parâmetros (a igualdade sempre 3Elaboração e análise de relatórios estatísticos estará na hipótese nula). Já a hipótese alternativa é o posto complementar do que é definido na hipótese nula. Podemos ter as hipóteses de um teste bilateral quando a hipótese nula é da igualdade, e a alternativa, da diferença: Ou, então, um teste unilateral, que pode ser unilateral à esquerda ou uni- lateral à direita: A Figura 1, a seguir, apresenta modelos de regiões críticas de um teste de hipóteses. Figura 1. Regiões críticas de um teste de hipóteses. Fonte: Doane e Seward (2014, p. 345). Elaboração e análise de relatórios estatísticos4 O teste mais comum é o teste bilateral. Claro que, de acordo com o teste utilizado, a maneira de escrever os parâmetros pode mudar, mas a lógica dos sinais continua a mesma. Quando se realiza um teste de hipóteses, ao rejeitarmos ou aceitarmos uma hipótese, estaremos cometendo um erro. Os testes foram organizados para aceitar ou rejeitar H0, e, ao aceitar ou rejeitar a hipótese nula, podemos cometer dois tipos de erro. Erro do tipo I: quando rejeitamos H0 e, na realidade, essa seria a hipótese verdadeira. Por exemplo, seria como dizer que determinado medicamento para o diabetes é eficaz, quando, na verdade, não é. Representamos o erro tipo I pela letra grega α (alfa). Erro tipo II: quando aceitamos H0 e, na realidade, essa seria a hipótese falsa. Representamos o erro do tipo II pela letra grega β (beta). A Tabela 1, a seguir, apresenta uma relação entre os tipos de erro. H0 Falsa H0Verdadeira Rejeita H0 Decisão correta Erro tipo I (α) Aceita H0 Erro tipo II (β) Decisão correta Tabela 1. Tipos de erro Podemos minimizar esses erros ao aumentarmos o tamanho da amostra. Outro elemento de um teste de hipóteses é a estatística de teste, por meio da qual encontramos a significância, ou seja, o valor p, para, posteriormente, podermos comparar com o nível de significância (α) estabelecido. O próximo passo do teste de hipóteses é comparar o valor p com o nível de significância. Se valor p > nível de significância α → Aceitamos a hipótese nula H0 — o teste não é significativo. Se valor p < nível de significância α → Rejeitamos a hipótese nula H0 — o teste é significativo. Como na linguagem cotidiana, o termo significante é comumente utilizado com o sentido de significativo, ou importante, mas deve ficar subentendido que o estamos empregando aqui como um termo técnico. Especificamente, a palavra significante é empregada nas situações em que a hipótese nula é rejeitada (FREUND, 2006). Por fim, temos a conclusão experimental, ao rejeitarmos ou não a hipótese nula. 5Elaboração e análise de relatórios estatísticos Coleta, armazenamento e tratamento de dados Quando iniciamos uma pesquisa, o primeiro passo é delimitarmos bem a população a ser pesquisada, defi nindo os parâmetros que precisam ser observados na coleta de dados. Depois de bem defi nida a população de acordo com os objetivos, optamos pelo tipo de pesquisa: quantitativa ou qualitativa. A pesquisa qualitativa analisa as unidades amostrais de forma mais profunda, com roteiros feitos para investigar um tema em maior profundi- dade. Todavia, esse tipo de pesquisa não permite uma análise sem a análise descritiva dos dados, e uma pesquisa qualitativa nunca servirá para a in- ferência estatística. É na pesquisa quantitativa, por sua vez, que podemos fazer os resumos numéricos, criar tabelas e gráficos e, ainda, se a amostra for representativa, podemos fazer inferências. A pesquisa quantitativa tem técnicas de seleção das unidades amostrais, as quais podem ser probabilísticas ou não probabilísticas. Uma amostra não probabilística ocorre quando o julgamento da seleção de uma unidade amostral depende, pelo menos em parte, do julgamento do pesquisador. No caso de uma amostragem não probabilística, algumas unidades amostrais têm probabilidade zero de compor a amostra. Já em uma amostra probabilística, todas as unidades da população têm uma probabi- lidade diferente de zero de compor a amostra. As unidades amostrais são escolhidas de forma aleatória. Os tipos de amostragem probabilística são: amostragem aleatória simples, amostragem sistemática, amostragem por conglomerados e amostragem estratificada. A amostragem aleatória simples e a amostragem sistemática são métodos de seleção de unidades amostrais. Já a amostragem por con- glomerados e a amostragem estratificada são métodos de agrupamento da população. As técnicas de amostragem probabilística podem ser utiliza- das em conjunto. A Tabela 2, a seguir, apresenta os tipos de amostragem probabilística. Elaboração e análise de relatórios estatísticos6 Amostragem aleatória simples Seleciona as unidades amostrais em forma de sorteio Amostragem sistemática Seleciona as unidades amostrais de forma sistemática, escolhendo uma unidade a cada k elementos Amostragem por conglomerados Divide a população em grupos que sejam heterogêneos dentro de cada conglomerado Amostragem estratificada Divide a população em grupos que sejam homogêneos dentro de cada estrato Tabela 2. Tipos de amostragem probabilística Após a coleta de dados da amostra, precisamos armazenar os dados, e, muitas vezes, a coleta é feita por intermédio de fichas, anotações, questionários. No mundo digital, não podemos mais deixar os dados soltos, devemos, então, armazenar em uma planilha todos os dados amostrais coletados. Para que os dados fiquem corretamente armazenados, precisamos organizar os dados em uma planilha, sendo cada uma das colunas referente a cada uma das variáveis pesquisada, e cada uma das linhas referente a cada uma das respostas das unidades amostrais ou populacionais (Figura 2). Em geral, digitamos esses dados em planilhas eletrônicas, como, por exemplo, Excel e similares. Essas planilhas nos fornecem uma boa gama de opções de análises estatísticas e, além disso, podem ser exportadas para softwares estatísticos mais específicos. Figura 2. Estrutura banco de dados. 7Elaboração e análise de relatórios estatísticos É com os dados armazenados dessa maneira e mantido o sigilo da amostra que se pode iniciar as análises estatísticas e a geração de tabelas, gráficos e medidas numéricas, sempre observando o tipo de variável e a qual delas se aplica cada técnica. A partir daí, podemos utilizar muitas vezes a estatística inferencial e analisarmos os dados disponíveis mais detalhadamente. Verifi- caremos, agora, a aplicação de dois tipos de testes de hipóteses, ambos testes para igualdade de médias. Para a comparação de duas médias, temos o teste t. Nesse teste, temos duas amostras provenientes de duas populações diferentes, e devemos comparar a igualdade ou não dessas duas médias. O teste t é o procedimento estatístico mais comum na literatura médica; pode-se esperar que este apareça em mais do que a metade dos artigos que se lê provenientes da literatura médica geral. Além de ser utilizado para comparar as médias de dois grupos, é amplamente utilizado corretamente na comparação de grupos múltiplos, executando-se todas as comparações par a par (GLANTZ, 2014). As hipóteses podem ser formuladas da seguinte maneira: OU OU A estatística de teste é simples para ser calculada manualmente, mas po- demos ter a análise de um resultado oriundo do software estatístico Statistical Package for the Social Sciences (SPSS) (Tabelas 3 e 4). N Média Desvio- -padrão Erro-padrão da médiaSexo Peso Feminino 26 66,35 8,385 1,645 Masculino 23 78,48 10,887 2,270 Tabela 3. Teste t: estatísticas de grupo Elaboração e análise de relatórios estatísticos8 Te st e de L ev en e pa ra ig ua ld ad e de v ar iâ nc ia s Te st e t p ar a ig ua ld ad e de m éd ia s Z Si g. t df Si g. (2 ex tr em id ad es ) D if er en ça m éd ia Er ro - -p ad rã o de di fe re nç a In te rv al o de c on fi an ça de 9 5% d a di fe re nç a In fe ri or Su pe ri or Pe so — V ar iâ nc ia s ig ua is as su m id as 1, 80 8 ,18 5 -4 ,3 98 47 ,0 00 -1 2, 13 2 2, 75 9 -1 7,6 82 -6 ,5 82 Pe so — V ar iâ nc ia s ig ua is nã o as su m id as -4 ,3 28 41 ,17 1 ,0 00 -1 2, 13 2 2, 80 3 -1 7,7 93 -6 ,4 72 Ta be la 4 . T es te t: te st e de a m os tr as in de pe nd en te s 9Elaboração e análise de relatórios estatísticos O valor da estatística de teste é igual a –4,398, e a sua respectiva signifi- cância é igual a 0,000. Comparando à significância do teste, o valor p = 0,000 tem nível de sig- nificância de 5% (0,05). Rejeitamos a hipótese nula. O teste foi significativo, pois podemos inferir que existe uma diferença entre os dois grupos. Outro teste bastante importante na bioestatística é o teste ANOVA (Análise de variância), o qual também se presta a testar médias, porém, enquanto o teste t compara apenas duas médias, o teste ANOVA pode testar mais de duas médias de grupos diferentes. Esse teste verifica se existe alguma diferença entre os grupos, mas não consegue afirmar quais são os grupos que diferem. Para verificarmos qual grupo difere de qual, podemos utilizar o teste t para comparar duas a duas as médias das amostras. As hipóteses formuladas para o teste ANOVA são as seguintes: H0: as médias são iguais. H1: pelo menos uma das médias difere. A estatística de teste é um pouco mais complicada e extensa do que a do teste t, mas podemos analisá-la por meio da saída do software estatístico SPSS (Tabelas 5 e 6). Peso Soma dos quadrados df Quadrado médio F Sig. Entre grupos 2006,373 2 1003,187 10,411 ,000 Nos grupos 7130,302 74 96,355 Total 9136,675 76 Tabela 5. Teste ANOVA Elaboração e análise de relatórios estatísticos10 Pe so N M éd ia D es vi o- -p ad rã o Er ro - -p ad rã o In te rv al o de c on fi an ça de 9 5% p ar a m éd ia M ín im o M áx im o Li m it e in fe ri or Li m it e su pe ri or G ru po A 23 78 ,4 8 10 ,8 87 2, 27 0 73 ,7 7 83 ,19 55 93 G ru po B 26 66 ,3 5 8, 38 5 1, 64 5 62 ,9 6 69 ,7 3 55 89 G ru po C 28 68 ,6 1 10 ,11 9 1,9 12 64 ,6 8 72 ,5 3 55 93 To ta l 77 70 ,7 9 10 ,9 64 1, 25 0 68 ,3 0 73 ,2 8 55 93 Ta be la 6 . T es te d es cr iti vo 11Elaboração e análise de relatórios estatísticos A estatística de teste resultou em 10,411 e sua respectiva significância é igual a 0,000. Comparando-se a significância do teste – valor p, tem-se 0,000, inferior ao nível de significância de 0,05. O teste é significativo. Podemos, então, concluir que, em pelo menos um dos grupos, a média é diferente. Para verificar qual ou quais são diferentes, é necessário realizar mais testes (p. ex., podemos aplicar teste t dois a dois). Para qualquer teste de hipóteses que utilizarmos, sempre precisaremos observar a significância do teste para podermos obter a nossa conclusão experimental. Análise de correlação e regressão A análise de regressão analisa a correlação entre variáveis. Pode ser entre mais de duas variáveis, em que teremos a regressão múltipla, ou então entre apenas duas variáveis, o que chamamos de correlação bivariada. Na correlação bivariada, temos a correlação linear, em que podemos resumir os dados com uma reta de regressão e, posteriormente, fazer previsões para valores futuros. A regressão linear simples é analisada com duas variáveis, a variável x, que chamamos de variável independente, e a variável y, que chamamos de variável dependente. Primeiro, precisamos calcular o coeficiente de correlação de Pearson, um valor entre –1 e 1, que mede a intensidade e a direção da correlação. Quanto mais próximo de um, mais forte será a correlação, e ela será positiva, direta. Quanto mais próximo de menos um, mais forte será a correlação, porém o sinal negativo indicará uma correlação inversa, negativa (Figura 3). Elaboração e análise de relatórios estatísticos12 Figura 3. Diagramas de dispersão. Quanto mais próximo de zero, mais fraca será a correlação, e, se for igual a zero, será inexistente. Na análise de correlação, ainda podemos utilizar para a análise o coeficiente de determinação, que mede o poder explicativo da variável x. Para obtermos esse valor, elevamos ao quadrado o resultado do coeficiente de correlação de Pearson. Para validarmos a correlação, realizamos um teste de hipóteses para verificar se a correlação é significativa. Sendo significativa, podemos resumir os dados com uma equação de reta, caso os coeficientes dessa reta também sejam significativos. Podemos utilizar para esse teste o software SPSS, atualmente perten- cente à IBM, o qual tem disponíveis muitas análises estatísticas descritivas e inferenciais. 13Elaboração e análise de relatórios estatísticos Um exemplo de saída do software SPSS é descrito nas Tabelas 7 a 10, a seguir. Modelo Variáveis inseridas Variáveis removidas Método 1 QIb . Inserir a. Variável dependente: prova. b. Todas as variáveis solicitadas inseridas. Tabela 7. SPSS — Regressão: variáveis inseridas/removidasa Modelo R R quadrado R quadrado ajustado Erro-padrão da estimativa 1 ,534a ,285 ,270 8,78784 a. Preditores: (constante), QI. Tabela 8. SPSS — Regressão: resumo do modelo Modelo Soma dos quadrados df Quadrado médio F Sig. 1 Regressão 1447,430 1 1447,430 18,743 ,000b Resíduo 3629,632 47 77,226 Total 5077,061 48 a. Variável dependente: prova. b. Preditores: (constante), QI. Tabela 9. SPSS — Regressão: ANOVAa Elaboração e análise de relatórios estatísticos14 Coeficientes não padronizados Coeficientes padronizados t Sig.Modelo B Erro- -padrão Beta 1 (constante) 40,249 9,440 ,534 4,264 ,000 Q1 ,309 ,071 4,329 ,000 a. Variável dependente: prova. Tabela 10. SPSS — Regressão: coeficientesa Nessa saída, o valor do coeficiente de correlação de Pearson é igual a 0,534, o que indica uma correlação mediana e positiva. O coeficiente de determinação é igual a 0,285, que é o poder explicativo da variável x. Mesmo a correlação sendo mediana, podemos observar na Tabela 5 ANOVA que essa correlação é significativa e, sendo assim, podemos resumir os dados em uma reta de regressão. Verificamos, então, na última tabela da análise, os coeficientes que também são significativos e, podemos, então, escrever a equação da reta para esses dados como y = 40,249 + 0,309x. Com essa reta, podemos estimar um valor para a variável dependente com qualquer valor da variável dependente. Como vimos neste capítulo, existem muitas maneiras testarmos os dados. Isso depende dos objetivos da pesquisa e das necessidades levantadas pelo profissional pesquisador. Sendo o senso analítico um grande diferencial nas mais diversas áreas do conhecimento, o pensamento analítico embasado em técnicas estatísticas descritivas e/ou inferências traz destaque para os profissionais que trabalham com análise de relatórios, de modo que estes não realizem apenas tarefas funcionais pré-definidas, transformando-os em profissionais questionadores. 15Elaboração e análise de relatórios estatísticos DOANE, D. P.; SEWARD, L. E. Estatística aplicada à administração e economia. 4. ed. Porto Alegre: Bookman, 2014. FREUND, J. E. Estatística aplicada: economia, administração e contabilidade. 11. ed. Porto Alegre: Bookman, 2006. GLANTZ, S. A. Princípios de bioestatística. 7. ed. Porto Alegre: AMGH, 2014. Leituras recomendadas NAVIDI, W. Probabilidade e estatística paraciências exatas. Porto Alegre: AMGH, 2012. SPIEGEL, M. R.; STEPHENS, L. J. Estatística. 4. ed. Porto Alegre: Bookman, 2009. (Coleção Schaum). Elaboração e análise de relatórios estatísticos16 DICA DO PROFESSOR Quando se dispõem de dados, o que atualmente é algo constante, é preciso organizá-los e tirar dessas amostras de dados toda a informação possível para se conhecer melhor as variáveis existentes. Assista ao vídeo da Dica do Professor para compreender a importância da análise estatística, não somente na área do profissional de educação física, como também nas mais diversas áreas. Conteúdo interativo disponível na plataforma de ensino! SAIBA + Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professor: Uso da estatística na educação física: análise das publicações nacionais entre os anos de 2009 e 2011 Verifique, neste estudo, o uso de estatística em artigos publicados na área da educação física. Conteúdo interativo disponível na plataforma de ensino! Teste-t pareado O vídeo apresenta como realizar um teste t pareado no SPSS, utilizado para comparações de antes e depois. Conteúdo interativo disponível na plataforma de ensino! ANOVA de uma via Aprenda a realizar a análise do teste ANOVA no SPSS, a mais utilizada devido à sua aplicabilidade com dados na área da saúde. Conteúdo interativo disponível na plataforma de ensino! Regressão Linear Simples Veja como realizar uma análise de regressão com o uso do software SPSS, um dos mais utilizados e mais amigáveis para o profissional da educação física. Conteúdo interativo disponível na plataforma de ensino!
Compartilhar