Baixe o app para aproveitar ainda mais
Prévia do material em texto
FARMÁCIA INTRODUÇÃO EM CIÊNCIAS FARMACÊUTICAS (ICF) POSTAGEM 3 ATIVIDADE 3 – EXAME ARTIGO DE REVISÃO DA LITERATURA ANA CLAUDE MOURA BEZERRA CARVALHO – RA: 2100378 GILMAR MARQUES – RA: 2132203 JULIANA APARECIDA DE SOUZA DE OLIVEIRA – RA: 0416426 RUI CICERO MOURA BESERRA – RA: 2100416 VINÍCIUS TEODORO BERNARDINELLI – RA: 2123578 POLO: ERCÍLIA/SÃO JOSÉ DO RIO PRETO DATA: 12/2022 2. RESUMO Uma grande quantidade de métodos estatísticos supõe que os dados provenham de uma distribuição normal, pois este fato permite que seja realizada a maioria das técnicas de inferência estatística conhecidas, pois a estatística é o campo da matemática que relaciona fatos e números em que há um conjunto de métodos que nos possibilita coletar dados e analisá-los, assim sendo possível realizar alguma interpretação deles. Neste trabalho vamos falar um pouco de alguns testes estáticos, sendo eles Teste t de Student, Teste de Shapiro-Wilk, Teste de Kolmogorov-Smirnov, Teste de Wilcoxon-Mann-Whitney, Teste Qui-Quadrado. Palavras chave: Estática, Teste, Teste Estatísticos, 3. INTRODUÇÃO A estatística compreende a estatística descritiva, a teoria da probabilidade e amostragem” A estatística que se utiliza números para descrever fatos é chamada de estatística descritiva. Compreende a organização, o resumo em geral, a simplificação de informações que podem ser muito complexas. Ex: taxas de acidentes, índices de mortalidade, litros por quilômetros, etc. Estatística relacionada a probabilidade é útil para analisar situações que envolvem o acaso. Como jogos de cartas, jogos de dados, lançamento de moeda para o ar, e também a maioria dos jogos esportivos (futebol, basquete, entre outros.) O terceiro ramo da estatística é a inferência, diz respeito a análise e interpretação de dados amostrais. A ideia básica da amostragem é efetuar determinada mensuração sobre uma pequena parcela, mas típica, de determinada população e utilizar essa informação para fazer inferência sobre a população toda (SANTOS, 2007). A preocupação de relatar adequadamente os resultados de pesquisas biomédicas está presente na literatura mundial desde décadas passadas. A frequência do uso adequado dos testes estatísticos pode ser vista em diversas áreas médicas, como oncologia, radiologia, cirurgia e anestesiologia. As consequências podem ser sérias se a análise do conteúdo científicos for inadequada, como resultados falsos com suposições não justiçadas e conclusões sem respaldo biológico (SIEGEL, 2006). Um dos principais instrumentos usados na estatística é o modelo. Os modelos são versões simplificadas de algum problema ou situação da vida real. São usados para ilustrar certos aspectos da situação, evitando grande número de detalhes que talvez sejam irrelevantes para o problema. As mais diversas orientações para relatos de dados e medidas estatísticas estão disponíveis aos pesquisadores e já foram publicadas por vários autores de artigos científicos que demonstraram quais itens são importantes para ser usados em relatos de pesquisas científicas. Apesar da existência de tais orientações, os erros nos relatos de pesquisas que usam a estatística ainda continuam a existir e se devem tanto ao uso da estatística básica como da estatística avançada, porém a maior frequência ocorre com o uso da estatística básica, ao contrário do que se pode acreditar. Iremos abordar nesse trabalho alguns testes estatísticos sendo eles, Teste t de Student, Teste de Shapiro-Wilk, Teste de Kolmogorov-Smirnov, Teste de Wilcoxon-Mann-Whitney, Teste Qui-Quadrado. 4. JUSTIFICATIVA E OBJETIVO O uso inadequado da estatística é o maior responsável pelo erro de interpretacão quando se tem dados estatísticos. O objetivo deste trabalho de revisão de literatura foi rever alguns tópicos básicos de estatística para analisar e saber sobre a importância do relato adequado da estatística básica. 5. MATERIAL E MÉTODOS Foi executada uma pesquisa bibliográfica e transversal por meio de publicacões de livros e artigos científicos obtidos em meios eletrônicos, nas bases de dados SciELO (Scientific Electronic Library Online) e PubMed, do National Center for Biotechnology Information, Google Acadêmico. 6. REVISÃO DA LITERATURA A Estatística é um conjunto de técnicas úteis para a tomada de decisão sobre um processo ou população, baseada na análise da informação contida em uma amostra desta população. A Estatística é uma ciência que oferece uma coleção de métodos para planejar experimentos e levantamentos para obter dados, organizar, resumir, analisar, interpretar dados e deles extrair conhecimento (MAGALHÃES, 20070. Deste modo, a Estatística contribui para que dados gerem conhecimento e, como tal, deve ter como objetivo não só a produção de dados, como também a interpretação de dados já existentes, utilizando a combinação de gráficos, tabelas e medidas numéricas que permitam interpretar o que esses dados significam. (MORAES, 2005). Os dados em geral são números, mas não são "apenas números". Os dados são números com um contexto. Procure entender o que os dados dizem em cada contexto específico. Todos os métodos estatísticos nada mais são do que instrumentos que nos ajudam a entender os dados. Deixe para uma calculadora ou um computador o máximo possível dos cálculos e gráficos e procurar concentrar-se no que fazer, e por que fazer, enfoque as grandes ideias da estatística, e não apenas regras e receitas. A estatística está presente nas decisões simples até nas mais complexas do nosso cotidiano, e essas informações não podem ou não deveriam ser repassadas de qualquer maneira. Existem regras específicas para a coleta de dados, para sua análise e até mesmo para a definição da estimativa de confiabilidade da pesquisa, enfim, todas essas regras surgem baseadas em ferramentas desenvolvidas no estudo da estatística. Para compreender-se o estudo da estatística, existem conceitos básicos que precisam estar bem definidos, são eles os conceitos iniciais de estatística, mais especificamente: definição de população, amostra, variável, tabela, frequência e gráfico (TRIOLLA, 2005). Conceitos básicos uma população é uma coleção completa de todos os elementos (valores, pessoas, medidas, etc.) a serem estudados. Um censo é uma coleção de dados relativos a todos os elementos de uma população. Uma amostra é uma sub-coleção de elementos extraídos de uma população. Um parâmetro é uma medida numérica que descreve uma característica de uma população. Uma estatística é uma medida numérica que descreve uma característica de uma amostra. Os dados quantitativos consistem em números que representam contagens ou medidas. Os dados qualitativos podem ser separados em diferentes categorias que se distinguem por alguma característica não-numérica. Os dados são a matéria prima da Estatística. Definido o assunto de interesse, os dados são obtidos da medição de determinada característica ou propriedade desse objeto, pessoa ou coisa. Os dados discretos resultam de um conjunto finito de valores possíveis, ou de um conjunto enumerável desses valores. Os dados contínuos resultam de um número infinito de valores possíveis que podem ser associados a pontos em uma escala contínua de tal maneira que não haja lacunas ou interrupções. Variável - Qualquer conjunto de dados contém informações sobre algum grupo de indivíduos. As informações são organizadas em variáveis. Uma variável é uma característica, propriedade ou atributo de uma unidade da população, cujo valor pode variar entre as unidades da população. O padrão de variação de uma variável constitui a sua distribuição. A distribuição de uma variável quantitativa registra seus valores numéricos e a frequência de ocorrência de cada valor. Os dados sãoparte crucial no estudo da variabilidade, pois, assim como são geradores de resultados podem também ser geradores de incerteza, estimulando e motivando mais aprofundamento e estudo sobre seu comportamento e sobre sua distribuição. Aos dados também estão associadas às fontes de erros que interferem diretamente na aplicação dos métodos estatísticos. O Planejamento é crucial numa coleta de dados que vise um estudo estatístico. Os processos ou padrões definidos para coletar dados são chamados de planejamentos. Os planejamentos devem abordar principalmente: Como vamos selecionar os indivíduos a serem estudados (tipo de amostragem ou de delineamento experimental); quantos indivíduos devemos estudar (tamanho da amostra); se há https://mundoeducacao.uol.com.br/matematica/conceitos-iniciais-estatistica.htm https://mundoeducacao.uol.com.br/matematica/conceitos-iniciais-estatistica.htm necessidade de composição de grupos e como eles devem ser formados para que possam ser comparados (alinhamento da amostra com os objetivos e restrições); como serão feitas as medições (procedimentos e instrumentos de medição); etc. O planejamento sistemático para gerar dados é um dos primeiros passos para a realização de um estudo com base científica. A falta de planejamento pode levar a tendenciosidades, à falta de dados ou a resultados confusos e imprecisos. Produção de dados: parte crucial para a inferência estatística, para responder questões específicas formuladas antes dos dados serem produzidos. • Estudos observacionais ou levantamentos: visam retratar a população a menos distorcida possível pelo ato da coleta de informações. Não tentamos manipular, influenciar ou modificar as respostas dos elementos a serem estudados. Experimentos: decorre da aplicação de determinado tratamento para posterior observação de seus efeitos. Preocupação com a relação de causa e efeito sobre os elementos pesquisados. Impõe deliberadamente algum tratamento aos indivíduos, a fim de observar sua reação e medir respostas. Requer planejamento apropriado para serem válidos cientificamente. Simulação: Uso de modelo matemático ou físico para reproduzir as condições de uma situação ou processo, usando métodos computacionais. A simulação é uma alternativa quando é impraticável ou mesmo perigoso estudar os fenômenos de interesse em condições reais. A Inferência Estatística objetiva estudar a população por meio de evidências decorrentes de uma avaliação minuciosa da amostra. É parte da inferência estatística, produzir estimativas e testar hipóteses. 6.1 TESTE T DE STUDENT Mais conhecido pelo seu pseudônimo Student, Willian Sealy Gosset (1876- 1937) formou-se em química e matemática pela Oxford University e foi trabalhar na cervejaria Guinness na Irlanda em 1899, a fim de aprimorar os métodos de produção da empresa. Devido ao seu trabalho, estudou várias ferramentas de análise estatística e teve contato com vários estatísticos da época, como Karl Pearson, Egon Pearson e Ronald Aylmer Fisher (HANLEY; JULIEN; MOODIE, 2008). Em 1908, publicou dois de seus trabalhos mais importantes, “The probable error of a mean” e “Probable error of a correlation coefficient” sob o pseudônimo de Student, uma vez que as normas da Guinness o impediam que publicasse em seu nome. No artigo “The probable error of a mean” Gosset apresentou a distribuição amostral da variância S2 e do desvio padrão S para uma amostra independente e identicamente distribuída de tamanho n para uma população normal. Ele também mostrou que a média e o desvio padrão de tal amostra não são correlacionadas e apresentou a distribuição t de Student (FIENBERG; LAZAR, 2001). Como o foco dos estatísticos da época estavam na teoria assintótica e a ênfase de Gosset era em problemas com pequenas amostras, sua publicação não teve grande impacto na comunidade estatística. De acordo com Fienberg e Lazar (2001), o trabalho de Gosset não foi totalmente reconhecido até Fisher generalizar a distribuição t de Student. Fisher também introduziu a noção de graus de liberdade, que não havia sido considerada por Gosset e o nome “distribuição t de Student”. É um teste de hipótese que usa conceitos estatísticos para rejeitar ou não uma hipótese nula quando a estatística de teste (t) segue uma distribuição t de Student. Teste t pode ser conduzido para: Comparar uma amostra com uma população, comparar duas amostras pareadas, comparar duas amostras independentes. Este teste se aplica a planos amostrais onde se deseja comparar dois grupos independentes. Esses grupos podem ter sido formados de duas maneiras diferentes: a) Extraiu-se uma amostra da população A e outra amostra da população B; b) Indivíduos da mesma população foram alocados aleatoriamente a um dos dois tratamentos em estudo. Teste t para comparar a média de uma amostra com a de uma população: Calcula-se o t: Onde: 𝑥 é a média da amostra 𝜇 é a média da população (ou referência) S é o desvio padrão n é o número de sujeitos Quando o objetivo é comparar duas populações quanto a uma variável quantitativa, é muito comum que os pesquisadores não conheçam os parâmetros de nenhuma delas, isto é, sejam desconhecidas as médias e também os desvios padrão populacionais; dessa forma, muitos estudos biológicos são realizados com duas amostras independentes de indivíduos, denominadas grupo experimental e grupo controle, respectivamente. 6.2 TESTE DE SHAPIRO-WILK O teste de Shapiro & Wilk (1965) é possivelmente o teste mais utilizado para verificar se um determinado conjunto de dados independentes segue a distribuição Normal. Este teste tem um maior poder de decisão do que outros testes (NIST/SEMATECH, 2013), como o teste de Kolmogorov-Sminorv (Rodrigues & Iemma, 2009) por exemplo. As principais vantagens e desvantagens do teste são: Vantagens: é específico para a distribuição Normal, alto poder de decisão; Desvantagens: limitado a amostras com tamanho entre 3 e 50 observações, sensível a valores iguais ou muito próximos, dificilmente rejeita a hipótese nula de Normalidade dos para amostras pequenas, tende a rejeitar a hipótese nula de normalidade quando os dados apresentam pequenas discrepâncias quanto a normalidade dos dados em amostras muito grandes. A hipótese nula do teste é que os dados seguem, pelo menos aproximadamente, a distribuição Normal. Já a hipótese alternativa, é de que os dados não seguem a distribuição Normal. Formalmente, temos o seguinte: H0: Os dados seguem uma distribuição Normal. H1: Os dados não seguem uma distribuição Normal. Utilizamos o termo “uma” distribuição Normal, pois temos infinitas distribuições Normais, uma para cada par de média e desvio padrão. Para testar a hipótese do teste precisamos estimar a estatística do teste de Shapiro-Wilk (DS−W), e compara-la com o valor tabelado (DS−W critico) para um determinado nível de confiança. Se o valor da estatística de Shapiro-Wilk for menor do que o valor tabelado, temos evidências para rejeitar a hipótese nula de Normalidade dos dados. Caso contrário, não temos evidências para rejeitar a hipótese de Normalidade dos dados. Também podemos testar a hipótese do teste calculando o valor de p-valor para a estática obtida e comparar com um nível de significância estabelecido previamente (α (%)). Neste caso, é necessário o uso de um software que estime o p- valor, pois os cálculos são demasiadamente longos. A conclusão do teste baseado no p-valor é feita da seguinte forma: se o p-valor for maior do que α, temos evidências para rejeitar a hipótese de Normalidade dos dados. Caso contrário, não temos evidências para rejeitar a hipótese de normalidade dos dados. A estatística do teste de Shapiro-Wilk é obtida através da seguinte forma: https://andersonmdcanteli.github.io/Shapiro-Wilk/#shapiro-wilk https://andersonmdcanteli.github.io/Shapiro-Wilk/#nist-sematech https://andersonmdcanteli.github.io/Shapiro-Wilk/#rodrigues-iemmahttps://andersonmdcanteli.github.io/Shapiro-Wilk/#rodrigues-iemma Onde Xi é o valor de cada medida independente que foi obtida, x é a média de todas as medidas obtidas, e b é um parâmetro que deve ser calculado e que depende de um outro parâmetro a e também da quantidade de observações (n) que temos de Xi. O valor de a é um valor tabelado e que necessita que os valores de x estejam ordenados de forma crescente, pois ele depende da posição de cada medida devido a ordem das operações que devem ser feitas. 6.3 TESTE DE KOLMOGOROV-SMIRNOV Kolmogorov-Smirnov testa uma maneira muito eficiente de determinar se duas amostras são significativamente diferentes uma da outra. Geralmente é usado para verificar a uniformidade de números aleatórios. A uniformidade é uma das propriedades mais importantes de qualquer gerador de números aleatórios e o teste de Kolmogorov-Smirnov pode ser usado para testá-la. O teste de Kolmogorov- Smirnov também pode ser usado para testar se duas distribuições de probabilidade unidimensionais subjacentes diferem. É uma maneira muito eficiente de determinar se duas amostras são significativamente diferentes uma da outra. Aplicamos o teste de aderência de Kolmogorov-Smirnov para verificar se determinada amostra vem de população com distribuição específica. Essa “distribuição específica” é, na maioria das vezes, a distribuição normal. Nesses casos, podemos dizer que estamos usando o teste de normalidade de Kolmogorov-Smirnov (LOPES, 2013). A estatística de Kolmogorov-Smirnov quantifica a distância entre a função de distribuição empírica da amostra e a função de distribuição cumulativa da distribuição de referência, ou entre as funções de distribuição empírica de duas amostras. Para usar o teste de verificação da uniformidade de números aleatórios, usamos o CDF (função de distribuição cumulativa) de U [0, 1]. F(x)=x for 0<=x<=1 CDF empírico, Sn(x)= (number of R1, R2...Rn < x) / N array of random numbersos números aleatórios devem estar no intervalo de [0, 1]. Hipótese usada - H 0 (hipótese nula): a hipótese nula assume que os números estão uniformemente distribuídos entre 0-1. Se pudermos rejeitar a hipótese nula, isso significa que os números não estão uniformemente distribuídos entre 0-1. A falha em rejeitar a hipótese nula, embora não signifique necessariamente que os números seguem a distribuição uniforme. kstest função no scipy Python - Parâmetros: Estatísticas: este é o valor calculado de D, onde D=|F(x)-Sn(x)|. -> Este D é comparado com D alfa, onde alfa é o nível de significância. Alfa é definido como a probabilidade de rejeitar a hipótese nula desde que a hipótese nula (H 0 ) seja verdadeira. Para a maioria das aplicações práticas, alfa é escolhido como 0,05. valor p: é calculado com a ajuda de D.-> Se valor p> alfa, não rejeitamos a hipótese nula. Caso contrário, concluímos que os números não são uniformes. Idealmente, o valor p deve ser o maior possível. Para uma distribuição uniforme perfeita pvalue = 1 e Statisitics = 0. 6.4 TESTE DE WILCOXON-MANN-WHITNEY Este teste não paramétrico é indicado para testar se duas amostras independentes são provenientes da mesma população ou de populações idênticas. A utilização deste teste ocorre quando as variáveis estudadas são mensuradas em escala pelo menos em nível ordinal é uma alternativa ao Teste T (SIEGEL & CASTELLAN, 2006). O procedimento para aplicação do teste ´e o seguinte: Seja m o número de casos na amostra do grupo X e n o número de casos na amostra Y. O teste de Mann-Whitney teste foi desenvolvido primeiramente por F. Wilcoxon em 1945, para comparar tendências centrais de duas amostras independentes de tamanhos iguais. Em 1947, H.B. Mann e D.R. Whitney generalizaram a técnica para amostras de tamanhos diferentes. O teste de Mann-Whitney (Wilcoxon rank-sum test) é indicado para comparação de dois grupos não pareados para se verificar se pertencem ou não à mesma população e cujos requisitos para aplicação do teste t de Student não foram cumpridos. Na verdade, verifica-se se há evidências para acreditar que valores de um grupo A são superiores aos valores do grupo B. O teste U pode ser considerado a versão não paramétrica do teste t, para amostras independentes. Ao contrário do teste t, que testa a igualdade das médias, o teste de Mann-Whitney (U) testa a igualdade das medianas. Os valores de U calculados pelo teste avaliam o grau de entrelaçamento dos dados dos dois grupos após a ordenação. A maior separação dos dados em conjunto indica que as amostras são distintas, rejeitando-se a hipótese de igualdade das medianas. A lógica do teste é a mesma do teste t: calcula-se uma certa estatística de teste e obtém-se o p-valor a partir da distribuição amostral dessa estatística sob H0. A diferença é que ao invés de construir essa estatística com dados originais, eles são previamente convertidos em postos (ordenações). A vantagem é que, com isso, as suposições de normalidade e homogeneidade das variâncias não são necessárias, permitindo mais generalidade aos resultados. Perceba também que aquele outlier perde sua influência nessa abordagem, sendo apenas o maior valor da amostra. Outra vantagem desse teste é que ele pode ser aplicado em uma variável que seja originalmente ordinal, enquanto que o teste t exige uma escala pelo menos intervalar. Uma desvantagem é que ao substituir os dados originais por postos, “joga-se fora” alguma informação. Se as condições para o teste t são satisfeitas, ainda assim poder- se-ia usar o teste de Mann-Whitney, mas ele não seria tão poderoso quanto o teste t. A estatística U, que é a base para a decisão sobre a aceitação ou não da hipótese de nulidade é calculada da seguinte maneira: É formado um conjunto W, com todos os dados das duas amostras (A e B), O conjunto W é ordenado de forma crescente, anota-se a ordem de cada elemento deste conjunto, separam-se novamente as amostras A e B, O valor de U é a soma das ordens da amostra A. Quanto mais baixo for o valor de U, maior será a evidência de que as populações são diferentes. Isso se explica porque U é a soma de ordens, portanto seu valor será baixo se na categoria A estiverem os primeiros da ordem (obviamente em B estarão os dados de ordem superior). É claro então que neste caso se evidencia uma diferença entre as populações. Se as diferenças entre as situações forem aleatórias, como é postulado pela hipótese nula, então os resultados devem ser aproximadamente os mesmos e, consequentemente, as ordens devem ser também aproximadamente as mesmas para as duas situações. Se houver uma preponderância de ordens altas ou baixas numa situação ou na outra, então é porque a diferença no total dos resultados ordenados para cada situação é devida aos efeitos previstos da variável independente e não ao acaso. Se a soma total das ordens for muito baixa para uma das situações, então terá de haver uma preponderância de ordens elevadas na outra situação. Quanto menor for U mais significativas serão as diferenças entre as ordens das duas situações. Para amostras Pequenas (nenhum n>20) A estatística do teste Mann-Whitney (U) é calculada a partir dos tamanhos amostrais de cada grupo e a soma dos postos de um deles. Existe uma distribuição teórica e exata para a estatística U especialmente desenvolvida para amostras pequenas (nenhum n>20), cuja tabela pode ser vista em Siegel. Para amostras grandes por outro lado, quando os tamanhos amostrais forem de pelo menos dez em cada grupo (n2>20), a aproximação pela distribuição normal para a estatística T1 já é razoável. 6.5 Teste Qui-Quadrado É um teste de hipóteses que se destina a encontrar um valor da dispersão para duas variáveis categóricas nominais e avaliar a associação existente entre variáveis qualitativas. Teste não paramétrico: não depende de parâmetros populacionais (média e variância). O princípio básicodeste teste é comparar proporções, ou seja, possíveis divergências entre as frequências observadas e esperadas para um certo evento. O teste é utilizado para: Verificar se a frequência com que um determinado acontecimento observado em uma amostra se desvia significativamente ou não da frequência com que ele é esperado. Comparar a distribuição de diversos acontecimentos em diferentes amostras, a fim de avaliar se as proporções observadas destes eventos mostram ou não diferenças significativas ou se as amostras diferem significativamente quanto às proporções desses acontecimentos. Os grupos devem ser independentes, os itens de cada grupo são selecionados aleatoriamente, as observações devem ser frequências ou contagens, cada observação pertence a uma e somente uma categoria, a amostra deve ser relativamente grande (pelo menos 5 observações em cada célula e, no caso de poucos grupos, pelo menos 10. Exemplo: em tabelas 2x 2). Para avaliar as possíveis discrepâncias entre proporções observadas e esperadas: A média dos desvios e nula, porem a elevação ao quadrado transforma todos os desvios em valores positivos, tornando possível a soma dos desvios sem haver cancelamento. O desvio (o - e) entre cada proporção observada e esperada pode ser expressa por d, e, portanto, a fórmula também pode ser escrita como 𝑑² 𝑒 O teste χ2 é, essencialmente, um mecanismo pelo qual os desvios de uma proporção hipotética são reduzidos a um único valor, que permite determinar uma probabilidade a respeito da casualidade ou não dos desvios entre as proporções observadas e esperadas. Neste sentido, o X² será o somatório destes desvios, ou seja, 𝜒² = 𝑑² 𝑒. Assim, quando as frequências observadas são muito próximas às esperadas, o valor de X² é pequeno, e quando as divergências são grandes, consequentemente assume valores altos. 7. CONCLUSÃO Podemos concluir que a Estatística se interessa pelos métodos científicos para coleta, organização, resumo, apresentação e análise de dados, bem como na obtenção de conclusões válidas e na tomada de decisões razoáveis baseadas em tais análises. Algumas vezes, o termo Estatística é empregado para designar os próprios dados ou números, por exemplo, estatística de empregos, de acidentes etc. 8. REFERÊNCIAS BIBLIOGRÁFICAS LOPES, Manuela de Mesquita; CASTELO BRANCO, Verônica Teixeira Franco; SOARES, Jorge Barbosa. Utilização dos testes estatísticos de Kolmogorov- Smirnov e Shapiro-Wilk para verificação da normalidade para materiais de pavimentação. 2013. MAGALHAES, m. n.; lima, a. c. p. de. Noções de probabilidade e estatística. São Paulo: IME-USP, 2010. MORAIS, Carlos. Escalas de medida, estatística descritiva e inferência estatística. 2005. NIST/SEMATECH. (2013). e-Handbook of Statistical Methods. DOI: https://www.itl.nist.gov/div898/handbook/prc/section2/prc213.htm. RODRIGUES, m. i., & iemma, a. f. (2009). Planejamento de Experimentos & Otimização de Processos (2nd ed.). Casa do Espírito Amigo Fraternidade Fé e Amor. SANTOS, Carla. Estatística descritiva. Manual de auto-aprendizagem, v. 2, 2007. SIEGEL, s. castellan jr, n.j. Estatísticas não paramétrica para ciências do comportamento. Edição: Artimed, 2006. 448p SHAPIRO, a. s. s., & wilk, m. b. (1965). An Analysis of Variance Test for Normality (Complete Samples). Biometrika, 52(3/4), 591–611. Link: https://doi.org/https://doi.org/10.2307/2333709. TRIOLLA, M. F. Introdução a Estatísticas. 9 ed. Cidade: Editora, 2005 https://www.itl.nist.gov/div898/handbook/prc/section2/prc213.htm https://doi.org/https:/doi.org/10.2307/2333709
Compartilhar