RESUMO BIOESTATÍSTICA

Prévia do material em texto

RESUMO BIOESTATÍSTICA
ESTATÍSTICA: é um conjunto de técnicas que possibilita padronização das formas de coleta, organização e análise de dados
BIOESTATÍSTICA: é a aplicação de métodos estatísticos buscando investigar os fenômenos biológicos.
Os procedimentos estatísticos embasam praticamente todas as informações presentes nos livros didáticos da nossa área de conhecimento. Reflita de que forma a Estatística foi utilizada nos dados descritos no último livro didático que você utilizou para outra disciplina do curso de Educação Física. 
TÉCNICAS DE ANÁLISE DE DADOS: Descrever características dos dados: nessa estratégia interessa apenas em caracterizar os dados de uma população ou grupo, não estamos interessados nas causas nem na relação dessa variável com outras variáveis. Testar associações entre dois ou mais conjuntos de dados: nessa estratégia, o objetivo é encontrar alguma relação que uma característica de um grupo apresenta com outra característica. Testar diferenças entre dois ou mais conjuntos de dados: nessa estratégia, o objetivo é comparar os resultados de dois grupos diferentes de pessoas.
POPULAÇÃO: é um conjunto de indivíduos ou objetos que apresentam pelo menos uma característica em comum. Pode se apresentar em âmbito nacional, municipal ou local. 
AMOSTRA: é uma redução representativa da população a dimensões menores.
Amostras podem apresentar algumas variações na resposta em função das diferenças individuais, mas, obrigatoriamente, as características gerais da população devem ser preservadas. É importante que o número de sujeitos de uma amostra seja suficiente e que as características neles presentes sejam representativas à população.
CÁLCULO AMOSTRAL: Cálculo que considera as características da amostra e a variabilidade nos resultados encontrados.
CRITÉRIOS DE INCLUSÃO E EXCLUSÃO PARA INDIVÍDUOS DA AMOSTRAGEM: pode ser definido segundo uma característica comum, mas, às vezes, alguns indivíduos apresentam certas características específicas que não são compartilhadas pelas demais pessoas que a compõem e que os tornam sujeitos não representativos dessa amostra.
Os critérios de inclusão e exclusão de um indivíduo a uma amostra devem ser condizentes com os objetivos da análise de um determinado estudo.
ESTATÍSTICA DESCRITIVA: buscase a determinação de como o conjunto de dados em questão, ou seja, uma descrição sistemática dos resultados. Dependendo dos objetivos da investigação, a descrição deverá adotar caminhos distintos, visto que, para cada objetivo, existe um caminho mais adequado.
Existem atualmente no mercado diversos softwares que permitem a aplicação de inúmeros procedimentos estatísticos. Entretanto, é importante que o usuário entenda os conceitos atrelados ao teste a ser utilizado.
UNIDADE EXPERIMENTAL: a menor unidade capaz de fornecer informações que podem ser pessoas, animais, fatos ou objetos. Por exemplo, em um experimento, podemos analisar ratos albinos que são submetidos a exercícios físicos.
DADOS: são informações numéricas ou não, obtidas a partir de um determinado experimento. No exemplo anterior, podemos afirmar que os dados são “ratos albinos” e “a prática de exercícios físicos”.
VARIÁVEL: é a denominação para todas as características, atributos ou medidas que podem ser analisadas na Unidade Experimental, apresentando variações entre os indivíduos avaliados.
 VARIÁVEL QUALITATIVA: é uma medida de natureza não numérica, ou seja, ela não é representada por um número, mas, sim, por uma qualidade. Por exemplo, forte ou rápido.
VARIÁVEL QUALITATIVA NOMINAL: quando a mesma não expressa nenhum critério que possa ser classificado como maior ou menor, melhor ou pior, entre outros. Por exemplo: Cor de olhos, Gênero, tipo sanguíneo, cor da pele.
VARIÁVEL QUALITATIVA ORDINAL: quando apresenta uma ordem, e podemos classificar uma variável como superior e outra como inferior. Por exemplo: grau de instrução, níveis de dor, nível de condicionamento físico que pode ser ruim, moderado e bom.
O que difere as variáveis qualitativas nominais e ordinais é a possibilidade de classificação e ordenação dos dados. Variáveis qualitativas ordinais podem ser classificadas como melhores ou piores. 
VARIÁVEL QUANTITATIVA: é uma medida de natureza numérica, sendo expressa por um valor, ou seja, élhe atribuído um número. 
VARIÁVEL QUANTITATIVA DISCRETAS: são aquelas que são expressas exclusivamente por números inteiros. Números fracionados não apresentam sentido lógico para esse tipo de variável. Por exemplo: quantidade de esteiras em uma academia.
VARIÁVEL QUANTITATIVA CONTÍNUAS: podem apresentar qualquer valor em um intervalo de variação possível, ou seja, elas podem ser expressas em números fracionados. Por exemplo: altura, peso corporal, idade do aluno, tempo de treinamento, sobrecarga de exercícios.
O que difere as variáveis quantitativas discretas e contínuas é a possibilidade de um valor fracionado. Variáveis discretas só podem ser expressas em números inteiros.
VARIÁVEL QUANTO A SUA FUNÇÃO: 
Variável independente: é aquela que o pesquisador deseja manipular (testar), ou seja, é sua variável experimental. Por exemplo: tipos de exercícios para ganho de força de um grupo muscular. Variável dependente: é aquela que pode ser medida ou registrada para acessar o efeito da variável independente. Por exemplo: força muscular a partir das mudanças de cada exercício.
Essas duas variáveis independente e dependente possuem inter-relação de causa-efeito. A variável independente representa causa, enquanto a variável dependente representa o efeito.
VARIÁVEL CATEGÓRICA: pode ser considerada um tipo de variável independente, mas ela não pode ser manipulada, pois está em categorias. Essas categorias nada mais são do que classificações das variáveis que permitem identificálas como pertencentes a um determinado grupo. Por exemplo: idade, raça, gênero, entre outros.
Importante identificar, em um estudo, se a interrelação causaefeito da variável independente sobre a variável dependente pode ser diferente na presença de uma variável categórica.
VARIÁVEL CONTROLE: está relacionada a um fator que poderia, possivelmente, influenciar os resultados do estudo, ou seja, a variável dependente. Por exemplo: em um teste de frequência cardíaca máxima em uma esteira, sendo, a variável controle: a fadiga.
 VARIÁVEL INTERVENIENTE: é um fator que também pode afetar a relação entre a variável independente e dependente, mas não pode ser totalmente excluída ou controlada. Se posiciona entre a variável independente e dependente, podendo ampliar, reduzir ou anular o efeito da variável independente sobre a variável dependente. Por exemplo: a temperatura no ambiente onde se aplica um teste de esteira.
ERRO SISTEMÁTICO: aquele que representa uma interferência que é constante em todas as medidas. Assim, o erro é quase sempre o mesmo em todos os resultados obtidos em uma medição. Exemplo: um acréscimo de 1 km/h em todas as velocidades das esteiras, que se aplicariam a todos indivíduos.
ERRO ALEATÓRIO: pode ser observado eventualmente, ou seja, em torno da medida verdadeira, os erros podem ou não serem observados. Por exemplo: o acréscimo de 1km/h ocorra somente em algumas situações.
Podemos classificar, ainda, os erros de acordo com as suas causas, como:
ERRO INSTRUMENTAL: ocorre quando há alguma imprecisão no instrumento de medida utilizado para realizar a pesquisa.
ERRO AMBIENTAL: referese a alguma alteração no meio de avaliação, ou seja, no ambiente que promova alteração na variável dependente.
ERRO OBSERVACIONAL: representa uma inconsistência na análise ou um erro de leitura na medição.
ERRO TEÓRICO: aqueles associados à falta de clareza na determinação das variáveis de análise.
Os erros podem ser de dois tipos de acordo com suas características: erro sistemático (interferência constante em todas as medidas) e erro aleatório (pode ser observado eventualmente).
VARIÁVEIS DE POSIÇÃO: valores máximos, mínimos, moda, médiae mediana.
VARIÁVEL DE POSIÇÃO: é calculada quando desejamos representar um conjunto de dados por um valor único.
Os principais valores de posição são valor máximo, valor mínimo, valor de média, valor de moda e valor de mediana.
VALOR MÁXIMO E MÍNIMO: Correspondem aos valores extremos de um conjunto de dados. Dessa forma, o valor máximo (Vmáx.) – Também conhecido como valor de pico – corresponde ao maior valor do conjunto de dados, enquanto que o valor mínimo (Vmín.) Representa o menor valor desse conjunto.
 VALOR MÉDIA MODA E MEDIANA: Correspondem aos valores de tendência central.
VALOR MÉDIA: Os valores de média são calculados considerando a média aritmética dos valores de um conjunto de dados. A média é geralmente representada pela letra x acrescida de um traço superior (leiase x barra).
Para calcular a média, devemse somar todos os valores de um conjunto de dados e dividir pelo número de dados.
VALOR DE MODA: Para identificar o valor de moda, basta determinar o valor que mais se repete no conjunto de dados, ou seja, de maior frequência. Esse conceito apresenta significado semelhante ao que popularmente se chama de moda para outras aplicações.
Podendo ser classificado como: • amodal: quando o conjunto de dados não apresenta nenhum valor de moda; • unimodal: quando apenas um valor de moda é identificado; • bimodal: quando dois valores de moda são identificados; • multimodal: quando mais de dois valores de moda são identificados.
VALOR DE MEDIANA: é uma medida de tendência central correspondente ao valor da variável que ocupa a posição central de um conjunto de n dados ordenados. Esse valor é geralmente expresso pelo símbolo Md.
Posição da mediana = n+1 /2
Quando o valor de n é par em um conjunto de dados, para calcular a mediana, devese obter a média entre o valor da posição inferior e da posição superior no conjunto de dados ordenados.
Uma característica importante da Md é que ela não é influenciada pelos valores extremos do conjunto de dados.
Isso já não acontece quando calculamos a média, a qual é fortemente influenciada por todos os valores, uma vez que para calculála precisamos primeiro somar todos os valores do conjunto de dados.
Quando a distribuição dos dados for simétrica, teremos os mesmos valores de média, moda e mediana. Quando a distribuição dos dados for assimétrica, esses valores não irão coincidir.
MEDIDAS DE VARIABILIDADE: também conhecidas como medidas de dispersão, permitem avaliar a diversidade da distribuição das variáveis em um conjunto de dados, ou seja, indicam como os dados estão dispostos.
Para a determinação da amplitude de variação, basta calcular a diferença entre os valores extremos. Entretanto, a amplitude de variação desconsidera os valores intermediários do conjunto de dados.
VARIÂNCIA: Com o intuito de considerarmos todos os valores de um conjunto de dados para determinarmos a variabilidade, surge a possibilidade de calcularmos a variância.
Para calcularmos a variância, devemos: (1) subtrair de cada valor a média; (2) elevar cada diferença ao quadrado; (3) somar os quadrados; (4) dividir essa soma pelo número de dados.
Quanto maior for o resultado da variância, mais heterogênea será a distribuição dos dados dentro de um determinado conjunto; sendo assim, maior será a variabilidade desses dados.
DESVIO PADRÃO: O desvio padrão é calculado a partir da raiz quadrada dos valores correspondentes à variância.
O desviopadrão só nos permite a comparação da variabilidade do mesmo tipo de variáveis
COEFICIENTE DE VARIAÇÃO: é uma medida de dispersão independente da unidade de medida da variável.
É utilizada a seguinte fórmula para o seu cálculo: CV= DP/ média = X 100
O CV é obtido dividindo o desviopadrão pela média e multiplicando esse resultado por 100. Como o CV é expresso em percentual, tornase possível comparar variáveis com unidades diferentes.
 
TABELAS: As tabelas mostram um conjunto de dados dispostos em número finito de colunas e número ilimitado de linhas.
• Todos os dados devem ser visíveis • Todas as variáveis devem ter sua descrição clara, para que se possa interpretar o que os dados representam. • Todas as variáveis devem ter suas unidades de medidas apresentadas •Toda tabela deve ter um título • Toda tabela deve ser inserida no texto escrito e discutida com base nos objetivos propostos pelo estudo ou análise.
GRÁFICOS: São formas comuns de representação gráfica: gráficos de barras e colunas; histogramas; gráficos circulares; gráficos de pontos; gráficos de linhas.
A representação gráfica é um recurso indispensável à estatística, porque permite visualizar mais facilmente o comportamento de variáveis e interpretar seus resultados.
ANÁLISE DE DISTRIBUIÇÃO DE DADOS: A avaliação da normalidade de distribuição dos dados tornase extremamente importante, pois é um dos principais critérios a serem considerados para escolher qual teste estatístico utilizaremos para estabelecer a comparação proposta em nosso estudo.
DISTRIBUIÇÃO NORMAL: Muitas variáveis biológicas se distribuem de uma forma equilibrada, na qual os valores centrais são mais frequentes e os valores extremos (máximos e mínimos) são mais raros no conjunto de dados.
 CURVA NORMAL: é uma linha contínua com a forma aproximada de um sino, utilizada para avaliar a normalidade de distribuição dos dados. É conhecida como curva de distribuição normal ou curva de Gauss. A curva normal é unimodal, ou seja, apresenta apenas um valor de pico, e simétrica (idêntica em ambos os lados da média). As curvas normais podem apresentar diferentes curtoses, podendo ser classificadas como: platicúrtica (mais achatada), leptocúrtica (mais longada) e mesocúrtica (forma mais tradicional)
A avaliação da normalidade de distribuição dos dados é fundamental, pois estabelece os critérios a serem considerados para escolher qual teste estatístico utilizaremos na comparação proposta em nosso estudo. Os testes mais comuns utilizados para a avaliação da normalidade são: Teste de ShapiroWilk sutilizado quando temos um conjunto de dados composto por até 50 observações, e Teste de Kolmogorov-Smirnov: utilizado nas demais situações, ou seja, quando temos um conjunto de dados composto por mais de 50 observações.
Independente do teste a ser empregado, devemos utilizar um ponto referencial para avaliar se há ou não normalidade. Esse referencial é conhecido como nível de significância (probabilidade), o qual é geralmente representado pela letra p.
Na área da Educação Física, o nível de significância que é mais frequentemente adotado é de 5%. Isso significa que o valor de p será de 0,05, ou seja, p=0,05.
Ao aplicarmos testes de normalidade, se encontrarmos um nível de significância superior ao estabelecido (por exemplo, p>0,05), a condição de normalidade será confirmada e se encontrarmos um nível de significância inferior ao estabelecido a normalidade será rejeitada e, portanto, um teste paramétrico deverá ser empregado para comparar os grupos.
FORMULAÇÃO DE HIPÓTESES:
HIPÓTESE DE PESQUISA OU HIPÓTESE ALTERNATIVA (H1): a é o resultado esperado pelo pesquisador; geralmente surge da experiência, da dedução lógica ou de resultados de outras investigações.
 
HIPÓTESE NULA (H0): serve para avaliar a confiabilidade dos resultados; segundo ela, não há diferença entre os resultados, ou seja, não há relação entre as variáveis independente e dependente.
O TESTE DE HIPÓTESES ENVOLVE OS SEGUINTES CASOS: • delimitar o problema de pesquisa; • definir as hipóteses nula e alternativa; • coletar dados em uma amostra da população; • uso de ferramentas estatísticas para testar a hipótese; • comparação dos resultados com a literatura.
TESTE BICAUDAL: Devemos usar esse teste quando não sabemos para qual lado os resultados tenderão.
TESTE UNICAUDAL: Devemos usar quando imaginamos para qual lado os resultados tenderão.
Quanto mais forte tiver que ser a evidência, menor terá que ser o valor de p, por exemplo, 0,01.
FONTES BIBLIOGRÁFICAS: podem ser classificadascomo primárias ou secundárias. Fontes primárias correspondem aos artigos científicos experimentais, ou seja, as conclusões apresentadas nesses textos são oriundas de algum trabalho realizado por pesquisadores, envolvendo um desenho experimental definido. Já as fontes secundárias, são os artigos de revisão e os livros. Esses materiais têm como objetivo sistematizar informações divulgadas principalmente por meio de outras fontes primárias.
ESTRÁTÉGIAS DE BUSCA DE ARTIGOS CIENTÍFICOS: É necessário desenvolver um olhar crítico a tudo que nos é apresentado, independente de quão lógico a informação ou o conhecimento possa parecer. A internet é uma fonte vasta de conhecimento e informação e que se encontra ao alcance de todos. Infelizmente, junto aos sites, não aparece nenhuma indicação da confiabilidade das informações transmitidas. Por isso, cabe a nós aprender a selecionar o conhecimento mais confiável. Para tanto, é importante saber as origens dos conteúdos apresentados.
O conhecimento científico é uma forma mais estruturada de adquirir conhecimento e que envolve objetividade e controle das variáveis para a solução de um problema específico. Por conta dessa característica do estudo científico, é que o mais seguro é buscar conhecimento em revistas e fontes científicas. É claro que mesmo que os editores das revistas científicas submetam os artigos a revisores competentes, é possível que resultados questionáveis sejam observados. Entretanto, a segurança na informação é maior.
REVISTAS CIENTIFÍCAS: podem ser classificadas como de nível A1 ou A2, que são os níveis mais altos e internacionais, níveis B1, B2, B3, B4 e B5, que englobam níveis altos e baixos de classificação e o nível C.
Os critérios para a classificação são: números de exemplares da revista lançados ou publicados por ano, número de banco de dados nos quais a revista se encontra indexada e número de instituições que publicam na revista para evitar que ela seja mantida por uma única instituição.
TESTES ESTÁTISTICOS: podem ser definidos como procedimentos que, com algum nível de precisão, possibilitam avaliar se as hipóteses estatísticas podem ou não ser consideradas como verdadeiras.
 
TESTE T PARA UMA AMOSTRA: é empregado em situações em que características de um único grupo precisam ser comparadas com um valor de referência. Dessa forma, podemos afirmar que esse teste foi desenvolvido para comparar duas médias em um experimento. Para que esse teste possa ser adequadamente utilizado, tornase fundamental que sejam atendidos os critérios de normalidade de distribuição de dados
OBSERVAÇÃO: Teste t só deve ser utilizado para uma amostra quando o conjunto de dados apresenta distribuição normal. A opção não paramétrica corresponde ao Teste dos Sinais.
TESTE T PAREADO: é utilizado em situações nas quais um mesmo grupo é avaliado em duas condições distintas, sendo que o objetivo é comparar essas duas médias entre si. Esse é um dos testes mais utilizados em Educação Física, pois frequentemente temos como objetivo avaliar o efeito de uma determinada forma de intervenção; por exemplo, uma determinada modalidade de treinamento. Esse teste também necessita atender aos critérios de normalidade de distribuição para que possa ser aplicado, e a amostra dos dados nas duas condições a serem comparadas (antes e depois) deve ter o mesmo tamanho.
TESTE T PARA AMOSTRA INDEPENDENTE: deve ser utilizado em situações em que se planeja comparar uma característica comum de dois grupos que são compostos por indivíduos diferentes (grupos são independentes). Dessa forma, podese presumir que a condição fundamental para a aplicação desse teste é que os sujeitos de um grupo não estejam relacionados aos sujeitos de outro grupo.
Para aplicação do Teste t para amostras independentes é necessária normalidade de distribuição dos dados. As opções não paramétricas são: Teste da Soma dos Ranks de Wilcoxon e Teste t.
TESTE ANOVA: deve ser empregado em uma pesquisa em que o objetivo seja estabelecer a comparação de mais de dois grupos simultaneamente. Possibilita comparar mais de duas médias de um experimento em um único teste. Quando esse teste apresenta apenas uma fonte de variação, ele é conhecido como Anova oneway, ou Anova de um fator; quando o teste apresenta duas fontes de variação, ele é conhecido como Anova twoway (ou Anova de dois fatores).
Os testes de Anova devem ser aplicados em dados de distribuição normal, e as comparações podem ser do tipo Anova oneway (um fator) ou Anova twoway (dois fatores).
TESTE DE FRIEDMAN: deve ser utilizado para comparar os resultados de três ou mais amostras, quando a normalidade de distribuição de dados não for confirmada. Podemos afirmar, então, que o teste de Friedman é uma alternativa não paramétrica correspondente à Anova.
O teste de Friedman é uma alternativa não paramétrica correspondente à Anova. Esse teste também permite comparar os resultados de três ou mais amostras simultaneamente.
TESTE DE CORRELAÇÃO: CORRELAÇÃO SIMPLES investiga em que grau se relaciona duas variáveis, que podem ou não estar associadas. Quando duas variáveis apresentam alguma relação entre si, isso significa que a variação nessa característica afeta outra característica do sujeito. Por exemplo, quanto mais avançada for a idade de uma pessoa, maior a tendência dessa pessoa em apresentar um percentual de gordura maior. Portanto, a correlação simples analisa a interferência de uma variável (dependente) sobre outra variável (independente).
DIAGRAMA DE DISPERSÃO: Diagrama de dispersão é um gráfico no qual os dados de cada sujeito da amostra são plotados na relação entre as duas variáveis de análise.
COEFICIENTE DE CORRELAÇÃO DE PEARSON (r): é uma medida quantitativa, um número, que expressa a relação entre as variáveis analisadas (independentes e dependentes). A relação entre duas variáveis, portanto, pode apresentar diferentes níveis de associação. O valor do coeficiente de correlação pode variar de 0,0 (zero) a 1,0 (um).
Quanto maior o valor da correlação, maior o grau de dependência entre as variáveis. Dessa forma, quando o valor do coeficiente é 1,0, isso indica uma correlação perfeita, e o valor de coeficiente de correlação igual a 0,0 (zero) indica que não existe nenhuma correlação entre as variáveis.
O coeficiente de correlação ainda pode apresentar valores positivos e negativos, o que significa que ele pode apresentar de 1,0 a 1,0.
Correlação positiva → valores maiores que zero e próximos de 1,0.
 Sem correlação → valores próximos de zero. 
Correlação negativa → valores menores que zero e próximos de 1,0.
Significância → indica quanto os resultados obtidos são confiáveis, até que ponto se podem esperar resultados semelhantes caso a análise seja refeita.
Para determinar o coeficiente mínimo para que se tenha uma significância que permita afirmar que existe correlação entre duas variáveis. Devemos seguir os seguintes passos: 1. Escolher um nível de significância: os níveis de significância mais usados são de 0,05 ou 0,01. Ambos são aceitos, mas 0,01 atribui maior confiança à correlação. 2. Ler a tabela de acordo com os graus de liberdade (gl) dos seus dados: o grau de liberdade, para um coeficiente de correlação, é obtido a partir do número de sujeitos ou número de pares de escores (N), por exemplo. A fórmula para os graus de liberdade é: gl= N - 2
A existência de uma correlação entre duas variáveis não indica uma relação de causa e efeito necessariamente
TESTE DE REGRESSÃO LINEAR: 
EQUAÇÕES DE REGRESSÃO: Ferramenta que visa encontrar uma fórmula que permita predizer o que ocorreria se tivéssemos valores diferentes dos obtidos na nossa amostra.
Para toda reta, sempre existe uma equação que a determina, portanto, uma reta pode ser representada por equação que, por sua vez, denota valores de y em função de certos valores de x, conforme ilustra a equação:
 y = a + bx
RETA LINEAR OU LINHA DE REGRESSÃO: A linha de regressão representa uma reta que se encontra na menor distância possível de cada umdos pontos no diagrama de dispersão.