Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
02.12_-_Bioestat�stica_em_pesquisa_I_-_Ximenes.ppt * * Pós Graduação – ORL – FMUSP Jul/2002 Fevereiro 2007 MBE BIOESTATÍSTICA EM PESQUISA João Aragão Ximenes Filho * * Pós Graduação – ORL – FMUSP Jul/2002 Introdução Importância da bioestatística “ver as coisas sem paixão, como elas são” “quantificar a incerteza” Qual suas aplicabilidades... Público alvo * * Pós Graduação – ORL – FMUSP Jul/2002 Introdução Por que se escreve publicações científicas? ...permanecer no cargo ...se tornar (continuar a ser) famoso ...dar destaque à sua pesquisa ... * * Pós Graduação – ORL – FMUSP Jul/2002 Introdução * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Por que? Um problema uma hipótese Como? Uma hipótese objetivos * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Descritivos Analíticos Observacionais Experimentais * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Descritivos descrever os efeitos sugerem não interferem sobre causa x efeito também usam estatística * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Analíticos objetiva estabelecer relação de causa x efeito * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Observacionais a exposição a causa não depende do pesquisador * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Experimentais a exposição à causa é determinada pelo pesquisador * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva EIXO DO ESTUDO (quanto a direção) PROSPECTIVO CAUSA EFEITO RETROSPECTIVO EFEITO CAUSA * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva CAUSA EFEITO Quadro clínico Nova doença Etiologia Fatores de risco Doença Doença Fatores de risco Evolução Doença Fatores de risco Prognóstico Tratamento Resultado * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO CAUSA EFEITO Descrição de caso (s) Descrição de casuística Estudo transversal Estudo de caso-controle Estudo de coorte Ensaio clínico randomizado * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Resumindo Estudo de causa e efeito – coorte - caso-controle (dç raras) Rastreamento – corte transversal Diagnóstico – corte transversal Terapia – ensaio clínico randomizado Prognóstico – coorte * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva VALIDADE DO DESENHO (CAUSA) ELEVADA Ensaio Clínico Randomizado Estudo de coorte Estudo de caso-controle Corte transversal ESCASSA Série de casos * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva AMOSTRA x POPULAÇÃO AMOSTRA: Parte do todo Distribuição de maneira semelhante Finalidade: inferir a partir dos resultados conclusões para o universo do estudo * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva AMOSTRA x POPULAÇÃO AMOSTRA: Deve ser suficientemente grande Seus constituintes deves ser selecionados ao acaso – “random” * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva AMOSTRA: Evitar: amostra de conveniência (entrada seqüencial) Preferir: entrada aleatória ou probabilística * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva MÉTODOS DE AMOSTRAGEM 1. Randomização simples 2. Sistematização 3. Estratificação 4. Amostragem em “multi-stage” 5. Conglomerados * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva 5, 74, 79, 83, 138, 166, 173, 201, 242, 259 * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva MÉTODOS DE AMOSTRAGEM 2. Sistematização mais sujeito a viés mais simples utiliza intervalos regulares randomiza o ponto inicial P.ex: selecionar 5% da população (1 em 20). Randomiza 13, assim – 13,33,53,73, 93... * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE DADOS Nominais ou qualitativos Ordinais Intervalares Contínuos * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TENDÊNCIA CENTRAL e MEDIDAS DE DISPERSÃO * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TENDÊNCIA CENTRAL média (aritmética e geométrica) mediana moda * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva MEDIDAS DE DISPERSÃO Desvio-padrão Variância Amplitude total ou Intervalo de variância (range) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva MEDIDAS DE DISPERSÃO Desvio-padrão Standard deviation (SD) – é o modo de representar a dispersão dos dados ao redor da média É a raiz quadrada da variância: mesma unidade utilizada nos valores * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESVIO PADRÃO X ERRO PADRÃO DP mostra dispersão ou variabilidade EPM o quão bem conhecida é a média Dispersão biológica: DP Dispersão técnica: EPM EPM = s / n * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DISTRIBUIÇÃO GAUSSEANA * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DISTRIBUIÇÃO NORMAL TESTOU SEUS DADOS (contínuos) Teorema (teste) de Kolmogorov-Smirnov Diagrama de Probidade (probit plot) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Teste de Kolmogorov-Smirnov * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Diagrama de Probidade (probit plot) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva AMOSTRA: TAMANHO (n) variabilidade do fenômeno erro poder do teste (1-) precisão ou diferença desejada * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TAMANHO da AMOSTRA: nenhum método é perfeito Pesquisador experiente é necessário Confiabilidade dos dados * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TAMANHO da AMOSTRA: Como estimá-lo 1. Tabelas 2. Fórmulas 3. Softwares (p.ex. True Epistat) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva EXERCÍCIO 1 Problema: DESNUTRIÇÃO (pig) Hipótese: suplementação vitamínica gestantes Desenho: Ensaio Clínico Randomizado Eixo: Prospectivo Tipo: Experimental - analítico População: 1 consulta pré-natal Irauçuba Amostra: Tamanho??? * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva EXCEL 3 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 0.125 DP 0.4 0.4 0.4 Poder do teste=90% u 1.28 1.28 1.28 índice signific=5% v 1.96 1.96 1.96 10.4976 10.4976 10.4976 0.16 0.16 0.16 0.16 0.16 0.16 0.32 0.32 0.32 0.25 0.0625 0.015625 tamanho para cada grupo 13.436928 53.747712 214.990848 Resumo 15 50 200 2 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 DP 0.4 0.4 Poder do teste=90% u 1.28 1.28 índice signific=5% v 1.96 1.96 10.4976 10.4976 0.16 0.16 0.16 0.16 0.32 0.32 0.25 0.0625 tamanho para cada grupo 13.436928 53.747712 Resumo 15 50 4 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 0.125 0.125 DP 0.4 0.4 0.4 0.8 Poder do teste=90% u 1.28 1.28 1.28 1.28 índice signific=5% v 1.96 1.96 1.96 1.96 10.4976 10.4976 10.4976 10.4976 0.16 0.16 0.16 0.64 0.16 0.16 0.16 0.64 0.32 0.32 0.32 1.28 0.25 0.0625 0.015625 0.015625 tamanho para cada grupo 13.436928 53.747712 214.990848 859.963392 Resumo 15 50 200 860 comparação de duas médias 1 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 DP 0.4 Poder do teste=90% u 1.28 índice signific=5% v 1.96 10.4976 0.16 0.16 0.32 0.25 tamanho para cada grupo 13.436928 Resumo 15 * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva EXCEL 3 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 0.125 DP 0.4 0.4 0.4 Poder do teste=90% u 1.28 1.28 1.28 índice signific=5% v 1.96 1.96 1.96 10.4976 10.4976 10.4976 0.16 0.16 0.16 0.16 0.16 0.16 0.32 0.32 0.32 0.25 0.0625 0.015625 tamanho para cada grupo 13.436928 53.747712 214.990848 Resumo 15 50 200 2 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 DP 0.4 0.4 Poder do teste=90% u 1.28 1.28 índice signific=5% v 1.96 1.96 10.4976 10.4976 0.16 0.16 0.16 0.16 0.32 0.32 0.25 0.0625 tamanho para cada grupo 13.436928 53.747712 Resumo 15 50 4 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 0.125 0.125 DP 0.4 0.4 0.4 0.8 Poder do teste=90% u 1.28 1.28 1.28 1.28 índice signific=5% v 1.96 1.96 1.96 1.96 10.4976 10.4976 10.4976 10.4976 0.16 0.16 0.16 0.64 0.16 0.16 0.16 0.64 0.32 0.32 0.32 1.28 0.25 0.0625 0.015625 0.015625 tamanho para cada grupo 13.436928 53.747712 214.990848 859.963392 Resumo 15 50 200 860 comparação de duas médias 1 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 DP 0.4 Poder do teste=90% u 1.28 índice signific=5% v 1.96 10.4976 0.16 0.16 0.32 0.25 tamanho para cada grupo 13.436928 Resumo 15 * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva EXCEL 3 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 0.125 DP 0.4 0.4 0.4 Poder do teste=90% u 1.28 1.28 1.28 índice signific=5% v 1.96 1.96 1.96 10.4976 10.4976 10.4976 0.16 0.16 0.16 0.16 0.16 0.16 0.32 0.32 0.32 0.25 0.0625 0.015625 tamanho para cada grupo 13.436928 53.747712 214.990848 Resumo 15 50 200 2 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 DP 0.4 0.4 Poder do teste=90% u 1.28 1.28 índice signific=5% v 1.96 1.96 10.4976 10.4976 0.16 0.16 0.16 0.16 0.32 0.32 0.25 0.0625 tamanho para cada grupo 13.436928 53.747712 Resumo 15 50 4 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 0.125 0.125 DP 0.4 0.4 0.4 0.8 Poder do teste=90% u 1.28 1.28 1.28 1.28 índice signific=5% v 1.96 1.96 1.96 1.96 10.4976 10.4976 10.4976 10.4976 0.16 0.16 0.16 0.64 0.16 0.16 0.16 0.64 0.32 0.32 0.32 1.28 0.25 0.0625 0.015625 0.015625 tamanho para cada grupo 13.436928 53.747712 214.990848 859.963392 Resumo 15 50 200 860 comparação de duas médias 1 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 DP 0.4 Poder do teste=90% u 1.28 índice signific=5% v 1.96 10.4976 0.16 0.16 0.32 0.25 tamanho para cada grupo 13.436928 Resumo 15 * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva EXCEL 3 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 0.125 DP 0.4 0.4 0.4 Poder do teste=90% u 1.28 1.28 1.28 índice signific=5% v 1.96 1.96 1.96 10.4976 10.4976 10.4976 0.16 0.16 0.16 0.16 0.16 0.16 0.32 0.32 0.32 0.25 0.0625 0.015625 tamanho para cada grupo 13.436928 53.747712 214.990848 Resumo 15 50 200 2 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 DP 0.4 0.4 Poder do teste=90% u 1.28 1.28 índice signific=5% v 1.96 1.96 10.4976 10.4976 0.16 0.16 0.16 0.16 0.32 0.32 0.25 0.0625 tamanho para cada grupo 13.436928 53.747712 Resumo 15 50 4 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 0.25 0.125 0.125 DP 0.4 0.4 0.4 0.8 Poder do teste=90% u 1.28 1.28 1.28 1.28 índice signific=5% v 1.96 1.96 1.96 1.96 10.4976 10.4976 10.4976 10.4976 0.16 0.16 0.16 0.64 0.16 0.16 0.16 0.64 0.32 0.32 0.32 1.28 0.25 0.0625 0.015625 0.015625 tamanho para cada grupo 13.436928 53.747712 214.990848 859.963392 Resumo 15 50 200 860 comparação de duas médias 1 Peso ao nascimento - Resposta a suplementação vitamínica (em torno de 2.500g) Diferença das médias (arbitrário) 0.5 DP 0.4 Poder do teste=90% u 1.28 índice signific=5% v 1.96 10.4976 0.16 0.16 0.32 0.25 tamanho para cada grupo 13.436928 Resumo 15 * * Pós Graduação – ORL – FMUSP Jul/2002 Introdução * * Pós Graduação – ORL – FMUSP Jul/2002 Introdução * * Pós Graduação – ORL – FMUSP Jul/2002 Introdução * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica TESTE DE HIPÓTESE TIPOS DE ERROS * * Pós Graduação – ORL – FMUSP Jul/2002 A HIPÓTESE é o que o pesquisador acredita ser verdade acerca do fenômeno sobre o qual tem experiência clínica própria e/ou conhecimentos (literatura) Estatística Analítica * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica HIPÓTESE NULA “não há diferença entre os grupos estudados” Atribui ao acaso os resultados obtidos * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica HIPÓTESE NULA Contudo: “um valor de p>0,05 não implica que H0 seja verdadeira, apenas que os dados disponíveis não são suficientes para rejeitá-la.” * * Pós Graduação – ORL – FMUSP Jul/2002 TESTE DE HIPÓTESES H0 = o fenômeno observado (efeito) na amostra é pouco diferente do que poderia ter ocorrido por mero acaso. H1 = o fenômeno observado (efeito) na amostra é muito diferente do que poderia ter ocorrido por mero acaso. Estatística Analítica * * Pós Graduação – ORL – FMUSP Jul/2002 TESTE DE HIPÓTESES ... Decide por H0 ou H1 a partir do cálculo da probabilidade de que um determinado fenômeno (efeito ou resultado) não tenha ocorrido por mero acaso na amostra. Se esta probabilidade é pequena, decide-se por H1 e, se for elevada, decidi-se por H0 Estatística Analítica * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica TESTE DE HIPÓTESES População x amostra Seis etapas: 1. H1 2. H0 3. Tamanho da amostra 4. Colher os dados 5. Análise estatística 6. Rejeitar ou não H0 * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica TIPOS DE ERROS Erro I (): rejeitar H0, mesmo que ela seja verdadeira (aceita onde não existe) Erro II (): não rejeita H0, mesmo ela sendo falsa ( não reconhecida) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica TIPOS DE ERROS Erro I () – Nível de Significância Significa que se repetirmos 100 vezes o experimento realizado, nas mesmas condições, obteremos o mesmo resultado em 100- vezes * * Pós Graduação – ORL – FMUSP Jul/2002 TESTE DE HIPÓTESES poder do teste “a probabilidade de rejeitar a hipótese nula quando esta é falsa” “a probabilidade de rejeitar a hipótese nula em um teste estatístico quando a hipótese alternativa é verdadeira” Estatística Analítica * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica 5% 80% 95% 20% USUALMENTE! * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica ENTENDENDO O “p” Probabilidade (0-1) encontrar diferença igual ou maior que a observada Se p pequeno, pouca chance de ser o ACASO = amostras diferentes * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica ENTENDENDO O “p” quanto menor o valor de p, menos sustentável é a hipótese nula; probabilidade de obter os dados observados se a hipótese nula fosse verdadeira. * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Analítica 02.12_-_Bioestat�stica_em_pesquisa_II_-_Ximenes.ppt * * Pós Graduação – ORL – FMUSP Jul/2002 Prof. João Ximenes Faculdade Christus Curso de Medicina Medicina Baseada em Evidencia * * Pós Graduação – ORL – FMUSP Jul/2002 João Aragão Ximenes Filho Residência Médica na UNESP Doutor em Otorrinolaringologia pela FMUSP Professor de ORL da FMUFC Prof de Bioestatistica da PG Cirurgia UFC MBE – Bioestatística * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva CARACTERISTICAS DE UM BOM PROJETO DE PESQUISA OU ARTIGO: Factível Interessante Original Ético Relevante * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Factível número adequado de sujeitos capacidade técnica adequada custo e duração suportáveis objetivo definido e delimitado * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Interessante Motivador Pesquisador principal – acreditar * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Original um resultado anterior de repete? os resultados de uma população se aplicam a outra? novas técnicas/métodos se somam a anteriores estudos confirmatórios são muito importantes para superar “fraquezas” dos estudos anteriores * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Ético não deve criar situação de risco físico ou de invasão de privacidade (pesquisador e sujeito) consentimento livre e: Esclarecido x Informado * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Relevante possíveis resultados contribuição para o conhecimento científico * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Título PROVISÓRIO (working title) Salientar objetivos Pode ser longo (nortear o estudo) FINAL Tema pesquisado Com que objetivo (interesse do leitor) Iniciar com termo importante Entre 10 a 12 palavras (100 caracteres) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Título O que Em quem Como * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Autores Pode ser provisória, mas definir no início “Autor é todo aquele que, tendo contribuído para a elaboração do projeto, é capaz de publicamente defendê-lo como um todo ou, pelo menos, na sua parte mais importante.” Ordem decrescente de participação Ao termino, rever os autores. * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Resumo Exigência das agência financiadoras Divulgação Nortear o porque da pesquisa o que está sendo estudado os objetivos os métodos o que se espera encontrar * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Introdução Parte mais importante (do projeto) Esclarece o quanto é Nova e Importante Leitor (especialista ou não) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Introdução Deve explicar: o que se sabe sobre o tema o que não se sabe ou é questionável Qual a Hipótese o que é preciso testá-la qual a abordagem experimental (sucinta) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Por que? Um problema uma hipótese Como? Uma hipótese objetivos * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A HIPÓTESE é o que o pesquisador acredita ser verdade acerca do fenômeno sobre o qual tem experiência clínica própria e/ou conhecimentos (literatura) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TESTE DE HIPÓTESES H0 = o fenômeno observado (efeito) na amostra é pouco diferente do que poderia ter ocorrido por mero acaso. H1 = o fenômeno observado (efeito) na amostra é muito diferente do que poderia ter ocorrido por mero acaso. * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TESTE DE HIPÓTESES ... Decide por H0 ou H1 a partir do cálculo da probabilidade de que um determinado fenômeno (efeito ou resultado) não tenha ocorrido por mero acaso na amostra. Se esta probabilidade é pequena, decide-se por H1 e, se for elevada, decidi-se por H0 * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Introdução Deve: ser breve, clara (1 a 5 parágrafos) ter poucas referências (primeiro ou mais importante artigo, sem repetições) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Objetivos É o que deve ser feito para testar se a hipótese é verdadeira ou não. Objetivo geral Objetivo(s) específico(s) (ações de descrever, identificar, analisar, comparar, avaliar – que serão realizadas no estudo) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Objetivos do projeto – é o que deve ser feito para testar as hipóteses da pesquisa – contribuição para o conhecimento * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Material/Casuística e Métodos Descrever (completa e detalhada) procedimentos usados para atingir objetivos As informações devem PERMITIR SUA REPRODUTIBILIDADE * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Material Tipo Lote amostral Origem/coleta Quantidade Conservação/transporte Local e unidade de processamento * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Casuística Tamanho da amostra Características (faixa etária, sexo, raça, etc) Origem da casuística e época do estudo Forma de seleção/recrutamento Critérios inclusão/exclusão * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Métodos Desenho Definição das variáveis Coleta dos dados Processamento dos dados e/ou material Análise (ESTATÍSTICA) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Métodos Descrever com detalhes (referências) Justificar a escolha dos procedimentos técnicos Citar o programa de computador utilizado e a versão * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva A estrutura do projeto: Aspectos ético: Definir pesquisados responsável Risco que paciente corre Descrever com detalhes tudo que o paciente será submetido Deixar claro que o paciente pode recusar a participar em qualquer etapa Linguagem simples e acessível * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva OBSERVAÇÕES Discussão Comparar com resultados da literatura Defender hipótese indicar novidade científica discutir limitações explicar (não repetir) resultados Indicar desdobramentos Melhor defender os próprio resultados (evite atacar autores) Cuidado com generalizações * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva OBSERVAÇÕES Conclusões Responder aos objetivos Não repetir resultados, mas salientar tendências Não incluir comentários gerais, implicações. * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva OBSERVAÇÕES Recomendações Evitar demonstrar erudição sobre tema Evite pontos supérfluos Resultados – verbo “forte” (mostrar, indicar) Discussão – “é possível que” * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva RESUMINDO O que foi estudado – Introdução Como foi estudado – Método Quais as descobertas – Resultados O que estas descobertas significam – Discussão * * Pós Graduação – ORL – FMUSP Jul/2002 10 PRINCÍPIOS CHAVE INVISTA TEMPO E DINHEIRO NO PLANEJAMENTO FORMULE SEU PROTOCOLO DE ESTUDO PREVIAMENTE DESCREVA DETALHADAMENTE SEUS MÉTODOS DESCREVA A RAZÃO PARA O TAMANHO E A COMPOSIÇÃO DE SUAS AMOSTRAS EXPLIQUE O QUE É NOVO, INTERESSANTE E ÚTIL DOS SEUS RESULTADOS * * Pós Graduação – ORL – FMUSP Jul/2002 10 PRINCÍPIOS CHAVE MANTENHA O MANUSCRITO CURTO RESPOSNDA AS QUESTÕES: “ SO WHAT?” E “WHO CARES?” SIGA RIGOROSAMENTE AS RECOMENDAÇÕES E FORMATOS DA REVISTA EDITE SEU TEXTO REPETIDAS VEZES ESCREVA CONCLUSÕES CAUTELOSAS PORÉM PERSPICAZES. * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva EIXO do Estudo TIPOS de Estudo DESENHO do Estudo * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva EIXO DO ESTUDO (quanto a direção) PROSPECTIVO CAUSA EFEITO RETROSPECTIVO EFEITO CAUSA * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva CAUSA EFEITO Quadro clínico Nova doença Etiologia Fatores de risco Doença Doença Fatores de risco Evolução Doença Fatores de risco Prognóstico Tratamento Resultado * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Descritivos Analíticos Observacionais Experimentais * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Descritivos descrever os efeitos sugerem não interferem sobre causa x efeito também usam estatística * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Analíticos objetiva estabelecer relação de causa x efeito * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Observacionais a exposição a causa não depende do pesquisador * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva TIPOS DE ESTUDO Experimentais a exposição à causa é determinada pelo pesquisador * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO CAUSA EFEITO Descrição de caso (s) Descrição de casuística Estudo transversal Estudo de caso-controle Estudo de coorte Ensaio clínico randomizado * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO Descrição de caso (s) – novas ou raras Descrever detalhadamente um quadro clínico Levantar hipóteses * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO Descrição de Casuística Caracterizar doenças Levantar/fortalecer hipóteses Comparar casuísticas Comparar evolução e resultados (doenças raras, avaliação da assistência) Exemplo Clássico – AIDS 26 casos Kaposi... * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO Estudo Transversal Dar mais consistência à relação de causa e efeito, reforçando a validade da hipótese Avalia num mesmo momento causa e efeito Mede Prevalência “pseudo coorte” – perde relação temporal Não comprova hipóteses Fortalece hipóteses já existentes Planejamento em saúde pública * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO Estudo Transversal Vantagens: rápido, barato, poucas perdas (não há seguimento) e sem vícios de memória Desvantagens: simultaneidade de causa e efeito, maior propensão a viés, pouco útil se o evento é raro, baixa participação (viés de seleção) * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO Caso Controle Parte do efeito e busca causa Vantagens: eficiente se efeito raro, crônico rápido qdo efeito surge tardio emparelhamento relativamente barato possível estudar vários fatores de risco * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO Caso Controle Desvantagens: viés de seleção (distorção amostras e escolha controles) dificuldade de emparelhamento viés de memória difícil qdo causa é rara não permite RR, apenas OR vício de memória dificuldade p/ determinar seqüência de eventos * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO Coorte Parte de um conjunto de indivíduos, observa a exposição ou não a causa e os acompanha para observar surgimento do efeito * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO Coorte Vantagens: boa definição das características iniciais direção temporal dos eventos minimiza as perdas e estima seu efeito é possível estudar várias doenças pode-se calcular incidência * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva DESENHO Coorte Desvantagens: longos períodos de acompanhamento amostras grandes caro e trabalhoso pouco útil para efeitos raros risco de variáveis de confusão pode-se estudar poucas exposições * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva VALIDADE DO DESENHO (CAUSA) ELEVADA Ensaio Clínico Randomizado Estudo de coorte Estudo de caso-controle Corte transversal ESCASSA Série de casos * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva Resumindo Estudo de causa e efeito – coorte - caso-controle (dç raras) Rastreamento – corte transversal Diagnóstico – corte transversal Terapia – ensaio clínico randomizado Prognóstico – coorte * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva SETORIAL – “pizza” * * Pós Graduação – ORL – FMUSP Jul/2002 Estatística Descritiva MEDIANA E INTERVALO INTERQUARTÍLICO Box-and-Whisker plot * * Pós Graduação – ORL – FMUSP Jul/2002 Box-and-wisker plot * * Pós Graduação – ORL – FMUSP Jul/2002 Box-and-wisker plot 1189891320_01__apostila__uso_da_informacao__aula_01[1].pdf AULA 01 O Saber Científico como Ferramenta de Gestão Pública Sumário TUAPRESENTAÇÃO AULA 1UT .................................................................................................................................3 TUUNIDADE 1UT ..........................................................................................................................................................5 TUO SABER RACIONALUT.........................................................................................................................................5 TUUNIDADE 2UT..........................................................................................................................................................6 TUPOSITIVISMO E CIÊNCIAS HUMANASUT ....................................................................................................6 TUUNIDADE 3UT........................................................................................................................................................10 TUCONSOLIDAÇÃO DO USO DA ESTATÍSTICA COMO INSTRUMENTO PARA GESTÃO PÚBLICAUT..............................................................................................................................................................10 TUUNIDADE 4UT........................................................................................................................................................14 TUGESTÃO PÚBLICA FUNDAMENTADA NO SABER CIENTÍFICOUT........................................................14 TUFECHAMENTO DA AULAUT ...............................................................................................................................17 TUATIVIDADES DE CONCLUSÃO DA AULAUT.................................................................................................18 TUREFERÊNCIAS DA AULAUT ...............................................................................................................................19 AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 3 APRESENTAÇÃO AULA 1 O SABER CIENTÍFICO COMO FERRAMENTA DE GESTÃO PÚBLICA Boas Vindas! Você está na aula 1 “Uso de Informações na Gestão das Ações de Segurança Pública”. Nesta primeira aula serão discutidos os conteúdos das seguintes unidades: A partir dos conhecimentos tratados nesta aula você será capaz de: Objetivos da aula - Identificar as características do pensamento científico. - Reconhecer a importância do saber científico como ferramenta de investigação de fenômenos sociais e gestão pública. Aproveite bem esta aula. Realize as atividades, interaja com os demais participantes do curso. Discuta os conceitos com o tutor. TUnidade 1: O Saber RacionalT TUnidade 2: Positivismo e Ciências Humanas TUnidade 3: Consolidação do Uso da Estatística como Instrumento para Gestão PúblicaT T Unidade 4: Gestão Pública Fundamentada no Saber CientíficoT Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 4 Antes de iniciarmos a primeira unidade desta aula vamos refletir um pouco sobre a trajetória da busca do saber exercida pelo ser humano. Esta busca passou por diferentes etapas até a consolidação de uma perspectiva de conhecimento acerca da realidade cientificamente fundamentado. Veja, em estágios históricos anteriores, o desenvolvimento e acúmulo do saber eram gerados unicamente das experiências e observações pessoais, a partir do uso de Usaberes espontâneos e intuitivosU e do respeito aos elementos da tradição e da autoridade. Porém, com o advento do saber filosófico e especulativo começa a consolidação de uma forma de conhecer racionalmente fundamentada. Assim, o saber científico e sua utilização na produção e utilização de estatísticas na área de segurança pública, são os temas que orientaram o estudo desta aula. São saberes de senso comum que não foram testados e comprovados cientificamente Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 5 UNIDADE 1 O SABER RACIONAL Com a filosofia grega, inaugura-se a sistematização do uso da lógica e das ciências matemáticas para abordagem e interpretação das indagações sobre os problemas da condição do homem no convívio em sociedade. No século XVII, o pensamento científico moderno passa a se consolidar na medida em que a legitimidade dos saberes construídos vincula-se à observação da realidade (empirismo), colocando tal explicação à prova (experimentação). Assim inicia o Uraciocínio hipotético-dedutivoU que, associado às ciências matemáticas, utiliza-se da construção de novos instrumentos de medida (tempo, distância, calor, peso etc.) para a apreensão dos fenômenos. A partir de então, o saber não repousa mais somente na especulação, ou seja, no simples exercício do pensamento. Baseia-se igualmente na observação, experimentação e mensuração, fundamentos do método científico em sua forma experimental. Assim, poder- se-ia dizer que o método científico nasce do encontro da especulação com o empirismo. (LAVILLE & DIONE, 1999, p.23). A seguir, vamos estudar o positivismo e as ciências humanas. É o raciocínio que implica deduzir conclusões de premissas que são hipóteses, em vez de deduzir de fatos que o sujeito tenha realmente verificado. LAVILLE, Christian & DIONNE, Jean. A Construção do Saber. Manual de metodologia da pesquisa em ciências humanas. Porto Alegre: ARTMED, Belo Horizonte: UFMG, 1999. Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 6 UNIDADE 2 POSITIVISMO E CIÊNCIAS HUMANAS Relembrando... Na unidade anterior você fez uma reflexão sobre o saber racional. Nesta unidade você vai estudar o positivismo e as ciências humanas. 1. Positivismo No século XVIII, surgem as denominadas UCiências HumanasU, com o objetivo de trazer para as investigações sobre a condição do homem em sociedade, até então objeto restrito às especulações filosóficas, os mesmos preceitos e modelos aplicados nas UCiências da NaturezaU. Nesse sentido, o desenvolvimento inicial da área partiu dos preceitos de construção de um saber científico amparado no modelo positivista e que apresenta, segundo Laville & Dione, as seguintes características principais que você pode ver no livro a seguir. Agora conheça, no livro a seguir, as características do modelo positivista. (LAVILLE, Christian & DIONNE, Jean. A Construção do Saber. Manual de metodologia da pesquisa em ciências humanas. Porto Alegre: ARTMED, Belo Horizonte: UFMG, 1999) As Ciências Humanas referem-se àquelas que têm o próprio ser humano como objeto de estudo. Ciências da Natureza estudam duas ordens de fenômenos: os físicos e os vitais, ou as coisas e organismos vivos. Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 7 Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 8 Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 9 A seguir, vamos estudar a consolidação do uso da estatística como instrumento para gestão pública. AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 10 UNIDADE 3 CONSOLIDAÇÃO DO USO DA ESTATÍSTICA COMO INSTRUMENTO PARA GESTÃO PÚBLICA Relembrando... Na unidade anterior você estudou sobre o positivismo e as ciências humanas. Nesta unidade você conhecerá a consolidação do uso da estatística como instrumento para a gestão pública. ~Atividade Realize a atividade, a seguir, no ambiente virtual! 1. Você conhece algo da história da estatística como instrumento para gestão pública? Você pode ter respondido com muita segurança ou com dúvidas, ou até mesmo pode ser que sua resposta não faça sentido. De qualquer forma, você vai descobrir isso no seu estudo a seguir. Veja, agora, alguns pontos importantes da construção histórica da estatística, como instrumento para gestão pública, defendidos na tese de Lima: LIMA, Renato Sérgio de. Contando Crimes e Criminosos em São Paulo: uma sociologia das estatísticas produzidas e utilizadas entre 1871 e 2000. 2005. Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 11 Foi no contexto de desenvolvimento de um saber científico de cunho positivista que o conhecimento estatístico foi assumido como uma ferramenta para a construção da objetividade na investigação dos fenômenos sociais e na gestão pública em muitos países. Sua aplicação tradicional remonta aos anos de 5000 a 2000 a.C. e já se apresentava, em civilizações antigas do Egito, da Mesopotâmia e da China, como instrumento para gestão e administração do Estado, com ênfase nos negócios fiscais, militares e policiais. A partir do século XIX, o uso de registros estatísticos passa a servir a uma série de levantamentos e pesquisas sobre os mais diferenciados assuntos. A difusão do uso da estatística surge como representação de um período em que a possibilidade de quantificação e controle da realidade constituía-se em pensamento reinante entre analistas sociais e dirigentes. Se você deseja ler a tese de Lima, acesse o site, a seguir: http://www.crisp.ufmg.br/tese_RenatoSergioLima.pdf A seguir você continua seu estudo sobre este assunto. Países como Alemanha, Inglaterra e França prenunciaram algumas possibilidades de uso de dados quantificados. Veja no fichário o enfoque dado em cada um desses países. Saiba Mais AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 12 Se no período inicial predominava a visão positivista o desenvolvimento posterior das reflexões e parâmetros metodológicos a serem seguidos pelas ciências da sociedade demonstraram que o real não se configura como um ente dado e pronto à percepção a partir do emprego dos instrumentos adequados de quantificação. O próprio processo de consolidação de informações e dados para aferição de uma dada realidade partem de percepções, construções, escolhas e limitações, bem como, encontram-se submetidos, muitas vezes, ao sabor das disputas e conflitos de interesses de toda ordem. Neste sentido, é interessante ressaltar a reflexão que pauta o estudo de Lima. Veja a seguir. Lima quando apresenta seu estudo sobre o uso de estatísticas para a análise criminal em São Paulo, defende que: [...] mais do que isentos, os números e as formas como eles estão organizados respondem às dinâmicas das disputas de poder em torno das regras sobre como e quem governa: eles são instrumentos de construção de discursos de verdade, que almejam a objetividade e a legitimidade enquanto pressupostos; são resultado de múltiplos processos sociais de contagem, medição e interpretação de fatos e, portanto, dependem da circulação do poder para se reproduzirem. (LIMA, 2005, p. 27). Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 13 Dessa forma, para além da divulgação de qualquer fonte de medição de um objeto social e de indicadores, aspecto fundamental na construção de um sistema de informações, conforme veremos mais à frente, é, como garantia de isenção política, a explicitação de todas as etapas e procedimentos percorridos para se alcançar tais resultados. A seguir, realize a atividade proposta. ~Atividade Realize a atividade, a seguir, no ambiente virtual! Analise atentamente as afirmativas a seguir e descubra quais estão corretas. a) 5000 a 2000 a.C. o conhecimento estatístico já se apresentava, em civilizações antigas do Egito, da Mesopotâmia e da China, como instrumento para gestão e administração do Estado, com ênfase nos negócios fiscais, militares e policiais. b) A difusão do uso da estatística surge como representação de um período em que a possibilidade de quantificação e controle da realidade constituía-se em pensamento reinante entre analistas sociais e dirigentes. c) Na Alemanha buscava a instrumentalização da gestão pública, por intermédio de uma sistematização das informações sobre saúde, demografia e uso do espaço. d) Na Inglaterra, o modelo aritmético inicialmente adotado priorizava as questões da mortalidade e os aspectos demográficos. e) Na França, houve grande incremento de parâmetros técnicos e metodológicos para o desenvolvimento dos recenseamentos. Assinale a alternativa correta. Estão corretas as letras: ( ) a,b,c,d ( ) a,b,d,e ( ) a,b,c,d,e ( ) b, c,d,e A seguir, você inicia seu estudo sobre gestão pública fundamentada no saber científico. Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 14 UNIDADE 4 GESTÃO PÚBLICA FUNDAMENTADA NO SABER CIENTÍFICO Relembrando... Na unidade anterior você estudou o uso da estatística como instrumento para a gestão pública. Nesta unidade discutiremos a gestão pública fundamentada no saber científico. Ao se fundamentar em uma visão científica da realidade, a gestão pública incorpora uma série de características do saber científico: A necessidade de adquirir os conhecimentos por meio da experiência sensível; O fato de buscar controlar ao máximo os preconceitos que deturpam a visão da realidade; A fundamentação do conhecimento em experiências empíricas rigorosamente determinadas em termos metodológicos; A busca pelo estabelecimento de previsões. Veja, a seguir, um exemplo. Exemplo Um bom exemplo da aplicação dos princípios científicos à gestão de políticas públicas foi um estudo realizado pela Rand Corporation, em 1998, onde se avaliou os resultados de cinco ações diferentes realizadas nos Estados Unidos para retirar crianças do mundo dos crimes, em termos dos seus custos e benefícios. Este relatório fundamentou uma mudança significativa na ação do governo dos Estados Unidos em termos da gestão de políticas de segurança pública. A seguir conheça o resultado deste estudo. Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 15 Avaliação de Custos e Benefícios de Programas Visando a Retirada de Crianças da Vida Criminosa Custo/Efetividade Período: 30 anos Visitas a Famílias em Situação de Risco Capacitação de Pais cujos Filhos Apresentam Problemas Programa nas Escolas de Incentivo à Entrada na Universidade Supervisão de Delinqüentes Fora da Prisão Encarceramento Custo por Participante $29,400 $3,000 $12,520 $10,000 $16,000 Dólares gastos por Crime Prevenido $89,035 $6,531 $3,881 $13,899 $12,000 Crimes Prevenidos por Milhão de Dólares Gastos 11 157 258 72 83 1. Visitas a Famílias em Situação de Risco 2. Capacitação de Pais cujos Filhos Apresentam Problemas 3. Programas nas Escolas de Incentivo à Entrada na Universidade 4. Supervisão de Delinqüentes Fora da Prisão 5. Encarceramento Fonte: RAND – Diverging Children From a Life of Crime (1998) A ação do gestor público se fundamentou, portanto, em uma avaliação empírica e objetiva dos resultados de diferentes opções de respostas para um mesmo problema que possibilitaram que se construísse uma projeção dos resultados futuros destas ações. Assim, a Gestão de Resultados deve ser entendida da seguinte forma: Por meio da experiência empírica, estabelece-se um conhecimento sobre quais são as ações que levam ao alcance do melhor resultado possível e, partir daí, a gestão passa a ser orientada por este conhecimento. Cabe destacar que essa classificação das ações em função dos seus resultados previstos sempre deverá ser contextualizada, levando em conta as características de inúmeros fatores externos intervenientes no processo da relação entre ação e resultado. Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 16 Ao discutir o processo de evolução das ciências, Popper (1973) nos aponta outra questão importante a ser observada. Veja o que ele nos diz: Você pode concluir que o estado atual da ciência é sempre provisório. Esta evolução se caracteriza principalmente pela constante incerteza sobre o que é e pela certeza sobre o que não é. Assim, grandes achados científicos que durante décadas foram considerados como a verdade absoluta, podem vir a ser manipulados no futuro. Por esta razão, a gestão pública tem que submeter suas ações a testes contínuos, pois a constante mudança da realidade vivida pode trazer surpresas em relação aos resultados previstos para as ações executadas. Fechamos aqui a última unidade da aula 1. Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 17 FECHAMENTO DA AULA Fechamos aqui o conteúdo da aula 1. A seguir, realize as atividades de auto avaliação desta aula, para que você possa sedimentar seus conhecimentos aqui construídos. Nesta aula você estudou sobre oT saber racional, o positivismo e as ciências humanas. Pôde conhecer a consolidação do uso da estatística como instrumento para gestão pública e também como se estrutura a gestão pública fundamentada no saber científico.T Dica Lembre-se: Qualquer dúvida retome o conteúdo e tire suas dúvidas com seu tutor. Não vá em frente se algo não foi compreendido! Faça aqui suas anotações... AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 18 ATIVIDADES DE CONCLUSÃO DA AULA ~Atividade Realize a atividade, a seguir, no ambiente virtual! 1 Após seu estudo, como você explica a Gestão Pública Fundamentada no Saber Científico? 2 Reflita sobre a afirmativa de Lima, a seguir, e socialize com os demais alunos sua análise. [...] mais do que isentos, os números e as formas como eles estão organizados respondem às dinâmicas das disputas de poder em torno das regras sobre como e quem governa: eles são instrumentos de construção de discursos de verdade, que almejam a objetividade e a legitimidade enquanto pressupostos; são resultado de múltiplos processos sociais de contagem, medição e interpretação de fatos e, portanto, dependem da circulação do poder para se reproduzirem”. (LIMA, 2005, p. 27) 3. Relacione cada termo ao seu significado correto: 1. Conhecimento adquirido pelos sentidos, pela experiência sensível. Qualquer conhecimento produzido por outros tipos de experiência. ( ) Experimentação 2. Atitude intelectual que visa considerar a realidade do objeto controlando ao máximo os preconceitos do pesquisador. O sujeito conhecedor não deve influenciar esse objeto de modo algum; deve intervir o menos possível e dotar-se de procedimentos que eliminem ou reduzam, ao mínimo, os efeitos não controlados dessas intervenções. ( ) Leis e previsão 3. Este modelo de saber supõe que se pode estabelecer, no domínio do ser humano, as leis que determinam o domínio físico. Essas leis, estima-se, estão inscritas na natureza; portanto, os seres humanos estão, inevitavelmente, submetidos.. ( ) Validade 4. Somente o teste dos fatos, a experimentação, pode demonstrar a precisão da hipótese. ( ) Empirismo 5. A experimentação é rigorosamente controlada, graças às mensurações precisas dos fenômenos, para afastar os elementos que poderiam perturbá-la e seus resultados. A ciência positiva é, portanto, quantificativa. ( ) Objetividade 6. Conhecimento adquirido pelos sentidos, pela experiência sensível. Qualquer conhecimento produzido por outros tipos de experiência. ( ) Experimentação AULA 01 - O Saber Científico como Ferramenta de Gestão Pública Curso Uso de Informações na Gestão das Ações de Segurança Pública SENASP 19 REFERÊNCIAS DA AULA LAVILLE, Christian & DIONNE, Jean. A Construção do Saber. Manual de metodologia da pesquisa em ciências humanas. Porto Alegre: ARTMED, Belo Horizonte: UFMG, 1999. LIMA, Renato Sérgio de. Contando Crimes e Criminosos em São Paulo: uma sociologia das estatísticas produzidas e utilizadas entre 1871 e 2000. 2005. Disponível em: HTwww.crisp.ufmg.br/tese_RenatoSergioLima.pdfTH. POPPER, Karl, La Logica de la Investigación Científica, Trad. de V. Sanchez de Zavala, Madrid, Tecnos, 1973. RAND CORPORATION. (1998) Diverting Children from a Life of Crime: measuring costs and benefits. Faça aqui suas anotações... A distribuição normal.doc A distribuição normal (Leitura complementar ao capítulo 1) A distribuição normal tem como características fundamentais a média e o desvio padrão. Para os interessados por Ciências Biológicas é a mais importante das distribuições contínuas pois muitas variáveis aleatórias de ocorrência natural ou de processos práticos obedecem esta distribuição. Abraham de Moivre, um matemático francês exilado na Inglaterra, publicou a função densidade de probabilidade da distribuição normal com média � INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/mi1.gif" \* MERGEFORMATINET ���e variância 2 (ou, de forma equivalente, desvio padrão) em 1733: É importante lembrar que os parâmetros populacionais e possuem os seguintes significados: �� INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/mi1.gif" \* MERGEFORMATINET = média populacional: indica a posição central da distribuição �� INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/sigma.gif" \* MERGEFORMATINET = desvio padrão populacional: refere-se à dispersão da distribuição Se uma variável aleatória x tem distribuição normal com média e variância 2, diz-se que x ~ N(,2) A figura a seguir mostra uma curva normal típica, com seus parâmetros descritos graficamente. A curva normal tem forma de sino, ou seja, é unimodal e simétrica, e o seu valor de máxima freqüência (moda) coincide com o valor da média e da mediana. A média é o centro da curva. A distribuição de valores maiores que a média () e a dos valores menores que a média () é perfeitamente simétrica, ou seja, se passarmos uma linha exatamente pelo centro da curva teremos duas metades, sendo que cada uma delas é a imagem especular da outra. As extremidades da curva se estendem de forma indefinida ao longo de sua base (o eixo das abcissas) sem jamais tocá-la. (Portanto, o campo de variação da distribuição normal se estende de - infinito a + infinito). Assim sendo, a curva apresenta uma área central em torno da média, onde se localizam os pontos de maior freqüência e também possui áreas menores, progressivamente mais próximas de ambas as extremidades, em que são encontrados valores muito baixos de x (à esquerda) ou escores muito altos (à direita), ambos presentes em baixas freqüências. Como em qualquer função de densidade de probabilidade a área sob a curva normal é 1, sendo a freqüência total sob a curva igual a 100%. Assim, a curva normal é uma distribuição que possibilita determinar probabilidades associadas a todos os pontos da linha de base. Portanto, tomando quaisquer dois valores pode-se determinar a proporção de área sob a curva entre esses dois valores. E essa área é o próprio valor da freqüência da característica que ela determina. É muito importante entender como a curva é afetada pelos valores numéricos de e . Assim, como se vê na figura seguinte, em que x corresponde ao número de desvios padrão e Y demonstra a freqüência, quanto maior a média, mais à direita está a curva. Note-se que, se diferentes amostras apresentarem o mesmo valor de média e diferentes valores de desvios padrão , a distribuição que tiver o maior desvio padrão se apresentará mais achatada (c), com maior dispersão em torno da média. A que tiver o menor desvio padrão apresentará o maior valor de freqüência e acentuada concentração de indivíduos em valores próximos à média (a). Já, distribuições normais com valores de médias diferentes e o mesmo valor de desvio padrão possuem a mesma dispersão, mas diferem quanto à localização no eixo dos X. Distribuição Normal Padrão Todas as curvas normais representativas de distribuições de freqüências podem ser transformadas em uma curva normal padrão, usando o desvio padrão () como unidade de medida indicativa dos desvios dos valores da variável em estudo ( x ), em relação à média ( ). A Distribuição Normal Padrão é caracterizada pela média ( ) igual a zero e desvio padrão () igual a 1. A figura anterior mostra também que o desvio-padrão controla o grau para o qual a distribuição se "espalha" para ambos os lados da curva. Percebe-se que aproximadamente toda a probabilidade está dentro de ± 3 a partir da média. Se a variável x tem distribuição normal, pode ser transformada para uma forma padrão, denominada Z, (ou, como comumente se diz, pode ser padronizada) subtraindo-se sua média e dividindo-se pelo seu desvio padrão: z = ( x - ) / Quando se estima os coeficientes, usa-se a seguinte notação: z = ( x - ) / s A equação da curva de z é: É importante lembrar que a área sob a curva pode ser entendida como uma medida de sua probabilidade e que a área sob a curva normal é igual a 1 (100%). Assim, a variável x cuja distribuição é N( ,2) é transformada na forma padronizada z cuja distribuição é N(0,1). Essa é a distribuição normal padrão, que já está tabelada, pois os parâmetros da população (desvio padrão e média) são conhecidos. Então, se forem tomados dois valores específicos, pode-se determinar a proporção de área sob a curva entre esses dois valores. Para a distribuição Normal, a proporção de valores caindo dentro de um, dois, ou três desvios padrão da média são:. entre é igual a ± 1 68,26% (1) ± 2 95,44% (2) ± 3 99,74% (3) Como se chegou a esses valores? Para responder essa pergunta é necessário conhecer a distribuição de z, que já está tabelada. Note-se que a Tabela de z determina a área a partir do número de desvios-padrão, os quais são lidos assim: _ , _ _ a , b c a = número inteiro lido na primeira coluna b = número decimal lido na primeira coluna c = número centesimal lido na primeira linha O valor de z será encontrado na intersecção entre a coluna e a linha, sendo adimensional. Verificando a tabela, percebe-se que para os valores negativos de z as áreas são obtidas por simetria, ou seja, existe o mesmo conjunto de valores, com sinal negativo, para o lado esquerdo da média, pois a tabela é especular. Os valores de z permitem delimitar a área sob a curva, pois, como no eixo Y do gráfico está a freqüência da variável, a área sob a curva tem o mesmo valor da probabilidade de ocorrência daquela característica. Exemplo 1 Qual é a área sob a curva normal contida entre z = 0 e z = 1? Procura-se o valor 1 na primeira coluna da tabela e o valor da coluna 0,00. O valor da intersecção é de 0,3413, ou seja 34,13%. Entretanto, lembrando que a curva normal é simétrica, sabe-se que a área sob a curva normal contida entre z = 0 e z = -1 também é 34,13%. Portanto, a área referente a -1 < z < 1 vale a soma de ambas, ou seja, 68,26%. Recordando que o valor central corresponde a , pode-se traçar o seguinte gráfico, onde percebe-se que fora dos valores centrais sobram apenas 15,87% para cada lado da curva.. Exemplo 2 Assim sendo, considerando a área sob a curva normal, qual é a área correspondente a exatos 95% da curva? z = 95% = 0, 95 0, 95 / 2 = 0,4750 Procurando esse valor (0,4750) na tabela de z chega-se a 1,96. Portanto, como o valor da área é o mesmo valor da probabilidade, se uma variável x tem distribuição normal, com média e desvio padrão, a probabilidade de se sortear da população de valores de x um valor contido no intervalo ± 1,96 é igual a 95% ( 47,5% para cada lado da curva ) e a probabilidade de se sortear da população de valores de x um valor não contido no intervalo ± 1,96é igual a 5% ( 2,5% em cada extremo da curva ). (em que Média da população = e Desvio padrão da população = ). Resumo: Características da curva normal a. O campo de variação é menos infinito < x < mais infinito b. A distribuição normal de x é completamente determinada por dois parâmetros: - Média da população = - Desvio padrão da população = c. A distribuição é simétrica em relação à média e os valores de média, moda e mediana são iguais. A área total sob a curva é igual a 1, ou 100%, com exatos 50% dos valores distribuídos à esquerda da média e 50% à sua direita d. A área sob a curva normal contida entre é igual a ± 1 : 68,26% (1) ± 2 : 95,44% (2) ± 3 : 99,74% (3) Exercícios - Exemplos do uso de z 1. Já foi visto como se chegou ao valor 68,26%. Como se chegou aos valores (2) 95,44% e (3) 99,74%? Tente resolver! Para ver uma resolução clique aqui. 2. Em uma população de indivíduos adultos de sexo masculino, cuja estatura média é 1,70 m e desvio padrão é 0,08 m, qual é o intervalo de alturas em que 95% da população está compreendido? Tente resolver! Para ver uma resolução clique aqui. 3. Na mesma população, qual a probabilidade de um indivíduo apresentar estatura entre 1,60 e 1,82 m? Tente resolver! Para ver uma resolução clique aqui. 4. Qual a probabilidade de se encontrar 1 indivíduo com estatura menor que 1,58 m? Tente resolver! Para ver uma resolução clique aqui. 5. Sabendo-se que o índice de massa corpórea em uma população de pacientes com diabetes mellitus obedece uma distribuição normal e tem média = 27 kg/cm2 e desvio-padrão = 3 kg/cm2, qual a probabilidade de um indivíduo sorteado nessa população apresentar um índice de massa corpórea entre 26 kg/cm2 e a µ? Tente resolver! Para ver uma resolução clique aqui. 6. Em mulheres, a quantidade de hemoglobina por 100 ml de sangue é uma variável aleatória com distribuição normal de média = 16g e desvio padrão s = 1g. Calcular a probabilidade de uma mulher apresentar 16 a 18 g por 100 ml de hemoglobina no sangue. Tente resolver! Para ver uma resolução clique aqui. O erro padrão da média e o tamanho amostral Se for retirado um certo número de amostras aleatórias de mesmo tamanho de uma população, não se deve esperar que todas as médias e desvios padrões amostrais sejam iguais. Encontra-se uma distribuição das médias amostrais. População Média = Desvio padrão = Amostra 1 Amostra 2 Amostra 3 Amostra 4 1 2 3 4 s1 s2 s3 s4 Intuitivamente percebe-se que o centro desta distribuição está próximo da média real da população. Exemplo: Supondo as seguintes freqüências cardíacas em 5 amostras, cada qual com 3 indivíduos, de uma população: Amostras 1 2 3 4 5 Dados 68, 68, 71 68, 70, 72 67, 70, 73 67, 69, 69 68, 69, 70 Média (a) 69,00 70,00 70,00 68,33 69,00 A média das médias é igual a: = ( 69,00 + 70,00 + 70,00 + 68,33 + 69,00) / 5 = 69,27 Depois, calcula-se uma medida da dispersão das cinco médias amostrais: o desvio padrão das médias. Desvio padrão = raiz [ (xa - )2 / (n-1)] Notar que, nesse caso, a = cada média amostral: = média das amostras (69,27) e n = número de amostras. Substituindo os valores na equação: Desvio padrão = raiz [(69,00 - 69,27)2 + (70,00 - 69,27)2 + … + (69,00 - 69,27)2 ] / 4 = 0,71 Notar que nenhuma das médias equivale ao valor encontrado. Assim, sempre se comete erro ao se calcular a média. O procedimento descrito acima é um método empírico para definição do erro padrão da Média (EPM). Matematicamente é possível calcular esse erro. O erro da média ou erro padrão da amostra ou, simplesmente erro padrão (sx ou EPM) é dado por: sx = / raiz n ou sx = s / raiz n, em que: s = Desvio padrão da amostra (o desvio padrão da população não é conhecido) = Desvio padrão da população n = Tamanho da amostra Conclui-se que: Existe uma relação inversa entre o tamanho da amostra e o erro padrão, ou seja, quando o tamanho da amostra aumenta o erro padrão diminui. O erro padrão da média diminui com a raiz quadrada do número n de medições realizadas. Portanto, realizar mais medidas melhora a determinação do valor médio como estimador da grandeza que se deseja conhecer. Estimativa do erro padrão com apenas uma amostra Nesse caso, os parâmetros da população (desvio padrão e média) são conhecidos. z = ( - ) / EPM, ou seja, z = ( - ) / sx Exemplo: Um médico receitou um medicamento vasodilatador (Nifedipina) para Hipertensão Arterial, mas ele suspeita que o medicamento está aumentando a freqüência cardíaca dos pacientes. Sabedor que a população apresenta os seguintes valores: = 69,8; s = 1,86, coletou uma amostra aleatória de 50 pacientes e mediu as suas freqüências cardíacas, obtendo a média de 70,5. A suspeita se confirmou? Estabelece-se as hipóteses, com alfa = 5%: Calcula-se o erro da média: sx =/ raiz n = 1,86 / raiz 50 = 1,86 / 7,0710 = 0,2630 Calcula-se z z = ( - ) / sx = (69,8 - 70,5) / 0,2630 = -0,7 / 0,2630 = -2,66 Consultando o valor -2,66 na Tabela de z obtém-se o valor 0,4961. Portanto: z = 0,50 - 0,4961 = -0,0039 = 0,39% Ou seja, existe uma probabilidade de aproximadamente 0,0039 (0,39%) de que seja obtida uma média maior do que 70,5 ao acaso, quando são retiradas amostras aleatórias de tamanho 50 desta população. Como essa probabilidade é menor que 5% (p < 0,05), rejeita-se H0 e aceita-se H1, concluindo-se que a suspeita do médico se confirmou e a nifedipina aumentou significativamente a freqüência cardíaca. Distribuição de t Em 1908, o estatístico inglês William Sealey Gosset, que assinava os seus trabalhos com o pseudônimo de "Student" descobriu essa distribuição. Mas seus trabalhos foram ignorados e redescobertos por Fisher só em 1924-25, apesar de terem enorme importância estatística. O valor de t é a medida do desvio entre a média amostral , estimada a partir de uma amostra aleatória de tamanho n, e a média da população, usando o erro da média como unidade de medida: t = ( - ) / sx O parâmetro usado para descrever a distribuição t é o número de graus de liberdade que terá relação com o tamanho da amostra (n) . Os dados sobre t também já se encontram tabelados. (Para ver a tabela de t, clique aqui). A tabela é lida como a de Qui quadrado, ou seja, probabilidade (P) nas colunas e Graus de liberdade (G.L.) nas linhas, sendo o valor de tc (t crítico) encontrado na intersecção entre a coluna de 5% e a linha correspondente ao número de graus de liberdade da amostra, sendo G.L. = n - 1. Do mesmo modo que a tabela de z, a tabela de t é especular, ou seja, para os valores negativos de t existe esse mesmo conjunto de valores, mas com sinal negativo. Ou seja, a tabela de t é bicaudal. Intervalo de confiança da média e limites fiduciais Uma das aplicações importantes do conhecimento da distribuição de t é a possibilidade de, conhecendo-se - a média amostral de uma variável x e - o erro da média = sx = s / raiz n poder estimar quais valores x poderá assumir dentro de um intervalo em torno da média . Esse intervalo é denominado "Intervalo de confiança da média " e os valores que o delimitam são os "limites fiduciais" ou "limites de confiança da média". Supondo uma variável x, com distribuição normal, cuja média populacional não conhecemos e que, numa amostra casual de tamanho n, já se calculou x médio ( ) e o erro da média (sx). Se quisermos estabelecer o intervalo de confiança da média , com probabilidade de 95%, devemos verificar primeiramente, em uma tabela de t, qual é o valor de t, com n-1 graus de liberdade e 5% de probabilidade. Esse valor é chamado de t crítico (tc). É importante lembrar que o valor de t amostral t = ( - ) / sx deve estar no intervalo entre - tc e + tc em 95% das amostras. Portanto, pode-se dizer que existe uma probabilidade de 95% de encontrar: - tc < ( - ) / sx < + tc Se multiplicarmos todos os termos da expressão por sx : - tc.sx < ( - ) < + tc.sx Se transpusermos : - - ( tc.sx) < < - + ( tc.sx) Mudando os sinais: + ( tc.sx) > > - ( tc.sx) Invertendo os termos: - ( tc.sx) < < + ( tc.sx) Essa última expressão indica que antes de se tomar uma amostra para estudo, existe uma possibilidade de 95% do intervalo ± ( tc sx ) conter a média . Exemplo: 1. Foi tomada a distância inter-pupilar de 131 mulheres adultas e obteve-se = 59,2 mm e s = 2,75mm sx = s / raizn �� INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/vazio1.gif" \* MERGEFORMATINET �� INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/vazio1.gif" \* MERGEFORMATINET �� INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/vazio1.gif" \* MERGEFORMATINET n = 2,75 / raiz 131�� INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/vazio1.gif" \* MERGEFORMATINET �� INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/vazio1.gif" \* MERGEFORMATINET �� INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/vazio1.gif" \* MERGEFORMATINET �� INCLUDEPICTURE "http://www.ufpa.br/dicas/fig/vazio1.gif" \* MERGEFORMATINET = 0,2402 mm Para estimar o intervalo de confiança de 95% da média da distribuição da distância inter-pupilar nessa amostra, consulta-se a tabela de t com com n -1 graus de liberdade (131 - 1 = 130) e 5% de probabilidade. Como 130 >120 (último valor na coluna 1) pode-se ler o valor de t crítico na linha referente a "infinito" e na coluna de 0,05. Pode-se ler o valor de t crítico na linha referente a "infinito" e na coluna de 0,05. O tc encontrado é 1,96. Calcula-se, então: - ( tc.sx) < < + ( tc.sx) 59,2 - ( 1,96 x 0,2402) < < 59,2 + ( 1,96 x 0,2402), obtendo-se: 58,73 mm < < 59,67m ou seja, a média populacional, calculada a
Compartilhar