Baixe o app para aproveitar ainda mais
Prévia do material em texto
I.4 TESTE DE HIPÓTESE I.4.1 - Conceitos e Objetivos Uma hipótese estatística é a afirmação qualquer sobre os parâmetros (média, mediana, variância, desvio padrão ou coeficiente de variação). Para ter valor científico, as hipóteses estatísticas devem ser postas à prova. O mecanismo de comprovação para verificar se um pressuposto é verdadeiro ou não, é o chamado Teste de Hipóteses. Hipóteses são perguntas sobre a relação entre variáveis. Por exemplo: A variável "doença" está associada à variável "fator de risco"? Repare que as hipóteses são apenas fundamentais em estudos analíticos ou experimentais. Os testes de hipótese se dividem basicamente em dois grupos, PARAMÉTRICOS e NÃO PARAMÉTRICOS . Testes PARAMÉTRICOS, em geral, comparam variáveis paramétricas (média e variância).„ Testes NÃO PARAMÉTRICOS são aqueles que não dependem dos parâmetros populacionais nem de suas respectivas estimativas. As hipóteses estatísticas são suposições a cerca dos parâmetros de uma população, que podem ser ou não verdadeiras. Tem-se dois tipos de hipóteses: Hipótese Nula (Ho): É qualquer hipótese que será testada. É a que afirma que não há diferença entre os valores, não há associação entre variáveis, não há diferença entre as médias etc. Hipótese Alternativa (H1): É qualquer hipótese diferente de Ho. Há diferença entre as médias, uma média é maior ou menor que a outra etc. Ao tomar uma decisão a favor ou contra uma hipótese, existem dois tipos de erros que podemos cometer: Erro Tipo I e Erro Tipo II. O valor de α, que também é conhecido como índice de significância, é a probabilidade de errar ao se rejeitar a hipótese nula quando na verdade ela é verdadeira. Os índices de significância clássicos são 0,05 e 0,01. Ou seja, trabalhamos com chances de errar de 5% ou de 1%. O poder de um teste é a probabilidade de rejeitar a hipótese nula quando esta é de fato falsa. Em geral, quanto maior o tamanho da amostra, maior o poder do teste. I.4.2 – Procedimento para a realização do teste As hipóteses formuladas podem ser Bilaterais ou Unilaterais Para o caso da escolha do teste Z ou teste t-Student Exemplo 1: Considere o seguinte: Na população geral a contagem de células brancas no sangue é 7250/mm3. Acredita-se que as pessoas infectadas com E. canis, devam em média, ter contagem mais baixas de células brancas. Pede-se: a) Quais as Hipóteses poderiam ser formuladas? b) Para uma amostra de 32 pessoas infectadas observa-se média de 4767/mm3 e desvio-padrão de 3204/mm3. Sendo α=0,05. c) Para os mesmos dados acima, considere uma amostra de 16 pessoas. Sendo α=0,05 d) O mesmo para uma amostra de 16 pessoas com σ de 2600/mm3. Sendo α=0,05 A Tabela abaixo é parte da tabela de distribuição normal de onde se determina os valores tabelados para Z, dependendo do valor α definido. A Tabela abaixo é parte da tabela de distribuição normal de onde se determina os valores tabelados para t-Student, dependendo do valor α definido. No BioEstat tem-se: Para os softwares estatísticos utiliza-se o p-valor para verificar a análise do teste Exercícios: I.4.3 – TESTE DE HIPÓTESES PARA COMPARAÇÃO ENTRE MÉDIAS DE DUAS POPULAÇÕES São bastante comuns em ocasiões me que se têm dias populações e se deseja comparar suas médias. Este tipo de teste é aplicado também para a verificação de existência de diferença significativa entre duas médias populacionais. E nestas circunstancias iremos utilizar os testes descritos a seguir. a) Quando as variâncias populacionais são conhecidas b) Quando as variâncias populacionais são desconhecidas Distribuição “F” Também denominada distribuição F de Snedecor ou distribuição Fisher- Snedecor, encontra aplicações em alguns testes estatísticos como análise de variância. Consideram-se as variáveis aleatórias U e V tais que• U e V são independentes• U tem distribuição χ2 com α graus de liberdade. V tem distribuição χ2 com β graus de liberdade Teste de F ou de Snedecor O teste F testa se duas variâncias são iguais Se não se rejeita Ho, ou seja, não há evidencias amostral suficiente para se rejeitar a hipótese de nulidade. I.4.4 – TESTE NÃO PARAMÉTRICO Vantagens Poucos pressupostos relativos à população; Facilidade de interpretação; Maior perceptibilidade; Aplicável em situações não abrangida pela Normal; Mais eficiente quando as Populações não tem distribuição normal Desvantagens Não tem parâmetros, dificultando julgamentos quantitativos entre populações; Escasso aproveitamento de informações da amostra I.4.3.1 – Teste Qui-Quadrado Qui Quadrado, simbolizado por , é um teste de hipóteses que se destina a encontrar um valor da dispersão para duas variáveis nominais, e avaliar a associação existente entre variáveis qualitativas. É um teste não paramétrico, ou seja, não depende de parâmetros populacionais, como média e variância. O princípio básico deste método é comparar proporções, isto é, as possíveis divergências entre as freqüências observadas e esperadas para certo evento. Evidentemente, pode-se dizer que dois grupos se comportam de forma semelhante se as diferenças entre as freqüências observadas e as esperadas em cada categoria forem muito pequenas, próximas a zero. Portanto, o teste é utilizado para: Verificar se a freqüência com que um determinado acontecimento observado em uma amostra se desvia significativamente ou não da freqüência 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. Condições necessárias: Para aplicar o teste as seguintes proposições precisam ser satisfeitas: Os grupos devem ser independentes; Os itens de cada grupo são selecionados aleatoriamente; As observações devem ser freqüências ou contagens; Cada observação pertence a uma e somente uma categoria e; 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). Os valores do qui-quadrado são calculados da seguinte forma: A Tabela abaixo é parte da tabela de Qui-Quadrado, em que se relacionam os valores do grau de liberdade e o nível de significância. Exemplo 1: Em casais com grupos sangüíneos AB x AB, testou-se o fenótipode 80 descendentes no que diz respeito a esse sistema, observando-se que dezoito (18) pertenciam ao grupo A, 36 ao AB e 26 ao B. Pela teoria genética as proporções esperadas seriam: 1:2:1 (25% : 50% : 25%), dos grupos A, AB e B, respectivamente. Pede-se: a) Quais as Hipóteses poderiam ser formuladas? b) Testar a Hipótese ao nível de significância de 5% Exemplo 2 – No BioEstat
Compartilhar