Aula 7 e 8 - Intervalo de Confiança

Prévia do material em texto

1 
 
Intervalo de Confiança 
Aula 7 e 8 – MEP II 
 
Continuação da aula de Medidas de 
Associação (RR, Odds Ratio) 
 
 
 
Vai dar um grau de certeza, que nunca é 
100%, de que aquela associação observada, 
é que aquilo calculado está dentro de algum 
certo intervalo de valores sendo 95% desses 
valores como corretos. 
 
 
 
95% IC = de 0,68 até 0,88 (é um intervalo de 
valores) 
 
Tudo que está entre o 0,68 até 0,88 -> todos 
os valores entre esses 2 são possíveis -> de 
um até o outro 
 
Erro Amostral = erro na composição da 
amostra 
 
Intervalo de Confiança = Conceito de 
Precisão 
 
IC = 95% 
 
População -> Amostra 
 
RR dessa Amostra = RR de 1,5 (relacionado 
ao uso de álcool e Near Miss) 
 
> 1 = Associação de Risco 
= 1 = Sem associação 
< 1 = Associação de Proteção 
 
De 100 amostras, se eu fizer 100 amostrar, 
dessa população, em 95 delas eu teria valores 
dentro do intervalo de confiança. 
 
Exemplo 1: Associação de risco 
 
De 100 amostras -> o IC para esse exemplo 
vai de 1,3 a 3,5 
 
Nessa amostra eu tenho um RR de 1,5 
 
O intervalo de confiança de 1,2 diz que os 
valores possíveis para 95 dessas amostram 
teriam valores entre 1,2 e 3,5 
 
Quero entender se a associação que eu estou 
observando é uma inferência em que se possa 
associar -> raciocínio inferencial 
 
De 100 amostras diferentes, 95 delas teriam 
os valores dentro do intervalo de confiança. 
Quer dizer que todos esses valores (entre 1,2 
e 3,5 são possíveis) 
 
Todos esses valores entre 1,2 e 3,5 estarão 
ali dentro -> todos os valores que estão 
entre esse intervalo são o RR possível em 
95% dos casos. 
 
5% estarão fora desses valores 
 
É um raciocínio inferencial -> é uma 
estatística (porque você não faz uma pesquisa 
em 100 grupos diferentes) 
 
 
 
 
 
 
 
 
 
2 
 
 
Todos os valores aqui dentro são possíveis 
em 95% dos casos (os valores de 1,3 até 
3,5) 
Isso quer dizer que se eu fizesse 100 
amostras, dessas 100, 95 delas teria esses 
valores, o que daria a confiança de 95%. 
 
Verifica todos os valores são iguais, 
diferentes, maiores que 1? 
 
Esses valores de 1,3 até 3,5 a gente 
interpreta que o é uma associação de 
risco em todas as pesquisas das 
amostras. 
 
Exemplo 2: Não há associação 
 
Faixa etária e Near Niss 
 
Faixa Etária de 10 a 19 anos 
RR = 2 
Intervalo de Confiança 98% = 0,8 – 3,1 (todos 
os resultados entre os 2 números são 
possíveis) 
 
Interpreta-se que pode ser: associação de 
proteção, sem associação e associação de 
risco -> TODAS AS INTERPRETAÇÕES 
SÃO POSSÍVEIS VARIANDO CONFORME A 
PESQUISA QUE EU FAÇO e POR ISSO 
NÃO HÁ ASSOCIAÇÃO 
 
Quando a gente olha o IC e vê que os valores 
vão de valores menores e maiores = NÃO HÁ 
ASSOCIAÇÃO, vai ter amostra que vai ser 
menor que 1, que vai ser 1 ou maior de 1 
 
 
Não vai ter confiança nessa associação, 
porque todos são possíveis (as 3 
interpretações fossem reais, não há nada 
que proteja e seja risco ao mesmo 
tempo) 
 
 
 
 
Exemplo 3: Fator de Proteção 
 
Pré-natal + 7 consultas e NMN 
 
RR = 0,5 -> fator de proteção 
 
IC 95% -> entre 0,4 e 0,8 -> ou seja, a IC deu 
menor que 1 e por isso é um fator de 
proteção 
 
 
IMPORTANTE SEMPRE LEMBRAR PARA 
INTERPRETAR!! 
 
> 1 = Associação de Risco 
= 1 = Sem associação 
< 1 = Associação de Proteção 
 
 
 
 
 
 
Em resumo, essa associação da a relação do 
que teria em 95% das amostras – relaciona o 
RR com o Intervalo de Confiança 
 
Quanto mais estreito o intervalo de confiança, 
mais preciso é a estimativa 
 
 
 
 
 
3 
 
 
AULA 8 – HIPÓTESES DE UM TESTE 
ESTATÍSTICO 
 
Queremos saber se o dado que conseguimos 
com nossa amostra pode ser usado para 
estimar o parâmetro da população 
 
Amostra -> estimar o parâmetro da 
população 
 
Parâmetro -> valor com a população inteira 
 
 
Quando a gente faz uma pesquisa, a gente 
quer verificar se aquele valor encontrado, a 
diferença entre as amostrar, quer verificar a 
confiança nos nossos valores -> Testes de 
Hipótese 
 
A gente quer avaliar a nossa relação entre o 
parâmetro e a estimativa através de hipóteses 
 
 
 
 
 
 
Hipótese diz que a propensão de fumar em 
homens é diferente das mulheres. 
 
Como é uma amostra não tenho como afirmar 
a diferença no ponto de vista estatístico, talvez 
não faça sentido assim 
 
Aplica testes estatísticos para verificar se esse 
valor dá evidências suficientes para ter uma 
hipótese nula 
 
Fazer por amostra – verificar a confiança disso 
 
 
 
 
Fazer por amostra a gente tem que avaliar e 
usa a estatística para saber a confiança disso 
– saber a confiabilidade do resultado 
 
 
 
Sempre define 2 hipóteses: 
 
H0 = Hipótese da não diferença, não há 
diferença, hipótese nula 
 
H1 = Hipótese da diferença, há diferença, 
hipótese de trabalho 
 
 
4 
 
 
 
 
Quem diz se há diferença ou não, se será H0 
ou H1, é o resultado do teste (o valor de P) 
 
Quanto menor o meu valor de P é maior a 
evidência para rejeitar o H0 
 
Sempre resolve usando o H0 como referência 
 
Resultado do Teste = Valor de P 
 
 
 
 
Sempre analisamos a partir do H0, afirmando 
que ele é verdadeiro -> se analisa nos testes 
se o valor de H0 é verdadeiro 
 
P = 0,01 (a gente interpreta que a gente rejeita 
H0 só que ele é verdadeiro) 
 
Valor Muito Pequeno = a gente rejeita H0 
(há diferença nas coisas) 
 
Essa é a probabilidade de a gente ter rejeito o 
H0 só que o valor de 0,01 é o valor dele ser 
verdadeiro (1% de chance do H0 ser 
verdadeiro) 
 
Valor tolerável do H0 ser rejeitado, que ele 
não é verdade, e H0 é a hipótese da não 
diferença (da igualdade) a probabilidade de 
rejeitar o H0 e ela ser verdadeira 
 
Rejeitei H0 – da não diferença 
H1 é verdadeiro 
 
 
 
 
H0 = É a hipótese de que não há 
diferença 
 
H1 = É a hipótese de que há diferença 
 
Nível de Significância – o pesquisador 
escolhe de modo geral o valor de 5% (Alfa = 
0,05) remete a probabilidade de erro (atribuído 
pelo pesquisador) 
 
Dois tipos diferentes de erro: Erro Tipo I (alfa) 
e II (beta) 
 
Isso é rejeitar o H0, mas o H0 ser verdadeiro 
 
Rejeitar H0 = se eu rejeito ela não tem 
diferença 
 
 
5 
 
H1 = No caso de H0 sem diferença, a 
resposta é H1 
 
A probabilidade de eu fazer isso e errar = valor 
de P 
 
Nível de Significância (Alfa) = é o valor que 
o pesquisador escolhe como erro, 
probabilidade de erro, do erro tipo alfa 
específico -> rejeitar o H0, mas H0 ser 
verdadeiro. Geralmente 5% de valor de 
significância 
 
Valor de P = Resultado pelo teste estatístico 
(ele dá um valor que você compara com o 
valor do nível de significância) 
 
Diferença entre Valor de Significância e o 
Valor de P 
 
P > Alfa – Aceito H0, digo que não há 
indecência de diferença, que meu teste falhou 
em rejeitar a hipótese nula, não encontramos 
a diferença 
 
P = ou < Alfa – Rejeito H0, foi encontrada 
evidência de diferença 
 
Se o valor de P for maior que Alfa = Significa 
que eu aceito H0 (não encontrei diferença) 
 
P = ou > a Alfa = eu rejeito o H0 (porque digo 
que encontrei diferença na comparação) 
 
 
 
 
 
 
 
Valor de P pequeno 
 
P = 0,01 (eu rejeito H0) porque isso é 
resultado de probabilidade de que seja 
verdadeira é algo raro, improvável. 
 
Significa que isso é a probabilidade de H0 ser 
verdadeiro, é uma probabilidade muito 
pequena de eu ter errado, então rejeito H0 
 
 
 
Nossa intenção é que o valor de P seja 
sempre pequeno – porque a gente quer a 
hipótese nula com mais certeza 
 
 
 
P deu 0,02 é menor que 0,05 = diferença entre 
os 2 = rejeitamos o H0, rejeitamos a hipótese 
nulae isso significa que essa é a 
probabilidade do valor de P de rejeitar H0 e H0 
ser verdadeira. 
 
O H0 é a hipótese nula – menor de que o alfa 
– rejeito H0 e digo que há diferença 
 
H0 – Não há diferença entre o tratamento X e 
o tratamento Y 
 
H1 – Há diferença 
 
6 
 
 
Rejeito H0 -> O Valor de P é a probabilidade 
de rejeitar H0 e H0 ser verdadeira 
 
Rejeito H0 -> Há diferença 
 
 
 
 
 
 
Nesse exemplo, P é maior do que alfa. Nesse 
caso, como é maior, aceitamos H0. A 
conclusão é de que o tratamento X não é 
diferente do Y quanto ao tempo. 
 
P > Que alfa ---→ P = 0,05 e Alfa = 0,06 
 
Não há diferença significativa entre X e Y – e 
no ponto de vista estatístico não há diferença 
entre eles 
 
Tipos de Erro 
 
 
 
Erro Tipo I (Alfa) – rejeitei o H0, mas na 
verdade ela é verdadeira, digo que há 
diferença, mas não há diferença. Quando 
rejeito H0, mas H0 é verdadeira 
 
H0 Verdadeira = Não há diferença 
H0 Falsa = Há diferença 
 
Erro Tipo II (Beta) – quando a hipótese nula 
é aceita, aceitamos H0, mas ela devia ser 
rejeitada. Aceitamos H0, mas na verdade há 
diferença. 
 
 
 
Relaciona-se com um falso negativo e falso 
positivo 
 
Tipo I -> falso positivo, mesma coisa que dizer 
a um homem que ele está grávido 
 
Tipo II -> dizer para uma mulher que ela não 
está gravida, mas está. 
 
 
 
 
O valor de P – reconhecido através do teste 
estatístico, de hipótese, que da o valor de P 
 
O nível de significância, o pesquisador 
escolhe, normalmente é 0,05 
 
Quando encontramos um valor de P menor 
que 0,05 = rejeitamos a hipótese nula 
 
 
7 
 
P < ou = a alfa – a gente rejeita H0 
P > Alfa – a gente aceita H0 
 
O valor de P não mede se você está certo e 
nem a importância, mede a nossa 
probabilidade de errar, probabilidade de erro. 
 
Exemplo: escolaridade e diarreia em bebês 
 
Alfa escolhido = 0,05 
 
Hipótese Nula (H0) = Ter escolaridade alta ou 
baixa não afeta a diarreia em bebês, não tem 
diferença (não há diferença entre a mãe ter 
escolaridade alta ou baixa) 
 
H1 Há Diferença = Há diferença na diarreia 
em bebês em relação à escolaridade alta, 
comparada com a baixa. (há diferença entre 
ter escolaridade baixa ou não) 
 
Relacionar se...... 
 
Valor de P = 0,01 
 
Comparamos o valor de P com o alfa 
(0,05) 
 
Valor de P menor do que o Alfa = rejeita 
H0 
 
Se eu rejeito H0 estou dizendo que há 
diferença. E a probabilidade de eu ter dito 
que há diferença quando na verdade não 
há é de 0,01 (isso é a probabilidade de ter 
errado, ou seja, rejeitar H0 quando H0 é 
verdadeiro é o valor de 0,01, e essa é a 
probabilidade de erro) 
 
 
Escolaridade Alta 
Escolaridade Baixa 
 
Diarreia Sim 
Diarreia não 
 
 
 
 
 
Saber se a diferença é estatisticamente 
significativa? 
 
Saber se pode se confiar nos valores que eu 
encontrei, na estatística? 
 
Nível de significância e compara o valor de 
P com o Alfa – porque precisamos saber se 
esse valor e essa interpretação no ponto 
de vista estatístico são confiáveis 
 
Saber definir H0 e H1 
 
 
Exemplo: Near Miss Neonatal e mães 
tabagistas e não tabagistas 
 
H0 = não há diferença entre nearmiss 
neonatal entre mães tabagistas e não 
tabagistas 
 
H1 = Há diferença entre o near miss e mães 
tabagistas e não 
 
Alfa = nível de significância e é escolhido pelo 
pesquisador 
 
O nível de significância é o erro que eu aceito 
= erro tipo 1, ou erro tipo alfa = rejeitar H0 e 
ela ser verdadeira 
 
Valor de P = vindo do teste estatístico, teste 
de Hipótese 
 
Comparar o valor de P com o alfa 
 
 
8 
 
P > Alfa = Aceita H0, ou seja, não há diferença 
 
P < Alta = Rejeito H0, porque há diferença 
 
O valor de P está mostrando a probabilidade 
do erro tipo I, probabilidade de eu rejeitar H0 
e H0 ser verdadeiro. 
Sempre quero um valor de P muito pequeno 
 
Valor de P = 0,02 é menor que o alfa de 0,05 
= rejeito H0 
 
A probabilidade de eu ter rejeitado H0 e ele 
ter sido verdadeiro é 2% 
 
 
Erro tipo Beta – aceitei H0, mas H0 é falso 
 
Não há diferença entre ser tabagista para 
Near Miss, mas há diferença. Aceitei H0 (que 
não tem diferença), mas na verdade há erro 
 
Saber definir H0 e H1, entender o que 
significa o nível de significância e que ele 
é definido pelo pesquisador, saber o que 
é o valor de P e a diferença entre sua 
comparação com o alfa e saber 
reconhecer o Erro Tipo I e Erro Tipo II 
 
 
Erro Tipo I – mesma coisa que um falto 
positivo 
 
Erro Tipo II – mesma coisa comum falso 
negativo