Академический Документы
Профессиональный Документы
Культура Документы
Estudo observacional: estudos em que o pesquisador não exerce controle sobre a variável. Podem ser:
Descritivo: observar e descrever sem que exista interferência do pesquisador. Devem ser formuladas
hipóteses, que deverão nortear a investigação – as hipóteses serão, portanto, testadas.
Transversais – seccionais: são estudos em que, inicialmente, nada se sabe sobre a doença. Assim,
definida uma população, analisa-se cada indivíduo em relação a existência ou não de exposição e agravo da
doença. Desse modo, ocorre levantamento simultâneo de exposição, que não permite o estabelecimento de
uma relação, mas permitem informar sobre a possibilidade de se estar doente (mas não de ficar doente).
Os estudos de caso e controle consistem na observação do estado de doença dos indivíduos e procura
associa-los a estados de risco no passado. São eficazes na investigação de doenças raras ou com um longo
período de latência (baixa prevalência); permite avaliar um grande número de variáveis iniciais, porém uma
única variável de desfecho.
Já os estudos de coorte, baseia-se em uma pesquisa clínica que acompanha um grupo sujeito a
identificação de um fator de risco.
Estudos experimentais:
Conceitos básicos:
É constituída por n unidades retiradas ao acaso da população, ou seja, é obtida por sorteio. Logo, toda
unidade da população tem probabilidade conhecida de pertencer à amostra.
Para obter uma amostra aleatória, é preciso que a população seja conhecida e cada unidade esteja
identificada por nome ou por número. Os elementos que constituirão a amostra são escolhidos por sorteio.
Algumas pessoas acreditam que o sorteio por computador é mais "sério", ou mais "exato". Uma amostra
aleatória pode ser: simples ou estratificada.
A amostra aleatória simples é obtida por sorteio de uma população constituída por unidades
homogêneas para a variável que você quer estudar.
Amostra semiprobabilística
A amostra por quotas é constituída por n unidades retiradas da população segundo quotas estabelecidas de
acordo com a distribuição desses elementos na população. A ideia de quota é semelhante à de estrato, com
uma diferença básica: você seleciona a amostra por julgamento e depois confirma as características das
unidades amostradas. A amostragem por quotas não é aleatória, embora muitos pensem que é. A grande
vantagem é ser relativamente barata. Por esta razão, é muito usada em levantamentos de opinião e pesquisas
de mercado.
Quando observamos dados qualitativos, classificamos cada unidade da amostra em uma dada
categoria. Nosso conhecimento sobre os dados aumenta se contarmos quantas unidades caem em cada
categoria. A ideia seguinte é resumir as informações na forma de uma tabela que mostre as contagens
(frequências) em cada categoria. Temos então uma tabela de distribuição de frequências.
Organização de dados:
Histograma:
Quando os dados são contínuos e a amostra é grande é mais conveniente condensar os dados, isto é,
organizar uma tabela de distribuição de frequências e desenhar um histograma. Para construir um histograma:
Média aritmética
∑𝑥
𝑥̅ =
𝑛
Quando a amostra é grande e os dados são discretos, podem ocorrer valores repetidos. Nesses casos, é
razoável organizar os dados em uma tabela de distribuição de frequências.
∑ 𝑥𝑓
𝑥̅ =
∑𝑓
Em certos casos - principalmente quando a variável é contínua e a amostra é grande - são apresentadas apenas
as tabelas de distribuição de frequências - os dados brutos não são fornecidos. Para calcular a média de dados
agrupados em classes, é preciso calcular o valor central de cada classe. O valor central é a média dos dois
extremos de classe.
Primeiro, é preciso obter o valor central de cada classe. Para isso. some os valores mínimo e máximo da classe
e divida por dois. A primeira classe, tem valor mínimo 1,5 e valor máximo 2,0. O valor central da classe é:
1,5 + 2,0
= 1,75
2
A segunda classe tem valor mínimo 2,0 e valor máximo 2,5. O valor central da classe é:
2,0 + 2,5
= 2,25
2
Proceda da mesma forma para obter os demais valores centrais de classe. Para calcular a média, construa uma
tabela com os cálculos auxiliares. Escreva as classes, os valores centrais (x*), as frequências (f) de classe e os
produtos x*f, como mostra a tabela.
A média é obtida como: 300⁄100 = 3,0
Mediana: valor que ocupa a posição central do conjunto de dados ordenados. P.S. quantidade de dados
pares ∴ média dos dois valores centrais.
Moda: valor que aparece em maior frequência. Pode haver casos bimodais.
Quando uma tabela de distribuição de frequências apresenta grande quantidade de dados, é importante
destacar a classe de maior frequência, a chamada classe modal. Essa classe mostra a área em que os dados
estão concentrados.
Medidas de dispersão
As medidas de tendência central são tanto mais descritivas de um conjunto de dados quanto menor for a
variabilidade.
Variância da amostra:
Quando a média é usada como medida de tendência central, ou seja, quando a média indica o centro,
podemos calcular o desvio de cada observação em relação à média como segue:
Para obter uma medida de variabilidade usando os desvios em relação à média, é preciso eliminar os sinais,
antes de somar. Uma maneira de eliminar sinais é elevar ao quadrado. A soma assim obtida é chamada soma
dos quadrados dos desvios. A partir dessa soma, obtém-se a variância.
(𝑥 − 𝑥̅ )
𝑠2 =
𝑛−1
(𝑥− 𝑥̅ )
Desvio padrão amostral: 𝑠 = √ 𝑛−1
(𝑥− 𝑥̅ )
Desvio padrão populacional: 𝑠 = √
𝑛
Se forem possíveis n eventos mutuamente exclusivos e igualmente prováveis, se m desses eventos tiverem a
característica que chamaremos A, a probabilidade de que ocorra um evento com a característica A é indicada
por P(A) e é dada pela razão m/n.
Simplificando, você deve ter aprendido que a probabilidade de obter um evento favorável (um evento com
𝑛° 𝑑𝑒 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑣𝑒𝑖𝑠
uma característica que chamamos de A é dada por: 𝑃(𝐴) = 𝑛° 𝑑𝑒 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠
A frequência relativa de um evento, obtida de uma série de dados coletados nas mesmas condições, estima
a probabilidade de esse evento ocorrer.
Eventos mutuamente exclusivos: dois eventos são mutualmente exclusivos quando não podem ocorrer ao
mesmo tempo.
Eventos independentes
União de dois conjuntos: uma médica suspeita que sua paciente, que tem câncer de mama, tenha
desenvolvido a doença na medula ou no fígado. Isto significa que a doença pode ter atingido a medula, ou o
fígado, ou os dois.
Interseção de dois conjuntos: quando uma enfermeira diz à parturiente que ela acabou de dar à luz um
menino e uma menina, isso significa gêmeos.
Condição de independência: Dois eventos são independentes se a probabilidade de que ocorram juntos é
igual ao produto das probabilidades de que ocorram em separado.
𝑃 (𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵)
Diferença nos conceitos: É importante considerar aqui o perigo de confundir eventos independentes com
eventos mutuamente exclusivos. Às vezes, as pessoas entendem que as duas expressões querem dizer a
mesma coisa: que os eventos não se sobrepõem. No entanto, eventos mutuamente exclusivos - se um ocorre,
o outro não pode ocorrer - não são independentes.
Pense no jogo de uma moeda: quando se joga uma moeda, não há como ocorrer cara e coroa ao mesmo
tempo. Logo, esses eventos são mutuamente exclusivos. Eles são independentes? Não: a probabilidade de sair
cara é 1/2, mas dada a condição de que ocorreu coroa, é zero. Então a probabilidade de sair cara muda, se sair
coroa. Pense nisso.
Probabilidade condicional: muitas vezes relatamos probabilidades que ocorrem sob uma dada condição. Por
exemplo, a probabilidade de um universitário trabalhar bem em um computador é maior se estivermos nos
referindo aos alunos de Ciências da Computação e não a todos os universitários do Brasil.
Denomina-se probabilidade condicional à probabilidade de ocorrer determinado evento sob uma dada
condição. Indica-se a probabilidade condicional de ocorrer o evento A sob a condição de B ter ocorrido por
P(AIB), que se lê: "probabilidade de A dado B". (Nesses casos, ocorre uma redução do espaço amostral).
Teorema da Soma ou a Regra do “OU”:
Distribuição Binominal
Variável aleatória: Uma variável é aleatória quando o acaso tem influência em seus valores.
Quando você joga uma moeda, ou sai cara, ou sai coroa, assim como, num jogo de baralho, você tira uma
carta, pode sair carta de paus, de ouros, de espadas ou de copas. O acaso determina o resultado.
As variáveis aleatórias são indicadas por números. Se um jogador ganha quando sai cara, associamos o número
1 à saída de cara e o número zero à saída de coroa. Se a pessoa entrevistada numa pesquisa disser que tem
42 anos, a variável aleatória que representa idade de pessoas assumiu, nesse caso, valor 42. As variáveis
aleatórias são, portanto, numéricas. Logo, podem ser discretas e contínuas.
Variável aleatória binária: Variável aleatória binária é aquela que resulta em um de dois eventos mutuamente
exclusivos - ou é "sucesso", ou é "fracasso". Associamos o valor 1 ao "sucesso" e valor zero ao "fracasso".
Alguns experimentos só podem resultar em uma de duas possibilidades: o evento no qual estamos
interessados, que é denominado "sucesso" e o evento contrário, chamado de "fracasso". O exemplo mais
conhecido é o jogo de moedas. Quando se joga uma moeda, ou sai cara ou sai coroa - as duas faces não podem
ocorrer ao mesmo tempo. Dizemos então que a variável aleatória é binária.
Na área de saúde, encontramos muitas variáveis binárias. Veja alguns exemplos: um exame laboratorial pode
dar resultado positivo ou negativo; um nascituro pode ser menino ou menina; um medicamento pode surtir
ou não o efeito esperado; um doador de sangue pode ser Rh+ ou Rh-; a dieta pode ser adequada ou não-
adequada; determinado material pode estar contaminado ou não.
Variável aleatória binomial: A variável que resulta da soma dos resultados de uma variável aleatória binária
em n tentativas é uma variável aleatória binomial.
Muitas vezes contamos o número de vezes que ocorre o evento de interesse (ou sucesso), em uma série de
tentativas ou de experimentos. Por exemplo: Um jogador conta quantas caras saem quando lança 10 moedas.
Um pesquisador conta quantos, dos 500 chefes de família que entrevistou, eram mulheres. Um biomédico
conta quantos, dos 32 hemogramas que fez no dia, indicaram doença contagiosa.
Distribuição da probabilidade: Os valores observados da variáveis aleatória X são indicados por x1, x2, ... ,xk
e as respectivas probabilidades por P(x1), P(x2), ... , P(xk). Obrigatoriamente:
Distribuição binominal: Uma distribuição de probabilidades bem conhecida é a distribuição binomial, que
estuda o número X de sucessos em n tentativas e as suas respectivas probabilidades.
Para aprender a trabalhar com a distribuição binomial, imagine que em determinada maternidade nasceram
três bebês em um dia. Seja p a probabilidade de nascer menino e q a probabilidade de nascer menina.
Evidentemente, p + q = 1. Se nascerem três meninas, isto é, se ocorrer o evento AAA, a variável aleatória X
assume valor zero, com probabilidade:
Se nascerem duas meninas e um menino, X assume valor 1. Mas duas meninas e um menino podem ocorrer
de três maneiras diferentes. Veja as probabilidades: P[A] X P[A] x P[O] = q * q *p = p*q2
P [X= 1] = 3pq2
Se nascerem uma menina e dois meninos, X assume valor 2. Mas uma menina e dois meninos podem ocorrer
de três maneiras diferentes. Veja as probabilidades: P[A] X P[O] X P[O] = q X p X p = p2q
P [X= 2] = 3p2q
Se nascerem três meninos, isto é, se ocorrer o evento 000, a variável aleatória X assume valor 3, com
probabilidade: P [X= 3] = P[O] X P[O] X P[O] = p X p x p= p3
Vamos considerar, por facilidade, que a probabilidade de nascer menino é p = 0,5 e que a probabilidade de
nascer menina é q = 0,5, embora se saiba que a probabilidade de nascer menino é ligeiramente maior do que
0,5. Estamos, também, ignorando nascimentos de gêmeos e nascimentos múltiplos. Considerando: p = 0,5 e
q = 0,5 obtemos a distribuição de probabilidades do número de meninos em três nascimentos
Caracterização da distribuição binominal
• Consiste de n ensaios, ou n tentativas, ou n eventos idênticos, em que, cada ensaio só pode resultar em um
de dois resultados, identificados como "sucesso" e "fracasso" - com valores 1 e zero, respectivamente. A
variável aleatória X é o número de sucessos em n ensaios e a probabilidade de sucesso (ocorrer o evento de
interesse) é p e o valor de p permanece o mesmo em todos os ensaios. Além disso, os ensaios são
independentes: o resultado de um ensaio não tem efeito sobre o resultado de outro. A distribuição binomial
fica, portanto, definida quando são dados dois parâmetros: n, isto é, o número de ensaios (p. ex., se uma
moeda for lançada 10 vezes) e, p, isto é, a probabilidade de· sucesso em uma tentativa (por exemplo, a
probabilidade de sair cara quando se joga uma moeda).
Variância 𝜎 2 = 𝑛𝑝𝑞
Se n é um número inteiro positivo maior do que zero, por definição, fatorial de n, que se indica por n! é:
O desenvolvimento de um fatorial pode ser interrompido antes de chegar ao número 1, desde que se coloque
o símbolo !, que indica o fatorial, logo após o último número. Escreve-se: 5! =5x4x3! porque 3! =3X2X 1.
Dado um conjunto de n elementos, onde n > 0, e dado o número x ≤n, combinação de n, x a x, é indicada por:
𝑛 𝑛!
( )=
𝑥 (𝑛
𝑥! − 𝑥)!
Esta fórmula dá o número de diferentes conjuntos de x elementos que podem ser formados com n elementos
distintos. Seja n = 5 e x= 3. Então a combinação de 5, 3 a 3 é:
5 5!
( )=
𝑥 3! (5 − 3)!
Distribuição Normal (p221)