Prévia do material em texto
1 @nutristudies.loren → Dados não normais – heterogêneo → Valores são distribuídos dispersos do valor central → Podem ser aplicadas a dados que se disponham em ordem ou estudos de variáveis nominais → Não tem intervalos de medidas → Cálculos mais simples e aplicáveis para análise de amostras pequenas → Independe de parâmetros populacionais e amostrais (média, variância e DP) → Trabalham com ordenação das observações → Observações são ordenadas em ordem crescente, gerando postos (posições) dentro do conjunto de dados → Testam medianas ou diferenças entre mediana e não entre médias → Desvantagem – perde-se a natureza quantitativa dos dados → São menos poderosos do que os testes paramétricos - Pode de um teste é medido pela probabilidade de o teste rejeitar H0 quando ela é falsa - Testes não-paramétricos precisam de uma evidência amostral maior contra a hipótese nula para conseguir rejeitá-la → Postos de uma observação – posição relativa as demais - Ranking → Para obter os postos: • Colocar as observações em ordem crescente • Associam-se valores, correspondendo as suas posições relativas na amostra - 1° elemento – valor 1, 2° elemento – valor 2... • Para amostras distintas, os postos são iguais aos valores, como anteriormente • Para observações iguais, é feito a média de suas posições relativas na amostra e o resultado equivale ao posto TESTE U DE MANN-WHITNEY → Até 2 grupos → Estudo observacional → Aplicado para amostras independentes e quando se quer testar se as populações que deram origem as amostras podem ser consideradas semelhantes ou não → É baseado nos postos dos valores obtidos combinando as duas amostras, ordenando esses valores (crescente) independente de qual população cada valor provém → Teste U – versão não-paramétrica do teste t Student para amostras independentes → Estatística U – base para a decisão sobre a aceitação ou não da hipótese de nulidade → Calculada: 1. É formado um conjunto com os dados das amostras A e B 2. Conjunto é ordenado de forma crescente 3. Anota a ordem de cada elemento deste conjunto 4. Separam-se novamente as amostras A e B OBS: se houver empate nos valores, o ranque será a média da soma dos ranques → Valor de U – soma das ordens (ranques) da amostra com menor U 2 @nutristudies.loren → Quanto menor o valor de U, maior a evidência de que as populações são diferentes Exemplo ▪ Fórmula ▪ As amostras forneceram os seguintes valores de certa variável ▪ Será que há diferenças entre elas? H0 – U1 = U2 HA – Ucal < Utab 1. Juntar e ranquear todos os valores ▪ Valores críticos – teste de Mann-Whitney TESTE DE WILCOXON → Até 2 grupos → Estudo experimental – amostras pareadas → Baseia-se nos postos das diferenças entrapares, dando maior importância às diferenças maiores → Ideia que norteia o teste – tratamento A produz valores maiores do que o tratamento B → As diferenças de sinal positivo serão em maior n° e grau do que as diferenças de sinal negativo → Se ambos os tratamentos têm o mesmo efeito, as diferenças positivas e negativas devem se anular → Os dados são dependentes dentro do par – pareados → As diferenças entrapares constituem uma variável contínua, de distribuição simétrica ao redor da mediana → Passo a passo: 1. Calcular a diferença entra as amostras pareadas, conservando o sinal 2. Ranquear os valores de diferença, inclusive os negativos (mantendo o sinal) 3. Calcular a soma total dos ranques, dos valores positivos e dos valores negativos Rejeita-se H0 se T calculado (menor valor absoluto) < ou = ao T crítico tabelado 3 @nutristudies.loren Exemplo: Um pesquisador mediu a colinesterase sérica em agricultores que aplicaram inseticida em plantas de interesse comercial. Foram feitas duas coletas de sangue em cada pessoa: uma antes da aplicação do inseticida e outra 24h após. O que pode ser afirmado quanto ao efeito da exposição ao inseticida sobre o nível de colinesterase no sangue desses agricultores? Conclui-se que houve diminuição significativa nos níveis de colinesterase sérica após a exposição ao inseticida – medica antes da aplicação = 7,50 micrmol/mL; mediana após a aplicação = 7,28 micromol/mL TESTE KRUSKAL-WALLIS → Compara 3 grupos ou mais populações → Estudo observacional → Usado para testra a hipótese nula de que todas as populações possuem funções de distribuição iguais contra a hipótese alternativa de que ao menos duas das populações possuem funções de distribuição diferentes → Combine os dados e ordene os valores, em seguida, separe os dados de acordo com a amostra e some os postos de cada amostra → Ri – dos postos da i-ésima amostra → Estatística teste H: → A distribuição amostral é uma distribuição qui- quadrado com k – 1 graus de liberdade - K = n° de amostras → Rejeita H0 se H > n° crítico Interpretação – estatística teste 10,76, cai na região de rejeição, portanto a hipótese nula deve ser rejeitada. Há diferença entre os salários nas 3 cidades 4 @nutristudies.loren SPEARMAN CORRELAÇÃO → Coeficiente de correlação mede o grau pelo qual duas variáveis tendem a mudar juntas - Descreve a força e a direção da relação → Correlação de Pearson – avalia relação entre duas variáveis continuas - Relação linear: quando a mudança em uma variável é associada a uma mudança proporcional na outra variável Ex.: pode ser usado para avaliar se aumentos na temperatura da instalação de produção estão associados a uma redução da espessura da cobertura de chocolate → Correlação da ordem de posto de Spearman – avalia relação monotônica entre duas variáveis continuas ou ordinais - As variaveis tendem mudar juntas, mas não necessariamnete a uma taxa constante - Baseia-se nos valores classificados de cada variável, em vez de dados brutos Ex.: usar para avaliar se a ordem na qual os funcionários executam um teste está relacionada ao n° de meses de emprego → É sempre uma boa ideia examinar a relação entre as variáveis com um gráfico de dispersão → Os coeficientes de correlação medem apenas relacionamentos lineares (Pearson) ou monotônicos (Spearman) → Existem situações, onde há interesse em estudar o comportamento conjunto de uma ou mais variáveis - Pode estar associado a outros fatores (variáveis) que contribuem de agum modo para a ocorrência deste fenômeno → Comportamento conjunto de 2 variáveis quantitativas pode ser observado por meio do gráfico de dispersão → Diagrama de dispersão – representação gráfica da relação entre as variáveis → Correlação – mede o grau de relação entre 2 variáveis → Regressão – fornece uma função matemática que relaciona as variáveis COEFICIENTE LINEAR DE PEARSON (R) → Medida que avalia o quanto a “nuvem de pontos” no diagrama de dispersão aproxima-se de uma reta → Resultado de R permite dizer se é adequado ou não a utilização do modelo linar para a modelagem de um fenômeno → O valor de R informa como as variáveis X e Y se relacionam entre si → Pode-se adotar critério de uma das tabelas 5 @nutristudies.loren CORRELAÇÃO DE SPEARMAN → Avalia o grau de correlação entre variáveis quantitativas quando as exigências para o teste de Pearson não são satisfeitas → Designa-se por rs → Exemplo: Houve correlação entra as variáveis GPx, SOD, ORAC dos participantes considerando os grupos com individuos saudáveis e DCV? - As variáveis GPx, SOD e ORAC tem distribuição normal? - Decidir se o testede corelação será paramétrico ou não paramétrico → Testando a normalidade e a homogeneidade temos: → Correlação direta – proporcional, quando uma aumenta a outra também aumenta - r é positivo → Correlação inversa – inversamente proporcional → Pearson e Spearman – significativo quando o valor de p é <0,05 - Valor de r representa a força da correlação que varia de 0 a 1 - Quanto mais próximo de 1 é o valor de r, mais forte é a correlação → Forma de apresentar o resultado → Correlação de Spearman