Bio e Statistic A

BIOESTATSTICA
Parte 1 - Estatstica descritiva e anlise exploratria dos

dados

Aulas Tericas de 17/02/2011 a 03/03/2011
1.1. Populao, amostra e dados estatsticos. Dados
qualitativos e quantitativos

Dados Qualitativos:
Escala nominal no existe relao entre categorias. Ex: solteiro, casado, vivo
()
Escala ordinal existe relao entre categorias. Ex: forte, mdio, fraco

1.2. Organizao e representao grfica de dados
Box-Plot (caixa com Bigodes)
O conjunto dos valores da amostra compreendidos entre o 1 e o 3 quartis
representado por um rectngulo com a mediana indicada por uma barra. Desenham-se
ento as linhas que unem o meio []
Barreira inferior I = 1
4
- , (3
4
-1
4
)
Barreira superior I = 3
4
+ , (3
4
-1
4
)
Dizemos que uma observao um outlier quando no est compreendida no
intervalo [BI, BS]. Na representao box-splot, os outliers assinalam-se com *.
Barreira (exterior) inferior 1
4
- (3
4
-1
4
)
Barreira (exterior) superior 1
4
+ (3
4
-1
4
)
As observaes com valores
inferiores ou superiores s barreiras
externas so outliers severos e so
representados em box-splot com o
smbolo .
Quando no h outliers a box-
splot coincide com o diagrama de
extremos e quartis.

A box-splot reala:
Centro da amostra
Variabilidade
Simetria
Existncia de outliers
til na comparao de amostras

Diagrama de Disperso

uma representao grfica adequada para dados bivariados quantitativos, em
que cada par de valores (
) representado por um ponto de coordenadas (
)
num sistema de eixos coordenados. muito til, pois permite realar algumas
caractersticas importantes dos dados, nomeadamente a existncia de alguns tipos de
associao entre variveis.

1.3. Caractersticas amostrais
Medidas de Localizao: localizam o centro da amostra
Mdia
Mediana
Moda
Quantis

Medidas de Disperso: medem a variabilidade dos dados
Desvio Padro
[]

Medidas de Localizao
Mdia (x)
[Mdia aparada retiram-se uma determinada % dos extremos]
uma medida pouco resistente, pois muito sensvel existncia de valores
muito grandes ou pequenos.
=
1
n
_
n
=1

No caso de dados em intervalos no se pode obter um valor exacto, apenas um
valor aproximado:

[multiplica-se a frequncia absoluta da classe pela sua mediana e divide-se pelo
nmero de classes]
A mdia uma boa medida de localizao do centro da amostra quando a
distribuio dos dados for simtrica.

a melhor medida de localizao quando a distribuio dos dados normal.

Mediana (M)
Ordenados os elementos da amostra, a mediana o valor (pertencente ou no
amostra) que a divide ao meio, ou seja 50% dos elementos esto acima da mediana e
50% abaixo.

Se n mpar, a mediana a observao central da amostra
H = n+1
2
:n
Se n par, a mediana a mdia aritmtica das 2 observaes centrais
H =
n
2
: n + n+1n
2

Ex: 10, 10, 10, 11, 11, 11, 11, 11, 12 M = 11 = 10,75
Ex: 10, 10, 11, 11, 11, 11, 11, 12, 18 M=11 = 11,75
A mediana uma medida mais resistente que a mdia, pois no to sensvel
quanto existncia de valores extremos.
Centro da amostra:
A mdia o centro de gravidade da distribuio dos dados (a mdia reflecte o
valor de todas as observaes)
A mediana o centro posicional da distribuio dos dados.

A assimetria da amostra pode estudar-se considerando a posio relativa das medidas
de localizao mdia e mediana, visto que quando a distribuio dos dados:
simtrica mdia = mediana
assimtrica positiva mdia > mediana
assimtrica negativa mdia < mediana

Quantil de ordem p (quantil emprico [ou amostral])
Ordenada a amostra, o quantil de ordem p (0<p<1) o valor Qp tal que 100%p
dos elementos da amostra so inferior ou iguais a Qp e os restantes 100(1-p)%
elementos da amostra so superiores ou iguais a Qp
2. Assimetria Positiva 1. Assimetria Negativa
Se np inteiro p =
x
np+1:n
+ x
np:n
2

Se np no inteiro p =
|np]+1:n

Onde [k] representa a ordem inteira de k
Q
1/2
mediana
Q
1/4
1Quartil
Q
3/4
3 Quartil

Medidas de Disperso
Ex1: 15, 15, 15, 15, 15
Ex2: 10, 13, 15, 17, 20 = 15 [mas a medida de disperso diferente]
Ex3: 0, 7, 15, 23, 30

Varincia e Desvio Padro (amostrais)
So medidas de disperso de dados, relativamente ao centro da amostra que a
mdia.
Varincia: s
2
=
1
n-1
_ (
n
=1
- )
2
Para obter uma medida de disperso que esteja expressa na mesma unidade de
disperso que os dados, consideramos o desvio padro:
Desvio Padro: s = _
1
n-1
_ (
n
=1
- )
2

Ex1: s = 0 Ex2: s = 3,8 Ex3: 12,0
Quanto maior o desvio padro (s), maior ser a disperso dos dados? No
necessariamente. Um valor grande de desvio padro pode ser devido grande
disperso dos dados ou existncia de outliers. O desvio padro muito sensvel
existncia de outliers, portanto uma medida de disperso pouco resistente.

Amplitude (amostral): =
n:n
-
1:n
[R = mximo mnimo]
a medida de variabilidade mais simples, mas muito sensvel existncia de
uma observao muito grande ou muito pequena.

Amplitude interquartil: I = 3
4
- 1
4

Esta a amplitude que contm 50% das observaes no centro da amostra
Ex: 1,2,3,3,3,3,3,4,5
n=10
s=1,5
1
4
=
3:10
= 3
4
=
8:10
=
AIQ = 0
A amplitude inter-quartil uma medida mais resistente que o desvio padro.
No entanto, o desvio padro reflecte o conjunto dos dados e a amplitude inter-quartil
no.
[s e AIQ expressam informaes diferentes e devem por isso ser utilizados em
conjunto]

Disperso Relativa
Para acompanharmos vrios conjuntos de dados convm utilizar uma medida
que quantifique a variabilidade dos dados relativamente localizao.
Uma medida de disperso relativamente muito usada para dados positivos o
coeficiente de variao [expresso em %].
=
s
%
[ um desvio padro normalizado, til para comparaes]

Profundidade
A profundidade um indicador de quo interior amostra um certo valor. O
mximo e o mnimo da amostra (extremos) tm profundidade 1.
Dada uma certa amostra
, .,
n
, a ordem de uma observao pode ser
definida como:
Ordem ascendente posio da observao na amostra, a partir do menor
valor
Ordem descendente posio da observao na amostra, a partir do maior
valor
Profundidade de uma observao o mnimo das suas 2 ordens ascendente e
descendente.

3 5 027
8 6 14589
(8) 7 11236799
7 8 0145
3 9 367

[Na linha da mediana escreve-se o nmero de folhas da linha
Ex:
elemento 98: profundidade 1

A profundidade mxima dada por
n+1
2
]

1.4. Associao entre variveis. Correlao. Relao: regra dos
mnimos quadrados

Dados Bivariados

H muitas situaes em que se pretende estudar 2 variveis em simultneo;
interessa portanto conhecer a sua variabilidade conjunta.

Estudar a relao entre:
Idade e presso arterial;
Concentrao de uma droga injectvel e a frequncia cardaca;
Peso e nvel de glicose no sangue em em adultos saudveis.
A populao em estudo surge ento sob a forma de pares de valores, i.e., cada
indivduo ou resultado experimental contribui com um conjunto de 2 valores. Uma
amostra de dimenso n ser ento (
), , (
n
,
n
).
[Profundidade mxima das
observaes na linha]
n = 23
8+8+7 = 23
Correlao [2 variveis em p de igualdade. Procura-se saber se alguma
relao entre as variveis em estudo]
Regresso [uma das variveis est sob o controlo do investigador varivel
controlada, independente (ex. concentrao de droga administrada) e uma
das variveis a resposta varivel resposta ou dependente (ex. frequncia
cardaca]
Para organizar a informao correspondente a dados bivariados utiliza-se uma
tabela de contingncias. adequada para dados qualitativos ou quantitativos, sendo
necessrio este caso agrupar os dados em classes.
Exemplo:
n = 1000 habitantes
No vacinados 1 dose 2 doses
Gripe 24 9 13
Sem gripe 289 100 565

[representao grfica diagrama de disperso]
Dada uma amostra bivariada de dimenses (
), , (
n
,
n
), define-se uma
medida de variabilidade conjunta existente entre as variveis em estudo que a
covarincia amostral.
co (, ) =
n -
(
- )
n
=1
(
- )
Se houver associao linear positiva [variveis variam no mesmo sentido;
elevado corresponde a elevado] entre as variveis, predominam parcelas
tais que (
- )(
- ) covarincia positiva

Se houver associao linear negativa [variveis variam em sentido oposto]
entre as variveis, predominam parcelas tais que (
- )(
- )
covarincia negativa

Grande inconveniente: depende da unidade de medida usada [Kg/m e Kg/cm a
covarincia vem com valores diferentes]
[s medem associao linear]

Coeficiente de Correlao Amostral ou Coeficiente de Correlao de Pearson
A medida mais usada para medir o grau de associao linear entre 2 variveis
quantitativas o coeficiente de correlao dado por:
r =
co (, )
s
x
s

r =
_ (
- )
n
=1
(
- )
_ (
- )
2
_ (
- )
2 n
=1
n
=1

O Coeficiente de correlao no depende de medidas das variveis;
r toma valores no intervalo [-1, 1];
O valor do coeficiente de correlao mede a intensidade da associao linear
entre as variveis;
Quando r = 0 no existe associao linear entre as variveis, mas elas podem
estar associadas no linearmente;
O coeficiente de correlao no uma medida resistente [est dependente da
mdia].

O coeficiente de correlao pode ser calculado como:
r =
_
-n
n
=1
(n -)s
x
s

Correlao elevada indica apenas associao estatstica. um erro grave confundir
associao estatstica com causalidade.
[Exemplo: O consumo de gelados e os fogos florestais apresentam uma relao de
associao estatstica, no de causalidade]
[Podem existir variveis de confundimento]

Regresso
Uma das variveis esta sob o controlo do investigador e a outra varivel pode
ser considerada uma resposta.
varivel controlada, independente ou explicativa
varivel resposta ou dependente
Quando o diagrama de disperso reala a existncia de associao linear entre
2 variveis quantitativas e possvel resumir atravs de uma recta a forma como
uma varivel resposta influenciada por uma varivel explicativa .

Recta de Regresso
Pretende-se exprimir a varivel resposta como funo da varivel independente
atravs de um modelo de regresso regresso linear simples
Os valores observados podem ser escritos como:
+e
= o
+ b +e

Recta dos mnimos quadrados
Para que um conjunto de dados (
), , (
n
,
n
) que seguem um padro
linear vamos ajustar uma recta na forma = o +b. Um dos mtodos mais
conhecidos para ajustar uma recta aos dados usar o critrio dos mnimos quadrados.

Determinar os coeficientes da recta de modo que a soma dos quadrados dos
desvios entre os valores observados
e os valores
obtidos a partir da recta que se

pretende ajustar seja mnima, ou seja, minimizar a soma dos quadrados dos resduos.

[Resduos:
Idealmente e
= , quando os pontos pertencem todos recta;

so quantidades aleatrias]
1
2
n
=1
= (
n
=1
-
)
2

Determinar os coeficientes a e b tais que Q(a,b) = _ (
n
=1
-o
-b)
2
seja mnimo.
O declive da recta da regresso
o =
_ (
- )
n
=1
(
- )
_ (
- )
2

n
=1
=
n _

n
=1
_
n
=1
n
=1
n _
2 n
=1
- (_
n
=1
)
2

E a ordenada na origem b = - o.

A recta dos mnimos quadrados uma medida pouco resistente.
A recta de regresso frequentemente utilizada para fazer predio. Para um
novo valor da varivel que no foi usada na construo da recta, pretende-se estimar
o valor de que lhe corresponder.
[predio considerar um valor de que no amostra e calcular o y esperado
atravs da recta dos mnimos quadrados]
Uma forma de verificar o modelo ajustado adequado atravs dos resduos.
Se o modelo ajustado for adequado:
Os resduos devem dispor-se aleatoriamente, sem um padro definido,
em torno de zero.
de esperar que o resduo quadrado mdio seja moderado.
No contexto da regresso, os outliers so valores a que correspondem grandes
resduos.
Note-se que, teoricamente, a soma dos resduos quadrados zero. Na prtica,
devido aos arredondamentos, a soma pode no ser nula, mas ter sempre um valor
muito prximo de zero.
O valor de r
2
representa a proporo da variabilidade de y que explicada pela
recta de regresso; uma medida de preciso da recta.
r
2
designa-se por coeficiente de determinao.
[-1 r 1 0 r
2
1
Resduos = y
observado
y
predicto
]

BIOESTATSTICA

Parte 2 - Probabilidade

2.1. Experincia de Resultados. Espao Amostra.
Acontecimentos

Frequentemente somos confrontados com situaes em que est presente a
incerteza e em que, perante vrias possibilidades, necessrio tomar decises.

Exemplos:
Um dia em que choveu o cu est cheio de nuvens cinzentas, dizemos que
muito provvel que chova. Devemos levar o guarda-chuva?
Foram encontrados alguns comprimidos defeituosos (i.e. com menos de 95%
de quantidade do frmaco indicado na embalagem) numa amostra extrada de
um lote durante em ciclo de produo. Ser necessrio interromper a
produo, o que provocar elevados prejuzos?
[sero os comprimidos defeituosos frutos do acaso?]
Foi desenvolvido um novo medicamento para determinada doena, que se
espera tenha maior probabilidade de cura que o medicamento habitual. Ser
de facto mais eficaz e dever-se- iniciar a sua comercializao?
Existe incerteza no:
Nmero de episdios de otite mdia por ano em crianas at 3 anos de idade;
Concentrao de aspirina na urina, 1hora aps a sua administrao;
Nmero de indivduos afectados por um vrus;
Tempo de vida de um ser vivo de uma determinada espcie.

Os mtodos baseados no conceito de probabilidade, ou seja, os mtodos
probabilsticos, permitem quantificar a incerteza, indicando qual das vrias
possibilidades a mais verosmil.
Aleatrio significa de resultado incerto, devido interveno do acaso.
A Teoria das Probabilidades engloba os mtodos para o estudo de fenmenos
aleatrios. Os fenmenos aleatrios so influenciados pelo acaso, cujo
comportamento futuro no est completamente determinado, mas relativamente aos
quais podemos fazer certas previses de ndole global.
[ou seja, no so feitas individualmente, individuo a individuo]

Experincia Aleatria
Entende-se por experincia aleatria qualquer processo ou conjunto de
circunstncias capaz de produzir resultados observveis, estando esse processo sujeito
influncia do acaso.
Uma experincia aleatria tem as seguintes caractersticas:
Obtm-se um resultado de entre um conjunto de resultados possveis,
conhecidos antes da realizao da experincia;
De entre os resultados possveis, no se sabe qual vai ser obtido;

Espao de resultados ou espao - amostra [ou S]:
Conjunto de todos os resultados possveis de uma experincia aleatria.
[ o Universo; conjunto mais vasto]
Ex. 1: lanamento de 2 moedas e observao do lado que fica para cima
= {FF, FC, CF, CC}
Ex. 2: lanamento de um dado e registo do nmero de pontos obtidos
= {1, 2, 3, 4, 5, 6}
Ex. 3 : Registo do nmero de telefonemas recebidos numa hora num call center
= {1, 2, 3, 4, } [conjunto infinito de dados]
Ex. 4: Registo do nmero de indivduos infectados com o virs da gripe sazonal numa
amostra de 10 habitantes duma regio, durante uma epidemia
= {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
Ex. 5: Observao do tempo de vida de um ser vivo
= { : > } = ]0, + [

Acontecimento:
Acontecimento um subconjunto do espao de resultados A .
Diz-se que se realizou o acontecimento A quando o resultado da experincia
pertence a A: e A
Acontecimentos elementares so os acontecimentos constitudos por um nico
elemento do espao de resultados (). [conjuntos singulares]
designa-se por acontecimento certo; realiza-se sempre!!
[No exemplo 2, se ao acontecimento A corresponder sair face par, A = {2, 4, 6}, e se
sair face 4, o acontecimento A realizou-se]
Acontecimento impossvel o acontecimento que nunca se realiza;
representado pelo smbolo [vazio, tambm representado por { }]

Diagramas de Venn

Acontecimentos Complementares
Acontecimento complementar do
movimento A () constitudo por todos os
elementos de S [ou ] que no pertencem a A.
[quando no se realiza A realiza-se ]
[ tambm pode ser designado por A
c
]

Acontecimento Interseco
Acontecimento interseco dos acontecimentos
A e B o acontecimento que se realiza se e s se A e B
se realizam simultaneamente.

Acontecimento Unio
Unio dos acontecimentos A e B o acontecimento que se realiza se e s se A
ou B se realizarem, ou seja, se se realiza pelo menos um dos acontecimentos [ou no
exclusivo: realiza-se A, B ou ambos]

Acontecimentos disjuntos
Acontecimentos disjuntos ou mutuamente exclusivos so acontecimentos tais
que a realizao de um deles impede a realizao do outro.
A r B
A r B = [interseco de 2 acontecimentos
mutuamente exclusivos impossvel]

A implica B (A c B)
O acontecimento A implica a realizao do
acontecimento B quando todo o resultado de A
tambm um resultado de A tambm um resultado
de B; se A se realiza, ento B tambm se realiza.
[todos os elementos de A so elementos de B]

Acontecimento Diferena
O acontecimento diferena entre A e B o
acontecimento que se realiza se e s se apenas A se
realiza, ou seja, realiza-se A e no se realiza B.
A B = A r
[Rever:
Propriedade associativa da unio e da interseco:

Leis de De Morgan:

]

2.2. Conceitos de Probabilidade: laplaciana, frequencista;
axiomatizao da probabilidade

Definio de Laplace [ou clssica]: a probabilidade de um acontecimento A
P (A) =
nmco dc cusos ]uocs u A
nmco dc cusos possics

Desde que os casos possveis sejam equiprovveis (ou igualmente possveis).

Definio Frequencista: a probabilidade de um acontecimento A o valor da
realizao de A, num grande nmero de repeties da experincia aleatria.
Nem sempre se pode repetir a experincia o nmero de vezes necessrio de
modo a obter a convergncia pretendida.
[valor da frequncia relativa tende a aumentar probabilidade frequencista]

Definio Subjectivista ou Bayesiana: atribui-se a probabilidade a um acontecimento
com base em experincias e informao anteriores.

Definio Axiomtica: uma definio mais rigorosa de probabilidade feita
introduzindo um conjunto de axiomas
[axiomas no tm demostrao]

Axiomtica de Kolmogorov
1. Qualquer que seja o acontecimento A, P(A) 0;
2. P() = 1;
3. Se os acontecimentos A e B forem disjuntos ou mutuamente exclusivos, ou
seja, A r B = , ento P(A U B) = P(A) + P(B)
3*. Mais geralmente, se A
1
, A
2
, ., forem acontecimentos disjuntos 2 a 2, ou
seja, A
i
r A
j
= para i j [A
i
e A
j
so acontecimentos diferentes], ento:
P(
]
]=1
) = _ (
]
]=1
)
[Probabilidade de infinitos acontecimentos = soma das parcelas das infinitas
probabilidades]
A definio clssica e a definio frequencista de probabilidades verificam os
axiomas anteriores.

Propriedades das Probabilidades
1. P() = 1 P(A)
[Demonstrao:
= A U
A e so acontecimentos disjuntos
P() = 1 P(A U ) = 1 P(A) + P() = 1 P() = 1 P(A)]
2. P() = 0
[Demonstrao:
=
P() = 1 P() = 1 1 = 0]
3. Se A B, ento P(A) P(B)
[Se A B, P(B) = P(A) + P(B-A). A soma de duas quantidades positivas sempre
um nmero positivo]

4. Para qualquer acontecimento A, 0 P(A) 1
5. P(A B) = P(A) P(A r B)
6. P(A U B) = P(A) + P(B) - P(A r B)
[para a demonstrao associar os dois acontecimentos: P(A r B)]
A propriedade 6 generaliza-se imediatamente para 3 ou mais acontecimentos.
Para 3 acontecimentos A, B ou C vem:
P(A U B U C) = P(A) + P(B) + P(C) P(A r B) - P(A r C) - P(B r C) + P(A r B r C)
[soma-se a probabilidade de todos os acontecimentos, subtrai-se a unio dois a dois,
trs a trs, etc, e soma-se a unio de todos os acontecimentos]

O acontecimento impossvel tem probabilidade igual a zero. No entanto,
podem existir acontecimentos com probabilidade nula e que no sejam impossveis.

2.3. Probabilidade Condicional. Acontecimentos Independentes

Probabilidade Condicional
Por vezes estamos interessados em calcular a probabilidade de um
acontecimento A quando j dispomos de alguma informao quanto ao resultado da
experincia aleatria. Sabemos que o resultado obtido um elemento de um
subconjunto B do espao de resultados, sendo P(B) > 0. Isto significa que pretendemos
calcular a probabilidade de um acontecimento A se realizar, sabendo que um outro
acontecimento B se realizou.
Probabilidade condicional de A dado B, ou seja, probabilidade de A sabendo
que um acontecimento B se realizou, representa-se por P(A|B) e definido por:
P(A|B) =
P(A r B)
P(B)
, se P(B) > 0
P(A): probabilidade de A, sem qualquer informao;
P(A|B): probabilidade de A com a informao de que B se realizou; uma vez conhecida
a realizao de B, o espao de resultados deixa de ser e passa a ser B.
[NOTA: A|B no tem significado]
P(|B) = 1 P(A|B)
Entre P(A|B) e P(A|) no existe relao.
A probabilidade condicional uma probabilidade visto que verifica a axiomtica
de Kolmogorov e portanto tambm so vlidas as propriedades das probabilidades
referidas anteriormente.

Probabilidade da interseco dos acontecimentos A e B ou probabilidade conjunta
dos acontecimentos A e B
Da definio de probabilidade condicional vem P(ArB) = P(A|B).P(B), com
P(B) 0 ou P(ArB) = P(B|A). P(A), com P(A) 0.
Generalizando para 3 ou mais acontecimentos definidos no mesmo espao :
P(A r B r C) = P(A).P(B|A).P(C|A r B)
P(A
1
r r A
n
) = P(A
1
).P(A
2
|A
1
) . P(A
n
|A
1
r r A
n-1
)
[a demonstrao conseguida pelo agrupamento de acontecimentos]

Acontecimentos Independentes
O conceito de probabilidade condicional permite-nos definir acontecimentos
independentes como sendo aqueles em que a informao acerca da realizao de um
deles no afecta a probabilidade de ocorrncia do outro.
A independente de B se P(B|A) = P(B), com P(A) 0.
Dois acontecimentos A e B, definidos no mesmo espao so independentes
se e s se P(A r B) = P(A).P(B).
Dado dois acontecimentos A e B tais que P(A) > 0 e P(B) > 0, tem-se que:
Se A e B so acontecimentos disjuntos, ento A e B no so independentes;
[A r B = , logo P(ArB) = 0 e P(A|B) = 0. Ento A e B no so independentes porque
P(A|B) P(A) 0 quantidade positiva, ou segundo outro pressuposto, P(A r B)
P(A) P(B), pela mesma razo]
Se A e B so acontecimentos independentes, ento A e B no so disjuntos (isto
, possvel realizarem-se ambos).
[P(A r B) = P(A).P(B). Tanto P(A) e P(B) so quantidades positivas, logo P(A r B) 0, ou
seja A r B (A e B no so disjuntos)]
Dois acontecimentos s podem ser simultaneamente disjuntos e
independentes quando pelo menos um deles tem probabilidade nula.
Se dois acontecimentos so independentes tambm os so os seus
acontecimentos A e , e B, e .
[P(A r B) = P(A).P(B)
P(A r ) = P(A B) = P(A) P(A r B) = P(A) P(A).P(B) = P(A) (1 P(B)) = P(A) P() =
P(A|)]

Partio de um Espao de Resultados
A famlia de acontecimentos {A
1
, A
2
, } [que pode ser finita ou numervel]
constitui uma partio do espao de resultados se e s se:
A
i
r A
j
= , v i, j (i j) [os acontecimentos forem disjuntos dois a dois]
e

] c N
= [unio de todos os acontecimentos da famlia o espao de resultados]

[Uma boa imagem mental para compreender as parties compar-las com um
puzzle]
Podemos considerar parties com um nmero finito ou infinito numervel
[naturais] de acontecimentos. bvio que, para qualquer partio de :
() = (_
]
] ]
) =
[A partio mais simples consiste em A e o seu complementar, ]

2.4. Teorema da Probabilidade Total. Teorema de Bayes

Teorema da Probabilidade Total

Seja {A
i
, A
j
, } uma partio do espao de resultados , em que P(A
j
) > 0 (j =1,
2, ). Ento, para qualquer acontecimento B tem-se que:
P(B) = _ (|
]
). (
] ]
)
Demonstrao:
P(B) = P(B r ) = P(B r (
] ] c N
)) = P ( ( r
]
)
] c N
) = _ ( r
] ] c N
) =
_ (|
] ] c N
) P(A
j
)

Como as probabilidades P(A
j
) podem ser encaradas como pesos (visto que so
nmeros positivos cuja soma 1), a probabilidade de B calculada como uma mdia
ponderada das probabilidades condicionais P (B|A
j
).
Caso particular: considerando a partio [A, ] de , dado um acontecimento A tal
que P(A) > 0, para um acontecimento B,
P(B) = P(B|A).P(A) + P(B|). P()
[Exemplo:
Numa dada cidade:
20% dos habitants so hipertensos P(H) = 0,2
50% dos hipertensos fumam P(F|H) = 0,5
Entre os no hipertensos h 30% de fumadores P(F|E) = 0,3
Qual a probabilidade de um habitante ser fumado? P(F) = ?
P(F) = P(F|H).P(H) + P(F|E).P(E) = 0,5 x 0,2 + 0,3 x 0,8 = 0,34]

Teorema de Bayes
[ou Teorema da Probabilidade Inversa]

Por vezes, aps experincia aleatria, observa-se um acontecimento B
que sabemos ser susceptvel de ter sido ocasionado por qualquer um dos
acontecimentos de uma partio {A
i
, A
j
, }. Pretende-se ento saber qual a
probabilidade de ter sido um determinado acontecimento A a ocasionar a realizao
de um acontecimento B.
Uma vez que (B r A
i
) e (B r A
j
) so disjuntos e
P|(B r Ai) U (B r Aj) ] = P(B r A
i
) + P(B r A
j
)
Os acontecimentos da partio {A
i
, A
j
, } so as hipteses ou causas [em
sentido amplo] antecedendo ou explicando o acontecimento B e este pode considerar-
se o efeito de uma e uma s dessas causas.
[Ou seja, um acontecimento consequncia de um s outro, no de 2 em simultneo,
dado que esses acontecimentos so mutuamente exclusivos]
[Exemplo:
Numa empresa os documentos podem ser impressos de forma aleatria em 3
impressoras distintas: A, B e C, sendo sempre impresso por apenas uma delas. Um
desses documentos foi impresso com defeito. Qual a probabilidade de ter sido
impresso pela impressora A? E pela impressora B? E pela C?
P(A|D) =? P(B|D) = ? P(C|D) = ?
Dados:
P(A) = 0,5
P(B) = 0,3
P(C) = 0,2
P(D|A) = 0,02
P(D|B) = 0,01
P(D|C) = 0,05
NOTA: s estas probabilidades podem ser calculadas directamente atravs da
contagem dos casos favorveis e possveis.
Os acontecimentos A, B e C formam uma partio (so disjuntos dois a dois e
so exaustivos). Atravs do teorema da probabilidade total tem-se que:
P(D) = P(D|A).P(A) + P(D|B).P(B) + P(D|C).P(C) = 0,02 x 0,5 + 0,01 x 0,3 + 0,05 x 0,2 =
0,023
Probabilidade do documento ser defeituoso
P(A|D) =
P (A r )
P( )
=
P(|A).P(A)
P()
= 0,435
O teorema de Bayes utilize o teorema da probabilidade total e da probabilidade
condicional, o que permite, sabendo que um dado acontecimento se realizou, calcular
a probabilidade da sua causa.]
Seja {A
1
, A
2
, } uma partio do espao de resultados , com P(A) > 0 (i = 1, 2,
). Ento, para qualquer acontecimento B tal que P(B) > 0, vem que, para i = 1, 2, :
Probabilidade da
impressora ser usada
Probabilidade do
documento ter defeito
se foi imprimido em B
P(A
i
|B) =
P(B|A
i
).P(A
i
)
_ P(B|A
]
)
]
.P(A
]
)

[i um dado acontecimento da participao
j todos os elementos da participao]
P(A
j
) probabilidade a priori do acontecimento A
P(A
j
|B) probabilidade a posteriori do acontecimento A
O teorema de Bayes tem grande interesse em aplicaes prticas,
nomeadamente nos chamados testes de screeming ou triagem, habitualmente
associados aos testes de diagnstico nas cincias biomdicas, mas com aplicaes
noutras reas: controlo de qualidade na indstria, testes de dopping no desporto, etc.

Testes de Diagnstico

So frequentemente utilizados como:
Testes de rastreio
Examinam-se pessoas aparentemente saudveis, sem quaisquer sintomas
clnicos que possam indicar a presena de uma certa doena, e os testes tm
como finalidade detectar patologias cuja morbilidade e mortabilidade possam
ser reduzidas pelo diagnstico e tratamento precoces.
Testes de confirmao ou excluso de um diagnstico provvel
Quando existe forte suspeita de que uma doena est presente ou para
eliminar a suspeita da presena da doena.
Na monitorizao de doentes
Os testes so repetidos frequentemente para acompanhar a evoluo da
doena, para avaliar se, sob o efeito de certo tratamento, a doena continua a
evoluir ou se regrediu.

Caractersticas operativas dos testes de diagnstico
A eficcia dos testes de diagnstico mede-se atravs de ndices que se calculam
a partir da seguinte tabela:

Presente (D) Ausente ()
Verdadeiro estado da doena
Positivo (+)
a b
Negativo (-) c d

Sensibilidade = P (teste positivo | doena presente) = P(+|D) =
u
u+c

Especificidade = P (teste negativo | doena ausente) = P(-|) =
d
b+d

[Para um teste de diagnstico ser bem a sua sensibilidade e a sua especificidade
devem ter valores elevados]
[Falso Positivo = 1 Especificidade = P (teste positivo | doena ausente)
Falso Negativo = 1 Sensibilidade = P (teste negativo | doena presente)]
Se um teste d resultado positivo (ou negativo) qual a probabilidade do
indivduo ter (ou no ter) a doena? Trata-se da probabilidade de decidir
correctamente perante os resultados de um teste.
Valor Predito positivo = P(D|+) =
u
u+b

Valor Predito Negativo = P(|-) =
b
c+d

Os valores preditos podem ser expressos em funo da prevalncia da doena,
da sensibilidade e da especificidade, recorrendo ao teorema de Bayes.
[Prevalncia percentagem de indivduos com a doena numa dada populao
Incidncia percentagem de novos casos da doena numa dada populao]
Prevalncia de uma determinada doena a porporo (ou percentagem) de
indivduos que tem essa doena numa determinada populao. Logo,
Prevalncia = P(D)
Valor predito positivo = P(D|+) =
P(+|).P()
P(+|).P()+ P(+|).P()

Valor predito negativo = P(|-) =
P(-|).P()
P(-|).P()+ P(-|).P()

[Ou seja, sem em diferentes populaes uma mesma dada doena tem prevalncias
diferentes, o mesmo teste (portanto com igual sensibilidade e especificidade) vai ter
diferentes valores preditos negativos e positivos.]

Exemplo:
Resultado do
teste
Foi desenvolvido um novo mtodo simples para identificar indivduos com
anticorpos do VIH. Nesse caso, a pessoa est infectada e diz-se que VIH positivo.
Foram analisados 500 individuos, dos quais 100 se determinou serem VIH positivos e
400 VIH negativos, usando o teste de referncia (golden standart).
VIH + (D) VIH - ()
Teste (+) 90 8
Teste (-) 10 392
Sensibilidade = P(+|D) =
u
u+c
=
90
100
= ,9
Especificidade = P(-|) =
d
b+d
=
392
400
= ,98
[Concluso: o teste apresenta alta sensibilidade e especificidade]

BIOESTATSTICA

Parte 3 Variveis Aleatrias

3.1. Conceito de Varivel Aleatria. Funo de Distribuio

Variveis aleatrias

Uma varivel aleatria pode ser entendida como uma varivel quantitativa
[numrica], cujo valor depende de factores aleatrios, isto , cujo valor resulta de um
processo em que intervm o acaso.
Exemplos:
Nmero obtido no lanamento de um dado;
Nmero de comprimidos defeituosos numa amostra retirada de um lote e
nmero de indivduos infectados pelo vrus da gripe duma dada regio, num
certo perodo de tempo;
Volume de gua perdido, por dia, num sistema de abastecimento;
Tempo de vida de um ser vivo de certa espcie.
A uma experincia aleatria pode-se associar um modelo de probabilidade que
pressupe a construo de um espao de resultados e a atribuio de uma
probabilidade a cada um dos acontecimentos elementares. Ora, nem sempre os
resultados de uma experincia aleatria so numricos (e.g. lanamento de uma
moeda: cara ou coroa). [neste caso atribui-se valores a cara e a coroa, transformando a
varivel em numrica].
Alm disso, frequentemente prefervel sintetizar os aspectos mais significativos
dos resultados das experincias aleatrias atravs da definio de uma varivel.

Ex: lanamento de uma moeda equilibrada = {cara, coroa}
X varivel aleatria indicatriz do acontecimento A = {coroa}

Ento: P(X=0) = P(sair cara) = e P(X=1) = P(sair coroa) =
Ex: So escolhidos ao acaso 100 comprimidos de um grande lote e observa-se se cada
comprimido defeituoso ou no defeituoso.
O espao de resultados constitudo por 2
100
elementos! mais conveniente
definir a varivel X nmero de comprimidos defeituosos (ou no defeituosos) em
100. Para representar variveis aleatrias usam-se letras maisculas do final do
A varivel indicatriz indica se o acontecimento se
realizou. X=0 se A se realiza e X=1 se B se realizou, etc.
alfabeto: X, Y, Z, W Se X for uma varivel aleatria (v.a.) representamos por x
(minsculo) um valor observado dessa v.a., ou seja, um valor que a v.a. pode assumir
[note-se que se usam letras maisculas do inicio do alfabeto para representar
acontecimentos]
Varivel aleatria X valor observado x
[varivel aleatria Y valor observado y]
As variveis aleatrias podem ser classificadas como discretas ou como
contnuas.
Uma v.a. diz-se discreta se apenas assume um nmero finito ou infinito
numervel de valores distintos. [associado a contagens]
Exemplos:
Nmero obtido no lanamento de um dado;
Nmero de comprimidos defeituosos numa amostra retirada de um lote.

Uma v.a. diz-se contnua se pode assumir qualquer valor de um intervalo da recta
real, sendo nula a probabilidade de assumir um valor especfico. [associado a
medies]
Exemplos:
Nvel de glicose no sangue de um individuo numa dada populao;
Tempo at ser atingida a concentrao mxima de um frmaco na circulao
sistmica.
Se X uma via contnua ento:
P(X = o) = 0 para qualquer real o
[De forma no rigorosa, pode-se pensar: P(x=o) =
cusos ]uocs
cusos possics
=
1
= ]
[Para variveis contnuas calcula-se a probabilidade de intervalos de valores, por
exemplo, P(X > o), P(X o), P(o < X < b)]

Funo de Distribuio

Uma forma de definir uma varivel aleatria, discreta ou indiscreta, consiste na
utilizao de uma funo real de varivel real [ - ] designada por funo de
distribuio.
Funo de distribuio (f.d.) de uma varivel aleatria X (discreta ou contnua)
a funo definida por:
F() = P(X ) para qualquer e
domnio
A funo de distribuio cumulativa, representa a probabilidade acumulada
at x. Notemos que 0 F() 1.
[Apesar de ser possvel calcular f.d. para variveis contnuas e discretas, o seu clculo
diferente para umas e outras. Esta funo mais interessante para variveis contnuas,
pois em alguns destes casos assume uma expresso analtica. Para variveis discretas
soma-se a probabilidade at ao ponto x (semelhante s frequncias acumuladas) e
para variveis contnuas calculam-se atravs de integrais interpretao atravs de
reas]
Seja X uma v.a. com f.d. F(X). Ento, dados os pontos a e b, tais que a < b, tem-
se que:
P(o < X b) = F(b) F(a)
O conhecimento da funo de distribuio possibilita, de forma expedita, o
clculo da probabilidade de uma v.a. assumir valores num dado intervalo. Notemos
que, se a v.a. for contnua:
P(a < X b) = P(a < X < b) = P(a X b) = P(a X < b) = F(b) F(a)
Se a v.a. X for contnua estas probabilidades so todas iguais! [o que no
verdade para variveis discretas].

3.2. Variveis Aleatrias Discretas. Funo Massa de
Probabilidade
natural definir a probabilidade de uma varivel aleatria assumir um
determinado valor como sendo a probabilidade do acontecimento que fez com que a
v.a. tivesse esse valor.
Chama-se funo massa da probabilidade (f.m.p.) funo que, a cada valor
numrico que a v.a. assume, faz corresponder a probabilidade associada a esse valor.
Uma v.a. X discreta fica perfeitamente identificada pela sua f.m.p., ie, pelos valores de
x que a v.a. pode tomar e pelas probabilidades com que assume cada um desses
valores.
X =

Atendendo definio de probabilidade, imediato que qualquer f.m.p., goza
das seguintes probabilidades:
1. P
i

0
2. _

= 1

-1 0 1 2
0,3 0,1 a 0,4

[Ex: lanamento de uma moeda:
0 1
ou

Nota: s se inserem nas tabelas os valores com probabilidade no nula]

Ex: Uma urna que contm 4 bolas numeradas de 1 a 4. Extraem-se ao acaso 2 bolas de
uma urna. Defina a v.a. que representa a soma dos nmeros observados nas bolas
extradas.
(i) Supondo que a extraco feita com reposio:
= {(1,1), (1,2), (1,3), (1,4), (2,1), (2,2), (2,3), (2,4), (3,1), (3,2), (3,3),
(3,4), (4,1), (4,2), (4,3), (4,4)}
2 3 4 5 6 7 8
8
,
8
,
,

(ii) Supondo que a extraco feita sem reposio:
= {(1,2), (1,3), (1,4), (2,1), (2,3), (2,4), (3,1), (3,2), (3,4), (4,1), (4,2), (4,3)}

3
4 5 6 7
,

x 0 1
P(X=x)
x
i

P(i) = P(x=x
i
)
X = a = 0,2
X =
X =
X =
3.3. Variveis Aleatrias Contnuas. Funo Densidade de
Probabilidade
Define-se funo densidade de probabilidade (f.d.p.) de uma varivel aleatria
X contnua r representa-se por f(x) como sendo a derivada, se existir, da funo de
distribuio F(x). [note-se que f.d. representa-se por letras maisculas e f.d.p. por
letras minsculas]
() =
()

O que equivalente a:
() = _()
x
-

visto que F(-) =

[O domnio ]-, ] explicado pois F(x) = P(X ) P( e ] -, ])
f.m.p. da funo discreta a correspondente f.d.p. da varivel aleatria contnua]
Nos pontos em que no existe derivada de f.d., habitual considerar que f(x) =
0. Quando a v.a. assume valores apenas num subconjunto de , admite-se que f(x) = 0
no exterior daquele subconjunto.
Propriedades de f.d.p.:
1) () ;
2) ] ()() =
+
-
[ A = 1]
[A funo densidade de probabilidade est sempre acima dos eixos dos xx. Possveis
grficos:

Notao que significa limite

Notemos que para o < b:
_() = (b) - (o) = (o < X b)
b
u

O clculo do integral anterior equivalente a calcular o valor da rea
compreendida entre o eixo das abcissas, o grfico da f.d.p. e as rectas x = a e x = b.

3.4. Caractersticas Populacionais

[ - nunca so aleatrios;
- por vezes so desconhecidos;
- representados com frequncia por
letras gregas]
P(
1
) = P( <
1
) visto
que P( =
1
) = 0
Valor Mdio
[corresponde mdia]

[E(X) um valor no obtido no lanamento do dado, mas no se arredonda]

[ uma espcie de mdia ponderada]
[ou seja, quando a srie convergente]
Valor mdio de uma funo de uma varivel aleatria

Propriedades do valor mdio:

Quantil de probabilidade p (0 < << < p < << < 1)

[visto que E(b) =

[Exemplo:

Nota: grfico representa f.d.p.
Quantil de probabilidade 0,3 = b
p = F(b) = 0,3]

Varincia (populacional)

Desvio Padro (populacional)

Coeficiente de Variao (populacional)

Exemplo do clculo do valor mdio e varincia de uma varivel aleatria discreta

Par aleatrio Discreto

Exemplo:

[ a soma das probabilidades zero]

Variveis Aleatrias Independentes:

[Nota: A e B so independentes se e s se P(A r B) = P(A) . P(B)]
[se existir apenas um par de valores em que a condio no se verifica as variveis so
dependentes;
Variveis cuja interseco de um par de valores zero no so independentes]

Covarincia

[ , = r ]

[cov (X,Y) = 0 no implica que as v.a. sejam independentes, mas cov (X,Y) 0 implica
que as variveis no sejam independentes]

Coeficiente de Correlao

Soma de Variveis Aleatrias

3.5. Modelos Discretos: binomial, Poisson e hipergeomtrica

Vamos agora estudar alguns modelos probabilsticos com grande aplicao na
prtica.

Modelo Binomial

Consideremos uma experincia aleatria com as seguintes caractersticas:
A experincia constituda por n provas, entendendo-se por prova uma
repetio em condies idnticas;
So provas independentes;
Em cada prova ocorre apenas um de dois resultados possveis [estuda-se
apenas um acontecimento], designados por sucesso ou insucesso. A
probabilidade de sucesso mantm-se constante de prova para prova e
representa-se por p [letra minscula].
[sucesso ocorreu o acontecimento estudado;
Insucesso no ocorreu o acontecimento estudado]
Uma sucesso de provas com estas caractersticas designa-se por sucesso de
provas de Bernoulli:

Exemplos:
Lanamento de uma moeda: cara (sucesso), coroa (insucesso) [quer seja a
moeda equilibrada ou no];
Observao de comprimidos de um lote: comprimido defeituoso (sucesso),
comprimido no defeituoso (insucesso);
Resultado de um tratamento para uma certa doena aplicado a pacientes em
condies bem definidas: paciente curado (sucesso), paciente no curado
(insucesso) [a independncia resulta da escolha dos pacientes ser aleatria].
Seja X a v.a. que representa o nmero de sucessos em n provas de Bernoulli e
em que a probabilidade de sucesso p. Ento a f.m.p. :
P (X = K) =
n
K
p
K
(1-p)
n-K

K = 0, 1, 2, , n

X uma v.a. binomial de parmetros n e p e representa-se por:
X r Bi (n, p)
[no uma interseco;
L-se X tem distribuio binomial de parmetros n e p]

[Exemplo:
Foram feitos 3 lanamentos de uma moeda no equilibrada:
P(cara = F) =
2
3
P(coroa = C) =
1
3

X nmero de coroas que saem em 3 lanamentos
P(X=0) =
2
3
3
=
8
27

P(X=1) =
2
3
2

1
3
=
12
27

P(X=2) =
2
3

1
3
2
=
6
27

P(X=3) =
1
3
3
=
1
27

Recordar que:
k
n
=
n
=
n!
! (n -)!

! =

Mostra-se que:
E(X) = np e var(X) = np (1-p)

Caso particular: quando n=1, X designado por v.a. de Bernoulli
[ a varivel indicatriz]
[equivalente a
k
n
] [Nmero de sucessos]
[Nmero mdio de sucessos em n provas]
Amostragem com reposio:
Consideremos o processo de amostragem em que, para cada indivduo
recolhido aleatoriamente na populao, se verifica se tem ou no uma determinada
caracterstica, repondo o elemento antes de proceder a uma nova extraco. Ento,
estamos em condies de aplicar o modelo Binomial quando ser quer estudar a v.a.
que representa o nmero de indivduos da amostra assim obtida que tm a dita
caracterstica.
[mesmo que no se faa reposio em determinadas condies pode-se utilizar o
modelo binomial, se a dimenso da amostra for muito superior probabilidade
considerada]
Soma de v.a. independentes com distribuio binomial:
Dadas as v.a.
1
, .,
k
independentes com distribuio binomial
X
i
r Bi (n
i
, p), i=1, , k
A soma S
k
= X
1
+ + X
k
tambm tem distribuio binomial
r _n
k
=1
, p_ = , .,
[para isto ser vlido o parmetro p tem de ser igual para todas as v.a.
Exemplo: lanamento de uma moeda. Seja:
X
1
nmero de caras em 5 lanamentos;
X
2
nmero de caras em 19 lanamentos;
X
3
nmero de caras em 3 lanamentos.
Uma vez que as variveis tm a mesma probabilidade p de sucesso, a varivel soma
tambm binomial]

Distribuio Geomtrica

Uma varivel aleatria X diz-se geomtrica de parmetros p se representar o
nmero de provas necessrias at obteno do primeiro sucesso (inclusive), numa
sucesso de provas de Bernoulli em que a probabilidade de sucesso p.
[ um caso particular de uma outra distribuio Distribuio Binomial Negativa em
que se considera o nmero de provas necessrias at obteno do ensimo sucesso
(terceiro, quinto, dcimo )]
A f.m.p. de X dada por:
P(X = k) = p (1-p)
k-1
k = 1, 2, [ K e [1, [ ]

Mostra-se que:
E(X) =
1
p
Var(X) =
1-p
p
2

[Exemplo: Numa urna esto 20 bolas, das quais 5 so brancas. Qual a probabilidade de
a bola branca sair pela primeira vez terceira extraco?
P(X=3) =
1
4
-
1
4
3-1
=
9
64

Neste exemplo, E(X) = 4]

Distribuio Poisson

Vamos agora considerar um modelo discreto que se aplica em situaes em
que interessa estudar o nmero de ocorrncias de um certo acontecimento, num
determinado intervalo de tempo ou regio do espao.
[ex: nmero de chamadas recebidas num call center em 15 minutos]
Suponham-se que se verificam as seguintes hipteses (processo de Poisson):
A ocorrncia do acontecimento num determinado intervalo independente da
ocorrncia do acontecimento em qualquer intervalo distinto;
A probabilidade de exactamente uma ocorrncia do acontecimento em
qualquer intervalo de amplitude h arbitrariamente pequeno zh;
A probabilidade de duas ou mais ocorrncias do acontecimento em qualquer
intervalo de amplitude h aproximadamente 0.
Seja X a varivel aleatria que representa o nmero de ocorrncias do
acontecimento num intervalo unitrio [seja 15 minutos, 1 cm
3
, ou outro intervalo
considerado]. Ento dizemos que z tem distribuio de Poisson de prametro z com
f.m.p. dada por:
(X = ) =
-k
x
k
k!
k = 0, 1, 2, z >
Representa-se por X r P(z)
O parmetro z o nmero mdio de ocorrncias por intervalo de tempo:
E(X) = z e var(X) = z
[no exemplo acima z o nmero mdio de chamadas recebidas em 15 minutos]
Exemplos de aplicao da distribuio de Poisson:
Nmero de novos casos de hepatite numa certa regio num ms;
Nmero de clientes que chegam a um balco de atendimento num certo
intervalo de tempo;
Nmero de erros de impresso por pgina de livro;
Nmero de chamadas telefnicas recebidas num call center numa hora;
Nmero de bactrias num determinado volume.

Cada intervalo unitrio dividido em h subintervalos, de modo que cada
subintervalo tenha uma amplitude arbitrariamente pequena. Ento em cada um
desses subintervalos:
A probabilidade de exactamente uma ocorrncia do acontecimento
x
h
;
A probabilidade de 2 ou mais ocorrncias do acontecimento
aproximadamente 0;
Ento, a probabilidade de k ocorrncias do acontecimento no intervalo para k
fixo.
[ou seja, ou ocorre o acontecimento ou no ocorre nada, como na distribuio
binomial.
P(X=k) =
n

z
n
k
-
z
n
n-k

Se n - , tem-se
lim
n -
n(n -) .(n - +)
n
k

z
k
!
_ -
z
n
]
n
_ -
z
n
]
-k
= .
-x
.

A distribuio Binomial Bi(n,p) converge para a distribuio de Poisson P(z)
quando:
n - (o nmero de provas aumenta) [a partir de 20 ou 30 provas]
p - (a probabilidade de sucesso tende para zero)
np = z (o nmero mdio de sucesso mantm-se constante de prova para
prova)
O modelo de Poisson surge assim como limite do modelo binomial, nas
condies anteriores, por isso designado por Lei dos Acontecimentos Raros.
Soma de v.a. independentes com distribuio poisson:
Dadas as v.a.
1
, .,
n
independentes com distribuio de Poisson
X
i
r P (z), i=1, , n
A soma S
k
= X
1
+ + X
n
tambm tem distribuio de Poisson
n
r _z
k
=1
_ = , ., n

Distribuio Hipergeomtrica

Quando se procede a extraces sem reposio numa populao finita, o que
podemos dizer quanto varivel aleatria que representa o nmero de elementos da
amostra assim obtida que possuem determinada caracterstica?
Consideremos uma populao de N elementos dos quais M possuem
determinada caracterstica (sucesso), enquanto que os restantes N M no a tm. Seja
n a dimenso de uma amostra extrada da populao (sem reposio) e X a v.a. que
representa o nmero de elementos da amostra que possuem a dita caracterstica.
Ento a v.a. X tem distribuio hipergeomtrica dada por:
(X = ) =

-H
n -

K = Max. (0, n(N-M)), , min(M,n)
[Exemplo: num lote de 12 caixas de comprimidos sabe-se que 3 esto danificadas e 9
esto normais. Retiraram-se 4 caixas sem reposio. Qual a probabilidade de 2 dessas
caixas serem danificadas?
X nmero de caixas danificadas em 4 retiradas aleatoriamente sem reposio

(X = ) =

= ,8

Nota: sempre necessrio conhecer a distribuio da populao]
De quantas maneiras posso
retirar 4 caixas em 12
De quantas maneiras posso
retirar 2 caixas em 9 normais
De quantas maneiras
posso retirar 2 caixas em
3 danificadas
Os parmetros so N, n e
extrado ao acaso da populao possua a caracterstica).
E(X) = np
O modelo hipergeomtrico adequado quando se procede a extraces sem
reposio:
as extraces no so independentes;
a probabilidade de sucesso varia de extraco para extraco.
No entanto, quando se procede a extraces sem reposio
populao for muito maior que a dimenso n da amostra, o modelo binomial pode ser
usado para representar o nmero de elementos da amostra que possuem
determinada caracterstica. De facto, neste caso, as sucessivas extraces podem ser
consideradas independentes
substancialmente de extraco para extraco.

3.6. Modelos Contnuos: uniforme, exponencial, o modelo
gaussiano e o Teorema Limite Central

X tem distribuio uniforme no intervalo (a, b)

Simbolicamente, representa
A funo de distribuio dada por:
Os parmetros so N, n e (que a probabilidade de que um elemento
extrado ao acaso da populao possua a caracterstica).
Var(X) = np (1-
hipergeomtrico adequado quando se procede a extraces sem
as extraces no so independentes;
a probabilidade de sucesso varia de extraco para extraco.
No entanto, quando se procede a extraces sem reposio, se a dimenso N da
o for muito maior que a dimenso n da amostra, o modelo binomial pode ser
consideradas independentes e a probabilidade de sucesso no se altera
substancialmente de extraco para extraco.
gaussiano e o Teorema Limite Central
Distribuio Uniforme

uniforme no intervalo (a, b) se a sua f.m.p. for dada por:

=

[Demonstrao:
Funo uniforme f(x) = k se
f(x) = 0 se
(b a)k = 1 k =

Simbolicamente, representa-se por X U(a,b).
A funo de distribuio dada por:
(que a probabilidade de que um elemento
-p)
hipergeomtrico adequado quando se procede a extraces sem
, se a dimenso N da
o for muito maior que a dimenso n da amostra, o modelo binomial pode ser
e a probabilidade de sucesso no se altera
se a sua f.m.p. for dada por:

k = ]
F(x) =
s < o
x-u
b-u
s o b
s b
Ento, se X r U(a,b), temos que:
E(X) =
u+b
2
[se a distribuio for uniforme o valor mdio o ponto mdio]
Var (X) =
(b-u)
2
12

Distribuio Normal (ou Gaussiana)

A distribuio normal a mais conhecida das distribuies contnuas e uma
das mais importantes.
Do ponto de vista das aplicaes empricas, tem-se comprovado que muitas das
caractersticas observveis de determinada populao so bem representadas por
variveis aleatrias que seguem uma distribuio normal.
Exemplo: distribuio da altura ou do peso dos indivduos em populaes
razoavelmente homogneas.
Por outro lado, prova-se que a distribuio da soma (ou da mdia) de um
nmero suficientemente grande de variveis aleatrias s.i.d.d. [independentes e
identicamente distribudas, ou seja, com o mesmo parmetro] bem aproximada
distribuio normal, o que permite justificar a sua utilizao em muitas situaes. Tem
tambm um papel importante na inferncia estatstica.
Uma v.a. X tem distribuio normal de parmetro p e o se a sua f.m.p. dada
por:
() =
oVn
p _-
-p
o

2
_
e ; p e ; o e
+
Se X r N(p, o), ento E(X)=z e var(X) = o
2

Desvio padro
Vejamos algumas propriedades da f.m.p. da normal relativamente sua
representao grfica:
1. simtrica relativamente ao seu valor mdio p, de modo que 2 curvas
correspondentes a 2 distribuies com o mesmo desvio padro o tm a mesma
forma, diferindo apenas na localizao.
2. tanto mais achatada quanto maior o valor de o, de modo que 2 curvas
correspondentes a 2 distribuies com o mesmo valor mdio so simtricas
relativamente ao mesmo ponto p, diferindo apenas quanto ao seu grau de
achatamento.

Para qualquer v.a. X r N(p, o):
P(p -o < < p +o) = ,8
P(p -o < < p +o) = ,9
P(p -o < < p +o) = ,99

A distribuio normal com valor mdio p=0 e desvio padro o=1 designada por
distribuio normal standardou padro e representa-se por N(0,1). Se X r N(p, o),
ento:
=
X - p
o
r (,)
A funo de distribuio da normal standard tem uma notao especial:
r (,) (Z ) = ()
X r N(p, o)
P(X ) = p(
X-
c

b-
c
) = p(b
b-
c
) = (
-
o
)
P( ) = (
o -p
o

X - p
o

b - p
o
= _
-
o
] - (
-
o
)

[note-se que o grfico da normal simtrico e que A=1]

[x o quantil do ordem 0,1 F(x) = 0,1
o quantil de ordem 0,5 corresponde
mediana, que igual mdia, porque a
distribuio normal simtrica;
qualquer quantil de ordem menor que
0,5 negativo (numa N(0,1)) ]
Soma de variveis aleatrias independentes com distribuio normal

[combinao linear = multiplicao por constantes]

Valor Mdio e a Varincia da Mdia

[i.i.d. implica que a variveis tm os mesmos parmetros

Soma dos
valores mdios
Se as variveis forem independentes
a varincia (
2
) da soma a soma das
varincias
Distribuio da Mdia para Populaes Normais

O que sempre verdade seja desconhecido ou no.

[A distribuio t-Student extremamente parecida com a distribuio Normal:
tambm tem forma de sino e simtrica em relao a , mas as caudas so mais
pesadas]

Teorema Limite Central

Distribuio da mdia para populaes no normais

Aplicaes do Teorema Limite Central:

BIOESTATSTICA

Parte 4 Estimao Pontual e Intervalar

Inferncia Estatstica Paramtrica

[estatsticas ( , s
2
, ) caracterizam a amostra e os parmetros (,
2
) caracterizam a
populao e so muitas vezes desconhecidos. As ltimas representam-se por letras
gregas]

Inferir = tirar concluses

4.1. Estimao Pontual: propriedades dos estimadores; mtodo
dos momentos; mtodo da mxima verosimilhana

Estimao do Valor Mdio

Estimao da Varincia Populacional

Estimao da Proporo

No sistematicamente
superior ou inferior ao
valor verdadeiro

4.2. Estimao Intervalar: intervalos de confiana para o valor mdio
e varincia de uma populao gaussianana; comparao dos parmetros
de duas gaussianas; intervalos de confiana assintticos em populao
no gaussianas; intervalos de confiana para uma proporo e para a
diferena entre propores

Intervalo de Confiana para o Valor Mdio

O intervalo de confiana vem na forma ( . - ), em que a margem de erro,
que metade da amplitude do intervalo

O valor mdio poder ser igual a 10? Com 95% de confiana no, porque 10 no
pertence ao intervalo. Note-se que errado dizer pragmaticamente que o valor 10 no
o verdadeiro valor mdio, pois este continua desconhecido, mesmo aps a
inferncia.

Interpretao do Intervalo de Confiana

Quanto maior a amplitude do intervalo, menos a preciso e maior a margem de
erro;
Para um maior nvel do confiana, mantendo a amplitude do intervalo, s
recolhendo uma amostra maior.

Intervalo de Confiana para a Varincia da Populao

Intervalo de Confiana para a proporo p
(Grandes Amostras)

Nota:
Distribuio t-Student

Distribuio Qui-Quadrado (
2
)

H medida que n-1 graus de
liberdade aumenta, f.d.p.
aproxima-se da N(0,1)

No uma distribuio
simtrica;
sempre positiva.

BIOESTATSTICA

Parte 5 Testes de Hipteses

5.1. Conceito de erro, estatstica de teste, regio de rejeio,
nvel de significncia, valor de prova, potncia do teste

[testes de hipteses pem em confronto 2 hipteses ou afirmaes]

[A hiptese nula tem de ter uma igualdade, ou seja pode ser estabelecida recorrendo a
=, (hiptese simples) a ou a (hipteses compostas). Na disciplina s vai ser
abordado o caso em que hiptese nula simples ( = k)]
Notao
alternativa H
a

[no rejeitar H
0
no implica provar que H
0
verdadeira, porque continua-se a no conhecer o
valor do parmetro ; ausncia de evidncia de uma coisa no evidncia de outra]

o valor mais tpico dentro dos mais usuais

Ou erro de 1 espcie

Valor de Prova ou Valor-p

[Exemplo: se o valor-p fosse 0,25, rejeitvamos H
0
para nveis de significncia maiores
que 0,25 (1%, 5%, 10%, etc)]

Testes de Hipteses para o Valor mdio (uma populao)

X
- mdia amostral n - dimenso da amostra

[Outro enunciado para a mesma situao: Verifique se o nvel mdio de hemoglobina
diferente de 15. Nunca se pode perguntar directamente se o nvel mdio de
hemoglobina 15.]

Clculo do valor-p

Exemplo:

Teste de Hipteses para a varincia (uma populao)

Inferncia estatstica sobre a diferena entre
os valores mdios de duas populaes
que h evidncia

[O que equivalente a perguntar se a mdia da concentrao mxima das duas
formulaes suficientemente diferente para se considerar que h evidncia que o
valor mdio da concentrao do frmaco B realmente superior do frmaco A]

[Os pares de gmeos assegurariam que a diferena entre os resultados se devem nica
e exclusivamente varivel estudada e no a outras variabilidades individuais]

Amostras Independentes:

[Note-se que como de costume H
o
:
1
=
2
, o que equivalente a H
o
:
1

2
= 0, o que
o objectivo do teste]

[Muito Importante: na hiptese alternativa no trocar a ordem de
1
com
2,
tm de
estar pela mesma ordem de H
o
]

[Se o intervalo de confiana contm o zero possvel que
1
=
2
(contudo no temos
garantias que assim o seja). Mas se o intervalo no conter o valor zero, com 100%(1-)
de confiana pode-se concluir que
1
2
]

[Varincias Desconhecidas
Para fazer testes de hipteses para a diferena de valores mdios entre duas
populaes com varincias populacionais desconhecidas necessrio saber se estas
varincias so iguais ou diferentes entre si. Este dado pode ser conhecido partida ou
no. Neste ltimo caso necessrio realizar um teste de hipteses para a varincia, em
que:
H
0
:
1
2
=
2
2
vs H
1
:
1
2

2
2
(a desenvolver mais frente neste captulo)]
[A estimao de S
p
2
uma espcie de mdia ponderada, pois d maior peso
varincia da amostra com maior dimenso[

[Ou seja no foi dado o teste de hipteses para a diferena de valores mdios
para duas populaes normais, com varincias desconhecidas e diferentes]

Amostras Emparelhadas:

Exemplos:

Testes de Hipteses para a igualdade de varincias
Em [2] populaes normais

[ um mtodo muito pouco robusto: s funciona para populaes Normais. No caso de
outros tipos de populaes recorre-se a outro tipo de testes]

[Distribuio F Snedecor:
Semelhante Distribuio do qui-Quadrado:
Assimtrica;
S toma valores positivos;
Possui dois parmetros:
Graus de liberdade do numerador;
Graus de liberdade do denominador.]

Exemplo: F
0,05 (5,12)
=
1
F0,05 (12,5)

[note-se mesmo que a hiptese nula se verifique (
1
=
2
), F 1, porque sendo as
amostras diferentes s
1
2
s
2
2
]

[A ltima hiptese alternativa usada com pr-teste antes de realizar um teste de
hipteses para o valor mdio, para determinar se as varincias desconhecidas so
iguais ou no]

Resumo dos Intervalos de Confiana
Uma populao:

Duas Populaes:

Resumo dos testes de Hipteses:

Anlise da Varincia (ANOVA)

Usa-se quando existem 3 ou mais grupos;
A comparao destes grupos dois a dois, atravs da realizao de vrios testes
t, aumenta imenso (na ordem dos 90%) a probabilidade de erro tipo 1, pelo
que se recorre a um mtodo especfico - ANOVA;
vlido para populaes normais ou (aproximadamente) para grandes amostras;
um mtodo robusto (tambm funciona para populaes razoavelmente simtricas)
Com amostras pequenas de populaes no normais recorrem-se a mtodos no
paramtricos;
Inclui vrios mtodos, dos quais o mais simples a Anlise de Varincia Simples.

[factor ou critrio caracteriza os indivduos da amostra
Exemplo: Ensaio clnico de 3 frmacos (A, B e C) antipirticos para testar a sua eficcia
numa dada populao de indivduos com febre.
Populao global: indivduos com febre;
Varivel tratamento: frmaco A, B e C;
- 3 estratos (subpopulaes) consoante o frmaco administrado;
- 1 nico factor: tipo de frmaco
Varivel resposta: nmeros de horas necessrias para os indivduos atingirem a
temperatura normal.]

[No exemplo anterior:
Nvel 1 frmaco A
Nvel 2 frmaco B
Nvel 3 frmaco B ]

[soma de quadrados medida de variabilidade entre amostras e dentro das
amostras]

K nmero de grupos N amostra global

[Quanto maior F, maior a evidncia que algum dos valores mdios diferente, ou seja,
maior a evidncia contra H
0
]
Exemplo:

Graus de liberdade

Desvio
Padro
e
5
5
e
e
e
!
l-
G
G
-
\E
q
S=
tTt
rn
v1
-{
-l
Vl
J
(-)
-o
-
rD
o)
I
rD.
?+
o
o-
o
It
oJl
(J
-v
o.)
-
OJ
:f
J
rD.
d
=. c)
b
e
-l
D
=.
o-
o
ts
O
LN
N
H
D
NJ
Or
tjl
NJ
o
P
!
',
lm' :.
xgllrI-
+ ln n
-
:
l'_: D
ftr^lu
.t-:ls *
r:l
=ol: lt
oEl;o
o
-i
-O
6,Xlo-
o rir
r"
=. I
-
O i
IU : -
lor:4:1
l!!u
l=SrO-
l; . o
te Ji I
lL6D{
lJir3
t- c
1.ll
l*^-
li;t.d
l-rD
l=' +3- 2
lO
+o rD
16
+3 o-
51
0
i1
p qJ
0
J
2
m
,
o
x=.)
a lu o
-
i-+
OU
tJl+a
at:
-il.o=
+l oi !
=l-
o,Lqt
D E
^loorj
rLa=-
r13
el3'c.
-o'D
Ercroo
ro"'
-i-
o-fo
^,
C 6:
YuoG
i lu
-::
qoro
u-Ô
'-H;
9
-0
<C6
r-
oug
ooci
eo
aD6o
!u_
oo
1' '
T=c'\
^:
0 *.,v
.l J . u
u41-
LA
O gIN
<sJ
'u
!
- u
-'
rDrD-o]
n
6-ug-
mo-'
-:-
=u<z.
^)u:
='
c'i ao
:-c!+
.AU
-
!Y, { o m
-
d lu ,! i
"!rm=
;rû!a
.:I.rDaoQ
HV
*û-
il-*xJ
rD=o
ia..r1q
D
;> PT
+.
î
tJ
{i
=<-+
av
.D=S
/u
,'-attJ
.!9!;.',
'f,i u=
-ru
LrD<=
--
^ 5 <
::
=
-
(L)\ n
l',
I
=c'
=o
o
a
o
I
o
i . c.- -a
-:
,
l3 =-=
--'r
i2,
q
l "

={p
-!
,d5l
$ ==
. ;cl;
ro=.u
,93
-
9:P *r=r >4._
'=E-i
o ^-:9rl:
I
=3=13
:G lin
:'
-
E
'/'/,
=
il 5E
o
?
:l:'i-=^N-+or
R li;,,n
=fi.
as-,
: I
'E
;q
'*'o
3;,
l! H
,o
+:
<
X l i u I
q
i t
=
f
1+
-l3 ilx,
; :

?
=.H-
l 9,'
e B'
3
'^r
j
or I
-
lP
iE 1+
P

H
r-,
PIE 3!i
;,
=
;
rI':
a l=.
=

Y
3
.

'=
1= I lr
[,,
;,;
! tl 4.= i. 1".
.DHno
;
o
i=
=
rD
-
r
l<'
=;*
+ ; * El8
=#fi
'i.
E
rP
l,.lo
g
-"R;
& e l 9x
r,:*
:'
T l. ; 3+
:
=
2i
=

- ' rl ,!14
E
',5 ;i
E,
O,-dGn
g ;
39
.rq=-
.J._.
" :f;;
6i
m
f
-c ur
^l
=
:f. d
j
"'a=
c-- C
=il=
pC--
6C)=
i
afr:.
XyX
<
-il
-x
uOî,
oo '
ft
ro.
-1'l l
ut J
oil
c-n
<l?
' :1.
-'N
-
-s
-o
- a-.
ll o
*-:
-
AU
'u
-l
o o't
t--,
."
D
o
=p
i.D
oHo
-i -a\
ftul
: o,^'
:U@
-.**
mo
Q=
c-
o
D
,'C
l\./ :
t{,
=. (r
Z
t+
x
!
I
e
C
e
C
a
C
G
G
C
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
e
t
Y
G
q
+
)t
?
P19
dlr9=^\2
- 13 4.
->
< oiE -1
i l n: H * e ri'{ i
la B' .-i-*qt=.
=
3
=
*iil'+
i
q
Y o,
=.o1"
{
9
^
=
xi
ulc-Q
J
^
lv
-
a f. 1
- . J
la- Ll1
o O
I
rD
=-
^
lO
(D
o
-
, :.1-lf
.-i!cPlj.'r
*S:':a-v-'lr*
3 E .i i la's'
^
-1
r
o
;or
l! 6 or Y
j-a-^
"' irir O I-l-
:oL-u
c '' u --
.- (
m
=o-Yu
:
-
ct ll H:.o
!9i'o.ruo
L-'i o _e- tJl>
i o
rD
'.-
I O:
o,';'O_
3 {
j:-
rn;-i:
S o
'-l
:
3o:-!
-C.'+
f:-L
d, d
r .'12
6D
ro-lL,r)1D
t_
oU!lU=
t6C-iûl
oEmf\-_
'oO-l-d
;'
;-
:c.
=
9' o
=i l;
L
,n:
^_a-
o=J
< '
ril
rc-
--
0n
F
z
_c'
f-t
s
od
o
-
3.
O
N
oE
r:s3-
uxo='o
1^
ll !o
P
-'
=r
)a o
+
Alhoi:
@--i,
=
ilxAô
l_-1,:o
Y<)-o)
.l! r\/ t '- x
YN@i,
-!
!f
_9 lv
xLu^
il*
lu
!
lo
EG.
><o
ll l
N
o
+
8
.-ry
-
I
C
C
C
e
e
e
e
6
e
c
e
e
e
e
e
e
l
E
tr
f
tr
tr
1
L
ts
dxl
'ri
V I^ U
o!
-P
rcUU
G-o
y.
i a
^
-:l i -",
.o
t E

"
--
.!l
î
-ii
! c
'.-
! e;
-
.- { - i9
q @
-1.}
3 rcg i-
rc .! : - ; E o r
=
9
=
!
L
:, -:l
TI
.O<o
0 o
- J
: : ;
@
E t \-
-3t- ;- ;3
*[^J
lL,
_.= ' u l_ rc \-
r"
,;
E
I
e
*l-^J!
@>-=uc
>--irc:.r
.r
L 9 E ; ."
+t
o io!
';r'.
uu:.E-;.
m-x]!c;q
.: a ! 6 ' |
Y'.r'-Xi
.eg
: aE
j ;
--'i.
o
P
^
r"
g
EJ E"=:
*-: -.
^
O O ::
U:-
o: :
= *.*
'=
.'9
-e
*Ir
A
-UF!
==s
E!
g
@^C
- o
:o
L._
"*:
'oo
co
i
G
o
rc
o
'
G
-E
cj
rO
c
(l
.E
c
U
e-
m
-E
=
,!
=
o
U
L;
\u
-G
G
a
-lJ
:
u
.f
r0
0
o0
0
oil
iiT :
- U
; -
-:t
.=
== .=
"Y -
v ,a
- ":
S" I H
q=
tu
- ; m u ._
, .-
:(.'<a:
of '*trt a
-
-J!
l +-.
''9.
F r>
El
=i"5^
=l
';'-,;
s i E-:
9l
g:^
ot
o'
u L
6l
E;,3 "{ s :
hd ! H' lt,
u
-''
l ,;+ 9
q 0 "-
tt G., r
-
H ' {:;
Fl
=
: 6 u /.1
.-
l
,
[ t;
e
i
ij
zy
-l
',3
I
g
o
Jl
c
s .F.
qrl .-X{'E
r
r ' [Ef
el
9=c,=o!!0r::
8l Z;,8; 3-
-sQn
Pl o
-.Y
rc u-
u L v
-61
;
- =
.!

p o og
ol ., -
=
Lr:o>;Y=,="
{3
E E; ;
=;t
!!*
es
s
H 3-
fr-- ;;
_uEE + : .-'Ig
;u=o==
+: E SE fr- aSFr
+ c- u-1 .-
o
c/
^
oF
E
,o
E9
::: ;
a
-
d
E
o
.G
Z
rl
f)
"o
U
'I
4
a
o
a.
o
c
o
o
E
L
E
o
u
9,flo
o--E=E
q6uO
Li
-O
i"i'aaIio
.* X
6
E I
g
:
:qF..-ocl
=!.
j
: H
aoir
y;.
: .! Er,J
orcOv9-

-
l.n .i
; '= c
-
b -T -
=
/,
q)
=6:"LL)
8r 1 H I o
P
_uv()iotr
c-
=

-E
ar o
+L
*:
:.
u-,-o)ql
a'a 9
-'
! i;
H'o
8=-
"
I :g
6r'1'::--
di,
n c .X oJ
.iL)9
@
u

ji
=-<
-X C ,
3g
! - a, E
,or
Y
;=" E": 1':5 Hg
ii-e^.
.t
P.- E E
q*.;'c<o)
:3
=
m n,
.:
O
-c,
n,
E .-
Y.
=, -
i E:- H;
a ;
.!^ ei L n - * o
-E
-: ; or - 7 #,.:
u
o
o ) o.9 Y'
-:a
I !
Il ;, P i,.: x:
,!
c
ar--=!l;O.-
)'/,
!
-a
a {,' J ;
qr
2= , = d : oa
f
;
jVl
ds
ng
m!
ll r
o
0
-
o
0
6
'
C
dE
.'1 5
-0
li
x
o
-o
p>
.0-
i
9E
Trc
No!
XqO
.\o
a- \o
C.
alrrt,n
.o>30
du=
C
o
O
N
r
61
rl
OL
tr!
-
>l
,31
a)
o
f
E
o
o
o
o
a
o
@
C
o
o
o
@
!
N
N
^z
oa
of
Eg
c<.
?C
9o
9.
!
@ &
w
o
o
^z
,o
oo-
of
r3*
c<
9-
N
o
o
O
o
O
o
o
l
P
f
(
'
E
E
E
E
f
E
It
I
)
,
5
v
lE
G
G
5
g
v
q
v
v
s
-tr
rD
d
=
a
1A
l)
u
r.
-g
o\
o
rD
lt X
0(}
x
6'
.D
-
!
:^
ffic.)
!-,
oni
t t/,
'n
i)
at)
f4.L^
ocu
0 .
{Dh
I:U
:-ua
=i
-nj,
o.
O
lu^
=
^t:
Iuo
o:
tu i
o
.',
=
!s
!O-
,U
,/ a.
cr0
OI
-
=ft,
:D
=-
0=
n
0iD
.n-
)at
=. 1
!
J-
,!ci'f
{;'
'-. i
=-ls-,^l'<
:ia,^,!l
a | ! d.n: u
''en1i.
o,lE.
)./ /
=?V-,..
,!-:g
i 4 .ta J.
,^
a 6
-\-
6'^)J
Z a t
nt
ir i;n /h
o!q !t L:
!:
-n'-
> -" ut^

'!o
?'n
a
c i ;'E
^44,r'i'
-E
/, t!
Ls
t +'
iO.na,g
at a A ;n'l
^
^ -
:,
. ') i,
-&
1.1-
! Ctt." 4?
0 i 4
-- ^,
/')
Qrt
u.;.x a..
't a U tt,)
^-t -.4',!
-
+-'i'u*
-.!:;.s
^
t a l:J
) O.u':"
fl
-r.e^t
a,.t)
41., )J
;q ! a'r
q
a \a >
6
\
F.]
a
m
o3.
it
o
*^
a
o
a
o
=
F
o
L
.
6
+1
o
O
O
*1
u
o
3
4
4
4
4
-
,1
.a
-4
4
4
4
4
4
-1
4
4
4
,
4
4
--a
4
=.4
I
4
.-1
4
b
b
t
l
b
b
l
l

Bio e Statistic A

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Bio e Statistic A

Transféré par

Droits d'auteur :

Formats disponibles

BIOESTATSTICA

Parte 1 - Estatstica descritiva e anlise exploratria dos

) representado por um ponto de coordenadas (

obtidos a partir da recta que se

= , quando os pontos pertencem todos recta;

- mdia amostral n - dimenso da amostra

> -" ut^

Vous aimerez peut-être aussi