Curso de Bioestatística

May 3, 2019 | Author: Ilana Rodrigues | Category: P Value, Null Hypothesis, Statistics, Statistical Hypothesis Testing, Confidence Interval
Share Embed Donate


Short Description

Download Curso de Bioestatística...

Description

Cronograma de aulas

Softwares usados durante o curso

•  Aula 03 - Uso de Estatística no Controle de de Infecções Hospitalares:

Curso de Bioestatística para profissionais de saúde.

infecção hospitalar.

 – Construção de curvas endêmicas no SiSSU.

 Aula 01: 01: da amostra amostra à tomada de decisão decisão

univariada: •  Aula 04 - Análise univariada:  –  –  –  –  –

Bráulio RGM Couto ([email protected] ) Belo Horizonte, novembro de 2006

Tabelas 2x2, risco relativo e odds ratio.  Análise ise univariada univariada no SiSSU e no EpiInfo (Stat (StatCalc) Calc).. Construção de bancos de dados no EpiInfo.  Validação de bancos de dados no EpiInfo.  Análise ise univariada univariada no EpiInfo (analysis). ysis).

COUTO, BRGM

Cronograma de aulas

3

Referências bibliográficas

•  Aula 01 - Metodologia estatística e epidemiológica:

HEARST, N; NEWMAN, TB. Delineando a pesquisa  clínica: uma abordagem epidemiológica . ARTMED Editora, 2 ed., Porto Alegre, 2006. 374p.

valor-p, significância, vícios.  – Exercícios de cálculo de tamanho de amostra.

Practical ical Statis Statistics tics for Medical Research  Research . •  ALTMAN, DG. Pract

•  Aula 02 - Análise exploratória de dados e teoria teoria de

Chapman & Hall, 1991. 1991. 610p. 610p.

probabilidades.

• GOULART, EMA. Metodologia e Informática na Pesquisa

 – Síntese tabular, numérica e gráfica de dados.  – Introdução à teoria de probabilidades.  – Qualidade de testes diagnósticos: sensibilidade,

5

COUTO, BRGM

Filosofia de trabalho: pesquisa quantitativa

• HULLEY, SB; CUMMINGS, SR; BROWNER, WS; GRADY, D;

 – Método estatístico, amostragem, estudos epidemiológicos,

especificidade, valores de predição, curva ROC, razão de especificidade, verossimilhança.  – Exercícios no Excel.

• Microsoft Excel • EpiInfo • SiSSU

 – Exercícios sobre medidas de freqüência de casos e óbitos de

Médica. Belo Horizonte: Editora In dependente, 2000.

Introdução dução à Estat Estatístic ística a • SOARES, JF; SIQUEIRA, AL. Intro

Médica. 2.a ed. Coopmed Editora Médica. Belo Horizonte, Horizonte,

Quando podemos medir aquilo sobre  o qual falamos e podemos  expressar o que falamos por meio  de números, sabemos algo sobre  o assunto. Quando não podemos medir nem  expressar por meio de números, nosso noss o saber é frac fraco o e  insatisfatório.

Lorde Kelvin (1824-1907)

2002.

2

COUTO, BRGM

4

COUTO, BRGM

6

1

Primeiros passos

 “M  “Método Cientí  Cientí fico”  fico” 

• Objetivos da pesquisa:

0 Fazer uma introdução sobre o problema:

 –  identificar um problema que requer solução;  –  coletar dados;  –  fundamentar a ação de curto, médio ou longo prazo.

 –  revisão da literatura  –   justificativa para o “projeto”

1. 2. 3. 4. 5.

Estabelecer um objetivo Apresentar “material e métodos” Obter “resultados” Discutir os resultados obtidos Concluir o estudo . . . e

COUTO, BRGM

• Revisão da literatura:  –  os dados que sustentarão a decisão são obtidos por outra pessoa !!  –  as etapas do “projeto” continuam valendo

Se a necessidade é a mãe da invenção, a percepção dos problemas que nos cercam é a mãe da pesquisa !

7

Filosofia do trabalho cient í fico: fico: busca de evidências concretas 1. Objetivo = “fazer uma pergunta”

• • • • •

9

COUTO, BRGM

1 Identificar o tópico problemático ou duvidoso;

a literatura apresentar solução “convincente”: implementar as medidas recomendadas para o problema;

 –  se a revisão da literatura for insuficiente, avaliar a possibilidade de realizar estudo próprio.

11

 –  estabelecer as perguntas a serem respondidas;  –  escolher palavras-chave relacionadas com a pesquisa

• Metodologia: definir as fontes da pesquisa  –  Teses e relatórios técnicos: www.google.com,www.altavista.com,www.todobr.com.br www.scholar.google.com

A revisão da literatura é o primeiro passo da pesquisa . . . muitas vezes a única e fundamental etapa na busca por respostas ! COUTO, BRGM

COUTO, BRGM

• Definir os objetivos da pesquisa:

 –  se

8

introdução, com motivação e justificativa objetivos material e métodos discussão conclusão

Revisão sistemá sistemática da literatura: “meta análises” 

Grandes passos 2 Fazer uma revisão sistemática da literatura

2. Metodologia = “propor um método para obter a resposta da pergunta feita”; 3. Resultados = “aplicar o método e obter dados sobre o problema”; 4. Discussão = “interpretar os dados coletados, comparando o resultado obtido com outros publicados na literatura”; 5. Conclusão = “responder à pergunta” e COUTO, BRGM

 As decisões devem ser baseadas, no mí nimo nimo em

 –  Revistas indexadas: www.pubmed.gov, www.scielo.br, www.bireme.br

 –  Guidelines:

10

www.guideline.gov

COUTO, BRGM

12

2

Referências bibliográ bibliográficas: biblioteca Cochrane •

Fases da pesquisa

Biblioteca Cochrane: www.bireme.br/cochrane   – Revisões Sistemáticas: 3058  – Resumos de Revisões sobre Efetividade: 4123  – Registro de Ensaios Controlados : 375143  – Revisões sobre Metodologia: 16  – Referências da Metodologia Cochrane: 4617  – Avaliação de Tecnologias em Saúde: 3178  – Avaliação Econômica da NHS: 11787

COUTO, BRGM

13

Estudos Experimentais Intervenç ção Estudos de Interven

1.  A idéia 2.  A pesquisa bibliográfica 3.  A seleção dos artigos 4.  A formulação do problema 5. O enunciado das hipóteses 6. Planejamento da metodologia

Fases da pesquisa

• Entender o método estatístico • Avaliar aspectos éticos

Investigador  PASSIVO

Com controle sobre a exposi exposiç ção

Sem controle sobre a exposi exposiç ção

17

Estudos Observacionais

7. Análise ética 8.  A provisão de recursos 9. Coleta de dados 10.  Análise dos dados 11. Formulação das conclusões 12. Divulgação dos resultados

• Avaliar tipos de estudos epidemiológicos

Investigador  Investigador  ATIVO

15

COUTO, BRGM

Realizaç estudos Realização de “ de “estudos pró próprios”  prios” 

Coorte

CasoControle Caso-Controle

Transversal COUTO, BRGM

14

COUTO, BRGM

Estudos Não Experimentais Estudos Observacionais

16

Comparaç Compara ção de Efeito

Comparaç Comparação de Exposiç Exposição

Exposiç Exposição e efeito avaliados em um mesmo momento

18

3

Estudo Prospectivo

Estudos de Intervenção

Estudo Retrospectivo

•   Alocação •

Planejamento do estudo e registro registro da exposiç exposi ção antes do evento resposta (efeito) ser aparente aparente

Estudos de Intervenção

aleatória em diferentes grupos de exposição Controle de exposição ao fator de interesse pelo investigador



 – Randomizados (padrão de referência)  – Não randomizados ( --> viés de indicação) •

Planejamento Planejamento do do estudo apó após a ocorrência do evento resposta (efeito)

21

COUTO, BRGM



Eixo da unidade de pesquisa



 – Ensaios clínicos (indivíduo)



• Profiláticos (ex.: Ensaios de campo de vacinas) • Terapêuticos



 – Ensaios de comunidade



• Ex.: fluoração da água e incidência de cáries

20

23

Ensaios clínicos controlados randomizados

Estudos de Intervenção

COUTO, BRGM

Não controlados (s/ grupo controle)   – Todos os indivíduos recebem a intervenção (estudo descritivo !!)

19

Ensaios clínicos: estudos de intervenção

Controlados (com grupo controle: tratamento convencional ou s/ tratamento)

22

Estudo prospectivo Grupo experimental X Grupo controle Distribuição do fator de intervenção através de técnica de randomização Pode-se referir a fármacos, técnicas ou procedimentos

24

4

Ensaios Clínicos com drogas Fases da experimentação

Ensaios Clínicos com drogas Fases da experimentação •

Fase I



 – Ensaios de farmacologia clínica e toxicidade   – Primariamente relacionados a segurança e não a eficácia  – Geralmente realizados c/ voluntários normais   – Principal objetivo: determinar uma dose aceitável da droga (s/ efeitos colaterais)   – Também envolve estudos de metabolismo e biodisponibilidade  – 20 a 80 indivíduos

Fase III  – Avaliação em larga escala do tratamento  – Comparação com tratamentos padrão disponíveis para a mesma condição

25

COUTO, BRGM

Ensaios Clínicos com drogas Fases da experimentação •

Ensaios Clínicos com drogas Fases da experimentação • •

Importância da indústria farmacêutica Duração de um programa inteiro de pesquisa: 7 a 10 anos !!!

27

29

Ensaios Clínicos com drogas Fases da experimentação

Fase II



 – Estudos iniciais de eficácia em pacientes  – 100 a 200 pacientes

Randomização •

Fase IV   – Vigilância pós-comercialização  – Monitoramento de eventos adversos   – Estudos a longo prazo de morbidade e mortalidade

26

28

Determinantes conhecidos e não conhecidos do evento de interesse são distribuídos de forma semelhante entre os grupos tratados e controle  – Simples  – Em blocos  – Pareada  – Estratificada  – Por minimização

30

5

Confecção do banco de dados

A metodologia Estatística

Programas EPI INFO  Access Excel n

n

n

Erros sistemáticos x Erro amostral

 Variá  Variáveis: 1) Padronizar as variá variáveis contí  contí nuas nuas



Não confundir vício com erro amostral.  – Erro amostral: ocorre quando tomamos uma decisão sobre toda uma população, com base em resultados observados numa amostra.

Ex: tempo da cirurgia (minutos)

2) Codificar variá variáveis categó categóricas (1) óbito e (0) não óbito

3) Datas dd/mm/aaaa dd/mm/aaaa 4) Evitar questões abertas 5) Colocar opç opções no banco de dados. COUTO, BRGM

31

Etapas da análise estatística n

n

Cálculo do tamanho da amostra (n) e amostragem dos dados, quando necessário. Confecção do banco de dados:  –

n

 Análise descritiva:  –

n

conferência do banco de dados e conhecimento de todas as variáveis do estudo.

 Análise univariada:  –

n

Epiinfo

resposta dos cruzamentos de interesse. regressão linear múltipla, regressão logística, etc.

COUTO, BRGM

33

32

35

COUTO, BRGM

População alvo, população amostrada e amostra

 Vieses, vícios, erros sistemáticos é definido como qualquer tendência na coleta, análise, interpretação, publicação ou revisão de dados que podem levar a conclusões que são sistematicamente diferentes da verdade !

•  Vício

População alvo do estudo

Inferência

 Amostra 

 – É um processo que distorce os achados de uma pesquisa.

 Análise multivariada:  –

COUTO, BRGM

COUTO, BRGM

34

COUTO, BRGM

População amostrada

36

6

 A inevitabilidade do erro amostral •

Mesmo se todos os vícios (erros sistemáticos) forem removidos do processo inferencial, esta passagem de amostra para população estará associada a um certo grau de imperfeição e, consequentemente, a uma probabilidade de erro (aleatório).

Teste de Hipó Hipótese 

Teste de significância



Cálculo do “valor-p”

Teste de Hipó Hipótese

Do ponto de vista técnico um teste de hipótese é um processo de tomada de decisão do tipo:

Hipótese estatística: - é uma afirmação que se faz sobre uma ou mais populações;

decidir entre H0 ou H1 com base em evidências amostrais.

- é uma afirmação feita sobre um dos parâmetros da de cada população investigada.

Paralelo entre teste de hipótese e decisão de um juri no julgamento de um réu:

Hipótese A: a população de pacientes do cirurgião A tem maior risco de infecção cirúrgica (SSI) do que o aceito pela literatura.

o juri deve decidir entre inocência ou culpa de um réu com base em evidências do inquérito.

H0 : O réu é INOCENTE

Hipótese A: a proporção de SSI do cirurgião A é maior que a proporção preconizada pela literatura.

37

COUTO, BRGM

Como o erro amostral é  “controlado”  •

39

COUTO, BRGM

Definição das Hipóteses Hipótese nula -

O erro amostral é controlado pelo valor-p e pelos intervalos de confiança.   – Na verdade, não é exatamente o erro amostral que é controlado, mas a sua probabilidade de ocorrência.  – Como reduzir o erro amostral ?

Exemplo do Cirurgião A

preconizada pela literatura.

Hipótese nula - H0: a proporção de SSI do cirurgião A é IGUAL à proporção de SSI preconizada pela literatura.

H1: a proporção de SSI do cirurgião A é DIFERENTE da proporção

(INOCÊNCIA)

preconizada pela literatura.

• Aumentando o tamanho da amostra !!

COUTO, BRGM

Hipótese alternativa -

38

COUTO, BRGM

41

As hipóteses nula e alternativa representam sempre a situação (Inocente X Culpado), só que para a estatística o réu é considerado, de uma forma genërica, um fator de exposição qualquer, que está sendo investigado.

H0: a proporção de SSI do cirurgião A é IGUAL à proporção de SSI

Hipótese alternativa -

H1 : O réu é CULPADO COUTO, BRGM

40

H1: a proporção de SSI do cirurgião A é DIFERENTE da proporção preconizada pela literatura. (“CULPA”)

COUTO, BRGM

42

7

Erros de decisão

Exemplos de testes estatísticos

Decisão escolhida versus  Situação real

ERRO TIPO I à Rejeitar a hipótese nula quando,

na verdade, esta é a hipótese verdadeira !

Decisão TOMADA:

Situação REAL (desconhecida)

Rejeitar H0

NÃO Rejeitar H0

O réu é INOCENTE

Decisão ERRADA (erro tipo I)

Decisão correta

ERRO TIPO II à Não Rejeitar a hipótese nula quando,

O réu é CULPADO

Decisão correta

Decisão ERRADA (erro tipo II)

na verdade, esta hipótese é falsa !

Condenar um inocente.

Inocentar um culpado.

A rejeição ou não rejeição de H0 necessita de uma regra ou critério de d ecisão,

Todos nós somos inocentes, a não ser que "alguém" prove o contrário !

- baseada num modelo estatístico específico para cada situação estudada -Teste t-student, teste qui-qudardo, teste exato de Fisher, teste . . . COUTO, BRGM

43

45

COUTO, BRGM

Objetivo da regra de decisão

Exemplos de testes estatísticos

47

COUTO, BRGM

Teste de Hip ótese

Rejeitar ou não rejeitar a hipótese nula ou de “inocência” ( H0) de tal forma a MINIMIZAR os ERROS de d ecisão

A hipótese nula é sempre considerada como verdade, até que se prove o contrário.

- PROBLEMA: a regra de decisão consegue controlar somente um ERRO Conseqüências de cada tipo de ERRO: Decisão TOMADA:

• •

Neste testes, os grupos a serem comparados são escolhidos de forma independente um do outro. Estes testes são típicos de análise univariada.

COUTO, BRGM

44

Situação REAL (desconhecida)

Rejeitar H0

O réu é INOCENTE

Decisão ERRADA (erro tipo I)

O réu é CULPADO COUTO, BRGM

NÃO Rejeit ar H0

Esta afirmação é muito forte, pois ela implica na pré-suposição de que qualquer variável, ou fator de exposição de um modo geral, não está associada à infecção hospitalar, por exemplo, a não ser que os dados d e um estudo mostrem evidências suficientes para tal. Cabe ao pesquisador o ônus da prova d e que, por exemplo, uma variável é fator de risco para infecção.

Decisão ERRADA (erro tipo II)

46

COUTO, BRGM

48

8

Cadê o valorvalor-p ?

Regra de Decisão Baseada no ValorValor-p ?

Valor-p: é uma medida da probabilidade de

se cometer o Erro I.

1º)

Quanto menor o valor-p , mais evidências se tem para rejeitar a hipótese nula, ou seja, para se afirmar que o fator estudado está realmente associado

com a variável resposta investigada. O valor-p mede a probabilidade dos resultados observados no estudo serem devidos simplesmente ao acaso.

49

COUTO, BRGM

 Valor-p ? Quanto menor o valor-p, mais evidências se tem para rejeitar a hipótese nula, ou seja, para se afirmar que o fator estudado está realmente associado

com a variável resposta investigada.

O que é um valor-p “pequeno” ?

Nível de significância = α = 0,05 (5%) Regra de decisão:

COUTO, BRGM

Calcular o valor-p através de algum teste estatístico

2º) Definir o nível de significância: α = 0,05 (5%)

0.05 |-- 0.10

3º) Decidir Se valor-p ≤ 0,05 então Rejeitar H0 = “resultado significativo” senão Não rejeitar H0 51

COUTO, BRGM

Problema com a Regra de Decisão Anterior 1º)

INTERPRETAÇÃO DA HIPÓTESE NULA Qua se ce rto de se r f al sa

 Valor-p < 0. 05

0.10 |-- 0.20 ≤

0.20

50

 Análise Univariada

3º) Decidir p = 0,065 > 0,05 então “resultado não é significativo” ?

COUTO, BRGM

53

Como calcular o valor-p: teste estat í sticos sticos

Calcular o valor-p através de algum teste estatístico: p = 0,065

Não se pode dar tanto poder a um simples número ! ! !

INFERÊNCIA SOBRE A DIFERENÇA OBSERVADA I mp ro vá ve l d e s er de vi do ao acaso Provavelmente não é verdade Provavelmente não é devido ao acaso Possivelmente não é verdade Possivelmente não é devido ao acaso Quase certo de ser verdade Provavelmente é devido ao acaso

COUTO, BRGM

2º) Definir o nível de significância: α = 0,05 (5%)

1ª resposta: definir um NÍVEL DE SIGNIFICÂNCIA para o seu estudo

Se valor-p ≤ 0,05 então rejeitar H0 = “ resultado significativo” !

Regra de Decisão

Análise multivariada

52

COUTO, BRGM

54

9

Significância estatística versus significância prática •

Significância estatística versus significância prática

Não se pode afirmar que um estudo com valor-p < 0,001 é mais significativo que outro estudo com p = 0,03.   – O valor-p mede a significância estatística, que depende da amostra (n).   – A significância prática (clínica) depende do tamanho das diferenças ou do efeito observado no estudo. 55

COUTO, BRGM







57

Estudos baseados em amostras pequenas

Um estudo pode ser significativo, do ponto de vista estatístico, e irrelevante, do ponto de vista prático.

estudos que concluem que “não há diferença significativa” entre os grupos comparados são extremamente vulneráveis ao tamanho da amostra. É mais fácil comprovar a diferença do que a igualdade:   – Os testes estatísticos são muito conservadores, protegem a igualdade a todo custo !

56

COUTO, BRGM

experimentos clínicos multicêntricos de avaliação de novos antibióticos Objetivo: mostrar que o ATB novo é tão bom quanto o concorrente (equivalência). Equivalência usual: ±15%

• Exemplo: • •

 – Sucesso no tratamento do ATB A: 70%   – O tamanho da amostra é calculado de modo que, se o   ATB B tiver um sucesso entre 55% e 85%, ele será considerado equivalente ao concorrente. COUTO, BRGM

59

 Vacina de poliomielite: exemplo de estudo com amostras pequenas

• Cuidado:



www.junkscience.com www.jir.com

COUTO, BRGM

Com tamanho de amostra pequeno ( pouco poder estatístico), você pode se deparar com uma verdadeira relação entre fatores e variáveis. Com excesso de poder (amostras grandes) você pode encontrar uma diferença microscópica, sem qualquer valor prático.

COUTO, BRGM

Significância estatística versus significância prática

Estudos cujo objetivo é “provar” a igualdade

58



Em uma comunidade, 450 crianças foram vacinadas e 680 ficaram sem vacina.  – Nenhuma das crianças vacinadas contraiu pólio.  – Nenhuma das outras também !  – Conclusão: a vacina não funciona ! ! !  – Oops: e a baixa incidência de pólio paralizante ? • A amostra deveria ser 20 vezes maior . . .

COUTO, BRGM

60

10

Funções da estatística: descrição e tomada de decisões

Como medir a significância prática •

Calcular intervalos de confiança para:  – Diferença entre taxas ou proporções  – Odds ratio e risco relativo  – Diferença entre médias  – Coeficiente de correlação  – Coeficientes de regressão  – Fração etiológica

Estudos de caso População

Amostra Amostra

Estatística inferencial

61

COUTO, BRGM

Funções da estatística: tomada de decisões (estatística inferencial) •

63

COUTO, BRGM

 – Inferência estatística: tomada de decisões com base em dados colhidos de uma amostra (pequena parte estudada do grupo como um todo)  – O pesquisador precisa tomar a decisão se os resultados encontrados com a amostra são válidos para toda a população (se é possível realizar inferências da amostra para a população). Para isso, irá conduzir testes estatísticos 62

• •

65

COUTO, BRGM

Eficácia do DuraPrep: • Total de pacientes cirúrgicos estudados: 399 • Período: março a julho de 2003

Método Estatístico

Inferência: conclusões tiradas da “parte para o todo” 

COUTO, BRGM

Estatística d escritiva

Estatística: descritiva e/ou inferencial Estatística descritiva:  – síntese numérica, tabular e gráfica



Convencional 49% (196)

Estatística inferencial:  – objetivo: avaliar os dados e tomar uma decisão considerando o erro amostral  – cálculo de intervalos de confiança  – teste de hipóteses (cálculo do valor-p)

COUTO, BRGM

64

Duraprep 51% (203)

COUTO, BRGM

Obs.: total de pacientes = 399

66

11

Resumo do estudo • Características dos pacientes estudados:

Infecção do sitio cirúrgico

DuraPrep versus Convencional

• Risco de infecção conforme potencial de

• Risco de infeccao ajustado pela duracao da cirurgia:

contaminação da ferida operatória:

 – Sexo: M = 173 (43%); F = 226 (57%)  – Idade (anos): min = 10; max = 91; media = 55  – Tempo cirúrgico (minutos):

60%

50%

 Acima de 2 e ate 3 horas de cirurgia:

  e    d   o 30%   c   s    i

 – Potencial de contaminação: L = 338 (85%); PC = 45 (11%); C = 13 (3%); I = 3 (1%)

   R

31% (4/13)

20%

 Acima de 3 horas de cirurgia:

6% (20/238)

10%

9% (4/45)

 – Tricotomia: tricotomizador = 207 (52%) COUTO, BRGM

67% (2/3)

  o   a   c   c   e    f 40%   n    i

min = 40; max = 600 (10 h); media = 210 (3,5 h)

nenhuma = 192 (48%)

 Ate 2 horas de cirurgia:

70%

0%

67

Infecção do sitio cirúrgico •  Analise univariada:

Limpa

COUTO, BRGM

Obs.: valor-p < 0,001

Potencialmente Conta minada contaminada

Infectada

69

Infecção do sitio cirúrgico

Resultado final

• Risco de infecção conforme a duração da cirurgia:

• O estudo confirmou a importância do

potencial de contaminação e da duração da cirurgia como fatores de risco para infecção cirúrgica. • O uso de DuraPrep é fortemente recomendado somente em cirurgias com mais de 3 horas de duração.

12%

9,8% (21/214)

10%   o   a 8%   c   c   e    f   n    i   e 6%    d   o   c   s 4%    i    R

2%

71

7,0% (8/115)

1,4% (1/70)

0%

A te 2 h ora s Obs.: valor-p = 0,023

COUTO, BRGM

68

COUTO, BRGM

A ci ma de 2 e at e 3 ho ra s

A ci ma de 3 h or as

Duracao da cirurgia

70

COUTO, BRGM

72

12

População alvo, população amostrada e amostra

Coleta de dados: amostragem

População alvo do estudo

Inferência

 Amostra 

COUTO, BRGM

73

Conjunto de indivíduos sobre o qual recairão todas as generalizações das conclusões obtidas no estudo.



Se a “população alvo” for pequena é razoável observá-la por inteiro, através de um censo.



Na maioria dos estudos tal censo é inviável, devido aos altos custos associados:  – uma pequena, mas CUIDADOSAMENTE escolhida amostra pode ser usada para representar a população.

COUTO, BRGM

População amostrada

75

COUTO, BRGM

Processos de amostragem

População alvo do estudo •

Tipos de amostra possíveis

74

Cálculo do tamanho de amostra

•  Amostra probabilística:

 – existe uma garantia, em termos de probabilidade, de que qualquer membro da população possa ser selecionado para amostra.  – Neste caso é possível o cálculo do erro amostral ! •  Amostra

não-probabilística:

 – os elementos da amostra não são escolhidos de uma maneira probabilística, isto é, usando um esquema de sorteio.  – Neste caso, o erro amostral é desconhecido. COUTO, BRGM

77

COUTO, BRGM

76



O erro amostral (E0) é uma medida do grau com que uma amostra pode diferir da população.



Para survey envolvendo cálculos de percentuais em populações grandes, o erro amostral pode ser obtido pela expressão aproximada:  E 0 ≈

100 n

n≈

10000 ( E 0) 2

 – onde n é o tamanho da amostra.

COUTO, BRGM

78

13

Conclusão final

Cálculo do tamanho de amostra •

O pesquisador define o erro amostral (E0) aceitável e calcula o tamanho da amostra necessária:

79

COUTO, BRGM

“Eu, Coelet, Coelet, fui rei de Israel em Jerusalé Jerusalém. Eu resolvi pesquisar e investigar com sabedoria tudo o que acontece debaixo do sol. Essa é uma tarefa penosa que Deus entregou aos homens, para com ela ficarem ocupados” ocupados”. ECLESÍ  ECLESÍ ASTES, ASTES, 1: 1212-13. COUTO, BRGM

81

Tamanho de amostra para populações finitas •

Para populações com tamanho finito (N < 300.000) deve-se corrigir o tamanho da amostra: n

corrigido

=

 N  × n  N  + n

 – N é o tamanho da população,  – n é o tamanho da amostra, calculado anteriormente.

COUTO, BRGM

80

14

View more...

Comments

Copyright ©2017 KUPDF Inc.
SUPPORT KUPDF