Respostas e comentários da sabatina - lira.pro.brlira.pro.br/wordpress/wp-content/uploads/downloads/2010/03/... · Respostas e comentários da ... menor a probabilidade de erros

Respostas e comentários da sabatina

Questão Resposta comentário

1.1. Discuta os princípios experimentais e sua importância, incluindo formas de aplicação

Os princípios experimentais são orientações que dever ser seguidas na execução de um experimento científico, sendo estes: repetição, casualização e controle local. A repetição é uma forma de observarmos os efeitos de um dado tratamento no solo, como por exemplo, a aplicação de doses crescentes de nitrogênio na produção de biomassa na cultura do milho, onde o princípio da repetição irá indicar se o efeito da adubação nitrogenada é ou não eficiente. A não repetição pode indicar um resultado que pode ter efeito do acaso, portanto é indispensável o princípio da repetição na experimentação. A casualização é uma forma de não favorecer nem prejudicar um dado tratamento, sendo assim a melhor forma de evitar este efeito é fazendo-se sorteio dos tratamentos. A casualização pode ser feito em blocos ao acaso, onde é feito o sorteio dos blocos e o sorteio dos tratamentos dentro de cada bloco (cada bloco deve conter uma repetição de cada tratamento), ou em delineamento inteiramente casualizado, sendo este último menos aplicado. A casualização é aplicada para corrigir possíveis variabilidades identificadas na montagem de um experimento, por exemplo, a distribuição de um experimento em campo onde a área apresenta uma topografia irregular o efeito da declividade pode ser eliminado montando o experimento em blocos ao acaso, garantindo desta maneira a distribuição de cada tratamento em cada ambiente (várzea, topo, encosta suave e encosta mais inclinada). A casualização pode ser aplicada em qualquer ambiente, desde o campo até condições de laboratório, onde dos tratamentos em blocos são os mais recomendados para minimizar possíveis variabilidades. O controle local é uma forma de reduzir possíveis efeitos da variação, é uma maneira de minimizar o efeito do tempo de leitura de uma variável (coletar leitura de temperatura e umidade sempre nos mesmos horários todos os dias), controle da irrigação em casa de vegetação com reposição de água todos os dias a 80% da capacidade de campo, controle da luminosidade (uso de sombrite), efeito bordadura em experimentos de campo, etc. o controle local é aplicado desde condições de campo até laboratório. Diante do que foi citado acima a repetição, o controle local e a casualização são medidas que devem ser adotadas para minimizar os efeitos da variabilidade dando mais confiabilidade nos dados experimentais obtidos ao final da conclusão de um estudo científico.

" A casualização é aplicada para corrigir possíveis variabilidades identificadas na montagem de um experimento, por exemplo, a distribuição de um experimento em campo onde a área apresenta uma topografia irregular o efeito da declividade pode ser eliminado" -pensei que isto era o controle local, enquanto a sua definiçaõ de controle local está muito mais parecida com cuidados experimentais para evitar introduzir variação do acaso

O experimento é uma técnica de análise para a derivação das inferências reminiscentes ao acaso entre características das unidades experimentais, fundamentado no controle experimental, que engloba princípios, tais como repetição, casualização e controle local, os quais permitem a comparação entre o efeito e o tratamento, além de serem um recurso para a redução do erro experimental global. No que se diz ao princípio da repetição, sua importância aplica-se na obtenção de uma conjectura do efeito do acaso, assim proporcionando o erro experimental. A casualização permite duas propriedades fundamentais ao delineamento experimental: o controle do erro experimental e a determinação de estimativas válidas do acaso. Permitindo que os efeitos de fatores não-controlados, que afetam a variável resposta e que podem estar presentes durante a realização do experimento, sejam balanceados entre todas as medidas. Torna viável o emprego dos métodos estatísticos para análise dos dados que exigem que variáveis aleatórias independentes. O controle do ambiente torna possível homogeneizar as condições da zona em que se encontra o ambiente, objetiva tirar o efeito do acaso, sua aplicabilidade dá-se na existência da variabilidade e no seu reconhecimento. "

a descrição da casualização está particularmente boa, mas sugiro lembrar que quem gosta de linguagem complicada é advogado e político. Quanto mais direta a linguagem, melhor para o entendimento

"Para a obtenção dos resultados de um dado experimento, é necessário obedecer ou ser regido por alguns princípios experimentais, sendo estes responsáveis pela diminuição de todas as possibilidades que possam influenciar negativamente na condução do trabalho de campo. Deste modo, os princípios experimentais surgem como elementos imprescindíveis no sentido de se obter os resultados de acordo com os possíveis tratamentos a serem conduzidos. É a partir da diminuição do erro experimental que será possível obter resultados mais “puros”, ou seja, sem as ações voluntárias ou involuntárias. São três os princípios básicos destacados abaixo: a) Casualização Consiste na distribuição de todas as unidades experimentais em igualdade de condições locais, ou seja, que todos os tratamentos não tenham nenhum favorecimento devido às melhores condições de desenvolvimento. Dessa forma, percebe-se que todos os tratamentos recebem as mesmas variações ao acaso. A distribuição dessas unidades experimentais ocorre de forma aleatória por meio de sorteio ou outra forma de se eliminar a intenção do pesquisador, possibilitando que todos os tratamentos possam ser influenciados pelas mesmas condições existentes na área experimental. b) Repetição Consiste em utilizar o mesmo tratamento mais de uma vez na unidade experimental, possibilitando dessa forma maior confiabilidade dos dados obtidos no experimento, permitindo verificar se houve efeito do acaso. Dessa forma, aumenta-se a precisão das estimativas. O número de repetições é dependente de vários fatores internos e externos ao experimento, porém, sendo mais comum o uso de 3 a 5 repetições. No entanto, quanto maior o número de repetições, menor a probabilidade de erros grosseiros. c) Controle Local Consiste em diminuir todas as contribuições do ambiente, expressando heterogeneidade, o que pode interferir negativamente no experimento. Dessa forma, procura-se subdividir áreas heterogêneas em sub-áreas homogêneas, afim de se possibilitar a diminuição dos efeitos da heterogeneidade ambiental, expresso muitas vezes pelos blocos, que conterá uma repetição de todos os tratamentos. Dessa forma, permitirá obter maior confiabilidade dos dados, devido a eliminação de possíveis fatores que possam prejudicar ou beneficiar alguns tratamentos. "

ok

quarta-feira, 24 de março de 2010 Página 1 de 16



"Os princípios experimentais são responsáveis pela confiabilidade dos resultados obtidos em pesquisas científicas. Os 3 princípios básicos são: Repetição, Casualização e Controle Local. A Repetição refere-se ao número de vezes que o tratamento aparece no experimento, pois não poderíamos separar o acaso se coletássemos apenas um dado. Sendo assim, a finalidade deste princípio é permitir a estimativa do erro experimental e aumentar o poder dos testes estatísticos. O número de repetições a ser adotado é bastante variável, geralmente está entre 4 e 6. A Casualização é utilizada para distribuir os tratamentos nas parcelas de forma aleatória (o que geralmente é feito através de sorteio) para evitar que haja beneficiamento de um determinado tratamento em relação a outro na área experimental. Por exemplo, numa casa de vegetação com problemas de vazamento no telhado, irei montar um experimento que visa comparar a produtividade de duas variedades de feijão – A e B. Suponha que eu conheça a produtividade de B e que esta seja superior à de A. Eu decido localizar os vasos com os tratamentos da variedade A exatamente abaixo deste vazamento. Hipoteticamente, eu já saberei o resultado do experimento, pois as sementes da variedade A sofrerão mais influências do ambiente, não garantindo assim a atuação do acaso. Desta forma, a Casualização tem por finalidade assegurar a validade da estimativa do erro experimental, permitindo que este erro tenha uma distribuição independente. O Controle Local é utilizado quando verificamos uma heterogeneidade no material em questão, devendo-se então realizar subdivisões (blocos) com a finalidade de agrupar o material mais homogêneo possível. Dentro dos blocos a variação deve ser a mínima, ao passo que entre os blocos, este nível de variação não é importante. Desta forma, controlamos a variação do acaso. Podemos realizar o Controle Local no campo (quando verificamos diferenças no relevo, na vegetação), em casa de vegetação (quando verificamos diferenças na incidência luminosa, na temperatura) e em laboratório (quando verificamos diferenças de umidade, de temperatura e/ou outras limitações, como por exemplo, o número de vidraria disponível). "

ok

R= São considerados como princípios da experimentação, a repetição, a casualização e o controle local. Onde, a repetição nada mais é do que a verificação de uma eventual tendência por um maior número de amostras analisadas, onde este número de repetições é geralmente indicado pelo orientador. Pois, não existe um valor já especificado, ou melhor, um número de repetições já estabelecidos. Vale salientar que, quanto mais repetições houver, mais preciso serão os resultados. Já a casualização, nada mais é do que a aplicação dos tratamentos, de um modo mais casual, como a própria palavra já diz, de preferência com a utilização de sorteios dos tratamentos. Exemplo, comparando-se duas variedades de cana-de-açúcar em casa-de-vegetação, faz-se o sorteio para poder distribuir aleatoriamente as variedades. O controle local tem como princípio subdividir uma condição heterogênea para uma condição mais homogênea. Ou seja, fazer com que um grupo heterogêneo se torne o mais homogêneo possível. Temos como forma de aplicar um controle local a utilização de blocos nos tratamentos, por exemplo. No caso, das variedades de cana-de-açúcar, ambas as variedades estarão com as mesmas condições de desenvolvimento, ou seja, mesmas condições para seus resultados.

para começo de conversa, o orientador não gera nenhum número de repetições... Além disto, a principal função da repetição é poder avaliar a variação do acaso




- Através dos princípios experimentais aumenta - se o grau de confiança nos resultados obtidos nos experimentos, Desta forma, cria-se uma maior credibilidade sobre as hipóteses que são levantadas com dados mais concretos. Alguns destes princípios são: repetição, causalização e controle local. Sendo que repetição, consiste no número de vezes em que o tratamento aparece no experimento, Assim quando um só dado é coletado uma vez, não consegue-se separar acaso de tratamento. Um bom exemplo seria a coleta de amostras de solo para o estudo de classificação de solos, onde requer abertura de trincheiras para ser realizado. Na abertura de uma trincheira para a retirada das amostras ,avaliando o perfil do solo, no caso dos horizontes A,B e outros, coleta-se nesta trincheira várias amostras . Logo adiante abre-se outra trincheira nesta mesma área e coleta-se novas amostras para o estudo,assim tem-se repetições de forma correta. Mas na maioria das vezes não ocorre desta maneira. Como abertura de uma trincheira fica oneroso, em uma mesma trincheira coleta-se várias amostras para o estudo de classificação de solos, o que implica em répliças e não em repetições, Para diminuir os erros em experimentos é aconselhável que se tenha números maiores de repetições, para garantir desta maneira melhores resultados, permitindo assim a estimativa do erro experimental,aumentando a precisão das estimativas e do poder dos testes experimentais. Outro principio experimental seria a casualização, que permite uma distribuição independente do erro, assegura a validade da estimativa do erro experimental. Ela consiste em distribuir de forma aleatória (sorteio), os tratamentos nas parcelas, onde cada uma delas tenha chances iguais de ocupar qualquer parcela na área experimental.Assim desta forma evita-se que uma variedade seja mais favorecidas por fatores externos etc. Aqui neste caso pode-se exemplificar da seguinte maneira: faz um sorteio das parcelas do experimento onde cada vaso de cada tratamento vai ficar numa bancada em casa de vegetação. Por fim falaremos de outro princípio experimental: controle local. Aqui neste caso devemos utilizá-los para diminuir a heterogeinidade entre as parcelas. Assim aumentamos a homogeinidade entre elas reduzindo os erros experimentais.O controle local pode ser utilizado em casa de vegetação, laboratório e no campo. Um exemplo clássico ocorre em laboratório, quando montam-se experimentos utilizando B.O.D. para crescimentos de microorganismos em temperaturas ideais. É difícil encontrarmos equipamentos de B.O.D. com a mesma temperatura adequada para o crescimento destes seres vivos, pois variam muito a temperatura de uma para a outra, ocasionado assim erros experimentais. O que deve ser feito é montar o experimentos por parte, para garantir uma homogeinidade neste resultados, diminuindo assim as variações de temperatura, as quais influenciariam nos resultados obtidos. Outro exemplo seria em casa de vegetação, onde aqui tentamos controlar a temperatura, umidade ,intensidade luminosa. Em Cruz das Almas Bahia na EMBRAPA( Empresa Brasileira de Mandioca e Fruticultura Tropical), montei um experimento em casa de vegetação, em vasos com solo de capacidade de 3 kg sendo cultivado sorgo, onde anteriormente tinha-se aplicado doses crescentes de manipueira no solo. Na condução do experimento observei que as plantas de algumas bancadas, estavam com a sua parte aérea retorcidas, crescendo voltadas para o sol( fototropismo positivo), e as outras encontravam-se normais, ou seja com a parte aérea na vertical, porém menores. Para que estas plantas que estavam com a sua parte aérea retorcidas devido ao fototropismo positivo, girei os vasos em posição contrária ao sol, com a finalidade de que a parte aérea voltasse ao seu crescimento na vertical e ficasse homogênea com os outros grupos de plantas. O resultado foi positivo, pois as plantas voltaram a ter o crescimento normalizado.

"Alguns destes princípios são: repetição, causalização e controle local." não conheço nenhum outro princípio experimental para usar alguns destes... Cuidado que a primeira característica da linguagem científica é sua precisão...

"Os princípios experimentais são aqueles que regem os experimentos, respeitando as variações delimitadas na pesquisa. São eles: repetição, casualização e controle local. Casualização - este princípio é sempre utilizado. É ele que dará a garantia que todos os tratamentos recebam a variação do acaso. Desta forma, os tratamentos são distribuídos de forma aleatória sem a interferência do pesquisador. Repetição - sua utilidade está atribuída a necessidade de se avaliar se houve efeito do acaso, ou seja, variação do acaso. Nesse caso, a implementação de cada tratamento ocorre em mais de uma unidade experimental e assim como a casualização também é sempre usado. Controle local - tem por função reduzir o efeito do ambiente, dividindo o que antes era heterogêneo em subgrupos mais homogêneos possíveis. É utilizado apenas quando necessário, ou seja, de acordo com as condições experimentais. "

a única ressalva é com a casualização que não é quem garante que os tratamentos recebam variação do acaso, mas sim que esta variação do acaso é independente dos tratamentos

"1- Os princípios experimentais são três: repetição, casualização e controle local. São importantes porque é baseado nestes que poderemos comprovar se o que aconteceu no teste foi efeito do tratamento ou variação do acaso. A repetição tem como objetivo comprovar se o resultado de determinado tratamento é realmente o que se encontrou. É aplicada para validar o resultado de dada variável em relação ao tratamento. Quanto maior o número de repetições, mais preciso o resultado. A casualização é feita para ter certeza que nenhum tratamento foi favorecido nem prejudicado durante a montagem do experimento. É aplicada, geralmente, em forma de sorteios para evitar que um ou outro tratamento seja beneficiado. E o controle local é feito para que o ambiente se torne o mais homogêneo quando se encontra alguma variabilidade neste. É aplicado para amenizar a heterogeneidade utilizando blocos casualizados,tirando o máximo da variação do ambiente. "

os blocos são apenas uma das formas de aplicar o controle local...




"Os princípios experimentais são: repetição, casualização e controle local. Eles tentam minimizar a possibilidade de haver ações voluntárias (intencionais) e involuntárias (ambiental), a fim de possibilitar que os resultados tenham sido em resposta aos tratamentos. A repetição é o oferecimento de uma condição de tratamento de uma unidade experimental para uma outras mais, sendo posteriormente, calculada a média de determinada variável, conferindo maior confiabilidade nos resultados. Com isso, tenta-se separar o efeito do acaso e do tratamento. O número de repetições depende do tipo e fim do experimento, podendo 3, 4 ou mais repetições. A casualização diz respeito à distribuição das unidades experimentais na área experimental, sem a intenção de beneficiar nenhum tratamento. Isso possibilita a neutralidade das intenções do experimentador. Sendo realizada através de sorteios, onde qualquer tratamento tem a mesma chance de ocupar um dado lugar. O controle local trata da redução de possíveis efeitos causados pela heterogeneidade do ambiente no qual será instalado o experimento. Vem conferir confiabilidade dos dados, pois, em ambientes heterogêneos alguns tratamentos podem ser beneficiados ou prejudicados, por uma maior exposição à chuva, por exemplo. Desta forma tenta-se submeter, o máximo possível, todos os tratamentos as mesmas condições ambientais. Para isso, uma ferramenta muito utilizada é a distribuição em blocos casualizados, sendo separadas as áreas mais homogêneas para a instalação dos blocos. "

além da neutralidade do pesquisador, a casualização também é uma das bases da independência da variação do acaso

"Os princípios Básicos experimentais são uteis na realização de experimentos de acordo com as variações da pesquisa, são: PRINCIPIO DA REPETIÇÃO: se refere à reprodução da unidade básica a ser testada, logo quanto mais numerosa a amostra, melhor a extrapolação do dado do experimento. Precisa ocorrer em mais de uma unidade experimental. EX: coletar três amostras do horizonte a de perfil diferentes para a análise do teor de fósforo. PRINCIPIO DA CASUALIZAÇÃO é o processo no qual as unidades experimentais devem ser designadas aos grupos por processos casual ou aleatório, ou seja por puro e simples sorteio. seu propósito é evitar a tendência de seleção da amostra e por conseguinte influenciar os seus resultados. EX: tem-se 20 tomateiros, faz-se o sorteio onde 10 tomateiros terão um tratamento e 10 que não terão, para posterior analises de desenvolvimento, se houvesse uma seleção esta poderia ser tendenciosa , (aos mais vistosos por exemplo) o que comprometeria o resultado final do tratamento, nesse caso o sorteio é mais eficiente. PRINCIPIO DO CONTROLE LOCAL deve ter principalmente heterogeneidade e o reconhecimento dessa heterogeneidade, portanto vislumbra a homogeneidade do ambiente, eliminando a interferência de variáveis aleatórias, ou seja, não analizadas no estudo. Ex: Temos dois tipos de adubos (A e B) em um orquidário com muitas espécies diferentes, onde: 20 C. labiata, 10 receberiam o adubo A e 10 o adubo B, 25 C. walkerianas com o adubo A e 25 com o adubo B, e assim por diante. Portanto melhor seria se os vasos estivessem sob semelhantes condições de tipo material que foi feito o vaso, de substrato, de rega, de modo de adubação e luminosidade. OS DOIS MAIS USADOS SÃO OS PRINCIPIOS DA REPETIÇÃO E DA CASUALIZAÇÃO "

ok




"1 – Os princípios experimentais devem ser levados em consideração durante o planejamento do experimento porque reduzem o erro experimental ou resíduo, uma medida de variação inerente ao próprio material experimental, ou ainda da variação resultante da falta de uniformidade no ambiente do experimento. Do ponto de vista do pesquisador, é de seu maior interesse, reduzir ao mínimo o erro experimental, para poder melhorar o poder de qualquer teste utilizado para atender os objetivos do experimento. São três os princípios básicos da experimentação: Casualização, Repetição e Controle local. A casualização assegura a validade da estimativa do erro experimental, por permitir uma distribuição independente do erro experimental. Assim, tem por finalidade diminuir a possibilidade de que certos tratamentos sejam sistematicamente favorecidos, ou prejudicados, por cair numa região do ambiente de experimentação, onde as condições sejam melhores, ou piores, do que aquelas normalmente existentes. Portanto, este princípio básico, consiste em se distribuir aleatoriamente os tratamentos nas parcelas, de modo que cada um tenha a mesma chance de ocupar qualquer parcela na área experimental. Do ponto de vista de sua aplicação, isto pode ser garantido através de um sorteio, ou pela utilização de uma tabela de números aleatórios, na montagem do experimento. A repetição tem por finalidade: permitir a estimativa do erro experimental; aumentar a precisão das estimativas e aumentar o poder dos testes estatísticos. Corresponde ao número de vezes que o tratamento aparece no experimento e que sofre a ação do acaso. Então, quanto maior o número de repetições de um experimento, menor probabilidade de erro ele terá. Através desse princípio básico, o pesquisador pode controlar a variabilidade do meio sobre a experimentação. Do ponto de vista prático, o número de repetições de um experimento depende de vários fatores, dentre eles: a variabilidade do meio em que se realiza o experimento, número de tratamentos em estudo, recursos de pessoal, equipamentos e orçamento, são importantes na hora do planejamento do experimento. De um modo geral, na experimentação agrícola, usa-se de quatro a seis repetições, e existe uma recomendação de que o número de graus de liberdade do Resíduo nunca deverá ser inferior a 10. O controle local é importante quando se observa que, normalmente as condições ambientais em que se realizam os experimentos não são uniformes no tempo e/ou no espaço. Portanto, é conveniente diminuir ao máximo os efeitos da heterogeneidade ambiental, recorrendo à utilização de blocos, contendo cada um uma repetição de todos os tratamentos. Assim, todos os tratamentos serão de uma maneira semelhante, atingidos pelas alterações do ambiente. Alguns critérios para o agrupamento das parcelas homogêneas em blocos devem ser observados, a exemplo de: textura do solo, declividade e localização geográfica. Do ponto de vista prático, aqui cabem algumas observações: se houver dúvidas quanto à homogeneidade do ambiente experimental, recomenda-se o uso de blocos e a variação dentro dos blocos deve ser a menor possível, ao passo que a variação entre os blocos pode ser grande ou pequena, isto é conseqüência do delineamento frente às condições experimentais. "

a única ressalva é quanto ao controle local. Este só deve ser usado quando, além da existência de dúvidas quanto a homogeneidade, como você levantou, existir evidências de como reduzir esta heterogeneidade

1.2. Discuta o post sobre erros de análise de dados, considerando a nossa área de trabalho

"Quando comparamos o embasamento estatístico levado em consideração no “post” e o que utilizamos em nossa área, esbarramos em muitas divergências. No “post”, os cientistas da área de Epidemiologia não utilizam o princípio da repetição experimental, o que para nós é de extrema importância, para que possamos distinguir o acaso de tratamento. Eles até usam um grande número de amostras, mas os resultados obtidos nem sempre são validados. Em um dos experimentos citados houve subdivisão das amostras em bloco. Porém os próprios pesquisadores afirmam que os resultados nulos não são confiáveis para a variável em questão. Quando verificamos a análise com fertilizantes, nos deparamos com os tipos de erros que a aceitação ou rejeição de que dada hipótese pode causar. No exemplo em questão, o cientista provavelmente cometeu o Erro Tipo 1. Outro ponto de divergência é a definição e forma de uso do Nível de significância. Porém, em uma das pesquisas, verificamos o princípio da casualização (ensaio com remédios e placebos), pois os pesquisadores escolheram aleatoriamente as pessoas que receberiam um tratamento ou outro. "

A idéia não era bem essa. O autor do post discutiu por exemplo o erro cumulativo de trabalhar com muitas variáveis, e a falácia de que resultado significativo quer dizer resultado importante, o que frequentemente não é verdade

O erro de análise de dados é um problema que nós deparamos nos estudos científicos também em nossa área de trabalho, que pode levar a publicações controvérsias, conflitando informações encontradas entre um e outro experimento, e publicados em artigos científicos, por isto a repetição experimental de experimentos é importante para confirmar resultados, dando mais segurança aos dados publicados. Um dos problemas é o uso inadequado de programas estatísticos para o processamento de dados, onde o programa usado pode não ser o melhor para detectar uma significância entre os tratamentos ou tenha um resultado significativo quando na realidade não é, ou o programa estatístico não seja capas de detectar pequenas diferenças entre os dados, mais que na realidade estes dados são estatisticamente diferentes. Outro problema se refere à interpretação de dados, onde uma interpretação errada leva a erros que não representam a realidade. A significância ou não significância de uma informação estatística pode ser boa ou ruim, daí a importância de uma boa interpretação dos resultados estatísticos, garantindo o não erro na análise e interpretação de dados.

muito genérico, dando a nítida impressão que não leu o post que passei, já que não discute qualquer dos pontos levantados...




2 – Do ponto de vista da estatística não podemos apresentar afirmações absolutas frente a observações de fenômenos diversos, pois os métodos estatísticos são apenas ferramentas que auxiliam nas investigações de tais fenômenos, por isso deve-se ter muito cuidado na interpretação dos dados e resultados, com base nesses métodos. De acordo com Siegfried, supostamente, os resultados seguros de pesquisas científicas dependem do uso adequado de métodos estatísticos, porém, na prática abusiva e ampla desses métodos os pesquisadores tornam a ciência mais como um jogo ou acúmulo de dados. Os testes estatísticos devem guiar os cientistas em julgar se um resultado experimental reflete algum efeito real ou é apenas um acaso aleatório, mas a combinação de métodos e filosofias mutuamente inconsistentes não tem oferecido base adequada para se tomar tais decisões. Para este autor, mesmo quando realizados corretamente, testes estatísticos tem sido amplamente incompreendidos e mal interpretados. Como conseqüência, as conclusões incontáveis são errôneas e quando extrapolados no contexto de seus campos de aplicação, os testes ou tratamentos são muitas vezes contraditórios e confusos. Dos erros de análise de dados enumerados, evidenciam-se aqueles relativos à insignificância estatística, multiplicidade de erros, os erros dos ensaios clínicos, os erros e conclusões controversas dos estudos de meta-análise e aqueles que evidenciam que a significância estatística nem sempre é estatisticamente significativa, erros que se aplicam também no campo das pesquisas agronômicas. No campo agronômico, tem-se constatado algumas incongruências em relação aos resultados acusados de estatisticamente significativos em condições adversas ao campo de aplicação e quando feitas as extrapolações na aplicação do estudo nem sempre os resultados esperados correspondem aos fatos observados. Um exemplo clássico disso corresponde a interpretações estatísticas equivocadas de resultados feitos em experimentos realizados em casa de vegetação ou em laboratórios que quase sempre não funcionam em condições de aplicação desses resultados. Os estatísticos advertem para se tomar cuidado contra uma confusão bastante comum entre as publicações científicas feita sobre significância estatística de importância prática.

sugiro que simplifique seus textos. Embora aparentemente tenha pego a idéia do post corretamente, o texto está suficientemente empolado para me dar trabalho de entender o seu raciocínio

No tocante a significância estatística, a análise e compreensão dos dados provocam controvérsias e conseqüentes erros. Um nível de significância de 0,05, por exemplo, indica a possibilidade de um efeito casual inferior a 5%, no entanto, por exemplo, no método de Fisher, um único estudo não oferece base para conclusões racionais, ou seja, esse nível de significância, não indica a existência de um sentido que reflita realidade ou se há efeito do acaso. O fato de haver uma probabilidade de ocorrência de um evento num certo dado percentual, não obrigatoriamente, indica a não ocorrência desse em um percentual maior. Erros assim são comumente observados, oriundos, como cita o autor, da ausência de uma análise prévia, a qual inferia em conclusões coerentes. Essa falha é uma origem da pouca atenção geralmente dispensada ao planejamento de experimento, do que freqüentemente decorre falhas na formulação dos planos e, conseqüentemente, baixa eficiência de muitas pesquisas. "

não vi nenhum ponto ligando com a nossa área de conhecimento...

"Sugere-se que na medicina a união da ciência e da matemática precisa desesperadamente de assistência. A maioria da ciência bem aceita é baseada não em um único estudo mas nos estudos que foram confirmados pela repetição portanto a necessidade da réplica é bastante reconhecida. O artigo relata que, quando executados corretamente, os testes estatísticos são mal entendidos e freqüentemente são mal interpretados. Em conseqüência, existem incontáveis conclusões errôneas na literatura científica, há ainda os testes de periculosidade ou de tratamentos médicos que são frequentemente contraditórios e desconcertantes. "

ok, mas faltou discutir como isto pode se relacionar com nossa área de conhecimento

R= sem comentários

De acordo com o texto, observa-se que a estatística é uma ferramenta muito útil, que possibilita melhorar as investigações de fenômenos que por muitos anos são estudados. Um fator importante consiste no uso correto desses dados e principalmente a interpretação destes em prol do bem comum. Siegfried afirma que a prática abusiva dos métodos estatísticos, tornam os dados num acúmulo de informações que muitas vezes não exerce a sua função principal, devido principalmente pela manipulação destes. Nas ciências agrícolas, em várias situações são observados fatos como estes, o que muitas vezes se fecha para os resultados obtidos, e se deixa de lado o bom senso. Deve-se ter em mente que os testes estatísticos devem ser o norte guia dos cientistas, que ao julgar se um resultado experimental reflete ou não quanto ao seu lado prático, sendo observadas conclusões muitas vezes precipitadas e errôneas. Um exemplo clássico pode ser observado quando se tem resultados obtidos em casas de vegetação, e os dados obtidos são extrapolados para as atividades de campo. Uma outra situação e permitir interpretar que quando uma variedade difere 5% de probabilidade das demais variedades, e analisar afirmando que os 95% restante pode dar certo, quando o teste foi desenvolvido com base no erro.

na parte final, suspeito que você está pensando em uma diferença significativa, o que não quer dizer uma diferença de 5%, mas sim que há no máximo 5% de chance desta diferença ser devida ao acaso, o que é algo completamente diferente, e um ponto bem discutido no post que você deveria estar discutindo

"2- De acordo com o post, erros de análise são cometidos comumente, tanto nas áreas citadas no texto quanto na nossa área. Exemplos citados no post utilizam de modo errôneo a significância estatística, confundindo-a com o termo estatisticamente significativo e com isso encontrando falsos-verdadeiros, ou seja, não sem tem certeza de que os resultados encontrados são efeitos reais do tratamento ou são devidos ao acaso. Como no exemplo citado por Fisher, que não sabia se os rendimentos das culturas obtidos pelos tratamentos eram devido aos fertilizantes ou a fatores fora do controle experimental, e com isso levando ao erro de interpretação destes dados. Entretanto, quando os resultados não se mostram estatisticamente significativos, não obriga que na realidade este tratamento não seja significante, ele pode responder ao tratamento,porém o incremento pode ser pequeno quando comparado aos considerados significativos."

além destes pontos, também pode acontecer do resultado significativo não ter qualquer importância prática, e de erros de interpretação bastante sérios dos pontos




De acordo com Siegfried erros de análises de dados são comumente observados no mundo científico, pois os métodos estatisticos são apenas ferramentas que ajudam a entender alguns fenômenos e não podem ser utilizados como a verdade absoluta,e os dados gerados por esses devem ser interpretados cudadosamente para evitar conclusões equivocadas. Na nossa área de trabalho, observam-se muitos desses erros quando se tenta extrapolar dados obtidos em condições controladas como por exemplo “Laboratório” para o campo e acaba não conseguindo os mesmos resultados, pois muitos confundem significancia estatistica com estatisticamente significante.

huh? Eu diria que tem bem mais material para tirar daquele post, e me parece que o que você queria dizer no final era mais na linha de "significância estatística com importância científica" do que o que realmente afirmou...

"O texto deixa claro através de vários exemplos o mau uso da estatística, ou, a interpretação não correta dos resultados, ou ainda a sua manipulação. Não diferente da área médica, as ciências agrárias vem sofrendo muito com pesquisadores que não utilizam bem a estatística, ou ainda, não usam o bom senso no momento de revelar seus dados e indicar variedades, adubações, entre outras coisas. Como exemplo, podemos imaginar a seguinte situação: “um pesquisador na área de melhoramento genético de plantas, trabalhando com cana de açúcar, analisa seus dados e encontra uma variedade que apresentou um incremento de 10 t/ha na produtividade em comparação com a testemunha (a mais plantada na região), porém, estatisticamente não diferiram-se.” O que fazer? Simplesmente não lançá-la no mercado? Não. É hora de usar o bom senso. A pesar desta nova variedade não diferenciar-se significativamente da testemunha, ela produz mais. Pode até ser que ela não apresente o incremento de 10 t/ha, produza menos, mas, no mínimo irá produzir o montante da testemunha. Por isso, se não houver aumento dos custos com esta nova variedade, recomendaria o seu lançamento no mercado. Não diferir estatisticamente nem sempre indica menor importância. Outra confusão é acreditar que em um estudo de variedades, uma variedade apresenta-se estatisticamente diferente das demais, a 5 % de probabilidade, e afirmar que esta alta produtividade tem 95 % de chance de ser real, não ocorrendo devido ao acaso. Isso não pode ser afirmado. Pois, o teste foi desenvolvido com base no erro, e não na possibilidade de dá certo. "

ponto bem levantado, mas mais baseado em meus comentários na graduação e na aula do que no post. Vários pontos muito importantes levantados no texto não foram discutidos

"O post relata que normalmente muitos erros estatisticos são cometidos em diversas áreas. E na realidade e exatamente o que acontece. Neste post afirma-se que estudantes de graduação não conseguem entender o sentido de significância. Segundo Fisher relata que um estudo constata qualquer efeito estatisticamente significativo, isso não prova nada. Possa ser que este efeito não exista, ou o teste estatístico não consegue detectar o problema, porém, é real. Na verdade as interpretações estatísticas são difíceis de serem interpretadas, pode-se confundir a significância estatística com estatisticamente significante. "

este problema de não entender o sentido de significância NÃO é restrito a alunos de graduação, infelizmente. Suspeito que na última frase o que você queria dizer era que confunde-se significância estatística com importância científica



1.3 O fato de termos mais de um valor para uma dada variável, no mesmo tratamento, indica que o princípio da repetição está sendo obedecido? Discuta.

Não. Pois a repetição implica no número de vezes que um tratamento aparece no experimento. Por exemplo, num experimento em casa de vegetação com vasos contendo doses crescentes de Fósforo (P). Tratamento 1= 2,0 mg kg-1 de P; Tratamento 2= 4,0 mg kg-1 de P; Tratamento 3= 6,0 mg kg-1 de P; Tratamento 4= 8,0 mg kg-1 de P; Se coletarmos 4 amostras de apenas 1 vaso de cada tratamento, teremos 4 réplicas e não 4 repetições, pois não podemos estimar o erro experimental, devido ao fato de que poderíamos ter adicionado mais água em um dado vaso do mesmo tratamento por um determinado período do experimento, de modo que a concentração do nutriente a ser avaliado poderia sofrer alterações de vaso para vaso dentro do mesmo tratamento, visto que as reações químicas teriam sido alteradas e/ou aceleradas. Interferindo assim nos resultados e na confiabilidade dos mesmos.

ok

Esse procedimento mostra explicitamente que os valores retirados deste amostra fora retirado duas vezes, ou seja, uma replica ou duplicada do mesmo material. Repetição consiste submeter as mesmas condições duas ou mais unidades experimentais, obtendo dessa forma, maior confiabilidade dos resultados, já que haverá mais de uma unidade submetidas ao acaso, podendo dessa forma utilizar valores médios. Porém observa-se que em estudos referentes a classificação de solos, na prática, torna-se mais viável o uso das réplicas para coleta das amostras, devido principalmente ao grande trabalho em se abrir diversos perfis para obtenção das repetições.

ok, mas poderia ter discutido um pouco mais geralmente do que se ater exclusivamente ao exemplo que dei em sala

Não. No principio da repetição a implementação de cada tratamento ocorre em mais de uma unidade experimental, portanto podemos interpretar como uma replica, se esse tratamento foi feito em uma única unidade experimental mesmo que mais de um valor tenha sido obtido.

bem sintetizado

Podemos entender que o princípio repetição consiste no número de vezes em que o tratamento aparece no experimento. Agora neste caso, tendo mais de um valor para uma dada variável, não podemos afirmar que o princípio de repetição está sendo obedecido, porque pode ser que neste experimento o condutor retire do mesmo vaso de planta várias amostras, o que implica em réplica e não repetição. Agora se o experimento for em blocos inteiramente causalizados, então teríamos vários tratamentos em vasos separados contendo a mesma variável. neste caso teríamos o princípio da repetição..

a repetição não está vinculada ao delineamento experimental, já que no inteiramente casualizado também temos repetição

"R= Dependendo da situação podemos dizer que sim, isto ocorrerá caso haja mais de uma unidade experimental. Já que, a repetição nada mais é do que o número de vezes em que aparece o tratamento. E onde poderá ocorrer a variação do acaso. Caso não haja mais de uma unidade experimental, neste caso irá se tratar de réplica. Em relação a mais de uma unidade experimental, ao avaliarmos a altura de uma determinada cultura, e esta apresentar nos resultados diferentes valores para um mesmo tratamento, isto implicará em repetição e estas diferenças se darão devido a possíveis variações do acaso. No caso, por exemplo, de em um determinado local coletarmos diversas amostras de solos. Ao misturá-las, para então subdividi-las, transformando-as em sub-amostras, estas sim serão consideradas réplicas. "

ok




3 – Isto é relativo em virtude da natureza do estudo que procede. Por exemplo, em estudos de Gênese e Classificação de Solos, o fato de termos mais de um valor para uma dada variável, no mesmo tratamento, não indica necessariamente que o princípio da repetição esteja sendo obedecido, uma vez que, quando se tem valores diferentes de um dado parâmetro para o mesmo horizonte num mesmo perfil de solo, se tem réplicas ao invés de repetições. Os valores diferentes somente se caracterizarão como repetições quando as amostras são coletadas em horizontes de perfis ou trincheiras diferentes, ou seja, quando há a ação do acaso.

isto não acontece somente em gênese... É comum este problema em fertilidade, em trabalho amostral...

Não, pois para serem repetição, estes valores devem ser tirados de variáveis diferentes para um mesmo tratamento. Neste caso, o que está ocorrendo é a replica de uma variável.para serem consideradas repetições, tem de ter a variação do acaso atuando em si, e, para diminuir esta variação,são utilizadas normalmente 3 ou mais.

cuméqueé? O que diabo variáveis diferentes têm a ver com repetição? Para ser repetição tem que permitir a variação do acaso. Pelo que você está dizendo, se eu pegar uma amostra composta e fizer três determinações de P, K e Ca são repetições, enquanto se fizermos somente três determinações de P são réplicas... Pense um pouco mais

Não. Pois, pode está sendo feito uma “réplica”. Que nada mais é do que um outro valor de uma dada variável para a mesma amostra, unidade experimental. Enquanto a repetição consiste no oferecimento das mesmas condições a duas ou mais unidades experimentais na intenção de obter-se um valor médio do tratamento, aumentando a confiabilidade do resultado, sendo todas as amostras submetidas ao acaso. O ideal e o correto é o uso da repetição. Porém, em algumas áreas, como a de classificação do solo, a coleta de amostras para análise de um horizonte se dá na forma de réplica, pois, a repetição, abertura de dois ou mais perfis, torna-se, na prática, inviável pelo grande requerimento de mão de obra. Então, o perfil para a coleta das réplicas é aberto em área representativa.

ok

Não necessariamente. Para que esses dados sejam interpretados como repetição o tratamento tem que ser distribuído em mais de uma unidade experimental, pois a repetição vai avaliar se houve ou não efeito do acaso. Caso o tratamento seja feito com uma única unidade experimental e mais de um valor esta sendo obtido, isso deve ser interpretado como uma replica e não repetição.

ok. A única ressalva é que o dado pode ser obtido em uma mesma parcela, mas em tempos diferentes, quando é uma medição repetida, avaliando o efeito do tempo sobre a parcela, normalmente em combinação com algum tratamento.




Depende, a princípio não, pois a coleta de uma dada variável, no mesmo tratamento, indica o princípio da replica e não da repetição. Por exemplo, ao se fazer a determinação em mais de uma vez de uma dada amostra de solo estamos replicando uma informação que deve ser a mesma em todas as determinações. Para alguns casos, como é o da pedologia, o princípio da replica é valido devido ao custo de abertura de perfis serem economicamente caros e trabalhosos, ou em outros casos quando a repetição não for possível de ser obtida. Em condições de casa de vegetação podemos dizer que a repetição pode ser representada pelo número de potes de um dado tratamento, onde três potes, por exemplo, são submetidos à aplicação de uma mesma dose de nitrogênio. Porém a repetição pode ocorrer em um mesmo tratamento quando alguma variação ocorra dentro deste tratamento, como por exemplo, a variação ao acaso da temperatura, de coletas ao longo de certo tempo (dias, meses, horas).

ok

Conceitualmente a repetição representa o número de unidades experimentais alocados em dado tratamento; sua importância está em proporcionar uma estimativa de variância e possibilita, ainda, estimar a média dos tratamentos. Existe um limite muito sutil para estimar a aplicação do princípio da repetição, uma vez que há uma dependência da variância dos dados. A influência no valor dos resultados da variável pode ter sido oriunda do uso negligente dos princípios experimentais ou, ainda, a forte variação pode ser uma característica inerente a variável estudada. "

qual foi a pergunta mesmo? Veja se sua resposta tem alguma coisa a ver com a pergunta.



1.4 Discuta a diferença entre as hipóteses estatística e científica, levando em consideração os pontos levantados por Siegfried em seu post que discutimos

Uma hipótese é um conjunto estruturado de argumentos e explicações que possivelmente justificam dados e informações, porém, que ainda não foi confirmado. Ela é considerada científica se for possível encontrar uma situação em que ela seja testada e deverão existir observações suscetíveis para permitir confirmar ou não uma hipótese, já a hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade de uma ou mais populações. Esta hipótese será testada com base em resultados amostrais, sendo aceita ou rejeitada. Ela somente será rejeitada se o resultado da amostra for claramente improvável de ocorrer quando a hipótese for verdadeira. Segundo Siegfried, o uso ou a escolha equivocada dos métodos estatísticos podem trazer interpretações errônias dos dados chegando a conclusões equivocadas, pois esses métodos apresentam limitações que devem ser levadas em consideração. Um dos exemplos utilizados no post foi o de Ronald A. Fisher, onde ele procurou testes para saber se o rendimento das culturas estava ligado à fertilização ou se era fotores ligados ao acaso. Esse método de Fisher é confuso, já que o valor de P dá apenas a probabilidade de se observar um resultado se a hipótese nula é verdadeira, e não existindo nenhum efeito real de um tratamento ou a diferença entre os grupos que está sendo testado.

ok, mas deveria explorar bem mais o post, já que ele entra em bem mais detalhes na consequência da mistura entre as hipóteses estatística e científica, e como isto afeta as afirmativas que podemos fazer

A hipótese cientifica se baseia em resultados encontrados na literatura, servindo estes de base para uma nova construção do conhecimento, a literatura é uma fonte de informações para que o cientista use como uma ferramenta que direcione o estudo, dando suporte as idéias antes da montagem de um experimento, por exemplo, doses crescentes de silício quando aplicada ao solo pode elevar a produtividade agrícola das cultura, esta informação é gerada a partir de dados encontrados em artigos científicos, o que sugere que esta técnica pode interferir na produção de biomassa de melão, porém nenhum estudo foi encontrado com esta cultura, mais sim em outras culturas. Neste caso a minha hipótese é que ao se adicionar doses de silício no solo ira ocorrer um incremento na produção de biomassa vegetal desta cultura, é importante que a minha hipótese fique clara quanto ao meu objeto de estudo. A partir deste porto podemos fazer uma avaliação do ponto de vista de uma hipótese estatística, onde uma considera que os meus tratamentos são significativos e a outra que os tratamentos não são significativos sendo nula a hipótese testada considerando todos os tratamentos como iguais.

tudo bem, mas não vi a menor menção ao post...

"4- A hipótese científica é aquela que está por trás do experimento, é a idéia central do trabalho. A hipótese estatística leva em consideração duas hipóteses contrárias, uma nula e a outra, alternativa. De acordo como Siegfried, a escolha errada dos métodos estatísticos leva a uma interpretação errônea dos resultados. Nas hipóteses estatísticas, só se pode considerar uma destas (nula ou alternativa), quando aceita-se uma, automaticamente rejeita-se a outra. Ainda segundo Siegfried, quando não se encontra um efeito real,a hipótese escolhida não é correta, principalmente quando a interpretação errada leva a um favorecimento do resultado."

tem outro ponto mais importante que você não considerou. Se trabalharmos com a hipótese nula no teste, como normalmente fazemos, só podemos afirmar com relação a ela, mas muito frequentemente se afirma algo como "temos 95% de chance de estar certos"...




"Uma hipótese é considerada científica se for possível encontrar uma situação em que ela seja testada. Portanto, uma hipótese científica deve ser comprovável. Assim, deverão existir observações suscetíveis para permitir confirmar ou não uma hipótese. Nesta hipótese temos um raciocínio básico, a qual te faz pensar porque você deve fazer este experimento, ela também deve explicar através da revisão de literatura de forma clara a sua importância etc .A hipótese estatística, seria uma suposição formulada a respeito dos parâmetros de uma distribuição de probabilidade de uma ou mais populações. Esta hipótese será testada com base em resultados amostrais, sendo aceita ou rejeitada. Ela somente será rejeitada se o resultado da amostra for claramente improvável de ocorrer quando a hipótese for verdadeira. Ela trabalha com duas hipóteses antagônicas, a nula (H0) e a alternativa (H1). Consideremos Ho a hipótese nula, e H1 a hipótese alternativa a ser testada (complementar de Ho). O teste pode levar a aceitação ou rejeição de Ho que corresponde, respectivamente à negação ou afirmação de H1. Assim estas hipóteses se diferenciam uma da outra devido aos parâmentros que são avaliados de formas diferenciadas. Então no post Siegfried diz que se escolhermos de forma errada alguns métodos estatísticos, podemos fazer interpretações que não estão corretas .E ele também afirma que quando esta interpretação é feita de forma errada, podemos ter efeitos positivos nos nossos resultados. "

não entendi sua última afirmativa... Como é que se interpretarmos errado teremos efeitos positivos?

Partindo do princípio que a hipótese científica trata-se da lógica que baseia o experimento, entende-se que ela não pode ser devidamente avaliada unicamente em função dos dados observados, mas sim exibir os dados em função de um raciocínio prévio. Acerca da hipótese científica, o autor destaca a importância de um estudo anteriormente montado, que assim, infere em conhecimentos sólidos para conclusões pertinentes. Para isso utiliza-se do conceito de probabilidade prévia, que em cerne, trata-se de uma conjectura em relação à probabilidade de algo que é esperado antes do experimento. Na hipótese estatística, o autor remete a idéia do valor estatístico de probabilidade medir o quão é provável que um valor nulo é correto. Quando, o valor de P dá a probabilidade de observar um resultado se a hipótese nula é verdadeira, e não há nenhum efeito real de um tratamento ou a diferença entre os grupos está sendo testado. Por exemplo, o valor P 5, indica que há apenas uma chance de 5 por cento de obter os resultados observados se a hipótese nula é correta. É incorreto, no entanto, para transpor essa conclusão em uma probabilidade de 95 por cento que a hipótese nula é falsa. "

sugiro fortemente que tente escrever de forma mais direta. Não consegui ver onde está discutindo a diferença entre os dois tipos de hipótese

"Como cita Siegfried quando a probabilidade prévia é desconhecida devemos estimar, e sem tais estimativas as estatísticas podem produzir conclusõesbrutalmente imprecisas. Frequentemente esta probabilidade prévia é mais do que uma mera suposição poderia ser baseada, por exemplo, em estudos precedentes. Contudo temos que: Hipótese Científica: conjunto estruturado de argumentos e explicações que possivelmente justificam dados e informações, que ainda não foram confirmados ou desconfirmados empiricamente. É a idéia por trás do experimento, aquela que impulsionou o pesquisador a fazê - lo, lembrar que não é o objetivo do trabalho, pois este se trata de onde se quer chegar com tal experimento. Hipótese Estatística: qualquer afirmação que se faça sobre um parâmetro desconhecido. É a reformulação da hipótese cientifica e se baseia em : • Hipótese Nula (H0): aquela que vai contra o que a hipótese do trabalho afirma, é o contrário do que se supõe, rejeitando essa automaticamente aceita-se a hipótese alternativa. • Hipótese Alternativa (H1): não é avaliada, é aceita simplesmente apartir da rejeição da nula. "

não vi relação entre as duas partes da resposta. Inicialmente você fala do post, e depois das hipóteses científica e estatísica, mas não fala como a diferença entre elas afeta o raciocínio que é um ponto bem desenvolvido no post




4 – Hipóteses são afirmações provisórias sobre fenômenos que os pesquisadores desejam verificar. A hipótese científica é o raciocínio ou a lógica científica da pesquisa, enquanto que as hipóteses estatísticas são reformulações da hipótese científica na forma de suposições acerca dos parâmetros de uma ou mais populações. Sempre comparam dois ou mais parâmetros, quer afirmando que são iguais quer que não o são. As hipóteses estatísticas são de dois tipos: Hipótese nula ou de nulidade (H0), que estabelece a ausência de diferença entre os parâmetros. É sempre a primeira a ser formulada e hipótese alternativa (Ha ou H1), que é a hipótese contrária à hipótese nula. Geralmente, é a que o pesquisador quer ver confirmada. Então, com a formulação de hipóteses, se faz uma suposição sobre um parâmetro desconhecido, associado a uma distribuição de probabilidade, baseado em uma amostra aleatória, sendo mais usado um valor hipotético para ele e, depois, utiliza-se a informação da amostra para confirmar ou rejeitar esse valor hipotético. Nesse contexto, o pesquisador é chamado a decidir sobre a aceitação ou rejeição de uma hipótese. O teste de uma hipótese estatística é um critério objetivo do qual se lança mão para tomar tal decisão. Existe uma grande variedade desses testes, que se não forem considerados pelas suas vantagens e limitações, podem induzir a erros nas conclusões dos trabalhos. Pois existem alguns desafios para a estatística, a exemplo da citação feita de David Salsburg (2001) por Siegfried, que afirma “... Toda a abordagem estatística para a ciência pode desabar com o peso de suas próprias contradições”. O que Siegfried aponta em seu post é que nem sempre existem acuidade e verdade nos resultados de pesquisas publicados. E faz comentários sobre o teste de significância estatística, destacando por exemplo, que o Método de Fischer, não oferece nenhuma base lógica para a utilização de um valor de P a partir de um único estudo para tirar qualquer conclusão. Se as chances de uma casualidade é inferior a 5 por cento, duas conclusões possíveis permanecem: Há um sentido real, ou o resultado é um golpe de sorte improvável (o acaso). O Método de Fisher, não oferece nenhuma maneira de saber qual é qual. Por outro lado, se um estudo constata qualquer efeito estatisticamente significativo, tampouco, isso não prova nada. Talvez o efeito não exista, ou talvez o teste estatístico não fosse poderoso o suficiente para detectar um efeito pequeno, mas real. Na verdade, o valor de P dá a probabilidade de se observar um resultado se a hipótese nula é verdadeira, e não há nenhum efeito real de um tratamento ou a diferença entre os grupos que está sendo testado. A probabilidade de P = 0. 05, por exemplo, significa que há apenas uma chance de 5 por cento de obter os resultados observados se a hipótese nula é correta. Outro problema apontado é quando se faz o teste de várias hipóteses simultaneamente, levando pesquisadores agora a calcular a “taxa de falsas descobertas” para alertar sobre efeitos do acaso disfarçados de efeitos reais. Enfim o que se constata no post é que a ciência não se baseia em apenas um estudo com seus resultados estatísticos, mas em estudos que tem sido confirmados por repetição. De acordo com o autor, qualquer resultado pode ter uma probabilidade de estar errado, mas a confiança aumenta rapidamente se esse resultado é replicado de forma independente. No campo agronômico a necessidade de replicação de experimentos é amplamente reconhecida.

ok, mas sugiro tentar simplificar a linguagem. Ao contrário do que pode parecer, quanto mais simples a escrita, melhor para o pesquisador.

R= o post não era tão comprido assim que não pudesse ler...

A hipótese científica representa uma configuração inicial do experimento, regido principalmente pela idéia central do autor, que de certa forma, é o espírito do pesquisador, o que ele acredita que vai acontecer na condução do experimento. Desta forma, percebe-se que esta hipótese, torna-se a base do experimento. Por outro lado, a hipótese estatística parte das reformulações da hipótese científica. Observa-se que a hipótese estatística tem como base para a discussão duas hipóteses antagônicas: a nula, que estabelece a ausência de diferença entre os parâmetros, ou seja, os resultados não irão ser diferentes estatisticamente após o tratamento; e a alternativa, que é contrária a hipótese nula, ou seja, há diferenças entre os tratamentos, sendo os resultados diferentes estatisticamente.

e cadê o post?

A hipótese científica refere-se ao raciocínio lógico que baseia o trabalho (experimento), e mesmo que não apareça na escrita do trabalho, quem vai realizá-lo deve tê-la em mente. No “post”, as idéias básicas por trás dos trabalhos são: avaliar a freqüência de determinado gen em indivíduos com uma dada síndrome; saber se a variação na produtividade de culturas teve alguma causa específica; testar respostas a remédios e placebos em pessoas doentes, entre outras. Enquanto a hipótese estatística é uma reformulação da científica e admite duas hipóteses: a nula (H0) e a alternativa (que pode ser aceita ou rejeitada). Verificamos no “post” alguns pesquisadores rejeitando H0 e ela sendo verdadeira, desta forma, cometendo o Erro Tipo 1.

novamente misturou as bolas com relação ao post. O post menciona claramente o frequente erro de interpretação em relação ao que realmente estamos estudando em função da forma em que as hipóteses são arrumadas

A hipótese científica é aquela que despertou a idéia de um determinado experimento, e que de certa forma o pesquisador “acredita” ser a mais possível, o pensamento base. Enquanto que a hipótese estatística parte da hipótese científica, tendo como base para a discussão duas hipóteses antagônicas: a nula, na qual acredita-se que os resultados não irão ser diferentes estatisticamente com a aplicação dos tratamentos; e a alternativa, em existe a crença que os tratamentos influenciaram os resultados significativamente. Normalmente, os autores apostam na hipótese alternativa, e com resultados contrários, algumas vezes, não são divulgados. Segundo Siegfried, os métodos estatísticos apresentam limitações pela escolha errônea destes pelo pesquisador, não apresentando os resultados da maneira correta. Por isso, é necessário aplicar métodos estatísticos de acordo com o tipo e a finalidade do ensaio.

ele também levanta que a diferença entre a hipotese estatística e a experimental frequentemente leva a erro na conclusão, com a afirmativa, por exemplo, de que temos 95% de chance de estar certo



1.5 Compare os erros tipo I e II, suas mais prováveis consequências, e seu relacionamento com nível de significância.

O erro tipo II é definido por como sendo o erro que se comete ao aceitar a hipótese nula (falsa), quando, na verdade, esta deveria ser rejeitada. Há muitas dificuldades em se comparar o erro tipo I. Antes de aplicar tais testes, deve-se formular as hipóteses estatísticas. Pode-se considerar duas hipóteses, são elas: H0 é a hipótese que determina a ausência de efeito de tratamentos, ou seja, indica que não existe diferença significativa entre os tratamentos (ela é chamada de hipótese de nulidade); e H1¬, chamada de hipótese alternativa, é a que determina a presença de efeito de tratamentos, ou seja, indica a existência de diferença significativa entre os tratamentos. A rejeição de H0 implica na aceitação da hipótese alternativa H1. Ao testar-se as hipóteses pode-se cometer geralmente dois tipos de erros, os quais são: rejeitar H0, quando ela é verdadeira (erro tipo I); aceitar H0, quando ela é falsa (erro tipo II). Destes dois tipos de erros o mais importante é o do tipo I, o qual, nos procedimentos de comparações múltiplas, pode ser medido de duas maneiras, a saber: A primeira, refere-se à avaliação da probabilidade de se rejeitar uma hipótese verdadeira em todas as possíveis combinações dos níveis dos tratamentos tomados dois a dois, sendo conhecida por taxa de erro tipo I por comparação. A segunda, refere-se à medida do erro tipo I como a probabilidade de se realizar pelo menos uma inferência errada por experimento e é conhecida por taxa de erro tipo I por experimento. A probabilidade de cometer-se o erro tipo I é chamada nível de significância (α).. As conseqüências do erro Tipo I seriam quando afirmamos que existe uma diferença entre os tratamentos, quando na verdade isso não ocorre, o que leva a conclusões errôneas sobre as hipóteses que são levantadas. No caso da sua relação com o nível de significância, ou seja, em 5% de significância seria admitido para o erro (Tipo I), onde se repetimos, por exemplo, o mesmo experimentos 100 vezes em pelo menos 5 deles estariam errados. E no caso do erro tipo II, não há diferença entre os tratamentos, enquanto na verdade existe. Os níveis de significâncias mais usados na prática são 5 e 1%.

bastante completo

"Todo e qualquer procedimento estatístico, permite analisar e interpretar os dados gerados pelos experimentos. Mesmo sendo ferramentas importantes nos experimentos, são passíveis de erros o que pode interferir nos resultados e interpretações dos dados. Dessa forma, observa-se que podem ocorrer dois erros, o do tipo I e o do tipo II. No primeiro, cometido quando rejeita-se a hipótese de que os tratamentos não influenciarão nos resultados, ocorre quando se considera que há diferença entre os tratamentos, ou seja, considerando que os tratamentos irão promover respostas diferentes. Já no segundo, cometido quando aceita-se a hipótese de que os tratamentos não influenciarão nos resultados, ou seja, acontece quando se aceita a idéia de que não há diferença entre os tratamentos, porém, observa-se que esta hipótese não era verdadeira. Nível de significância, estipulada pelo pesquisador, é o nome dado à probabilidade de se cometer o erro do tipo I, sendo mais utilizado em ciências agrárias 1 e 5 %. Observa-se que se o valor for menor que o nível de significância estipulado, assume-se o erro tipo I e rejeita-se a hipótese nula. Caso contrário, não é assumido o erro tipo I e se aceita a hipótese nula. "

"No primeiro, cometido quando rejeita-se a hipótese de que os tratamentos não influenciarão nos resultados, ocorre quando se considera que há diferença entre os tratamentos, ou seja, considerando que os tratamentos irão promover respostas diferentes. " - pelo que você está dizendo, sempre que rejeitarmos a nula estaremos cometendo o erro I… o mesmo problema se repete na última frase

"Os procedimentos estatísticos, entre outras atribuições, são ferramentas que analisam e sumarizam os dados gerados em experimentos, permitindo uma melhor visualização da tendência da sua distribuição, facilitando conseqüentemente sua interpretação, conduzindo a inferências estatísticas mais acertadas a respeito dos tratamentos testados. Quando se fala em erros do tipo I e II diz respeito à hipótese estatística que em alguns casos vem de encontro com a hipótese do pesquisador, pois é a partir dessa idéia que se escolhe Ho ou H1. O erro tipo I ocorre quando se considera que há diferença entre os tratamentos, ou seja, rejeita-se a hipótese nula (Ho) e essa hipótese nula se faz verdadeiro e o erro tipo II acontece quando se aceita a idéia de que não há diferença entre os tratamentos e o Ho se revela falso, mostrando que há diferença entre os tratamentos. Para um teste de hipóteses, determina-se a probabilidade máxima de aceitar o erro tipo I,onde essa probabilidade máxima é chamada de nível de significância, e pode ser estipulada de acordo com o pesquisador. Convencionou-se, estipular um nível de 5%. Se o valor for menor que o nível de significância estipulado, assume-se o erro tipo I e rejeita-se a hipótese nula. Ao contrário, se o valor for maior, não é assumido o erro tipo I e se aceita a hipótese nula. "

ok

"Os Erros Tipo 1 e Tipo 2 estão associados aos testes de Hipóteses. As Hipóteses são suposições referentes aos parâmetros (que nunca variam) de uma população ou mais. Podemos considerar duas hipóteses: Uma que determina a ausência de efeito de tratamentos (indica que não há diferença significativa entre os tratamentos) HIPÓTESE NULA ou de NULIDADE - H0. E outra que determina a presença de efeito de tratamentos (indica que há diferença significativa entre os tratamentos) HIPÓTESE ALTERNATIVA – H1. Testando essas duas hipóteses, podemos cometer 2 Tipos de Erros, o Tipo 1 e o Tipo 2. O Erro Tipo 1 é quando se rejeita H0 e ela é verdadeira; já o Erro Tipo 2 é quando aceita-se H0 e ela é falsa. Quanto maior a chance de cometer o Erro Tipo 1, menor será a chance de cometer o Erro Tipo 2. O nível de significância refere-se à probabilidade de cometer-se o Erro Tipo 1. "

ok




R= Erro tipo I, é o erro ao rejeitar H0 (há diferença entre os tratamentos), quando, na realidade, H0 é verdadeira (não há diferença entre os tratamentos). O erro tipo I equivale a concluir que o tratamento é eficaz quando na verdade ele não é. Erro tipo II, é o erro ao aceitar H0 (não há diferença entre os tratamentos), quando, na realidade, H0 é falsa (há diferença entre os tratamentos). Vale salientar que, à medida que a probabilidade do erro tipo II diminui, aumenta a susceptibilidade da ocorrência do erro tipo I. Ou, caso erre menos o erro tipo I, por conseqüência irá errar mais o erro tipo II. Quanto ao nível de significância, o teste de significância a 5%, neste iremos testar o erro, ou seja, a probabilidade de haver um erro em 5%, sendo assim não poderemos afirmar que os 95% restantes sejam corretos ou não.

o nível de significância é a probabilidade de qual erro? I ou II?

O Erro tipo I é o erro que se comete quando se rejeita a hipótese nula sendo ela verdadeira, correspondendo à negação da afirmação, ou seja, é a probabilidade de aceitar a hipótese nula sendo ela verdadeira. O Erro tipo II é o erro que se comete quando se aceita H0 sendo H0 falsa, quando, na verdade, esta deveria ser rejeitada corresponde à negação da afirmação, ou seja, é a probabilidade de rejeitar H0 sendo H0 falsa. O nível de significância trata-se da probabilidade de ocorrer o erro tipo I, ou seja, qual a probabilidade do erro I estar-se-á disposto a aceitar. Na prática, observa-se o uso igual a 1% ou 5%, ou seja, a disposição de aceitar uma probabilidade de erro tipo I de 1% ou 5%. "

veja sua definição do erro II, em particular na parte final

O erro tipo I ocorre quando eu rejeito a hipótese nula e ela for verdadeira, e o erro tipo II é cometido quando eu aceito a hipótese nula e ela é falsa, neste caso podemos notar que em nossas escolhas sempre iremos assumir um dos erros, ou o tipo I ou o tipo II. No caso em particular da Ciência do Solo acredito que rejeitar a hipótese nula é a melhor saída uma vez que na minha área de pesquisa sempre vou assumir a possibilidade de diferenças nos tratamentos, porém para outros casos talvez esta não seja a melhor das escolhas. A significância pode ser vista como um parâmetro de risco que eu quero assumir tal percentagem de erro, em nossa área esta percentagem é de 5% de significância, e isto quer dizer que eu aceito errar em 5 vezes a cada 100 vezes testada, porém este valor pode ser de 10% ou 1%, isto depende da escolha de cada um. Caso eu aceite errar menos em um caso de rejeição, conseqüentemente eu estou exposto a errar mais para o outro parâmetro, portanto se eu escolher uma significância de 1% estou assumindo uma maior faixa de erro caso eu cometa o segundo erro.

"No caso em particular da Ciência do Solo acredito que rejeitar a hipótese nula é a melhor saída uma vez que na minha área de pesquisa sempre vou assumir a possibilidade de diferenças nos tratamentos, porém para outros casos talvez esta não seja a melhor das escolhas. " - não tenho a menor idéia do que você quer dizer com isto...

"Os testes de hipóteses são usados para verificar se as diferenças entre as variaveis são devidos ao acaso, eles podem rejeitar ou aceitar a hipótese nula. Há dois possíveis tipos de erros quando realizamos um teste estatístico para aceitar ou rejeitar H0 : Erro do tipo I : é o erro ao rejeitar H0 quando, na realidade, H0 é verdadeira. O erro do tipo I equivale a concluir que o tratamento é eficaz quando na verdade ele não é. Erro do tipo II : é o erro ao aceitar H0 quando, na realidade, H0 é falsa. Para um teste de hipóteses, determina-se a probabilidade máxima de aceitar o erro tipo I. Essa probabilidade máxima é chamada de nível de significância, e pode ser estipulada de acordo com o pesquisador Em um teste de hipóteses é obviamente desejável que se reduza ao mínimo as probabilidades dos dois tipos de erros. Porém, a diminuição de se ter um erro implica no aumento de ter um outro erro. Em geral, escolhe-se pela diminuição do erro tipo I. A redução simultânea dos erros poderá ser alcançada pelo aumento do tamanho da amostra. "

cadê o nível de significância?

O erro do tipo I é cometido quando rejeita-se a hipótese de que os tratamentos não influenciarão nos resultados, ou seja, considerando que os tratamentos irão promover respostas diferentes, e com o fim do ensaio, observa-se que a hipótese de que os tratamentos não influenciariam nos resultados estava correta. Enquanto que o erro do tipo II é cometido quando aceita-se a hipótese de que os tratamentos não influenciarão nos resultados e com o término do experimento, observa-se que esta hipótese não era verdadeira. Nível de significância é o nome dado à probabilidade de se cometer o erro do tipo I, sendo mais utilizado em ciências agrárias 1 e 5 %.

ok




" O erro tipo I ocorre geralmente quando se considera que os tratamentos sejam diferentes entre si quando não são. E os erros tipo II ocorrem quando se consideram tratamentos iguais entre si, quando estes não são. Suas mais prováveis conseqüências são aceitar um tipo de erro e esta hipótese estar incorreta. Se relaciona com o nível de significância, pois é o tipo de erro que determina quantas vezes em cem, este erro pode ser cometido."

a última parte não está clara. Qual dos dois erros se relaciona com o nível de significância?

"5 – Todo teste de hipóteses tem sua conclusão sujeita a erro. O erro de afirmar que existe uma diferença quando ela efetivamente não existe (isto é, rejeitar incorretamente a hipótese nula) é chamado de erro do tipo I e tem uma probabilidade de ocorrer igual a α. No entanto, também é possível cometer-se o erro de aceitar H0 quando não se deveria, ou seja, afirmar uma igualdade quando o correto seria afirmar uma diferença. A este erro denomina-se erro do tipo II e é muito difícil calcular sua probabilidade, pois, para tanto, seria necessário conhecer o valor do parâmetro (μA) na população amostrada e é exatamente por não conhecer μA que os experimentos são realizados. A probabilidade de cometermos o erro do tipo I é chamada de nível de significância (α) Os níveis de significância mais usados na prática são: α = 0,05, α = 0,01 e α = 0, 001. A probabilidade de se cometer um erro do tipo II é chamada de β. Como a probabilidade complementar desse erro representa a probabilidade de afirmar corretamente que existe uma diferença quando ela realmente existe, diz-se que (1- β) é o poder do teste estatístico de detectar uma diferença real. Outra atribuição dada ao erro do tipo II é a de que é um conceito utilizado quando se deseja calcular o tamanho amostral necessário para se atingir determinado objetivo. Pode também ser usado para, após a realização da pesquisa, determinar que poder tem a amostra estudada de detectar uma diferença estipulada pelo pesquisador. "

ok


Documents

Respostas e comentários da sabatina - lira.pro.brlira.pro.br/wordpress/wp-content/uploads/downloads/2010/03/... · Respostas e comentários da ... menor a probabilidade de erros