1) O documento descreve um estudo que avaliou os efeitos do fitoterápico Morosil no peso de ratas após cirurgia de ovariectomia. 2) Foram realizados testes estatísticos para verificar se as ratas tratadas com Morosil apresentaram peso significativamente menor do que as não tratadas. 3) Os métodos estatísticos utilizados incluíram ANOVA, teste de aderência e teste de Bartlett.
1) O documento descreve um estudo que avaliou os efeitos do fitoterápico Morosil no peso de ratas após cirurgia de ovariectomia. 2) Foram realizados testes estatísticos para verificar se as ratas tratadas com Morosil apresentaram peso significativamente menor do que as não tratadas. 3) Os métodos estatísticos utilizados incluíram ANOVA, teste de aderência e teste de Bartlett.
1) O documento descreve um estudo que avaliou os efeitos do fitoterápico Morosil no peso de ratas após cirurgia de ovariectomia. 2) Foram realizados testes estatísticos para verificar se as ratas tratadas com Morosil apresentaram peso significativamente menor do que as não tratadas. 3) Os métodos estatísticos utilizados incluíram ANOVA, teste de aderência e teste de Bartlett.
1) O documento descreve um estudo que avaliou os efeitos do fitoterápico Morosil no peso de ratas após cirurgia de ovariectomia. 2) Foram realizados testes estatísticos para verificar se as ratas tratadas com Morosil apresentaram peso significativamente menor do que as não tratadas. 3) Os métodos estatísticos utilizados incluíram ANOVA, teste de aderência e teste de Bartlett.
Resumo: A obesidade no Brasil se mostra cada vez mais presente entre os seres humanos e, em geral, suas principais causas são os fatores genéticos e ambientais. Hábitos como refeições desorganizadas, às pressas ou ricas em calorias podem conduzir ao aumento de peso, quando repetidas por muito tempo. Com o aumento da obesidade, muitos medicamentos e tratamentos são produzidos com o objetivo de reduzir o peso. Devido ao seu baixo custo e aos poucos efeitos colaterais, os fitoterápicos vêm ganhando destaque entre os tratamentos. Sendo assim, nessa pesquisa métodos estatísticos foram empregados com o objetivo de verificar se a média do peso das populações que foram tratadas com o fitoterápico é significativamente menor do que as que não foram submetidas a esse tratamento. Para tanto, testes estatísticos foram realizados a partir de um banco de dados fornecido por pesquisadores do Centro Universitário Integrado de Campo Mourão, em que ratas wistar foram submetidas à cirurgia de ovariectomia bilateral, sendo seus pesos monitorados durante 16 semanas. Palavras-Chave: Testes de hipótese; Métodos estatísticos; Fitoterapia.
1. Introdução
A obesidade é uma mazela que afeta milhões de pessoas ao redor do mundo
e tornou-se, nos últimos anos, um grave problema de saúde pública. De acordo com Domenico et al. (2012), estudos com modelos animais e em humanos demonstram que em situações de deficiência estrogênica há alterações no tecido adiposo e aumento da massa total de gordura corporal. Nas mulheres, a maior tendência ao sobrepeso e obesidade ocorre durante a menopausa, pois é uma fase em que ocorrem muitas alterações fisiológicas em todo o organismo, inclusive no metabolismo. Em situações de deficiência estrogênica, como ooforectomia bilateral ou falência ovariana, diversos estudos com modelos animais e em humanos demonstram que há aumento da massa total de gordura corporal. Na busca de novas perspectivas para o tratamento da obesidade, a fitoterapia apresenta-se como uma ótima alternativa devido ao seu baixo custo e aos poucos efeitos colaterais. Entre os fitoterápicos, destaca-se o Morosil, um extrato da laranja vermelha Moro, pois vem apresentando resultados na literatura quanto à redução e/ou prevenção da obesidade. Nesse sentido, com o principal objetivo de verificar se esse medicamento é eficaz na perda de peso, utilizamos um banco de dados fornecido pelos alunos da disciplina de Nutrição Experimental do Centro Universitário Integrado de Campo Mourão, em que um estudo de caráter experimental foi realizado durante 16 semanas com 16 ratas Wistar pesando entre 150g e 160g. Das 16 ratas, 11 foram submetidas à cirurgia de ovariectomia bilateral – OVX no intuito de induzir a obesidade por deficiência estrogênica. Desse modo, as ratas foram distribuídas em três grupos distintos: • Grupo OVX (𝑛 = 5): ratas submetidas à cirurgia de ovariectomia bilateral; • Grupo OVX+Morosil (𝑛 = 6): ratas submetidas à cirurgia e induzidas ao tratamento com Morosil; • Grupo controle (𝑛 = 5): ratas que não foram submetidas a tratamento ou cirurgia. Desse modo, o objetivo dessa pesquisa é verificar se o medicamento Morosil é eficaz no que diz respeito à perda de peso, ou seja, se os pesos das ratas da população que foi tratada com esse fitoterápico são significativamente menores do que as que não foram submetidas a nenhum tipo de tratamento. Para tanto, métodos estatísticos, descritos a seguir, foram empregados na análise.
2. Métodos estatísticos
Os métodos estatísticos auxiliam na tomada de decisão, por meio de
embasamento científico, permitindo assim, que seja encontrada a solução mais eficaz para o problema. Decisões tomadas por meio da utilização de métodos estatísticos são denominadas de suposições fundamentadas, já no caso da não utilização de embasamento científico, representam meras suposições e, por essa razão, podem se revelar não confiáveis (Mann, 2006). A estatística é dividida em duas grandes vertentes, a descritiva e a inferencial. Enquanto a primeira está ligada à coleta, organização e descrição dos dados, a outra é responsável pela redução, modelagem dos dados, a partir do que, finalmente, faz-se a análise e tomada de decisão para a população da qual os dados foram obtidos. Um aspecto importante da estatística inferencial é a possibilidade de fazer previsões, a partir das quais se podem tomar decisões. A inferência estatística divide-se em duas grandes vertentes, a estatística paramétrica e a não-paramétrica. No primeiro caso, os parâmetros mais comuns são a média (𝜇) e a variância (𝜎 2 ). De acordo com Morettin e Bussab (2017), com base nesses parâmetros podemos descrever características de uma população qualquer e testar hipóteses, de modo que, é possível saber se os resultados experimentais, provenientes de uma amostra contrariam ou não uma afirmação sobre um determinado parâmetro. No segundo caso, estatística não-paramétrica, não há nenhum tipo de suposição sobre quaisquer parâmetros de uma determinada população.
3. Estatística paramétrica A análise de variância (ANOVA) é um método paramétrico empregado com o objetivo de verificar se existe diferença significativa entre as médias de 𝑘 populações, em que a hipóteses a serem testadas são descritas como 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑘 = 𝜇 𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 , para algum 𝑖 ≠ 𝑗. Para que a ANOVA seja aplicável, são necessárias três suposições a respeito das populações que serão testadas. Tais suposições são apresentadas a seguir. 1. Normalidade: Todas as populações que serão testadas devem ser normalmente distribuídas, ou seja, 𝑃1 ~𝑁(𝜇1 , 𝜎12 ), 𝑃2 ~𝑁(𝜇2 , 𝜎22 ), …, 𝑃𝑘 ~𝑁(𝜇𝑘 , 𝜎𝑘2 ). Uma maneira de verificar se uma população segue uma distribuição especificada 𝑃0, nesse caso, distribuição normal, é comparando os valores observados com suas frequências esperadas. Para tanto, uma alternativa para verificar a normalidade de uma determinada população 𝑃 é o Teste de Aderência. Esse teste utiliza a estatística qui-quadrado de Pearson, definida como 𝑟 𝑠 ∗ 2 𝑛𝑖𝑗 − 𝑛𝑖𝑗 𝜒 = ∑∑ ∗ , (1) 𝑛𝑖𝑗 𝑖=1 𝑗=1 ∗ em que 𝑛𝑖𝑗 denota o valor esperado sob a hipótese nula de que as duas variáveis aleatórias não são associadas e 𝑛𝑖𝑗 o valor observado das amostras. Para a aplicação do teste de aderência uma tabela de dupla entrada, denominada tabela de contingência deve ser construída. Nesse caso, uma premissa para a utilização da estatística qui-quadrado é o fato de que os valores esperados de cada célula dessa tabela não sejam menores do que cinco, pois nesse caso os resultados podem conduzir a uma interpretação enganosa (Marques e Marques, 2005). Para o caso de amostras grandes, geralmente 𝑛 ≥ 50, basta que pelo menos 80% dos valores observados não sejam menores do que cinco (Bussab e Morettin, 2017). O teste de aderência é utilizado para verificar se os dados seguem uma determinada distribuição, de forma que, as hipóteses a serem testadas são 𝐻0 : 𝑃 = 𝑃0 , 𝐻1 : 𝑃 ≠ 𝑃0 . 2 Utilizando a estatística (1), obtemos o 𝜒𝑜𝑏𝑠 (lê-se qui-quadrado observado). 2 Assim, a hipótese nula é aceita se 𝜒𝑜𝑏𝑠 ∈ 𝑅𝐶. A região crítica (𝑅𝐶), é determinada por meio do valor de 𝜒𝑐2 (lê-se qui-quadrado crítico) com 𝜈 = 𝑛 − 1 graus de liberdade, sendo 𝑛 o tamanho da amostra. 2. Homocedasticidade: Todas as populações devem apresentar uma mesma variância, ou seja, 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑘2 = 𝜎 2. Para verificar a homocedasticidade de 𝑘 populações empregamos o Teste de Barlett, cujas hipóteses são 𝐻0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑘2 = 𝜎 2 , 𝐻1 : 𝜎𝑖2 ≠ 𝜎𝑗2 , para algum 𝑖 ≠ 𝑗. Sejam 𝑛𝑖 e 𝑆𝑖2 o tamanho da amostra e a variância amostral, respectivamente, obtidos a partir da população 𝑃𝑖 , em que 𝑖 = 1, 2, … , 𝑘 e 𝑛 = 𝑛1 + ⋯ + 𝑛𝑘 . Nesse caso, para o desenvolvimento do teste de homocedasticidade, é necessário o cálculo de três estatísticas: a variância comum (𝑆𝑒2 ), a estatística 𝑀 e a estatística 𝐶. Tais estatísticas são dadas, respectivamente, por ∑𝑘𝑖=1(𝑛𝑖 − 1)𝑆𝑖2 𝑆𝑒2 = , (2) 𝑛−𝑘 𝑘 𝑛𝑖 − 1 𝑀 = (𝑛 − 𝑘)𝑙𝑛𝑆𝑒2 − ∑ , (3) 𝑙𝑛𝑆𝑖2 𝑖=1 𝑘 1 1 1 𝐶 =1+ [∑ ( )−( )]. (4) 3(𝑘 − 1) 𝑛𝑖 − 1 𝑛−1 𝑖=1
A partir das equações (2), (3) e (4) obtemos a estatística 𝑀/𝐶, que segue uma distribuição aproximadamente qui-quadrado com 𝑘 − 1 graus de liberdade, ou seja, 𝑀/𝐶~𝜒 2 (𝑘 − 1). Dessa maneira, fixando o nível de significância do teste, 𝛼, temos o 𝜒𝑐2 e, por conseguinte, a região crítica 𝑅𝐶 dada por (𝜒𝑐2 , +∞). Se 𝑀/𝐶 ∉ 𝑅𝐶, aceitamos a hipótese nula. 3. Independência: Todas as populações devem ser independentes entre si. Para verificar se as populações são independentes entre si, empregamos o Teste de Independência de Pearson. Esse teste também utiliza a estatística (1) com 𝜈 = (𝑟 − 1)(𝑠 − 1) graus de liberdade. O teste de hipóteses pode ser escrito na forma 𝐻0 : todas as populações são independentes entre si, 𝐻1 : pelo menos uma das populações depende de outras(s).
A hipótese nula será rejeitada caso o valor observado em (1) seja maior do que o valor 𝜒𝑐2 , fixando-se, a priori, um valor do nível de significância 𝛼. Assim, com todas as suposições satisfeitas a ANOVA é aplicável sem que os resultados sejam comprometidos. Segundo Marques e Marques (2009), nesse modelo, os elementos observados são classificados segundo um critério, ou seja, existe apenas uma característica de interesse a ser testada. Supondo que existam 𝑘 populações 𝑃1 , 𝑃2 , … , 𝑃𝑘 . Para melhor entendimento a respeito da aplicação desse teste, utilizamos as seguintes notações: • 𝑥𝑖𝑗 é o i-ésimo elemento da j-ésima amostra. • 𝑥̅𝑗 é a média da j-ésima amostra. • 𝑋̅ é a média do conjunto das 𝑘 amostras. • 𝑛𝑗 é o tamanho da j-ésima amostra. • 𝑁 é o número total de observações das 𝑘 amostras, ou seja, 𝑁 = 𝑛1 + 𝑛2 + ⋯ + 𝑛𝑘 . Assim, as hipóteses podem ser escritas como: 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑘 = 𝜇, 𝐻1 : pelo menos uma das médias 𝜇𝑗 difere das demais. Dessa maneira, primeiramente fixamos o nível de significância do teste e, em seguida, encontramos a região crítica dada por (𝐹𝑐𝑟𝑖𝑡 , +∞), cujos graus de liberdade são 𝜈1 = 𝑘 − 1 e 𝜈2 = 𝑁 − 𝑘. Para a aplicação da ANOVA, é preciso efetuar o cálculo da soma de quadrados, definidos como: 𝑘 𝑛𝑗 2 𝑆𝑄𝐸 = ∑ ∑(𝑥̅𝑗 − 𝑋̅) (5) 𝑗=1 𝑖=1
𝑘 𝑛𝑗 2 𝑆𝑄𝑅 = ∑ ∑(𝑥𝑖𝑗 − 𝑥̅𝑗 ) (6) 𝑗=1 𝑖=1
𝑘 𝑛𝑗 2 𝑆𝑄𝑇 = ∑ ∑(𝑥𝑖𝑗 − 𝑋̅ ) (7) 𝑗=1 𝑖=1
de modo que, 𝑆𝑄𝐸 é denominado Soma de Quadrados Entre Amostras, 𝑆𝑄𝑅 é a
Soma de Quadrados Residual, 𝑆𝑄𝑇 é a Soma de Quadrados Total e 𝑆𝑄𝑇 = 𝑆𝑄𝐸 + 𝑆𝑄𝑅. Assim, com as estatísticas calculadas, é possível construir a tabela da ANOVA, como mostrado na Tabela 1, em que 𝐹𝑉 é a Fonte de Variação, 𝑆𝑄 é a Soma de Quadrados, 𝐺𝐿 é o Grau de Liberdade e 𝑄𝑀 é Quadrado Médio (𝑠 2 ).
Dessa forma, considerando o nível de significância 𝛼, se 𝐹𝑜𝑏𝑠 > 𝐹𝑐𝑟𝑖𝑡 ,
rejeitamos a hipótese nula, ou seja, existem evidências amostrais de que as 𝑘 populações não possuem a mesma média, caso contrário, aceitamos a hipótese nula.
5. Aplicabilidade do teste A fim de verificar a eficácia do fitoterápico Morosil, vamos considerar as seguintes populações para estudo. Seja 𝑃1 a população das ratas de controle, 𝑃2 a população das ratas que foram submetidas apenas a cirurgia de ovariectomia e 𝑃3 a população das ratas que foram submetidas ao tratamento com Morosil. O primeiro passo para aplicar a análise de variância, como descrito anteriormente, é verificar se as três populações atendem as suposições apresentadas na seção 4. 1. Normalidade: Aplicamos o teste de aderência para verificar se os dados seguem distribuição normal. Para tanto, apresentamos a Tabela 2 com os dados fornecidos pelos Pesquisadores do Centro Universitário Integrado de Campo Mourão, com o peso médio dos três grupos para cada uma das 16 semanas.
Tabela 2: Pesos médios das populações para cada semana
𝐻0 : os dados provenientes da população 𝑃𝑖 seguem a distribuição normal;
𝐻1 : os dados provenientes da população 𝑃𝑖 não seguem a distribuição normal.
Utilizamos o Software MINITAB e empregamos o teste para o caso em que as
amostram tem tamanho inferior a 50 e considerando, em cada caso, o valor de significância 𝛼 fixado em 5%, ou seja, a hipótese nula é aceita caso o valor-p seja maior que 0,05. Para 𝑃1, o software determinou um valor-p maior que 0,100. Assim, nesse caso, aceitamos a hipótese nula de que a média das ratas do grupo controle seguem a distribuição normal. A Figura 1, apresenta o gráfico de ajuste para o teste de normalidade.
Figura 1: Gráfico de ajuste para o teste de normalidade (𝑃1 )
Considerando 𝑃2 e 𝑃3, também verificamos valores-p maiores que 0,100. Assim, nesses casos, também aceitamos 𝐻0 , ou seja, a média dos pesos das ratas provenientes de 𝑃2 e 𝑃3 também seguem distribuição normal. Dessa maneira, os testes concluem que todas as populações que serão testadas seguem distribuição normal. 2. Homocedasticidade: Utilizando-se do teste de Barlett, temos que, para o nosso caso, 𝑛1 = 𝑛2 = 𝑛3 = 16 e que 𝑆12 = 1441,2, 𝑆22 = 2983,8 e 𝑆32 = 3684,8. Assim, temos que 𝑛 = 16 + 16 + 16 = 48. Para desenvolver o teste de homocedasticidade, é necessário o cálculo das estatísticas 𝑆𝑒2 , 𝑀 e 𝐶. Os resultados obtidos estão listados abaixo. 3 (𝑛𝑖 − 1)𝑆𝑖2 𝑆𝑒2 =∑ = 2703,3 (8) 48 − 3 𝑖=1 3
Assim, a estatística 𝑀/𝐶 = 3,18 segue uma distribuição aproximadamente
qui-quadrado com 2 graus de liberdade, isto é, 𝑀/𝐶~𝜒 2 (2). Dessa maneira, com o 2 nível de significância 𝛼 = 5%, temos que 𝜒𝑐𝑟𝑖𝑡 = 5,991 e, por conseguinte, a região crítica dada por (5,991; +∞). Notemos que 𝑀/𝐶 ∉ 𝑅𝐶, ou seja, o teste evidencia que a hipótese nula de igualdade de variância entre as três populações deve ser aceita. 3. Independência: Utilizando-se do Teste de Independência de Pearson apresentado na seção 4, temos que a estatística (1) terá 𝜈 = (3 − 1)(16 − 1) = 30 graus de liberdade. As hipóteses testadas estão listadas abaixo.
𝐻0 : as três populações são independentes entre si.
𝐻1 : pelo menos uma das populações depende de outra(s).
Para a realização desse teste, a tabela de contingência deveria ser
construída para o cálculo da estatística (1). Os menores e o maiores pesos observados foram, respectivamente, 141,2 gramas e 337 gramas e, devido a esse fato, separamos os pesos médios das ratas em três intervalos de mesma amplitude para que os resultados não fossem comprometidos. Definimos o primeiro intervalo com todas as ratas pesando entre 100 e 200 gramas, o segundo entre 200 e 300 gramas e, o último entre 300 e 400 gramas. Em seguida, contamos quantas ratas estavam com o peso nesses intervalos e, sintetizamos os dados obtidos na Tabela 3.
Tabela 3: Tabela de contingência para a aplicação do Teste de Independência de Pearson
Intervalos (em gramas) População Total (𝟏𝟎𝟎, 𝟐𝟎𝟎] (𝟐𝟎𝟎, 𝟑𝟎𝟎] (𝟑𝟎𝟎, 𝟒𝟎𝟎] 𝑷𝟏 15 62 3 80 𝑷𝟐 11 45 24 80 𝑷𝟑 13 38 29 80 Total 39 145 56 240 2 Dessa maneira, utilizando-se da estatística (1), verificamos que 𝜒𝑜𝑏𝑠 = 27,308. Os graus de liberdade da distribuição aproximada qui-quadrado são dados por 𝜈 = (3 − 1)(3 − 1) = 2. Portanto, fixando-se o nível de significância do teste 𝛼 = 5%, 2 2 temos que 𝜒𝑐𝑟𝑖𝑡 = 9,488 e, por conseguinte, a 𝑅𝐶: (9,488; +∞). Notemos que 𝜒𝑜𝑏𝑠 ∈ 𝑅𝐶 e, sendo assim, o teste indica que devemos recusar a hipótese nula de que as três populações são independentes. Assim, como a terceira suposição de independência entre as populações não foi satisfeita, não é adequado aplicar a análise de variância nesse caso, pois os resultados podem ser comprometidos. Sendo assim, para que a análise da performance do fitoterápico Morosil fosse realizada, utilizamos de métodos estatísticos não-paramétricos.
6. Métodos não-paramétricos Os métodos não-paramétricos surgem como uma alternativa aos testes paramétricos, uma vez que, eles são mais flexíveis em relação aos paramétricos e sua aplicabilidade é, em geral, mais fácil e a perda de eficácia é mínima. Devido a gama de testes não-paramétricos existentes, utilizamos nessa pesquisa o Teste de Wilcoxon. O Teste de Wilcoxon, apresentado por Bussab e Morettin (2017), é empregado com a finalidade de verificar se existe diferença significativa entre duas populações, ou seja, identificar se uma das populações tende a apresentar média e/ou mediana maiores do que a outra. Supondo que ambas as populações sejam independentes, a base desse teste são os postos dos valores obtidos na combinação de duas amostras. Esse processo é feito colocando-se os valores observados em ordem crescente, independentemente de qual população tais valores são provenientes. A estatística a ser utilizada é a soma dos postos associados os valores amostrais de uma população 𝑃𝑖 . Caso essa soma seja grande, temos um indício de que os valores dessa população são maiores do que de 𝑃𝑗 , com 𝑖 ≠ 𝑗, e, sendo assim, rejeitaremos a hipótese nula de que ambas as populações têm mesma média e/ou mediana. Utilizamos os dados de 𝑃2 e 𝑃3 (pois são as populações que foram submetidas à cirurgia de ovariectomia bilateral) apresentados na Tabela 2 e, dessa forma, colocamos em ordem crescente os valores observados. Como o tamanho das amostras de 𝑃2 e 𝑃3, 𝑛2 = 16 e 𝑛3 = 16, são relativamente grandes, Bussab e Morettin (2017) sugerem a aproximação normal
𝑊𝑆 − 𝐸(𝑊𝑆 ) 𝑍= (11) √𝑉𝑎𝑟(𝑊𝑆 )
em que a estatística 𝑊𝑆 é a soma dos postos da população de tratamento.
Conforme sugerido por Bussab e Morettin (2017), a esperança e variância da estatística 𝑊𝑆 para o caso em que as observações não são todas distintas são dadas por 𝑚 (𝑁 + 1 ) 𝐸(𝑊𝑆 ) = , (12) 2 𝑒 𝑛𝑚(𝑁 + 1) 𝑚𝑛 𝑉𝑎𝑟(𝑊𝑆 ) = − ∑(𝑑𝑖3 − 𝑑𝑖 ), (13) 12 12𝑁(𝑁 − 1) 𝑖=1
onde 𝑑𝑖 é a quantidade de observações empatadas em uma frequência 𝑖, 𝑒 é o
número de valores distintos empatados, e 𝑁 = 𝑚 + 𝑛, tal que 𝑚 e 𝑛 é o tamanho das amostras das populações de análise. Assim, para o nosso caso, temos que
𝑊𝑆 = 270, 𝐸(𝑊𝑆 ) = 264, 𝑉𝑎𝑟(𝑊𝑆 ) = 703,484 (14)
Dessa maneira, para a estatística Z dada por (11), obtemos
270 − 264 𝑍= ≅ 0,22. (15) √703,484
Denotamos 𝑍𝑜𝑏𝑠 = 0,22. Utilizando o nível de significância 𝛼, fixado em 5%,
determinamos 𝑍𝑐𝑟𝑖𝑡 = 1,64 e, por conseguinte, a região crítica: 𝑅𝐶: (−∞; −1,64] ∪ [1,64; +∞). Como 𝑍𝑜𝑏𝑠 ∉ 𝑅𝐶, não rejeitamos a hipótese nula, isto é, podemos concluir que não existe diferença significativa entre os pesos médios das ratas dos grupos amostrais 𝑃2 e 𝑃3. Logo, o teste indica que o fitoterápico Morosil não apresentou resultados otimistas quanto à perda de peso para a amostra considerada. 6. Considerações Finais
Diariamente, somos chamados a tomar decisões e, por este motivo,
destacamos a relevância da abordagem de testes estatísticos neste contexto. Através do trabalho realizado, notamos como a estatística paramétrica e não- paramétrica se comporta nos métodos abordados, assim como também, de um modo geral, como cada método é baseado em propriedades das distribuições de probabilidades e na premissa da amostragem aleatória das populações sob investigação. Destacamos a relevância da abordagem de testes não-paramétricos no contexto apresentado, justamente por serem mais simples de utilizar e de compreender, quando comparados aos testes paramétricos. Diante disso, concluímos que os métodos não-paramétricos demonstram ser ferramentas promissoras e com vasto campo de aplicação como, por exemplo, na investigação da eficácia do fitoterápico Morosil na redução de peso. Apesar dos resultados do teste indicarem não haver diferença significativa entre os pesos médios dos grupos considerados, não podemos classificar o fitoterápico Morosil como ineficiente na redução de peso, o que deve ficar claro é que para a amostra considerada os resultados não foram significativos. Para conclusão definitiva sobre a performance desse medicamento é preciso que amostras maiores sejam consideradas.
Referências
MARQUES, J. M.; MARQUES, M. A. M.. Estatística básica para cursos de engenharia. Curitiba: Domínio do saber, 2005.
MANN, P. S.. Introdução à estatística. Rio de Janeiro: LTC, 2006.
BUSSAB, W. O.; MORETTIN, P. A.. Estatística básica. 9ª Edição. São Paulo: Saraiva, 2017.
