Análise de Sobrevivência
|
|
- Victor Gabriel Valverde Almeida
- 8 Há anos
- Visualizações:
Transcrição
1 Análise de Sobrevivência Valeska Andreozzi 15 de fevereiro de 2008 Referências 2 Referências O tempo 4 O tempo Censura Coorte aberta Registro do tempo Truncamento Processo de contagem Dados No R Funções de sobrevida 27 Densidade de probabilidade Sobrevida Risco Risco Acumulado Relações Estimação Não-Paramétrica 49 Kaplan-Meier Nelson-Aalen IC No R KM estratificado Testes Log-rank (ou Mantel-Haenszel) Teste log-rank Teste de Peto No R Modelo de Cox 70 Riscos Proporcionais Modelo de Cox Estimação Exemplo TMO No R
2 Selecionando modelos Medida Global de Ajuste Modelo de Cox estratificado Exemplo TMO Análise de resíduos 94 Objetivo Resumo Resíduo de Shoenfeld Exemplo TMO Correlação linear O que fazer? Resíduos Martingale Resíduos escore Exemplo TMO
3 Referências slide 2 Referências Kleinbaum, D., & Klein, M. Survival analysis : a self-learning text. Springer, Therneau, T. M., & Grambsch, P. M. Modeling survival data: extending the Cox model. Springer, Andersen, P. K., Borgan, O., Gill, R. D., & Keiding, N.. Statistical Models Based on Counting Processes. Springer, Carvalho, M. S., Andreozzi, V. L., Codeço, C, T., Barbosa, M. T. S. & Shimakura, S. E. Análise de Sobrevida: teoria e aplicações em saúde. Editora Fiocruz. Rio de Janeiro, sobrevida/index.html CEAUL Valeska Andreozzi slide 3 O tempo slide 4 O tempo Tempo até... óbito transplante doença cura CEAUL Valeska Andreozzi slide 5 Medir o tempo Tempo de sobrevida (em meses) de 10 pacientes em diálise. Paciente (i) Tempo (T i ) CEAUL Valeska Andreozzi slide 6 3
4 Representar o tempo Pacientes Meses Cada linha representa a trajetória de um paciente e o símbolo indica a ocorrência do evento ou falha. CEAUL Valeska Andreozzi slide 7 Informação incompleta óbito por outras causas morte do paciente por causas externas; término do estudo; perda de contato mudança de residência; recusa em continuar participando; mudança de procedimento; abandono devido a efeitos adversos de tratamento; desconhecimento da data de início em pacientes HIV+ com data de infecção desconhecida; dados truncados prevalentes. Censura e truncamento CEAUL Valeska Andreozzi slide 8 Mecanismos de censura Censura à direita Censura à esquerda Censura intervalar CEAUL Valeska Andreozzi slide 9 4
5 Censura à direita O tempo entre o início e o evento é maior do que o tempo observado (T > t+) Paciente (i) Tempo (T i) Censura CEAUL Valeska Andreozzi slide 10 Graficamente Pacientes O O O Meses indica ocorrência do evento e O corresponde à presença de censura. CEAUL Valeska Andreozzi slide 11 5
6 Censura à esquerda Exemplo: Tempo decorrido entre a infecção pelo HIV e o diagnóstico imunológico de Aids (CD4<200 células/mm 3 ) Censura à esquerda - Quadro A Acontece quando não conhecemos o momento da ocorrência do evento, mas sabemos que ele ocorreu antes de um tempo determinado. Somente podemos afirmar que o tempo entre o exame positivo e a diagnóstico imunológico é menor do que o tempo entre o exame negativo e o diagnóstico cĺınico de Aids (T < t ) Quadro A HIV Aids clínica Exame Exame + Quadro B HIV Aids clínica Exame Exame + CEAUL Valeska Andreozzi slide 12 Censura intervalar Exemplo: Tempo decorrido entre a infecção pelo HIV e o diagnóstico imunológico de Aids (CD4<200 células/mm 3 ) Censura intervalar - Quadro B O momento em que ocorreu uma contagem de CD4<200 células/mm 3 certamente se situa entre o exame positivo e a Aids clinicamente diagnosticada (t < T < t+) Quadro A HIV Aids clínica Exame Exame + Quadro B HIV Aids clínica Exame Exame + CEAUL Valeska Andreozzi slide 13 6
7 Censura Informativa NÃO Informativa Quando não há razão para suspeitar que o motivo dessa perda de informação esteja relacionado ao desfecho Informativa Evitar ao máximo, pois implica viés de seleção interferindo na validade das estimativas. CEAUL Valeska Andreozzi slide 14 Coorte aberta Pacientes O O Meses Trajetórias individuais de pacientes com censura e com diferentes tempos de entrada em observação. CEAUL Valeska Andreozzi slide 15 7
8 Registro do tempo Tempo de observação de pacientes de uma coorte aberta. Tempo calendário em meses Tempo decorrido (em meses) Paciente Tempo Tempo Tempo T Censura inicial (I) final (F) (final - inicial) (C) CEAUL Valeska Andreozzi slide 16 Truncamento Truncamento à esquerda ocorre quando a perda da informação está relacionada a indivíduos que foram excluídos do estudo porque já tinham experimentado o evento antes do início do estudo e não podiam ser observados. (dados prevalentes) Truncamento à direita ocorre quando o critério de seleção dos indivíduos inclui somente aqueles que sofreram o evento. CEAUL Valeska Andreozzi slide 17 Processo de contagem O par (T i, C i ) é substituído por (N i (t), Y i (t)), onde: N i (t) é o número de eventos observados em [0, t] Y i (t) = 1, se o indivíduo i está sob observação e em risco no instante t Y i (t) = 0, se o indivíduo i não está em risco. CEAUL Valeska Andreozzi slide 18 8
9 Processo de contagem Formalmente: um processo de contagem é um processo estocástico N(t) com t > 0, de tal forma que N(0) = 0 e N(t) < ; a trajetória de N(t) é contínua à direita a partir de uma função escada com saltos de tamanho igual a um; a análise de sobrevida pode ser pensada como um processo de contagem onde N(t) é o número de eventos observados até o tempo t e dn i (t) é a diferença entre a contagem de eventos até o instante t e a contagem no momento imediatamente anterior a t. CEAUL Valeska Andreozzi slide 19 Graficamente N A (t) Y A (t) dn(t) Paciente A: Diagnosticado no mês zero, acompanhado até o mês 22. A ocorrência do evento é assinalada pelo sinal Meses CEAUL Valeska Andreozzi slide 20 Graficamente N 2 (t) Y 2 (t) o dn(t)=0 N 4 (t) Y 4 (t) dn(t)=0 o Meses Meses Trajetória de dois pacientes censurados. No primeiro quadro ocorre censura aos 6 meses; no segundo ocorre censura ao término do estudo. CEAUL Valeska Andreozzi slide 21 9
10 Graficamente N 2 (t) Y 2 (t) dn(t) N 8 (t) Y 8 (t) dn(t)=0 o Meses Meses Trajetória de dois pacientes censurados que entraram na coorte ao longo do estudo. CEAUL Valeska Andreozzi slide 22 Qual o ganho? Mudança no valor de covariável Evento múltiplos Dados prevalentes CEAUL Valeska Andreozzi slide 23 Organização dos dados Forma Clássica (T i, C i ) id tempo (T) censura (C) sexo idade F F M F M 44 CEAUL Valeska Andreozzi slide 24 10
11 Organização dos dados Processo de Contagem (N i (t), Y i (t)) id inicio (I) fim (F) censura (C) sexo idade F F M F 45 n M 44 CEAUL Valeska Andreozzi slide 25 Tempo de Sobrevida no R O R aceita os dois formatos de registro do tempo de sobrevida. O comando Surv() tem como função combinar, em uma única variável, a informação referente ao tempo de sobrevivência de cada indivíduo e a informação a respeito do status do paciente. Status = 1 (um), se ocorreu o evento Status = 0 (zero) se o tempo foi censurado require(survival) Surv(tempo,status) Surv(inicio,fim,status) > require (survival) > Surv(ipec$tempo,ipec$status) [1] CEAUL Valeska Andreozzi slide 26 11
12 Funções de sobrevida slide 27 Funções de sobrevida Densidade de Probabilidade Sobrevida Risco (instantâneo) Risco Acumulado CEAUL Valeska Andreozzi slide 28 Funções de sobrevida Uma coorte de 50 pacientes com aids é acompanhada por 1460 dias, observando-se 32 óbitos. Medida resumo taxa de mortalidade média do período: 32/50 = 64% Porém... Tempo de sobrevida de 32 pacientes com aids que morreram durante um estudo de coorte (medido em dias) CEAUL Valeska Andreozzi slide 29 Perguntas Mais do que o comportamento médio, a análise de sobrevida permite responder às seguintes perguntas: Qual o risco de um paciente diagnosticado com aids vir a falecer em até três anos após o diagnóstico? Qual a probabilidade de um paciente sobreviver por mais de dois anos após o diagnóstico de aids? Qual seria o número esperado de óbitos em uma coorte de pacientes acompanhada por cinco anos? CEAUL Valeska Andreozzi slide 30 12
13 Função densidade de probabilidade T tempo de sobrevida (até a ocorrência de um evento); T é uma variável aleatória contínua e positiva; f(t) é a sua função de densidade de probabilidade; a função f(t) pode ser interpretada como a probabilidade de um indivíduo sofrer um evento em um intervalo instantâneo de tempo. Pr(t T t + t) f(t) = lim t 0 t CEAUL Valeska Andreozzi slide 31 Estimativa de probabilidade sem censura Se não houver censura, isto é, se todos os pacientes apresentarem o evento antes do fim do estudo, a função f(t) pode ser estimada a partir da tabela de freqüência. Nesta tabela, os valores observados de T são distribuídos em classes e para cada classe x, calcula-se f x (t): n ˆf o de ocorrências na classe x x (t) = (n o total de ocorrências) (amplitude de x) CEAUL Valeska Andreozzi slide 32 Estimativa de probabilidade sem censura Tabela de frequência do tempo de sobrevida após o diagnóstico de aids de 50 pacientes Classe (x) Freq f(t) (0;365] 17 17/(50 365) = 0, (365;730] 7 7/(50 365) = 0, (730;1095] 5 5/(50 365) = 0, (1095;1460] 3 3/(50 365) = 0, TOTAL 50 CEAUL Valeska Andreozzi slide 33 13
14 Função de sobrevida Qual é a probabilidade de um paciente com aids sobreviver 365 dias ou mais? Isto é, qual a probabilidade de T ser maior do que um determinado valor t = 365? Ou, mais formalmente, qual é Pr(T > 365)? A função de sobrevida, S(t), é a probabilidade de um indivíduo sobreviver por mais do que um determinado tempo t. S(t) = Pr(T t) CEAUL Valeska Andreozzi slide 34 Função de sobrevida Relembrando: a função de distribuição acumulada, F(t), de uma variável aleatória é definida como a probabilidade de um evento ocorrer até o tempo t. F(t) = Pr(T < t) Logo, S(t) é o complemento da função de distribuição acumulada F(t): S(t) = Pr(T t) = 1 Pr(T t) = 1 F(t) CEAUL Valeska Andreozzi slide 35 Estimando a sobrevida sem censura Ŝ x (t inf ) = no pacientes com T > t inf n o total de pacientes em que t inf é o limite inferior do intervalo de tempo considerado x. Fazendo as contas na planilha CEAUL Valeska Andreozzi slide 36 14
15 Estimando a sobrevida dados agrupados Estimativa da função de sobrevida dos pacientes da coorte de aids a partir da tabela de frequência Classe (x) Freq f(t) Ŝ(t) (0;365] 17 0, Ŝ(0) = (365;730] 7 0, Ŝ(365) = (730;1095] 5 0, Ŝ(730) = (1095;1460] 3 0, Ŝ(1095) = Ŝ(1460) = TOTAL 50 CEAUL Valeska Andreozzi slide 37 Estimando a sobrevida dados agrupados Estimativa da função de sobrevida dos pacientes da coorte de aids a partir da tabela de frequência Classe (x) Freq f(t) Ŝ(t) (0;365] 17 0, Ŝ(0) = 1 (365;730] 7 0, Ŝ(365) = = 0, 66 (730;1095] 5 0, Ŝ(730) = = 0, 56 (1095;1460] 3 0, Ŝ(1095) = = 0, Ŝ(1460) = = 0, 36 TOTAL 50 CEAUL Valeska Andreozzi slide 38 Perguntas Qual é a probabilidade de um paciente sobreviver por mais de 1 ano? Qual é a probabilidade dele sobreviver por mais de 3 anos? Qual é o tempo mediano de sobrevivência? CEAUL Valeska Andreozzi slide 39 15
16 Função de Risco Qual é o risco de um paciente com aids vir a óbito após sobreviver 365 dias? Esse risco de morrer aumenta ou diminui com o tempo? λ(t) probabilidade instantânea de um indivíduo sofrer o evento em um intervalo de tempo t e t + ǫ dado que ele sobreviveu até o tempo t. Sendo ǫ infinitamente pequeno, λ(t) expressa o risco instantâneo de ocorrência de um evento, dado que até então o evento não tenha ocorrido. CEAUL Valeska Andreozzi slide 40 Função de Risco λ(t) = lim ǫ Pr((t < T < t + ǫ) T > t) ǫ λ(t) também é denominada: função ou taxa de incidência, força de infecção, taxa de falha, força de mortalidade, força de mortalidade condicional. Apesar do nome risco, λ(t) é uma taxa (tempo 1 ). Pode assumir qualquer valor positivo (não é probabilidade). CEAUL Valeska Andreozzi slide 41 Função de Risco e de Sobrevida λ(t) = f(t) S(t) λ(t) = d ln(s(t)) dt Sobrevida e risco são inversamente proporcionais: quando o risco aumenta, a probabilidade de sobrevida diminui e vice-versa. CEAUL Valeska Andreozzi slide 42 16
17 Estimando risco sem censura ˆλ x (t) = no ocorrências na classe x S x (t) (amplitude de x) Número de eventos observados no intervalo de classe x pelo número de pacientes sobreviventes no início de x, dividido pela amplitude de x. Uma maneira alternativa de estimar λ(t) é utilizar as relações entre S(t), f(t) e λ(t). Planilha CEAUL Valeska Andreozzi slide 43 Comportamento do Risco B C Risco Risco Tempo Tempo D E Risco Risco Tempo Tempo Função de risco com diversos formatos. CEAUL Valeska Andreozzi slide 44 17
18 Comportamento do Risco F Risco S(t) Tempo Tempo Função de risco com diversos formatos. CEAUL Valeska Andreozzi slide 45 Função de risco acumulado Qual o risco de um paciente com aids vir a óbito no primeiro ano após o diagnóstico? Qual é o risco dele vir a óbito nos primeiros 2 anos? Λ(t) função de risco acumulado. Mede o risco de ocorrência do evento até o tempo t. É a soma (integral) de todos os riscos em todos os tempos até o tempo t. Λ(t) = t 0 λ(u)d(u) Também é uma taxa, logo não está restrita ao intervalo [0; 1]. CEAUL Valeska Andreozzi slide 46 Estimando risco acumulado sem censura ˆΛ x (t) = k=x 1 k=2 ˆλ k (t) amplitude de k O risco acumulado até o tempo t é igual a: o risco acumulado até o tempo t 1 mais o risco instantâneo do período anterior vezes o intervalo de tempo até t. Planilha CEAUL Valeska Andreozzi slide 47 18
19 Relação entre as funções básicas de sobrevida S(t) = 1 F(t) λ(t) = d ln(s(t)) dt λ(t) = f(t) S(t) λ(t) = f(t) 1 F(t) Λ(t) = ln(s(t)) CEAUL Valeska Andreozzi slide 48 Estimação Não-Paramétrica slide 49 Estimação Não-Paramétrica estimadores de sobrevida e risco Kaplan-Meier e Nelson Aalen intervalos de confiança Kaplan-Meier estratificado testes de Log-Rank e Peto Incorporando a censura Sem suposições sobre a distribuição do tempo CEAUL Valeska Andreozzi slide 50 19
20 Kaplan-Meier A probabilidade de sobrevida até o tempo t é estimada considerando que a sobrevivência até cada tempo é independente da sobrevivência até outros tempos. A probabilidade de chegar até o tempo t é o produto da probabilidade de chegar até cada um dos tempos anteriores. CEAUL Valeska Andreozzi slide 51 Kaplan-Meier Seja t 1 < t 2 < < t m os tempos onde ocorreram os eventos; Y i (t) = 1 se a pessoa i está em risco no tempo t e 0 caso contrário. R(t i ) é o total de pessoas a risco no tempo t i. A cada tempo t i em que houver um evento, a probabilidade de sobrevivência será o número dos que sobreviveram até aquele tempo (R(t i ) N(t i )) sobre os que estavam em risco naquele tempo (R(t i )). O estimador da distribuição S(t) é o produto das probabilidades de sobrevivência a cada tempo t i t. CEAUL Valeska Andreozzi slide 52 Kaplan-Meier Ŝ KM (t) = ou na forma de produtório: ( ) ( ) R(t1 ) N(t 1 ) R(t2 ) N(t 2 ) R(t 1 ) R(t 2 ) ( ) R(tm ) N(t m ) R(t m ) Ŝ KM (t) = t i t R(t i ) N(t i ) R(t i ) planilha CEAUL Valeska Andreozzi slide 53 20
21 Da sobrevida ao risco Logo... pode-se estimar qualquer das funções. ˆΛ KM (t) = lnŝkm(t) CEAUL Valeska Andreozzi slide 54 Estimador de Nelson-Aalen Melhor para amostras muito pequenas ˆΛ NA (t) = ti t N(t i ) R(t i ) planilha CEAUL Valeska Andreozzi slide 55 Intervalos de confiança Variância do estimador Kaplan-Meier para a sobrevida Estimador de Greenwood V ar(ŝkm(t)) = (ŜKM(t)) 2 t i t N(t i ) R(t i )(R(t i ) N(t i )) CEAUL Valeska Andreozzi slide 56 21
22 Intervalos de confiança Assumindo erro α, o intervalo fica assim: ] [Ŝ KM (t) z α/2 V ar(ŝkm(t)); ŜKM(t) + z α/2 V ar(ŝkm(t)) Entretanto, este intervalo permite valores negativos e maiores do que 1, o que é incompatível com distribuição de probabilidade. CEAUL Valeska Andreozzi slide 57 Intervalos de confiança Construindo intervalo simétrico para o risco lnλ(t) = ln( lns(t)) pode-se obter um intervalo assimétrico para S(t), porém sempre positivo e menor do que 1. [ ] [l i ; l s ] = ln(ˆλ KM (t)) z α/2 dp; ln(ˆλ KM (t)) + z α/2 dp onde dp é o desvio padrão e dado por: dp = N(t i ) t i t R(t i )(R(t i ) N(t i )) { ti t ln [ R(ti ) N(t i ) N(t i ) CEAUL Valeska Andreozzi slide 58 ]} 2 No R Criando o objeto sobrevida (tempo, censura): > Surv(tempo,status) #variável status=1 indica evento, 0 censura Kaplan-Meier > KM <- survfit(surv(tempo,status), data = ipec90) > summary(km) > plot(km) Nelson-Aalen > sob.na <- survfit(coxph(y~1, data = ipec90)) > sob.na > summary(sob.na) CEAUL Valeska Andreozzi slide 59 22
23 Saídas do R summary(km) time n.risk n.event survival std.err lowerci upperci CEAUL Valeska Andreozzi slide 60 Saídas do R plot(km) Função de sobrevida dos pacientes com aids, utilizando o estimador produto Kaplan-Meier. Os símbolos + localizam as censuras. S(t) Dias CEAUL Valeska Andreozzi slide 61 23
24 Kaplan-Meier estratificado A sobrevivência é estimada separadamente para cada estrato, utilizando Kaplan-Meier. no R > survaids <- survfit(surv(tempo,status)~ sexo, data = ipec) > survaids Call: survfit(formula = resp ~ sexo, data = ipec) n events rmean se(rmean) median 0.95LCL 0.95UCL sexo=f Inf 1371 Inf sexo=m CEAUL Valeska Andreozzi slide 62 Gráfico sobrevida estratificada S(t) Fem Masc Dias Curvas de sobrevida de pacientes com aids, estratificado por sexo. Estimação por Kaplan-Meier, com intervalo de confiança de 95%. CEAUL Valeska Andreozzi slide 63 Testes Hipótese nula: não há diferença entre estratos H 0 : λ 1 (t) = λ 2 (t) = = λ k (t) CEAUL Valeska Andreozzi slide 64 24
25 Log-rank (ou Mantel-Haenszel) Distribuição esperada de eventos igual em todos os estratos: e k (t) = N(t) R k(t) R(t) Estatística de teste log-rank para dois estratos (k = 2): Log-rank = (N 1 E 1 ) 2 V ar(n 1 E 1 ) com N 1 = total de eventos observados no estrato 1 e E 1 = total de eventos esperados no estrato 1. CEAUL Valeska Andreozzi slide 65 Teste log-rank A variância, que entra no cálculo como um fator de padronização, tem a fórmula (para k = 2): V ar(n 1 E 1 ) = v i em que v i = R 1 (t i )[R(t i ) R 1 (t i )]N(t i )[R(t i ) N(t i )] R(t t i i ) 2. [R(t i ) 1] A estatística log-rank, sob a hipótese nula, segue uma distribuição χ 2, com k 1 graus de liberdade. CEAUL Valeska Andreozzi slide 66 Teste de Peto Dá maior peso às diferenças (ou semelhanças), no início da curva, onde se concentra a maior parte dos dados e por isso é mais informativa. Usa um ponderador S(t) no estimador. sendo que Peto = (N 1 E 1 ) 2 V ar(n 1 E 1 ) N 1 E 1 = S(ti )(N 1 (t i ) E 1 (t i )) S(ti ) V ar(n 1 E 1 ) = ( S(t i )(N 1 (t i ) E 1 (t i ))) 2 (S(ti )) 2 v i Também a estatística Peto segue aproximadamente uma distribuição χ 2 com k 1 graus de liberdade. CEAUL Valeska Andreozzi slide 67 25
26 No R > survdiff(surv(tempo,status)~sexo, data=ipec,rho=0) Call: survdiff(formula = Surv(tempo, status) ~ sexo, data=ipec, rho=0) N Observed Expected (O-E)^2/E (O-E)^2/V sexo=f sexo=m Chisq= 4 on 1 degrees of freedom, p= O argumento rho determina o tipo de teste a ser realizado. Para log-rank, use rho = 0 (default). Para o teste Peto, use rho = 1. CEAUL Valeska Andreozzi slide 68 No R > survdiff(surv(tempo,status)~sexo, data=ipec,rho=1) Call: survdiff(formula = Surv(tempo, status) ~ sexo, data = ipec, rho = 1) N Observed Expected (O-E)^2/E (O-E)^2/V sexo=f sexo=m Chisq= 3.5 on 1 degrees of freedom, p= CEAUL Valeska Andreozzi slide 69 Modelo de Cox slide 70 Riscos Proporcionais O modelo de regressão mais amplamente utilizado para dados de sobrevida ajusta a função de risco λ(t), considerando um risco basal λ 0 (t) e incluindo o vetor de covariáveis x, de forma que: λ(t x) = λ 0 (t)exp(x 1 β 1 + x 2 β x p β p ) = λ 0 (t)exp(xβ) Ou seja, as covariáveis têm um efeito multiplicativo na função de risco. CEAUL Valeska Andreozzi slide 71 26
27 Riscos Proporcionais A razão entre os riscos de ocorrência do evento de dois indivíduos i e j, com covariáveis x i = (x i1, x i2,, x ip ) e x j = (x j1, x j2,, x jp ) é: λ i (t x i ) λ j (t x j ) = exp(x iβ) exp(x j β) Observe que esta razão de riscos NÃO varia ao longo do tempo Modelo de Riscos Porporcionais CEAUL Valeska Andreozzi slide 72 Riscos Proporcionais O modelo RP também pode ser escrito em termos da função de risco acumulado ou da função de sobrevida: Λ(t x) = Λ 0 (t)exp(xβ) S(t x) = [S 0 (t)] exp(xβ) O risco acumulado basal é Λ 0 (t) = i: t i t N i (t) j R(t i ) exp(x jβ) e a sobrevida basal é dada por S 0 (t) = exp[ Λ 0 (t)] CEAUL Valeska Andreozzi slide 73 Modelo de Cox Partindo desta proporcionalidade, é possível estimar os efeitos das covariáveis sem qualquer suposição a respeito da distribuição do tempo de sobrevida, e por isso o modelo de Cox é dito semi-paramétrico: não se assume qualquer distribuição estatística para a função de risco basal, λ 0 (t). Os pressupostos: As covariáveis agem multiplicativamente sobre o risco parte paramétrica do modelo. A razão de riscos é constante ao longo de tempo riscos proporcionais. Os tempos de ocorrência do evento são independentes. CEAUL Valeska Andreozzi slide 74 Estimativa dos coeficientes Para estimar os coeficientes da regressão paramétrica, a função de verossimilhança foi construída a partir da função de densidade de probabilidade calculada nos tempos de ocorrência do evento, multiplicada pela função de sobrevida calculada nos tempos de censura. No Modelo de Cox o vetor de parâmetros β é estimado a partir de uma verossimilhança parcial. De forma semelhante ao Kaplan Meier, considera-se apenas, a cada tempo t, a informação dos indivíduos sob risco, estimando os efeitos das covariáveis no tempo de sobrevida. CEAUL Valeska Andreozzi slide 75 27
28 Verossimilhança parcial Considere m diferentes tempos até a ocorrência de um evento (sem empate), ordenados assim: t 1 < t 2 <... < t m. A verossimilhança individual, L i, é a razão entre o risco λ i (t i ) do indivíduo i falhar em t i e a soma dos riscos de ocorrência de evento de todos os indivíduos em risco: L i = = λ i (t i ) λ j (t j ) j R(t i ) exp(x i β) exp(x j β) j R(t i ) CEAUL Valeska Andreozzi slide 76 Verossimilhança parcial Sob o processo de contagem a verossimilhança individual é igual a L i = exp(x i β) Y j (t)exp(x j β) j com Y j (t) igual a 1 se o indivíduo j estiver em risco no tempo t e 0, caso contrário. CEAUL Valeska Andreozzi slide 77 Verossimilhança Parcial A verossimilhança parcial L(β) = produto das L i L(β) = n Y i (t)exp(x i β) t 0 Y j (t)exp(x j β) i=1 j dn i (t) dn i (t) = diferença entre a contagem de eventos até o instante t e a contagem no momento imediatamente anterior a t. Numerador depende apenas da informação dos indivíduos que experimentam o evento Denominador utiliza informações a respeito de todos os indivíduos que ainda não experimentaram o evento, incluindo aqueles que serão censurados mais tarde. CEAUL Valeska Andreozzi slide 78 28
29 Exemplo TMO Avaliar os fatores prognósticos associados ao tempo de transplante de medula óssea TMO até o óbito nos pacientes com leucemia mielóide crônica tratados no INCA. covariáveis: sexo, idade, fase da doença no momento do transplante (fase), a ocorrência ou não de doença enxerto contra hospedeiro aguda (deag) ou crônica (decr). CEAUL Valeska Andreozzi slide 79 Proporcionalidade Curvas de KM para avaliar o pressuposto de proporcionalidade SEO DECR S(t) Masc Fem S(t) com sem Tempo Tempo DEAG FASE S(t) com sem S(t) Tempo Tempo CEAUL Valeska Andreozzi slide 80 29
30 No R > tmocens <- read.table("tmoclas.dat", header=t, sep=",") > mod1 <- coxph(surv(os,status)~idade+factor(sexo), data=tmocens, x=true) > summary(mod1) Call: coxph(formula = Surv(os, status) ~ idade + factor(sexo), data = tmocens, x = TRUE) n= 96 coef exp(coef) se(coef) z p idade factor(sexo) exp(coef) exp(-coef) lower.95 upper.95 idade factor(sexo) Rsquare= (max possible= ) Likelihood ratio test= 2.16 on 2 df, p=0.34 Wald test = 2.11 on 2 df, p=0.348 Score (logrank) test = 2.11 on 2 df, p=0.348 CEAUL Valeska Andreozzi slide 81 Selecionando modelos Teste de Wald Análise da função desvio CEAUL Valeska Andreozzi slide 82 Comparando quatro modelos > anova(mod1,mod2,mod3,mod4,test="chisq") Analysis of Deviance Table Model 1: Surv(os, status) ~ idade + factor(sexo) Model 2: Surv(os, status) ~ idade + factor(sexo) + factor(fase) Model 3: Surv(os, status) ~ idade + factor(sexo) + factor(fase) + Model 4: Surv(os, status) ~ idade + factor(sexo) + factor(fase) + Resid. Df Resid. Dev Df Deviance P(> Chi ) CEAUL Valeska Andreozzi slide 83 30
31 Selecionando Modelos A função desvio é assintoticamente semelhante à estatística de Wald quando o número de observações é grande. Para número de observações pequenos, a análise da função desvio é mais robusta. Outra ressalva a respeito de valores ausentes. Caso eles existam para algumas variáveis incluídas em alguns modelos, mesmo que aninhados, os modelos perdem a comparabilidade. CEAUL Valeska Andreozzi slide 84 Medida Global de Ajuste R 2 poder explicativo das covariáveis no tempo de ocorrência do evento em estudo. R 2 LR = 1 {L(0)/L(ˆβ)} 2/n L(0) é a função de verossimilhança do modelo nulo, L(ˆβ) a função de verossimilhança sob o modelo ajustado, = 1 exp(2{l(0) l(ˆβ)}/n) (1) l(0) e l(ˆβ) são, respectivamente, os logaritmos neperianos de L(0) e L(ˆβ). Valor mínimo possível de R 2 é zero quando L(0) = L(ˆβ) Valor máximo não é 1 (ou 100%), mas a razão entre as verossimilhanças do modelo saturado e do modelo nulo. CEAUL Valeska Andreozzi slide 85 Medida Global de Ajuste % Var. Modelo ln(verossimil.) R 2 Explicada Nulo -199,0424 0,000 0,0% Saturado -0,2670 0, ,0% M1: Idade+Sexo -197,9626 0,022 2,2% M2: Mod1+Fase -190,3905 0,165 16,8% M3: Mod2+deag -183,3364 0,279 28,4% M4: Mod3+decr -179,0992 0,340 34,6% R 2 modelo /R2 saturado CEAUL Valeska Andreozzi slide 86 31
32 Medida Global de Ajuste Gráfico de sobrevida estratificado por índice de prognóstico (IP) IP é o preditor linear do modelo de Cox, xβ, calculado para cada indivíduo usando as covariáveis observadas e as estimativas dos coeficientes de regressão do modelo ajustado. Os indivíduos são estratificados em grupos de tamanhos aproximadamente iguais (grupos de alto, médio e baixo IP) Os valores médios de cada uma das covariáveis dentro de cada grupo são utilizados para obtenção de curvas de sobrevida sob o modelo ajustado. Espera-se, se o modelo for razoável, que o gráfico das curvas ajustadas pelo modelo em cada estrato sejam próximas das estimadas por Kaplan-Meier. CEAUL Valeska Andreozzi slide 87 Medida Global de Ajuste Assumindo modelo mod4 Indivíduo 1: sexo masculino (sexo = 0) com 56 anos (idade = 56), na fase intermediária (fase2 = 1 e fase3 = 0), com manifestação de doença do enxerto aguda (deag=1, decr=0) β idade 56= 0, = 0, 2469 β sexo 0 = 0, = 0 β fase2 1 = 0, = 0, 6413 β fase3 0 = 1, = 0 β deag 1 = 1, = 1, 2530 β decr 0 = 0, =0 Soma = 1, 6474 CEAUL Valeska Andreozzi slide 88 Medida Global de Ajuste Assumindo modelo mod4 Indivíduo 2: sexo feminino (sexo = 1) com 20 anos (idade = 20), na fase avançada (fase2 = 0 e fase3 = 1) com manifestação de doença do enxerto aguda (deag=1, decr=0) β idade 20= 0, = 0, 0882 β sexo 1 = 0, = 0, 2260 β fase2 0 = 0, = 0 β fase3 1 = 1, = 1, 0279 β deag 1 = 1, = 1, 2530 β decr 0 = 0, = 0 Soma = 1, 9667 CEAUL Valeska Andreozzi slide 89 32
33 Medida Global de Ajuste Gráfico de sobrevida estratificado por índice de prognóstico para os quatro modelos. Linha sólida representa o modelo ajustado e linha pontilhada a estimativa de Kaplan-Meier. M1 M2 s s Tempo Tempo M3 M4 s s Tempo Tempo CEAUL Valeska Andreozzi slide 90 Modelo de Cox estratificado Assume que o risco basal λ 0 (t) varia de acordo com o estrato de uma covariável Utilizado quando alguma variável não atende ao pressuposto de proporcionalidade de riscos ou devido as características do próprio estudo Com s estratos, o modelo estratificado para o estrato j é definido por: λ j (t) = λ 0j (t)exp(xβ), j = 1,, s. Neste modelo assume-se que os coeficientes de regressão são os mesmos em todos os estratos, embora o risco de base varie. No R > m <- coxph(surv(tempo,status) ~ covariáveis + strata(var), data=dados) CEAUL Valeska Andreozzi slide 91 33
34 Exemplo TMO Modelo sem estratificação por doença crônica Call: coxph(formula = Surv(os, status) ~ idade + sexo + fase + deag + decr, data = tmo, x = T) [...] exp(coef) exp(-coef) lower.95 upper.95 idade sexo fase fase deag decr Observe que a doença crônica exerce efeito protetor importante. CEAUL Valeska Andreozzi slide 92 Exemplo TMO Modelo com estratificação por doença crônica Call: coxph(formula = Surv(os, status) ~ idade + sexo + fase + deag + strata(decr), data = tmo, x = T) [...] exp(coef) exp(-coef) lower.95 upper.95 idade sexo fase fase deag efeitos estimados são semelhantes nos dois modelos mas os intervalos de confiança do modelo estratificado são em geral ligeiramente maiores. CEAUL Valeska Andreozzi slide 93 Análise de resíduos slide 94 Objetivo Os aspectos a investigar com a análise de resíduos são: a proporcionalidade do risco; a linearidade (na verdade log-linearidade) da relação entre razão de risco e variável independente, chamada de forma funcional; valores aberrantes (outlier); pontos influentes, também chamados pontos de alavanca. CEAUL Valeska Andreozzi slide 95 34
35 Resumo Para Verificar a proporcionalidade global Verificar a proporcionalidade de cada variável Estudar a forma funcional da variável Linearizar a forma funcional não-linear Avaliar efeito de valores aberrantes Fazer teste de proporcionalidade global (cox.zph) Gráficos do resíduo de Schoenfeld contra o tempo Gráficos do resíduo de martingale do modelo nulo versus covariável Alisamento spline (pspline()) da covariável no modelo Gráficos de resíduos escore e gráficos do resíduo martingale para cada indivíduo CEAUL Valeska Andreozzi slide 96 Resíduo de Shoenfeld O gráfico dos resíduos padronizados de Schoenfeld contra o tempo de sobrevida permite verificar se estes estão distribuídos igualmente ao longo do tempo, ou se aparece uma forma sugestiva de não proporcionalidade Se a premissa de riscos proporcionais não é violada, então espera-se que a reta igual a estimativa do coeficiente esteja dentro dos intervalos de confiança do alisamento lowess dos resíduos. CEAUL Valeska Andreozzi slide 97 35
36 Resíduo de Shoenfeld Resíduos de Schoenfeld para o modelo m4 Beta(t) for idade Beta(t) for sexomasc Time Time Beta(t) for fase Beta(t) for fase Time Time CEAUL Valeska Andreozzi slide 98 Exemplo TMO Resíduos de Schoenfeld para o modelo m4 Beta(t) for deag Beta(t) for decr Time Time No R > residuo.sch <- cox.zph(modelo) > par(mfrow=c(3,2)) > plot(residuo.sch) CEAUL Valeska Andreozzi slide 99 36
37 Correlação linear Pode-se testar a presença de correlação linear entre o tempo de sobrevida e o resíduo. Sob a hipótese nula é de correlação igual a zero, temos que a distribuição do teste é uma qui-quadrado. Exemplo TMO > m4.zph rho chisq p idade sexo fase fase deag decr GLOBAL NA CEAUL Valeska Andreozzi slide 100 O que fazer? O que fazer com a não proporcionalidade dos riscos verificar se a não proporcionalidade é importante estratificar o modelo pela respectiva covariável particionar o eixo do tempo, analisando cada trecho em que há proporcionalidade, separadamente. usar outro tipo de modelo. Exemplo: modelos de tempo de vida acelerado CEAUL Valeska Andreozzi slide 101 Resíduos Martingale São úteis na avaliação da qualidade de ajuste do modelo em duas situações importantes: Resíduo de Martingale versus índice do indivíduo: permite revelar indivíduos mal ajustados pelo modelo; Resíduo de Martingale do modelo nulo (sem covariáveis) versus covariável com a superposição de uma curva de alisamento: sugere a forma funcional de uma covariável contínua. CEAUL Valeska Andreozzi slide
38 Exemplo TMO (a) (b) Resíduo Mod Ajustado Suave Com outlier Resíduo Mod Nulo Índice Idade As setas no quadro (a) indicam indivíduos cujo tempo é menor que o esperado, dadas as covariáveis. A idade (b) parece ter uma relação não-linear com o tempo de sobrevida Em caso de suspeita de não-linearidade da covariável x, podemos incluir no modelo de Cox uma função de alisamento. CEAUL Valeska Andreozzi slide 103 Martingale no R > res.mart <- resid(modelo,type="martingale") > res.nulo <- resid(modelo.nulo,type="martingale") > plot(res.mart,xlab="índice", ylab="resíduo") > abline(h=0,lty=2) > plot(banco$variavel,res.nulo) > lines(lowess(banco$variavel,res.nulo,iter=0),lty=2) > lines(lowess(banco$variavel,res.nulo),lty=3) > legend(locator(1),lty=c(2,3), legend=c("com outlier","sem outlier")) CEAUL Valeska Andreozzi slide 104 Resíduos escore Uteis para verificar a influência de cada observação no ajuste do modelo e para estimação robusta da variância dos coeficientes de regressão. Para cada indivíduo i pode-se calcular a diferença entre o vetor de covariáveis estimado pelo modelo e o mesmo estimado sem o indivíduo i: β, que é aproximadamente igual à matriz de resíduos escore. O gráfico do resíduo escore para cada covariável β k versus x j revela os pontos de influência, ou seja, os indivíduos que influenciam fortemente a estimativa do parâmetro de cada covariável. > res.esco <- resid(modelo,type="dfbetas") CEAUL Valeska Andreozzi slide
39 Exemplo TMO Resíduos escore para o modelo m4 (TMO) Resíduos Idade CEAUL Valeska Andreozzi slide 106 Resíduos Fem Sexo Masc Exemplo TMO Resíduos Resíduos Resíduos Fase Doença Aguda 0 1 Doença Crônica CEAUL Valeska Andreozzi slide
Cap 7 Modelo de Cox. Outline. 2 Cap 2 O tempo. 3 Cap 3 Funções de Sobrevida. 5 Modelo de Cox. Carvalho MS (2009) Sobrevida 1 / 22
Outline Cap 7 Modelo de Cox 1 Cap 1 Introdução 2 Cap 2 O tempo 3 Cap 3 Funções de Sobrevida 4 Cap 4 Não-Paramétrica 5 Modelo de Cox Carvalho MS (2009) Sobrevida 1 / 22 Riscos Proporcionais Cap 7 Modelo
Leia mais5 Cap 8 Análise de Resíduos. Outline. 2 Cap 2 O tempo. 3 Cap 3 Funções de Sobrevida. Carvalho MS (2009) Sobrevida 1 / 22
Outline Cap 8 Análise de Resíduos 1 Cap 1 Introdução 2 Cap 2 O tempo 3 Cap 3 Funções de Sobrevida 4 Cap 4 Não-Paramétrica 5 Cap 8 Análise de Resíduos Carvalho MS (2009) Sobrevida 1 / 22 Objetivos Analisar
Leia maisAnálise de Sobrevivência
Análise de Sobrevivência Valeska Andreozzi 15 de fevereiro de 2008 CEAUL Valeska Andreozzi slide 1 CEAUL Valeska Andreozzi slide 2 Kleinbaum, D., & Klein, M. Survival analysis : a self-learning text. Springer,
Leia maisMarilia Sá Carvalho Dayse Pereira Campos Raquel de V.C. de Oliveira
1/228 Introdução à Análise de Sobrevivência Marilia Sá Carvalho Dayse Pereira Campos Raquel de V.C. de Oliveira Fundação Oswaldo Cruz, Brasil Cap 1 Introdução 4/228 Introdução à Análise de Sobrevivência
Leia maisOutline. 2 Cap 2 O tempo. 3 Cap 3 Funções de Sobrevida. Carvalho MS (2009) Sobrevida 1 / 21
Outline 1 Cap 1 Introdução 2 Cap 2 O tempo 3 Cap 3 Funções de Sobrevida 4 Carvalho MS (2009) Sobrevida 1 / 21 Estimação Não-Paramétrica Estimadores de sobrevida e risco Kaplan-Meier e Nelson Aalen Intervalos
Leia maisMétodos Avançados de Análise de Sobrevida. Bibliografia. Cronograma Introdução. Material do curso. Agradecimentos
Cap 1 Introdução Introdução à Análise de Sobrevida Cap 1 Introdução Métodos Avançados de Análise de Sobrevida 1 Introdução 2 O 3 Funções de Sobrevida 4 Estimação Não-Paramétrica 5 Modelo de Cox 6 Análise
Leia maisAnálise de Sobrevida. Silvia Emiko Shimakura Marilia Sá Carvalho Valeska Andreozzi. Análise de Sobrevida p. 1
Análise de Sobrevida Silvia Emiko Shimakura Marilia Sá Carvalho Valeska Andreozzi Análise de Sobrevida p. 1 Bibliografia Kleinbaum, D. & Klein, M. Survival analysis: a self-learning text. Springer, 1997.
Leia maisAnálise de Sobrevivência Aplicada à Saúde
Análise de Sobrevivência Aplicada à Saúde Prof. Lupércio França Bessegato Departamento de Estatística UFJF E-mail: lupercio.bessegato@ufjf.edu.br Site: www.ufjf.br/lupercio_bessegato Lupércio França Bessegato
Leia maisANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde. Caderno de Respostas Capítulo 10. Eventos múltiplos
ANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde Caderno de Respostas Capítulo 10 Eventos múltiplos Exercício 10.1 Em um estudo de fertilidade, acompanhou-se uma coorte de mulheres por 48 meses para
Leia maisCONTEÚDO. 1.6.4 Tempo Médio e Vida Média Residual. 1.6.5 Relações entre as Funções 1.7 Exercícios...
Conteúdo Prefácio xiii 1 Conceitos Básicos e Exemplos 1 1.1 Introdução... 1 1.2 Objetivo e Planejamento dos Estudos 3 1.3 Caracterizando Dados de Sobrevivência 6 1.3.1 Tempo de Falha 7 1.3.2 Censura e
Leia maisFernando Henrique Ferraz Pereira da Rosa Vagner Aparecido Pedro Júnior 7 de novembro de 2005
MAE514 - Introdução à Análise de Sobrevivência e Aplicações Fernando Henrique Ferraz Pereira da Rosa Vagner Aparecido Pedro Júnior 7 de novembro de 2005 Lista 4 1. Considere um estudo hipotético com duração
Leia maisANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde. Caderno de Respostas Capítulo 7 Análise de Resíduos
ANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde Caderno de Respostas Capítulo 7 Análise de Resíduos Neste capítulo, serão feitas as análises dos resíduos dos modelos ajustados no Capítulo 6. Por
Leia maisFÁBIO ANDERSON JACQUES DOS SANTOS JULIO CESAR SANTOS
FÁBIO ANDERSON JACQUES DOS SANTOS JULIO CESAR SANTOS ANÁLISE DE SOBREVIVÊNCIA UTILIZANDO MODELO DE COX EM DADOS DE PACIENTES QUE SOFRERAM TRANSPLANTE DE MEDULA ÓSSEA CURITIBA 2011 FÁBIO ANDERSON JACQUES
Leia maisUtilizando-se as relações entre as funções básicas é possível obter as demais funções de sobrevivência.
MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesta abordagem paramétrica, para estimar as funções básicas da análise de sobrevida, assume-se que o tempo de falha T segue uma distribuição
Leia maisMétodos Avançados de Análise de Sobrevivência. Cronograma Introdução. O Tempo Capítulo 2
Cap Introdução Introdução à Análise de Introdução à Análise de Marilia Sá Carvalho Dayse Pereira Campos Raquel de V.C. de Oliveira Fundação Oswaldo Cruz, Brasil Introdução Capítulo O Tempo Capítulo 2 Funções
Leia maisAnálise de Sobrevivência
Análise de Sobrevivência Covariável Tempo-dependente Valeska Andreozzi 1 valeska.andreozzi@fc.ul.pt & Marilia Sá Carvalho 2 cavalho@fiocruz.br 1 Centro de Estatística e Aplicações da Universidade de Lisboa,
Leia maisAnálise da história de pacientes HIV positivos: abordagem de modelos markovianos multi-estados
Análise da história de pacientes HIV positivos: abordagem de modelos markovianos multi-estados Silvia Shimakura Raquel V.C. de Oliveira Dayse Campos mailto:silvia.shimakura@ufpr.br Universidade Federal
Leia maisAnálise Exploratória de Dados
Análise Exploratória de Dados Profª Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Programa de Pós-graduação em Saúde Coletiva email: alcione.miranda@gmail.com Introdução O primeiro passo
Leia maisANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde. Caderno de Respostas Capítulo 6 Modelo semiparamétrico de sobrevivência
ANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde Caderno de Respostas Capítulo 6 Modelo semiparamétrico de sobrevivência Exercício 6.1: Para os dados da coorte de transplante de medula óssea vistos
Leia maisCovariável Tempo-Dependente Capítulo 8
Cap 1 Introdução Introdução à Análise de Sobrevivência Introdução Capítulo 1 O Tempo Capítulo 2 Funções de Sobrevivência Capítulo 3 Estimação Não-Paramétrica Capítulo 4 Estimação Paramétrica Capítulo 5
Leia maisCapítulo 7 Medidas de dispersão
Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).
Leia maisMétodos Avançados de Análise de Sobrevivência. Bibliografia. Cronograma Introdução. O Tempo Capítulo 2. Modelo de Cox Capítulo 6
Cap Introdução Introdução à Análise de Cap Introdução Métodos Avançados de Análise de Introdução Capítulo O Tempo Capítulo 2 Funções de Capítulo 3 Estimação Não-Paramétrica Capítulo 4 Estimação Paramétrica
Leia maist i R(t) N(t) Ŝ KM (t) = R(t i ) N(t i ) R(t i ) (15 3) 15 (12 2) 12 (10 1) 10 (9 3) 9 (6 2) 6 (4 2) 4 (2 1) 2 (1 1)
4 Estimação não-paramétrica Exercícios Exercício 4.1: Retorne aos dados de aleitamento do exercício 2.1. Construa, à mão, a tabela Kaplan-Meier e a curva Kaplan-Meier correspondente aos dados: t i R(t)
Leia maisDISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES
LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração
Leia maisANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde. Caderno de Respostas Capítulo 8 Covariáveis mudando no tempo
ANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde Caderno de Respostas Capítulo 8 Covariáveis mudando no tempo Exercício 8.1: Em um estudo de sobrevivência de pacientes infectados pelo HIV, uma covariável
Leia maisESTUDO DO TEMPO ATÉ APOSENTADORIA DOS SERVIDORES TÉCNICO-ADMINISTRATIVOS DA UFLA VIA MODELO DE COX
ESTUDO DO TEMPO ATÉ APOSENTADORIA DOS SERVIDORES TÉCNICO-ADMINISTRATIVOS DA UFLA VIA MODELO DE COX Patrícia de Siqueira Ramos 1, Mário Javier Ferrua Vivanco 2 INTRODUÇÃO O servidor técnico-administrativo
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde. Caderno de Respostas Capítulo 9. Funções de suavização
ANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde Caderno de Respostas Capítulo 9 Funções de suavização 9.1 Analise o comportamento da variável idade no risco de óbito de pacientes em hemodiálise (banco
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisMétodos Matemáticos para Gestão da Informação
Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisPalavras-chave: Auxílio Moradia. Tempo de Permanência. Evasão. Gestão Universitária
XV COLÓQUIO INTERNACIONAL DE GESTÃO UNIVERSITÁRIA CIGU Desafios da Gestão Universitária no Século XXI Mar del Plata Argentina 2, 3 e 4 de dezembro de 2015 ISBN: 978-85-68618-01-1 TEMPO QUE OS ESTUDANTES
Leia maisCapítulo 5. Modelos de Confiabilidade. Gustavo Mello Reis José Ivo Ribeiro Júnior
Capítulo 5 Modelos de Confiabilidade Gustavo Mello Reis José Ivo Ribeiro Júnior Universidade Federal de Viçosa Departamento de Informática Setor de Estatística Viçosa 007 Capítulo 5 Modelos de Confiabilidade
Leia maisAnálise de Sobrevivência Aplicada à Saúde
Roteiro Análise de Sobrevivência Aplicada à Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Conceitos Básicos 2. Técnicas Não Paramétricas 3. Modelos Probabilísticos e Inferência 4. Modelos de
Leia maisResoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ
Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos
Leia maisEstudo de Fatores Associados à Ocorrência de Abandono do Tratamento do HIV/AIDS
Estudo de Fatores Associados à Ocorrência de Abandono do Tratamento do HIV/AIDS Autoras: Louise Bastos Schilkowsky/ ENSP/UFRJ Margareth Crisóstomo Portela/ENSP Marilene de Castilho Sá/ENSP 1 Contextualização
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES 1
CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,
Leia maisCOMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia mais7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora
7Testes de hipótese Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno COMENTÁRIOS INICIAIS Uma hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade. Por exemplo,
Leia maisEpidemiologia. Profa. Heloisa Nascimento
Epidemiologia Profa. Heloisa Nascimento Medidas de efeito e medidas de associação -Um dos objetivos da pesquisa epidemiológica é o reconhecimento de uma relação causal entre uma particular exposição (fator
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o
Leia maisQUALITATIVA VARIÁVEL QUANTITATIVA
NOMINAL ORDINAL QUALITATIVA VARIÁVEL QUANTITATIVA DISCRETA CONTÍNUA - Variável qualitativa nominal = valores que expressam atributos, sem nenhum tipo de ordem. Ex: cor dos olhos, sexo, estado civil, presença
Leia maisPROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS DA REABILITAÇÃO PROCESSO SELETIVO 2013 Nome: PARTE 1 BIOESTATÍSTICA, BIOÉTICA E METODOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS DA REABILITAÇÃO PROCESSO SELETIVO 2013 Nome: PARTE 1 BIOESTATÍSTICA, BIOÉTICA E METODOLOGIA 1) Um histograma construído a partir de informações amostrais de uma variável
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES. Comentários sobre as provas de estatística e financeira ICMS RJ
Comentários sobre as provas de estatística e financeira ICMS RJ Caríssimos, Acabei de voltar de uma longa auditoria em que visitamos inúmeros assentamentos federais do INCRA no interior do estado. Ou seja:
Leia maisCAP4: Distribuições Contínuas Parte 1 Distribuição Normal
CAP4: Distribuições Contínuas Parte 1 Distribuição Normal Quando a variável sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada distribuição contínua. Exemplo 4.1
Leia mais3.4 O Princípio da Equipartição de Energia e a Capacidade Calorífica Molar
3.4 O Princípio da Equipartição de Energia e a Capacidade Calorífica Molar Vimos que as previsões sobre as capacidades caloríficas molares baseadas na teoria cinética estão de acordo com o comportamento
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - EPPGG
Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - EPPGG 11. Em uma caixa há 1 bolas de mesmo tamanho: 3 brancas, 4 vermelhas e 5 pretas. Uma pessoa, no escuro, deve retirar n bolas
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisMÓDULO 5 DISTRIBUIÇÃO DE WEIBULL. Curso de Especialização em Transporte Ferroviário de Carga
MÓDULO 5 DISTRIBUIÇÃO DE WEIBULL O físico Ernest Hjalmar Wallodi Weibull nasceu no dia 18 de junho de 1887 na Suécia. Ele publicou vários trabalhos na área de engenharia dos materiais, inclusive estudos
Leia maisAJUSTE DO MODELO DE COX A DADOS DE CÂNCER DE MAMA
AJUSTE DO MODELO DE COX A DADOS DE CÂNCER DE MAMA Luciene Resende Gonçalves 1, Verônica kataoka 2, Mário Javier Ferrua Vivanco 3, Thelma Sáfadi 4 INTRODUÇÃO O câncer de mama é o tipo de câncer que se manifesta
Leia maisINE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis
INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos
Leia maisOlá pessoal! Sem mais delongas, vamos às questões.
Olá pessoal! Resolverei neste ponto a prova para AFRE/SC 2010 realizada pela FEPESE no último final de semana. Nosso curso teve um resultado muito positivo visto que das 15 questões, vimos 14 praticamente
Leia maisAULAS 04 E 05 Estatísticas Descritivas
1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Leia maisExercício 10.1: Classifique os eventos múltiplos abaixo (competitivo, paralelo ou ordenado), lembrando que mais de uma interpretação é possível.
10 Eventos múltiplos Exercícios Exercício 10.1: Classifique os eventos múltiplos abaixo (competitivo, paralelo ou ordenado), lembrando que mais de uma interpretação é possível. 1. Estudo de fatores de
Leia maisApresentação de Dados em Tabelas e Gráficos
Apresentação de Dados em Tabelas e Gráficos Os dados devem ser apresentados em tabelas construídas de acordo com as normas técnicas ditadas pela Fundação Instituto Brasileiro de Geografia e Estatística
Leia maisRegressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros.
Regressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros. José Luís Mourão Faculdade de Ciências Universidade do Porto 28 de Janeiro de 2013 José Luís Mourão
Leia maisAnalisar a sobrevida em cinco anos de mulheres. que foram submetidas a tratamento cirúrgico, rgico, seguida de quimioterapia adjuvante.
Estudo de sobrevida de mulheres com câncer de mama não metastático tico submetidas à quimioterapia adjuvante Maximiliano Ribeiro Guerra Jane Rocha Duarte Cintra Maria Teresa Bustamante Teixeira Vírgilio
Leia mais4Distribuição de. freqüência
4Distribuição de freqüência O objetivo desta Unidade é partir dos dados brutos, isto é, desorganizados, para uma apresentação formal. Nesse percurso, seção 1, destacaremos a diferença entre tabela primitiva
Leia maisFaculdade Sagrada Família
AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer
Leia maisBriefing. Boletim Epidemiológico 2010
Briefing Boletim Epidemiológico 2010 1. HIV Estimativa de infectados pelo HIV (2006): 630.000 Prevalência da infecção (15 a 49 anos): 0,61 % Fem. 0,41% Masc. 0,82% 2. Números gerais da aids * Casos acumulados
Leia maisLei de Gauss Origem: Wikipédia, a enciclopédia livre.
Lei de Gauss Origem: Wikipédia, a enciclopédia livre. A lei de Gauss é a lei que estabelece a relação entre o fluxo de campo elétrico que passa através de uma superfície fechada com a carga elétrica que
Leia maisIBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 6. O trabalho feito pela força para deslocar o corpo de a para b é dado por: = =
Energia Potencial Elétrica Física I revisitada 1 Seja um corpo de massa m que se move em linha reta sob ação de uma força F que atua ao longo da linha. O trabalho feito pela força para deslocar o corpo
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
Caríssimos. Recebi muitos e-mails pedindo ajuda com eventuais recursos para as provas do BACEN. Em raciocínio lógico, eu não vi possibilidade de recursos, apesar de achar que algumas questões tiveram o
Leia maisCurso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti
Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Medidas de Posição Depois de se fazer a coleta e a representação dos dados de uma pesquisa, é comum analisarmos as tendências
Leia maisCap 2 O tempo. Programa. 1 Cap 2 O tempo. Carvalho MS (2009) Sobrevida 1 / 26
Programa 1 Carvalho MS (2009) Sobrevida 1 / 26 O Tempo Tempo até... óbito transplante doença cura Carvalho MS (2009) Sobrevida 2 / 26 O Tempo Tempo até... óbito transplante doença cura Carvalho MS (2009)
Leia maisStela Adami Vayego - DEST/UFPR 1
Aula 03 Análise Exploratória dos Dados (Medidas Descritivas de Variáveis Quantitativas) Parte 1 Medidas de Tendência Central Stela Adami Vayego - DEST/UFPR 1 Medidas de Tendência Central dos Dados Para
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
Leia maisEXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia
EXCEL 2013 Este curso traz a vocês o que há de melhor na versão 2013 do Excel, apresentando seu ambiente de trabalho, formas de formatação de planilhas, utilização de fórmulas e funções e a criação e formatação
Leia maisANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde. Caderno de Respostas Capítulo 4 Estimação não-paramétrica
ANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde Caderno de Respostas Capítulo 4 Estimação não-paramétrica Exercício 4.1: Considere os dados de tempo de aleitamento de 15 crianças, descrito no exercício
Leia maisEstudo dos fatores que influenciam no tempo até o transplante renal nos pacientes em tratamento de Hemodiálise
Estudo dos fatores que influenciam no tempo até o transplante renal nos pacientes em tratamento de Hemodiálise Carolina Ferreira Barroso 1 Graziela Dutra Rocha Gouvêa 2 1. Introdução A análise de sobrevivência
Leia maisAtividade 4 - Acerte no alvo
Atividade 4 - Acerte no alvo 1. Justificativa Para entender um processo estatístico, é possível criar um experimento em que os alunos possam vivenciá-lo, organizando, selecionando, interpretando e criticando
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia maisSeleção e Monitoramento de Fundos de Investimentos
2010 Seleção e Monitoramento de Fundos de Investimentos Nota Técnica 02 Diretoria de Investimentos Previ-Rio 09/2010 NOTA TÉCNICA 02 1 - Introdução Esta nota técnica, desenvolvida pela Equipe da, tem por
Leia maisLista de Exercícios 1 - Estatística Descritiva
1. O arquivo satisfaçãocomuniversidade.xlsx contém informações de uma amostra de 400 alunos de uma universidade. Deseja-se construir um histograma para a variável desempenho acadêmico, com intervalos de
Leia maisEstudos de Coorte: Definição
Estudos de Coorte: Definição São estudos observacionais onde os indivíduos são classificados (ou selecionados) segundo o status de exposição, sendo seguidos para avaliar a incidência de doença. São conduzidos
Leia maisANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde. Caderno de Respostas Capítulo 5 Modelo paramétrico de sobrevivência
ANÁLISE DE SOBREVIVÊNCIA Teoria e aplicações em saúde Caderno de Respostas Capítulo 5 Modelo paramétrico de sobrevivência Exercício 5.1: Em um estudo, ajustou-se um modelo exponencial aos tempos de sobrevivência
Leia maisMétodo dos mínimos quadrados - ajuste linear
Apêndice A Método dos mínimos quadrados - ajuste linear Ao final de uma experiência muitas vezes temos um conjunto de N medidas na forma de pares (x i, y i ). Por exemplo, imagine uma experiência em que
Leia maisValeska Andreozzi 2010
Introdução Valeska Andreozzi 2010 Referências 3 Modelagem estatística 8 Modelagem................................................................... 9 Objetivos....................................................................
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisAVALIAÇÃO DO MODELO DE ONDAS
AVALIAÇÃO DO MODELO DE ONDAS O modelo de onda WAVEWATCH implementado operacionalmente no CP- TEC/INPE global é validado diariamente com os dados do satélite JASON-2. Este novo produto tem como finalidade
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia maisCaracterização temporal de circuitos: análise de transientes e regime permanente. Condições iniciais e finais e resolução de exercícios.
Conteúdo programático: Elementos armazenadores de energia: capacitores e indutores. Revisão de características técnicas e relações V x I. Caracterização de regime permanente. Caracterização temporal de
Leia maisDistribuições de Probabilidade Distribuição Normal
PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisDistribuição de Freqüência
Distribuição de Freqüência Representação do conjunto de dados Distribuições de freqüência Freqüência relativa Freqüência acumulada Representação Gráfica Histogramas Organização dos dados Os métodos utilizados
Leia maishttp://www.de.ufpb.br/~luiz/
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ Vimos que é possível sintetizar os dados sob a forma de distribuições de frequências
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisINFORMATICA PARA A VIGILANCIA E GESTAO DE INFORMACOES EM SAUDE: Prof. Dr. Joao Bosco Siqueira
INFORMATICA PARA A VIGILANCIA E GESTAO DE INFORMACOES EM SAUDE: Epi-INFO Prof. Dr. Joao Bosco Siqueira No nosso exercício, vamos investigar um surto de gastroenterite aguda ocorrido após um jantar. Vamos
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia maisEstatística e Probabilidade
Correlação Estatística e Probabilidade Uma correlação é uma relação entre duas variáveis. Os dados podem ser representados por pares ordenados (x,y), onde x é a variável independente ou variável explanatória
Leia maisAVALIAÇÃO DA EPIDEMIA DE AIDS NO RIO GRANDE DO SUL dezembro de 2007
AVALIAÇÃO DA EPIDEMIA DE AIDS NO RIO GRANDE DO SUL dezembro de 2007 Notas importantes: O Banco de dados (BD) do Sistema de Informação Nacional de Agravos de Notificação (SINAN) vem sofrendo nos últimos
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo
Leia maisCapítulo 7 Estudos sobre Causalidade e Etiologia
L E I T u R A C R í T I C A D E A R T I G O S C I E N T í F I CO S 105 Capítulo 7 Estudos sobre Causalidade e Etiologia 7.1 Introdução Relembrando o que foi dito no capítulo 1 os estudos randomizados,
Leia maisMODELO DE COX PARA EVENTOS CARDIOVASCULARES RECORRENTES EM PACIENTES SOB DIÁLISE COM COVARIÁVEIS MEDIDAS NO TEMPO
MODELO DE COX PARA EVENTOS CARDIOVASCULARES RECORRENTES EM PACIENTES SOB DIÁLISE COM COVARIÁVEIS MEDIDAS NO TEMPO Thiago Santos MOTA 1 Liciana Vaz de Arruda SILVEIRA 2 Aline Araujo ANTUNES 3 RESUMO: Este
Leia maisProva Parcial de Estatística I. Turma: AE1 AE2 AE3 AE4
ESCOLA DE ADMINISTRAÇÃO DE EMPRESAS DE SÃO PAULO FUNDAÇÃO GETULIO VARGAS Prova Parcial de Estatística I Data: Setembro / Professores: Eduardo Francisco Francisco Aranha Nelson Barth A Nome do Aluno: GABARITO
Leia maisPlano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo
Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo Tema/Subtema Conteúdos Metas Nº de Aulas Previstas Org.Trat.Dados / Planeamento Estatístico Especificação do problema Recolha de dados População
Leia maisMICROSOFT EXCEL AVANÇADO
MICROSOFT EXCEL AVANÇADO SE Retorna um valor se teste_lógico avaliar como VERDADEIRO e um outro valor se for avaliado como FALSO. Use SE para conduzir testes condicionais sobre valores e fórmulas e para
Leia mais1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.
TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à
Leia maisINE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE
INE 5 LISTA DE EERCÍCIOS DE PROBABILIDADE INE 5 Gabarito da Lista de Exercícios de Probabilidade ) Em um sistema de transmissão de dados existe uma probabilidade igual a 5 de um dado ser transmitido erroneamente.
Leia mais