Estatística na Educação Física

Prévia do material em texto

ESTATÍSTICA APLICADA À 
EDUCAÇÃO FÍSICA 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Olá! 
A Estatística Aplicada à Educação Física é uma área que utiliza 
métodos estatísticos para coletar, analisar e interpretar dados relacionados à 
prática da Educação Física. Por meio dessa disciplina, é possível obter 
informações relevantes sobre o desempenho dos alunos, a eficácia de 
programas de treinamento, o impacto de intervenções educacionais e 
diversos outros aspectos relacionados à área. A utilização da Estatística na 
Educação Física contribui para embasar decisões e planejamentos, além de 
permitir uma avaliação mais precisa e objetiva dos resultados obtidos. 
 
Bons estudos! 
AULA 7 – ESTATÍSTICA 
APLICADA À EDUCAÇÃO 
FÍSICA 
 
 
7 TÉCNICAS E METODOLOGIAS ESTATÍSTICAS NA PESQUISA EM 
EDUCAÇÃO FÍSICA 
A primeira definição importante a ser compreendida é a significação entre 
população e amostra. A população refere-se ao conjunto completo de pessoas, seres 
ou objetos que possuem pelo menos uma característica em comum. Por outro lado, a 
amostra é um subconjunto dessa população, compartilhando também a mesma 
característica comum aos elementos da população. Além disso, é fundamental 
relembrar os diferentes tipos de variáveis. Elas podem ser qualitativas ou 
quantitativas. 
As variáveis qualitativas podem ser nominais, também conhecidas como 
categóricas. Nesse tipo de variável, as opções de resposta são categorias ou 
atributos, como sexo ou tipo de modalidades esportivas. Já as variáveis qualitativas 
ordinais também envolvem atributos, porém existe uma ordenação entre eles, como 
classificação em um campeonato ou escalas de força. Dependendo dos tipos de 
variáveis coletadas e do método de seleção da amostra, várias técnicas estatísticas 
podem ser aplicadas (SILVA, 2017). 
Antes de iniciar qualquer análise estatística, é importante organizar os dados 
em um banco de dados. Uma análise inicial que pode ser realizada é a análise 
descritiva dos dados. Nessa etapa, é possível calcular médias, medidas de posição, 
desvio-padrão e outras medidas de variabilidade para variáveis quantitativas. Para 
variáveis categóricas, podem ser construídas tabelas de distribuição de frequências. 
Além disso, é possível criar gráficos a partir dessas tabelas. 
No entanto, em muitas situações, a análise descritiva dos dados não é 
suficiente, e é necessário realizar testes estatísticos para comprovar hipóteses. 
Existem diversos testes de hipóteses disponíveis, que variam conforme o 
comportamento de cada variável e o objetivo de cada teste. Esses testes podem ser 
divididos em paramétricos e não paramétricos, dependendo das características dos 
dados (SILVA, 2017). 
7.1 Testes paramétricos e não paramétricos 
Os testes paramétricos são utilizados quando os dados amostrais são 
 
 
provenientes de populações que possuem um comportamento próximo ou 
aproximadamente normal. 
Esses testes paramétricos requerem suposições específicas sobre a população 
(ou populações) das quais as amostras são retiradas. Em muitos casos, é necessário 
assumir que as populações possuam uma distribuição aproximadamente normal 
(Figura 1), que as variâncias sejam conhecidas ou iguais, ou que as amostras sejam 
independentes (FREUND, 2006). 
Figura 1. Distribuição normal. 
 
Fonte: lamnee/shutterrstocl.com. 
 
Dentre os exemplos de testes paramétricos, destacam-se os testes z, t, 
ANOVA. 
Independentemente do teste escolhido, o procedimento para a realização de 
um teste de hipóteses segue um roteiro padrão: formulação das hipóteses, cálculo da 
estatística de teste, definição da região crítica e conclusão. Esse roteiro é aplicável, 
considerando o tipo de variável e o objetivo da análise desejada (SILVA, 2017). 
 
1. Formular as hipóteses: 
 
• H0: hipótese nula, hipótese de igualdade; 
• H1: hipótese alternativa. 
2. Achar a estatística de teste que pode ser calculada manualmente ou, 
então, gerar o teste em um software, como Excel ou SPSS. 
 
 
3. Determinar a região crítica, verificar se o teste é ou não significativo. 
4. Conclusão experimental. 
 
O teste z é utilizado para comparar duas médias amostrais quando o desvio-
padrão populacional é conhecido. No entanto, na maioria das situações, o desvio-
padrão populacional é desconhecido, o que nos leva a utilizar o teste t. Existem 
diferentes tipos de teste t, também conhecidos como teste t-Student. 
A lógica por trás dos testes baseados em duas amostras é que duas amostras 
retiradas da mesma população podem fornecer estimativas diferentes para um 
parâmetro devido ao acaso (DOANE; SEWARD, 2014). 
A distribuição t é muito similar à distribuição normal em termos de formato. A 
distribuição t varia conforme o tamanho da amostra, e quanto maior o tamanho da 
amostra, mais ela se assemelha à distribuição normal, até que se tornem equivalentes. 
O teste t para comparação de médias é usado quando temos duas amostras e 
desejamos verificar se as médias são iguais ou diferentes entre os dois grupos. 
Por exemplo, um treinador de corrida de 100 metros tem dois grupos de 
competição e precisa decidir qual inscrever para o próximo campeonato. Ele decide 
realizar uma série de cronometragem para cada grupo, composto por 10 atletas cada. 
O treinador escolherá o grupo com a média de tempo mais rápida, e, caso as médias 
de tempo sejam semelhantes, ele dará preferência ao grupo com maior experiência 
em competições. Sabendo que há uma variabilidade nos tempos de cada grupo, o 
treinador entende que não é suficiente apenas comparar as médias simplesmente. Ele 
precisa realizar um teste para determinar se as médias são estatisticamente iguais ou 
diferentes, ou seja, se há uma diferença significativa entre elas. A seguir estão listados 
os tempos em segundos dos atletas de cada grupo em um tiro de 100 metros rasos 
(SILVA, 2017). 
 
 
 
 
 
 
 
 
 
 
Tabela 1. Tempos em segundos dos atletas dos grupos A e B. 
 
Fonte: Silva, 2017. 
Primeiramente, formulamos as hipóteses: 
 
• H0: as médias do grupo A são iguais às do grupo B; 
• H1: as médias do grupo A são diferentes das do grupo B. 
 
O teste pode ser realizado com o uso do Excel e retoma os seguintes 
resultados: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Tabela 2. Teste T: duas amostras presumindo variâncias equivalentes 
 
Fonte: Silva, 2017. 
Ao analisar os resultados, observamos que a estatística de teste é igual a -
0,9562, com um valor p correspondente de 0,1758, que é superior ao nível de 
significância de 5%. Isso indica que não podemos rejeitar a hipótese nula. Portanto, 
concluímos que as médias de tempo dos dois grupos são iguais, permitindo ao 
treinador levar o grupo com mais tempo de experiência em competições, com um nível 
de significância de 5% (SILVA, 2017). 
Outro teste t comum é o teste t pareado, que compara as médias antes e depois 
de um tratamento, avaliando a diferença entre a média de um indivíduo antes do 
tratamento e a medida do mesmo indivíduo após o tratamento. 
Outro teste amplamente utilizado é o teste ANOVA, que verifica a igualdade 
entre mais de duas médias. Esse método compara todas as médias em um único teste 
e pretende identificar se há pelo menos uma diferença significativa entre os grupos. 
Se o resultado for estatisticamente significativo, são aplicadas técnicas de 
comparação múltipla de médias, usando uma das várias abordagens disponíveis 
(CALLEGARI-JACQUES, 2007). 
Por exemplo, suponhamos que desejemos comparar três equipes em um 
campeonato de halterofilismo e verificar se o peso médio levantado é igual na 
categoria acima de +109 kg. 
 
 
 
Tabela 3. Comparação entre três equipes 
 
Fonte: Silva, 2017. 
As hipóteses seriam as seguintes: 
 
• H0: a média de peso é igual para as três equipes; 
• H1: pelo menos uma das equipes tem média de peso diferente. 
 
Os resultados retirados dosoftware Excel são os seguintes: 
Tabela 4. Resultados do Excel 
 
Fonte: Silva, 2017. 
 
 
Com base na estatística de teste de valor 4,43 e um valor p de 0,03, que é 
menor do que o nível de significância de 0,05, podemos rejeitar a hipótese nula. Isso 
nos leva a concluir que pelo menos uma das equipes possui uma média de peso 
diferente, com um nível de significância de 5%. 
Agora, vamos abordar os testes não paramétricos. Esses testes são utilizados 
quando os dados não seguem uma distribuição normal e são conhecidos como testes 
livres de distribuição. Ao contrário dos testes paramétricos, os testes não paramétricos 
são adequados para amostras de tamanho pequeno, não exigem a suposição de 
homogeneidade de variâncias e podem ser aplicados a variáveis qualitativas. 
 Para muitos testes paramétricos, temos um teste equivalente não paramétrico 
(Tabela 5). 
Tabela 5. Testes paramétricos e não paramétricos 
 
Fonte: Silva, 2017. 
O teste qui-quadrado, especialmente o teste qui-quadrado de independência, é 
uma ferramenta importante na análise estatística. Ele permite verificar se há 
associação entre uma variável nas linhas e uma variável nas colunas de uma tabela 
de contingência, comparando as frequências observadas na amostra com as 
frequências esperadas da distribuição amostral (SILVA, 2017). 
Por exemplo, podemos aplicar o teste qui-quadrado para investigar se existe 
uma associação entre o ganho de massa magra e o uso de uma suplementação 
específica. Coletamos dados sobre a utilização do suplemento, classificando os 
indivíduos em dois grupos: aqueles que utilizaram e aqueles que não utilizaram. Em 
seguida, analisamos se houve ganho de massa magra ou não para cada indivíduo em 
 
 
uma amostra composta por 114 pessoas. O teste qui-quadrado nos ajudará a 
determinar se existe uma relação estatisticamente significativa entre essas duas 
variáveis. 
Tabela 6. Resultados de amostras 
 
Fonte: Silva, 2017. 
As hipóteses a serem formuladas são as seguintes: 
 
• H0: o ganho de massa não está associado à suplementação; 
• H1: o ganho de massa está associado à suplementação. 
 
O teste realizado com o uso do software SPPS encontrou os seguintes 
resultados: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Tabela 7. Resultados de amostras 
 
Fonte: Silva, 2017. 
Com um valor da estatística de teste de 53,143 e um valor p igual a 0,000, 
menor do que o nível de significância de 0,05, rejeitamos a hipótese nula. O resultado 
do teste foi estatisticamente significativo, levando-nos a concluir que há uma 
associação entre o ganho de massa magra e a suplementação, com um nível de 
significância de 5% (SILVA, 2017). 
Em conclusão, a estatística aplicada à Educação Física desempenha um papel 
fundamental na análise e interpretação dos dados coletados nessa área. A 
compreensão dos conceitos de população, amostra e tipos de variáveis é essencial 
para a seleção adequada das técnicas estatísticas a serem utilizadas. 
Os testes paramétricos, como os testes z, t, ANOVA, são empregados quando 
os dados seguem uma distribuição aproximadamente normal. Eles permitem 
 
 
comparar médias, realizar análises de diferença antes e depois de um tratamento, 
bem como verificar a igualdade entre várias médias. 
Por outro lado, os testes não paramétricos são adequados quando os dados 
não seguem uma distribuição normal. O teste qui-quadrado é um exemplo importante, 
usado para verificar a associação entre variáveis em uma tabela de contingência. 
Através da aplicação adequada desses testes estatísticos, é possível obter 
conclusões sólidas sobre os dados coletados na área da Educação Física. Isso auxilia 
na tomada de decisões embasadas em evidências e contribui para o avanço do 
conhecimento nesse campo. A estatística aplicada à Educação Física desempenha 
um papel crucial na interpretação dos resultados de estudos e na busca por melhores 
abordagens e estratégias para o aprimoramento do desempenho físico e do bem-estar 
dos indivíduos. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
REFERÊNCIAS BIBLIOGRÁFICAS 
CALLEGARI-JACQUES, I. M. Bioestatística: princípios e aplicações. Artmed. Porto 
Alegre, 2007. 
 
DOANE, D. P.; SEWARD, L. E. Estatística aplicada à administração e economia. 
4. ed. AMGH. Porto Alegre, 2014. 
 
FREUND, J. E. Estatística aplicada: economia, administração e contabilidade. 11. 
ed. Bookman. Porto Alegre, 2006. 
 
SILVA, J. S. F. Bioestatística e sua aplicação em projetos de pesquisa em 
educação física. Porto Alegre, 2017.