Neuropsicologia do desenvolvimento ao molho de alcaparras

Desde o nascimento, a criança está em constante evolução, seja fisicamente, neurologicamente, ou psicologicamente, adquirindo assim uma maior complexidade no ponto de vista ontogenético. O desenvolvimento humano é um processo contínuo que apresenta dois processos principais: o crescimento e desenvolvimento, agentes de modificações e aquisições nesse período. Há padrões definidos de crescimento físico e de aumentos nas capacidades motoras e cognitivas, o desenvolvimento é padronizado e continuo, mas nem sempre uniforme e gradual.

Todas as características e habilidades do sujeito, assim como as alterações no desenvolvimento são produtos da maturação, das mudanças orgânicas neurofisiológicas e bioquímicas que ocorrem no corpo da pessoa. Normalmente, essas mudanças são independentes das condições ambientais, das experiências relacionado à aprendizagem e ao treino. Enquanto a criança não tiver atingido determinado grau de maturidade, não adquirirá certas habilidades cognitivas.

Durante o período maturacional, existem períodos críticos ou sensíveis ao desenvolvimento de certos órgãos do corpo e de certas funções cognitivas, onde no caso de haver alguma alteração no desenvolvimento normal durante esses períodos, é possível o surgimento de deficiências ou disfunções permanentes.

Para saber mais:

Annunciato, N.F.; Da-Silva, C.F. Desenvolvimento do sistema nervoso. Temas sobre desenvolvimento, São Paulo, v.4, n.24, p.35-46, abr. 1995.

Pinheiro, M. S. Aspectos Bio-Psico-Sociais da Criança e do Adolescente. Centro de Defesa da Criança e do Adolescente Yves de Roussan/ CEDECA, 1996.

Imagem:

http://www.cpep-fisio.com.br/fotos/gifs/OMScresc.gif

N-back ao molho de maracujá

A memória de trabalho tem sido descrita e discutida de várias maneiras: como um sistema cognitivo de armazenamento temporário e manipulação de informações armazenadas, como um tipo de memória que é ativa e relevante por um curto período, e mais especificamente, como um processo através do qual um estímulo lembrado é manipulado "on-line" para orientar o comportamento na ausência de dicas externas ou instruções.

Atualmente, uma tarefa bastante utilizada para se avaliar a memória de trabalho é o “N-Back”. A tarefa é baseada numa série de estímulos que são apresentados, onde o participante deve monitorá-los e responder toda vez que um estímulo apresentado for idêntico ao que foi apresentado “n” tentativas anteriores, normalmente, 1, 2 ou 3. Nesta tarefa, é necessário o acompanhamento, a atualização e a manipulação on-line de informações, processos chaves do funcionamento da memória de trabalho. Diversos estudos foram realizados incluindo diferentes tipos de estímulos, utilizando várias modalidades de entrada (visual – incluindo espacial, auditivo e olfatório).

Para saber mais:
Owen, A.M; McMillan, K.M.; Laird, A.R. e Bullmore, E. N-Back Working Memory Paradigm: A Meta-Analysis of Normative Functional Neuroimaging Studies. Human Brain Mapping 25:46-59, 2005.

Imagem:
http://www.pnas.org/content/105/19/6829/F1.medium.gif

Estatística: Análise descritiva das séries temporais com creme de milho

A maneira mais comum para caracterizar as séries temporais é computar os índices numéricos, que são valores que medem a mudança da variável no tempo relativamente ao valor da variável fixada num período base específico. Nesta postagem apresentaremos somente três índices: Simple Index Number, Composite Index Number (Simple Composite Index), Weighted Composite Index Number (Laspeyres Index e Paasche Index).

Simple Index Number mede as mudanças relativas de preço ou quantidade de uma única commodity no tempo.

Composite Index Number mede a variação do preço total ou quantidade total de duas ou mais commodities no tempo. Para isso, deve-se somar todos os valores das commodities no tempo t e divide pelo somatório dos valores dessas commodities no período base, multiplicando por 100 e comparando o valor dado com cem para saber quanto variou.

Weighted Composite Index Number mede os preços através de quantidades adquiridas antes de calcular o total para cada período de tempo, podendo ser Laspeyres Index (faz uso de quantidades do período base com os pesos, isto é, tanto o numerador quanto o denominador usam quantidades no período base) ou Paasche Index (parecido com o Laspeyres, porém pondera pelas quantidades vendidas no período comparado ao base, isto é, só o denominador utiliza as quantidades no período base).



Para saber mais:
McClave, JT; Benson, PG; Sincich, T. Statistics for business and economics (9th edition). Prentice Hall, 2004.

Imagem:
http://www.stat.go.jp/english/data/cpi/img/4-1-2.gif

Estatística: Séries Temporais com creme de aspargos

Séries temporais é a classe de fenômenos cujo processo observacional e conseqüente quantificação numérica gera uma seqüência de dados distribuídos no tempo, onde pode-se aprender muito sobre o comportamento passado e futuro do processo.

Existe uma grande variedade de métodos de previsão de séries temporais, cada qual com suas capacidades e limitações, onde dependendo do número de séries temporais envolvidas no processo, os métodos de previsão podem ser classificados em univariados, funções de transferência e multivariados.

Os métodos univariados consideram somente uma única série para a realização de previsões (compreendem a maior parte dos métodos de previsão). Essas previsões podem estar relacionadas às informações contidas na série histórica de interesse (estatística clássica) ou supostamente relevantes, isto é, que não estão contidas na série analisada (estatística bayesiana).

Já as funções de transferência, estão baseadas em séries de interesse explicadas não só pelo passado histórico, mas também por outras séries temporais não-correlatas entre si. As funções envolvem mais de uma série temporal, onde a relação de causalidade é conhecida.

Nos métodos multivariados, os procedimentos de previsão associados a mais de uma série temporal na efetivação de prognósticos não possuem qualquer relação de causalidade entre essas séries.

Para saber mais:

McClave, JT; Benson, PG; Sincich, T. Statistics for business and economics (9th edition). Prentice Hall, 2004.

Souza, R.C. Modelos estruturais para previsão de séries temporais: Abordagens clássica e bayesiana. Rio de Janeiro, IMPA, 1989.

Imagem:
http://www.awardbrasil.com.br/Minitab2.gif

Estatística: Teste de Bonferroni (post-hoc) com salada tropical

Ao se rejeitar a hipótese nula, verifica-se que é provável haver uma diferença entre as médias dos tratamentos, pode-se buscar saber quais dentre as médias apresentam diferenças significativas. A partir disso, os procedimentos serão conduzidos de múltiplas comparações de médias, onde o teste de Bonferroni (ou post-hoc), na maior parte dos "design experiments", é muito útil.

Caso os intervalos de confiança par a par (g comparações) devem ser feitos, cada uma com coeficiente de confiança (1- alfa sobre g), então a probabilidade geral de fazer um ou mais erros do tipo I é no máximo igual a alfa. O conjunto de intervalos construídos usando o método de Bonferroni produz um nível de confiança geral de pelo menos (1 menos alfa).

Quando aplicado para comparação par a par das médias de tratamento, a técnica Bonferroni pode ser utilizada comprando-se a diferença entre as duas médias de tratamentos (Yi-Yj) com uma diferença crítica Bij.

Para saber mais:
McClave, JT; Benson, PG; Sincich, T. Statistics for business and economics (9th edition). Prentice Hall, 2004.

Imagem:
http://vejasaopaulo.abril.com.br/arquivos/2019/recomenda1.jpg

Estattística: Efeito de interação com salada caprese

Em ANOVA, o efeito de interação se dá quando a diferença entre as médias dos níveis do fator A dependem dos diferentes níveis de B. Caso haja interação, não há como interpretar cada fator separadamente.

Podemos fazer uso de quatro testes que podem ser conduzidos para two-way ANOVA:

1) Teste para saber se as médias dos tratamentos diferem
- Hipótese nula: não há diferença entre as médias dos AB tratamentos. ua1b1=ua2b2=ua3b3=ua4b4
- Hipótese alternativa: ao menos duas das médias dos tratamentos diferem.

Ao passar por esse teste geral (igual ao teste do one-way ANOVA), é preciso verificar se: os fatores interagem? os dois fatores estão afetando a resposta ou só um afeta? Se forem os dois, eles afetam a resposta independentemente ou interagem?

Então, o segundo teste a ser conduzido é o de interação.

2) Teste para a interação de fatores
- Hipótese nula: fator A e B não interagem para afetar a resposta (média)
- Hipótese alternativa: fator A e B interagem

Caso não rejeitemos a hipótese nula, isto é, se não houver interação entre A e B, pode-se conduzir o teste para cada fator individualmente.
Caso rejeitemos a hipótese nula, ou seja, se houver interação, não se têm os efeitos principais de A e B individualmente. Neste caso, parte-se para a comparação das médias dos tratamentos para tentar entender a natureza da interação, comparando-se os tratamentos par a par.

3) Teste do efeito principal de A
- Hipótese nula: não há diferença entre as médias do fator A.
- Hipótese alternativa: ao menos duas médias do fator A diferem.

4) Teste do efeito principal de B
- Hipótese nula: não há diferença entre as médias do fator B.
- Hipótese alternativa: ao menos duas médias do fator B diferem.

Rejeitando-se a hipótese nula, conclui-se que os fatores individualmente afetam a resposta. Portanto, usa-se a múltipla comparação para comparar os pares da médias correspondentes aos níveis dos fatores significantes.

Para saber mais:
McClave, JT; Benson, PG; Sincich, T. Statistics for business and economics (9th edition). Prentice Hall, 2004.

Estatística: "Design Experiments" com caesar salad

Podemos dividir os "design experiments" em três tipos:
1) Completely Randomized Design (one-way ANOVA)
2) Randomized Block Design
3) Complete Two-factor Factorial Experiment (two-way ANOVA)

O "Completely Randomized Design (one-way ANOVA)" envolve a comparação de médias de k tratamentos, baseados em amostras aleatórias independentes n1, n2, ..., nk observações. Neste caso, os tratamentos são designados aleatoriamente para as amostras independentes ou unidades experimentais, retiradas de cada uma das k populações alvo. Então, com o cálculo do teste estatístico F entre amostras e dentro de cada amostra, pode-se determinar se existe diferença entre as médias populacionais. Quanto maior a diferença nas variações, maior será a evidência para indicar a diferença em pelo menos duas das médias da população.

Já o "Randomized Block Design", é um design no qual são comparados os k tratamentos dentro de cada um do b blocos. Os k tratamento são aleatoriamente designados, um para cada uma das unidades dentro de cada bloco. Neste caso, realizamos dois tipos de teste: um para saber se há diferença entre as médias do tratamento e outro para saber se blocar em itens foi efetivo para reduzir a variação item a item.

No "Complete Two-factor Factorial Experiment (two-way ANOVA)", o objetivo é investigar o efeito de duas variáveis (fatores) no valor médio da variável dependente (resposta). As unidades experimentais são medidas para várias combinações dos níveis dos fatores, onde cada combinação entre níveis de diferentes fatores é um tratamento. Portanto, um experimento com um fator de três níveis e outro fator com dois níveis terá seis tratamentos a serem trabalhados.

Para saber mais:
McClave, JT; Benson, PG; Sincich, T. Statistics for business and economics (9th edition). Prentice Hall, 2004.

Imagem:
http://www.tj.rs.gov.br/site_php/noticias/imagem.php?codigo=1746