Correlação entre o Volume corpuscular médio e a hemoglobina

corpuscular média em mulheres adultas com anemia secundária ao

sangramento intermenstrual

Correlation between mean corpuscular and mean corpuscular

hemoglobin in adult women with anemia secondary to intermenstrual
bleeding

Deolinda Ângelo Muchate

Correio eletrónico: deolindamuchate@gmail.com

Resumo
O presente trabalho como tema correlação entre o volume corpuscular médio e a hemoglobina corpuscular média
em mulheres adultas anemia secundária ao sangramento intermenstrual. Objetivos: compreender a existência de
alguma associação ou relação entre o volume corpuscular médio e a hemoglobina corpuscular média em mulheres
adultas com anemia secundária ao sangramento intermenstrual. Metodologia: a metodologia usada baseia-se na
pesquisa quantitativa, a amostragem foi aleatória-casual porque todos sujeitos tinham probabilidade de fazer
parte da amostra. Os dados foram recolhidos numa unidade sanitária, o instrumento de recolha de dados foram os
relatórios de analise de sangue, uma vez recolhidos os dados foram compilados em planilha de Microsoft Excel
2019 e analisados na mesma. Este estudo respeitou as questões éticas necessárias, tendo considerado a
salvaguarda do anonimato, o consentimento dos pacientes, tendo sido explicado o objetivos do estudo que é
puramente académico e garantia de que não haverá publicação dos resultados. Resultados: os resultados
apontaram para existência de uma correlação linear positiva forte entre o volume corpuscular médio e a
hemoglobina corpuscular média das mulheres adultas com idades compreendidas entre 24 e 40 anos.

Palavras chave: Correlação linear, alteração das componentes das células sanguíneas, mulheres adultas com
anemia.

Abstract
The present work is about the correlation between mean corpuscular volume and mean corpuscular hemoglobin in
adult women with anemia secondary to intermenstrual bleeding. Objectives: To understand the existence of any
association or relationship between mean corpuscular volume and mean corpuscular hemoglobin in adult women
with anemia secondary to intermenstrual bleeding. Methodology: the methodology used is based on quantitative
research, the sampling was random-random because all subjects were likely to be part of the sample. The data
were collected in a health unit, the data collection instrument was the blood analysis reports, once collected the
data were compiled in a Microsoft Excel 2019 spreadsheet and its analysis. This study complied with the necessary
ethical questions, having considered the safeguard of anonymity, the consent of the patients, having been
explained the objective of the study that is purely academic and guarantee that there will be no publication of the
results. Results: the results pointed to the existence of a strong positive linear correlation between mean
corpuscular volume and mean corpuscular hemoglobin in adult women aged between 24 and 40 years.

Keywords: Linear correlation, alteration of blood cell components, adult women with anemia.
1. Introdução
Na medicina um dos principais meios auxiliares de diagnóstico é o hemograma pois permite-nos avaliar
qualitativamente e quantitativamente os elementos celulares do sangue, é um dos exames mais
solicitados nos serviços de atendimento aos doentes, daí a extrema importância do conhecimento e
interpretação pelos profissionais de saúde para uma melhor conduta e terapêutica.

Que tipo de relação existe entre duas variáveis quantitativas?

Segundo Silvestre, (2007) as relações quantitativas que podem existir entre duas variáveis podem ser de
dois tipos fundamentais. Relações matemáticas e estatísticas. As primeiras são as que verificam de
forma exacta como por exemplo a relação entre a área de um quadrado e o comprimento dos lados ou
o perímetro duma circunferência e o seu diâmetro. Já não se passa o mesmo com as relações do tipo
estatístico em que as duas variáveis não estão relacionadas de forma precisa como é o caso por exemplo
da relação existente entre o peso e a altura duma pessoa. De facto, quanto maior for a altura duma
pessoa, será tendencionalmente ou em média o peso. Todavia não se pode dizer que o valor da altura
está relacionado de forma precisa ao corpo.

Quando se deseja estudar o comportamento simultâneo de duas ou mais variáveis, emprega-se a

análise de Regressão e a de Correlação para avaliação da informação desejada.

Na regressão estimamos a relação de uma variável com a outra, expressando a variável dependente em
função da variável independente. A regressão estuda conjuntos de variáveis que se supõe estar numa
relação de causa e efeito.

A correlação que as vezes se confunde com regressão, estuda o grau em que duas ou mais variáveis
variam simultaneamente. Isto é, o grau de inter-relacionamento entre duas variáveis.

1.1. Correlação
Segundo Triola (2005), define correlação entre duas variáveis quando uma delas está relacionada a
outra de alguma maneira. E considera correlação linear entre duas amostras quando colocadas em
gráficos, os pontos se aproximam num padrão de uma recta. Em suma, embora seja comumente
denotada como a medida de relação entre duas variáveis aleatórias, correlação não implica causalidade.
Em alguns casos, correlação não identifica dependência entre as variáveis. Em geral, há pares de
variáveis que apresentam forte dependência estatística, mas que possuem correlação nula.

O objetivo da análise de correlação é medir a intensidade de relação entre as variáveis, devemos estar
atentos aos princípios desta relação. Nas correlações supostamente lógicas, as relações causais se
compreendem claramente. Nas chamadas correlações ilusórias não se encontra nenhuma conexão
razoável entre as variáveis.

1.1.1 Tipos de Correlação

 Correlação Simples – quando se estuda o grau de relação entre duas variáveis, sendo uma
dependente (Yi ) e outra independente (Xi );
 Correlação Múltipla – quando se estuda o grau de relação simultânea entre a variável
dependente e duas ou mais variáveis independentes; e,
  Correlação Parcial – no caso de uma relação múltipla, quando se estuda a relação pura entre
duas variáveis, depois de eliminada estatisticamente a influencia de outras variáveis
independentes.

De acordo com a relação entre as variáveis esta correlação pode ser:

 Direta ou Positiva – quando a variável dependente está diretamente relacionada com a variável
independente. Ex.: Renda e Consumo.
 Indireta ou Negativa – quando a variável dependente tem relação inversamente
proporcionalmente com a variável independente. Ex.: Preço e Demanda.

1.2. Medidas de correlação

Um dos métodos mais usados para investigação de dados pares de dados é a utilização de diagramas de
dispersão cartesianos. Geometricamente o diagrama de dispersão e simplesmente uma colecção de
pontos num plano cujas duas coordenadas cartesianas são os valores de cada membro de par de dados.
É considerado o melhor método de analisar os dados quando se refere à ocorrência de tendências
(lineares ou não) agrupados de uma ou mais variáveis, mudança de espalhamento de uma variável em
relação a outra e ocorrência de valores discrepantes.

1.3. Diagrama de dispersão

Um diagrama de dispersão é um gráfico no qual os dados amostrais emparelhados são plotados por um
eixo horizontal X e um eixo vertical Y. Cada par individual (x,y) é plotado com um único ponto. Num
diagrama de dispersão conclui-se sobre a existência de correlação linear se os pontos se situam,
aproximadamente, sobre uma linha recta que é tanto mais forte quanto mais próximo os pontos
estiverem da recta.

De acordo com ramos, Almeida e Araújo (2013, p.21) o diagrama de correlação ou de dispersão é um
gráfico que permite verificar a relação entre duas variáveis quaisquer de um processo. Normalmente as
variáveis são denominadas de X e Y, onde X é considerada a variável independente, e a Y a variável
dependente.

Através da aplicação do diagrama de dispersão, a relação entre duas variáveis pode ser classificada
como:

 Correlação linear positiva: o aumento de X, implica também no aumento de y e vice versa,

sendo representada por um gráfico com pontos poucos dispersos.
 Correlação linear negativa: o aumento de X implica redução de Y e vice-versa, sendo
representada por um gráfico com pontos pouco dispersos.
 Correlação linear inexistente: a variação em x não representa variação significativa em Y,
sinalizando que não existe relação linear bem definida entre as variáveis, sendo representada
por um gráfico com pontos bastante dispersos.

1.4. Coeficiente de Correlação linear ou de Pearson

Segundo Triola (2005), O coeficiente de correlação linear r mede a intensidade de correlação linear
entre os valores quantitativos emparelhados x e y em uma amostra. O coeficiente de correlação linear é
algumas vezes chamado coeficiente de correlação de produto de produtos de momento de Paerson, em
homenagem a Karl Paerson ( 1857-1936) que o desenvolveu originalmente. Garson (2009) afirma que
correlação " é uma medida de associação bivariada (força) do grau de relacionamento entre duas
variáveis". Para Moore (2007), "A correlação mensura a direção e o grau de relação linear entre duas
variáveis quantitativas " (Moore, 2007:100/101). Em uma forma resumida o coeficiente de correlação
de Pearson (r) é uma medida de associação linear entre variáveis. E é traduzida pela seguinte fórmula.

1.5. Propriedades de correlação linear

Triola, 2005 na sua sua interpretação do coeficiente de correlação linear listou as seguintes
propriedades

1. O valor r esta sempre entre -1 e +1. Isto é, −1 ≤r ≤+1

2. O valor de r não muda se uma ou se todos os valores das variáveis forem convertidas para uma
escala diferente
3. O valor r não é afetado pela escolha do valor x ou y.
4. r mede a intensidade de uma relação linear. Ele não é planejado para medir intensidade de uma
relação que não seja linear.

1.6. Regressão

É o estudo do comportamento de uma variável dependente Y em função da variação de uma ou mais

variáveis independentes (X, Z, W) supondo que estas variáveis estão numa relação de causa e efeito.
Analisando o presente trabalho, há que imaginar uma relação funcional entre duas variáveis, digamos X
e Y, em que estaremos interessados numa função que explique grande parte da variação de Y por X.
Entretanto, uma parcela da variabilidade de Y não explicada por X será atribuída ao acaso, ou seja, ao
erro aleatório.

Convém, porém, observar que em algumas situações, as relações entre as variáveis podem não estar
sujeita a uma relação de causa e efeito. Por uma simples relação acidental ambas podem ser função de
uma causa comum que as afeta. Isto, porém, não tira a importância que tem a regressão no estudo do
relacionamento entre variáveis. É preciso apenas cuidado e nos casos mais difíceis de identificação da
relação, pode-se optar por uma regressão múltipla, para maior segurança de análise e das projeções a
serem efetuadas.

2. Metodologia
A metodologia usada baseia-se na pesquisa quantitativa descritiva, no campo exploratório, classificada
como estudo do caso porque todos sujeitos, classificada como estudo do caso, porque descreve a
realidade de um grupo alvo sobre experiencias dentro desse grupo. A amostragem foi aleatória-casual
porque todos sujeitos tinham probabilidade de fazer parte da amostra, foram selecionados 13 exames
de mulheres adultas numa população de mulheres com ciclo menstrual irregular com idade
compreendida entre 24-49 anos em seguimento na unidade.

Os dados foram recolhidos numa unidade sanitária da cidade, o Centro de saúde 4 de Dezembro, o
instrumento de recolha de dados foram os relatórios de analises de sangue (Hemograma), uma vez
recolhidos os dados foram compilados em planilha de Microsoft Excel 2019 e analise do mesmo foi feita
através da ferramenta de analise de dados no Microsoft Excel 2019. Este estudo respeitou as questões
éticas necessárias, tendo considerado a salvaguarda do anonimato, o consentimento dos pacientes,
tendo sido explicado o objetivo do estudo que é puramente académico e garantia de que não haverá
publicação dos resultados.

Para a referencia bibliográfica foram usados 2 manuais de estatística e artigos científicos relacionados ao
tema correlação e regressão.

3. Resultados e Discussão

 n x MCV y Hgb x2 y2 x*y n*Ʃx2 n*Ʃy2

63336,5
 1 69,8 21,6 4872,04 466,56 1507,68 2 6065,28

90422,2
 2 83,4 27 6955,56 729 2251,8 8 9477

61713,7
 3 68,9 21,5 4747,21 462,25 1481,35 3 6009,25

78889,3
 4 77,9 25,3 6068,41 640,09 1970,87 3 8321,17

97044,4 11313,2
 5 86,4 29,5 7464,96 870,25 2548,8 8 5

77678,7
 6 77,3 25,6 5975,29 655,36 1978,88 7 8519,68

86349,2 10559,2
 7 81,5 28,5 6642,25 812,25 2322,75 5 5

69466,9
 8 73,1 23,5 5343,61 552,25 1717,85 3 7179,25

78081,2
 9 77,5 24,1 6006,25 580,81 1867,75 5 7550,53

66273,4
 10 71,4 22,2 5097,96 492,84 1585,08 8 6406,92

78889,3
 11 77,9 25,4 6068,41 645,16 1978,66 3 8387,08

 12 77,9 25,3 6068,41 640,09 1970,87 78889,3 8321,17

 3

75681,9
 13 76,3 25 5821,69 625 1907,5 7 8125

77132,0 8171,9 25089,8 106234,

total 999,3 324,5 5 1 4 1002717 8

Num principio ilustrativo teremos:

n n n
n ∑ XiYi−∑ Xi . ∑ Yi
i=l i=l i=l
r= n
Vn ∑ xi −¿ ¿
2

i=l

13 ( 25089,84 )−999,3.324,5
r=
√ 13 ( 77132,05 )−¿ ¿ ¿
326167,92−324272,85
r=
√13 ¿ ¿ ¿
1895,07
r=
√ 4116,16 √ 934,58
1895,07
r=
1961,37
r =0,9662

r 2= ( 0,9662 )=0,9335

O objectivo do presente estudo foi de verificar a correlação entre o volume corpuscular médio e a
hemoglobina corpuscular média de mulheres adultas com ciclo menstrual irregular. O mesmo foi
composto por 13 sujeitos.

A partir dos dados amostras, obtiveram-se os resultados mostrados na Tabela 1.

Regression Statistics

Multiple R 0,966208583

R Square 0,933559026

Adjusted R Square 0,927518938

Standard Error 0,658958733

 Observations 13

Tabela 1: Estatísticas da regressão

Assim, verificou-se que o coeficiente de correlação é de 0,966 (r=0,966), indicando uma correlação
positiva muito forte entre o volume corpuscular médio e a hemoglobina corpuscular média. O
coeficiente de determinação de Pearson é de 0,9335 (r 2=0,9335), este valor mostra que o volume
corpuscular médio explica cerca de 93% da hemoglobina corpuscular média, confirmando de facto a
correlação forte entre as duas variáveis.

Quanto a dispersão dos dados amostrais, foi obtido o diagrama de dispersão linear simples ilustrado na
Figura 1.

Figura 1: Relação entre o volume corpuscular médio

e a hemoglobina corpuscular média

Este diagrama demostra que há uma correlação positiva entre o volume corpuscular médio e a
hemoglobina corpuscular médio, pela observação da tendência crescente da nuvem de pontos.

Da Tabela 1: pode se verificar que o erro padrão é de 0,658, o que significa que os desvios dos pontos
em relação a recta de regressão linear são muito pequenos, isto pode ser verificado ainda pela análise
do diagrama de dispersão, este mostra que existe um bom ajustamento da recta de regressão linear em
relação a nuvem de pontos.

Na Figura 1 pode-se verificar a equação de regressão linear y=0,4604x-10,426. Esta equação mostra a
relação linear que existe entre a variável explicada y (hemoglobina corpuscular média) e a variável causa
x (volume corpuscular médio), o coeficiente linear da recta positivo 0,4604, demonstra que a
hemoglobina corpuscular média aumenta a medida que o volume corpuscular médio aumenta.

Conclusões
Com base na analise dos dados. Foi possível concluir que existe uma correlação forte entre o volume
corpuscular medio e a hemoglobina corpuscular media em mulheres com anemia secundaria as
irregularidades do ciclo menstrual. Que as duas variáveis tem uma correlação do tipo linear positiva.
O valor de R apresenta todas propriedades do coeficiente de Paerson descritas por Triolo, 2005 que diz:

5. O valor r esta sempre entre -1 e +1. Isto é, −1 ≤r ≤+1

6. O valor de r não muda se uma ou se todos os valores das variáveis forem convertidas para uma
escala diferente
7. O valor r não é afectado pela escolha do valor x ou y.
8. r mede a intensidade de uma relaçao linear. Ele não é planejado para medir intensidade de uma
relação que não seja linear.

Referências
Crespo, A, A. (1999). Estatística Fácil.17ed. . São Paulo: Saraiva.

Larson, R, Farber, B. (2004). Estatística Aplicada. 2ª edição. São Paulo: Pearson - Prentice Hall.

Martins, P. G.; Laugeni, F. P. (2005). Administração da produção. 2. ed. São Paulo: Saraiva.

Moreira, D. A. (2008). Administração da produção e operações. 2. ed. São Paulo: Cengage Learning.

Reid, R. D.; Sanders, N. R. (2005). Gestão de operações. Rio de Janeiro: LTC.

Ritzman, L. P.; Krajewski, L. J. (2004). Administração da produção e operações. São Paulo: Prentice Hall.