Escolar Documentos
Profissional Documentos
Cultura Documentos
QUANTITATIVOS
RESUMO
ABSTRACT
This bibliographic and exploratory qualitative work didactically addresses different
aspects related to data analysis in scientific research, both quantitative and qualitative.
For quantitative research, some of the main methodologies of analysis were mentioned,
such as statistical analysis, frequency distributions, correlations, graphical
representations, measures of dispersion, and measures of central tendency. It was
highlighted that the choice of the appropriate methodology depends on the type of data
and the research objective. For qualitative research, content analysis methods were
addressed for different types of data, such as interviews, observations, open-ended
1
Docente do Centro Universitário Campo Real. Mestre em Estudos Linguísticos pela UFPR. E-mail:
prof_sandromazurechen@camporeal.edu.br
questions in questionnaires, literature readings, and document readings. It was
emphasized that content analysis can be performed systematically and meticulously,
allowing for the identification of patterns and categories in the data. In addition, different
types of data analysis were explained, such as predictive, prescriptive, descriptive, and
diagnostic analysis, and how these methodologies can be applied in different research
contexts. In summary, this work presents an overview of the main methods and
techniques of data analysis in scientific research, demonstrating the importance of the
appropriate choice of methodology for obtaining reliable and relevant results.
1 INTRODUÇÃO
2 METODOLOGIA
RICHARDSON, R. J.
(2017.)
Análise de conteúdo de envolve a revisão e pode ser realizada com BARDIN, L. (2016)
observações codificação dos dados base em categorias
coletados através da predefinidas ou pode BOGDAN, R.; BIKLEN,
S. (1994)
observação de um surgir a partir dos
evento ou situação dados coletados GOMES, R.; MENDES,
durante as J. M. (2019)
observações
MINAYO, M. C. de S.
(2014)
PATTON, M. Q. (2015)
Análise de conteúdo de envolve a revisão e pode ser feita BARDIN (2016)
questões abertas em codificação dos dados manualmente ou com o
questionários coletados em questões auxílio de softwares GOMES, R.; MENDES,
J. M. (2019)
abertas, geralmente na específicos para
forma de respostas análise de dados MINAYO, M. C. S.
escritas qualitativos, como o (2014)
NVivo ou o Atlas.ti
SALDAÑA, J. (2015)
BERNARD, H. R.;
RYAN, G. W. (2017)
BERELSON, B. (1952)
Fonte: Dados da pesquisa (2023)
SAMPIERI, R. H.;
COLLADO, C. F.;
LUCIO, P. B. (2020)
TRIOLA, M. F. (2019)
TRIOLA, M. F. (2019)
TRIOLA, M. F. (2019)
Medidas de dispersão são usadas para Algumas das medidas FONSECA, J. J.;
mostrar o quão de dispersão mais MARTINS, G. A. (2017)
dispersos são os dados comuns incluem a
MAGALHÃES, M. N.;
em torno de uma variância e o desvio
LIMA, A. C. P. (2018)
medida central, como a padrão
média ou a mediana TRIOLA, M. F. (2019)
BUSSAB, W. O.;
MORETTIN, P. A.
(2019)
FONSECA, J. S.;
MARTINS, G. A.(2017)
2
Quando a correlação é positiva, significa que há uma relação direta entre as variáveis, ou seja, quando
uma aumenta, a outra também aumenta. Por exemplo, a altura e o peso de uma pessoa geralmente têm
uma correlação positiva, pois pessoas mais altas geralmente pesam mais. Quando a correlação é
negativa, significa que há uma relação inversa entre as variáveis, ou seja, quando uma aumenta, a outra
diminui. Por exemplo, a quantidade de exercícios físicos praticados e o índice de massa corporal têm
uma correlação negativa, pois quanto mais exercícios uma pessoa pratica, menor é o seu índice de
massa corporal. Já a correlação neutra significa que não há relação entre as variáveis. Por exemplo, a
cor dos olhos e a altura de uma pessoa têm uma correlação neutra, pois não há relação entre essas
duas variáveis.
MAGALHÃES, M. N.;
LIMA, A. C. P. (2018)
Fonte: Dados da pesquisa (2023)
CONCLUSÃO
REFERÊNCIAS
ACAR, Nazli; KANDEMIR, Cigdem. A new approach for root cause analysis: A case
study of a drilling company. International Journal of Industrial Engineering
Computations, v. 10, n. 3, p. 397–410, 2019.
ALSHEHRI, Abdullah; DREW, Steve. Root cause analysis in software engineering: A
systematic literature review. Journal of Software: Evolution and Process, v. 32, n. 11,
p. e2219, 2020.
BUSSAB, W. O.; MORETTIN, P. A. Estatística básica. 10. ed. São Paulo: Saraiva,
2019.
FREITAS, H.; BAPTISTA, M.; REIS, G. Introdução à Estatística. Porto: Porto Editora,
2013.
GIL, A. C. Como elaborar projetos de pesquisa. 6. ed. São Paulo: Atlas, 2017.
KIM, K. J. et al. Big data: Understanding how data powers big business. Wiley
Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 7, n. 5, 2017.
KUMAR, Anand; SHARMA, Poonam. Data Analytics and Big Data: An Insight.
International Journal of Engineering and Technology, v. 9, n. 1, p. 710–714, 2017.
LAPPONI, J. C. Estatística usando Excel. Rio de Janeiro: Elsevier, 2010.
LEVIN, J.; FOX, J. A. Estatística para ciências humanas. 11. ed. São Paulo: Pearson,
2016.
MEHTA, N.; SHANKAR, R. Root cause analysis of product defects using data mining
techniques. International Journal of Applied Engineering Research, v. 11, n. 9, p.
6417–6422, 2016.
WEBER, R. P. Basic content analysis. 2. ed. Newbury Park: Sage Publications, 1990.
YANG, Z. et al. The adoption of big data analytics in healthcare: A qualitative study.
International Journal of Environmental Research and Public Health, v. 16, n. 10, p.
1768, 2019.