Escolar Documentos
Profissional Documentos
Cultura Documentos
Para variáveis quantitativas, que são medidas em uma escala numérica, existem duas
situações principais:
Se os dados seguem uma distribuição normal, o que significa que eles se distribuem
de acordo com a curva de sino familiar, então você pode calcular várias medidas
estatísticas, tais como:
Quando os dados não seguem uma distribuição normal, eles podem ser assimétricos, ou
seja, não possuem uma forma de sino. Nesse caso, é mais apropriado usar medidas de
tendência central e dispersão que não dependem da suposição de normalidade, tais
como:
- **Mediana:** É o valor que divide a distribuição ao meio, ou seja, 50% dos dados
estão abaixo da mediana e 50% estão acima.
- **Variação:** Refere-se à amplitude dos dados, indicada pelo intervalo entre o
valor máximo e o mínimo.
- **Quartis:** São valores que dividem a distribuição em quatro partes iguais,
representando o primeiro quartil (25%), a mediana (50%) e o terceiro quartil (75%).
Para investigar se existe uma associação entre duas variáveis, como por exemplo, se
o tabagismo está associado ao desenvolvimento de câncer de pulmão, usamos métodos
estatísticos como o teste qui-quadrado para variáveis categóricas ou a correlação
de Pearson para variáveis contínuas. Esses testes nos ajudam a determinar se existe
uma relação estatisticamente significativa entre as variáveis em questão.
Aqui, as observações em um grupo não têm relação direta com as observações em outro
grupo. Cada observação é independente das outras. Isso é comum em estudos onde
diferentes grupos de pacientes recebem diferentes tratamentos e não há
emparelhamento entre eles.
Os dados seguem uma distribuição normal quando se assemelham à forma de uma curva
de sino. Isso significa que a maioria dos dados está centralizada em torno da
média, com uma dispersão simétrica em ambas as direções. Muitos métodos
estatísticos assumem uma distribuição normal dos dados.
Uma distribuição é assimétrica quando não segue a forma de uma curva de sino e
exibe uma inclinação para um lado. Isso pode ocorrer em situações onde há valores
extremos ou quando os dados não seguem uma distribuição normal. Em tais casos,
métodos estatísticos robustos devem ser utilizados.
Uma variável binária é aquela que possui apenas dois valores possíveis, como
"Presente" e "Ausente", "Sim" e "Não", ou "1" e "0". Em contextos médicos, isso
poderia representar a presença ou ausência de uma condição de saúde, como uma
doença específica.
Quando temos mais de dois grupos e queremos comparar as proporções entre eles,
usamos uma análise de variância (ANOVA) para proporções. Isso nos ajuda a
determinar se há uma diferença estatisticamente significativa nas proporções de um
evento ocorrendo entre os grupos. Se a ANOVA indicar diferenças significativas,
testes de comparações múltiplas, como o teste de Tukey, podem ser realizados para
identificar quais grupos diferem entre si.
Quando os dados seguem uma distribuição normal (curva de sino), podemos utilizar
testes paramétricos, como o teste t de Student para duas amostras independentes ou
a análise de variância (ANOVA) para três ou mais grupos independentes. Esses testes
são robustos e poderosos quando os pressupostos de normalidade são atendidos.
Quando os dados não seguem uma distribuição normal, os testes paramétricos podem
produzir resultados enviesados ou imprecisos. Nesses casos, é aconselhável usar
testes não paramétricos, como o teste de Wilcoxon-Mann-Whitney para comparação de
duas amostras independentes ou o teste de Kruskal-Wallis para comparação de três ou
mais grupos independentes. Esses testes são menos sensíveis às violações dos
pressupostos de normalidade e são mais apropriados para dados com distribuição não
gaussiana.
Quando queremos comparar grupos que são determinados por duas variáveis, como
tratamento e tempo, podemos usar análises específicas, como a análise de variância
de medidas repetidas (ANOVA) ou a análise de covariância (ANCOVA). Essas técnicas
permitem investigar não apenas os efeitos principais das variáveis, mas também
possíveis interações entre elas.
Esses índices de correlação nos ajudam a entender a relação entre duas variáveis em
um estudo médico. Se a correlação for significativa, isso pode indicar uma
associação entre as variáveis, mas não implica necessariamente causalidade. É
importante interpretar os resultados com cautela e considerar outros fatores que
possam influenciar a relação entre as variáveis.