{"id":55628,"date":"2024-10-21T12:45:05","date_gmt":"2024-10-21T15:45:05","guid":{"rendered":"https:\/\/mindthegraph.com\/blog\/?p=55628"},"modified":"2024-10-21T12:45:07","modified_gmt":"2024-10-21T15:45:07","slug":"pearson-correlation","status":"publish","type":"post","link":"https:\/\/mindthegraph.com\/blog\/pt\/pearson-correlation\/","title":{"rendered":"<strong>Correla\u00e7\u00e3o de Pearson: Entendendo a matem\u00e1tica por tr\u00e1s dos relacionamentos<\/strong>"},"content":{"rendered":"<p>A correla\u00e7\u00e3o de Pearson \u00e9 um m\u00e9todo estat\u00edstico fundamental usado para entender as rela\u00e7\u00f5es lineares entre duas vari\u00e1veis cont\u00ednuas. Quantificando a for\u00e7a e a dire\u00e7\u00e3o dessas rela\u00e7\u00f5es, o coeficiente de correla\u00e7\u00e3o de Pearson oferece percep\u00e7\u00f5es cr\u00edticas amplamente aplic\u00e1veis em v\u00e1rios campos, incluindo pesquisa, ci\u00eancia de dados e tomada de decis\u00f5es cotidianas. Este artigo explicar\u00e1 os fundamentos da correla\u00e7\u00e3o de Pearson, incluindo sua defini\u00e7\u00e3o, m\u00e9todos de c\u00e1lculo e aplica\u00e7\u00f5es pr\u00e1ticas. Exploraremos como essa ferramenta estat\u00edstica pode iluminar padr\u00f5es nos dados, a import\u00e2ncia de entender suas limita\u00e7\u00f5es e as pr\u00e1ticas recomendadas para uma interpreta\u00e7\u00e3o precisa.<\/p>\n\n\n\n<h2><strong>O que \u00e9 a Correla\u00e7\u00e3o de Pearson?<\/strong><\/h2>\n\n\n\n<p>O coeficiente de correla\u00e7\u00e3o de Pearson, ou r de Pearson, quantifica a for\u00e7a e a dire\u00e7\u00e3o de uma rela\u00e7\u00e3o linear entre duas vari\u00e1veis cont\u00ednuas. Variando de <strong>-1 a 1<\/strong>Esse coeficiente indica a proximidade com que os pontos de dados em um gr\u00e1fico de dispers\u00e3o se alinham a uma linha reta.<\/p>\n\n\n\n<ul>\n<li>Um valor de 1 implica uma rela\u00e7\u00e3o linear positiva perfeita, o que significa que, \u00e0 medida que uma vari\u00e1vel aumenta, a outra tamb\u00e9m aumenta consistentemente.<\/li>\n\n\n\n<li>Um valor de <strong>-1<\/strong> indica um <strong>rela\u00e7\u00e3o linear negativa perfeita<\/strong>em que uma vari\u00e1vel aumenta \u00e0 medida que a outra diminui.<\/li>\n\n\n\n<li>Um valor de <strong>0<\/strong> sugere <strong>nenhuma correla\u00e7\u00e3o linear<\/strong>ou seja, as vari\u00e1veis n\u00e3o t\u00eam uma rela\u00e7\u00e3o linear.<\/li>\n<\/ul>\n\n\n\n<p>A correla\u00e7\u00e3o de Pearson \u00e9 amplamente usada em ci\u00eancias, economia e ci\u00eancias sociais para determinar se duas vari\u00e1veis se movem juntas e em que medida. Ela ajuda a avaliar a intensidade com que as vari\u00e1veis est\u00e3o relacionadas, o que a torna uma ferramenta essencial para a an\u00e1lise e interpreta\u00e7\u00e3o de dados.<\/p>\n\n\n\n<h3><strong>Como calcular o coeficiente de correla\u00e7\u00e3o de Pearson<\/strong><\/h3>\n\n\n\n<p>O coeficiente de correla\u00e7\u00e3o de Pearson (r) \u00e9 calculado usando a seguinte f\u00f3rmula:<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full\"><img decoding=\"async\" loading=\"lazy\" width=\"1024\" height=\"461\" src=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula.jpg\" alt=\"Imagem da f\u00f3rmula do Coeficiente de Correla\u00e7\u00e3o de Pearson, mostrando a equa\u00e7\u00e3o usada para medir a rela\u00e7\u00e3o linear entre duas vari\u00e1veis.\" class=\"wp-image-55629\" srcset=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula.jpg 1024w, https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula-300x135.jpg 300w, https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula-768x346.jpg 768w, https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula-18x8.jpg 18w, https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula-100x45.jpg 100w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">F\u00f3rmula do Coeficiente de Correla\u00e7\u00e3o de Pearson com as principais vari\u00e1veis explicadas.<\/figcaption><\/figure><\/div>\n\n\n<p>Onde:<\/p>\n\n\n\n<ul>\n<li><em>x<\/em> e <em>y<\/em> s\u00e3o as duas vari\u00e1veis que est\u00e3o sendo comparadas.<\/li>\n\n\n\n<li><em>n<\/em> \u00e9 o n\u00famero de pontos de dados.<\/li>\n\n\n\n<li>\u2211<em>xy<\/em> \u00e9 a soma do produto das pontua\u00e7\u00f5es emparelhadas (<em>x<\/em> e <em>y<\/em>).<\/li>\n\n\n\n<li>\u2211<em>x<\/em><sup>2<\/sup> e \u2211<em>y<\/em><sup>2<\/sup> s\u00e3o as somas de quadrados para cada vari\u00e1vel.<\/li>\n<\/ul>\n\n\n\n<p><strong>C\u00e1lculo passo a passo:<\/strong><\/p>\n\n\n\n<ol>\n<li><strong>Coleta de dados:<\/strong> Reunir valores emparelhados para vari\u00e1veis <em>x<\/em> e <em>y<\/em>.<br>Exemplo:<\/li>\n<\/ol>\n\n\n\n<p><em>x<\/em>=[1,2,3]<\/p>\n\n\n\n<p><em>y<\/em>=[4,5,6]<\/p>\n\n\n\n<ol start=\"2\">\n<li><strong>Calcule a soma de x e y:<\/strong><\/li>\n<\/ol>\n\n\n\n<p>\u2211<em>x<\/em> \u00e9 a soma dos valores em <em>x<\/em>.<\/p>\n\n\n\n<p>\u2211<em>y<\/em> \u00e9 a soma dos valores em <em>y<\/em>.<\/p>\n\n\n\n<p>Para o exemplo:<br>\u2211<em>x<\/em>=1+2+3=6<br>\u2211<em>y<\/em>=4+5+6=15<\/p>\n\n\n\n<ol start=\"3\">\n<li><strong>Multiplicar <\/strong><strong><em>x<\/em><\/strong><strong> e <\/strong><strong><em>y<\/em><\/strong><strong> para cada par:<\/strong><\/li>\n<\/ol>\n\n\n\n<p>Multiplique cada par de valores x e y e encontre \u2211<em>xy<\/em>.<\/p>\n\n\n\n<p><em>xy<\/em>=[1\u00d74,2\u00d75,3\u00d76]=[4,10,18]<br>\u2211<em>xy<\/em>=4+10+18=32<\/p>\n\n\n\n<ol start=\"4\">\n<li><strong>Elevar ao quadrado cada valor x e y:<\/strong><\/li>\n<\/ol>\n\n\n\n<p>Encontre o quadrado de cada valor x e y e, em seguida, some-os para obter \u2211<em>x<\/em><sup>2<\/sup> e \u2211<em>y<\/em><sup>2<\/sup>.<\/p>\n\n\n\n<p><em>x<\/em><sup>2<\/sup>=[1<sup>2<\/sup>,2<sup>2<\/sup>,3<sup>2<\/sup>]=[1,4,9]<br>\u2211<em>x<\/em><sup>2<\/sup>=1+4+9=14<br><em>y<\/em><sup>2<\/sup>=[4<sup>2<\/sup>,5<sup>2<\/sup>,6<sup>2<\/sup>]=[16,25,36]<br>\u2211<em>y<\/em><sup>2<\/sup>=16+25+36=77<\/p>\n\n\n\n<ol start=\"5\">\n<li><strong>Insira os valores na f\u00f3rmula de Pearson:<\/strong> Agora, substitua os valores na f\u00f3rmula de correla\u00e7\u00e3o de Pearson:<\/li>\n<\/ol>\n\n\n\n<p><br>r = (n\u2211<em>xy<\/em> - \u2211<em>x<\/em>\u2211<em>y<\/em>) \/ \u221a[(n\u2211<em>x<\/em>\u00b2 - (\u2211<em>x<\/em>)\u00b2) * (n\u2211<em>y<\/em>\u00b2 - (\u2211<em>y<\/em>)\u00b2)]<\/p>\n\n\n\n<p>r = (3 \u00d7 32 - 6 \u00d7 15) \/ \u221a[(3 \u00d7 14 - (6)\u00b2) \u00d7 (3 \u00d7 77 - (15)\u00b2)]<\/p>\n\n\n\n<p>r = (96 - 90) \/ \u221a[(42 - 36) \u00d7 (231 - 225)]<\/p>\n\n\n\n<p>r = 6 \/ \u221a[6 \u00d7 6]<\/p>\n\n\n\n<p>r = 6 \/ 6 = 1<\/p>\n\n\n\n<p>Nesse exemplo, o coeficiente de correla\u00e7\u00e3o de Pearson \u00e9 <strong>1<\/strong>indicando uma rela\u00e7\u00e3o linear positiva perfeita entre as vari\u00e1veis <em>x<\/em> e <em>y<\/em>.<\/p>\n\n\n\n<p>Essa abordagem passo a passo pode ser aplicada a qualquer conjunto de dados para calcular manualmente a correla\u00e7\u00e3o de Pearson. No entanto, ferramentas de software como o Excel,<a href=\"https:\/\/mindthegraph.com\/blog\/python-in-research\/\"> Python<\/a>Os pacotes de dados de dados, ou pacotes estat\u00edsticos, geralmente automatizam esse processo para conjuntos de dados maiores.<\/p>\n\n\n\n<h2><strong>Por que a correla\u00e7\u00e3o de Pearson \u00e9 importante na an\u00e1lise estat\u00edstica<\/strong><\/h2>\n\n\n\n<h3><strong>Em pesquisa<\/strong><\/h3>\n\n\n\n<p>O <strong>Correla\u00e7\u00e3o de Pearson<\/strong> \u00e9 uma ferramenta estat\u00edstica fundamental na pesquisa para identificar e quantificar a for\u00e7a e a dire\u00e7\u00e3o das rela\u00e7\u00f5es lineares entre duas vari\u00e1veis cont\u00ednuas. Ela ajuda os pesquisadores a entender se e com que intensidade duas vari\u00e1veis est\u00e3o relacionadas, o que pode fornecer informa\u00e7\u00f5es sobre padr\u00f5es e tend\u00eancias em conjuntos de dados.<\/p>\n\n\n\n<p>A correla\u00e7\u00e3o de Pearson ajuda os pesquisadores a determinar se as vari\u00e1veis se movem juntas de forma consistente, positiva ou negativamente. Por exemplo, em um conjunto de dados que mede o tempo de estudo e as notas dos exames, uma correla\u00e7\u00e3o de Pearson positiva forte sugeriria que o aumento do tempo de estudo est\u00e1 associado a notas mais altas nos exames. Por outro lado, uma correla\u00e7\u00e3o negativa poderia indicar que, \u00e0 medida que uma vari\u00e1vel aumenta, a outra diminui.<\/p>\n\n\n\n<p><strong>Exemplos de uso em v\u00e1rios campos de pesquisa:<\/strong><\/p>\n\n\n\n<p><strong>Psicologia:<\/strong> A correla\u00e7\u00e3o de Pearson \u00e9 frequentemente usada para explorar as rela\u00e7\u00f5es entre vari\u00e1veis como n\u00edveis de estresse e desempenho cognitivo. Os pesquisadores podem avaliar como um aumento no estresse pode afetar a mem\u00f3ria ou as habilidades de resolu\u00e7\u00e3o de problemas.<\/p>\n\n\n\n<p><strong>Economia:<\/strong> Os economistas usam a correla\u00e7\u00e3o de Pearson para estudar a rela\u00e7\u00e3o entre vari\u00e1veis como renda e consumo, ou infla\u00e7\u00e3o e desemprego, ajudando-os a entender como os fatores econ\u00f4micos influenciam uns aos outros.<\/p>\n\n\n\n<p><strong>Medicina:<\/strong> Na pesquisa m\u00e9dica, a correla\u00e7\u00e3o de Pearson pode identificar rela\u00e7\u00f5es entre diferentes m\u00e9tricas de sa\u00fade. Por exemplo, os pesquisadores podem investigar a correla\u00e7\u00e3o entre os n\u00edveis de press\u00e3o arterial e o risco de doen\u00e7as card\u00edacas, ajudando na detec\u00e7\u00e3o precoce e nas estrat\u00e9gias de cuidados preventivos.<\/p>\n\n\n\n<p><strong>Ci\u00eancia ambiental:<\/strong> A correla\u00e7\u00e3o de Pearson \u00e9 \u00fatil para explorar as rela\u00e7\u00f5es entre vari\u00e1veis ambientais, como temperatura e rendimento da safra, permitindo que os cientistas modelem os impactos das mudan\u00e7as clim\u00e1ticas na agricultura.<\/p>\n\n\n\n<p>Em geral, a correla\u00e7\u00e3o de Pearson \u00e9 uma ferramenta essencial em diversos campos de pesquisa para descobrir rela\u00e7\u00f5es significativas e orientar estudos futuros, interven\u00e7\u00f5es ou decis\u00f5es de pol\u00edticas.<\/p>\n\n\n\n<h3><strong>Na vida cotidiana<\/strong><\/h3>\n\n\n\n<p>Compreens\u00e3o <strong>Correla\u00e7\u00e3o de Pearson<\/strong> pode ser incrivelmente \u00fatil na tomada de decis\u00f5es di\u00e1rias, pois ajuda a identificar padr\u00f5es e rela\u00e7\u00f5es entre diferentes vari\u00e1veis que afetam nossas rotinas e escolhas.<\/p>\n\n\n\n<p><strong>Aplica\u00e7\u00f5es pr\u00e1ticas e exemplos:<\/strong><\/p>\n\n\n\n<p><strong>Fitness e sa\u00fade:<\/strong> A correla\u00e7\u00e3o de Pearson pode ser aplicada para avaliar como diferentes fatores, como frequ\u00eancia de exerc\u00edcios e perda de peso, est\u00e3o relacionados. Por exemplo, o acompanhamento dos h\u00e1bitos de exerc\u00edcio e do peso corporal ao longo do tempo pode revelar uma correla\u00e7\u00e3o positiva entre a atividade f\u00edsica regular e a redu\u00e7\u00e3o de peso.<\/p>\n\n\n\n<p><strong>Finan\u00e7as pessoais:<\/strong> Na elabora\u00e7\u00e3o de or\u00e7amentos, a correla\u00e7\u00e3o de Pearson pode ajudar a analisar a rela\u00e7\u00e3o entre h\u00e1bitos de gastos e poupan\u00e7a. Se algu\u00e9m acompanhar suas despesas mensais e taxas de poupan\u00e7a, poder\u00e1 encontrar uma correla\u00e7\u00e3o negativa, indicando que, \u00e0 medida que os gastos aumentam, a poupan\u00e7a diminui.<\/p>\n\n\n\n<p><strong>Clima e humor:<\/strong> Outro uso cotidiano da correla\u00e7\u00e3o pode ser a compreens\u00e3o do impacto do clima no humor. Por exemplo, pode haver uma correla\u00e7\u00e3o positiva entre dias ensolarados e melhora do humor, enquanto dias chuvosos podem se correlacionar com n\u00edveis mais baixos de energia ou tristeza.<\/p>\n\n\n\n<p><strong>Gerenciamento de tempo:<\/strong> Ao comparar as horas gastas em tarefas espec\u00edficas (por exemplo, tempo de estudo) e os resultados de produtividade ou desempenho (por exemplo, notas ou efici\u00eancia no trabalho), a correla\u00e7\u00e3o de Pearson pode ajudar as pessoas a entender como a aloca\u00e7\u00e3o de tempo afeta os resultados.<\/p>\n\n\n\n<p><strong>Benef\u00edcios de entender as correla\u00e7\u00f5es em cen\u00e1rios comuns:<\/strong><\/p>\n\n\n\n<p><strong>Melhoria na tomada de decis\u00f5es:<\/strong> Saber como as vari\u00e1veis est\u00e3o conectadas permite que as pessoas tomem decis\u00f5es informadas. Por exemplo, compreender a correla\u00e7\u00e3o entre dieta e sa\u00fade pode levar a melhores h\u00e1bitos alimentares que promovam o bem-estar.<\/p>\n\n\n\n<p><strong>Otimiza\u00e7\u00e3o de resultados:<\/strong> As pessoas podem usar correla\u00e7\u00f5es para otimizar suas rotinas, por exemplo, descobrindo como a dura\u00e7\u00e3o do sono se correlaciona com a produtividade e ajustando os hor\u00e1rios de sono de acordo para maximizar a efici\u00eancia.<\/p>\n\n\n\n<p><strong>Identifica\u00e7\u00e3o de padr\u00f5es:<\/strong> O reconhecimento de padr\u00f5es nas atividades di\u00e1rias (como a correla\u00e7\u00e3o entre tempo de tela e cansa\u00e7o visual) pode ajudar as pessoas a modificar comportamentos para reduzir os efeitos negativos e melhorar a qualidade de vida em geral.<\/p>\n\n\n\n<p>A aplica\u00e7\u00e3o do conceito de correla\u00e7\u00e3o de Pearson na vida cotidiana permite que as pessoas obtenham percep\u00e7\u00f5es valiosas sobre como os diferentes aspectos de suas rotinas interagem, possibilitando que fa\u00e7am escolhas proativas que melhorem a sa\u00fade, as finan\u00e7as e o bem-estar.<\/p>\n\n\n\n<h2><strong>Interpreta\u00e7\u00e3o da correla\u00e7\u00e3o de Pearson<\/strong><\/h2>\n\n\n\n<h3><strong>Valores e import\u00e2ncia<\/strong><\/h3>\n\n\n\n<p>O <strong>Coeficiente de correla\u00e7\u00e3o de Pearson<\/strong> (r) varia de <strong>-1 a 1<\/strong>e cada valor fornece informa\u00e7\u00f5es sobre a natureza e a for\u00e7a da rela\u00e7\u00e3o entre duas vari\u00e1veis. A compreens\u00e3o desses valores ajuda a interpretar a dire\u00e7\u00e3o e o grau da correla\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>Valores de coeficiente:<\/strong><\/p>\n\n\n\n<p><strong>1<\/strong>: Um valor de <strong>+1<\/strong> indica um <strong>rela\u00e7\u00e3o linear positiva perfeita<\/strong> entre duas vari\u00e1veis, o que significa que, \u00e0 medida que uma vari\u00e1vel aumenta, a outra aumenta em perfeita propor\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>-1<\/strong>: Um valor de <strong>-1<\/strong> indica um <strong>rela\u00e7\u00e3o linear negativa perfeita<\/strong>em que, \u00e0 medida que uma vari\u00e1vel aumenta, a outra diminui em perfeita propor\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>0<\/strong>: Um valor de <strong>0<\/strong> sugere <strong>nenhuma rela\u00e7\u00e3o linear<\/strong> entre as vari\u00e1veis, o que significa que as mudan\u00e7as em uma vari\u00e1vel n\u00e3o preveem mudan\u00e7as na outra.<\/p>\n\n\n\n<p><strong>Correla\u00e7\u00f5es positivas, negativas e zero:<\/strong><\/p>\n\n\n\n<p><strong>Correla\u00e7\u00e3o positiva<\/strong>: Quando <strong>r \u00e9 positivo<\/strong> (por exemplo, 0,5), isso implica que ambas as vari\u00e1veis tendem a se mover na mesma dire\u00e7\u00e3o. Por exemplo, \u00e0 medida que a temperatura aumenta, as vendas de sorvete podem aumentar, mostrando uma correla\u00e7\u00e3o positiva.<\/p>\n\n\n\n<p><strong>Correla\u00e7\u00e3o negativa<\/strong>: Quando <strong>r \u00e9 negativo<\/strong> (por exemplo, -0,7), isso sugere que as vari\u00e1veis se movem em dire\u00e7\u00f5es opostas. Um exemplo poderia ser a rela\u00e7\u00e3o entre a frequ\u00eancia de exerc\u00edcios e o percentual de gordura corporal: \u00e0 medida que os exerc\u00edcios aumentam, a gordura corporal tende a diminuir.<\/p>\n\n\n\n<p><strong>Correla\u00e7\u00e3o zero<\/strong>: Um <strong>r de 0<\/strong> significa que h\u00e1 <strong>nenhuma rela\u00e7\u00e3o linear percept\u00edvel<\/strong> entre as vari\u00e1veis. Por exemplo, pode n\u00e3o haver correla\u00e7\u00e3o linear entre o tamanho do sapato e a intelig\u00eancia.<\/p>\n\n\n\n<p>Em geral:<\/p>\n\n\n\n<p><strong>0,7 a 1 ou -0,7 a -1<\/strong> indica um <strong>forte<\/strong> correla\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>0,3 a 0,7 ou -0,3 a -0,7<\/strong> reflete um <strong>moderado<\/strong> correla\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>0 a 0,3 ou -0,3 a 0<\/strong> significa um <strong>fraco<\/strong> correla\u00e7\u00e3o.<\/p>\n\n\n\n<p>A compreens\u00e3o desses valores permite que pesquisadores e indiv\u00edduos determinem o grau de proximidade entre duas vari\u00e1veis e se a rela\u00e7\u00e3o \u00e9 significativa o suficiente para justificar mais aten\u00e7\u00e3o ou a\u00e7\u00e3o.<\/p>\n\n\n\n<h3><strong>Limita\u00e7\u00f5es<\/strong><\/h3>\n\n\n\n<p>Enquanto o <strong>Correla\u00e7\u00e3o de Pearson<\/strong> \u00e9 uma ferramenta poderosa para avaliar rela\u00e7\u00f5es lineares entre vari\u00e1veis, mas tem limita\u00e7\u00f5es e pode n\u00e3o ser apropriada em todos os cen\u00e1rios.<\/p>\n\n\n\n<p><strong>Situa\u00e7\u00f5es em que a correla\u00e7\u00e3o de Pearson pode n\u00e3o ser apropriada:<\/strong><\/p>\n\n\n\n<p><strong>Rela\u00e7\u00f5es n\u00e3o lineares<\/strong>: A correla\u00e7\u00e3o de Pearson mede apenas <strong>rela\u00e7\u00f5es lineares<\/strong>Por exemplo, se as vari\u00e1veis tiverem uma rela\u00e7\u00e3o quadr\u00e1tica ou exponencial, a correla\u00e7\u00e3o de Pearson pode subestimar ou n\u00e3o captar a verdadeira rela\u00e7\u00e3o. Por exemplo, se as vari\u00e1veis tiverem uma rela\u00e7\u00e3o quadr\u00e1tica ou exponencial, a correla\u00e7\u00e3o de Pearson pode subestimar ou n\u00e3o captar a verdadeira rela\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>Excedentes<\/strong>: A presen\u00e7a de <strong>discrepantes<\/strong> (valores extremos) podem distorcer significativamente os resultados da correla\u00e7\u00e3o de Pearson, fornecendo uma representa\u00e7\u00e3o enganosa da rela\u00e7\u00e3o geral entre as vari\u00e1veis. Um \u00fanico outlier pode inflar ou deflacionar artificialmente o valor da correla\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>Vari\u00e1veis n\u00e3o cont\u00ednuas<\/strong>: A correla\u00e7\u00e3o de Pearson pressup\u00f5e que ambas as vari\u00e1veis sejam cont\u00ednuas e normalmente distribu\u00eddas. Ela pode n\u00e3o ser apropriada para <strong>categ\u00f3rica<\/strong> ou <strong>dados ordinais<\/strong>Em que as rela\u00e7\u00f5es n\u00e3o s\u00e3o necessariamente lineares ou num\u00e9ricas por natureza.<\/p>\n\n\n\n<p><strong>Heteroscedasticidade<\/strong>: Quando a variabilidade de uma vari\u00e1vel difere no intervalo de outra (ou seja, quando a dispers\u00e3o dos pontos de dados n\u00e3o \u00e9 constante), a correla\u00e7\u00e3o de Pearson pode fornecer uma medida imprecisa da rela\u00e7\u00e3o. Essa condi\u00e7\u00e3o \u00e9 conhecida como <strong>heterocedasticidade<\/strong>e isso pode distorcer o coeficiente.<\/p>\n\n\n\n<p><strong>Limita\u00e7\u00e3o apenas a rela\u00e7\u00f5es lineares:<\/strong> A correla\u00e7\u00e3o de Pearson mede especificamente a for\u00e7a e a dire\u00e7\u00e3o da <strong>rela\u00e7\u00f5es lineares<\/strong>. Se as vari\u00e1veis estiverem relacionadas de forma n\u00e3o linear, a correla\u00e7\u00e3o de Pearson n\u00e3o detectar\u00e1 esse fato. Por exemplo, se uma vari\u00e1vel aumenta em uma taxa crescente em rela\u00e7\u00e3o a outra (como em uma rela\u00e7\u00e3o exponencial ou logar\u00edtmica), a correla\u00e7\u00e3o de Pearson pode mostrar uma correla\u00e7\u00e3o fraca ou nula, apesar da exist\u00eancia de uma rela\u00e7\u00e3o forte.<\/p>\n\n\n\n<p>Para lidar com essas limita\u00e7\u00f5es, os pesquisadores podem usar outros m\u00e9todos, como <strong>Correla\u00e7\u00e3o de classifica\u00e7\u00e3o de Spearman<\/strong> para dados ordinais ou <strong>modelos de regress\u00e3o n\u00e3o linear<\/strong> para capturar melhor as rela\u00e7\u00f5es complexas. Em ess\u00eancia, embora a correla\u00e7\u00e3o de Pearson seja valiosa para relacionamentos lineares, ela deve ser aplicada com cautela, garantindo que os dados atendam \u00e0s suposi\u00e7\u00f5es necess\u00e1rias para uma interpreta\u00e7\u00e3o precisa.<\/p>\n\n\n\n<h2><strong>Como usar a correla\u00e7\u00e3o de Pearson<\/strong><\/h2>\n\n\n\n<h3><strong>Ferramentas e software<\/strong><\/h3>\n\n\n\n<p>C\u00e1lculo do <strong>Correla\u00e7\u00e3o de Pearson<\/strong> pode ser feito manualmente, mas \u00e9 muito mais eficiente e pr\u00e1tico usar ferramentas e softwares estat\u00edsticos. Essas ferramentas podem calcular rapidamente o coeficiente de correla\u00e7\u00e3o de Pearson, lidar com grandes conjuntos de dados e oferecer recursos estat\u00edsticos adicionais para uma an\u00e1lise abrangente. H\u00e1 v\u00e1rios softwares e ferramentas populares dispon\u00edveis para calcular a correla\u00e7\u00e3o de Pearson:<\/p>\n\n\n\n<p><strong>Microsoft Excel<\/strong>: Uma ferramenta amplamente usada com fun\u00e7\u00f5es integradas para calcular a correla\u00e7\u00e3o de Pearson, tornando-a acess\u00edvel para tarefas estat\u00edsticas b\u00e1sicas.<\/p>\n\n\n\n<p><a href=\"https:\/\/www.ibm.com\/spss\"><strong>SPSS (Statistical Package for the Social Sciences)<\/strong><\/a>: Esse poderoso software foi projetado para an\u00e1lise estat\u00edstica e \u00e9 comumente usado em ci\u00eancias sociais e pesquisas m\u00e9dicas.<\/p>\n\n\n\n<p><a href=\"https:\/\/www.r-project.org\/about.html\"><strong>Linguagem de programa\u00e7\u00e3o R<\/strong>:<\/a> Uma linguagem de programa\u00e7\u00e3o gratuita e de c\u00f3digo aberto projetada especificamente para an\u00e1lise de dados e estat\u00edsticas. O R oferece ampla flexibilidade e capacidade de personaliza\u00e7\u00e3o.<\/p>\n\n\n\n<p><a href=\"https:\/\/www.codecademy.com\/article\/introduction-to-numpy-and-pandas\"><strong>Python (com bibliotecas como Pandas e NumPy)<\/strong><\/a><strong>)<\/strong>: Python \u00e9 outra linguagem poderosa e de c\u00f3digo aberto para an\u00e1lise de dados, com bibliotecas f\u00e1ceis de usar que simplificam o c\u00e1lculo da correla\u00e7\u00e3o de Pearson.<\/p>\n\n\n\n<p><a href=\"https:\/\/www.graphpad.com\/features\"><strong>GraphPad Prism<\/strong><\/a>: Popular nas ci\u00eancias biol\u00f3gicas, esse software oferece uma interface intuitiva para an\u00e1lise estat\u00edstica, incluindo a correla\u00e7\u00e3o de Pearson.<\/p>\n\n\n\n<p><strong>Guia b\u00e1sico de uso dessas ferramentas para an\u00e1lise:<\/strong><\/p>\n\n\n\n<p><strong>Microsoft Excel:<\/strong><\/p>\n\n\n\n<ul>\n<li>Insira seus dados em duas colunas, uma para cada vari\u00e1vel.<\/li>\n\n\n\n<li>Use a fun\u00e7\u00e3o incorporada =CORREL(array1, array2) para calcular a correla\u00e7\u00e3o de Pearson entre os dois conjuntos de dados.<\/li>\n<\/ul>\n\n\n\n<p><strong>SPSS:<\/strong><\/p>\n\n\n\n<ul>\n<li>Importe seus dados para o SPSS.<\/li>\n\n\n\n<li>Ir para <strong>Analisar &gt; Correlacionar &gt; Bivariar<\/strong>e selecione as vari\u00e1veis para an\u00e1lise.<\/li>\n\n\n\n<li>Escolha \"Pearson\" nas op\u00e7\u00f5es de coeficiente de correla\u00e7\u00e3o e clique em \"OK\".<\/li>\n<\/ul>\n\n\n\n<p><strong>Programa\u00e7\u00e3o R:<\/strong><\/p>\n\n\n\n<ul>\n<li>Insira seus dados no R como vetores ou quadros de dados.<\/li>\n\n\n\n<li>Use a fun\u00e7\u00e3o cor(x, y, method = \"pearson\") para calcular a correla\u00e7\u00e3o de Pearson.<\/li>\n<\/ul>\n\n\n\n<p><strong>Python (Pandas\/NumPy):<\/strong><\/p>\n\n\n\n<ul>\n<li>Carregue seus dados usando o Pandas.<\/li>\n\n\n\n<li>Use df['variable1'].corr(df['variable2']) para calcular a correla\u00e7\u00e3o de Pearson entre duas colunas.<\/li>\n<\/ul>\n\n\n\n<p><strong>GraphPad Prism:<\/strong><\/p>\n\n\n\n<ul>\n<li>Insira seus dados no software.<\/li>\n\n\n\n<li>Selecione a op\u00e7\u00e3o de an\u00e1lise \"Correlation\" (Correla\u00e7\u00e3o), escolha a correla\u00e7\u00e3o de Pearson, e o software gerar\u00e1 o coeficiente de correla\u00e7\u00e3o junto com um gr\u00e1fico de dispers\u00e3o visual.<\/li>\n<\/ul>\n\n\n\n<p>Essas ferramentas n\u00e3o apenas calculam o coeficiente de correla\u00e7\u00e3o de Pearson, mas tamb\u00e9m fornecem resultados gr\u00e1ficos, valores de p e outras medidas estat\u00edsticas que ajudam a interpretar os dados. Entender como usar essas ferramentas permite uma an\u00e1lise de correla\u00e7\u00e3o eficiente e precisa, essencial para pesquisas e tomadas de decis\u00e3o baseadas em dados.<\/p>\n\n\n\n<p><a href=\"https:\/\/mindthegraph.com\/blog\/infographic-and-visual-design-statistics\/\">Aqui voc\u00ea encontra estat\u00edsticas de infogr\u00e1ficos e design visual<\/a>&nbsp;<\/p>\n\n\n\n<h3><strong>Dicas pr\u00e1ticas para usar a correla\u00e7\u00e3o de Pearson<\/strong><\/h3>\n\n\n\n<p><strong>Prepara\u00e7\u00e3o de dados e verifica\u00e7\u00f5es antes de calcular a correla\u00e7\u00e3o:<\/strong><\/p>\n\n\n\n<p><strong>Garantir a qualidade dos dados:<\/strong> Verifique se seus dados s\u00e3o precisos e completos. Verifique e resolva quaisquer valores ausentes, pois eles podem distorcer os resultados. Dados incompletos podem levar a coeficientes de correla\u00e7\u00e3o incorretos ou interpreta\u00e7\u00f5es enganosas.<\/p>\n\n\n\n<p><strong>Verifique a linearidade:<\/strong> A correla\u00e7\u00e3o de Pearson mede as rela\u00e7\u00f5es lineares. Antes do c\u00e1lculo, plote seus dados usando um gr\u00e1fico de dispers\u00e3o para avaliar visualmente se a rela\u00e7\u00e3o entre as vari\u00e1veis \u00e9 linear. Se os dados mostrarem um padr\u00e3o n\u00e3o linear, considere m\u00e9todos alternativos, como a correla\u00e7\u00e3o de classifica\u00e7\u00e3o de Spearman ou a regress\u00e3o n\u00e3o linear.<\/p>\n\n\n\n<p><strong>Verificar a normalidade:<\/strong> A correla\u00e7\u00e3o de Pearson pressup\u00f5e que os dados de cada vari\u00e1vel sejam aproximadamente distribu\u00eddos normalmente. Embora seja um pouco resistente a desvios da normalidade, desvios significativos podem afetar a confiabilidade dos resultados. Use histogramas ou testes de normalidade para verificar a distribui\u00e7\u00e3o de seus dados.<\/p>\n\n\n\n<p><strong>Padronizar dados:<\/strong> Se as vari\u00e1veis forem medidas em unidades ou escalas diferentes, considere padroniz\u00e1-las. Essa etapa garante que a compara\u00e7\u00e3o n\u00e3o seja influenciada pela escala de medi\u00e7\u00e3o, embora a pr\u00f3pria correla\u00e7\u00e3o de Pearson seja invari\u00e1vel em termos de escala.<\/p>\n\n\n\n<p><strong>Erros comuns a serem evitados ao interpretar os resultados:<\/strong><\/p>\n\n\n\n<p><strong>Superestimando a for\u00e7a:<\/strong> Um coeficiente de correla\u00e7\u00e3o de Pearson alto n\u00e3o implica em causalidade. A correla\u00e7\u00e3o mede apenas a for\u00e7a de uma rela\u00e7\u00e3o linear, n\u00e3o se uma vari\u00e1vel causa altera\u00e7\u00f5es em outra. Evite tirar conclus\u00f5es precipitadas sobre a causalidade com base apenas na correla\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>Ignorando exce\u00e7\u00f5es:<\/strong> Os outliers podem influenciar desproporcionalmente o coeficiente de correla\u00e7\u00e3o de Pearson, levando a resultados enganosos. Identifique e avalie o impacto dos outliers em sua an\u00e1lise. \u00c0s vezes, a remo\u00e7\u00e3o ou o ajuste de outliers pode fornecer uma imagem mais clara da rela\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>Interpreta\u00e7\u00e3o err\u00f4nea da correla\u00e7\u00e3o zero:<\/strong> Uma correla\u00e7\u00e3o de Pearson igual a zero indica que n\u00e3o h\u00e1 rela\u00e7\u00e3o linear, mas n\u00e3o significa que n\u00e3o h\u00e1 rela\u00e7\u00e3o alguma. As vari\u00e1veis ainda podem estar relacionadas de forma n\u00e3o linear, portanto, considere outros m\u00e9todos estat\u00edsticos se suspeitar de uma associa\u00e7\u00e3o n\u00e3o linear.<\/p>\n\n\n\n<p><strong>Confundindo correla\u00e7\u00e3o com causalidade:<\/strong> Lembre-se de que a correla\u00e7\u00e3o n\u00e3o implica em causalidade. Duas vari\u00e1veis podem estar correlacionadas devido \u00e0 influ\u00eancia de uma terceira vari\u00e1vel n\u00e3o observada. Sempre considere o contexto mais amplo e use m\u00e9todos adicionais para explorar poss\u00edveis rela\u00e7\u00f5es causais.<\/p>\n\n\n\n<p><strong>Negligenciar o tamanho da amostra:<\/strong> Tamanhos de amostra pequenos podem levar a estimativas de correla\u00e7\u00e3o inst\u00e1veis e n\u00e3o confi\u00e1veis. Certifique-se de que o tamanho da amostra seja suficiente para fornecer uma medida confi\u00e1vel da correla\u00e7\u00e3o. Amostras maiores geralmente fornecem coeficientes de correla\u00e7\u00e3o mais precisos e est\u00e1veis.<\/p>\n\n\n\n<h2><strong>Principais conclus\u00f5es e considera\u00e7\u00f5es<\/strong><\/h2>\n\n\n\n<p>A correla\u00e7\u00e3o de Pearson \u00e9 uma ferramenta estat\u00edstica fundamental usada para medir a for\u00e7a e a dire\u00e7\u00e3o das rela\u00e7\u00f5es lineares entre duas vari\u00e1veis cont\u00ednuas. Ela fornece percep\u00e7\u00f5es valiosas em v\u00e1rios campos, desde a pesquisa at\u00e9 a vida cotidiana, ajudando a identificar e quantificar as rela\u00e7\u00f5es nos dados. A compreens\u00e3o de como calcular e interpretar corretamente a correla\u00e7\u00e3o de Pearson permite que pesquisadores e indiv\u00edduos tomem decis\u00f5es informadas com base na for\u00e7a das associa\u00e7\u00f5es entre vari\u00e1veis.<\/p>\n\n\n\n<p>No entanto, \u00e9 fundamental reconhecer suas limita\u00e7\u00f5es, principalmente o foco em rela\u00e7\u00f5es lineares e a sensibilidade a valores discrepantes. A prepara\u00e7\u00e3o adequada dos dados e a preven\u00e7\u00e3o de armadilhas comuns - como confundir correla\u00e7\u00e3o com causalidade - s\u00e3o essenciais para uma an\u00e1lise precisa. O uso adequado da correla\u00e7\u00e3o de Pearson e a considera\u00e7\u00e3o de suas restri\u00e7\u00f5es permitem que voc\u00ea aproveite efetivamente essa ferramenta para obter percep\u00e7\u00f5es significativas e tomar decis\u00f5es melhores.<\/p>\n\n\n\n<h2><strong>Navegue por mais de 75.000 ilustra\u00e7\u00f5es cientificamente precisas em mais de 80 campos populares<\/strong><\/h2>\n\n\n\n<p><a href=\"https:\/\/mindthegraph.com\/\">Mind the Graph <\/a>\u00e9 uma ferramenta poderosa criada para ajudar os cientistas a comunicar visualmente resultados de pesquisas complexas. Com acesso a mais de 75.000 ilustra\u00e7\u00f5es cientificamente precisas em mais de 80 campos populares, os pesquisadores podem encontrar facilmente elementos visuais que aprimoram suas apresenta\u00e7\u00f5es, artigos e relat\u00f3rios. A ampla variedade de ilustra\u00e7\u00f5es da plataforma garante que os cientistas possam criar visuais claros e envolventes, adaptados \u00e0 sua \u00e1rea espec\u00edfica de estudo, seja em biologia, qu\u00edmica, medicina ou outras disciplinas. Essa vasta biblioteca n\u00e3o apenas economiza tempo, mas tamb\u00e9m permite uma comunica\u00e7\u00e3o mais eficaz dos dados, tornando as informa\u00e7\u00f5es cient\u00edficas acess\u00edveis e compreens\u00edveis tanto para especialistas quanto para o p\u00fablico em geral.<\/p>\n\n\n\n<div class=\"is-layout-flex wp-block-buttons\">\n<div class=\"wp-block-button aligncenter\"><a class=\"wp-block-button__link has-background wp-element-button\" href=\"https:\/\/mindthegraph.com\/science-figures\/?utm_source=blog&amp;utm_medium=cta-final&amp;utm_campaign=conversion\" style=\"background-color:#7833ff\"><strong>Registre-se gratuitamente<\/strong><\/a><\/div>\n<\/div>\n\n\n\n<div style=\"height:46px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" loading=\"lazy\" width=\"1362\" height=\"900\" src=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/09\/mtg-80-plus-fields.gif\" alt=\"&quot;GIF animado mostrando mais de 80 campos cient\u00edficos dispon\u00edveis no Mind the Graph, incluindo biologia, qu\u00edmica, f\u00edsica e medicina, ilustrando a versatilidade da plataforma para pesquisadores.&quot;\" class=\"wp-image-29586\"\/><figcaption class=\"wp-element-caption\">GIF animado mostrando a ampla gama de campos cient\u00edficos cobertos pelo Mind the Graph.<\/figcaption><\/figure>","protected":false},"excerpt":{"rendered":"<p>Compreender os pontos principais sobre a correla\u00e7\u00e3o de Pearson e sua aplicabilidade em v\u00e1rias situa\u00e7\u00f5es.<\/p>","protected":false},"author":35,"featured_media":55630,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[961,977,28],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v19.9 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog<\/title>\n<meta name=\"description\" content=\"Understand the key points about Pearson correlation and its applicability in various situations.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/mindthegraph.com\/blog\/pt\/pearson-correlation\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog\" \/>\n<meta property=\"og:description\" content=\"Understand the key points about Pearson correlation and its applicability in various situations.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/mindthegraph.com\/blog\/pt\/pearson-correlation\/\" \/>\n<meta property=\"og:site_name\" content=\"Mind the Graph Blog\" \/>\n<meta property=\"article:published_time\" content=\"2024-10-21T15:45:05+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-10-21T15:45:07+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson_correlation.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1123\" \/>\n\t<meta property=\"og:image:height\" content=\"612\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Ang\u00e9lica Salom\u00e3o\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ang\u00e9lica Salom\u00e3o\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. tempo de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"13 minutos\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog","description":"Understand the key points about Pearson correlation and its applicability in various situations.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/mindthegraph.com\/blog\/pt\/pearson-correlation\/","og_locale":"pt_BR","og_type":"article","og_title":"Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog","og_description":"Understand the key points about Pearson correlation and its applicability in various situations.","og_url":"https:\/\/mindthegraph.com\/blog\/pt\/pearson-correlation\/","og_site_name":"Mind the Graph Blog","article_published_time":"2024-10-21T15:45:05+00:00","article_modified_time":"2024-10-21T15:45:07+00:00","og_image":[{"width":1123,"height":612,"url":"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson_correlation.png","type":"image\/png"}],"author":"Ang\u00e9lica Salom\u00e3o","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Ang\u00e9lica Salom\u00e3o","Est. tempo de leitura":"13 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/mindthegraph.com\/blog\/pearson-correlation\/","url":"https:\/\/mindthegraph.com\/blog\/pearson-correlation\/","name":"Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog","isPartOf":{"@id":"https:\/\/mindthegraph.com\/blog\/#website"},"datePublished":"2024-10-21T15:45:05+00:00","dateModified":"2024-10-21T15:45:07+00:00","author":{"@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/542e3620319366708346388407c01c0a"},"description":"Understand the key points about Pearson correlation and its applicability in various situations.","breadcrumb":{"@id":"https:\/\/mindthegraph.com\/blog\/pearson-correlation\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/mindthegraph.com\/blog\/pearson-correlation\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/mindthegraph.com\/blog\/pearson-correlation\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/mindthegraph.com\/blog\/"},{"@type":"ListItem","position":2,"name":"Pearson Correlation: Understanding the Math Behind Relationships"}]},{"@type":"WebSite","@id":"https:\/\/mindthegraph.com\/blog\/#website","url":"https:\/\/mindthegraph.com\/blog\/","name":"Mind the Graph Blog","description":"Your science can be beautiful!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/mindthegraph.com\/blog\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"pt-BR"},{"@type":"Person","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/542e3620319366708346388407c01c0a","name":"Ang\u00e9lica Salom\u00e3o","image":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/a59218eda57fb51e0d7aea836e593cd1?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/a59218eda57fb51e0d7aea836e593cd1?s=96&d=mm&r=g","caption":"Ang\u00e9lica Salom\u00e3o"},"url":"https:\/\/mindthegraph.com\/blog\/pt\/author\/angelica\/"}]}},"_links":{"self":[{"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/posts\/55628"}],"collection":[{"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/users\/35"}],"replies":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/comments?post=55628"}],"version-history":[{"count":4,"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/posts\/55628\/revisions"}],"predecessor-version":[{"id":55636,"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/posts\/55628\/revisions\/55636"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/media\/55630"}],"wp:attachment":[{"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/media?parent=55628"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/categories?post=55628"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/pt\/wp-json\/wp\/v2\/tags?post=55628"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}