A crescente complexidade dos estudos científicos em sanidade e produção animal exige o domínio de métodos estatísticos robustos, capazes de lidar com dados não convencionais, assimétricos, categóricos ou de pequena amostragem — características frequentemente observadas em estudos clínicos, zootécnicos e epidemiológicos. A Estatística Não-Paramétrica oferece um conjunto poderoso de ferramentas para analisar esses dados de forma rigorosa, sem a exigência de pressupostos de normalidade ou homogeneidade de variâncias, muitas vezes inviáveis na prática. Esse material visa não apenas consolidar os fundamentos dos testes não-paramétricos, mas também expandir a capacidade analítica dos pós-graduandos, introduzindo técnicas avançadas como análise de odds ratio, curvas ROC, regressão logística, análise de dados ordinais e interpretação do tamanho de efeito. Espera-se que o aluno seja capaz de aplicar os testes estatísticos mais apropriados ao seu problema de pesquisa, interpretar os resultados com criticidade e comunicar suas análises com precisão, contribuindo para a qualidade metodológica da produção científica na área.

Analyzed a 1,610-row lifestyle dataset (diet, exercise, and habits) to understand patterns linked to obesity. Built logistic regression models around physical activity, fast-food intake, and vegetable consumption, highlighting key lifestyle factors. Notably identified reverse causality effects and validated insights against the raw data.

IE5342 DOE Assignment 2

Analyzed 10 seasons (2014–2024) of NBA schedule data to measure the impact of travel and game density on team performance. Built interactive R visualizations (ggplotly, geosphere) to highlight back-to-backs, 4-in-6 stretches, and excessive travel periods. Designed a regression model to estimate wins gained or lost due to schedule factors, identifying the most advantaged and disadvantaged teams. Delivered a professional brief comparing Oklahoma City’s 2024–25 draft schedule with Denver’s, outlining key stretches and recovery strategies.

The accompanying R code generates a visualization of the Expected Value and Median as functions of p, using ggplot2 to plot both curves on the same graph. The results show that as p approaches 1, both statistics converge to 1 (success almost always occurs immediately), while for small p, the Expected Value grows rapidly like 1/p while the Median increases more moderately, reflecting the skewness of the distribution. Together, the blog and code provide both a mathematical derivation and a graphical interpretation that clarify how the mean and median behave under different probabilities.