Dica do autor: Saber o tipo da variável (qualitativa - nominal ou ordinal; quantitativa - discreta ou contínua) e como os seus valores se comportam (distribuição simétrica tipo normal ou assimétrica, presença de outliers, variância homogênea entre grupos) é o pulo do gato na hora de escolher a abordagem estatística. Testes paramétricos (ex.: t de Student, ANOVA, regressão linear) exigem variáveis quantitativas com distribuição aproximada da normalidade e pressupõem homogeneidade de variâncias; já os testes não paramétricos (ex.: Mann–Whitney, Kruskal–Wallis, testes de sinais) são menos exigentes quanto à forma da distribuição e atuam bem com dados ordinais ou quando há desvios claros da normalidade. Além disso, a natureza da variável determina a família de medidas que você pode usar (médias e desvios para contínuas, proporções para dicotômicas, razões de chances/risco para desfechos binários). Em resumo: entender tipo e distribuição é o que permite bater o olho e saber qual teste é adequado, garantir validade dos pressupostos e interpretar corretamente os resultados.

Alternativa A: INCORRETA. A definição do tamanho amostral depende principalmente do efeito que se espera detectar, da variabilidade da medida (desvio-padrão), do erro tipo I (alfa) e do poder desejado (1–beta). O tipo e a distribuição da variável influenciam indiretamente a amostragem porque afetam a estimativa da variância e a escolha do teste para o qual o cálculo foi feito, mas não são o fator determinante imediato. Ou seja: ajudam, mas não é a principal razão.

Alternativa B: CORRETA. Exatamente. A natureza da variável e a forma de sua distribuição orientam qual família de testes é adequada (paramétricos vs não paramétricos, testes para proporções vs médias, testes para dados emparelhados ou independentes, etc.) e determinam se os pressupostos do teste serão atendidos — ponto crucial para que o resultado seja válido e interpretável.

Alternativa C: INCORRETA. A amplitude dos intervalos de confiança depende basicamente do tamanho da amostra, da variabilidade dos dados e do nível de confiança escolhido. A distribuição entra na conta quando se usa aproximações paramétricas (por exemplo, IC para média baseado na distribuição normal/t), mas o fator primordial do comprimento do IC é variabilidade e n, não o tipo da variável em si.

Alternativa D: INCORRETA. O tipo da variável determina que medidas de efeito são apropriadas (diferença de médias para contínuas, risco relativo/odds ratio para binárias, razão de taxas para contagens), então há relação. Contudo, a afirmação dá a entender que o principal objetivo de conhecer distribuição/tipo é calcular a medida de efeito — o que não é correto: o objetivo central é escolher o teste e garantir pressupostos; a medida de efeito é consequência do desenho e do tipo de desfecho.

Alternativa E: INCORRETA. O valor preditivo positivo depende da sensibilidade, especificidade e da prevalência da doença na população testada. A natureza estatística das variáveis em si (tipo/distribuição) não é o fator determinante para o cálculo do VPP, portanto essa alternativa está equivocada.

Resposta: Alternativa B