Buscar

Introdução à Estatística

Prévia do material em texto

Autor: Prof. Mauricio Martins do Fanno
Colaboradores: Prof. Flávio Celso Müller Martin
 Prof. Fábio Gomes da Silva
 Profa. Ana Carolina Bueno Borges
Estatística
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Professor conteudista: Mauricio Martins do Fanno
Nascido em São Paulo‑SP, é formado em Engenharia Mecânica pela Faculdade de Engenharia Industrial (FEI) e 
pós‑graduado em Formação Didática do Ensino Superior. Desempenhou funções de gerente e diretor em diversas 
empresas nacionais, nas áreas de Engenharia, Manutenção e Produção. É professor do Ensino Superior desde 1986, 
atuando em diversas faculdades e universidades, lecionando disciplinas voltadas para a formação de administradores, 
tanto na área da Matemática quanto na de Administração. Na UNIP, ministra aulas desde 1993, nas disciplinas de 
Estatística, Administração da Produção e Materiais e Pesquisa Operacional.
© Todos os direitos reservados. Nenhuma parte desta obra pode ser reproduzida ou transmitida por qualquer forma e/ou 
quaisquer meios (eletrônico, incluindo fotocópia e gravação) ou arquivada em qualquer sistema ou banco de dados sem 
permissão escrita da Universidade Paulista.
Dados Internacionais de Catalogação na Publicação (CIP)
F213e Fanno, Maurício Martins do.
Estatística. / Maurício Martins do Fanno. – São Paulo: Editora 
Sol, 2014.
128 p., il.
Nota: este volume está publicado nos Cadernos de Estudos e 
Pesquisas da UNIP, Série Didática, ano XIX, n. 2‑012/14, ISSN 1517‑9230.
1. Processos estatísticos. 2. Medidas estatísticas. 3. Teorias das 
probabilidades. I. Título.
CDU 519.2
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
CENTRO UNIVERSITÁRIO PLANALTO DO DISTRITO FEDERAL – UNIPLAN
Reitoria
Reitor: Prof. Yugo Okida
Vice-Reitor: Prof. Fábio Nogueira Carlucci
Pró-Reitor Acadêmico: Prof. Humberto Venderlino Richter
Pró-Reitor Adminstrativo: Prof. Robson do Nascimento
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Sumário
Estatística
APRESENTAÇÃO ......................................................................................................................................................7
INTRODUÇÃO ...........................................................................................................................................................8
Unidade I
1 ANÁLISE EXPLORATÓRIA DE DADOS ....................................................................................................... 13
1.1 Dados e variáveis estatísticas .......................................................................................................... 13
1.2 Classificações das variáveis .............................................................................................................. 15
1.3 Amostragem ........................................................................................................................................... 17
2 PROCESSOS ESTATÍSTICOS ........................................................................................................................... 20
2.1 Coletas de dados ................................................................................................................................... 21
3 REPRESENTAÇÃO DOS DADOS COLETADOS ......................................................................................... 23
3.1 Conceito de frequência ...................................................................................................................... 23
3.2 Distribuições ou tabelas de frequências ..................................................................................... 24
3.2.1 Dados isolados ou dados não agrupados em classes ............................................................. 24
3.2.2 Dados agrupados em classes ............................................................................................................ 27
3.3 Frequências acumuladas ................................................................................................................... 31
4 REPRESENTAÇÕES GRÁFICAS ..................................................................................................................... 34
4.1 Histogramas ............................................................................................................................................ 35
4.2 Gráficos de colunas ............................................................................................................................. 36
4.3 Gráficos de barras ................................................................................................................................ 37
4.4 Diagramas de ogiva ............................................................................................................................. 39
4.5 Setorgramas............................................................................................................................................ 43
4.6 Gráficos de dispersão .......................................................................................................................... 46
Unidade II
5 MEDIDAS OU PARÂMETROS ESTATÍSTICOS .......................................................................................... 54
5.1 Medidas de posição ............................................................................................................................. 54
5.1.1 Média ........................................................................................................................................................... 54
5.1.2 Mediana ..................................................................................................................................................... 60
5.1.3 Moda ............................................................................................................................................................ 66
5.2 Medidas de dispersão ......................................................................................................................... 72
5.2.1 Medidas de dispersão absolutas ...................................................................................................... 73
5.2.2 Medidas de dispersão relativas ........................................................................................................ 83
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
6 RELAÇÕES GRÁFICAS ENTRE AS MEDIDAS ESTATÍSTICAS .............................................................. 86
6.1 Assimetria ................................................................................................................................................ 876.2 Curtose ..................................................................................................................................................... 88
7 TEORIA ELEMENTAR DAS PROBABILIDADES ........................................................................................ 92
7.1 Definições de probabilidades ........................................................................................................... 92
7.2 Cálculos das probabilidades elementares ................................................................................... 94
7.3 Árvores de decisões ............................................................................................................................. 96
7.4 Análises combinatórias ...................................................................................................................... 98
7.5 Experimentos aproximadamente aleatórios ............................................................................103
7.6 Eventos soma e Eventos produto ................................................................................................105
7.7 Eventos independentes e eventos vinculados ........................................................................108
8 REVISÃO TEÓRICA DOS CONCEITOS ESTUDADOS ............................................................................110
7
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
APRESENTAÇÃO
O administrador de empresas tem como uma das suas mais importantes funções, se não for a mais 
importante, tomar decisões. O ideal é que essas decisões sejam tomadas da maneira mais racional 
possível, com a maior quantidade de informações objetivas que conseguir. Evidentemente nem sempre 
isso será possível. Administrar, normalmente, é trafegar num ambiente cambiante, que a cada momento 
apresenta características diferentes. A Estatística, no entanto, colabora de maneira decisiva para 
aumentar, a custos razoáveis, o grau de objetividade das decisões que tomamos ao longo da nossa vida 
profissional.
Em qualquer atividade humana – e a Administração não é exceção–, lidamos com situações, com 
problemas, com questões que apresentam algum grau de incerteza, algum grau de imprevisibilidade. 
Evidentemente em profissões como Engenharia o grau de imprevisibilidade é muito menor do que em 
Administração, por exemplo, mas também ocorre. Lidar com essas imprevisibilidades é a função mais 
central da Estatística.
Imagine por um instante que necessitamos tomar uma decisão administrativa. Por exemplo, em que 
tipo de aplicação investir o capital da nossa empresa, ou qual o melhor processo de fabricação do nosso 
produto, ou, ainda, qual a melhor mídia para a campanha publicitária de lançamento de um novo produto? 
Perceba como essas decisões estão submetidas a incertezas: não podemos “adivinhar” a valorização exata 
de uma aplicação, nem a produtividade real de um processo e menos ainda a efetividade de uma campanha 
publicitária, mas, se tivermos informações históricas de ocorrências similares anteriores, nós poderemos 
decidir com um maior grau de confiança. Além disso, no caso de podermos saber até que ponto essas 
ocorrências anteriores permanecem válidas, melhores ainda serão nossas decisões.
A Estatística vai nos ajudar nessas questões, primeiro coletando, organizando e “digerindo” as 
informações históricas para, em seguida, extrapolar essas conclusões para situações futuras, para novos 
cenários, para novos ambientes, permitindo que o administrador pise em chão mais firme.
Nosso curso foi montado exatamente considerando esse conceito. Primeiramente, nesta disciplina, 
Estatística, iremos estudar o manuseio dos dados históricos em seus diversos ângulos. No futuro, na 
disciplina Estatística Aplicada, nós veremos como esses estudos podem ser generalizados para outras 
situações futuras ou em ambientes diferentes.
Uma situação que todos nós acompanhamos ciclicamente pode nos ajudar a entender o objetivo 
deste curso e mesmo da disciplina Estatística. A cada dois anos, acompanhamos com interesse as eleições 
para os diversos casos públicos. Quatro ou cinco meses antes da eleição, já desejamos saber quem será 
o próximo Presidente da República, por exemplo. Claro está que isso não é, objetivamente falando, 
possível antes que a eleição se consubstancie na data estabelecida, mas conseguimos nos aproximar 
muito dos resultados por meio do processo conhecido como pesquisa eleitoral.
Como é feita essa pesquisa? Primeiro é escolhido um pequeno grupo de eleitores, algumas vezes, 
menos de mil pessoas. A esses eleitores, pergunta‑se em quem votariam se a eleição fosse naquele 
momento. As respostas coletas são organizadas e trabalhadas, e a partir desse trabalho os jornais e 
8
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
as revistas publicam previsões do resultado da eleição. Obviamente esse resultado não é exato nem 
imutável, mas nos dá uma boa ideia de como evolui a campanha eleitoral.
Esse processo é exatamente o que pretendemos abordar neste curso. A partir de informações 
coletadas sobre determinado assunto, podemos prever o comportamento do ambiente, no futuro ou 
em outro contexto. Claro que sempre tendo em vista que, para nós, a Estatística é mais uma ferramenta 
para nosso uso como administradores.
O processo de coleta, organização e tratamento de dados históricos é conhecido por Estatística 
Descritiva e é o principal assunto deste livro‑texto, que é completado pelos conceitos de Probabilidades.
Terminados esses assuntos, estaremos aptos a entender o comportamento estatístico de amostras 
e iniciarmos os estudos da indução estatística, predizendo características de populações estatísticas, o 
que será feito na disciplina de Estatística Aplicada, objeto de um próximo livro‑texto.
Esperamos que, com este material, você tenha a oportunidade de aprender os conceitos básicos de 
Estatística e esteja apto a continuar os estudos nessa área quando necessário for.
Observe que este texto foi produzido para apresentar os principais conceitos de Estatística da 
maneira mais aproximada possível da prática administrativa, evitando‑se, portanto, aprofundamento 
desnecessário na área de cálculo; é indispensável, no entanto, uma base matemática já adquirida em 
disciplinas anteriores. Na medida do possível, procuramos rever os conceitos matemáticos necessários.
O estudo da Estatística, como o de todas as Ciências Exatas, obriga à repetição, o maior número de 
vezes possível, de exercícios de fixação. No presente material, os cálculos definidos são mostrados uma 
vez, como exemplo, e repetidos em alguns exercícios de fixação, mas o aluno deve se lembrar de que 
terá à disposição, nos materiais complementares, uma grande quantidade de exercícios e problemas, e 
de que o aprendizado somente será garantido caso estes sejam feitos em sua totalidade.
Bons estudos!
INTRODUÇÃO
O primeiro passo no nosso caminhar é entender o que é, como se divide e quais são os objetivos da 
Estatística, algo que faremos imediatamente.
Define‑se estatística como o conjunto de métodos e processos destinados a permitir o entendimento 
de um universo submetido a certas condições de incerteza, ou seja, de não determinismo matemático. Por 
exemplo, o dimensionamento do diâmetro das hastes do amortecedorde um automóvel é feito por meio 
de cálculos matemáticos de elevada precisão estudados num capítulo da Física chamado de “Resistência 
de Materiais”. No entanto, a vida útil desse amortecedor depende não só de seu dimensionamento, mas 
também de uma série de condições em que impera a incerteza, que pode, resumidamente, ser chamada de 
condições de uso. Neste último caso, entramos no campo da Estatística. De modo mais sintético, podemos 
dizer que a Estatística é a ciência que se ocupa de descrever, analisar e interpretar dados experimentais.
9
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Para entendermos melhor o processo estatístico, é necessário definir dois conceitos básicos: 
população e amostra. Considera‑se população o conjunto formado por todos os elementos que têm 
em comum a característica que estamos estudando. Por exemplo, se estivermos pesquisando sobre o 
aprendizado de música, a população será formada por todas as pessoas que aprendem ou aprenderam 
música em algum momento.
Deve‑se notar que a população estatística normalmente é muito numerosa, às vezes infinita e, 
eventualmente, formada por elementos ainda não existentes. Assim, quando quisermos saber qual é 
a expectativa de vida de um brasileiro, estaremos diante de uma população muito extensa (todos os 
brasileiros) e formada por elementos prováveis, visto que as pessoas que estão sendo estudadas ainda 
não morreram.
Em razão dessas características da população, o processo estatístico começa pelo estudo de uma 
amostra, que é uma parcela da população, mas uma parcela coerente com esta, ou seja, que segue 
todas as características dessa população. Assim, por exemplo, se determinada população tiver 62% de 
mulheres, as amostras tiradas desta deverão ter 62% de mulheres, se o sexo for fator importante no 
comportamento da característica estudada.
Uma amostra é finita e tem relativamente poucos elementos, de valores definidos. Desse modo, se 
quisermos definir a expectativa de vida de todos os brasileiros, tomaremos uma amostra finita de poucos 
brasileiros já falecidos. Assim, haveria poucos elementos a se estudar e de valor definido (a idade em que 
morreram). Deve‑se ressaltar que essa amostra retirada deve reproduzir todas as condições importantes 
para a duração da vida da população, tais como sexo, posição socioeconômica, educação etc.
Tanto os elementos das populações quanto os das amostras assumem valores para a característica 
que estamos estudando; por exemplo, a população formada pelos seguidores religiosos pode apresentar 
católicos, evangélicos, espíritas etc. Esses são alguns dos valores que a variável religião pode assumir. 
Assim, a característica da população ou da amostra que estamos estudando pode ser expressa de acordo 
com uma variável, que pode assumir diferentes valores. Podemos distinguir as variáveis em dois grupos:
• variáveis qualitativas: apresentam atributos como valor, por exemplo, cor de cabelos, opções 
sexuais, times de futebol etc.;
• variáveis quantitativas: apresentam valores numéricos, tais como peso e idade de pessoas, número 
de defeitos na produção de uma peça etc., podendo, ainda, ser divididas em duas categorias:
– discretas: são variáveis que podem apresentar apenas valores predeterminados em um conjunto, 
ou seja, não existirão valores intermediários (exemplos: número de filhos de um casal, número de 
defeitos numa linha de produção, quantidade de ações em alta numa bolsa de valores etc.); essas 
variáveis estão ligadas às contagens;
– contínuas: apresentam, teoricamente, qualquer valor dentro de um faixa possível (exemplos: 
pesos dos estudantes de uma faculdade, diâmetros dos eixos produzidos por certa máquina, 
índices de inflação em vários períodos etc.); essas variáveis estão ligadas às medições.
10
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Deve‑se notar que essa diferenciação entre variáveis discretas e contínuas pode ser tênue, em razão 
da quantidade de elementos envolvidos e da precisão de medida. Por exemplo: se medirmos o diâmetro 
de uma peça com paquímetro, iremos obter medidas em centésimos de milímetro, quer dizer, a medida 
de 18,56 mm, na verdade, é um valor entre 18,555 e 18,564; não é possível saber, a menos que troquemos 
o paquímetro por um micrômetro. Assim, a variável contínua diâmetro da peça comporta‑se como 
discreta após a precisão de centésimos de milímetro.
 Lembrete
Paquímetro e micrômetro são instrumentos de medição de precisão. 
A diferença operacional entre os dois é a precisão. O paquímetro é menos 
preciso que o micrômetro, ou seja, faz leituras mais “arredondadas”.
A existência dos conceitos de população e de amostra nos conduz à diferenciação entre dois campos 
da Estatística: a Estatística Descritiva e a Estatística Indutiva.
A Estatística Descritiva cuida da coleta, da organização, do resumo e da apresentação dos dados de 
um conjunto (no fundo, é um tratamento das variáveis estatísticas). Evidentemente, esse conjunto tem 
de ser finito e com elementos com valores definidos e determináveis, ou seja, uma amostra.
Já a Estatística Indutiva procura inferir comportamentos e respaldar decisões coerentes acerca de 
uma população, normalmente, com base em dados obtidos pela Estatística Descritiva de uma amostra.
 Observação
Inferir significa concluir, deduzir. Em estatística, o termo é utilizado 
como resultado do processo em que se prevê o comportamento de um 
experimento a partir de observações amostrais.
Vamos supor que queiramos determinar a expectativa de vida dos brasileiros. A população, 
evidentemente, é correspondente a todos os brasileiros vivos. Isso nos conduz a dois entraves: a 
quantidade de elementos da população é muito grande, e os valores da variável idade de morte são 
prováveis não reais. A maneira de se contornar isso é por meio da amostragem: tomamos uma amostra 
(segundo regras estatísticas que veremos) que represente a população brasileira, ou seja, mesma divisão 
por sexos, classes sociais, regiões geográficas etc., e cujos elementos, já tendo falecido, permitam a 
coleta das idades de morte. Essa coleta, bem como todo o tratamento posterior da amostra, é feita 
mediante a Estatística Descritiva, e os resultados desse tratamento estatístico da amostra são estendidos 
à população inteira, por meio de ferramentas da Estatística Indutiva. Dessa forma, podemos determinar 
a expectativa de vida de todos os brasileiros, com algumas ressalvas:
• a indução vale para a população como uma totalidade homogênea; não é possível aplicá‑la a um 
indivíduo específico;
11
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
• a previsão é de um valor provável, portanto sujeito a um erro estatístico, ou seja, a uma faixa de 
incerteza, determinada estatisticamente, em torno do resultado esperado; esse erro depende das 
condições da população e da amostra.
Quando tratamos de um resultado obtido para uma população, falamos em valor provável, e não 
num valor exato. Isso nos remete ao campo da Matemáticaque estuda a Teoria das Probabilidades.
O estudo da Teoria das Probabilidades, com os estudos da Estatística Descritiva e da amostragem, são 
as ferramentas necessárias para a utilização da Estatística Indutiva.
Neste livro‑texto de Estatística, trataremos da Estatística Descritiva e o estudo de probabilidades, 
ficando para o curso de Estatística Aplicada o estudo da Estatística Indutiva.
O curso de Estatística foi dividido em duas unidades. Na Unidade I, trataremos dos assuntos 
referentes à seleção e à coleta de dados, ponto de partida para qualquer estudo estatístico. Em seguida, 
verificaremos como esses dados coletados são inicialmente tratados por meio da tabulação, do resumo 
e da representação dessas informações, tanto do ponto de vista gráfico quanto do analítico. A Unidade 
II trata dos parâmetros ou das medidas estatísticas. Primeiro, das medidas de posição, e em seguida, das 
medidas de dispersão. Essa unidade também abordará a Teoria Elementar das Probabilidades.
13
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
Unidade I
1 ANÁLISE EXPLORATÓRIA DE DADOS
Entende‑se por Estatística o conjunto de conceitos, técnicas e ferramentas destinados a organizar, 
descrever, analisar e interpretar dados. Dados são valores apresentados por um determinado fenômeno 
ou observação, por exemplo, as alturas dos alunos de uma classe, o salário dos funcionários de 
um departamento, o volume de vendas de uma empresa ou a cor dos olhos das modelos de uma 
agência. Esses dados são coletados em estado bruto e submetidos a sucessivos tratamentos, com 
vistas a organizá‑los, resumi‑los e analisá‑los. Neste primeiro momento iremos nos ater à coleta e à 
organização dos dados.
 Saiba mais
O site português <http://www.alea.pt> tem interessantes abordagens 
sobre a ciência estatística em linguagem fácil e precisa. Mediante jogos e 
desafios, você pode aprofundar seu conhecimento sobre o tema.
1.1 Dados e variáveis estatísticas
Entendemos como conjunto de dados o objeto de trabalho da Estatística. Esses dados são valores 
assumidos pelos elementos de um conjunto de indivíduos que apresentam em comum uma característica 
estudada. Caso você olhe à sua volta na empresa em que trabalha, verá uma grande quantidade de 
indivíduos, todos eles dotados de infinitas características, tais como cor dos olhos e dos cabelos, altura 
e peso, salário e idade, time de futebol do coração ou religião. Dessas infinitas características, estaremos 
atentos a uma delas, objeto do nosso estudo estatístico.
Digamos que estejamos, no momento, desejando entender como se comporta a remuneração dos 
funcionários dessa sua empresa. Iremos então coletar dados relativos a essa remuneração, ou seja, os 
salários. Salário, portanto, será a característica que estudaremos e que poderá assumir um determinado 
valor em uma faixa lógica.
Dizemos, assim, que, nesse referido estudo, salário é a variável estudada. Perceba que todos os 
funcionários da empresa têm uma série de outras características, mas a que nos interessa é o salário. As 
outras poderão ter importância para nós, mas não serão nossa variável de estudo. Coletar dados é obter 
os diversos valores que a variável estudada assume.
14
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
Outro fator importante a ser observado é a quantidade de elementos com que temos condição 
de trabalhar e a possibilidade ou não de medirmos seu valor. Dependendo dessas duas observações, 
deveremos utilizar ferramentas diferentes de organização e análise dos dados. Observe os seguintes 
exemplos, para tornarmos mais claro o raciocínio:
• Desejamos saber se os chefes de família das casas da rua em que moramos são mais ou menos 
altos em relação ao conjunto de brasileiros de modo geral. A primeira providência a se tomar seria 
medir todos os chefes de família, para obter os valores da variável estudada (altura). Perceba que, 
a não ser que moremos numa rua muito extensa, o processo de coleta de dados não será tão 
trabalhoso assim, principalmente pelo fato de que todos saberão responder a altura que têm.
• No entanto, caso desejemos saber se os chefes de família de todas as casas de nossa cidade são mais 
ou menos altos em relação aos brasileiros, passaremos a ter um primeiro inconveniente: a quantidade 
de elementos que deverão ser medidos. Mesmo que moremos numa cidade pequena, a quantidade 
de dados a serem coletados pode atingir facilmente a casa dos milhares. Perceba que o trabalho que 
teremos em levantar esses dados possivelmente não será compensado pela informação obtida.
• Em contrapartida, imagine a seguinte situação, em que desejamos saber se as crianças da nossa 
rua serão mais ou menos altas em relação às outras crianças brasileiras quando crescerem. Nesse 
caso, a quantidade de crianças não deve ser tão grande, mas, em compensação, não teremos 
como medi‑las no dia de hoje: elas ainda estão crescendo, portanto a altura delas quando adultas 
não é um valor definido, e sim provável.
Perceba, pelos exemplos anteriores, que, dependendo da situação, teremos dificuldades (ou 
facilidades) diferentes. Em Estatística, costumam‑se dividir as situações descritas em dois grandes 
campos: amostra e população.
Amostra é um conjunto que tem relativamente poucos elementos, e o valor da variável estudada 
para esses elementos é real e verificável. É o caso do primeiro item.
População é o conjunto que tem relativamente muitos elementos e/ou cujos valores da variável 
estudada não são reais e verificáveis, casos do segundo e do terceiro item.
Observe que, para configurarmos uma amostra, é necessário que a quantidade de elementos seja 
pequena e o valor seja real; caso contrário, nós estaremos configurando uma população. Situações 
envolvendo amostras terão tratamentos diferentes daquelas envolvendo populações.
 Lembrete
Usaremos em Estatística, várias vezes, as conjunções ou, significando 
alternativa, opção, e sua oposta e, significando obrigação, imposição. 
Assim, ou será usada quando tivermos opção entre duas ou mais 
situações, enquanto e será adotada quando tivermos obrigação de atender, 
simultaneamente, a duas ou mais situações.
15
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
É importante também notar que, quando falamos em quantidades grandes ou pequenas, estamos 
relativizando‑as, ou seja, trabalhar com mil elementos pode ser uma grande quantidade ou uma pequena 
quantidade, dependendo dos recursos (monetários, de tempo, de espaço etc.) disponíveis.
Exemplificando: suponha que queiramos levantar as idades de todos os alunos que estão cursando 
Estatística neste semestre. Caso nós tenhamos ao nosso dispor os cadastros dos alunos no sistema de 
informação da instituição, a quantidade de alunos será relativamente pequena, pois temos recursos 
suficientes, mas se tivermos de consultar um por um dos alunos, a quantidade será relativamente 
grande, pois não teremos recursos para tanto.
De modo geral, podemosdizer que informações envolvendo amostras são obtidas por meio da 
Estatística Descritiva, e aquelas envolvendo populações, por meio da Estatística Indutiva; e que, para 
conhecermos o comportamento estatístico das populações, retiramos delas amostras para estudo.
 Observação
Tanto as populações quanto as amostras são formadas por dados que 
podem ser primários ou secundários. Dados primários são aqueles coletados 
especificamente para o estudo que estamos fazendo. Dados secundários 
são colhidos para outra finalidade, mas são utilizados no nosso estudo.
1.2 Classificações das variáveis
Vimos anteriormente que entendemos por variável a característica envolvida em nosso estudo estatístico. 
Variáveis podem ser de vários tipos diferentes, os quais determinarão os estudos estatísticos possíveis.
Algumas variáveis expressam atributos ou qualidades dos indivíduos, por exemplo, religião, sexo, 
estado civil etc. São as chamadas variáveis qualitativas. Outras apresentam como resultado possíveis 
valores numéricos, por exemplo, número de filhos, altura, salário, idade etc. São as chamadas variáveis 
quantitativas.
As variáveis qualitativas podem ser divididas em duas categorias: variáveis qualitativas nominais, 
quando não é possível fazer nenhum tipo de ordenação, e variáveis qualitativas ordinais, quando 
alguma ordenação é possível. Podemos citar como exemplos as perguntas que seguem.
Ao questionarmos “Você pratica esportes?”, há duas respostas possíveis: sim e não. Trata‑se, 
portanto, de uma variável qualitativa nominal. Caso a pergunta fosse “Com que intensidade você pratica 
esportes?”, a resposta poderia ser: nenhuma, pequena, média ou grande. Estaríamos tratando de uma 
variável qualitativa ordinal.
As variáveis quantitativas, por seu lado, também podem apresentar duas categorias. As variáveis 
quantitativas discretas são aquelas em que os resultados formam um conjunto finito e previsível 
de números, enquanto as variáveis quantitativas contínuas apresentam como resultados todos os 
16
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
valores numéricos em um intervalo de números reais. A pergunta “Quantos irmãos você tem?” produz 
uma variável quantitativa discreta (0, 1, 2, 3...). Já a pergunta “Quanto você pesa?” gera uma variável 
quantitativa contínua (qualquer valor dentro de uma faixa lógica para um ser humano). Para simplificar, 
costumamos dizer que, quando contamos, estamos diante de uma variável quantitativa discreta, e, 
quando medimos, estamos diante de uma variável quantitativa contínua. Contamos o número de 
irmãos que temos e medimos nossa massa numa balança.
É importante observar que os estudos estatísticos apresentam quantidade de informação diferente 
para cada tipo de variável nesta sequência crescente: variáveis qualitativas nominais, variáveis 
qualitativas ordinais, variáveis quantitativas discretas e variáveis quantitativas contínuas. Desse modo, 
um estudo estatístico que utilize variáveis quantitativas contínuas nos trará muito mais informações 
que um estudo que utilize variáveis qualitativas nominais.
Um exemplo simples deixa mais clara essa ideia: suponha que uma instituição de ensino deseje 
avaliar seus docentes. Para tanto, irá arguir seus alunos, e essa arguição poderá ser feita de uma das 
formas a seguir:
• O desempenho do docente considerado é adequado? Respostas possíveis: sim e não. Estamos 
trabalhando, portanto, com uma variável qualitativa nominal.
• Classifique em Ruim, Regular, Bom ou Ótimo o desempenho do docente considerado. A variável 
continua qualitativa, mas tornou‑se ordinal. A quantidade e a qualidade das informações 
aumentaram.
• Atribua ao desempenho do docente considerado as notas 0, 1, 2, 3, 4 ou 5, sendo 0 para totalmente 
inadequado e 5 para totalmente adequado. A questão irá trabalhar com variável qualitativa 
discreta. Mais uma vez, aumentamos o “poder” da pesquisa.
• Numa escala de zero a cinco, avalie o desempenho do docente considerado. Você pode atribuir 
ao docente uma avaliação de 3,4, por exemplo; ou seja, estamos trabalhando com uma variável 
quantitativa continua, e essa é a forma que nos trará mais informações.
Exemplo de Aplicação
1. Considerando que as variáveis qualitativas se dividem em nominais (N) e ordinais (O) e que as 
variáveis quantitativas se dividem em discretas (D) e contínuas (C), assinale a alternativa que relaciona 
correta e respectivamente as seguintes variáveis estatísticas: número de defeitos numa linha de produção; 
tempo de casa dos funcionários de uma empresa; cores das camisetas de uma coleção de verão; vendas 
anuais em reais dos produtos de uma empresa; satisfação dos clientes com nossos serviços; bairro em 
que moramos:
A) C; C; N; C; O; N.
B) D; C; N; C; O; N.
17
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
C) D; C; N; N; O; N.
D) D; C; N; C; N; N.
E) C; C; N; C; O; N.
1.3 Amostragem
Abordamos anteriormente que amostra e população são tratadas de maneira diversa na Estatística 
e também que os elementos de um conjunto de indivíduos têm inúmeras características, uma das 
quais está sendo estudada e é chamada de variável. Falta falarmos das demais características desses 
elementos e de algumas relações entre populações e amostras.
Frequentemente, quando desejamos saber algo a respeito de uma população, utilizamos uma 
amostra como campo de estudo do fenômeno e expandimos (extrapolamos) as conclusões para a 
população. A situação mais conhecida e mais didática que podemos usar são as pesquisas eleitorais. 
Meses ou dias antes de uma eleição, desejamos saber (antever, prever ou predizer) o resultado 
dessa eleição. Isso é possível, com certa margem de erro, por meio de um processo conhecido como 
amostragem. Esse processo se inicia no planejamento da amostra, que deve reproduzir em pequena 
escala todas as características da população. A ideia é a mesma do enólogo (aquele que prova vinhos): 
ele não precisa beber uma garrafa inteira (ou um tonel) para dizer se o vinho é bom ou ruim; basta 
uma pequena dose, a amostra. Ocorre que o vinho é uma substância totalmente homogênea, todas 
as partes dele são idênticas. Já se fosse uma feijoada, não teríamos a mesma homogeneidade. A 
feijoada é heterogênea.
Isso significa que não podemos usar o mesmo princípio de amostragem do vinho para a feijoada? Não. 
Podemos usar sim, mas com alguns cuidados. Na amostra de feijoada que iremos provar, é necessário 
que todas as suas partes sejam representadas, ou seja, precisamos pegar um prato em que estejam 
representados todos os componentes da feijoada (linguiças, paio, toucinho etc.). É mais fácil definir a 
qualidade do vinho do que de uma feijoada, ou seja, termos maior margem de erro no teste da feijoada 
que no do vinho. Por quê? Justamente em razão da heterogeneidade da feijoada. Anote isso; voltaremos 
a esse assunto oportunamente.
No caso da pesquisa eleitoral, a situação é a mesma da feijoada. A população eleitoral (todos 
os eleitores inscritos em determinada região eleitoral) é heterogênea, logo a amostra retirada 
deverá representar essa heterogeneidade, naquilo que é importante para a definição do voto. 
Vamos exemplificar numericamente. Suponha que os dados da Tabela 1 representem algumas das 
características da populaçãode eleitores de uma determinada cidade na qual o próximo prefeito será 
eleito em novembro.
18
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
Tabela 1 – Características de uma cidade hipotética
Características da população Valores possíveis Porcentagem encontrada
Sexo
Feminino 48,2%
Masculino 51,8%
Idade
16 a 20 anos 12,3%
20 a 30 anos 24,6%
30 a 40 anos 26,9%
40 a 50 anos 15,8%
50 a 60 anos 14,6%
Acima de 60 anos 5,8%
Classe econômica
Classe A 8%
Classe B 22%
Classe C 43%
Classe D 27%
Time de futebol preferido
Arranca‑Toco FC 45%
EC Deixa que eu Chuto 32%
CA Asveissóbrio 23%
Quando fazemos uma pesquisa eleitoral, queremos saber em quem o leitor irá votar, ou seja, a 
característica que nos interessa é a intenção de voto. Portanto, a variável de uma pesquisa eleitoral é a 
intenção de voto. Mas essa não é a única característica com a qual iremos nos preocupar.
Sabemos por experiência anterior que, por exemplo, homens e mulheres têm comportamentos 
diferentes na hora de votar; em outras palavras, utilizam critérios diferentes para escolher suas preferências. 
Dessa forma, quando tomarmos uma amostra, precisaremos tomar cuidado com a quantidade de homens 
e mulheres que dela farão parte. Não podemos considerar uma amostra na qual só temos homens ou 
mulheres. Digamos que vamos fazer uma pesquisa eleitoral na cidade, a partir de uma amostra de mil 
eleitores. Essa amostra deverá ser formada por 482 homens (48,2% de 1.000) e por 518 mulheres (51,8% 
de 1000). Do mesmo modo nós devemos nos comportar com relação às outras características que têm 
importância na definição dos votos. Isso quer dizer que devemos manter a proporcionalidade de eleitores 
com relação à idade e à classe econômica, características que sabidamente influem na definição de voto. 
Caso não seja feito assim, introduziremos uma falha no nosso processo estatístico, um viés estatístico.
E a característica “time de futebol preferido”? Precisamos nos preocupar com ela? Evidentemente 
não. A preferência por um time de futebol não interfere na opção de voto (a não ser em casos muito 
especiais, dos quais a estatística não consegue se encarregar).
Podemos, portanto, dividir as características dos elementos de uma população ou de uma amostra 
em três categorias: a(s) características(s) estudada(s), chamada(s) variável(eis) estatística(s); as 
características principais, que definem a proporcionalidade das populações e suas amostras; e as 
características secundárias, que não interferem nos nossos estudos estatísticos. Assim, é possível 
assumir que, a partir de uma amostra corretamente estabelecida, é possível conhecer uma população, 
19
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
por maior que seja ou menos reais que sejam seus elementos. O princípio é o mesmo do enólogo. 
Conhecermos o todo por uma pequena parte.
Claro que esse conhecimento não será composto de certezas absolutas; deverá haver alguma 
incerteza; em outras palavras, certa tolerância com as nossas conclusões. Assim, se numa amostra 
colhida para uma pesquisa eleitoral for revelada a preferência de 46% pelo candidato A, poderemos 
afirmar que a população provavelmente também terá 46% de eleitores para esse candidato, mas isso 
não é uma certeza: pode haver alguma variação, para mais ou para menos.
Essa tolerância é chamada de margem de erro e depende basicamente de três fatores:
• grau de homogeneidade da população: quanto mais homogênea for uma população, menor será 
a margem de erro;
• tamanho da amostra tomada: quantidade de elementos da qual é composta; dessa forma, uma 
pesquisa com mil eleitores tem maior margem de erro do que uma feita com 5 mil eleitores;
• grau de confiabilidade com o qual queremos trabalhar: podemos optar por ter maior ou menor 
confiança nas respostas obtidas; quanto maior confiança quiser ter, maior será a margem de erro.
Exemplo de Aplicação
2. Com relação ao processo de amostragem, foram feitas as seguintes afirmações:
I – Para que se possa estender para a população os resultados obtidos numa amostra, é necessário 
que amostra e população sejam proporcionais, ou seja, tenham todas as características importantes 
dos elementos representadas proporcionalmente.
II – Sempre que se induz uma conclusão da amostra para a população, ela será provável, ou seja, 
dotada de uma margem de erro.
III – A margem de erro de um processo amostral depende do tamanho da população e da 
homogeneidade desta.
IV – É possível induzir o comportamento de uma amostra a partir do conhecimento que se tem da 
população.
Escolha entre as alternativas aquela que contém afirmativas incorretas:
A) I; II.
B) I; III.
C) I; IV.
20
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
D) Todas as afirmativas contêm erros.
E) Todas as afirmativas estão corretas.
2 PROCESSOS ESTATÍSTICOS
Utilizando os conceitos dos itens anteriores, podemos definir os passos do processo estatístico.
• Definir objeto de estudo, populações e amostras envolvidas. Planejar amostras de modo que 
representem corretamente, sem vieses, as populações de que foram retiradas.
• Coletar os dados amostrais, ou seja, medir a variável estatística de cada um dos elementos da 
amostra.
• Tabular e representar os dados colhidos na forma de tabelas e gráficos, que permitam visualizar 
de modo amigável as informações disponíveis.
• Cálculo dos parâmetros estatísticos. Esses parâmetros são medidas que “resumem” as informações 
coletadas de modo mais imediato.
• Indução de parâmetros amostrais em parâmetros populacionais ou vice‑versa. Consiste em fazer 
a relação entre populações e amostras, conforme descrito anteriormente.
Os primeiros passos constituem o campo da Estatística Descritiva, objeto de estudo deste livro‑texto. 
O último passo vale‑se dos anteriores e é o campo da estatística indutiva, assunto que veremos na 
disciplina Estatística Aplicada.
Passaremos a nos preocupar com cada um dos passos descritos, visando percorrer todo o processo 
estatístico.
 Saiba mais
O livro a seguir conta como a estatística transformou radicalmente 
os métodos de pesquisa na ciência, aumentando a credibilidade da 
investigação em diversos campos do saber. Ótima leitura para os iniciantes 
em Estatística:
SALSBURG, D. Uma senhora toma chá: como a Estatística revolucionou 
a ciência no século XX. Rio de Janeiro: Zahar, 2009.
21
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
2.1 Coletas de dados
A coleta de dados é uma operação típica de campo na qual identificamos os valores da variável 
estatística para todos os elementosde uma amostra previamente definida. Frequentemente, essa amostra 
tem seus elementos definidos por escolha aleatória, ou seja, sorteamos um elemento da população para 
fazer parte da amostra. Como exemplo, imagine que um pesquisador de campo precise entrevistar 
um eleitor com as seguintes características: mulher; classe econômica B; grau de instrução superior; 
idade entre 30 e 35 anos; moradora da zona leste. Essa tarefa que lhe foi confiada teria origem no 
planejamento da amostra feito de acordo com os conceitos vistos no item anterior.
Para cumprir sua tarefa, o pesquisador irá a um local em que mais provavelmente encontrará 
alguém nessas condições e, após algumas pré‑entrevistas, determinará um elemento com exatamente 
essas características. Esse elemento fará parte da amostra planejada e, para ele, o pesquisador fará as 
perguntas necessárias, por exemplo, em quem o entrevistado pretende votar.
As respostas dos elementos escolhidos para a amostra constituirão os dados brutos ou rol do estudo, 
ou seja, uma relação das respostas às questões sem nenhum tipo de ordenação, classificação ou elaboração.
A Tabela 2 exemplifica os dados brutos de uma pesquisa fictícia feita entre 42 alunos de uma 
universidade a respeito de alguns assuntos:
Tabela 2 – Dados brutos de uma amostra de alunos de uma universidade
Ordem Nome do aluno Estado civil
Curso em 
que está 
matriculado
Qualidade 
atribuída à 
instituição
Sexo
Idade 
em 
anos
Renda 
familiar
Número 
de DPs
1 Daiane Solteira Jornalismo Ótima F 19 R$ 3.220,00 2
2 Alberto Solteiro Administração Boa M 20 R$ 4.050,00 0
3 Rui Casado Direito Regular M 25 R$ 1.950,00 4
4 Carolina Casada Engenharia Ruim F 21 R$ 1.682,00 6
5 Joaquim Divorciado Marketing Péssima M 28 R$ 7.850,00 8
6 Rubens Solteiro Engenharia Ótima M 23 R$ 4.567,00 0
7 Jéssica Solteira Administração Boa F 20 R$ 10.567,00 0
8 Luis Carlos Solteiro Engenharia Regular M 20 R$ 2.687,00 2
9 Fernando Casado Direito Ótima M 27 R$ 3.654,00 1
10 Mayra Solteira Marketing Ruim F 19 R$ 956,00 1
11 Cristina Solteira Administração Boa F 18 R$ 1.350,00 0
12 Walter Casado Direito Péssima M 30 R$ 4.560,00 2
13 Leonardo Solteiro Jornalismo Boa M 34 R$ 5.892,00 3
14 Guilherme Divorciado Engenharia Regular M 29 R$ 7.652,00 5
15 Paula Solteira Administração Ruim F 20 R$ 1.950,00 5
16 Danilo Solteiro Marketing Boa M 20 R$ 1.386,00 2
17 Camila Solteira Administração Ótima F 20 R$ 6.560,00 2
22
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
18 Pedro Solteiro Direito Regular M 18 R$ 4.325,00 2
19 Vinicius Casado Administração Péssima M 26 R$ 1.956,00 1
20 José Solteiro Engenharia Boa M 24 R$ 2.654,00 3
21 Carlos Solteiro Administração Ótima M 23 R$ 1.965,00 0
22 Vanessa Solteira Administração Ruim F 22 R$ 3.654,00 0
23 Samanta Casada Jornalismo Boa F 21 R$ 2.987,00 0
24 Mauro Casado Administração Regular M 29 R$ 3.652,00 0
25 Mariana Solteira Engenharia Ruim F 23 R$ 1.978,00 0
26 Juliana Casada Administração Boa F 24 R$ 5.478,00 1
27 Arnaldo Solteiro Marketing Regular M 26 R$ 6.352,00 4
28 Marília Solteira Administração Péssima F 24 R$ 4.231,00 2
29 Neiva Solteira Administração Boa F 27 R$ 1.289,00 3
30 Roberto Solteiro Direito Regular M 23 R$ 2.987,00 4
31 Wilson Divorciado Administração Ótima M 28 R$ 3.645,00 5
32 Manoel Casado Direito Regular M 22 R$ 9.564,00 3
33 Marina Solteira Engenharia Boa F 21 R$ 6.523,00 4
34 Gustavo Solteiro Direito Ruim M 19 R$ 4.235,00 1
35 Maicon Solteiro Administração Ótima M 18 R$ 5.634,00 0
36 Ladyjane Casada Administração Péssima F 34 R$ 1.965,00 0
37 Maria Solteira Direito Boa F 36 R$ 1.932,00 1
38 Gabriel Solteiro Administração Regular M 27 R$ 1.002,00 0
39 Karina Solteira Jornalismo Ótima F 20 R$ 2.342,00 1
40 Diego Solteiro Direito Ruim M 21 R$ 2.569,00 2
41 Marcos Solteiro Engenharia Boa M 21 R$ 3.789,00 2
42 Valquíria Casada Administração Ruim F 29 R$ 4.675,00 3
Observe que as características arroladas na Tabela 2 são variáveis de diferentes tipos, como mostrado 
no quadro a seguir:
Quadro 1 – Variáveis, tipos e significados
Variável Significado Tipo de variável
Ordem É a sequência em que coletamos os dados. Relaciona a entrevista à ordem utilizada.
Variável qualitativa nominal. Constitui apenas 
um atributo qualitativo.
Nome do aluno O primeiro nome de cada um dos entrevistados.
Variável qualitativa nominal. Constitui apenas 
um atributo qualitativo.
Estado civil Estado civil do aluno. Variável qualitativa nominal. Constitui apenas um atributo qualitativo.
Curso em que está 
matriculado Curso ao qual o aluno pertence.
Variável qualitativa nominal. Constitui apenas 
um atributo qualitativo.
Qualidade atribuída à 
instituição
Qual é qualidade do curso percebida pelo 
aluno.
Variável qualitativa ordinal. Constitui apenas um 
atributo qualitativo que mostra intensidade.
Sexo M significa masculino; F significa feminino. Variável qualitativa nominal. Constitui apenas um atributo qualitativo.
23
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
Idade Quantos anos cada aluno tem.
Variável quantitativa contínua. Apesar de ser 
dada em anos, permitiria que fosse medida em 
valores fracionários (meses, dias, até horas).
Renda familiar Qual é a renda da família nuclear do aluno. Variável quantitativa continua. Medida em valores fracionários 
Número de DPs Quantas dependências o aluno tem para cursar.
Variável quantitativa discreta. Os valores são 
obrigatoriamente inteiros. Não existe “meia DP”.
A Tabela 2 relaciona uma grande quantidade de dados que dificilmente poderão ser entendidos se 
não forem agrupados, organizados, resumidos e apresentados de modo minimamente atraente.
As maneiras mais comuns de trabalharmos esses dados são o assunto do nosso próximo tópico.
3 REPRESENTAÇÃO DOS DADOS COLETADOS
Os dados brutos trazem toda a informação necessária para entendermos estatisticamente um 
determinado assunto, mas, como o próprio nome indica, a ausência de algum refinamento faz que 
não seja possível chegarmos a conclusões de qualidade. Para permitir essas conclusões e mesmo o 
entendimento das informações, devemos representar esses dados de uma forma mais imediata, seja 
analiticamente, por meio de quadros e tabelas, seja graficamente, aproveitando‑nos do impacto visual 
que os gráficos causam. Faremos isso com uma sequência de definições e procedimentos objetos 
deste tópico.
 Saiba mais
No Brasil, os dados necessários para relacionarmos populações e 
amostras são normalmente obtidos no Instituto Brasileiro de Geografia e 
Estatística (IBGE), cujo site é: <www.ibge.gov.br>. Experimente consultá‑lo.
3.1 Conceito de frequência
Trata‑se do número de vezes em que determinado valor (ou faixa de valores) se repete na amostra. 
Inicialmente, podemos citar:
• Frequência simples (fi): é o número de vezes em que determinado valor aparece, contado diretamente. 
O símbolo mencionado significa a frequência do iésimo valor, ou seja, de um determinado valor 
que será numerado em sequência. Desse modo, o primeiro valor terá a frequência f1, o segundo, 
a frequência f2 e assim por diante. Essa notação do iésimo termo será utilizada em todas as 
definições posteriores. A somatóriade todas as frequências gerará a frequência total (ft), que 
corresponderá, evidentemente, ao número total de elementos da amostra (N). A fórmula 
matemática envolvendo essas definições é:
24
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
f f ouN ft
i
n
i
i
n
i= =
= =
∑ ∑
1 1
• Frequência relativa (fri): é a frequência simples dividida pela frequência total, ou seja, é o “peso” que 
cada valor tem na amostra total. Pode ser apresentada em valor decimal ou em valor percentual. 
A somatória das frequências relativas de todos os valores é igual a 1 ou 100%.
f
f
f
ou f
f
fri
i
t
ri
i
t
= = ×% 100
Com essas duas definições, podemos começar a agrupar os dados coletados em tabelas mais 
resumidas; são as chamadas tabelas ou distribuições de frequências.
3.2 Distribuições ou tabelas de frequências
Trata‑se de um quadro que resume os valores da variável estudada na amostra, mediante o 
relacionamento do valor com sua frequência. Pode assumir dois formatos diferentes, conforme 
descrevemos a seguir.
3.2.1 Dados isolados ou dados não agrupados em classes
Esse formato é utilizado quando estamos trabalhando com variáveis qualitativas ou com variáveis 
quantitativas discretas. Os valores dos dados são tomados como foram colhidos, sem nenhum tipo de 
agrupamento, relacionados à sua frequência. Já que os valores são exatamente como foram colhidos, 
não há perda de precisão. O inconveniente é que pode ser gerada uma tabela de frequências com muitos 
dados, o que dificulta o tratamento estatístico. A Tabela 3 mostra alguns exemplos de distribuições de 
frequências desse tipo, produzidas a partir dos dados brutos constantes da Tabela 2. Essa tabela foi 
construída unicamente pela contagem e pelo relacionamento dos dados coletados. Assim, por exemplo, 
na tabela de frequências de estados civis os valores possíveis encontrados na Tabela 2 são: casados, 
divorciados e solteiros. Estes foram mostrados na tabela apenas em ordem alfabética. A frequência 
simples foi obtida pela simples contagem dos componentes de cada uma das categorias. A frequência 
total é a soma das frequências simples, e as frequências relativas, a divisão das frequências simples 
pela frequência total. Assim, existem 11 alunos casados num total de 42 alunos, o que significa uma 
frequência relativa de:
f
f
f
ou f
f
fri
i
t
ri
i
t
= = = = × = × =
11
42
0 262 100
11
42
100 26 2, , %%
Raciocínio semelhante foi feito para as demais variáveis qualitativas e quantitativas discretas, como 
se vê na tabela que segue.
25
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
Tabela 3 – Distribuição de frequências – Dados não agrupados
Distribuição de frequências – Estados civis
Estado civil Frequência simples
Frequências relativas
Decimal Percentual
xi fi fri fri%
Casados 11 0,262 26,2%
Divorciados 3 0,071 7,1%
Solteiros 28 0,667 66,7%
Total ft 42 1,000 100,0%
Distribuição de frequências – Cursos com matriculados
Cursos com matriculados Frequência simples
Frequências relativas
Decimal Percentual
xi fi fri fri%
Administração 17 0,405 40,5%
Direito 9 0,214 21,4%
Engenharia 8 0,190 19,0%
Jornalismo 4 0,095 9,5%
Marketing 4 0,095 9,5%
Total ft 42 1,000 100,0%
Distribuição de frequências – Número de dependências
Número de dependências Frequência simples
Frequências relativas
Decimal Percentual
xi fi fri fri%
0 12 0,286 28,6%
1 7 0,167 16,7%
2 9 0,214 21,4%
3 5 0,119 11,9%
4 4 0,095 9,5%
5 3 0,071 7,1%
6 1 0,024 2,4%
8 1 0,024 2,4%
Total ft 42 1,000 100,0%
Distribuição de frequências – Sexo
Sexo Frequência simples
Frequências relativas
Decimal Percentual
xi fi fri fri%
Masculino 24 0,571 57,1%
Feminino 18 0,429 42,9%
Total ft 42 1,000 100,0%
Agrupamento dos dados brutos relacionados na Tabela 2
26
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
Exemplo de aplicação
3 (ENADE 2006 – Adaptado). A tabela a seguir mostra como se distribui o tipo de ocupação dos 
jovens de 16 a 24 anos que trabalham em cinco regiões metropolitanas e no Distrito Federal.
Tabela 4 – Distribuição dos jovens ocupados, de 16 a 24 anos, segundo posição 
na ocupação – Regiões metropolitanas e Distrito Federal – 2005 (em porcentagem)
Regiões 
metropolitanas 
e Distrito 
Federal
Assalariados Autônomos
Empregado 
doméstico OutrosTotal
Setor privado Setor público
Total
Trabalha 
para o 
público
Trabalha 
para 
empresasTotal
Com 
carteira 
assinada
Sem 
carteira 
assinada
Belo Horizonte 79,0 72,9 53,2 19,7 6,1 12,5 7,9 4,6 7,4 (1)
Distrito Federal 80,0 69,8 49,0 20,8 10,2 9,8 5,2 4,6 7,1 (1)
Porto Alegre 86,0 78,0 58,4 19,6 8,0 7,7 4,5 3,2 3,0 (1)
Recife 69,8 61,2 36,9 24,3 8,6 17,5 8,4 9,1 7,1 (1)
Salvador 71,6 64,5 39,8 24,7 7,1 18,6 14,3 4,3 7,2 (1)
São Paulo 80,4 76,9 49,3 27,6 3,5 11,3 4,0 7,4 5,3 (1)
Nota: (1) A amostra não comporta a desagregação para esta categoria.
Fonte: Convênio DIEESE/Seade, TEM/FAT e convênios regionais. PED – Pesquisa de Emprego e Desemprego. Elaboração: DIEESE.
Dessas regiões estudadas, afirma‑se que:
I – A região metropolitana que apresenta maior percentual de jovens sem carteira assinada é a de 
Recife.
II – A região metropolitana que apresenta menor percentual de jovens no setor público é a de São 
Paulo.
III – Salvador é a região metropolitana em que existe a maior relação de autônomos sobre assalariados.
IV – A maior quantidade percentual de jovens assalariados ocorre na região metropolitana de Porto 
Alegre.
Escolha entre as alternativas a seguir aquela que contém afirmativas incorretas:
A) I; II.
B) I; III.
C) I; IV.
27
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
D) Todas as afirmativas contêm erros.
E) Todas as afirmativas estão corretas.
3.2.2 Dados agrupados em classes
Esse formato é o indicado quando trabalhamos com variáveis quantitativas contínuas. Neste caso, os 
valores são agrupados por classes, o que reduz a quantidade de informações trabalhadas, mas provoca, 
consequentemente, uma perda de precisão.
A construção dessa tabela é mais trabalhosa que a anterior e se justifica pelo fato de que apresenta 
os dados de modo mais resumido. Caso não a utilizássemos, iríamos produzir uma tabela de frequências 
muito extensa, com excesso de valores diferentes, cada um deles com baixa frequência. Para construí‑la, 
necessitamos definir alguns conceitos e tomar algumas decisões.
A primeira providência é escolher o número de classes (n) em que iremos agrupar os dados. Devemos 
notar que, se utilizarmosmuitas classes, aumentaremos o trabalho no tratamento dos dados; se 
utilizarmos poucas, prejudicaremos a precisão das conclusões. Existem muitas recomendações diferentes 
para a adoção do número de classes; adotaremos a relação de Sturges:
n = 1 + 3,33 log N
Onde n é o número de classes recomendado e N é o número de total de elementos da nossa amostra. 
Lembre‑se de que:
N ft=
Na Tabela 1, temos uma amostra de 42 alunos; portanto, caso queiramos montar a tabela de frequências 
das rendas familiares deles (que é uma variável quantitativa contínua), deveremos usar sete classes:
n = 1 + 3,33 log 42 ⇒ n = 1 + 3,33 × 1,62 ⇒ n = 6,4
 Observação
Como não podemos usar 6,4 classes, optamos pelo valor inteiro mais 
próximo, acima ou abaixo. Nesse caso, decidimos usar sete classes porque, 
assim, teremos mais precisão do que com seis.
 Lembrete
Ao consultar obras sobre Estatística, você verá que a relação de Sturges 
é frequentemente substituída por outra recomendação. Como não existe 
28
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
uma razão matemática objetiva para esse cálculo, qualquer recomendação 
pode ser utilizada.
Essas sete classes devem abranger todos os valores do rol que está sendo estudado, desde o menor 
até o maior; assim, devemos determinar esses valores, que são chamados, respectivamente, de limite 
mínimo da distribuição (Lmin) e limite máximo da distribuição (Lmax).
Em tese, o valor do limite inferior da distribuição coincide com o valor inicial da primeira classe 
da tabela – esses valores iniciais de cada classe são chamados de limites inferiores de classe (lii) 
–, e o limite superior da distribuição coincide com o valor final da última classe da distribuição – 
esses valores finais de cada classe são chamados de limites superiores de classe (lsi). Na prática, 
pode ser necessário algum ajuste desses últimos dois valores para podermos trabalhar com dados 
arredondados.
Entre o limite superior e o limite inferior de cada classe, existe um intervalo chamado de intervalo 
de classe (h). Este deve ser determinado a partir da amplitude total (At), que é a diferença entre o maior 
e o menor valor do rol e do número de classes, mediante as seguintes fórmulas:
h
A
n
t
=
 
A L Lt max min= −
Desse modo, o limite superior de cada classe será o valor inferior dela mesma mais a amplitude de 
classe, ou seja:
ls li hi i= +
Observemos os 42 valores relacionados na Tabela 2, na coluna Renda Familiar. Iremos agrupá‑los em 
SETE classes, conforme os passos a seguir.
Podemos determinar o intervalo (ou a amplitude) de classes, desde que tenhamos a amplitude 
total; para tanto, precisamos determinar os valores máximos e mínimos da distribuição, que, no nosso 
exemplo, são, respectivamente:
L Rmax = $ . ,10 567 00
L Rmin = $ ,956 00
Logo, a amplitude total será:
A L L A A Rt max min t t= − => = − => = $ . ,10567 956 9 611 00
29
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
Consequentemente, a amplitude de cada classe será:
h
A
n
h h Rt= => = => =
9611
7
1 373 00$ . ,
 Observação
Nesse exemplo, a amplitude de classe é um valor exato dentro da 
quantidade de casas decimais utilizadas; se isso não ocorresse, seria 
necessário ajustar a amplitude total de modo que a amplitude de classe 
assumisse um valor exato. Assim, o limite superior da distribuição, o limite 
inferior ou ambos deveriam ser alterados para corresponderem à nova 
amplitude total, quando da montagem da tabela de frequências.
Definidos o número de classes e a amplitude de classe, podemos montar a tabela de frequências. O 
limite inferior da primeira classe coincide com o limite inferior da distribuição, e o limite da sétima (e 
última classe) coincide com o limite superior da distribuição (ressalvando o exposto no rodapé).
Os demais limites superiores de classe são obtidos somando‑se o limite inferior da classe com a 
amplitude da classe. O limite inferior de uma classe tem o mesmo valor do limite superior da classe 
inferior. Assim, o limite superior da primeira classe é dado por:
ls ls1 1956 1373 2329= + => =
Já o limite inferior da segunda classe é dado por:
li ls li2 1 2 2329= => =
Devemos definir também qual dos limites será aberto e qual será fechado, de modo que não haja 
possibilidade de algum valor ficar sem sua classe perfeitamente definida.
Entende‑se por limite fechado aquele que inclui o valor nominal, e por limite aberto aquele que não 
o inclui. Uma barra vertical indica o limite fechado, e sua ausência, o limite aberto. A simbologia para 
um e para outro é a seguinte:
|------- limite fechado (à esquerda)
------- limite aberto (tanto à direita quanto à esquerda)
Na Tabela 3, a primeira classe é limitada pelos valores 956 e 2329, sendo o valor 956 um limite 
fechado, e 2329, aberto. Isso quer dizer que o valor 956 está incluído nessa classe, e o 2329, na classe 
seguinte.
30
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
Podemos fixar de modo arbitrário os limites aberto ou fechado, desde que para cada valor exista 
uma e apenas uma classe possível.
Definidas as classes, procedemos à contagem dos elementos abrangidos por cada uma delas. O 
número de elementos encontrados em cada uma é a já definida frequência simples.
Tabela 5 – Distribuições de frequências – Dados agrupados
Renda familiar
Classe Limites de classes em R$ Contagem Frequência simples
Frequências relativas
Decimal Percentual
1 956 |‑‑‑‑‑ 2329 IIIII IIIII III 13 0,310 31,0%
2 2329 |‑‑‑‑‑ 3702 IIIII IIIII I 11 0,262 26,2%
3 3702 |‑‑‑‑‑ 5075 IIIII III 8 0,190 19,0%
4 5075 |‑‑‑‑‑ 6448 IIII 4 0,095 9,5%
5 6448 |‑‑‑‑‑ 7821 II 2 0,048 4,8%
6 7821 |‑‑‑‑‑ 9194 I 1 0,024 2,4%
7 9194 |‑‑‑‑‑ 10567 III 3 0,071 7,1%
Total ft 42 1,000 100,0%
Transformamos 42 informações em 7, o que nos poupará muito tempo e custo nos estudos 
estatísticos, além de nos permitir uma melhor visualização dos dados.
Exercício de aplicação 
4. Uma empresa relacionou, na tabela que segue, uma amostra dos valores líquidos pagos a quarenta 
de seus funcionários:
Tabela 6 – Salários dos trabalhadores da amostra
971 656 591 794 697
1.320 682 931 531 1.866
921 656 818 1.192 776
863 728 603 858 1.306
526 855 455 917 510
500 1.337 493 1.221 762
1.273 657 1.261 461 1.012
412 639 602 645 784
Baseando‑se nesses dados, fizeram‑se as seguintes afirmações:
I – O limite máximo da distribuição é R$ 1.866,00.
31
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
II – A amplitude da distribuição é R$ 1.544,00.
III – O limite mínimo da distribuição é R$ 412,00.IV – Considerando que esses valores sejam distribuídos em cinco classes, a amplitude de classe seria 
de R$ 380,80.
Analisando essas afirmativas, podemos dizer que:
A) Todas as afirmativas estão incorretas.
B) Existe uma afirmativa correta.
C) Existem duas afirmativas corretas.
D) Existem três afirmativas corretas.
E) Todas as afirmativas estão corretas.
3.3 Frequências acumuladas
Voltando aos dados da Tabela 2, poderiam surgir questões como:
• Quantos alunos têm idade superior a 23 anos?
• Quantos alunos têm renda familiar acima de R$ 5.000,00?
• Quantos alunos acham que a faculdade é acima de regular?
Essas questões são respondidas com as chamadas frequências acumuladas, que podem ser crescentes 
e decrescentes.
Assim, podemos conceituar e calcular as frequências acumuladas acima de (ou decrescentes) e as 
frequências acumuladas abaixo de (ou crescentes), respectivamente.
As frequências acumuladas acima de (ou decrescentes) correspondem à quantidade total de elementos 
que existem na amostra acima de dado valor. No caso de dados agrupados, a frequência acumulada 
acima de determinada classe é a somatória das frequências posteriores, incluindo a da própria classe. 
Desse modo, a frequência acumulada acima da primeira classe é a frequência total, a da segunda classe 
é a frequência total menos a frequência da primeira classe e assim por diante. A frequência acumulada 
acima da última classe é a frequência simples da própria classe.
Raciocínio oposto se faz para a frequência acumulada abaixo de (ou frequência crescente). 
Nesse caso, a frequência acumulada abaixo de uma classe (ou valor) é a somatória da quantidade de 
32
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
elementos de menor valor, incluído a frequência da própria classe. Assim, a frequência acumulada 
abaixo da primeira classe é a frequência dela mesma, a da segunda é a soma das frequências da 
primeira e da segunda classe e assim por diante. A frequência acumulada abaixo da última classe é a 
frequência total.
A Tabela 6 apresenta os cálculos feitos para a variável Quantidade de Dependências, e a Tabela 7, 
para a variável Idades, sempre a partir dos dados da Tabela 2.
Tabela 7 – Distribuição de frequências – Dados isolados – Número de dependências
Número de 
dependências
Frequência Frequências relativas Frequências acumuladas
simples Decimal Percentual
Acima de
ou
decrescente
Abaixo de
ou
crescente
xi fi fri fri% fac fac 
0 12 0,286 28,6% 12 42
1 7 0,167 16,7% 19 30
2 9 0,214 21,4% 28 23
3 5 0,119 11,9% 33 14
4 4 0,095 9,5% 37 9
5 3 0,071 7,1% 40 5
6 1 0,024 2,4% 41 2
8 1 0,024 2,4% 42 1
Total ft 42 1,000 100,0%
Tabela 8 – Distribuição de frequências – Dados agrupados – Idades
Classe
número
Limites de classes Frequência Frequências relativas Frequências acumuladas
em anos simples Decimal Percentual
Acima de
ou
decrescente
Abaixo de
ou
crescente
li ls fi fri fri% fac fac 
1 18 |‑‑‑‑‑ 21 13 0,310 31,0% 13 42
2 21 |‑‑‑‑‑ 24 11 0,262 26,2% 24 29
3 24 |‑‑‑‑‑ 27 6 0,143 14,3% 30 18
4 27 |‑‑‑‑‑ 30 8 0,190 19,0% 38 12
5 30 |‑‑‑‑‑ 33 1 0,024 2,4% 39 4
6 33 |‑‑‑‑‑ 36 3 0,071 7,1% 42 3
Total ft 42 1,000 100,0%
33
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
 Observação
Podemos definir as frequências relativas acumuladas seguindo os mesmos princípios descritos 
anteriormente, mas tomando como ponto de partida a frequência relativa, e não a frequência simples. 
O conceito de ambas é idêntico.
Exemplo de aplicação
5. A tabela a seguir relaciona a idade (em anos) de alunos de uma classe de calouros de uma 
universidade:
Tabela 9
Idades (anos) Número de alunos
17 4
18 8
19 38
20 47
21 45
22 38
23 18
24 8
A partir desses dados foram montadas as quatro tabelas que seguem:
Tabela 10
Idades (anos) Tabela I Idades (anos) Tabela II Idades (anos) Tabela III Idades (anos) Tabela IV
17 1,9% 17 4 17 206 17 4
18 3,9% 18 12 18 198 18 12
19 18,4% 19 50 19 160 19 50
20 21,8% 20 97 20 113 20 98
21 22,8% 21 142 21 68 21 142
22 18,4% 22 180 22 30 22 180
23 8,7% 23 197 23 12 23 197
24 3,9% 24 206 24 4 24 206
Sobre essas quatro tabelas, é incorreto afirmar:
A) A tabela I representa as frequências relativas, mas está incorretamente calculada.
34
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
Unidade I
B) A tabela II representa as frequências acumuladas abaixo de e está corretamente calculada.
C) A tabela III representa as frequências acumuladas acima de e está corretamente calculada.
D) A tabela IV representa as frequências acumuladas abaixo de e está corretamente calculada.
E) Duas das quatro tabelas têm erros de cálculo.
6. Uma empresa com muitos produtos em linha resumiu, no quadro a seguir, a quantidade de 
produtos alinhados pelo total de vendas anuais:
Tabela 11
Classes
Vendas anuais em reais Quantidade de produtos que apresentaram o valor de vendas
Limites Frequência simples
A 8500 |‑‑‑‑‑ 13800 15
B 13800 |‑‑‑‑‑ 19100 25
C 19100 |‑‑‑‑‑ 24400 43
D 24400 |‑‑‑‑‑ 29700 36
E 29700 |‑‑‑‑‑ 35000 23
F 35000 |‑‑‑‑‑ 40300 16
G 40300 |‑‑‑‑‑ 45600 10
Baseando‑se nessas informações, é incorreto afirmar:
A) A frequência simples da classe D é igual a 36, e a frequência relativa da classe G é 6,0%.
B) A frequência total é 168, e a frequência acumulada abaixo da classe C é 83.
C) A frequência acumulada acima da classe E é 49, e a frequência relativa da classe A é 8,9%.
D) A frequência acumulada acima da classe E é 142, e a frequência acumulada abaixo da classe B é 153.
E) A soma das frequências das classes A; B e C é igual a 49,4%.
4 REPRESENTAÇÕES GRÁFICAS
Os dados agrupados em tabelas de frequências mantêm basicamente a mesmas informações do 
rol, com a diferença de que são mais resumidos, mais fáceis de entender e mais impactantes. Ainda 
mais impactantes são os dados organizados e apresentados na forma de gráficos. A visualização da 
informação é normalmente um meio de comunicação mais eficaz dos que as tabelas e os quadros 
analíticos, apesar de que haverá sempre uma perda parcial das informações, que será largamente 
compensada pela concisão e pela facilidade de interpretação dos gráficos.
35
AD
M
 / 
CC
TB
 -
 R
ev
isã
o:
 Ju
lia
na
 M
ar
ia
 M
en
de
s -
 D
ia
gr
am
aç
ão
: L
uc
as
 M
an
sin
i -
 d
at
a 
13
/1
2/
20
13
 /
/ 
Ex
er
cí
ci
os
 -
 Ju
lia
na
 -
 D
ia
gr
am
aç
ão
: M
ár
ci
o 
- 
26
/1
2/
20
13
ESTATÍSTICA
Existe uma infinidade de gráficos diferentes, cada um adequando‑se a determinadas finalidades. 
Os recursos eletrônicos, em especial planilhas como o Excel®, tornaram mais simples a elaboração e 
mais atrativo o uso de informações gráficas. Essa enorme variedade pode, no entanto, ser agrupada em 
alguns tipos principais,

Continue navegando