Apostila - André Rocha

Prévia do material em texto

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE 
CENTRO DE CIÊNCIAS EXATAS E DA TERRA 
DEPARTAMENTO DE ESTATÍSTICA 
 
 
 
 
 
 
Elementos de Bioestatística 
 
 
 
 
 
 Professor: Msc. André Luiz Sena da Rocha 
 andre.rocha@ufersa.edu.br 
 
 
 
 
Natal / RN 
 
 
 
ÍNDICE 
 
UNIDADE I - ESTATÍSTICA DESCRITIVA ........................................ 1 
1.1 - NATUREZA E CAMPO DA ESTATÍSTICA ................................................................................... 1 
1.2 - O MÉTODO ESTATÍSTICO ........................................................................................................ 2 
1.3 - POPULAÇÃO, AMOSTRA E TIPOS DE VARIÁVEIS ..................................................................... 3 
1.4 - REPRESENTAÇÃO TABULAR .................................................................................................. 10 
1.4.1 - Distribuição de Frequências ............................................................................................ 11 
1.5 - REPRESENTAÇÃO GRÁFICA ......................................................................................... 19 
1.5.1 - Gráfico de Setores ........................................................................................................... 19 
1.5.2 - Gráfico de Colunas e Barras ............................................................................................ 20 
1.5.3 - Histograma e Polígono de Frequências ........................................................................... 21 
1.6 – MEDIDAS DE TENDÊNCIA CENTRAL ..................................................................................... 24 
1.6.1 - Média Aritmética ............................................................................................................. 24 
1.6.2 - Mediana ........................................................................................................................... 26 
1.6.3 - Moda ................................................................................................................................ 30 
1.6.4 – Separatrizes ..................................................................................................................... 33 
1.7 - MEDIDAS DE DISPERSÃO ....................................................................................................... 39 
1.7.1 – Variância ......................................................................................................................... 40 
1.7.2 - Desvio Padrão .................................................................................................................. 42 
1.7.3 - Coeficiente de Variação .................................................................................................. 44 
1.8 - ANÁLISE EXPLORATÓRIA DE DADOS .................................................................................... 45 
1.8.1 – Ramo-e-Fohas ................................................................................................................. 45 
1.8.2 - Esquema dos 5-Números ................................................................................................. 48 
1.8.3 - Box-Plot........................................................................................................................... 49 
 
 
 
 
 
 
 
 
 
UNIDADE II - PROBABILIDADE ........................................................ 52 
2.1 - EXPERIMENTOS ALEATÓRIOS ............................................................................................... 52 
2.2 - ESPAÇO AMOSTRAL ............................................................................................................... 53 
2.3 - EVENTOS ................................................................................................................................ 54 
2.4 - RESULTADOS EQUIPROVÁVEIS .............................................................................................. 57 
2.5 - FORMULAÇÃO AXIOMÁTICA DO CONCEITO DE PROBABILIDADE ........................................ 58 
2.5.1 - Teoremas Fundamentais do Cálculo das Probabilidades ................................................ 58 
2.6 - PROBABILIDADE CONDICIONAL ............................................................................................ 59 
2.7 - EVENTOS INDEPENDENTES .................................................................................................... 60 
2.8 – VARIÁVEL ALEATÓRIA UNIDIMENSIONAL ........................................................................... 62 
2.9 - MODELOS DE PROBABILIDADE DISCRETOS .......................................................................... 63 
2.9.1 - Distribuição de Bernoulli ................................................................................................ 63 
2.9.2 - Distribuição Binomial ..................................................................................................... 65 
2.10 - MODELOS PROBABILÍSTICOS CONTÍNUOS .......................................................................... 69 
2.10.1 - Distribuição Normal ...................................................................................................... 69 
2.10.2 - A Distribuição t de Student ........................................................................................... 77 
2.10.3 - Distribuição F de Snedecor ........................................................................................... 79 
 
 
UNIDADE III - INFERÊNCIA ESTATÍSTICA .................................. 81 
3.1 - DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E DA PROPORÇÃO .................................................... 84 
3.1.1 – Distribuição Amostral da Média ..................................................................................... 84 
3.1.2 – Distribuição Amostral da Proporção .............................................................................. 85 
3.2 - ESTIMAÇÃO POR PONTO E INTERVALO .................................................................................. 86 
4.2.1 - Estimação Pontual ........................................................................................................... 86 
3.2.2 - Estimação Intervalar ........................................................................................................ 87 
3.2.2.1- Intervalo de confiança para a média ....................................................................................................... 88 
3.2.2.2 - Intervalo de confiança para a proporção ................................................................................................ 92 
3.3 - TESTES DE HIPÓTESES ........................................................................................................... 93 
3.3.1 - Teste para a Média quando σ2 é conhecido ..................................................................... 96 
3.3.2 - Teste para a Média quando σ2 é desconhecido .............................................................. 101 
3.3.3 - Teste para Proporções ................................................................................................... 106 
3.3.4 - Valor-P .......................................................................................................................... 108 
 
 
UNIDADE IV - PLANEJAMENTO DE EXPERIMENTOS ............ 110 
4.1 – OBSERVAÇÃO × EXPERIMENTAÇÃO ................................................................................... 110 
4.2 – RELACIONADO DUAS VARIÁVEIS ......................................................................................... 111 
4.3 – VARIÁVEL DE CONFUNDIMENTO ......................................................................................... 114 
4.4 – TIPOS DE ESTUDOS OBSERVACIONAIS .................................................................................115 
4.5 – DIFICULDADES ENCONTRADAS EM ESTUDOS OBSERVACIONAIS ........................................ 117 
4.6 – PRINCÍPIOS BÁSICOS DA EXPERIMENTAÇÃO ..................................................................... 118 
4.6.1 – Aleatorização ................................................................................................................ 121 
4.6.2 – Replicação ..................................................................................................................... 121 
4.6.3 – Blocagem ...................................................................................................................... 121 
4.7 – PLANEJAMENTO E ANÁLISE DE EXPERIMENTOS COM UM ÚNICO FATOR .......................... 122 
4.7.1 - Análise de Variância com um único fator ..................................................................... 123 
4.7.8 - Teste de Tukey para comparações múltiplas ................................................................. 135 
 
REFERÊNCIAS BIBLIOGRÁFICAS 
 
ANEXOS 
ANEXO A - DISTRIBUIÇÃO NORMAL PADRÃO 
ANEXO B - DISTRIBUIÇÃO T DE STUDENT 
ANEXO C - DISTRIBUIÇÃO F DE FISHER 
ANEXO D – DISTRIBUIÇÃO DE TUKEY 
ANEXO E - ELEMENTOS DE MATEMÁTICA 
ANEXO F – ALFABETO GREGO 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 1 
 
 
UNIDADE I 
 ESTATÍSTICA DESCRITIVA 
 
 
O que é Bioestatística? 
Bioestatística é a aplicação de estatística ao campo biológico e médico. Ela é essencial ao 
planejamento, coleta, avaliação e interpretação de todos os dados obtidos em pesquisa na área 
biológica e médica. É fundamental a Epidemiologia (Ciência que estuda quantitativamente a 
distribuição dos fenômenos de saúde/doença, e seus fatores condicionantes e determinantes, nas 
populações humanas), à ecologia e à medicina baseada em evidência. Resumindo, Bioestatística é 
um conjunto de técnicas ou processos que permite observar, descrever numericamente e analisar 
fatos numéricos nas ciências da vida, logo também pode ser chamada de “a Estatística Médica”. 
 
1.1 - Natureza e Campo da Estatística 
 
Estatística é a ciência que diz respeito à coleta, apresentação e análise de dados quantitativos, de tal 
forma que seja possível efetuar julgamentos sobre os mesmos. 
Ramos da Estatística: 
a) Estatística descritiva → trata da observação de fenômenos de mesma natureza, da coleta de 
dados numéricos referentes a esses fenômenos, da sua organização e classificação através de 
tabelas e gráficos, bem como da análise e interpretação. 
b) Probabilidade estatística → utilizada para analisar situações que envolvem o acaso 
(aleatoriedade). 
c) Inferência estatística → estuda as características de uma população com base em dados 
obtidos de amostras. 
 
OBS: Estatística Indutiva pode ser denominada como inferência. Portanto, a estatística indutiva 
estuda as características de uma população, com base em dados obtidos de amostras. 
Inferência = Indução + Margem de Erro 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 2 
 
1.2 - O Método Estatístico 
 
A realização de uma pesquisa deve passar, necessariamente pelas fases apresentadas abaixo: 
 
 
 
 
 
 
 
 
 
1) Definição do problema →→→→ Saber exatamente o que se pretende pesquisar, ou seja, definir 
corretamente o problema. 
2) Planejamento →→→→ determinar o procedimento necessário para resolver o problema, como 
levantar informações sobre o assunto objeto do estudo. É importante a escolha das perguntas em 
um questionário, que na medida do possível, devem ser fechadas. 
� O levantamento de dados pode ser de dois tipos: Censitário e Amostragem. 
� Outros elementos do planejamento de uma pesquisa são: 
• Cronograma das atividades; 
• Custos envolvidos; 
• Exame das informações disponíveis; 
• Delineamento da amostra. 
 
3) Coleta de Dados →→→→ consiste na busca ou compilação dos dados. Pode ser classificado, 
quanto ao tempo em: 
• Contínua (inflação, desemprego, etc.); 
• Periódica (Censo); 
• Ocasional (pesquisa de mercado, eleitoral). 
 
4) Crítica dos dados →→→→ objetiva a eliminação de erros capazes de provocar futuros enganos. 
Faz-se uma revisão crítica dos dados suprimindo os valores estranhos ao levantamento. 
Coletas 
dos 
Dados 
Definição do 
problema 
Planejamento 
Crítica 
dos 
Apresentação 
dos dados 
Tabelas e Gráficos 
Análise e interpretação dos 
dados 
→→→→ →→→→ →→→→ 
→→→→ →→→→ 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 3 
 
5) Apresentação dos dados →→→→ a organização dos dados denomina-se “Série Estatística”. Sua 
apresentação pode ocorrer por meio de tabelas e gráficos. 
6) Análise e Interpretação dos Dados →→→→ consiste em tirar conclusões que auxiliem o 
pesquisador a resolver seu problema, descrevendo o fenômeno através do cálculo de medidas 
estatísticas, especialmente as de posição e as de dispersão. 
 
1.3 - População, Amostra e Tipos de Variáveis 
 
Inferência Obtenção de resultados para uma população com base em observações 
Estatística extraídas a partir de uma amostra retirada desta população. 
 
POPULAÇÃO: 
 
 É o conjunto de elementos (na totalidade) que têm, em comum, uma determinada 
característica. Pode ser finita, como o conjunto de alunos de uma determinada escola, ou infinita, 
como o número de vezes que se pode jogar um dado. 
 
AMOSTRA: 
 
 É qualquer subconjunto da população. A técnica de seleção desse subconjunto de elementos 
é chamada de Amostragem. 
 
 População (N) Amostra (n) 
 
 
 X: determinada característica 
 de interesse da população; 
 Ө: parâmetro populacional; 
 Ө 
 
Como já vimos, a inferência estatística tem como objetivo a estimação de parâmetros para uma 
população tendo como base às informações extraídas através de uma amostra. Neste contexto, o 
estudo dos mais diversos tipos de procedimentos de amostragem se faz necessário. 
 
X 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 4 
 
Exercício 1.1: Dentre os 3000 alunos de uma escola, selecionaram-se 30 e inquiriram-se sobre o 
programa de televisão preferido. Sendo respondidos como programas preferidos “Telejornal”, 
“Novelas” e “Cinema”, com 10, 12 e 8 alunos, respectivamente. Responda: 
a) a população; 
b) a amostra. 
 
Exercício 1.2: Para saber a aceitação de uma nova ração canina para filhotes de médio porte, uma 
empresa selecionou 200 filhotes com até 6 meses de idade de diversas raças de médio portem, e 
contabilizou a engorda deles. 
 Indique: 
a) a população; 
b) a amostra; 
 
Exercício 1.3: Para realizar um estudo sobre o tempo gasto, em segundos, por 100 atletas na corrida 
dos 100 metros com obstáculos, registrou-se o tempo gasto por 16 desses atletas e obtiveram-se os 
seguintes resultados: 
Indique: 
a) a população; 
b) a amostra; 
 
As técnicas de amostragem podem ser classificadas em doisgrandes grupos: a amostragem 
probabilística e a amostragem não probabilística. 
 
a) Amostragem Probabilística: neste grupo encontram-se os planos amostrais que utilizam 
mecanismos aleatórios de seleção dos elementos da amostra, atribuindo a cada um deles uma 
probabilidade, conhecida à priori, de pertencer à amostra. 
b) Amostragem Não Probabilística: neste grupo encontram-se os planos amostrais que não 
utilizam mecanismos aleatórios de seleção dos elementos da amostra, e dessa forma, não existe 
nenhuma probabilidade associada à seleção desses elementos. 
 
Ambos os procedimentos têm vantagens e desvantagens. A grande vantagem das amostras 
probabilísticas é medir a precisão da amostra obtida. Tais medidas já são bem mais difíceis para os 
procedimentos do outro grupo. Diante disso, amostras probabilísticas são comumente utilizadas na 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 5 
 
prática. Com base em Pinho & Spyrides (2004), os principais tipos de planos de amostragem 
probabilísticos são os seguintes: 
 
1. AMOSTRAGEM ALEATÓRIA SIMPLES (AAS) 
- Cada elemento da população tem a mesma chance (ou probabilidade) de ser selecionado. 
- Os elementos são escolhidos através de sorteio. 
- Para isso, tabelas de números aleatórios são frequentemente utilizadas. 
- Exemplo 1.1: Selecionar cinco filhotes de uma ninhada com 12 cães. 
 
2. AMOSTRAGEM ESTRATIFICADA (AAE) 
- A população é dividida em estratos (ou grupos) homogêneos, sendo selecionada uma amostra 
aleatória simples de cada estrato. 
- Exemplo 1.2: Estudo de uma nova vacina para filhotes. No experimento, é utilizado duas 
ninhadas de cães. Um de médio porte e outro de pequeno porte. Nesse caso, será mais seguro 
retirar uma AAS de cada ninhada. Neste caso, cada ninhada corresponde a um estrato, e de cada 
estrato uma amostra aleatória simples dos filhotes é extraída, lembrando que pra tanto seria 
necessário sorteio a partir da identificação de todos os filhotes. 
 
3. AMOSTRAGEM SISTEMÁTICA (AS) 
- Os elementos são selecionados segundo uma regra pré-definida Nk
n
 
= 
 
. 
- É bastante utilizada quando os elementos da população estão arranjados em uma ordem ou são 
homogêneos. 
- Por exemplo, se em uma concessionária deseja-se estimar o preço total dos seus carros a partir 
de uma amostra de 10 carros selecionar possuindo para tanto uma lista dos carros em ordem de 
preço do maior para o menor, ou do menor para o maior. 
- Uma observação importante é que, por exemplo, se os elementos escolhidos estiverem em 
ordem, não se deve selecionar APENAS os primeiros elementos, nem os últimos, muito menos 
os centrais. Deve-se percorrer elementos de cada uma dessas partes mencionadas, obtendo 
assim, uma representatividade de todas as partes da amostra. 
- Exemplo 1.3: Em um laboratório, há camundongos utilizados em experimentos, em que todos 
estão identificados com numeração de 1 a 24. Deseja-se ter uma ideia de seu peso médio sem ter 
que pesar todos os animais. Uma alternativa seria sortear um número (por exemplo 15º) e após 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 6 
 
um número previamente especificado “k”, selecionar o próximo. Nesse caso, se retirarmos uma 
amostra de tamanho 8, então k=3, teríamos o 1º sorteado (15º), 2º sorteado (18º + 3 = 21º) e 
assim por diante. Quando chegar ao final da amostra, retomar do inicio e continuar o 
procedimento até que chegue no primeiro elemento sorteado (15º nesse caso). 
 
 
 
4. AMOSTRAGEM POR CONGLOMERADOS (AC) 
- A amostragem é feita sobre os conglomerados, e não mais sobre os indivíduos da população. 
- Metodologia mais econômica. 
- Em uma amostragem por conglomerados, as unidades da população são agrupadas formando 
conglomerados. Um ou mais desses agrupamentos são selecionados aleatoriamente. Se um 
conglomerado é selecionado, TODAS as unidades dele farão parte da amostra. 
- Usada quando a população pode ser dividida em sub-populações (conglomerados) heterogêneos 
representativos da população global. 
- Nesse tipo de amostragem, é utilizado com maior frequência dois tipos de conglomerados. Em 
“um estágio” e “dois estágios”. O número de estágios estão relacionados com o número de 
sorteios que serão realizados. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 7 
 
- O objetivo maior com uma amostra por conglomerados é a economia de tempo e custo. 
- Menos energia e dinheiro são gastos se os entrevistados estão dentro de uma específica região 
geográfica, ao invés de espalhados em todas as direções. 
- Exemplo 1.4 (AC em 1 estágio): Um médico deseja fazer uma pesquisa com os pacientes que 
fazem hemodiálise, no entanto, há 8 hospitais em sua região. Uma possível solução seria utilizar 
uma amostragem por conglomerados! Pode-se realizar, por exemplo, um sorteio de quatro 
hospitais. Para as instituições de saúde selecionadas, deve-se examinar TODOS os pacientes que 
fazem hemodiálise (conglomerados em 1 estágio). 
- Exemplo 1.5 (AC em 2 estágios): Um médico deseja fazer uma pesquisa com pacientes de 
qualquer especialidade médica. No entanto, há 8 hospitais em sua região. Uma possível solução 
seria utilizar uma amostragem por conglomerados! Pode-se realizar, por exemplo, um sorteio de 
quatro hospitais. Para as instituições de saúde selecionadas, deve-se realizar UM NOVO 
SORTEIO para saber de qual especialidade médica serão examinados TODOS os pacientes 
(conglomerados em 2 estágios – sorteio do hospital e sorteio da especialidade médica). 
 
 
 
 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 8 
 
DIFERENÇA ENTRE AAEXTRATIFICADA E POR CONGLOMERADOS 
- É muito comum confundir uma amostra estratificada com uma amostra por conglomerados. 
Ambas dividem a população em grupos mutuamente exclusivos. Todavia, as duas principais 
diferenças são: 
- Na estratificação uma AAS é feita em cada estrato, já no conglomerado é feita uma AAS dos 
conglomerados; 
- A variação das unidades dentro dos estratos é menor do que a variação entre os estratos, já nos 
conglomerados a variação dentro é normalmente maior que a variação entre os conglomerados. 
 
Exercício 1.4: Para cada uma das seguintes situações diga qual o tipo de amostragem foi utilizada. 
a) O conselho universitário de uma universidade deseja conhecer a opinião dos alunos e 
professores sobre uma resolução a ser votada, que estabelece horários fixos para o 
atendimento de alunos pelos professores. Para compor a amostra foram sorteados 
aleatoriamente 10% dos alunos matriculados e 10% dos professores. 
 
b) Um treinador de uma confederação esportiva deseja dividir 20 times em dois grupos. Para o 
primeiro grupo seleciona aleatoriamente 10 times, e considera os 10 restantes para o segundo 
grupo. 
 
c) Uma lista de corredores de uma maratona contém 1000 nomes, numerados consecutivamente 
de 1 a 1000. Iniciando-se do 5º nome, uma amostra foi composta considerando sorteados os 
nomes referentes aos números 15º, 25º, 35º, 45º, 55º e assim sucessivamente até que fossem 
escolhidos 100 nomes. 
 
d) Um sociólogo na Universidade de Charleston seleciona 12 homens e 12 mulheres de cada 
uma de quatro turmas de educação física. 
 
e) Um treinador sorteia 6 jogadores de seu time de futebol sem mais critério s deseleção e tira 
uma amostra de urina de cada um. 
 
f) O programa Planned Parenthood (Planejamento Familiar) pesquisa 500 homens e 5000 
mulheres sobre seus pontos de vista sobre o uso de anticoncepcionais. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 9 
 
g) Um pesquisador médico da Universidade de Johns Hopkins sorteia alguns hospitais de sua 
região, e posteriormente, entrevista todos os pacientes de cada um de 20 hospitais, que foram 
selecionados aleatoriamente. 
 
h) Um pesquisador médico da Universidade de Johns Hopkins sorteia alguns hospitais de sua 
região, e posteriormente, sortea-se uma das especialidades médicas a serem estudadas. Após 
os sorteios, ele entrevistou todos os pacientes da especialidade médica selecionada, de cada 
um dos 20 hospitais amostrados aleatoriamente. 
 
TIPOS DE VARIÁVEIS: 
 
É condição inerente a uma população natural existir variação quanto aos atributos que lhe podem 
ser estudados. Portanto, a variabilidade é uma característica comum aos dados de observação e 
experimentos. Um atributo sujeito à variação é descrito em Estatística por uma variável. 
 
 
 Nominal 
 Qualitativa 
 Ordinal 
Variável 
 Discreta 
 Quantitativa 
 Contínua 
 
Variável Qualitativa: os dados podem ser distribuídos em categorias mutuamente exclusivas. Por 
exemplo, sexo (masculino, feminino), cor, causa de morte, grupo sanguíneo, etc. 
- Nominal: as categorias podem ser permutáveis (não existe ordem natural dos seus níveis); 
Exemplo 1.6: [masculino, feminino], [sim, não], [fuma, não fuma]; 
 
- Ordinal: as categorias descrevem uma ordenação natural dos seus níveis. 
Exemplo 1.7: [péssimo, ruim, regular, bom, ótimo]. 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 10 
 
Variável Quantitativa: os dados são expressos através de números. Por exemplo, idade, estatura, 
peso, etc. 
- Discreta: Assumem valores que podem ser associados aos números naturais ( 1, 2,3,...=� ). 
Dá uma ideia de contagem. 
Exemplo 1.8: Número de irmãos dos 30 alunos da turma de biomedicina [0, 1, 2, 5, 3, 4, 1, 
0, 2, 3, 5, 4, 0, 1, 2, 2, 1, 0, 1, 1, 2, 0, 0, 3, 2 , 3, 4, 2, 1, 2]. 
 
- Contínua: Assume infinitos valores em um dado intervalo. Dá uma ideia de medição. 
Exemplo 1.9: altura e/ou peso de animais ou de pessoas. [1.70, 1.57, 1.80, 1.94, 1.68, 1.71] 
 
Exercício 1. 5: Classifique com relação ao tipo de variável as seguintes informações: 
a) Sexo (“Masculino” ou “Feminino”); 
b) Idade de ratos de uma certa espécie (em meses completos); 
c) Tempo em horas para término de uma maratona; 
d) Altura de jogadores de vôlei de certo time (em metros); 
e) Fuma (“Sim” ou “Não”); 
f) Peso de pacientes de um hospital (em quilogramas); 
g) Número de filhotes de uma ninhada; 
h) Tolerância ao cigarro (indiferente, incomoda pouco, incomoda muito); 
i) Horas que gasta estudando. 
j) Resultado final de uma disciplina da UFRN (“Aprovado” ou “Reprovado”) 
 
1.4 - Representação Tabular 
 
Consiste em dispor os dados em linhas e colunas, distribuídas de modo ordenado, segundo algumas 
regras práticas e obedecendo (ainda) à Resolução nº 886/66, de 26 de outubro de 1966, do Conselho 
Nacional de Estatística. As tabelas devem conter: 
a) Título - O quê? (fenômeno). Onde? (época). Quando? (local). 
b) Cabeçalho - indica o conteúdo das colunas 
c) Coluna Indicadora - especifica o conteúdo das linhas 
d) Cabeçalho da coluna indicadora - indica o conteúdo da coluna indicadora 
e) Corpo - caselas ou células, onde são registrados os dados. 
f) Rodapé - notas e identificação da fonte de onde foram coletados os dados. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 11 
 
 
 
1.4.1 - Distribuição de Frequências 
 
Tabelas com grandes números de dados são cansativas e não dão uma visão rápida e geral 
do fenômeno. Dessa forma, é necessário que os dados sejam organizados em uma tabela de 
distribuição de frequências. Estas podem ser simples (dados não-agrupados) ou por classes (dados 
agrupados). 
 
DISTRIBUIÇÃO DE FREQUÊNCIAS SIMPLES: 
Série estatística para dados nominais, ordinais e discretos, organizados em uma tabela. 
 
Construção de uma Distribuição de Frequências: 
Para a construção de uma distribuição de frequências os seguintes componentes são necessários: 
 
 
� Dados Brutos: são os dados apresentados desordenadamente, da forma como foram coletados. 
Exemplo 1.10o: Peso de alunos da disciplina: 
74 58 69 80 74 95 56 74 76 81 60 57 64 62 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 12 
 
� Rol: são os dados apresentados em ordem crescente. 
Exemplo 1.11: Peso de alunos da disciplina (em forma de rol): 
56 57 58 60 62 64 69 74 74 74 76 80 81 95 
 
Construção de uma Distribuição de frequências simples 
1. Ordenar os dados brutos em forma de rol (ordem crescente) 
2. Listar todos os elementos diferentes, numa coluna de nome “X”. 
3. Listar a frequência de todos os elementos diferentes numa coluna de nome "fi" ou "frequência". 
4. Somar todos os elementos da coluna "fi" (total). 
 
Exemplo 1.12: Numa pesquisa feita para detectar o número de filhos de empregados de uma 
multinacional, foram encontrados os seguintes valores: 
1 4 2 5 3 2 0 3 2 1 5 4 2 5 0 
3 2 4 2 3 2 3 2 1 4 2 1 3 4 2 
 
Solução: 
� Rol (dados em ordem crescente): 
0 0 1 1 1 1 2 2 2 2 2 2 2 2 2 
2 3 3 3 3 3 3 4 4 4 4 4 5 5 5 
 
� Tabela de Distribuição de Frequências: 
 
Fonte: Número de filhos por empregado de uma multinacional 
Número de filhos (X) fi f i% 
0 2 6,7 
1 4 13,3 
2 10 33,3 
3 6 20 
4 5 16,7 
5 3 10 
Total 30 100 
Fonte: Dados Fictícios 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 13 
 
Algumas considerações ou conclusões: 
Qual o número de funcionários que não tem filhos? Qual o seu percentual? 
Quantos funcionários têm cinco filhos e qual o seu percentual? 
A maioria dos funcionários tem quantos filhos? E a minoria? Informe o percentual de ambos. 
 
INFORMAÇÕES ADICIONAIS NUMA DISTRIBUIÇÃO DE FREQUÊNCIAS 
Além das informações contidas na tabela, destaca-se outros parâmetros relevantes: 
- LI = limite inferior de cada classe; 
- LS = limite superior de cada classe; 
- Pm = ponto médio de cada classe � x = (Li + Ls) / 2; 
- fi = frequência absoluta = número de ocorrências de cada classe; 
- fi % = frequência percentual � fi % = (fi / n) 100; 
- ↓F = frequência absoluta acumulada "abaixo de"; 
- ↑F = frequência absoluta acumulada "acima de"; 
- ↓F% = frequência percentual acumulada "abaixo de"; 
- ↑F% = frequência percentual acumulada "acima de"; 
 
Exemplo 1.13: Veremos como fica a distribuição de freqüências simples com essas informações 
adicionais: 
Número de filhos de empregados de uma multinacional 
 
Nº de filhos fi f % F↓ F↑ F↓% F↑% 
0 2 6,7 2 30 6,7 100 
1 4 13,3 6 28 20 93,3 
2 10 33,3 16 24 53,3 80 
3 6 20 22 14 73,3 46,7 
4 5 16,7 27 8 90 26,75 3 10 30 3 100 10 
Total 30 100 - - - - 
Fonte: Dados fictícios 
 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 14 
 
Responda: 
a) Quantos empregados têm até 2 filhos? 
Resp: Se dá por F↓, sendo igual a 16 filhos. 
b) Quantos empregados têm ao menos 4 filhos? 
Resp: Se dá por F↑, sendo igual a 8 filhos. 
c) Qual o percentual de empregados com no máximo 1 filho? 
Resp: Se dá por F%↓, sendo igual a 93,3%. 
d) Qual o percentual de empregados com no mínimo 2 filhos? 
Resp: Se dá por F↑%, sendo igual a 80%. 
 
Exercício 1.6: OS dados abaixo representam a quantidade de pacientes com entrada de urgência em 
determinado hospital da cidade durante 60 dias. Construa uma distribuição de freqüências simples 
para os dados e calcule seu percentual. 
 
0 0 0 5 5 5 5 5 5 7 7 7 7 7 7 7 7 7 7 7 
7 7 7 7 7 7 7 7 7 7 7 7 7 10 10 10 10 10 10 10 
10 10 10 10 10 10 10 10 12 12 12 12 12 12 12 12 12 12 12 12 
 
 
DISTRIBUIÇÃO DE FREQUÊNCIAS POR CLASSES: 
Série estatística para dados contínuos. Os números são agrupados em classes, com suas respectivas 
frequências absolutas, relativas e percentuais, com o objetivo de facilitar ao analista o seu estudo. 
 
Os seguintes componentes são utilizados apenas em distribuição de frequências em classes: 
� Amplitude Total (A): é a diferença entre o maior valor do rol (LS) e o menor valor (LI). 
 
A = LS - LI 
 
� Número de Classes (c): corresponde à quantidade de classes, nas quais serão agrupados os 
elementos do rol. Para determinar c, utiliza-se a fórmula de Sturges: 
 
C = 1 + (3,33333.....) · log(n) 
 em que n = número de elementos do rol. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 15 
 
� Amplitude ou Intervalo de Classe (i): geralmente utilizam-se intervalos iguais, obtidos através 
da fórmula: 
i = A/C 
 
Construção de uma Distribuição de frequências por classes 
1) Ordenar os dados brutos em forma de rol (ordem crescente) 
2) Calcular a amplitude total: A = LS - LI 
3) Calcular o número de classes e arredondar o valor final para um número inteiro utilizando a 
regra e arredondamento: 
C = 1 + (3,33333.....) • log(n) 
4) Calcular o intervalo entre classes: i = A / C. 
5) A 1º coluna será a das classes. O menor número dos dados em rol será o limite inferior da 
primeira classe (“LI” da fórmula utilizada na amplitude total “A”), a partir do qual todas as 
outras classes serão definidas a partir deste número, somando ele ao intervalo entre classes. 
Exemplo 1.14: Para C = 5, i = 1,5 e LI = 7,4 (menor número dos dados em forma de rol). 
O limite inferior da 1º classe será 7,4 e o limite superior da mesma classe será 
LI + i = 7,4 + 1,5 = 8,9. 
Por sua vez, o limite inferior da 2º classe será 8,9 e o superior: 8,9 + i = 8,9 + 1,5 = 10,4. 
Este procedimento será realizado até termos o número “C” de classes (este previamente 
calculado). 
6) Para indicar o intervalo, utilizaremos o símbolo |- . Por exemplo, no caso de haver o limite 
inferior 7,4 e o limite superior 8,9. Indicaremos este intervalo como : 7,4 |- 8,9. 
Isso significa todos os números que estão entre 7,4 e o mais próximo possível de 8,9, porém, 
caso haja um número igual ao limite superior dessa classe, este deverá ser computado apenas 
na próxima classe (para o Exemplo 1.14, na 2º classe, sendo esta: 8,9 |- 10,4). 
7) Uma vez definidas as classes, a tabela de freqüências pode ser construída, a partir da 2º coluna 
de nome “frequência” ou simplesmente “fi”, fazendo-se o processo de contagem, que consiste 
em verificar a qual classe cada dado pertence. 
 
OBS: Em algumas situações, pode-se utilizar uma distribuição de freqüências por classes para 
dados discretos quando todos os números ou a maioria são diferentes. 
Exemplo 1.15: Construir uma distribuição de frequências para o número diário de experimentos 
realizados em um laboratório durante duas semanas. [0, 2, 3 ,4 , 5, 10, 12, 7, 9, 0, 5, 13, 17, 10, 6]. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 16 
 
Para essa situação, a mais viável será uma distribuição por classes, que deverá seguir o mesmo 
procedimento, apenas com o cuidado ao calcular o intervalo entre classes (i), o mesmo deverá ser 
arredondado para um número inteiro. 
 
Exemplo 1.16: Construa de uma Distribuição de Frequências com CLASSES para os dados 
referentes ao peso (kg) de uma turma de 14 alunos: 
 
56 57 58 60 62 64 69 74 74 74 76 80 81 95 
 
Solução: 
Amplitude Total (A): A = LS – LI = 95 – 56 = 39. 
 
Número de Classes (C): C = 1 + (3,33333.....) · log(n) = 1 + 3,333 · log (14) = 4,82 ≈ 5. 
 
Intervalo de Classe (i): A=39 e C=5 � i = A/C = 39/5 = 7,8. 
 
 
 
Peso de 14 alunos de uma turma 
Peso dos alunos fi fi% 
56,0 |- 63,8 5 35,71% 
63,8 |- 71,6 2 14,28% 
71,6 |- 79,4 4 28,58% 
79,4 |- 87,2 2 14,28% 
87,2 |-| 95 1 7,14% 
Total 14 100% 
Fonte: Dados Fictícios 
 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 17 
 
Exemplo 1.17: Um determinado hospital está interessado em analisar a quantidade de 
creatinina (em miligramas por 100 mililitros) encontrada na urina (de 24 horas) de seus 
pacientes internados com problemas renais. Os dados são os seguintes: 
 
1,51 1,65 1,58 1,54 1,65 1,40 1,61 1,08 1,81 1,38 1,56 1,83 
1,69 1,22 1,22 1,68 1,47 1,68 1,49 1,80 1,33 1,83 1,50 1,46 
1,67 1,60 1,23 1,54 1,73 1,43 2,18 1,46 1,53 1,60 1,59 1,49 
1,46 1,72 1,56 1,43 1,69 1,15 1,89 1,47 2,00 1,58 1,37 1,40 
1,76 1,62 1,96 1,66 1,51 1,31 2,29 1,58 2,34 1,66 1,71 1,44 
1,66 1,36 1,43 1,26 1,47 1,52 1,57 1,33 1,86 1,75 1,57 1,83 
1,52 1,66 1,90 1,59 1,47 1,86 1,73 1,55 1,52 1,40 1,86 2,02 
 
Solução: 
� Rol (dados em ordem crescente): 
1,08 1,15 1,22 1,22 1,23 1,26 1,31 1,33 1,33 1,36 1,37 1,38 
1,40 1,40 1,40 1,43 1,43 1,43 1,44 1,46 1,46 1,46 1,47 1,47 
1,47 1,47 1,49 1,49 1,50 1,51 1,51 1,52 1,52 1,52 1,53 1,54 
1,54 1,55 1,56 1,56 1,57 1,57 1,58 1,58 1,58 1,59 1,59 1,60 
1,60 1,61 1,62 1,65 1,65 1,66 1,66 1,66 1,66 1,67 1,68 1,68 
1,69 1,69 1,71 1,72 1,73 1,73 1,75 1,76 1,80 1,81 1,86 1,86 
1,86 1,86 1,86 1,86 1,89 1,90 1,96 2,00 2,02 2,18 2,29 2,34 
 
� Amplitude Total (dá uma ideia do campo de variação dos dados): 
A = LS - LI = (2,34) - (1,08) = 1,26 
Analisando-se a quantidade de creatinina encontrada na urina dos 84 pacientes verificou-se que, 
ocorreu a variação de 1,26 no seu campo (de 1,08 a 2,34). 
 
� Estabelecer o Número de Classes (c): 
c = 1 + (3,3333.....) · log(n) = 1 + (3,3333....) · log(84) = 7,414 ���� c = 7 
 
� Estabelecer o Intervalo de Classe (i): 
 
i = A / c = (1,26) / 7 = 0,18 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 18 
 
Quantidade de creatinina (ml) encontrada na urina de 84 pacientes com problemas renais. 
Classes fi f % Pm (X) ↓%f
 
↑%f
 
↓F ↑F 
1,08 ├ 1,26 5 5,9 1,17 5,9 100 5 84 
1,26 ├ 1,44 13 15,5 1,35 21,4 94,1 18 79 
1,44 ├ 1,62 32 38,1 1,53 59,5 78,6 50 66 
1,62 ├ 1,80 18 21,4 1,71 80,9 40,5 68 34 
1,80 ├ 1,98 11 13,1 1,89 94,0 19,1 79 16 
1,98 ├ 2,16 2 2,4 2,07 96,4 6,0 81 5 
2,16 2,34 3 3,6 2,25 100 3,6 84 3 
Total 84 100 - - - - - 
Fonte:Dados fictícios 
 
Observação 1: O melhor valor para representar cada classe é o ponto médio (Pm), o qual se obtém 
pela fórmula: 
Pm = Li + (i / 2), ou ainda, Pm = (Li + Ls) / 2 
 
Observação 2: 1,08 |- 1,26, intervalo fechado à esquerda (pertencem a classe valores iguais ao 
extremo inferior) e aberto à direita (não pertencem a classe valores iguais ao extremo superior). De 
forma análoga, 2,16 |-| 2,34, intervalo fechado à esquerda e à direita. 
 
Responda: 
a) Quantos pacientes têm até 1,79 ml de creatinina? 
Resp: Se dá por F↓, sendo igual a 68 pacientes. 
b) Quantos pacientes têm ao menos 1,98 ml de creatinina? 
Resp: Se dá por F↑, sendo igual a 5 pacientes. 
c) Qual o percentual de pacientes com no máximo 1,61 ml de creatinina? 
Resp: Se dá por F%↓, sendo igual a 59,5%. (mais da metade). 
d) Qual o percentual de pacientes com no mínimo 1,98 ml de creatinina? 
Resp: Se dá por F↑%, sendo igual a 6%. 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 19 
 
Exercício 1.7: Construir uma distribuição de frequências, utilizando a fórmula de Sturges e analisá-
la com base nos elementos abaixo, correspondente ao faturamento bruto mensal (US$ mil) de 50 
pequenas empresas: 
 
2,1 4,4 2,7 32,3 9,9 9 2 6,6 3,9 1,6 14,7 9,6 16,7 
24 1,4 18 5,8 1,6 26,7 3,7 4,3 3,3 1,2 4,1 18,4 0,2 
3,5 11,4 7,4 8,2 19,2 6,9 8,2 12,6 23,1 5,6 0,4 18 8,7 
6,1 13,5 7,4 0,2 8,3 0,3 1,3 14,1 1 2,4 2,4 
 
1.5 - REPRESENTAÇÃO GRÁFICA 
 
Todo o gráfico deve apresentar título (pode ser colocado tanto acima como abaixo) e escala 
(crescem da esquerda para a direita e de baixo para cima). As legendas devem ser colocadas à 
direita ou abaixo do gráfico. A seguir vemos os principais tipos de gráficos: 
 
1.5.1 - Gráfico de Setores 
 
Também conhecido como Gráfico de Pizza, este gráfico é usado quando cada valor representa uma 
parte de um todo. É, então, usado um círculo de raio qualquer, com a área ou ângulo total sendo 
proporcional ao total (100%) da série de dados a representar e a área ou ângulo de cada setor 
circular sendo proporcional a cada dado da série. 
 
Exemplo 1.18: Exemplo de um gráfico de setores 
 
Tabela 1.1: Principais rações caninas vendidas numa certa cidade em 2010 
Marca da Ração Percentual (%) 
Caninu’s 18 
Campeão 15 
Foster 24 
Pedigree 43 
Fonte: Dados Fictícios 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 20 
 
 
Figura 1.1: Principais rações caninas vendidas numa certa cidade em 2010 
 
1.5.2 - Gráfico de Colunas e Barras 
 
As variações quantitativas da tabela são representadas por colunas dispostas verticalmente ou 
horizontalmente. É usado para representar qualquer tipo de série. 
 
Exemplo 1.19: Exemplo de um Gráfico de Barras 
 
Tabela 1.2: Principais causas de morte nos EUA em 2004 
Tipo de morte Frequência Percentual (%) 
Acidentes de carro 856 23,70 
Álcool 457 12,65 
Armas de fogo 985 27,27 
Cigarro 247 6,84 
Doenças Infecciosas 112 3,10 
Doenças Venéreas 98 2,71 
Drogas 631 17,47 
Obesidade 124 3,43 
Outras 102 2,82 
Total 3612 100 
Fonte: Ie Estatísticas, 2004. 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 21 
 
 
Figura 1.2: Principais causas de morte nos EUA em 2004 
 
Exemplo 1.20: Exemplo de um Gráfico de Colunas (Referente ao Exemplo 1.18) 
 
Figura 1.3: Principais rações caninas vendidas numa certa cidade em 2010 
 
1.5.3 - Histograma e Polígono de Frequências 
 
A apresentação tabular dos dados é feita através de uma distribuição de frequências. Fica 
complementada com uma representação gráfica desses mesmos dados. O histograma e o polígono 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 22 
 
de frequências são tipos de gráficos usados para representar uma distribuição de frequências simples 
de uma variável quantitativa contínua. 
 
Exemplo 1.21: Exemplo de um histograma e de um polígono de frequências 
 
Tabela 1.3: Distribuição de frequências dos preços de ovos - EUA - 1990 
 
Preço dos ovos 
 
f fr F↓ F%↓ 
 47 ├ 68 19 38 19 38 
 68 ├89 19 38 38 76 
 89 ├110 9 18 47 94 
110 ├131 2 4 49 98 
131 ├152 1 2 50 100 
Total 50 100 - - 
 
Fonte: GUJARATI. Basic Econometrics. McGraw-Hill, 3a ed. 1995. 
 
Um histograma é um conjunto de retângulos com bases sobre um eixo horizontal dividido de 
acordo com os comprimentos de classes, centros nos pontos médios das classes e áreas 
proporcionais ou iguais às frequências. 
Um polígono de frequências é um gráfico de linha que se obtém unindo por uma poligonal 
os pontos correspondentes às frequências das diversas classes, centradas nos respectivos pontos 
médios. Para obter as interseções da poligonal com o eixo, cria-se em cada extremo uma classe com 
frequência nula. Note que esses gráficos podem ser construídos com base nas frequências absolutas 
ou relativas. O importante é que a escala nos eixos horizontal e vertical, bem como os retângulos, 
sejam construídos de forma a que suas áreas espelhem a proporcionalidade dessas frequências. 
Na Figura 1.10 apresentamos o histograma para a distribuição de frequências dada na Tabela 
1.17, referente ao preço da dúzia de ovos nos estados americanos em 1990. Aqui cabe uma 
observação sobre o histograma, que foi construído com o software free R; cada retângulo foi 
construído de modo que sua área fosse exatamente igual à frequência relativa. Por exemplo, todos 
os retângulos têm base 21, que é a amplitude de classe. A altura dos dois primeiros retângulos é 
[área/base = 0,38 / 21 = 0,0180952], de modo que a área resultante é 0,38. Para a terceira classe, 
temos que [altura = área/base = 0,18 / 21 = 0,0085714]. 
O ponto fundamental na interpretação de um histograma é compreender que as áreas dos 
retângulos representam as frequências de cada classe. Como a variável é contínua e a frequência 
dada se refere a uma classe de valores, a suposição que se faz é que essa frequência se distribui 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 23 
 
uniformemente pela classe. Na Figura 1.10, a frequência relativa da classe 47 ├ 68 é 0,38 (ou 38%) 
e ela está uniformemente distribuída pela classe, o que significa que subclasses de mesmo 
comprimento teriam a mesma frequência. Por exemplo, as frequências das classes 47├57,5 e 
57,5├68 seriam ambas iguais 0,19. Já a subclasse 89├95 teria uma frequência de 0,0085714 × 
(95−89) = 0,0514286. Mais uma vez, o princípio é que área = frequência. Com relação ao polígono 
de frequências, a ideia é representar o comportamento “típico” de cada classe através do seu ponto 
médio. Assim, o polígono de frequência está representado na Figura 1.11 
 
HISTOGRAMA 
 
Figura 1.4: Histograma da distribuição de frequência dos preços dos ovos nos estados 
 
POLÍGONO DE FREQUÊNCIAS 
 
Figura 1.5: Polígono de frequência dos preços dos ovos nos estados americanos 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 24 
 
1.6 – Medidas de Tendência Central 
 
Os dados quantitativos, apresentados emtabelas e gráficos, constituem a informação básica 
do problema. Mas é conveniente apresentar medidas que mostrem a informação de maneira 
resumida. 
 
Medidas de Tendência Central 
São medidas que tendem para o centro da distribuição e têm a capacidade de representá-la como um 
todo. Dão o valor do ponto em torno do qual os dados se distribuem. As principais são: Média 
Aritmética, Mediana e Moda e algumas. 
 
1.6.1 - Média Aritmética 
 
A média aritmética pode ser definida em dois tipos: populacional ( µ ) e amostral ( X ). Nos dois 
casos existem três situações quanto aos cálculos. 
 
1. Dados apresentados em forma de rol: 
A média será: 
rol do elementos de número
rol do elementos os todosde soma
n
x
X
n
i
==
∑
=1i
 
Exemplo 1.22: Peso em gramas de ratos (50, 62, 70, 86, 60, 64, 66, 77, 58, 55, 82, 74) � X =67 
Análise: o peso médio dos 12 ratos observados é de 67 gramas. 
 
Exercício: Um gerente de supermercado quer estudar a movimentação de pessoas em seu 
estabelecimento, constata que 195, 1.002, 941, 768 e 1.283 pessoas entraram no seu 
estabelecimento nos últimos cinco dias. Descubra o número médio de pessoas que entraram 
diariamente neste estabelecimento nos últimos cinco dias. 
 
2. Dados apresentados em forma de distribuição de frequência simples: 
A média será: 
∑
∑
=
=
=
n
1i
i
n
ii
f
fx
X 1i 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 25 
 
Exemplo 1.23: Número de cáries em crianças 
X 0 1 2 3 4 Total 
f 2 4 10 6 5 27 
 
2,3
27
(4).(5) (3).(6) (2).(10) (1).(4)(0).(2)
f
fx
X
n
1i
i
n
ii
=
++++
==
∑
∑
=
=1i
 
 
Análise: Verifica-se que o número médio de cáries das 27 crianças observadas no estudo é de 2,3. 
 
Exercício: As informações abaixo apresentam a idade dos usuários de drogas internos numa clínica 
para tratamento. Determine a idade média dos internos. 
 
Idade fi 
17 2 
18 4 
19 5 
20 6 
21 3 
22 4 
23 2 
Total 26 
 
3. Dados apresentados em forma de distribuição de frequência em classes: 
 
A média será: 
∑
∑
=
=
=
n
1i
i
n
1i
im
f
fP
X 
 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 26 
 
Exemplo 1.24: Nascidos vivos segundo o peso ao nascer, em kg. 
Classes fi Pm 
1,5 ├ 2,0 3 1,75 
2,0 ├ 2,5 16 2,25 
2,5 ├ 3,0 31 2,75 
3,0 ├ 3,5 34 3,25 
3,5 ├ 4,0 11 3,75 
4,0 ├ 4,5 4 4,25 
4,5 5,0 1 4,75 
Total 100 - 
3
100
(4,75).(1) )(2,25).(16(1,75).(3)
f
fP
X
n
1i
i
n
im
=
+++
==
∑
∑
=
=
…1i
 
Análise: Verifica-se que o peso médio dos 100 nascidos vivos observados é 3 kg. 
 
1.6.2 - Mediana 
 
Valor que divide a distribuição em duas partes iguais, em relação à quantidade de elementos. Isto é, 
é o valor que ocupa o centro da distribuição, de onde se conclui que 50% dos elementos ficam 
abaixo dela e 50% ficam acima. 
 
Colocados em ordem crescente, a mediana (Med ou Md) é ou valor que divide a amostra, ou 
população, em duas partes iguais. 
 
 
 
0 Med 100% 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 27 
 
 
a) Variável Discreta: os dados estão dispostos em forma de rol ou em uma distribuição de 
frequência simples. 
 
� Se "n" for ímpar: 
Med = elemento central (de ordem 1
2
n + 
 
 
) 
 
- Exemplo 1.25: Dados em forma de rol: 
Seja a amostra: 8, 10, 12, 14, 16 � Med = 5 1 3
2
+ 
= 
 
�
 elemento do rol = 12 
 Interpretação: o 3º elemento do rol (12) divide 50% da distribuição dos dados à direita 
 e à esquerda. 
 
- Exemplo 1.26: Dados em uma distribuição de frequência simples: 
 Suponha a seguinte distribuição de frequência simples. 
X fi ↓F 
1 1 1 
2 3 4 
3 5 9 
4 2 11 
Total 11 - 
 n = 11 (ímpar) 
 Elemento mediano: [(n+1)/2]º = 6º elemento 
 3ª classe contém o 6º elemento � Med = 3. 
 
� Se "n" for par: 
Med = média aritmética dos dois elementos centrais (de ordem 
2
n 
 
 
 e 1
2
n 
+ 
 
) 
- Exemplo 1.27: Dados em forma de rol: 
 Seja a amostra: 8, 10, 12, 14, 16, 19 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 28 
 
6 3 elemento do rol
2 2
61 1 4 elemento do rol
2 2
n
n
   
= =   
   
   
+ = + =   
   
�
�
 
Med = 3 elemento 4 elemento 12 14 13
2 2
Mediana + += = =
� �
 
Interpretação: a média do 3º e 4º elemento do rol (13) divide 50% da distribuição dos dados à 
 direita e à esquerda. 
 
- Exemplo 1.28: Dados em uma distribuição de frequência simples: 
 Suponha a seguinte distribuição de frequência simples. 
X fi ↓F 
82 5 5 
85 10 15 
87 15 30 
89 8 38 
90 4 42 
Total 42 - 
 
n = 42 (par) 
Elemento mediano: (n/2)º = 21º elemento 
 (n/2)º + 1 = 22º elemento 
 3ª classe contém o 21º e o 22º elemento 
 Med = (87 + 87)/2 = 87 
 
b) Variável Contínua: os dados estão agrupados em uma distribuição de frequências em classes, 
então: 
 
• 1º Passo: Organizar os dados em forma de rol (ordem crescente); 
• 2º Passo: Calcular a ordem (n/2)º. Como a variável é contínua não importa se é par ou ímpar. 
• 3º Passo: Através da ↓F identificar a classe que contém a mediana, isto é, a posição da 
mediana. 
• 4º Passo: Utilizar a fórmula: 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 29 
 
Med
Med
Med
Med .if
FP
LIMed 





 ↓−
+=
−
 
 
- LIMed = limite inferior da classe que contém a mediana; 
- PMed = posição da mediana = 2f i /∑ = xº elemento; 
- 
-F ↓ = frequência absoluta acumulada "abaixo de" da classe anterior à classe que contém a 
mediana; 
- fMe = frequência absoluta da classe que contém a mediana; 
- iMe = intervalo da classe que contém a mediana; 
 
Exemplo 1.29: Nascidos vivos segundo peso ao nascer, em kg. Neste caso, a mediana é dada por: 
 
Classes fi Pm ↓F 
1,5 ├ 2,0 3 1,75 3 
2,0 ├ 2,5 16 2,25 19 
2,5 ├ 3,0 31 2,75 50 
3,0 ├ 3,5 34 3,25 84 
3,5 ├ 4,0 11 3,75 95 
4,0 ├ 4,5 3 4,25 98 
4,5 5,0 1 4,75 99 
Total 99 - - 
 
Fonte: Dados fictícios 
 
 PMe = (n/2)� (99/2)� 49,5 ≈ 50º elemento � 3ª classe: [2,5; 3,0) 
 
 
3)0,5.(
31
19-502,5.i
f
FP
LIMed Med
Med
Med
Med =





+=






 ↓−
+=
−
 
 
 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 30 
 
Exercício 1.8: Um determinado hospital está interessado em analisar a quantidade de creatinina (em 
miligramas por 100 mililitros) encontrada na urina (de 24 horas) de seus pacientes internados com 
problemas renais. Calcule a Mediana. 
 
 
 
Quantidade de creatinina (ml) encontrada na urina de 84 pacientes com problemas renais.Classes fi F↓ 
1,08 |- 1,26 5 5 
1,26 |- 1,44 13 18 
1,44 |- 1,62 32 50 
1,62 |- 1,80 18 68 
1,80 |- 1,98 11 79 
1,98 |- 2,16 2 81 
2,16 |-| 2,34 3 84 
Total 84 - 
Fonte: Dados fictícios 
1.6.3 - Moda 
 
É o valor que ocorre com maior frequência na série, ou seja, aquele que mais se repete. 
 
Exemplo 1.30: Na série 3, 4, 5, 7, 7, 7, 9, 9 � Mo = 7 
 
� SÉRIE UNIMODAL (TEM UMA ÚNICA MODA) 
Exemplo 1.31: Na série 3, 5, 6, 6, 6, 7, 8 � Mo = 6 
� SÉRIE BIMODAL (OCORREM DUAS MODAS) 
Exemplo 1.32: Na série 2, 5, 5, 5, 6, 7, 9, 9, 9, 10, 10 � Mo1 = 5 e Mo2 = 9 
� SÉRIE TRIMODAL (OCORREM TRÊS MODAS) 
Exemplo 1.33: Na série 4, 4, 4, 5, 6, 7, 7, 7, 8, 9, 9, 9 � Mo1 = 4, Mo2 = 7 e Mo3 = 9 
� SÉRIE POLIMODAL (OCORREM QUATRO OU MAIS MODAS) 
Exemplo 1.34: Na série 0, 0, 1, 3, 3, 4, 7, 8, 8, 11, 12, 12, 13, 13 � Mo1 = 0, Mo2 = 3, Mo3 
= 8, Mo4 = 12 e Mo5 = 13 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 31 
 
� SÉRIE AMODAL (NÃO EXISTE MODA) 
Exemplo 1.35: Na série 0, 1, 3, 4, 7, 8 � não existe moda 
a) DADOS APRESENTADOS EM UMA DISTRIBUIÇÃO DE FREQUÊNCIA SIMPLES. 
Mo = elemento que tenha maior frequência 
 
 
Exemplo 1.36.: 
X fi 
1 13 
3 15 
6 25 
10 8 
Total 61 
Mo = 6 
 
Exemplo 1.37.: 
Tipo de Sangue fi 
O 547 
A 441 
B 123 
AB 25 
Total 1136 
Mo = sangue do tipo "O" 
 
b) DADOS APRESENTADOS EM UMA DISTRIBUIÇÃO DE FREQUÊNCIA CLASSES. 
 
Nesse caso, a moda pode ser determinada através de quatro processos. 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 32 
 
 
1. Moda Bruta (MoB) 
Corresponde ao ponto médio da classe modal, ou seja, MoB = (li + ls)/2 
 
Exemplo 1.38: 
Quantidade de Creatinina 
Classes fi 
1,08 ├ 1,26 5 
1,26 ├ 1,44 13 
1,44 ├ 1,62 32 
1,62 ├ 1,80 18 
1,80 ├ 1,98 11 
1,98 ├ 2,16 2 
2,16 2,34 3 
Fonte: Dados fictícios 
 
2. Moda de Pearson (MoP) 
 
Utilizada mais especificamente, juntamente com X e Med, para mostrar o comportamento da 
distribuição, em relação a concentração ou não de seus elementos. 
 
Mo 3 Med- 2 X= ⋅ ⋅
 
 
Utiliza-se a MoP para a análise da assimetria. 
 
a) Assimetria à esquerda ou negativa: 
oPMMedX << 
A cauda da distribuição está do lado esquerdo do gráfico; 
 
b) Simétrica: XMedM oP == (concentração no centro); 
 
c) Assimetria à direita ou positiva: XMedM oP << 
A cauda da distribuição está do lado direito do gráfico. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 33 
 
 
 
 
 
 
 
 
 
Observação: A forma como averiguar a simetria de uma distribuição por esse método, não permite 
a possibilidade de comparação entre medidas de duas ou mais distribuições. Por esse motivo, 
veremos mais adiante outra forma de averiguar sobre a simetria de uma distribuição. 
 
Exemplo 1.39: Calcule a moda de Pearson para os seguintes dados X = 1,61 e Med = 1,57. 
 
Mo 3 Med- 2 X = 3(1,57) -2(1,61) =1,49= ⋅ ⋅
 
 
Análise: XMedM oP << , o que indica uma assimetria à direita, isto é, uma maior concentração à 
esquerda (ou em direção aos valores menores). 
 
1.6.4 – Separatrizes 
 
Além das medidas de posição que estudamos, há outras que, consideradas individualmente, 
não são medidas de tendência central, mas estão ligadas à mediana, já que se baseiam em sua 
B 
C A 
Moda < Mediana < Média Média < Mediana < Moda 
Moda = Mediana = Média 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 34 
 
posição na série. Essas medidas - os quartis, os percentis e os decis - são, juntamente com as 
medianas, conhecidas pelo nome genérico de separatrizes. 
Os quartis, decis e percentis são muito similares à mediana, uma vez que também 
subdividem a distribuição de medidas de acordo com a proporção das frequências observadas. 
Enquanto a mediana divide a distribuição em duas metades, os quartis dividem-se em quatro 
quartos, os decis em 10 partes e os pontos percentis dividem a distribuição em 100 partes. 
 
Mediana (Me) divide em duas partes iguais 
Quartis (Q1, Q2 e Q3) dividem em quatro partes iguais 
Decis (D1, D2, ..., D9) dividem em dez partes iguais 
Percentis (P1, P2, ..., P99 ) dividem em cem partes iguais 
São utilizadas para se conhecer, com precisão, as distribuições dos dados como um todo. As 
separatrizes podem ser utilizadas tanto em dados não-agrupados (em forma de rol ou em 
distribuição de frequência simples) tanto quanto em dados agrupados (distribuição de frequências 
em classes). 
 
Relação visual das separatrizes 
 
!-------------------!-------------------! 
Md 
 
 
!---------!---------!---------!---------! 
Q1 Q2 Q3 
 
 
!-----!-----!-----!-----!-----!-----!-----!-----!-----!-----! 
 D1 D2 D3 D4 D5 D6 D7 D8 D9 
 
 
!----------!----------!----------!----------!----------!----------!----------!----------!----------!----------! 
 P10 P20 P30 P40 P50 P60 P70 P80 P90 
 
SEPARATRIZES PARA DADOS NÃO-AGRUPADOS 
 
Primeiro encontra-se a posição e em seguida identifica a classe para cada separatriz. 
As posições são calculadas da seguinte maneira: 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 35 
 
 1 – Posição da Mediana: PMe = 2
n
 
 2 – Posição dos Quartis: PQx = . n4
x
 , x = 1, 2, 3 
 3 – Posição dos Decis: PDx = 
 . n
10
x
 , x = 1, 2, ..., 9 
 4 – Posição dos Percentis: PPx = 
 . n
100
x
 , x = 1, 2, ..., 99 
em que: 
x refere-se à determinação da separatriz (exemplo para quartil, x=1,2,3); 
n refere-se ao número de elementos dos dados ou distribuição. 
 
Exemplo 1.40: Considere as idades de 24 alunos da disciplina de Estatística Básica do Curso de 
Ciências Biológicas. Calcule os Quartis. 
17 18 19 20 21 22 23 24 25 26 27 29 32
 33 35 38 39 42 44 46 48 50 54 57 
 
Calculando os quartis, temos: 
1
2
3
1 24 6 elemento=22
4 4
2 24 12 elemento=29
4
3 24 18 elemento=42
4
o
o
o
x nEq
Eq Mediana
Eq
⋅ ⋅
= = =
⋅
= = =
⋅
= =
 
Em relação aos quartis, encontramos os 6º, 12º e o 18º elemento da distribuição dos dados, que 
correspondem aos números 22, 29 e 42. Assim, podemos concluir que 25% dos alunos têm idade de 
até 22 anos, como também metade dos alunos têm até 29 anos de idade e 25% têm ao menos 42 
anos. E, 25% dos alunos têm mais de 42 anos de idade. 
 
Calculando os Decis 3, 7 e 9, temos: 
3
5
9
3 24 7 8 23 247,2 23,5
10 10 2 2
5 24 12 elemento=29
10
9 24 21 22 48 5021,6 49
10 2 2
o o
o
o o
x n elemento elementoEd
Ed Mediana
elemento elementoEd
⋅ ⋅ + +
= = = ≈ = =
⋅
= = =
⋅ + +
= = ≈ = =
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 36 
 
Em relação aos decis calculados, encontramos os 7º, 12º e o 22º elemento da distribuição dosdados, que correspondem aos números 23,5, 29 e 49. Assim, podemos concluir que 30% dos alunos 
têm idade de até 23,5 anos, como também metade dos alunos têm até 29 anos de idade e 90% têm 
ao menos 49 anos. E, 10% dos alunos têm mais de 49 anos de idade. 
 
Calculando os Percentis 30, 70 e 90, temos: 
 
17
35
83
17 24 4 5 20 214,08 elemento 20,5
100 100 2 2
35 24 8 9 24 258,4 elemento 24,5
100 2 2
83 24 19 20 44 4619,92 elemento 45
100 2 2
o o
o
o o
o
o o
o
x nEp
Ep
Ep
⋅ ⋅ + +
= = = ≈ = =
⋅ + +
= = ≈ = =
⋅ + +
= = ≈ = =
 
 
Em relação aos percentis calculados, encontramos os 4º, 8º e o 20º elemento da distribuição dos 
dados, que correspondem aos números 20,5; 24,5 e 45. Assim, podemos concluir que 17% dos 
alunos têm idade de até 20,5 anos, como também 35% deles têm até 24,5 anos de idade e 65% têm 
ao menos 24,5 anos. Conclui-se também que 83% dos alunos têm até 45 anos de idade e 17% têm 
no mínimo 45 anos. 
 
SEPARATRIZES PARA DADOS AGRUPADOS 
 
QUARTIS 
Para esse caso, usamos a mesma técnica do cálculo da mediana, bastando substituir o Ponto da 
Mediana em sua fórmula por (0,25·∑fi) para a determinação do primeiro quartil (Q1), substituir por 
(0,50·∑fi) para a determinação do segundo quartil (Q2) e substituir por (0,75·∑fi) para a 
determinação do terceiro quartil (Q3). Assim a fórmula genérica para determinação dos quartis será: 
.
Q i
k Qk Qk
Qk
f FQ LI if
θ −  ⋅ − ↓  = +
 
 
∑
 
em que: 
- θQ = 0,25; 0,50 ou 0,75. 
- LIMed = limite inferior da classe que contém o quartil; 
- PMed = posição do quartil; 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 37 
 
- 
-F ↓ = frequência absoluta acumulada "abaixo de" da classe anterior à classe que contém o 
quartil; 
- fMe = frequência absoluta da classe que contém o quartil; 
- iMe = intervalo da classe que contém o quartil; 
 
Exemplo 1.41: Calcule os quartis da tabela abaixo: 
 
Classes fi F↓ 
50 ├ 54 4 4 
54 ├ 58 9 13 Q1 
58 ├ 62 11 24 Q2 
62 ├ 66 8 32 Q3 
66 ├ 70 5 37 
70 ├ 74 3 40 
Total 40 - 
 
O primeiro passo será encontrar a classe onde está Q1. Para tanto, devemos utilizar a 
seguinte equação (0,25· ∑fi). Aplicando a equação na tabela, teremos que 0,25 · 40 = 10. 
Dispondo deste valor, vamos a coluna das frequências acumuladas (F↓) e encontramos o 
primeiro valor igual ou maior a 10. Neste caso, o Q1 encontra-se na 2ª classe da tabela, pois 13 é 
maior que 10. 
 
Resolvendo teremos: 
1 1 1
1
10 4
. 54 4 56,67
9
Q i
Q Q
Q
f FQ LI if
θ −  ⋅ − ↓
−   = + = + =     
∑
 
 
Para encontrarmos o 2º quartil, seguimos o mesmo procedimento descrito acima, ou seja, 
encontramos a classe do Q2 fazemos, (0,50· ∑fi) � (0,50 · 40) = 20. Na coluna (F↓), verifica-se que 
o primeiro valor maior ou igual a 20 é 24, que se encontra na 3ª classe, então: 
 
2 2 2
2
20 13
. 58 4 60,54
11
Q i
Q Q
Q
f FQ LI if
θ −  ⋅ − ↓
−   = + = + =     
∑
 
 
Para saber em que classe está Q3, fazemos, (0,75· ∑fi) � (0,75 · 40) = 30, que está na 4ª classe em 
(F↓). Ou seja: 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 38 
 
3 3 3
3
30 24
. 62 4 65
8
Q i
Q Q
Q
f FQ LI if
θ −  ⋅ − ↓
−   = + = + =     
∑
 
DECIS 
A definição dos decis obedece ao mesmo princípio dos quartis, com a modificação da porcentagem 
de valores que ficam aquém e além do decil que se pretende calcular. A fórmula básica será 
(θD · ∑fi), em que θD = 1, 2, 3, ..., 8, 9. Indicamos os decis por D1, D2, ..., D9. Deste modo 
precisamos de 9 decis para dividir uma série em 10 partes iguais. 
 
Exemplo 1.42: Encontre o 3º decil da tabela de distribuição de classes citada no Exemplo 1.41. 
 
Como o 3º decil vale 30%, basta fazermos (0,30· ∑fi) � (0,30 · 40) = 12. A interpretação a ser dada 
a este valor é a mesma já apresentada nos quartis, assim, este resultado corresponderá a 2ª classe. 
 
30 30 30
30
12 4
. 54 4 57,55
9
D i
D D
D
f F
D LI if
θ −  ⋅ − ↓
−   = + = + =     
∑
 
 
PERCENTIL OU CENTIL 
Denominamos percentis ou centis como sendo os noventa e nove valores que separam uma série em 
100 partes iguais. Indicamos por P1, P2, ... , P99. O cálculo de um centil segue a mesma técnica de 
cálculo já demonstrada anteriormente, ou seja, (θP · ∑fi), em que θP = 1, 2, 3, ..., 98, 99. 
 
 
Exemplo 1.43: Encontre o 8º percentil da tabela de distribuição de frequência do Exemplo 1.41. 
 
Como o 8º percentil vale 8%, basta fazermos (0,08· ∑fi) � (0,08 · 40) = 3,2. A interpretação a ser 
dada a este valor é a mesma já apresentada nos quartis, assim, este resultado corresponderá a 1ª 
classe. 
8 8 8
8
3,2 0
. 50 4 53,2
4
D i
P P
P
f F
P LI if
θ −  ⋅ − ↓
−   = + = + =     
∑
 
 
Observação: Chama-se atenção para a equivalência de algumas separatrizes, sendo estas: 
D5=Q2=P50=Md ; P25 = Q1 & P75 = Q3. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 39 
 
1.7 - Medidas De Dispersão 
 
Utilizaremos o termo dispersão para indicar o grau de afastamento de um conjunto de 
números em relação a sua média, pois ainda que consideremos a média como um número que tem a 
faculdade de representar uma série de valores ela não pode por si mesma, destacar o grau de 
homogeneidade ou heterogeneidade que existe entre os valores que compõem o conjunto. O nosso 
objetivo é construir medidas que avaliem a representatividade da média, para isto usaremos as 
medidas de dispersão. 
 Uma breve reflexão sobre as medidas de tendência central permite-nos concluir que elas não 
são suficientes para caracterizar totalmente uma sequência numérica. 
Se observarmos as seguintes sequências: 
 
X: 70, 70, 70, 70, 70 
Y: 68, 69, 70, 71, 72 
Z: 5, 15, 50, 120, 160 
 
Calculando a média aritmética de cada um desses conjuntos, obtemos: 
 
350
 70
5
ixX X
n
= ⇒ = =
∑
 
iy 350Y 70
n 5
= = =
∑
 
iz 350Z 70
n 5
= = =
∑
 
 
Observamos, então, que os três conjuntos apresentam a mesma média aritmética igual a 70. 
No entanto, são sequências completamente distintas do ponto de vista da variabilidade de dados. 
 
Na sequência X, não há variabilidade dos dados. A média 70 representa bem qualquer valor 
da série. Na sequência Y, a média 70 representa bem a série, mas existem elementos da série 
levemente diferenciados da média 70. Na sequência Z, existem muitos elementos bastante 
diferenciados da média 70. Concluímos que a média 70 representa otimamente a sequência X, 
representa razoavelmente bem a sequência Y, mas não representa bem a sequência Z. 
 Nosso objetivo é construir medidas que avaliem a representatividade da média. Para 
isto, usaremos as medidas de dispersão. 
 Observe que na sequência X os dados estão totalmente concentrados sobre a média 70, não 
há dispersão de dados. Na sequência Y, há forte concentração dos dados sobre a média 70, mas há 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 40 
 
fraca dispersão de dados. Já na série Z há fraca concentração de dados em torno da média 70 e forte 
dispersão de dados em relação à média70. 
As principais medidas de dispersão absolutas são: amplitude total, variância, desvio padrão e 
coeficiente de variação. 
 
1.7.1 – Variância 
 
 È a medida de dispersão mais utilizada. É definida como sendo o quociente entre a soma 
dos quadrados dos desvios e o número de elementos. É classificada em dois tipos: 
 
Variância Populacional ( 2σ ) ⇒ 
( ) ( )2 22 21i i
i
X X X
X
N N N
σ
 
−  
= = − 
  
∑ ∑
∑
 
Variância Amostral (s2) ⇒ 
( ) ( )2 22 21
1 1
i i
i
X X X
S X
n n n
 
−  
= = − 
− −   
∑ ∑
∑
 
 
Exemplo 1.44: Calcule a variância da estatura de 5 jogadores de basquete disponibilizados a seguir: 
 
1,92 1,72 1,82 1,80 1,84 
Antes de calcular a variância, é necessário calcular a média ( X ). Logo: 
 
1,92 1,72 1,82 1,80 1,84 9,1 1,82
5 5
X + + + += = =
 
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
2 2 2 2 2 2
2
2 2 2 2 2
1,92 1,82 1,72 1,82 1,82 1,82 1,80 1,82 1,84 1,82
1 5 1
0,1 0,1 0 0,02 0,02 0,01 0,01 0 0,0004 0,0004
4 4
0,0208 0,0052.
4
iX XS
n
−
− + − + − + − + −
= =
− −
+ − + + − + + + + +
= = =
= =
∑
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 41 
 
Exercício 1.9: Calcule a variância do número de incisões feitas em três crianças numa cirurgia dos 
membros superiores e inferiores. Comenta sobre a variabilidade de cada criança. 
 
Criança Mão 
Esquerda 
Mão 
Direita 
Perna 
Esquerda 
Perna 
Direita 
Paulo 2 1 1 4 
Xaianne 1 1 1 1 
Thiago 0 0 3 7 
 
IMPORTANTE: Quando os dados estão dispostos em uma tabela de distribuição de frequência 
(simples ou em classes), utilizam-se as seguintes fórmulas: 
 
1º Caso – Frequência Simples 
( )










⋅
−⋅
−
= ∑ ∑
n
fxfx
n
s
i
i
2
22
1
1
 
( )










⋅
−⋅= ∑ ∑ N
fxfx
N
i
i
2
22 1σ 
2º Caso – Frequência em Classes 
( )










⋅
−⋅
−
= ∑ ∑
n
fPmfPm
n
s
2
22
1
1
 
( )










⋅
−⋅= ∑ ∑ N
fPmfPm
N
2
22 1σ 
 
ATENÇÃO: “Desvantagem” do uso da variância 
No cálculo da variância, quando elevamos ao quadrado a diferença )x(x i −−−− , a unidade de 
medida da série fica também elevada ao quadrado. 
Portanto, a variância é dada sempre no quadrado da unidade de medida da série. Se os dados 
são expressos em metros, a variância é expressa em metros quadrados. Em algumas situações, a 
unidade de medida da variância nem faz sentido. É o caso, por exemplo, em que os dados são 
expressos em litros. A variância será expressa em litros quadrados. 
Logo, o valor da variância não pode ser comparado diretamente com os dados da série, ou 
seja: variância não tem interpretação. 
 
Solução: Utilizar o DESVIO PADRÃO como medida. 
 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 42 
 
1.7.2 - Desvio Padrão 
 
 Medida de dispersão que apresenta as propriedades da variância e tem a mesma unidade de 
medida dos dados. É a raiz quadrada da variância. 
Notações: 
1) Quando a sequência de dados representa uma população a variância será denotada por 2σ e o 
desvio padrão correspondente por σ . 
2) Quando a sequência de dados representa uma amostra a variância será denotada por 2S e o 
desvio padrão correspondente por S . 
 Desvio Padrão Populacional (σ) ⇒ ( )
2
iX X
N
σ
−
=
∑
 
Desvio Padrão Amostral (s) ⇒ 
( )2
1
iX XS
n
−
=
−
∑
 
OBS: Quanto maior o valor do desvio padrão significa que mais dispersos estão os elementos 
em torno da média. 
 
Exercício 1.10: Calcule o desvio-padrão do número de suturações realizadas em 5 cães da caça 
num determinada procedimento cirúrgico: 
 
2 2 3 5 7 
Interpretação do Desvio Padrão 
O desvio padrão é, sem dúvida, a mais importante das medidas de dispersão. 
 É fundamental que o interessado consiga relacionar o valor obtido do desvio padrão com os 
dados da série. Quando uma curva de frequência representativa da série é perfeitamente simétrica 
( MoMdX ======== ), podemos afirmar que os intervalos: 
] x ,x[ σσσσσσσσ ++++−−−− contém aproximadamente 68% dos valores da série. 
]2 x ,2x[ σσσσσσσσ ++++−−−− contém aproximadamente 95% dos valores da série. 
]3 x ,3x[ σσσσσσσσ ++++−−−− contém aproximadamente 99% dos valores da série. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 43 
 
 
 
OBS: Quando a distribuição não é perfeitamente simétrica, estes percentuais apresentam pequenas 
variações para mais ou para menos, segundo o caso. Ou seja, na presença de assimetria ou outliers, 
as três propriedades definidas acima não ocorrem com exatidão. 
 
 
Exemplo 1.45: Suponha uma série com média 100====x e desvio padrão 5====σσσσ , podemos interpretar 
estes valores da seguinte forma: 
 
1. Os valores da série estão concentrados em torno de 100. 
 
2. O intervalo [95, 105] contém aproximadamente 68% dos valores da série. 
O intervalo [90, 110] contém aproximadamente 95% dos valores da série. 
 O intervalo [85, 115] contém aproximadamente 99% dos valores da série. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 44 
 
1.7.3 - Coeficiente de Variação 
 
 Dissemos antes que, por serem as unidades do desvio-padrão as mesmas que as unidades dos 
dados originais, é mais fácil entender o desvio-padrão do que a variância. No entanto, aquela 
mesma propriedade torna difícil comparar a variação para valores originados de diferentes 
populações, ou seja, quando as medidas de duas ou mais variáveis são expressas em unidades 
diferentes como peso/altura, capacidade/comprimento, etc. Usa-se então o Coeficiente de Variação 
(CV), que é uma medida relativa, que expressa o desvio padrão como uma porcentagem da média 
aritmética e ele não tem unidade específica. Quanto mais próximo de zero, mais homogênea é a 
distribuição. Quanto mais distante, mais dispersas. 
O CV mede a dispersão em relação à média. É a razão entre o desvio padrão e a média. O 
resultado obtido dessa operação é multiplicado por 100, para que o coeficiente de variação seja 
dado em porcentagem. 
100sCV
X
= ⋅
 
ANÁLISE 
• DISPERSÃO BAIXA: CV ≤ 15% 
• DISPERSÃO MÉDIA: 15% ≤ CV ≤ 30% 
• DISPERSÃO ALTA: CV ≥ 30% 
 
OBS.: Um CV alto indica que a dispersão dos dados em torno da média é muito grande. 
 
 
 
Exemplo 1.46: Alturas e Pesos de Homens. Usando os dados amostrais de alturas e pesos de 40 
homens de uma turma de estatística, encontramos as estatísticas dadas na tabela a seguir. 
 Média - X Desvio padrão - S 
Altura (cm) 168 7,56 
Peso (kg) 72 10,98 
 
 
Calcule o coeficiente de variação para altura e peso, e a seguir, compare os dois resultados. 
EST0234 – Elementos de Bioestatística – Prof. Msc. André Luiz Sena da Rocha 
 
andrerochaest@yahoo.com.br 45 
 
Solução: 
CV para Altura: 7,56100 100 0,045 100 4,5%.
168Altura
SCV
X
= ⋅ = ⋅ = ⋅ =
 
 
CV para Peso: 10,98100 100 0,1525 100 15,25%.
72Peso
SCV
X
= ⋅ =