olivroqueexplicaaestatisticaem13aulas (1) (1)

Prévia do material em texto

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/263426057
O livro que explica a estatística que precisa em 13 aulas IBM-SPSS & Excel
Book · June 2014
DOI: 10.13140/2.1.3914.7201
CITATIONS
0
READS
7,525
1 author:
Some of the authors of this publication are also working on these related projects:
Psicometria View project
Análise de Dados View project
Margarida Pocinho
Escola Superior de Tecnologia da Saúde de Coimbra
51 PUBLICATIONS   43 CITATIONS   
SEE PROFILE
All content following this page was uploaded by Margarida Pocinho on 25 July 2014.
The user has requested enhancement of the downloaded file.
 
MARGARIDA POCINHO 
ESCOLA SUPERIOR DE TECNOLOGIA DA SAÚDE DE COIMBRA 
INSTITUTO SUPERIOR MIGUEL TORGA 
 
June 27, 2014 
 
O livro que explica a estatistica que precisa 
em 13 aulas 
IBM-SPSS & Excel 
 
Teoria e prática 
 
Estatística e SPSS 
 
1 
 
 
 
AULA 1. INTRODUÇÃO .................................................................................................................. 2 
ALGUMAS CURIOSIDADES ............................................................................................................................. 2 
AULA 2. MEDIDAS DE TENDÊNCIA CENTRAL OU DE POSIÇÃO:....................................................... 8 
AULA 3. POPULAÇÃO E AMOSTRA ................................................................................................ 9 
NOÇÕES GERAIS ......................................................................................................................................... 9 
AULA 4. USAR O SPSS PARA ORGANIZAR E MOSTRAR OS DADOS: .............................................. 13 
AULA 5. TRANSFORMAÇÃO DOS DADOS ..................................................................................... 17 
AULA 6. REPRESENTAÇÕES GRÁFICAS PARA DIFERENTES TIPOS DE VARIÁVEIS ........................... 23 
AULA 7. ANÁLISE DESCRITIVA: MÉDIA, MO E MD EM SPSS ......................................................... 26 
AULA 8. ESTATÍSTICA PARAMÉTRICA E NÃO PARAMÉTRICA ....................................................... 30 
AULA 9. ESTATÍSTICA BIVARIADA ................................................................................................ 35 
Hipótese: ......................................................................................................................................... 40 
AULA 10. TESTES DE HIPÓTESES: ................................................................................................... 43 
AULA 11. TESTES PARAMÉTRICOS: ................................................................................................ 48 
AULA 12. *ESTATÍSTICA NÃO PARAMÉTRICA ................................................................................ 53 
AULA 13. DO SPSS AO EXCEL E DO EXCEL AO SPSS ........................................................................ 56 
 
 
 
 
Estatística e SPSS 
 
2 
 
 
Aula 1. Introdução 
 
A Estatística é uma ciência que recolhe, ordena, analisa e interpreta os dados de um grupo 
de indivíduos (sejam eles uma amostra ou uma população -censo), prescindindo das 
palavras e recursos literários, sendo então feita através de uma “linguagem numérica” 
expressiva e cheia de força e impacto (teoria das probabilidades), da qual faz referência das 
generalizações, com a finalidade de inferir para a população ou prever a evolução de 
determinado fenómeno. 
Esta é uma parte essencial para o dia-a-dia de qualquer individuo, na medida em que é 
imprescindível para o treino profissional e formação, atividades de investigação pessoal e 
para interpretação de literatura científica, funcionando assim como uma “evidência” 
científica que irá permitir a prática clínica e que ajudará na perceção do impacto e 
importância daquilo que se diz e faz. 
Mediante isto, este manual tem por fim fornecer conhecimentos estatísticos (sem ter 
muitos conhecimentos matemáticos) e ajudar a interpretar os resultados que podem ser 
obtidos quer através do cálculo manual, quer através de programas de computador. Assim, 
pretende demonstrar os principais conteúdos e conceitos de Estatística, dando especial 
importância e enfatizando com maior rigor os apreendidos em contexto prático, usando 
como principal ferramenta o programa SPSS e pontualmente também o uso do programa 
Microsoft Office Excel. 
 
Algumas curiosidades 
Desde séculos o homem tem, muitas vezes, tomado notas de coisas e de pessoas, não com 
o único fim de acumular números, mas com a esperança de utilizar os dados do passado 
para a resolução de problemas do presente assim como para a previsão de acontecimentos 
futuros. No entanto, o sucesso quanto a este objetivo só foi possível em data muito recente: 
só no final do século XIX e, sobretudo, no princípio do século XX é que, com a aplicação 
de probabilidades aos problemas sobre a interpretação dos dados recolhidos, foi possível 
resolver alguns deles. 
A Estatística conquistou, hoje, o seu lugar entre as ciências. O poder do seu método é, 
sobretudo, afirmado nas últimas décadas e aplica-se, agora, nos domínios mais variados. 
Até aqui, só um pequeno número de pessoas se preocupou com estudos estatísticos, quer 
pela natureza das suas investigações, quer por causa da sua utilidade para as diferentes 
profissões. O valor e a importância do método estatístico residem no esforço para melhor 
compreender o nosso mundo, tão maravilhosamente complexo, tanto no ponto de vista 
físico como social, levam-nos a sonhar que ele se torne objecto de um conhecimento como 
as outras ciências. A vida corrente leva-nos a decisões para passar do conhecido ao 
desconhecido, da experiência à previsão. 
Para algumas pessoas, a Estatística não é senão um quadro de colunas mais ou menos 
longas de números que dizem respeito à população, à indústria ou ao comércio, como se vê 
Estatística e SPSS 
 
3 
 
frequentemente em revistas; para outras, ela dá gráficos mostrando a variação no tempo de 
um facto económico ou social, a produção ou os números relativos aos negócios de uma 
empresa, assim como se encontra nos escritórios de empresas privadas. 
Tão diferenciados se apresentam os métodos estatísticos que não é possível estabelecer 
uma definição que os contenha a todos. Apesar disso, apresentamos a seguir uma definição 
que, embora necessariamente incompleta como qualquer outra, tem a vantagem de 
introduzir o aluno na matéria. 
A Estatística tem como finalidade elaborar de uma síntese numérica que evidencie o que de 
mais generalizado e significativo exista num conjunto numeroso de observações. O grande 
número de observações de que se parte reflete uma diversidade tal que se torna 
ininteligível a sua interpretação. Para que, a partir dessa diversidade se possa começar a 
entender logo, torna-se necessário reduzir sucessivamente as observações, ganhando-se em 
generalidade o que se vai perdendo em individualidade. 
A síntese implica, assim, que nos desprendamos do que é particular e individual para nos 
atermos ao que existe de mais geral no conjunto das observações; à medida que a síntese 
progride, vai-se perdendo o contacto com as particularidades imediatas. 
Deste modo, a Estatística não se ocupa do que é excecional, mas apenas do que é geral: 
não se interessa pelo indivíduo, mas por grupos de indivíduos; não se ocupa, em suma, de 
uma só medição, mas de um conjunto de medições. Acrescente-se, ainda, que a síntese é 
numérica. Quer isto dizer que se prescinde inteiramente das palavras e dos recursos 
literários de mais ou menos efeito que elas possibilitam. Alcança-se a síntesepelo recurso 
exclusivo dos números. 
Daí o afã com que frequentemente se escolhem os números de acordo com os argumentos. 
A Estatística é intrinsecamente uma disciplina não literária, manipula exclusivamente 
números e alcança a síntese ordenando-os e cooperando com eles. 
“Estatística”, deriva de “status” que em latim significa Estado, e que só por si demonstra a 
ligação que sempre existiu entre ambos. O primeiro levantamento estatístico remonta a 
3050 a.C., no Egipto, tendo como objetivo informar o estado sobre recursos humanos e 
económicos. No séc. XVII d.C., a disciplina de Estatística era já lecionada nas 
universidades alemãs, continuando com a finalidade de descrever as populações e as 
riquezas do Estado. Ainda no séc. XVII, dá-se a expansão dos seus campos de investigação 
a áreas como a Saúde pública; a Indústria; o Comércio e os Estudos Demográficos. 
Os métodos de inferência estatística surgem com Jonh Graunt (1620-1674), um modesto 
comerciante, que tira conclusões válidas sobre uma população desconhecida por ele. 
Fermat (1601-1665) e Pascal (1623-1662) permitem que o estudo do acaso tome uma 
expressão matemática, introduzindo o Cálculo das Probabilidades. Esta expressão 
matemática e o aparecimento do método dos mínimos quadrados, vêm credibilizar a 
Estatística conferindo-lhe a fundamentação matemática em que ela, hoje, assenta. 
No séc. XVIII Lambert Quetelet (1796-1874) introduziu a Estatística nas análises da 
Meteorologia; da Antropometria; das Ciências Sociais; da Economia e da Biologia. 
Aos contributos anteriores Francis Galton (1822-1911), acrescenta as noções de regressão 
e correlação; Karl Pearson (1857-1936) apresenta a mais bela e acabada teoria de 
Estatística, ficando também conhecido pelos seus coeficientes (r; c); Fisher com os seus 
Estatística e SPSS 
 
4 
 
trabalhos sobre inferência Estatística também deu um grande contributo ao 
desenvolvimento da Estatística. 
Em 1943, dá-se uma grande reviravolta, uma vez que o tratamento de dados deixa de ser 
feito manualmente e passa, numa primeira fase, a ser apoiado por calculadoras potentes 
para mais tarde ser computadorizado. 
O Método Estatístico, segundo a teoria de Cramer, pressupõe as seguintes fases: 
Recolha de dados estatísticos: obtenção da amostra a partir da população, devendo depurar 
e retificar os dados estatísticos, que no seu conjunto são denominados série estatística. 
Descrição: conjunto de operações, numéricas ou gráficas, efetuadas sobre os dados 
estatísticos determinando a sua distribuição; procede-se à sua ordenação, codificação e 
representação por meio de quadros e tabelas. 
Análise: consiste em tirar conclusões sobre a distribuição da população, determinar o seu 
grau de confiança e ainda formular hipóteses, tentando verificá-las, quanto ao fenómeno 
em estudo. 
Predição: é uma previsão do comportamento do fenómeno em estudo, tendo em conta a 
definição da distribuição estatística. 
Em termos gerais, parece-nos que uma boa definição do que é a estatística, já que resume 
os conceitos dos vários autores, é: 
Ciência que trata do planeamento, colheita, organização, sintetização, apresentação e 
análise de dados, bem como, a obtenção de conclusões válidas e tomada de decisões em 
diversos campos do saber (engenharias, saúde, biologia, farmácia, biofísica, ciencias 
sociais, geografia, etc.). 
Com efeito, o papel da Estatística na pesquisa científica é apoiar o investigador na 
formulação das hipóteses estatísticas e fixação das regras de decisão, no fornecimento de 
técnicas para um eficiente plano de investigação, na colheita, tabulação e análise dos dados 
(estatística descritiva) e em fornecer testes de hipóteses a serem realizados de tal modo que 
a incerteza da inferência possa ser expressa em um nível probabilístico pré-fixado 
(inferência estatística) cujo valor máximo de erro mais consensual é de 5%. 
Como vimos, historicamente foram muitas as definições estabelecidas para Estatística. Da 
mesma forma, são muitas as definições para Bioestatística. Preferimos adotar a seguinte: 
Conjunto de técnicas que permite recolher, apurar e apresentar dados para que sejam 
analisados, proporcionando inferências indutivas sobre as ciências da vida. 
A má utilização de dados médicos ou de outras ciências, com interpretações erróneas ou 
mal-intencionadas, tem produzido um grande ceticismo em relação à estatística. Podemos 
encontrar muitos professores, clínicos ou mesmo profissionais de ciências básicas, que 
acham que “bom senso" é suficiente para tratar desses dados, que qualquer coisa que exija 
prova estatística não pode ter valor prático ou que procurarão um matemático se tiverem 
algum problema estatístico em seu trabalho. 
É importante compreender, no entanto, que cada vez que se toma a média de duas leituras 
de exame, por exemplo, ou o número médio de dias de internamento no hospital de 
pacientes com determinada doença, se está a usar um método estatístico. Do mesmo modo, 
usamos métodos estatísticos para concluir que a pressão arterial do paciente está normal ou 
que um tratamento cirúrgico é melhor que outro. Deste modo, a Estatística nas ciências da 
Estatística e SPSS 
 
5 
 
saúde constitui-se realmente nos princípios da Medicina Quantitativa. Muito das ciências 
da saúde depende, direta ou indiretamente, de contagem ou mensuração. Isto é óbvio em 
pesquisa e verdadeiro também no diagnóstico. Quando um profissional superior de saúde, 
leva em consideração na avaliação de um tumor a sua idade e história familiar, está a 
utilizar dados quantitativos, ou seja, a incidência de tumores por idade e por família. 
Convencionou-se chamar de Bioestatística o conjunto de conceitos e métodos científicos 
usados no tratamento da variabilidade nas ciências da saúde em especial as ciências 
médicas e biológicas. A Bioestatística fornece métodos para se tomar decisões ótimas na 
presença de incerteza, estabelecendo faixas de confiança para a eficácia dos tratamentos e 
verificando a influência de fatores de risco no aparecimento de doenças. Dentro da área 
biológica, compreende-se por Biometria a ciência que estuda as medidas de seres vivos. 
A ênfase crescente do papel dos métodos quantitativos na prática da medicina torna 
imperativo que o estudante de medicina assim como o profissional de saúde tenham algum 
conhecimento de estatística. 
O estudante aprende na escola o melhor método de diagnostico e terapêutica; depois de 
formado dependerá necessariamente de trabalhos apresentados em reuniões, jornais e 
revistas científicas, para aprender novos métodos de terapia, assim como os progressos em 
diagnóstico e técnicas terapêuticas, psicoterapêuticas, tecnológicas…. 
Pode verificar que em quase todas as licenciaturas, mestrados ou doutoramentos encontra 
unidades curriculares, módulos e/ ou seminários de estatística, pois um profissional deverá 
: 
 Estar apto a avaliar por si próprio os resultados de outros pesquisadores, deverá 
decidir quando uma nova técnica ou método pode substituir os antigos. 
 Estar apto a dar à família do paciente, ou ao próprio, bem como aos seus colegas de 
trabalho, segurança quanto ao diagnóstico, o que pode depender de sua capacidade de 
avaliar adequadamente os resultados de exames laboratoriais e outros, como também de 
seu conhecimento sobre a relação entre a idade, sexo e outras condições do paciente e uma 
determinada doença. Os novos conhecimentos virão através do trabalho de pesquisa 
realizado por ele próprio ou por outros. 
 Ser capaz de selecionar, da massa de informações, aquelas que forem válidas e que 
resistirem a testes científicos rígidos. 
 Desenvolver um ceticismo sadio em relação a tudo que lê. Uma noção básica é o 
reconhecimentode que os indivíduos diferem não apenas uns dos outros, mas também em 
relação a si próprios, de dia para dia ou mesmo de hora para hora. Uma certa quantidade de 
variação é normal, mas a questão que desafia o profissional de saúde é determinar quando 
uma variação específica se torna patológica (referente à doença). 
Para isso, deve aprender como medir a variação em indivíduos normais e definir qual é o 
limite de variação normal. Deve aprender que há algum erro aleatório presente em cada 
medida ou contagem feita. é altamente improvável que duas contagens sucessivas de 
glóbulos, feitas na mesma amostra de sangue, sejam idênticas. Quando, porém, uma 
diferença se torna maior que o erro de mensuração? Para exercer as suas funções do 
melhor modo possível, o profissional de saúde deve saber responder a questões como essa. 
Para cada medida ou determinação fornecida pelo laboratório, o profissional de saúde deve 
Estatística e SPSS 
 
6 
 
conhecer a variação que é parte do próprio método, para saber quando uma dada variação 
representa uma mudança real no paciente. Sempre que novos métodos de terapia são 
introduzidos, é necessário saber se são realmente superiores, isto é, mais eficientes que os 
velhos métodos. Será necessário fazer-se a avaliação crítica do estudo experimental, 
verificando principalmente se as medidas foram realizadas de modo a produzir resultados 
fidedignos, se o fator em prova foi o único fator de diferença entre o grupo experimental e 
o grupo controle, se a diferença entre os resultados obtidos nos dois grupos foi maior que 
aquela que poderia ser atribuída ao acaso. Apenas depois da avaliação, através de técnicas 
estatísticas adequadas, da fidedignidade dos resultados, comparabilidade dos grupos 
experiência e controle e, significância da diferença encontrada é que podemos tirar as 
conclusões relativas ao novo método. 
O número de falhas encontradas em publicações médicas enfatiza a necessidade de uma 
avaliação crítica da literatura. Para ajudar o estudante a desenvolver tal atitude são 
necessários certos conceitos estatísticos básicos e uma certa familiaridade com a 
terminologia mais usada. Os Métodos estatísticos são essenciais no estudo de situações em 
que as variáveis de interesse estão sujeitas, inerentemente, a flutuações aleatórias. Este é o 
caso da área da saúde principalmente na Medicina. Mesmo tomando-se um grupo de 
pacientes homogéneos, observa-se grande variabilidade, por exemplo, no tempo de 
sobrevida após um tratamento adequado. Dosagens de características hematológicas 
flutuam não só entre indivíduos, como também no mesmo indivíduo em ocasiões 
diferentes. Na realidade, há variações entre diferentes pacientes para qualquer variável de 
interesse clínico. Portanto, para se estudar problemas clínicos, é necessária uma 
metodologia capaz de tratar a variabilidade de forma adequada. 
Deve-se notar, entretanto, que ao tratar um paciente, o profissional de saúde se vale da 
experiência de eventos anteriores, vivenciada pessoalmente ou transmitida por outros 
através de livros e artigos. Assim, a Estatística pode ser vista como ferramenta de 
organização e validação do conhecimento na área da saúde. 
É inegável, hoje, que a ciência busca a verdade descrevendo o universo e estabelecendo 
princípios gerais para explicar os fenómenos do universo. Para tanto deve valer-se do 
pensamento científico, que se estabelece ao nível de uma linguagem teórica de conceitos e 
hipóteses. As hipóteses precisam ser comprovadas, quando se faz necessária a utilização de 
instrumentos operacionais que explicitarão os procedimentos usados para observação e 
mensuração do fenómeno. São as hipóteses estatísticas. 
A passagem da hipótese teórica para a hipótese estatística poderia ser assim exemplificada: 
Determinado investigador estudará a veracidade da hipótese: "Os indivíduos gordos 
comem mais que os indivíduos magros". Esta hipótese encerra alguns conceitos, como: 
gordo, magro e comer mais. Qualquer que seja o entendimento destes conceitos teóricos, 
para se operacionalizar a comprovação desta hipótese o investigador deverá estabelecer a 
maneira de medir gordo, magro e comer mais. Ou seja, como observar e medir gordo, 
magro e comer mais? Uma tradução operacional destes conceitos pode ser de que gordo é 
o indivíduo que apresente peso acima da faixa de normalidade no índice de massa corporal 
(IMC), e magro é o indivíduo que apresente peso abaixo dessa faixa. Comer mais seria 
Estatística e SPSS 
 
7 
 
traduzido como consumir mais calorias do que o definido como necessário pela tabela de 
ingestão diária de calorias de acordo com o perfil de atividades do indivíduo. 
Desta forma, a hipótese científica poderia ser enunciada como uma hipótese estatística da 
seguinte forma: "Os indivíduos que apresentam índice de Massa Corporal IMC normal são 
mais produtivos, do que os indivíduos que apresentam IMC abaixo do normal". Se esta 
hipótese se referir a poucos indivíduos basta verificar se é verdade para estes indivíduos e a 
questão estará resolvida. No entanto, para a ciência não terá muita utilidade tal observação, 
uma vez que nada garante que esse acontecimento não surgiu por acaso ou que só acontece 
naquele grupo apenas. 
Em ciência buscam-se hipóteses mais gerais, referentes a parâmetros populacionais. Para 
tanto, serão projetados e implementados planos de recolha e análise de dados que 
permitirão testar a hipótese dando-lhe validade científica. Esquematicamente: 
 Observa-se determinado fenómeno e elabora-se uma hipótese científica que procura 
estabelecer a relação entre variáveis; 
 A partir da hipótese científica e dentro dos conhecimentos atuais elabora-se uma 
hipótese estatística que permita explorar, descrever ou explicar o fenómeno observado; 
 Tendo a hipótese estatística, através de uma inferência (dedutiva) deduzem-se as 
consequências lógicas quanto ao que deve ser esperado empiricamente com relação à 
população; 
 São estabelecidas as margens de erro e os níveis de confiança que permitirão uma 
decisão para aceitação ou rejeição da hipótese; 
 A hipótese estatística será verificada através de técnicas estatísticas adequadas 
definidas previamente; 
 A veracidade científica da hipótese induz-se (inferência indutiva), a partir dos 
resultados e com base na teoria das probabilidades. 
A inferência indutiva terá tanto mais significado quanto mais rigoroso for o delineamento 
da colheita de dados e quanto mais apropriada for a análise estatística destes dados. As 
falhas nestas fases podem implicar em que os valores encontrados não reflitam 
adequadamente os parâmetros correspondentes. A inferência da hipótese estatística para a 
hipótese científica será tanto melhor quanto mais adequada tenha sido a formulação dos 
conceitos teóricos. Uma má formulação dos conceitos teóricos não permitirá aceitar como 
verdade a conclusão matemática retirada dos teste. Pelo contrario uma formulação 
adequada dos conceitos teóricos permite tirar conclusões indutivas que se transformam 
num princípio, ainda que provisório. Estas serão ajustadas aos novos conhecimentos, 
somando experiências que a regulem, e permitindo o contínuo ajuste do modelo à 
realidade. 
Ao verificar a provável (probabilidades) verdade de uma hipótese, a Estatística estabelece 
o nível de erro ao aceitar ou rejeitar uma hipótese. É por isso um dos mais poderosos 
instrumentos na busca da verdade científica, e o principal instrumento para generalizar 
conclusões da parte para o todo. 
 
Estatística e SPSS 
 
8 
 
Aula 2. Medidas de tendência central ou de posição: 
 Sob esta designação agrupam-se os parâmetros que, ou nos indicam algo de 
associável ao núcleo ou centro da distribuição,ou nos permitem compartimentá-la. São 
estes: média, moda e mediana. 
 Média aritemética: ponto de equilíbrio dos dados, isto é, tendo um conjunto de n 
valores x1, x2,…, xn de uma variável X, é o quociente entre a soma desses valores e o nº 
deles. 
 
 
 Mediana (Md): é o valor que ocupa a posição central de uma 
série, logo é necessário encontrar a posição média entre os 
dados, isto é, de uma série de n observações x1, x2,…, xn de uma variável X, é o valor que 
ocupa a posição central quando as observações estão ordenadas por ordem crescente ou 
decrescente, ou seja, é op valor dessa variável tal que a frequência dos valores que lhe são 
inferiores é a mesma que a frequência dos valores que lhe são superiores. Usada quando na 
amostra há valores excêntricos em relação a outros valores. 
 Quando N é ímpar: 
 Quando N é par: 
 
 
 
 Moda (ou valor modal- Mo): de uma série de n 
valores x1, x2, …, xn de uma variável X, é o valor onde 
a frequência atinge o máximo relativo, isto é, se uma 
variável é discreta, a(s) moda(s) é(são) o(s) valor(es) da variável estatística que se 
observa(m) com maior frequência. 
 
 
 
 
 
Medidas de dispersão: 
 As medidas de tendência central não fornecem por si só, uma informação exaustiva 
da distribuição em causa, até muito pelo contrário, pois a capacidade que se lhe atribui de 
representar os elementos de uma distribuição depende do modo como estes se concentram 
ou dispersam em torno dela, sendo então aqui necessário o auxílio das medidas de 
dispersão para permitir assim uma melhor caraterização da distribuição, pois tal como o 
nome indica, são elas que irão exprimir o grau de dispersão ou variabilidade dos dados. 
 São elas: 
 Amplitude total; 
NOTAS: 
 Distribuição simétrica ou não enviesada: Mo= média= Md 
 Distribuição enviesada á esquerda: Mo> Md> Média 
 Distribuição enviesada á direita: Mo< Md< Média 
Estatística e SPSS 
 
9 
 
 Amplitude interquartis; 
 Desvio médio; 
 Desvio padrão; 
 Variância; 
 Coeficiente de dispersão ou de variação. 
 
Aula 3. População e Amostra 
 
Noções gerais 
 
 
 
 População: conjunto de pessoas, objetos ou acontecimentos que se estão a analisar 
em que cada elemento seu se denomina de Unidade estatística. 
 População-alvo: elemento com qualquer caraterística em comum que estão a ser 
sujeitos a uma análise estatística, por terem interesse para o estudo. 
 
 
 
P
o
p
u
la
çã
o
 
Natureza: 
Existente/ Real 
Hipotética 
Nº de elementos: 
Finita 
Infinita 
Estatística e SPSS 
 
10 
 
 Amostra: subconjunto da população, não tendenciosa, que se supõe ser 
representativo de todas as caraterísticas da mesma, sobre o qual será feito o estudo, com o 
objetivo de serem tiradas conclusões válidas sobre a população, permitindo desta forma a 
generalização. 
 Amostragem: procedimento pelo qual um grupo de pessoas ou um subconjunto de 
uma população è escolhido com vista a obter informações relacionadas com um fenómeno, 
para que toda a população em interesse esteja representada. 
 
 Plano de amostragem: serve para descrever a estratégia a utilizar para selecionar a 
amostra. 
 Modalidade: toda a manifestação possível de uma variável, isto é, as várias 
hipóteses de resposta. 
 
Variáveis: 
 Propriedades em relação à qual os indivíduos de uma amostra variam, 
tendo por isso interesse estatístico. 
 
 Variável estatística: aspetos (caraterísticas) que se têm em conta, ao ser efetuada 
uma análise estatística. 
 
 
 
 
Classificação das variáveis: 
 Independentes: identifica-se com a dimensão ou a caraterística que o investigador 
manipula deliberadamente para conhecer o seu impacto numa outra variável (a variável 
dependente); 
 Dependentes: caraterística que aparece ou muda quando o investigador aplica, 
suprime ou modifica a variável independente; 
 Moderadoras: fatores que são mediados, manipulados ou selecionados pelo 
investigador para verificar se afetam a relação entre a variável independente e um 
fenómeno observado; 
 Controle: fatores que são controlados pelo investigador para inibir ou neutralizar 
qualquer efeito que possam ter no fenómeno observado; 
 Parasitas: qualquer fator que, teoricamente, afeta o fenómeno observado, mas não 
pode ser visto, medido ou manipulado. 
 
Estatística e SPSS 
 
11 
 
 
 
Natureza das variáveis: 
 
 Qualitativas: a natureza da variável varia de elemento para elemento; 
 
 
 
 
 
 
 Quantitativas: a intensidade da variável varia de elemento para elemento; 
 
 
 
 
 
 
 
Tipos de estatística: 
 Estatística descritiva: Recolhe, organiza e 
analisa os dados de uma amostra, sem retirar 
qualquer conclusão sobre um grupo maior. 
 
 Estatística indutiva: Recolhe, organiza, 
analisa e estabelece relações entre os dados para 
fazer inferências sobre a população e, 
consequentemente, chegar a leis e teorias (dando a 
descritiva um apoio a esta tarefa). 
Nominais 
Ordinais 
Quantitativas 
Ordinais: 
Quando existe uma 
ordenação possível. 
Discretas: 
Assumem valores isolados, normalmente 
inteiros. 
 
Continuas: 
É possível qualquer 
operação aritmética, podendo 
assumir qualquer valor real 
Nominais: 
Quando o seu significado só se entende em 
função do nome e o número ou código que se 
lhe atribua não nos dá nenhuma informação. 
(dicotómicas ou politómicas) 
 
Estatística e SPSS 
 
12 
 
 Parâmetro: toda a função definida a partir dos dados numéricos de uma população. 
Ex: resultado de uma média 
 
 Dado estatístico: toda a função definida a partir dos dados numéricos duma amostra. 
Ex: resultado de uma média é um dado estatístico. 
 
 
 Pode-se assim concluir que o parâmetro está para a população, assim como o 
dado estatístico está para a amostra! 
 
 
Estatística e SPSS 
 
13 
 
Aula 4. Usar o SPSS para organizar e mostrar os dados: 
 
1) Iniciar programa SPSS for Windows. Aparecerá o ecrã de abertura do SPSS. 
2) Pressionar em Type in data para proceder á abertura de uma nova janela (caso se 
pretenda abrir uma já existente deve pressionar-se open file e selecionar o ficheiro 
pretendido). Passará de imediato ao editor de dados, que funciona de forma semelhante a 
uma folha de cálculo. 
 
 
 No SPSS o ficheiro de dados corresponde a uma matriz na qual as colunas 
correspondem ás variáveis e as linhas aos indivíduos. Cada célula corresponde a uma 
observação da variável correspondente. 
 O editor de dados é composto por duas folhas: uma que se designa por Data View 
(onde se procede à introdução dos dados) e outra que se designa por Variable View (na 
qual se estrutura o ficheiro de dados, explicitando os nomes das variáveis e as suas 
caraterísticas. 
Estatística e SPSS 
 
14 
 
 
 
 
 
 Name: define-se nesta coluna o nome da variável. 
 Type: Numeric. 
 Width: número de dígitos (8). 
 Decimals: Número de casas decimais apenas é considerada uma casa decimal para a 
variável nível de ferro. 
 Label: Descrição da variável, que surgirá sempre que, estando no Data View, passar 
com o rato no topo das variáveis, bem como nos gráficos e tabelas solicitados. 
 Values: De enorme importância aquando da presença de variáveis qualitativas, pois 
é nesta coluna que são definidos os códigos e a designação das respetivas categorias de 
cada variável. 
 
Estatística e SPSS 
 
15 
 
 
A variável dieta equilibrada pode assumir 
dois valores ou categorias (1=”Sim” e 
2=”Não”).A variável intensidade dos treinos pode 
assumir três valores ou categorias, 
nomeadamente: 1=”Baixa”, 2=”Moderada” e 
3=”Elevada”). 
 
 Missing: Possibilita a codificação e 
tratamento de valores omissos na base de 
dados. Neste ficheiro não há valores omissos, 
pelo que não se altera esta coluna. 
 Columns: Permite definir a dimensão 
da coluna de cada variável. 
 Align: Permite definir o alinhamento dos dados. 
 Measure: Permite a identificação da escala de medição das variáveis. O SPSS 
considera apenas três escalas de medição das variáveis: nominal, ordinal e métrica (scale). 
Esta escala agrega as duas escalas para variáveis quantitativas, a de intervalo e a de razão. 
3) Depois de criado o ficheiro são introduzidos os dados disponíveis, obtendo-se a base 
de dados seguinte. 
4) Representação sob a forma de tabela de frequências e representações gráficas. 
AnalyzeDescriptive Statistics Frequencies 
 Selecionar a variável; 
 Marcar Display frequency tables; 
 Em Charts escolher Bar charts e Continue. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Estatística e SPSS 
 
16 
 
 
5) Visualização dos dados do output gerado 
intensidade dos treinos 
 Frequency Percent Valid Percent Cumulative 
Percent 
Valid baixa 5 50,0 50,0 50,0 
moderada 2 20,0 20,0 70,0 
elevada 3 30,0 30,0 100,0 
Total 10 100,0 100,0 
 
nível de ferro (mg) 
 Frequency Percent Valid Percent Cumulative 
Percent 
Valid 7,8 1 10,0 10,0 10,0 
9,9 1 10,0 10,0 20,0 
10,5 1 10,0 10,0 30,0 
11,0 1 10,0 10,0 40,0 
14,3 1 10,0 10,0 50,0 
14,5 1 10,0 10,0 60,0 
15,4 1 10,0 10,0 70,0 
15,9 1 10,0 10,0 80,0 
20,8 1 10,0 10,0 90,0 
27,0 1 10,0 10,0 100,0 
Total 10 100,0 100,0 
 
 Sendo a variável nível de ferro quantitativa contínua e assumindo tantos valores 
diferentes, a respetiva tabela de frequências, tal como é apresentada, revela ser pouco 
funcional, não facilitando uma leitura rápida da informação. Para ultrapassar esta questão 
dever-se-á proceder á categorização da variável, ou seja, à transformação da variável em 
variável qualitativa organizada em classes. 
 Vamos considerar, a título de exemplo, que se constroem duas classes a partir dos 
dados de que dispomos. A primeira classe congrega os indivíduos com valores do nível de 
ferro menores ou iguais a 14,7 mg (valor correspondente ao valor da média do nível de 
ferro). A segunda integra indivíduos com valores do nível de ferro superiores a 14,7 mg. 
Esta operação realiza-se do seguinte modo no SPSS. 
 
Estatística e SPSS 
 
17 
 
Aula 5. Transformação dos dados 
6) Para proceder á transformação de variáveis: TransformRecode Into diferente 
Variables 
Neste menu importa identificar a variável 
que se pretende classificar (nivelferro), 
atribuir à nova variável um nome 
(classes_ferro), atribuir um label (nível de 
ferro-classes) e depois pressionar o botão 
Old and New Values. 
 
 
É nesta janela que se dá indicação ao SPSS 
do critério a seguir para a constituição das 
classes. Neste exemplo, atribuímos à 1ª 
classe o código numérico 1, associando-o aos 
indivíduos com valores de nível de ferro 
menores ou iguais a 14,7 mg. O 
procedimento é o mesmo para definir a 2ª 
classe. Por fim pressionamos o botão 
Continue. 
 É acrescentada à base de dados 
original uma nova variável 
(classes_nferro). Esta variável não está 
ainda configurada. Para tal é necessário 
recorrer à folha variable view.Pode agora 
considerar-se o número de casas decimais 
igual a zero, preencher a coluna values 
com os respetivos códigos e por fim 
designar corretamente a escala de medida da variável (ordinal). 
 
 
 
 
 
Estatística e SPSS 
 
18 
 
 
O resultado da formatação efetuada é o seguinte 
 
7) Por fim pode representar-se a distribuição 
de frequências da nova variável através de uma 
tabela de frequências, conforme surge 
seguidamente 
 
8) (cujo procedimento já foi descrito 
anteriormente): 
 
nível de ferro (classes) 
 Frequency Percent Valid Percent umulative 
Percent 
Valid [0 ;14,7] 6 60,0 60,0 60,0 
[14,8 ;30] 4 40,0 40,0 100,0 
Total 10 100,0 100,0 
 
9) As representações gráficas executam-se de acordo com os procedimentos descritos 
de seguida: 
 
 Gráfico circular 
1. Graphs Legacy DialogsPieSummaries for groups of casesDefine 
2. 
 
 
3. Destes procedimentos resulta a representação gráfica seguinte: 
 
 
Estatística e SPSS 
 
19 
 
 
 
 
 
 Histograma 
 
Graph Legacy Dialogs Histogram inserir variável nível de ferro (mg) OK 
 
 
 Obtém-se então o seguinte gráfico: 
Estatística e SPSS 
 
20 
 
 
 
Transformação através do visual binning 
 Para criar uma nova variável: 
1) Transform Visual Binning 
2) Selecionar variável education level; 
3) Continue 
 
 
Introdução do nome “habilitações” à nova variável; 
 
 
Estatística e SPSS 
 
21 
 
4) Criação das classes: 
 
Se selecionar exclude e inserir os valores 
 9= 
 12= 
 15= 
 17= 
 High= 
Se clicar em make labels aparece 
 9= <9 
 12= 9-11 
 15= 12-14 
 17= 15-16 
 19= 17-18 
 High= 19+ 
Não esquecer que se selecionar Included a transformação inclui o valor colocado 
 
Estatística e SPSS 
 
22 
 
 
5) Variável “habilitações” criada e visível em Data View 
 
 
 Em Variable View: 
 
 
 
 
Estatística e SPSS 
 
23 
 
 
Aula 6. Representações gráficas para diferentes tipos de variáveis 
 
 Na escolha da representação gráfica a utilizar, é fulcral ter em conta a natureza e 
escala de medição da variável e o objetivo da representação gráfica (o que se pretende 
evidenciar). 
 Representações gráficas para variáveis qualitativas ou quantitativas Discretas 
Gráfico de Barras 
 Para representar a distribuição de frequências, absolutas ou relativas, de uma variável 
qualitativa ou quantitativa discreta pode utilizar-se o gráfico de barras. Este tem como 
referência dois eixos. No eixo das abcissas são representados os valores (ou categorias, no 
caso de variáveis qualitativas) da variável. No eixo das ordenadas são representadas as 
respetivas frequências (absolutas ou relativas) de ocorrência dos valores observados. A 
largura das barras é igual para todas as categorias ou valores e a altura é proporcional à 
frequência observada. 
 O espaço existente entre as barras adjacentes evidencia a natureza qualitativa ou 
quantitativa discreta da variável. 
Gráficos Circulares 
 Esta representação gráfica é particularmente utilizada na representação da 
distribuição de frequências de variáveis qualitativas. A sua funcionalidade diminui quando 
os valores que uma variável pode assumir são em número elevado. 
 Os gráficos circulares estão divididos em áreas proporcionais à frequência da 
categoria que representam. O círculo representa a totalidade das observações. 
 Habitualmente, estes gráficos evidenciam as frequências relativas (em percentagem) 
e usam-se quando o número de categorias é pequeno (não superior a 10). 
Diagrama em escala integral 
 À representação gráfica das frequências acumuladas (absolutas ou relativas) dá-se o 
nome de diagrama em escada ou digrama integral. 
 A altura de cada degrau corresponde à frequência registada (absolutas ou relativas) 
para o valor considerado da varável. As descontinuidades ocorrem nas abcissas dos pontos 
onde surgem os saltos, pelo que a função cumulativa é contínua à direita nesses pontos. 
 
 Representações gráficas para variáveis quantitativascontínuas 
 As representações gráficas mais habituais para frequências simples da distribuição de 
uma variável contínua são os histogramas, os polígonos de frequências, o polígono 
integral ou os gráficos de linhas, estes últimos mais utilizados nas representações gráficas 
de séries temporais. 
 
 
 
 
Estatística e SPSS 
 
24 
 
Histograma 
 O histograma permite representar graficamente a distribuição de frequências de uma 
variável contínua. No eixo horizontal representam-se as classes e no eixo vertical as 
frequências absolutas ou relativas. Utilizam-se barras com área proporcional à frequência 
da classe correspondente. As barras são contiguas para evidenciar a continuidade da 
variável, tendo uma fronteira comum. 
Considerando classes com igual amplitude cada barra tem a mesma base igual a a e altura 
igual à respetiva frequência (relativa ou absoluta). A área total do gráfico é igual à soma de 
cada uma das barras. A área de cada uma das barras e igual ao produto da largura pela sua 
altura. 
Refira-se que quando se trabalha com variáveis continuas a amplitude das classes extremas 
não está, muitas vezes, definida. Nestes casos, convenciona-se que estas classes têm a 
amplitude das classes adjacentes 
Polígono de frequências 
 Os polígonos de Frequências são gráficos de linhas que são obtidos unindo 
sucessivamente, por segmentos de reta, os pontos médios dos topos dos retângulos do 
histograma que representa as frequências relativas. O polígono de frequências é uma das 
representações gráficas que possibilita uma fácil e rápida comparação de duas ou mais 
distribuições de frequências de variáveis continuas. 
 Para a construção de um polígono de frequências acrescentam-se dois segmentos 
terminais ao polígono de frequências. Estes novos segmentos são obtidos unindo os 
vértices extremo, da linha poligonal já obtida, aos vértices de duas classes adicionais, cada 
uma com amplitude igual ás restantes, frequência nula, sendo uma adjacente á primeira 
classe e a segunda adjacente à ultima. Deste modo, o número total de vértices do polígono 
de frequências é igual ao número de classes acrescido de duas unidades. A área abaixo do 
polígono de frequências é deste modo, igual à área correspondente à soma das áreas das 
barras. 
 
 Um polígono de frequências acumuladas ou polígono integral é representado com 
base nas frequências relativas acumuladas. Neste caso, admite-se que a distribuição dos 
elementos dentro das classes se faz de uma forma uniforme, o que origina no intervalo de 
valores de uma mesma classe, uma representação linear. 
 A representação prática do polígono integral é feita unindo o conjunto dos pontos 
cujas abcissas são os limites superiores das classes, e as ordenadas as correspondentes 
frequências relativas acumuladas. A este conjunto acrescenta-se um ponto à esquerda cuja 
abcissa é o limite inferior da primeira classe e cuja ordenada é zero. Finalmente, obtém-se 
o polígino de frequências acumuladas unindo estes pontos por segmentos de reta e 
prolongando-a nas extremidades, por linhas horizontais. 
 
 
 
Estatística e SPSS 
 
25 
 
 
Construção de um Gráfico de Barras no SPSS 
Aquando na presença de variáveis qualitativas ou quantitativas discretas: 
-Baseada na variável eco da base de dados fornecida no exercício 3, página 48 do livro 
“Estatística Aplicada às Ciências e Tecnologias da Saúde” 
 
 
1) Analyze Descritive Statistics Frequencies 
2) Selecionar a variável pretendida e adicionar á coluna Variable(s); 
3) Desativar a seleção Display frequency tables; 
4) Charts Bar Charts Continue OK 
 
Obtém-se então o gráfico no Output, podendo depois tratar-se as caraterísticas a gosto: 
 
Estatística e SPSS 
 
26 
 
Aula 7. Análise descritiva: média, Mo e Md em SPSS 
1) Caraterizar a amostra devidamente; 
2) Distribuição da amostra relativamente às habilitações (ordinal), ao sexo (nominal) e 
ao salário atual (quantitativa). 
3) Analyze Frequencies; 
4) Selecionar a variável que pretendemos estudar (salário atual); 
5) Desselecciona-se a opção Display frequencie tables, visto a variável escolhida ser 
quantitativa ; 
 
 
6) Seleciona-se as medidas que pretendemos estudar. 
 
Charts Histograma Continue. 
 
Estatística e SPSS 
 
27 
 
 
7) Visualização do Output gerado: 
 
 
 
A curva tem uma distribuição ligeiramente assimétrica para a direita, uma assimetria 
positiva, onde: média > mediana > moda 
 
Nota: Quando se altera de variável quantitativa para qualitativa, ou vice-versa, é 
necessário fazer o reset dos dados para evitar um possível viés nos resultados. 
 
Estatística e SPSS 
 
28 
 
 Não é possível fazerem-se descritivas, contudo, já se pode fazer a tabela das 
frequências, que na variável anterior não era possível! 
A variável sexo e a variável habilitações são ambas variáveis qualitativas, logo 
 
 
 
8) Visualização do Output gerado: 
 
 
 Para ver as descritivas das duas variáveis quantitativas: variáveis “meses de 
trabalho” e “experiência prévia”? 
1. Analyze Descriptive Statistics descriptives 
 
 
Estatística e SPSS 
 
29 
 
 
(NOTA: este menu usa-se apenas para variáveis quantitativas) 
2. Selecionar as variáveis de interesse. 
3. Visualização do Output obtido: 
 
 
 
Estatística e SPSS 
 
30 
 
 
Aula 8. Estatística Paramétrica e Não Paramétrica 
 Há 2 tipos de estatística 
1. Paramétrica * 
2. Não paramétrica 
 
Não Paramétrica: Considera se certos resultados são superiores ou inferiores a outros 
resultados. 
 *Paramétrica: Calcula as diferenças numéricas exatas entre os resultados. 
No entanto, sempre que se pretende empregar a estatística paramétrica existe uma lista de 
requisitos que têm de ser verificados e respeitados, nomeadamente: 
1. Variável direta tem de ser quantitativa (no caso das correlações de variável direta e 
indireta); 
2. Ser simétrica (largura); 
3. Ser mesocúrtica (com exceção do T de Student); 
4. Ter distribuição normal (só se puder aceitar a H0). 
 
Nota: A demonstração experimental em contexto de como verificar os pré-requisitos vai 
ser feita em simultâneo com a aula prática que se encontra de seguida. 
 
 Verificação do 2º pré- requisito - Ser simétrica: 
1) Analyse Descriptive Statistics Explore 
Aula prática 
 Usar o SPSS Para verificação dos pré-requisitos da estatística paramétrica e o 
uso do R de Pearson: 
1) Abrir SPSS; 
2) FileOpenDataDocument(c) Program File x86Diet StudyOpen 
 
 
 
 
 
 
 
Estatística e SPSS 
 
31 
 
3) Hipótese proposta: Verificar a existência ou não de correlação entre a variável tg0 
e wgt0. 
 Como ambas as variáveis são quantitativas, mas não são dados emparelhados (isto é, 
não é a mesma variável medida duas vezes mas em tempos diferentes) e é para se verificar 
a existência de uma correlação, exclui-se de imediato os testes T de Student para dados 
Emparelhados, o W de Wilcoxon e o Anova para Medidas repetidas, sobrando então duas 
opções: o R de Pearson e o seu correspondente não paramétrico Rho de Spearman. 
 
 Observado isto, é necessário então proceder-se ao “teste dos pré-requisitos” para 
verificar se estamos perante estatística paramétrica ou não paramétrica. 
 
4) Verificação de pré-requisitos no SPSS: 
2) Analyse → Descriptive Statistics → Explore 
3) Inserir na janela Depend List as variáveis Quantitativas (caso existam 
qualitativas deve-se colocá-las na janela Fator list). 
4) Plots desseleccionar Stem-and-leaf, selecionar Histogram e Normality 
Plots with tests5)  ContinuePaste.Obtém-se então a Syntax: 
Estatística e SPSS 
 
32 
 
 
NOTA: Para se tirar apontamentos na Syntax, começa-se sempre com um * e terminamos com um ponto final. 
1. Seleciona-se tudo e clica-se em Run Selection; 
2. Obtém-se então o seguinte Output: 
3. Verificar se é simétrica; 
 
Para se verificar a simetria da distribuição, é necessário proceder-se á divisão do coeficiente de simetria 
(Skewness) pelo erro padrão e o seu resultado deve estar compreendido entre -2 e 2. 
 Triglicerídeos: 
-0.004/0.564=0.007 
 Peso: 
0.113/0.564=0.201 
-Conclusão: Como os resultados estão compreendidos entre 2 e -2, a distribuição é simétrica. 
Simetria Graficamente: Histograma: 
 
Estatística e SPSS 
 
33 
 
1. Boxplot ou Gráfico de Bigodes: 
 
Podemos observar que não há valores fora da caixa- outliers, permitindo-nos assim 
concluir que a distribuição é simétrica. 
 
 Verificar se é Mesocúrtica; 
 
Para se verificar se uma variável é mesocúrtica, é necessário proceder-se á divisão do coeficiente de 
achatamento (Kurtosis) pelo erro padrão e o seu resultado deve estar compreendido entre -2 e 2. 
 Triglicerídeos: 
-1.265/1.091=-1.159 
 Peso: 
-1.318/1.091=-1.208 
-Conclusão: Como os resultados estão compreendidos entre 2 e -2, a distribuição é mesocúrtica. 
 
 
Estatística e SPSS 
 
34 
 
 Ter distribuição normal: 
 Visualiza-se através do teste Shapiro-Wilk, pois a amostra tem menos de 50 casos e 
só se recorre ao teste de Kolmogorov- Smimov se a amostra tivesse mais de 50 casos. 
 Se Sig for menor ou igual a 0.05 rejeita-se a homogeneidade, admitindo assim que 
elas t~em diferenças, não tendo uma distribuição idêntica e semelhante, ou seja, rejeita-se a 
H0. 
 
 
Conclusão: como o Sig é superior a 0.05, aceita-se a a H0 e diz-nos que a variável tem 
distribuição normal. Podendo-se usar então o R de Pearson. 
 
 
NOTA: Caso os resultados de um teste paramétrico não estejam de acordo com os pré-
requisitos (mínimo dados intervalares, distribuição simétrica, mesocúrtica e normal), estes 
não têm, interpretação significativa, optando, neste caso, a maior parte dos investigadores, 
por testes de significância não paramétricos, que podem ser usado mesmo quando os dados 
são medidos num nível ordinal ou até mesmo quando são nominais. 
 
Estatística e SPSS 
 
35 
 
Aula 9. Estatística Bivariada 
 Correlação: 
 È medida a relação entre variáveis, quando estas são quantitativas ou também as 
ordens de variáveis, como nas ordinais. Se ambas as variáveis, dependente e independente, 
forem quantitativas e cumprirem com os restantes requisitos da estatística paramétrica, 
vistos anteriormente, pode então aqui utilizar-se o R de pearson, como foi verificado no 
caso anterior, permitindo-nos assim verificar se há relação entre a ingestão de triglicerídeos 
no início do estudo e o aumento de peso num mesmo indivíduo. 
 Para todos os dados estatísticos processados em SPSS, o Sig tem a seguinte 
significância: 
 Se sig <0.001 – muito significativo (rejeito hipótese nula) 
 Se sig <0.01 – muito significativo (rejeito a hipótese nula) 
 Se sig <0.05 – significativo – rejeito hipótese nula 
 Se sig 0.05 -0.1 tendencialmente significativo, mas aceita-se h0 (hipótese nula) 
 Se sig >0.05 não existe a relação entre as variáveis, aceita-se h0. 
 
Mediante isto, só existe correlação estatisticamente significativa entre as variáveis em 
causa se o valor de Sig for inferior a 0.05. 
Na Estatística Bivariada, aceita-se a hipótese nula, H0, quando as variáveis são 
independentes, não existindo relação entre as duas; rejeita-se Ho quando as variáveis são 
dependentes. 
 R de Pearson no SPSS: 
1. AnalyzeCorrelate Bivariate 
 
 
 
 
 
 
Estatística e SPSS 
 
36 
 
 
 
2. Seleciona-se as variáveis em interesse 
 
 
 
3)Visualização do Output: 
 
Conclusão: Como sig superior a 0.05, não existe relação entre as variáveis. 
 
 Teste do Qui-Quadrado da Aderência (x2): 
Teste não paramétrico usado aquando da presença de apenas uma variável, consistindo 
na comparação dos dados obtidos experimentalmente, com os esperados de acordo com a 
lei. 
 
 Uma variável 
 Variável qualitativa nominal 
 
Procedimento: 
 
1) Analyze Non parametric testsLegacy DialogsChi-square 
 
Estatística e SPSS 
 
37 
 
 
 
Verifique se existe alguma distribuição homogénea entre homens e mulheres a 
trabalharem na sua área de formação. 
 
 
 
A variável gender não surge com as outras variáveis, devido ao facto de ser do tipo 
“string” e não do tipo “numérico”, pelo que, se terá de proceder á sua transformação para 
que seja possível a seguimento do processo. 
 
 
 
Estatística e SPSS 
 
38 
 
2) Transform Recode into Different Variable 
 
 
3) Selecionar Old and New Values; 
 
4) nserir os números 1e 2 para definirmos, respetivamente, o sexo feminino e o 
masculino (1=female; 2=male). O SPSS faz distinção entre maiúsculas e minúsculas. 
 
 Variável transformada, sendo necessário dar os valores à nova variável. 
 
 
Estatística e SPSS 
 
39 
 
 
 
Pode então retomar-se a execução do teste. 
5) Volta-se a repetir o procedimento, mas desta vez já surge a variável. 
 
 
 
 
 
6) Paste run 
 
7) Visualização do Output: 
Estatística e SPSS 
 
40 
 
 
Como Sig: 0.054>0.05, logo aceita-se a hipótese nula, o que nos permite concluir que 
não existem diferenças estatisticamente significativas entre a distribuição de homens e 
mulheres a trabalharem no sector da nutrição, não se podendo desta forma dizer se esta 
profissão é significativamente mais feminina ou masculina. 
 
 Hipótese: Saber se há uma distribuição diferente em função dos anos de 
escolaridade (nível de educação em anos). 
 Variável quantitativa; 
Distribuição simétrica: 
1. Analyze Descriptive Statisticsexplore; 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2. Selecionar variável e clicar em plots 
Estatística e SPSS 
 
41 
 
 
 
 
3. Visualizar Output gerado: 
 
 
 
 
 
 
 
 
 
 
4. Verificação dos pré-requisitos. 
Copia-se a tabela no output e recorrendo ao Excel podemos colar a tabela e aí dividir o 
Skewness pelo seu erro padrão e também a Kurtosis pelo seu erro padrão, facilitando os 
cálculos. 
 
 
 
 
Tests of Normality 
Estatística e SPSS 
 
42 
 
 
Kolmogorov-Smirnov
a
 Shapiro-Wilk 
Statistic df Sig. Statistic df Sig. 
Educational Level (years) ,210 474 ,000 ,906 474 ,000 
 
 
Conclusão: Para testar esta hipótese estudou-se uma amostra cujo número de casos é 
superior a 50, devendo por isso analisar-se os dados referentes ao Kolomogorov- Smimov. 
Como o valor de Sig é inferior a 0.05, a variável não apresenta distribuição normal, tendo 
então de se usar o equivalente não paramétrico. 
 
Estatística e SPSS 
 
43 
 
 
Aula 10. Testes de Hipóteses: 
 Hipótese 1: Existem diferenças de anos de escolaridade em função da categoria 
profissional. 
 Neste caso verifica-se que existem mais de duas amostras de dados independentes 
(3 categorias: Estagiário, Contratado e Chefia), remetendo assim para os testes H de 
kruskal- Wallis e o Anova. Como remete para diferenças entre médias, a categoria 
profissional tem: estagiário/aprendiz contratados e chefias, como são independentes e não 
é paramétrico como se comprovou anteriormente, terá de ser o H de Kruskal-Wallis. 
 
1. Analyze  Nonparametric tests  Legacy Dialogs  K independent samples2. Selecionar as variáveis pretendidas; 
 
 
 Em Test Variable Level coloca-se sempre a variável quanditativa (anos de escolaridade); 
 Em Grouping Variable Coloca-se sempre a variável qualitativa (Categoria profissional). 
 
Estatística e SPSS 
 
44 
 
3. Preenchimento dos espaços referentes ao máximo e ao mínimo da categoria 
profissional (mín.1- porque existe no mínimo 1 categoria profissional e no máximo 3 
porque no total existem 3 categorias profissionais); 
4. Visualizar o Output gerado: 
Ranks 
 Employment Category N Mean Rank 
Educational Level (years) Clerical 363 206,43 
Custodial 27 95,89 
Manager 84 417,27 
Total 474 
 
 
Test Statistics
a,b
 
 
Educational Level 
(years) 
Chi-Square 209,516 
df 2 
Asymp. Sig. ,000 
 
 
Conclusão: Como Sig<0.05, rejeita-se a hipótese nula, concluindo-se então que a hipótese 
1 verifica-se, ou seja, há diferenças de anos de habilitações literárias em função da 
categoria profissional ocupada, sendo isto comprovado pela análise das tabelas anteriores, 
pois verifica-se que os estagiários e as chefias têm maior grau de habilitações literárias 
quando comparados com os contratados.~ 
 
Hipótese 2: Quanto maior a escolaridade, maior a categoria profissional. 
Neste exemplo pretende-se conhecer uma correlação, nomeadamente entre os anos de 
escolaridade e a profissão, sendo que os testes de correlação conhecidos são o R de 
Pearson e o RHO de Spearman. Como não pode ser o teste paramétrico, terá então de ser o 
RHO De Spearman. 
1. Menu Analyze  Correlate  Bivariate; 
 
 
 
Estatística e SPSS 
 
45 
 
2. Selecionar ambas as variáveis para a lista. 
Mudar o visto para: Pearson 
3. Fazer paste e run 
4. 
 
 
5. Visualizar o Output gerado: 
 
Conclusão: Como o valor de sig é nulo e inferior a 0.05 significa que existe correlação, 
pois rejeita-se a H0, tendo esta valor de 0.484 que segundo Bryman e Cramer é 
considerada uma correlação moderada (pois 0,4<0,4840,69) entre a escolaridade e a 
categoria profissional ocupada. Para além disso, como o coeficiente de correlação é 
positivo, podemos ainda dizer que quanto maior for o cargo exercido, maios será o grau de 
escolaridade do indivéduo em causa, estabelecendo assim uma relação de 
proporcionalidade direta. 
A intensidade ou força varia entre -1 e 1. Se a correlação for zero não existe correlação 
entre as variáveis. 
Em modúlo, segundo Bryman e Cramer, a correlação pode ser definida como: 
 0,2 Correlação muito fraca e sem significância 
 0,2<r0,39 Correlação fraca 
 0,4<r0,69 Correlação moderada 
 0,7<r0,89 Correlação forte 
 0,9<r1 Correlação muito elevada 
 
NOTA: A direção da “evolução” é nos indicada pelo sinal “+” ou “-“. 
Correlations 
 
Educational 
Level (years) 
Employment 
Category 
Spearman's rho Educational Level (years) Correlation Coefficient 1,000 ,484
**
 
Sig. (2-tailed) . ,000 
N 474 474 
Employment Category Correlation Coefficient ,484
**
 1,000 
Sig. (2-tailed) ,000 . 
N 474 474 
**. Correlation is significant at the 0.01 level (2-tailed). 
 
Estatística e SPSS 
 
46 
 
Hipótese 3: Em termos proporcionais, as chefias têm habilitações literárias mais 
elevadas. 
 Neste último caso, visto estar-se a falar de uma diferença de proporções entre duas 
variáveis qualitativas ordinais, nomeadamente a variável chefias e a variável habilitações 
literárias, o teste utilizado deverá ser o Teste do Qui-Quadrado da Independência. 
1. Analize  Descriptive Statistics  Crosstabs 
 
 
2. Selecionar as variáveis. 
 
 
3. Statistics: Colocar visto em Chi-square 
 
 
 
Estatística e SPSS 
 
47 
 
4. Cells: Selecionar Observed e Column Continue 
 
 
 
5. Visualizar o Output gerado: 
 
 
 
 
Conclusão: Visto o valor do Sig ser nulo e inferior a 0.05, rejeita-se H0, admitindo-se 
assim que existem diferenças entre as variáveis, aceitando-se desta forma a hipótese 
experimental, ou seja, as chefias têm habilitações literárias mais elevadas. 
 
 A maioria são licenciados (46,4%), existindo também uma quantidade significativa 
de indivíduos com doutoramento (34,5%) na categoria de “manager”; 
 As categorias de “contratado” e de “estagiário” é constituído essencialmente por 
pessoas com o 3º ciclo (48,1% e 50,1% respetivamente), existindo também uma diferença 
significativa na quantidade de licenciados nestas categorias. 
Estatística e SPSS 
 
48 
 
Aula 11. Testes paramétricos: 
Suponhamos que a nossa variável “ anos de escolaridade” tivesse distribuição normal. 
Neste caso, trabalharíamos com os testes paramétricos para testar todas as hipóteses. 
Teste ANOVA 
 No caso da hipótese 1 teríamos de utilizar este teste. 
1. Analyze  Compare Means  Oney-Way ANOVA 
2. Selecionar as variáveis pretendidas. 
 
 
 
 
3. para o caso de existirem diferenças significativas temos de proceder às comparações 
à posteriori – Post-Hoc. 
~ 
4. Selecionar Post Hoc  Colocar visto no teste Tukey (Moderado) se pretender um 
teste moderado, no LSD se liberal ou no Sheffé se necessitar de um teste conservador. 
Variável Quantitativa 
Variável Qualitativa 
Estatística e SPSS 
 
49 
 
5. Porque a anova exige homogeneidade da variância ainda temos que selecionar: 
Option  selecionar Homogeneity of variance test (para além de outros que considerar 
necessários como o Descriptive) Continuepaste 
 
6. Visualizar o output gerado. 
 
 
Estatística e SPSS 
 
50 
 
Conclusão: O valor do Sig é inferior a 0,05, logo rejeita-se a HO. Como se rejeita a HO 
dizemos que existem diferenças entre os anos de escolaridade em função da categoria 
profissional. O teste post-hoc revela que as diferenças são entre qualquer cruzamento das 
variáveis. 
 
Teste T de Student para dados Independentes 
Hipótese 5: Verificar se existem diferenças entre o nível de escolaridade e o sexo. 
1. Analyze  Compare Means  Independent-Samples T Test 
 
 
2. Selecionar as variáveis prentendidas. 
 
3. Selecionar Define Groups 
4. Inserir código numérico da variável que colocou neste campo: 1-feminino e 2- 
Masculino 
 
5. Visualizar o output gerado. 
Variável Quantitativa 
Variável Qualitativa 
Estatística e SPSS 
 
51 
 
 
 
Conclusão: O valor do Sig é inferior a 0,05, logo rejeita-se a H0. Como se rejeita a H0 
dizemos que existem diferenças entre os anos de escolaridade em função da categoria 
profissional. Os homens (14,43), em média, possuem mais escolaridade que as mulheres 
(12,37), logo rejeita-se a hipótese experimental. 
 
 
Teste T de Student para amostras Emparelhadas 
Hipótese 6: Verificar se existem diferenças entre o salário atual e o salário anterior 
(progressão na carreira). 
1. Analyze  Compare Means  Paired-Samples T Test 
 
2. Selecionar: Variável 1-Salário Inicial; Variável 2- Salário atual e passar para a 
coluna Paired Variables 
 
 
3. Visualizar output gerado. 
Estatística e SPSS 
 
52 
 
 
 
 
 
 
 
Conclusão: O valor do Sig é nulo e inferior a 0,05, rejeita-se a H0. Como se rejeita a HO 
dizemos que existem diferenças entre o salário inicial e o atual de um trabalhador, havendo 
portanto uma progressão. 
 
Estatística e SPSS 
 
53 
 
 
Aula 12. *Estatística Não Paramétrica 
 Quando os dados não respeitam as premissas básicas que embaçam os procedimentos 
estatísticos, deve utilizar-se a estatística não paramétrica, como por exemplo quando não 
nos é permitido assumir a normalidade e, noutros casos, quando os dados que dispomos 
não nos permitemcalcular a média (quando, por exemplo, os dados são ordinais). 
 No entanto, este é um tipo de estatística que apresenta menor sensibilidade a erros de 
medida e rápidos para pequenas amostras, é também menos poderoso do que a técnica 
paramétrica que lhe é correspondente e são testes que não aproveitam toda a informação 
disponível sobre a distribuição de dados por usarem postos em vez do valor da observação 
(o posto de uma observação é a posição relativa ás demais observações, quando os dados 
estão em ordem crescente, tendo desta forma apenas em conta se certos resultados são 
superiores ou inferiores a outros resultados. 
 O teste de H de Kruskal-Wallis é utilizado para comparar três ou mais amostras 
independentes e podemos assumir que elas são de populações com o mesmo formato, não 
necessariamente Normal, podendo ser usado com dados ordinais, intervalares ou 
proporcionais 
 Se tanto a nossa variável dependente quanto a independente forem nominais e se se 
pretender conhecer a associação entre elas pode recorrer-se ao qui-quadrado da 
independência. No caso de ambas serem ordinais, utiliza-se o rho de spearman. 
 Teste W Wilcoxon 
 É o equivalente não paramétrico do teste t de student para amostras emparelhadas, 
sendo usado em particular aquando da presença de medições repetidas de uma amostra, 
mas a população original não tem necessariamente o formato de uma Normal, podendo ser 
usado com dados ordinais, intervalares ou proporcionais 
 
 No SPSS: 
1. AnalizeNon Parametric Tests Legacy Dialogs2 Related Samples 
 
Estatística e SPSS 
 
54 
 
2. Seleciona-se as variáveis desejadas; 
 
 
3. Em Test Type seleciona-se WilcoxonOK 
4. Analisa-se o Output obtido. 
 
Teste U de Mann-Whitney 
 É o equivalente não paramétrico do teste t de student para amostras independentes, 
podendo-se utilizar para testar a hipótese nula que afirma que as médias populacionais são 
as mesmas para os dois grupos, não exigindo que as populações tenham a mesma 
variância, sendo então usado em designs com duas situações, não-relacionado, quando são 
utilizados sujeitos diferentes em cada uma das situações experimentais. 
 No SPSS: 
1. AnalizeNon Parametric TestesLegacy Dialogs2 Independent Samples 
 
 
Estatística e SPSS 
 
55 
 
 Adiciona-se as variáveis em causa; 
 
 
2. Em Test Type seleciona-se Mann-Whitney U; 
3. Selecionar Define Groups 
 
4. Inserir código da variável qualitativa: 1-… e 2-… 
5. Continue. 
6. Visualização do Output gerado. 
 
 
 
 
Exercício: Ao longo do portefólio, algumas tarefas realizadas com a base de dados do SPSS 
“employee data” com a variável “Education Level”, ela nem sempre está bem classificada. 
Porquê? __________________________________________________________________ 
__________________________________________________________________________ 
Variável Qualitativa 
Variável Quantitativa 
Estatística e SPSS 
 
56 
 
Aula 13. Do SPSS ao EXCEL e do EXCEL ao SPSS 
Do spss para o excel basta guardar como e escolhe o tipo de ficheiro excel e pronto jáa 
está 
Também pode fazer através do copiar e colar. 
Mas do EXCEL para o SPSS, a primeira etapa é a organização dos dados, na primeira 
linha devem estar as variáveis e na primeira coluna os casos. Os casos, na maioria das 
vezes, estarão separados por linhas. Assim, cada linha representará um caso. 
Como o SPSS é um software que prefere dados numéricos, o melhor é ter os atributos 
das suas variáveis em números (por exemplo substituir sim por 1 e não por 2). 
MUITO SIMPLES. 
Que quiser fazer gráficos no EXCEL a partir de tabelas do SPSS, basta copiar do 
output e colar no EXCEL, depois é pedir e trabalhar os gráficos desejados. 
 
 
View publication statsView publication stats