001 Stat 2021 22

Introdução à Estatística
SUSANA ROSADO
JORGE M. TAVARES RIBEIRO
2008, 2013, 2018, 2020, 2021
FA - UL, LISBOA
Complementos de Matemática e Estatística – Introdução à Estatística
OBJECTIVOS
▪ Fundamentos e conceitos elementares de
Estatística
▪ Bases para a recolha e análise de

informação usando a Estatística
▪ Sensibilização para a necessidade de

tomada de decisões informadas, com base
em estudos estatísticos
O que é a Estatística?
A palavra Estatística tem a sua origem no latim – status – designação esta que
significa Estado, no sentido político do termo. Segundo diversos autores, o termo
Estatística foi usado pela primeira vez em 1589 pelo historiador italiano Girolamo
Ghilini num estudo – “civile, politica, statistica e militare scienza”.
INTERNATIONAL STATISTICAL INSTITUTE

A mais antiga organização científica não governamental do mundo
O que é a Estatística?
a Estatística é a ciência que se dedica à obtenção de

dados e respectivo tratamento inicial, com a finalidade de,
através da aplicação adequada do cálculo de probabilidades,
inferir de uma amostra para a população, e eventualmente
mesmo prever a evolução futura de um fenómeno
(previsão).
A obtenção de dados
A Amostragem é a disciplina que

se ocupa das questões
associadas à obtenção de
amostras convenientes,
nomeadamente no que respeita à
dimensão, que deve ser
adequada para a obtenção de
estimativas populacionais com a
precisão que interessa.
O Planeamento de Experiências é a disciplina complementar da Amostragem, no que respeita à obtenção dos

dados. Com efeito, quando se pretende estabelecer relações entre variáveis é mais importante ainda “produzir”
os dados que devem ser analisados, ou pelo menos controlar tudo quanto se possa controlar, aleatorizar o que
não for possível controlar.
Inquirindo um número restrito de pessoas, com a condição de que
estas tenham sido corretamente escolhidas, é possível obter as
mesmas informações, com uma certa margem de erro (erro
quantificável), que se pode tornar suficientemente pequeno.
A Amostra deve apresentar características

idênticas às da população, i.e., deve ser
representativa.
A amostra é representativa se os elementos que a constituem
forem escolhidas por um processo tal que todos os elementos da
população tenham a mesma probabilidade de fazer parte da
amostra.
Dimensionamento de amostras
Recolher e tratar uma amostra grande de mais para os resultados que se
pretendem obter, constitui um evidente desperdício de recursos;
Recolher uma amostra cuja dimensão não é suficiente para se poderem

tirar conclusões, constitui um erro.
A dimensão requerida para as amostras aumenta , à medida que:
• A margem de erro melhora (um limite em que temos confiança na diferença

entre um valor estimado e o valor verdadeiro);
•O grau de confiança do intervalo aumenta (i.e. uma medida de quanta
confiança temos numa dada margem de erro).
Dimensionamento de amostras
O tratamento inicial
O tratamento inicial compreende a ordenação, o cálculo
de características amostrais, o agrupamento em classes,
as representações gráficas – em suma, aquilo que constitui um dos
ramos da Estatística – a estatística descritiva (ou estatística dedutiva) e análise
exploratória de dados.
O outro ramo da Estatística – a inferência estatística (ou estatística indutiva) – que tem por base a Teoria das
Probabilidades, permite induzir do que se verifica numa amostra para a população de que esta foi extraída, i.e.
tomar decisões sobre hipóteses, estimar parâmetros populacionais a partir das características amostrais
relevantes, comparar populações, relacionar uma variável resposta com variáveis controladas, etc., constituindo
um instrumento de previsão da evolução futura de um fenómeno em estudo.
Classificações da Estatística
ESTATÍSTICA DESCRITIVA ou DEDUTIVA
ESTATÍSTICA
ESTATÍSTICA INDUTIVA ou INFERÊNCIA ESTATÍSTICA
Estatística Descritiva ou Estatística Dedutiva – corresponde às

técnicas sistemáticas de organização, classificação, sumarização,
redução e interpretação de dados.
Estatística Indutiva ou Inferência Estatística – é o método científico que

permite obter conclusões (inferir) para um conjunto de elementos –
designado por população ou universo – com base na análise de uma
parte ou amostra deste conjunto.
Variáveis
Ident. do Estado Preço (103

N.º assoalhadas Área (m2) Garagem Zona
fogo ocupação €)
1 2 76.0 1 1 A 185.000
2 5 140.5 1 0 C 245.000
3 3 102.0 1 1 A 224.500
4 3 122.5 1 1 C 138.500
5 5 245.0 0 0 B 324.700
6 1 55.0 0 0 C 65.000
Variáveis
CARACTERÍSTICAS VARIÁVEIS
VARIÁVEIS QUALITATIVAS: Não podem ser representadas numericamente
VARIÁVEIS QUANTITATIVAS: São representáveis numericamente
• Var. QUANTITATIVAS DISCRETAS: os valores são observados somente em pontos isolados ao longo de
uma escala (Processos de Contagem);
• Var. QUANTITATIVAS CONTÍNUAS: podem assumir um valor qualquer numa gama de valores de uma
escala (Processos de Medição)
Escalas de Representação das Variáveis
• Escala NOMINAL: os dados são identificados por um nome que designa uma
classe, sendo as classes:
- Mutuamente exclusivas;
- Exaustivas;
- Não ordenáveis.
• Escala ORDINAL: possibilidade de estabelecer uma ordenação das classes;
• Escala de INTERVALO: os dados são diferenciados e ordenados por números
expressos numa escala com origem arbitrária;
• Escala ABSOLUTA: Tem origem fixa.
Grau crescente de “conhecimento”

Variáveis ESCALAS
Nominal Ordinal Intervalo Absoluta
Qualitativas X X
Quantitativas X X X X
Estatística Descritiva
SUSANA ROSADO
JORGE M. TAVARES RIBEIRO
2007, 2013, 2021
FA - UL, LISBOA
Complementos de Matemática e Estatística – Estatística Descritiva
OBJECTIVOS
▪ Fundamentos e conceitos elementares de

Estatística Descritiva
▪ Sensibilizar e proporcionar o conhecimento

das potencialidades de técnicas de
tratamento estatístico de dados de diferentes
naturezas e proveniências
DEFINIÇÕES E GENERALIDADES
APLICAÇÕES:
• Engenharia • Física • Informática
• Gestão • Química • Urbanismo
• Medicina • História • Fonética
• Linguística • Psicologia • Agronomia
• Planeamento • Arquitectura • Etc.
DEFINIÇÕES E GENERALIDADES
POPULAÇÃO ou UNIVERSO – Conjunto de seres (humanos ou não) que são
objecto do estudo estatístico.
AMOSTRA – sub-conjunto de indivíduos que serve os propósitos do

estudo estatístico, com vista a obter conclusões sobre
a população.
INDIVÍDUO ou UNIDADE AMOSTRAL – Cada um dos elementos

da população ou da amostra.
Distribuições de Frequência
DADOS QUALITATIVOS
Distribuição dos dados por um conjunto de diferentes Categorias ou Classes:

• Tabelas de Frequência;
• Diagramas de Barras;
• Diagramas Circulares.
DADOS QUALITATIVOS
Exemplo: Numa amostra constituída por 120 edifícios, constatou-se que 100
estavam em bom estado de conservação, 15 necessitavam de obras de recuperação
e 5 eram para demolir.
Tabela de Frequências Absolutas e Relativas Diagrama Circular Diagramas de Barras
Categorias fA fr (%) 120
100
4%
Freq. Absolutas
Bom estado 100 83.3 13%
Bom estado de 80
conservação
60
Obras de recuperação 15 12.5
A necessitar de
40
recuperação
A demolir 5 4.2
20
A demolir
Totais 120 100.0 0
83%
Bom estado de A necessitar de A demolir
conservação recuperação
FREQUÊNCIA ABSOLUTA: Número de

indivíduos, Nk, pertencentes a cada uma 90
80
360  f
das K classes, e por consequência K
N =  Nk
70
A= em que:
Ferq. Relativas (%)

60
k =1 N 50
40
FREQUÊNCIA RELATIVA: Proporção
A – ângulo; 30
do número total de dados: 20
f – frequência; 10
N N 0
fr = k ou f r (%) = k  100 N – número de dados
Bom estado de A necessitar de A demolir
N N conservação recuperação
DADOS QUANTITATIVOS
Agrupamento dos dados em Classes ou Categorias,
juntamente com as frequências correspondentes
• Representações Tabular ou Gráfica;
• Estatísticos;
• Representação Gráfica de Estatísticos
Intervalos e limites de classe

Exemplo: Consumo mensal de energia eléctrica (em kWh) de uma série de 180
edifícios de uma cidade.
502.25 499.20 500.24 497.72

498.35 503.76 498.65 499.38
500.36 499.19 500.86 499.83
. . . .
. . . .
. . . .
TABELA DE FREQUÊNCIAS
Consumo (kWh) fA f Aa fr (%) f ra (%)

Intervalo da classe
497.00 – 499.00 39 39 21.7 21.7
Limite superior
499.00 – 501.00 88 127 48.9 70.6
Limite inferior 501.00 – 503.00 31 158 17.2 87.8
503.00 – 505.00 16 174 8.9 96.7
505.00 – 507.00 6 180 3.3 100.0
Totais 180 100.0
lim. superior + lim inferior

AMPLITUDE DA CLASSE: c = lim . superior − lim. inferior PONTO MÉDIO DA CLASSE: pm =
2
REGRAS PARA A ELABORAÇÃO DE DISTRIBUIÇÕES DE FREQUÊNCIAS:
• Determinação do Máximo, do Mínimo e Amplitude Total;

• Divide-se a Amplitude Total por um número razoável de classes (5 a 20);
• Determina-se o número de observações que pertencem a cada classe,
ou seja as frequências de cada classe. Nº de jovens Percentagem do nº de jovens
Classes de (frequências absolutas) (frequências relativas)
Peso (kg)
ni fi
52;55 9 0.45 (ou 45 %)
Exemplo: Numa amostra constituída por 20 jovens 55;58 5 0.25 (ou 25 %)
portugueses do sexo feminino, registaram-se os dados 58;61 4 0.20 (ou 20 %)
referentes ao peso (em kg), conforme o quadro seguinte. 61;64 2 0.10 (ou 10 %)
Totais 20 1.0 (ou 100 %)
52 55 58 54 54 53 64 58 52 54
Nº de jovens Percentagem do nº de jovens
classes de (frequências absolutas) (frequências relativas)
55 56 56 53 58 60 62 54 57 53 Peso (kg)
ni fi
52;55 11 0.55 (ou 55 %)
55;58 6 0.30 (ou 30 %)
58;61 1 0.05 (ou 5 %)
61;64 2 0.10 (ou 10 %)
Totais 20 1.0 (ou 100 %)
Histogramas e Polígonos de Frequência

HISTOGRAMAS DE FREQUÊNCIAS ABSOLUTAS E RELATIVAS
E POLÍGONO DE FREQUÊNCIAS ABSOLUTAS
100
90
80
70 POLÍGONO DE FREQUÊNCIAS
Freq. Absolutas
60 RELATIVAS ACUMULADAS
50
40
120
30
Freq. Relativas Acumuladas (%)

20
10
100
0
495-497 497-499 499-501 501-503 503-505 505-507 507-509
80
Consumo Peso
(kWh)(g)
60
60
50 40
Freq. Relativas (%)
40
20
30
0
20 495 497 499 501 503 505 507 509
ConsumoPeso (g)
(kWh)
10
0
495-497 497-499 499-501 501-503 503-505 505-507 507-509
Consumo (kWh)
Peso (g)
Curvas de Frequência
simétrica assimétrica positiva assimétrica negativa
forma J forma J invertido forma U
bimodal multimodal
Medidas de Tendência Central
Média aritmética População () ou Amostra X
N
Dados não agrupados
x + x +  + xN x x i
Sendo a amostra constituída por N dados: x= 1 2 = = i =1

N N N
Dados agrupados
k
Sendo a amostra constituída por N
f A1  pm1 + f A2  pm2 +  + f Ak  pmk f Ai  pmi
 f  pm =  f  pm
dados agrupados em k classes, x= = i =1
= A A
correspondendo a cada classe a f A1 + f A2 +  + f Ak k
f Ai
f A N
respectiva frequência absoluta (fA) ou i =1
frequência relativa (fr):

ou
k
x = f r1  pm1 + f r2  pm2 +  + f rk  pmk =  f ri  pmi =  f r  pm
i =1
Mediana
A Mediana de um conjunto de dados, organizados por ordem crescente ou
decrescente de grandeza, é o valor central ou a média aritmética dos dois valores
centrais, consoante o número de dados é ímpar ou par, respectivamente.
Deste modo, a Mediana divide os dados ordenados em duas partes iguais.

Quer para o caso de dados agrupados, quer para
o caso de dados não agrupados, a posição da
N 1
 + 
mediana é dada por:  2 2
Quando os dados se referem a uma variável contínua e se apresentam

agrupados, o valor da mediana é aproximadamente igual a:
Linf - limite inferior da classe que contém a mediana;

N 
 − f AA  - amplitude da classe que contém a mediana;
a c
M = Linf + c  2  em que: N - número de observações da distribuição de frequência;

 f AM 
  f AaA - frequência absoluta acumulada da classe anterior à classe que contém a mediana;
 
f AM - frequência absoluta da classe que contém a mediana.
Moda
A moda é o valor que ocorre com maior frequência. A moda pode não existir, e se existir
pode não ser única.
Quando os dados se referem a uma

variável contínua e se apresentam
agrupados, o valor da moda é
aproximadamente igual a:
 d1 
Mod = Linf + c   
 d1 + d 2 
em que:
Linf limite inferior da classe que contém a moda;
c amplitude da classe modal;
d1 diferença entre as frequências absolutas da classe modal e da classe anterior;
d 2 diferença entre as frequências absolutas da classe modal e da classe seguinte.
Relação entre Média, Mediana e Moda
Dá indicações sobre a assimetria da distribuição

Média Geométrica
MG = N x1  x 2  x 3    x N = (x1  x 2  x 3    x N )
1
N
Para comparar medidas em diferentes escalas
Média Harmónica
1 N
MH = N
=
1
x
1 1

N i =1 x i
Quando se trabalha com grandezas inversamente proporcionais
Medidas de Localização
Quantis: quartis, decis e percentis
Quantis: quartis
Quartis dividem os dados ordenados

em quatro partes iguais, existindo
portanto 3 quartis.
1º Quartil, Q1 Posição:
N 1
 + 
 4 2
2º Quartil, Q2  M Posição:   2N1

 + 
 4 2
3º Quartil, Q3 Posição:   3N1

 + 
 4 2
Quantis: decis
Decis dividem os dados ordenados

em dez partes iguais, existindo
portanto 9 decis.
D1 ; D2 ; D3 ; ... ; D9,
sendo o D5 coincidente com a

Mediana.
Quantis: percentis
Percentis dividem os dados

ordenados em cem partes iguais,
existindo portanto 99 percentis.
P1 ; P2 ; P3 ; ... ; P99,
sendo o P25 coincidente com o Q1, o

P50 coincidente com o Q2 e por
conseguinte com a Mediana, e o P75
coincidente com o Q3; ou seja:
P25  Q1
P50  Q2  M
P75  Q3
Quantis: quartis
Quando os dados se referem a uma variável contínua e se apresentam agrupados, os
valores dos quantis podem ser aproximados por expressões idênticas à da mediana, com
as devidas adaptações.
Exemplo da expressão para o 3º quartil:
 3N 
 − f AaA 
Q3 = Linf + c  4 
 f AQ3 
 
 
em que:
Linf - lim. inf. da classe que contém o 3º quartil;
c - ampl. da classe que contém o 3º quartil;
N - nº de obs. da distribuição de frequência;
f AaA - freq. absol. acumulada da classe anterior

à classe que contém o 3º quartil;
f AQ3 -freq. absol. da classe que contém

o 3º quartil.
Quantis: decis
Exemplo da expressão para o 7º decil:
 7N 
 − fAaA 
D7 = Linf + c   10 
 fAD7 
 
 
em que:
Linf - lim. inf. da classe que contém o 7º decil;
c - ampl. da classe que contém o 7º decil;

à classe que contém o 7º decil;
f AD7 -freq. absol. da classe que contém

o 7º decil.
Quantis: percentis
Exemplo da expressão para o 83º percentil:
 83  N 
 − f AaA 
P83 = Linf + c   100 
 f AP83 
 
 
em que:
Linf - lim. inf. da classe que contém o 83º percentil;
c - ampl. da classe que contém o 83º percentil;

à classe que contém o 83º percentil;
fAP83 - freq. absol. da classe que contém o 83º

percentil.
Medidas de Dispersão
Descrevem o grupo de dados em termos da variabilidade existente no grupo
Amplitude Total
R = Máx. − min .
Descrevem o grupo de dados em termos da variabilidade existente no grupo
Amplitudes Modificadas
Elimina-se uma certa percentagem de dados em cada um dos extremos da distribuição de
dados ordenados. O processo de cálculo inicia-se pela localização e determinação dos
valores dos quantis adequados, seguindo-se o cálculo da diferença entre os respectivos
quantis. As amplitudes modificadas mais usadas são:
50 % dos valores centrais, 80 % dos valores 90 % dos valores

ou amplitude interquartis centrais centrais
R 50 = Q3 − Q1 = P75 − P25 R 80 = D9 − D1 = P90 − P10 R 90 = P95 − P5

Desvio Médio
Média do valor absoluto da diferença entre cada valor do
conjunto de dados e a média aritmética da totalidade dos dados.
Dados não agrupados em classes, tem-se a Dados agrupados em classes, a expressão do desvio
expressão seguinte: médio assume as formas seguintes:
DM =
 x−x
DM =
 (f A  pm − x )
ou DM =  (f r  pm − x )
N
N
Variância
População 2 ou Amostra s2
Dados não agrupados em classes, tem-se a Dados agrupados em classes, a expressão da

expressão seguinte: variância assume a forma seguinte:
 (x − x ) 2
 x 2
−N x2
s 2
= =
N −1 N −1
Desvio Padrão
População  ou Amostra s
Esta medida de dispersão pode interpretar-se como sendo o valor absoluto de um
desvio “típico” (padrão) dos dados em relação à média.
Dados não agrupados em classes, tem-se a expressão Dados agrupados em classes, a expressão do desvio
seguinte: padrão assume a forma seguinte:
 ( x − x ) 2
s=
N −1
Coeficiente de Variação
s
Magnitude relativa do desvio padrão quando comparado com a média da distribuição. v =
x
Medidas de Assimetria
Coeficientes de Assimetria
Medem o afastamento da simetria
Assimetria = 0 Distribuição simétrica

Assimetria > 0 Distribuição assimétrica positiva
Assimetria < 0 Distribuição assimétrica negativa
Coeficiente de Assimetria de Pearson: Coeficiente de Assimetria:
3  (x − M )
N
N   (x i − x )
3
A= i =1
s A=
(N − 1)  (N − 2)  s 3
Medidas de Kurtose
Coeficientes de Kurtose
Medida da concentração dos dados, dando indicação sobre a intensidade das
frequências na vizinhança dos valores centrais.
1
Coeficiente de Kurtose:
Q3 − Q1
N
N  (N + 1)   (x i − x )
4
(N − 1) 2 ou k=
2  (P90 − P10 )
i =1
k= − 3
2
(N − 1)  (N − 2)  (N − 3)  s 4
(N − 2)  (N − 3)
k < 0.263 Distribuição leptocúrtica

k = 0.263 Distribuição mesocúrtica
k > 0.263 Distribuição platicúrtica
• Ambas as amostras são simétricas;

• N1 = N2;
• Ambas as amostras têm iguais medidas de
localização central e de dispersão.
Na amostra da distribuição 1 (Kurtose mais elevada) existe uma

maior concentração de dados no centro e nas caudas, e menor
concentração nos intervalos que separam aquelas zonas.

001 Stat 2021 22

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

001 Stat 2021 22

Enviado por

Direitos autorais:

Formatos disponíveis

Introdução à Estatística

▪ Bases para a recolha e análise de

▪ Sensibilização para a necessidade de

INTERNATIONAL STATISTICAL INSTITUTE

a Estatística é a ciência que se dedica à obtenção de

A Amostragem é a disciplina que

O Planeamento de Experiências é a disciplina complementar da Amostragem, no que respeita à obtenção dos

A Amostra deve apresentar características

Recolher uma amostra cuja dimensão não é suficiente para se poderem

A dimensão requerida para as amostras aumenta , à medida que:

• A margem de erro melhora (um limite em que temos confiança na diferença

ESTATÍSTICA DESCRITIVA ou DEDUTIVA

Estatística Descritiva ou Estatística Dedutiva – corresponde às

Estatística Indutiva ou Inferência Estatística – é o método científico que

Ident. do Estado Preço (103

VARIÁVEIS QUALITATIVAS: Não podem ser representadas numericamente

VARIÁVEIS QUANTITATIVAS: São representáveis numericamente

Escalas de Representação das Variáveis

Grau crescente de “conhecimento”

▪ Fundamentos e conceitos elementares de

▪ Sensibilizar e proporcionar o conhecimento

AMOSTRA – sub-conjunto de indivíduos que serve os propósitos do

INDIVÍDUO ou UNIDADE AMOSTRAL – Cada um dos elementos

Distribuição dos dados por um conjunto de diferentes Categorias ou Classes:

Tabela de Frequências Absolutas e Relativas Diagrama Circular Diagramas de Barras

Categorias fA fr (%) 120

FREQUÊNCIA ABSOLUTA: Número de

Ferq. Relativas (%)

Intervalos e limites de classe

502.25 499.20 500.24 497.72

Consumo (kWh) fA f Aa fr (%) f ra (%)

Totais 180 100.0

lim. superior + lim inferior

REGRAS PARA A ELABORAÇÃO DE DISTRIBUIÇÕES DE FREQUÊNCIAS:

• Determinação do Máximo, do Mínimo e Amplitude Total;

Histogramas e Polígonos de Frequência

Freq. Relativas Acumuladas (%)

simétrica assimétrica positiva assimétrica negativa

forma J forma J invertido forma U

Medidas de Tendência Central

Média aritmética População () ou Amostra X

Sendo a amostra constituída por N dados: x= 1 2 = = i =1

correspondendo a cada classe a f A1 + f A2 +  + f Ak k

frequência relativa (fr):

Medidas de Tendência Central

Deste modo, a Mediana divide os dados ordenados em duas partes iguais.

Quando os dados se referem a uma variável contínua e se apresentam

Linf - limite inferior da classe que contém a mediana;

M = Linf + c  2  em que: N - número de observações da distribuição de frequência;

Medidas de Tendência Central

Quando os dados se referem a uma

Medidas de Tendência Central

Relação entre Média, Mediana e Moda

Dá indicações sobre a assimetria da distribuição

Medidas de Tendência Central

Para comparar medidas em diferentes escalas

Quartis dividem os dados ordenados

2º Quartil, Q2  M Posição:   2N1

3º Quartil, Q3 Posição:   3N1

Decis dividem os dados ordenados

sendo o D5 coincidente com a

Percentis dividem os dados

sendo o P25 coincidente com o Q1, o