Escolar Documentos
Profissional Documentos
Cultura Documentos
Metodologia, planejamento,
execução e análise
PESQUISA DE MARKETING
Metodologia, planejamento,
execução e análise
a
7 edição
M386p
7. ed.
Mattar, Fauze Najib, 1944-
Pesquisa de marketing : metodologia, planejamento, execução e análise/Fauze Najib Mattar,
Braulio Oliveira, Sérgio Luís Stirbolov Motta. - 7. ed. - Rio de Janeiro : Elsevier, 2014.
24 cm.
ISBN 978-85-352-5964-3
1. Marketing. 2. Pesquisa de mercado I. Oliveira, Braulio Alexandre Contento de. II. Motta,
Sérgio Luis Stirbolov III. Título
13-03448 CDD: 658.8
CDU: 658.8
DEDICATÓRIA
vii
NOTA DO AUTOR À 7ª EDIÇÃO
A primeira edição deste livro foi em 1993 e visava atender, na época, à carência de livros
sobre o assunto publicados no Brasil de autores nacionais e voltados para a realidade
brasileira. Os resultados alcançados, desde então, medidos pelas diversas tiragens e edições,
pelas infinidades de citações em artigos, dissertações, teses, livros e outros trabalhos
acadêmicos e profissionais das áreas de Administração, Marketing, Pesquisa de Marketing
e Comunicações (2.930 citações listadas em 12 de fevereiro de 2013 pelo Publish or
Perisch), e pela circulação atingida de mais de 45.000 exemplares (incluindo todas as
edições do Volume 1,Volume 2 e Edição Compacta), fizeram o Autor ficar extremamente
gratificado e considerado válido todo o esforço dedicado à sua elaboração.
O compromisso de manter uma obra viva faz com que constantes atualizações
sejam efetuadas. Notadamente em Pesquisas de Marketing, as mudanças propiciadas
pelo avanço tecnológico na informática (tanto nos equipamentos quanto nos sistemas)
e na teleinformática (infovias, telecomunicações, teleprocessamentos, internet, sites etc.)
causaram, e continuam causando, constante revolução, mudando, continuamente, os
procedimentos de se fazerem pesquisas. Esta 7ª edição, publicada pela Elsevier, reúne,
em um só, os anteriores Volume 1 (cuja última edição foi a 6ª) e Volume 2 (cuja última
edição foi a 3ª) e incorpora essas mudanças e atualizações.
A seguir é descrita a organização do livro nesta edição.
O Capítulo 1, Importância da Informação para Marketing, destaca a necessidade e a
importância de informação para marketing; relaciona as diversas formas de obtenção de
informações para marketing; descreve a função e os componentes do sistema de informações
de marketing, com a pesquisa de marketing como um de seus componentes, e mostra uma
visão geral do processo de pesquisa de marketing.
O Capítulo 2, Processo de Pesquisa, apresenta as formas de adquirir conhecimento;
diferencia pesquisas científicas e pesquisas aplicadas; apresenta e detalha as etapas e fases
componentes de um processo de pesquisa de marketing.
O Capítulo 3,Tipos de Pesquisa, discute as classificações e apresenta as diversas opções
de projetos de pesquisa.
O Capítulo 4, Projeto de Pesquisa Explicativa, detalha o projeto de pesquisa ex-
plicativa (ou causal).
O Capítulo 5,Tipos, Fontes e Formas de Coleta de Dados, apresenta e detalha os tipos,
fontes e formas de coleta de dados; apresenta os métodos de comunicação e observação
utilizados em pesquisas de marketing.
O Capítulo 6, Medidas e Instrumentos de Coleta de Dados, apresenta as principais fontes de
erros amostrais e não amostrais em pesquisas de marketing; mostra como ocorre o processo de
medição em pesquisas de marketing; descreve os tipos básicos de escalas utilizadas em pesquisas
de marketing; mostra como construir um instrumento de coleta de dados bem estruturado.
O Capítulo 7, Procedimentos de Amostragem Simples, apresenta e discute o conceito
de amostragem, os tipos de amostras e amostragens, as teorias estatísticas que dão suporte
ix
x Nota do autor à 7ª edição
Objetivos
• Destacar a necessidade e a importância de informação para marketing.
• Aprofundar as diversas formas de obtenção de informações para marketing.
• Descrever a função e os componentes do sistema de informações de marketing.
• Apresentar a pesquisa de marketing como um dos subsistemas componentes do sistema de informação
de marketing.
• Mostrar uma visão geral do processo de pesquisa de marketing.
Sumário
PLANEJAMENTO DE MARKETING
PROPORCIONANDO INFORMAÇÕES PARA MARKETING
Sistema
Sistema de informações
Sistema de Informações de Marketing - SIM
PESQUISA DE MARKETING
Definição de pesquisa de marketing
Etapas de uma pesquisa de marketing
PLANEJAMENTO DE MARKETING
O exercício da administração de marketing compreende a tomada de decisões que
envolve as quatro funções da administração: planejamento, organização, direção e con-
trole. Dentre essas, o planejamento é a função mais importante, pois sem ela as demais
ficam sem sentido.
Planejar é decidir no presente o que fazer no futuro e compreende a determinação
do futuro almejado e das etapas para atingi-lo.
Segundo Drucker (1962):
Planejamento é o processo contínuo e sistemático de tomar decisões futuras no presente com o melhor
conhecimento possível do que deverá acontecer, organizando sistematicamente os esforços necessários
para levar adiante essas decisões e medir os resultados das decisões em relação ao esperado, por meio de um
organizado sistema de controle.
1
2 Pesquisa de Marketing
3.2.3 Recursos – determinação dos tipos e quantidades de recursos necessários e de como deverão
ser gerados, adquiridos, gerenciados e alocados às atividades de marketing.
Fase 4 – Definição dos controles da execução:
Definição de o que, quem, quando, onde, como, com que padrão e com que frequência controlar a
execução do planejado.
Fase 5 – Elaboração/redação do plano de marketing:
Redigir, de forma ordenada e compreensível, os resultados de tudo que foi analisado
e planejado.
Uma forma esquemática e visual de apresentar as fases e sequências do processo de
planejamento de marketing está na Figura 1.1. Uma análise desse modelo mostra que, em
quase todos os itens, a necessidade de informações e sua disponibilidade estão presentes e
constituem-se em condições sine qua non para o efetivo planejamento e controle da atividade
de marketing. O exercício adequado do planejamento de marketing exige que seja iniciado
sobre bases sólidas e, para tal, é imperativo que se coloquem à disposição dos executivos de
marketing todas as informações necessárias. Por exemplo: dos desejos, necessidades e grau de
satisfação dos consumidores/clientes; das ações dos concorrentes; da evolução do mercado;
das capacitações e dos recursos disponíveis na empresa; da evolução das vendas, lucros e
participação no mercado por produtos e mercados; do comportamento das inúmeras variáveis
ambientais que afetam o marketing da empresa etc.
As contínuas e aceleradas mudanças nos ambientes social, tecnológico, cultural, demo-
gráfico, político, legal, concorrencial, governamental e psicológico que caracterizam o ma-
croambiente de marketing da empresa atual, associadas às contínuas mudanças internas nas
empresas por ganhos e perdas de capacitações; aquisições, fusões, incorporações e vendas;
mudanças organizacionais; alterações nas estratégias e nas políticas; disponibilidade ou não de
recursos de vários tipos; dificuldades momentâneas etc., fazem com que a tarefa da adminis-
tração se torne extremamente complexa e arriscada, notadamente a administração de marketing
que está voltada prioritariamente para esse complexo e mutante ambiente externo.
Uma das formas mais importantes de reduzir o risco da administração de marketing é dis-
por do máximo de conhecimento e compreensão do comportamento das inúmeras variáveis
externas e internas à empresa (o objetivo é a redução do risco e não sua eliminação, pois o
risco faz parte da atividade empresarial). Para se ter conhecimento e compreensão desses dois
importantes aspectos são necessários a disponibilidade de informação com qualidade e seu uso
correto (Mattar, 1982). Muitas vezes, a empresa dispõe de grande quantidade de informações,
mas irrelevantes e (ou) de baixa qualidade, comprometendo assim todo o processo de marke-
ting. Outras vezes, a empresa dispõe de grande quantidade de informações relevantes e de boa
qualidade, mas os executivos de marketing não percebem a importância de seu uso e tomam
decisões baseadas unicamente em suas intuições e experiências. Intuição e experiência são
extremamente importantes no processo de planejamento de marketing e, quando associadas a
uma dose adequada de informações relevantes, propiciarão resultados extremamente positivos.
Há também empresas que dispõem de grande quantidade de informações pertinentes e com
qualidade, mas que são utilizadas de forma errada no processo de decisão em marketing, quer
por desconhecimento dos usuários de como fazer a triagem da informação adequada, quer por
terem dificuldades em interpretá-las corretamente, gerando com isso um comprometimento
do processo de planejamento de marketing (Mattar, 1982).
Como foi visto, é total a dependência que as atividades de planejamento de marketing
têm em relação à informação. Em marketing, por ser a atividade da empresa que mais interage
4
Pesquisa de Marketing
Figura 1.1 Modelo geral de planejamento e plano de marketing.
Fonte: Adaptado de Mattar, Fauze Najib (Org.) et al. Gestão de produtos, serviços, marcas e mercados:
estratégias e ações para alcançar e manter-se “Top of Market”. São Paulo: Atlas, 2009:93.
Importância da Informação para Marketing 5
Sistema
Um sistema é um conjunto de partes interdependentes que, conjuntamente, forma um todo unitário, efetuando uma
dada função. (O'Shaughnessy, 1976:133).
per si. Para se tornarem relevantes e úteis, é preciso que sejam transformados em informação, isto é,
precisam ser coletados, triados, classificados, tabulados, armazenados etc.
Processador do sistema de informações – São os componentes do sistema que vão
proceder à tarefa de transformar os dados brutos em informações, desde a coleta até sua dis-
seminação pelos usuários.
Informação – É a saída do sistema de informação, o resultado do processamento dos
dados pelo processador do sistema.
Controle – É a forma de se verificar se as saídas do sistema estão de acordo com as previstas.
Sistema de Informações de Marketing - SIM
O objetivo fundamental de um sistema de informações de marketing é ajudar para que
melhores decisões sejam tomadas pelo pessoal de marketing. A forma de reduzir a incerteza
na tomada de decisões é dispor de informações a respeito do comportamento das variáveis
não controláveis e das variáveis de resultado. O SIM monitora os resultados da empresa e o
ambiente externo, busca e capta, avalia e seleciona, trata, condensa, indexa, analisa, interpreta,
classifica, armazena, recupera, transmite e dissemina dados e informações externos e internos
à empresa, pertinentes e relevantes para a tomada de decisões em marketing.
A definição mais completa e consagrada de sistema de informação de marketing é a de
Cox e Good (1967):
É um complexo estruturado e interagente de pessoas, máquinas e procedimentos destinados a gerar um fluxo
ordenado e contínuo de dados, coletados de fontes internas e externas à empresa, para uso como base para a tomada
de decisões em áreas específicas de responsabilidade de marketing.
• Permitir melhor uso das informações dos históricos das atividades da empresa, por exemplo:
vendas por produto, por região e por cliente.
• Permitir melhor controle do plano de marketing.
• Evitar que informações importantes sejam ignoradas, como, por exemplo, indicações de
que um produto deva ser retirado de mercado.
• Reduzir o número de decisões tomadas intuitivamente, pois leva a informação de forma
conveniente e precisa.
• Depurar o fluxo, às vezes esmagador, de informações de marketing, que chega aos
executivos transformando-o num volume razoável, adequado e enxuto.
Tendências para o uso crescente do SIM – A necessidade e o uso crescente de sistemas
de informação de marketing são, segundo Boyd e Massy (1980), justificados pelas seguintes
tendências que hoje afetam o marketing:
• Número crescente de empresas multinacionais que, aparentemente, estão expandindo suas
linhas de produtos.
• Dispêndios crescentes em pesquisa e desenvolvimento de novos produtos e crescente
quantidade de produtos novos lançados no mercado.
• Aumento da competição e ciclos de vida dos produtos cada vez mais curtos.
• Crescente utilização de planejamento estratégico para produtos e mercados pelos depar-
tamentos de marketing.
• Crescente uso (apesar de lento) de técnicas analíticas mais sofisticadas em marketing,
inclusive a utilização de modelos de simulação em computadores.
• Crescente redução do custo e do tamanho, elevação da capacidade de processamento dos
computadores e disponibilidade de programas poderosos e a custos acessíveis têm per-
mitido sua rápida difusão pelas empresas.
• Crescente tendência ao atendimento de nichos de mercado.
• Mudança de marketing local para nacional e internacional.
• Transição de necessidades do consumidor para desejos do consumidor.
• Transição de concorrência de preço para concorrência de não preço.
• Diminuição dos prazos para a tomada de decisões.
• A atividade de marketing está tornando-se muito mais complexa e mais ampla em seu
campo de ação.
Funções do SIM – Não há um sistema padronizado de informações de marketing que
sirva genericamente a qualquer empresa. Ao abordar esse fato, Amstutz, citado por Boyd e
Massy (1980), assim se expressa:
Não há sistemas generalizados de informação. Cada empresa tem necessidades singulares de informação, uma
perspectiva singular sobre o ambiente interno e externo, prioridades singulares e um estilo de administração que é
produto singular de determinadas personalidades que formam o grupo que a administra.
• Estilo de administração.
• Principais pontos fortes e fracos de marketing.
• Ambiente concorrencial futuro.
C – Macroambiente
1. Condições da economia e tendências.
2. Legislação e tendências.
3. Tecnologia e tendências.
4. Demografia e tendências.
5. Valores socioculturais e tendências.
6. Clima político-ideológico e tendências.
7. Clima governamental e tendências.
8. Clima psicológico e tendências.
9. Ecologia e consumerismo.
10. Oportunidades para os produtos da empresa em outros países.
D – Ambiente interno
1. Recursos e capacitações de marketing.
2. Recursos e capacitações de produção.
3. Recursos e capacitações de finanças.
4. Recursos e capacitações tecnológicas.
5. Clima organizacional.
6. Experiências de marketing anteriores bem- e malsucedidas.
7. Tendências do ambiente interno.
II – Informações sobre as variáveis de decisão de marketing
A – Produto
1. Que atributos e benefícios são importantes?
2. Como diferenciar o produto:
• Atributos (tamanho, cor, sabor, composição, desempenho, design, qualidade etc.).
• Embalagem.
• Marca.
• Socialmente.
• Psicologicamente.
3. Como os vários segmentos de mercado respondem às diferenciações no produto?
4. Qual a importância dos serviços de pós-venda:
• Assistência técnica.
• Instalação.
• Linha direta com o consumidor.
• Assessoria técnica etc.
5. Há necessidade de alterações nos produtos. Quais?
6. Razões para o baixo desempenho em vendas e participação de mercado de um deter-
minado produto. O que fazer para inverter a situação?
7. Como os nossos produtos são percebidos pelo mercado em relação aos nossos con-
correntes?
8. Qual das alternativas de um novo produto/marca/embalagem/design/etc. tem mais
probabilidade de ter sucesso?
9. Quais ações devem ser tomadas para enfrentar os produtos concorrentes?
12 Pesquisa de Marketing
B – Preço
1. Quais são as elasticidades-preço da demanda dos vários produtos?
2. Quais as consequências para as vendas e para os lucros de uma elevação/redução nos
preços de nossos produtos?
3. Como estabelecer uma política de descontos no preço em função de: porte e tipo de
cliente, volume de compra, sazonalidade, exclusividade, localização etc.?
4. Como estabelecer preços para uma linha de produtos?
5. Como estabelecer preços para produtos com demanda inter-relacionada?
6. Como reagir a uma redução de preços do concorrente?
7. Qual a importância relativa, para o consumidor, do preço comparado às demais variáveis
de decisão de marketing?
8. Como o consumidor reage à variável preço numa economia altamente inflacio-
nária?
C – Pontos de distribuição
1. Que intermediários podem trabalhar com nossos produtos?
2. Existem novas formas de distribuição para nossos produtos que sejam mais eficazes
do que as atuais?
3. Quais as atitudes e motivações dos elementos dos canais para trabalhar com nossos
produtos?
4. Que medidas são necessárias para motivá-los a trabalhar com nossos produtos?
5. O que fazer para ganhar exclusividade para nossos produtos?
6. Que margens são apropriadas e motivadoras?
7. Qual a intensidade qualitativa e quantitativa ideal de cobertura na distribuição, no
atacado e no varejo?
8. Quais prazos de entrega satisfazem os intermediários?
9. Em quais áreas de mercado a distribuição precisa ser intensificada?
10. Como será a distribuição física: localização de armazéns e depósitos regionais, definição
de níveis de estoques, definição dos meios de transporte?
11. Onde localizar, em que quantidades e qual o tamanho de filiais e escritórios de vendas?
12. Onde localizar e em que quantidades, vendedores e representantes de vendas?
13. Onde localizar, em que quantidades, qual o tamanho e como operar um eficaz sistema
de serviços de assistência técnica e de pós-venda?
III – Informações sobre medidas de desempenho
1. Quais nossas vendas atuais por linha de produto, por produto e por mercado e sua
evolução nos últimos 12 meses?
2. Quais são nossas atuais participações de mercado por linha de produto, por produto e
por mercado e sua evolução nos últimos 12 meses?
3. Quais são nossos lucros por linha de produtos, por produtos e por mercados?
4. Qual a imagem da empresa e de seus produtos junto aos consumidores, distribuidores
e público em geral?
5. Quais os níveis de recordação de nossas marcas?
6. Quais os níveis de resposta às nossas propagandas?
7. Quais os níveis de resposta às nossas promoções de venda:
• Aos consumidores/clientes?
• Aos intermediários?
Importância da Informação para Marketing 13
PESQUISA DE MARKETING
Definição de pesquisa de marketing
O sistema de pesquisa de marketing faz parte do SIM da empresa e visa coletar dados
p ertinentes e transformá-los em informações que venham a ajudar os executivos de marketing
na solução de problemas específicos e esporádicos que surgem durante o processo de adminis-
tração de marketing e que não estão no SIM.
A European Society for Opinion and Marketing Research - ESOMAR (<www.esomar.
org/index.php>) e a American Marketing Association (AMA, 1988) assim definem pesquisa
de marketing:
Pesquisa de marketing é a função que liga o consumidor, o cliente e o público ao marketing por meio da informação
– informação usada para identificar e definir as oportunidades e os problemas de marketing; gerar, refinar e avaliar
a ação de marketing; monitorar o desempenho de marketing; e aperfeiçoar o entendimento de marketing como
um processo. Pesquisa de marketing especifica a informação necessária destinada a esses fins; projeta o método
para coletar informações; gerencia e implementa o processo de coleta de dados; analisa os resultados e comunica
os achados e suas implicações.
Pesquisa de Marketing
Tipo Decisão Pesquisa Método(s) Objetivo(s) visado(s)
COMUNICAÇÃO Pesquisa da O que dizer Motivos de compra Focus group Novos apelos
motivação Apelos mais eficazes
Eficácia da Como dizer Sensibilização, Pré-testes (focus group, Comunicação mais eficaz
propaganda conscientização, cinema)
reconhecimento, Pós-testes (entrevistas
recordação pessoais, entrevistas por
telefone)
Imagem Administrar e Imagem percebida Entrevistas pessoais Diagnosticar a imagem
controlar a imagem Entrevistas por telefone Comparar a imagem
percebida com a desejada
Comparar a imagem
da empresa com a dos
concorrentes
Promoção de Realizar ou não a Eficácia da promoção Experimento em Verificar se a promoção
vendas promoção sobre vendas locação planejada atingirá os
Entrevistas pessoais objetivos
Força de vendas Adequar a força de Qualidade da força de Levantamentos Criar/reformular/
vendas vendas documentais adequar a força de vendas
Regiões e territórios de Entrevistas pessoais à realidade ambiental e
vendas Entrevistas com concorrencial
Potenciais de vendas especialistas
Cotas de vendas Dados
Resultado de vendas macroeconômicos
Dados demográficos
Ações dos concorrentes
Quadro 1.1 Tipos de pesquisas de marketing (cont.)
(Continua)
17
Quadro 1.1 Tipos de pesquisas de marketing (cont.)
18
Tipo Decisão Pesquisa Método(s) Objetivo(s) visado(s)
PREÇO Sensibilidade a Determinar preços Relacionar alterações de Experimentos em Determinar preço de
Pesquisa de Marketing
preços preços com volumes de locação forma a trazer o melhor
vendas Entrevistas pessoais retorno de marketing
Comparar preços com possível
valor percebido
Preços e margens Determinar estratégia Preços praticados pelos Pesquisa por observação Determinar o melhor
praticados de posicionamento concorrentes no atacado no varejo preço para atingir os
em preços e no varejo Entrevistas pessoais no objetivos de marketing
Margens de contribuição atacado
praticadas pelos Levantamento de
distribuidores tabelas de preços dos
concorrentes
MERCADO Potencial de Prever e orçar vendas Potencial de mercado Levantamentos Conhecer o efetivo
mercado, oferta e Potencial de vendas documentais tamanho do mercado, sua
demanda Previsão de vendas Entrevistas pessoais evolução e suas tendências
Evolução no mercado Entrevistas com
Distribuição geográfica especialistas
Participantes do mercado, Dados
suas dimensões e suas macroeconômicos
potencialidades e Dados demográficos
vulnerabilidades Ações de concorrentes
Participações de mercado
Segmentação Canalizar esforços de Identificar os segmentos Entrevistas pessoais Direcionar compostos
marketing que compõem o mercado seguidas de análise de marketing para os
e determinar seus fatorial ou análise segmentos potencialmente
tamanhos discriminante mais lucrativos
Comportamento Interagir melhor com Processo de compra Entrevistas pessoais Conhecer o modelo
de compra o consumidor Informações para compra Entrevistas por telefone comportamental de
Intenções de compra Questionários via compra dos consumidores
Por que compra correio, fax ou internet e a ele melhor se adequar
Onde compra
Quando compra
Como compra
Satisfação no uso e quais
reações apresenta pós-compra
Quadro 1.1 Tipos de pesquisas de marketing (cont.)
(Continua)
19
20
Pesquisa de Marketing
Quadro 1.1 Tipos de pesquisas de marketing (cont.)
Quadro 1.2 Tipos de atividades de pesquisa de marketing desenvolvidas pelas empresas americanas
Empresas que fazem
Tipo de pesquisa 1989 (%) 1994 (%)
(Continua)
22 Pesquisa de Marketing
dados, realização de cálculos, testes estatísticos, análises, interpretações e conclusões. Nessa etapa,
há intenso uso de estatística e de computadores.
Comunicação dos resultados – Compreende a apresentação escrita e verbal das principais
descobertas da pesquisa relacionadas ao problema que lhe deu origem, bem como das sugestões
e recomendações de ações pertinentes à sua solução.
Cada uma dessas etapas será exaustivamente estudada ao longo deste livro.
RESUMO
No processo de administração de marketing, a disponibilidade de informações, em quanti-
dade e com qualidade, a respeito do mercado, do ambiente, do macroambiente de marke-
ting e da própria empresa, é fundamental para a redução do risco na tomada de decisões.
A forma de prover os tomadores de decisões de marketing de informações é pelo Sistema
de Informações de Marketing - SIM, que monitora os ambientes externos e internos da
empresa, capta e busca dados, avalia e seleciona, trata, condensa, analisa e interpreta, classifica,
armazena, atualiza, recupera e dissemina informações pertinentes e relevantes à tomada de
decisões em marketing.
O SIM é composto de quatro sistemas: sistema de monitoração ambiental, sistema de informações
competitivas, sistema de informações internas e sistema de pesquisas de marketing.
O sistema de monitoração ambiental visa oferecer informações aos executivos de marketing
para mantê-los informados e atualizados em relação às condições e modificações no ambiente
e no macroambiente de marketing da empresa.
O sistema de informações competitivas visa captar informações públicas dos concorrentes
para manter os executivos atualizados.
O sistema de informações internas visa fornecer aos executivos de marketing informações
que lhes permitam manter-se informados a respeito do desempenho de marketing da empresa,
bem como exercer controle sobre parte da atividade de marketing.
O sistema de pesquisas de marketing visa fornecer aos executivos de marketing informações
para ajudar na solução de problemas específicos e esporádicos que surjam durante o processo de
administração de marketing. As informações produzidas são predominantemente do tipo ad hoc.
Pesquisa de mercado e pesquisa de marketing não são sinônimos. O escopo da pesquisa
de marketing é muito mais amplo e inclui o da pesquisa de mercado.
Um processo de pesquisa de marketing compreende quatro diferentes etapas: formu-
lação do problema, planejamento, execução e comunicação dos resultados.
QUESTÕES DE REVISÃO
1. Quais são os componentes do processo de administração de marketing?
2. Quais são os componentes ambientais do sistema de marketing e de que forma mudanças
nesses componentes podem interferir no marketing das empresas?
3. Qual a diferença entre dado e informação de marketing?
4. Qual é a tarefa do Sistema de Informações de Marketing - SIM no processo de planeja-
mento de marketing?
5. Quais são as funções executadas pelo SIM?
6. Qual o papel do SIM no processo de administração de marketing?
7. Quais são e em que consistem as etapas de uma pesquisa de marketing?
24 Pesquisa de Marketing
REFERÊNCIAS
AMA – American Marketing Association. Dictionary of marketing terms. Chicago: BENNETT, Peter (Org.), 1988.
ADLER, L. System approach to marketing. Harvard Business Review, ano 3, n. 45, p. 105-118, May-June 1967.
BOYD, JR., Harper W.;WESTFALL, Ralph. Pesquisa mercadológica. Rio de Janeiro: Fundação Getulio Vargas, 1973.
BOYD, JR., Harper W.; MASSY, William F. Administração de marketing. São Paulo: Saraiva, 1980.
BRIEN, Richards H.; STAFFORD, James E. Marketing information system: a new dimension for marketing
research. Journal of Marketing, n. 32, p. 19-23, July 1968.
COX, Donald F.; GOOD, Robert E. How to build a marketing information system. Harvard Business Review, ano
3, n. 45, p. 145, May-June 1967.
DRUCKER, Peter F. Prática de administração de empresas. Rio de Janeiro: Fundo de Cultura, 1962.
HOUAISS, Antônio. Dicionário Houaiss da língua portuguesa. 1. ed. Rio de Janeiro: Objetiva, 2001.
KINNEAR, Thomas C.; ROOT, Ann R. Survey of marketing research 1993. Chicago: American Marketing As-
sociation, 1994, p. 49.
KINNEAR, Thomas C.; ROOT, Ann R. Survey of marketing research 1988. Chicago: American Marketing As-
sociation, 1989, p. 43.
KINNEAR, Thomas C.; TAYLOR, James R. Marketing research: an applied approach. Tóquio: McGraw-Hill
Kogakusha, 1979.
KOTLER, P. Administração de marketing: análise, planejamento e controle. 5. ed. São Paulo: Atlas, 1998.
LEVITT, Theodore. Marketing myopia. Harvard Business Review, p. 45-56, July-Aug 1960.
MATTAR, Fauze Najib (Org.); OLIVEIRA, Bráulio; QUEIROZ, Maurício Jucá de; MOTTA, Sérgio Luis
Stirbolov. Gestão de produtos, serviços, marcas e mercados: estratégias e ações para alcançar e manter-se “Top of
Market”. São Paulo: Atlas, 2009.
MATTAR, Fauze Najib; SANTOS, Dílson Gabriel. Gerência de produtos: como tornar seu produto um sucesso.
São Paulo: Atlas, 2004.
MATTAR, Fauze Najib. SIM – Sistemas de informação de marketing. Revista Mercado Global, ano 12, p. 24-45,
mar.-abr. 1986.
MATTAR, Fauze Najib. A informação de marketing e o sucesso no lançamento de novos produtos. Revista de
Administração, ano 4, n. 17, p. 23-44, out.-dez. 1982.
O'SHAUGHENESSY, John. Organização de empresas. São Paulo: Atlas, 1976.
UHL, Kenneth P. Sistemas de informação de marketing. In: BRITT, Stewart; BOYD, Harper (Org.). Marketing:
gerência e ação executiva. São Paulo: McGraw-Hill do Brasil, 1981.
WESTWOOD, John. The marketing plan: a practitioner's guide. Londres: Kogan, 1990.
Sites:
www.esomar.org.
www.fauze.com.br.
www.mattareassociados.com.br.
CAPÍTULO 2
Processo de Pesquisa
A experiência é uma vela que ilumina apenas quem a conduz.
Oscar Wilde
Objetivos
• Apresentar as formas de adquirir conhecimento.
• Diferenciar pesquisas científicas e pesquisas aplicadas.
• Apresentar e detalhar as etapas e fases componentes de um processo de pesquisa
de marketing.
Sumário
FORMAS DE ADQUIRIR CONHECIMENTO
Pesquisa científica
Pesquisa básica e pesquisa aplicada
COMPONENTES DE UMA PESQUISA DE MARKETING
Etapa 1: Formulação do problema de pesquisa
Etapa 2: Planejamento da pesquisa
Etapa 3: Execução da pesquisa
Etapa 4: Comunicação dos resultados
O ser humano, diante da complexidade dos fatos e dos fenômenos com que convive,
procura, continuamente, desenvolver esforços para entender o porquê das coisas e ganhar
conhecimento sobre o universo em que vive.
Há razões intelectuais e razões práticas para essa busca incessante de conhecimentos.
As razões intelectuais advêm do desejo inato no homem de conhecer, aprender e
compreender. Já as razões práticas advêm da necessidade de conhecer, aprender e com-
preender, a fim de fazer algo melhor ou de maneira mais eficaz do que está sendo feito,
ou para encontrar soluções para problemas específicos do cotidiano humano.
estudada, numa tentativa de apreendê-la em sua totalidade. Por último, é infalível e exato, já que, quer na busca
da realidade capaz de abranger todas as outras, quer na definição do instrumento capaz de apreender a realidade,
seus postulados, assim como suas hipóteses, não são submetidos ao decisivo teste da observação (experimentação).
Pesquisa científica
A forma, por excelência, de se adquirir conhecimento científico é por meio da pesquisa
científica. Segundo Kerlinger (1973):
Pesquisa científica é uma investigação sistemática, controlada, empírica e crítica de proposições hipotéticas sobre
as relações presumidas entre fenômenos naturais.
A pesquisa científica é também caracterizada por ter procedimentos bastante rigorosos que,
se não forem seguidos, farão com que seus resultados não sejam aceitos pela comunidade
científica.
Os procedimentos da pesquisa científica compreendem:
• Isolamento de um fenômeno natural para estudo.
• Identificação das variáveis intervenientes no fenômeno.
• Elaboração de proposições hipotéticas sobre as relações presumidas entre as variáveis
(hipóteses).
• Investigação, com todos os meios e técnicas disponíveis, de forma sistemática, controlada,
empírica e crítica, das proposições hipotéticas estabelecidas, verificando quais são sus-
tentadas e quais não são.
Interessante discussão é feita por Castro (1978), quando compara pesquisa básica com pes-
quisa aplicada:
28 Pesquisa de Marketing
Sob o rótulo de pesquisa aplicada, estariam aquelas investigações que respondessem diretamente às indagações dos
que estão envolvidos na formulação de política, planejamento, ou coisa do mesmo teor. Já em pesquisa básica, estariam
aquelas que apenas indiretamente geram implicações de política ou esclarecem questões onde é preciso agir ou tomar
decisões. A pesquisa aplicada é o coroamento de um esforço de investigações em pesquisas básicas, não um substituto,
uma alternativa. O salvo-conduto da pesquisa aplicada reside na clareza de seus objetivos. Se a pergunta a que se tenta
responder é importante, então a pesquisa é importante. A pesquisa fundamental não pode obter esse ‘nihil obstat’ ins-
tantâneo. Sua relevância tem de ser decifrada. Às vezes, nem mesmo é claro a que questões importantes ela dará subsídio.
Fazendo uma analogia com as colocações de Yates apud Selltiz et al. (1974), existem as pesquisas
básicas de marketing e as pesquisas aplicadas de marketing. As pesquisas básicas de marketing são
predominantemente desenvolvidas em ambiente acadêmico por professores, pesquisadores, es-
tudiosos e alunos de cursos de pós-graduação.Visam ampliar, desenvolver ou aprofundar os
conhecimentos de marketing como uma área de administração, têm a curiosidade intelectual
ou acadêmica como principal motivação e a compreensão como principal objetivo. Já as pes-
quisas aplicadas de marketing são predominantemente desenvolvidas em ambiente empresarial,
por empresas/institutos de pesquisas contratados ou nas próprias empresas, por profissionais de
pesquisa com as mais diferentes formações, com predominância de administradores de empresas,
economistas, sociólogos, estatísticos e psicólogos.Visam ganhar conhecimentos para ajudar na
solução de problemas práticos específicos do marketing de suas empresas. No Quadro 2.2 estão
exemplos de questões de pesquisas básicas de marketing e de pesquisas aplicadas de marketing.
A atenção deste livro será concentrada nas pesquisas aplicadas de marketing, principalmente
em termos de exemplificações, embora a maioria das metodologias, das abordagens, das técnicas
e dos conceitos apresentados e discutidos sejam aplicados indistintamente às pesquisas básicas
ou aplicadas de marketing.
Pode também ter início quando o pesquisador se interessar por fenômenos que, apesar de já
terem sido estudados, carecem de especificações mais exatas das condições em que ocorrem,
ou como podem ser influenciados por outras variáveis, como, por exemplo, até que ponto as
decisões de compra dos consumidores de diferentes produtos são influenciadas pelas opiniões
de familiares, amigos, conhecidos, líderes de opinião etc., ou quando o pesquisador se interessar
por verificações específicas de um sistema teórico muito desenvolvido, como, por exemplo,
verificar se empresas que dispõem de modernos sistemas de informação de marketing têm
efetivamente mais sucesso do que aquelas que não dispõem dele. No Quadro 2.2, foram
apresentados vários exemplos de questões de pesquisa básica de marketing.
Há, portanto, uma grande variedade de fontes que podem sugerir tópicos para pesquisas.
Em certas situações, principalmente em se tratando de pesquisas aplicadas de marketing, o
pesquisador tem pouca ou nenhuma decisão sobre a escolha do tópico; já em pesquisas básicas
de marketing passa a ter uma amplitude de decisão muito grande e escolherá seu tópico de
pesquisa de acordo com seus valores e interesses. Excetuam-se os casos de pesquisas promo-
vidas ou subvencionadas por instituições de estímulo a pesquisas, que, geralmente limitam
os tópicos àqueles em que estão dispostas a conceder recursos. Não se deve esquecer que a
escolha de temas, nesse caso, também poderá ser decidida em função de busca de prestígio
e status, de recursos para pesquisa e até para elevar a remuneração pessoal.
Qualquer que seja o tema escolhido, não importa o tipo de pesquisa, fundamental ou
aplicada, determinados critérios deverão ser atendidos na escolha para que a pesquisa se jus-
tifique e o pesquisador não fique frustrado ao final do processo. Segundo Castro (1978), esses
critérios são: importância, originalidade e viabilidade do tópico escolhido.
Importância – Dizemos que um tema é importante quando está de alguma forma ligado a uma questão crucial que
polariza ou afeta um segmento substancial da sociedade. Um tema pode também ser importante se está ligado a
uma questão teórica que merece atenção continuada na literatura especializada. A seleção mais delicada e difícil
teria a ver com os temas novos, que a ninguém preocupa, seja teórica ou praticamente, mas que contêm o potencial
de virem a interessar ou afetar muita gente.
Originalidade – Um tema original é aquele cujos resultados têm o potencial de nos surpreender.
Viabilidade – Dados os prazos, os recursos financeiros, a competência do futuro autor, a disponibilidade potencial de
informações, o estado da teorização a esse respeito, dá para fazer a pesquisa? O prazo pode ser insuficiente, o mesmo
se dando com os recursos, pode ao pesquisador faltar o preparo específico naquele campo, pode não haver uma
sistematização prévia do conhecimento na área ou a teoria apresentar uma insolvência metodológica. Finalmente,
os dados necessários podem inexistir, ou mesmo sua coleta ser impossível.
32 Pesquisa de Marketing
O fato de um tema nunca ter sido pesquisado não lhe confere necessariamente origi-
nalidade, bem como o fato de o tema já ter sido pesquisado não lhe tira a originalidade.
Uma pesquisa cujo tema fosse verificar por que o consumo de alimentos pelos brasileiros está
muito abaixo do que recomenda a ONU-FAO não tem o potencial de surpreender. Embora
esse tema ainda não tenha sido pesquisado, segundo o conceito exposto, não será original, pois
as razões parecem óbvias (miséria, desemprego, salários ínfimos etc.). Já uma pesquisa cujo
tema tenha sido exaustivamente explorado em outras localidades pode ser um tema original
para ser investigado num país em que nada se sabe a esse respeito.
Dentre os três critérios, o conceito de viabilidade é seguramente o mais tangível e, por
isso, a definição de pesquisa viável/inviável é mais fácil de ser obtida com confiança.
Cada um desses critérios aponta numa direção, e não haverá grande dificuldade para jus-
tificar a realização de uma pesquisa que satisfaça a um ou dois deles, mas aos três simultanea-
mente. Se, em algum grau, os três não forem satisfeitos, o resultado da pesquisa poderá ser um
grande fracasso, e a frustração do pesquisador será inevitável.
Exploração inicial do tema – Ter o tema da pesquisa já definido não significa que o
pesquisador esteja em condições de iniciá-la. Segundo Selltiz et al. (1974:38):
O reconhecimento de um problema ou a escolha de um tópico para a pesquisa não coloca o pesquisador numa
posição de já poder considerar os dados a serem coletados, quais métodos deve empregar e como analisá-los. Antes
de iniciar tais etapas, precisa formular um problema específico que possa ser pesquisado por métodos científicos.
Infelizmente, não poucas vezes, ocorre que um pesquisador tenta saltar, imediatamente, da escolha de um tópico
para a coleta de observações. No melhor dos casos, isso significa que, depois da coleta dos dados, enfrentará a tarefa
de formular um problema; no pior dos casos, significa que não realizará qualquer pesquisa científica.
A pesquisa científica é uma atividade voltada para a solução de problemas. O primeiro passo
na formulação do problema é torná-lo concreto e explícito (Selltiz et al., 1974). Embora, como
já visto, a escolha de um tópico de pesquisa possa ser determinada por outras considerações
além das científicas, a formulação do tópico em um problema de pesquisa é a primeira etapa
na busca científica e, como tal, deve ser influenciada, fundamentalmente, pelas exigências do
processo científico. Não existe regra infalível para orientar o pesquisador na formulação de
questões significativas em cada área de pesquisa: a experiência, a vivência, o treinamento e a
capacidade individual de cada um são os elementos que contam.
Tendo definido o problema de pesquisa, o passo seguinte é identificar algum aspecto que
possa ser formulado numa questão específica de pesquisa a ser investigada com os recursos dis-
poníveis. Como é impossível considerar, nos limites de um único estudo, todas as possibilidades,
um tópico que se apresente como uma tarefa realizável precisa ser escolhido. O escolhido tem,
geralmente, uma amplitude tal que nem todos os aspectos do problema poderão ser estudados
simultaneamente. Em geral, será reduzido a um só aspecto, que possa ser tratado num único
estudo, ou dividido para que possa ser tratado em estudos separados (Selltiz et al., 1974).
Para exemplificar o exposto, suponha-se que uma empresa esteja interessada em pesquisar
o comportamento de compra dos seus consumidores. Note que o tema é muito amplo, e, da
forma ampla como foi colocado, é praticamente inexequível. É preciso restringir sua amplitude
e delimitá-lo a tópicos que sejam pesquisáveis. Uma forma de fazê-lo seria procurar respostas
para as seguintes perguntas:
Consumidor do quê? → Delimita-se o produto.
Consumidor onde? → Delimitam-se o mercado e a região.
Consumidor quando? → Delimita-se o período de tempo: antes, durante e pós-compra.
Comportamento de quem? → I niciador, influenciador, decisor, comprador e usuário.
Processo de Pesquisa 33
Uma pesquisa exequível sobre esse tema seria, por exemplo, determinar o comportamento
de compradores de automóveis novos, na Grande São Paulo, em 2011.
Nesta fase, o pesquisador deve inteirar-se o mais possível sobre o problema de pesquisa e,
para tanto, deve proceder a uma exploração inicial do assunto, recorrendo a todas as fontes de
dados disponíveis, tanto internas quanto externas à empresa, não só para bem conceituar o pro-
blema de pesquisa, como também para possivelmente economizar recursos, pois, muitas vezes,
outras pesquisas já investigaram os mesmos problemas, apresentando resultados aproveitáveis,
se não no todo, ao menos em parte. As possíveis fontes para se efetuar uma exploração inicial
do assunto são: conversa com especialistas dentro e fora da empresa, reuniões com grupos
de consumidores, relatórios de pesquisas anteriores, informações registradas nos arquivos da
empresa, consulta a livros, jornais, revistas, empresas/institutos de pesquisas de marketing,
anuários estatísticos, censos, estudos de casos etc.
Um esforço inicial para a definição adequada do problema de pesquisa e de sua delimitação
poderá evitar grandes dissabores, perda de tempo e de recursos financeiros após a pesquisa
ter sido iniciada.
Problema de pesquisa:
Verificar qual é a melhor localização para uma nova unidade de uma cadeia de lojas
de conveniência na cidade de Campo Grande – MS.
Objetivo principal:
Reunir informações que possibilitem a melhor localização possível para uma loja
de conveniência na cidade de Campo Grande – MS.
Objetivos secundários:
Apontar todas as áreas disponíveis em Campo Grande que se prestem à instalação de uma loja
de conveniência; determinar o número de consumidores potenciais para cada área disponível;
verificar a predisposição dos consumidores de Campo Grande para uma loja de conveniência.
• Descrições do público-alvo.
• Descrições do mercado, dos concorrentes e dos produtos concorrentes.
• Descrições das áreas geográficas de mercado atingidas pelo produto e sua importância
relativa.
• Razões conhecidas ou supostas para compra/ o uso do produto/ do serviço.
• Resultados de pesquisas anteriores realizadas sobre o mesmo tema.
De posse dessas informações, será mais fácil determinar o objetivo da pesquisa de forma
que esteja ajustado ao problema de marketing e ao seu patrocinador.
Ao iniciar um processo de pesquisa, não se deve esquecer da regra mais importante de um
processo de planejamento: definir aonde se quer chegar antes de iniciar a caminhada.
Estabelecimento das questões e (ou) das hipóteses – As questões de pesquisa são
indagações amplas que, para serem respondidas, vão exigir a inserção de um conjunto de
perguntas específicas no questionário. Exemplos de questões de pesquisa:
• Quais consumidores frequentarão a loja de conveniência?
Para responder a essa questão de pesquisa, deverão constar do questionário perguntas
específicas sobre: sexo, idade, escolaridade, classe social, estilo de vida, local de moradia
dos respondentes, entre outras.
• Quais são os hábitos de compra dos consumidores de Campo Grande-MS?
Também para responder a essa questão de pesquisa, deverão constar do questionário
inúmeras perguntas específicas sobre: O que compram? Quando compram? Onde
compram? Com que frequência compram? Quanto compram de cada vez? Como
pagam? etc.
Quando a pesquisa trata da verificação de relações de causa e efeito entre variáveis, surge
a necessidade do estabelecimento de hipóteses ou proposições de pesquisa. Uma hipótese de
pesquisa consiste numa afirmação sobre o possível relacionamento de causa e efeito entre
variáveis sob estudo. Essa hipótese será verificada por meio das informações obtidas pela
pesquisa e poderá ser rejeitada ou não. Se não for rejeitada, o pesquisador admitirá a relação
como verdadeira. No Capítulo 4, encontra-se uma discussão mais detalhada sobre hipóteses
e relações de causa e efeito em relação a pesquisas explicativas (ou causais).
Alguns exemplos de hipóteses de pesquisas:
Processo de Pesquisa 35
• Quanto mais jovem o consumidor do produto, mais suscetível aos apelos de propaganda.
• A marca do concorrente tem maior participação de mercado porque seus índices de “não
estoque” na rede de distribuição são menores do que os da empresa.
Dados, variáveis e indicadores da pesquisa – Nesta fase, já se deve ter noção clara
dos objetivos que se pretendem atingir, bem como das questões e hipóteses da pesquisa,
o que permitirá, com relativa facilidade, a definição dos dados que precisam ser coletados para
que se tenha êxito.
Ao campo de variação de cada tipo de dado a ser obtido, denomina-se variável. Assim, se
houver interesse na obtenção de dados sobre a idade dos entrevistados, o campo de variação
desse dado será chamado de variável idade. Se for necessário classificar os entrevistados segundo
seus rendimentos mensais, o campo de variação desse dado será chamado de variável renda
individual.
É extremamente fácil identificar e medir algumas variáveis, denominadas simples. Para tanto,
é suficiente que uma única pergunta, direta e objetiva, conste do questionário. Exemplos de
variáveis simples: idade, altura, peso, sexo, escolaridade.
Outras variáveis, denominadas complexas, não são passíveis de medição direta. Para que
possam ser medidas, é preciso identificar um conjunto de indicadores (variáveis simples) cuja
variabilidade conjunta fornecerá as medidas da variável complexa que se pretende medir.
Exemplo de variável complexa: nível socioeconômico dos entrevistados – essa variável só será
passível de medição por um complexo conjunto de indicadores, como: nível de escolaridade,
atividade profissional, posse de bens, renda, local e tamanho da moradia.
Fontes de dados – Precedendo a determinação de como obter os dados, vem a neces-
sidade de descobrir onde se encontram, quem os possui, como estão armazenados, se estão
disponíveis etc.
Fontes primárias – Chamam-se de fontes primárias ou diretas de dados as que são portadoras
de dados brutos, ou seja, dados que nunca foram coletados, tabulados e analisados. São fontes
primárias: consumidores, telespectadores, radiouvintes, intermediários, leitores etc. Denomi-
nam-se de dados primários ou diretos os obtidos nessas fontes.
Dados secundários – Chamam-se de fontes secundárias ou indiretas de dados as que pos-
suem dados que já foram coletados, tabulados e analisados, ou seja, foram informados – e
estão à disposição para consulta. São fontes de dados secundários: IBGE, Fundação SEADE,
FIPE, FGV, relatórios de pesquisas, jornais, revistas, livros etc.
Metodologia de pesquisa – Tendo as fontes de dados sido identificadas, a fase seguinte
é a determinação da metodologia de pesquisa a ser seguida. Essa fase compreende os seguintes
passos:
1. Tipo de pesquisa – Seleciona(m)-se o(s) tipo(s) de pesquisa(s) mais adequado(s) para a
obtenção dos dados nas fontes já identificadas. O pesquisador poderá optar por um método ou
por uma combinação dos seguintes métodos (ou tipos) de pesquisas: exploratória, conclusiva
descritiva (ou simplesmente descritiva) e conclusiva explicativa (ou simplesmente explicativa).
A apresentação, a descrição e a discussão desses métodos de pesquisa estão nos Capítulos 3 e 4.
2. Métodos e técnicas de coleta de dados – Em função do tipo de pesquisa escolhido e da fonte
de dado, o pesquisador deverá, a seguir, determinar quais métodos e técnicas de coleta de
dados irá utilizar. Poderá optar por um ou por uma combinação dos seguintes:
• Levantamentos bibliográficos.
• Levantamentos documentais.
36 Pesquisa de Marketing
• Estatísticas publicadas.
• Entrevistas com especialistas.
• Entrevistas focalizadas de grupo (pesquisa de motivação).
• Observação assistemática.
• Observação sistemática.
• Entrevistas pessoais.
• Entrevistas pelo telefone.
• Questionários distribuídos e recolhidos pelo correio, fax e internet.
• Questionários distribuídos e recolhidos pessoalmente.
• Levantamentos de campo.
• Estudos de campo.
• Estudos em laboratório.
• Estudos de casos.
A apresentação detalhada desses métodos e técnicas e a discussão de seus usos estão no
Capítulo 5.
3. População de pesquisa, tamanho da amostra e processo de amostragem – Este é um dos passos
mais importantes do processo de pesquisa, principalmente quando se tratar de pesquisas des-
critivas – levantamento, por exemplo –, em que a preocupação com a representatividade da
amostra é total. Essa importância fica evidenciada quando alguém se atém à essência de um
processo de pesquisa. Quando se deseja saber algo sobre uma população desconhecida, há
duas opções para conseguir informações, e uma delas consiste em obter os dados de cada
elemento dessa população, realizar o que é chamado de censo. Porém, a teoria, a prática e a
própria intuição indicam que esse caminho não é recomendável, por ser trabalhoso, caro e,
principalmente, desnecessário. A coleta e a análise de apenas alguns elementos dessa população,
desde que efetuadas segundo determinados critérios estatísticos e acompanhadas de inúmeros
cuidados operacionais, serão suficientes para proporcionar, de forma relevante, as informações
procuradas sobre essa população. A Figura 2.2 mostra um diagrama dessa essência do processo
de pesquisa. Em função do exposto, cabe ao pesquisador, nessa fase, definir metodologicamente
a pesquisa, determinar a população de pesquisa, o número de elementos dessa população
que farão parte da amostra e o processo pelo qual serão escolhidos os elementos que farão
parte da amostra. Esses assuntos serão abordados nos Capítulos 7 e 8.
4. Planejamento da coleta de dados − Visa definir uma série de medidas que venham a facilitar
a realização da coleta de dados e que minimizem a ocorrência de fatos que possam com-
prometer os resultados da pesquisa. O planejamento da coleta de dados vai depender do tipo
Os passos de cada fase dependerão do tipo de pesquisa, dos métodos e técnicas escolhidos,
e compreendem:
Na preparação do campo:
• Construção, pré-teste e reformulação do instrumento de pesquisa e do manual de campo.
• Edição e impressão do instrumento e do manual de campo.
• Definição (e sorteio) da amostra.
• Formação da equipe de campo: recrutamento, seleção e treinamento.
• Distribuição do trabalho entre a equipe.
Na realização do campo:
• Coleta dos dados.
• Conferência, verificação, codificação e correção dos preenchimentos dos instrumentos de
coleta de dados.
• Checagem para verificar a veracidade e a confiabilidade dos dados, além de esclarecimento
de eventuais dúvidas.
No processamento (análise/interpretação/conclusão):
• Preparação da planilha eletrônica.
• Digitação – Passagem dos dados dos instrumentos para arquivos eletrônicos.
• Verificação e consistência eletrônica do banco de dados.
• Processamento – Trabalho de contagem, cruzamentos, realização de cálculos e testes es-
tatísticos feitos geralmente em computadores.
• Análise/interpretação/conclusão – Relacionar os dados e as informações obtidas no
processamento dos dados com o problema e os objetivos da pesquisa, de forma a permitir
abstrações, conclusões, sugestões e recomendações relevantes para solucionar ou ajudar
na solução do problema ou sugerir a realização de novas pesquisas cuja necessidade tenha
sido constatada pelo estudo presente.
Figura 2.3 Matriz de amarração para relacionar objetivos, questões, hipóteses, variáveis, indicadores e
itens do instrumento.
RESUMO
Existem diversas formas utilizadas pelo homem para adquirir conhecimento: popular, religiosa,
filosófica e científica. Cada uma delas apresenta características distintas, mas todas são válidas.
Processo de Pesquisa 41
QUESTÕES DE REVISÃO
1. Compare as quatro formas de aquisição de conhecimentos e faça uma lista das vantagens
e desvantagens de cada uma.
2. Faça uma distinção entre pesquisa básica de marketing e pesquisa aplicada de marketing.
3. Faça uma descrição de todo o processo de pesquisa de marketing, com suas várias etapas,
bem como de suas fases e de seus passos. Nessa descrição, procure evidenciar o caráter
cíclico da pesquisa de marketing.
4. O que o pesquisador deve levar em conta na definição do problema de pesquisa?
5. Por que a pesquisa precisa ser planejada antes que qualquer dado seja coletado no campo?
6. O que são variáveis de pesquisa? O que são indicadores de variáveis? Quando o pesquisador
precisa usar indicadores?
7. Qual é a essência do processo de pesquisa?
8. Quais fatores influenciam a decisão de fazer internamente pesquisas de marketing ou
contratar externamente?
Exercício
Relate uma situação real que caracterize um problema de marketing cuja solução possa receber
contribuições da pesquisa de marketing. Procure definir os objetivos que uma pesquisa deverá
ter para solucionar o problema de pesquisa relatado.
Trabalho – Parte 1
• Defina um problema de marketing associado ao problema de marketing definido.
• Defina um problema de pesquisa de marketing e o objetivo dessa pesquisa.
• Esse problema deverá ser transformado num projeto de pesquisa ao longo deste livro.
42 Pesquisa de Marketing
REFERÊNCIAS
CASTRO, Cláudio de Moura. A prática da pesquisa. São Paulo: McGraw-Hill, 1978.
KERLINGER, Fred N. Foundations of behavioral research. 2. ed. New York: Holt, Rinehart, 1973.
KINNEAR, Thomas C.; TAYLOR, James R. Marketing research: an applied approach. Tóquio: McGraw-Hill
Kogakusha, 1979.
LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Metodologia científica. São Paulo: Atlas, 1983.
SELLTIZ, Claire; JAHODA, Marie; DEUTSCH, Morton; COOK, Stuart W. Métodos de pesquisas nas relações sociais.
São Paulo: Editora Pedagógica e Universitária - EPU. Editora da Universidade de São Paulo, 1974.
CAPÍTULO 3
Tipos de Pesquisa
Não palmilhe sempre o mesmo caminho, passando somente onde outros já passaram.
Abandone ocasionalmente o caminho trilhado e embrenhe-se na mata. Certamente
descobrirá coisas nunca vistas, insignificantes, mas não as ignore. Prossiga explorando
tudo sobre elas; cada descoberta levará a outra. Antes do esperado, haverá algo que
mereça reflexão.
Alexandre Graham Bell
Objetivos
• Apresentar a classificação dos tipos de pesquisa.
Sumário
CLASSIFICAÇÃO DOS TIPOS DE PESQUISA
PESQUISA EXPLORATÓRIA
Métodos da pesquisa exploratória
PESQUISA CONCLUSIVA DESCRITIVA
Levantamentos e estudos de campo
Pesquisa ocasional e pesquisa evolutiva
Uma discussão breve de cada uma dessas abordagens de classificação poderá ajudar a compreender
suas naturezas e suas contribuições para o entendimento do processo de pesquisa.
Natureza das variáveis estudadas – Segundo Kirk e Miller (1986), tecnicamente, a
pesquisa qualitativa identifica a presença ou a ausência de algo, enquanto a quantitativa procura
medir o grau em que algo está presente. Há também diferenças metodológicas: na pesquisa
quantitativa, os dados são obtidos de um grande número de respondentes, usando-se escalas,
geralmente numéricas, e são submetidos a análises estatísticas formais; na pesquisa qualitativa,
os dados são colhidos por meio de perguntas abertas (quando em questionários), em entrevis-
tas em grupos, em entrevistas individuais em profundidade e em testes projetivos. É possível
que numa mesma pesquisa e num mesmo instrumento de coleta de dados haja perguntas
quantitativas e qualitativas.
Natureza do relacionamento entre as variáveis estudadas – A diferença básica entre
pesquisa descritiva e pesquisa causal está em seus objetivos. No primeiro caso, a pesquisa res-
ponderá a questões como: quem, o quê, quanto, quando e onde, enquanto, no segundo caso,
a questão básica a ser respondida é “por quê?”. Por exemplo, por meio de uma pesquisa des-
critiva, é possível traçar-se um perfil do consumidor, quais produtos consome, quanto e quando
consome, e onde compra. Já a pesquisa explicativa trará informações sobre os “porquês”, como:
por que o consumidor prefere a marca A à B? Por que a propaganda X comunica mais que
a Y? Qual será a reação do consumidor diante de alterações nas variáveis de marketing da
empresa (preço, produto, promoção e pontos de distribuição)? Portanto, a pesquisa descritiva
tem o objetivo de expor o fenômeno em estudo, enquanto a pesquisa causal procura verificar
relações entre variáveis que expliquem o fenômeno em estudo.
Objetivo e grau em que o problema de pesquisa está cristalizado – A diferença
básica entre a pesquisa exploratória e a conclusiva está no grau de estruturação da pesquisa
e em seu objetivo imediato. Uma pesquisa exploratória é pouco ou nada estruturada em
procedimentos e seus objetivos são pouco definidos. Seus propósitos imediatos são os de
se ganhar maior conhecimento sobre um tema, desenvolver hipóteses para serem testadas
e aprofundar questões a serem estudadas. Já a pesquisa conclusiva é bastante estruturada em
termos de procedimentos, a(s) questão(ões) e ou hipótese(s) de pesquisa está(ão) claramente
definida(s) e os objetivos são claros: obter respostas para as questões ou hipóteses da pesquisa.
A classificação de pesquisas em exploratórias ou conclusivas é muito menos precisa do que
outras classificações, pois todas as pesquisas têm aspectos exploratórios e são raras aquelas cujo
problema de pesquisa e (ou) objetivos estejam tão bem definidos que possam prescindir de
atividades de pesquisa exploratória. Normalmente, uma pesquisa apresenta uma parte inicial
exploratória que ajudará no delineamento da parte conclusiva.
Forma utilizada para a coleta de dados primários – A forma mais tradicional e
corriqueira de obtenção de dados em pesquisa é pela comunicação com o detentor dos dados
e sua principal característica é que se obtém o dado por meio de uma declaração do próprio
respondente. A primeira forma de pesquisa por comunicação se realiza por meio de entrevistas.
As perguntas são efetuadas e o entrevistado responde verbalmente às perguntas enquanto o en-
trevistador as anota. As entrevistas podem ser individuais ou em grupo, pessoais ou por telefone,
e estruturadas ou não estruturadas. A segunda forma ocorre por meio de questionários, que
têm como característica mais importante ser o próprio respondente quem lê a pergunta e a res-
ponde diretamente no instrumento de pesquisa, sem o auxílio de entrevistadores. As pesquisas
por questionários podem ser efetuadas pessoalmente ou via correio/fax/internet/encarte em
46 Pesquisa de Marketing
jornais e revistas etc. Já a pesquisa por observação consiste na obtenção dos dados sem que
haja comunicação com o pesquisado. Sua principal característica é a de que os dados não são
obtidos por declaração do pesquisado, mas pela observação de seus atos, comportamentos
e fatos. A observação pode ser sistemática ou assistemática, e a olho nu ou com aparelhos
(câmeras de TV e de fotografia, espelhos one-way etc.).
Escopo de pesquisa em termos de amplitude e profundidade – Os estudos de caso,
os levantamentos amostrais e os estudos de campo diferem entre si em função de sua represen-
tatividade quanto à população pesquisada e aos seus graus de profundidade. O estudo de caso é
profundo, mas não amplo; por meio dele, procura-se conhecer profundamente apenas um ou
poucos elementos da população sobre um grande número de aspectos e suas inter-relações. Os
levantamentos amostrais caracterizam-se pela obtenção de dados representativos da população
estudada, tanto em termos do número quanto do processo de seleção dos elementos da amostra
de pesquisa. Já os estudos de campo situam-se no meio-termo entre os estudos de caso, que são
profundos, mas não amplos, e os levantamentos amostrais, que são amplos e representativos da
população, mas pouco profundos. Os estudos de campo trabalham com amostras de dimensões
que permitem análises estatísticas, sem, contudo, haver preocupação com a representatividade,
mas que permitem profundidade maior que a dos levantamentos amostrais.
Dimensão da pesquisa no tempo – Algumas pesquisas são realizadas uma única vez e seus
resultados mostram um instantâneo do fenômeno estudado, outras são periodicamente repetidas
e seus resultados mostram a evolução cronológica das variáveis pesquisadas. As primeiras são
chamadas pesquisas ocasionais (ou ad hoc) e, as segundas, evolutivas.A pesquisa ocasional presta-se
a ajudar a resolver problemas específicos, enquanto as evolutivas servem ao acompanhamento
e controle da atividade de marketing e à detecção de problemas. Nas pesquisas evolutivas, o
pesquisador pode estudar os mesmos elementos da população por vários períodos de tempo
(pesquisa painel) ou usar diferentes elementos a cada medição, conforme determinar os objetivos
da pesquisa. A pesquisa painel é muito utilizada, em marketing, a fim de gerar informações para
controle sobre um grande número de categorias de produtos. Esses dados, coletados de painéis
nacionais (de supermercados, de consumidores, de telespectadores etc.), alimentam periodica-
mente grandes bancos de dados que fornecem informações sobre: participação no mercado,
volume de vendas da categoria de produto no mercado, distribuição qualitativa e quantitativa,
níveis de distribuição sem estoque, respostas a novos produtos, índices de audiência etc.
Possibilidade de controle sobre as variáveis em estudo – A concepção “ideal” de pesquisa,
advinda das áreas de ciências exatas, é o experimento de laboratório, no qual o pesquisador pode
controlar e manipular todas as variáveis em estudo e, assim, estabelecer o relacionamento entre
elas. O experimento de laboratório, segundo essa rígida concepção, não é comumente utilizado
em pesquisas de marketing e pesquisas sociais de forma geral, devido às grandes dificuldades de se
criar uma situação de laboratório que corresponda à complexa realidade de mercado, e que per-
mita, ao mesmo tempo, o controle de todas as variáveis intervenientes.A pesquisa experimental de
campo constitui-se no estudo de uma situação real, em que uma ou mais variáveis independentes
são manipuladas pelo pesquisador, sob condições tão controladas quanto a situação assim o per-
mitir, e medidos seus efeitos sobre as variáveis dependentes. A partir daí, procura-se verificar a
existência de relações de causa e efeito. A pesquisa ex-post facto procura descobrir a existência de
relacionamentos entre variáveis após o fenômeno em estudo já ter ocorrido. Existem inúmeros
projetos de pesquisas experimentais que visam isolar os efeitos das variáveis não controláveis
sobre o fenômeno estudado e que serão estudados no capítulo seguinte.
Tipos de Pesquisa 47
Figura 3.2 Classificação dos objetivos de uma pesquisa de marketing, segundo o problema a solucionar.
Geralmente o pesquisador inicia com uma pesquisa exploratória, segue com uma pesquisa
conclusiva descritiva e, com base nos resultados, conclui com uma pesquisa conclusiva explicativa.
O pesquisador pode também iniciar com uma pesquisa exploratória, seguir com uma con-
clusiva descritiva e, com base em seus resultados, efetuar uma segunda pesquisa exploratória,
procurando levantar hipóteses explicativas para os resultados e concluir com uma pesquisa
conclusiva explicativa para verificar as hipóteses levantadas.
Todos os três tipos de projetos de pesquisa podem contribuir (o exploratório menos in-
tensamente) para a construção de modelos de simulação do funcionamento de mercados.
PESQUISA EXPLORATÓRIA
A pesquisa exploratória visa prover o pesquisador de maior conhecimento sobre o tema ou
problema de pesquisa em perspectiva. Por isso, é apropriada para os primeiros estágios da in-
vestigação quando a familiaridade, o conhecimento e a compreensão do fenômeno por parte
do pesquisador são, geralmente, insuficientes ou inexistentes.
Esse tipo de pesquisa é particularmente útil quando se tem uma noção muito vaga do pro-
blema de pesquisa. Será preciso conhecer de maneira mais profunda o assunto para se estabelecer
melhor o problema de pesquisa por meio da elaboração de questões e do desenvolvimento ou
criação de hipóteses explicativas para os fatos e os fenômenos a serem estudados. Nos primeiros
estágios da pesquisa, o pesquisador não tem conhecimento suficiente para formular questões e
(ou) hipóteses específicas (uma hipótese é uma afirmação que especifica como duas variáveis
devem estar relacionadas). Mesmo quando já existem conhecimentos do pesquisador sobre o
assunto, a pesquisa exploratória também se faz útil, pois normalmente para um mesmo fato
em marketing poderá haver inúmeras explicações alternativas, e sua utilização permitirá ao
pesquisador tomar conhecimento, se não de todas, pelo menos da maior parte delas. A seguir,
um exemplo para ilustrar esse fato.
Fato verificado: as vendas do produto A estão caindo. Possíveis explicações para o fato:
• Preço elevado.
• Força de vendas fraca: número de vendedores insuficiente, vendedores desmotivados,
vendedores mal treinados.
• Propaganda fraca: insuficiente, ineficaz, meios de comunicação inadequados.
• Promoção de vendas: ausente, fraca, inadequada.
• Ausência do produto nos pontos de venda.
• Problemas com o produto: produto em si, marca, embalagem, mau uso do produto, assis-
tência técnica ruim.
Para saber quais das várias opções se aplicam ao problema de pesquisa, somente a pesquisa
exploratória poderá ajudar o pesquisador.
A pesquisa exploratória também poderá ajudar a estabelecer as prioridades a serem pes-
quisadas. As prioridades poderão ser estabelecidas porque uma particular hipótese explicativa
surgida durante a pesquisa exploratória parecerá mais promissora do que outras. Além disso, a
pesquisa exploratória poderá gerar informações sobre as possibilidades práticas da condução
de pesquisas específicas.
Usa-se a pesquisa exploratória também para a clarificação de conceitos. Por exemplo, o gerente
de vendas está considerando a possibilidade de mudar a sua política de remuneração de vendedores
que deverá resultar numa elevação do grau de satisfação da equipe, e quer verificar, por meio de
Tipos de Pesquisa 49
uma pesquisa, se isso vai efetivamente acontecer e quanto proporcionará de melhoria. Uma pes-
quisa exploratória poderá ser usada para clarificar o conceito de “grau de satisfação da equipe” e
ajudar a desenvolver uma escala pela qual o grau de satisfação poderá ser convenientemente medido.
Em resumo, a pesquisa exploratória pode ser usada para os seguintes objetivos:
• Familiarizar e elevar o conhecimento e a compreensão de um problema de pesquisa em
perspectiva.
• Auxiliar a desenvolver a formulação mais precisa do problema de pesquisa.
• Acumular a priori informações disponíveis relacionadas a um problema de pesquisa con-
clusiva a ser efetuada ou em andamento.
• Ajudar no desenvolvimento ou na criação de hipóteses explicativas de fatos a serem
verificados numa pesquisa explicativa.
• Ajudar no desenvolvimento ou na criação de questões de pesquisa relevantes para o objetivo
pretendido.
• Auxiliar na determinação de variáveis relevantes a serem consideradas num problema de
pesquisa.
• Clarificar conceitos.
• Ajudar no delineamento do projeto final da pesquisa.
• Verificar se pesquisas semelhantes já foram realizadas, quais os métodos utilizados e quais
os resultados obtidos.
• Estabelecer prioridades para futuras pesquisas.
Levantamento de pesquisas realizadas –Vale a pena certo esforço para verificar se já foram efetuadas
pesquisas sobre o tema em estudo. Mesmo quando efetuadas em outros locais e em outras épocas,
e por isso de pouca utilidade imediata, sua localização e seu conhecimento permitirão ao pes-
quisador ter contato com as metodologias utilizadas, e isso o levará a decidir por sua adoção ou não
no projeto. Não é raro o pesquisador ficar surpreso com informações também aproveitáveis para
sua pesquisa.As fontes para esses levantamentos são: empresas/institutos de pesquisa, universidades,
faculdades, publicações especializadas etc.
O grande risco do pesquisador ao desprezar as fontes secundárias de dados é o de conduzir
a pesquisa errada. Muitos esforços e recursos poderão ser despendidos na realização de pes-
quisas erradas ou em pesquisas que já foram realizadas.
Convém lembrar que, em levantamentos secundários, como em pesquisas exploratórias
em geral, o importante é descobrir ideias e explicações possíveis para o fato ou fenômeno a
serem posteriormente investigadas, e não tomá-las como verdades.
Os levantamentos em fontes secundárias ficaram bastante facilitados com a utilização cada
vez mais intensa da internet. No Capítulo 5, encontra-se uma relação de sites importantes para
o levantamento em fontes secundárias.
Levantamentos de experiência – Grande parte das experiências e dos conhecimentos
adquiridos não está escrita. Muitas pessoas, em função da posição privilegiada que ocupam
cotidianamente, acumulam experiência e conhecimento sobre um dado tema ou problema em
estudo. Em pesquisas de marketing, todas as pessoas envolvidas nos esforços de marketing de
um produto são potencialmente detentoras de informações relevantes. Dentre elas, incluem-se:
presidentes de empresas, diretores de marketing, gerentes de marketing, gerentes de vendas, gerentes
de produto, supervisores de vendas, vendedores, promotores de vendas, intermediários e clientes/
consumidores.Também se devem incluir pessoas que, embora não estejam envolvidas diretamente
no marketing da empresa, detêm valiosas informações devido à sua atividade profissional ou ao
cargo que ocupam, como: consultores, pesquisadores, professores, advogados, cientistas, jornalistas,
presidentes e diretores de sindicatos e associações de classe etc. O objetivo do levantamento de
experiências é o de obter e sintetizar todas as experiências relevantes sobre o tema em estudo e,
dessa forma, tornar o pesquisador cada vez mais consciente da problemática em estudo.
As formas de levantamento de experiências compreendem: entrevistas individuais, ou em
grupo com especialistas, ou conhecedores do assunto. São conduzidas entrevistas individuais
quando o número de especialistas é pequeno e tem experiências variadas. Já as entrevistas
em grupo são utilizadas quando esse número for grande e com experiências assemelhadas.
Para obter rapidez e economia no processo de levantamento de experiências, é necessário
escolher cuidadosamente as pessoas a serem pesquisadas. Será perda de tempo entrevistar pes-
soas com pouca experiência significativa, pouco conhecimento ou que tenham dificuldade
em comunicar suas experiências. Uma forma de identificar as pessoas certas é indagar junto
a administradores que trabalham na área em estudo, estrategicamente situados, quem são os
indivíduos com mais experiência, informação, capacidade analítica e capacidade de comunicar
suas experiências e conhecimentos. Apesar de não haver preocupação com a representatividade,
é interessante entrevistar pessoas com diferentes experiências, para que se tenha uma visão ampla
e com diferentes pontos de vista sobre o problema em estudo.
Essas entrevistas, tanto individuais quanto em grupos, caracterizam-se pela informalidade e
pela pouca estruturação. É comum o pesquisador dispor apenas de um roteiro dos assuntos a
serem abordados. Outras vezes, os assuntos estão colocados na forma de perguntas abrangentes,
Tipos de Pesquisa 51
como “qual sua opinião sobre o mercado de computadores no Brasil?”, “qual sua opinião
sobre as possíveis razões para a queda nas vendas e na participação de mercado de nossa linha
de detergentes domésticos?”. Tendo em vista que o objetivo é ganhar conhecimento sobre o
tema, o próprio pesquisador é quem deve, de preferência, realizar as entrevistas, porém não
deve ir para as entrevistas com total desconhecimento sobre o assunto. Uma das maneiras
de ganhar conhecimento prévio é pela pesquisa documental e bibliográfica. O número de
entrevistas a realizar não é definido – e devem-se realizar tantas quantas forem necessárias. A
partir do momento em que se perceber que novas entrevistas não estão mais trazendo con-
tribuições significativas para ampliar a compreensão do tema, é chegado o momento de parar.
O levantamento de experiências, além de ajudar a aprofundar o conhecimento sobre o
problema em estudo, poderá trazer outras valiosas contribuições para a pesquisa, como: quais
os problemas mais emergentes? Quais as facilidades disponíveis para a condução da pesquisa?
Quais fatores podem ou não ser controlados? Quais as possíveis fontes de dados e sua aces-
sibilidade? Qual a disposição das pessoas em cooperar?
Cuidados especiais devem ser tomados ao se apresentarem os resultados de levantamentos
de experiências. Deve ficar claro que se trata de estudos exploratórios e não conclusivos,
que seus objetivos consistem em aprofundar o conhecimento do assunto e gerar hipóteses
explicativas sobre os fatos e os fenômenos em estudo e, finalmente, que as informações foram
obtidas junto a uma amostra casual ou intencional de pessoas com experiência nesse campo.
Estudos de casos selecionados – Uma terceira forma de aprofundar o conhecimento de
problemas não suficientemente definidos é por meio de estudos de casos selecionados.Trata-se
de um método muito produtivo para estimular a compreensão e sugerir hipóteses e questões
para a pesquisa. O método do estudo de casos pode envolver exame de registros existentes,
observação da ocorrência do fato, entrevistas estruturadas, entrevistas não estruturadas etc.
O objeto do estudo pode ser um indivíduo, um grupo de indivíduos, uma organização, um
grupo de organizações ou uma situação. Como o estudo de caso é um método de pesquisa
exploratória, convém novamente lembrar que o seu objetivo é o de gerar hipóteses e não
verificá-las, além de possibilitar a ampliação dos conhecimentos sobre o problema em estudo.
Em marketing, existem inúmeras situações em que os estudos de casos ajudam a com-
preender melhor o problema em estudo e a gerar hipóteses, por exemplo: por que certos
vendedores vendem muito mais do que outros? Por que certos intermediários são mais coo-
perativos com a empresa do que outros? Por que certos grupos de consumidores reagem mais
favoravelmente aos apelos promocionais do que outros?
Esse método apresenta três características.A primeira é que os dados podem ser obtidos em tal
nível de profundidade que permitem caracterizar e explicar em detalhes os aspectos singulares do
caso em estudo, bem como apontar semelhanças e diferenças quando comparado com outros casos
estudados. Dependendo dos objetivos e do objeto em estudo, esse método poderá demandar muito
tempo. A segunda característica é a atitude receptiva do pesquisador, que deve ser caracterizada
pela busca de informações e geração de hipóteses, e não por conclusões e verificações. A terceira
é a capacidade de integração do pesquisador de reunir, numa interpretação unificada, inúmeros
aspectos do objeto pesquisado.
Não existem regras para a escolha dos casos pesquisáveis. A experiência indica que, em
determinadas situações, alguns tipos são mais adequados que outros. Por exemplo:
• Casos que reflitam comportamentos ou desempenhos extremados − Estudar o melhor e o
pior vendedor da empresa; estudar um caso de sucesso e outro de insucesso de lançamento
52 Pesquisa de Marketing
com uma escala mais precisa...” Preferencialmente, o pesquisador deverá perceber esses detalhes
durante a etapa de planejamento. Projetar as tabelas para futura análise facilitará o planejamento
e a execução. Nenhum problema deve ser considerado convenientemente formulado, antes que
o pesquisador possa especificar como serão efetuadas as análises e como os possíveis resultados
contribuirão para sua solução.
Figura 3.4 Diferenciação entre estudos de casos, estudos de campo e levantamentos de campo, segundo a
profundidade e a amplitude da pesquisa.
sua inclusão; já o estudo de campo está menos preocupado com a geração de grandes amostras re-
presentativas de uma dada população, pois se ocupa do estudo medianamente profundo de algumas
situações típicas.A ênfase do levantamento de campo está na geração de sumários estatísticos, como
médias, modas, variâncias, decis, centis, percentis, percentagens e a relação desses sumários estatís-
ticos. Os estudos de campo devem ser utilizados quando se estiver mais interessado em conhecer
o inter-relacionamento entre as diversas variáveis que ocasionam um fenômeno e, principalmente,
quando for difícil entender esse fenômeno sem compreender esse inter-relacionamento.
Grande parte das preocupações nos levantamentos de campo é canalizada para a seleção dos
componentes da amostra. Usualmente, essa seleção é feita por meio de um plano de amostragem
probabilística, cujo objetivo é minimizar o erro associado às estatísticas obtidas a partir da
amostra selecionada (chamado erro amostral) e usadas para descrever a população em estudo.
Vantagens dos levantamentos de campo:
• Representatividade da população em estudo – À medida que a amostra é gerada a partir
de métodos probabilísticos, tem-se total controle sobre o erro amostral dos dados obtidos
em relação à população geradora da amostra.
• Geração de tabelas com os dados coletados – Como o número de elementos da amostra
geralmente é grande, o levantamento de campo permite a geração de tabelas, sumarizadas
por categorias, com os dados coletados, e a generalização desses sumários para toda a
população em estudo.
• Geração de tabelas com o cruzamento de dados – Também graças ao grande número de
elementos pesquisados, o levantamento de campo permite a geração de tabelas a partir da
tabulação cruzada. Essas tabelas consistem na apresentação simultânea da classificação dos
elementos da amostra em diversas categorias.
• Despertar, junto ao público em geral, maior confiança nos resultados da pesquisa quando
comparados a outros métodos.
Por outro lado, os levantamentos de campo apresentam diversas desvantagens:
• Não permitem aprofundar os tópicos da pesquisa. A extensão da informação procurada é
usualmente enfatizada em detrimento da profundidade. Além disso, sua característica de
gerar sumários estatísticos para descrever os fenômenos pode não ajudar em nada a com-
preensão da população estudada, dependendo do nível de agregação/desagregação com que
os dados foram coletados. Por isso, o levantamento de campo é mais adequado a pesquisas
extensivas; outros tipos de pesquisa são mais adequados à realização de pesquisas profundas.
• São mais dispendiosos, tanto em termos de custo quanto de tempo. Devido às preliminares
necessárias, vitais nesse método, exigem grande tempo de preparação antes que qualquer
56 Pesquisa de Marketing
dado possa ser coletado. O processo total de pesquisa, desde a definição do problema até
a tabulação dos dados coletados, já deve estar realizado antes que uma simples hipótese
possa ser testada. Cada uma dessas etapas requer grande investimento de tempo e dinheiro.
• A realização de levantamentos de campo exige grandes conhecimentos técnicos. O pes-
quisador e sua equipe precisam possuir os conhecimentos exigidos a cada estágio do
processo ou ter acesso a quem os possua, na forma de consultoria técnica. É raro que
um mesmo indivíduo possua amplos e profundos conhecimentos técnicos em áreas tão
diferentes e sofisticadas quanto aquelas necessárias às pesquisas de marketing, a ponto de
saber desenvolver uma escala de atitudes e ainda projetar um complexo plano de amos-
tragem ou um sofisticado plano de análises para o processamento eletrônico dos dados.
Vantagens dos estudos de campo:
• Os fenômenos são investigados durante a sua ocorrência natural. Ao contrário dos estudos
em laboratório, não há manipulação das variáveis controláveis. Não há, portanto, ocorrência
de vieses advindos dessas causas.
• Constitui-se em grande fonte geradora de hipóteses. Os estudos de campo servem,
principalmente, aos propósitos da pesquisa exploratória, em que a ênfase está na geração
e não no teste de hipóteses.
• Quando a percepção do pesquisador é de que há grande homogeneidade nos elementos
da população, o estudo de campo será recomendado, pois se caracteriza como uma forma
mais rápida e econômica de se obterem os dados, sem perda da representatividade.
• Adquire-se profundo conhecimento das relações entre as variáveis de pesquisa nos casos
estudados.
Desvantagens dos estudos de campo:
• Os estudos de campo têm a característica de investigar o fato somente após sua ocorrência
(ex-post facto) e, por isso, não permitem controle sobre as variáveis em estudo (diferente-
mente das pesquisas em laboratório, em que o controle é total, e dos levantamentos, em que
o controle é parcial). Portanto, sempre há um grande número de variáveis que interferem
nos resultados e cujos efeitos são difíceis ou impossíveis de serem isolados.
• Não podem ser generalizados, a não ser quando já se tem conhecimento anterior sobre a
homogeneidade da população pesquisada. Embora esse método seja muito utilizado em
pesquisas de marketing, respondendo a questões específicas sobre o que, como, onde, quem
etc., o pesquisador precisa ser absolutamente honesto na apresentação dos resultados em
relação a essa desvantagem dos estudos de campo.
Por outro lado, tanto os levantamentos de campo quanto os estudos de campo podem ser
classificados em ocasionais ou evolutivos.
deve sempre preferir, quando possível, a pesquisa evolutiva painel, pois, ao pesquisar sempre os
mesmos elementos, elimina uma das possíveis fontes de viés. No entanto, mesmo não havendo
essa possibilidade, a pesquisa deverá ser realizada utilizando-se amostras diferentes a cada medição.
Pesquisa painel – As pesquisas evolutivas por painéis são muito utilizadas em marketing.
Muitas das informações necessárias para marketing precisam ser obtidas de forma periódica, a
fim de permitir uma avaliação contínua de sua evolução no tempo. Existem empresas de pes-
quisas especializadas em fornecer informações de marketing a partir de pesquisas por painéis.
O painel é chamado fixo quando os entrevistados são sempre os mesmos a cada rodada; é
chamado móvel quando, a cada rodada, são sorteados novos entrevistados.
O IBOPE tem um exemplo de painel fixo para a pesquisa contínua de audiência de TV.
No Capítulo 5, há uma descrição detalhada do sistema do IBOPE.
Painel omnibus – Uma variação da pesquisa painel tem sido utilizada por empresas/institutos
de pesquisa, principalmente para baratear o processo de coleta dos dados; é o chamado painel
omnibus, que consiste na amostra permanente de uma população que é frequentemente pesquisada.
As informações coletadas podem variar conforme as necessidades dos clientes contratantes da
empresa/instituto.Algumas vezes, é possível medir atitudes em relação a um novo produto; outras
vezes, os membros do painel podem ser solicitados a avaliar alternativas de propaganda. Inclusive,
numa mesma coleta, dados de diferentes produtos para diferentes clientes podem ser levantados.
Dependendo do grau de especificidade da pesquisa, às vezes faz-se necessário selecionar, do total da
amostra, uma subamostra que reúna os elementos com as características desejadas. Como os custos
de montagem de um painel e de coleta dos dados são elevados, à medida que um painel pode ser
utilizado para atender às necessidades de pesquisas de vários clientes, haverá diluição dos custos.
Vantagens da pesquisa painel:
• Análises longitudinais por longos períodos de tempo, permitindo a verificação de tendências.
• Redução do custo de construções contínuas de amostras; se for painel omnibus, o custo
será diluído mais ainda.
• Ao repetirem sempre as mesmas tarefas, os entrevistadores ficam habilmente treinados na
coleta de dados. Ganham-se rapidez e precisão.
• Há bastante interação entre entrevistado e entrevistador, o que cria um ambiente propício
à colaboração.
A vantagem mais importante da pesquisa painel é a analítica. Para verificar essa vantagem,
veja o exemplo a seguir.
As marcas consumidas de certa categoria de produto foram medidas junto a um painel de 1.000
famílias, em dois períodos consecutivos, e os resultados estão na Tabela 3.2.
RESUMO
Existem vários tipos de classificação de pesquisas que resultam da utilização de diferentes variáveis
de classificação. Este livro adota a classificação que leva em consideração o objetivo e o grau em
que o problema de pesquisa está cristalizado e a natureza do relacionamento entre as variáveis es-
tudadas.A classificação adotada é: pesquisas exploratórias, pesquisas conclusivas descritivas e pesquisas
conclusivas explicativas.
Tipos de Pesquisa 59
QUESTÕES DE REVISÃO
1. Qual a diferença entre pesquisa exploratória e pesquisa descritiva?
2. Qual a diferença entre estudos de caso, estudos de campo e levantamentos de campo?
3. Quais os cuidados a serem tomados para a realização de um levantamento de campo?
4. Informações obtidas num estudo de caso podem ser utilizadas para a tomada de decisões
em marketing?
5. Por que é importante, antes de começar a coleta de dados numa pesquisa descritiva por
levantamento de campo, prever como eles serão analisados?
6. Faça um quadro mostrando as vantagens e as desvantagens dos estudos de campo. Dê dois
exemplos de pesquisas em que o estudo de campo é mais recomendável.
7. Qual a vantagem mais importante que a pesquisa painel oferece? E a desvantagem mais
importante?
Trabalho – Parte 2
Tendo em vista o problema de pesquisa e o objetivo da pesquisa definidos no Capítulo 2,
compare as vantagens e as desvantagens das possíveis utilizações no seu projeto de cada
tipo de pesquisa apresentado neste capítulo. Procure concluir o trabalho definindo
qual tipo você escolheria como o mais adequado para resolver o problema de pesquisa
apresentado.
REFERÊNCIAS
BARDIN, L. Análise de conteúdo. Lisboa: Edições70, 1977.
BONOMA, Thomas V. Case research in marketing: opportunities, problems, and process. Journal of
Marketing Research, v.22, pp. 199-208, 1985.
BOYD. JR, Harper W.; WESTFALL, Ralph. Pesquisa mercadológica. Rio de Janeiro: Fundação Getulio
Vargas, 1973.
60 Pesquisa de Marketing
CHURCHILL. JR., Gilbert A. Marketing research: methodological foundations. Insdale, Illinois: Driden
Press, 1979.
COX, Donald F.; GOOD, Robert E. How to build a marketing information system. Harvard Business
Review, ano 3, n. 45, May/June 1967.
DRAKE, Jerry E.; MILLER, Frank J. Marketing research: intelligence and management. Stranton Pa:
International Texbook, 1969.
EVRARD, Yves; PRAS, Bernard; ROUX, Elyette (em colaboração com: CHOFFRAY, Jean-Marie;
DUSSAIX, Anne-Marie). Market – études et recherche em marketing: foundements. Éditions Nathan,
1993.
FESTINGER, Leon; KATZ, Daniel. Research methods in the behavioral sciences. New York: Holt, Rinehart,
1959.
GREEN, Paul E.;TULL, Donald S. Research for marketing decision. Englewood Cliffs: Prentice Hall, 1966.
KERLINGER, Fred N. Foundations of behavioral research. 2. ed. New York: Holt, Rinehart, 1973.
KINNEAR,Thomas C.;TAYLOR, James R. Marketing research: an applied approach.Tóquio: McGraw-Hill
Kogakusha, 1979.
KIRK, J.; MILLER, M. Reliability and validity in qualitative research. Beverly Hills: Sage Publications, 1986.
LUCK, David J.; WALES, Hugh G.; TAYLOR, Donald A. Marketing research. 4. ed. Englewood Cliffs:
Prentice Hall, 1974.
MALHOTRA, Naresh K. Pesquisa de marketing: uma orientação aplicada. 3. ed. Porto Alegre: Booka-man,
2001.
SELLTIZ, Claire; JAHODA, Marie; DEUTSCH, Morton, COOK, Stuart W. Métodos de pesquisas nas
relações sociais. São Paulo: Editora Pedagógica e Universitária - EPU. Editora da Universidade de
São Paulo, 1974.
YIN, R. K. Case study: design and methods. 2. ed. Sage University Paper Series on Applied Social Research
Methods, CA. 5. Newbury Park: Sage Publications, 1989.
CAPÍTULO 4
Projeto de Pesquisa Explicativa
O espírito científico, fortemente armado com seu método,
não existe sem a religiosidade cósmica.
Albert Einstein
Objetivos
• Apresentar e detalhar o projeto de pesquisa explicativa.
Sumário
CONCEITO DE CAUSALIDADE
Critérios para inferir relações de causalidade
EXPERIMENTAÇÃO
Uso de projetos de pesquisas experimentais em marketing
Definições e conceitos
Validade interna e externa de experimentos
Experimentos de laboratório e de campo
Tipos de variáveis estranhas
Notação utilizada em experimentos
Projetos experimentais
Projetos quase experimentais
TESTE DE MARKETING
Usos do teste de marketing
Custos do teste de marketing
Critérios para selecionar locais para o teste de marketing
Duração do teste de marketing
CONCEITO DE CAUSALIDADE
Em diversas situações da prática de marketing, tais como: alterações no preço de um produto,
escolher o nome para um novo produto, escolher uma nova embalagem para um produto
existente, definir o melhor perfil para a equipe de vendas, prever os resultados de uma nova
campanha de propaganda ou de promoção de vendas, apontar as razões de um insucesso
de vendas etc., há necessidade de os gerentes de marketing descobrirem relações de causa e
efeito entre as variáveis de decisão de marketing (sobre as quais têm controle) e as variáveis de
resultado (sobre as quais não têm controle). No entanto, na prática, não é simples estabelecer
a atribuição da “causalidade”, ou seja, ter certeza de que “o responsável por isto foi aquilo”.
Essa dificuldade será ilustrada por meio de um exemplo. Uma empresa manteve estáveis,
durante muitos anos, as vendas e a participação de mercado de um de seus modelos de fogão,
responsável por 35% de suas vendas. Nos últimos três meses, as vendas subiram cerca de 10%
ao mês, sem que se soubessem as razões desse crescimento.
Para tentar descobrir as “causas” desse incremento nas vendas, o diretor presidente manteve
uma conversa com o diretor de vendas, que foi categórico ao declarar que “as vendas cresceram
como resultado do vigoroso programa de treinamento no produto que conduzimos, junto ao
nosso corpo de vendas e junto aos vendedores de nossos lojistas distribuidores”. Em seguida, o
diretor presidente manteve uma conversa com o diretor de marketing que, também categórico,
afirmou para ele que “as vendas cresceram por duas razões: a nova campanha de propaganda
que entrou no ar e a vigorosa campanha promocional que conduzimos, junto aos vendedores de
nossos distribuidores, pagando a eles um prêmio por unidade vendida no varejo”. Finalmente,
o diretor presidente conversou com o diretor financeiro, que lhe disse que “as vendas subiram,
única e exclusivamente, porque ele havia estabelecido um novo critério de rateio dos custos
fixos, de forma que uma carga menor foi atribuída a esse produto e, por isso, seu preço está, nos
últimos três meses, 2,5% abaixo do que normalmente foi”. Afinal de contas, com quem estaria
a razão? Será que somente um desses fatores foi responsável pelo incremento das vendas? Ou
será que todos foram igualmente responsáveis? Ou será que todos foram responsáveis, mas com
diferentes parcelas de responsabilidades? E se, na mesma ocasião, o diretor presidente dessa em-
presa descobrisse que seu maior concorrente desse produto elevara o preço em 10%, ou deixara
de fazer propaganda, também não seriam explicações possíveis para a elevação das vendas?
Selltiz et al. (1974) apresentam interessante discussão sobre a problemática do estabeleci-
mento de relações de causa e efeito. O senso comum que se faz de causalidade é de que um
único acontecimento, a “causa”, sempre provoca outro acontecimento, o “efeito”. É a chamada
causação determinística. De forma esquemática, a causalidade, segundo o senso comum, pode
ser assim representada:
faz pensar que um único fato (causa) pode dar uma explicação completa para outro fato (efeito),
o cientista raramente espera encontrar um único fato responsável pela ocorrência de outro; in-
clusive, jamais chega a afirmar categoricamente a relação de causalidade. Ele conclui em termos
de probabilidade, com afirmações do tipo:“Se ocorrer isto, provavelmente deverá ocorrer aquilo.”
É a chamada causação probabilística. O cientista assim procede porque tem consciência da impos-
sibilidade de provar. Ele pode apenas inferir a existência de causalidade. Essa inferência será baseada
na observação do comportamento dessas variáveis, diante de condições contribuintes, contingentes
e alternativas. De forma esquemática, a causalidade, segundo a ciência, pode ser assim representada:
• Condição contribuinte – É aquela que aumenta a probabilidade de ocorrência de deter-
minado fenômeno, mas não a torna certa; isso ocorre porque é apenas um dentre vários
outros fatores que, em conjunto, determinam a ocorrência do fenômeno. No exemplo,
todas as razões alegadas pelos diretores são condições contribuintes.
• Condição contingente – Diz respeito à condição em que determinada variável é uma
causa contribuinte para a ocorrência de determinado fenômeno. No exemplo, as condições
contingentes para a ocorrência do incremento das vendas poderiam ser: disponibilidade de
capacidade ociosa de produção e de mão de obra, a não ocorrência de greves dos operários
no período, não ter faltado matéria-prima para a produção, não ter faltado capital de giro
para financiar as vendas etc.
• Condição alternativa – Diz respeito a outras possíveis condições favoráveis à ocorrência do
fenômeno observado e que não foram consideradas. No exemplo, poderiam ser: ocorrência
de greve no principal concorrente, redução nos impostos diretos cobrados pelo governo
(IPI e ICMS), redução nos juros ou elevação dos prazos de financiamento ao consumidor
final, aceleração da inflação, fazendo o consumidor antecipar suas compras etc. Uma
condição alternativa no exemplo seria a elevação dos preços do principal concorrente.
Note que todas as hipóteses em pesquisas de marketing se referem as condições con-
tribuintes ou alternativas.
concluir apenas que há variação concomitante. Não é possível concluir que esse fato seja a
razão para a baixa participação de mercado da empresa, sem que se realizem estudos muito
mais profundos.Veja que a seguinte condição alternativa poderia estar relacionada com o fato
observado: “A qualidade das concessionárias que a empresa consegue atrair para sua rede de
distribuição é baixa porque seus produtos não exercem atratividade no mercado e, por isso,
não despertam o interesse das boas concessionárias.”
Analogamente, podem-se construir tabelas parecidas relacionando incremento dos gastos de
propaganda (x) com o crescimento nas vendas (y), número de horas de treinamento da equipe
de vendas (x) com o crescimento na participação de mercado (y) etc. Em nenhum desses casos
será possível concluir que, havendo variação concomitante, existirá relação de causa e efeito,
mas que, não havendo variação concomitante, dificilmente existirá essa relação. Portanto, esse
critério serve para indicar quais variáveis não têm relação de causa e efeito.
Ordem de ocorrência das variáveis no tempo – Diz-se que um evento só poderá
ser causador de outro se ocorrer antes ou simultaneamente ao efeito causado. Ou seja, no
exemplo deste capítulo, o diretor de vendas jamais poderia alegar que a razão do incremento
nas vendas teria sido o treinamento realizado, se este só tivesse ocorrido um mês após o início
do crescimento nas vendas.
Apesar de esse critério ser muito simples e óbvio, na prática, em algumas situações,
ocorrem dificuldades na identificação de qual variável antecedeu qual no tempo. Vejam-se
os seguintes exemplos: existem certos produtos, principalmente de moda, cujo aumento
nas vendas provoca mudança na atitude dos consumidores, e essa mudança de atitude causa
elevação das vendas. Nas empresas em que o orçamento de propaganda é fixado segundo
um percentual fixo sobre as vendas, considerando a análise da relação propaganda e vendas,
qual variável antecedeu qual no tempo? A intensidade da propaganda cresce porque as
vendas crescem, ou as vendas crescem porque há maior intensidade na propaganda? Nos
dois exemplos, há necessidade de um entendimento prévio do que aqui foi exposto, sem o
qual o pesquisador talvez não consiga estabelecer a relação correta da ordem de ocorrência
das variáveis no tempo.
Mesmo já tendo estabelecido que dois eventos variam concomitantemente no tempo, e
também verificado que o evento causador antecede a ocorrência do efeito, o pesquisador não
pode inferir que há relação de causa e efeito, pois ainda permanecerá a seguinte dúvida: “Será
que existem outros possíveis eventos que estejam causando o efeito observado?”
Eliminação de outros fatores – O terceiro critério a ser atendido para que se possa
induzir uma relação de causa e efeito é a busca e a eliminação de outros possíveis fatores causa-
dores do efeito estudado. O problema é que aqui, diferentemente dos dois casos anteriores, não
existe regra para aplicação desse critério. O pesquisador precisa usar de toda sua experiência
e sensibilidade para encontrar e tentar eliminar os outros possíveis fatores. Segundo Churchill
(1979), a eliminação de outros possíveis fatores é muito parecida com a abordagem usada por
Projeto de Pesquisa Explicativa 65
Sherlock Holmes para desvendar os crimes misteriosos, ou seja, se você conseguir eliminar
todas as possíveis causas menos uma, esta deverá ser inferida como a causadora do efeito. Na
prática de pesquisa de marketing, esse critério será aplicado mediante a medição de outras
possíveis variáveis, ou via controle das outras causas por meio do projeto do experimento,
como será visto adiante neste capítulo. Para exemplificar, será utilizado novamente o exemplo
inicial do capítulo. O diretor presidente poderia investigar gradativamente as afirmações co-
lhidas junto a cada diretor e verificar quais não se sustentavam à medida que as informações
colhidas o demonstrassem, como, por exemplo, a pesquisa a posteriori da campanha de propa-
ganda realizada mostrou que seu resultado foi um completo fracasso, e assim, sucessivamente,
iria eliminando diversas possíveis causas. Aquelas cuja eliminação não fosse possível e que
atendessem, simultaneamente, também aos outros dois critérios anteriores seriam inferidas
como as possíveis causadoras do inesperado sucesso nas vendas.
A postura correta em relação a esses três tipos de critérios para detectar a evidência de
causalidade é que eles proporcionam uma base razoável para que se acredite que uma variável
x é, ou não, causadora de y. Jamais se terá certeza se os resultados serão verdadeiros, mesmo
quando todo o relacionamento tiver sido conclusivamente demonstrado. Ganha-se maior
confiabilidade nos resultados, à medida que repetidas experimentações com as mesmas variáveis
independentes e dependentes indiquem sempre as mesmas conclusões.
EXPERIMENTAÇÃO
Uma das formas mais utilizadas em marketing para identificar relações de causa e efeito entre
variáveis é a experimentação. Um experimento consiste na manipulação controlada pelo
pesquisador de uma ou mais variáveis independentes e a medição dos efeitos causados na(s)
variável(eis) dependente(s). Um experimento é capaz de proporcionar maiores e convincentes
evidências de relações causais do que projetos exploratórios ou descritivos, pois, nesses projetos,
não é possível haver manipulação ou controle de variáveis independentes e dependentes. Um
experimento tem grande capacidade de proporcionar evidências de causalidade devido ao con-
trole que o pesquisador tem sobre as variáveis em estudo, bem como sobre os demais fatores. A
experimentação é a forma de pesquisa, por excelência, das ciências exatas (física, química, biologia
etc.) e nelas teve origem. Nos últimos 30 anos, suas práticas foram gradativamente assimiladas
pelas ciências sociais. Enquanto nas ciências exatas o controle exercido pelo pesquisador sobre
todos os aspectos do experimento é total, o mesmo não pode ser dito quanto a sua aplicação
nas ciências sociais.
Esses mesmos autores (Cox e Enis, 1969) acreditam que esses projetos tendem a ser bas-
tante utilizados em pesquisas de marketing pelas seguintes razões:
• A experimentação funciona. Expressivos resultados de marketing são produzidos por seus
procedimentos.
• Os custos das inferências causais erradas de marketing estão crescendo.
• Os níveis educacionais (do pessoal de marketing e de pesquisa de marketing) estão cres-
cendo com um incremento associado no entendimento desses procedimentos.
• As capacidades dos procedimentos de análise por computadores têm eliminado o tédio
das análises manuais.
Definições e conceitos
Para facilitar o entendimento dos projetos experimentais que serão expostos a seguir, é
importante que alguns conceitos e definições básicos sejam apresentados.
Experimento – Segundo Kerlinger (1973), “um experimento é um tipo de pesquisa
científica na qual o pesquisador manipula e controla uma ou mais variáveis independentes e
observa a variação na variável ou nas variáveis dependentes concomitantemente à manipulação
das variáveis independentes”.
Projeto de Pesquisa Explicativa 67
seus custos e o tempo de realização são muito mais elevados. Experimentos de laboratório
têm grande validade interna, enquanto experimentos de campo têm grande validade externa;
entre uma e outra opção, o pesquisador deverá escolher a que melhor atenda aos objetivos de
seu projeto. O Quadro 4.2 apresenta um resumo dessa comparação.
afeta a segunda. Por exemplo, quando, para medir os efeitos de uma propaganda sobre a mu-
dança de atitudes de consumidores em relação à determinada marca de produto, efetua-se uma
medição prévia dessa atitude para posterior comparação, essa própria medição poderá induzir
esses consumidores a mudanças na atitude em relação à marca pesquisada, comprometendo a
validade interna do experimento. Esse efeito é também chamado de efeito reativo. Existem
poucos temas em ciências sociais em que o próprio processo de medição não provoca mudança
no que está sendo medido. Assim, qualquer pessoa que seja questionada sobre suas atitudes
em relação a uma empresa, produto ou marca pode ser induzida a realizar mudanças em suas
atitudes em relação ao que lhe foi perguntado. O fato de uma pessoa ter de relatar inicialmente
o seu padrão de consumo, ao ser incluído num painel de consumidores, poderá mudar esse
padrão de consumo. O efeito teste interativo ocorre quando a primeira medição, feita antes de
se exporem as unidades de teste ao tratamento, pode afetar as respostas das unidades de teste em
relação à variável experimental, pelo fato de as unidades de teste passarem a ficar mais interes-
sadas e curiosas a respeito do que está sendo medido, o que pode interferir em sua maneira
normal de reagir ao tratamento. Assim, os consumidores tendem a reagir de forma diferenciada
daquela que normalmente teriam quando, ao se efetuar a primeira medição para detectar suas
atitudes, por exemplo, em relação à empresa LG (fabricante de produtos eletrônicos), ficam mais
interessados em conhecer a empresa, o que ela fabrica e mais perceptivos às suas propagandas.
Tudo isso, provavelmente, provocará uma mudança em suas atitudes perante a LG que não
corresponderá à situação de normalidade que se pretendia medir. Os efeitos teste de um e
outro tipo produzem diferentes impactos sobre a validade. Enquanto o efeito teste principal
reduz a validade interna do experimento, o efeito teste interativo reduz sua validade externa.
Variações nos instrumentos (I) – Refere-se a qualquer mudança que possa ter ocorrido
com o(s) instrumento(s) utilizado(s) na medição das variáveis. Isso pode ocorrer tanto em
função de mudanças efetivas no instrumento quanto em função de diferentes formas de sua
aplicação. Exemplo: durante um experimento em que se procurava medir o efeito de um novo
programa de incentivo à equipe de vendas, houve, entre a primeira medição nas vendas antes
de o programa ser introduzido e uma medição três meses depois, inflação de 45%, fazendo
com que a escala utilizada (reais) ficasse com seu valor real alterado e a medida obtida na
segunda medição fosse completamente irreal, por causa da variação no instrumento de medida.
Por outro lado, medições feitas por um mesmo entrevistador, com o mesmo instrumento de
coleta de dados, mas cujo comportamento durante a entrevista tenha sido substancialmente
diferente, também poderá introduzir variação nas respostas. Esse problema tende a ocorrer
com maior intensidade quando as medições forem realizadas por diferentes entrevistadores.
Regressão estatística (R) – Os efeitos decorrentes de regressão estatística surgem quando
as unidades de teste escolhidas para a realização do experimento ocupam posições extremadas
em relação à variável dependente. Ao serem expostos ao tratamento, seus resultados tendem a
se mover rapidamente para um valor médio da população de onde foram retiradas. Chama-se
efeito regressão estatística a essa variação rápida, acima do normal, na variável dependente,
que pode estar trazendo grande distorção nos resultados. A seleção de unidades de teste por
meio de amostragens probabilísticas pode eliminar a ocorrência desse efeito. Exemplo: essa
ocorrência estaria presente no experimento que, procurando medir os efeitos de um pro-
grama de treinamento da equipe de vendas, escolhesse para unidades de teste os dez piores
vendedores da empresa. Esses vendedores, ao serem expostos ao programa de treinamento,
deverão ter uma reação que será medida por meio do incremento em suas vendas, maior do
Projeto de Pesquisa Explicativa 71
que a que deve ocorrer com toda a equipe de vendas. A validade externa dos experimentos
que têm o efeito regressão estatística fica comprometida.
Viés de seleção (V) – Ocorre quando são selecionadas unidades de teste com grandes diferen-
ças em relação à variável dependente, antes que sejam expostas ao tratamento. No exemplo visto no
item anterior, ocorreria viés de seleção se fosse montado um experimento para medir o resultado
sobre as vendas resultantes do programa de treinamento com o grupo dos dez piores vendedores da
empresa expostos ao tratamento, e o grupo dos dez melhores não expostos ao tratamento, servindo
como grupo de controle (para medir o efeito de outras variáveis). Nesse caso, além do efeito regres-
são estatística nos dois grupos, o viés de seleção agravaria a validade interna do experimento, pois
se estaria comparando dois grupos heterogêneos e, portanto, não comparáveis. A forma de reduzir
ou eliminar a ocorrência desse efeito é a utilização de processos randômicos ao longo de todo o
experimento. Segundo Kerlinger (1973), o princípio geral para se evitar o viés de seleção é:
Randomize1 sempre que for possível: selecione as unidades de teste por processos randômicos; atribua os papéis entre
os grupos de forma randômica; atribua os tratamentos experimentais aos grupos de forma randômica.
Projetos experimentais
Existem inúmeros tipos de projetos experimentais. Neste livro, serão apresentados apenas os
sete considerados de maior utilidade para pesquisas de marketing. Os projetos experimentais
são classificados segundo o momento da medição da variável dependente em projetos antes,
projetos depois e projetos antes e depois do tratamento e segundo o número de grupos ex-
perimentais e de controle utilizados no projeto.
Projeto apenas depois, sem grupo de controle – A representação esquemática deste
projeto é:
X O
R O1 X O2
Esse projeto apresenta duas diferenças em relação ao primeiro: a unidade de teste foi
probabilisticamente constituída (R) e foi realizada uma medida antes (O1). Aplicando esse
projeto ao mesmo exemplo anterior, ter-se-ia agora uma unidade de teste constituída por
processos aleatórios e uma medição anterior (O1) das atitudes desses consumidores em relação
ao produto para poder ser comparada a medição posterior (O2) com a exposição ao tratamento
(propaganda no jornal dominical). A conclusão que, a princípio, se poderia chegar seria:
No entanto, o efeito observado num projeto experimental com essas características não po-
de ser considerado resultante única e exclusivamente da exposição ao tratamento, pois inúmeras
variáveis estranhas podem ter estado presentes, mascarando o resultado. Por exemplo, o grupo
Projeto de Pesquisa Explicativa 73
Grupo experimental R X O1
Grupo de controle R O2
Esse projeto é constituído de duas unidades de teste: uma é utilizada como grupo ex-
perimental, exposto ao tratamento e às variáveis estranhas, e outra, como grupo de c às
variáveis estranhas. Tanto a constituição das unidades de teste como a determinação de qual
será o grupo experimental e o grupo de controle são feitas mediante processos aleatórios (R),
o que elimina a ocorrência de viés de seleção (V). Após o período de exposição do grupo
experimental ao tratamento, efetuam-se medições no grupo experimental (O1) e no grupo
de controle (O2). Partindo do pressuposto de que os dois grupos são idênticos, o resultado da
exposição do grupo experimental ao tratamento poderá ser:
d = O1 − O2
Sendo:
O1 = ET + H + M + TP + I + R + MT e
O2 = H + M + TP + I + R + MT
Ter-se-á:
d = O1 − O2 = ET , sendo ET = efeitode tratamento.
Note que esse projeto experimental apresenta um grande número de pontos positivos
quando comparado com os que foram até aqui apresentados. Não havendo medições antes
em nenhum dos grupos, não haverá problemas com o efeito teste; tendo sido os dois grupos
aleatoriamente formados e um aleatoriamente escolhido para ser exposto ao tratamento, não
haverá problemas de viés de seleção e de regressão estatística; como o grupo de controle está
sujeito a todas as outras variáveis exógenas ao experimento, esse efeito pode ser extraído da
medição do grupo experimental, eliminando, assim, o efeito história; como os grupos são
teoricamente idênticos, pode-se também admitir, porém sem muita certeza, que a maturação
e a mortalidade devem ter ocorrido de forma semelhante nos dois grupos, e seu efeito foi
eliminado por meio do grupo de controle. Permaneceriam apenas dúvidas quanto ao efeito
instrumento. Havendo, no entanto, cuidados em sua aplicação, poderia ser perfeitamente
controlado. Por todos esses pontos positivos, conclui-se que é um bom projeto experimental.
Apenas um ponto negativo precisa ser registrado. Como não são efetuadas medidas antes no
grupo experimental nem no grupo de controle, mesmo tendo sido constituídos de forma
74 Pesquisa de Marketing
Observe que esse projeto é, em tudo, similar ao anterior, com a vantagem de que, neste, são
tomadas medidas antes, tanto no grupo experimental quanto no de controle, o que facilita a
comparação entre os grupos.Todas as vantagens apresentadas no projeto anterior permanecem,
apesar do efeito teste interativo que agora surge em função das medições antes realizadas nos
dois grupos. A premissa desse projeto é que todas as variáveis estranhas agem igualmente
sobre os dois grupos, e a única diferença entre eles é a exposição do grupo experimental ao
tratamento. O efeito do tratamento no grupo experimental na variável dependente será:
d = d1 − d 2
d1 = O2 − O1 = ET + H + M + TP + TI + I + R + MT
d 2 = O4 − O3 = H + M + TP + I + R + MT
Em que:
d1 = efeito aparente na variável dependente no grupo experimental
d2 = efeito na variável dependente no grupo de controle resultante das variáveis estranhas
ET = efeito do tratamento
H = efeito história
M = efeito maturação
Projeto de Pesquisa Explicativa 75
Grupo experimental R O1 X O2
Grupo de controle 1 R O3 O4
Grupo de controle 2 R X O5
Esse projeto é similar ao projeto antes-depois com um grupo de controle, com a diferença
de que, agora, com mais um grupo de controle em que não é feita nenhuma medição antes. O
grupo de controle 2, não se contaminando pelo efeito teste interativo, possibilita a eliminação
de seu efeito sobre o efeito total. Para o cálculo do efeito tratamento d, tem-se de proceder
da seguinte forma:
Seja EXT o efeito conjunto de todas as variáveis estranhas menos o efeito teste interativo
(TI). Assim:
EXT = H + M + TP + I + R + MT
Então, ter-se-á para analisar o efeito do tratamento (ET)
Observe que, na ausência de medições no grupo de controle 2, utiliza-se para sua subs-
tituição a média das medições antes dos grupos experimental e de controle 1, pressupondo
que os dois grupos sejam homogêneos. Observando as expressões acima, pode-se concluir
que o cálculo de d será igual a:
Esse projeto experimental permite ainda calcular TI, bastando, para isso, calcular d3 – d1.
Pode-se concluir que esse é um bom projeto experimental, pois todos os efeitos indesejáveis
de serem medidos na variável dependente estão sob controle.
Projeto antes-depois com dois grupos de controle e dois grupos experimentais
(também denominado Projeto Solomon de quatro grupos) – A representação es-
quemática desse projeto é:
Grupo experimental 1 R O1 X O2
Grupo de controle 1 R O3 O4
Grupo experimental 2 R X O5
Grupo de controle 2 R O6
Com esse projeto experimental, analogamente ao projeto anterior, pode-se controlar o efei-
to de todas as variáveis estranhas que afetam a validade interna e ainda controlar o efeito teste
interativo que os projetos anteriores não controlavam. Em relação ao projeto antes-depois com
um grupo de controle, foram acrescentados mais um grupo experimental e um de controle.
Os procedimentos, nesse segundo grupo experimental, são idênticos ao primeiro, com exceção
de que não se efetua uma medida antes, não ficando exposto ao efeito teste interativo. No
Projeto de Pesquisa Explicativa 77
segundo grupo de controle, efetua-se apenas a medida depois. Quais as vantagens que esses
dois grupos adicionais podem trazer?
Chame EXT o efeito conjunto de todas as variáveis estranhas menos o efeito teste in-
terativo (TI). Assim:
EXT = H + M + TP + I + R + MT
Observe que, na ausência de medições antes nos novos grupos, utiliza-se a média das
medições antes nos grupos anteriores. Pressupõe-se que os grupos sejam homogêneos.
Pela observação das expressões anteriores, pode-se verificar que, se desejar-se calcular
apenas o efeito d resultante do tratamento aplicado, basta subtrair d4 de d3:
d = d 3 − d4 = [O5 − (O1 + O 3 )/2] − [O6 − (O1 + O 3 )/2] = ET + EXT − EXT = ET
Esse projeto permite que se tenha uma medida direta do efeito resultante das variáveis
estranhas: d3 e d4. Permite também que se calcule o efeito teste interativo:
d1 − d 3 = (O 2 − O1 ) − [O5 − (O1 + O 3 )/2] = ET + EXT + TI − ( ET + EXT ) = TI
Pode-se concluir que esse é, juntamente com o anterior, um bom projeto experimental,
pois todos os efeitos indesejáveis de serem medidos na variável dependente estão sob controle,
inclusive o efeito teste interativo. No entanto, os dois projetos propostos por Solomon (1949),
apesar de suas correções, têm sido pouco usados na prática de pesquisa de marketing, pois,
paralelamente ao incremento na correção dos resultados, sua complexidade leva também ao
incremento dos custos e do tempo demandado para sua realização. No entanto, apesar dessa
sua pouca utilização, Selltiz et al. (1974), citando Canter, alertam para o seguinte:
Embora, geralmente, se reconheça que a solução de Solomon é correta, seu planejamento não tem sido muito
empregado. No entanto, alguns poucos estudos que o empregaram sugerem que os efeitos da interação são,
frequentemente, tão grandes que têm efeitos marcantes nos resultados experimentais. Por exemplo, Canter (1951)
usou este planejamento (...) num estudo sobre a eficiência de um curso de treinamento em relações humanas
para supervisores (...) Ao comparar os resultados, Canter verificou que cada um dos testes da pré-medida interagiu
de alguma forma com a variável experimental; alguns dos testes iniciais pareciam tornar os supervisores mais
receptivos aos aspectos significativos do curso de treinamento, outros pareciam torná-los menos receptivos.
validade externa de um projeto desse tipo. Para solucionar esse problema, foram desenvolvidos
os projetos chamados quase experimentais. Esses projetos são assim denominados por não se
constituírem em experimentos verdadeiros. Nesse tipo de projeto, o pesquisador tem grande
controle sobre os procedimentos de coleta de dados, mas falha completamente ao controlar a
exposição ao tratamento e na capacidade de projetar as unidades de teste de forma probabilís-
tica. Com essas “fraquezas” do projeto quase experimental, a possibilidade de obter resultados
confusos e incorretos é muito grande. O pesquisador precisa estar ciente de quais variáveis
específicas não estão sendo controladas. Existem inúmeros projetos de quase experimento.
Serão analisados, neste livro, apenas os três que mais interessam à pesquisa de marketing.
Projeto série de tempo – Esse projeto compreende a definição de uma unidade de
teste em que se efetuam, periodicamente, na variável dependente, várias medidas antes e
várias depois de expô-la a determinado tratamento experimental. A mudança observada
entre o padrão das medidas tomadas antes e depois é atribuída ao efeito-tratamento. Como o
tratamento é aplicado à unidade de teste numa situação ambiental natural, esse projeto possui
grande validade externa. Sua representação esquemática é:
O1 O2 O3 O4 O5 X O6 O7 O8 O9 O10
Nesse projeto, o pesquisador tem controle sobre o momento em que as medidas são
efetuadas e de quem são tiradas, mas não tem controle sobre a exposição dos elementos das
unidades de teste (não tem controle sobre quem efetivamente foi exposto, nem o quanto foi
exposto). O interesse maior do pesquisador, ao utilizar um projeto quase experimental série de
tempo, é estabelecer quais os efeitos verdadeiros proporcionados sobre a variável experimental
pela exposição da unidade de teste ao tratamento. Para chegar a essa conclusão, deverá eliminar
outras possíveis hipóteses explicativas para a ocorrência do efeito, e é nesse aspecto que o
projeto apresenta “fraquezas” semelhantes às apontadas no projeto experimental antes-depois
sem grupo de controle. O projeto quase experimental série de tempo é, estruturalmente, em
tudo semelhante ao projeto experimental antes-depois sem grupo de controle, com a única
diferença de que são tomadas, em vez de uma, várias medidas antes e várias depois. Porém, o
fato de acompanhar a evolução no tempo da variável dependente proporciona ao pesquisador
maior controle dos efeitos das variáveis estranhas. Esse tipo de projeto quase experimental é
muito utilizado em pesquisas de marketing, sendo as de painéis (de consumidores, de teles-
pectadores, de radiouvintes, de leitores, de lojas etc.), sua aplicação mais comum.
A título de exemplo, suponha-se que uma empresa queira decidir se deve ou não per-
manecer com sua atual agência de propaganda. Para ajudar nessa decisão, preparou-se um
projeto quase experimental para analisar os resultados da última campanha de propaganda
conduzida por essa agência para o composto de seus produtos. A análise da participação de
mercado de toda a empresa, apontada pelo painel de consumidores do departamento de pes-
quisas de marketing, apresentou possíveis resultados das dez observações tomadas a cada mês
antes e após a campanha ter início (Figura 4.1).
Admitindo que cada observação (O) seja uma medida da participação mensal de mercado
da empresa, as conclusões obtidas do efeito da campanha de propaganda podem ser:
1. Nas situações A, B e C, a campanha não teve nenhum efeito sobre a participação de
mercado da empresa. Nas três situações, as tendências observadas antes permaneceram
inalteradas depois.
Projeto de Pesquisa Explicativa 79
Figura 4.1 Exemplos de efeitos sobre a participação de mercado em projetos quase experimentais.
2. Nas situações D, E e F, a campanha teve apenas um efeito de curto prazo, com a partici-
pação de mercado voltando ao patamar anterior um ou dois meses após seu início.
3. Na situação G, a campanha teve efeito contrário ao desejado, levando a empresa a perder
participação de mercado.
4. Nas situações H, I e J, a campanha trouxe resultados positivos para a participação de mer-
cado da empresa. Na situação H, foi capaz de sustar uma contínua queda na participação
de mercado que vinha sendo observada; na situação I, foi capaz de elevar e manter nesse
patamar a participação de mercado da empresa e, na situação J, foi capaz de elevar a taxa
de crescimento na participação de mercado observada antes de seu início.
O pesquisador menos atento, tão logo constatasse resultados como os apresentados
nos itens (1), (2) e (3), poderia imediatamente recomendar à diretoria de marketing que
trocasse de agência de propaganda. A seguir, será analisado se esse pesquisador deveria ou
não fazer essa sugestão com total segurança de que não estaria cometendo uma injustiça.
As múltiplas observações proporcionam controle adicional, mas não total, sobre as variá-
veis estranhas. O efeito maturação pode ser desconsiderado, pois, como está presente em
todas as observações, a tendência observada não se altera. Pela mesma razão, não é preciso
preocupar-se com os efeitos teste principal, instrumento e regressão estatística. O problema
do viés de seleção pode ser perfeitamente evitado se a unidade de teste for constituída
por processos probabilísticos, e o efeito mortalidade da unidade de teste poderá ser con-
trolado se for acompanhado e excluído das medições anteriores e posteriores às possíveis
perdas. A principal “fraqueza” desse projeto é a impossibilidade de o pesquisador controlar
o efeito história; mesmo que mantenha um registro dos eventos que estão ocorrendo
simultaneamente (ações dos concorrentes, mudanças na economia, outras ações da própria
empresa etc.), o pesquisador não terá como medir e eliminar esse efeito do total observado.
Outra “fraqueza” desse projeto é a impossibilidade de se eliminar o efeito teste interativo,
que, com certeza, deve ocorrer em grande intensidade em unidades de teste que sejam
80 Pesquisa de Marketing
O1 O2 O3 O4 O5 X O6 O7 O8 O9 O10
O11 O12 O13 O14 O15 O16 O17 O18 O19 O20
A vantagem desse projeto é que se for conseguido um grupo de controle equivalente ao grupo
experimental, obter-se-á uma certeza muito maior nos resultados do efeito tratamento do
que no projeto anterior, pois agora o pesquisador pode comparar o efeito tratamento tanto
em relação ao grupo experimental quanto em relação ao grupo de controle, conseguindo,
dessa forma, grande validade externa para os resultados. O único problema desse projeto é
a possibilidade de efeito interativo no grupo experimental, sobre o qual o pesquisador não
terá controle.
Um exemplo da utilização desse projeto é constituir duas unidades de teste formadas por
supermercados equivalentes visando medir os efeitos de uma campanha de promoção de
vendas realizada em que é exposta apenas a unidade de teste experimental.
Projeto série de tempo com grupo único equivalente – Às vezes, para a realização
do projeto anterior, não é fácil encontrar um grupo equivalente para servir de grupo de
controle. Quando isso ocorre, uma solução viável é a utilização do mesmo grupo, ora como
grupo experimental ora como grupo de controle, ou seja, num período o grupo é exposto ao
tratamento, no período seguinte não, e assim, sucessivamente, enquanto durar o experimento.
A representação esquemática desse projeto é:
O X Ox − O X Ox − O X Ox
Em que:
O representa medições referentes aos períodos sem exposição ao tratamento e Ox com
exposição.
X representa a presença de tratamento e – sua ausência.
Esse projeto tem muita utilidade para medir efeitos de tratamentos cuja ação é apenas
ocasional, como a maioria das atividades promocionais nos pontos de venda. Assim, se dese-
jar-se medir o efeito sobre as vendas de uma banca de degustação num supermercado, ou da
demonstradora de um novo aspirador de pó numa loja de departamentos, ou de propaganda
no ponto de venda, esse projeto se adapta perfeitamente.
Passos para a realização de um projeto experimental – Se o pesquisador tiver
decidido que, para seu problema específico de pesquisa, a realização de um experimento é a
melhor solução, tiver conhecimento dos procedimentos para a realização de um experimento,
Projeto de Pesquisa Explicativa 81
TESTE DE MARKETING
O conceito de teste de marketing ou teste de mercado, segundo Achenbaum (1974) é:
Um experimento controlado, realizado numa limitada, mas cuidadosamente selecionada parte de um mercado,
cujo objetivo é o de prever as consequências sobre as vendas ou sobre os lucros, tanto em termos absolutos quanto
relativos, de uma ou mais ações de marketing propostas.
Kinnear and Taylor (1979)Kinnear e Taylor (1979) apresentam uma definição um pouco
diferente e mais abrangente que a de Achenbaum (1974):
É a implementação e a monitoração de um programa de marketing numa pequena parte do mercado geográfi-
co-alvo para o produto em questão.
É evidente que um teste com esse número de unidades (que, no teste de marketing, são
cidades) é inviável, tanto pela impossibilidade de conseguir essa quantidade de cidades quanto
pelo custo e o tempo que isso demandaria.
82 Pesquisa de Marketing
Esse método terá um bom resultado se a área escolhida para teste for representativa do país.
Método do rateio de vendas – Neste método, as vendas do produto na região-teste são
comparadas com as vendas de um produto concorrente de outra marca com o qual se espera
que a relação ocorrida na região-teste seja mantida em nível nacional:
Previsão de vendas nacionais − (Vendas do produto na área-teste /
Vendas do produto concorrente na área-teste) ×
Vendas nacionais do produto concorrente
O maior uso do teste de marketing ocorre efetivamente para ajustar as variáveis de decisão
de marketing. Quando se está providenciando o lançamento de um novo produto, ou mesmo
Projeto de Pesquisa Explicativa 83
modificando um produto existente, é muito difícil avaliar qual será a reação do consumidor
às inúmeras e complexas variáveis de marketing que compõem um lançamento. O risco de se
fazer o lançamento em nível nacional e cometer-se um erro poderá significar não só a perda
de milhões de reais, como também o custo de oportunidade (dependendo do erro cometido,
o produto poderá estar irremediavelmente “queimado” no mercado). O lançamento numa
pequena região permitirá que os possíveis erros possam ser corrigidos a um custo razoável
e, mesmo que se cometam erros irremediáveis, o produto estará “queimado” apenas naquela
pequena região. As chances de que o lançamento, em nível nacional, de um produto ajustado
por meio de um teste de marketing seja bem-sucedido são infinitamente maiores do que as
de outro que não o tenha sido. As informações para a tomada de decisão que um teste de
marketing pode fornecer compreendem:
• Vendas em unidades e valores monetários.
• Participação de mercado.
• Participação relativa de mercado (participação em relação aos principais concorrentes).
• Lucratividade e retorno do investimento.
• Resultados das alternativas das estratégias de marketing.
• Receptividade dos consumidores ao produto.
• Receptividade dos intermediários ao produto.
• Possíveis reações dos concorrentes.
Infelizmente, como será visto a seguir, os custos de um teste de marketing são muito
elevados, o que certamente impede que muito mais empresas façam uso dele.
Quanto maior for a frequência de compra do tipo de produto testado, menor será o
período de teste e vice-versa. Há necessidade de um período mínimo para que ocorra estabi-
lidade nos resultados. Somente após os resultados haverem se estabilizado é que as projeções
poderão ser feitas e o teste encerrado. Quanto maior a frequência de compra de um produto,
mais rapidamente os resultados atingem a estabilidade e menor deverá ser a duração do teste.
Quanto maior o risco envolvido em se ter o produto copiado ou imitado pelos concor-
rentes, menor deverá ser a duração do teste.
Os custos envolvidos na realização do teste, comparados ao ganho adicional de informação
em alongar sua duração, devem ajudar a determinar a duração que o teste deve ter.
RESUMO
A causalidade é um conceito complexo que tem um significado diferente para o “senso
comum” das pessoas e para os cientistas. Segundo o senso comum, um evento (causa) singular
é responsável por outro evento (efeito), chamado de causação determinística. O cientista
reconhece que um evento tem um número de condições determinantes (causas) cuja ação
conjunta pode levar a um provável efeito, chamado de causação probabilística.
A causalidade pode ser inferida quando, entre duas ou mais variáveis, houver: variação
concomitante, ordem de ocorrência correta das variáveis no tempo e quando os outros pos-
síveis fatores causais forem eliminados.
Um experimento é um tipo de pesquisa científica em que o pesquisador manipula e con-
trola uma ou mais variáveis independentes e observa a variação na variável ou nas variáveis
dependentes concomitantemente à manipulação das variáveis independentes.
Variáveis independentes (ou tratamentos) são aquelas que são manipuladas e cujos efeitos
sobre as variáveis dependentes se desejam medir. Exemplos de variáveis independentes em
marketing: preço, gastos em propaganda, tipos de promoção, meios de distribuição, compo-
nentes do produto (produto em si, design, marca, sabor, cor, embalagem etc.).
Variáveis dependentes são aquelas que variam concomitantemente a outras variáveis
(chamadas independentes) cuja variação conjunta interessa ao pesquisador medir. Exemplos
de variáveis dependentes em marketing: vendas, participação no mercado, experimentação,
atitudes, imagem, elevação do nível de estocagem do produto nos lares etc.
Variáveis estranhas são todas as outras, que não as variáveis independentes consideradas,
que possam afetar os resultados da variável dependente. Assim, seria uma variável estranha a
promoção de vendas que fosse realizada simultaneamente a um estudo que procurasse verificar
o resultado sobre as vendas de uma pretendida redução no preço de um produto.
As unidades de teste são as entidades nas quais os tratamentos são aplicados, e os efeitos,
medidos.
Grupo experimental é a unidade de teste exposta ao tratamento experimental.
Grupos de controle são as unidades de teste não expostas ao tratamento experimental e
que servem para medir os efeitos das outras variáveis a que tanto o grupo experimental quanto
o de controle estão sujeitos.
Um projeto experimental envolve: definição de uma hipótese relacionando duas ou mais
variáveis; determinação da variável (ou variáveis) independente (ou tratamento); determinação
da(s) unidade(s) de teste; determinação da variável (ou variáveis) dependente; e determinação dos
procedimentos para tratar as variáveis estranhas.
86 Pesquisa de Marketing
QUESTÕES DE REVISÃO
1. Em que diferem os conceitos de científico e “senso comum” no que diz respeito à
causalidade?
2. Quais são as condições para que se possa inferir causalidade entre duas ou mais variáveis?
3. O que é um experimento?
4. No que um experimento difere de pesquisas exploratórias e de pesquisas conclusivas
descritivas?
5. Qual a diferença entre experimentos de laboratório e de campo?
6. Qual a diferença entre validade interna e validade externa em experimentos?
7. Quais são e de que forma agem as variáveis estranhas que podem afetar os resultados de
um experimento?
8. Qual a diferença entre o efeito teste principal e o efeito teste interativo?
9. Como proceder para estabelecer equalização entre os grupos experimentais e os grupos
de controle?
10. Quais são os tipos de projetos experimentais?
11. Qual é o melhor projeto experimental, levando-se em conta os custos e a validade dos
resultados?
12. No que um projeto quase experimental difere de um projeto experimental?
13. Descreva os projetos quase experimentais e faça uma comparação entre as vantagens e
desvantagens de cada um.
14. Quais são os passos para se realizar um experimento?
15. Faça um resumo dos problemas e limitações dos projetos experimentais aplicados a pes-
quisas de marketing.
16. O que é um teste de marketing?
17. Quais são os usos do teste de marketing?
18. Quais são os métodos utilizados para se projetarem os resultados de vendas de um teste
de marketing para todo o mercado nacional? Descreva-os.
19. Faça uma lista de todas as informações possíveis que um teste de marketing pode
proporcionar.
20. Quais aspectos devem ser ponderados para se decidir pela realização ou não de um teste
de marketing?
21. Faça uma lista de pelo menos cinco características que uma cidade deveria ter para poder
sediar um teste de marketing.
Trabalho – Parte 3
Verifique se, para seu projeto de pesquisa, é possível e desejável, a utilização de projetos ex-
perimentais. Em caso positivo, proponha um projeto experimental para sua pesquisa.
REFERÊNCIAS
ACHENBAUM, Alvin R. Market testing: using a marketplace as a laboratory. In: ROBERT, Ferber
(Org.) Handbook of marketing research. New York: McGraw-Hill, 1974.
BANKS; Seymour. Experimentation in marketing. New York: McGraw-Hill, 1965.
CAMPBELL, Donald T.; STANLEY, Julian C. Experimental and quasi experimental design for research.
Chicago: Rand McNally, 1966.
88 Pesquisa de Marketing
CHURCHILL, JR.; Gilbert, A. Marketing research: methodological foundations. Hinsdale, Illinois: Driden
Press, 1979.
COX, Keith K.; ENIS S Ben M. Experimentation for marketing decision. Scranton, PA: International Text
Book, 1969.
FESTINGER, Leon; KATZ, Daniel. Research methods in behavioral sciences. New York: Holt, Rinehart
and Winston, 1950.
KERLINGER, Fred N. Foundations of behavioral research. 2. ed. New York: Holt, Rinehart and Winston,
1973.
KINNEAR, Thomas C.; TAYLOR, James R. Marketing research: an applied approach. Tóquio:
McGraw-Hill Kogakusha, 1979.
KLOMPMAKER, Jay E.; HUGHES, G. David; HALEY, Russel I. Test marketing in new product
development. Harvard Business Review, CA. 54, pp. 128-138, May-June 1976.
SELLTIZ, Claire; JAHODA, Marie; DEUTSCH, Morton; COOK, Stuart W. Métodos de pesquisas nas
relações sociais. São Paulo: Editora Pedagógica e Universitária - EPU. Editora da Universidade de
São Paulo, 1974.
SOLOMON, R. L. Extension of control group design. Psychological Bulletin, 46, pp. 137-150, 1949.
CAPÍTULO 5
Tipos, Fontes e Formas de Coleta
de Dados
A pesquisa é a grande orelha da propaganda.
Alex Periscinoto
Objetivos
• Apresentar as fontes de dados em pesquisas de marketing.
• Apresentar os tipos de dados, primários e secundários, em pesquisas de marketing.
• Apresentar os métodos de comunicação e observação utilizados em pesquisas de marketing.
Sumário
FONTES DE DADOS EM PESQUISAS DE MARKETING
Pesquisado
Pessoas que tenham informações sobre o pesquisado
Situações similares
Dados disponíveis
TIPOS DE DADOS
Dados primários e dados secundários
Sequência na procura de dados em pesquisas de marketing
DADOS SECUNDÁRIOS
Vantagens e desvantagens dos dados secundários
Fontes de dados secundários
DADOS PRIMÁRIOS
Tipos de dados primários geralmente coletados
Meios básicos de coleta de dados primários
MÉTODO DA COMUNICAÇÃO
Método da comunicação quanto ao grau de estruturação e disfarce
Método da comunicação quanto à forma de aplicação
COMPARAÇÃO ENTRE OS MÉTODOS DA COMUNICAÇÃO QUANTO À FORMA DE APLICAÇÃO
Uso combinado das várias formas de aplicação do método da comunicação
MÉTODO DA OBSERVAÇÃO
Método da observação quanto ao grau de estruturação
Método da observação quanto ao grau de disfarce
Método da observação quanto aos instrumentos utilizados
Método da observação quanto ao ambiente
Método da observação quanto ao objeto observado
Método da observação quanto à participação do observador
89
90 Pesquisa de Marketing
Para a definição dos métodos a serem utilizados numa pesquisa de marketing, o pesquisador
precisa conhecer o leque de métodos disponíveis, os diferentes tipos de dados que podem ser
coletados, as fontes de dados e as formas de coletá-los.
Nos capítulos precedentes, foram estudados os métodos disponíveis para serem utilizados
em pesquisas de marketing. No presente capítulo, serão estudados os tipos, as fontes e as formas
de coleta de dados em pesquisas de marketing.
Pesquisado
Os próprios pesquisados são a maior fonte de dados em pesquisas de marketing. O dado pode
ser obtido do pesquisado por meio de sua própria declaração, oralmente ou por escrito, ou
por meio de sua observação.
Situações similares
Outra fonte de informações para a pesquisa de marketing é a busca de conhecimento em situações
análogas ou similares, naturais ou criadas pelo pesquisador.Aprende-se bastante em saber como ou-
tra empresa procedeu para o lançamento de um produto similar, como outras empresas do mesmo
ramo trabalham com a variável promoção de vendas, como foram as reações dos consumidores
quando determinado produto foi lançado em outro mercado etc. As formas básicas de conhecer
situações similares são por meio do estudo de casos, do experimento e da simulação.
O estudo de caso, já apresentado no Capítulo 3, envolve o estudo intensivo de algumas
situações reais e relevantes para determinado problema estabelecido e, como já visto, é utilizado,
principalmente, com objetivos exploratórios.
O experimento, já apresentado no Capítulo 4, é um tipo de pesquisa científica na qual o
pesquisador manipula e controla uma ou mais variáveis independentes e observa a variação
na variável ou nas variáveis dependentes concomitantemente à manipulação das variáveis
independentes.
A simulação consiste na criação de um modelo computacional de uma situação similar
àquela em que se deseja ganhar conhecimento. Uma vez construído e testado o modelo, o
pesquisador poderá, a qualquer momento, simular o resultado que obteria se determinado
conjunto de decisões sobre as variáveis de marketing fosse tomado. Se a resposta à simulação
for favorável, esse conjunto de decisões simuladas pode transformar-se em decisões reais.
Tipos, Fontes e Formas de Coleta de Dados 91
Modelos de simulação mais sofisticados podem até indicar, diante de determinadas situações
apresentadas, qual o melhor conjunto de decisões que o gerente de marketing deve tomar. Note
que há grande semelhança entre os processos de experimentação e de simulação, em termos
de obter os efeitos que a manipulação das variáveis independentes de marketing trazem para
as variáveis dependentes, com a diferença de que o experimento (de campo ou de laboratório)
é realizado com sujeitos reais, enquanto a simulação é realizada com modelos de sujeitos.
Modelos de simulação são muito usados em outras áreas do conhecimento (construção
de aviões, navios, hidrelétricas etc.), mas sua utilização em marketing é recente (Mattar, 1986).
A utilização de simulação em marketing necessita que o construtor do modelo conceitue
e documente os principais componentes do sistema e estabeleça as probabilidades para re-
presentar o comportamento desses componentes. Pode-se, por exemplo, criar um modelo
computacional referente ao comportamento do consumidor de determinado mercado, do
varejista, do atacadista ou mesmo um modelo referente ao funcionamento completo de
determinado mercado. O modelo estabelece como esses elementos (consumidores, varejistas,
atacadistas, telespectadores etc.) se comportam em função de variações nos preços, nos gastos
de propaganda, nos gastos de promoção de vendas, no nível de qualidade do produto, na
margem bruta aos intermediários etc. Probabilidades são associadas aos elementos em função
de suas respostas a essas variáveis. O objetivo é fazer com que as respostas desses elementos de
simulação sejam semelhantes às respostas dos sujeitos reais que eles representam. O compor-
tamento desses elementos resultará em saídas do modelo que podem ser projeções quanto a
participação de mercado, vendas, lucros, índice de audiência etc. O desenvolvimento de um
modelo de simulação exige a contribuição de um especialista, geralmente um estatístico, e a
cooperação dos gerentes de marketing e vendas da empresa interessada. O especialista procura
reduzir a complexidade da realidade desse mercado a proporções passíveis de modelagem, sem
que se percam as interações mais importantes. Para a construção do modelo, esse especialista
deverá adquirir um grande conhecimento das inúmeras variáveis desse mercado (número de
pessoas, valor médio da renda e sua distribuição, número de concorrentes e suas práticas de
marketing etc.) e dos padrões de ação e reação (ou de causa e efeito) existentes, tais como
elasticidade preço, elasticidade promocional, elasticidade a alterações no produto etc.
A construção de um bom modelo de simulação é um processo difícil e complicado. Um
bom modelo de simulação deve reunir as seguintes características: ser simples o suficiente
para uma fácil compreensão e manipulação dos usuários, ter uma representação razoável do
domínio das implicações existentes no sistema de marketing e ser complexo o suficiente para
representar exatamente o funcionamento do mercado que pretende simular (Chorafas, 1965).
Os modelos de simulação podem ser de três tipos: descritivos, preditivos e prescritivos.
O modelo descritivo é aquele que mostra como o sistema de marketing em estudo está
funcionando. O modelo preditivo é aquele que permite verificar como as variáveis in-
dependentes de marketing do mercado reagem às mudanças nas variáveis dependentes. O
modelo prescritivo é aquele que tem condições de indicar, diante de determinadas situações
de mudanças ambientais que lhe são apresentadas, qual o melhor rumo de ação a ser tomado,
em função das avaliações sobre os possíveis resultados de cada ação que o modelo for capaz
de realizar. Dos três modelos apresentados, o mais fácil de ser construído, embora de menor
utilidade para marketing, é o modelo descritivo, pois apresenta uma situação estática do
mercado e não permite interações; o modelo mais difícil de ser construído, e o mais útil
para marketing, é o modelo prescritivo, mas, justamente por sua dificuldade de construção,
92 Pesquisa de Marketing
ainda é pouco utilizado nessa área; o modelo preditivo apresenta dificuldade intermediária
em sua construção, também é bastante útil em marketing, e, por isso, é o modelo que mais
tem sido utilizado.
A utilização de modelos de simulação em pesquisas de marketing apresenta inúmeras
vantagens sobre outros métodos de pesquisas:
• São mais baratos e rápidos.
• São mais ágeis nas respostas aos problemas de marketing.
• Não expõem os segredos e as estratégias da empresa ao mercado.
• Permitem a avaliação de diversas alternativas e fornecem evidências de qual é a melhor.
• Podem ser continuamente atualizados.
• As diversas estratégias de marketing podem ser avaliadas sem que se corra o risco de sua
avaliação direta no mercado real.
• Podem ser usados como forma de treinamento dos gerentes da empresa, diretamente
envolvidos ou não com as atividades de marketing da empresa (gerentes de marketing, de
produto, de promoção, de distribuição, de pesquisa e desenvolvimento, de produção, de
compras, financeiros etc.), sobre como o mercado da empresa funciona e como as decisões
tomadas em suas respectivas áreas podem afetá-lo.
Os maiores problemas com a utilização de modelos de simulação em marketing dizem
respeito, principalmente, às dificuldades em se construir um modelo que tenha grande validade
em relação à realidade que pretende simular. Em mercados relativamente estáveis, em situações
em que a empresa possui muita informação acumulada sobre o mercado e seus gerentes têm
grande sensibilidade e experiência de como o mercado funciona, os modelos de simulação
funcionam como uma boa fonte de dados em marketing.
Dados disponíveis
Existe uma infinidade de dados úteis para marketing que já foram coletados, tabulados e,
às vezes, até analisados, que estão catalogados à disposição dos interessados e que vão exigir
deles apenas o esforço de dedicar algum tempo na internet, em bibliotecas, nas visitas a órgãos
governamentais, na leitura de jornais e revistas, na consulta de informações padronizadas de
empresas de pesquisas ou na consulta de informações internas da própria empresa.
TIPOS DE DADOS
Dados primários e dados secundários
Os dados em pesquisas de marketing são classificados em dois grandes grupos: dados primários
e dados secundários.
Dados primários são aqueles que não foram antes coletados, estando ainda na posse dos
pesquisados, e que são coletados com o propósito de atender às necessidades específicas da
pesquisa em andamento. As fontes básicas de dados primários são: pesquisado, pessoas que
tenham informações sobre o pesquisado e situações similares.
Dados secundários são aqueles que já foram coletados, tabulados, ordenados e, às vezes, até
analisados, sem o propósito de atender às necessidades da pesquisa em andamento, e que estão
catalogados à disposição dos interessados. As fontes básicas de dados secundários são: a própria
empresa, publicações, governos, instituições não governamentais e serviços padronizados de
informações de marketing.
Tipos, Fontes e Formas de Coleta de Dados 93
Figura 5.1 Passos na definição dos dados e das fontes de dados no processo de pesquisa de marketing.
DADOS SECUNDÁRIOS
Duas ferramentas tecnológicas vieram facilitar a pesquisa de dados secundários: a internet e
as bases de dados em CD-ROMs. A internet permite que, dispondo-se de um computador
94 Pesquisa de Marketing
equipado com modem, uma linha telefônica e um provedor de internet, se tenha acesso a um
universo jamais imaginado de informações de todo o mundo. Os CD-ROMs de base de dados
e de publicações, disponíveis nas boas bibliotecas, facilitam, de forma extremamente rápida, a
pesquisa e a localização dos dados publicados em revistas.
A maioria das fontes de dados secundários que será apresentada adiante neste capítulo
possui sites e pode ser acessada pela internet.
1
Significa que o primeiro número não pertence ao intervalo e o último pertence.
Tipos, Fontes e Formas de Coleta de Dados 95
2
Sobre essa problemática, recomenda-se a leitura do livro de Cynthia Crossen. O fundo falso das pesquisas: a ciência
das verdades distorcidas. Rio de Janeiro: Revan, 1996.
96 Pesquisa de Marketing
fontes cujas qualidade e seriedade sejam inquestionáveis. Outra forma de efetuar essa avaliação
consiste em conhecer o perfil profissional de seus técnicos e responsáveis. Por outro lado, se a
fonte original dos dados não apresenta o essencial do planejamento da pesquisa que per-
mita a avaliação de sua confiabilidade e de sua precisão, o pesquisador deverá ficar cauteloso.
Espera-se que uma fonte que deseja que seu trabalho tenha credibilidade apresente os
resultados de uma pesquisa acompanhados de definições, formulários de coleta de dados,
método de amostragem, número de elementos da amostra, níveis de erro e de confiabilidade
(quando a amostra for probabilística), processos de análises a que os dados foram submetidos
etc. Omissões desse tipo podem significar que os dados foram obtidos numa pesquisa mal
conduzida e, por isso, devem ser evitados.
(Continua)
100 Pesquisa de Marketing
(Continua)
102 Pesquisa de Marketing
sua obtenção são rateados entre todos os compradores desse serviço da empresa produtora.
Procura-se, nesse item, descrever alguns dos principais tipos e fontes de serviços padronizados
de informação de marketing disponíveis no Brasil. A descrição a seguir procura apenas ser
exemplificativa; não é extensiva nem pretende ser exaustiva, tendo em vista as dificuldades de
se obterem informações mais detalhadas das empresas prestadoras dos serviços, bem como das
constantes mudanças que ocorrem no leque de empresas e de produtos oferecidos.
Consulte o site www.abep.org para verificar as empresas associadas à Associação Brasileira
de Empresas de Pesquisa e seus respectivos serviços.
Os dados dos serviços padronizados de informações de marketing podem ser classificados
em: do consumidor, do varejo, do atacado, da indústria e dos meios de comunicação.
Dados do consumidor – Este serviço compreende a coleta periódica, de um painel de consumi-
dores, de dados a respeito de compras e das circunstâncias a respeito de como foram realizadas.
No Brasil, a Ipsos-Marplan www.ipsos-marplan.com.br oferece um painel de dados de
consumidores com as seguintes características:
Estudos Marplan (está na 43ª edição) – Estudo contínuo dos hábitos de mídia (revistas,
jornais, TV, rádio, internet, cinema e teatro) e de consumo de uma infinidade de produtos.
É realizado com amostras de consumidores em treze mercados: São Paulo, Rio de Janeiro,
Belo Horizonte, Recife, Porto Alegre, Salvador, Curitiba, Belém, Fortaleza, Brasília/DF,
Baixada Santista, Londrina e Campinas. São realizadas, anualmente, mais de 61.000 entrevis-
tas. Por meio de softwares exclusivos, os assinantes do serviço têm rápido acesso ao banco
de dados de mídia e de mais de 1.700 informações de consumo dos mercados pesquisados.
Dados do varejo – Este serviço compreende a coleta bimensal de dados sobre compras
e níveis de estoques (na área de vendas e no depósito) de amostras nacionais de lojas dos
principais mercados brasileiros de vários produtos.
O procedimento utilizado, chamado de auditoria de loja, é muito simples. No período de
levantamento, a empresa responsável pelo serviço envia seus funcionários às lojas da amostra onde
Tipos, Fontes e Formas de Coleta de Dados 105
são levantados, numa ficha apropriada, para cada item de produto que faz parte do rol de itens
levantados, as compras efetuadas entre uma visita e outra e os níveis de estoques no dia da visita. Esses
dados são levados ao escritório, onde são tabulados conforme o seguinte princípio de contabilidade:
Abrangência
“As informações do índice ACNielsen de Varejo são fornecidas por área e tipo de loja, para
o mercado total, segmento e marca, de acordo com o universo de lojas auditadas pela
ACNielsen no país. Por isso, o índice ACNielsen de Varejo é apresentado de várias formas, que
buscam atender às necessidades do mercado.
A ACNielsen audita oito índices, sendo que eles se diferenciam pela abrangência
de canais:
• Alimentar – Inclui supermercados, bares, mercearias, lojas de conveniência, mercearias/
quitandas, padarias/leiterias, armazéns, empórios.
• Farmacosméticos – Inclui farmácias, drogarias e perfumarias.
• Bar – Inclui adegas, bares e cafés, bares e lanches, bares e restaurantes, botecos, res-
taurantes e lanchonetes, botequins, snacks.
• Bebida alcoólica – Inclui lojas do índice ACNielsen Alimentar e Bar, hotéis, restaurantes e
casas noturnas.
• Papelarias – Inclui autosserviços de dez e mais check-outs, papelarias, livrarias, bazares,
lojas de armarinho e copiadoras.
• Refrigerantes e cerveja – Inclui lojas do índice ACNielsen Alimentar e Bar, hotéis, restaurantes
e casas noturnas, podendo ser reportado por franquias.
• Cigarro – Inclui lojas do índice ACNielsen Alimentar e Bar, hotéis, restaurantes e casas
noturnas.
• Sorvete – Inclui lojas do índice ACNielsen Alimentar e Bar.
Cobertura geográfica
Para reportar a informação das áreas cobertas, o país é dividido em sete grandes regiões que
se denominam ‘Áreas ACNielsen’. Essas regiões são selecionadas por: população, volume de
negócios e custo/benefício. A amostra abrange 86% da população brasileira, representando
92% do potencial de consumo. Essas áreas são:
• Área I – Ceará, Rio Grande do Norte, Paraíba, Pernambuco, Alagoas, Bahia e
Sergipe.
• Área II – Minas Gerais, Espírito Santo, interior do Rio de Janeiro (excluindo-se os municípios
contidos na Área III).
• Área III – Grande Rio de Janeiro: Rio de Janeiro, Niterói, Nova Iguaçu, Duque de Caxias,
Nilópolis, São Gonçalo e São João de Meriti.
• Área IV – Grande São Paulo: São Paulo, Santo André, São Bernardo do Campo, São Caetano
do Sul, Diadema, Mauá, Guarulhos, Osasco, Embu e Taboão da Serra.
• Área V – Interior de São Paulo (excluindo-se os municípios contidos na Área IV).
• Área VI – Paraná, Santa Catarina e Rio Grande do Sul.
• Área VII – Brasília, Mato Grosso do Sul e Goiás.
• Capitais Norte – Teresina, São Luís, Belém e Manaus (opcional).”
Fonte: www.acnielsen.com.br
Tipos, Fontes e Formas de Coleta de Dados 107
Toda publicação que desejar ingressar no Instituto deve aceitar publicidade competitiva a preços cons-
tantes de tabelas públicas, e poderá, a partir de sua primeira edição, pedir filiação, permanecendo nessa
condição por um período de três meses.
Em seguida, o IVC realizará supervisão na organização da empresa, para constatar se está em
condições de atender às exigências dos Estatutos e Normas do Instituto. Se tudo estiver em ordem, o
editor deverá preencher um formulário fornecido pelo instituto, intitulado Pedido de Filiação.
A seguir, a equipe de auditores do instituto iniciará os trabalhos de verificação dos dados de circulação,
correspondentes a um mês do calendário (o mais próximo possível), e emitirá um relatório de auditoria que,
após apresentado, aprovado e divulgado pelo IVC, tornará oficial o ingresso da publicação no quadro de filiados.
Antes disso, nenhum editor poderá fazer qualquer referência ao IVC ou à sua solicitação de filiação,
sob pena de indeferimento do pedido.
A partir da divulgação do relatório inicial de Auditoria (Auditoria Prévia), a publicação terá a res-
ponsabilidade de entregar periodicamente ao IVC, dentro dos prazos previstos, a sua Informação Jurada
contendo dados da circulação líquida, a qual, uma vez conferida, será distribuída a todos os associados,
em disquete ou impresso.
Semestralmente, o IVC programa e executa as comprovações da circulação líquida dos veículos
filiados, de modo a não deixar nenhum período sem auditoria.
Tais comprovações abrangem documentos, registros estatísticos e contábeis a respeito de:
• Apurações industriais – Matéria-prima (aquisição – estoque – consumo), papel em bobina ou resma, tintas.
• Produção – Pedido de tiragem, boletins de tiragem ou máquina, boletins de aplicação de tiragem.
• Vendas – Venda avulsa – cidade sede, venda avulsa – interior e exterior, assinaturas – cidade-sede,
assinaturas – interior e exterior, aparas – encalhes – sabugos – capas – papel sujo etc.
• Distribuição grátis, exemplares não distribuídos ou inutilizados.
• Distribuição e expedição – Venda avulsa e assinaturas, frota e outros meios de distribuição na
cidade-sede, conhecimento dos transportes aéreos, ferroviários, marítimos, ou rodoviários, para
interior e exterior, guia de franquia postal, guias de expedição ou de malas postais, cadernos de
repartes ou mapas de expedição.
• Apuração de vendas:
• Contagem física de exemplares nas gráficas no ato de conclusão da produção e mediante a
apresentação das respectivas notas fiscais, verificação no caso de praças diversas sobre venda
avulsa e assinaturas.
• As empresas filiadas que não possuírem oficinas próprias deverão exigir da gráfica impressora todos
os elementos comprobatórios necessários, bem como comprovar o faturamento da impressão.
• Os elementos acima são extensivos aos jornais e revistas de circulação paga.
• As publicações de circulação controlada estão enquadradas nas regras específicas.
• O IVC poderá solicitar dos editores todo e qualquer documento e registro contábil, desde que
necessário à comprovação das apurações.
• Fora as comprovações acima o IVC mantém um serviço de controle das publicações, bem como
de amostragem junto aos vendedores, distribuidores, assinantes etc., objetivando conferir maior
autenticidade às apurações.
A diferença máxima admitida pelo IVC entre os dados de circulação apresentados nas Informações
Juradas do editor e o resultado da auditoria é de 4%. Acima desse percentual, o editor será advertido,
e seu Relatório de Auditoria, divulgado entre todos os associados.
Além da emissão de circulares de interesse de todos os associados, mensalmente são divulgados
os dados de circulação pelo website do IVC.
Fonte: www.ivc.org.br
Tipos, Fontes e Formas de Coleta de Dados 109
DADOS PRIMÁRIOS
Conforme já visto neste capítulo, dados primários são aqueles que não foram antes coletados,
estando ainda na posse dos pesquisados, e que são coletados com o propósito de atender às
necessidades específicas da pesquisa em andamento.
Tipos de dados primários geralmente coletados
Os dados coletados podem ser: características demográficas, socioeconômicas e de estilo de
vida; atitudes e opiniões; conscientização e conhecimento; motivações; comportamento pas-
sado e presente; e intenções. A seguir, apresenta-se cada um desses tipos de dados primários.
Características demográficas, socioeconômicas e de estilo de vida – Um tipo de
dado de grande importância para marketing é aquele relativo às características demográficas,
socioeconômicas e de estilo de vida dos respondentes, tais como: sexo, idade, nível educacional,
estado civil, número de filhos, renda, ocupação, bens e produtos possuídos etc. Com esses dados
em mãos, o pesquisador pode elaborar tabulações cruzadas que lhe permitirão identificar o
relacionamento entre essas variáveis e as opiniões e os hábitos dos consumidores em relação
ao produto pesquisado. Poderá também fazer uma análise inversa e, por meio da tabulação
cruzada, identificar e caracterizar o perfil do consumidor típico de determinado produto. Essas
variáveis são tipicamente utilizadas no processo de segmentação de mercado.
Algumas dessas variáveis são facilmente obtidas durante uma pesquisa. São elas: sexo, nível
educacional, estado civil. Outras, contudo, como nível socioeconômico e estilo de vida, são de
obtenção imperfeita, pois se tratam de medidas relativas e não absolutas do indivíduo perante
a sociedade da qual faz parte.
Informações sobre o nível socioeconômico de pesquisados devem ser obtidas recorrendo-se
a sistemas já estabelecidos e praticados pelo mercado. No Brasil, o sistema usual é o Critério
de Classificação Econômica Brasil - CCEB, ou simplesmente Critério Brasil, da Associação
Brasileira de Empresas de Pesquisa - ABEP, que visa estimar o poder de compra das pessoas e
famílias urbanas. O Critério Brasil, com suas variáveis e indicadores componentes, bem como
a forma de aplicação, pode ser acessado no site www.abep.org.
Outra forma de descrever os respondentes é pelo seu estilo de vida, definido como um modo
diferenciado de viver de uma sociedade ou de seus segmentos. A descrição dos consumidores,
segundo seu estilo de vida, envolve o levantamento de informações sobre suas atividades, seus in-
teresses e suas opiniões, além das características demográficas e psicográficas. O Quadro 5.8 apresenta
uma lista das atividades, dos interesses e das opiniões geralmente levantados para se determinar o
estilo de vida, chamada de itens A-I-O.
O perfil psicográfico das pessoas está intimamente relacionado com o conceito de es-
tilo de vida e, consequentemente, com o que estão predispostas a adquirir em termos de
produtos e serviços, se suas condições econômicas assim o permitirem. Por isso, as pes-
quisas quantitativas psicográficas procuram levantar e relacionar, simultaneamente, variáveis
demográficas, socioeconômicas, atitudinais, comportamentais e psicológicas, e, a partir de
seu tratamento conjunto (geralmente por meio de análise fatorial), estabelecer segmentos
de mercado psicográficos.
Atitudes e opiniões – As atitudes são importantes em marketing, pois têm estreito relacio-
namento com o comportamento, precedendo-o. Raramente um consumidor irá adquirir um
produto sobre o qual, ou sobre seu fabricante, não tenha uma atitude favorável. Enquanto um
comportamento é manifestado, e por isso pode ser observado, a atitude não se manifesta, a não
110 Pesquisa de Marketing
Quadro 5.8 Itens de atividades, interesses e opiniões (itens A-I-O) para caracterizar estilo de vida
Atividades Interesses Opiniões
Trabalho Família Sobre si mesmo
Passatempos Lar Sobre itens sociais
Eventos sociais Emprego Políticas
Férias Comunitários Sobre negócios
Diversões Recreação Econômicas
Membro de clubes Moda Sobre educação
Comunitárias Alimentos Sobre produtos
Compras Meios de comunicação Sobre futuro
Esportes Aquisições Sobre cultura
ser pelo comportamento apresentado, ou por meio de declarações do próprio entrevistado que
permitam sua medição.
A atitude tem três componentes: um cognitivo, resultante da vivência e da experiência do
entrevistado com o rol de marcas e produtos existentes; um afetivo, resultante dos sentimentos
adquiridos em relação ao rol de marcas e produtos existentes, e que está muito relacionado
com a imagem que a empresa foi capaz de desenvolver para seus produtos ou sua marca; e um
comportamental, relacionado com a rápida reação de comportamento diante de determinados
estímulos de marcas e produtos.
Opiniões são manifestações de atitudes dos entrevistados em relação a determinado objeto.
No capítulo seguinte, são apresentadas formas de medir atitudes por meio de escalas
apropriadas.
Conscientização e conhecimento – Em pesquisa de marketing, conscientização e co-
nhecimento referem-se ao que os entrevistados sabem a respeito de determinado produto, ser-
viço, marca, propaganda etc. de uma empresa. Esses dois termos são utilizados como sinônimos.
Esse tipo de dado é muito utilizado pelas agências de propaganda no processo de avaliação
das campanhas de propagandas. O entrevistado é exposto a uma campanha de propaganda ou
a uma propaganda específica (pode ser em situação natural ou em laboratório), em conjunto
com várias outras, sendo, em seguida, entrevistado para avaliação do índice de recordação que
a propaganda produziu. Uma escala possível numa pesquisa desse tipo poderia ser a seguinte:
Sem ajuda :
recordam
não recordam
⇒ Com ajuda :
recordam
não recordam
Quadro 5.10 Dados a serem coletados para se definirem os papéis desempenhados na família em
relação à compra de determinado produto
Papel desempenhado na compra
Elemento da família Iniciador Influenciador Decisor Comprador Usuário
Marido
Esposa
Filhos
Outros. Quais?
Há maior credibilidade quando as intenções se referem a grandes itens de compra, como casas,
terrenos, automóveis, refrigeradores, televisores etc. Mesmo aqui, o pesquisador precisa ser
cauteloso. Observe um exemplo de escala para coleta de intenções de compra:
• Intenção definitiva de comprar.
• Provável intenção de comprar.
• Indeciso – pode ser que compre ou não.
• Provável intenção de não comprar.
• Intenção definitiva de não comprar.
• Não sabe.
Meios básicos de coleta de dados primários
Existem dois meios básicos para se obterem dados primários: comunicação e observação. O
método da comunicação consiste no questionamento, verbal ou escrito, dos respondentes para
a obtenção do dado desejado, que será fornecido por declaração, verbal ou escrita, do próprio.
O método da observação consiste no registro de ações, comportamentose fatos relacionados
com o objetivo da pesquisa e não envolve questionamentos ou respostas, verbais ou escritas.
Tanto o método da comunicação quanto o da observação apresentam grande variedade
de formas e técnicas para sua condução, conforme é apresentado no Quadro 5.11.
A escolha do método de coleta de dados primários implica um número de decisões su-
plementares, como: CAs pessoas têm condições de autoadministrar o instrumento de coleta
ou há necessidade de um entrevistador? A entrevista será individual ou em grupo, pessoal
ou por telefone? O questionário será aplicado por correio/fax/internet ou distribuído pes-
soalmente? A observação será natural ou serão utilizados instrumentos mecânicos, como
máquinas fotográficas ou eletrônicos como câmeras de TV? Os dados devem ser obtidos de
forma disfarçada para não viesar os resultados, ou isso não será necessário? etc.
Tanto o método da comunicação quanto o da observação apresentam vantagens e des-
vantagens, e cabe ao pesquisador, conhecendo-as, fazer a escolha mais adequada para atender
às necessidades de sua pesquisa. Para auxiliá-lo nessa decisão, apresenta-se, no Quadro 5.12,
um resumo das vantagens e das desvantagens de cada um desses métodos.
Outras vantagens e desvantagens de cada método serão apresentadas quando forem des-
critas suas opções de aplicação.
MÉTODO DA COMUNICAÇÃO
Conforme já dito, o método da comunicação consiste no questionamento, verbal ou escrito,
dos respondentes, para a obtenção do dado desejado, que será fornecido por declaração, verbal
ou escrita, do próprio.
Tipos, Fontes e Formas de Coleta de Dados 113
Comunicação
• Quanto ao grau de estruturação e disfarce
Estruturado não disfarçado
Não estruturado não disfarçado
Não estruturado disfarçado
Estruturado disfarçado
• Quanto à forma de aplicação
Entrevista
Pessoal
Individual
Em grupos
Telefone
• Questionários autopreenchidos
Pessoal (residência, lojas, locais de trabalho, locais públicos)
Correio/fax/internet
Jornais/revistas
Tvs/rádios
Acompanhando o produto
Colocados à disposição
Observação
• Quanto ao grau de estruturação
Estruturada
Não estruturada
• Quanto ao grau de disfarce
Disfarçada
Não disfarçada
• Quanto aos instrumentos utilizados
Humana
Mecânica
Eletrônica
• Quanto ao ambiente
Natural
Laboratório
• Quanto ao objeto observado
Direta
Indireta
• Quanto à participação do observador
Participativa
Não participativa
listados, e tanto o entrevistador quanto o respondente estão livres para perguntar e responder
com suas próprias palavras. Um instrumento de coleta medianamente estruturado é aquele em
que, por exemplo, as questões a serem perguntadas são fixas, mas as respostas são obtidas pelas
próprias palavras do pesquisado. O disfarce diz respeito ao grau em que o instrumento de coleta
de dados permite ao respondente conhecer os propósitos da pesquisa e os temas sobre os quais
está sendo questionado. Um instrumento não disfarçado é aquele que permite total transparência
ao pesquisado. Um instrumento disfarçado é aquele que não permite nenhuma transparência.
Método estruturado não disfarçado – Constituem basicamente os instrumentos
utilizados em pesquisas conclusivas, principalmente em levantamentos amostrais e estudos de
campo. Nesse instrumento, comumente denominado questionário, as perguntas são apresen-
tadas exatamente com as mesmas palavras, sempre na mesma ordem e com as mesmas opções
de respostas a todos os respondentes. O objetivo dessa extrema padronização é ter certeza de
que todos responderam exatamente à mesma pergunta. Se for permitido que os entrevistadores
façam as perguntas de forma diferente, é bem possível que sejam obtidos dados diferentes.
Por exemplo, se um pesquisador pergunta: “Você costuma ir ao teatro mensalmente?” e ou-
tro pergunta: “Você costuma ir ao teatro?”, com certeza os dados obtidos não poderão ser
comparáveis, pois um pode responder a partir de seu costume de ir ao teatro ao menos uma
vez por mês, enquanto o outro pode responder segundo sua ida semestral ao teatro.
Os instrumentos estruturados não disfarçados requerem um longo tempo de desenvolvi-
mento e construção, e exigem do pesquisador o máximo cuidado para não deixar que per-
guntas fiquem sem algumas das possíveis alternativas de resposta, pois isto poderá confundir
o respondente. Deve-se, também, tomar cuidados para que as perguntas sejam elaboradas
de forma a não induzir as respostas e para que as opções estejam suficientemente claras e
Tipos, Fontes e Formas de Coleta de Dados 115
determinado assunto focalizado. Essa técnica teve origem na psicologia, como um método
de terapia de grupo.
A entrevista focalizada de grupo pode ser utilizada em marketing para um grande número
de finalidades, das quais se destacam:
• Avaliar e ajudar a desenvolver conceitos de novos produtos.
• Gerar hipóteses sobre opiniões, usos, costumes, imagens, aceitação de produtos, percepções,
crenças, valores, experiências, atitudes, estilos de vida, comportamentos passados e presentes,
bem como intenções que poderão ser testadas quantitativamente no futuro.
• Gerar ideias criativas para desenvolver novos produtos ou aprimorar produtos atuais.
• Gerar ideias criativas para o desenvolvimento de propaganda e promoções de vendas de
produtos.
• Ajudar a reduzir o número de opções de um novo produto a ser submetido a um teste de
mercado ou a uma pesquisa quantitativa.
• Gerar informação útil para estruturar instrumentos de coleta de dados.
• Prover informações gerais a respeito de uma categoria de produto.
• Ajudar a interpretar qualitativamente uma informação previamente obtida em pesquisa
quantitativa.
Os grupos devem ser formados por pessoas com características demográficas, socioeco-
nômicas e de estilo de vida extremamente homogêneas. Essa condição é importante para
que haja identificação e integração entre os participantes, durante a reunião, e para que não
existam posições extremamente conflitantes entre os membros do grupo. Geralmente, o pes-
quisador recorre a recrutadores disponíveis no mercado, especializadas em recrutar e selecionar
participantes. O recrutador recebe o perfil e o número de participantes necessários e procede
ao recrutamento e a uma seleção prévia. Desse perfil, deve constar também a experiência que
o participante deve ter. A seleção final dos participantes é sempre feita pelo pesquisador, por
meio das fichas dos recrutados, enviadas pelo recrutador.
Na seleção dos participantes do grupo deve ser evitado que, de um mesmo grupo, partici-
pem parentes, conhecidos, vizinhos ou amigos, evitando assim que relacionamentos existentes
previamente predominem durante a reunião. Devem-se também evitar: pessoas que participem
constantemente desse tipo de reunião, que trabalhem na área de marketing e em agências
de pesquisas de marketing e de propaganda (por questões de sigilo e pela possibilidade de
viés). O tamanho dos grupos deve ficar entre 8 e 12 pessoas. Experiências têm mostrado que
grupos acima de 12 inibem e reduzem as possibilidades de participação de todos, e grupos
com menos de 8 tendem a ser menos dinâmicos e cresce a possibilidade de que apenas alguns
participantes dominem a reunião.
A reunião deve ocorrer em ambiente agradável que estimule a descontração e encoraje
a participação das pessoas. O ideal é que a reunião seja realizada num ambiente de sala de
estar de uma residência. Como isso é muito difícil de se conseguir, devido à ausência de dis-
ponibilidades e à necessidade de infraestrutura, o que normalmente ocorre é que a reunião
é realizada em salas de agências de pesquisas de marketing ou de propaganda, especialmente
construídas para essa finalidade, que, além da infraestrutura disponível, permitem o acompa-
nhamento da reunião pelos clientes através de espelhos one-way, bem como sua gravação em
áudio e vídeo para observações e análises posteriores. Na sala onde a reunião ocorre só devem
estar presentes o moderador, um taquígrafo (este pode ser dispensável, dependendo da forma
como a reunião for registrada) e os entrevistados. Ninguém mais deverá estar presente, sob
Tipos, Fontes e Formas de Coleta de Dados 117
pena de a reunião ficar totalmente prejudicada. Durante a reunião, é aconselhável servir bebidas
(café, chá, refrigerantes, sucos e/ou bebidas levemente alcoólicas) e petiscos, para acentuar a
impressão de uma reunião social e obter-se o necessário clima de descontração. É costume,
ao final da reunião, fazer um agradecimento formal pela participação de cada entrevistado e
distribuir um presente como retribuição a essa participação. Não é incomum o pagamento
a entrevistados (valor previamente combinado), como forma de estimular a participação e
ressarcir o tempo dedicado e as despesas de locomoção.
O entrevistador, no caso chamado de moderador, desempenha papel fundamental na entre-
vista focalizada de grupo. Sua principal função consiste em focalizar a atenção dos participantes
para determinada experiência e, a partir daí, obter os dados desejados. O moderador precisa
saber, antecipadamente, quais são os tópicos – e sua sequência – e os aspectos de uma questão
que precisam ser abrangidos. A lista a ser abrangida deriva da formulação do problema de pes-
quisa, de suas respectivas hipóteses e do conhecimento prévio das experiências pelas quais os
entrevistados passaram. Esta listagem de tópicos é tudo que o moderador dispõe para conduzir
a reunião. A forma de elaborar as perguntas, a quem efetuá-las, qual o momento propício de
serem colocadas, o estímulo à participação dos mais inibidos, o controle da participação dos
mais extrovertidos e a manutenção de um alto grau de interação entre os elementos do grupo
etc. ficam ao livre-arbítrio do moderador.
Além de seu importante papel de liderar a reunião (diferentemente dos outros métodos
de pesquisa, em que a coleta dos dados e sua análise são feitas por diferentes pessoas), o
moderador também é o responsável pelas análises e pela elaboração do relatório de pes-
quisa. Por todas essas razões, o moderador de entrevista focalizada de grupo precisa ser uma
pessoa com grande conhecimento teórico e prático dessa atividade. Geralmente, as pessoas
que reúnem essas condições são psicólogos experientes que desenvolveram a característica
de moderadores por meio de profundos conhecimentos teóricos e de grande experiência
prática. Entre outras, o conjunto das características do moderador ideal compreende: comu-
nicabilidade, amabilidade, firmeza, permissibilidade, envolvimento, autocontrole, sensibilidade,
empatia e flexibilidade.
A duração da reunião varia de uma hora e meia a três horas. Reuniões com menos de
uma hora e meia são pouco produtivas, pois, geralmente, leva-se de 30 a 40 minutos para
aquecer o grupo antes de o assunto em pauta ser introduzido, e o tempo restante é muito
pouco para que todos os participantes possam expressar suas opiniões. O moderador deve
ter sensibilidade para perceber quando é chegada a hora de encerrar a discussão, deve per-
ceber quando novas informações não estão mais sendo acrescentadas, ou quando sinais
de exaustão começam a ser apresentados. A duração máxima não deve ultrapassar de três
horas, que é o limite considerado máximo para que a exaustão do grupo não comece a
prejudicar a reunião.
O número de grupos a serem conduzidos depende de: objetivos do estudo, regiões abran-
gidas pelo estudo, segmentos de mercado de interesse e disponibilidades de tempo e recursos
financeiros. Quando os recursos financeiros forem limitados, o pesquisador deverá concentrar
a formação de grupos com os segmentos que se mostrarem prioritários para a pesquisa.
As vantagens da entrevista focalizada de grupo estão relacionadas com a premis-
sa de marketing de que sempre que se desejar entender os consumidores, o melhor ca-
minho é ouvi-los. Há muto que aprender ouvindo os consumidores contarem suas ex-
periências, imagens etc. com suas próprias palavras, de forma espontânea e não forçada.
118 Pesquisa de Marketing
relação àquela, como custos mais elevados, maior prazo de aplicação, amostras menores e
grande dependência do entrevistador-analista. Além disso, é muito mais difícil e leva-se mais
tempo para conseguir que as pessoas se exponham quando estão sozinhas do que quando em
grupos, em que se sentem apoiadas.
As entrevistas focalizadas individuais apresentam as seguintes vantagens sobre as realizadas
em grupo: permitem maior aprofundamento do tema e associação direta dos dados com o
respondente.
Analogamente às entrevistas focalizadas grupais, as individuais se prestam apenas à utilização
em pesquisas exploratórias.
Método não estruturado disfarçado – As técnicas de coleta de dados não estruturadas
disfarçadas, também chamadas de técnicas projetivas, compreendem a criação de uma circuns-
tância que encoraje os respondentes a exporem livremente dados sobre crenças, sentimentos,
estrutura da personalidade, necessidades emocionais e seus conflitos interiores sem que tenham
conhecimento do que estão expondo.
Os métodos projetivos vêm da psicologia e foram inicialmente desenvolvidos para diagnos-
ticar e tratar pacientes com perturbações emocionais, e esse tem sido seu principal uso. Num
teste projetivo, as respostas não são consideradas por seu conteúdo aparente, mas em função da
conceituação psicológica preestabelecida para aquela situação de pesquisa. Essa conceituação
subjacente é que apresenta o quadro referencial para a interpretação das respostas obtidas.
A aplicação das técnicas projetivas exige profissionais com larga experiência e conheci-
mento teórico (psicólogos ou psicanalistas). Além disso, são técnicas de aplicação demorada e
de interpretações difíceis e extremamente subjetivas. É raro encontrar consumidores que se
predisponham a se submeter a elas. Por isso, as técnicas projetivas raramente são utilizadas em
marketing, e seu uso tem-se limitado a situações especiais em que não se conseguem obter
os dados necessários por meio de técnicas não disfarçadas.
A respeito da validade dessas técnicas, Selltiz et al. (1974:319, 351) assim se posicionam:
Muitas dessas técnicas foram submetidas a muita pesquisa; foram publicados métodos padronizados de
aplicação, avaliação e interpretação. Apesar disso, repetidamente, se põe em dúvida a sua validade, e as provas de
pesquisa estão longe de serem decisivas. (...)
(...) No caso das técnicas projetivas, existem outras razões para as dúvidas quanto à validade: a grande variedade
de aspectos a respeito dos quais é possível fazer inferências e o fato dessas técnicas dependerem muito da habilidade
do analista. Para a maioria das técnicas projetivas, não são minuciosamente especificadas as regras pelas quais os
dados devem ser transformados em escalas de mensuração; sob este aspecto, o mesmo ocorre com as dimensões
que tentamos medir. Por isso, cada pesquisador é obrigado, até certo ponto, a criar suas próprias regras. Além disso,
a flexibilidade dos testes significa que nem sempre abrangem os mesmos aspectos, no mesmo pormenor. Em outras
palavras, pelo menos em sua forma atual, os testes projetivos sacrificam a exatidão e a precisão no interesse da
amplitude e profundidade.
A título de curiosidade, as técnicas não estruturadas disfarçadas que têm, ou poderão vir a
ter, utilidade em pesquisas de marketing são: contar histórias (Teste de Apercepção Temática
– TAT),Teste de Rorschach, interpretação de papéis, completar histórias, completar desenhos
em quadrinhos, completar sentenças, associação de palavras, hierarquização de palavras, brincar
com bonecos, desenho de pessoas, colagem e Teste Tomkins-Horn de organização de figuras.
Contar histórias (Teste de Apercepção Temática - TAT) – O TAT consiste em uma série de figuras,
em forma de histórias em quadrinhos, que descrevem, de forma neutra, determinada situação
relacionada ao produto ou tópico de marketing em estudo. A situação é apresentada aos res-
pondentes para que descrevam o que está acontecendo e o que acontecerá depois do que foi
120 Pesquisa de Marketing
apresentado. Parte-se do pressuposto de que essa condição deixa os respondentes livres para
exprimir seus próprios sentimentos a respeito da situação em estudo. Dos testes projetivos, este
é o mais utilizado em pesquisas de marketing. Um exemplo da aplicação do TAT é submeter os
respondentes, por meio de histórias em quadrinho, à situação de compra (ou uso) de um forno
de micro-ondas e solicitar que descrevam a situação contando histórias e fazendo comentários a
respeito do que viram.As histórias contadas e/ou comentários feitos permitem aos pesquisadores
concluir, por exemplo, se a imagem de uma dona de casa que usa um forno de micro-ondas é a
de uma mulher moderna, prática, ocupada, ou preguiçosa, relaxada, que não gosta de cozinhar
etc. Uma forma mais moderna de aplicar o TAT é a apresentação da situação-teste em vídeo.
Teste de Rorschach – É composto de dez cartões, cada qual com um borrão de tinta diferente.
O teste consiste em perguntar aos respondentes o que significa cada um dos borrões. Todos
os borrões são padronizados e as descrições possíveis por parte do respondente têm concei-
tuação psicológica preestabelecida. Pela dificuldade de aplicação a problemas de marketing
e, principalmente, pela subjetividade de sua interpretação, o Teste de Rorschach raramente é
empregado em pesquisas de marketing.
Interpretação de papéis – A interpretação de papéis, ou técnica da terceira pessoa, consiste em
apresentar uma situação de pesquisa, de forma verbal ou visual, em que ao respondente é solicitado
a exprimir seus sentimentos e crenças para a condição em que o sujeito da situação fosse outra
pessoa, como um amigo, um parente, um vizinho ou um consumidor “típico” de determinado
produto. Pressupõe-se que, descrevendo aquela situação para terceiros, estará revelando seus pró-
prios sentimentos e crenças a esse respeito. Uma forma de aplicação dessa técnica é apresentar
uma lista de compras (ou de produtos que são usados) que um consumidor teórico realizou, e
solicitar que o respondente descreva esse consumidor, a partir da lista dos produtos adquiridos.
Completar histórias – Essa técnica consiste em fazer o respondente receber uma história em
que se narra o necessário para focalizar sua atenção em determinado tópico, mas não o suficiente
para indicar seu final, e, em seguida, ele é convidado a apresentar sua conclusão. Por exemplo:
Mário está em dúvida se deve ou não trocar seu automóvel por um novo, pois já está com
quatro anos de uso e tem-lhe dado alguns problemas. Mário tem economias suficientes
apenas para a troca, mas a perspectiva da economia do país não é boa e ele teme ser um
desempregado com um automóvel novo. Na saída do trabalho, encontra-se com o amigo
Barbosa e, juntos, vão bebericar num bar que costumam frequentar. Barbosa, que trabalha
na mesma empresa e tem função similar à de Mário, acabou de trocar seu automóvel por
um novo e diz a Mário que está muito satisfeito.
Eu penso que...
Completar desenhos em quadrinhos – Essa técnica consiste em apresentar aos respondentes
desenhos em quadrinhos que mostrem uma ou mais pessoas em determinada situação. O
respondente é solicitado a completar o quadrinho seguinte em função da(s) situação(ões)
observada(s) nos quadrinhos anteriores. Geralmente, a complementação é feita com palavras,
preenchendo-se o balão reservado para texto do quadrinho seguinte. Por exemplo: nos três
quadrinhos, aparece a mesma pessoa dizendo:
• No primeiro quadrinho: “Meu avô comprou para meu pai um carrinho de brinquedo.”
• No segundo quadrinho: “Meu pai comprou para mim uma bicicleta.”
• No terceiro quadrinho: “Em relação ao meu filho, pretendo...”
O pesquisado é convidado a completar o terceiro quadrinho. A ideia é que o respondente
projete a intenção de compra em relação a seu(s) filho(s), ao completar o terceiro quadrinho.
Tipos, Fontes e Formas de Coleta de Dados 121
Pela dificuldade de sua aplicação e pela subjetividade de sua interpretação, são muito
remotas as possibilidades de que técnicas estruturadas disfarçadas venham a ser intensamente
utilizadas em pesquisas de marketing.
Quadro 5.13 Comparação entre as características dos métodos da comunicação segundo a forma de
aplicação: entrevista pessoal, entrevista por telefone e questionários autopreenchidos pelo correio/fax/
internet
Entrevista por Questionário
Característica Entrevista pessoal
telefone autopreenchido
Versatilidade Alta Média Baixa
Custo Alto Médio Baixo
Tempo para aplicação Alto Baixo Médio
Controle amostral Alto Médio Baixo
Quantidade de dados Alta Média Média
Qualidade dos dados (Veja Quadro 5.14)
Garantia de anonimato Baixa Baixa Média
Habilidade exigida Alta Alta Baixa
para aplicação
Uniformidade da mensuração Baixa Média Alta
Índice de resposta Alto Alto Baixo
Nível educacional exigido dos Baixo Baixo Alto
respondentes
Possibilidade de verificação da Alta Baixa Baixa
sinceridade das respostas
Tamanho da amostra Pequeno Grande Grande
realizar mais do que cinco (principalmente nos casos que envolvem deslocamentos). Em casos
especiais de pesquisa por telefone associada a um programa de TV, em que os telespectadores
são convidados a ligar para um número telefônico se forem favoráveis e ligar para outro se
forem desfavoráveis a certa colocação feita no programa (não há atendente para a ligação/a
ligação é registrada diretamente num sistema computacional), a quantidade de respostas
possível de ser obtida por hora dependerá exclusivamente da capacidade de atendimento
do sistema que foi montado para recepção dos telefonemas (número de linhas e sistema
computacional).
A redução do tempo de aplicação, no caso das entrevistas pessoais e por telefone, pode ser
obtida pela elevação do número de entrevistadores. Essa elevação do número de entrevistadores,
no caso das entrevistas pessoais, tornará o projeto administrativamente mais complexo devido
à maior necessidade de recrutamento, seleção, treinamento, coordenação, controle e supervisão.
Os problemas administrativos e o custo de administrar uma equipe maior podem não justificar
a redução de tempo pretendida. Por isso, as pesquisas com base em entrevistas pessoais são mais
demoradas do que as por telefone e as realizadas por questionários colocados à disposição.
A redução do tempo de aplicação de questionários, por correios/fax/internet, é mais difícil,
pois, uma vez postados, há pouco que o pesquisador possa fazer para acelerar sua devolução.
Em média, a devolução ocorre em maior volume duas a três semanas depois de postados, mas,
se o pesquisador desejar trabalhar com uma devolução maior e mais rápida, deverá, após uma
semana da remessa do questionário, iniciar um processo de postagens estimuladoras. Deverá
aguardar duas ou três semanas para receber as respostas do estímulo e, para as não respostas,
enviar nova postagem estimuladora, e assim sucessivamente. Esse processo poderá demorar
vários meses até se obter o retorno desejado. Com a distribuição e o recolhimento pessoal de
questionários, esse problema não ocorre e o tempo de aplicação é bastante rápido.
Controle amostral – Refere-se ao grau em que a amostra inicialmente projetada para a pes-
quisa foi efetivamente atingida durante o processo de coleta de dados.
A entrevista pessoal apresenta o mais alto nível de controle amostral. O pesquisador
pode controlar quais unidades amostrais são pesquisadas, quem será entrevistado, se haverá
participação de outras pessoas no processo de entrevista, substituir uma unidade amostral que
se recusou a responder por outra semelhante etc. Mesmo quando não dispõe de uma listagem
preliminar da população de pesquisa para sortear a amostra, existem métodos de amostragem
à sua disposição que lhe garantirão grande controle amostral (veja Capítulo 8).
As entrevistas por telefone dependem da constituição da amostra. Essas amostras são
geralmente constituídas a partir das listas telefônicas. As listas telefônicas são fontes pobres e
problemáticas para gerar amostras probabilísticas de toda a população pelas seguintes razões:
• A grande maioria das famílias brasileiras não possui telefone, sendo um aparelho típico das
famílias de classes alta, média-alta e média-média.
• As listas telefônicas envelhecem rapidamente, pois, após sua publicação, várias mudanças
são efetuadas, novos telefones são instalados e, por isso, passam a não refletir corretamente
a população de possuidores de telefone.
• Algumas pessoas, apesar de possuírem telefone, não figuram nas listas por solicitação às
empresas telefônicas.
• O grande número de possuidores de telefone celular para os quais não há listagens.
Em razão dos problemas apontados, as entrevistas por telefone oferecem um controle
amostral médio, excetuando-se os casos em que a listagem tenha sido preparada por outros
126 Pesquisa de Marketing
meios (por exemplo: listagem de médicos, dentistas, advogados etc. obtidas em suas associações
de classe).
O controle amostral dos questionários, excluindo a entrega e o recolhimento pessoal,
é extremamente baixo. Mesmo quando se dispõe de listagens e se tenha construído uma
amostra probabilística, como no caso de questionários por correios/fax/internet, o controle
amostral é baixo, pois o pesquisador não consegue ter nenhum controle sobre quem res-
pondeu ao questionário nem se quem respondeu constitui uma amostra representativa da
população em estudo. Na entrega e no recolhimento pessoal, uma pressão maior é exercida
sobre os respondentes pela própria presença do recolhedor para se obter o preenchimento
do instrumento.
Quantidade de dados – A quantidade de dados possível de se obter é maior na entrevista pes-
soal, pois, além da presença pessoal do entrevistador, dispõe-se de bastante tempo para explorar
inúmeros pontos de interesse. Uma entrevista pessoal pode durar de quinze minutos a uma
hora, sem grandes problemas de recusa. Em entrevistas por telefone, o tempo que o entrevis-
tador dispõe para a entrevista é muito limitado, geralmente não mais que dez minutos, o que
reduz a quantidade de dados obtidos. A quantidade de dados obtidos por meio de questionários
é semelhante à das entrevistas por telefone, e está limitada pela impessoalidade da aplicação
e pela padronização do instrumento. Quando a necessidade de dados a serem levantados é
grande, o método da entrevista pessoal é o mais recomendado.
Uma forma de conseguir elevar o tempo de entrevistas por telefone é selecionar en-
trevistadores com o perfil adequado para a realização desse trabalho. Algumas características
desejáveis importantes: voz extremamente agradável e carismática, maneiras afáveis ao telefone
e boa capacidade de envolvimento das pessoas pela forma de falar.
Qualidade dos dados – A qualidade dos dados refere-se ao grau em que estejam livres de
vieses em função do meio de comunicação utilizado em sua obtenção. As inúmeras fontes
de vieses se refletem de forma diferente na qualidade dos dados, conforme o método de
comunicação utilizado para a coleta dos dados. É apresentada no Quadro 5.14 uma síntese
das diversas fontes de vieses e o grau de sua ocorrência conforme o método utilizado.
Tabela 5.1 Índice de analfabetismo nas regiões brasileiras – pessoas com dez ou mais anos de idade
Região Analfabetos (%)
Urbana 8,6
Rural 23,7
Total Brasil 10,9
Fonte: Censo IBGE 2010. Disponível em: www.ibge.com.br. Acessado em: 30 maio 2012.
Tabela 5.2 Índice de analfabetismo nas principais regiões metropolitanas – pessoas com dez ou mais
anos de idade
Região metropolitana de Analfabetos (%)
Belém 3,6
Fortaleza 8,9
Recife 8,5
Salvador 4,8
Belo Horizonte 3,9
Rio de Janeiro 3,4
São Paulo 3,4
Curitiba 3,2
Porto Alegre 3,0
Fonte: Censo IBGE 2010. Disponível em: www.ibge.com.br. Acessado em: 30 maio 2012.
MÉTODO DA OBSERVAÇÃO
Conforme já dito, o método da observação consiste no registro de comportamentos, fatos e ações
relacionados com o objetivo da pesquisa, sem que haja comunicação com os pesquisados e não
envolvam questionamentos e respostas, verbais ou escritas.
O método da observação pode ser classificado quanto: ao grau de estruturação, ao grau
de disfarce, aos instrumentos utilizados, ao ambiente, ao objeto observado e à participação
do observador.
portamento para escolha ou a própria escolha possam expô-lo socialmente, é bem provável
que altere seu comportamento natural.
Para realizar a observação disfarçada, o observador deverá ficar oculto, fazer parte da situação
observada (passando também por consumidor) ou se utilizar de instrumentos mecânicos e
eletrônicos ocultos para registrar as observações e, posteriormente, proceder às interpretações
e análises.
Observe que, em qualquer das situações de observação disfarçada, fica a dúvida da questão
ética relacionada com a observação de pessoas sem seu devido consentimento e conhecimento.
Em respeito à ética, as pessoas observadas deveriam, ao menos depois, tomar conhecimento, e a
elas ser dada a oportunidade de consentir ou não na utilização do que foi observado. Parte do
Capítulo 15 se dedica à análise dos aspectos éticos e legais relacionados a pesquisas de marketing
e pesquisas em geral.
Observação não disfarçada – Deve ser utilizada quando o fato observado não envolver
comportamentos, quando o comportamento observado não for influenciado pela presença
do observador ou quando aspectos éticos ou legais impeçam a utilização da observação
disfarçada.
Câmeras fotográficas – O registro visual dos fatos observados é feito de forma estática por
câmeras fotográficas e operadores ocultos.
Câmeras de TV – O registro visual e sonoro dos fatos é feito de forma dinâmica por uma
câmera de TV oculta, e a operação da câmera pode ser automática ou feita a distância por um
operador oculto. É um dos melhores instrumentos para a observação disfarçada.
Audímetros (ou tevêmetros) – Os audímetros, já mencionados no Capítulo 3, são utili-
zados para medir a audiência de TV. Consiste num aparelho que, acoplado ao televisor,
registra a cada 30 segundos se o televisor está ligado e em qual emissora. As versões
antigas desse aparelho faziam o registro em fitas perfuradas que, periodicamente, eram
recolhidas para tabulação e análise. A versão mais moderna permite a interligação, via
linha telefônica direta, do aparelho com uma central de processamento de dados; a coleta
e o envio dos dados para a central de processamento são feitos a cada 30 segundos e,
imediatamente, os dados sobre a audiência estão disponíveis (medição da audiência em
tempo real).
Gravadores de som – Foram muito utilizados para o registro de informações em sessões de
entrevista focalizada de grupos de consumidores, e serviam, junto com os dados taquigráficos,
para auxiliar o moderador a interpretar, analisar e elaborar o relatório da pesquisa. A gravação
apenas do som traz problemas para a interpretação, pois, no momento da análise, não há
condição de identificar quem falou o quê. Com a redução do tamanho das câmeras de TV e
com seu barateamento, é mais eficaz gravar as reuniões em vídeo do que apenas em áudio e,
por isso, os gravadores de som passaram a ser menos utilizados.
Leitores óticos nos caixas das lojas – Trata-se de um instrumento novo que está começando a
surgir no Brasil, com um potencial enorme para ser utilizado em pesquisas por observação. O
leitor ótico é um aparelho que substitui a digitação nos caixas das lojas. Ele lê diretamente o
código do produto impresso (chamado código de barras) em sua embalagem. O consumidor
recebe uma listagem dos itens adquiridos com o respectivo preço pago. O leitor ótico está
ligado diretamente a um computador central da cadeia de lojas, onde estão armazenados os
preços dos produtos e as quantidades estocadas, e permite o registro imediato das operações
enquanto estão sendo realizadas. O registro das operações é periodicamente consolidado e tem
-se à disposição o movimento de cada loja, por linha de produto, por produto e até mesmo por
item de produto. Além de ser um instrumento fantástico para a administração imediata das lojas,
oferece as seguintes possibilidades para pesquisas de marketing a um custo infinitamente baixo:
• Comparação imediata entre uma promoção que está sendo feita na loja com os resultados
sobre as vendas.
• Comparação imediata entre as participações de mercado de cada produto concorrente
que participa da mesma loja ou da mesma cadeia de lojas.
• Determinação de quais estratégias de preço, embalagem, propaganda e promoção de vendas
funcionam e quais não.
• Dispondo-se de um perfil dos habituais consumidores de uma loja, podem-se efetuar
cruzamentos entre esses perfis e os produtos consumidos, podendo-se inferir padrões de
consumo por classes socioeconômicas ou segmento de mercado.
Psicogalvanômetro – Também conhecido como detector de mentiras, é um aparelho que
mede a mudança na transpiração, por meio da qual se infere a reação emocional das pessoas
sujeitas a determinado estímulo. A emoção causada por determinada propaganda que esteja
sendo testada pode ser verificada por esse aparelho.
134 Pesquisa de Marketing
Câmera de movimento dos olhos (oftalmógrafos) – É utilizada para se determinar como uma
pessoa lê determinada propaganda impressa, uma página de revista ou jornal, embalagens etc.
As medidas são tomadas da sequência em que os movimentos de leitura são efetuados e do
tempo despendido em cada ponto do objeto lido. Parte-se do pressuposto de que se começa
a leitura pelos pontos que visualmente despertaram mais a atenção e se dedica mais tempo
à leitura dos pontos que despertaram o maior interesse do objeto lido. O oftalmógrafo é o
aparelho utilizado para a leitura do movimento dos olhos.
Pupilômetro – Mede a mudança no diâmetro da pupila dos olhos. Sabe-se que as pessoas
não têm controle sobre o diâmetro da abertura de suas pupilas. O instrumento pressupõe que,
à medida que as pessoas se interessam e têm reação favorável por determinado objeto, suas
pupilas aumentam de diâmetro. A dimensão do diâmetro dará uma dimensão da favorabilidade
da reação ao estímulo provocado.
Contadores de tráfego – Compreendem aparelhos manuais, mecânicos (catracas) ou ele-
trônicos que objetivam contar o número de pessoas que passam por determinado ponto ou
frequentam determinado local.
fizer parte integrante da situação a ser observada, a pesquisa estará comprometida, pois os
comportamentos que se deseja observar não são realizados em lugares públicos acessíveis para
realizar observação não participativa (por exemplo: o consumo de drogas; como os operários
se comportam em relação ao trabalho). Para esses casos, a solução é o observador integrar a
situação ou o grupo observados.
Observação não participativa – É aquela em que o observador não faz parte do que
está sendo observado. É a forma mais usual de aplicar o método de observação.
RESUMO
Há quatro diferentes fontes básicas de dados em pesquisas de marketing: pesquisados, pessoas
que tenham informações sobre o pesquisado, situações similares e dados disponíveis.
A simulação consiste na criação de um modelo computacional de uma situação similar
àquela em que se deseja ganhar conhecimento.
Dados primários são aqueles que não foram antes coletados, estando ainda em posse dos
pesquisados, e que são coletados com o propósito de atender às necessidades específicas da
pesquisa em andamento.
Dados secundários são aqueles que já foram coletados, tabulados, ordenados e, às vezes, até
analisados, com propósitos outros ao de atender às necessidades da pesquisa em andamento e
que estão catalogados à disposição dos interessados.
A sequência na definição dos dados e das fontes de dados no processo de pesquisa de
marketing é a seguinte: definir os objetivos da pesquisa; especificar as necessidades de dados;
procurar dados secundários internos e externos; determinar as necessidades de dados primários;
e determinar as fontes de dados primários.
As fontes de dados secundários em pesquisas de marketing são: dados secundários internos,
publicações (gerais, governamentais e institucionais), governos (federal, estaduais e municipais),
instituições não governamentais (universidades, faculdades e centros de pesquisas, associações,
federações e sindicatos) e serviços padronizados de informações de marketing (do consumidor,
do varejo, do atacado, da indústria e dos meios de comunicação).
Os dados coletados são: características demográficas, socioeconômicas e de estilo de vida;
atitudes e opiniões; conscientização e conhecimento; motivações; comportamento passado e
presente; e intenções.
O método da comunicação consiste no questionamento, verbal ou escrito, dos respondentes
para a obtenção do dado desejado, que será fornecido por declaração, verbal ou escrita, do
próprio.
O método da observação consiste no registro de comportamentos, fatos e ações relaciona-
dos com o objetivo da pesquisa, e não envolve questionamentos e respostas, verbais ou escritas.
O método da entrevista é caracterizado pela existência de uma pessoa (entrevistador)
que fará a pergunta e anotará as respostas do pesquisado (entrevistado). A entrevista pode ser
realizada pessoalmente ou por telefone, e individualmente ou em grupo(s).
Os questionários autopreenchidos consistem no instrumento de coleta de dados ser lido
e respondido diretamente pelos pesquisados, não havendo a figura do entrevistador.
A observação estruturada é utilizada em pesquisas em que o problema e os objetivos já
estejam claramente definidos, a ponto de permitir uma especificação clara a priori dos compor-
tamentos ou situações que serão observados e de suas categorizações para registrar o observado.
136 Pesquisa de Marketing
QUESTÕES DE REVISÃO
1. Quais são as fontes básicas de dados em pesquisas de marketing?
2. No que consiste o processo de simulação como fonte de dados em marketing?
3. Qual a sequência a ser observada na busca de dados nas diversas fontes em pesquisas de
marketing?
4. Quais as vantagens e desvantagens dos dados secundários?
5. O que são dados secundários internos?
6. Quais são os tipos de dados primários possíveis de serem coletados em pesquisas de
marketing?
7. Apresente uma comparação entre as vantagens e as desvantagens dos métodos da comu-
nicação e da observação.
8. Dê um exemplo de uma questão típica de um instrumento estruturado não disfarçado.
9. Qual a utilização para marketing das entrevistas focalizadas de grupo?
10. Descreva como funciona a realização de uma entrevista focalizada de grupo. Quais são
suas principais vantagens e desvantagens?
11. Dê exemplos de três técnicas projetivas (não estruturadas disfarçadas) que possam ser
utilizadas em pesquisas de marketing.
12. Por que as técnicas estruturadas não disfarçadas são mais utilizadas em pesquisas de
marketing?
13. Faça uma comparação entre entrevista pessoal, entrevista por telefone e questionários
autopreenchidos por correios/fax/internet em relação a: tempo de aplicação, controle
amostral e índices de respostas.
Tipos, Fontes e Formas de Coleta de Dados 137
14. Faça um elenco das medidas necessárias para elevar o índice de resposta de uma pes-
quisa feita por meio de questionários autopreenchidos pelo correio.
15. Qual dos três métodos de aplicação (entrevista pessoal, entrevista por telefone e ques-
tionários autopreenchidos) apresenta maior fonte de viés devido a: questões de enten-
dimento difícil, influência do entrevistador e uniformidade das mensurações?
16. Apresente as diversas técnicas do método da observação quanto ao grau de disfarce.
17. Descreva três dos aparelhos utilizados para o registro de observações.
Trabalho – Parte 4
1. Faça uma lista de todas as possíveis fontes de dados secundários para seu tema de pesquisa.
2. Faça uma lista de todos os dados necessários para sua pesquisa. Para cada dado, coloque ao
lado a justificativa da necessidade de obtê-lo para solucionar o problema de pesquisa.
3. Faça um relatório avaliando as vantagens e as desvantagens da utilização em seu projeto
de pesquisa dos métodos da comunicação e da observação. Decida e justifique, em função
da avaliação efetuada, qual método pretende usar em sua pesquisa.
REFERÊNCIAS
ALMEIDA, Pergentino; WICHAUSER, Hilda. Proposta de reformulação do critério ABA/ABIPEME. Documento
de circulação restrita, jun. 1991.
CAMPBELL, D. T. The indirect assesment of social attitudes. Psychological Bulletin, n. 47, pp. 15-38, Jan. 1950.
CHURCHILL, JR., Gilbert A. Marketing research-methodological foundations. Insdale, Illinois: Driden, 1979.
CHORAFAS, Dimitris N. System and simulation. New York: Academy, 1965.
CROSSEN, Cynthia. O fundo falso das pesquisas: a ciência das verdades torcidas. Rio de Janeiro: Revan, 1996.
MATTAR, Fauze N. Estudo sobre estratificação social para utilização em marketing e pesquisas de marketing. Proposta de
novo modelo para estratificação socioeconômica.Tese (Livre-Docência) – Faculdade de Economia, Adminis-
tração e Contabilidade. São Paulo: Universidade de São Paulo, CA. 1 e 2, 1996.
MATTAR, Fauze N. SIM – Sistemas de Informação de Marketing. Revista Mercado Global, ano 12, pp. 24-45,
mar.-abr. 1986.
MATTAR, Fauze N.; SANTOS, Rubens da C. Análise contínua para a promoção de vendas. Revista Display, São
Paulo, ano 1, n. 5, pp. 28-30, maio/jun. 1982.
SELLTIZ, Claire; JAHODA, Marie, DEUTSCH, Morton, COOK, Stuart W. Métodos de pesquisas nas relações sociais.
São Paulo: Editora Pedagógica e Universitária - EPU. Editora da Universidade de São Paulo, 1974.
WILLIAMS, A. F.; WESCHLER, H. The mail survey: methods to minimize bias owing to incomplete response.
Sociological and Social Research, ano 54, pp. 533-535, July 1970.
Sites:
www.abep.org
www.acnielsen.com.br
www.ibge.com.br
www.ibope.com.br
www.ipsos-marplan.com.br
www.ivc.org.br
CAPÍTULO 6
Medidas e Instrumentos de Coleta
de Dados
Nem tudo o que pode ser contado conta, e nem tudo o que conta pode ser contado.
Albert Einstein
Objetivos
• Apresentar as principais fontes de erros amostrais e não amostrais em pesquisas de marketing.
• Mostrar o processo de medição em pesquisas de marketing.
• Descrever os tipos básicos de escalas utilizadas em pesquisas de marketing.
• Mostrar como construir um instrumento de coleta de dados bem estruturado.
Este capítulo e o próximo são dedicados a como controlar, evitar e/ou reduzir os erros
que podem ocorrer durante a condução de pesquisas de marketing.
Erros amostrais
Os erros amostrais ocorrem única e exclusivamente em função do número de elementos
da amostra e do processo de seleção desses elementos; pela Teoria das Grandes Amos-
tras, os erros ocorrem ora num sentido, ora noutro. Se a amostra não for viesada, esses
erros tendem a se neutralizar e, quanto maior o tamanho da amostra, menores serão.
No Capítulo 7, quando for abordada a amostragem probabilística simples, será exposta
a essência dos erros amostrais.
Erros na amostragem
Os erros oriundos do processo de amostragem podem ocorrer por diversas razões: utilização
de processo de amostragem não probabilístico, utilização de listagens da população em estudo
incorretas ou incompletas e localização errada da unidade a ser pesquisada.
Processos de amostragens não probabilísticos – As amostragens não probabilís-
ticas trazem consigo, potencialmente, erros que estão fora do controle do pesquisador. Se o
pesquisador desejar ter total controle sobre a ocorrência de erros amostrais, deverá, neces-
sariamente, utilizar-se de amostragem probabilística na pesquisa.
142 Pesquisa de Marketing
saberá se aqueles que não responderam o fariam de forma similar aos que responderam, e
é errôneo pressupor que a distribuição de opiniões entre respondentes e não respondentes
é a mesma sobre o assunto em estudo. Nos casos de entrevistas pessoais e telefônicas,
o problema não é tão grave, à medida que o controle exercido sobre o campo permite
que as não respostas sejam substituídas. A situação é mais grave no caso dos questionários
enviados por correios/fax/internet, em que o pesquisador não consegue exercer controle
adequado sobre as respostas, e o método não permite que substituições, correspondentes
às não respostas, sejam efetuadas. Por isso, são raras as pesquisas por correios/fax/internet
que não estejam seriamente comprometidas por erros de não resposta, sendo esta sua
principal fraqueza.
Processo de medição
O processo de medição consiste em associar números a um objeto, os quais, segundo uma regra
estabelecida, passam a representar a quantidade de suas características ou atributos. Segundo esse
conceito, não se mede o objeto em si, mas suas características ou atributos. Por exemplo, não
se mede uma pessoa, mas sua renda, idade, sexo, nível de escolaridade, estado civil, número de
144 Pesquisa de Marketing
filhos, atitudes, comportamentos etc. Também segundo essa definição, está implícito que não
é possível utilizar todas as características do sistema numérico na análise dos dados obtidos,
mas restringi-las à regra que foi estabelecida.
Cada um dos quatro tipos básicos de escalas apresentadas no item seguinte está diretamente
relacionado com uma das quatro características do sistema numérico de 0 a 9; conhecer estas
características ajudará a compreender cada uma daquelas escalas. A primeira característica é a de
que cada número na série é único, representa uma quantidade diferente e há dez números. A
segunda é que existe uma convenção estabelecendo o ordenamento dos números, e é por essa
convenção que se sabe que 4 > 2 e que 9 > 7 etc. A terceira é que há um intervalo homogêneo
entre cada número na sequência, de tal forma que permite afirmar que o intervalo entre 3 e
5 é igual aos intervalos entre 7 e 9 e entre 1 e 3 etc.; pela mesma razão pode-se afirmar que
4 é quatro vezes maior que 1, 8 é duas vezes maior que 4 etc. A quarta e última característica
é a possibilidade de definir iguais proporções, como 8/4 = 6/3 = 4/2 etc.
A utilização de matemática ou estatística na manipulação de números envolve o uso de
uma ou mais dessas características do sistema numérico. Há uma grande tentação, ou um des-
conhecimento, que faz com que, na análise dos dados coletados, utilizem-se mais características
do sistema numérico do que a realidade dos dados coletados permite, invalidando as conclusões
que a partir daí se chegar. Para que esse problema não ocorra, é importante definir a priori
quais dessas quatro características estão presentes no fenômeno de marketing em estudo e que
vão condicionar o uso das escalas e as análises estatísticas que poderão ser feitas.
Escala nominal
Uma escala nominal é aquela em que os números servem apenas para nomear, identificar e
(ou) categorizar dados sobre pessoas, objetos ou fatos. O número da Carteira de Identidade
(Registro Geral) é um exemplo de escala nominal, assim como os números das camisas dos
jogadores de um time de futebol, o número das placas dos veículos etc. Esses números não têm
nenhum outro significado a não ser o de identificar a pessoa ou o objeto associado ao número.
As escalas nominais são intensivamente utilizadas em pesquisas de marketing para nomear,
identificar e classificar variáveis como: marcas, cores, modelos, sexo, tipo de loja, regiões, usa/
não usa, gosta/não gosta, ocupação etc.Veja os seguintes exemplos:
Sexo:
__1. Masculino __2. Feminino
Cor preferida:
__1. Azul __2. Branco __3.Vermelho
__4. Amarelo __5.Verde __6. Preto
__7. Marrom __8. Outra. Qual?
Nos dois exemplos, observa-se que não há nenhum outro significado dos números atribuídos
a não ser o de associá-los aos “valores” das variáveis sexo e cor. Não se pode afirmar que, pelo
Medidas e Instrumentos de Coleta de Dados 145
fato de ao sexo feminino ter sido atribuído o número 2, este seja melhor que o masculino, ao qual
foi atribuído o número 1; analogamente, o marrom (7) não é melhor que as outras cores, nem o
azul (1) é pior que as outras. É possível, inclusive, trocar todos os números atribuídos a cada “valor”
das variáveis, pois nada mudará, desde que seja mantida a regra estabelecida até o final da pesquisa.
Com escalas nominais, a única operação possível é a contagem, e, por isso, a moda é a
única medida de tendência central que pode ser calculada. Não faz nenhum sentido calcular a
média em escalas nominais. Nos dois exemplos vistos, qual seria o significado da média entre
sexo masculino e feminino, ou da cor média obtida? Cuidado, pois, na tabulação eletrônica
dos dados, o computador trabalha apenas com números, e não saberá identificar qual o tipo
de escala a que o número se refere e calculará tudo o que lhe for pedido. É o pesquisador
146 Pesquisa de Marketing
que deve saber quais tipos de cálculos se aplicam ou não à variável em estudo. Alguns sistemas
de análise permitem definir a priori o tipo de escala que está sendo utilizada, restringindo os
cálculos estatísticos àqueles que o tipo de variável permitir.
Escala ordinal
Uma escala ordinal é aquela em que os números servem para, além de nomear, identificar
e (ou) categorizar, ordenar, segundo um processo de comparação, as pessoas, os objetos ou
fatos, em relação a determinada característica. Essa escala permite concluir que o produto de
marca A é melhor que o produto de marca B, segundo a preferência dos consumidores, mas
não permite saber quanto A é melhor que B. Um exemplo de escala ordinal é o seguinte: das
três versões do produto lava-roupa/amaciante/facilitador de passar líquido: A, B e C, responda
qual é sua preferência, em 1o, 2o e 3o lugares, em relação a:
Neste exemplo, pode ser observada uma preferência nítida pelo produto B em relação
à característica perfume, porém não há condição de saber em que grau o perfume B é mais
agradável que A ou C.
As escalas ordinais são muito utilizadas em pesquisas de marketing sempre que se deseja
obter ordenamento das preferências, opiniões, atitudes e percepções dos consumidores.
Em escalas ordinais, as únicas medidas de tendência central que podem ser calculadas são
a moda e a mediana.
Escala intervalar
Uma escala intervalar é aquela em que os intervalos entre os números revelam a posição e
quanto as pessoas, os objetos ou fatos estão distantes entre si em relação a determinada carac-
terística. Essa característica da escala intervalar permite comparar diferenças entre as medições,
mas não permite concluir quanto à magnitude absoluta das medições. Um exemplo clássico
Medidas e Instrumentos de Coleta de Dados 147
de escala intervalar é aquela usada para medir temperaturas.Tome-se, como exemplo, a escala
Celsius (Centígrado). Se a temperatura durante o dia atingiu o máximo de 30 graus e durante
a noite atingiu um mínimo de 15 graus, ao comparar as duas temperaturas, a única conclusão
que se pode tirar é que: a temperatura durante o dia foi mais elevada do que a noite em 15
graus centígrados. Por se tratar de uma escala intervalar, é um erro concluir que durante
o dia a temperatura foi o dobro da temperatura da noite. Para mostrar a evidência desse
erro, basta utilizar a escala Fahrenheit para indicar as mesmas temperaturas. Usando a fórmula
de transformação F = (9C + 160)/5, obtêm-se as medidas de 59 graus F e 86 graus F, res-
pectivamente, e a mesma diferença de 15 graus centígrados agora é representada por 27 graus
F, e a relação que existia na escala Celsius não permanece na escala Fahrenheit. Esse fato ocorre
com as escalas intervalares porque os “zeros” dessas escalas são estabelecidos arbitrariamente
e não correspondem ao zero absoluto da característica que se deseja medir. Somente tem-
peraturas medidas na escala Kelvin, cujo zero é aceito como absoluto (e corresponde a –273
graus Celsius), permitem a comparação de suas magnitudes absolutas.
Em pesquisas de marketing, as escalas intervalares são muito utilizadas para medir atitudes,
opiniões, conscientização e preferências em que a preocupação é estabelecer medidas relativas
e não absolutas. Uma utilização muito frequente das escalas intervalares é na construção de
números-índices, principalmente na Economia.
Nas escalas intervalares, a média, a moda e a mediana são medidas legítimas de tendência central.
Escala razão
A escala razão apresenta as mesmas propriedades da escala intervalar, com a vantagem de possuir
o zero absoluto. Em função disso, as medidas tomadas nessas escalas permitem concluir quanto
à sua magnitude absoluta, além de informar a posição e quanto as pessoas, os objetos ou fatos
estão distantes entre si em relação a determinada característica. Exemplos dessas escalas são a es-
cala Kelvin para medir temperaturas, a escala em gramas e quilogramas para medir pesos, a escala
métrica para medir distâncias etc. Nas escalas razão, é perfeitamente possível e correto comparar
as medições absolutas efetuadas das características e inferir conclusões sobre quanto uma medida
é maior ou menor que as outras. Dessa forma, o fato de uma pessoa A pesar 50kg e outra B pesar
100kg permite concluir que B pesa o dobro de A, pois os pesos foram medidos numa escala razão.
Em pesquisas de marketing, as escalas razão podem ser utilizadas sempre que seja possível
estabelecer a relação entre o zero absoluto da variável a ser medida e o zero da escala, e sempre
que as razões estabelecidas para a escala correspondam às razões do fenômeno de marketing a
ser medido. Um grande número de variáveis importantes de marketing podem ser medidas por
escalas razão, como: idade, preços, número de consumidores, número de lojas, quantidade de
produtos consumidos, número de vezes que o produto é comprado ao mês, valor das vendas,
renda dos consumidores, lucros. Em todos esses casos, existe um zero natural ou absoluto.
Nas escalas razão, a média, a média geométrica, a moda e a mediana são medidas legítimas
de tendência central.
ATITUDES EM MARKETING
Conhecer as atitudes dos clientes/consumidores em relação à empresa, aos seus produtos
e aos produtos concorrentes é de enorme importância para marketing. Todos os principais
modelos de comportamento do consumidor, dentre eles os de Nicosia (1966), Engel,
148 Pesquisa de Marketing
Escalas nominais
As escalas nominais para medir atitudes compreendem números que são associados às respostas
com o único objetivo de identificar as categorias de respostas para facilitar a digitação, o proces-
samento e a análise dos dados. Nessas escalas, as respostas das pessoas são classificadas em duas
ou mais categorias. É a mais simples das escalas. Exemplo de escala nominal para medir atitude:
Sua casa está equipada com lava-louça?
__1. Sim __2. Não __3. Não sei
Lava-louça é um objeto útil na cozinha?
__1. Sim __2. Não __3. Não sei
Escalas de avaliação
As escalas de avaliação são utilizadas para medir variáveis que envolvam escalas ordinais, in-
tervalares e razão. Uma escala de avaliação típica procura efetuar a medição do componente
afetivo da atitude. Solicita-se às pessoas que assinalem as posições numa escala contínua, ou
numa escala de categorias ordenadas, que correspondam às suas atitudes em relação ao que lhe
foi perguntado. As escalas de avaliação são as mais utilizadas para medir atitudes em pesquisas de
marketing. Existem três formas de construir uma escala de avaliação: gráfica, verbal e itemizada.
Escala de avaliação gráfica – Uma escala de avaliação gráfica compreende a apresen-
tação das opções de respostas às pessoas, desde o extremo mais favorável até o extremo mais
desfavorável, de forma visual contínua ou por figuras que representem categorias ordenadas.
A maneira de apresentar visualmente a escala depende da imaginação do pesquisador. Por
exemplo, para responder a uma questão do seguinte tipo:
Com relação aos serviços prestados em nosso hotel, qual é a sua opinião sobre:
• Recepção?
• Serviço de copa?
• Serviço de arrumadeira?
• Serviço de lavanderia?
• Serviço telefônico?
• Asseio e limpeza?
• Conforto?
• Localização?
• Café da manhã?
• Restaurante?
• Bar?
As opções de escalas gráficas que poderiam ser utilizadas estão na Figura 6.1.
A escala 1 apresenta um conjunto de três (ou cinco) expressões faciais que correspondem a
diversos graus de gostar/não gostar, e os respondentes devem ser solicitados a assinalar a expressão
facial que mais corresponda aos seus sentimentos e impressões em relação a cada item perguntado.
A escala 2 apresenta um conjunto de três setas, uma seta para cima representando aprovação,
uma seta horizontal representando indiferença e uma seta para baixo representando desaprovação.
Os respondentes são solicitados a assinalar, para cada item perguntado, a seta que corresponde aos
seus sentimentos e impressões em relação a cada item.
A escala 3 apresenta uma reta contínua que vai desde o ponto de extrema desaprovação,
representado por um sinal negativo, passa por um ponto de indiferença, representado pelo zero,
e vai até o ponto de máxima aprovação, representado pelo sinal positivo. Os respondentes são
solicitados a assinalar um ponto nessa reta que corresponda a seus sentimentos e impressões em
relação a cada item. Após os dados terem sido coletados, o pesquisador dividirá esse contínuo
em categorias, às quais associará números para permitir a tabulação. A escala 3 apresenta uma
vantagem sobre as outras duas, que é permitir aos respondentes posicionarem-se numa escala
contínua, em vez de obrigá-los a se posicionar em pontos predeterminados. Porém, apresenta
a desvantagem de, ao permitir que cada respondente faça sua própria divisão da escala, tornar
difícil justificar a comparação de respostas entre os respondentes.
Escala de avaliação verbal – Uma escala de avaliação verbal compreende a apresentação
das opções de respostas às pessoas, desde o extremo mais favorável até o extremo mais des-
favorável, pela identificação e ordenação das categorias por meio de expressões verbais.
Um exemplo de escala verbal de avaliação para as mesmas questões do item anterior
poderia ser a seguinte:
__Muito favorável
__Um pouco favorável
__Indiferente
__Um pouco desfavorável
__Muito desfavorável
Um segundo exemplo, muito utilizado para avaliações de filmes, programas de televisão,
propagandas, produtos e serviços, é a seguinte escala:
___ Péssimo; ___ Ruim; ___Regular; ___ Bom; ___ Ótimo; ___ Não sei
Na construção de escalas verbais, é importante ter cuidado em relação aos seguintes itens:
número de categorias, número par ou ímpar de categorias, escalas forçadas versus escalas não
forçadas, escala balanceada versus escala não balanceada e numeração versus não numeração
das categorias. A seguir, discute-se cada uma dessas questões.
Não há um número predeterminado de categorias, mas geralmente é utilizado um mínimo
de três e um máximo de sete. Os estudiosos argumentam que mais de sete categorias con-
fundem os respondentes sem incrementar a precisão da medição e menos de três inviabiliza
qualquer medição. Como, em termos de custo e de aplicação, tanto faz utilizar uma escala
com três ou cinco categorias, os pesquisadores têm preferido usar escalas de cinco, mesmo
porque sempre será possível durante o processamento, se for necessário, reduzir uma escala
de cinco pontos para três, enquanto o inverso é impossível. Além disso, uma escala de cinco
categorias permite analisar melhor as nuanças pró ou contra do que uma de três. As escalas
de sete categorias são utilizadas apenas para medir situações em que se deseja captar pequenas
152 Pesquisa de Marketing
nuanças na medição de atitudes. Quanto maior o número de categorias, maior deverá ser o
número de respondentes para que haja densidade estatística nas respostas.
A escala deve ter um número ímpar ou par de categorias? Os respondentes devem ser forçados
a se classificar nas categorias ou não? Escalas com número ímpar de categorias possuem um ponto
neutro, enquanto aquelas com número par não o possuem. Algumas escalas apresentam a opção
“não sei” ou “não tenho opinião a respeito”, enquanto outras não.Alguns estudiosos argumentam
que, em escalas com ponto neutro e em escalas com a opção “não sei”, há uma tendência a muitos
respondentes se posicionarem nesses pontos (por comodidade, por não desejarem se expor ou por
terem dúvidas), enquanto nas escalas sem ponto neutro e sem a opção “não sei” são obrigados
a tomar posições expressando certo grau de sentimento pró ou contra. No entanto, há outros
estudiosos que defendem posição exatamente oposta, no sentido de que os respondentes nunca
devem ser forçados, sob pena de se obterem respostas viesadas. As escalas sempre devem oferecer
a opção neutra e conter a opção “não sei” ou “não tenho opinião formada a respeito”.
Uma escala pode ser balanceada ou não, ou seja, pode ter o mesmo número de categorias
pró e contra, ou não. A decisão de utilizar escalas balanceadas ou não depende de como se
distribuem as respostas à variável que está sendo medida. Se a distribuição tende mais para o
lado favorável, mais categorias para medir a favorabilidade deveriam existir, e vice-versa. O
argumento para a utilização de escalas não balanceadas é que, se a distribuição das respostas
tende mais para um lado do que para outro, ganha-se informação ao determinar com mais
precisão o grau de favorabilidade ou desfavorabilidade. A maior dificuldade em seu uso é a
necessidade de se saber a priori para que lado tendem as respostas. Na ausência dessa informação,
é preciso, efetivamente, usar escalas balanceadas.
Escalas de avaliação itemizada – Nesse tipo de escala, o respondente é solicitado a escolher
uma categoria dentre várias categorias de expressões verbais de opiniões sob determinado
tópico que forma uma escala, desde a opinião mais desfavorável até a mais favorável. Exemplo:
Essas escalas apresentam algumas importantes restrições. Produzem apenas dados ordinais que
permitem saber a ordem de preferências, mas não a distância entre essas preferências. Além disso,
como a técnica força o respondente a ordenar determinado conjunto de objetos, pode ocorrer
de, mesmo não gostando nem preferindo nenhum deles, o respondente os ordene segundo um
critério do que desgosta menos para o que desgosta mais, em vez de utilizar o critério do que
gosta mais para o que gosta menos. O Quadro 6.2 apresenta um exemplo de escala de ordenação.
Ao final da tabulação dos dados, ter-se-á uma tabela apresentando as frequências com que,
para cada atributo pesquisado, cada marca apareceu em 1o, 2o, 3o e 4o lugares. Alguns pesquisado-
res costumam atribuir arbitrariamente uma pontuação inversa, conforme a posição. Por exemplo,
para a posição 1a atribuem 4 pontos, para a 2a, 3, para a 3a, 2, e para a 4a, 1. Tabulam todos os
dados com essas pontuações para chegar a um total geral de avaliação, no caso por marca. Essa
pontuação não tem significado algum e pode induzir o pesquisador a erros de interpretação
no total geral de avaliação, erros como afirmar que uma marca é x% melhor que outra etc. A
escala obtida é ordinal, e as análises devem ser feitas segundo suas propriedades e limitações.
Técnica de ordenação “Q” – A técnica de ordenação “Q” é outra forma de aplicação das
escalas de ordenação. Essa técnica consiste em registrar num conjunto de cartões os objetos
ou afirmações que se deseja que os respondentes ordenem, segundo sua preferência. Geral-
mente, recorre-se a essa técnica quando o número de objetos a ser ordenado é grande (de 9
a 15), e sua ordenação por outros métodos causaria fadiga e (ou) confusão aos respondentes.
O método consiste em fazer com que a ordenação seja feita passo a passo, justamente para
facilitar o julgamento do respondente. Num primeiro passo, solicita-se ao respondente dividir
os cartões em dois grupos de igual tamanho, um grupo com os cartões com os objetos que
ele considera os melhores (ou com cujas afirmações ele concorde ou concorde mais) e o
outro com os que considera os piores (ou de cujas afirmações discorde ou discorde menos).
A seguir, lhe é solicitado subdividir cada um desses dois grupos em outros dois, seguindo-se o
mesmo critério, e assim, sucessivamente, até chegar a uma ordenação final dos “n” objetos ou
afirmações. Quando o número de objetos do grupo a ser dividido for ímpar, o respondente
154 Pesquisa de Marketing
será solicitado a formar os grupos com diferença de uma unidade no tamanho. No Quadro 6.3,
é apresentado o esquema da técnica de ordenação “Q”.
É muito fácil construir e aplicar as escalas comparativas e, por isso, são muito utilizadas
em pesquisas de marketing.
Escalas de comparação pareada – Foi visto, na seção anterior, apenas o caso de
comparação de uma marca com outra, mas, conforme a necessidade da pesquisa, talvez seja
Medidas e Instrumentos de Coleta de Dados 155
preciso comparar várias marcas entre si. Nas escalas de comparação pareada, os respondentes
são solicitados a comparar dois objetos (produtos, marcas, propagandas etc.) de cada vez, de
um conjunto de vários objetos, em relação às suas opiniões sobre os objetos ou sobre vários
de seus atributos. O procedimento compreende que os respondentes comparem todos os
possíveis pares de objetos do conjunto apresentado. Assim, para um grupo de quatro marcas,
os respondentes terão de comparar C4,2 = 6 pares; para um grupo de cinco marcas, terão de
comparar C5,2 = 10 pares, para 10 marcas, terão C10,2 = 45 pares a comparar.
As escalas de comparação pareadas são utilizadas sempre que conhecer as atitudes comparativas
dos consumidores em relação aos vários produtos ou marcas existentes no mercado for fundamental
para a tomada de decisão em marketing. Essas escalas são muito utilizadas em pesquisas de mar-
keting, tendo em vista a sua simplicidade de aplicação e a sua facilidade de análise e interpretação.
No entanto, a rápida expansão do número de pares a comparar, à medida que cresce o número
do conjunto a ser comparado, dificulta enormemente o trabalho de campo e gera fadiga nos res-
pondentes. Esse fato limita a utilização dessa escala à comparação de, no máximo, cinco objetos,
sendo que o ideal é três. Quando o número de marcas ou produtos a comparar for muito grande,
uma escala de ordenação simples será mais adequada. Exemplo de escala de comparação pareada:
Aponte a marca preferida entre cada par das marcas A, B, C e D da categoria
de produto X:
1. ___A comparada com ___B
2. ___A comparada com ___C
3. ___A comparada com ___D
4. ___B comparada com ___C
5. ___C comparada com ___D
6. ___D comparada com ___B
Na Tabela 6.2, apresenta-se um exemplo típico de resultado da tabulação de dados obtidos
de escalas de comparação pareada.
A transformação dos resultados da Tabela 6.2 em dados ordinais é feita atribuindo-se o
valor 1 para as células que tenham porcentagem maior que 50%, e 0 para aquelas com menor
ou igual a 50%. O relacionamento ordinal entre essas marcas será representado pela soma das
pontuações nas linhas. A matriz da transformação desses dados, numa escala ordinal, está na
Tabela 6.3. Assim, em relação às marcas pesquisadas, as atitudes dos consumidores apresentaram
Tabela 6.2 Exemplo típico de resultado da tabulação de dados obtidos de escalas de comparação pareada
A (%) B (%) C (%) D (%)
A - 85 98 86
B 15 - 68 36
C 2 32 - 10
D 14 64 90 -
Figura 6.2 Padrão de gráfico de análise comparativa construído a partir de escala de diferencial semântico.
Figura 6.3 Padrão de gráfico de análise comparativa construído a partir de escala Stapel.
Escalas indiretas
Todas as escalas de automedição de atitudes que foram apresentadas até agora solicitam aos
respondentes que se posicionem numa escala diretamente relacionada com o que se pretende
medir. Veja que, no exemplo anterior, ao respondente são oferecidas escalas diretamente
relacionadas com os atributos que se pretende medir, como pureza, sabor, aroma etc. Apesar de
esta ser uma forma muito eficiente para se medirem as atitudes, alguns estudiosos argumentam
que, quando se tratar de questões controversas ou que envolvam a exposição de valores e
atitudes em relação a assuntos considerados íntimos, os pesquisados podem não ser sinceros ao
responder a escalas diretas. Para atender à necessidade de medição de atitudes nessas circuns-
tâncias, esses estudiosos desenvolveram as escalas indiretas.
As escalas indiretas combinam um conjunto de respostas dos entrevistados em relação ao
objeto em questão, a fim de determinar sua posição na escala de atitude desenvolvida.
A construção de uma escala indireta para medir atitudes é muito complexa, e isso tem
limitado seu uso correto em pesquisas de marketing. À semelhança das escalas de diferencial
semântico, pretensas escalas indiretas têm sido exaustivamente utilizadas em marketing, mas
raras são aquelas que foram desenvolvidas segundo os preceitos metodológicos de seus autores.
As escalas indiretas mais importantes por seu potencial de utilização em pesquisas de
marketing são: as escalas de intervalos aparentemente iguais de Thurstone e as escalas somatórias
de Likert.
Escala de intervalos aparentemente iguais de Thurstone – Essa escala, proposta por
Thurstone e Chave (1929), constitui-se num conjunto de declarações (cada declaração possui
um valor predefinido na escala) que são apresentadas aos respondentes para que concordem
ou discordem de cada uma delas. A colocação do respondente na escala resultará da média
aritmética dos valores correspondentes na escala obtidos por suas respostas concordantes. É
muito simples efetuar tanto a aplicação da escala quanto a análise dos dados. O maior problema
dessa escala está na dificuldade e na complexidade de sua construção, o que tem dificultado
o seu correto uso em pesquisas de marketing.
Medidas e Instrumentos de Coleta de Dados 159
4. A partir da tabulação das respostas de todos os juízes para cada afirmação, o pesquisador
estará em condições de julgar se a afirmação deve ou não permanecer e, permanecendo,
qual será seu valor na escala.
A título de exemplo, será considerado apenas o resultado da tabulação de uma suposta
afirmação, a de número 32, de 100 afirmações submetidas a 200 juízes. Os resultados em
termos de frequência absoluta (Fab), frequência relativa (Frel) e frequência relativa acumulada
(Frel ac) estão na Tabela 6.4.
Tabela 6.4 Resultado da tabulação da afirmação número 32 submetida ao julgamento de 200 juízes
Grau de favorabilidade da afirmação ou declaração
Pequena Média Grande
Pilhas: A B C D E F G H I J K
Escala: 1 2 3 4 5 6 7 8 9 10 11
Fab 0 0 0 0 10 10 14 32 84 34 16
Frel 0,00 0,00 0,00 0,00 0,05 0,05 0.07 0,16 0,42 0,17 0,08
Frel ac 0,00 0,00 0,00 0,00 0,05 0,10 0,17 0,33 0,75 0,92 1,00
O valor dessa declaração na escala será o correspondente à sua mediana, cujo cálculo é
dado pela seguinte fórmula:
Qn = v + (Q − Frel ac ) / Frel
Em que:
Qn = O valor do quartil que se deseja calcular
160 Pesquisa de Marketing
Sendo:
Q1 = 1o quartil, Q2 = 2o quartil = Mediana e Q3 = 3o quartil
v = é o valor médio do intervalo em que o quartil está situado
Q = é a frequência relativa acumulada do quartil a ser calculado
Assim:
Q = 0,25 para o 1o quartil, Q = 0,50 para a mediana e Q = 0,75 para o 3o quartil
Frel ac = é a frequência relativa acumulada até a classe anterior do quartil considerado
Frel = é a frequência relativa da classe onde o quartil está situado
Portanto, para o cálculo da mediana dos dados, tem-se:
Q 2 = 8, 5 + ( 0, 50 − 0, 33) / 0, 42 = 8, 90
Em conclusão, o valor da afirmação de número 32 na escala que está sendo construída é 8,90.
Esse procedimento deverá ser efetuado para todas as afirmações (no caso, 100) submetidas
aos juízes. Quando ocorrer de mais de uma afirmação ter valor aproximadamente igual na
escala, deve-se estabelecer um critério para ficar apenas com uma delas. O critério sugerido
é que seja calculada a distância (L) entre os 3os e os 1os quartis de cada uma: a afirmação que
apresentar menor L deverá permanecer na escala, enquanto as demais deverão ser abandonadas.
Para o exemplo apresentado, o cálculo de L é o seguinte:
L = Q3 – Q1
Q3 = 8,5 + (0,75 – 0,33)/0,42 = 9,5
Q1 = 7,5 + (0,25 – 0,17)/0,16 = 8,0
L = 1,5
5. Para aplicar a escala, as afirmações são posicionadas de forma aleatória no instrumento de
coleta de dados e apresentadas aos respondentes para que apenas assinalem se concordam
ou se discordam de cada uma das afirmações (note que não lhes é permitido atribuir graus
de concordância ou discordância). A medida da atitude de cada respondente na escala
é dada pelo cálculo da média aritmética dos valores correspondentes na escala, obtidos
apenas pelas suas respostas concordantes. Assim, num instrumento de coleta com 25
afirmações aplicadas a um respondente cujas respostas resultem em 15 discordantes e 10
concordantes, apenas as concordantes serão utilizadas para o cálculo da média aritmética
que posicionará a atitude daquele respondente na escala final. Supondo que o valor na
escala para cada uma das 10 afirmações concordantes fosse, por exemplo, 5,2; 8,3; 4,7;
7,3; 9,2; 8,0; 6,5; 7,0; 8,8 e 5,0, sua média aritmética é 7,0, e este será o ponto da escala
que corresponderá às suas atitudes.
Duas importantes críticas são feitas às escalas de Thurstone. A primeira é que, como são
consideradas para o cálculo da média apenas as respostas concordantes, pode ocorrer de
um respondente ter, tomando o exemplo anterior, respondido a apenas uma afirmação
concordante das 25 apresentadas e cujo valor na escala seja 7,0. Como só houve concor-
dância com essa afirmação, o método diz que, na escala final, a pontuação de sua atitude
será 7,0, ou seja, a mesma pontuação daquele outro que concordou com 10 afirmações.
Será correto afirmar que um e outro possuem a mesma atitude em relação ao objeto pes-
quisado? O bom senso faz acreditar que não. A segunda crítica diz respeito ao fato de ao
respondente não ser permitido indicar a intensidade de sua concordância ou discordância,
o que torna impossível captar, com essa escala, nuanças de concordância/discordância,
importantes para uma classificação da atitude de forma mais precisa. É apresentado no
Medidas e Instrumentos de Coleta de Dados 161
Vale lembrar que, numa escala verdadeira, para cada uma das 12 afirmações anteriores,
deverá haver um valor correspondente na escala para as respostas concordantes.
Escalas somatórias ou escalas Likert – As escalas somatórias para medir atitudes,
propostas por Rensis Likert (1932), à semelhança das escalas de intervalos aparentemente iguais
de Thurstone, compreendem uma série de afirmações relacionadas com o objeto pesquisado.
Diferentemente da escala de Thurstone, os respondentes são solicitados não só a concordarem
ou discordarem das afirmações, mas também a informar seu grau de concordância/discor-
dância. A cada célula de resposta, atribui-se um número que reflete a direção da atitude do
respondente em relação a cada afirmação. A pontuação total da atitude de cada respondente
é dada pela somatória das pontuações obtidas para cada afirmação. A escala de Likert evita as
críticas feitas à escala de Thurstone, ao medir a intensidade das concordâncias e discordâncias.
A construção da escala de Likert é, em parte, semelhante à de Thurstone, porém um pouco
mais simples. Os passos para a construção de uma escala Likert compreendem:
1. O pesquisador e sua equipe devem gerar um grande número (100 a 200) de afirmações
ou declarações relacionadas a atitudes com respeito ao objeto em estudo. Essas afirmações
são geradas a partir das experiências do pesquisador e de sua equipe, de conversas com
entendidos, de pesquisas exploratórias, de discussões de grupo focalizadas, da literatura etc.
2. Essas afirmações devem ser ordenadas e editadas de forma a eliminar ambiguidades, du-
plicidades, irrelevâncias, biadequacidades e afirmações que dizem respeito a fatos, e não
a opiniões. As afirmações devem ser classificadas em favoráveis e desfavoráveis. Para cada
afirmação, deverão ser atribuídos graus de favorabilidade e desfavorabilidade. Geralmente, o
conjunto de termos utilizados para atribuir esses graus de favorabilidade/desfavorabilidade
é um dos que se encontram no Quadro 6.9.
3. Submeter as afirmações a um grande grupo-piloto (100 a 200 pessoas), formado por
elementos do público-alvo da pesquisa. Aos componentes desse grupo, será solicitado que
162 Pesquisa de Marketing
Uma forma de proceder a essa seleção, apesar de discutível em termos metodológicos, pois
se calculam médias de variáveis que não o permitem, consiste em separar as respostas dos
pesquisados em grupos arbitrariamente definidos e comparar as do grupo mais concordante
de uma afirmação com a do grupo mais discordante. Supondo que o grupo-piloto fosse
composto por 200 pessoas, o conjunto de respostas obtidas para uma afirmação específica
poderia ser dividido, por exemplo, em quatro partes de 25% cada uma, e tomar-se-iam,
para comparar os 25% do grupo com respostas mais concordantes, os 25% com respostas
menos concordantes. Sempre que a diferença entre as médias de concordância e de dis-
cordância entre esses dois grupos for positiva, a afirmação será discriminadora e deverá
permanecer. Sempre que essa diferença for pequena, aproximando-se de zero, a afirmação
não será discriminadora e deverá ser abandonada. Veja um exemplo desse procedimento
no Quadro 6.11.
Quadro 6.11 Diferenças entre as médias dos grupos mais concordantes e menos concordantes para
determinada afirmação
Nesse exemplo hipotético, a diferença de 1,64 entre as médias dos dois grupos significa
que a afirmação é discriminadora da atitude e deverá permanecer.
5. A aplicação da escala segue o mesmo procedimento da realizada no grupo-piloto.Todas as
afirmações selecionadas são distribuídas probabilisticamente pelo instrumento e solicita-se
aos respondentes que assinalem seus graus de concordância/discordância em relação a cada
uma.
6. A escala final para a colocação dos respondentes é constituída a partir do número de afir-
mações que constam do instrumento de coleta de dados e da escala de números que foram
atribuídos a cada categoria de intensidade de resposta. Supondo que o instrumento utilizado
tenha 20 afirmações e que a escala de números atribuídos tenha sido −2, −1, 0, 1 e 2, o
valor máximo da escala será 20 × 2 = 40, e o valor mínimo será 20 × (−2) = (−40). Se o
resultado obtido para determinado respondente for 25, pode-se concluir que a sua atitude
em relação ao objeto pesquisado é favorável em 25/40 (ou em 62,5%). O Quadro 6.12,
apresenta um exemplo de escala Likert.
Segundo Selltiz et al. (1974), as escalas do tipo Likert apresentam uma série de vantagens
em relação às do tipo Thurstone:
• Permitem o emprego de afirmações que não estão explicitamente ligadas à atitude estudada
e é possível incluir nelas qualquer item que se verifique, empiricamente, ser coerente com
o resultado total.
164 Pesquisa de Marketing
Projeto do instrumento
O instrumento de coleta de dados mais utilizado em pesquisas de marketing é o questionário
(instrumento estruturado não disfarçado). Um questionário, geralmente, é formado de cinco
partes: (1) dados de identificação; (2) solicitação para cooperação; (3) instruções para a sua
utilização; (4) perguntas, questões e formas de registrar as respostas; e (5) dados para classificar
os elementos pesquisados.
Os dados de identificação ocupam normalmente a primeira parte do instrumento e com-
preendem: número do instrumento; nome do entrevistador; data, hora e local da entrevista; nome,
endereço e telefone do entrevistado ou número do seu código (quando for prometido sigilo).
A solicitação para cooperação, geralmente, é colocada no início do instrumento, antece-
dendo qualquer pergunta ou questão. As informações constantes da solicitação compreendem:
a empresa realizadora e (ou) a empresa patrocinadora da pesquisa, o nome do entrevistador,
os objetivos da pesquisa, promessa de anonimato, o tempo médio que tomará do respondente
e palavras solicitando a cooperação e antecipando agradecimentos, caso a cooperação seja
concedida.
As instruções para sua utilização compreendem todas as informações necessárias para o
correto preenchimento do instrumento. No tipo autopreenchível, essas instruções figuram ao
longo de todo o instrumento. Em instrumentos aplicados por entrevistadores, além das ins-
truções ao longo do instrumento, em pesquisas muito complexas, utiliza-se um documento à
parte, denominado Manual de Entrevistas, em que todas as informações e orientações, não só
do instrumento de coleta de dados, mas de toda a pesquisa, são passadas para os entrevistadores.
As perguntas, as questões e as formas de registrar as respostas constituem a essência do
instrumento e ocupam sua maior parte. O conteúdo das perguntas, a forma de redigi-las, a
sequência de sua apresentação no instrumento, o tipo de escala a utilizar, a forma de obtenção
das respostas etc. serão discutidos mais adiante, neste capítulo.
Os dados para classificar o elemento pesquisado são, geralmente, apresentados ao final do
instrumento, excetuando-se os casos em que essa classificação serve como filtro para definir
166 Pesquisa de Marketing
Quadro 6.13 Sequência de passos para o projeto e construção de um instrumento de coleta de dados
1. Determinação dos dados a coletar.
2. Determinação do instrumento segundo o método de administração.
3. Redação da primeira versão do instrumento:
• Conteúdo das questões.
• Redação das questões.
• Forma de obtenção da resposta.
• Sequência das questões.
• Especificações de uso.
4. Revisões e pré-testes.
5. Redação final.
aos objetivos da pesquisa, e que estejam estreitamente relacionados com as questões e (ou)
hipóteses da pesquisa, e vice-versa.
Outra forma que ajuda o pesquisador a definir quais variáveis devem fazer parte do ins-
trumento é a construção de quadros de análise projetados, conforme já visto no Capítulo 2.
Segundo Selltiz et al. (1974), os dados procurados numa pesquisa devem enquadrar-se num
dos títulos da classificação apresentada no Quadro 6.14. O pesquisador, tendo em mente esse
quadro e os objetivos de sua pesquisa, deverá decidir sobre que tipos de dados deverá obter.
Tanto para a redação da primeira versão do instrumento como para as revisões subse-
quentes, é importante conhecer o conteúdo das perguntas, as diferentes maneiras de redigir
uma pergunta, os diferentes formatos para se elaborarem as perguntas e obter as respostas e a
sequência mais adequada para a inserção das perguntas no instrumento. A seguir, apresenta-se
uma lista dos aspectos a serem considerados durante as elaborações e (ou) revisões dos ins-
trumentos de coleta de dados.
As próximas cinco seções foram baseadas no texto de Kornhauser e Sheatsley apud Selltiz
et al. (1974).
Decisões quanto ao conteúdo das perguntas:
1. Essa pergunta é necessária?
Qual a sua utilidade para os objetivos da pesquisa?
O assunto exige uma pergunta separada ou pode ser integrado a outras perguntas?
O assunto já não está adequadamente incluído em outras perguntas?
2. Há necessidade de fazer várias perguntas sobre esse assunto?
O assunto não é muito complexo para ser abordado em uma só pergunta?
Será que sua subdivisão não pode gerar maior número de perguntas mais simples, de
forma a facilitar o entendimento e a obtenção das respostas?
A pergunta abrange adequadamente o tópico? Será que todos os aspectos importantes
para a pesquisa sobre esse tópico serão obtidos da forma como a pergunta foi elaborada?
Em perguntas sobre opiniões, basta saber se a opinião é a favor ou contra, ou será
importante medir os graus de favorabilidade/desfavorabilidade?
3. As pessoas têm a informação necessária para responder a essa pergunta?
É um assunto que as pessoas podem descrever adequadamente?
A pergunta exige respostas que as pessoas não têm condições de responder, ou de res-
ponder de forma precisa?
O tópico em questão faz parte das experiências e (ou) do conhecimento da maioria
do público-alvo da pesquisa?
Quando se trata de pergunta sobre o comportamento passado, será que as pessoas têm
ainda viva na memória recordação suficiente para relatá-las com a precisão necessária
para a pesquisa?
Há outro grupo de pessoas no qual possam ser obtidos os mesmos dados de forma mais
adequada e precisa do que junto ao público-alvo inicial da pesquisa?
Será necessário ter diferentes versões da pergunta adaptadas aos diferentes públicos-alvo
da pesquisa?
4. A pergunta deve ser mais direta, objetiva e ligada à experiência da pessoa, ou indireta,
ampla e mais geral?
Está apresentada de forma excessivamente genérica?
Pode a informação ser mais facilmente obtida se for mais direta, objetiva e relacionada
com o comportamento da pessoa?
5. O conteúdo da pergunta tende a captar dados sobre situações momentâneas e específicas,
em vez de captar o que é típico no respondente?
6. O conteúdo da pergunta não estará viesado ou carregado em determinada direção, de
forma a causar vieses na obtenção das respostas?
A pergunta pode ser considerada neutra? Da forma como está elaborada será conside-
rada neutra por pessoas com opiniões opostas sobre o assunto?
Medidas e Instrumentos de Coleta de Dados 169
faço, sou/não sou, aprovo/desaprovo etc. Geralmente, além das duas alternativas bipolares,
oferece-se aos respondentes a alternativa “não sei” ou “não tenho opinião”.
Vantagens das perguntas com respostas dicotômicas:
• Sua aplicação, seu processamento e sua análise são fáceis e rápidos.
• Os respondentes consideram essas perguntas fáceis e rápidas de responder.
• Apresentam pouca possibilidade de erros.
Desvantagens das perguntas com respostas dicotômicas:
• Podem apresentar erro de medição, se o tema foi tratado de forma dicotômica, quando
na realidade apresentava diversas nuanças entre, por exemplo, a concordância total e a dis-
cordância total, conforme visto neste capítulo, quando foi abordada a construção de escalas
de atitudes.
• Questões com respostas dicotômicas são muito suscetíveis de erros sistemáticos, dependen-
do de como a pergunta é elaborada. Um exemplo deste problema seria a pergunta: “Você
compraria um automóvel Astra que fosse vendido pelo mesmo preço de um Celta?”
__Sim __Não __Não sei.
Escolha múltipla – Nas perguntas com respostas de escolha múltipla, solicita-se aos res-
pondentes que assinalem (verbal ou graficamente) uma única opção, um número limitado de
opções ou qualquer número de opções de respostas.
Na utilização de perguntas com respostas múltiplas, o pesquisador deve se preocupar com
dois aspectos: o número de alternativas oferecidas e os vieses de posição.
As alternativas oferecidas devem atender a dois princípios básicos: ser coletivamente
exaustivas e mutuamente exclusivas. As alternativas são coletivamente exaustivas quando
incluem todas as possíveis respostas alternativas. Para que esse princípio possa ser atendido,
é sempre conveniente incluir a alternativa: “Outros. Quais? ____”. As alternativas são mu-
tuamente exclusivas quando os respondentes conseguem identificar uma só alternativa que
claramente represente sua resposta. Por outro lado, em instrumentos aplicados por entrevis-
tadores, quando o número de alternativas for pequeno, as alternativas podem constar do
próprio instrumento e serem apresentadas aos respondentes verbalmente; porém, quando o
número de alternativas for grande (por exemplo, maior que quatro), ou quando o número
for pequeno, mas a redação for complexa e de difícil memorização, é melhor registrá-las
em cartões e, ao fazer a pergunta, apresentar ao entrevistado o cartão com todas as opções
de respostas.
O problema com os vieses de posição ocorre em função da tendência, quando se trata de
palavras, à escolha das opções de resposta que aparecem primeiro no leque de opções, em de-
trimento daquelas que aparecem mais para o final; quando se trata de números, essa tendência
de escolha de resposta passa a ser a do número que ocupa a posição central. Para controlar a
ocorrência desses vieses, é recomendável, durante a coleta de dados, alternar (rodiziar), a cada
respondente, de forma cíclica, a sequência de apresentação das opções de resposta. Em pes-
quisas com respostas autopreenchíveis e naquelas em que o entrevistador expõe verbalmente
as respostas, a alternância das opções de respostas deve vir impressa no próprio instrumento.
Nos casos em que se entrega ao entrevistado uma ficha contendo as opções de respostas, devem
ser elaboradas fichas com todas as sequências de ordenações possíveis e, a cada entrevista, o
entrevistador usa, sequencialmente, uma diferente. Essa prática cria um complicador a mais
no processo de aplicar e processar a pesquisa, mas é fundamental para exercer controle sobre
essa fonte de viés.
172 Pesquisa de Marketing
Vantagens das perguntas com respostas múltiplas (praticamente as mesmas das perguntas
com respostas dicotômicas):
• É fácil aplicá-las, processá-las e analisá-las.
• Os respondentes consideram essas perguntas fáceis e rápidas de responder.
• Apresentam pouca possibilidade de erros.
Desvantagens das perguntas com respostas múltiplas:
• Exigem muito tempo de preparação para que todas as opções de respostas sejam apresen-
tadas; consequentemente, o custo de preparação é elevado.
• Se alguma das possíveis opções de resposta não tiver sido previamente incluída no rol de
opções, fortes vieses podem ser introduzidos, mesmo quando for oferecida a opção “Outros.
Quais? ____”.
• Tendem a introduzir vieses nos dados pelo fato de as alternativas de respostas serem
oferecidas aos respondentes.
Escalas – Nas perguntas fechadas com respostas formando escalas, os respondentes são
solicitados a responder qual ponto da escala corresponde com mais exatidão à sua opinião
a respeito do que está sendo perguntado. As escalas já foram discutidas, exaustivamente, na
parte inicial deste capítulo.
Tendo conhecimento dessas várias alternativas de opções de respostas, o pesquisador estará
em condições de responder às seguintes perguntas para verificar se as questões e as opções de
respostas estão adequadas à sua pesquisa:
1. Qual a melhor forma de perguntar e obter a resposta para esse dado: pergunta com res-
posta aberta ou fechada, e, se a escolha for fechada, deve ser dicotômica, escolha única,
escolha múltipla (quantas opções de escolha) ou escala?
2. Quando se trata de perguntas com respostas múltiplas: será que estão sendo oferecidas todas
as alternativas significativas possíveis? Não estará havendo superposições? A ordem em que as
opções estão sendo oferecidas é adequada? A redação das opções é imparcial e equilibrada?
3. A forma de resposta é fácil, definida e adequada para o objetivo? A quantidade e a com-
plexidade de opções exigem cartões? As pré-tabulações das respostas devem figurar nas
opções de resposta ou isso pode ser uma fonte de viés?
Decisões quanto à sequência das perguntas no instrumento:
1. O questionário começa com uma pergunta simples e interessante, de forma a despertar a
atenção dos respondentes?
2. As perguntas estão colocadas de forma a atender à seguinte sequência: as questões mais fáceis e
de caráter geral aparecem antes, enquanto as mais difíceis e de caráter mais específico, depois?
3. As perguntas anteriores tendem a influenciar, pelo conteúdo, as respostas às perguntas
posteriores?
4. A colocação das perguntas segue uma ordem lógica e racional? A colocação das perguntas
nessa sequência pode causar alguma confusão, hesitação, frustração ou indecisão aos res-
pondentes? Há instruções suficientes, corretas e simples para explicar quando as respostas
de perguntas anteriores condicionam perguntas posteriores? Quais perguntas posteriores
são pertinentes e quais não?
5. Para auxiliar o pesquisador na colocação das perguntas numa sequência lógica e racional,
é interessante elaborar um roteiro do fluxo de perguntas e respostas, conforme o exemplo
apresentado na Figura 6.4.
6. A pergunta é apresentada de maneira natural? Está em ordem psicologicamente correta?
Medidas e Instrumentos de Coleta de Dados 173
Especificações do uso:
Complementando a redação do instrumento, o pesquisador deve explicitar as condições
adequadas para seu uso e aplicação, tanto no caso de instrumentos autopreenchíveis quanto
naqueles que utilizam entrevistadores. Instruções sobre como os entrevistadores devem
proceder no campo, como preencher os instrumentos, como abordar os respondentes etc.
deverão ser minuciosamente explicitadas.
É apresentada, a seguir, uma listagem exemplificativa de itens que devem constar na
elaboração de manuais de entrevistas, nas especificações do uso de instrumentos de coleta de
dados e no treinamento de entrevistadores:
1. Os entrevistadores devem ser orientados a nunca discutir com os entrevistados.
2. Os entrevistadores devem aceitar, naturalmente, todas as opiniões, e nunca demonstrar sur-
presa ou desaprovação, nem apresentar suas opiniões pessoais, tampouco sugerir possíveis
respostas a uma pergunta.
3. Os entrevistadores devem manter o controle da entrevista, desestimulando conversas des-
necessárias.
4. Quando se trata de instrumentos de coleta estruturados, os entrevistadores e (ou) os
respondentes precisam ser lembrados da importância de obedecer à sequência exata de
apresentação das perguntas. Aos entrevistadores, deve ser ainda lembrado que as perguntas
174 Pesquisa de Marketing
devem ser efetuadas sempre com as mesmas palavras com que foram escritas e que qualquer
explicação improvisada da pergunta é proibida.
5. Os entrevistadores devem ser orientados a efetuar todas as perguntas e a não tentar deduzir
as respostas de algumas em função das respostas de outras.
6. Os entrevistadores devem ser orientados a obter respostas específicas e completas a per-
guntas abertas.
7. Os entrevistadores devem ser orientados em relação ao processo de amostragem:
• Como proceder para a seleção de habitações.
• Como proceder caso haja recusas e ausências.
Revisões e pré-testes
Após ter sido construída a primeira versão do instrumento, procede-se a inúmeras revisões junto à
própria equipe de pesquisa, seguindo os preceitos apresentados na seção anterior. Uma vez concluídas
as revisões e, tendo a equipe toda concordado com a versão presente do instrumento, este pode ser
considerado pronto para ser pré-testado.
O pré-teste do instrumento consiste em saber como ele se comporta numa situação real
de coleta de dados. Os objetivos de um pré-teste de um instrumento de coleta de dados
consistem em verificar:
• Se os termos utilizados nas perguntas são de compreensão dos respondentes.
• Se as perguntas estão sendo entendidas como deveriam ser.
• Se as opções de respostas nas perguntas fechadas estão completas.
• Se a sequência das perguntas está correta.
• Se não há objeções na obtenção das respostas.
• Se a forma de apresentar a pergunta não está causando viés.
• O tempo para aplicar o instrumento.
O pré-teste é tão importante para o aprimoramento de um instrumento de coleta de
dados que nenhuma pesquisa deveria iniciar sem que o instrumento utilizado tivesse sido
convenientemente testado.
Os pré-testes podem ser realizados em diferentes estágios de amadurecimento de um ins-
trumento. Nos primeiros estágios, quando o instrumento ainda está em desenvolvimento, o
pré-teste poderá ser realizado pelo próprio pesquisador por meio de entrevista pessoal. Quando
o instrumento já estiver no estágio final, o pré-teste deverá ser feito usando exatamente a
mesma forma de aplicação que será usada na pesquisa. Nesse caso, poderá ser feito por entrevis-
tadores bem treinados. Em qualquer um dos casos, o teste deverá ser feito junto a respondentes
pertencentes à população-alvo da pesquisa.
Redação final
O resultado dos pré-testes servirá para efetuar a revisão final do instrumento. Se as alterações
sugeridas pelos pré-testes forem muito grandes, é importante que o instrumento seja nova-
mente testado, até não ser mais preciso efetuar grandes alterações. O número de pré-testes
a serem efetuados depende da complexidade do instrumento e de quanto ele já tenha sido
previamente elaborado. Para instrumentos que tenham sido suficientemente desenvolvidos
previamente, geralmente dois ou três pré-testes são suficientes.
Os pré-testes devem ser efetuados com versões digitadas do instrumento para possibilitar
revisões rápidas. Uma vez aprovado o instrumento nos pré-testes o pesquisador precisa tomar
decisões quanto às características físicas de apresentação, como: tipo de letra, qualidade do papel,
Medidas e Instrumentos de Coleta de Dados 175
cor da tinta, qualidade da impressão, espaço entre perguntas, espaço entre opções de respostas
etc. Principalmente em instrumentos autopreenchíveis, esses itens, que, a princípio, parecem
pouco relevantes, são, às vezes, fundamentais para ganhar a cooperação dos respondentes. Quanto
melhor apresentação tiver o questionário, quanto mais agradáveis forem suas cores e o formato
das letras, quanto mais bem-ordenadas estiverem as questões, maior será o índice de respostas.
RESUMO
Os erros em pesquisa de marketing podem ser amostrais (com origem no processo amostral
utilizado) ou não amostrais (com origem em diversos procedimentos errados ou equivocados
da pesquisa).
As fontes de erros não amostrais em pesquisa de marketing compreendem: definição
errada do problema de pesquisa, definição errada da população de pesquisa, definição parcial
da população da pesquisa, não resposta, instrumentos de coleta de dados, escalas, entrevis-
tadores, entrevistados, inferências causais impróprias, processamento, análises e interpretações.
As principais fontes de erros, durante a fase de coleta de dados, são: erros na amostragem,
erros de não resposta e erros durante a coleta de dados.
Os erros oriundos do processo de amostragem podem ocorrer por diversas razões: utilização
de processo de amostragem não probabilístico, utilização de listagens da população em estudo
incorretas ou incompletas e localização errada da unidade a ser pesquisada.
As razões para a ocorrência de não respostas compreendem: recusas, mudanças de endereço
e ausência/ausência momentânea da pessoa com a qual a entrevista deve ser conduzida.
A atividade de realizar medições é fundamental para a pesquisa de marketing. O processo
de medição consiste em associar números a um objeto. Esses números, segundo uma regra
estabelecida, passam a representar as quantidades de suas características ou atributos.
Escala nominal é aquela em que os números servem apenas para nomear, identificar e (ou)
categorizar dados sobre pessoas, objetos ou fatos.
Escala ordinal é aquela em que os números servem para, além de nomear, identificar e
(ou) categorizar, ordenar, segundo um processo de comparação, as pessoas, objetos ou fatos,
em relação a determinada característica.
Escala intervalar é aquela em que os intervalos entre os números revelam a posição e quanto
as pessoas, os objetos ou fatos estão distantes entre si em relação a determinada característica.
A escala razão possui as mesmas propriedades das escalas de intervalo, com a vantagem de
ter o zero absoluto.
Atitude é uma predisposição subliminar da pessoa, resultante de experiências anteriores, na
determinação de sua reação comportamental em relação a um produto, organização, pessoa,
fato ou situação.
As escalas de atitude utilizadas em marketing procuram medir as crenças dos respondentes
em relação aos atributos do produto (componente cognitivo) e seus sentimentos em relação
às qualidades esperadas desses atributos (componente afetivo). Por fim, uma combinação
de crenças e sentimentos é assumida para se medir a intenção de compra (componente
comportamental).
As escalas nominais para medir atitudes compreendem números que são associados às res-
postas com o único objetivo de identificar as categorias de respostas para facilitar a digitação,
o processamento e a análise dos dados.
176 Pesquisa de Marketing
As escalas de avaliação são utilizadas para medir variáveis que envolvem escalas ordinais,
intervalares e razão. Uma escala de avaliação típica procura efetuar a medição do componente
afetivo da atitude. Solicita-se às pessoas que assinalem as posições numa escala contínua ou
numa escala de categorias ordenadas, que correspondam às suas atitudes em relação ao per-
guntado.
As escalas de ordenação compreendem solicitar aos respondentes que ordenem ou clas-
sifiquem os objetos segundo suas atitudes em relação a eles.
As escalas comparativas de avaliação resultam de um julgamento relativo que os respon-
dentes são solicitados a fazer antes de fornecer sua opinião. Seu procedimento compreende
solicitar aos respondentes que expressem suas atitudes mediante comparação com um padrão
de referência estabelecido.
Nas escalas de comparação pareada, solicita-se aos respondentes que comparem dois objetos
(produtos, marcas, propagandas etc.) de cada vez, de um conjunto de vários objetos, em relação
às suas opiniões sobre os objetos ou sobre vários de seus atributos.
As escalas de diferencial semântico consistem em que o respondente avalie determinado
objeto num conjunto de escalas bipolares de sete pontos.
As escalas indiretas compreendem a combinação de um conjunto de respostas dos entrevis-
tados em relação ao objeto em questão, a fim de determinar sua posição atitudinal.
Escala de intervalos aparentemente iguais (Thurstone) constitui-se num conjunto de
declarações (cada declaração tem um valor predefinido na escala) que são apresentadas aos
respondentes para que concordem ou discordem de cada uma.
As escalas somatórias para medir atitudes (Likert), à semelhança das escalas de intervalos
aparentemente iguais (Thurstone), compreendem uma série de afirmações relacionadas com
o objeto pesquisado que são apresentadas aos respondentes.
O instrumento de coleta de dados é o documento por meio do qual as perguntas e ques-
tões são apresentadas ou formuladas aos respondentes, onde se registram as respostas e os
dados obtidos.
Instrumentos de coleta de dados mal elaborados, com questões dúbias, escalas incorretas,
que apresentam dúvidas quanto ao seu preenchimento, constituem uma das principais fontes
de erros não amostrais.
O instrumento de coleta de dados mais utilizado em pesquisas de marketing é o questionário.
Um questionário, em geral, é formado de cinco partes: dados de identificação; solicitação para coo-
peração; instruções para a sua utilização; perguntas, questões e formas de registrar as respostas; e dados
para classificar os elementos pesquisados.
O projeto e a construção de um instrumento de coleta de dados compreendem os seguintes
passos (considerando para a apresentação dos passos um questionário estruturado não dis-
farçado, que é o mais completo de todos): determinação dos dados a coletar; determinação do
instrumento segundo o método de administração; redação da primeira versão do instrumento;
revisões e pré-testes; e redação final.
Durante o processo de redação e revisões do instrumento, devem ser observadas decisões
quanto a: conteúdo das questões, redação das questões, forma de obtenção de resposta,
sequência das questões e especificações do uso.
O pré-teste do instrumento consiste em saber como ele se comporta numa situação
real de coleta de dados. Os objetivos do pré-teste de um instrumento de coleta de dados
são: verificar se os termos utilizados nas perguntas são de compreensão dos respondentes;
Medidas e Instrumentos de Coleta de Dados 177
verificar se as perguntas estão sendo entendidas como deveriam ser; verificar se as opções
de respostas nas perguntas fechadas estão completas; verificar se a sequência das perguntas
está correta; verificar se não há objeções à obtenção das respostas; verificar se a forma de
apresentar a pergunta não está causando viés e qual o tempo para aplicar o instrumento.
QUESTÕES DE REVISÃO
1. O que são erros amostrais? E erros não amostrais? Explique e dê exemplos de cada um
deles.
2. Quais são as principais fontes de erros não amostrais?
3. No que consiste realizar medições em pesquisas de marketing?
4. Quais são as quatro escalas básicas de medições em pesquisas de marketing? Faça uma
distinção de cada uma e dê exemplos de fenômenos de marketing possíveis de serem
medidos por meio de cada uma. Dê exemplos de cada uma dessas escalas que estejam
sendo aplicadas em pesquisas de marketing.
5. O que é atitude? Como se forma a atitude? Quais são os componentes da atitude?
6. Por que medir atitudes é um processo muito difícil? O que as escalas de atitude procuram
medir?
7. Explique como funcionam as seguintes escalas e técnicas utilizadas para efetuar medições
em marketing, dando exemplos:
8. Escala nominal.
9. Escala de avaliação gráfica.
10. Escala de avaliação verbal.
11. Escala de avaliação itemizada.
12. Escala de ordenação.
13. Técnica de ordenação “Q”.
14. Escala comparativa.
15. Escala de comparação pareada.
16. Escala de diferencial semântico.
17. Escala Stapel.
18. Escala indireta.
19. Quais os passos para se construir uma escala Thurstone de intervalos aparentemente
iguais para medir atitudes? Como são colocadas na escala as respostas dos pesquisados?
20. Quais são os passos para se construir uma escala somatória de Likert que meça atitudes?
Como são colocadas na escala as respostas dos pesquisados?
21. Faça uma comparação entre as escalas de Thurstone e de Likert e aponte as vantagens e
desvantagens de uma e outra para serem utilizadas em pesquisas de marketing.
22. O que é um instrumento de coleta de dados e qual a sua importância no processo de
pesquisa de marketing?
23. Quais são as partes componentes de um instrumento de coleta de dados? Descreva cada
uma delas.
24. Quais os passos e sua sequência para o planejamento e a construção de um instrumento
de coleta de dados? Por que esse processo é cíclico?
25. O que o pesquisador precisa saber para determinar quais dados deverão ser coletados
por um instrumento de coleta?
178 Pesquisa de Marketing
26. Qual a forma prática de “amarrar” o problema da pesquisa, o seu objetivo, as questões
e hipóteses, as variáveis e dados a serem coletados, os indicadores das variáveis e as per-
guntas e itens do instrumento de coleta de dados de uma pesquisa de marketing?
27. Qual a classificação dos dados possíveis de serem investigados numa pesquisa de marketing?
28. Quais aspectos devem ser considerados na redação de um instrumento de coleta de dados
relacionados à redação das questões, à forma de obtenção de respostas e à sequência das
questões?
29. Quais as vantagens e desvantagens de perguntas com respostas: abertas, fechadas dicotô-
micas e fechadas com escolha múltipla?
30. O que é o pré-teste? Em que condições os pré-testes devem ser realizados?
Trabalho – Parte 5
Projete, construa, revise pessoalmente e, em seguida, com um grupo de colegas o instrumento
para a coleta de dados de seu projeto de pesquisa. Em seguida, faça um pré-teste e revise-o
quantas vezes forem necessárias até o pré-teste indicar que o instrumento está adequado para
ser aplicado.
REFERÊNCIAS
ENGEL, J. F.; KOLLAT, D.T.; BLACKWELL, R. D. Consumer behavior. 3. ed. Hinsdalle, Ill: Dryden, 1968.
HOWARD, J. R.; SHETH, J. N. The theory of buyer behavior. New York: John Wiley, 1969.
KORNHAUSER, Arthur; SHEATSLEY, Paul B. Construção de questionário e modelo de entrevista.
In: SELLTIZ, Claire; JAHODA, Marie; DEUSTSCH, Norton; COOK, Stuart W. Métodos de pesquisas
nas relações sociais. São Paulo: Editora Pedagógica e Universitária – EPU. Editora da Universidade
de São Paulo, 1974.
LIKERT, Rensis. A technique for measurement of attitudes. Archives of Psychology, n° 140, 1932.
NICOSIA, F. M. Consumer decision process: marketing and advertising implications. Englewood Cliffs,
N.J: Prentice Hall, 1966.
OSGOOD, Charle E.; SUCI, George J.; TANNENBAUM, Percy H. The measuring of meaning. Cham-
paign, Ill: University of Illinois Press, 1957.
SELLTIZ, Claire; JAHODA, Marie; DEUTSCH, Morton; COOK, Stuart W. Métodos de pesquisas nas
relações sociais. São Paulo: Editora Pedagógica e Universitária - EPU. Editora da Universidade de
São Paulo, 1974.
THURSTONE, Louis L. Attitudes can be measured. American Journal of Sociology, n° 33, p. 530, Jan 1928.
______; CHAVE, E. J. Measurement of attitude. Chicago: University of Chicago Press, 1929.
TORGENSEN, Warren S. Theory and methods of scalling. New York: Wiley, 1958.
CAPÍTULO 7
Procedimentos
de Amostragem Simples
Somos sábios, não resolvemos problemas, nós os evitamos.
Ditado popular
Objetivos
• Apresenta e discute o conceito de amostragem.
• Apresenta os tipos de amostras e amostragens.
• Apresenta e discute as teorias estatísticas que dão suporte aos procedimentos de amostragens probabilísticas.
• Apresenta os procedimentos para a seleção de amostras aleatórias simples.
Sumário
NATUREZA DA AMOSTRAGEM
Vantagens de amostrar
Conceitos relacionados à amostragem
Exemplos de definição de população de pesquisa
Qualidades de uma boa amostra
Passos para a seleção de amostras
TIPOS DE AMOSTRAS/AMOSTRAGENS
Amostras e amostragens não probabilísticas
Razões para a utilização de amostras/amostragens não probabilísticas
Amostras por conveniência (ou acidentais)
Amostras intencionais (ou por julgamento)
Amostras por cotas (ou proporcionais)
Amostras por tráfego
Amostras autogeradas
Amostras desproporcionais
Amostras e amostragens probabilísticas
Amostras e amostragens aleatórias simples
Teorias estatísticas de amostragem
Teoria do Limite Central
Intervalos de confiança
Tamanho da amostra e a precisão dos dados
Procedimentos para a seleção de amostras aleatórias simples
serão coletados. Esses procedimentos recebem o nome de amostragem. Neste capítulo serão
apresentados os conceitos e as teorias estatísticas básicas necessárias para a compreensão prática
da amostragem em pesquisa de marketing. Foge aos objetivos deste livro a realização de
profundas discussões teóricas sobre o tema. Ao leitor interessado em se aprofundar no tema,
é oferecida, ao final do capítulo, extensa bibliografia a esse respeito.
NATUREZA DA AMOSTRAGEM
O processo intuitivo de amostragem faz parte do dia a dia. Qualquer pessoa já teve a experiên-
cia de utilizar amostras nesse sentido amplo. Por exemplo, experimentar uma pequena porção
de uma bebida alcoólica desconhecida e, em seguida, identificá-la como sendo vodca; conversar
com um grupo de quatro colegiais a respeito de sua escola e, a partir de suas colocações,
formar uma opinião sobre aquela instituição. A amostragem também ocorre quando, numa
loja, diante de uma prateleira com centenas de determinado produto, retira-se um primeiro
produto e constata-se que ele está com defeito, tentam-se um segundo e um terceiro e
constata-se também que eles estão defeituosos. Esse fato leva o consumidor a desistir da compra,
pois, a partir dessas constatações, desconfia de que todo o estoque também está com defeito.
Evidentemente, esses exemplos variam em sua representatividade, mas todos são amostras.
A utilização de amostras é grande em atividades comerciais, governamentais, industriais e
científicas, como demonstram os exemplos a seguir:
• O IBGE seleciona amostras da população brasileira para conduzir periodicamente a Pes-
quisa Nacional por Amostragem Domiciliar – PNAD, a fim de obter dados que permitam
a atualização dos censos decenais.
• Empresas industriais selecionam amostras de produtos para efetuar o controle de qualidade
de suas compras e de sua produção.
• Centros de pesquisas econômicas, como a FIPE e a FGV, selecionam amostras de residências
para medir as taxas mensais de inflação e para a realização de estudos econômicos.
• Agências de pesquisas de marketing e de opinião pública selecionam amostras da popula-
ção para: realizar pesquisas eleitorais; medir a eficiência de propaganda, a preferência por
produtos, os índices de audiência de TV, os índices de circulação e leitura de jornais e
revistas; obter opiniões da população sobre temas polêmicos etc.
• Laboratórios farmacêuticos utilizam-se de amostras da população para testar a eficácia de
novas drogas desenvolvidas ou em desenvolvimento.
• Cientistas utilizam-se de amostras para verificar a existência de correlação entre a ocor-
rência de certas doenças e os usos e costumes em determinadas populações.
Como pode ser observado, há intensa utilização de amostras em inúmeras atividades do
ser humano.
Vantagens de amostrar
A amostragem se baseia em duas premissas. A primeira é a de que há similaridade su-
ficiente entre os elementos de uma população, de tal forma que uns poucos elementos
representarão adequadamente as características de toda a população. A segunda é a de que
a discrepância entre os valores das variáveis da população (parâmetros) e os valores dessas
variáveis obtidos na amostra (estatísticas) é minimizada, pois, enquanto algumas medições
subestimam o valor do parâmetro, outras os superestimam, e, desde que a amostra tenha
Procedimentos de Amostragem Simples 181
Nota-se que, quanto maior o número de especificações, mais detalhada e restrita será a
população definida.
Com base nos mesmos exemplos anteriores, veja como a população fica mais restrita à
medida que aumentam as especificações.
184 Pesquisa de Marketing
confiáveis do que o outro, ou se, para um dado custo, produzir resultados de maior precisão,
ou se, resultados com a mesma precisão forem obtidos a um menor custo.
• Correção – Refere-se ao grau de ausência de vieses não amostrais na amostra. Uma amostra
é dita correta (ou não viesada) se as medidas superestimadas e as subestimadas forem com-
pensadas entre seus membros. Não existem erros sistemáticos numa amostra correta. Erros
sistemáticos podem ser definidos como variações nas medidas resultantes de influências,
conhecidas ou não, que fazem com que os resultados pendam mais numa direção do que
em outra. Um exemplo de amostra não correta é o de uma pesquisa eleitoral conduzida
exclusivamente via telefone. Seus resultados serão totalmente viesados, pois a população de
possuidores de telefones, de onde a amostra foi retirada, é constituída, predominantemente,
de pessoas de classe alta e média, que não correspondem à população de eleitores.
Na Figura 7.1, está a visualização das características de precisão e correção de amostras.
TIPOS DE AMOSTRAS/AMOSTRAGENS
Há grande variedade de tipos de amostras e de planos de amostragens possíveis de se utilizar
em pesquisas de marketing, mas uma diferenciação fundamental precisa ser estabelecida entre
amostragens probabilísticas e não probabilísticas.
Amostragem probabilística – Aquela em que cada elemento da população tem uma chance
conhecida e diferente de zero de ser selecionado para compor a amostra. As amostragens
probabilísticas geram amostras denominadas probabilísticas.
Amostragem não probabilística – Aquela em que a seleção dos elementos da população
para compor a amostra depende, ao menos em parte, do julgamento do pesquisador ou
do entrevistador no campo. Não há nenhuma chance conhecida de que um elemento
qualquer da população venha a fazer parte da amostra. As amostragens não probabilísticas
geram amostras denominadas não probabilísticas.
Os termos probabilístico, aleatório ou randômico são sinônimos em pesquisa de marketing.
O que está implícito na construção desse tipo de amostra é o fato de que a amostra a ser pes-
quisada foi constituída com base na sorte, não havendo nenhuma interferência do pesquisador
ou do entrevistador na escolha dos elementos que a comporão.
Somente amostras probabilísticas fornecem estimativas com precisão da população, ou seja,
as principais implicações desse fato para pesquisas de marketing são:
1. Amostras probabilísticas permitem o controle de erro amostral.
2. Amostras não probabilísticas não permitem o controle do erro amostral.1
1
s implicações 1 e 2 não significam que amostras probabilísticas sejam melhores, iguais ou piores que as não
A
probabilísticas e vice-versa.
186 Pesquisa de Marketing
Amostras autogeradas
Em alguns casos de amostras por cotas, o desconhecimento da população pelo pesquisador é
tão grande que nem o tamanho da população nem a localização de seus elementos podem
ser determinados a priori. À medida que se conseguem localizar alguns desses elementos (às
vezes apenas um), solicita-se-lhe(s) que indique(m) conhecidos que também façam parte da
população e, assim, sucessivamente, vai-se construindo a amostra. Exemplo: na condução de
uma pesquisa junto à população de um clube social muito fechado, no qual não foi possível
obter a listagem de associados, a localização de um primeiro associado poderá proporcionar
a indicação de seus amigos associados (inclusive facilitando o acesso a eles) e, assim, suces-
sivamente, a amostra vai sendo constituída.
Amostras desproporcionais
Podem ser aplicadas a qualquer tipo de amostragem em que a proporção dos estratos na p opulação
seja conhecida. Na amostragem por cotas, consideram-se apenas amostras que sejam proporcio-
nais a algumas características conhecidas da população. No entanto, nem sempre é possível, ou
recomendável, a obtenção de elementos na amostra com a mesma proporcionalidade, por um
ou mais dos seguintes motivos:
• Se a amostra de algum estrato, proporcional à população, resultar num número de elementos
tão pequeno que inviabilize qualquer análise por estrato.
• Quando um estrato da população for mais heterogêneo (ou homogêneo) que outro e for
do conhecimento do pesquisador, uma amostra desproporcionalmente maior (ou menor)
dessa parte pode levar a resultados mais precisos.
• Quando o custo de contatar parte da população for muito elevado, uma amostra des-
proporcionalmente menor dessa parte reduzirá o custo total da pesquisa.
Quando a escolha da amostra, por qualquer dos motivos apresentados, for despropor-
cional à população, durante o processo de análise conjunta das subamostras, deverão ser
atribuídos pesos aos dados de cada uma para se chegar a resultados ponderados represen-
tativos da população em estudo. Exemplo: para verificar o comportamento na compra dos
consumidores de automóveis novos, um pesquisador trabalhou com os dados constantes
da Tabela 7.1.
Dessa forma, foram entrevistadas subamostras de 75 compradores de cada marca, cons-
tituindo uma amostra desproporcional à população. Na análise por subamostras, poderá ser
verificado, detalhadamente, o comportamento marca por marca.
Procedimentos de Amostragem Simples 193
Para a realização da análise conjunta, os resultados de cada subamostra deverão ser antes
ponderados conforme a seguinte fórmula:
An
Pn =
an
Em que:
Pn = peso a ser atribuído aos resultados da subamostra n.
An = proporção de elementos da subamostra n na população.
an = proporção de elementos da subamostra n na amostra.
Dessa forma, os pesos a serem atribuídos a cada marca na análise conjunta de todas as
marcas, no exemplo visto, seriam:
P (Volkswagen) = 1,44
P (General Motors) = 1,12
P (Ford) = 0,88
P (FIAT) = 0,56
Outra alternativa seria realizar as 300 entrevistas, independentemente da determinação de
cotas por marca, e realizar as ponderações depois, segundo o mesmo procedimento apresentado.
Amostras e amostragens probabilísticas
A amostragem probabilística é caracterizada pelo conhecimento da probabilidade de
que cada elemento da população possa ser selecionado para fazer parte da amostra. Essa
probabilidade pode ou não ser igual para todos os elementos da população, mas precisa ser
diferente de zero. Quando as probabilidades conhecidas forem todas iguais, ter-se-á um
caso particular de amostragem: a probabilística simples.
Antes de entrar em maiores detalhes sobre procedimentos e tipos de amostragens pro-
babilísticas, é importante conhecer em que consistem os processos de amostragem e de que
forma contribuem para a pesquisa de marketing.
A característica de se conhecerem as probabilidades de que cada elemento da população
possa vir a fazer parte da amostra garante que a amostra será constituída de elementos
selecionados objetivamente por processos aleatórios (sorteios, por exemplo), e não pela
vontade do pesquisador, dos entrevistadores de campo ou mesmo do entrevistado. Esse
fato, em termos estatísticos, significa que a amostragem probabilística permite calcular em
que medida os valores de variáveis obtidos nas amostras diferem dos valores da população.
Essa diferença é chamada de erro amostral e advém exclusivamente do fato de serem
tomadas medidas numa amostra, e não em toda a população. No entanto, esse fato, por
si só, não significa que amostras probabilísticas sejam mais representativas do que as não
probabilísticas. Conforme exemplos já vistos, devido aos inúmeros problemas operacionais,
uma amostra não probabilística pode até ser mais representativa do que uma probabilística.
194 Pesquisa de Marketing
O único significado de uma amostra dita probabilística é que o pesquisador tem controle
sobre o erro amostral da pesquisa. No entanto, o erro amostral é apenas uma das inúmeras
fontes de erro em pesquisas de marketing.
Média da população = m
Variância da população = σ2
3. Define-se um tamanho n qualquer para a amostra.
n < N
4. Constroem-se todas as k amostras possível sem reposição* de tamanho n.
k = CN,n
5. Calcula-se a média de cada uma das k amostras obtidas.
xi = média de cada amostra
xi = x1, x 2 ,…, xk
6. Calcula-se a média de todas as médias das k amostras obtidas (média amostral).
µ x = média das médias das k amostras (média amostral)
∑ xi
µx =
k
7. Calcula-se a variância da média das k amostras obtidas (chamada de variância amostral).
σ 2x = variância das k amostras (variâncias amostrais)
∑( xi − µ x )2
σ 2x =
k
*(foi usada a fórmula elementar de cálculo da variância)
Cumpridos esses sete passos, será possível verificar as seguintes importantes relações:
• A média das médias das amostras obtidas (média amostral) é igual à média da população
que as originou (independentemente de N ou n), ou:
µx = µ
• A variância das médias de todas as amostras de tamanho n (variância amostral) é igual à
variância da população que as originou, dividida pelo tamanho das amostras para popu-
lações infinitas, e multiplicada pela expressão (N − n)/(N − 1) para populações finitas:
σ2 σ
σ 2x = e σx = (populações infinitas)
n n
σ 2(N − n) σ
ou σ 2x = ou σ x = (populações finitas)
n ( N − 1) ( N − n )/ n ( N − 1)
Observação: a expressão (N − n)/(N − 1) é conhecida como fator de correção para populações
finitas. Quando a população for infinita (N → ∞), essa expressão tende para 1, sendo desneces-
sário seu uso.
Toda essa sequência de passos e as conclusões podem ser observadas num exemplo.
1. Seja a seguinte população de tamanho N = 10, da qual foram colhidos dados sobre a renda
de seus elementos, conforme a Tabela 7.2.
2. Medidas de seus parâmetros:
Média = m = 1.600
Variância = σ2 = 46.000
3. Tamanho das amostras
n = 2 (poderia ser 3, 4 ou 5; não importa)
196 Pesquisa de Marketing
c.q.v
Se o exercício for repetido para amostras de tamanho n = 3, 4, 5 etc., as relações apresen-
tadas permanecem.
Note que, utilizando-se amostras aleatórias simples no processo de pesquisa, apenas uma
das 45 possíveis amostras de tamanho n = 2 do exemplo visto seria sorteada para que suas es-
tatísticas servissem como estimadores dos parâmetros da população. Essas estatísticas poderão
ser mais ou menos precisas, dependendo da amostra sorteada. Apesar de nunca se saber exata-
mente quanto o valor desse estimador estará próximo ou distante do parâmetro da população,
princípios e técnicas estatísticas permitem saber qual o máximo de distanciamento que poderá
ocorrer entre o estimador e seu parâmetro. A título de curiosidade, note que, caso houvesse na
Procedimentos de Amostragem Simples 197
população pesquisada 50 elementos, e não 10, e n = 2, o número de amostras possíveis seria
1.225 e, para n = 5, esse número seria de 2.118.760. Em pesquisa de marketing, apenas uma
dessas possíveis amostras seria sorteada para representar a população da qual foi originada.
Ainda a título de curiosidade, procure calcular quantas possíveis amostras de 1.000 eleitores
existem numa população de 55 milhões, das quais apenas uma deverá ser selecionada para se
realizar uma pesquisa eleitoral (não se assuste com o tamanho!).
Enfim, o importante é observar que, em qualquer população, há muitas possíveis amos-
tras. O que deve ser registrado é que a inferência estatística clássica se baseia no que acontece
quando forem selecionadas, repetidas vezes, diferentes amostras de mesmo tamanho de uma
mesma população.
Suponha que sejam sorteadas, sequencialmente, três amostras de tamanho n = 2 de uma
população conhecida e que sejam calculadas suas médias.Verifica-se que os três valores obtidos
são, geralmente, próximos, mas diferentes. Aparentemente, pode-se imaginar que há três dife-
rentes estimadores dos parâmetros da população. Entretanto, a teoria estatística recomenda que
não se deve parar apenas em três amostras; deve-se continuar colhendo mais e mais amostras e,
repetindo-se esse processo, começa-se a notar que determinados valores da média das amostras
se repetem com mais frequência. Especificamente, observa-se que os valores das médias das
amostras (a média amostral), próximos aos valores da média da população, tendem a se repetir
com mais frequência do que aqueles mais afastados. Plotando-se os valores obtidos num sistema
de dois eixos, será possível observar que formam uma curva familiar em formato de sino. Essa
distribuição das médias da amostra é chamada de distribuição amostral das médias ou, simples-
mente, distribuição amostral.
Voltando ao exemplo sobre pesquisa de renda (Tabela 7.2), a frequência das médias da
população derivada de tamanho n = 2 está na Tabela 7.4.
E os gráficos da população original e da população derivada (média amostral) serão, res-
pectivamente, as Figuras 7.3 e 7.4.
Figura 7.5 Distribuição das médias amostrais para amostras de vários tamanhos de populações com
diferentes distribuições.
Procedimentos de Amostragem Simples 201
µx = µ
σ
σx =
n
Já foi visto que, para populações finitas, essa expressão deverá ser corrigida para:
σ
σx =
( N − n )/ n ( N − 1)
Intervalos de confiança
A partir da expressão S x = Z 106 podem ser construídos os intervalos de confiança,
respectivamente para os níveis de confiabilidade de 68% ( Z ≅ 1 ), 95% (Z ≅ 2 ) e 99,7%
( Z ≅ 3 ):
1. Intervalo de confiança para o nível de confiabilidade de 68% (Z ≅ 1):
x ± S x → x ± 106 → 1.750 ± 106
e o erro relativo máximo possível será:
106
e =± × 100% = ± 6,05%
1.750
2. Intervalo de confiança para o nível de confiabilidade de 95% (Z ≅ 2 ):
x ± S x → x ± 2 × 106 → 1.750 ± 212
e o erro relativo máximo possível será:
212
e = ± × 100% = ± 12,11%
1.750
3. Intervalo de confiança para o nível de confiabilidade de 99,7% (Z ≅ 3):
x ± S x → x ± 3 × 106 → 1.750 ± 318
Procedimentos de Amostragem Simples 203
Essa fórmula permite transformar os dados de qualquer distribuição normal numa dis-
tribuição normal padronizada cujas áreas delimitadas pela curva e pelas ordenadas O a Z
são tabeladas. Para uma interessante apresentação dessa teoria, veja Fonseca e Martins (1975,
cap. 4). Note que essa fórmula permite a utilização de qualquer valor para Z. No entanto, em
pesquisas de marketing, raramente são utilizados outros intervalos que não sejam os chamados
notáveis (Z = 1, 2 ou 3), meramente por questões de comodidade, pois, assim procedendo,
não há necessidade de se recorrer a fórmulas e tabelas de transformações.
Note que primeiro determina-se o nível de confiança para, em seguida, calcular-se o
intervalo.
O que esses intervalos de confiança significam exatamente para a pesquisa de marketing,
tomando-se como exemplo o intervalo de confiança de 68%? Já foi visto que a média da
distribuição amostral é igual à média da população e que, em pesquisas de marketing,
de todas as possíveis amostras de determinado tamanho n, sorteia-se apenas uma, sendo sua
média utilizada como estimador da média amostral (desconhecida) e, consequentemente,
da população. No entanto, a média amostral pode ou não estar contida no intervalo de
confiança calculado no nível, no caso, de 68%. O nível de 68% de intervalo de confiança
não significa que há 68 chances em 100 de a média amostral estar contida nesse intervalo,
mas, sim, que, se forem selecionadas 100 diferentes amostras aleatórias dessa população e
calculados 100 diferentes intervalos de confiança de 68% para a média, é possível esperar
que a média amostral esteja contida nesses intervalos de confiança em 68 das amostras entre
as 100 sorteadas.
Veja na Figura 7.7 a visualização do significado de um intervalo de confiança.
Convém enfatizar, mais uma vez, que esses procedimentos só são possíveis para amostras
probabilísticas. O pesquisador que apresentar números sobre níveis de confiança, intervalos
de confiança e precisão para amostras não probabilísticas estará incorrendo em grave e
imperdoável erro conceitual.
A seguir, apresenta-se, na Figura 7.8, um exemplo numérico ilustrando o contido na
Figura 7.7, a fim de facilitar a compreensão e a fixação desses conceitos.
Explicações, no caso da distribuição amostral, à Figura 7.8:
204 Pesquisa de Marketing
1. Significa que há 95% de probabilidade de sortear uma amostra com resultados no intervalo
de confiança 34,66 a 37,34 (ou 36 ± 1,34), podendo resultar em um erro máximo de 3,7%
e 1,34
(ou = ); significa também que há 5% de probabilidade de a amostra sorteada ter
µ 36
resultados fora desse intervalo de confiança.
Figura 7.7 Significado de um intervalo de confiança para um nível de confiabilidade de 95% e σ desconhecido.
Fonte: Adaptado de Bussab, Wilton O.; Morettin, Pedro A. Estatística básica. 4. ed. São Paulo: Atual,
1987:224.
205
206 Pesquisa de Marketing
para 68% → x ± S/ n
para 95% → x ± 2S / n
para 99,7% → x ± 3S / n
6. Define-se como precisão da amostra, ou erro máximo admitido:
RESUMO
População de pesquisa é o agregado de todos os casos que se enquadram num conjunto de
especificações previamente estabelecidas.
Amostra é qualquer parte de uma população.
Amostragem é o processo de colher amostras de uma população.
A ideia básica de amostragem consiste em que a coleta de dados em alguns elementos da
população e sua análise poderão proporcionar informações relevantes de toda a população.
Elemento de pesquisa é a unidade sobre a qual se procura obter os dados.
Unidade amostral é a unidade básica que contém os elementos da população a ser amostrada.
Uma designação apropriada de população de pesquisa deve conter: definição das especi-
ficações dos elementos de pesquisa, definição da unidade amostral, abrangência geográfica da
pesquisa e período de tempo no qual foi designada a população da pesquisa.
As qualidades de uma boa amostra são: precisão, eficiência e correção.
Os passos para a seleção de amostras compreendem: definir a população de pesquisa, elaborar
e dispor de uma lista de todas as unidades amostrais da população, decidir o tamanho da amostra,
Procedimentos de Amostragem Simples 211
QUESTÕES DE REVISÃO
1. O que é censo? O que é pesquisa por amostragem?
2. Por que a pesquisa por amostragem é muito usada em pesquisas de marketing?
3. Conceitue: elemento, amostra, população, população derivada e unidade amostral.
4. O que distingue uma amostra probabilística de uma não probabilística?
5. Qual a natureza do erro gerado por uma amostragem não probabilística?
6. O que é amostragem por conveniência? E intencional? E por cotas?
7. Por que se deve, sempre que possível, realizar as pesquisas de marketing com amostragens
probabilísticas?
8. Por que, apesar das críticas, os métodos de amostragens não probabilísticas são muito
utilizados em pesquisas de marketing e até mesmo em pesquisas acadêmicas?
9. Qual a diferença entre parâmetros e estatísticas?
10. Considerando uma população infinita, qual a relação entre a média da população e a média
da população derivada (média amostral)? Entre a variância da população e a variância da
população derivada (variância amostral)?
212 Pesquisa de Marketing
11. O que é a Teoria do Limite Central e de que forma pode ser utilizada para controlar o
erro amostral?
12. O que é um intervalo de confiança?
13. O que afeta o tamanho de um intervalo de confiança?
14. Qual o procedimento para a construção de um intervalo de confiança quando a variância
da população é conhecida? E quando a variância da população é desconhecida?
15. Quais as propriedades desejadas num bom estimador?
16. Quais os procedimentos para a seleção de uma amostra aleatória simples?
17. Por que, em algumas pesquisas realizadas com amostras não probabilísticas, vê-se menção
a intervalo de confiança? Qual o significado desses intervalos nessas pesquisas?
Exercícios
1. Para conhecer os hábitos de leitura dos 2.000 estudantes de uma escola, decidiu-se pesquisar
uma amostra probabilística simples de 20. Descreva todo o processo que você utilizaria
para a seleção dessa amostra.
2. Em uma pesquisa realizada junto a uma amostra probabilística simples de 400 consumidoras
de sabão em pó, qual o intervalo de confiança para determinar os hábitos de consumo ao
nível de confiabilidade de 95%, sabendo-se que a média de consumo mensal de sabão em
pó na amostra pesquisada foi de quatro caixas de 750g, com desvio-padrão de 100g?
3. Para estimar a proporção de famílias que possuem forno de micro-ondas na Grande Porto
Alegre, realizou-se uma pesquisa numa amostra de 2.000 e constatou-se que 4% possuíam
esse aparelho. Calcular com 99,7% de nível de confiabilidade o intervalo de confiança para
esse resultado a uma precisão de 5%.
4. Uma sondagem inicial, numa amostra de 50 consumidores de uma nova marca de iogurte,
mostrou que 40% estavam satisfeitos ou muito satisfeitos com o produto. Qual o tamanho
que a amostra total dessa pesquisa precisa ter para obter uma precisão de 5% em seus
resultados, com um nível de confiabilidade de 95%?
REFERÊNCIAS
BUSSAB, Wilton O.; MORETTIN, Pedro A. Estatística básica. 4. ed. São Paulo: Atual, 1987.
COCHRAN, W. G. Sampling techniques. 2. ed. New York: John Wiley, 1963.
DEMING, W. E. Some theory of sampling. New York: John Wiley, 1950.
DEMING, W. E. Sample design in business research. New York: John Wiley, 1960.
FONSECA, Jairo Simon; MARTINS, Gilberto de Andrade. Curso de estatística. São Paulo: LPM, 1975, Cap. 4.
HANSEN, M. H.; HURWITZ W. N.; MADOW W. G. Sample survey: methods and theory. New York: John
Wiley, 1953, 2 v.
KINNEAR, Thomas C.; TAYLOR, James R. Marketing research: an applied approach. Tóquio: McGraw-Hill
Kogakusha, 1979.
KISH, Leslie. Survey sampling. New York: John Wiley, 1965.
STEPHAN, F. J.; McCARTHY, P. J. Sampling opinions: an analysis of survey procedure. New York: John Wiley, 1958.
SUKHATME, P.V. Sampling theory of surveys with applications. Iowa: Iowa State University Press, 1954.
YATES, F. Sampling methods for census surveys. 3. ed. New York: Hafner, 1960.
CAPÍTULO 8
Outras Formas de Amostragens
Probabilísticas e o Tamanho da Amostra
Um homem comum é exigente com os outros; um homem superior é exigente consigo
mesmo.
Platão
Objetivos
• Apresentar os procedimentos para a realização de amostragem aleatória estratificada.
• Apresentar os procedimentos para a realização de amostragens estratificadas não proporcionais.
• Apresentar os procedimentos para a realização de amostragem por conglomerados ou grupos.
• Apresentar os procedimentos para a determinação do tamanho da amostra e do erro amostral nos
diversos tipos de amostragens probabilísticas.
Sumário
AMOSTRA E AMOSTRAGEM ALEATÓRIA ESTRATIFICADA
Procedimentos para a realização de amostras e amostragens aleatórias estratificadas
AMOSTRAS E AMOSTRAGENS ESTRATIFICADAS NÃO PROPORCIONAIS
AMOSTRAS E AMOSTRAGENS POR CONGLOMERADOS (OU GRUPOS)
Amostra e amostragem sistemática
Amostra e amostragem por área
DETERMINAÇÃO DO TAMANHO DA AMOSTRA E DO ERRO AMOSTRAL
Tamanho da amostra na amostragem aleatória simples
Outros fatores determinantes do tamanho da amostra
TAMANHO DA AMOSTRA EM OUTROS TIPOS DE AMOSTRAGENS PROBABILÍSTICAS
grande atratividade sobre os consumidores e, por isso, são responsáveis por uma quantidade
muito grande das vendas totais. Se resolver-se obter uma amostra desses supermercados por
meio da amostragem aleatória simples, corre-se um grande risco de que nenhum ou poucos
grandes supermercados sejam sorteados para compor a amostra que, consequentemente, deverá
ser pouco representativa da população.
A intuição indica que a população desses supermercados deveria ser dividida em três
grupos: pequenos, médios e grandes, e que certo número de supermercados de cada grupo
deveria ser sorteado para compor o painel desejado mais representativo da população de
supermercados do que se fosse efetuado o sorteio a partir de toda a população. Como será
visto a seguir, a teoria estatística confirma a intuição.
Pelo exemplo apresentado, a população de supermercados poderia ser subdividida em
subgrupos. Esses subgrupos são chamados de estratos.
O processo de subdividir uma população em estratos, selecionar amostras aleatórias simples
de cada estrato e, em seguida, combiná-las em uma amostra única para estimar os parâmetros
da população é denominado de amostragem aleatória estratificada.
Existem inúmeras razões para a utilização desse tipo de amostragem. A primeira e básica
razão é que, dadas certas condições, elevam-se a precisão, a eficiência e a correção, qualidades
procuradas numa boa amostra. Amostragens aleatórias estratificadas resultam em decréscimo do
erro-padrão do estimador da população; consequentemente, o intervalo de confiança calculado
poderá ser menor. A segunda razão é que informações e análises referentes a cada estrato podem
ser úteis e necessárias e, por isso, desejadas. A terceira razão é que a coleta de informações fica
mais fácil administrativa e operacionalmente. A quarta e última razão é econômica: o custo da
amostragem estratificada é menor do que o da amostragem aleatória simples, o que permite
que se chegue aos mesmos resultados trabalhando-se com uma amostra total bem menor.
n1 = (N 1 /N ) × n = 5
n2 = (N 2 /N ) × n = 2
n3 = (N 3 /N ) × n = 1
• Selecionam-se amostras aleatórias simples em cada estrato – Recorrendo, mais uma vez,
ao exemplo de tabela de números aleatórios (veja a Tabela 1 do Apêndice – Tabelas estatís-
ticas selecionadas, no final deste livro), sorteiam-se os elementos para compor as amostras
de cada estrato. No exemplo, também para facilitar a comparação, considera-se que os
elementos sorteados tenham sido os mesmos da amostra sem estratificação.
Estrato 1 (até 5.000 m2): 16 – 2.500; 21 – 4.000; 17 – 3.000; 13 – 2.000; 24 – 5.000
Estrato 2 (acima de 5.000 a 20.000 m2): 31 – 12.000; 34 – 14.000
Estrato 3 (acima de 20.000 m2): 34 – 35.000
• Calculam-se a média e os desvios-padrão de cada amostra:
Amostra 1:
x1 = 16.500/5 = 3.300
S12 = 1.160.000
S1 = 1.077
Amostra 2:
x2 = 26.000/2 = 13.000
2
S 2 = 1.000.000
S2 = 1.000
Amostra 3:
x3 = 35.000
S 32 = 0
S3 = 0
Nota-se que, pela amostragem aleatória simples, tem-se C40, 4 = 40!/(40 − 4)! × 4! = 91.390
amostras de quatro elementos possíveis de serem sorteadas, e que, pela amostragem sistemática,
passa-se a ter apenas dez. Felizmente, a média da distribuição amostral (média amostral) de
todas as amostras possíveis de serem sorteadas, numa amostragem sistemática, é igual à média
da população, o que significa que a média obtida de qualquer amostra sistemática é um es-
timador não viesado da média da população, o que permite calcular os intervalos de confiança,
de forma semelhante aos efetuados para a amostragem aleatória simples.
Completando o exemplo:
x = 5.500
S2 = 26.625.000
S = 5.159,94
O único cuidado que se deve ter com amostras sistemáticas é quando se trabalha com
populações sujeitas a variações cíclicas que coincidam com os múltiplos do intervalo amostral.
222 Pesquisa de Marketing
Dessa forma, deve-se evitar, por exemplo, colher dados sobre vendas em supermercados, sempre
nos mesmos dias da semana e do mês, ou sempre nos mesmos meses do ano.
Uma grande restrição ao uso da amostragem sistemática é a necessidade de se dispor dos
elementos da população em uma listagem, classificados segundo alguma variável importante
para o estudo. Em alguns casos, a ausência dessa listagem poderá ser contornada. Um exemplo
é o caso de, numa pesquisa, os entrevistadores serem orientados para entrevistar todas as 15as
pessoas que passarem pelo local da pesquisa; analogamente, é o caso de, em outra pesquisa, os
entrevistadores receberem a orientação de realizar a entrevista sempre na quinta casa do lado
par de ruas predeterminadas.
quatro casas percorridas, a quarta deverá fazer parte da amostra, e assim, sucessivamente,
até esgotar o quarteirão e continuar no próximo sorteado).
2. Entre os passos 6 e 8, poderá ser incluído mais um: a listagem e (ou) numeração de todos
os bairros e o sorteio de bairros.
3. Um prédio de apartamentos residenciais com 120 unidades deverá ser considerado como
120 residências e, de forma semelhante à definição da escolha de residências num quarteirão,
deverá ser definido um critério para a escolha dos apartamentos em que a entrevista será
realizada.
4. Uma das grandes dificuldades desse tipo de amostragem está em conseguir acesso a certos
tipos de moradias, como em prédios de apartamentos, residências situadas em condomínios
horizontais fechados e residências de famílias de classes alta e média-alta. A utilização de
entrevistas por telefone pode solucionar esse problema.
Características da amostragem por área em multiestágios – Esse tipo de amostragem é, estatis-
ticamente, muito menos eficiente do que a amostragem aleatória simples. Enquanto a amos-
tragem aleatória simples está sujeita a apenas um erro amostral, originário de um sorteio, a
amostragem por área em multiestágios estará exposta a tantos erros amostrais quantos forem os
sorteios ao longo dos diversos passos de sua realização. As fórmulas de cálculo do desvio-padrão
para esse tipo de amostra são extremamente complexas e fogem ao escopo deste livro. No
entanto, o leitor interessado poderá ter acesso a elas, consultando a bibliografia recomendada
ao final deste capítulo.
Alguns fatos relacionados à amostragem por área em multiestágios são importantes e
merecem registro:
1. O erro amostral decresce à medida que:
• Crescer o tamanho da amostra.
• Crescer a homogeneidade dos elementos amostrados a cada estágio.
Outras Formas de Amostragens Probabilísticas e o Tamanho da Amostra 225
2. Para um dado tamanho total da amostra, o erro amostral decresce à medida que:
• Crescer o número de elementos dos estágios intermediários (onde normalmente há
maior heterogeneidade).
• Decrescer o número de elementos do estágio final (onde normalmente há maior
homogeneidade).
Para a realização do procedimento proposto no item 2, há, em contrapartida, muito mais
trabalho e um custo mais elevado, pois:
• Mais áreas precisariam ser selecionadas.
• Maior número de listas e (numerações) de elementos nos estágios intermediários precisaria
ser preparado.
• Mais áreas geográficas seriam abrangidas pela pesquisa (com a consequente elevação dos
custos de deslocamentos).
• Haveria maior complexidade administrativa na execução da pesquisa.
A decisão final de como proceder sempre deverá ser tomada levando-se em conta os objetivos do
estudo, a precisão desejada, o tempo e os recursos disponíveis. O pesquisador procurará elaborar um
plano amostral, de forma a obter a melhor eficiência total possível. Não há fórmula predeterminada
para essa decisão, e a formação, a experiência e a sensibilidade do pesquisador têm um grande peso.
Amostragem por áreas de probabilidade iguais – Foi visto que uma das condições
da amostragem probabilística é que a probabilidade de cada elemento da população fazer parte
da amostra deve ser conhecida e diferente de zero. Será examinado, na amostragem por área,
se essas condições serão atendidas em dois casos diferentes: chances iguais de seleção das áreas
e amostras proporcionais ao tamanho das áreas.
1. Chances iguais de seleção das áreas/igual proporção de seleção dos elementos nos con-
glomerados – Nesse método, cada conglomerado terá a mesma chance de fazer parte da
amostra, independentemente de seu tamanho. Em seguida, de cada conglomerado sorteado,
sorteiam-se elementos, mantendo-se sempre a mesma proporção para a composição da
amostra final, conforme mostra o exemplo a seguir.
Seja uma população de 10.000 elementos agrupados em 100 conglomerados de diferentes
tamanhos. Sorteiam-se cinco desses conglomerados para ser as locações amostrais. A
chance de cada conglomerado ser sorteado é de 5/100. Em seguida, de cada um desses
conglomerados, sorteiam-se elementos para a amostra, na proporção, por exemplo, de 2/5,
ou seja, sorteiam-se 40% dos elementos de cada conglomerado sorteado. Dessa forma,
verifica-se que esse tipo de amostragem é probabilístico, pois a probabilidade total de cada
elemento ser selecionado é 5/100 × 2/5 − 0,02, e o mínimo total de elementos a serem
selecionados é 0,02 × 10.000 = 200.
Pode-se também intercambiar o número de conglomerados com a proporção de elementos
a sortear, mantendo o mesmo número total de elementos da amostra e a mesma proba-
bilidade de cada elemento. Para o exemplo em pauta, é possível ter as seguintes opções:
• 10 conglomerados e 1/5 dos elementos (10/100 × 1/5 = 0,02).
• 20 conglomerados e 1/10 dos elementos (20/100 × 1/10 = 0,02).
E, assim, sucessivamente.
Esse procedimento de elevar o número de conglomerados e reduzir o número de elementos
por conglomerado tende a elevar a precisão da amostra para o mesmo número total de
elementos, pois há menores variabilidades nas variáveis intraconglomerados do que nas
variáveis interconglomerados.
226 Pesquisa de Marketing
Analogamente, se esse procedimento for aplicado sucessivamente para a amostragem por área em
multiestágios, a amostra resultante também será probabilística.A probabilidade de cada elemento
fazer parte da amostra resultará da multiplicação das probabilidades de sorteio em cada estágio:
Probabilidade de cada elemento = P1 × P2 × … × Pi
A garantia de que cada elemento da população terá a mesma chance de ser sorteado é que,
em cada estágio, a mesma proporção de elementos é selecionada de cada conglomerado.
2. Amostras proporcionais ao tamanho da área – Outro procedimento na amostragem por
áreas, para se obterem amostras probabilísticas, é fazer com que o número de conglomerados
sorteados seja proporcional à sua incidência na população. Como, normalmente, há maior
variabilidade nas variáveis interconglomerados do que nas variáveis intraconglomerados,
se elevar-se o número de conglomerados a serem sorteados à proporcionalidade de sua
incidência na população, certamente será elevada a precisão da amostra, mesmo tendo de
reduzir o número de elementos a serem sorteados em cada conglomerado.
Os procedimentos para a realização dessa forma de amostragem, para o caso de dois es-
tágios, compreendem:
a. Identificar todos os conglomerados e o número de elementos que os compõem.
b. Estabelecer a proporção de conglomerados a serem sorteados em função do número
de elementos de cada conglomerado em relação ao total da população.
c. Sortear os conglomerados.
d. De cada conglomerado sorteado, sortear uma quantidade fixa e constante de elementos
para constituir a amostra.
Esses procedimentos serão aplicados ao seguinte exemplo: na Tabela 8.8, é apresentada a
distribuição do número de residências por quarteirão de uma pequena cidade. A partir desses
dados, será construída uma amostra por área proporcional ao tamanho.
Tabela 8.8 Distribuição do número de residências, por quarteirão, de uma pequena cidade
Número acumulado Intervalo de números
Quarteirão Número de residências % de residências randômicos associados
A 80 0,10 80 001 a 080
B 120 0,15 200 081 a 200
C 40 0,05 240 201 a 240
D 160 0,20 400 241 a 400
E 160 0,20 560 401 a 560
F 40 0,05 600 561 a 600
G 120 0,15 720 601 a 720
H 80 0,10 800 721 a 800
da população deverá ser substituído por seu estimador (S), que é o desvio-padrão obtido em uma
amostra-piloto, e as expressões (7) e (8) passam a ser:
Z 2S 2
de(7) n = 2 (populações infinitas)
(9)
e
NZ 2e 2
de(8) n = 2
(10) (populações finitas)
e ( N − 1) + Z 2S 2
Em que:
n = número de elementos da amostra a ser pesquisada
Z = valor da variável z para o nível de confiabilidade adotado
S2 = variância na amostra-piloto sorteada, estimadora da variância da população
e = precisão da amostra ou erro máximo admitido (em valor absoluto)
N = número de elementos da população (para populações finitas)
Para os casos particulares dos níveis de confiabilidade (em valores precisos) de 68,26%
(Z = 1), 95,44% (Z = 2) e 99,74% (Z = 3)1, as expressões (9) e (10) passarão a ser, res-
pectivamente:
PQ
σ =
N
genericamente p ± Z 2 PQ / n (17)
para o n.c. de 68,26%: p ± 12 PQ / n (18)
para o n.c. de 95,44%: p ± 2 2 PQ / n (19)
para o n.c. de 99,74%: p ± 32 PQ / n (20)
Quadro 8.2 Resumo das condições e fórmulas para determinação do tamanho de amostras
probabilísticas
Estimativas de medidas (ou valores) Estimativas de proporções (ou porcentagens)
Quando conhecido σ da população Quando conhecidos P e Q da população
Populações infinitas Populações finitas Populações infinitas Populações finitas
Geral Z σ
2 2
NZ σ 2 2
Z PQ 2
NZ 2 PQ
1 n= 5 n= 9 n= 13 n =
e2 e ( N − 1) + Z 2σ 2
2
e2 e 2 ( N − 1) + Z 2 PQ
Z = 1 σ2 Nσ 2 PQ NPQ
nc = 68% n= n= n= 2 n= 2
2 e2 6 e ( N − 1) + σ 2
2 10 e 14 e ( N − 1) + PQ
População infinita
Tem-se P = 0,30 → Q = 1 − P = 0,70
Erro = 5% = 0,05
Para n.c. de 95% → n = 4 PQ/e2
n = 4 × 0,30 × 0,70/(0,05)2
n = 336 elementos
Caso não houvesse a informação sobre a população, o cálculo seria o seguinte:
P = Q = 0,50
n = 4 × 0,50 × 0,50/(0,05)2
n = 400 elementos
A resposta é: para que se tenha, nessa pesquisa, um erro máximo de 5%, com um nível
de confiabilidade de 95% e um intervalo de confiança de P ± 5% (25% a 35%), seria preciso
construir uma amostra de 336 elementos.
Em resumo, trabalha-se, simultaneamente, com três grandezas, de tal forma que, definidas
duas, consequentemente obtém-se a terceira, conforme descrito a seguir.
1. Definido o nível de confiabilidade e tendo a amostra do tamanho n, pode-se calcular o
intervalo de confiança e o erro.
2. Definido o nível de confiabilidade e o intervalo de confiança (ou o erro), pode-se deter-
minar o tamanho da amostra (n).
3. Tendo a amostra do tamanho n e definido o intervalo de confiança (ou o erro), pode-se
determinar o nível de confiabilidade.
234 Pesquisa de Marketing
Essas relações induzem a que, em vez de, a cada pesquisa, se efetuarem cálculos, construam-se
tabelas relacionando esses três componentes, ao menos para erros de 1% até 10% e para níveis
de confiabilidade de 68%, 95% e 99,7%, para os casos de populações infinitas com distribuições
dicotômicas. A Tabela 8.9 foi construída a título de exemplo, aplicando-se as formulações
vistas, admitindo-se P = Q = 0,50.
A análise da Tabela 8.9 evidencia algumas conclusões importantes no relacionamento
entre erro, nível de confiabilidade e tamanho da amostra probabilística.
Tabela 8.9 Relacionamento entre erro, nível de confiabilidade e número de elementos da amostra
de populações infinitas dicotômicas
P = Q = 0,50
Erro amostral n = PQ/e (68%)
2
n = 4PQ/e2 (95%) n = 9PQ/e2 (99%)
0,01 2.500 10.000 22.500
0,02 625 2.500 5.625
0,03 278 1.112 2.502
0,04 156 624 1.404
0,05 100 400 900
0,06 70 280 630
0,07 51 204 459
0,08 39 156 351
0,09 31 124 279
0,10 25 100 225
Obs.: Outras tabelas, semelhantes a essa, poderão ser construídas, variando-se P e Q (desde P = 0,001), e variando-se
e ampliando-se os erros máximos.
Dados:
1. População infinita.
2. Dados em proporções ou porcentagens.
3. P = Q = 0,50 (ou 50%).
Pode-se concluir a partir da fórmula básica
Z 2PQ
n=
e2
que:
1. Dados Z e e, determina-se n; ou seja, determina-se n de forma essencialmente técnica.
2. Dados Z e n, determina-se e; ou seja, a verba disponível para a pesquisa determina n;
tecnicamente, define-se Z, e os resultados da pesquisa poderão ter um erro amostral
máximo de e.
3. Dados e e n, determina-se Z; ou seja, a verba disponível determina n; define-se o erro
amostral máximo a ser admitido; consequentemente, os resultados da pesquisa terão
um nível de confiabilidade de Z.
Devido a essas conclusões/considerações, é possível observar que, para um mesmo tama-
nho da amostra, os resultados podem ter diferentes níveis de confiabilidade e diferentes erros
amostrais, apontados pelas diferentes linhas pontilhadas na Tabela 8.9.
Análise semelhante poderá ser efetuada para a fórmula geral para dados em medidas (ou valores):
Z 2σ 2
n= 2
e
Outras Formas de Amostragens Probabilísticas e o Tamanho da Amostra 235
n = L S N e2Se2 / ( N 2 D 2 + S N eSe2 )
n = 3 × 15.625.000/(5002 + 95.000)
n = 135
ne = n/L = 135/3
ne = 45
2a solução: tamanhos proporcionais a cada estrato na população:
n = N S N eSe2 / ( N 2 D 2 + S N eSe2 )
n = 500 × 95.000/(5002 + 95.000)
= 138
n1 = N1/N × 138 = 83
n2 = N2/N × 138 = 41
n3 = N3/N × 138 = 14
3a solução: alocação ótima:
n = 8.346 × 5.312/(5002 + 95.000)
n = 128
ne = ( N e Se / C e ) / S ( N e Se / C e ) × n
n1 = 3.000/5.312 × 128 = 72
n2 = 1.591/5.312 × 128 = 38
n3 = 721/5.312 × 128 = 18
4a solução: alocação de Neyman:
n = (S N e Se )2 / ( N 2 D 2 + SN eSe2 )
n = 6.5002/(5002 + 95.000)
240 Pesquisa de Marketing
n = 122
ne = N eSe / (SN eSe ) × n
n1 = 3.000/6.500 × 122 = 56
n2 = 2.250/6.500 × 122 = 42
n3 = 1.250/6.500 × 122 = 24
RESUMO
O processo de subdividir uma população em estratos, selecionar amostras aleatórias simples
de cada estrato e combiná-las em uma amostra única para estimar os parâmetros da população
é chamado de amostragem aleatória estratificada.
Os passos para se compor uma amostra aleatória estratificada compreendem: dividir a
população objeto do estudo em estratos que sejam mutuamente exclusivos e coletivamente
exaustivos; definir o número de elementos a serem selecionados em cada estrato; selecionar
uma amostra aleatória simples e independente em cada estrato; calcular a média e o desvio-
padrão de cada amostra; e compor as médias e os desvio-padrão de cada amostra para o cálculo
da média e do desvio-padrão que serão usados como estimadores dos parâmetros da população.
As amostras estratificadas podem também não ser proporcionais à ocorrência dos estratos na
população. São utilizadas quando já existe algum conhecimento prévio da população que per-
mita decidir se determinados estratos devem ter pesos maiores ou menores em função da maior
ou da menor variabilidade das variáveis intraestrato e da maior ou menor representatividade
extraestrato, em relação à população.
A forma prática de determinar o peso da participação não proporcional de um estrato
na composição da amostra segue as regras: quanto maior a importância de um estrato na
população, maior deverá ser sua participação; quanto maior o estrato, menor deverá ser
sua participação; e, quanto maior a variabilidade dentro do estrato, maior deverá ser sua
participação.
Na amostra aleatória por conglomerado, grupos de elementos da população são simulta-
neamente sorteados. Para proceder a esse tipo de amostragem, a população em estudo precisa
ser subdividida em grupos mutuamente exclusivos e coletivamente exaustivos. A seguir,
procede-se à seleção da amostra a partir desses grupos.
Para realizar a amostragem sistemática, seleciona-se, aleatoriamente, para ser o primeiro
elemento de uma amostra de tamanho n, de uma população de tamanho N, um dentre os N /
n primeiros elementos listados em um rol. Para a obtenção dos demais elementos, vai-se, suces-
sivamente, acrescentando ao número de ordem do elemento anterior, N / n, para determinar
o número de ordem do elemento seguinte, até se esgotar toda a população.
A amostragem por área é uma solução engenhosa que dispensa a necessidade de lis-
tagens dos elementos da população, mas, em contrapartida, exige a utilização de mapas
muito detalhados de regiões, estados, municípios, cidades e bairros; a amostragem por
área pode ser: em um estágio, em dois estágios e em multiestágios. Quando, dos grupos
selecionados, todos os elementos passam a fazer parte da amostra, a amostragem é chamada
de “um estágio”. Quando, após o sorteio dos grupos, procede-se a um segundo sorteio
para determinar quais elementos desses grupos farão parte da amostra, a amostragem
é chamada de “dois estágios”. Seguindo esse raciocínio, é possível ter amostragens de
Outras Formas de Amostragens Probabilísticas e o Tamanho da Amostra 241
“n estágios”, quando sorteios sucessivos serão realizados, até se chegar ao sorteio dos
elementos do último grupo.
Existem dois métodos de selecionar as áreas em amostragens por conglomerados: chances
iguais de seleção das áreas e amostras proporcionais aos tamanhos das áreas.
Os erros amostrais são originários, única e exclusivamente, do processo de escolha e do
tamanho da amostra e estão sob o controle do pesquisador. Os erros amostrais diminuem com
a elevação do tamanho da amostra, enquanto os não amostrais crescem.
Os princípios estatísticos básicos necessários para a determinação do tamanho de amos-
tras aleatórias simples são: teoria das grandes amostras, nível de confiabilidade, intervalo de
confiança e grau de precisão.
A determinação do número de elementos de amostras aleatórias simples pelo método
estatístico é relativamente simples, porém outros inúmeros fatores precisam ser levados em
consideração: psicológicos, objetivos da pesquisa, objetivos múltiplos, restrições de tempo,
restrições de custo e plano de análise dos dados.
A definição do número de elementos de outros tipos de amostras probabilísticas exige
formulações complexas, mas os mesmos princípios das amostras probabilísticas simples são
utilizados: necessidade do uso de parâmetros da população ou de seus estimadores e definição
da precisão e do nível de confiabilidade da amostra.
QUESTÕES DE REVISÃO
1. Qual a vantagem de se trabalhar com amostras estratificadas?
2. Qual é o procedimento para selecionar amostras estratificadas?
3. O que é amostragem estratificada proporcional? E a não proporcional? Quando se aplica
uma ou outra?
4. Em que circunstâncias a amostragem estratificada reduz o erro amostral?
5. O que é uma amostra sistemática? Qual o procedimento para construir amostras sistemáticas?
6. O que é amostragem por conglomerado? Em que circunstâncias são utilizadas? Qual é
o procedimento para selecionar amostras por conglomerados?
7. O que é eficiência estatística? E eficiência econômica? E eficiência total?
8. O que é amostragem por área? Em que circunstâncias deve ser utilizada?
9. O que é amostragem por área em multiestágios? Qual é o procedimento para sua
realização?
10. O que é precisão, precisão absoluta e precisão relativa?
11. O que é: nível de confiabilidade, intervalo de confiança e grau de precisão? Explique cada
um deles.
12. Quais informações são necessárias para se calcular o tamanho de uma amostra quando: a
variável for contínua com população conhecida? A variável for contínua com população
desconhecida? A variável for dicotômica com população conhecida? A variável for dico-
tômica com população desconhecida?
13. Que outros fatores, além dos estatísticos, precisam ser levados em consideração na deter-
minação do tamanho da amostra?
14. Como definir o tamanho da amostra de uma população quando a pesquisa a ser conduzida tem
objetivos múltiplos, e inúmeras variáveis com distribuições diferentes deverão ser pesquisadas?
242 Pesquisa de Marketing
15. De que forma o plano de análises pode ajudar na definição do tamanho da amostra?
Exercícios
Exercício 8.1
As 1.000 lojas de material de construção existentes numa região estão estratificadas de acordo
com o número de empregados em pequenas, médias e grandes. Tendo disponíveis os dados
da seguinte:
Vendas médias Variância nas vendas
Estrato População (em milhões de R$) (em milhões de R$)
Pequenas 600 5 2
Médias 300 15 8
Grandes 100 30 16
Exercício 8.2
Deseja-se estimar o tamanho médio das 280 residências de um bairro que estão estratificadas
em quatro estratos, segundo a metragem quadrada de construção. Numa amostra estratificada,
foram obtidos os seguintes dados da tabela a seguir.
Amostra
Estrato (m ) 2
População Número de
elementos Elementos (m2)
0 – 100 100 6 40, 50, 90, 70, 20, 60
101 – 200 80 5 140, 150, 140, 130, 180
201 – 300 60 5 240, 280 260, 250, 220
Mais de 301 40 4 350, 330, 310, 380
Exercício 8.3
Em um município onde existem 1.000 fazendas, deseja-se estimar o número médio de cabeças
de gado por propriedade, por meio de uma pesquisa. A ausência de informações sobre a popu-
lação levou o pesquisador a realizar uma sondagem inicial numa amostra probabilística de 30
fazendas e foram obtidos os seguintes resultados para o número de cabeças de gado por fazenda:
34, 11, 23, 14, 15, 25, 38, 36, 11, 07,
24, 11, 07, 10, 09, 33, 16, 31, 25, 26,
09, 16, 12, 09, 12, 25, 04, 19, 28, 25.
• Calcule a média dessa amostra.
• Calcule a variância da amostra.
• Usando os dados dessa amostra, calcule o tamanho da amostra necessária para uma
precisão de quatro cabeças de gado, com um nível de confiabilidade de 99,7% para a
realização do estudo.
Outras Formas de Amostragens Probabilísticas e o Tamanho da Amostra 243
Exercício 8.4
Os dados disponíveis sobre os 5.000 clientes de uma empresa distribuidora de produtos
cirúrgicos e hospitalares que se deseja pesquisar são os da tabela a seguir:
Trabalho – Parte 6
Determine, em seu projeto de pesquisa, o número de elementos da amostra e o processo de
amostragem que pretende utilizar. Justifique a razão da escolha do método.
REFERÊNCIAS
COCHRAN, W. G. Sampling techniques. 2. ed. New York: John Wiley, 1963.
DEMING, W. E. Sample design in business research. New York: John Wiley, 1960.
______, Some theory of sampling. New York: John Wiley, 1950.
HANSEN, M. H.; HURWITZ, W. N.; MADOW, W. C.. Sample survey: methods and theory. New York: John Wiley,
1953.
KINNEAR, Thomas C.; TAYLOR, James R. Marketing research: an applied approach. Tóquio: McGraw-Hill
Kogakusha, 1979.
KISH, Leslie. Survey sampling. New York: John Wiley, 1965.
STEPHAN, F. J.; MCCARTHY, P. J. Sampling opinions: an analysis of survey procedure. New York: John Wiley, 1958.
SUKHATME, P.V. Sampling theory of surveys with applications. Iowa: Iowa State University Press, 1954.
YATES, F. Sampling methods for census surveys. 3. ed. New York: Hafner Publishing, 1960.
244 Pesquisa de Marketing
Anexo
Fórmulas
População Amostra Distribuição amostral
Média ∑ Xi ∑ xi ∑ xi
µ= x= µx =
N n k
Variância ∑( X i − µ )2 ∑( xi − x )2 ∑( xi − µ x )2
teórica σ2 = S2 = σ x2 =
N n k
computacional ∑ X i2 (∑ X i )2 ∑ xi2 (∑ xi )2 ∑ xi2 (∑ xi )2
σ2 = − S2 = − σ x2 = −
N N2 n n2 k k2
Objetivos
• Apresentar e detalhar todas as ações que envolvem o planejamento e a coleta de dados.
• Apresentar e discutir as formas de apurar a validade e a confiabilidade dos dados coletados.
Sumário
PLANEJAMENTO DAS OPERAÇÕES DE COLETA DE DADOS
Cronograma das atividades
Orçamento de despesas e de saídas de caixa
Recursos humanos
Controle
FORMAS ELETRÔNICAS PARA A COLETA DE DADOS
VALIDADE E CONFIABILIDADE
Definições de validade e confiabilidade
Métodos para estimar a validade
Métodos para estimar a confiabilidade
Neste capítulo são apresentadas e discutidas as operações necessárias para efetuar a coleta
de dados.
A coleta de dados é a fase em que são efetuados os contatos com os respondentes,
aplicados os instrumentos, registrados os dados e efetuada uma primeira crítica do
preenchimento dos instrumentos enviados para a central de processamento dos dados.
As operações de coleta de dados precisam ser detalhadamente planejadas e controladas
para que os dados coletados tenham alta qualidade e para que as previsões de tempo e
de custo de coleta sejam atingidas.
de tempo, com seus respectivos inícios e términos. É fundamental que se estimem períodos
de tempo realistas para cada atividade e que se determine a sequência das atividades que
compõem seu caminho crítico, para que o cronograma da pesquisa como um todo não seja
comprometido por atrasos.
As atividades que precisam ser programadas compreendem: preparação e realização do
pré-teste, preparação do material para a coleta de dados; recrutamento, seleção e contratação
de entrevistadores; preparação de material para treinamento; treinamento dos supervisores e
entrevistadores; aplicação dos instrumentos; crítica no campo; crítica e checagem do trabalho
dos entrevistadores no escritório.Veja no Quadro 9.1, um modelo de cronograma das atividades
de coleta de dados (Hauck, 1974:2-148).
Recursos humanos
O êxito da operação de coleta de dados está diretamente relacionado com a qualidade do pes-
soal contratado para sua realização. É necessário contar com um pessoal altamente especializado
e treinado em relação aos objetivos da pesquisa, para que os dados sejam corretamente obtidos
dentro dos prazos e dos custos preestabelecidos. Alguns aspectos do perfil de qualificação do
Coleta de Dados 247
pessoal variam de acordo com o tipo de método de coleta que será utilizado. De todos os
métodos de coleta de dados, a entrevista pessoal é o que exige maior cuidado em relação aos
recursos humanos. Por isso, serão apresentados em detalhes os cuidados necessários na con-
tratação de pessoas para entrevistas pessoais e complementados com observações em relação
aos demais métodos.
A utilização de entrevistas pessoais apresenta problemas específicos em relação a recru-
tamento, seleção, treinamento e supervisão de entrevistadores. A escolha de entrevistadores
inadequados pode introduzir uma infinidade de fontes de vieses que podem comprometer
completamente os resultados da pesquisa. O processo de entrevista pessoal está fundamentado
no processo de inter-relação pessoal. Para se conseguir empatia e clima favorável ao sucesso
da entrevista, é preciso que fatores relacionados às características demográficas, psicológicas
e comportamentais de entrevistadores e entrevistados sejam os mais semelhantes possíveis.
Dessa forma, conhecendo-se o perfil do público a ser pesquisado, é necessário recrutar e
selecionar entrevistadores com o máximo de aproximação possível desse perfil. Além dessas,
outras qualificações importantes, relacionadas com o perfil comportamental do entrevistador,
e que dizem respeito diretamente ao trabalho em si, também devem ser procuradas.Veja no
Quadro 9.2 uma relação dessas características.
• Entrevistadores que já tinham uma atitude favorável a casas pré-fabricadas obtiveram res-
postas mais favoráveis a casas pré-fabricadas do que aqueles cuja atitude era, inicialmente,
desfavorável (Ferber e Wales, 1952:107-127).
Dispor de uma equipe de entrevistadores qualificados (tanto permanentes quanto free
lancers) é uma tarefa difícil. Primeiro, o pesquisador precisa especificar as qualificações neces-
sárias para a função. Em seguida, deve proceder ao recrutamento, à seleção e a uma eventual
contratação, de preferência nas próprias regiões requeridas pelo plano de amostragem, de
forma a reduzir os custos com diárias, hospedagem, transporte e alimentação.
Empresas de pesquisas contínuas, em função do volume e da continuidade de trabalho,
contam com equipes de entrevistadores permanentes contratados como funcionários ou, então,
optam por contratar empresas de pesquisas especializadas na realização de trabalho de campo.
Essas equipes permanentes permitem a essas empresas a redução dos custos de treinamento e
também melhor depuração da equipe ao longo do tempo. Empresas de pesquisas sob medida
(ou ad hoc) não têm condições de manter equipes permanentes de entrevistadores; elas mantêm
um cadastro de entrevistadores free lancers cuja experiência já é conhecida e que são contratados
conforme as necessidades de realização de coleta de dados.
Concluído o processo de contratação, os entrevistadores precisam ser treinados de forma
que se estabeleça, entre eles, um alto grau de similaridade no processo de coleta de dados,
instruindo-os sobre os objetivos da pesquisa, o uso dos instrumentos de coleta, o plano amos-
tral, a abordagem aos respondentes, como conseguir empatia, apresentar-se adequadamente,
como efetuar as perguntas, como registrar as respostas e sobre o tipo de público com que
terão contato. Dependendo da complexidade da pesquisa e de sua dispersão geográfica, pode
surgir a necessidade de que essas instruções sejam escritas e distribuídas aos entrevistadores
em forma de manual de instruções, que, no entanto, não substitui a sessão de treinamento.
As sessões de treinamento devem ser conduzidas pelos próprios supervisores responsáveis
por cada equipe de entrevistadores somente quando todo o material para a coleta de dados
estiver pronto, e a equipe de entrevistadores, definida. Um processo de treinamento típico
compreende:
• Preparação do material (questionário, manual, listagem de endereços ou de entrevistados etc.).
• Preparação do local.
• Distribuição do material entre os participantes.
• Apresentação do material, de preferência, em projeção.
• Discussão do material e elucidação de dúvidas.
• Simulação da aplicação dos questionários entre pares de entrevistadores (somente para
questionários complexos).
• Acompanhamento pelos supervisores de campo durante as primeiras aplicações.
A seguir, são apresentados os principais tipos de erros cometidos por entrevistadores durante
as entrevistas (tanto pessoais quanto por telefone). No processo de treinamento, deve-se dar
ênfase específica a esses itens e, durante a coleta de dados, deve-se exercer intensa supervisão,
como forma de reduzir a incidência de eventuais erros.
Ausência de empatia entre entrevistador e entrevistado – Já foi visto que parte
desse problema poderá ser solucionada com um adequado processo de seleção. Porém,
existem outros aspectos que precisam ser transmitidos aos entrevistadores por meio do trei-
namento. Por exemplo, a apresentação pessoal (corte de cabelo, barbeado ou barba aparada,
maquilagem discreta, vestimenta discreta etc.) é importante no processo de despertar empatia,
Coleta de Dados 249
pois as pessoas, geralmente, relacionam esse fator com atitudes, orientações e valores pes-
soais. O entrevistador precisa ser treinado para se apresentar e ter uma conduta, no mínimo,
prazerosa para o entrevistado e saber, rapidamente, adaptar-se a diferentes entrevistados.
Forma de perguntar – O entrevistador precisa ser treinado sobre os seguintes pontos
relacionados com a forma de perguntar:
• Apresentar os objetivos da pesquisa e prometer sigilo – Toda entrevista deve ser iniciada
com a apresentação de seus objetivos ao respondente, acompanhada de uma promessa
formal (de preferência, por escrito) de que todos os dados obtidos serão tratados com
sigilo, serão reunidos aos dados de outros entrevistados e processados em conjunto, e que
os dados individuais isolados não serão utilizados nem terão utilidade para a pesquisa.
• Ficar profundamente familiarizado com o instrumento de coleta de dados – Antes de
iniciar as entrevistas verdadeiras e após a sessão de treinamento, será útil, para ganhar
familiaridade com o instrumento, efetuar entrevistas fictícias de treinamento com familiares
ou conhecidos.
• Efetuar as perguntas exatamente como estão escritas no instrumento – Até mesmo mu-
danças discretas podem trazer grande distorção para os resultados entre uma entrevista e
outra de um mesmo entrevistador e entre as de diferentes entrevistadores.
• Efetuar as perguntas exatamente na sequência em que aparecem no instrumento – No
planejamento e construção do instrumento, a sequência das perguntas é estabelecida de
forma a haver um ordenamento lógico em sua apresentação e a minimizar a ocorrência de
vieses de uma pergunta sobre as outras (efeito halo). Qualquer mudança, nessa sequência,
durante a entrevista, pode tornar todo esse esforço inútil.
• Efetuar todas as perguntas constantes do instrumento – Todas as perguntas constantes de
um instrumento bem construído têm relação com o objetivo da pesquisa. Os entrevis-
tadores devem ser orientados a efetuar todas as perguntas e a nunca inferir ou adivinhar
as respostas, para não comprometer os resultados da pesquisa.
• Usar técnicas apropriadas para obter respostas – Diferentes respondentes têm diferentes ca-
pacidades de entendimento e comunicação. Para aqueles com dificuldades de entendimento
ou comunicação, os entrevistadores precisam ser treinados a utilizar técnicas apropriadas
a fim de estimular o entendimento e a obtenção de respostas. Veja algumas sugestões de
técnicas neutras para alcançar esses objetivos:
• Repetir a pergunta – Não tendo obtido a resposta, repita a pergunta exatamente como
aparece no instrumento.
• Aguardar silenciosamente a resposta – O silêncio do entrevistador ou uma pausa na
continuação da entrevista é uma forma eficaz de demonstrar ao entrevistado que se
espera uma resposta mais completa.
• Repetir a resposta do respondente – Os respondentes, com frequência, sentem-se es-
timulados a acrescentar comentários quando ouvem suas próprias respostas.
• Tranquilizar o respondente – Ao perceber que o respondente está inseguro, o entrevis-
tador deverá efetuar comentários que o tranquilizem antes de continuar a entrevista,
tais como: “Estamos apenas procurando saber o que as pessoas pensam a esse respeito”
ou “Não existem respostas certas ou erradas; apenas ideias a respeito desse assunto”.
• Estimular por meio de perguntas neutras – Existem várias perguntas que podem ser
efetuadas para estimular a participação e a obtenção de respostas, que, sendo neutras,
não comprometem os resultados da pesquisa. Veja alguns exemplos: “Algo mais?”;
250 Pesquisa de Marketing
“Alguma outra razão?”; “Outras?”; “O que você pensa a esse respeito?”; “Você poderia
me dizer mais sobre o que pensa a esse respeito?”; “Você poderia me dizer o que tem
em mente?”; “O que você sente a respeito disso?”; “Não estou certo de ter entendido
o que você quis dizer com... você se importa de falar um pouco mais a esse respeito?”.
• Anotar qualquer mudança que venha a ocorrer – Se houver qualquer mudança na forma
de perguntar, na sequência das questões, nas palavras utilizadas ou no relacionamento
inadequado com o respondente, deve-se relatar imediatamente isso no instrumento, para
servir de base à posterior verificação da existência de erros potenciais e à decisão pela
aceitação ou exclusão de determinados dados ou de todo o instrumento.
Formas de registrar a resposta – Os entrevistadores precisam ser treinados a registrar
rápida e corretamente as respostas, principalmente quando se trata de perguntas abertas. Uma
das maiores dificuldades da entrevista é manter o processo interessante para o entrevistado e, ao
mesmo tempo, anotar as respostas. Essa dualidade é responsável por grande parte dos erros. As
soluções possíveis, corretamente técnicas, são: a entrevista ser efetuada por dois entrevistadores,
um conduzindo-a e outro tomando notas, ou fazendo a gravação. Ambas apresentam problemas
que podem desestimular seu uso. A utilização de dois entrevistadores, praticamente, duplica
o custo da entrevista e sua gravação, além de tender a inibir o entrevistado; também eleva os
custos, pois o entrevistador deverá dedicar boa parte do tempo, após a entrevista, à transcrição
das respostas para o instrumento de coleta. No treinamento, como forma de minimizar esse
problema, os entrevistadores devem ser orientados, durante a entrevista, a:
• Realizá-la num lugar que facilite o registro das respostas.
• Utilizar caneta na cor definida pela coordenação.
• Escrever o mais legível possível.
• Anotar as respostas durante a entrevista; nunca deixar para depois.
• Utilizar, de preferência, as próprias palavras dos respondentes.
• Não sumarizar nem parafrasear as respostas.
• Aprender a tomar notas.Vejam-se algumas regras a esse respeito:
• Registrar apenas as palavras mais importantes, as chamadas palavras com conteúdo; não
registrar artigos, preposições e afins, chamadas palavras estruturais.
• Não anotar dados e informações repetidos, comuns na linguagem oral.
• Utilizar abreviações, desde que não gerem confusões; utilizar simbologia ao máximo,
como a exemplificada a seguir:
=igual; o mesmo que.
≠ não igual; diferente de.
>maior que; mais do que.
< menor que; menos do que.
≥ maior ou igual.
≤ menor ou igual.
→ implica; resulta em.
← foi causada por; resultou de.
↑ positivo; pontos positivos.
↓ negativo; pontos negativos.
± mais ou menos; aproximadamente.
$ valor monetário; dinheiro.
% porcentagem.
Coleta de Dados 251
• Caso a explanação do respondente seja muito rápida, solicitar sua cooperação no sentido
de os ritmos se ajustarem.
• Utilizar parênteses para indicar as opiniões e observações do entrevistador.
Desonestidade – A desonestidade na coleta de dados é caracterizada pelo preenchimento,
total ou parcial, dos instrumentos com dados falseados ou com a realização de entrevistas com
pessoas não indicadas na amostra. Em pesquisas de marketing, não é fácil detectar desonestidade
apenas pela crítica dos instrumentos. É preciso montar e, efetivamente, utilizar um sistema de
verificação por amostragem, também denominado de checagem, cujo objetivo é confirmar se
os respondentes foram entrevistados. No processo de treinamento, os entrevistadores devem
ser devidamente informados de sua existência e das consequências para aqueles que forem
flagrados em prática desonesta.
Remuneração de entrevistadores – Outro importante ponto sobre recursos humanos
que deve ser definido pelo pesquisador é quanto à forma de pagamento das entrevistas
(pessoais ou por telefone). As opções são: pagar exclusivamente um salário fixo (por hora,
semanal ou mensal), pagar exclusivamente por entrevista realizada, ou uma composição des-
sas duas formas. O ideal seria pagar exclusivamente um salário fixo, uma vez que qualquer
pagamento como incentivo pode comprometer a qualidade dos dados coletados, quer pelo
fato de as entrevistas serem efetuadas com pressa, quer pela tentação de se utilizarem recursos
desonestos. No entanto, essa forma de remuneração tende a estimular a acomodação e
não é incomum que traga desestímulo aos entrevistadores mais produtivos, à medida que
remunera a todos de forma igual, independentemente de sua produção. Outro problema
associado a essa forma de remuneração é que o custo de realização de cada entrevista passa
a ser variável. Os argumentos em prol do pagamento exclusivamente por entrevistas com-
preendem: os entrevistadores podem ganhar mais se planejarem melhor suas atividades; há
maior justiça quando se paga pela produção: quem produz mais ganha mais, e vice-versa;
e o custo de realização de cada entrevista passa a ser fixo, facilitando o controle dos custos
totais de coleta de dados. Para se decidir entre uma forma e outra, o pesquisador poderá
utilizar as seguintes sugestões práticas:
Deve preferir pagar salário fixo quando:
• O nível dos entrevistadores for acima da média.
• O tema da pesquisa for complexo.
• A entrevista tiver longa duração.
• Os prazos para término do campo não forem rígidos.
• O orçamento para pagamento das entrevistas não for rígido.
• O tempo de locomoção entre uma entrevista e outra for longo.
• A prospecção de entrevistados for difícil.
• A empresa apresentar um volume de trabalho por um longo período de tempo (várias e
constantes pesquisas) que justifique a contratação de entrevistadores permanentes.
Deve preferir pagar por entrevista realizada quando:
• O nível dos entrevistadores for médio ou baixo.
• O tema da pesquisa for simples.
• As entrevistas forem de duração rápida.
• Os prazos para o término do campo forem rígidos.
• O orçamento para pagamento das entrevistas for rígido.
• O tempo de locomoção entre uma entrevista e outra for desprezível.
252 Pesquisa de Marketing
• No esquema de amostragem proposto, for possível desprezar e, portanto, não pagar pelas
entrevistas que estiverem abaixo da qualidade predefinida.
• A prospecção dos entrevistados for fácil.
• A empresa não apresentar um volume de trabalho que justifique entrevistadores per-
manentes.
Concluído o treinamento, os entrevistadores dão início ao processo de visitação e coleta
de dados. Ao longo de todo esse processo, os entrevistadores precisam ser continuamente
supervisionados para verificar se tudo está correndo segundo o planejado: se os respondentes são
os elementos, efetivamente, determinados pela amostra; se os instrumentos estão sendo preen-
chidos com clareza, correção e honestidade; se os prazos e custos estão sendo obedecidos etc.
A maior parte das considerações sobre as entrevistas pessoais também se aplica às entrevis-
tas telefônicas. Em geral, como as entrevistas telefônicas são realizadas a partir de um mesmo
local, toda a tarefa de controle e supervisão fica mais fácil. No que diz respeito às qualificações
necessárias para o processo de seleção, dá-se grande ênfase ao timbre de voz, à capacidade de
comunicação verbal, à capacidade de estabelecer empatia apenas pela voz e às práticas gentis
de utilização do telefone, sem prejuízo de outras julgadas necessárias, segundo o público a
ser entrevistado.
Os questionários autopreenchíveis, em qualquer de suas formas de aplicação, exigem
pouca habilidade dos aplicadores e estão, praticamente, sob o controle direto do pesquisador.
No entanto, agora é preciso empenhar-se em facilitar a compreensão e o preenchimento do
instrumento pelo próprio respondente, por meio de orientações no próprio corpo do ques-
tionário.
Quando se tratar de pesquisas por observação, a natureza do plano de observações no
campo, resultante da complexidade da pesquisa, implicará o perfil de qualificações dos recursos
humanos a serem contratados. Se houver necessidade de pessoas para a realização do campo,
grande parte das considerações apresentadas para as entrevistas pessoais é, aqui, também válida.
Quando equipamentos especiais forem necessários para registrar as observações, deve-se
considerar a contratação de operadores especializados (recrutamento, seleção, contratação por
prestação de serviços, custos etc.).
Controle
É fundamental controlar e acompanhar todas as atividades planejadas, bem como a medição
constante das metas atingidas em comparação com as programadas, para garantir o cum-
primento de prazos e orçamentos.Veja, no Quadro 9.3, um exemplo de planilha para controle
dos resultados esperados da coleta de dados.
Outras planilhas de controle semelhantes poderão ser construídas pelo pesquisador para
outros itens que ele julgar importantes controlar.
Quadro 9.3 Controle dos resultados esperados de coleta de dados que reúnem as condições
necessárias para atender a pesquisa
1. Total de respondentes elegíveis ______
1.1 Entrevistados ______
1.2 Recusas ______
1.3 Não contatos (assumidos como elegíveis) ______
1.4 Outros (especificar) ______ ______
2. Total de respondentes não elegíveis ______
2.1 Mudanças ______
2.2 Outros ______
3. Total da amostra ______
Porcentagens de respostas
(item 1.1 / item 1) × 100 ______%
Porcentagens de recusas
[item 1.2 /(item 1.1 + item 1.2)] × 100 ______%
Porcentagens de contatos
(item 1 – item 1.3) / item 1 × 100 ______%
Porcentagens de entrevistas elegíveis
(item 1 / item 3) × 100 ______%
sua audiência, apertando-o quando iniciar e voltando a apertá-lo quando terminar de assistir a
programas de TV. Com o people meter, a transmissão da audiência, tanto bruta quanto qualificada,
para a central de processamento, passa a ser realizada de 30 em 30 segundos através de linha
telefônica direta ou rádio; a informação é imediatamente processada e enviada, também a cada
30 segundos, aos computadores dos usuários da pesquisa. Com o people meter, é possível trans-
mitir continuamente, on-line, os resultados da audiência bruta e qualificada para os usuários da
pesquisa. No entanto, deve-se notar que tanto o sistema de registro da audiência qualificada
do Tevetron quanto do people meter podem apresentar falhas, pois dependem da lembrança dos
pesquisados em efetuar os registros ou apertar e desapertar os botões.
Smart sense – O smart sense é a versão mais moderna para o registro da audiência de TV
(bruta e qualificada). Esse aparelho, desenvolvido na França, registra eletronicamente a presença
dos membros da família que estão assistindo a programas de TV, independentemente de sua
vontade, lembrança ou ação. No mais, o sistema funciona de forma análoga ao people meter.
Leitor ótico – Os pontos de venda - PDVs informatizados, equipados com leitores óticos,
constituem outro desenvolvimento tecnológico que tende a revolucionar a coleta de dados em
algumas pesquisas de marketing. As tradicionais pesquisas de store-audit tendem a desaparecer,
pois bastará o computador da agência de pesquisa estar interligado aos computadores das redes
de lojas para a empresa ter as informações sobre participação de mercado, volume de vendas,
distribuição quantitativa e qualitativa, ausência de estoques na loja, preços praticados etc.,
on-line, e não uma vez a cada bimestre, como tradicionalmente se tem feito.
Notebooks/palmtops/coletadores eletrônicos de dados – A constante miniaturização
dos componentes eletrônicos informáticos (microinformática) tem possibilitado a redução
contínua do tamanho dos computadores, dando origem a versões supercompactas denomi-
nadas notebooks, palmtops e coletadores eletrônicos de dados. A utilização no campo desses
computadores supercompactos tem auxiliado na solução de problemas de administração de
vendas (os vendedores podem ter contato contínuo com a central para consultar estoque,
andame nto de pedidos, confirmação de pedidos, reserva de estoques etc.). As companhias
de distribuição de energia elétrica, água encanada e gás encanado têm feito uso intenso dos
chamados coletadores de dados para registro eletrônico do consumo mensal dos usuários desses
serviços públicos, com grande economia de tempo, recursos humanos, precisão e rapidez entre
a leitura, o faturamento e a cobrança da conta. Já existem casos em que o coletor de dados está
acoplado a uma pequena impressora que permite a emissão, na hora do registro do consumo,
da conta e a respectiva entrega ao consumidor.
Esses aparelhos podem ser adaptados e estão sendo utilizados para a coleta de dados no
campo. O entrevistador vai a campo com o questionário eletrônico no aparelho. À medida
que realiza a entrevista, registra (digita) as respostas no questionário eletrônico, na tela do
aparelho. A remessa dos dados coletados para a central de processamento poderá ser efetuada
com a frequência desejada (de hora em hora, uma vez por dia ou até on-line).
Smart card – O smart card consiste na evolução dos cartões eletrônicos de crédito. Enquanto
estes se caracterizam por possuir apenas uma tarja magnetizada com alguns dados de identifi-
cação de seu possuidor, o smart card tem uma grande capacidade de armazenamento eletrônico
de dados. Nele, é possível gravar uma infinidade de dados de interesse de marketing sobre o
possuidor, além dos dados de identificação (renda, estado civil, ocupação, número e idade dos
filhos, nível de escolaridade do possuidor e do cônjuge, hábitos que possam caracterizar o
estilo de vida etc.). Além disso, o smart card pode captar e registrar todas as compras efetuadas
Coleta de Dados 255
com o cartão. Determinados check outs possuem um equipamento capaz de captar dos smart
cards todas as informações de compras efetuadas e nele registradas. Dessa forma, tem-se aces-
so a todas as informações necessárias para relacionar as compras efetuadas com o perfil dos
consumidores, não havendo necessidade de se coletarem dados na forma tradicional. Os smart
cards estão sendo testados para várias finalidades em algumas pequenas cidades dos Estados
Unidos e já estão comercialmente disponíveis em alguns casos.
Fax – O fax foi considerado um substituto vantajoso dos correios para a realização de
pesquisas por meio de questionários autopreenchidos, em função da rapidez do envio do
instrumento e do recebimento da resposta. Atualmente, a utilização do fax para a realização
de pesquisas tem sido muito restrita, à medida que foi substituído pelas pesquisas na internet,
que apresentam infinitas vantagens.
Internet – A internet veio revolucionar a forma de se fazer pesquisa em diversas direções.
As pesquisas de dados secundários (também denominadas desk research) eram realizadas de
forma demorada e exaustiva, com inúmeras visitas a órgãos públicos, arquivos de jornais e
revistas, sindicatos, associações de classe, concessionárias de serviço público, universidades,
centros de pesquisas etc. Com a internet, a pesquisa de dados secundários passou a ser feita
exclusivamente pela navegação em inúmeros sites dessas entidades e pela utilização do auxílio
proporcionado pelos sites de busca. Outra facilidade é a aplicação de questionários autopreen-
chidos em substituição ao correio e ao fax. A utilização de software de pesquisas pela internet
possibilita: remessa automática dos questionários eletrônicos para uma relação de e-mails,
respostas digitadas diretamente pelo respondente, controle automático do retorno, proces-
samento contínuo aos retornos recebidos e envio contínuo dos resultados ao cliente. O grande
limitador da utilização da internet para a coleta de dados é a ainda pequena base de usuários,
o que restringe sua utilização a populações de pesquisa que já têm acesso.
Infovias – As infovias são as grandes vias de transporte de informações que estão sendo
construídas em todo o mundo. Caracterizam-se por transportar, simultaneamente, grandes
quantidades de dados e informações de forma rápida, precisa e barata. A tecnologia utilizada é
a fibra ótica. Além de facilitar a troca contínua de dados e informações entre diversos centros,
essa tecnologia permite o surgimento da TV interativa.
TV interativa – A principal característica da TV interativa é a de que usuário e emissora
poderão trocar informações. Surge, portanto, um novo meio de obtenção de dados para a
realização de uma infinidade de tipos de pesquisas, tão logo esteja disponível.
Observa-se, portanto, que as inovações tecnológicas estão continuamente contribuindo
para o aprimoramento dos processos de pesquisa em termos de qualidade, rapidez, precisão
e economia.
VALIDADE E CONFIABILIDADE
Foi visto no Capítulo 6 que inúmeras são as fontes de erros não amostrais em pesquisas de
marketing e, ao pesquisador, cabe apenas tomar o máximo cuidado, durante as várias etapas
e fases do processo, a fim de minimizar sua ocorrência. Foi visto também que determinada
medição efetuada em pesquisa de marketing (Me) é composta de três elementos: a medida
verdadeira (Mv), o erro amostral (Ea) e o erro não amostral ou sistemático (Es). Seu relacio-
namento é representado pela seguinte fórmula:
Me = Mv + Ea + Es
256 Pesquisa de Marketing
O pesquisador responsável pela condução de uma pesquisa precisa ter noção de quanto
os dados coletados são válidos e confiáveis. A seguir, são apresentados os significados desses
dois importantes conceitos em pesquisas de marketing e as formas de estimá-los.
Concluindo, para uma medida ser válida, precisa ser confiável. Porém, se uma medida não
for confiável, não poderá ser válida; e, sendo confiável, poderá ou não ser válida. A confiabi-
lidade é uma condição necessária, mas não suficiente, para a validade. Por essas razões, diz-se
que o conceito de validade é mais importante para os resultados de uma pesquisa de marketing
que o conceito de confiabilidade, justamente por ser mais amplo e incluir aquele.
técnicas são aplicadas, simultaneamente, para medir o mesmo fenômeno. Se houver alta cor-
relação em seus resultados, a nova técnica poderá ser adotada, pois terá a validade concordante
da anterior.
Validade preditiva – O método da validade preditiva compreende a medição de uma
variável em determinado momento para que, com base nos resultados dessas medições, possa-se
prever os resultados da variável de interesse que está sendo prevista num momento futuro. Após
a ocorrência da realidade, verifica-se a correlação entre os dois fenômenos. Se for elevada, diz-se
que a medição inicial tem validade preditiva.
Por exemplo, com base na correlação existente entre a evolução socioeconômica da
população e as vendas da empresa verificada nos últimos 36 meses, prevê-se o crescimento
das vendas da empresa para os próximos 12 meses. Se, após esse prazo, concluir-se que, efeti-
vamente, as vendas cresceram segundo a correlação prevista, diz-se que a medida da evolução
socioeconômica da população efetuada tem validade preditiva com as vendas.
RESUMO
A coleta de dados é a fase em que são efetuados os contatos com os respondentes, aplicados os
instrumentos, registrados os dados, efetuada uma primeira crítica do preenchimento dos ins-
trumentos e enviados os instrumentos preenchidos para a central de processamento dos dados.
260 Pesquisa de Marketing
QUESTÕES DE REVISÃO
1. Quais são as áreas importantes de serem planejadas na fase de coleta de dados?
2. Quais os principais pontos geradores de vieses no momento de realização das entrevistas?
Coleta de Dados 261
3. O que deve ser efetuado para minimizar a ocorrência de vieses na coleta de dados oriunda
dos entrevistadores?
4. O que deve ser efetuado para minimizar a ocorrência de vieses por parte dos entrevistados?
5. O que fazer para evitar a desonestidade dos entrevistadores?
6. Faça uma comparação entre as justificativas para pagamento de entrevistadores mediante
salário fixo e pagamento por entrevista.
7. O que é validade? Quais as formas de medir a validade?
8. O que é confiabilidade? Quais as formas de medir a confiabilidade?
Trabalho – Parte 7
Realize a coleta de dados de seu projeto de pesquisa.
REFERÊNCIAS
ATHEY, K. R.; COLEMAN, Joan E.; REITMAN, Audrey P.; TANG, Jenny. Two experiments showing the effect
of the interviewer's racial background on responses to questionnaires concerning racial issues. Journal of Applied
Psychology, 1960, 44, pp. 244-246.
BLANKENSHIP, Albert B. The effect of the interviewer upon the response in a public opinion poll. Journal of
Consulting Psychology, 4, 1940, pp. 134-136.
CAHALAN, D., TAMULONIS,V.,VERNER, H. W. Interviewer bias involved in certain types of attitude ques-
tions. International Journal of Opinion and Attitude Research, 1, Mar. 1947, pp. 63-77.
EHRLICH, June Sachar; RIESMAN, David. Age and authority in the interview. Public Opinion Quarterly, ano
25, Spring 1961, p. 41.
FERBER, Robert, WALES, Hugh. Detection and correction of interviewer bias. Public Opinion Quarterly, 16,
Spring 1952, pp. 107-127.
HAUCK, Mathew. Planning field operation. In FERBER, Robert (Ed.). Handbook of marketing research. New York:
McGraw-Hill, 1974, pp. 2-147 a 2-154.
HYMAN, Herbert H.; COOB,William J.; FELDMAN, Jacob J.; HART, Clyde W.; STEMBER, Charles
Herbert. Interviewing in social research. Chicago: University of Chicago Press, 1954.
KATZ, Daniel. Do interviewers bias poll results. Public Opinion Quarterly, 6, Summer 1942, pp. 248-268.
LEMSKE, Gerhard E., LEGGETT, John C. Caste, class, and deference in the research interview. The
American Journal of Sociology, 66, Mar 1960, p. 467.
MAYER, Charles S. Quality control. In FERBER, Robert (ed.). Handbook of marketing research. New
York: McGraw-Hill, 1975, pp. 2-160 a 2-177.
WILLIAMS, Jr., J. Allen. Interviewer-respondent interaction: a study of bias in the information interview.
Sociometry, ano 27, 1964, pp. 338-352.
CAPÍTULO 10
Processamento dos Dados
Os cientistas não lidam com a verdade; eles lidam com descrições da realidade, limitadas e
aproximadas.
Fritjof Capra
Objetivos
• Apresentar e detalhar todas as fases para a preparação e realização do processamento dos dados
na pesquisa.
Sumário
CRÍTICA
CHECAGEM
CODIFICAÇÃO
DIGITAÇÃO
TABULAÇÃO
CRÍTICA ELETRÔNICA
Crítica eletrônica de valores estranhos
Crítica eletrônica da consistência
Crítica eletrônica de valores extremados
COMPLETANDO O BANCO DE DADOS
PADRÕES TÍPICOS DE RESULTADOS DE TABULAÇÕES
CRÍTICA
A função básica da crítica é a de impor padrão de qualidade aos dados brutos, de forma
que sua precisão seja máxima, e as ambiguidades, mínimas. A crítica envolve a inspeção e, se
for o caso, a correção de cada instrumento de coleta preenchido, e deve ser efetuada em 100%
dos questionários aplicados.
A crítica é, geralmente, feita em dois estágios: no campo e no escritório. No campo, efe-
tua-se uma crítica preliminar para detectar os erros, omissões e ilegibilidades mais evidentes.
A crítica no campo deve ser imediatamente realizada após a entrega do instrumento pelo
entrevistador, de forma a possibilitar a correção de problemas mais evidentes, antes que a
equipe de entrevistadores seja desfeita, e, em geral, é feita pelo próprio supervisor de campo.
A crítica no escritório envolve um trabalho bem mais detalhista e intenso do que aquele
realizado no campo e exige a presença de pessoas com conhecimento profundo dos objetivos
e procedimentos da pesquisa. Para que a crítica no escritório seja eficaz, é fundamental que
se realize com consistência. Em estudos com amostras pequenas, uma mesma pessoa poderá
encarregar-se da crítica de todos os instrumentos e de todas as suas partes, e a consistência
estará garantida. Em estudos maiores, em que várias pessoas estarão encarregadas da crítica,
será necessário, para manter um padrão consistente, que sejam treinadas, e/ou que exista um
padrão por escrito a ser seguido (manual de crítica), e/ou que uma supervisão intensa seja
exercida ou ainda que cada crítico seja responsável por criticar determinadas perguntas de
todos os instrumentos.
Tanto a crítica no campo quanto no escritório devem analisar e avaliar se cada instrumento
preenchido está completo, legível e compreensível, uniforme, consistente e preciso.
Completo – Compreende verificar se todas as questões foram respondidas. As questões
não respondidas podem ser tratadas de uma das seguintes maneiras: contatar o respondente
(via entrevistador ou pelo próprio crítico) para obter a resposta; determinar que o dado,
no específico instrumento, seja considerado não resposta; e, quando a quantidade de não
respostas num item específico ocorrer em muitos instrumentos, determinar sua exclusão
da pesquisa.
Legível e compreensível – Para que o dado seja posteriormente codificado, é preciso
que tenha sido claramente registrado no instrumento e que as palavras utilizadas sejam com-
preensíveis. Caso o registro seja ilegível ou incompreensível, poderá ser corrigido por meio de
contato com o entrevistador responsável ou, se não for mais possível, o crítico deverá tentar
inferir o registro por meio das respostas de outras partes do instrumento. Se, com nenhuma
dessas opções for possível resolver o problema, o dado deverá ser abandonado.
Uniforme – É importante que as respostas sejam obtidas em unidades uniformes, con-
forme solicitado. Se o crítico perceber que isso não ocorreu (por exemplo, a frequência de
ida ao cinema deveria ser registrada em número de idas mensais e foi registrado o número de
idas semanais), deverá contatar o entrevistador ou o respondente para obter a resposta correta,
ou o dado deverá ser eliminado, a fim de evitar grande confusão durante o processamento.
Consistente – A consistência diz respeito à existência de coerência entre as respostas das
diferentes questões do instrumento. Não será consistente o instrumento que, por exemplo,
apresentar um padrão de compra incompatível com a renda ou apresentar hábitos socioculturais
incompatíveis com o nível educacional do respondente. O crítico deve solicitar esclarecimentos
ao entrevistador e, se estes não forem satisfatórios, eliminar as questões sem consistência, ou
até mesmo eliminar esse instrumento do estudo.
Processamento dos Dados 265
Preciso – O crítico deverá estar atento para descobrir eventual imprecisão nos dados. Essa
imprecisão pode estar relacionada a vieses introduzidos pelos entrevistadores ao conduzir de
forma errônea a entrevista, a vieses originários da falta de colaboração dos respondentes e aos
vieses decorrentes da desonestidade dos entrevistadores. Somente críticos muito experientes
são capazes de perceber diferentes nuanças no padrão de resposta dos instrumentos de um
entrevistador que o leve a desconfiar de que não houve a precisão necessária ou de que o
instrumento não foi preenchido de forma honesta. Quando imprecisões forem detectadas, o
instrumento deverá ser sumariamente eliminado do estudo.
A crítica no escritório difere da crítica no campo, no sentido de que está mais preocu-
pada com o que fazer com os casos que surgem do que com as correções a serem realizadas
pelos entrevistadores ou o retorno do questionário ao campo.
Outra forma de crítica, chamada crítica de consistência, deve ser feita quando os dados já
estiverem digitados e armazenados no banco de dados e antes do início do processamento.
Essa crítica é feita por processamento eletrônico e será vista, adiante, quando se discorrer sobre
tabulação eletrônica.
CHECAGEM
A checagem visa fundamentalmente avaliar a qualidade e a veracidade do trabalho de campo
e compreende entrar em contato com uma amostra (sorteada ou não) de entrevistados de cada
entrevistador, podendo variar de 10% a 30% do total da amostra pesquisada (dependendo das
exigências do cliente e do que foi acordado no contrato da pesquisa).
A checagem pode ser simples ou técnica. A checagem é simples quando visa apenas
confirmar os dados obtidos na entrevista; é técnica quando se faz necessário corrigir, com-
pletar ou entender alguma resposta.
Os objetivos da checagem compreendem:
• Confirmar se a entrevista foi efetivamente realizada.
• Verificar se a entrevista foi realizada respeitando-se os filtros estabelecidos.
• Confirmar se a entrevista foi realizada com a pessoa certa.
• Verificar se há consistência nas respostas obtidas no questionário, fazendo-as novamente
e comparando-as.
• Corrigir eventuais erros e dúvidas nas respostas.
• Obter respostas a perguntas que não foram respondidas.
A checagem pode ser feita por telefone ou pessoalmente. Sempre que possível, deve ser
feita por telefone, por ser a forma mais rápida e econômica.
CODIFICAÇÃO
A codificação é o procedimento técnico pelo qual os dados são categorizados. Por meio
da codificação, os dados brutos são transformados em símbolos (necessariamente numéricos
quando o processamento eletrônico for utilizado) que possam ser contados e tabulados. Os
procedimentos para codificação serão diferentes se as respostas a serem codificadas forem de
uma questão fechada ou aberta.
Codificação de questões fechadas – Para questões fechadas, a codificação pode ser estabe-
lecida antes que o trabalho de campo seja iniciado, e pode ou não estar impressa no instrumento
266 Pesquisa de Marketing
de coleta dos dados. Sua impressão no instrumento facilita o trabalho, pois evita que, antes de
o instrumento passar para a digitação, passe por uma fase de registro do código.Veja, a seguir,
exemplos de questões fechadas precodificadas, com a codificação já registrada no instrumento:
Sexo? 4
Masculino 1
Feminino 2
Qual o seu estado civil? 5
Solteiro 1
Casado 2
Desquitado/divorciado/separado 3
Viúvo 4
Qual a sua idade? 6
0 a 3 anos 1
4a7 2
8 a 11 3
12 a 18 4
19 a 25 5
26 a 45 6
46 a 55 7
Acima de 55 8
Nesses exemplos, o número que aparece acima da coluna de códigos de respostas indica
qual coluna do layout eletrônico foi reservada para se digitar a resposta a essa pergunta. Assim,
a coluna 4 está reservada para serem registrados os dígitos 1 ou 2, conforme a resposta tenha
sido sexo masculino ou feminino, respectivamente, a coluna 5, para o estado civil etc. Note
que, no caso de dados numéricos, como idade, renda, é possível coletá-los diretamente ou
por intervalos. A vantagem da coleta direta é que o intervalo poderá ser estabelecido durante
o processamento, conforme a necessidade determinar.
Contribuem para o estabelecimento a priori da codificação das opções de respostas o co-
nhecimento que o pesquisador e sua equipe tiverem do assunto de pesquisa e a realização de
pré-testes no instrumento.
Codificação de questões abertas – A codificação de questões abertas é muito mais
complexa; o problema, agora, consiste em codificar as respostas verbais dadas pelos respondentes
durante a entrevista.
Existem dois diferentes procedimentos de codificação, ambos trabalhosos e demorados. O
primeiro é a preparação a priori de um esquema bem desenvolvido de codificação. Para poder
realizá-lo, o pesquisador e sua equipe precisam ter acesso ao resultado de estudos anteriores,
um grande conhecimento do assunto em estudo ou levar em conta algum referencial teórico
existente. O segundo procedimento consiste em esperar pelo término do campo e, a partir das
verificações das respostas, ir construindo o esquema de codificação. Não é incomum, depois
de boa parte dos instrumentos terem sido codificados, surgir a necessidade de alterações no
esquema de codificação e, consequentemente, ter de recodificar novamente os já codificados.
Processamento dos Dados 267
• Use somente códigos numéricos; não utilize nenhum caractere especial nem deixe
nenhuma resposta em branco.
• Utilize uma coluna do layout da planilha eletrônica para cada variável.
• Utilize códigos diferentes para não resposta (missing) e para pulo (deixou de responder
porque, em função das respostas anteriores, não cabia responder).
• Nunca utilize o zero como opção de resposta, pois isso pode gerar muita confusão no
processamento. Estabeleça e utilize um código padronizado para diferentes tipos de
não respostas. Por exemplo:
Tipo de resposta Código
Não sabe/não tem opinião 90 ou −1
Não respondeu/recusa 91 ou −2
Não se aplica 92 ou −3
Dado excluído pela crítica 93 ou −4
Observação: dos dois conjuntos de possibilidades exemplificadas, a utilização de códigos
com números negativos é mais segura.
5. Todo o conjunto de respostas de um mesmo instrumento precisa estar devidamente
identificado na planilha eletrônica de dados – Muitos erros podem ocorrer no proces-
so de transcrição dos dados (digitação) para a planilha eletrônica; a identificação do
instrumento que gerou determinado conjunto de dados sempre permitirá eventuais
consultas a ele para dirimir eventuais dúvidas, ao longo do processamento e da análise.
Mais adiante, neste capítulo, quando for abordado o uso de computadores no proces-
samento de dados, será esclarecido como essa identificação poderá ser feita.
6. Em perguntas fechadas com resposta múltiplas (em que várias opções de respostas
podem ser escolhidas simultaneamente), deve ser utilizada, para codificação, cada opção
de resposta como uma pergunta simples cujas respostas possíveis sejam “sim”, código
1 ou “não”, código 2, e reservada cada coluna da planilha eletrônica para o registro de
cada opção de resposta.Veja a ilustração, no seguinte exemplo.
Dos itens apresentados a seguir, assinale aqueles que você leva em con-
sideração na escolha do café que consome.
10
Pureza Sim 1
Não 2
11
Sabor Sim 1
Não 2
12
Aroma Sim 1
Não 2
13
Qualidade Sim 1
Não 2
Processamento dos Dados 269
14
Textura Sim 1
Não 2
15
Torrefação Sim 1
Não 2
16
Embalagem Sim 1
Não 2
17
Marca Sim 1
Não 2
Neste exemplo, os números 10 a 17 representam os números das colunas da planilha
eletrônica reservados para registrar as respostas dos itens que forem assinalados no
instrumento de coleta de dados. No processamento eletrônico, pode-se solicitar
que as respostas sejam tabuladas em conjunto.
DIGITAÇÃO
A digitação, utilizada apenas para a tabulação eletrônica, consiste em transcrever os dados
codificados dos instrumentos de coleta de dados para o arquivo eletrônico de dados (banco
de dados).
TABULAÇÃO
A tabulação consiste na contagem do número de casos ocorridos em cada categoria. A
tabulação pode ser simples, quando envolve apenas a contagem do número de casos ocorridos
em cada uma das variáveis do estudo; ou cruzada, quando as ocorrências em duas ou mais
variáveis do estudo tiverem sido contadas simultaneamente. A tabulação pode ser inteira-
mente manual, inteiramente eletrônica ou parcialmente manual e parcialmente eletrônica.
A decisão de qual utilizar depende: da disponibilidade de equipamento de processamento
eletrônico, do volume de dados a processar – representado pelo número de instrumentos,
número de variáveis em cada instrumento e do número de opções de resposta para cada
variável – e da complexidade das análises estatísticas que serão necessárias. Quanto maior
for o volume de dados a processar e mais complexas as análises a serem efetuadas, maior
será a eficácia de se utilizar processamento eletrônico, e vice-versa, em relação ao proces-
samento manual.
Tabulação manual – Para a tabulação manual, basta dispor de uma folha de papel e
um lápis. Registram-se, na folha de papel, as várias opções de respostas e, percorrendo-se os
instrumentos de coleta por várias vezes quantas forem as opções de respostas, realizam-se os
registros das ocorrências e, finalmente, sua contagem. Na Tabela 10.1, está um exemplo de
tabulação manual simples de uma questão de pesquisa com quatro opções de respostas de um
instrumento que foi aplicado a 40 respondentes.
270 Pesquisa de Marketing
A tabulação cruzada também pode ser feita manualmente, mediante a construção de uma tabela
com todos os valores das duas variáveis a serem cruzadas, de maneira que sejam criadas células
resultantes da combinação dos cruzamentos possíveis. Analogamente ao exemplo anterior, per-
correm-se todos os instrumentos de coleta e vão-se registrando, nessa tabela, os casos de ocorrência
simultânea dos valores nas duas variáveis em cruzamento. Na Tabela 10.2, mostra-se como efetuar
a tabulação cruzada manual dos resultados das seguintes questões de uma pesquisa em que foram
entrevistados 50 respondentes: marca do café consumido, com cinco opções de respostas: 1, 2, 3,
4 e 5; e estrato socioeconômico da família, com quatro opções de respostas: 1, 2, 3 e 4.
Tabela 10.2 Exemplo de tabulação cruzada manual de duas questões de uma pesquisa
Marca do café consumido
Estrato socioeconômico da família 1 2 3 4 5 Totais
1 //// // / ///// /// 15
2 // ///// /// // – 12
3 /// / /// – // 9
4 / //// ///// /// / 14
Totais 10 12 12 10 6 50
Note que os subtotais verticais e horizontais (ou subtotais marginais) de cada variável
correspondem à tabulação simples de cada uma delas. Isso indica que, quando se tem de efetuar
tabulações cruzadas, não é preciso efetuar as simples, que acabam sendo feitas em consequência.
Tabulação eletrônica – A popularização do computador, possibilitada pelas drásticas e con-
tínuas reduções de porte e preço, a elevação de sua capacidade de processamento a níveis nunca
antes imaginados, a disponibilidade no mercado de softwares poderosos para o processamento
estatístico dos dados e a simplificação e facilitação das formas de comunicação homem-máquina
fizeram com que, praticamente, toda pesquisa passasse a ser tabulada em computadores.
Para a realização do processamento eletrônico, o pesquisador precisará de um programa
para análise dos dados. Há muitos programas disponíveis na internet que captam e armazenam
dados e possibilitam processamentos básicos. Dependendo do programa disponibilizado,
inúmeras facilidades para todas as fases do processamento podem estar disponíveis, tais como:
• Módulo para construção de questionário.
• Biblioteca de questionários.
• Módulo para envio de questionários pela internet.
• Módulo para responder questionários pela internet.
• Módulo para armazenamento de respostas.
• Módulo para processamentos simples.
Processamento dos Dados 271
CRÍTICA ELETRÔNICA
Assim que os dados estiverem digitados e armazenados no banco de dados, e antes de
iniciar a tabulação/processamento, fazem-se necessárias a realização da crítica eletrônica e a
depuração dos dados de possíveis erros e inconsistências que não tenham sido percebidos nas
críticas no campo e no escritório. Existem três tipos de crítica eletrônica a serem efetuados
nos dados armazenados: crítica eletrônica de valores estranhos às variáveis; crítica eletrônica
da consistência dos dados de cada instrumento; e crítica eletrônica de valores extremados.
Crítica eletrônica de valores estranhos
Nesta crítica, devem-se fornecer comandos ao computador, de forma que aponte valores
de cada variável que não tenham sido previamente estabelecidos no livro de codificação e no
programa para entrada e saída dos dados. Assim, por exemplo, para a variável estado civil, para a
qual existem apenas cinco códigos legítimos (o quinto corresponde à não resposta), um coman-
do deve ser dado ao computador para apontar qualquer outro dígito que seja diferente desses
cinco legítimos. Esse procedimento deve ser feito com todas as variáveis da pesquisa. A correção
dos valores estranhos será fácil se os conjuntos de dados referentes a cada instrumento tiverem
sido, prévia e devidamente, identificados no banco de dados. Bastará localizar o instrumento
correspondente e a dúvida poderá ser solucionada. Para tanto, todos os instrumentos deverão
estar numerados, e esse mesmo número deverá constar do campo eletrônico correspondente.
Crítica eletrônica da consistência
A consistência de um conjunto de dados de um mesmo instrumento diz respeito à coerência
interna que deve haver entre eles. A crítica da consistência dos dados de cada instrumento
pode ser efetuada pelo computador de forma mais eficaz que as anteriores realizadas à mão. O
pesquisador deve estabelecer um programa de consistência com as variáveis-chaves de sua pes-
quisa. Deve identificar variáveis em que as ocorrências de uma, necessariamente, implicam as
ocorrências da outra (chamada de consistência de sentido único), como, por exemplo, alguém
que tenha respondido em uma pergunta não apreciar os programas atuais da TV e, em outra,
afirmar nunca ter possuído aparelho de TV; ou no caso de alguém ter respondido apreciar muito
determinado produto e, em outra questão, afirmar nunca tê-lo experimentado. Poderá também
identificar variáveis em que a ocorrência de uma implica a ocorrência da outra, e vice-versa
(chamada de consistência de sentido duplo). Um bom sistema de análise de dados deve permitir
a elaboração desses tipos de programas de consistência. Uma vez apontada pelo computador
a ocorrência de inconsistências, o pesquisador deverá decidir se é possível corrigi-las, ou se os
dados daquele instrumento deverão ser abandonados.
Crítica eletrônica de valores extremados
Um valor extremado de uma variável diz respeito a valores registrados que fogem com-
pletamente ao campo de variação tido como normal para aquela variável. Assim, por exemplo,
numa pergunta sobre o número de automóveis possuídos pela família, o pesquisador pode
estabelecer como padrão máximo o número de cinco automóveis, e o computador apontará
todos os casos que excederem a este número para a confirmação ou exclusão mediante
consulta ao instrumento e julgamento do pesquisador. Imagine que o computador tenha
apontado o caso de um possuidor de 85 automóveis. Qualquer que seja a razão para o registro
desse número (erro de digitação, o respondente era um colecionador de automóveis etc.), a
272 Pesquisa de Marketing
p ermanência de um dado dessa grandeza deturparia o resultado final (ou por se ter deixado
passar um erro, ou por se ter considerado um caso que era totalmente atípico).
COMPLETANDO O BANCO DE DADOS
Tendo os dados sido depurados e antes de iniciar a tabulação/processamento, o pesquisador
deverá completar o banco de dados com o acréscimo e/ou geração de outras variáveis e
efetuando a ponderação dos dados, se necessário.
Acréscimo e/ou geração de outras variáveis – Existem vários casos em que será
preciso acrescer ou gerar novas variáveis no banco de dados:
• Acrescer dados não coletados durante o campo, mas que serão utilizados para cruzamentos,
tais como: resultados de rodadas anteriores da mesma pesquisa ou de pesquisas semelhantes;
dados do censo; dados sobre vendas; dados sobre participação no mercado; dados sobre
investimentos em comunicação etc.
• Dividir uma variável contínua em categorias (por exemplo, idade em intervalos de idade),
ou combinar as categorias de uma variável de forma a trabalhar com menos categorias.
• Criar novas variáveis por meio da combinação de outras. Por exemplo, criar a variável
renda média familiar por meio da divisão da variável renda familiar pela variável número
de componentes da família.
• Criar um índice que represente o resultado de um conjunto de variáveis. Por exemplo, criar uma
variável índice de preferência para o produto como resultado da somatória das variáveis: grau de
conhecimento do produto, grau de utilização do produto e grau de satisfação para com o produto.
Ponderação dos dados – Este é o último passo a ser dado, antes que se possa iniciar
a tabulação/processamento. A ponderação dos dados se faz necessária, ou por exigência do
processo de amostragem (por exemplo, amostragem não proporcional) ou por ter ocorrido
alguma diferença entre a amostra efetiva, que foi pesquisada, e a amostra planejada, que precisa
ser agora compensada por meio de ponderação.
Um exemplo de ponderação em amostra não proporcional foi realizado na Pesquisa Nacional
Perfil, Formação,Atuação e Oportunidades de Trabalho do Administrador, realizada pelo Conselho
Federal de Administração - CFA (www2.cfa.org.br), em parceria com a Fundação Instituto de
Administração - FIA (www.fia.com.br/) em 2011. Nessa pesquisa, foi introduzida a ponderação das
respostas de cada estado (UF) para compor os processamentos para o Brasil. Como as amostras obti-
das por estado (UF) foram desproporcionais ao tamanho de suas respectivas populações de Adminis-
tradores, no processamento para obtenção dos resultados para o Brasil, os resultados de cada estado
foram ponderados por pesos segundo sua representatividade na composição do PIB do Brasil (PIB de
2008). O PIB foi utilizado para substituir a não disponibilidade de dados sobre as populações de cada
um dos segmentos pesquisados. Os pesos (ou ponderações) para compor os resultados para o total
Brasil foram calculados segundo a fórmula a seguir, com base nas proposições de Mattar (2009:279):
PnB = AnB / anB
Em que:
PnB = Peso (ou ponderação) a ser atribuído aos resultados da amostra de um estado para
compor os resultados do Brasil.
AnB = Proporção (ou %) do PIB do estado em relação ao PIB do Brasil de 2008.
anB = Proporção (ou %) de respondentes do estado no total de respondentes da pesquisa no Brasil.
Na Tabela 10.3, estão os cálculos dos índices de ponderação para o Total Brasil, resultantes
da aplicação da fórmula mencionada.
Tabela 10.3 Cálculo dos índices de ponderações de cada estado para serem aplicados ao n real para o cálculo do n ponderado para o processamento do Total Brasil
PIB de 2008 em R$ mil Administradores Coordenadores Empresários Total
Pondera- n ponde- n Ponde- n ponde- n Ponde- n ponde- n total
Estado Valor Prop. n real Prop. ção rado real Prop. ração erado real Prop. ração rado ponderado
Acre 6.730.000 0,0022 115 0,0064 0,3471 40 8 0,0050 0,4445 4 7 0,0046 0,4861 3 47
Alagoas 19.447.000 0,0064 192 0,0107 0,6007 115 9 0,0056 1,1417 10 7 0,0046 1,4047 10 135
Amapá 6.765.000 0,0022 106 0,0059 0,3785 40 5 0,0031 0,7149 4 5 0,0033 0,6841 3 47
Amazonas 46.823.000 0,0154 468 0,0260 0,5934 278 31 0,0194 0,7981 25 27 0,0176 0,8769 24 326
Bahia 121.508.000 0,0401 1305 0,0726 0,5522 721 87 0,0543 0,7380 64 93 0,0607 0,6606 61 846
Ceará 60.099.000 0,0198 258 0,0143 1,3816 356 38 0,0237 0,8357 32 22 0,0144 1,3813 30 419
Distrito Federal 117.572.000 0,0388 1115 0,0620 0,6254 697 53 0,0331 1,1722 62 61 0,0398 0,9746 59 819
Espírito Santo 69.870.000 0,0230 993 0,0552 0,4173 414 62 0,0387 0,5955 37 99 0,0646 0,3569 35 487
Goiás 75.275.000 0,0248 557 0,0310 0,8015 446 52 0,0325 0,7649 40 37 0,0241 1,0287 38 524
Maranhão 38.487.000 0,0127 229 0,0127 0,9968 228 26 0,0162 0,7822 20 19 0,0124 1,0242 19 268
Mato Grosso 53.023.000 0,0175 276 0,0153 1,1394 314 64 0,0400 0,4378 28 33 0,0215 0,8124 27 369
Mto. Grosso Sul 33.145.000 0,0109 286 0,0159 0,6874 197 32 0,0200 0,5473 18 19 0,0124 0,8821 17 231
Minas Gerais 282.522.000 0,0932 1556 0,0865 1,0769 1676 162 0,1011 0,9215 149 105 0,0685 1,3605 143 1968
Pará 58.519.000 0,0193 535 0,0298 0,6487 347 24 0,0150 1,2884 31 44 0,0287 0,6725 30 408
Paraíba 25.697.000 0,0085 186 0,0103 0,8194 152 21 0,0131 0,6466 14 20 0,0130 0,6497 13 179
Paraná 179.270.000 0,0591 876 0,0487 1,2138 1063 123 0,0768 0,7701 95 84 0,0548 1,0791 91 1249
Pernambuco 70.441.000 0,0232 321 0,0179 1,3015 418 33 0,0206 1,1279 37 20 0,0130 1,7809 36 491
Piauí 16.761.000 0,0055 115 0,0064 0,8644 99 21 0,0131 0,4217 9 7 0,0046 1,2107 8 117
Rio de Janeiro 343.182.000 0,1132 2062 0,1147 0,9871 2035 109 0,0680 1,6636 181 130 0,0848 1,3348 174 2390
R. G. Norte 25.481.000 0,0084 433 0,0241 0,3490 151 41 0,0256 0,3284 13 22 0,0144 0,5856 13 177
R. G. Sul 199.499.000 0,0658 1571 0,0874 0,7532 1183 158 0,0986 0,6672 105 133 0,0868 0,7584 101 1390
Rondônia 17.888.000 0,0059 136 0,0076 0,7801 106 23 0,0144 0,4110 9 13 0,0085 0,6958 9 125
Roraima 4.889.000 0,0016 31 0,0017 0,9354 29 2 0,0012 1,2917 3 1 0,0007 2,4720 2 34
Santa Catarina 123.283.000 0,0407 856 0,0476 0,8542 731 89 0,0556 0,7319 65 74 0,0483 0,8424 62 859
São Paulo 1.003.016.000 0,3308 3183 0,1770 1,8690 5949 303 0,1891 1,7491 530 437 0,2851 1,1605 507 6986
Sergipe 19.552.000 0,0064 173 0,0096 0,6703 116 18 0,0112 0,5740 10 9 0,0059 1,0985 10 136
Tocantins 13.091.000 0,0043 48 0,0027 1,6176 78 8 0,0050 0,8646 7 5 0,0033 1,3239 7 91
Totais 3.031.835.000 1,0000 17982 1,0000 17982 1602 1,0000 1602 1533 1,0000 1533 21117
Fonte: Pesquisa Nacional Perfil, Formação, Atuação e Oportunidades de Trabalho do Administrador. Conselho Federal de Administração – CFA, 5. ed. 2011. Disponível em: www2.cfa.org.br.
Acessado em: 8 ago. 2012.
274 Pesquisa de Marketing
Em que:
Fab = Frequência absoluta (resultado da contagem da categoria).
Fac = Frequência acumulada (resultado da contagem acumulada de todas as categorias
anteriores até a categoria).
Frel = Frequência relativa (frequência da categoria em termos percentuais).
Frel ac = Frequência relativa acumulada (frequência em termos percentuais de todas as
categorias anteriores até a categoria).
n = número de respondentes da questão.
ni = número de respostas da categoria i (nA, nB, nC ou nD).
Um exemplo numérico é apresentado na Tabela 10.5. Suponha-se que a pergunta tenha
sido qual o número de filhos nas famílias pesquisadas; o número de famílias pesquisadas foi
de 150 e as opções de respostas foram 0, 1, 2, 3, 4, 5 ou mais e 9 (não respostas).
A leitura da Tabela 10.6 deve ser feita conforme as orientações constantes no Quadro 10.1.
Alguns exemplos de leituras que podem ser feitas na Tabela 10.7. Suponha como poderá
ser feita a leitura da célula formada pelo cruzamento da linha semanalmente com sexo
feminino:
• Dos 200 entrevistados, 26 são mulheres que leem jornais semanalmente.
• 13% do total da amostra (200) é representado por mulheres que leem jornais semanalmente.
• Das mulheres pesquisadas, 32,5% (80) leem jornais semanalmente.
• Dos 62 leitores semanais de jornais pesquisados, 42% são mulheres.
Além da leitura na célula, é possível efetuar leituras entre células nos sentidos horizontal
e vertical, e em relação ao total de respostas.
RESUMO
O processamento dos dados compreende os passos necessários para transformar os dados
brutos coletados dos instrumentos em dados trabalhados que permitirão a realização de
análises e interpretações, e apresenta as seguintes fases: crítica, checagem, codificação, digitação
e tabulação.
A função básica da crítica é a de impor padrão de qualidade aos dados brutos, de forma que
sua precisão seja máxima, e as ambiguidades, mínimas. A crítica é, geralmente, feita em dois es-
tágios: no campo e no escritório.Tanto a crítica no campo quanto no escritório devem analisar
se os instrumentos estão completos, legíveis e compreensíveis, uniformes, consistentes e precisos.
A checagem visa fundamentalmente avaliar a qualidade e a veracidade do trabalho de
campo e compreende entrar em contato com uma amostra (sorteada ou não) de entrevis-
tados de cada entrevistador, podendo variar de 10% a 30% do total da amostra pesquisada
(dependendo das exigências do cliente e do que tiver sido acordado no contrato da pesquisa).
Processamento dos Dados 277
A codificação é o procedimento técnico pelo qual os dados são categorizados. Para ques-
tões fechadas, a codificação pode ser estabelecida antes que o trabalho de campo seja iniciado
e pode ou não estar impressa no instrumento de coleta dos dados. A codificação de questões
abertas é muito mais complexa. Existem dois diferentes procedimentos: preparação antes
do campo de um bem desenvolvido esquema de codificação ou construção do esquema de
codificação, após o campo, a partir dos próprios dados coletados.
A digitação consiste em transcrever os dados codificados dos instrumentos de coleta de
dados para o arquivo eletrônico de dados.
A tabulação consiste na contagem do número de casos ocorridos em cada categoria. A
tabulação pode ser simples, quando envolve a simples contagem do número de casos ocorridos
em cada uma das variáveis do estudo; ou cruzada, quando as ocorrências em duas ou mais
variáveis do estudo são contadas simultaneamente. A tabulação pode ser inteiramente manual,
inteiramente eletrônica ou, parcialmente, manual e eletrônica.
QUESTÕES DE REVISÃO
1. Descreva o que é crítica, checagem, codificação, digitação e tabulação em pesquisas de
marketing.
2. O que deve ser analisado durante a crítica?
3. O que difere a crítica no campo e no escritório?
4. Quais os objetivos da checagem?
5. No que difere a codificação de questões fechadas das questões abertas?
6. Quais são as regras e convenções para a realização de codificação?
7. Qual a diferença entre tabulação simples e cruzada?
8. O que é necessário para a realização da tabulação eletrônica dos dados de uma pesquisa?
9. No que consiste a crítica eletrônica da consistência? O que se procura detectar?
10. Quais são os tipos de crítica eletrônica da consistência? Dê exemplos.
11. Que tipo de dados não coletados durante o campo pode ser necessário acrescer ao banco
de dados da pesquisa, antes do processamento?
12. Quais as possíveis razões para realizar ponderações no banco de dados antes de iniciar o
processamento?
Trabalho – Parte 8
1. Realize a crítica dos instrumentos coletados em sua pesquisa.
2. Realize a checagem dos instrumentos coletados em sua pesquisa.
3. Caso seu instrumento, ou algumas questões, não tenham sido do tipo pré-codificado,
monte um plano de codificação e, em seguida, codifique-as.
4. Efetue a digitação dos dados, caso vá utilizar o processamento eletrônico.
REFERÊNCIAS
CHURCHILL, JR., Gilbert A. Marketing research: methodological foundations. Insdale, Illinois: Driden Press, 1979.
KINNEAR, Thomas C.; TAYLOR, James R. Marketing research: an applied approach. Tokio: McGraw-Hill
Kogakusha, 1979.
SIDEL, Philip S. Coding. In: FERBER, Robert (Org.). Handbook of marketing research. New York: McGraw-Hill,
1975. pp. 2-178 a 2-199.
278 Pesquisa de Marketing
STOWELL, III, Channing. Planning for data processing and data storage. In: FERBER, Robert (Org.). Handbook
of marketing research. New York: McGraw-Hill, 1975. pp. 2-52 a 2-89.
Sites
CONSELHO FEDERAL DE ADMINISTRAÇÃO – CFA. Pesquisa Nacional Perfil, Formação, Atuação e
Oportunidades de Trabalho do Administrador, 5. ed. 2012. Disponível em: www2.cfa.org.br. Acessado em: 8
ago. 2012.
FUNDAÇÃO INSTITUTO DE ADMINISTRAÇÃO – FIA. Disponível em: www.fia.com.br/.
CAPÍTULO 11
Métodos de Análise de Dados
e Inferência Estatística1
Parece-me que, na escala das medidas universais, há um ponto em que a imaginação e
o conhecimento se cruzam, um ponto em que se atinge a diminuição das coisas grandes
e o aumento das coisas pequenas: é o ponto da arte.
Vladimir Nabokov
Objetivos
• Apresentar e exemplificar os métodos descritivos de medidas de posição e dispersão para análise de dados.
• Apresentar e exemplificar os métodos inferenciais para análise de dados.
Sumário
MÉTODOS DESCRITIVOS
Medidas de posição
Medidas de posição para variável nominal
Medidas de posição para variável ordinal
Medidas de posição para variável intervalar ou razão
Medidas de dispersão
Medidas de dispersão para variável nominal
Medidas de dispersão para variável ordinal
Medidas de dispersão para variável intervalar ou razão
Exemplos de cálculos de medidas de posição e dispersão
MÉTODOS INFERENCIAIS
Fatores para seleção da técnica inferencial
TESTES DE HIPÓTESES
1
ão confundir o uso adequado dos métodos com o uso de métodos sofisticados. Para alguns estudos,
N
é suficiente realizar tabulações simples e cruzadas; outros envolvem análises adicionais com medidas da
dispersão e medidas da associação, acompanhadas de testes estatísticos; para outros ainda, será necessária a
utilização de métodos multivariados.
279
280 Pesquisa de Marketing
MÉTODOS DESCRITIVOS
Dos métodos descritivos de análise de dados, as medidas de posição servem para caracterizar
o que é “típico” no conjunto de elementos, as medidas de dispersão, para medir como os in-
divíduos estão distribuídos no conjunto de elementos, e as medidas de associação, para medir
o nível de relacionamento existente entre duas ou mais variáveis do conjunto de elementos.
A utilização das medidas de posição e de dispersão depende apenas do tipo de escala de
medição da variável sob análise. No Quadro 11.1, apresenta-se um resumo das medidas de
posição e de dispersão e sua utilização em função do tipo de escala de medição da variável.
Métodos de Análise de Dados e Inferência Estatística 281
Quadro 11.1 Medidas de posição e de dispersão para variáveis em escalas nominais, ordinais e intervalares
mais utilizadas em pesquisas de marketing
Escala da variável Medidas de posição Medidas de dispersão
Nominal Moda Distribuição de frequência (absoluta e relativa)
Ordinal Mediana Ordenamento
Quartis, decis e
percentis
Intervalar ou razão Média aritmética Distribuição de frequência acumulada
(absoluta e relativa)
Amplitude
Desvio-médio
Desvio-padrão
Coeficiente de variação
Obs.: As medidas apresentadas são cumulativas, em cada coluna, no sentido de cima para baixo, isto é, todas as medidas aplicáveis
às variáveis com escalas nominais são também aplicáveis àquelas com escalas ordinais, e todas as aplicáveis às variáveis com
escalas ordinais o são também àquelas com escalas intervalares.
Medidas de posição
Como já visto, as medidas de posição servem para caracterizar o que é “típico” no grupo. As
medidas de posição compreendem: moda, mediana e média aritmética (chamadas de medidas
de tendência central) e quartis, decis e percentis (chamadas de separatrizes).
Qn = v + (Q − Frac )/Frel
Em que:
Qn = valor do quartil que se deseja calcular, sendo:
Q1 = 1° quartil.
Q2 = 2° quartil = mediana.
Q3 = 3° quartil.
V = valor médio do intervalo de classe em que o quartil está situado.
Q = frequência relativa acumulada do quartil a ser calculado, sendo: Q = 0,25 para o 1°
quartil, Q = 0,50 para a mediana e Q = 0,75 para o 3° quartil.
Frac = frequência relativa acumulada até a classe anterior à do quartil considerado.
Frel = frequência relativa da classe em que o quartil está situado.
Decis e percentis – Correspondem, respectivamente, aos valores dos elementos que
dividem o grupo em 10 e 100 partes iguais. Não são apresentadas as formas de cálculo devido
à sua pouca utilização em pesquisas de marketing.
intervalares. Dependendo da forma de apresentação dos dados, existem duas fórmulas para o
cálculo da média.
Fórmula para o cálculo da média para dados que não estejam na forma de distribuição
de frequências:
População Amostra
N n
∑ Xi ∑x i
µ= i =1
x= i =1
N n
Fórmula para o cálculo da média para dados que estejam na forma de distribuição de
frequências:
População Amostra
N n
∑fX i i ∑ fx i i
µ= i =1
x= i =1
N n
Medidas de dispersão
As medidas de tendência central informam a respeito do ponto de concentração da maior
parte das respostas, porém não informam nada a respeito do grau de concentração dessas
respostas, nem da maneira como as observações estão dispersas por toda a distribuição. O co-
nhecimento da dispersão dos dados de uma variável é importante, não só por essa razão, mas
também porque permite avaliar a confiabilidade de uma medida de tendência central numa
amostra como parâmetro da população. Assim, se duas distribuições apresentam a mesma média,
não há condição de dizer se são iguais ou diferentes se não se souber a medida de dispersão
dos dados em torno da média de cada distribuição.
para, em função dos resultados, decidir em qual(ais) loja(s) devem ser tomadas providências
administrativas e mercadológicas. Para tanto, realizou uma pesquisa junto a nove consumidores
de cada uma das lojas, quanto a seu grau de satisfação, avaliado por meio da atribuição de pontos
para um grande número de tópicos de um mesmo instrumento de pesquisa. Os resultados
dessa avaliação estão na Tabela 11.2.
Tabela 11.2 Dados brutos resultantes da avaliação do grau de satisfação
em três lojas de uma rede de supermercados
Loja A Loja B Loja C
78 113 72
120 90 93
106 99 80
77 100 69
87 123 97
86 92 76
111 121 62
128 104 67
110 132 116
Totais 903 974 732
Por esses resultados, verifica-se que a loja B teve o melhor desempenho, seguida da loja
A, sendo que a loja C é a que merece mais atenção da empresa em relação à necessidade de
melhorias.
∑X i −µ ∑x i −x
DM = i =1
DM = i =1
N n
Variância e desvio-padrão – A soma dos quadrados das diferenças entre cada observação
e a média, dividida pelo número de observações é definida como variância. O desvio-padrão é
a raiz quadrada da variância. As fórmulas para o cálculo do desvio-padrão para populações
e amostras estão no Quadro 11.2.
O significado do desvio-padrão em termos de dispersão dos dados é que, sendo o valor da
variância para determinado número de observações, proporcional à soma dos quadrados das
diferenças entre as observações e a média, quanto mais essas observações estiverem dispersas,
mais distantes da média estará cada um dos valores de cada observação; dessa forma, maior será
População Amostra
CV p = σ /µ CVa = S /x
Apenas observando os dados da Tabela 11.4, é difícil tirar alguma conclusão, já que os desvios-
padrão não podem ser comparados. Dividindo-se cada desvio-padrão por sua respectiva
média, obtêm-se os respectivos coeficientes de variação CVa = 0,30, CVb = 0,25, CVc = 0,40
e CVd = 0,35. Esses coeficientes permitirão ao gerente concluir que, na região B, está a equipe
de vendas com desempenho mais homogêneo, com as vendas de cada vendedor com pouca
dispersão em torno da média, enquanto, na região C, está a equipe com desempenho menos
homogêneo.
Tabela 11.5 Tabela de distribuição de frequências dos resultados de pesquisa sobre renda familiar
x
(Ponto f
Renda (R$) médio) (unidades) frel Fac frac f.x f . (x2)
0 |– 10.000 5.000 250 0,25 250 0,25 1.250.000 6.250.000.000
10.000 |– 20.000 15.000 300 0,30 550 0,55 4.500.000 67.500.000.000
20.000 |– 30.000 25.000 200 0,20 750 0,75 5.000.000 125.000.000.000
30.000 |– 40.000 35.000 120 0,12 870 0,87 4.200.000 147.000.000.000
40.000 |– 50.000 45.000 60 0,06 930 0,93 2.700.000 121.500.000.000
50.000 |– 60.000 55.000 40 0,04 970 0,97 2.200.000 121.000.000.000
60.000 |– 70.000 65.000 20 0,02 990 0,99 1.300.000 84.500.000.000
70.000 ou + 75.000 10 0,01 1.000 1,00 750.000 56.250.000.000
O 1.000 1,00 21.900.000 729.000.000.000
∑fx i i
x= i =1
n
x = 21.900.000/1.000= R$ 21.900,00
3. Quartis e mediana – A fórmula geral de cálculo é
Qn = v + (Q – f rac )/f rel
Substituindo os valores na fórmula ter-se-á:
1° Quartil
Q1 = R$ 5.001,00
2° Quartil = Mediana
Q2 = R$ 15.000,83
3° Quartil
Q3 = R$ 25.001,00
4. Amplitude
A = 75.000 – 5.000 = R$ 70.000,00
5. Desvio-médio
n
∑x i −x
DM = i =1
n
DM = R$ 12.590,00
6. Desvio-padrão
2
Σf ( x )2 Σf x
S= −
n n
S = R$ 15.792,00
288 Pesquisa de Marketing
MÉTODOS INFERENCIAIS
A inferência é tópico fundamental em pesquisas de marketing. A inferência diz respeito
a como é possível assumir conclusões para toda uma população a partir das medições e da
análise de apenas uma parte dela (amostra), de forma que o risco de se chegar a conclusões
incorretas possa ser medido. A inferência diz respeito a dois tipos de problemas: estimar os
parâmetros de uma população e realizar testes de hipóteses.
É por meio dos métodos de inferência estatística que se pode assumir, por exemplo, com
determinada probabilidade conhecida de erro, a média calculada numa amostra como es-
timativa da média da população.
É também por meio dos métodos de inferência estatística que se podem realizar os testes
de hipóteses a respeito, por exemplo, da diferença entre duas distribuições. A estimação de
parâmetros já foi devidamente explorada nos Capítulos 7 e 8 deste livro, referentes a processos
de amostragem e determinação do número de elementos da amostra.
Por exemplo, para a aplicação do teste paramétrico t, as exigências a serem atendidas para
sua correta aplicação compreendem:
• As observações precisam ser independentes.
• As amostras precisam ter sido retiradas de populações com distribuições normais.
• As populações precisam ter as mesmas variâncias (ou a relação entre as variâncias co-
nhecida).
• As variáveis em estudo precisam ter sido medidas ao menos numa escala intervalar que
possibilite as quatro operações aritméticas.
No entanto, esse conjunto de exigências raramente é atendido em pesquisas de marketing.
Na maioria das vezes, não se sabe o tipo de distribuição da população nem sua variância.
Além disso, muitas das variáveis são medidas em escalas nominais ou ordinais. Para analisar os
dados de amostras de populações sobre as quais não se tem conhecimento dos parâmetros ou
de que outra condição específica de uma técnica inferencial paramétrica não foi atendida, as
técnicas corretas são as não paramétricas.
Uma alternativa utilizada é a estimação de parâmetros a partir da própria amostra ou de
parte dela, que, embora não solucione por completo a questão, à medida que são realizadas
novas rodadas das mesmas pesquisas, o refinamento pode trazer resultados próximos aos
parâmetros.
Como raramente o pesquisador possui todas as especificações necessárias para aplicar cor-
retamente as técnicas paramétricas, as técnicas não paramétricas assumem grande importância
para aplicação nas análises de pesquisas de marketing.
Problema de pesquisa – Uma questão fundamental que se deve levar em consideração
para a escolha do método e da técnica de análise é o problema de pesquisa, ou seja, o que se
quer descobrir, pois cada uma das técnicas apresentadas nos próximos capítulos possui requisitos
e atende a propósitos específicos.
Número de variáveis a serem analisadas simultaneamente – Outro fator deter-
minante para a escolha do método de análise é o número de variáveis a serem analisadas em
conjunto. Assim, se o número de variáveis for, respectivamente, uma, duas ou mais de duas,
o pesquisador encontrará métodos específicos aplicáveis a cada situação, denominados, res-
pectivamente, de univariados, bivariados e multivariados.
Número de amostras a analisar e grau de relacionamento entre elas – Também são
determinantes, na escolha do método e da técnica, o número de amostras que será considerado
na análise e o grau de relacionamento existente entre elas. Segundo esse fator, é possível ter
as seguintes possibilidades: amostra simples, duas amostras relacionadas, duas amostras não
relacionadas, amostras múltiplas relacionadas e amostras múltiplas não relacionadas.
Especificamente com relação aos métodos inferenciais, o tamanho das amostras também
é fator importante na determinação da técnica de análise. Em geral, as técnicas paramétricas
requerem grandes amostras e amostras pequenas podem ser analisadas com técnicas não
paramétricas (por isso são também chamadas de “estatística de pequenas amostras”).
Amostras relacionadas e não relacionadas – O conceito de relacionamento entre amostras diz res-
peito ao fato de a escolha de um elemento para integrar a amostra interferir ou não na probabi-
lidade de escolha de outro ou se o resultado da avaliação de qualquer elemento da amostra possa
ter interferido na avaliação de outro.A seguir, vejam-se alguns exemplos para ilustrar esse conceito.
Em duas amostras selecionadas ao acaso de uma mesma população, uma delas foi exposta
a determinado tratamento, por exemplo, a uma propaganda da empresa. Em seguida, são feitas
290 Pesquisa de Marketing
medições da variável imagem do produto nas duas amostras. Esse é um exemplo típico de
amostras independentes, pois nem a seleção nem as medições efetuadas interferiram entre si.
Se apenas uma amostra tivesse sido selecionada e uma medição tivesse sido feita antes
de expô-la à propaganda e outra tivesse ocorrido após, os dois conjuntos de medições não
constituiriam amostras independentes, pois as avaliações feitas a priori teriam interferido
nas realizadas a posteriori, devido ao fato de terem sido obtidas junto aos mesmos pes-
quisados.
Relação de dependência entre as variáveis – Nos casos em que houver mais de uma
variável a ser simultaneamente analisada, um fator também determinante para a escolha da
técnica adequada de análise é a relação de dependência existente entre as variáveis. Sob este
aspecto, as variáveis podem ter, entre si, uma relação de dependência ou de interdependência.
Numa relação de dependência, uma (ou mais de uma) das variáveis é escolhida, segundo as
condições estabelecidas pelo problema de pesquisa, para ser examinada no sentido de verificar
sua dependência em relação a outras variáveis. Numa relação de interdependência, o interes-
se está em verificar o relacionamento existente entre as próprias variáveis do conjunto, não
sendo nenhuma escolhida, em especial, como a variável dependente. Conforme a relação de
dependência for estabelecida, a escolha deverá recair entre métodos para análise da dependência
ou métodos para análise da interdependência.
A colocação simultânea de todos esses fatores, num quadro resumo, ao invés de ajudar,
acabaria por atrapalhar o leitor; por isso, optou-se por apresentar as classificações, gradativa-
mente, à medida que sua apresentação se fizer necessária.
TESTES DE HIPÓTESES
Em ciências do comportamento, muitas pesquisas são conduzidas com o objetivo de veri-
ficar hipóteses construídas a partir das teorias conhecidas ou de suposições sobre a realidade.
Em pesquisas de marketing, uma hipótese pode surgir por meio da especulação sobre: um
fenômeno de marketing, o resultado esperado de determinada ação, o relacionamento entre
variáveis etc. Uma vez selecionadas as hipóteses importantes a serem testadas, o próximo
passo é a coleta de dados empíricos no campo, que, analisados, permitirão rejeitá-las ou
mantê-las. Para se atingir o objetivo de rejeição ou manutenção de determinada hipótese,
é necessário ter procedimentos bem definidos e objetivos para a realização do teste que
compreendem:
1. Estabelecer a hipótese nula (H0) e a hipótese alternativa (H1), tendo em vista a hipótese
da pesquisa.
2. Selecionar o teste estatístico adequado à situação.
3. Estabelecer um nível de significância (ou de confiança).
4. Determinar ou assumir a distribuição amostral da prova estatística sob a hipótese nula (H0).
5. Definir a região de rejeição da hipótese nula (H0, com base em 2, 3 e 4).
6. Calcular o valor da prova estatística a partir dos dados da(s) amostra(s).
7. Decidir quanto à rejeição ou não da hipótese nula (H0) e, consequentemente, adotar ou
não a hipótese alternativa (H1).
Estabelecer a hipótese nula – A hipótese nula H0 é usualmente formulada como
negação da hipótese alternativa H1 e com o objetivo expresso de ser rejeitada, sendo que
Métodos de Análise de Dados e Inferência Estatística 291
Quadro 11.3 Métodos da inferência – testes estatísticos apropriados segundo os métodos estatísticos,
as escalas de mensuração e o número de amostras e seu relacionamento
Testes de inferência
Escala de Duas amostras Várias amostras
mensuração Não Relacio-
Métodos da variável Uma amostra Relacionadas relacionadas nadas Não relacionadas
Não Nominal Binomial χ2 McNemar χ2 duas Cochran χ2 várias amostras
paramé- uma amostra amostras Q independentes
tricos Ordinal Kolmogorov- Wilcoxon Mediana Análise Mediana –
Smirnov Mann- da várias amostras
Whitney U variância Independentes
Kolmogorov- por Análise da variância
Smirnov postos de numa direção de
Friedman Kruskal -Wallis
Paramé- Intervalar z tr Diferença Anova – Análise da
tricos ou razão t de médias variância
z Manova – Análise
t multivariada da
Regressão variância
Há dois tipos de erros que podem ser cometidos num teste de hipótese. O primeiro,
chamado de erro tipo I, é o de rejeitar H0 quando verdadeira. O segundo, chamado de erro
tipo II, é o de aceitar H0 quando falsa. Chamando de a a probabilidade de ocorrer o erro
tipo I e, de b, a de ocorrer o tipo II, têm-se as opções expostas no Quadro 11.4 dos tipos de
erros que podem ser cometidos em testes de hipóteses.
292 Pesquisa de Marketing
Quadro 11.4 Tipos de erros que podem ser cometidos em testes de hipóteses
Hipótese verdadeira
Decisão Hipótese nula (H0) Hipótese alternativa (H1)
Não rejeitar H0 Decisão correta Erro tipo II
1–a b
Rejeitar H0 Erro tipo I Decisão correta
a 1−b
O poder do teste é definido como sua probabilidade de rejeitar H0 quando falsa, ou seja,
(1 − b). Dessa forma, quanto maior for a probabilidade do teste de rejeição de H0 quando
falsa, maior será seu poder.
A segunda escolha a ser feita ocorre quando houver mais de um tipo de teste que possa
ser aplicado à situação. Dentre várias alternativas de escolha de testes, deverá ser escolhido
aquele que tiver maior poder.
Uma terceira escolha deverá ser feita tendo em vista o tipo de escala em que os dados
foram medidos. Normalmente escalas nominais ou ordinais levam a testes não paramétricos,
enquanto escalas intervalares ou razão, a testes paramétricos.
Finalmente, uma quarta escolha deverá ocorrer quando se tratar de apenas uma amostra,
duas amostras relacionadas e não relacionadas ou várias amostras relacionadas e não relacionadas.
Estabelecer um nível de significância (ou de confiança) – O erro tipo I, de rejeitar
H0 quando for verdadeira, ocorrerá quando a amostra selecionada, dentre todas as possíveis da
população de pesquisa, apresentar dados que contrariem os dados verdadeiros da população.
Como nunca se sabe se a amostra selecionada possui dados semelhantes ou contrários aos da
população, trabalha-se com as probabilidades dessa ocorrência. Para isso, deve-se especificar
qual é o conjunto de todas as possíveis amostras que possam ocorrer quando H0 for verda-
deira. Desse conjunto, deve-se especificar um subconjunto de amos tras possíveis que
sejam tão extremas (exageradas) que a probabilidade de a amostra selecionada estar entre elas,
se H0 for verdadeira, é muito pequena. Se a amostra selecionada para a pesquisa pertencer
a esse subconjunto, rejeita-se H0. Ou seja, o procedimento será rejeitar H0, em favor de H1,
se o teste estatístico produzir um valor cuja probabilidade associada de ocorrência sob H0
é menor ou igual a uma pequena probabilidade, estabelecida pelo pesquisador, chamada de
nível de significância (ou de confiança) e simbolizada por a. Note que, conforme visto no
item anterior, a é também a probabilidade de ocorrência do erro tipo I (rejeitar H0 quando
verdadeira). Tanto a quanto b devem ser estabelecidos antes de a pesquisa ser iniciada.
Determinar ou assumir a distribuição amostral – A distribuição amostral é a dis-
tribuição derivada (ou teórica) de uma população. A distribuição derivada é aquela formada
por todas as possíveis amostras probabilísticas de mesmo tamanho de uma população. Para a
realização do teste de hipótese, o pesquisador precisa conhecer, ou assumir como conhecido,
o tipo de distribuição amostral da população em estudo. A distribuição amostral mostra todas
as probabilidades, sob H0, associadas aos vários possíveis valores numéricos das estatísticas
da população. Para tanto, é preciso saber se essa distribuição é normal, binomial, retangular,
Métodos de Análise de Dados e Inferência Estatística 293
qui-quadrada etc., à medida que, sabendo-se qual é o tipo de distribuição, pode-se procurar
em tabelas estatísticas padronizadas as respectivas probabilidades associadas. Como já visto no
Capítulo 7, quando são utilizadas amostras com tamanho igual ou maior a 30, a distribuição
derivada (ou amostral) aproxima-se de uma normal, a qual acaba sendo assumida.
Definir a região de rejeição da hipótese nula (H0) – A região de rejeição é uma região
da distribuição amostral. A distribuição amostral inclui todos os possíveis valores que um teste
estatístico pode assumir sob H0.A região de rejeição consiste em um subconjunto desses possíveis
valores e é definida de tal forma que a probabilidade sob H0 de a ocorrência do teste estatístico
ter um valor que esteja nesse subconjunto é a. Em outras palavras, a região de rejeição consiste
num conjunto de valores possíveis tão extremados que, quando H0 for verdadeira, a probabilidade
de a amostra selecionada estar nesse conjunto é muito pequena (isto é, a probabilidade é a).
Diz-se que a probabilidade associada a qualquer valor nessa região é igual ou menor que a.
A localização no gráfico da região de rejeição depende de como H1 foi formulada:
• Se H1 indicar a direção prevista da diferença (“a aceitação do produto é maior, ou menor,
entre as classes A/B do que entre as C/D”), tem-se um teste do tipo unicaudal, e as regiões
de rejeição de H0 serão demarcadas no extremo direito ou no esquerdo, respectivamente,
do gráfico da distribuição, conforme mostra a Figura 11.1a.
• Se H1 não indicar a direção da diferença (“não existem diferenças na aceitação do produto
entre as classes A/B e C/D”), então se tem um teste do tipo bicaudal, e as regiões de
rejeição serão demarcadas nos extremos do gráfico da distribuição amostral, à direita e à
esquerda, conforme mostra a Figura 11.1b. Em outras palavras, se H1 for do tipo “... uma
população é maior (ou menor) que a outra em relação a certa variável”, o teste de hipótese
será do tipo unicaudal (à direita ou à esquerda), mas, se H1 for do tipo “...uma população
é diferente da outra em relação a certa variável”, o teste será do tipo bicaudal. Definido um
valor a para o nível de confiabilidade, no teste unicaudal, a região de rejeição compreende
Figura 11.1a Região de rejeição de um teste unicaudal para distribuição normal padronizada ao nível
de significância de .
Figura 11.1b Região de rejeição de um teste bicaudal para distribuição normal padronizada ao nível
de significância de .
Calcular o valor da prova estatística – A partir dos dados da amostra pesquisada e das
formulações aplicáveis à distribuição amostral determinada ou assumida, calcular o valor da
prova estatística. Esse valor é também denominado de valor calculado e, dependendo do teste,
apresenta-se em forma de probabilidade (p-value) ou em forma de ordenada.
Decidir quanto à rejeição ou não da hipótese nula (H0) – Antes do avanço e da
popularização da informática e dos programas de análises estatísticas, recorria-se à comparação
do valor calculado com um valor tabelado (valor expresso em uma tabela) para se decidir pela
rejeição ou não de H0. Com testes efetuados de forma eletrônica, o procedimento adotado
para decidir pela aceitação ou rejeição de H0 é o de comparar o p-value com o nível de signi-
ficância a definido quando do planejamento para a realização do teste. O p-value é um valor
que expressa exatamente o nível de significância que corresponde ao valor calculado para H0.
Métodos de Análise de Dados e Inferência Estatística 295
Dessa forma:
1. Para valores expressos em números relativos ou percentagens:
• Se a probabilidade calculada (p-value) for menor ou igual ao nível de significância a,
rejeita-se H0 em prol de H1.
• Se a probabilidade calculada (p-value) for maior que o nível de significância a, aceita-se H0.
2. Para valores apresentados em ordenadas:
• Se o valor calculado para o teste for maior ou igual ao valor tabelado, H0 é rejeitada
em prol de H1, ao nível de confiança a.
• Se o valor calculado for menor que o valor tabelado, H0 é aceita, significando que a
hipótese da pesquisa H1 não ocorre, ao nível de confiança a.
RESUMO
As medidas de posição servem para caracterizar o que é “típico” no grupo e compreendem: as
medidas de tendência central (moda, mediana e média) e as separatrizes (quartis, decis e percentis).
Moda é o valor ou categoria da variável que ocorre com a maior frequência.
Mediana é o valor da variável que divide o grupo em dois subgrupos de igual tamanho;
é o valor da variável correspondente ao elemento central da distribuição.
Os quartis são os valores da variável correspondentes aos três elementos que dividem o
grupo em quatro subgrupos de tamanhos iguais.
Média é o valor médio de um conjunto de dados.
As medidas de tendência central informam a respeito do ponto de concentração da maioria
das respostas.
A distribuição de frequência absoluta é resultante da contagem das ocorrências de res-
postas por opção possível da variável; a relativa resulta da divisão da frequência absoluta de
cada opção pelo total de elementos da amostra.
Ordenamento é a disposição de todos os elementos do grupo de forma crescente ou decres-
cente, segundo as avaliações efetuadas para a variável ordinal pesquisada.
A distribuição de frequência absoluta acumulada é resultante da contagem acumulativa da
ocorrência de respostas até determinado valor da variável; a relativa acumulada é resultante da
divisão da frequência absoluta acumulada pelo total de elementos da amostra.
A amplitude de uma distribuição ordenada é a diferença entre o maior e o menor valor
da variável observados.
O desvio-médio é a média aritmética das diferenças (em módulo, ou seja, despreza-se o
sinal) entre cada observação e a média das observações.
O desvio padrão é a raiz quadrada da variância, que, por sua vez, é a soma dos quadrados
das diferenças entre as observações e a média, dividida pelo número de observações.
O coeficiente de variação é obtido por meio da divisão do desvio-padrão pela média.
A inferência diz respeito a dois tipos de problemas: estimar os parâmetros de uma população
e realizar testes de hipóteses.
A classificação dos fatores para seleção da técnica inferencial compreende: o tipo(s) de escala(s)
da(s) variável(eis) pesquisada(s); o nível de conhecimento ou não dos parâmetros da população
pesquisada; o problema da pesquisa; o número de variáveis a serem analisadas em conjunto; o
número de amostras e seu grau de relacionamento; e a relação de dependência entre as variáveis.
A realização do teste de hipóteses exige procedimentos bem definidos e objetivos que
compreendem: estabelecer a hipótese nula (H0) e a hipótese alternativa (H1); selecionar o teste
296 Pesquisa de Marketing
QUESTÕES DE REVISÃO
1. O que são medidas de posição e medidas de dispersão?
2. Por que as medidas de posição devem ser acompanhadas de medidas da dispersão?
3. O que é moda e o que mede?
4. O que é mediana e o que mede?
5. O que é quartil e o que mede?
6. O que é média e o que mede?
7. O que é desvio-médio?
8. O que mede o desvio-padrão e para que serve?
9. Em que situação o coeficiente de variação ajuda a medir a dispersão?
10. O que são métodos inferenciais?
11. Quais são os fatores para seleção da técnica inferencial?
12. No que consiste um teste de hipóteses?
13. Quais são os passos que compreendem um teste de hipóteses?
14. Como se define a hipótese nula H0? E a hipótese alternativa H1?
15. Como é definida a região de rejeição num teste unicaudal? E num teste bicaudal?
Trabalho – Parte 9
Efetue as tabulações simples e cruzadas (manual ou eletronicamente) dos dados coletados
em sua pesquisa, seguindo o plano de análises constante de seu projeto. Construa as tabelas de
frequências e calcule as medidas de posição e de dispersão que os tipos de escalas das variáveis
utilizadas permitirem.
REFERÊNCIAS
ANDREWS, Frank M. et al. A guide for selecting statistical techniques for analysing social science. Ann Arbor: Institute
for Social Research, The University of Michigan, 1974.
CHURCHILL, Jr., Gilbert A. Marketing research: methodological foundations. Insdale, Ill: Driden Press, 1979.
FERBER, Robert (Org.). Handbook of marketing research. New York: McGraw-Hill, 1975.
FERBER, Robert. Statistical techniques in market research. New York: McGraw-Hill, 1949.
HAMBURG, Morris. Statistical analysis for decision making. New York: Harcourt Brace Jovanovich, 1977.
KINNEAR,Thomas C.;TAYLOR, James R. Marketing research: an applied approach.Tokio: McGraw-Hill Kogakusha,
1979.
MORRIS, John. Nonparametric Statistics. In: FERBER, Robert (Ed.). Handbook of marketing research. New York:
McGraw-Hill, 1974, pp. 2-295 a 3-306.
PESTANA, M. H.; GAGEIRO, J. M. Análise de dados para ciências sociais. Lisboa: Sílabo, 2003.
SIEGEL, Sidney. Estatística não paramétrica (para as ciências do comportamento). São Paulo: McGraw-Hill, 1981.
______. Nonparametric statistics for the behavioral sciences. New York: McGraw-Hill, 1956.
CAPÍTULO 12
Métodos Não Paramétricos
para Análise de Dados
Fauze Najib Mattar, Braulio Oliveira e Sérgio Luís Stirbolov Motta
A meditação humana não tem limites. Seus perigos e riscos fazem-na analisar
e esquadrinhar seu próprio deslumbramento. Poder-se-ia quase dizer que, por admirável
reação, ela fascina a própria natureza e o misterioso mundo que nos cerca retribui
a contemplação de que é objeto, fazendo dos próprios contempladores objeto
de sua contemplação.
Victor Hugo
Objetivos
• Apresentar as técnicas mais utilizadas para se analisarem dados de amostras pequenas ou provenientes
de populações com parâmetros desconhecidos.
• Apresentar técnicas não paramétricas para medir a associação e a interdependência entre variáveis
Sumário
MÉTODOS NÃO PARAMÉTRICOS DE INFERÊNCIA ESTATÍSTICA
Testes para uma amostra – variável nominal
Teste binomial
Teste qui-quadrado de uma amostra
Teste para uma amostra – variável ordinal
Teste Kolmogorov-Smirnov
Teste para duas amostras não relacionadas – variável nominal
Teste qui-quadrado para duas ou mais amostras não relacionadas
Testes para duas amostras não relacionadas – variável ordinal
Teste da mediana
Teste Mann-Whitney U
Teste Kolmogorov-Smirnov para duas amostras não relacionadas
Teste para duas amostras relacionadas – variável nominal
Teste McNemar
Teste para duas amostras relacionadas – escala ordinal
Teste Wilcoxon T
Testes para várias amostras não relacionadas – variável ordinal
Teste da mediana
Análise da variância por classificação numa só direção de Kruskal-Wallis
Testes para várias amostras relacionadas – variável nominal
Teste Cochran Q
297
298 Pesquisa de Marketing
Muitos dados usualmente levantados em pesquisas de marketing não podem ser analisados com
métodos paramétricos por não reunirem as condições exigidas para sua aplicação. Os métodos
paramétricos foram desenvolvidos para aplicação em ciências exatas, em que, normalmente, se tem
conhecimento dos parâmetros da população, o que não ocorre, em geral, em ciências humanas
e, em particular, em marketing. Outra importante condição exigida para a aplicação de métodos
paramétricos, a de que as variáveis tenham sido medidas, ao menos, em escalas intervalares, também
restringe sua aplicação em grande parte das pesquisas de marketing, onde são usadas intensamente
variáveis medidas em escalas nominais e ordinais. Por último, muitos métodos paramétricos são
poderosos apenas quando aplicados a grandes amostras, o que não ocorre com os métodos não
paramétricos. Devido à importância atribuída aos métodos não paramétricos, em função de sua
aplicabilidade a inúmeras situações de pesquisas de marketing, optou-se por, diferentemente da
totalidade dos livros sobre o assunto, apresentá-los num capítulo específico.
O número de métodos não paramétricos disponíveis é muito grande e, neste livro, res-
tringe-se à apresentação sumarizada dos mais importantes e adequados para utilização em
pesquisas de marketing.
Existem métodos não paramétricos que se prestam a aplicações específicas com variáveis
medidas em escalas ao menos ordinais e outros que podem ser aplicados, indistintamente, a
variáveis medidas em escalas intervalares, ordinais ou nominais. Portanto, a distinção entre os
tipos de escalas é fundamental para a escolha do método. As técnicas estatísticas não paramé-
tricas podem ser aplicadas a pequenas amostras e, como o nome sugere, não é necessário o
conhecimento dos parâmetros da população, tais como a média e o desvio-padrão, para sua
utilização.
Após a apresentação da teoria relacionada a cada teste, são apresentados, como ilustração,
um exemplo com cálculo manual e outro exemplo com cálculo eletrônico efetuado no
software SPSS1.
1
S tatistical Package for the Social Sciences - SPSS é um software aplicativo científico que serve de apoio à tomada
de decisão e inclui: aplicação analítica, Data Mining, Text Mining e estatísticas que transformam os dados em in-
formações. Uma das utilizações mais importantes desse software é no processamento de pesquisas.
Métodos Não Paramétricos para Análise de Dados 299
( p − P)
Zc =
PQ / n
Em que:
Zc = Z calculado.
p = proporção de ocorrência de sucessos na amostra.
P = proporção de ocorrência de sucessos na população.
Q = (1 − P) = proporção de ocorrência de insucessos na população.
n = tamanho da amostra.
• Região(ões) de rejeição de H0:
Zc < Zt ou Zt > Zc nos testes unicaudais à direita ou esquerda.
Zc < Zt e Zt > Zc no teste bicaudal.
• Decisão. Comparar Zc com Zt ao nível de confiabilidade de a, H0 deve ser rejeitada se:
Zc < Zt ou Zt > Zc nos testes unicaudais à direita ou esquerda.
Zc < Zt e Zt > Zc no teste bicaudal.
300 Pesquisa de Marketing
X= 0
Em que:
P( X ≤ x ) = probabilidade da ocorrência dos valores observados de x ou de valores
mais extremados x.
p e q = frequências relativas de ocorrência de sucesso e de insucesso, respectivamente,
em um evento binomial (por exemplo, no lançamento de uma moeda tem-se
p = 0,5 e q = 0,5; já no lançamento de um dado, a probabilidade de ocorrência do
número 1 é p = 0,166 e de não ocorrência é q = 0,833.
x = 0, 1, 2,... n.
n = número de elementos da amostra (número de vezes que ocorre o evento
binomial).
• Região de rejeição de H0. A região de rejeição de H0 consiste de todos os valores de
P( X ≤ x ) que forem menores ou iguais a a.
• Decisão. Comparar P( X ≤ x ) com o nível de significância a; se P( X ≤ x ) ≤ α , H0 é rejeitada.
Exemplo com cálculo manual para o caso da probabilidade da ocorrência dos
valores observados de X – Uma empresa de pesquisa de audiência de TV divulgou o nível
de 20% de audiência nacional para um programa A de domingo da emissora X. A emissora
Y, com o programa B, concorrente do programa A no mesmo horário de domingo, resolveu
verificar se esse resultado também seria válido para uma grande região metropolitana do país,
por meio de uma pesquisa própria junto a 200 lares sorteados da população de forma probabilís-
tica. Obteve como resultado a audiência de 10%. Qual deve ser a conclusão da empresa Y, para
um nível de confiabilidade de 0,05?
1. H0 = não há diferença entre a proporção observada na amostra p = 0,10 e na população
P = 0,20, ou H0 = (p = P).
H1 = há diferença entre a proporção observada na amostra p = 0,10 e na população
P = 0,20 (teste bicaudal).
2. a = 0,05.
3. Cálculo da prova:
p = 0,10
P = 0,20
Q = 0,80
n = 200
( p − P)
Zc =
PQ / n
(0,10 − 0,20)
Zc =
0,20 × 0,80 / 200
Zc = −3,53
Métodos Não Paramétricos para Análise de Dados 301
X= 0
Exemplo com cálculo no SPSS – Para não correr o risco de aprovar uma peça de
comunicação que fosse preconceituosa, um gerente de marketing resolveu testar se mulheres e
homens envolvem-se igualmente em pequenos acidentes de automóveis, pois não dispunha de
dados de pesquisas anteriores que apontassem dados a respeito. Para isso, verificou-se que, em uma
amostra de 18 motoristas que já se envolveram em acidentes, dez eram mulheres e oito homens.
Procedimentos para o teste:
1. H0 = não há diferença significativa entre a proporção observada de mulheres na amostra
e na população teórica.
Sendo p = 0,56 (mulheres) e q = 0,44 (homens) e P = Q = 0,50 (mulheres e homens).
H1 = há diferença significativa para mais entre as mulheres entre a proporção observada
na amostra e na população, ou p > Q (teste unicaudal).
2. a = 0,05.
3. Resultados do processamento.
Binomial Test
Category N Observed Prop. Test Prop. Exact Sig.
(2-tailed)
Gênero Group 1 feminino 10 ,56 ,50 ,815
Group 2 masculino 8 ,44
Total 18 1,00
Exemplo com cálculo manual – Um gerente de produto quer saber se a posição que
um produto ocupa na prateleira dos supermercados tem influência sobre a quantidade vendida,
por meio de um experimento. Um supermercado possui, geralmente, prateleiras com sete
divisões verticais, sendo a posição 1 correspondente à mais próxima do piso. Para a realização
do experimento, o gerente conseguiu que, durante um dia, todas as posições verticais da
prateleira fossem ocupadas por um produto seu. Ao final do dia, as tabulações das vendas por
posição foram as constantes da Tabela 12.1.
Tabela 12.1 Vendas por posição na prateleira de supermercado.
Posição na prateleira
1 2 3 4 5 6 7 Total
Vendas (unidades) Oi 10 11 15 25 29 19 17 126
Vendas (unidades) Ei 18 18 18 18 18 18 18 126
Com base nesses dados, o gerente quer saber se as diferenças verificadas são significativas
a ponto de poder montar, com sucesso, um plano para induzir os supermercadistas a colocar
seu produto em determinadas posições.
Procedimentos para o teste:
1. Determinação de H0: não há diferenças significativas entre as posições 4 e 5 e as demais
na prateleira. H1 = as diferenças observadas para as posições 4 e 5 são significativamente
diferentes para melhor em relação às demais posições (teste unicaudal).
2. Nível de significância a = 0,025.
3. Cálculo da prova. Distribuição de frequências esperadas sob H0. Se não houver diferenças
entre as posições, a distribuição de frequências será de 18 unidades por posição, conforme
linha Ei da Tabela 12.1.
304 Pesquisa de Marketing
Com base nesses resultados, o fabricante deseja saber se as diferenças observadas entre os
tipos de cervejas são significativas.
Procedimentos para o teste:
1. H0 = não há diferenças significativas na preferência entre os diversos tipos de cervejas.
H1 = há diferença significativa na preferência entre os tipos de cervejas (teste bicaudal).
2. a = 0,05.
3. Cálculo da prova. Determinar as frequências relativas e relativas acumuladas das ocorrências
observadas e a frequência relativa teórica e a relativa acumulada teórica sob H0 para cada
uma das k categorias, conforme Tabela 12.3. Calcular as diferenças entre as frequências
acumuladas observadas e as teóricas para as cinco categorias. A maior diferença observada
foi 0,30, portanto, dmax = 0,30 (conforme última coluna Tabela 12.3).
306 Pesquisa de Marketing
Em que:
Oij = número de observações classificadas, simultaneamente, na linha i e na coluna j.
Eij = número de casos esperados, simultaneamente na linha i e na coluna j, sob H0
(distribuição teórica); o cálculo de cada Eij é obtido pela multiplicação do total de obser-
vações da linha pelo total de observações da coluna, dividido pelo total de observações.
r k
4. Determinar a região de rejeição de H0. Determinar o valor dos graus de liberdade (gl),
2
O caso de mais de duas amostras foi reunido ao de duas amostras, pois a metodologia é a mesma.
308 Pesquisa de Marketing
4. Resultados do processamento:
Chi-Square Tests
Value df Asymp. Sig. (2-sided)
Pearson Chi-Square 16,745 a
8 ,033
Likelihood Ratio 17,364 8 ,027
N of Valid Cases 489
a
0 cells (,0%) have expected count less than 5. The minimum expected count is 20,61.
n (| ad − bc | − n / 2)2
χ = 2
c
(a + b )(c + d )(a + c )(b + d )
4. Região de rejeição. Procurar o valor do qui-quadrado tabelado χ t (Tabela 5
2
A empresa deseja saber, com base nos dados da Tabela 12.8, se há diferenças significativas
no grau de satisfação dos consumidores das classes A/B e C/D de seu produto.
Procedimentos para o teste:
1. H0 = não há diferenças significativas no grau de satisfação em relação ao produto entre os
consumidores das classes A/B e C/D.
H1 = há diferenças significativas no grau de satisfação em relação ao produto entre os
consumidores das classes A/B e C/D (teste bicaudal).
2. a = 0,025.
3. Cálculo da prova. Cálculo da grande mediana: a Tabela 12.9 é resultante da classificação
conjunta, do maior para o menor, dos resultados das duas amostras; o sinal + aponta os
valores acima da mediana e o sinal – os abaixo. Note que a grande mediana está entre o
18° e o 19° elementos e corresponde ao valor (49 + 50)/2 = 49,5.
A partir da Tabela 12.9, montar uma tabela (12.10) de contingência do tipo 2 × 2 com
os resultados 2das comparações efetuadas com a mediana.
Calcular χ c , aplicando a fórmula apresentada na teoria da prova aos dados da
Tabela 12.10.
3
escala Likert original possui cinco categorias. Neste exemplo, optou-se por quatro categorias devido ao fato
A
de a categoria “neutra” não ser apropriada aos objetivos da pesquisa.
Métodos Não Paramétricos para Análise de Dados 313
Tabela 12.9 Resultado da classificação conjunta dos resultados das duas amostras de consumidores
Classificação Comparação com a mediana (49,5)
conjunta Classe A/B Classe C/D Classe A/B Classe C/D
1 17 –
2 20 –
3 22 –
4 24 –
5 25 –
6 28 –
7 29 –
8 30 –
9 32 –
10 36 –
11 38 –
12 39 –
13 41 –
14 42 –
15 44 –
16 46 –
17 48 –
18 49 –
19 50 +
20 51 +
21 52 +
22 54 +
23 55 +
24 56 +
25 58 +
26 62 +
27 63 +
28 65 +
29 69 +
30 70 +
31 71 +
32 73 +
33 76 +
34 77 +
35 80 +
36 83 +
Totais 760 1.015 6+ 12+
12– 6–
Test Statistics
Rest1
N 25
Median 2,00
Chi-Square 1,438
Df 3
Asymp. Sig. ,697
314 Pesquisa de Marketing
Em que:
n1 e n2 = números de casos em cada grupo.
R1 e R2 = soma das classificações conjuntas obtidas para cada grupo.
Calculando-se U1 ou U2, determina-se, respectivamente, U2 ou U1, pois U1 + U2 = n1 n2.
O valor de Uc será o menor valor entre U1 e U2. Quanto maior a diferença entre as duas
distribuições, menor será o valor de Uc e, inversamente, quanto mais parecidas forem, maior
será o valor de Uc.
4. Determinar a região de rejeição de H0 para o nível a. A região de rejeição de H0 na dis-
tribuição U é dada por todos os valores de U calculados Uc que forem menores ou iguais ao
valor tabelado Ut para U, ao nível de confiabilidade a (Tabelas 11 e 12 do Apêndice – Tabelas
estatísticas selecionadas, no final do livro).
5. Decisão. Comparar Uc com Ut. Se Uc ≤ Ut, rejeitar H0; se Uc > Ut, aceitar H0.
Exemplo com cálculo manual – Seja o mesmo exemplo com cálculo manual utilizado
para ilustrar o teste da mediana (Tabela 12.9).
Procedimentos para o teste:
1. H0 = não há diferenças significativas no grau de satisfação em relação ao produto entre os
consumidores das classes A/B e C/D.
H1 = há diferenças significativas no grau de satisfação em relação ao produto entre os
consumidores das classes A/B e C/D (teste bicaudal).
2. a = 0,05.
3. Cálculo da prova. Classificar conjuntamente as pontuações obtidas pelos dois grupos.Veja
as colunas Classe A/B e Classe C/D da Tabela 12.9 do exemplo anterior.
Cálculo do valor de Uc, conforme a fórmula:
n1(n1 + 1)
U 1 = n1n2 + − R1
2
n1 = 18, n2 = 18
R1 = 1 + 2 + 3 + 4 + 7 + 9 + 10 + 12 + 13 + 14 + 15 + 18 + 21 + 23 + 24 + 25 +
31 + 32 = 264
U1 = 18 × 18 + 18 (18 + 1)/2 − 264 = 231
316 Pesquisa de Marketing
n1n2
χ c2 = 4 D 2
n1 + n2
Em que:
D = diferença máxima observada entre as duas distribuições relativas acumuladas.
n1 e n2 = número de elementos de cada amostra.
4. Estabelecer a região de rejeição.
Para n ≤ 40, Kt é conhecida e tabelada para a = 0,05 e 0,01, em testes uni e bicaudal
(Tabela 9 do Apêndice – Tabelas estatísticas selecionadas, no final deste livro).
Para n > 40, os valores de Kt a serem utilizados são os mesmos da tabela do qui-quadrado ou
os constantes da Tabela 10 do Apêndice – Tabelas estatísticas selecionadas, no final do livro.
Utilizando-se a tabela do qui-quadrado tem-se:
χ t2 com gl = 2.
A região de rejeição de H0 para a e gl = 2:
Para n ≤ 40: todos os valores de Kc ≥ Kt; e
Para n > 40: todos os valores de χ c2 ≥ χ t2
5. Decisão. Se para n ≤ 40 o Kc ≥ Kt e para n > 40 o χ c ≥ χ t , rejeita-se H0.
2 2
Exemplo com cálculo manual para amostras pequenas – Seja o mesmo exem-
plo utilizado para ilustrar o teste da mediana para verificar se há diferença significativa no
grau de satisfação dos consumidores das classes A/B e C/D, com os dados apresentados na
Tabela 12.8.
Procedimentos para o teste:
1. H0 = não há diferenças significativas no grau de satisfação em relação ao produto entre os
consumidores das classes A/B e C/D.
H1 = há diferenças significativas entre os consumidores das classes A/B e C/D (teste
bicaudal).
2. a = 0,05.
3. Cálculo da prova. A tabulação dos dados observados em intervalos iguais e o cálculo das
frequências acumuladas relativas de todos os intervalos para as duas amostras resultaram
nos dados constantes da Tabela 12.12.
318 Pesquisa de Marketing
Em que:
x e y = variáveis em estudo.
A, B, C e D = frequências absolutas das respectivas células do cruzamento de x e y, antes
e depois do teste.
Determinar as frequências esperadas nas células de interesse. Supondo que as células de
interesse sejam C e B, a frequência esperada será (C + B)/2. Verificar se o valor não é
inferior a cinco. Se for, o teste não pode ser aplicado.
Calcular o χ c para as duas células de interesse A e D, usando a fórmula:
2
(| A − D | −1)2
χ = 2
c
(A + D)
Exemplo com cálculo manual – Uma empresa realizou, durante um mês, o teste de
uma campanha promocional de degustação no ponto de venda do seu produto Star, numa
320 Pesquisa de Marketing
Com base nesses resultados, a empresa deseja saber se a promoção foi um sucesso e se deve
generalizá-la para um grande número de lojas.
Procedimentos para o teste:
1. H0 = não houve diferença significativa entre os resultados antes e depois do teste.
H1 = houve diferença significativa entre os resultados antes e depois do teste para o produto
Star (teste unicaudal).
2. Nível de confiança a = 0,05.
3. Posicionar as frequências observadas antes e depois do teste experimental numa tabela do
tipo 2 × 2 (no caso, a própria pesquisa gerou a Tabela 12.13). Determinar as frequências
esperadas nas células de interesse. Neste caso, as células de interesse são as formadas pelos
cruzamentos de outras marcas e a Star, antes e depois do teste, com as frequências res-
pectivas de 20 e 10. E = (20 + 10)/2 = 15.
O cálculo do χ c , usando a fórmula apresentada, é:
2
Tabela 12.14 Resultados da intenção de voto antes e após a exposição do programa de governo
de dois candidatos
Após a exposição
Candidato 1 Candidato 2 Totais
Antes da exposição Candidato 1 12 19 31
Candidato 2 23 16 39
Totais 35 35 70
o valor calculado (Tc) de T. Os pares em que a diferença for zero devem ser excluídos. Quando a
diferença entre dois ou mais pares for a mesma, a classificação para cada par também será a mesma e
corresponderá à média das posições que as duas ou mais diferenças ocupariam; a próxima diferença
terá a mesma posição correspondente caso as anteriores não hajam coincidido. Se dois pares tiverem
a diferença de 1, cada par será classificado como 1,5, e a próxima diferença será classificada como 3.
Procedimento geral para o teste:
1. Estabelecer H0 como não havendo diferença significativa entre os dois conjuntos de
observações.
2. Estabelecer um nível de significância a para a realização do teste.
3. Cálculo da prova.
Para n > 25, a distribuição amostral de T em H0 é a mesma de z na distribuição normal
padronizada, sendo T normalmente distribuído com média igual a n (n + 1)/4 e des-
vio-padrão igual a [n (n + 1) (2n + 1)]/24.
Para n > 25 os valores tabelados de z (Zt) e a estão na Tabela 3 do Apêndice – Tabelas
estatísticas selecionadas, no final deste livro.
Para n ≤ 25, os valores tabelados de T (Tt) e a estão na Tabela 7 do Apêndice – Tabelas
estatísticas selecionadas, no final deste livro.
Para cada par de observações, calcular a diferença algébrica e eliminar as diferenças iguais a
zero. Ordenar as diferenças obtidas nos dois conjuntos simultaneamente, desprezando-se o
sinal algébrico. Somar, separadamente, as classificações correspondentes às diferenças negativas
e positivas. O menor valor entre as duas somas será o valor de Tc (T calculado) ao nível de a.
4. Determinar a região de rejeição. A região de rejeição de H0 correspondente a todos os
valores de Tc ≥ Tt (para n ≤ 25) ou Zt (para n > 25).
5. Decisão. Comparar Tc com Tt (para n ≤ 25) ou Zt (para n > 25); se Tc ≥ Tt ou Zt, H0 é rejeitada.
Exemplo com cálculo manual – Uma empresa realizou uma pesquisa junto a 18
consumidores de seu produto para avaliar uma possível mudança na embalagem. Uma série
de afirmações foi apresentada a esses consumidores, antes e depois de terem recebido amostras
do produto com a nova embalagem, para serem avaliadas segundo uma escala de Likert. Os
resultados das duas avaliações estão na Tabela 12.15, nas colunas (1) e (2).
Com base nesses dados, a empresa deseja saber se deve introduzir a nova embalagem do
produto no mercado.
Procedimentos para o teste:
1. H0 = não há diferença significativa na avaliação dos consumidores antes e depois da nova
embalagem.
H1 = há diferença significativa favorável na avaliação dos consumidores antes e depois da
nova embalagem (teste unicaudal).
2. Nível de significância a = 0,025.
3. Cálculo da prova. Para cada par de observações, foi calculada a diferença algébrica (coluna
d da Tabela 12.15). Foram ordenadas as diferenças obtidas nos dois conjuntos simulta-
neamente, desprezando o sinal algébrico (coluna geral da Tabela 12.15). Somaram-se,
separadamente, as classificações negativas e positivas, e o menor valor encontrado entre as
duas somas foi 40,5, portanto Tc = 40,5.
4. Região de rejeição. Como n ≤ 25 o valor Tt = 40 para a = 0,025 e n = 18 (teste unicaudal),
a região de rejeição corresponde a todos os valores de Tc ≥ 40 (Tabela 7 do Apêndice –
Tabelas estatísticas selecionadas, no final deste livro).
Métodos Não Paramétricos para Análise de Dados 323
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Filme 1 23 3,17 1,37 1 6
Filme 2 23 2,70 1,49 1 6
Ranks
N Mean Rank Sum of Ranks
Filme 2 - Negative Ranks 11a 7,41 81,50
Filme 1 Positive Ranks 3b 7,83 23,50
Ties 9c
Total 23
Filme 2 < Filme 1;
a
b
Filme 2 > Filme 1;
c
Filme 2 = Filme 1.
Test Statisticsb
Filme 2 - Filme 1
Z −1,879a
Asymp. Sig. (2-tailed) ,060
ased on negative ranks;
B
a
(k x 2)
r k
(Oij − Eij )2
χ = ∑∑
2
c
i =1 j =1 Eij
Em que:
Oij = número de observações acima e abaixo da grande mediana, na coluna j-ésima.
Eij = número de observações esperadas acima e abaixo da grande mediana, na coluna
j-ésima, sob H0, calculadas segundo o método apresentado no teste qui-quadrado para
duas ou mais amostras.
r k
12 k R j
2
Hc = ∑ − 3(n + 1)
n(n + 1) j =1 n j
Em que:
Hc = H calculado.
k = número de amostras.
nj = número de casos na j-ésima coluna.
n = número de casos na combinação de todas as amostras.
Rj = soma das classificações na j-ésima amostra.
k
R 2j
∑n = soma de todos os quadrados de Rj divididos por nj.
j =1 j
12 k R j
2
Hc = ∑ − 3(n + 1)
n(n + 1) j =1 n j
Métodos Não Paramétricos para Análise de Dados 327
Tem-se:
12 114 2 84 2 180 2
Hc = + + − 3(27 + 1)
27(27 + 1) 9 9 9
12 12.946 + 7.056 + 32.400
Hc = − 84
756 9
Hc = 8,51
4. Região de rejeição. O χ t , = 5,991 para a = 0,05 e gl = 2 (teste unicaudal) (Tabela 5 do
2
2. a = 0,05
3. Processamento do teste.
Adequação N Mean Rank
Canal 1 19 20,87
2 14 28,07
3 15 25,77
Total 48
Test Statisticsa,b
Canal
Chi-Square 2,339
df 2
Asymp. Sig. ,311
ruskal Wallis Test;
K
a
k k
2
(k − 1)K ∑G j − ∑G j
2
j =1 j =1
Qc = n n
k∑ L i − ∑ L2i
i =1 i =1
Em que:
Qc = Q calculado.
Gj = número de sucessos na j-ésima coluna.
Li = número de sucessos na i-ésima linha.
k = número de colunas.
n = número de casos.
4. Região de rejeição. A região de rejeição é determinada pelo χ t ao nível a e gl = k − 1
2
Exemplo com cálculo manual – Uma empresa de bebidas alcoólicas está interessada
em saber se uma campanha promocional a ser dirigida aos seus distribuidores teria sucesso.
Para tanto, testou-a junto a uma amostra aleatória de 18 distribuidores. As compras efetuadas
por cada distribuidor, nas três semanas seguintes à exposição à campanha promocional, foram
comparadas com a média das compras das três semanas anteriores ao seu início. O resultado
foi considerado sucesso (1) quando as compras de cada distribuidor, a cada semana posterior
à exposição, superaram, ao menos, 10% da média de compras das três semanas anteriores
à exposição desse mesmo distribuidor; caso contrário, foi considerado insucesso (0), cujos
resultados estão na Tabela 12.19.
Procedimentos para o teste:
1. H0 = não há diferença nos resultados observados antes e após a exposição à campanha
promocional.
H1 = há diferença para melhor entre os resultados observados antes e após a exposição à
campanha promocional (teste unicaudal).
2. a = 0,05.
3. Cálculo da prova. A classificação dos resultados em sucesso (1) ou insucesso (0) está nas
três primeiras colunas da Tabela 12.19. O valor de:
n n
∑L i = 30 e de ∑ L2i = 68
i =1 i =1
Apêndice – Tabelas estatísticas selecionadas, no final deste livro). A região de rejeição com-
χ 2
preende todos os valores de Qc ≥ t = 5,991.
330 Pesquisa de Marketing
Tabela 12.19 Compras dos distribuidores classificadas em sucesso (1) e insucesso (0)
Distribuidor 1ª semana 2ª semana 3ª semana Li L2i
1 0 0 0 0 0
2 1 1 1 3 9
3 1 1 1 3 9
4 1 1 0 2 4
5 1 1 0 2 4
6 1 1 0 2 4
7 0 0 0 0 0
8 0 1 0 1 1
9 1 1 1 3 9
10 1 0 1 2 4
11 0 1 1 2 4
12 0 0 1 1 1
13 1 0 1 2 4
14 1 1 0 2 4
15 0 0 1 1 1
16 1 0 0 1 1
17 1 1 1 3 9
18 0 0 0 0 0
Totais de sucesso G1 = 11 G2 = 10 G3 = 9 ∑L i = 30 ∑L2i = 68
Totais de insucesso 7 8 9 24
5. Decisão. Como Qc = 0,545 < χ t = 5,991, não se rejeita H1 = há diferença para melhor
2
linha, atribuindo posições de 1 a k. Efetuar a soma das classificações de cada uma das k
colunas. Calcular o valor de χ j utilizando a seguinte fórmula:
2
k
12 ∑ ( R 2j )
i
χ 2j = − 3n(k + 1)
nk(k + 1)
Em que:
n = número de elementos avaliados.
k = número de medições realizadas nos n elementos.
Rj = soma das classificações das j-ésimas colunas.
k
Exemplo com cálculo manual – Uma empresa costuma avaliar, anualmente, junto aos
seus revendedores, sua política comercial. Uma mesma ficha, contendo várias afirmações com
escalas de cinco pontos para o registro do grau de concordância, tem sido sistematicamente
utilizada nos últimos cinco anos para efetuar as avaliações. Um diretor comercial, recém-ad-
mitido na empresa, decidiu comparar os resultados das avaliações dos últimos quatro anos para
verificar se houve mudança significativa no grau de satisfação dos revendedores. Para tanto,
sorteou uma amostra aleatória de 18 revendedores, cujas avaliações da política comercial da
empresa, nos últimos quatro anos, estão na Tabela 12.21.
Procedimentos para o teste:
1. H0 = não houve alteração significativa no grau de satisfação dos revendedores da empresa
em relação à política comercial nos últimos quatro anos.
H1 = houve alteração significativa para melhor no grau de satisfação dos revendedores em
relação à política comercial (teste unicaudal).
2. a = 0,05.
3. Cálculo da prova. Ordenando os escores de cada linha e atribuindo posições de 1 a 4,
têm-se os resultados apresentados nas quatro últimas colunas da Tabela 12.21. Somando-se
cada coluna, respectivamente, os resultados foram: 58; 52,5; 39,5 e 30. Aplicando a fórmula
de cálculo da prova a esses dados, tem-se:
12 (58)2 + (52,5)2 + (39,5)2 + (30)2
χ = 2
j − 3 × 18 × (4 + 1)
18 × 4 × (4 + 1)
χ 2j = 16,01
= 7,815.
Métodos Não Paramétricos para Análise de Dados 333
Tabela 12.21 Grau de satisfação dos revendedores para com a política comercial da empresa
Avaliação anual Classificação
Revendedor 2008 2009 2010 2011 2008 2009 2010 2011
1 42 44 48 46 4 3 1 2
2 13 15 27 36 4 3 2 1
3 75 73 64 60 1 2 3 4
4 20 20 25 31 3,5 3,5 2 1
5 22 24 30 33 4 3 2 1
6 51 52 50 53 3 2 4 1
7 28 29 32 38 4 3 2 1
8 41 39 35 40 1 3 4 2
9 54 56 59 67 4 3 2 1
10 20 22 33 27 4 3 1 2
11 44 42 48 40 2 3 1 4
12 54 55 58 60 4 3 2 1
13 68 71 66 62 2 1 3 4
14 56 58 60 64 4 3 2 1
15 40 41 47 53 4 3 2 1
16 50 49 50 55 2,5 4 2,5 1
17 34 36 40 42 4 3 2 1
18 20 17 25 26 3 4 2 1
Totais 58 52,5 39,5 30
Coeficiente de contingência C
É utilizado para medir o grau de associação entre dois conjuntos de atributos medidos em escalas
nominais. Por exemplo: medir o grau de associação entre a classe socioeconômica da família
e a marca do automóvel possuído; a faixa etária e o tipo de programa de TV preferido etc.
Condições para utilização – Dois conjuntos de dados; só deve ser utilizado quando
houver dados nominais, ao menos em um dos dois conjuntos de dados.
Quadro 12.1 Técnicas paramétricas e não paramétricas para verificar a interdependência e a dependência entre variáveis
Método Escala de Número de Nominal Ordinal Intervalar ou razão
mensuração variáveis Número de variáveis dependentes Número de variáveis dependentes Número de variáveis dependentes
da variável independentes
Nenhuma Uma Nenhuma Uma Nenhuma Uma
Não Nominal Uma Coeficiente de
para- contingência
métrico
Mais de uma Índice de
Associação
Preditiva
Ordinal Uma Coeficiente
de Correlação
de Postos de
Spearman
Coeficiente
de Correlação
335
336 Pesquisa de Marketing
seguinte fórmula:
r k
(Oij − Eij )2
χ c2 = ∑ ∑
i =1 j =1 Eij
Exemplo com cálculo manual – Para aprimorar suas atividades de marketing, uma
montadora de automóveis está interessada em saber o quanto a escolha da marca do automóvel
está relacionada com a classe socioeconômica da família. Para a realização do estudo, foi cons-
tituída uma amostra aleatória de 900 compradores de automóveis novos dos três principais
fabricantes do mercado nos últimos 12 meses. A tabulação cruzada da classe socioeconômica
da família (A, B ou C) com a marca do fabricante do veículo adquirido (X, Y ou Z) resultou
nos dados das colunas Ois da Tabela 12.23.
Procedimentos para o cálculo de C:
1. A tabela de cruzamento apresentada é do tipo 3 × 3. A partir desta tabela, determinam-se as
frequências esperadas Ei sob H0. Na Tabela 12.23, junto com as Oi (frequências observadas),
estão as Ei (frequências esperadas).
2. Calcular o valor do qui-quadrado e, em seguida, o do coeficiente de contingência
C aplicando a fórmula apresentada no item 2 do procedimento geral para o cálculo
de C:
Métodos Não Paramétricos para Análise de Dados 337
Tabela 12.23 Marca da fábrica do veículo adquirido por classe socioeconômica da família
Classe socioeconômica
A B C
Marca da fábrica Oi Ei Oi Ei Oi Ei Totais
X 75 28 111 98 24 84 210
Y 30 50 186 175 159 150 375
Z 15 42 123 147 177 126 315
Totais 120 120 420 420 360 360 900
χ c2 = 174,60
174,60
C=
900 + 174,60
C = 0,403
Procedimentos para o teste de verificação de C = 0,403:
1. H0 = não existe correlação de 0,403 entre a classe socioeconômica da família e a marca
de fábrica do automóvel adquirido.
H1 = existe correlação de 0,403 entre a classe socioeconômica da família e a marca de
fábrica do automóvel adquirido (teste unicaudal).
2. a = 0,05.
3. Região de rejeição. O χ t = 9,49, para a = 0,05 e gl = (3 − 1) (3 − 1) (Tabela 5 do
2
obtenção de C.
4. Decisão. Como o χ c = 174,60 > χ t = 9,49, H0 é rejeitada em prol de H1 = existe
2 2
4. Decisão. De acordo com o teste, como p = 0,420 > a = 0,05, não se pode rejeitar H0 = não
há correlação entre gênero e tipo de bebida preferida, ao nível de a = 0,05.
338 Pesquisa de Marketing
a somatória das diferenças poderia dar uma noção da magnitude da similaridade ou da dis-
crepância entre as classificações, porém, como as diferenças são algébricas, as negativas tendem
a cancelar as positivas, e o valor resultante ficaria deturpado. Para contornar esse problema,
utiliza-se, para medir a magnitude das discrepâncias observadas, a raiz quadrada da soma dos
quadrados das diferenças observadas. O cálculo do coeficiente de correlação é obtido pela
subtração da divisão desse valor pelo seu máximo valor possível (quando a discrepância for
máxima). Esse coeficiente varia de 0 (não há correlação) a 1 (correlação máxima) (Tabela
13 do Apêndice – Tabelas estatísticas selecionadas, no final deste livro).
Procedimento geral para o cálculo de Rs:
1. Ordenar as observações de cada uma das variáveis separadamente e atribuir posições para
as classificações de 1 a n (quando houver observações idênticas, utilizar a mesma forma de
atribuição de posições já apresentada quando foi estudado o teste Wilcoxon T).
2. Calcular a diferença d e seu quadrado d2 para as observações pareadas de cada elemento
da amostra.
3. Somar todos os quadrados das diferenças.
4. Com os dados assim obtidos, calcular o valor do coeficiente de correlação de postos (Rs)
utilizando a seguinte fórmula:
n
6∑ di2
Rs = 1 − i =1
n3 − n
Em que:
Rs = coeficiente de correlação de postos de Spearman.
n = número de observações.
di = diferença algébrica entre as classificações.
Procedimentos para o teste de verificação de Rs:
1. Definir H0 como não havendo correlação entre os dois conjuntos de dados.
2. Definir um nível de significância a.
3. Cálculo da prova. A significância de se obter um Rs sob H0 pode ser testada, utilizando-se a
seguinte fórmula para o cálculo de tc cuja distribuição é idêntica à distribuição t de Student
para gl = n – 2 (para n ≥ 10):
n−2
tc = R s
1 − R s2
Região de rejeição. Procurar na tabela da distribuição t de Student o valor correspondente
a tt para a e gl = n − 2 (Veja a Tabela 4 do Apêndice – Tabelas estatísticas selecionadas,
no final deste livro).
4. A região de rejeição estará compreendida por todos os valores de tc ≥ tt.
5. Decisão. A decisão será tomada comparando-se tc com tt, para a e gl = n − 2. Se tc ≥ tt, H0
é rejeitada em prol de H1.
Exemplo com cálculo manual – Uma empresa, desejando saber quanto o nível de
satisfação com um seu produto está relacionado ao nível socioeconômico do consumidor,
realizou uma pesquisa junto a uma amostra aleatória de 15 consumidores. O nível de satis-
fação foi medido segundo o grau de concordância para uma série de afirmações e o nível
340 Pesquisa de Marketing
socioeconômico por uma escala desenvolvida pela empresa. Os resultados dessas duas medições
estão na Tabela 12.25.
Procedimentos para o cálculo de Rs:
1. Ordenar as observações de cada uma das variáveis separadamente e atribuir posições para
as classificações de 1 a 15, obtendo-se as colunas ordem2(1) e ordem (2) na Tabela 12.25.
2. Calcular as diferenças di e os quadrados das diferenças di para as observações pareadas de
cada elemento da amostra e somar todos os quadrados das diferenças ( ∑di ), obtendo-se
2
∑di2 128
S S
T= ou T =
C n,2 (n / 2)(n − 1)
Em que:
T = correlação de postos de Kendall cujo significado é:
escore efetivo
T=
escore máximo possível
S = resultado algébrico da soma dos +1s e −1s
Cn,2 = máximo de escore possível e compreende a combinação dos n elementos, dois
a dois.
Exemplo com cálculo manual – Seja o mesmo exemplo utilizado para ilustrar o cálculo
e teste do coeficiente de correlação de postos de Spearman (Tabela 12.25).
Métodos Não Paramétricos para Análise de Dados 343
65 65
T= = = 0,62
(15 / 2)(15 − 1) 05
Analogamente aos procedimentos realizados com os outros índices de correlação, T deve
ser testado a determinado nível de significância para poder ser aceito.
marketing nos casos em que existem, por exemplo, vários consumidores avaliando, por meio
de classificações, simultaneamente, vários produtos (várias embalagens, várias propagandas etc.).
Condições para utilização – Conjunto de n objetos avaliados por k avaliadores; avalia-
ções em escalas ordinais originadas de comparação dos n objetos.
Teoria/Conceito – Uma das formas de solução do problema consiste em calcular todos
os índices de correlações de Spearman (Rs) de todos os possíveis pares de classificações e, em
seguida, calcular a média para determinar o coeficiente de correlação de todo o conjunto.
É um caminho muito trabalhoso e, por isso, não recomendável. A outra forma, mais fácil, é
imaginar o que ocorre quando não há nenhuma concordância entre todos os conjuntos e
quando há total concordância. O coeficiente de concordância será um índice de divergência
entre a concordância verdadeira verificada nos dados e o máximo de concordância possível.
Procedimento geral para o cálculo de W:
1. Sendo k = número de avaliadores e n = número de objetos avaliados, construir uma tabela
n × k com as classificações observadas.
2. Calcular Rn, que é a soma das classificações de cada objeto.
3. Calcular o Rn médio.
4. Calcular as diferenças algébricas d entre cada Rn e o Rn médio e elevar ao quadrado d2.
5. Obter S somando todos os d2.
6. O índice de concordância W de Kendall é obtido aplicando-se a seguinte fórmula:
S
W=
1 2 3
k (n − n )
12
Em que:
W = índice de concordância W de Kendall.
S = ∑d (somatória do quadrado das diferenças observadas).
2
k = número de avaliadores.
n = número de objetos avaliados.
Exemplo com cálculo manual – Uma empresa realizou uma pesquisa para avaliar a
ordem de preferência dos consumidores para oito marcas concorrentes de uma mesma cate-
goria de produto. Foram obtidas as opiniões de uma amostra aleatória de 20 consumidores.
Com base nos resultados apresentados na Tabela 12.28, a empresa deseja saber qual foi o grau
de concordância na avaliação desses 20 consumidores.
Efetuando-se os procedimentos indicados para o cálculo de W, obtêm-se os dados que
constam das linhas Rn, Rn médio, d, d2 e S = ∑d na tabela anterior. Aplicando-se a fórmula
2
12
Portanto, a concordância na avaliação dos 20 consumidores na ordenação das oito marcas
pelo coeficiente de concordância W de Kendall foi de 0,562.
Analogamente aos procedimentos realizados com os outros índices, W = 0,562 deve ser
testado em determinado nível de significância para poder ser aceito.
Métodos Não Paramétricos para Análise de Dados 345
Exemplo com cálculo no SPSS – Uma empresa deseja verificar se um produto que
irá lançar no mercado é significativamente semelhante a outros três produtos concorrentes já
existentes. As avaliações de cada produto realizadas por cada um dos consumidores, em uma
escala de 0 a 4, estão na Tabela 12.29.
Procedimento para o teste:
1. H0 = os produtos não são percebidos como semelhantes.
H1 = os produtos são percebidos como semelhantes.
2. a = 0,01.
3. Processamento do teste.
Test Statistics
N 20
Kendall's W a
,020
Chi-Square 1,189
df 3
Asymp. Sig. ,756
a
Kendall's Coefficient of Concordance.
346 Pesquisa de Marketing
Tabela 12.29 Avaliações das versões dos produtos realizadas por cada um dos
consumidores
Produto
Consumidor Empresa Concorrente 1 Concorrente 2 Concorrente 3
1 2 2 2 2
2 4 4 3 4
3 2 2 2 2
4 2 2 2 2
5 2 2 2 2
6 4 4 3 4
7 2 2 2 2
8 3 3 3 3
9 3 1 1 1
10 4 4 3 4
11 2 3 4 3
12 3 3 3 3
13 4 4 4 4
14 2 2 2 3
15 4 4 4 4
16 0 0 0 0
17 2 2 3 3
18 4 4 4 4
19 3 3 3 3
20 3 3 3 2
Totais 55 54 53 55
4. Decisão. Uma vez que p = 0,756 > a = 0,01, não é possível rejeitar H0 = os produtos
não são percebidos como semelhantes, ao nível de significância de 0,01.
QUESTÕES DE REVISÃO
1. Qual a importância dos métodos não paramétricos para pesquisas de marketing?
2. Quais as condições para utilização de um teste de hipótese binomial?
3. Qual a utilização, em pesquisa de marketing, do teste qui-quadrado de uma amostra? E
o de duas ou mais amostras?
4. Como se calcula o valor da prova no teste qui-quadrado de duas ou mais amostras?
5. Quais as vantagens do teste Kolmogorov-Smirnov para uma amostra em relação ao teste
qui-quadrado?
6. Qual a utilização do teste da mediana? Quais as condições para sua utilização?
7. Qual o teste mais adequado para analisar resultados residuais comparativos de situações
pré e pós-testes para duas amostras relacionadas?
8. O que são métodos da associação?
9. Qual a utilização, em pesquisa de marketing, do teste de contingência C? Quais as
condições para sua utilização?
10. Qual a utilização, em pesquisa de marketing, do coeficiente de correlação de postos de
Spearman (Rs)? Quais as condições para sua utilização?
Métodos Não Paramétricos para Análise de Dados 347
Trabalho – Parte 10
Aplique às variáveis nominais e ordinais de sua pesquisa, bem como às variáveis intervalares,
testes de hipóteses não paramétricos adequados às condições do projeto de pesquisa quando
não reunir condições de aplicar os métodos paramétricos. Calcule também o relacionamento
entre variáveis que não reúnam condições para a utilização de medidas paramétricas.
REFERÊNCIAS
COOPER, D. R.; SCHINDLER, P. S. Métodos de pesquisa em administração. 7. ed. Porto Alegre: Bookman, 2003.
DANIEL, W. W. Essentials of business statistics. Boston: Houghton Mifflin Co., 1984.
HAIR JR., J. F.; ANDERSON, R. E.; TATHAN, R. L.; BLACK, W. C. Análise multivariada de dados. Porto Alegre:
Bookman, 2005.
MALHOTRA, N. K. Pesquisa de marketing: uma orientação aplicada. 3. ed. Porto Alegre: Bookman, 2001.
NEWBOLD, P. Statistics for business & economics. Upper Saddle River: Prentice-Hall, 1994.
PESTANA, M. H.; GAGEIRO, J. N. Análise de dados para ciências sociais. Lisboa: Silabo, 2003.
SIEGEL, S.; CASTELLAN, JR., J. J. Estatística não paramétrica para ciências do comportamento. Porto Alegre: Bookman,
2006.
STEVENSON, W. J. Estatística aplicada à administração. São Paulo: Harbra, 2001.
CAPÍTULO 13
Técnicas Paramétricas para Análise
de Dados
Fauze Najib Mattar, Braulio Oliveira e Sérgio Luís Stirbolov Motta
Objetivos
• Apresentar as técnicas mais utilizadas em pesquisas de marketing para se analisarem dados
de grandes amostras ou provenientes de populações cujos parâmetros são conhecidos.
Sumário
TESTES PARA MEDIDAS DE POSIÇÃO
Testes da média para uma amostra – variável intervalar
Teste z
Teste t
Testes para duas amostras não relacionadas – variável intervalar
Teste z da diferença entre duas médias
Teste t da diferença entre duas médias
Testes para duas amostras relacionadas – variável intervalar
Teste tr
TÉCNICAS MULTIVARIADAS DE INTERDEPENDÊNCIA
Análise fatorial exploratória
Conceitos e termos utilizados na análise fatorial
Testes e precondições das variáveis e dos dados para a análise fatorial
Passos da análise fatorial
Análise de conglomerados
Análise de correspondência
Escalonamento multidimensional – MDS (Multidimensional Scaling)
TÉCNICAS PARA MEDIR A DEPENDÊNCIA
Métodos de correlação e regressão
Análise da variância - Anova
Análise multivariada da variância - Manova
Análise discriminante e classificatória
349
350 Pesquisa de Marketing
Teste z
O teste z é utilizado em pesquisas de marketing para comparar a média de uma amostra com
a média conhecida ou hipotética da população e decidir se a média da amostra pode ser aceita
como a média da população, em determinado nível de significância.
Condições para utilização – Exclusivamente para variáveis intervalares; qualquer tama-
nho da amostra se o desvio-padrão da população for conhecido; somente para amostras de
tamanho igual ou superior a 30 elementos se o desvio-padrão da população não for conhecido.
Teoria/Conceito – O teste consiste em verificar se a média obtida em uma amostra
( x ) pode ser aceita como a média da população (m) da qual ela foi colhida, em determinado
nível de significância.
Procedimento geral para o teste:
1. Determinar H0 como a negação de H1, sendo H1 a hipótese da pesquisa.
2. Estabelecer um nível de significância a.
3. Calcular os valores de Z segundo as fórmulas:
Caso 1: Dados em unidades:
a. A variância da população é conhecida:
x−µ
Z=
σ
Em que:
Z = valor correspondente a x na distribuição normal padronizada.
x = média da amostra.
m = média da população.
σ = desvio-padrão da média na população.
Técnicas Paramétricas para Análise de Dados 351
em uma amostra probabilística de 32 lojas da rede. Os resultados obtidos de vendas por loja
encontram-se na Tabela 13.1. Com base nesses dados, o comprador deve decidir se adota ou
não a comercialização dessa nova marca de sabonete.
Tabela 13.1 Resultados obtidos de vendas da nova marca de sabonete,
por loja pesquisada
Vendas
Loja x x2
1 116 13.456
2 105 11.025
3 120 14.400
4 93 8.649
5 132 17.424
6 114 12.996
7 97 9.409
8 108 11.664
9 86 7.396
10 123 17.424
11 105 11.025
12 102 10.404
13 123 15.129
14 88 7.744
15 114 12.996
16 94 8.836
17 110 12.100
18 70 4.900
19 95 9.025
20 90 8.100
21 120 14.400
22 115 13.225
23 125 15.625
24 98 9.604
25 103 10.609
26 112 12.544
27 92 8.464
28 101 10.201
29 109 11.881
30 132 17.424
31 119 14.161
32 101 10.201
Totais 3.412 372.441
m
x = ∑ xi / n = 3.412 / 32 = 106,625
i =1
2
∑ x2 ∑ x
S= − = 372.441 / 32 − (3.412 / 32)
2
n n
S = 11.638,78 − 11.368,89
Z c = 2,281
4. Região de rejeição. Sendo Zt = 1,65 para a = 0,05 (teste unicaudal), a região de rejeição
de H0 corresponde a todos os valores de Zc ≥ Zt = 1,65 (Tabela 3 do Apêndice – Tabelas
estatísticas selecionadas, no final deste livro).
5. Decisão. Como Zc = 2,281 > Zt = 1,65, H0 é rejeitada em prol de H1 = a média de vendas
por loja é maior que 100, ao nível de confiabilidade de 0,05. Portanto, a nova marca de
sabonete deverá ser introduzida para ser comercializada pela rede de farmácias.
Exemplo com cálculo no SPSS – Veja o exemplo seguinte, com o teste t, já que não
há uma função específica para se calcular o teste z e, para amostras maiores ou iguais a 30, os
resultados dos testes z e t são semelhantes.
Teste t
A utilização em pesquisas de marketing do teste t é análoga à do teste z, porém é o reco-
mendado quando o número de elementos da amostra for inferior a 30.
Condições para utilização – Exclusivamente para variáveis intervalares; quando a
variância da população for desconhecida e n for de qualquer tamanho (inclusive para os
casos em que n < 30, em que o teste z não pode ser utilizado).
Procedimento geral para o teste:
O procedimento para o teste t é idêntico ao do teste z. A procura para o t tabelado deverá
ser feita na tabela para (n − 1) graus de liberdade e, para o cálculo, utiliza-se a fórmula:
(x − µ )
Tc =
Sx
Em que:
Tc = t calculado
∑( xi − x )2
Sx = S / n e S =
n −1
Exemplo com cálculo manual – Considere-se o mesmo exemplo anterior, admitindo
que o teste do produto tenha sido feito apenas nas dez primeiras lojas (Tabela 13.1).
Procedimentos para o teste:
1. H0 = a média de vendas por loja é menor ou igual a 100.
H1 = a média de vendas por loja é maior que 100 (teste unicaudal).
354 Pesquisa de Marketing
2. a = 0,05.
3. Calcular os valores de Tc.
n
x = ∑ xi / n = 109,4
i =1
∑(x i − x )2
S 14
S= i =1
= 14 Sx = = = 4,55
n −1 n 10
x − µ 109,4 − 100
Tc = = = 2,07
Sx 4,55
Tc = 2,07
4. Determinar a região de rejeição de t. Na tabela da distribuição padronizada, o Tt = 1,833,
para a = 0,05 e gl = (10 − 1) = 9 (teste unicaudal). A região de rejeição de H0 compreende
todos os valores de Tc ≥ 1,833 (Tabela 4 do Apêndice – Tabelas estatísticas selecionadas,
no final deste livro).
5. Decisão. Como Tc = 2,07 > Tt =1,833, H0 é rejeitada em prol de H1 = a média de vendas
por loja é maior que 100. Portanto, a nova marca de sabonete deverá ser aceita para ser
comercializada pela rede, pois a média de vendas, por loja, é maior que 100, ao nível de
confiabilidade de 0,05.
Exemplo com cálculo no SPSS – Com base nos dados do mesmo exemplo anterior,
com as dez primeiras lojas da Tabela 13.1 (n = 10).
Procedimentos para o teste:
1. H0 = a média de vendas por loja é menor ou igual a 100.
H1 = a média de vendas por loja é maior que 100 (teste unicaudal).
2. Estabelecer um nível de significância. Seja a = 0,05.
3. Resultado do teste no SPSS:
One-Sample Test
Test Value = 0
95% Confidence Interval
t df Sig. (2-tailed) Mean Difference of the Difference
Lower Upper
Vendas 24,036 9 ,000 109,40000 99,1039 119,6961
em outras situações, aqui se faz necessário comparar os resultados com os parâmetros de duas
populações diferentes e não relacionadas (ou independentes). O fato de serem independentes
significa que o que for medido em uma amostra não exerce nenhum efeito sobre o que for
medido na outra. Para essa situação, os testes de média para uma amostra, como os testes z e
t, a seguir apresentados, são os mais indicados.
Os procedimentos para os testes z e t em duas amostras não relacionadas são os mesmos
utilizados para os casos de uma amostra.
σ x1 − x2 = σ 2x1 + σ 2x2
Sendo:
σ 12 σ2
σ 2x1 = σ 2x2 = 2
n1 e n2
Tem-se:
σ 12 σ 22
σ x1 − x2 = +
n1 n2
100 196
σ x1 − x2 = + = 2,96 = 1,72
100 100
−5 − 0
Z c = [(20 − 25) − (µ1 − µ 2 )] / 1.720 = = −2,90
1,72
(µ1 − µ 2 ) = 0, pois sob H0 ,µ1 = µ 2
Em que:
x1 e x 2 = médias das amostras 1 e 2, e µ1 e µ 2 as médias das populações 1 e 2 (des-
conhecidas) que, sob H 0 → µ1 = µ 2 .
Técnicas Paramétricas para Análise de Dados 357
Sendo:
n1
∑( xi 1 − x1 )2
Sx21 = i =1
para estimar σ 12
n1
e
n2
∑( xi 2 − x 2 )2
Sx22 = i =1
para estimar σ 22
n2
Tem-se que:
S1
Sx1 =
n1
e
S2
Sx2 =
n2
Portanto:
S12 S22
Sx1 − x2 = +
n1 n2
Exemplo com cálculo manual – Suponha-se que o teste para decisão sobre a adoção
de uma nova marca de sabonete numa rede de supermercados tenha sido realizado em duas
diferentes regiões, apresentando os seguintes resultados:
• Região 1: amostra de 10 lojas, com média de vendas de 109,4 unidades/loja/dia e
desvio-padrão de 4,55 unidades.
• Região 2: amostra de 10 lojas, com média de vendas de 99,1 unidades/loja/dia e
desvio-padrão de 20,5 unidades.
Com base nesses dados, deseja-se saber se há diferenças significativas no consumo do
produto em teste entre essas duas regiões.
Procedimentos para o teste:
1. H0 = não há diferença entre as médias de consumo nas duas regiões.
H1 = há diferença significativa entre as médias de consumo nas duas regiões, sendo o
consumo na Região 1 maior que na Região 2 (teste unicaudal).
2. a = 0,05.
3. Calcular os valores de t.
Tc = 1,55
Quadro 13.1 Resumo dos testes z e t sobre inferências da média para uma amostra e para duas
amostras não relacionadas
A variância da população é conhecida A variância da população é desconhecida
Uma n qualquer n < 30
amostra Dados em unidades
x−µ
x−µ T = , em que Sx = S / n
Z= ~ N (0,1) Sx
σ
∑( xi − x )
2
Dados em proporções
S=
n −1
p−P
Z= Utilizar a tabela t para gl = n − 1
σ
n ≥ 30
e
x − µ ou x−µ
p−P Z= Z=
Z= Sx S/ n
PQ / n
Duas n qualquer n < 30
amostras
não ( x − x 2 ) − ( µ1 − µ2 ) ( x1 − x 2 ) − ( µ1 − µ2 )
Z= 1 ~ N (0,1) T =
relacio- σ x1 − x2 Sx1 − x2
nadas e n ≥ 30
σ 12 σ 22 ( x1 − x 2 ) − ( µ1 − µ2 )
σ x1 − x2 = + Z=
n1 n2 Sx1 − x2 ,
Em que
S12 S22
Sx1 - x2 = Sx21 + Sx22 = +
n1 n2
Utilizar a tabela t para
gl = n1 + n2 − 2
2. a = 0,05.
3. Calcular os valores de t. O cálculo de Tc é dado pela fórmula:
( xd − D )
Tc =
{[Sd / (n − 1)] }
Em que:
xd = média das diferenças observadas entre as duas amostras em cada loja.
D = diferença esperada para H0, ou seja, D = 0.
n = número de diferenças, que no caso é 5.
Sd = desvio-padrão das diferenças observadas em relação à diferença média, que é calculado
pela seguinte fórmula:
∑ (d i − d )2
Sd = i =1
n −1
Aplicando essas formulações aos dados da Tabela 13.2, ter-se-á o seguinte resultado:
(5 + 2 + 5 + 2 + 4)
xd = = 3,6
5 .
(5 − 4,8)2 + (2 − 4,8)2 + (5 − 4,8)2 + (2 − 4,8)2 + (4 − 4,8)2
Sd = = 4,1 = 2,024
(5 − 1)
(3,6 − 0) .
Tc = = 7,11
(2,024 / 4) .
4. Determinar a região de rejeição de t.Tt = 2,776 para a = 0,05 e gl = n − 1 = 5 − 1 = 4
(teste unicaudal). A região de rejeição de H0 corresponde a todos os valores de Tc ≤ Tt = −
2,776 ou a Tc ≥ Tt = 2,776 (Tabela 4 do Apêndice – Tabelas estatísticas selecionadas, no
final deste livro).
5. Decisão. Como Tc = 7,11 > Tt = 2,776, H0 é rejeitada em prol de H1 = há diferença entre
as médias de venda das duas embalagens, sendo a média de vendas da Embalagem 1 (58,8)
maior que as da Embalagem 2 (55,2), ao nível de significância de 0,05.
Exemplo com cálculo no SPSS – Nesse mesmo exemplo, o cálculo eletrônico apresenta
os seguintes resultados:
As variáveis devem ter origem em proposições teóricas sobre o tema, em análises empíricas
anteriores ou em fortes evidências percebidas pelo pesquisador ou contratante da pesquisa.
Essas análises podem ser informais, com o exame da matriz de correlações ou o exame das
comunalidades entre variáveis; ou formais, com um dos seguintes métodos:
• Teste da esfericidade de Bartlet – Testa a hipótese de que as variáveis não estejam corre-
lacionadas na população.
• Medida da adequacidade da amostra (Measure of Sampling Adequacity – MSA ou Kai-
ser-Meyer-Olkin – KMO) – Valores elevados dessa medida (entre 0,5 e 1) indicam que a
análise fatorial é adequada.
natureza deste procedimento permite extrair fatores que não são correlacionados ou que
tenham correlação muito pequena uns com os outros. Nesse caso, os fatores são chamados
de ortogonais.
Rotação da matriz – A matriz inicial dos fatores (não girada) raramente resulta em fatores
facilmente interpretados, pois é uma matriz complexa em que os fatores estão correlacionados
com muitas variáveis. Para possibilitar as análises e interpretações dos fatores, faz-se necessária
a rotação da matriz inicial. A ideia básica do giro de fatores é identificar alguns fatores com
variáveis que tenham alta correlação e outros com variáveis que tenham baixa correlação. Para
essa rotação, podem ser utilizadas duas formas:
• Rotação ortogonal – Em que os eixos são mantidos em ângulo reto. O método Varimax
é a forma de rotação ortogonal mais utilizada, pois minimiza o número de variáveis com
altas cargas sobre um fator, facilitando a interpretação dos fatores.
• Rotação oblíqua – Em que os eixos não são mantidos em ângulo reto.
Análise/interpretação dos fatores – Em termos numéricos, os fatores são facilmente
identificáveis. Para atribuir identificação qualitativa aos fatores, estes podem ser identificados
pelas variáveis que têm sobre eles as maiores significâncias. Cabe ao analista utilizar de cria-
tividade para atribuir qualitativamente nomes aos fatores.
Exemplo ilustrativo da utilização da análise fatorial – Na Tabela 13.4 estão apre-
sentadas todas as correlações possíveis entre nove variáveis (análise fatorial R – correlações
entre variáveis) a partir dos dados coletados numa pesquisa (fictícia) para verificar quais são os
atributos do produto determinantes no processo de compra de automóveis novos, avaliados
numa escala de cinco pontos. A utilização da análise fatorial visará à redução desse conjunto
de nove atributos a um conjunto menor de fatores explicativos.
A Tabela 13.5 apresenta os fatores principais extraídos da matriz de correlação e a matriz
girada ortogonal (rotação varimax).1
1
s cálculos para a realização dessa rotação são muito complexos e fogem ao escopo deste livro. A realização
O
da rotação de matrizes demanda uma quantidade tão grande de cálculos que a utilização da análise fatorial em
pesquisas de marketing só passou a ser viável com o advento dos computadores e dos programas de análises, que
possibilitaram a realização dos cálculos de forma rápida, precisa e econômica.
366 Pesquisa de Marketing
Tabela 13.5 Fatores principais extraídos da matriz de correlação e a matriz girada ortogonal (rotação varimax)
Matriz principal de fatores Matriz girada
Fatores
A B C
Variáveis A B C h2 Emocional Racional Econômico
1. Desempenho ,68 −,52 ,31 ,83 ,90 ,08 −,05
2. Modelo moderno ,69 −,51 ,26 ,80 ,89 ,07 −,01
3. Conforto ,63 −,32 ,16 ,53 ,69 +,15 −,17
4. Confiança na marca ,58 ,53 ,27 ,69 ,14 ,81 −,08
5. Durabilidade/qualidade ,38 ,59 ,29 ,57 −,02 ,76 ,03
6. Segurança ,63 ,44 ,16 ,62 ,20 ,73 −,20
7. Espaço (passageiros e ,33 −,04 –,77 ,70 −,02 –,13 −,83
bagagens)
8. Economia (combustível ,65 −,04 −,52 ,69 ,28 ,13 −,77
e manutenção)
9. Preço de aquisição ,62 ,22 −,42 ,61 ,13 ,36 −,68
Soma dos quadrados 3,12 1,51 1,40 6,03 2,23 1,97 1,83
% variância total 34,66 16,78 15,56 67,00 24,78 21,88 20,34
% variância comum 51,74 25,04 23,22 100,00 36,98 32,66 30,36
Analisando a Tabela 13.5, pode-se observar que existem três fatores que relacionam os
nove atributos. Os elementos da matriz principal, listados sob os fatores, são chamados de
carga dos fatores não girados. A carga dos fatores mede quais variáveis estão envolvidas e em
que grau e direção. A forma de entender o significado da carga é relembrar que ela é um
coeficiente de correlação simples entre uma variável e um fator. Quando se eleva a carga ao
quadrado estar-se-á calculando o coeficiente de determinação entre uma variável e um fator.
O coeficiente de determinação é a proporção de uma variação que uma variável tem em
comum com um fator não girado.
A coluna h2 mede as comunalidades. Matematicamente, h2 é igual à soma dos quadrados
de cada carga de cada variável em todos os fatores. Como exemplo, o cálculo de h2 para a
variável 1 (Desempenho) é:
soma de todos h 2
H= × 100 = 67%
númerode variáveis
Técnicas Paramétricas para Análise de Dados 367
Para calcular a quantidade de variação explicada em cada fator, basta somar os quadrados
das cargas atribuídas a cada fator, dividir pelo número de variáveis e multiplicar por 100. Por
exemplo, para o fator A, este valor é:
3,12
× 100 = 34,66%
9
Para efetuar o cálculo da quantidade de variação comum de cada fator, basta dividir a
variação explicada pela variância total dos dados explicada pelos três fatores (H), multiplicada
por 100, que, para o fator A, é:
34,66%
× 100 = 51,74%
67,00%
Note, na Tabela 13.4, que a comunalidade de cada variável permanece a mesma antes e
depois da rotação da matriz. Isso mostra que o giro dos fatores, quando feito simultaneamente,
aponta exatamente os mesmos valores para cada variável dos fatores não girados e que apenas
os pesos de cada variável em cada fator estão agora redistribuídos.
Já a quantidade de variação explicada em cada fator mudou da matriz principal para a ma-
triz girada. Na matriz principal, o fator A domina o quadro. Na matriz girada, as cargas foram
mudadas de tal forma que as quantidades de variações explicadas são agora aproximadamente
idênticas. Na matriz girada, fica fácil perceber agora, pelas grandes cargas atribuídas, quais são
as variáveis que compreendem cada fator.
As denominações a serem atribuídas aos fatores são de responsabilidade do pesquisador
que deve ser criativo e encontrar denominações que representem o conjunto de variáveis as-
sociadas ao fator. Assim, o fator A, denominado (pelo pesquisador) fator emocional, é composto
pelas variáveis: desempenho, modelo moderno e conforto; o fator B, denominado (pelo pes-
quisador) fator racional, é composto pelas variáveis: confiança na marca, durabilidade/qualidade
e segurança; e o fator C, denominado (pelo pesquisador) fator econômico, é composto pelas
variáveis: espaço, economia e preço.
Também é preciso observar, na apresentação feita da análise fatorial, que a atenção foi
concentrada em como dar entrada nos dados e em como interpretar as saídas, e muito pouco
em como o processamento é feito. Optou-se por esse caminho pelas seguintes razões: a com-
plexidade das formulações e teorizações existentes na análise fatorial é tão extensa que não
cabe apresentá-las num livro de pesquisa de marketing, uma vez que o interessado poderá
encontrá-las em outras obras especializadas; como a utilização da análise fatorial na prática
da pesquisa de marketing é feita essencialmente com o uso de computadores e programas de
análises especiais, não há necessidade de o pesquisador de marketing conhecer profundamente
suas formulações e teorizações, mas sim saber utilizá-los corretamente e, principalmente, saber
como interpretar os resultados obtidos. Nesse sentido, apresenta-se, a seguir, um exemplo de
análise fatorial processado no SPSS.
Obs.: Devido à complexidade dos cálculos matemáticos das análises multivariadas, os exemplos
ilustrativos serão apresentados apenas com cálculos eletrônicos realizados com o SPSS.
Exemplo da análise fatorial com cálculo no SPSS – Foi efetuada uma pesquisa para
identificar segmentos de mercado a partir da atitude dos consumidores em relação a atributos
ecológicos de produtos. Foram utilizadas 17 variáveis (assertivas) para medir, por meio do
368 Pesquisa de Marketing
• Usar um número de fatores previsto na teoria relacionada ao assunto que deu embasamento
à pesquisa.
Com o intuito de elevar as comunalidades e permitir melhores resultados na utilização
da técnica da análise fatorial, foram aglutinados os fatores 2 e 3, que apresentaram eigenvalues
próximos a 1, em um único fator (Tabela 13.7).
Tabela 13.7 Total da variância explicada
Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 6,460 38,001 38,001 6,081 35,773 35,773
2 1,822 10,719 48,721 1,938 11,398 47,171
3 1,153 6,781 55,502 1,416 8,331 55,502
4 −,032 −,082 ,361 −,080 −,091 −,049 −,042 ,075 −,044 −,004 −,026
5 −,039 −,092 −,080 ,352 −,092 −,042 −,026 −,019 −,012 −,047 −,003
6 ,017 ,002 −,091 −,092 ,491 −,030 −,091 −,049 ,021 ,003 −,023
7 −,054 −,033 −,049 −,042 −,030 ,368 −,087 −,004 −,034 −,034 −,097
8 −,050 −,031 −,042 −,026 −,091 −,087 ,421 ,000 ,025 −,060 −,017
10 ,023 −,034 ,075 −,019 −,049 −,004 ,000 ,857 −,299 ,022 −,035
12 ,043 ,040 −,044 −,012 ,021 −,034 ,025 −,299 ,861 −,026 ,001
15 ,001 −,041 −,004 −,047 ,003 −,034 −,060 ,022 −,026 ,486 −,172
17 −,054 −,002 −,026 −,003 −,023 −,097 −,017 −,035 ,001 −,172 ,454
1 ,954 a −,228 −,073 −,089 ,032 −,122 −,106 ,034 ,064 ,001 −,110
3 −,228 ,939 a −, 215 −,245 ,005 −,087 −,076 −,058 ,069 −,094 −,005
Anti-image correlation
4 −,073 −,215 ,937 a −,224 −,217 −,135 −,108 ,136 −,078 −,009 −,065
5 −,089 −,245 −,224 ,940 a −,222 −,177 −,069 −,035 −,022 −,114 −,007
6 0,32 ,005 −,217 −,222 ,941 a −,071 −,200 −,076 ,032 ,007 −,049
7 −,122 −,087 −,135 −,117 −,071 ,947 a −,222 −,006 −,060 −,079 −,237
8 −,106 −,076 −,108 −,069 −,200 −,222 ,952 a ,000 ,041 −,134 −,039
10 ,034 −,058 ,136 −,035 −,076 −,006 ,000 ,462 a −,348 ,034 −,056
12 ,064 ,069 −,078 −,022 ,032 −,060 ,041 −,348 ,484a −,040 ,001
15 ,001 −,094 −,009 −,114 ,007 −,079 −,134 ,034 −,040 ,929a −,367
17 −,110 −,005 −,065 −,007 −,049 −,237 −,039 −,056 ,001 −,367 ,922 a
Measures of Sampling Adequacy (MSA).
a
372 Pesquisa de Marketing
A Figura 13.1 mostra o gráfico da formação de fatores onde pode ser visualizada a formação
de dois fatores com eigenvalue maior ou igual a 1.
• O Fator 2 (ao qual foi atribuído, pelo pesquisador, o nome de Economicidade), composto
pelas seguintes variáveis:
• 10. Que suas embalagens possam conter maior quantidade de produtos.
• 12. Que durem mais.
Análise de conglomerados
Enquanto a análise fatorial é apropriada à redução de variáveis em fatores, a análise de con-
glomerados permite ao pesquisador classificar objetos ou indivíduos observados em relação a
inúmeras variáveis, em subgrupos ou conglomerados definidos ou não a priori, mas que surgem
em função da análise realizada. Uma das principais aplicações da análise de conglomerados
em marketing é a subdivisão do mercado em segmentos, utilizando medidas multivariadas dos
consumidores, como demográficas, sociais, econômicas e psicográficas. Cada agrupamento (con-
glomerado) terá por característica grande similaridade interna e grande dissimilaridade externa.
Para exemplificar os procedimentos, suponham-se os dados da Tabela 13.16, obtidos em escalas
de renda e ocupação de nove consumidores que se deseja agrupar em segmentos socioeconômicos.
Tabela 13.16 Dados de renda e ocupação de consumidores que se deseja agrupar em
segmentos socioeconômicos
Consumidor Pontuação obtida na variável
Renda (X1) Ocupação (X2)
A 25,00 25,00
B −20,00 −22,50
C 30,00 20,00
D 25,00 17,50
E 2,50 10,00
F −15,00 −17,50
G 2,50 −5,00
H 0,50 0,50
I −25,00 −20,00
d D ,H = ( X 1H − X 1D )2 + ( X 2 H − X 2 D )2
d D ,H = (5 − 25)2 + (5 − 17,5)2
d D ,H = 23,6
Técnicas Paramétricas para Análise de Dados 375
O mesmo raciocínio pode ser generalizado para o cálculo da distância euclidiana para n
variáveis.
Para a realização da análise de conglomerados, são utilizadas as distâncias euclidianas
médias. No exemplo considerado, a distância média entre os pontos D e H é d D ,H mé-
dia = 23,6/2 = 11,8.
O procedimento seguinte é a construção de uma matriz das distâncias médias entre todos
os pares de consumidores estudados, conforme mostra a Tabela 13.17, construída a partir do
exemplo. Note que a distância é uma medida inversa da similaridade, pois, quanto maior a
distância entre dois sujeitos, mais diferentes eles serão em relação às variáveis consideradas.
Note também o elevado volume de cálculos necessários para a construção de uma matriz
desse tipo, que, no exemplo simplificado, com apenas nove indivíduos e duas variáveis,
resultou em C9,2 = 9!/(9 − 2)! 2! = 36 distâncias a serem calculadas. Os conglomerados não
são facilmente identificados nessa matriz, exigindo algum procedimento adicional que facilite
essa identificação.
Partindo dessa matriz, existem três diferentes métodos para se proceder à análise de con-
glomerados: método das ligações, método nodal e método fatorial, cujos objetivos idênticos
são: classificar objetos ou indivíduos de tal forma que tenham, tanto quanto possível, grande
similaridade no grupo e grande dissimilaridade entre os grupos. O conjunto desses métodos
emprega um número tão grande, diverso e complexo de algoritmos que sua apresentação
detalhada exigiria um extenso livro específico.
Durante várias décadas, a análise de conglomerados não foi empregada em pesquisas
de marketing justamente devido à complexidade e volume de cálculos que tornavam
inviável sua operacionalidade. Com o desenvolvimento da informática, essa barreira foi
superada, e a análise de conglomerados passou a ser utilizada. Dos três métodos existentes,
será apresentado apenas o primeiro, com o objetivo específico de exemplificar o que é a
análise de conglomerados.
Método das ligações – O método das ligações subdivide-se em: método das ligações
simples, método das ligações completas e método das ligações médias. Só será detalhado, pelas
razões já expostas, o primeiro.
Método das ligações simples – Os procedimentos desse método compreendem, inicialmente,
partindo-se dos dados da matriz de distâncias médias, colocar em ordem crescente de dis-
tâncias, por exemplo, menores do que dez, os pares de indivíduos cujos resultados estão na
Tabela 13.18.
Análise de correspondência
Trata-se de uma técnica multivariada, relativamente nova, que possibilita a mensuração da
proximidade de variáveis e suas categorias medidas em escalas não intervalares, ou que possam
ser transformadas em dados categóricos. Tem grande aplicação em pesquisas de marketing,
uma vez que muitas pesquisas objetivam observar o relacionamento de determinados perfis
de consumidores em relação a seus comportamentos e interesses. É uma técnica exploratória,
que busca descobrir possíveis relações entre variáveis, sem, no entanto, gerar testes de hipótese.
Condições para utilização – Duas ou mais variáveis, com duas ou mais categorias cada;
dados medidos em escalas nominal ou ordinal.
Exemplo com cálculo no SPSS – Para definir o público-alvo e o nível de qualidade
de um energético, uma empresa deseja conhecer qual o relacionamento, se existente, entre a
classe social (4 classes), a preferência por marca (4 marcas), o gênero (1- masculino; 2- feminino)
e a expectativa de desempenho do produto (escala de 1 a 10). Dessa forma, foram coletados
2
método de aglomeração between groups é aquele que considera a distância média de todos os indivíduos de
O
um grupo em um agrupamento em relação aos demais em outro agrupamento.
378 Pesquisa de Marketing
dados de 25 consumidores, em escala nominal para gênero e ordinais para marca, classe social
e desempenho, conforme apresentados na Tabela 13.19.
Tabela 13.19 Dados obtidos de classe social, preferência por marca, gênero e expectativa
de desempenho do produto
Classe Preferência Expectativa do
Consumidor socioeconômica por marca Gênero desempenho do produto
1 2 4 2 8
2 3 3 1 9
3 3 4 2 7
4 2 4 1 6
5 2 3 1 9
6 2 4 2 7
7 1 3 2 7
8 2 1 1 5
9 4 4 2 10
10 3 3 1 8
11 1 4 1 6
12 4 2 1 8
13 2 3 2 8
14 3 2 1 10
15 4 3 2 10
16 2 3 2 7
17 2 3 2 10
18 2 1 2 10
19 3 1 2 8
20 2 2 2 8
21 1 4 2 7
22 3 3 2 9
23 2 3 1 9
24 2 3 1 7
25 2 3 2 9
a solução com essas duas dimensões explica 94,549% da variância dos dados, porcentual
elevado e considerado adequado à utilização da técnica.
Ressalte-se que é possível explicar até 100% da variância com a agregação de mais dimensões
ao se processarem os dados; no entanto, costuma-se optar pelo cálculo com duas dimensões, por
causa das dificuldades na realização de uma análise visual com muitas variáveis. A Figura 13.4
mostra a posição das diversas variáveis, a partir do processamento dos dados no SPSS.
Figura 13.4 Posição das variáveis com o processamento dos dados no SPSS.
3
o entanto, o tratamento com MDS de variáveis medidas em escalas ordinais exige que tenham distribuição
N
normal ou, ao menos, simétrica (Pestana e Gageiro, 2003).
380 Pesquisa de Marketing
por gerar mapas de alocação das variáveis, utilizadas para decidir sobre o posicionamento de
ofertas.
Condições para utilização – Duas ou mais variáveis; dados medidos em escalas métricas.
Exemplo com cálculo no SPSS – A fim de reposicionar sua linha de produtos, um gerente
de marketing solicitou um estudo de mapeamento perceptual das dez principais marcas
concorrentes no mercado, com o objetivo de verificar como os clientes percebem sua marca
(C) comparativamente às demais em relação a determinadas variáveis. O gerente pretende que
sua marca seja percebida como concorrente da marca J, líder de mercado. Os dados coletados
na pesquisa com 40 consumidores, em escala Likert de cinco pontos, estão na Tabela 13.20.
Duas medidas são importantes na análise do escalonamento multidimensional: o
Stress e o RSQ. O Stress é uma medida de ajuste entre os inputs e os outputs e, quanto
menor, melhor; assim, um Stress maior que 0,20 indica que a qualidade do ajuste é
pobre. O RSQ é o coeficiente de correlação ao quadrado entre os dados e as distâncias
euclidianas e, quanto maior, melhor.
O processamento dos dados da pesquisa no SPSS apresentou como resultado para essas
duas medidas: Stress = 0,10749 e RSQ = 0,94391.
No exemplo apresentado, tanto o Stress quanto o RSQ podem ser considerados adequados.
Caso se queira melhorar a qualidade do ajuste, podem ser inseridas dimensões adicionais ao mapa.
No entanto, deve-se considerar o aumento da dificuldade para a análise que essa elevação pode
causar. Conforme se observa na Figura 13.5, há proximidade entre as marcas C e D, F e A H e B
e J, I e G, e um isolamento da marca E.
Tabela 13.20 Avaliação de dez marcas por consumidores na escala Likert de cinco pontos
Avaliação das marcas
Respondentes
A B C D E F G H I J
1 2 2 2 2 2 4 2 3 2 2
2 2 3 1 2 5 3 4 4 4 3
3 3 3 1 5 5 4 2 3 2 2
4 2 3 2 2 2 4 2 4 2 2
5 2 2 2 2 2 3 2 4 2 2
6 3 3 4 2 2 4 4 3 4 3
7 4 3 2 2 2 3 2 3 2 2
8 3 5 2 2 5 1 3 3 3 3
9 5 5 2 2 5 4 3 4 1 1
10 3 2 3 3 2 3 4 4 4 3
11 3 4 3 4 2 4 2 4 3 4
12 5 2 3 3 2 2 3 3 3 3
13 4 3 4 4 2 3 4 4 4 4
14 2 4 3 2 5 2 2 3 2 2
15 4 3 3 3 3 3 4 4 4 4
16 2 3 5 5 5 3 5 3 5 5
17 1 3 1 1 2 3 2 4 2 3
18 3 4 4 3 2 5 4 4 4 4
19 2 3 3 1 5 1 3 4 3 3
20 2 3 2 1 5 2 3 3 3 3
21 4 3 4 3 3 4 4 4 4 3
22 2 2 1 3 4 3 4 4 2 4
23 2 3 3 2 2 3 3 4 3 3
24 5 3 1 0 1 3 1 3 2 2
25 4 3 3 2 2 3 3 4 3 4
26 4 1 4 4 2 4 4 4 4 1
27 2 3 2 3 2 4 3 4 3 2
28 4 3 3 2 2 3 3 4 2 3
29 2 3 3 3 1 4 3 4 2 3
30 4 3 3 2 5 3 4 4 4 4
31 3 3 3 2 2 3 3 4 2 3
32 3 2 4 4 2 3 4 4 4 4
33 2 4 4 3 5 3 4 4 4 2
34 3 2 2 3 2 3 3 3 3 2
35 3 3 2 2 2 3 4 4 3 3
36 2 4 3 2 2 4 3 3 2 2
37 4 3 2 2 5 4 2 4 3 3
38 3 2 4 2 2 5 4 4 4 3
39 3 4 4 2 2 3 4 4 4 3
40 4 4 1 2 3 3 3 4 5 1
Totais 120 121 108 99 116 129 126 148 122 113
382 Pesquisa de Marketing
Existem dois métodos para se definir uma curva de ajustamento a um conjunto de dados
observados. O primeiro é o método de ajustamento de curva à mão livre. Traça-se uma curva à
mão livre que se ajuste aos pontos definidos pelos dados. A partir dessa curva, conhecendo-se o
tipo de equação da curva, será possível obter suas constantes, mediante a escolha de tantos pontos
da curva quantas forem as constantes da equação e, assim, definir a equação de ajustamento. Esse
método tem como desvantagem a imprecisão, levando diferentes analistas a obter diferentes curvas
e equações de ajuste.
O segundo método, mais recomendado pela precisão, é o dos mínimos quadrados, que
permite definir a melhor curva de ajustamento possível. Para explicar o método dos mínimos
quadrados, considere a curva desenhada na Figura 13.7, em que os dados que lhe deram
origem estão representados pelos pontos (X1, Y1); (X2, Y2); (Xn, Yn). Para um dado valor de X,
por exemplo, X1, haverá uma diferença entre Y1 e o valor correspondente determinado pela
curva de ajuste C. Essa diferença está representada na Figura 13.7, por d1, chamada de desvio.
Técnicas Paramétricas para Análise de Dados 383
O melhor ajustamento possível será proporcionado pela curva que minimizar a somatória
dos desvios, a chamada curva de mínimos quadrados.
Regressão – Em pesquisas de marketing, é frequente a necessidade de, com base em dados
amostrais, prever o valor de uma variável (critério), correspondente ao conhecido valor de
uma ou mais de uma variável (prognóstico). Isso pode ser conseguido mediante a construção
de uma equação ou de uma curva de mínimos quadrados. A equação, ou curva, resultante é
denominada de regressão de Y para X, visto que Y é avaliado a partir de X. Quando a relação
for apenas entre duas variáveis, a regressão é denominada simples; quando for entre uma
variável e mais de uma variável é denominada múltipla. A regressão é, portanto, uma técnica
de dependência, ou seja, um conjunto de variáveis-critério (independentes) é usado para
prever ou explicar uma ou mais variáveis prognóstico (dependentes).
Regressão linear simples – Para o caso particular de uma reta, a curva de regressão que se
ajusta aos dados tem a seguinte equação:4
Y = a1 + a2 X
Em que:
Y = variável-critério que representa o valor esperado de Y dado determinado valor de X.
X = variável-prognóstico.
a1 = valor de Y para X = 0.
a2 = valor médio de Y por unidade de X.
As constantes a1 e a2 são determinadas mediante a resolução do sistema de equações:
ΣY = a1n + a2 ΣX
ΣXY = a1 ΣX + a2 ΣX 2
As constantes a1 e a2 podem ser determinadas pelas fórmulas:
( ∑ Y )( ∑ X 2 ) − ( ∑ X )( ∑ YX )
a1 =
n( ∑ X 2 ) − ( ∑ X )2
4
Esta é uma equação da reta, mas o mesmo raciocínio é válido para equações de parábolas, de 3° e n graus.
384 Pesquisa de Marketing
e
n( ∑ XY ) − ( ∑ X )( ∑ Y )
a2 =
n( ∑ X 2 ) − ( ∑ X )2
Exemplo de cálculo manual de regressão e correlação simples – Uma empresa
produtora de bens de consumo de massa levantou um histórico de dez anos das vendas em mi-
lhares de unidades de um produto seu, dos investimentos em milhões de R$ em comunicação
(propaganda, promoção de vendas etc.) e do número de vendedores para esse mesmo produto.
Os resultados desse levantamento estão na Tabela 13.21 e na Figura 13.8.
Tabela 13.21 Relação entre investimentos em comunicação, número de vendedores e vendas
Ano X Comunicação (milhões de R$) Z Número de vendedores Y Vendas (milhares de unidades)
2002 9,5 10 95
2003 6,5 8 60
2004 7,0 9 60
2005 8,0 12 80
2006 7,5 15 80
2007 8,5 11 80
2008 7,5 13 85
2009 5,5 7 60
2010 8,0 15 85
2011 6,0 10 65
Ano (X − X) (Z − Z) (Y − Y) [(X − X) (Y − Y)] [(Z - Z) (Y - Y)] [(X − X) (Z − Z)] (X − X)2 (Z − Z)2 (Y − Y)2 [(X − X) (Z − Z)(Y − Y)]
2002 2,1 −1,0 20,0 42,0 −20,0 −2,1 4,4 1,0 400,0 −42,0
2003 −0,9 −3,0 −15,0 13,5 45,0 2,7 0,8 9,0 225,0 −40,5
385
386
Pesquisa de Marketing
Quadro 13.4 Estatísticas calculadas a partir dos dados da Tabela 13.21
Estatística X Y Z
Média 10 10 10
∑X i
74
∑Y i
750
∑Z i
110
X= i =1
= = 7,4 Y = i =1
= = 75 Z= i =1
= = 11
n 10 n 10 n 10
Variância 10 10 10
∑ ( X i − X )2 12,9
∑ (Yi − Y )2 1.450
∑ (Z i − Z )2
68
S =
2
x
i =1
= = 1,29 S =
2
y
i =1
= = 145 S =
2
z
i =1
= = 6,8
n 10 n 10 n 10
Covariância 10 10 10
n n n
8,6 120 228
Sxz = = 0,86 Syx = = 12 Szy = = 22,8
10 10 10
Técnicas Paramétricas para Análise de Dados 387
Variaçãoexplicada ∑(Yest − Y )2
r= =
variaçãototal ∑(Y − Y )2
O coeficiente de correlação varia entre −1 e +1. Sendo que −1 significa que há total
correlação negativa, +1 total correlação positiva e 0 a inexistência de correlação. O coeficiente
de correlação também pode ser expresso por:
Sy2,x
r = 1−
Sy2
Em que:
Sy2,x = variância de y em relação a x
Sy2 = variância de y
Na Figura 13.9, são apresentados exemplos de diagramas de dispersão de dados com os
respectivos coeficientes de correlação linear, associados.
Σ( X − X )(Y − Y ) cov( X ,Y )
r= =
Σ( X − X )2 Σ(Y − Y )2 var( X ) var(Y )
Essa fórmula para o cálculo do coeficiente de correlação simples só poderá ser utilizada
quando os seguintes pressupostos forem atendidos: X e Y precisam ser variáveis aleatórias e as
observações originárias de amostras com distribuições normalmente distribuídas, tanto para
X quanto para Y.
Essa fórmula, aplicada aos dados do exemplo da Tabela 13.21, com os cálculos efetuados
na Tabela 13.22, resulta em:
120 120
rx ,y = = = 0,88
12,9 × 145,0 137
rx ,y = 0,88
390 Pesquisa de Marketing
1 − S1,23
2
r1.23 =
S12
∑( X 1 − X 1est )2
S1.23 =
n
ou
1 − r122 − r132 − r232 + 2r12 r13 r23
S1.23 = S1
1 − r232
r1.23 também pode ser calculado em função de r , r e r , conforme a seguinte equação:
12 13 23
covar(YX )
1 − ryx = =
var(Y ) var( X )
e ryx2 = (0,877)2 = 0,7691
covar(YZ )
2 − ryz = =
var(Y ) var(Z )
e ryz2 = (0,725)2 = 0,5262
covar(ZX )
3 − rzx = =
var(Z ) var( X )
e rzx2 = (0,29)2 = 0,084
392 Pesquisa de Marketing
Model Summaryb
Model R R Square Adjusted Std. Error of the Estimate Durbin-Watson
R Square
1 ,924a ,853 ,811 5,51914 1,473
a
redictors: (Constant), Num. vendedores, Comunicação;
P
b
Dependent variable: vendas un.
Nesses resultados, verifica-se que o conjunto de variáveis independentes (número de ven-
dedores e investimento em comunicação) explica 85,3% da variância da variável dependente
(vendas em unidades), nível de explicação considerado satisfatório. Verifica-se também, por
meio do teste de Durbin-Watson, ausência de multicolinearidade, que será explicitada no
item seguinte.
A análise da variância indica boa qualidade do modelo, uma vez que o Sig. (0,001) ficou
aquém do nível de significância proposto de 0,05, conforme mostra a seguinte saída do SPSS.
Anovab
Sum of Mean
Model Squares df Square F Sig.
1 Regression 1236,773 2 618,387 20,301 ,001a
Residual 213,227 7 30,461
Total 1450,000 9
a
redictors: (Constant), Numvendedores, Comunicação;
P
b
Dependent Variable:Vendasun.
Na saída do SPSS de análise dos coeficientes mostrada a seguir, verifica-se que a variável
“número de vendedores” apresentou Sig. maior que 0,05, o que significa que não contribui
para o desempenho da variável dependente e, por isso, deve ser excluída do modelo. Ao ex-
cluí-la do modelo, uma vez que se está trabalhando apenas com duas variáveis independentes,
recai-se novamente em uma regressão simples, já exemplificada anteriormente. Se nenhuma
variável explicativa tivesse sido excluída do modelo, uma equação que contivesse todas elas
seria gerada, de maneira que os valores da variável dependente poderiam ser previstos a partir
dos das variáveis independentes. O alto valor de Tolerance indica, mais uma vez, ausência de
multicolinearidade entre as variáveis independentes.
Técnicas Paramétricas para Análise de Dados 393
Coefficientsa
Unstandardized Standardized 95% Confidence Collinearity
Model coefficients coefficients interval for B Statistics
t Sig.
Std. Lower Upper
B Error Beta Bound Bound Tolerance VIF
1 (Constant) 1,678 11,723 ,143 ,890 −26,043 29,399
Comunicação 7,663 1,744 ,723 4,394 ,003 3,540 11,786 ,777 1,288
Numvendedores 1,511 ,760 ,327 1,989 ,087 −,285 3,307 ,777 1,288
a
Variável dependente: vendasun
5
A multicolinearidade refere-se à existência de correlação entre três ou mais variáveis independentes.
394 Pesquisa de Marketing
Si = ∑ ∑ ( X ij − x )2
j =1 i =1
Si = ∑ ∑ ( X ij − x j )2
j =1 i =1
Variação intra (Si) - Mede a variação das observações de cada tratamento e, quanto mais
diferentes forem estas observações, maior será Si.
É possível demonstrar, teoricamente, que St = Se + Si , e esse fato pode ser confirmado no
exemplo (918 = 32,4 + 885,6). As divisões das variações entre (Se) e da variação intra (Si) por
seus respectivos graus de liberdade produzem estimativas não viesadas da variância da população.
Procedimentos para o teste:
O teste de hipótese nula de não haver diferença entre as médias dos dois tratamentos leva
em consideração o pressuposto de que, ocorrendo H0, as estimativas das variâncias calculadas
entre e intragrupos são estimativas da mesma variância, e as eventuais diferenças devem ser
atribuídas à aleatoriedade. Se a variância entre grupos (SSe) for significativamente maior que
a variância intragrupos (SSi), a hipótese H0 de igualdade da população será rejeitada.
O número de graus de liberdade para o cálculo da variância correspondente a cada variação
é: para St: gl = n − 1; Se: gl = k − 1; e Si: gl = n − k. Dessa forma, as estimativas das respectivas
variâncias serão, para o exemplo:
SSt = St / (n − 1) = 918 / (10 − 1) = 102,0
SSe = Se / (k − 1) = 32,4 / (2 − 1) = 32,4
SSi = Si / (n − k ) = 885,6 / (10 − 2) = 110,7
Para o teste de H0, define-se a função F = SSi/SSe, que segue a distribuição F tabelada. F
será igual a 1 se não houver diferença nas médias dos dois grupos e será maior do que 1 se
houver diferença. O F assim calculado será comparado com o F tabelado em determinado
nível de significância e em graus de liberdade correspondentes aos do numerador de F.
Portanto, para o exemplo, gl = 2 − 1 = 1. Todas essas informações e cálculos podem ser
visualizados na Tabela 13.23.
Tabela 13.23 Cálculos para a análise de variância (Anova)
Fonte de Soma dos Graus de Estimativa da F calculado
variação quadrados (A) liberdade (B) variância (A)/(B)
Entre grupos 32,4 k − 1 = 1 32,4 110,7/32,4 = 3,42
Intragrupo 885,6 n − 2 = 8 110,7
Total 918,0 n − 1 = 9 102,0
Admite-se o nível de significância para o teste de 0,05. A distribuição F está tabelada para
alguns valores de a, e para os graus de liberdade do numerador (v1) e do denominador (v2)
utilizados para calcular F. O valor de F tabelado para o exemplo deve ser procurado na tabela
de a = 0,025 (0,05 / 2, pois é um teste bicaudal), v1 = n − 2 = 8 e v2 = k − 1 = 1, que é 5,32.
Como o valor de F calculado (3,42) é menor do que o F tabelado (5,32), H0 não pode
ser rejeitada, e admite-se não haver diferenças significativas, ao nível de 0,05, entre as
médias, e a adoção de qualquer uma das embalagens é indiferente.
Assim, quando p > a = 0,05, H0 não pode ser rejeitada, o que significa que não há in-
fluência. A Tabela 13.25 mostra que o gênero não influencia de maneira significativa nem a
expectativa do preço nem o desempenho, uma vez que p > 0,05, em ambos os casos, mas
que a classe social sim, em relação à expectativa de preço, pois apresenta p < 0,05. Além disso,
observa-se que, conjuntamente, classe social e gênero não influenciam significativamente
a expectativa de preço, nem o desempenho esperado, uma vez que, em ambos os casos,
apresentam p > 0,05.
Em que:
Xm = m-ésima variável independente.
e
v1, v2, ..., vm = pesos de cada variável na função z.
O objetivo é encontrar os valores para os vi que forneçam a procurada função z. O critério
adotado para decidir quando a média entre as categorias deve ser diferentemente maximizada é o
teste da análise da variância F para as diferenças entre médias.Assim, os vs são derivados de tal forma
que a relação entre a variância entre grupos e a variância dentro do grupo seja maximizada, ou seja,
F = SSentre/SSinter deve ser máxima, tornando os grupos tão diferentes entre si quanto possível.
Além disso, as saídas da análise discriminante incluem os valores dos vs que permitem os
cálculos dos escores Fi de cada indivíduo. Esses escores são comparados com o valor crítico de
F tabelado (Tabela 6a, 6b e 6c do Apêndice – Tabelas estatísticas selecionadas, no final deste
livro), utilizado para a realização do teste da análise da variância, o que permite a classificação
dos indivíduos nos grupos. O resultado dessa classificação é apresentado numa matriz chamada
de junção. A matriz junção compara a classificação atual com a classificação prevista, conforme
o modelo mostrado no Quadro 13.5, para dois grupos.
Tabela 13.26 Identificação dos segmentos de mercado a partir de atitudes em relação a atributos
ecológicos de produtos
Tests of Equality of Group Means
Wilk's Lambda F df1 df2 Sig.
1 ,991 ,982 5 556 ,428
2 ,997 ,370 5 556 ,869
3 ,981 2,174 5 556 ,056
4 ,988 1,376 5 556 ,231
5 ,994 ,689 5 556 ,632
6 ,979 2,379 5 556 ,038
7 ,977 2,657 5 556 ,022
8 ,978 2,559 5 556 ,027
9 ,985 1,748 5 556 ,122
10 ,982 2,091 5 556 ,065
11 ,990 1,077 5 556 ,372
12 ,991 1,051 5 556 ,387
13 ,995 ,594 5 556 ,704
14 ,903 11,892 5 556 ,000
15 ,992 ,916 5 556 ,470
16 ,984 1,817 5 556 ,108
No entanto, como pode ser observado no Quadro 13.6, não há altas correlações entre as
variáveis da pesquisa, o que indica a correção na escolha dessa técnica.
A estatística Box's M correspondente aponta como hipótese nula (H0) que as variâncias
entre os grupos são iguais e, como hipótese alternativa (H1), que as variâncias entre os grupos
são diferentes. O Sig. igual a,000 permite rejeitar H0, o que nega correção à utilização da
análise discriminante nesse caso.
Test resultsa
Box's M 855,505
F Approx. 1,458
df1 544
df2 260810,0
Sig. ,000
Tests null hypothesis of equal population covariance matrices
a
Some covariance matrices are singular and the usual procedure will not work. The non-singular groups will be tested against
their own pooled within-groups covariance matrix. The log of its determinant is −3,949
Quadro 13.6 Matriz de correlação entre as variáveis
Pooled Within-Groups Matrices
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 1,000 ,118 ,009 ,052 ,175 −,036 −,045 −,096 −,093 −,008 ,245 ,280 −,005 −,030 ,136 −,046
2 ,118 1,000 ,250 ,278 −,048 ,196 ,059 ,103 ,020 ,103 −,012 −,062 ,047 ,067 ,024 ,117
3 ,009 ,250 1,000 ,314 −,046 ,262 ,071 ,090 ,162 ,135 −,044 −,099 −,046 ,104 −,030 ,141
4 ,052 ,278 ,314 1,000 −,060 ,258 ,087 ,071 ,086 ,037 −,005 −,048 ,021 ,132 ,005 ,150
5 ,175 −,048 −,046 −,060 1,000 −,039 −,022 −,090 −,089 −,072 ,200 ,163 ,071 −,084 ,170 −,030
6 −,036 ,196 ,262 ,258 −,039 1,000 ,234 ,196 ,175 ,141 −,013 ,024 ,013 ,117 ,043 ,097
7 −,045 ,059 ,071 ,087 −,022 ,234 1,000 ,426 ,176 ,276 −,115 −,081 −,050 ,072 −,109 ,173
Correlation
8 −,096 ,103 ,090 ,071 −,090 ,196 ,426 1,000 ,326 ,359 −,162 −,129 −,054 ,086 −,021 ,195
401
402 Pesquisa de Marketing
No teste das funções, mostrado na Tabela 13.28, verifica-se que apenas a primeira função
discriminante é altamente significativa (Sig. igual a,000), o que comprova seu maior poder
discriminante.
QUESTÕES DE REVISÃO
1. Qual a importância dos métodos paramétricos para análises em pesquisas de marketing?
2. Quais as condições para a utilização do teste z da média para uma amostra? E para o
teste t?
3. Dê exemplos de aplicação em pesquisas de marketing do teste z da média para uma
amostra. Fazer o mesmo em relação ao teste t.
4. Quais as condições para utilização do teste z da média para duas amostras não relacio-
nadas? E para o teste t?
5. Dê exemplos de aplicação em pesquisas de marketing do teste z da média para duas
amostras não relacionadas. Fazer o mesmo para o teste t.
6. Dê exemplos de aplicação em pesquisas de marketing do teste da análise da variância
para comparação de médias.
7. Em que consistem os conceitos de correlação e regressão? Dê exemplos de cada um.
8. O que é uma curva de ajustamento?
9. Qual a diferença entre regressão linear simples e regressão linear múltipla?
10. Qual a diferença entre correlação linear simples e correlação linear múltipla?
11. O que mede o coeficiente de correlação?
12. O que mede o coeficiente de determinação?
13. O que é multicolinearidade?
14. Em que consiste a análise de discriminante?
15. Dê exemplos de aplicação da análise de discriminante em pesquisas de marketing.
16. No que consiste a análise fatorial?
17. Quais as condições para ser aplicada a análise fatorial a um conjunto de dados?
18. Em que consiste um fator na análise fatorial?
19. Dê exemplos da aplicação da análise fatorial em pesquisas de marketing.
20. No que consiste a análise de conglomerados?
21. Dê exemplos da aplicação da análise de conglomerados em pesquisas de marketing.
404 Pesquisa de Marketing
Trabalho – Parte 11
Aplique testes de hipóteses paramétricos às variáveis intervalares (ou razão) de sua pesquisa,
adequados às condições do projeto. Efetue a medição dos relacionamentos de variáveis, segundo
o projeto de pesquisa.
REFERÊNCIAS
CHURCHILL, JR., Gilbert A. Marketing research: methodological foundations. Insdale, Ill: Driden, 1979.
CLAYCAMP, Henry J. Correlation and regression methods. In: FERBER, Robert (Org.). Handbook of marketing
research. New York: McGraw-Hill, 1974. pp. 394-408.
COOPER, D. R.; SCHINDLER, P. S. Métodos de pesquisa em administração. 7. ed. Porto Alegre: Bookman, 2003.
DANIEL, W. W. Essentials of business statistics. Boston: Houghton Mifflin Co. , 1984.
EVRARD, Yves; PRAS, Bernard; ROUX, Elyette. Market: études et recherché en marketing – Fondements,
méthods. Paris: Éditions Nathan, 1993.
GORSUCH, R. L. Factor Analysis. 2nd ed. New Jersey: Erlbaum Associates, Publishers, 1983.
HAIR, JR., F. J.; ANDERSON, R. E.; TATHAN, R. L.; BLACK, W. C. Análise multivariada de dados. Porto Alegre:
Bookman, 2005.
HARMAN, Harry H. Modern factor analysis. 2. ed. Chicago: The University of Chicago, 1967.
KINNEAR, Thomas C.; TAYLOR, James R. Marketing research: an applied approach. Tóquio: McGraw-Hill
Kogakusha, 1979.
MALHOTRA, N. K. Pesquisa de marketing: uma orientação aplicada. 3. ed. Porto Alegre: Bookman, 2001.
MORRISON, D. G. Discriminant analysis. In FERBER, Robert (Ed.). Handbook of marketing research. New York:
McGraw-Hill, 1974, pp. 442-457.
NEWBOLD, P. Statistics for business & economics. Upper Saddle River: Prentice-Hall, 1994.
PESTANA, M. H.; GAGEIRO, J. N. Análise de dados para ciências sociais. Lisboa: Sílabo, 2003.
SIEGEL, S.; CASTELLAN, J. R. J. Estatística não paramétrica para ciências do comportamento. Porto Alegre: Bookman,
2006.
STEVENSON, W. J. Estatística aplicada à administração. São Paulo: Harbra, 2001.
WELLS,William D.; SHETH, Jagdish N. Factor analysis. In FERBER, Robert (Ed.). Handbook of marketing research.
New York: McGraw-Hill, 1974, pp. 458-471.
ZALTMAN, G.; BURGER, P. C. Marketing research. Insdale, Ill: Driden, 1975.
CAPÍTULO 14
Comunicação dos Resultados
As hipóteses mais brilhantes, o estudo mais cuidadosamente planejado e executado,
os resultados mais notáveis têm pouco valor se não forem comunicados aos outros.
Seltiz, Jahoda, Deutsch e Cook
Objetivos
• Apresentar as formas de comunicação dos resultados de pesquisas de marketing.
Sumário
RELATÓRIO DE PESQUISA
Diretrizes para a elaboração do relatório escrito
Formato do relatório escrito da pesquisa
APRESENTAÇÃO GRÁFICA DOS RESULTADOS
Quadros
Tabelas
Figuras
Gráficos
APRESENTAÇÃO ORAL DOS RESULTADOS
ENTREGA ELETRÔNICA DOS RESULTADOS
RELATÓRIO DE PESQUISA
O relatório escrito é a forma mais completa e a mais utilizada para a comunicação dos
resultados de uma pesquisa. Existem certas diretrizes e determinado formato para sua
elaboração que, se obedecidos, elevam a probabilidade de se redigir um relatório de alta
qualidade e comunicabilidade.
405
406 Pesquisa de Marketing
• Depois de elaborada a primeira versão do relatório, fazer uma primeira revisão, colocan-
do-se no lugar de sua audiência.
• Outras revisões devem ser feitas por outros membros da equipe de pesquisa.
• Uma forma definitiva de testar a clareza do relatório, depois da última revisão feita pela
equipe, é solicitar sua leitura comentada por alguém que nada tenha a ver com a pes-
quisa, mas que tenha um perfil parecido com o da audiência.
Conciso – O relatório precisa ser conciso, embora completo. Parece impossível
atender a estas duas características simultaneamente, mas não o é. O que se quer dizer
com concisão é que o redator/pesquisador precisa ser seletivo sobre o que incluirá no
relatório, tendo em vista os objetivos de sua pesquisa. Não há necessidade de constar no
relatório tudo que foi encontrado na pesquisa; o que não for importante para atender
aos seus objetivos deve ser omitido. Também devem ser omitidas longas apresentações e
discussões de metodologias já suficientemente conhecidas. Um quadro, uma tabela, uma
figura ou um gráfico bem construídos podem evitar muitas páginas de apresentação des-
critiva e cansativa dos resultados.
no sumário podem compreender: itens e subitens, quadros, gráficos, figuras e tabelas. O objetivo
principal do sumário é facilitar ao leitor a localização de qualquer tópico do relatório.
Resumo gerencial – O resumo gerencial é uma das partes mais importantes do relatório,
pois grande parte da audiência lerá, por razões de indisponibilidade de tempo, apenas essa
parte do relatório. Outra parte da audiência costuma ler primeiro o relatório gerencial; se
considerar a pesquisa e os resultados relevantes para seu problema, lerá o corpo; caso contrário,
o relatório será abandonado. O resumo gerencial deve ter uma ou, no máximo, duas páginas.
Não deve ser uma miniatura do corpo do relatório. O resumo gerencial deve ser elaborado
visando atender às necessidades dos tomadores de decisão e, por isso, deve ser orientado para
a ação. Deve prover os tomadores de decisão com os resultados e as recomendações-chave
para dar suporte e orientação às suas decisões.
Um bom resumo gerencial deve ater-se à apresentação sumária do problema e dos objetivos,
dos principais resultados encontrados e das conclusões e recomendações. O propósito da
introdução, no resumo gerencial, é o de prover o leitor com o mínimo de informações sobre
as origens da pesquisa, possibilitando-lhe apreciar e entender os resultados, conclusões e reco-
mendações. Esses resultados precisam estar em total acordo com os do corpo do relatório, mas
somente os achados fundamentais são aqui apresentados. Uma abordagem muito utilizada para
apresentar os achados é por meio de várias colocações objetivas, relatando o que foi encontrado
em relação a cada objetivo do estudo. Analogamente, as conclusões e recomendações também
podem seguir essa mesma forma de apresentação. O resumo gerencial deve ser destacável do
corpo do relatório para ser utilizado à parte.
Corpo do relatório – É a parte do relatório que deve conter os detalhes da pesquisa. O
conteúdo do corpo do relatório compreende: a apresentação (ou introdução), os objetivos, a
metodologia e os resultados.
Apresentação (ou introdução) – O propósito da apresentação é o de fornecer ao leitor as
informações necessárias para que ele possa entender o relatório da pesquisa. O detalhamento
maior ou menor da apresentação vai depender da familiaridade da audiência com o pro-
blema em estudo. Quanto menos familiarizada e diversa for a audiência, maior deverá ser o
detalhamento da apresentação. Tipicamente, uma apresentação deve ter em maior ou menor
grau de detalhamento:
• Exposição clara do problema de pesquisa – Quais as razões da pesquisa, quais problemas
podem ser resolvidos com a pesquisa.
• Apresentação do objetivo geral, incluindo a apresentação das questões e (ou) hipóteses da
pesquisa – O que se pretende com a realização da pesquisa.
• Apresentação de informações sobre o produto e o mercado estudados – Tais como parti-
cipação de mercado, concorrentes etc., que permitam melhor compreensão do problema.
Objetivos – Os objetivos são apresentados de forma a não deixar nenhuma dúvida quanto
ao que se pretende alcançar com os resultados da pesquisa. Uma pesquisa pode ter mais de
um objetivo, mas apenas um principal e outros complementares ou secundários. É interes-
sante, neste item, para facilitar a compreensão do leitor, separar esses objetivos em principal
e complementares ou secundários. Também deverá ser informado aqui se, por alguma razão,
houve necessidade de mudar ou incluir algum objetivo depois de a pesquisa ter sido iniciada.
A correta colocação dos objetivos é muito importante para não gerar falsas expectativas e
porque muitos leitores costumam ler, inicialmente, esta parte do relatório e, em seguida, ler
as conclusões e verificar se nelas os objetivos foram alcançados.
Comunicação dos Resultados 409
Quadros
Os quadros são caracterizados por ter suas laterais fechadas (formando efetivamente um quadro)
e são utilizados, geralmente, para apresentar dados qualitativos.Veja, a seguir, um exemplo no
Quadro 14.1.
Quadro 14.1 Principais problemas com o produto “X” segundo os resultados da pesquisa
1. O produto não é suficientemente conhecido pelo público-alvo (apenas 32% afirmaram
conhecer o produto).
2. Há um grande número de clientes que deixou de adquirir o produto por não encontrá-lo no
ponto de venda (cerca de 60% dos usuários do produto reclamaram que, pelo menos uma vez,
nos últimos seis meses, deixaram de adquirir o produto por não encontrá-lo no ponto de venda).
3. De forma geral, os consumidores consideram que a embalagem do produto está defasada e
precisa ser modernizada (cerca de 72% dos usuários fizeram essa afirmação).
Tabelas
As tabelas já são conhecidas por terem sido utilizadas diversas vezes ao longo deste livro. Elas
se caracterizam por possuir apenas linhas horizontais e nenhuma linha vertical, por não ter
suas laterais fechadas e por apresentar, em geral, dados numéricos.Veja, a seguir, exemplos de
tabelas resultantes da tabulação simples (Tabela 14.1) e da tabulação cruzada (Tabela 14.2).
Figuras
As figuras constituem os gráficos, desenhos, esquemas, fluxogramas, cronogramas e organo-
gramas utilizados para mostrar conclusões de forma visual, cujas descrições verbais exigiriam
muito tempo.Veja, a seguir, um exemplo na Figura 14.1.
Gráficos
Os gráficos constituem um tipo específico de figura em que os resultados referentes a uma
variável ou ao cruzamento de duas (e, às vezes, até três) variáveis, são apresentados de forma visual.
Os gráficos podem ser construídos à mão ou por computador. Para utilizar o computador,
o redator/pesquisador precisará de um software específico.
Há basicamente quatro tipos de gráficos: gráficos de pizza, gráficos de linhas, gráficos de
estratos e gráficos de barras.
Gráficos de pizza – Como o próprio nome identifica, este gráfico é constituído pela
figura de um círculo repartido, por meio de seus raios, em n partes proporcionais à ocorrência
da variável nos resultados da pesquisa. Como cada parte apresentada faz parte de um todo, os
gráficos de pizza são particularmente interessantes para facilitar a visualização dos tamanhos
relativos, entre cada uma das partes do todo.
Os gráficos de pizza são utilizados para apresentar os resultados de uma única variável, de forma
estática, em determinado período de tempo. Sugere-se, para não dificultar a visualização, que sejam
utilizadas variáveis com, no máximo, oito categorias. A repartição do círculo deve ser iniciada a
partir de seu ponto mais alto (ponto correspondente às 12 horas de um relógio) e deve obedecer
a uma sequência da maior parte para a menor, no sentido horário. Para melhor visualização, além
de colocar o nome da variável e a percentagem correspondente, pode-se também hachurar cada
parte do gráfico de forma diferente. A Figura 14.2 apresenta um exemplo de gráfico de pizza.
Gráficos de linhas – Se desejar-se representar, por meio de gráfico de pizza, a evolução
de diversas variáveis, ao longo de vários períodos de tempo, deve-se utilizar um gráfico para
cada variável e para cada período que se pretenda representar. No entanto, essa forma de
apresentação, além de exigir a construção de uma infinidade de gráficos, dificulta a visualização,
as evoluções e as comparações de variáveis. Quando a apresentação dos resultados de forma
gráfica envolve a comparação de resultados de diversas variáveis e sua evolução ao longo do
414 Pesquisa de Marketing
tempo ou a comparação dos resultados simultâneos de duas diferentes variáveis, a forma mais
recomendada é o gráfico de linhas.
O gráfico de linhas tem duas dimensões; para o registro de cada dimensão, é utilizado o
sistema cartesiano de dois eixos perpendiculares, um na horizontal e outro na vertical, e os
pontos de cruzamento entre os valores correspondentes das duas variáveis consideradas são
interligados, formando uma linha. Se os resultados a serem representados forem de uma (ou
mais) variável(eis), ao longo do tempo (séries de tempo), o eixo X (horizontal) é utilizado
para a variável tempo, enquanto o eixo Y (vertical), para a(s) variação(ões) da(s) variável(eis)
estudada(s).Veja nas Figuras 14.3 e 14.4 dois exemplos de gráficos de linha, um para séries de
tempo e outro para o cruzamento de duas diferentes variáveis no mesmo período de tempo.
Figura 14.3 Evolução e distribuição da produção das diversas montadoras de automóveis no Brasil de 1985
a 1990.
Comunicação dos Resultados 415
Figura 14.5 Distribuição da produção da indústria automobilística entre seus fabricantes de 1985 a 1990.
416 Pesquisa de Marketing
Figura 14.7 Evolução da renda familiar anual nas classes A, B e C de 1988 a 1991 no Brasil (dados hipotéticos).
Comunicação dos Resultados 417
Figura 14.8 Evolução da produção de veículos automotores por tipo no Brasil de 1957 a 1990.
Fonte: Anfavea – Anuário Estatístico 1957-1990.
RESUMO
Existem dois meios de se comunicarem os resultados de uma pesquisa: escritos e orais.
O relatório escrito é a forma mais completa e a mais utilizada para a comunicação dos
resultados de uma pesquisa. Os procedimentos para a elaboração do relatório escrito da pesquisa
devem torná-lo completo, preciso, objetivo, claro e conciso.
Comunicação dos Resultados 419
QUESTÕES DE REVISÃO
1. Qual é a importância do relatório de uma pesquisa?
2. Qual o significado de se obter um relatório de pesquisa com cada uma das seguintes
características: completo, preciso, objetivo, claro e conciso?
420 Pesquisa de Marketing
3. Você acha que completo e conciso são características compatíveis num relatório de pes-
quisa? Explique.
4. Qual o objetivo de se elaborar um resumo gerencial da pesquisa?
5. Qual deve ser o conteúdo essencial de cada uma das seguintes partes de um relatório
de pesquisa: página de rosto; sumário; resumo gerencial; corpo do relatório; conclusões,
recomendações e limitações; anexos e bibliografia e/ou referências bibliográficas?
6. O que é um gráfico de pizza? Qual a sua utilização principal? Dê um exemplo.
7. O que é um gráfico de linhas? Qual a sua utilização principal? Dê um exemplo.
8. O que é um gráfico de estratos? Qual a sua utilização principal? Dê um exemplo.
9. O que é um gráfico de barras? Qual a sua utilização principal? Dê um exemplo.
10. Qual a principal função da apresentação oral dos resultados de uma pesquisa?
11. Quais as sugestões para se conseguir uma boa apresentação oral?
Trabalho – Parte 12
1. Elabore uma primeira versão do relatório relatando os resultados de sua pesquisa. Sub-
meta-o à análise crítica de dois colegas que não tenham conhecimento de seu trabalho.
Reformule seu relatório em função das sugestões recebidas. Submeta-o a uma primeira
avaliação do professor. Reformule-o em função das sugestões recebidas e entregue a versão
final para nova avaliação do professor.
2. Prepare uma apresentação oral dos resultados de sua pesquisa.Tempo de duração: mínimo
de cinco e máximo de dez minutos.Treine a apresentação em casa, gravando-a em vídeo/
CD, ou faça-a na presença de dois colegas. Aprimore a apresentação em função do que
você vir no vídeo/CD ou ouvir de sugestões dos colegas.
REFERÊNCIAS
BRITT, Steuart H.The communication of your research findings. In: FERBER, Robert (Ed.) Handbook of marketing
research. New York: McGraw-Hill, 1974, pp. 1-85, t. 1-95.
CASEY, R. S. Oral communication of technical information. New York: Reinhold Book, 1958.
CHURCHILL, JR., Gilbert A. Marketing research: methodological foundations. Hinsdale, Illinois: Driden, 1979.
GALLAGHER, William J. Report writing for management. Reading, Massachusetts: Addison-Wesley, 1969.
KINNEAR, Thomas C.; TAYLOR, James R. Marketing research: an applied approach. Tóquio: McGraw-Hill
Kogakusha, 1979.
CAPÍTULO 15
Histórico, Ética, Modelo de Propostas
e Outros Tópicos em Pesquisa
de Marketing
A revolução da informação representa uma nítida transferência de poder de quem detém
o capital para quem detém o conhecimento.
Peter Drucker
Objetivos
Apresentar outros tópicos relevantes de pesquisas de marketing que não foi possível incluir em capítulos
anteriores.
Sumário
HISTÓRICO DA PESQUISA DE MARKETING
PESQUISA DE MARKETING NO BRASIL E NO MUNDO
ÉTICA EM PESQUISAS DE MARKETING
FORMATO E CONTEÚDO DE PROPOSTAS DE PESQUISAS DE MARKETING
Itemização de propostas de pesquisa de marketing
Orçamento de pesquisa
CRITÉRIOS PARA CONTRATAÇÃO EXTERNA DE PESQUISAS DE MARKETING
Uso de pesquisas externas
Escolha do fornecedor
PUBLICAÇÃO DE ARTIGOS COM RESULTADOS DE PESQUISAS
1
arte do histórico da pesquisa de marketing foi coletada no acervo da Associação dos Institutos de Pesquisa
P
de Mercado – ABIPEME.
421
422 Pesquisa de Marketing
de Consumo INESE”, uma pesquisa store audit, quadrimensal, junto a uma amostra de 8.400
estabelecimentos distribuídos em oito capitais, que tinha como clientes, entre outros: Johnson
& Johnson, Laboratórios Vick, Laboratórios Anakol, Fontoura White e Sidney Ross.
Em 1958, Máxime Castelneau, ao assumir a direção do IPOM, introduziu também uma pes-
quisa store audit que acabou inviabilizando a do INESE. O store audit do IPOM permaneceu no
mercado até a chegada ao Brasil da multinacional de pesquisas ACNielsen, em 1972. Dessa data
em diante, o domínio da ACNielsen nesse segmento do mercado de pesquisas no Brasil foi total.
Em 1960, a agência de publicidade McCann-Erickson, atendendo às necessidades de seus
clientes, introduziu um estudo regular voltado para a aferição de mídia. Esse estudo, com a
inclusão de muitas outras variáveis, passou a ser executado pela agência de pesquisa associada
à McCann, a Marplan, sendo conhecido como Estudos Marplan (atualmente conduzidos pela
IPSOS, uma multinacional francesa).
Data também dessa época o primeiro estudo qualitativo realizado no Brasil. Alfredo Carmo
realizou um estudo qualitativo (a técnica utilizada não foi informada) sobre o consumo de
chocolates por adultos – cujo índice era muito baixo quando comparado com o consumo
infantil – e constatou “que o chocolate é altamente desejado pelos adultos. Mas, em função
de sua imagem de produto de consumo infantil, o adulto vê-se bloqueado”. Em razão dessa
constatação, concluiu sugerindo ao cliente que “o encaminhamento que se deveria dar à
comunicação era de molde a fazer o adulto vencer o estereótipo de produto infantil, apre-
sentando-o como produto adulto”.
Em 1962, o INESE realizou para a Ford a primeira clínica de carros no país. O método
consistia em mostrar um protótipo em meio a outros modelos do mercado a uma pequena
amostra de potenciais clientes de determinado segmento do mercado e solicitar-lhes as im-
pressões e avaliações qualitativas para inúmeros itens. Octávio da Costa Eduardo relatou que
fez esses estudos para o lançamento do Galaxie pela Ford e da revista Realidade para a Editora
Abril e que haviam apontado aprovação e grande aceitação para os produtos.
Em 1964, é inventado por Hélio Silveira da Mota, publicitário da J. W. Thompson, um
aparelho para registrar automaticamente a audiência de TV, denominado tevêmetro. Até então, a
audiência de TV era obtida por declaração do entrevistado ao entrevistador em visita domiciliar
à amostra de domicílios. O invento entrou em operação experimental em São Paulo e Rio de
Janeiro e, após diversos aperfeiçoamentos, passou a ser utilizado em outras capitais brasileiras,
principalmente na década de 1970.
Também em 1964, foi realizada por Pergentino Mendes de Almeida a primeira pesquisa
focus group no Brasil, na ocasião denominada de discussão em grupo.
Em 1967, a Gessy Lever iniciou a operação da Mavibel para realizar pesquisas exclusiva-
mente para o grupo. Para inúmeros profissionais de pesquisa, a Mavibel foi uma verdadeira
escola de pesquisa de marketing. Muitos, após deixarem a Mavibel, abriram suas próprias
empresas de pesquisas.
Também em 1967, Carlos Eduardo Matheus filiou sua empresa à Gallup International
e, com sua tecnologia, criou, em 1969, a primeira pesquisa para medir a memorização de
propaganda de TV (Recall 24h), com amostras nas cidades de São Paulo e Rio de Janeiro. Criou
também a primeira pesquisa coletiva contínua (omnibus), com uma gama variada de assuntos,
contando com amostras nas cidades de São Paulo e Rio de Janeiro.
O segmento de pesquisas eleitorais caminhou bem enquanto havia eleições livres. Durante
os anos em que o país esteve sob a intervenção dos militares, esse segmento regrediu. Ressurgiu
426 Pesquisa de Marketing
com grande vitalidade com a redemocratização do país, após 1982. Em contrapartida às pesquisas
eleitorais, as pesquisas de audiência cresceram junto com o grande crescimento da penetração
da TV como veículo e com a formação das grandes redes de TV, com destaque para a Rede
Globo, e ocorreu justamente no período em que o país esteve sob a intervenção dos militares.
Foi justamente nesse período do país sob a intervenção dos militares, mais especificamente
entre 1968 e 1972, que ocorreu o grande crescimento do setor de pesquisas no Brasil, acompa-
nhando o forte crescimento da economia. O modelo econômico adotado favoreceu o ingresso
de inúmeras empresas estrangeiras na indústria de transformação. As atividades de marketing
praticadas por essas empresas propagaram-se como estilo de gestão comercial das empresas
mais dinâmicas e mais bem-sucedidas.
Paralelamente, observou-se um grande crescimento no ensino de economia e adminis-
tração, formando e disponibilizando para as empresas pessoal preparado e capacitado a exercer
funções gerenciais e executivas. Esse estilo de gestão empresarial voltado para marketing
irradiou-se rapidamente, inicialmente para fornecedores e distribuidores dessas empresas
estrangeiras, sob sua influência direta, e depois para concorrentes estrangeiros e até para em-
presas genuinamente nacionais (concorrentes ou não). Devido a esses dois fatores, empresas
voltadas para marketing e profissionais capacitados e estimulados a utilizar o ferramental de
marketing, o mercado de pesquisas cresceu rapidamente. Segundo estimativa de Octávio da
Costa Eduardo, o número de clientes das empresas de pesquisas cresceu de 20/30, em 1950,
para 50/70, em 1960, e atingiu 120/150, em 1970.
Esse crescimento da economia trouxe grande avanço nos veículos de comunicação (TV, rádio
e revistas) e na publicidade comercial, inclusive com o surgimento e o crescimento de diversas
agências de publicidade nacionais, que passaram a concorrer, com sucesso, com as estrangeiras.
O grande crescimento da participação da mídia televisiva no bolo das verbas de propaganda
e sua grande concentração em uma única rede de TV (Rede Globo) elevaram muito o custo de
veiculação dessa mídia em relação às tradicionais, o que fez com que agências de publicidade
e anunciantes investissem mais no controle das programações, dos índices de audiência e dos
resultados das campanhas, visando a uma melhor eficácia na aplicação das verbas publicitárias de
seus clientes. Em consequência, conforme relatório da história da J.W.Thompson, “na década
de 1960, a pesquisa de mercado, como instrumento de orientação publicitária, de criação e
aferição dos objetivos da comunicação, se impôs verdadeiramente”.
Sinal da importância que o setor atingiu foi o ingresso no mercado de duas grandes multi-
nacionais de pesquisa: ACNielsen, em 1972, e da Burke, em 1973. O ingresso dessas empresas
reduziu a participação de mercado de empresas brasileiras. Foi o início da desnacionalização do
setor e de inúmeros outros setores que ocorreram com grande intensidade após o Plano Real.
Após o Plano Real, com a estabilização dos preços, com a crescente competição e com
a globalização da economia brasileira, elevou-se ainda mais a importância das atividades de
marketing para o sucesso dos negócios e, em consequência, da pesquisa de marketing.
Como pode ser observado, na Tabela 15.1, os gastos estimados em pesquisa de marketing
no mundo cresceram 88%, de 2002 a 2010, atingindo US$ 31,2 bilhões.
De 2002 a 2010, em função da crise nos países desenvolvidos, houve mudanças importantes
no mercado. A América do Norte, que, em 2002, tinha 41% do mercado mundial de pes-
quisas, passou a deter 34% em 2010. Nesse mesmo período, observou-se grande crescimento
nos mercados das Américas Central e do Sul (177%) passando de 4% do mercado para 6%,
Oriente Médio e África (175%) passando de 1% para 2%, e Ásia/Pacífico (136%) passando
Histórico, Ética, Modelo de Propostas e Outros Tópicos em Pesquisa de Marketing 427
de 13% para 16%. Também se observa que, de 2009 para 2010, a Europa cresceu abaixo do
mercado (apenas 1% contra 2,8% do mercado) e a América Central e a América do Sul cres-
ceram muito acima do mercado (13,9%).
Tabela 15.1 Gastos em pesquisas de marketing por regiões do mundo em 2002 e 2010 (em milhões de US$)
2002 (em 2010 (em Crescimento Crescimento
milhões de Participação milhões de Participação 2002 a 2010 2009 a 2010
Região US$) 2002 (%) US$) 2010 (%) (%) (%)
Europa 6.820 41 13.142 42 93 1,0
América do Norte 6.756 41 10.614 34 57 3,1
Ásia/Pacífico 2.156 13 5.082 16 136 3,5
América Central 661 4 1.828 6 177 13,9
e do Sul
Oriente Médio 208 1 573 2 175 4,3
e África
Total mundial 16.601 100 31.239 100 88 2,8
Fonte: (1) ESOMAR, ISO/TC 225 “Market, opinion and social research” Draft Business Plan (IMF International Financial
Statistics 2004); (2) ESOMAR Industry Report. Global Market Research, 2011:6.1.
Tabela 15.2 Evolução do faturamento em pesquisas de marketing nos seis principais países e no mundo
de 2002 a 2010 (em milhões de US$)
2002 2010 Crescimento
(em milhões Participação (em milhões Participação 2002 a 2010
País de US$) (%) de US$) (%) (%)
Estados Unidos 6.037 36 9.915 32 64
Grã-Bretanha 1.755 11 3.185 10 81
Alemanha 1.490 9 2.889 9 94
França 1.290 8 2.533 8 96
Japão 1.037 6 1.916 6 85
China n/d - 1.114 4 -
Demais países 4.992 30 9.687 31 94
Total mundial 16.601 100 31.239 100 88
Fonte: (1) ESOMAR Association, ISO/TC 225 “Market, opinion and social research”. Draft Business Plan; (2) Disponível em:
http://mundodapesquisa.wordpress.com/2012/01/06/top-20-mercados-de-pesquisa-online-em-2011/.Acessado em: 7 abr. 2012.
Tabela 15.3 Faturamento em pesquisas de marketing pela internet no mundo e nos dez maiores países
(em milhões de US$), em 2010
Crescimento das
Pesquisa pela Total de Participação pesquisas pela
Classificação pelo internet pesquisas das pesquisas internet de 2010
faturamento na (em milhões (em milhões pela internet em relação a 2009
internet País de US$) de US$) (%) (%)
1 Estados Unidos 1.983 9.915 20 5
2 Alemanha 1.011 2.889 35 20
3 Japão 766 1.916 40 20
4 Grã-Bretanha 733 3.185 23 13
5 França 405 2.533 16 16
6 Canadá 294 699 42 19
7 Austrália 191 657 29 18
8 Espanha 96 736 13 108
9 Itália 93 771 12 75
10 China 56 1.114 5 n/d
Dez maiores 5.628 24.415 23
Demais países 1.245 6.824 18
Total mundial 6.873 31.239 22
Obs.: O Brasil não figura nesta lista por não informar à ESOMAR o faturamento em pesquisas pela internet.
Fonte: Disponível em: http://mundodapesquisa.wordpress.com/2012/01/06/top-20-mercados-de-pesquisa- online-em-2011/.
Acessado em: 7 abr. 2012.
Observa-se que a participação do faturamento das pesquisas pela internet no total do fatura-
mento de pesquisas de cada país não é homogênea, variando de 5% (China) a 42% (Canadá). Uma
das explicações para essa discrepância – mas não a única – está nas diferentes penetrações da internet;
há outras explicações, como a existência de fornecedores especializados em pesquisas on-line e
aspectos culturais dos povos na predisposição a responder questionários via internet, entre outras.
No Brasil, em 2003, o número de empresas de pesquisas associadas à Associação Brasileira
das Empresas de Pesquisa - ABEP (a ABEP resultou da fusão da ABIPEME com a ANEP em
2004) era de 162, com faturamento total de R$ 686,5 milhões. Estimando-se que as empresas
associadas à ABEP representam 90% do faturamento do setor, o faturamento do setor em 2003
pode ser estimado em R$ 763,0 milhões. Seguindo esses mesmos critérios, a estimativa do
faturamento de todo o setor, em 2011, pode ser estimado em R$ 1.776,5 milhões, com cres-
cimento de 133% em relação ao de 2003.
Apesar desse grande crescimento, tendo em vista o tamanho da economia brasileira, pode-se
concluir que esse faturamento ainda é pequeno. A pesquisa de marketing, embora seja um
negócio crescente no Brasil, está longe de adquirir a importância que atingiu, por exemplo, nos
Estados Unidos, onde, em 2010, alcançou o faturamento de US$ 9,9 bilhões, ou na Europa,
onde, também em 2010, atingiu US$ 13,1 bilhões.
No entanto, à medida que cresce a adoção do conceito de marketing pelas empresas bra-
sileiras e a economia do país continua crescendo a taxas superiores à dos países desenvolvidos,
também crescerá o negócio de pesquisa de marketing no Brasil.
Com dados dos faturamentos em pesquisas declarados pelas 174 empresas associadas à ABEP,
em 2011 foi construída a Tabela 15.4, mostrando o panorama atual do setor no Brasil.
Histórico, Ética, Modelo de Propostas e Outros Tópicos em Pesquisa de Marketing 429
Tabela 15.4 Faturamento do setor de pesquisas de marketing no Brasil – 2011 (em milhões de R$)
Faturamento Participação Faturamento
Número de conjunto (em Número de Faturamento médio anual (em
Porte (1) empresas milhões de R$) empresas (%) (%) milhões de R$)
Grandes 11 1.104,54 6,3 80,8 100,41
Médias 30 151,53 17,3 11,1 5,05
Pequenas 133 110,47 76,4 8,1 0,83
Total de associados 174 1.366,54 100 100,0 7,85
à Abep
Não associados n/d 409,96
à Abep (2)
Total Brasil (2) n/d 1.776,50
Fonte: Dados internos da Associação Brasileira de Empresas de Pesquisas – Abep, abr. 2012.
Observações:
(1) Porte das empresas segundo a Abep:
Grandes: faturamento acima de R$ 11,30 milhões/ano
Médias: faturamento de R$ 2, 89 a R$ 11,30 milhões/ano
Pequenas: faturamento até R$ 2, 89 milhões/ano
(2) Estimativas
Uma breve análise dessa tabela indica que a grande concentração no setor, já detectada em
2003, cresceu ainda mais em 2011, com apenas 11 empresas (6,3%) respondendo por 81% do
faturamento (em 2003, foram 15 empresas – 9,3% – respondendo por 80% do faturamento),
enquanto 163 empresas (93,7%) responderam por 19% do faturamento (em 2003, foram 147
empresas (90,7%) que responderam por 20% do faturamento do setor).
O resultado dessa situação é um grande número de empresas disputando um mercado pequeno
e ainda mais restrito pela ação das multinacionais. Consequentemente, a maioria das empresas
apresenta faturamento e resultados pequenos e até prejuízos.
As empresas do setor podem ser enquadradas em um dos seguintes tipos (caracterizados
pela importância da atividade em seu faturamento total):
• Empresas de pesquisas contínuas – Realizam, de forma sistemática e contínua (ou periódica),
pesquisas em todo o território nacional. São pesquisas padronizadas e de interesse de um
grande número de clientes. Aqui predominam as empresas de grande porte (nacionais e
multinacionais); são dirigidas para atender à eficiência operacional, e não para a aplicação
de metodologias científicas.
• Empresas de pesquisas sob medida (ou ad hoc) – Realizam pesquisas de forma assistemática
e não contínua, adequando-se às necessidades pontuais e momentâneas dos clientes. Aqui
predominam as empresas nacionais de médio porte e algumas de pequeno porte. Estão
preparadas para adequar as metodologias às necessidades da pesquisa do cliente.
• Empresas prestadoras de serviços – Realizam diversos serviços de pesquisas para as empresas
das outras duas categorias, tais como: aplicação de questionários, digitação, codificação,
processamento de dados, análises, edições etc. Aqui predominam as empresas nacionais de
pequeno porte. Adaptam-se às exigências e solicitações de seus clientes.
As grandes empresas de pesquisas operam em um ou mais dos seguintes direcionamentos:
• Formatam e disponibilizam enormes bancos de dados sobre transações comerciais, painéis
comportamentais de consumo, audiências de veículos de comunicação (rádio, TV, jornais
e revistas, internet) e medição de qualidade percebida em serviços.
430 Pesquisa de Marketing
Pela observação desses resultados, é possível concluir que, à exceção dos itens 3, 6 e 8, as
percentagens de desaprovação para práticas discutivelmente éticas, em pesquisas de marketing,
não são elevadas, o que revela que essas práticas podem estar sendo aceitas por um número
considerável de profissionais da área.
A forma que as instituições que congregam as empresas de pesquisas de marketing
encontraram para resolver essas questões éticas, antes que legislações específicas o fizessem,
foi a elaboração e a sugestão de adoção, por seus associados, de códigos de conduta ética.
O primeiro código de ética para pesquisas de marketing foi elaborado, em 1948, pela Eu-
ropean Society for Opinion and Marketing Research - ESOMAR. Em 1972, esse código
foi revisto e atualizado. Somente em 1962, surgiu o primeiro código de ética para pes-
quisas de marketing nos Estados Unidos, elaborado pela American Marketing Association
- AMA, que passou por revisão e atualização em 1972. Tanto o código de ética da AMA
quanto o da ESOMAR (apesar de este ser mais completo) foram dirigidos, essencialmente,
à normatização das relações entre contratantes e contratados, não apresentando nenhuma
restrição no que diz respeito aos aspectos éticos envolvendo os respondentes. Essa omissão
dos dois códigos estimulou Tybout e Zaltman (1974) a escrever um artigo extremamente
crítico sobre o fato. Seus autores defendiam o ponto de vista de que “um entendimento dos
aspectos éticos envolvidos nas práticas de pesquisas de marketing é essencial para produzir
pesquisas com qualidade”. A persistência da AMA em não adotar, em seu código, os as-
pectos envolvendo os respondentes fez com que, a partir da publicação do artigo de Tybout
432 Pesquisa de Marketing
e Zaltman, restrições de ordem legal começassem a ser sugeridas e impostas nos Estados
Unidos, como as seguintes:
• O Comitê do Conselho de Ética de Pesquisas de Mercado do Congresso dos Estados
Unidos desenvolveu e teve aprovada, pelo Conselho de Pesquisas de Mercado, uma proposta
de Código de Ética de Pesquisas de Mercado para posterior apreciação pelo Congresso.
• A Federal Trade Comission - FTC agiu com sucesso contra empresas de enciclopédias
que utilizavam pesquisas de marketing para a realização de vendas.
• A FTC agiu com sucesso contra empresas que utilizavam pesquisas de marketing para
fazer prospecção de clientes para empresas de mala direta.
• A FTC agiu com sucesso contra empresas de pesquisas que garantiam que seus resultados
estavam totalmente isentos de erros não amostrais.
• A Lei de Privacidade de 1974 deu aos respondentes em projetos de pesquisas do governo
dos Estados Unidos todos os direitos sugeridos pelo trabalho de Tybout e Zaltman.
Em 1971, a International Chamber of Commerce - ICC, como representante da comu-
nidade internacional de marketing, unificou e racionalizou os principais pontos contidos nos
diversos códigos de éticas existentes e publicou o resultado, após consulta aos organismos de
marketing e de pesquisas de marketing diretamente envolvidos, como o Código Internacional
de Práticas de Pesquisas de Mercado.
A ICC e a ESOMAR reuniram esforços para a revisão e a atualização do código pu-
blicado em 1971 pela ICC, e publicaram em conjunto, em novembro de 1977, o Código
Internacional de Práticas de Pesquisas de Mercado e Sociais. Em sequência, complementando
a preocupação dessas entidades em estabelecer princípios éticos, bem como a harmonização
nas práticas de pesquisa, publicou, em 1979, o documento denominado Diretrizes ICC/
ESOMAR. Esse documento tem sido constantemente atualizado e pode ser acessado no site
www.esomar.com.
Não existe nenhum instrumento legal, no Brasil, estabelecendo práticas éticas em pes-
quisas de marketing. Em termos de ética em pesquisas de marketing, no Brasil há o Código
de Ética da Associação Brasileira das Empresas de Pesquisas - ABEP que pode ser acessado no
site www.abep.org. Nesse site, também podem ser encontrados outros códigos, guias e demais
materiais de interesse para os profissionais em pesquisa de marketing, como:
• Critério de Classificação Econômica Brasil - CCEB.
• Como selecionar uma empresa de pesquisa.
• Padrões de Qualidade ABEP.
• Guia ABEP para Divulgação de Pesquisas Eleitorais.
• Código de Ética ICC/ESOMAR.
• Código de Ética ABEP.
• Estatutos da ABEP.
• Busca de empresas associadas à ABEP.
Orçamento de pesquisa
Muitas empresas pequenas e algumas médias têm problemas em orçar pesquisas. Essa dificuldade
fica evidente quando se observam resultados de licitações públicas de pesquisas. Em um processo
de licitação, normalmente toda a metodologia da pesquisa é predefinida pela instituição interes-
sada, facilitando, dessa forma, a comparação das propostas comerciais dos licitantes. Não tem sido
incomum encontrarem-se diferenças de até 600% nos preços entre a proposta de preço mais baixo
e a de preço mais elevado, denotando haver problemas na orçamentação de pesquisas pelas empresas.
No Quadro 15.2, apresenta-se uma sugestão de planilha para a elaboração de orçamentos de
pesquisas para empresas que adotam o sistema de Lucro Presumido, como a maioria das pequenas
empresas de pesquisa e parte das médias. Essa planilha pode ser colocada e programada em
planilha eletrônica, o que facilita e eleva a precisão dos cálculos, permitindo, também, efetuar
diversas simulações.
434 Pesquisa de Marketing
Sendo:
ST1 = Soma de todos os custos previstos.
S = % de margem de segurança aplicado ao ST1.
ST2 = ST1 + S × ST1.
OH = % do TF destinada ao lucro e a cobrir outros custos.
I = % do TF destinada ao pagamento dos impostos.
Tendo ST2, OH e I, calcula-se o valor de TF utilizando-se a fórmula:
TF = ST 2 / [1 − (OH + 1)]
Histórico, Ética, Modelo de Propostas e Outros Tópicos em Pesquisa de Marketing 435
Sendo OH e I em valores decimais (OH = Over head = % sobre o total final – pode também ser ao
custo total – destinado a cobrir outros custos e para atingir o lucro desejado com o projeto de pesquisa).
Exemplo:
ST1 = R$ 20.000,00
S = 5% (ou 0,05 em centesimais)
ST2 = R$ 20.000,00 + 0,05 × R$ 20.000,00 = R$ 21.000
OH = 30% (ou 0,30 em centesimais)
I = 13% (ou 0,13 em centesimais)
Aplicando a fórmula, ter-se-á:
TF = R$ 21.000 / [1 − (0,30 + 0,13)] = R$ 21.000 / 0,57 = R$ 36.842
Confirmando:
OH = 0,30 × R$ 36.842 = R$ 11.053
I = 0,13 × R$ 36.842 = R$ 4.789
Escolha do fornecedor
Quando surge a necessidade de se contratarem pesquisas externas, surge também a dúvida sobre
quais critérios utilizar para selecionar a empresa a ser contratada. Para atender a essa necessidade,
apresenta-se, a seguir, uma série de sugestões para seleção e contratação de instituições de pesquisas:
• Manter um cadastro atualizado de fornecedores externos de pesquisa por especialidades.
• Visitar as instituições que parecem ser as melhores, contatando os principais dirigentes;
coletar exemplos de pesquisas realizadas e nomes de clientes; avaliar as instalações, os
equipamentos, o sistema de trabalho e as equipes técnicas.
• Verificar e avaliar o prestígio das instituições e de seus dirigentes junto ao mercado e a
seus principais clientes; efetuar visitas pessoais às empresas que foram e são clientes e reunir
impressões e informações para posterior avaliação.
436 Pesquisa de Marketing
• Apresentar o problema de pesquisa apenas para as instituições que foram aprovadas nos
itens anteriores e solicitar proposta de pesquisa, especificando quais os itens mínimos que
dela devem fazer parte e até quando podem ser apresentadas.
• A seleção da proposta vencedora deve ser tomada com base na compreensão do problema
de pesquisa, na adequação da metodologia adotada para a sua solução, nos prazos es-
tabelecidos e no preço. A utilização única e exclusiva do critério preço nem sempre leva
à melhor escolha, tendo em vista a relação custo/benefício.
• Elaborar um contrato em que todos os pormenores do desenvolvimento, controle, prazos,
responsabilidades, aceitação do resultado final e pagamentos estejam claramente especifica-
dos. É importante que os nomes dos respectivos responsáveis pela pesquisa, do contratante
e do contratado, constem do contrato.
Todos esses cuidados devem ser tomados quando se contrata pela primeira vez uma ins-
tituição. À medida que se adquire confiança com o conhecimento advindo por constantes
contratações, muitos desses cuidados tornam–se desnecessários.
apresentação das hipóteses e das questões de pesquisas. Além disso, deve–se fazer uma rápida
discussão dos resultados atingidos, em comparação com os dos demais estudos realizados,
e apontar os pontos em que foram concordantes e aqueles que foram discordantes.
• Implicações, recomendações e limitações – É o último item do artigo e onde são apresen-
tadas as implicações dos resultados para a área de conhecimento estudada, as recomendações
para decisões e as sugestões para a realização de outros estudos. Finalizando o artigo, devem
ser mencionadas as limitações do estudo em termos metodológicos e em que circunstâncias
seus resultados devem ser aceitos.
• Referências bibliográficas – Encerrando o artigo, são apresentadas todas as referências
bibliográficas utilizadas, seguindo o padrão recomendado pela Associação Brasileira de
Normas Técnicas - ABNT (2002).
RESUMO
A pesquisa de marketing surgiu e se desenvolveu a partir de 1910, nos Estados Unidos, onde as
verbas destinadas pelas empresas, em 1997, foram de US$ 3,862 bilhões.
A pesquisa de marketing evoluiu e ganhou importância à medida que o conceito de
marketing também evoluiu, principalmente com a adoção, pelas empresas, de uma orientação
filosófica ao consumidor.
Os negócios de pesquisa de marketing passaram a se desenvolver, no Brasil, por solicitação
de filiais das empresas de origem norte–americana aqui instaladas. No entanto, até hoje, seu
desenvolvimento tem sido muito restrito, não havendo nenhum termo de comparação com
o grande crescimento ocorrido, nos Estados Unidos, nas décadas de 1950 e 1960.
À medida que a pesquisa de marketing foi ganhando importância como negócio, inúmeros
aspectos éticos começaram a ser levantados por parte de todos os envolvidos no processo de
pesquisa: clientes, agências, entrevistados e estudiosos.
Pesquisas têm mostrado que as percentagens de desaprovação para práticas discutivelmente
éticas, em pesquisas de marketing, não são elevadas, o que revela que essas práticas estão sendo
aceitas por um número considerável de profissionais da área.
A forma que as instituições que congregam as empresas de pesquisas de marketing encon-
traram para resolver as questões éticas foi a elaboração e a imposição a seus associados de
códigos de conduta ética.
Os itens que devem fazer parte de uma proposta de pesquisa de marketing compreendem: in-
trodução; objetivos; metodologia; resultados esperados; cronograma; custo/condições de pagamento/
validade da proposta; responsabilidades da contratante e da contratada; e equipe responsável.
A maioria das empresas não possui um departamento próprio de pesquisas de marketing e,
por isso, precisa contratar a realização de pesquisas em instituições externas. Mesmo entre as que
possuem departamento de pesquisa de marketing, é comum a aquisição de pesquisas externas.
Com a necessidade de contratar pesquisas externas, surge a dúvida sobre quais critérios
utilizar para selecionar a empresa a ser contratada. Entre os critérios para contratação, os mais
importantes são qualidade, prazo e preço.
Os itens que compreendem um artigo de resultado de pesquisa para publicação em revistas
são: sumário; apresentação/introdução; estado da arte/embasamento teórico; hipótese/ques-
tões de pesquisa; resultados; conclusões, implicações, recomendações e limitações; e referências
bibliográficas.
438 Pesquisa de Marketing
QUESTÕES DE REVISÃO
1. Qual a explicação para o rápido desenvolvimento da pesquisa de marketing nos Estados
Unidos, nas décadas de 1950 e 1960, e para o fato de isso não ter ocorrido no Brasil com
a mesma intensidade?
2. Quais são os principais problemas de ética em pesquisas de marketing?
3. Qual a finalidade dos códigos de ética das associações que congregam pesquisadores e
empresas de pesquisa?
4. Quais itens devem conter uma proposta de pesquisa de marketing? Aponte as diferenças
entre uma proposta e um projeto de pesquisa.
5. Em que ocasiões/situações uma empresa com departamento de pesquisas de marketing
deve contratar pesquisas externas?
6. Quais critérios e cuidados uma empresa deve ter para contratar pesquisas externas?
7. Quais itens um artigo relatando resultados de pesquisas de marketing deve conter?
REFERÊNCIAS
ABIPEME – ASSOCIAÇÃO BRASILEIRA DOS INSTITUTOS DE PESQUISA DE MERCADO. Pesquisa
ao acervo.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS – ABNT – Referências bibliográficas. Rio de
Janeiro, 2002.
AKAAH, I. P.; RIORDAN, F. A. Judgements of professionals about ethical issues in marketing research: a reap-
plication and extension. Journal of Marketing Research, pp. 112-120, Feb. 1989.
CHURCHILL, JR.; GILBERT, A. Marketing research methodological foundations. Hinsdale, Illinois: Driden Press,
1979.
CRAWFORD, Merle C. Attitudes of marketing executives toward ethics in marketing research. Journal of Marketing,
nº 34, pp. 46-52, Apr. 1970.
DURANT, José Carlos. Implantação da pesquisa de opinião e Mercado no Brasil (1930/1972). In: Anais…
ESOMAR – ABIPEME – Latin American Conference “Exchanging Experiences” São Paulo (Brazil), 5th –
8th, May, 1991.
ESOMAR, ISO/TC 225. Market, opinion and social research. Draft Business Plan (IMF International Financial
Statistics), 2004.
ESOMAR Industry Report. Global Market Research, 2011:6.1.
HOLBERT, Neil B.; SPEECE, Mark W. Practical marketing research: an integrated global perspective. New York:
Prentice Hall, 1997.
KINNEAR, Thomas C.; TAYLOR, James R. Marketing research: an applied approach. Tóquio: McGraw-Hill
Kogakusha, 1979.
LOCKLEY, Lawrence C. History and development of marketing research. In: FERBER, Robert (Org.). Handbook
of marketing research. New York: McGraw-Hill, 1974. pp. 1-3 a 1-15.
MALHORTA, Naresh K. Some observation on the state of art in marketing research, Journal of the Academy of
Marketing Sciences, n° 16, ano 1, pp. 4-24, Spring, 1988.
TYBOUT, Alice M.; ZALTMAN, Gerald. Ethics in marketing research: their practical relevance. Journal of Marketing
Research, v. 11, nº 4, pp. 357-368, nov., 1974.
Sites
ASSOCIAÇÃO BRASILEIRA DE EMPRESAS DE PESQUISA – ABEP – Documentos internos e www.
abep.org, abr. 2012.
MUNDO DA PESQUISA. Disponível em: http://mundodapesquisa.wordpress.com/2012/01/06/top-20-mer-
cados-de-pesquisa-online-em-2011/. Acessado em: 7 abr. 2012.
61 19 69 04 46 26 45 74 77 74 51 92 43 37 29 65 39 45 95 93 42 58 26 05 27
15 47 44 52 66 95 27 07 99 53 59 36 78 38 48 82 39 61 01 18 33 21 15 94 66
94 55 72 85 73 67 89 75 43 87 54 62 24 44 31 91 19 04 25 92 92 92 74 59 73
42 48 11 62 13 97 34 40 87 21 16 86 84 87 67 03 07 11 20 59 25 70 14 66 70
23 52 37 83 17 73 20 88 98 37 68 93 59 14 16 26 25 22 96 63 05 52 28 25 62
04 49 35 24 94 75 24 63 38 24 45 86 25 10 25 61 96 27 93 35 65 33 71 24 72
00 54 99 76 54 64 05 18 81 59 96 11 96 38 96 54 69 28 23 91 23 28 72 95 29
35 96 31 53 07 26 89 80 93 54 33 35 13 54 62 77 97 45 00 24 90 10 33 93 33
59 80 80 83 91 45 42 72 68 42 83 60 94 97 00 13 02 12 48 92 78 56 52 01 06
46 05 88 52 36 01 39 09 22 86 77 28 14 40 77 93 91 08 36 47 70 61 74 29 41
32 17 90 05 97 87 37 92 52 41 05 56 70 70 07 86 74 31 71 57 85 39 41 18 38
Tabelas estatísticas selecionadas 441
( )
2
5 (0, 40)2 (0, 60)(5− 2) = 0, 6826
P( X ≤ 2) = ∑ 2
X= 0
n = 5
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,9510 0,9039 0,8587 0,8154 0,7738 0,7339 0,6957 0,6591 0,6240 0,5905
1 0,9990 0,9962 0,9915 0,9852 0,9774 0,9681 0,9575 0,9456 0,9326 0,9185
2 1,0000 0,9999 0,9997 0,9994 0,9988 0,9980 0,9969 0,9955 0,9937 0,9914
3 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9995
4 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,5584 0,5277 0,4984 0,4704 0,4437 0,4182 0,3939 0,3707 0,3487 0,3277
1 0,9035 0,8875 0,8708 0,8533 0,8352 0,8165 0,7973 0,7776 0,7576 0,7373
2 0,9888 0,9857 0,9821 0,9780 0,9734 0,9682 0,9625 0,9563 0,9495 0,9421
3 0,9993 0,9991 0,9987 0,9983 0,9978 0,9971 0,9964 0,9955 0,9945 0,9933
4 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,3077 0,2887 0,2707 0,2536 0,2373 0,2219 0,2073 0,1935 0,1804 0,1681
1 0,7167 0,6959 0,6749 0,6539 0,6328 0,6117 0,5907 0,5697 0,5489 0,5282
2 0,9341 0,9256 0,9164 0,9067 0,8965 0,8857 0,8743 0,8624 0,8499 0,8369
3 0,9919 0,9903 0,9886 0,9866 0,9844 0,9819 0,9792 0,9762 0,9728 0,9692
4 0,9996 0,9995 0,9994 0,9992 0,9990 0,9988 0,9986 0,9983 0,9979 0,9976
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,1564 0,1454 0,1350 0,1525 0,1160 0,1074 0,0992 0,0916 0,0845 0,0778
1 0,5077 0,4875 0,4675 0,4478 0,4282 0,4094 0,3907 0,3724 0,3545 0,3370
2 0,8234 0,8095 0,7950 0,7801 0,7648 0,7491 0,7330 0,7165 0,6997 0,6826
3 0,9653 0,9610 0,9564 0,9514 0,9460 0,9402 0,9340 0,9274 0,9204 0,9130
4 0,9971 0,9966 0,9961 0,9955 0,9947 0,9940 0,9931 0,9921 0,9910 0,9898
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
(Continua)
442 Pesquisa de Marketing
4 0,9542 0,9490 0,9434 0,9373 0,9308 0,9238 0,9163 0,9083 0,8997 0,8906
5 0,9952 0,9945 0,9937 0,9927 0,9917 0,9905 0,9892 0,9878 0,9862 0,9844
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 7
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,9321 0,8681 0,8080 0,7514 0,6983 0,6485 0,6017 0,5578 0,5168 0,4783
1 0,9980 0,9921 0,9829 0,9706 0,9556 0,9382 0,9187 0,8974 0,8745 0,8503
2 1,0000 0,9997 0,9991 0,9980 0,9962 0,9937 0,9903 0,9860 0,9807 0,9743
3 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996 0,9993 0,9988 0,9982 0,9973
4 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,4423 0,4087 0,3773 0,3479 0,3206 0,2951 0,2714 0,2493 0,2288 0,2097
1 0,8250 0,7988 0,7719 0,7444 0,7166 0,6885 0,6604 0,6323 0,6044 0,5767
2 0,9669 0,9584 0,9487 0,9380 0,9262 0,9134 0,8995 0,8846 0,8687 0,8520
3 0,9961 0,9946 0,9928 0,9906 0,9879 0,9847 0,9811 0,9769 0,9721 0,9667
4 0,9997 0,9996 0,9994 0,9991 0,9988 0,9983 0,9978 0,9971 0,9963 0,9953
5 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,1920 0,1757 0,1605 0,1465 0,1335 0,1215 0,1105 0,1003 0,0910 0,0824
1 0,5494 0,5225 0,4960 0,4702 0,4449 0,4204 0,3965 0,3734 0,3510 0,3294
2 0,8343 0,8159 0,7967 0,7769 0,7564 0,7354 0,7139 0,6919 0,6696 0,6471
3 0,9606 0,9539 0,9464 0,9383 0,9294 0,9198 0,9095 0,8984 0,8866 0,8740
4 0,9942 0,9928 0,9912 0,9893 0,9871 0,9847 0,9819 0,9787 0,9752 0,9712
5 0,9995 0,9994 0,9992 0,9989 0,9987 0,9983 0,9979 0,9974 0,9969 0,9962
6 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9998
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0745 0,0672 0,0606 0,0546 0,0490 0,0440 0,0394 0,0352 0,0314 0,0280
1 0,3086 0,2887 0,2696 0,2513 0,2338 0,2172 0,2013 0,1863 0,1721 0,1586
2 0,6243 0,6013 0,5783 0,5553 0,5323 0,5094 0,4866 0,4641 0,4419 0,4199
3 0,8606 0,8466 0,8318 0,8163 0,8002 0,7833 0,7659 0,7479 0,7293 0,7102
4 0,9668 0,9620 0,9566 0,9508 0,9444 0,9375 0,9299 0,9218 0,9131 0,9037
5 0,9954 0,9945 0,9935 0,9923 0,9910 0,9895 0,9877 0,9858 0,9836 0,9812
6 0,9997 0,9997 0,9996 0,9995 0,9994 0,9992 0,9991 0,9989 0,9986 0,9984
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0249 0,0221 0,0195 0,0173 0,0152 0,0134 0,0117 0,0103 0,0090 0,0078
1 0,1549 0,1340 0,1228 0,1123 0,1024 0,0932 0,0847 0,0767 0,0693 0,0625
2 0,3983 0,3771 0,3564 0,3362 0,3164 0,2973 0,2787 0,2607 0,2433 0,2266
3 0,6906 0,6706 0,6502 0,6294 0,6083 0,5869 0,5654 0,5437 0,5219 0,5000
4 0,8937 0,8831 0,8718 0,8598 0,8471 0,8337 0,8197 0,8049 0,7895 0,7734
5 0,9784 0,9754 0,9721 0,9684 0,9643 0,9598 0,9549 0,9496 0,9438 0,9375
6 0,9981 0,9977 0,9973 0,9968 0,9963 0,9956 0,9949 0,9941 0,9932 0,9922
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
(Continua)
444 Pesquisa de Marketing
n = 8
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,9227 0,8508 0,7837 0,7214 0,6634 0,6096 0,5596 0,5132 0,4703 0,4305
1 0,9973 0,9897 0,9777 0,9619 0,9428 0,9208 0,8965 0,8702 0,8423 0,8131
2 0,9999 0,9996 0,9987 0,9969 0,9942 0,9904 0,9853 0,9789 0,9711 0,9619
3 1,0000 1,0000 0,9999 0,9998 0,9996 0,9993 0,9987 0,9978 0,9966 0,9950
4 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9997 0,9996
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,3937 0,3596 0,3282 0,2992 0,2725 0,2479 0,2252 0,2044 0,1853 0,1678
1 0,7829 0,7520 0,7206 0,6889 0,6572 0,6256 0,5943 0,5634 0,5330 0,5033
2 0,9513 0,9392 0,9257 0,9109 0,8948 0,8774 0,8588 0,8392 0,8185 0,7969
3 0,9929 0,9903 0,9871 0,9832 0,9786 0,9733 0,9672 0,9603 0,9524 0,9437
4 0,9993 0,9990 0,9985 0,9979 0,9971 0,9962 0,9950 0,9935 0,9917 0,9896
5 1,0000 0,9999 0,9999 0,9998 0,9998 0,9997 0,9995 0,9993 0,9991 0,9988
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,1517 0,1370 0,1236 0,1113 0,1001 0,0899 0,0806 0,0722 0,0646 0,0576
1 0,4743 0,4462 0,4189 0,3925 0,3671 0,3427 0,3193 0,2969 0,2756 0,2553
2 0,7745 0,7514 0,7276 0,7033 0,6785 0,6535 0,6282 0,6027 0,5772 0,5518
3 0,9341 0,9235 0,9120 0,8996 0,8862 0,8719 0,8567 0,8406 0,8237 0,8059
4 0,9871 0,9842 0,9809 0,9770 0,9727 0,9678 0,9623 0,9562 0,9495 0,9420
5 0,9984 0,9979 0,9973 0,9966 0,9958 0,9948 0,9936 0,9922 0,9906 0,9887
6 0,9999 0,9998 0,9998 0,9997 0,9996 0,9995 0,9994 0,9992 0,9990 0,9987
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0514 0,0457 0,0406 0,0360 0,0319 0,0281 0,0248 0,0218 0,0192 0,0168
1 0,2360 0,2178 0,2006 0,1844 0,1691 0,1548 0,1414 0,1289 0,1172 0,1064
2 0,5264 0,5013 0,4764 0,4519 0,4278 0,4042 0,3811 0,3585 0,3366 0,3154
3 0,7874 0,7681 0,7481 0,7276 0,7064 0,6847 0,6626 0,6401 0,6172 0,5941
4 0,9339 0,9250 0,9154 0,9051 0,8939 0,8820 0,8693 0,8557 0,8414 0,8263
5 0,9866 0,9841 0,9813 0,9782 0,9747 0,9707 0,9664 0,9615 0,9561 0,9502
6 0,9984 0,9980 0,9976 0,9970 0,9964 0,9957 0,9949 0,9939 0,9928 0,9915
7 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997 0,9996 0,9996 0,9995 0,9993
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0147 0,0128 0,0111 0,0097 0,0084 0,0072 0,0062 0,0053 0,0046 0,0039
1 0,0963 0,0870 0,0784 0,0705 0,0632 0,0565 0,0504 0,0448 0,0398 0,0352
2 0,2948 0,2750 0,2560 0,2376 0,2201 0,2034 0,1875 0,1724 0,1581 0,1445
3 0,5708 0,5473 0,5238 0,5004 0,4770 0,4537 0,4306 0,4078 0,3854 0,3633
4 0,8105 0,7938 0,7765 0,7584 0,7396 0,7202 0,7001 0,6795 0,6584 0,6367
5 0,9437 0,9366 0,9289 0,9206 0,9115 0,9018 0,8914 0,8802 0,8682 0,8555
6 0,9900 0,9883 0,9864 0,9843 0,9819 0,9792 0,9761 0,9728 0,9690 0,9648
Tabelas estatísticas selecionadas 445
7 0,9992 0,9990 0,9988 0,9986 0,9983 0,9980 0,9976 0,9972 0,9967 0,9961
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 9
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,9135 0,8337 0,7602 0,6925 0,6302 0,5730 0,5204 0,4722 0,4279 0,3874
1 0,9966 0,9869 0,9718 0,9522 0,9288 0,9022 0,8729 0,8417 0,8088 0,7748
2 0,9999 0,9994 0,9980 0,9955 0,9916 0,9862 0,9791 0,9702 0,9595 0,9470
3 1,0000 1,0000 0,9999 0,9997 0,9994 0,9987 0,9977 0,9963 0,9943 0,9917
4 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9997 0,9995 0,9991
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,3504 0,3165 0,2855 0,2573 0,2316 0,2082 0,1869 0,1676 0,1501 0,1342
1 0,7401 0,7049 0,6696 0,6343 0,5995 0,5652 0,5315 0,4988 0,4670 0,4362
2 0,9327 0,9167 0,8991 0,8798 0,8591 0,8371 0,8139 0,7895 0,7643 0,7382
3 0,9883 0,9842 0,9791 0,9731 0,9661 0,9580 0,9488 0,9385 0,9270 0,9144
4 0,9986 0,9979 0,9970 0,9959 0,9944 0,9925 0,9902 0,9875 0,9842 0,9804
5 0,9999 0,9998 0,9997 0,9996 0,9994 0,9991 0,9987 0,9983 0,9977 0,9969
6 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9998 0,9997
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,1199 0,1069 0,0952 0,0846 0,0751 0,0665 0,0589 0,0520 0,0458 0,0404
1 0,4066 0,3782 0,3509 0,3250 0,3003 0,2770 0,2548 0,2340 0,2144 0,1960
2 0,7115 0,6842 0,6566 0,6287 0,6007 0,5727 0,5448 0,5171 0,4898 0,4628
3 0,9006 0,8856 0,8696 0,8525 0,8343 0,8151 0,7950 0,7740 0,7522 0,7297
4 0,9760 0,9709 0,9650 0,9584 0,9511 0,9429 0,9338 0,9238 0,9130 0,9012
5 0,9960 0,9949 0,9935 0,9919 0,9900 0,9878 0,9851 0,9821 0,9787 0,9747
6 0,9996 0,9994 0,9992 0,9990 0,9987 0,9983 0,9978 0,9972 0,9965 0,9957
7 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9997 0,9997 0,9996
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0355 0,0311 0,0272 0,0238 0,0207 0,0180 0,0156 0,0135 0,0117 0,0101
1 0,1788 0,1628 0,1478 0,1339 0,1211 0,1092 0,0983 0,0882 0,0790 0,0705
2 0,4364 0,4106 0,3854 0,3610 0,3373 0,3144 0,2924 0,2713 0,2511 0,2318
3 0,7065 0,6827 0,6585 0,6338 0,6089 0,5837 0,5584 0,5331 0,5078 0,4826
4 0,8885 0,8748 0,8602 0,8447 0,8283 0,8110 0,7928 0,7738 0,7540 0,7334
5 0,9702 0,9652 0,9596 0,9533 0,9464 0,9388 0,9304 0,9213 0,9114 0,9006
6 0,9947 0,9936 0,9922 0,9906 0,9888 0,9867 0,9843 0,9816 0,9785 0,9750
7 0,9994 0,9993 0,9991 0,9989 0,9986 0,9983 0,9979 0,9974 0,9969 0,9962
8 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0087 0,0074 0,0064 0,0054 0,0046 0,0039 0,0033 0,0028 0,0023 0,0020
1 0,0628 0,0558 0,0495 0,0437 0,0385 0,0338 0,0296 0,0259 0,0225 0,0195
2 0,2134 0,1961 0,1796 0,1641 0,1495 0,1358 0,1231 0,1111 0,1001 0,0898
(Continua)
446 Pesquisa de Marketing
3 0,4576 0,4330 0,4087 0,3848 0,3614 0,3386 0,3164 0,2948 0,2740 0,2539
4 0,7122 0,6903 0,6678 0,6449 0,6214 0,5976 0,5735 0,5491 0,5246 0,5000
5 0,8891 0,8767 0,8634 0,8492 0,8342 0,8183 0,8015 0,7839 0,7654 0,7461
6 0,9710 0,9666 0,9617 0,9563 0,9502 0,9436 0,9363 0,9283 0,9196 0,9102
7 0,9954 0,9945 0,9935 0,9923 0,9909 0,9893 0,9875 0,9855 0,9831 0,9805
8 0,9997 0,9996 0,9995 0,9994 0,9992 0,9991 0,9989 0,9986 0,9984 0,9980
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 10
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,9044 0,8171 0,7374 0,6648 0,5987 0,5386 0,4840 0,4344 0,3894 0,3487
1 0,9957 0,9838 0,9655 0,9418 0,9139 0,8824 0,8483 0,8121 0,7746 0,7361
2 0,9999 0,9991 0,9972 0,9938 0,9885 0,9812 0,9717 0,9599 0,9460 0,9298
3 1,0000 1,0000 0,9999 0,9996 0,9990 0,9980 0,9964 0,9942 0,9912 0,9872
4 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9997 0,9994 0,9990 0,9984
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,3118 0,2785 0,2484 0,2213 0,1969 0,1749 0,1552 0,1374 0,1216 0,1074
1 0,6972 0,6583 0,6196 0,5816 0,5443 0,5080 0,4730 0,4392 0,4068 0,3758
2 0,9116 0,8913 0,8692 0,8455 0,8202 0,7936 0,7659 0,7372 0,7078 0,6778
3 0,9822 0,9761 0,9687 0,9600 0,9500 0,9386 0,9259 0,9117 0,8961 0,8791
4 0,9975 0,9963 0,9947 0,9927 0,9901 0,9870 0,9832 0,9787 0,9734 0,9672
5 0,9997 0,9996 0,9994 0,9990 0,9986 0,9980 0,9973 0,9963 0,9951 0,9936
6 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9994 0,9991
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0947 0,0834 0,0733 0,0643 0,0563 0,0492 0,0430 0,0374 0,0326 0,0282
1 0,3464 0,3185 0,2921 0,2673 0,2440 0,2222 0,2019 0,1830 0,1655 0,1493
2 0,6474 0,6169 0,5883 0,5558 0,5256 0,4958 0,4665 0,4378 0,4099 0,3828
3 0,8609 0,8413 0,8206 0,7988 0,7759 0,7521 0,7274 0,7021 0,6761 0,6496
4 0,9601 0,9521 0,9431 0,9330 0,9219 0,9096 0,8963 0,8819 0,8663 0,8497
5 0,9918 0,9896 0,9870 0,9839 0,9803 0,9761 0,9713 0,9658 0,9596 0,9527
6 0,9988 0,9984 0,9979 0,9973 0,9965 0,9955 0,9944 0,9930 0,9913 0,9894
7 0,9999 0,9998 0,9998 0,9997 0,9996 0,9994 0,9993 0,9990 0,9988 0,9984
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0245 0,0211 0,0182 0,0157 0,0135 0,0115 0,0098 0,0084 0,0071 0,0060
1 0,1344 0,1206 0,1080 0,0965 0,0860 0,0764 0,0677 0,0598 0,0527 0,0464
2 0,3566 0,3313 0,3070 0,2838 0,2616 0,2405 0,2206 0,2017 0,1840 0,1673
3 0,6228 0,5956 0,5684 0,5411 0,5138 0,4868 0,4600 0,4336 0,4077 0,3823
4 0,8321 0,8133 0,7936 0,7730 0,7515 0,7292 0,7061 0,6823 0,6580 0,6331
5 0,9449 0,9363 0,9268 0,9164 0,9051 0,8928 0,8795 0,8652 0,8500 0,8338
6 0,9871 0,9845 0,9815 0,9780 0,9740 0,9695 0,9644 0,9587 0,9523 0,9452
Tabelas estatísticas selecionadas 447
7 0,9980 0,9975 0,9968 0,9961 0,9952 0,9941 0,9929 0,9914 0,9897 0,9877
8 0,9998 0,9997 0,9997 0,9996 0,9995 0,9993 0,9991 0,9989 0,9986 0,9983
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 11
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,8953 0,8007 0,7153 0,6382 0,5688 0,5063 0,4501 0,3996 0,3544 0,3138
1 0,9948 0,9805 0,9587 0,9308 0,8981 0,8618 0,8228 0,7819 0,7399 0,6974
2 0,9998 0,9988 0,9963 0,9917 0,9848 0,9752 0,9630 0,9481 0,9305 0,9104
3 1,0000 1,0000 0,9998 0,9993 0,9984 0,9970 0,9947 0,9915 0,9871 0,9815
4 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9995 0,9990 0,9983 0,9972
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9997
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,2775 0,2451 0,2161 0,1903 0,1673 0,1469 0,1288 0,1127 0,0985 0,0859
1 0,6548 0,6127 0,5714 0,5311 0,4922 0,4547 0,4189 0,3849 0,3526 0,3221
2 0,8880 0,8634 0,8368 0,8085 0,7788 0,7479 0,7161 0,6836 0,6506 0,6174
3 0,9744 0,9659 0,9558 0,9440 0,9306 0,9154 0,8987 0,8803 0,8603 0,8389
4 0,9958 0,9939 0,9913 0,9881 0,9841 0,9793 0,9734 0,9666 0,9587 0,9496
5 0,9995 0,9992 0,9988 0,9982 0,9973 0,9963 0,9949 0,9932 0,9910 0,9883
6 1,0000 0,9999 0,9999 0,9998 0,9997 0,9995 0,9993 0,9990 0,9986 0,9980
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9998
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0748 0,0650 0,0564 0,0489 0,0422 0,0364 0,0314 0,0270 0,0231 0,0198
1 0,2935 0,2667 0,2418 0,2186 0,1971 0,1773 0,1590 0,1423 0,1270 0,1130
2 0,5842 0,5512 0,5186 0,4866 0,4552 0,4247 0,3951 0,3665 0,3390 0,3127
3 0,8160 0,7919 0,7667 0,7404 0,7133 0,6854 0,6570 0,6281 0,5989 0,5696
4 0,9393 0,9277 0,9149 0,9008 0,8854 0,8687 0,8507 0,8315 0,812 0,7897
5 0,9852 0,9814 0,9769 0,9717 0,9657 0,9588 0,9510 0,9423 0,9326 0,9218
6 0,9973 0,9965 0,9954 0,9941 0,9924 0,9905 0,9881 0,9854 0,9821 0,9784
7 0,9997 0,9995 0,9993 0,9991 0,9988 0,9984 0,9979 0,9973 0,9966 0,9957
8 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997 0,9996 0,9994
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0169 0,0144 0,0122 0,0104 0,0088 0,0074 0,0062 0,0052 0,0044 0,0036
1 0,1003 0,0888 0,0784 0,0690 0,0606 0,0530 0,0463 0,0403 0,0350 0,0302
2 0,2877 0,2639 0,2413 0,2201 0,2001 0,1814 0,1640 0,1478 0,1328 0,1189
3 0,5402 0,5110 0,4821 0,4536 0,4256 0,3981 0,3714 0,3544 0,3204 0,2963
4 0,7672 0,7437 0,7193 0,6941 0,6683 0,6419 0,6150 0,5878 0,5603 0,5328
5 0,9099 0,8969 0,8829 0,8676 0,8513 0,8339 0,8153 0,7957 0,7751 0,7535
6 0,9740 0,9691 0,9634 0,9570 0,9499 0,9419 0,9330 0,9232 0,9124 0,9006
7 0,9946 0,9933 0,9918 0,9899 0,9878 0,9852 0,9823 0,9790 0,9751 0,9707
8 0,9992 0,9990 0,9987 0,9984 0,9980 0,9974 0,9968 0,9961 0,9952 0,9941
9 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997 0,9996 0,9995 0,9994 0,9993
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
(Continua)
448 Pesquisa de Marketing
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0116 0,0098 0,0082 0,0068 0,0057 0,0047 0,0039 0,0032 0,0027 0,0022
1 0,0744 0,0650 0,0565 0,0491 0,0424 0,0366 0,0315 0,0270 0,0230 0,0196
2 0,2296 0,2078 0,1876 0,1687 0,1513 0,1352 0,1205 0,1069 0,0946 0,0834
3 0,4619 0,4319 0,4027 0,3742 0,3467 0,3201 0,2947 0,2704 0,2472 0,2253
4 0,6998 0,6692 0,6410 0,6124 0,5833 0,5541 0,5249 0,4957 0,4668 0,4382
5 0,8657 0,8479 0,8289 0,8087 0,7873 0,7648 0,7412 0,7167 0,6913 0,6652
6 0,9542 0,9460 0,9368 0,9266 0,9154 0,9030 0,8894 0,8747 0,8589 0,8418
7 0,9882 0,9856 0,9824 0,9787 0,9745 0,9696 0,9641 0,9578 0,9507 0,9427
8 0,9978 0,9972 0,9964 0,9955 0,9944 0,9930 0,9915 0,9896 0,9873 0,9847
9 0,9997 0,9996 0,9995 0,9993 0,9992 0,9989 0,9986 0,9982 0,9978 0,9972
10 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0018 0,0014 0,0012 0,0010 0,0008 0,0006 0,0005 0,0004 0,0003 0,0002
1 0,0166 0,0140 0,0118 0,0099 0,0083 0,0069 0,0057 0,0047 0,0039 0,0032
2 0,0733 0,0642 0,0560 0,0487 0,0421 0,0363 0,0312 0,0267 0,0227 0,0193
3 0,2047 0,1853 0,1671 0,1502 0,1345 0,1199 0,1066 0,0943 0,0832 0,0730
4 0,4101 0,3825 0,3557 0,3296 0,3044 0,2802 0,2570 0,2348 0,2138 0,1938
5 0,6384 0,9111 0,5833 0,5552 0,5269 0,4986 0,4703 0,4423 0,4145 0,3872
6 0,8235 0,8041 0,7836 0,7620 0,7393 0,7157 0,6911 0,6657 0,6396 0,6128
7 0,9338 0,9240 0,9131 0,9012 0,8883 0,8742 0,8589 0,8425 0,8249 0,8062
8 0,9817 0,9782 0,9742 0,9696 0,9644 0,9585 0,9519 0,9445 0,9362 0,9270
9 0,9965 0,9957 0,9947 0,9935 0,9921 0,9905 0,9886 0,9863 0,9837 0,9807
10 0,9996 0,9995 0,9993 0,9991 0,9989 0,9986 0,9983 0,9979 0,9974 0,9968
11 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9999 0,9998 0,9998
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 13
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,8775 0,7690 0,6730 0,5882 0,5133 0,4474 0,3893 0,3383 0,2935 0,2542
1 0,9928 0,9730 0,9436 0,9068 0,8646 0,8186 0,7702 0,7206 0,6707 0,6213
2 0,9997 0,9980 0,9938 0,9865 0,9755 0,9608 0,9422 0,9201 0,8946 0,8661
3 1,0000 0,9999 0,9995 0,9986 0,9969 0,9940 0,9897 0,9837 0,9758 0,9658
4 1,0000 1,0000 1,0000 0,9999 0,9997 0,9993 0,9987 0,9976 0,9959 0,9935
5 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9997 0,9995 0,9991
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,2198 0,1898 0,1636 0,1408 0,1209 0,1037 0,0887 0,0758 0,0646 0,0550
1 0,5730 0,5262 0,4814 0,4386 0,3983 0,3604 0,3249 0,2920 0,2616 0,2336
2 0,8349 0,8015 0,7663 0,7296 0,6920 0,6537 0,6152 0,5769 0,5389 0,5017
3 0,9536 0,9391 0,9224 0,9033 0,8820 0,8586 0,8333 0,8061 0,7774 0,7473
4 0,9903 0,9861 0,9807 0,9740 0,9658 0,9562 0,9449 0,9319 0,9173 0,9009
5 0,9985 0,9976 0,9964 0,9947 0,9925 0,9896 0,9861 0,9817 0,9763 0,9700
6 0,9998 0,9997 0,9995 0,9992 0,9987 0,9981 0,9973 0,9962 0,9948 0,9930
(Continua)
450 Pesquisa de Marketing
7 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9996 0,9994 0,9991 0,9988
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0467 0,0396 0,0334 0,0282 0,0238 0,0200 0,0167 0,0140 0,0117 0,0097
1 0,2080 0,1846 0,1633 0,1441 0,1267 0,1111 0,0971 0,0846 0,0735 0,0637
2 0,4653 0,4301 0,3961 0,3636 0,3326 0,3032 0,2755 0,2495 0,2251 0,2025
3 0,7161 0,6839 0,6511 0,6178 0,5843 0,5507 0,5174 0,4845 0,4522 0,4206
4 0,8827 0,8629 0,8415 0,8184 0,7940 0,7681 0,7411 0,7130 0,6840 0,6543
5 0,9625 0,9538 0,9438 0,9325 0,9198 0,9056 0,8901 0,8730 0,8545 0,8346
6 0,9907 0,9880 0,9846 0,9805 0,9757 0,9701 0,9635 0,9560 0,9473 0,9376
7 0,9983 0,9976 0,9968 0,9957 0,9944 0,9927 0,9907 0,9882 0,9853 0,9818
8 0,9998 0,9996 0,9995 0,9993 0,9990 0,9987 0,9982 0,9976 0,9969 0,9960
9 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9995 0,9993
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0080 0,0066 0,0055 0,0045 0,0037 0,0030 0,0025 0,0020 0,0016 0,0013
1 0,0550 0,0473 0,0406 0,0347 0,0296 0,0251 0,0213 0,0179 0,0151 0,0126
2 0,1815 0,1621 0,1443 0,1280 0,1132 0,0997 0,0875 0,0765 0,0667 0,0579
3 0,3899 0,3602 0,3317 0,3043 0,2783 0,2536 0,2302 0,2083 0,1877 0,1686
4 0,6240 0,5933 0,5624 0,5314 0,5005 0,4699 0,4397 0,4101 0,3812 0,3530
5 0,8133 0,7907 0,7669 0,7419 0,7159 0,6889 0,6612 0,6327 0,6038 0,5744
6 0,9267 0,9146 0,9012 0,8865 0,8705 0,8532 0,8346 0,8147 0,7935 0,7712
7 0,9777 0,9729 0,9674 0,9610 0,9538 0,9456 0,9365 0,9262 0,9149 0,9023
8 0,9948 0,9935 0,9918 0,9898 0,9874 0,9846 0,9813 0,9775 0,9730 0,9679
9 0,9991 0,9988 0,9985 0,9980 0,9975 0,9968 0,9960 0,9949 0,9937 0,9922
10 0,9999 0,9999 0,9998 0,9997 0,9997 0,9995 0,9994 0,9992 0,9990 0,9987
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0010 0,0008 0,0007 0,0005 0,0004 0,0003 0,0003 0,0002 0,0002 0,0001
1 0,0105 0,0088 0,0072 0,0060 0,0049 0,0040 0,0033 0,0026 0,001 0,0017
2 0,0501 0,0431 0,0370 0,0316 0,0269 0,0228 0,0192 0,0162 0,0135 0,0112
3 0,1508 0,1344 0,1193 0,1055 0,0929 0,0815 0,0712 0,0619 0,0536 0,0461
4 0,3258 0,2997 0,2746 0,2507 0,2279 0,2065 0,1863 0,1674 0,1498 0,1334
5 0,5448 0,5151 0,4854 0,4559 0,4268 0,3981 0,3701 0,3427 0,3162 0,2905
6 0,7476 0,7230 0,6975 0,6710 0,6437 0,6158 0,5873 0,5585 0,5293 0,5000
7 0,8886 0,8736 0,8574 0,8400 0,8212 0,8012 0,7800 0,7576 0,7341 0,7095
8 0,9621 0,9554 0,9480 0,9395 0,9302 0,9197 0,9082 0,8955 0,8817 0,8666
9 0,9904 0,9883 0,9859 0,9830 0,9797 0,9758 0,9713 0,9662 0,9604 0,9539
10 0,9983 0,9979 0,9973 0,9967 0,9959 0,9949 0,9937 0,9923 0,9907 0,9888
11 0,9998 0,9998 0,9997 0,9996 0,9995 0,9993 0,9991 0,9989 0,9986 0,9983
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 14
Tabelas estatísticas selecionadas 451
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,8687 0,7536 0,6528 0,5647 0,4877 0,4205 0,3620 0,3112 0,2670 0,2288
1 0,9916 0,9690 0,9355 0,8941 0,8470 0,7963 0,7436 0,6900 0,6368 0,5846
2 0,9997 0,9975 0,9923 0,9833 0,9699 0,9522 0,9302 0,9042 0,8745 0,8416
3 1,0000 0,9999 0,9994 0,9981 0,9958 0,9920 0,9864 0,9786 0,9685 0,9559
4 1,0000 1,0000 1,0000 0,9998 0,9996 0,9990 0,9980 0,9965 0,9941 0,9908
5 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996 0,9992 0,9985
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,1956 0,1670 0,1423 0,1211 0,1028 0,0871 0,0736 0,0621 0,0523 0,0440
1 0,5342 0,4859 0,4401 0,3969 0,3567 0,3193 0,2848 0,2531 0,2242 0,1979
2 0,8061 0,7685 0,7292 0,6889 0,6479 0,6068 0,5659 0,5256 0,4862 0,4481
3 0,9406 0,9226 0,9021 0,8790 0,8535 0,8258 0,7962 0,7649 0,7321 0,6982
4 0,9863 0,9804 0,9731 0,9641 0,9533 0,9406 0,9259 0,9093 0,8907 0,8702
5 0,9976 0,9962 0,9943 0,9918 0,9885 0,9843 0,9791 0,9729 0,9651 0,9561
6 0,9997 0,9994 0,9991 0,9985 0,9978 0,9968 0,9954 0,9936 0,9913 0,9884
7 1,0000 0,9999 0,9999 0,9998 0,9997 0,9995 0,9992 0,9988 0,9983 0,9976
8 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9996
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0369 0,0309 0,0258 0,0214 0,0178 0,0148 0,0122 0,0101 0,0083 0,0068
1 0,1741 0,1527 0,1335 0,1163 0,1010 0,0874 0,0754 0,0648 0,0556 0,0475
2 0,4113 0,3761 0,3426 0,3109 0,2811 0,2533 0,2273 0,2033 0,1812 0,1608
3 0,6634 0,6281 0,5924 0,5568 0,5213 0,4864 0,4521 0,4187 0,3863 0,3552
4 0,8477 0,8235 0,7977 0,7703 0,7415 0,7116 0,6807 0,6490 0,6168 0,5842
5 0,9457 0,9338 0,9203 0,9051 0,8883 0,8699 0,8498 0,8282 0,8051 0,7805
6 0,9848 0,9804 0,9752 0,9690 0,9617 0,9533 0,9437 0,9327 0,9204 0,9067
7 0,9967 0,9955 0,9940 0,9921 0,9897 0,9868 0,9833 0,9792 0,9743 0,9685
8 0,9994 0,9992 0,9989 0,9984 0,9978 0,9971 0,9962 0,9950 0,9935 0,9917
9 0,9999 0,9999 0,9998 0,9998 0,9997 0,9995 0,9993 0,9991 0,9988 0,9983
10 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0055 0,0045 0,0037 0,0030 0,0024 0,0019 0,0016 0,0012 0,0010 0,0008
1 0,0404 0,0343 0,0290 0,0244 0,0205 0,0172 0,0143 0,0119 0,0098 0,0081
2 0,1423 0,1254 0,1101 0,0963 0,0839 0,0729 0,0630 0,0543 0,0466 0,0398
3 0,3253 0,2968 0,2699 0,2444 0,2205 0,1982 0,1774 0,1582 0,1405 0,1243
4 0,5514 0,5187 0,4862 0,4542 0,4227 0,3920 0,3622 0,3334 0,3057 0,2793
5 0,7546 0,7276 0,6994 0,6703 0,6405 0,6101 0,5792 0,5481 0,5169 0,4859
6 0,8916 0,8750 0,8569 0,8357 0,8164 0,7941 0,7704 0,7455 0,7195 0,6925
7 0,9619 0,9542 0,9455 0,9357 0,9247 0,9124 0,8988 0,8838 0,8675 0,8499
8 0,9895 0,9869 0,9837 0,9800 0,9757 0,9706 0,9647 0,9580 0,9503 0,9417
9 0,9978 0,9971 0,9963 0,9952 0,9940 0,9924 0,9905 0,9883 0,9856 0,9825
10 0,9997 0,9995 0,9994 0,9992 0,9989 0,9986 0,9981 0,9976 0,9969 0,9961
11 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9997 0,9997 0,9995 0,9994
(Continua)
452 Pesquisa de Marketing
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0006 0,0005 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001
1 0,0066 0,0054 0,0044 0,0036 0,0029 0,0023 0,0019 0,0015 0,0001 0,0009
2 0,0339 0,0287 0,0242 0,0203 0,0170 0,0142 0,0117 0,0097 0,0079 0,0065
3 0,1095 0,0961 0,0839 0,0730 0,0632 0,0545 0,0468 0,0399 0,0339 0,0287
4 0,2541 0,2303 0,2078 0,1868 0,1672 0,1490 0,1322 0,1167 0,1026 0,0898
5 0,4550 0,4246 0,3948 0,3656 0,3373 0,3100 0,2837 0,2585 0,2346 0,2120
6 0,6645 0,6357 0,6063 0,5764 0,5461 0,5157 0,4852 0,4549 0,4249 0,3953
7 0,8308 0,8104 0,7887 0,7656 0,7414 0,7160 0,6895 0,6620 0,6337 0,6047
8 0,9320 0,9211 0,9090 0,8957 0,8811 0,8652 0,8480 0,8293 0,8094 0,7880
9 0,9788 0,9745 0,9696 0,9639 0,9574 0,9500 0,9417 0,9323 0,9218 0,9102
10 0,9951 0,9939 0,9924 0,9907 0,9886 0,9861 0,9832 0,9798 0,9759 0,9713
11 0,9992 0,9990 0,9987 0,9983 0,9978 0,9973 0,9966 0,9958 0,9947 0,9935
12 0,9999 0,9999 0,9999 0,9998 0,9997 0,9997 0,9996 0,9994 0,9993 0,9991
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 15
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,8601 0,7386 0,6333 0,5421 0,4633 0,3953 0,3367 0,2863 0,2430 0,2059
1 0,9904 0,9647 0,9270 0,8809 0,8290 0,7738 0,7168 0,6597 0,6035 0,5490
2 0,9996 0,9970 0,9906 0,9797 0,9638 0,9429 0,9171 0,8870 0,8531 0,8159
3 1,0000 0,9998 0,9992 0,9998 0,9945 0,9896 0,9825 0,9727 0,9601 0,9444
4 1,0000 1,0000 0,9999 0,9998 0,9994 0,9986 0,9972 0,9950 0,9918 0,9873
5 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9997 0,9993 0,9987 0,9978
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9997
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,1741 0,1470 0,1238 0,1041 0,0874 0,0731 0,0611 0,0510 0,0424 0,0352
1 0,4969 0,4476 0,4013 0,3583 0,3186 0,2821 0,2489 0,2187 0,1915 0,1671
2 0,7762 0,7346 0,6916 0,6480 0,6042 0,5608 0,5181 0,4766 0,4365 0,3980
3 0,9258 0,9041 0,8796 0,8524 0,8227 0,7908 0,7571 0,7218 0,6854 0,6482
4 0,9813 0,9735 0,9639 0,9522 0,9383 0,9222 0,9039 0,8833 0,8606 0,8358
5 0,9963 0,9943 0,9916 0,9879 0,9832 0,9773 0,9700 0,9613 0,9510 0,9389
6 0,9994 0,9990 0,9985 0,9976 0,9964 0,9948 0,9926 0,9898 0,9863 0,9819
7 0,9999 0,9999 0,9998 0,9996 0,9994 0,9990 0,9986 0,9979 0,9970 0,9958
8 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9995 0,9992
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0291 0,0241 0,0198 0,0163 0,0134 0,0109 0,0089 0,0072 0,0059 0,0047
1 0,1453 0,1259 0,1087 0,0935 0,0802 0,0685 0,0583 0,0495 0,0419 0,0353
2 0,3615 0,3269 0,2945 0,2642 0,2361 0,2101 0,1863 0,1645 0,1447 0,1268
3 0,6105 0,5726 0,5350 0,4978 0,4613 0,4258 0,3914 0,3584 0,3268 0,2969
Tabelas estatísticas selecionadas 453
4 0,8090 0,7805 0,7505 0,7190 0,6865 0,6531 0,6190 0,5846 0,5500 0,5155
5 0,9252 0,9095 0,8921 0,8728 0,8516 0,8287 0,8042 0,7780 0,7505 0,7216
6 0,9766 0,9702 0,9626 0,9537 0,9434 0,9316 0,9183 0,9035 0,8870 0,8689
7 0,9942 0,9922 0,9896 0,9865 0,9827 0,9781 0,9726 0,9662 0,9587 0,9500
8 0,9989 0,9984 0,9977 0,9969 0,9958 0,9944 0,9927 0,9906 0,9879 0,9848
9 0,9998 0,9997 0,9996 0,9994 0,9992 0,9989 0,9985 0,9979 0,9972 0,9963
10 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997 0,9995 0,9993
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0038 0,0031 0,0025 0,0020 0,0016 0,0012 0,0010 0,0008 0,0006 0,0005
1 0,0296 0,0248 0,0206 0,0171 0,0142 0,0117 0,0096 0,0078 0,0064 0,0052
2 0,1107 0,0962 0,0833 0,0719 0,0617 0,0528 0,0450 0,0382 0,0322 0,0271
3 0,2686 0,2420 0,2171 0,1940 0,1727 0,1531 0,1351 0,1187 0,1039 0,0905
4 0,4813 0,4477 0,4148 0,3829 0,3519 0,3222 0,2938 0,2668 0,2413 0,2173
5 0,6916 0,6607 0,6291 0,5968 0,5643 0,5316 0,4989 0,4665 0,4346 0,4032
6 0,8491 0,8278 0,8049 0,7806 0,7548 0,7278 0,6997 0,6705 0,6405 0,6098
7 0,9401 0,9289 0,9163 0,9023 0,8868 0,8696 0,8513 0,8313 0,8098 0,7869
8 0,9810 0,9764 0,9711 0,9649 0,9578 0,9496 0,9403 0,9298 0,9180 0,9050
9 0,9952 0,9938 0,9921 0,9901 0,9876 0,9846 0,9810 0,9768 0,9719 0,9662
10 0,9991 0,9988 0,9984 0,9978 0,9972 0,9963 0,9953 0,9941 0,9925 0,9907
11 0,9999 0,9998 0,9997 0,9996 0,9995 0,9994 0,9991 0,9989 0,9985 0,9981
12 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0000 0,0000
1 0,0042 0,0034 0,0027 0,0021 0,0017 0,0013 0,0010 0,0008 0,0006 0,0005
2 0,0227 0,0189 0,0157 0,0130 0,0107 0,0087 0,0071 0,0057 0,0046 0,0037
3 0,0785 0,0678 0,0583 0,0498 0,0424 0,0359 0,0303 0,0254 0,0212 0,0176
4 0,1948 0,1739 0,1546 0,1367 0,1204 0,1055 0,0920 0,0799 0,0690 0,0592
5 0,3726 0,3430 0,3144 0,2869 0,2608 0,2359 0,2125 0,1905 0,1699 0,1509
6 0,5786 0,5470 0,5153 0,4836 0,4522 0,4211 0,3905 0,3606 0,3316 0,3036
7 0,7626 0,7370 0,7102 0,6824 0,6635 0,6238 0,5935 0,5626 0,5314 0,5000
8 0,8905 0,8746 0,8573 0,8385 0,8182 0,7966 0,7735 0,7490 0,7233 0,6964
9 0,9596 0,9521 0,9435 0,9339 0,9231 0,9110 0,8976 0,8829 0,8667 0,8491
10 0,9884 0,9857 0,9826 0,9789 0,9745 0,9695 0,9637 0,9570 0,9494 0,9408
11 0,9975 0,9968 0,9960 0,9949 0,9937 0,9921 0,9903 0,9881 0,9855 0,9824
12 0,9996 0,9995 0,9993 0,9991 0,9989 0,9986 0,9982 0,9977 0,9971 0,9963
13 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997 0,9996 0,9995
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 16
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,8515 0,7238 0,6143 0,5204 0,4401 0,3716 0,3131 0,2634 0,2211 0,1853
1 0,9891 0,9601 0,9182 0,8673 0,8108 0,7511 0,6902 0,6299 0,5711 0,5147
2 0,9995 0,9963 0,9887 0,9758 0,9571 0,9327 0,9031 0,8688 0,8306 0,7892
3 1,0000 0,9998 0,9989 0,9968 0,9930 0,9868 0,9779 0,9658 0,9504 0,9316
(Continua)
454 Pesquisa de Marketing
4 1,0000 1,0000 0,9999 0,9997 0,9991 0,9981 0,9962 0,9932 0,9889 0,9830
5 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9995 0,9990 0,9981 0,9967
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9997 0,9995
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,1550 0,1293 0,1077 0,0895 0,0743 0,0614 0,0507 0,0418 0,0343 0,0281
1 0,4614 0,4115 0,3653 0,3227 0,2839 0,2487 0,2170 0,1885 0,1632 0,1407
2 0,7455 0,7001 0,6539 0,6074 0,5614 0,5162 0,4723 0,4302 0,3899 0,3518
3 0,9093 0,8838 0,8552 0,8237 0,7899 0,7540 0,7164 0,6777 0,6381 0,5981
4 0,9752 0,9652 0,9529 0,9382 0,9209 0,9012 0,8789 0,8542 0,8273 0,7982
5 0,9947 0,9918 0,9880 0,9829 0,9765 0,9685 0,9588 0,9473 0,9338 0,9183
6 0,9991 0,9985 0,9976 0,9962 0,9944 0,9920 0,9888 0,9847 0,9796 0,9733
7 0,9999 0,9998 0,9996 0,9993 0,9989 0,9984 0,9976 0,9964 0,9949 0,9930
8 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9996 0,9993 0,9990 0,9985
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0230 0,0188 0,0153 0,0124 0,0100 0,0081 0,0065 0,0052 0,0042 0,0033
1 0,1209 0,1035 0,0883 0,0750 0,0635 0,0535 0,0450 0,0377 0,0314 0,0261
2 0,3161 0,2827 0,2517 0,2232 0,1971 0,1733 0,1518 0,1323 0,1149 0,0994
3 0,5582 0,5186 0,4797 0,4417 0,4050 0,3697 0,3360 0,3041 0,2740 0,2459
4 0,7673 0,7348 0,7009 0,6659 0,6302 0,5940 0,5575 0,5212 0,4853 0,4499
5 0,9008 0,8812 0,8595 0,8359 0,8103 0,7831 0,7542 0,7239 0,6923 0,6598
6 0,9658 0,9568 0,9464 0,9342 0,9204 0,9049 0,8875 0,8683 0,8474 0,8247
7 0,9905 0,9873 0,9834 0,9786 0,9729 0,9660 0,9580 0,9486 0,9379 0,9256
8 0,9979 0,9970 0,9959 0,9944 0,9925 0,9902 0,9873 0,9837 0,9794 0,9743
9 0,9996 0,9994 0,9992 0,9988 0,9984 0,9977 0,9969 0,9959 0,9945 0,9929
10 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9994 0,9992 0,9989 0,9984
11 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9997
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0026 0,0021 0,0016 0,0013 0,0010 0,0008 0,0006 0,0005 0,0004 0,0003
1 0,0216 0,0178 0,0146 0,0120 0,0098 0,0098 0,0064 0,0052 0,0041 0,0033
2 0,0856 0,0734 0,0626 0,0533 0,0451 0,0380 0,0319 0,0266 0,0222 0,0183
3 0,2196 0,1953 0,1730 0,1525 0,1339 0,1170 0,1018 0,0881 0,0759 0,0651
4 0,4154 0,3819 0,3496 0,3187 0,2892 0,2613 0,2351 0,2105 0,1877 0,1666
5 0,6264 0,5926 0,5584 0,5241 0,4900 0,4562 0,4230 0,3906 0,3592 0,3288
6 0,8003 0,7743 0,7469 0,7181 0,6881 0,6572 0,6254 0,5930 0,5602 0,5272
7 0,9119 0,8965 0,8795 0,8609 0,8406 0,8187 0,7952 0,7702 0,7438 0,7161
8 0,9683 0,9612 0,9530 0,9436 0,9329 0,9209 0,9074 0,8924 0,8758 0,8577
9 0,9908 0,9883 0,9852 0,9815 0,9771 0,9720 0,9659 0,9589 0,9509 0,9417
10 0,9979 0,9972 0,9963 0,9952 0,9938 0,9921 0,9900 0,9875 0,9845 0,9809
11 0,9996 0,9995 0,9993 0,9990 0,9987 0,9983 0,9977 0,9970 0,9962 0,9951
12 1,0000 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9995 0,9993 0,9991
Tabelas estatísticas selecionadas 455
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0000 0,0000 0,0000 0,0000
1 0,0026 0,0021 0,0016 0,0013 0,0010 0,0008 0,0006 0,0005 0,0003 0,0003
2 0,0151 0,0124 0,0101 0,0082 0,0066 0,0053 0,0042 0,0034 0,0027 0,0021
3 0,0556 0,0473 0,0400 0,0336 0,0281 0,0234 0,0194 0,0160 0,0131 0,0106
4 0,1471 0,1293 0,1131 0,0985 0,0853 0,0735 0,0630 0,0537 0,0456 0,0384
5 0,2997 0,2720 0,2457 0,2208 0,1976 0,1759 0,1559 0,1374 0,1205 0,1051
6 0,4942 0,4613 0,4289 0,3971 0,3660 0,3359 0,3068 0,2790 0,2524 0,2272
7 0,6872 0,6572 0,6264 0,5949 0,5629 0,5306 0,4981 0,4657 0,4335 0,4018
8 0,8381 0,8168 0,7940 0,7698 0,7441 0,7171 0,6889 0,6596 0,6293 0,5982
9 0,9313 0,9195 0,9064 0,8919 0,8759 0,8584 0,8393 0,8186 0,7964 0,7728
10 0,9766 0,9716 0,9658 0,9591 0,9514 0,9426 0,9326 0,9214 0,9089 0,8949
11 0,9938 0,9922 0,9902 0,9879 0,9851 0,9817 0,9778 0,9732 0,9678 0,9616
12 0,9988 0,9984 0,9979 0,9973 0,9965 0,9956 0,9945 0,9931 0,9914 0,9894
13 0,9998 0,9998 0,9997 0,9996 0,9994 0,9993 0,9990 0,9987 0,9984 0,9979
14 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9997
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 17
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,8429 0,7093 0,5958 0,4996 0,4181 0,3493 0,2912 0,2423 0,2012 0,1668
1 0,9877 0,9554 0,9091 0,8535 0,7922 0,7283 0,6638 0,6005 0,5396 0,4818
2 0,9994 0,9956 0,9866 0,9714 0,9497 0,9218 0,8882 0,8497 0,8073 0,7618
3 1,0000 0,9997 0,9986 0,9960 0,9912 0,9836 0,9727 0,9581 0,9397 0,9174
4 1,0000 1,0000 0,9999 0,9996 0,9988 0,9974 0,9949 0,9911 0,9855 0,9779
5 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9993 0,9985 0,9973 0,9953
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996 0,9992
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,1379 0,1138 0,0937 0,0770 0,0631 0,0516 0,0421 0,0343 0,0278 0,0225
1 0,4277 0,9777 0,3318 0,2901 0,2525 0,2187 0,1887 0,1621 0,1387 0,1182
2 0,7142 0,6655 0,6164 0,5676 0,5198 0,4734 0,4289 0,3867 0,3468 0,3096
3 0,8913 0,8617 0,8290 0,7935 0,7556 0,7159 0,6749 0,6331 0,5909 0,5489
4 0,9679 0,9554 0,9402 0,9222 0,9013 0,8776 0,8513 0,8225 0,7913 0,7582
5 0,9925 0,9886 0,9834 0,9766 0,9681 0,9577 0,9452 0,9305 0,9136 0,8943
6 0,9986 0,9977 0,9963 0,9944 0,9917 0,9882 0,9837 0,9780 0,9709 0,9623
7 0,9998 0,9996 0,9993 0,9989 0,9983 0,9973 0,9961 0,9943 0,9920 0,9891
8 1,0000 0,9999 0,9999 0,9998 0,9997 0,9995 0,9992 0,9988 0,9982 0,9974
9 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9995
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0182 0,0146 0,0118 0,0094 0,0075 0,0060 0,0047 0,0038 0,0030 0,0023
1 0,1004 0,0849 0,0715 0,0600 0,0501 0,0417 0,0346 0,0286 0,0235 0,0193
(Continua)
456 Pesquisa de Marketing
2 0,2751 0,2433 0,2141 0,1877 0,1637 0,1422 0,1229 0,1058 0,0907 0,0774
3 0,5073 0,4667 0,4272 0,3893 0,3530 0,3186 0,2863 0,2560 0,2279 0,2019
4 0,7234 0,6872 0,6500 0,6121 0,5739 0,5357 0,4977 0,4604 0,4240 0,3887
5 0,8727 0,8490 0,8230 0,7951 0,7653 0,7339 0,7011 0,6671 0,6323 0,5968
6 0,9521 0,9402 0,9264 0,9106 0,8929 0,8732 0,8515 0,8279 0,8024 0,7752
7 0,9853 0,9806 0,9749 0,9680 0,9598 0,9501 0,9389 0,9261 0,9116 0,8954
8 0,9963 0,9949 0,9930 0,9906 0,9876 0,9839 0,9794 0,9739 0,9674 0,9597
9 0,9993 0,9989 0,9984 0,9978 0,9969 0,9958 0,9943 0,9925 0,9902 0,9873
10 0,9999 0,9998 0,9997 0,9996 0,9994 0,9991 0,9987 0,9982 0,9976 0,9968
11 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9998 0,9997 0,9995 0,9993
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0018 0,0014 0,0011 0,0009 0,0007 0,0005 0,0004 0,0003 0,0002 0,0002
1 0,0157 0,0128 0,0104 0,0083 0,0067 0,0054 0,0043 0,0034 0,0027 0,0021
2 0,0657 0,0556 0,0468 0,0392 0,0327 0,0272 0,0225 0,0185 0,0151 0,0123
3 0,1781 0,1563 0,1366 0,1188 0,1028 0,0885 0,0759 0,0648 0,0550 0,0464
4 0,3547 0,3222 0,2913 0,2622 0,2348 0,2094 0,1858 0,1640 0,1441 0,1260
5 0,5610 0,5251 0,4895 0,4542 0,4197 0,3861 0,3535 0,3222 0,2923 0,2639
6 0,7464 0,7162 0,6847 0,6521 0,6188 0,5848 0,5505 0,5161 0,4818 0,4478
7 0,8773 0,8574 0,8358 0,8123 0,7872 0,7605 0,7324 0,7029 0,6722 0,6405
8 0,9508 0,9405 0,9288 0,9155 0,9006 0,8841 0,8659 0,8459 0,8243 0,8011
9 0,9838 0,9796 0,9746 0,9686 0,9617 0,9536 0,9443 0,9336 0,9216 0,9081
10 0,9957 0,9943 0,9926 0,9905 0,9880 0,9849 0,9811 0,9766 0,9714 0,9652
11 0,9991 0,9987 0,9983 0,9977 0,9970 0,9960 0,9949 0,9934 0,9916 0,9894
12 0,9998 0,9998 0,9997 0,9996 0,9994 0,9992 0,9989 0,9985 0,9981 0,9975
13 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997 0,9995
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0001 0,0001 0,0001 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,0016 0,0013 0,0010 0,0008 0,0006 0,0004 0,0003 0,0002 0,0002 0,0001
2 0,0100 0,0080 0,0065 0,0052 0,0041 0,0032 0,0025 0,0020 0,0015 0,0012
3 0,0390 0,0326 0,0271 0,0224 0,0184 0,0151 0,0123 0,0099 0,0080 0,0064
4 0,1096 0,0949 0,0817 0,0699 0,0596 0,0505 0,0425 0,0356 0,0296 0,0245
5 0,2372 0,2121 0,1887 0,1670 0,1471 0,1288 0,1122 0,0972 0,0838 0,0717
6 0,4144 0,3818 0,3501 0,3195 0,2902 0,2623 0,2359 0,2110 0,1878 0,1662
7 0,6080 0,5750 0,5415 0,5079 0,4743 0,4410 0,4082 0,3761 0,3448 0,3145
8 0,7762 0,7498 0,7220 0,6928 0,6626 0,6313 0,5992 0,5665 0,5333 0,5000
9 0,8930 0,8764 0,8581 0,8382 0,8166 0,7934 0,7686 0,7423 0,7145 0,6855
10 0,9580 0,9497 0,9403 0,9295 0,9174 0,9038 0,8888 0,8721 0,8538 0,8338
11 0,9867 0,9835 0,9797 0,9752 0,9699 0,9637 0,9566 0,9483 0,9389 0,9283
12 0,9967 0,9958 0,9946 0,9931 0,9914 0,9892 0,9866 0,9835 0,9798 0,9755
13 0,9994 0,9992 0,9989 0,9986 0,9981 0,9976 0,9969 0,9960 0,9950 0,9936
14 0,9999 0,9999 0,9998 0,9998 0,9997 0,9996 0,9995 0,9993 0,9991 0,9988
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Tabelas estatísticas selecionadas 457
n = 18
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,8345 0,6951 0,5780 0,4796 0,3972 0,3283 0,2708 0,2229 0,1831 0,1501
1 0,9862 0,9505 0,8997 0,8393 0,7735 0,7055 0,6378 0,5719 0,5091 0,4503
2 0,9993 0,9948 0,9843 0,9667 0,9419 0,9102 0,8725 0,8298 0,7832 0,7338
3 1,0000 0,9996 0,9982 0,9950 0,9891 0,9799 0,9667 0,9494 0,9277 0,9018
4 1,0000 1,0000 0,9998 0,9994 0,9985 0,9966 0,9933 0,9884 0,9814 0,9718
5 1,0000 1,0000 1,0000 0,9999 0,9998 0,9995 0,9990 0,9979 0,9962 0,9936
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9994 0,9988
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,1227 0,1002 0,0815 0,0662 0,0536 0,0434 0,0349 0,0281 0,0225 0,0180
1 0,3958 0,3460 0,3008 0,2602 0,2241 0,1920 0,1638 0,1391 0,1176 0,0991
2 0,6827 0,6310 0,5794 0,5287 0,4797 0,4327 0,3881 0,3462 0,3073 0,2713
3 0,8718 0,8382 0,8014 0,7618 0,7202 0,6771 0,6331 0,5888 0,5446 0,5010
4 0,9595 0,9442 0,9257 0,9041 0,8794 0,8518 0,8213 0,7884 0,7533 0,7164
5 0,9898 0,9846 0,9778 0,9690 0,9581 0,9449 0,9292 0,9111 0,8903 0,8671
6 0,9979 0,9966 0,9946 0,9919 0,9882 0,9833 0,9771 0,9694 0,9600 0,9487
7 0,9997 0,9994 0,9989 0,9983 0,9973 0,9959 0,9940 0,9914 0,9880 0,9837
8 1,0000 0,9999 0,9998 0,9997 0,9995 0,9992 0,9987 0,9980 0,9971 0,9957
9 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9996 0,9994 0,9991
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0144 0,0114 0,0091 0,0072 0,0056 0,0044 0,0035 0,0027 0,0021 0,0016
1 0,0831 0,0694 0,0577 0,0478 0,0395 0,0324 0,0265 0,0216 0,0176 0,0142
2 0,2384 0,2084 0,1813 0,1570 0,1353 0,1161 0,0991 0,0842 0,0712 0,0600
3 0,4586 0,4175 0,3782 0,3409 0,3057 0,2728 0,2422 0,2140 0,1881 0,1646
4 0,6780 0,6387 0,5988 0,5586 0,5187 0,4792 0,4406 0,4032 0,3671 0,3327
5 0,8414 0,8134 0,7832 0,7512 0,7174 0,6824 0,6462 0,6093 0,5719 0,5344
6 0,9355 0,9201 0,9026 0,8829 0,8610 0,8370 0,8109 0,7829 0,7531 0,7217
7 0,9783 0,9717 0,9637 0,9542 0,9431 0,9301 0,9153 0,8986 0,8800 0,8593
8 0,9940 0,9917 0,9888 0,9852 0,9807 0,9751 0,9684 0,9605 0,9512 0,9404
9 0,9986 0,9980 0,9972 0,9961 0,9946 0,9927 0,9903 0,9873 0,9836 0,9790
10 0,9997 0,9996 0,9994 0,9991 0,9988 0,9982 0,9975 0,9966 0,9954 0,9939
11 1,0000 0,9999 0,9999 0,9998 0,9998 0,9997 0,9995 0,9993 0,9990 0,9986
12 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9997
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0013 0,0010 0,0007 0,0006 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001
1 0,0114 0,0092 0,0073 0,0058 0,0046 0,0036 0,0028 0,0022 0,0017 0,0013
2 0,0502 0,0419 0,0348 0,0287 0,0236 0,0193 0,0157 0,0127 0,0103 0,0082
3 0,1432 0,1241 0,1069 0,0917 0,0783 0,0665 0,0561 0,0472 0,0394 0,0328
4 0,2999 0,2691 0,2402 0,2134 0,1886 0,1659 0,1451 0,1263 0,1093 0,0942
5 0,4971 0,4602 0,4241 0,3889 0,3550 0,3224 0,2914 0,2621 0,2345 0,2088
6 0,6889 0,6550 0,6202 0,5849 0,5491 0,5133 0,4776 0,4424 0,4079 0,3743
(Continua)
458 Pesquisa de Marketing
7 0,8367 0,8122 0,7859 0,7579 0,7283 0,6973 0,6651 0,6319 0,5979 0,5834
8 0,9280 0,9139 0,8981 0,8804 0,8609 0,8396 0,8165 0,7916 0,7650 0,7386
9 0,9736 0,9671 0,9595 0,9506 0,9403 0,9286 0,9153 0,9003 0,8837 0,8653
10 0,9920 0,9896 0,9867 0,9831 0,9788 0,9736 0,9675 0,9603 0,9520 0,9424
11 0,9980 0,9973 0,9964 0,9953 0,9938 0,9920 0,9898 0,9870 0,9837 0,9797
12 0,9996 0,9995 0,9992 0,9989 0,9986 0,9981 0,9974 0,9966 0,9956 0,9942
13 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9995 0,9993 0,9990 0,9987
14 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0001 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,0010 0,0008 0,0006 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001
2 0,0066 0,0052 0,0041 0,0032 0,0025 0,0019 0,0015 0,0011 0,0009 0,0007
3 0,0271 0,0223 0,0182 0,0148 0,0120 0,0096 0,0077 0,0061 0,0048 0,0038
4 0,0807 0,0687 0,0582 0,0490 0,0411 0,0342 0,0283 0,0233 0,0190 0,0145
5 0,1849 0,1628 0,1427 0,1243 0,1077 0,0928 0,0795 0,0676 0,0572 0,0481
6 0,3418 0,3105 0,2807 0,2524 0,2258 0,2009 0,1778 0,1564 0,1368 0,1189
7 0,5287 0,4938 0,4592 0,4250 0,3915 0,3588 0,3272 0,2968 0,2678 0,2403
8 0,7072 0,6764 0,6444 0,6115 0,5778 0,5438 0,5094 0,4751 0,4409 0,4073
9 0,8451 0,8232 0,7996 0,7742 0,7473 0,7188 0,6890 0,6579 0,6258 0,5927
10 0,9314 0,9189 0,9049 0,8893 0,8720 0,8530 0,8323 0,8098 0,7856 0,7597
11 0,9750 0,9693 0,9628 0,9551 0,9463 0,9362 0,9247 0,9117 0,8972 0,8811
12 0,9926 0,9906 0,9882 0,9853 0,9817 0,9775 0,9725 0,9666 0,9598 0,9519
13 0,9983 0,9978 0,9971 0,9962 0,9951 0,9937 0,9921 0,9900 0,9875 0,9846
14 0,9997 0,9996 0,9994 0,9993 0,9990 0,9987 0,9983 0,9977 0,9971 0,9962
15 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9995 0,9993
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 19
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,8262 0,6812 0,5606 0,4604 0,3774 0,3086 0,2519 0,2051 0,1666 0,1351
1 0,9847 0,9454 0,8900 0,8249 0,7547 0,6829 0,6121 0,5440 0,4798 0,4203
2 0,9991 0,9939 0,9817 0,9616 0,9335 0,8979 0,8561 0,8092 0,7585 0,7054
3 1,0000 0,9995 0,9978 0,9939 0,9868 0,9757 0,9602 0,9398 0,9147 0,8850
4 1,0000 1,0000 0,9998 0,9993 0,9980 0,9956 0,9915 0,9853 0,9765 0,9648
5 1,0000 1,0000 1,0000 0,9999 0,9998 0,9994 0,9986 0,9971 0,9949 0,9914
6 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996 0,9991 0,9983
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9997
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,1092 0,0881 0,0709 0,0569 0,0456 0,0364 0,0290 0,0230 0,0182 0,0144
1 0,3658 0,3165 0,2723 0,2331 0,1985 0,1682 0,1419 0,1191 0,0996 0,0829
2 0,6512 0,5968 0,5432 0,4911 0,4413 0,3941 0,3500 0,3090 0,2713 0,2369
3 0,8510 0,8133 0,7725 0,7292 0,6841 0,6380 0,5451 0,5451 0,4995 0,4551
4 0,9498 0,9315 0,9096 0,8842 0,8556 0,8238 0,7524 0,7524 0,7136 0,6733
5 0,9865 0,9789 0,9710 0,9589 0,9463 0,9300 0,9109 0,8890 0,8643 0,8369
Tabelas estatísticas selecionadas 459
6 0,9970 0,9952 0,9924 0,9887 0,9837 0,9772 0,9690 0,9589 0,9468 0,9324
7 0,9995 0,9991 0,9984 0,9974 0,9959 0,9939 0,9911 0,9874 0,9827 0,9767
8 0,9999 0,9998 0,9997 0,9995 0,9992 0,9986 0,9979 0,9968 0,9953 0,9933
9 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9996 0,9993 0,9990 0,9984
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0113 0,0089 0,0070 0,0054 0,0042 0,0033 0,0025 0,0019 0,0015 0,0011
1 0,0687 0,0566 0,0465 0,0381 0,0310 0,0251 0,0203 0,0163 0,0131 0,0104
2 0,2058 0,1778 0,1529 0,1308 0,1113 0,0943 0,0795 0,0667 0,0557 0,0462
3 0,4123 0,3715 0,3329 0,2968 0,2631 0,2320 0,2035 0,1776 0,1542 0,1332
4 0,6319 0,5900 0,5480 0,5064 0,4654 0,4256 0,3871 0,3502 0,3152 0,2822
5 0,8071 0,7749 0,7408 0,7050 0,6677 0,6295 0,5907 0,5516 0,5125 0,4739
6 0,9157 0,8966 0,8751 0,8513 0,8251 0,7986 0,7664 0,7343 0,7005 0,6655
7 0,9693 0,9604 0,9497 0,9371 0,9225 0,9059 0,8871 0,8662 0,8432 0,8180
8 0,9907 0,9873 0,9831 0,9778 0,9713 0,9634 0,9541 0,9432 0,9306 0,9161
9 0,9977 0,9966 0,9953 0,9934 0,9911 0,9881 0,9844 0,9798 0,9742 0,9674
10 0,9995 0,9993 0,9989 0,9984 0,9977 0,9968 0,9956 0,9940 0,9920 0,9895
11 0,9999 0,9999 0,9998 0,9997 0,9995 0,9993 0,9990 0,9985 0,9980 0,9972
12 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9994
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0009 0,0007 0,0005 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001
1 0,0083 0,0065 0,0051 0,0040 0,0031 0,0024 0,0019 0,0014 0,0011 0,0008
2 0,0382 0,0314 0,0257 0,0209 0,0170 0,0137 0,0110 0,0087 0,0069 0,0055
3 0,1144 0,0978 0,0831 0,0703 0,0591 0,0495 0,0412 0,0341 0,0281 0,0230
4 0,2514 0,2227 0,1963 0,1720 0,1500 0,1301 0,1122 0,0962 0,0821 0,0696
5 0,4359 0,3990 0,3634 0,3293 0,2968 0,2661 0,2373 0,2105 0,1857 0,1629
6 0,6294 0,5927 0,5555 0,5182 0,4812 0,4446 0,4087 0,3739 0,3403 0,3081
7 0,7909 0,7619 0,7312 0,6990 0,6656 0,6310 0,5957 0,5599 0,5238 0,4878
8 0,8997 0,8814 0,8611 0,8388 0,8145 0,7884 0,7605 0,7309 0,6998 0,6675
9 0,9595 0,9501 0,9392 0,9267 0,9125 0,8965 0,8787 0,8590 0,8374 0,8139
10 0,9863 0,9824 0,9777 0,9720 0,9653 0,9574 0,9482 0,9375 0,9253 0,9115
11 0,9962 0,9949 0,9932 0,9911 0,9886 0,9854 0,9815 0,9769 0,9713 0,9648
12 0,9991 0,9988 0,9983 0,9977 0,9969 0,9959 0,9946 0,9930 0,9909 0,9884
13 0,9998 0,9998 0,9997 0,9995 0,9993 0,9991 0,9987 0,9983 0,9977 0,9969
14 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997 0,9995 0,9994
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,0006 0,0005 0,0004 0,0003 0,0002 0,0001 0,0001 0,0001 0,0001 0,0000
2 0,0043 0,0033 0,0026 0,0020 0,0015 0,0012 0,0009 0,0007 0,0005 0,0004
3 0,0187 0,0151 0,0122 0,0097 0,0077 0,0061 0,0048 0,0037 0,0029 0,0022
4 0,0587 0,0492 0,0410 0,0340 0,0280 0,0229 0,0186 0,0150 0,0121 0,0096
5 0,1421 0,1233 0,1063 0,0912 0,0777 0,0658 0,0554 0,0463 0,0385 0,0318
6 0,2774 0,2485 0,2213 0,1961 0,1727 0,1512 0,1316 0,1138 0,0978 0,0835
(Continua)
460 Pesquisa de Marketing
7 0,4520 0,4168 0,3824 0,3491 0,3169 0,2862 0,2570 0,2294 0,2036 0,1796
8 0,6340 0,5997 0,5647 0,5294 0,4940 0,4587 0,4238 0,3895 0,3561 0,3238
9 0,7886 0,7615 0,7328 0,7026 0,6710 0,6383 0,6046 0,5701 0,5352 0,5000
10 0,8960 0,8787 0,8596 0,8387 0,8159 0,7913 0,7649 0,7369 0,7073 0,6762
11 0,9571 0,9482 0,9379 0,9262 0,9129 0,8979 0,8813 0,8628 0,8425 0,8204
12 0,9854 0,9817 0,9773 0,9720 0,9658 0,9585 0,9500 0,9403 0,9291 0,9165
13 0,9960 0,9948 0,9933 0,9914 0,9891 0,9853 0,9829 0,9788 0,9924 0,9682
14 0,9991 0,9988 0,9984 0,9979 0,9972 0,9964 0,9954 0,9940 0,9924 0,9904
15 0,9999 0,9998 0,9997 0,9996 0,9995 0,9993 0,9990 0,9987 0,9983 0,9978
16 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 20
p
x 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10
0 0,8179 0,6676 0,5438 0,4420 0,3585 0,2901 0,2342 0,1887 0,1516 0,1216
1 0,9831 0,9401 0,8802 0,8103 0,7358 0,6605 0,5869 0,5169 0,4516 0,3917
2 0,9990 0,9929 0,9790 0,9561 0,9245 0,8850 0,8390 0,7879 0,7334 0,6769
3 1,0000 0,9994 0,9973 0,9926 0,9841 0,9710 0,9529 0,9294 0,9007 0,8670
4 1,0000 1,0000 0,9997 0,9990 0,9974 0,9944 0,9893 0,9817 0,9710 0,9568
5 1,0000 1,0000 1,0000 0,9999 0,9997 0,9991 0,9981 0,9962 0,9932 0,9887
6 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9994 0,9987 0,9976
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20
0 0,0972 0,0776 0,0617 0,0490 0,0388 0,0306 0,0241 0,0189 0,0148 0,0115
1 0,3376 0,2891 0,2461 0,2084 0,1756 0,1471 0,1227 0,1018 0,0841 0,0692
2 0,6198 0,5631 0,5080 0,4550 0,4049 0,3580 0,3146 0,2748 0,2386 0,2061
3 0,8290 0,7873 0,7427 0,6959 0,6477 0,5990 0,5504 0,5026 0,4561 0,4114
4 0,9390 0,9173 0,8917 0,8625 0,8298 0,7941 0,7557 0,7151 0,6729 0,6296
5 0,9825 0,9740 0,9630 0,9493 0,9327 0,9130 0,8902 0,8644 0,8357 0,8042
6 0,9959 0,9933 0,9897 0,9847 0,9781 0,9696 0,9591 0,9463 0,9311 0,9133
7 0,9992 0,9986 0,9976 0,9962 0,9941 0,9912 0,9873 0,9823 0,9759 0,9679
8 0,9999 0,9998 0,9995 0,9992 0,9987 0,9979 0,9967 0,9951 0,9929 0,9900
9 1,0000 1,0000 0,9999 0,9999 0,9998 0,9996 0,9993 0,9989 0,9983 0,9974
10 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9996 0,9994
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30
0 0,0090 0,0069 0,0054 0,0041 0,0032 0,0024 0,0018 0,0014 0,0011 0,0008
1 0,0566 0,0461 0,0374 0,0302 0,0243 0,0195 0,0155 0,0123 0,0097 0,0076
2 0,1770 0,1512 0,1284 0,1085 0,0913 0,0763 0,0635 0,0526 0,0433 0,0355
3 0,3690 0,3289 0,2915 0,2569 0,2252 0,1962 0,1700 0,1466 0,1256 0,1071
4 0,5858 0,5420 0,4986 0,4561 0,4148 0,3752 0,3375 0,3019 0,2685 0,2375
5 0,7703 0,7343 0,6965 0,6573 0,6172 0,5765 0,5357 0,4952 0,4553 0,4164
6 0,8929 0,8699 0,8442 0,8162 0,7858 0,7533 0,7190 0,6831 0,6460 0,6080
7 0,9581 0,9464 0,9325 0,9165 0,8982 0,8775 0,8545 0,8293 0,8018 0,7723
Tabelas estatísticas selecionadas 461
8 0,9962 0,9814 0,9754 0,9680 0,9591 0,9485 0,9360 0,9216 0,9052 0,8867
9 0,9962 0,9946 0,9925 0,9897 0,9861 0,9817 0,9762 0,9695 0,9615 0,9520
10 0,9991 0,9987 0,9981 0,9972 0,9961 0,9945 0,9926 0,9900 0,9868 0,9829
11 0,9998 0,9997 0,9996 0,9994 0,9991 0,9986 0,9981 0,9973 0,9962 0,9949
12 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9996 0,9994 0,9991 0,9987
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0006 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0000
1 0,0060 0,0047 0,0036 0,0028 0,0021 0,0015 0,0012 0,0009 0,0007 0,0005
2 0,0289 0,0235 0,0189 0,0152 0,0121 0,0096 0,0076 0,0060 0,0047 0,0036
3 0,0908 0,0765 0,0642 0,0535 0,0444 0,0366 0,0300 0,0245 0,0198 0,0160
4 0,2089 0,1827 0,1589 0,1374 0,1182 0,1011 0,0859 0,0726 0,0610 0,0510
5 0,3787 0,3426 0,3082 0,2758 0,2454 0,2171 0,1910 0,1671 0,1453 0,1256
6 0,5695 0,5307 0,4921 0,4540 0,4166 0,3803 0,3453 0,3118 0,2800 0,2500
7 0,7409 0,7078 0,6732 0,6376 0,6010 0,5639 0,5265 0,4892 0,4522 0,4159
8 0,8660 0,8432 0,8182 0,7913 0,7624 0,7317 0,6995 0,6659 0,6312 0,5956
9 0,9409 0,9281 0,9134 0,8968 0,8782 0,8576 0,8350 0,8103 0,7837 0,7553
10 0,9780 0,9721 0,9650 0,9566 0,9468 0,9355 0,9225 0,9077 0,8910 0,8725
11 0,9931 0,9909 0,9881 0,9846 0,9804 0,9753 0,9692 0,9619 0,9534 0,9435
12 0,9982 0,9975 0,9966 0,9955 0,9940 0,9921 0,9898 0,9868 0,9833 0,9790
13 0,9996 0,9994 0,9992 0,9989 0,9985 0,9979 0,9972 0,9963 0,9951 0,9935
14 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9994 0,9991 0,9988 0,9984
15 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9998 0,9997
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001 0,0000 0,0000 0,0000
2 0,0028 0,0021 0,0016 0,0012 0,0009 0,0007 0,0005 0,0004 0,0003 0,0002
3 0,0128 0,0102 0,0080 0,0063 0,0049 0,0038 0,0029 0,0023 0,0017 0,0013
4 0,0423 0,0349 0,0286 0,0233 0,0189 0,0152 0,0121 0,0096 0,0076 0,0059
5 0,1079 0,0922 0,0783 0,0660 0,0553 0,0461 0,0381 0,0313 0,0255 0,0207
6 0,2220 0,1959 0,1719 0,1499 0,1299 0,1119 0,0958 0,0814 0,0688 0,0577
7 0,3804 0,3461 0,3132 0,2817 0,2520 0,2241 0,1980 0,1739 0,1518 0,1316
8 0,5594 0,5229 0,4864 0,4501 0,4143 0,3793 0,3454 0,3127 0,2814 0,2517
9 0,7252 0,6936 0,6606 0,6264 0,5914 0,5557 0,5196 0,4834 0,4474 0,4119
10 0,8520 0,8295 0,8051 0,7788 0,7507 0,7209 0,6896 0,6568 0,6229 0,5881
11 0,9321 0,9190 0,9042 0,8877 0,8692 0,8489 0,8266 0,8024 0,7762 0,7483
12 0,9738 0,9676 0,9603 0,9518 0,9420 0,9306 0,9177 0,9031 0,8867 0,8684
13 0,9916 0,9893 0,9864 0,9828 0,9786 0,9735 0,9674 0,9603 0,9520 0,9423
14 0,9978 0,9971 0,9962 0,9950 0,9936 0,9917 0,9895 0,9867 0,9834 0,9793
15 0,9996 0,9994 0,9992 0,9989 0,9985 0,9980 0,9973 0,9965 0,9954 0,9941
16 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9995 0,9993 0,9990 0,9987
17 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
n = 25
(Continua)
462 Pesquisa de Marketing
p
x 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40
0 0,0001 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,0011 0,0008 0,0006 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001
2 0,0068 0,0051 0,0039 0,0029 0,0021 0,0016 0,0011 0,0008 0,0006 0,0004
3 0,0263 0,0207 0,0162 0,0126 0,0097 0,0074 0,0056 0,0043 0,0032 0,0024
4 0,0746 0,0610 0,0496 0,0400 0,0320 0,0255 0,0201 0,0158 0,0123 0,0095
5 0,1656 0,1407 0,1187 0,0994 0,0826 0,0682 0,0559 0,0454 0,0367 0,0294
6 0,3019 0,2657 0,2321 0,2013 0,1734 0,1483 0,1258 0,1060 0,0886 0,0736
7 0,4681 0,4253 0,3837 0,3439 0,3061 0,2705 0,2374 0,2068 0,1789 0,1536
8 0,6361 0,5943 0,5518 0,5092 0,4668 0,4252 0,3848 0,3458 0,3086 0,2735
9 0,7787 0,7445 0,7081 0,6700 0,6303 0,5896 0,5483 0,5067 0,4653 0,4246
10 0,8812 0,8576 0,8314 0,8025 0,7712 0,7375 0,7019 0,6645 0,6257 0,5858
11 0,9440 0,9302 0,9141 0,8956 0,8746 0,8510 0,8249 0,7964 0,7654 0,7323
12 0,9770 0,9701 0,9617 0,9515 0,9396 0,9255 0,9093 0,8907 0,8697 0,8462
13 0,9917 0,9888 0,9851 0,9804 0,9745 0,9674 0,9588 0,9485 0,9363 0,9222
14 0,9974 0,9964 0,9950 0,9931 0,9907 0,9876 0,9837 0,9788 0,979 0,9656
15 0,9993 0,9990 0,9985 0,9979 0,9971 0,9959 0,9944 0,9925 0,9900 0,9868
16 0,9998 0,9998 0,9996 0,9995 0,9992 0,9989 0,9984 0,9977 0,9968 0,9957
17 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9996 0,9994 0,9992 0,9988
18 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9997
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
20 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
p
x 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50
0 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,0003 0,0002 0,0002 0,0001 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,0017 0,0013 0,0009 0,0007 0,0005 0,0003 0,0002 0,0002 0,0001 0,0001
4 0,0073 0,0055 0,0042 0,0031 0,0023 0,0017 0,0012 0,0009 0,0006 0,0005
5 0,0233 0,0184 0,0144 0,0112 0,0086 0,0066 0,0050 0,0037 0,0028 0,0020
6 0,0606 0,0495 0,0401 0,0323 0,0258 0,0204 0,0160 0,0124 0,0096 0,0073
7 0,1308 0,1106 0,0929 0,0773 0,0639 0,0523 0,0426 0,0342 0,0273 0,0216
8 0,2407 0,2103 0,1823 0,1569 0,1340 0,1135 0,0954 0,0795 0,0657 0,0539
9 0,3849 0,3465 0,3098 0,2750 0,2424 0,2120 0,1840 0,1585 0,1354 0,1148
10 0,5452 0,5044 0,4637 0,4235 0,3843 0,3462 0,3098 0,2751 0,2426 0,2122
11 0,9671 0,6603 0,6220 0,5826 0,5426 0,5022 0,4618 0,4220 0,3829 0,3450
12 0,8203 0,7920 0,7613 0,7285 0,6937 0,6571 0,6192 0,5801 0,5402 0,5000
13 0,9059 0,8873 0,8664 0,8431 0,8173 0,7891 0,7587 0,7260 0,9614 0,6550
14 0,9569 0,9465 0,9344 0,9203 0,9040 0,8855 0,8647 0,8415 0,8159 0,7878
15 0,9829 0,9780 0,9720 0,9647 0,9560 0,9457 0,9337 0,9197 0,9036 0,8852
16 0,9942 0,9922 0,9897 0,9866 0,9826 0,9778 0,9719 0,9648 0,9562 0,9461
17 0,9983 0,9977 0,9968 0,9956 0,9942 0,9923 0,9898 0,9868 0,9830 0,9784
18 0,9996 0,9994 0,9992 0,9988 0,9984 0,9977 0,9969 0,9959 0,9945 0,9927
19 0,9999 0,9999 0,9998 0,9997 0,9996 0,9995 0,9992 0,9989 0,9985 0,9980
20 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9998 0,9997 0,9995
21 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
22 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Fonte: Daniel, W. W. Essentials of business statistics. Boston: Houghton Mifflin Co., 1984:408-430.
464 Pesquisa de Marketing
X−µ
Z=
σ
Tabela 4 Distribuição t de Student – Níveis de significância (a), graus de liberdade (gl) e a probabilidade
associada em testes unicaudal e bicaudal
Tabela 5 Distribuição do qui-quadrado (χ2) – Níveis de significância (a), graus de liberdade (gl) e o valor
do qui-quadrado associado (χ2)
Nível de significância (a )
gl 0,99 0,95 0,90 0,75 0,25 0,10 0,05 0,025 0,01 0,005
1 0,000 0,004 0,016 0,102 1,323 2,706 3,841 5,024 6,635 7,879
2 0,020 0,103 0,211 0,575 2,773 4,605 5,991 7,378 9,210 10,597
3 0,115 0,352 0,584 1,200 4,108 6,251 7,815 9,348 11,345 12,838
4 0,297 0,711 1,064 1,923 5,385 7,779 9,488 11,143 13,277 14,860
5 0,554 1,145 1,610 2,675 6,626 9,236 11,071 12,833 15,086 16,750
6 0,872 1,635 2,204 3,455 7,841 10,645 12,592 14,449 16,812 18,548
7 1,239 2,167 2,833 4,255 9,037 12,017 14,067 16,013 18,475 20,278
8 1,646 2,733 3,490 5,071 10,219 13,362 15,507 17,535 20,090 21,955
9 2,088 3,325 4,168 5,899 11,389 14,684 16,919 19,023 21,666 23,589
10 2,558 3,940 4,865 6,737 12,549 15,987 18,307 20,483 23,209 25,188
11 3,053 4,575 5,578 7,584 13,701 17,275 19,675 21,920 24,725 26,757
12 3,571 5,226 6,304 8,438 14,845 18,549 21,026 23,337 26,217 28,299
13 4,107 5,892 7,042 9,299 15,984 19,812 22,362 24,736 27,688 29,819
14 4,660 6,571 7,790 10,165 17,117 21,064 23,685 26,119 29,141 31,319
15 5,229 7,261 8,547 11,037 18,245 22,307 24,996 27,488 30,578 32,801
16 5,812 7,962 9,312 11,912 19,369 23,542 26,296 28,845 32,000 34,267
17 6,408 8,672 10,085 12,792 20,489 24,769 27,587 30,191 33,409 35,718
18 7,015 9,390 10,865 13,675 21,605 25,989 28,869 31,526 34,805 37,156
19 7,633 10,117 11,651 14,562 22,718 27,204 30,144 32,852 36,190 38,582
20 8,260 10,851 12,443 15,452 23,828 28,412 31,410 34,170 37,566 39,997
21 8,897 11,591 13,240 16,344 24,935 29,615 32,671 35,479 38,932 41,401
22 9,542 12,338 14,042 17,240 26,039 30,813 33,924 36,781 40,289 42,796
23 10,196 13,091 14,848 18,137 27,141 32,007 35,172 38,076 41,638 44,181
24 10,856 13,848 15,659 19,037 28,241 33,196 36,415 39,364 42,980 45,559
25 11,524 14,611 16,473 19,939 29,339 34,382 37,652 40,646 44,314 46,928
26 12,198 15,379 17,292 20,843 30,435 35,563 38,885 41,923 45,642 48,290
27 12,879 16,151 18,114 21,749 31,528 36,741 40,113 43,194 46,963 49,645
28 13,565 16,928 18,939 22,657 32,620 37,916 41,337 44,461 48,278 50,993
29 14,257 17,708 19,768 23,567 33,711 39,087 42,557 45,722 49,588 52,336
30 14,954 18,493 20,599 24,478 34,800 40,256 43,773 46,979 50,892 53,672
31 15,655 19,281 21,434 25,390 35,887 41,422 44,985 48,232 52,191 55,003
32 16,362 20,072 22,271 26,304 36,973 42,585 46,194 49,480 53,486 56,328
33 17,074 20,867 23,110 27,219 38,058 43,745 47,400 50,725 54,776 57,648
34 17,789 21,664 23,952 28,136 39,141 44,903 48,602 51,966 56,061 58,964
35 18,509 22,465 24,797 29,054 40,223 46,059 49,802 53,203 57,342 60,275
36 19,233 23,269 25,643 29,973 41,304 47,212 50,998 54,437 58,619 61,581
37 19,960 24,075 26,492 30,893 42,383 48,363 52,192 55,668 59,892 62,883
38 20,691 24,884 27,343 31,815 43,462 49,513 53,384 56,896 61,162 64,181
39 21,426 25,695 28,196 32,737 44,539 50,660 54,572 58,120 62,428 65,476
Fontes: Malhotra, Naresh K. Pesquisa de marketing: uma orientação aplicada. 3. ed. Porto Alegre: Bookman, 2001:653
– Apêndice – Tabela 3; Siegel, S. Estatística não paramétrica para ciências do comportamento. São Paulo: McGraw-Hill,
1981:280 – Apêndice – Tábua C.
Tabela 6 Distribuição F – Níveis de significância (a), graus de liberdade (gl1 e gl2) e o valor de F associado para a = 0,025; 0,05 e 0,10
a) Valores de F para a = 0,025.
F = SS j /SSe
467
468
Pesquisa de Marketing
Tabela 6 Distribuição F – Níveis de significância (a), graus de liberdade (gl1 e gl2) e o valor de F associado para a = 0,025; 0,05 e 0,10
a) Valores de F para a = 0,025. (cont.)
Nível de significância a = 0,025
Numerador gl1
Denomi-
nador gl2 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
15 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,96 2,86 2,76 2,70 2,64 2,59 2,52 2,46 2,40
16 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,89 2,79 2,62 2,63 2,57 2,51 2,45 2,38 2,32
17 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,82 2,72 2,62 2,56 2,50 2,44 2,38 2,32 2,25
18 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,77 2,64 2,56 2,50 2,44 2,38 2,32 2,26 2,19
19 5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,72 2,62 2,51 2,45 2,39 2,33 2,27 2,20 2,13
20 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,68 2,57 2,46 2,41 2,35 2,29 2,22 2,16 2,09
21 5,83 4,42 3,82 3,48 3,25 3,09 2,97 2,87 2,80 2,73 2,64 2,53 2,42 2,37 2,31 2,25 2,18 2,11 2,04
22 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,60 2,50 2,39 2,33 2,27 2,21 2,14 2,08 2,00
23 5,75 4,35 3,75 3,41 3,18 3,02 2,90 2,81 2,73 2,67 2,57 2,47 2,36 2,30 2,24 2,18 2,11 2,04 1,97
24 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,54 2,44 2,33 2,27 2,21 2,15 2,08 2,01 1,94
25 5,69 4,29 3,69 3,35 3,13 2,97 2,85 2,75 2,68 2,61 2,51 2,41 2,30 2,24 2,18 2,12 2,05 1,98 1,91
26 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,49 2,39 2,28 2,22 2,16 2,09 2,03 1,95 1,88
27 5,63 4,24 3,65 3,31 3,08 2,92 2,80 2,71 2,63 2,57 2,47 2,36 2,25 2,19 2,13 2,07 2,00 1,93 1,85
28 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,45 2,34 2,23 2,17 2,11 2,05 1,98 1,91 1,83
29 5,59 4,20 3,61 3,27 3,04 2,88 2,76 2,67 2,59 2,53 2,43 2,32 2,21 2,15 2,09 2,03 1,96 1,89 1,81
30 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,41 2,31 2,20 2,14 2,07 2,01 1,94 1,87 1,79
40 5,42 4,05 3,46 3,13 2,90 2,71 2,62 2,53 2,45 2,39 2,29 2,18 2,07 2,01 1,94 1,88 1,80 1,72 1,64
60 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,17 2,06 1,94 1,88 1,82 1,74 1,67 1,58 1,48
120 5,15 3,80 3,23 2,89 2,67 2,52 2,39 2,30 2,22 2,16 2,05 1,94 1,82 1,76 1,69 1,61 1,53 1,43 1,31
∞ 5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05 1,94 1,83 1,71 1,64 1,57 1,48 1,39 1,27 1,00
Fonte: Malhotra, Naresh K. Pesquisa de marketing: uma orientação aplicada. 3. ed. Porto Alegre: Bookman, 2001:659 – Apêndice – Tabela 5.
Tabela 6 Distribuição F – Níveis de significância (a), graus de liberdade (gl1 e gl2) e o valor de F associado para a = 0,025; 0,05 e 0,10
b) Valores de F para a = 0,05.
F = SS j /SSe
469
(Continua)
470
Pesquisa de Marketing
Tabela 6 Distribuição F – Níveis de significância (a), graus de liberdade (gl1 e gl2) e o valor de F associado para a = 0,025; 0,05 e 0,10
b) Valores de F para a = 0,05. (cont.)
Nível de significância a = 0,05
Numerador gl1
Denomi-
nador gl2 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,38 2,31 ,23 2,19 2,15 2,10 2,06 2,01 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,34 2,27 2,19 2,15 2,11 2,06 2,02 1,97 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,31 2,23 2,16 2,11 2,07 2,03 1,98 1,93 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,28 2,20 2,12 2,08 2,04 1,99 1,95 1,90 1,84
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,25 2,18 2,10 2,05 2,01 1,96 1,92 1,87 1,81
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,23 2,15 2,07 2,03 1,98 1,94 1,89 1,84 1,78
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,20 2,13 2,05 2,01 1,96 1,91 1,86 1,81 1,76
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,18 2,11 2,03 1,98 1,94 1,89 1,84 1,79 1,73
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,16 2,09 2,01 1,96 1,92 1,87 1,82 1,77 1,71
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,15 2,07 1,99 1,95 1,90 1,85 1,80 1,75 1,69
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,13 2,06 1,97 1,93 1,88 1,84 1,79 1,73 1,67
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,12 2,04 1,96 1,91 1,87 1,82 1,77 1,71 1,65
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,10 2,03 1,94 1,90 1,85 1,81 1,75 1,70 1,64
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,09 2,01 1,93 1,89 1,84 1,79 1,74 1,68 1,62
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,00 1,92 1,84 1,79 1,74 1,69 1,64 1,58 1,51
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,92 1,84 1,75 1,70 1,65 1,59 1,53 1,47 1,39
120 3,92 3,07 2,68 2,45 2,29 2,17 2,09 2,02 1,96 1,91 1,83 1,75 1,66 1,61 1,55 1,50 1,43 1,35 1,25
∞ 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,75 1,67 1,57 1,52 1,46 1,39 1,32 1,22 1,00
Fonte: Malhotra, Naresh K. Pesquisa de marketing: uma orientação aplicada. 3. ed. Porto Alegre: Bookman, 2001:658 – Apêndice – Tabela 5.
Tabela 6 Distribuição F – Níveis de significância (a), graus de liberdade (gl1 e gl2) e o valor de F associado para a = 0,025; 0,05 e 0,10
c) Valores de F para a = 0,10.
F = SS j /SSe
471
472
Pesquisa de Marketing
Tabela 6 Distribuição F – Níveis de significância (a), graus de liberdade (gl1 e gl2) e o valor de F associado para a = 0,025; 0,05 e 0,10
c) Valores de F para a = 0,10. (cont.)
Nível de significância a = 0,10
Numerador gl1
Denomi-
nador gl2 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03 2,00 1,96 1,91 1,86 1,84 1,81 1,78 1,75 1,72 1,69
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00 1,98 1,93 1,89 1,84 1,81 1,78 1,75 1,72 1,69 1,66
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98 1,96 1,91 7,86 1,81 1,79 1,76 1,73 1,70 1,67 1,63
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96 1,94 1,89 1,84 1,79 1,77 1,74 1,71 1,68 1,64 1,61
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95 1,92 1,87 1,83 1,78 1,75 1,72 1,69 1,66 1,62 1,59
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,93 1,90 1,86 1,81 1,76 1,73 1,70 1,67 1,64 1,60 1,57
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92 1,89 1,84 1,80 1,74 1,72 1,69 1,66 1,62 1,59 1,55
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91 1,88 1,83 1,78 1,73 1,70 1,67 1,64 1,61 1,57 1,53
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89 1,87 1,82 1,77 1,72 1,69 1,66 1,63 1,59 1,56 1,52
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88 1,86 1,81 1,76 1,71 1,68 1,65 1,61 1,58 1,54 1,50
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87 1,85 1,80 1,75 1,70 1,67 1,64 1,60 1,57 1,53 1,49
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87 1,84 1,79 1,74 1,69 1,66 1,63 1,59 1,56 1,52 1,48
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86 1,83 1,78 1,73 1,68 1,65 1,62 1,58 1,55 1,51 1,47
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85 1,82 1,77 1,72 1,67 1,64 1,61 1,57 1,54 1,50 1,46
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79 1,76 1,71 1,66 1,61 1,57 1,54 1,51 1,47 1,42 1,38
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,74 1,71 1,66 1,60 1,54 1,51 1,48 1,44 1,40 1,35 1,29
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68 1,65 1,60 1,55 1,48 1,45 1,41 1,37 1,32 1,26 1,19
∞ 2,71 2,30 2,08 1,94 1,85 1,77 1,72 1,67 1,63 1,60 1,55 1,49 1,42 1,38 1,34 1,30 1,24 1,17 1,00
Fonte: Daniel, W. W. Essentials of business statistics. Boston: Houghton Mifflin Co., 1984:435 – Apêndice – Tabela G.
Tabelas estatísticas selecionadas 473
Tabela 7 Valores críticos de T nos testes de Wilcoxon uni e bicaudais de pares conjugados
Nível de significância a para teste unicaudal
0,025 0,01 0,005
Nível de significância a para teste bicaudal
n 0,05 0,02 0,01
6 0 - -
7 2 0 -
8 4 2 0
9 6 3 2
10 8 5 3
11 11 7 5
12 14 10 7
13 17 13 10
14 21 16 13
15 25 20 16
16 30 24 20
17 35 28 23
18 40 33 28
19 46 38 32
20 52 43 38
21 59 49 43
22 66 56 49
23 73 62 55
24 81 69 61
25 89 77 68
Fontes: Adaptado de Wilcoxon, F. Some rapid approximate statistical procedures. New York: American Cyanamid Company,
1949:13; In: Cooper, D. R.; Schindler, P. S. Métodos de pesquisa em administração. 7. ed. Porto Alegre: Bookman, 2003:596
– Apêndice F – Tabela F4.
474 Pesquisa de Marketing
Fontes: Adaptado de Smirnov, N. Table for estimating the goodness of fit of empirical distribuition. Annals of Mathematical
Statistics 18, 1948:280-281. In: Cooper, D. R.; Schindler, P. S. Métodos de pesquisa em administração. 7. ed. Porto Alegre:
Bookman, 2003:599 – Apêndice F – Tabela F7.
Tabelas estatísticas selecionadas 477
b) Para n2 = 4.
n1
U 1 2 3 4
c) Para n2 = 5.
n1
U 1 2 3 4 5
d) Para n2 = 6.
n1
U 1 2 3 4 5 6
0 0,143 0,036 0,012 0,005 0,002 0,001
1 0,286 0,071 0,024 0,010 0,004 0,002
2 0,428 0,143 0,048 0,019 0,009 0,004
3 0,571 0,214 0,083 0,033 0,015 0,008
(Continua)
478 Pesquisa de Marketing
e) Para n2 = 7.
n1
U 1 2 3 4 5 6 7
0 0,125 0,028 0,008 0,003 0,001 0,001 0,000
1 0,250 0,056 0,017 0,006 0,003 0,001 0,001
2 0,375 0,111 0,033 0,012 0,005 0,002 0,001
3 0,500 0,167 0,058 0,021 0,009 0,004 0,002
4 0,625 0,250 0,092 0,036 0,015 0,007 0,003
5 0,333 0,133 0,055 0,024 0,011 0,006
6 0,444 0,192 0,082 0,037 0,017 0,009
7 0,556 0,258 0,115 0,053 0,026 0,013
8 0,333 0,158 0,074 0,037 0,019
9 0,417 0,206 0,101 0,051 0,027
10 0,500 0,264 0,134 0,069 0,036
11 0,583 0,324 0,172 0,090 0,049
12 0,394 0,216 0,117 0,064
13 0,464 0,265 0,147 0,082
14 0,538 0,319 0,183 0,104
15 0,378 0,223 0,130
16 0,438 0,267 0,159
17 0,500 0,314 0,191
18 0,562 0,365 0,228
19 0,418 0,267
20 0,473 0,310
21 0,527 0,355
22 0,402
23 0,451
24 0,500
25 0,549
f) Para n2 = 8.
Tabelas estatísticas selecionadas 479
n1
U 1 2 3 4 5 6 7 8 t Normal
0 0,111 0,022 0,006 0,002 0,001 0,000 0,000 0,000 3,308 0,001
1 0,222 0,044 0,012 0,004 0,002 0,001 0,000 0,000 3,203 0,001
2 0,333 0,089 0,024 0,008 0,003 0,001 0,001 0,000 3,098 0,001
3 0,444 0,133 0,042 0,014 0,005 0,002 0,001 0,001 2,993 0,001
4 0,556 0,200 0,067 0,024 0,009 0,004 0,002 0,001 2,888 0,002
5 0,267 0,097 0,036 0,015 0,006 0,003 0,001 2,783 0,003
6 0,356 0,139 0,055 0,023 0,010 0,005 0,002 2,678 0,004
7 0,444 0,188 0,077 0,033 0,015 0,007 0,003 2,573 0,005
8 0,556 0,248 0,107 0,047 0,021 0,010 0,005 2,468 0,007
9 0,315 0,141 0,064 0,030 0,014 0,007 2,363 0,009
10 0,387 0,184 0,085 0,041 0,020 0,010 2,258 0,012
11 0,461 0,230 0,111 0,054 0,027 0,014 2,153 0,016
12 0,539 0,285 0,142 0,071 0,036 0,019 2,048 0,020
13 0,341 0,177 0,091 0,047 0,025 1,943 0,026
14 0,404 0,217 0,114 0,060 0,032 1,838 0,033
15 0,467 0,262 0,141 0,076 0,041 1,733 0,041
16 0,533 0,311 0,172 0,095 0,052 1,628 0,052
17 0,362 0,207 0,116 0,065 1,523 0,064
18 0,416 0,245 0,140 0,080 1,418 0,078
19 0,472 0,286 0,168 0,097 1,313 0,094
20 0,528 0,331 0,198 0,117 1,208 0,113
21 0,377 0,232 0,139 1,102 0,135
22 0,426 0,268 0,164 0,998 0,159
23 0,475 0,306 0,191 0,893 0,185
24 0,525 0,347 0,221 0,788 0,215
25 0,389 0,253 0,683 0,247
26 0,433 0,287 0,578 0,282
27 0,478 0,323 0,473 0,318
28 0,522 0,360 0,368 0,356
29 0,399 0,263 0,396
30 0,439 0,158 0,437
31 0,480 0,052 0,481
32 0,520
Fontes: Reproduzido de Mann, H. B.; Whitney, D. R. On a test of whether one of two random variables is stochas-
tically larger than the other. Ann. Math. Statist., 18, 1947:52-54. In: Siegel, S. Estatística não paramétrica para ciências do
comportamento. São Paulo: McGraw-Hill, 1981:302-304 – Apêndice – Tábua J.
480 Pesquisa de Marketing
1
2 0 0 0 1 1 1 1 1 2 2 2 2
3 2 3 3 4 4 5 5 6 6 7 7 8
4 4 5 6 7 8 9 10 11 11 12 13 13
5 7 8 9 11 12 13 14 15 17 18 19 20
6 10 11 13 14 16 17 19 21 22 24 25 27
7 12 14 16 18 20 22 24 26 28 30 32 34
8 15 17 19 22 24 26 29 31 34 36 38 41
9 17 20 23 26 28 31 34 37 39 42 45 48
10 20 23 26 29 33 36 39 42 45 48 52 55
11 23 26 30 33 37 40 44 47 51 55 58 62
12 26 29 33 37 41 45 49 53 57 61 66 69
13 28 33 37 41 45 50 54 59 63 67 72 76
14 31 36 40 45 50 55 59 64 67 74 78 83
15 34 39 44 49 54 59 64 70 75 80 85 90
16 37 42 47 53 59 64 70 75 81 86 92 98
17 39 45 51 57 63 67 75 81 87 93 99 105
18 42 48 55 61 67 74 80 86 93 99 106 112
19 45 52 58 65 72 78 85 92 99 106 113 119
20 48 55 62 69 76 83 90 98 105 112 119 127
1 0 0
2 1 1 1 2 2 2 3 3 3 4 4 4
3 3 4 5 5 6 7 7 8 9 9 10 11
4 6 7 8 9 10 11 12 14 15 16 17 18
5 9 11 12 13 15 16 18 19 20 22 23 25
6 12 14 16 17 19 21 23 25 26 28 30 32
7 15 17 19 21 24 26 28 30 33 35 37 39
8 18 20 23 26 28 31 33 36 39 41 44 47
9 21 24 27 30 33 36 39 42 45 48 51 54
10 24 27 31 34 37 41 44 48 51 55 58 62
11 27 31 34 38 42 46 50 54 57 61 65 69
12 30 34 38 42 47 51 55 60 64 68 72 77
13 33 37 42 47 51 56 61 65 70 75 80 84
14 36 41 46 51 56 61 66 71 77 82 87 92
15 39 44 50 55 61 66 72 77 83 88 94 100
16 42 48 54 60 65 71 77 83 89 95 101 107
17 45 51 57 64 70 77 83 89 96 102 109 115
18 48 55 61 68 75 82 88 95 102 109 116 123
19 51 58 65 72 80 87 94 101 109 116 123 130
20 54 62 69 77 84 92 100 107 115 123 130 138
Fontes: Resumido de Auble, D. Extended Tables from the Mann-Whitney Statistic. Bulletin of the Institute of Educational
Research at Indiana University 1. n. 2. In: Cooper, D. R.; Schindler, P. S. Métodos de pesquisa em administração. 7. ed. Porto
Alegre: Bookman, 2003:600 – Apêndice F – Tabela F8.
Tabelas estatísticas selecionadas 481
REFERÊNCIAS
AUBLE, D. Extended Tables from the Mann-Whitney Statistic. Bulletin of the Institute of
Educational Research at Indiana University 1. n. 2. In: COOPER, D. R.; SCHINDLER, P. S.
Métodos de pesquisa em Administração. 7. ed. p. 600 – Apêndice F – Tabela F8. Porto Alegre:
Bookman, 2003.
DANIEL, W. W. Essentials of business statistics. Boston: Houghton Mifflin Co, 1984.
EVRARD,Yves; PRAS, Bernard; ROUX, Elyette; CHOFFRAY, Jean-Marie; DUSSAIX, Anne-
Marie. Market études et recherches en marketing – Fondements méthodes. Éditions Nathan, 1993.
FRIEDMAN, M. A comparison of alternative tests of significance for the problem of rankings. Ann. Math.
Statist. 1940. In: SIEGEL, S. Estatística não paramétrica para ciências do comportamento. São Paulo:
McGraw-Hill, 1981.
GOODMAN, I. A. Kolmogorov-Smirnov Tests for Psychological Research. Psychological Bulletin,
1951.
KENDALL, M. G. Rank correlation methods. London: Charles Griffin & Company, Ltd. 1948. In:
SIEGEL, S. Estatística não paramétrica para ciências do comportamento. São Paulo: McGraw-Hill,
1981.
MALHOTRA, Naresh K. Pesquisa de marketing: uma orientação aplicada. 3. ed. Porto Alegre:
Bookman, 2001.
MANN, H. B.;WHITNEY, D. R. On a test of whether one of two random variables is stochastically larger
than the other. Ann. Math. Statist. 1947. In: SIEGEL, S. Estatística não paramétrica para ciências do
comportamento. São Paulo: McGraw-Hill, 1981.
OLDS, E. G. The 5% significance levels for sums of squares of ranks differences and a correction. Ann.
Math. Statist., 1949. In: Siegel, S. Estatística não paramétrica para ciências do comportamento. São
Paulo: McGraw-Hill, 1981.
482 Pesquisa de Marketing
OLDS, E. G. Distributions of sums of squares of rank differences for small numbers of individuals. Ann.
Math. Statist., 1938.
SIEGEL, S. Estatística não paramétrica para ciências do comportamento. São Paulo: McGraw-Hill, 1981.
SMIRNOV, N. Table for estimating the goodness of fit of empirical distribuition. Annals of Mathematical
Statistics, 1948. In: COOPER, D. R.; SCHINDLER, P. S. Métodos de pesquisa em Administração.
7. ed. Porto Alegre: Bookman, 2003.
WILCOXON, F. Some rapid approximate statistical procedures. New York: Americam Cyanamid
Company, 1949. In: COOPER, D. R.; SCHINDLER, P. S. Métodos de pesquisa em adminis-
tração. 7. ed. Porto Alegre: Bookman, 2003.