Introducao A Analise de Dados Com Aplica

Métodos Estatísticos
Mestrado em Gestão
Introdução à análise de dados

com aplicações em SPSS
João Paulo Oliveira Martins

DMAT, ESTG – Instituto Politécnico de Leiria
2016
Sumário
1. Terminologia básica
2. Iniciação ao SPSS
3. Estatística Descritiva
2
1. Terminologia básica
Antes de iniciarmos o estudo das metodologias de Estatística descritiva,
importa referir alguma da terminologia comummente utilizada em qualquer
estudo estatístico:
• População – conjunto de indivíduos que se pretende estudar
• Amostra – subconjunto da população a partir do qual é recolhida
informação sobre as características de interesse
• Unidade estatística – cada um dos elementos da população
• Variáveis – características de interesse que se pretendem estudar. Uma
variável é quantitativa (ex.: peso, altura, quantidade de calorias
o su idasàdia ia e te,… à ua doàseàexp essaà u e i a e te.àCasoà
contrário é qualitativa. Uma variável qualitativa que apresente uma ordem
lógica entre as categorias é designada por variável qualitativa ordinal
ívelàdeàsatisfação,à o àat i uídaà aàt iage àdeàMa heste ,… .àCasoà
contrário, é uma variável qualitativa nominal (género, marca do
medicamento anti-hista í i o,… .
Instituto Politécnico de Leiria 3

2. Iniciação ao SPSS
• O SPSS é um poderoso programa informático para a análise
estatística de dados no domínio das Ciências Sociais e não só.
• Outros softwares disponíveis são, por exemplo, o R (gratuito), SAS e
Statistica.
• Tal como as aplicações que utilizam o sistema operativo Windows, o
SPSS funciona através de menus e quadros de diálogo o que
permite executar a maior parte do trabalho utilizando
simplesmente o rato. Porém, é necessário saber como interpretar
os resultados (outputs)!

2.1. Extensão dos ficheiros associados
• .sav – ficheiro de dados (onde se inserem os dados)
• .spo – extensão dos ficheiros de output (apresentam os

resultados dos comandos executados)
• .sps/.spv – ficheiros com códigos de programação (utilização

avançada)

2.2. Extensão .sav
• File – Open – Data
Permite
abrir vários
tipos de
ficheiros
incluindo
Excel

2.2. Extensão .sav
Variáveis
I
n
d
i
v
í
d
u
o
s

2.2. Extensão .sav

2.2. Extensão .sav
Colunas da Variable view
• Name – o eàdaàva i velà se àa e tos,àespaços,…
• Type – tipo de variável: numérica, texto (string ,àdata,….à

Ha itual e te,àasà espostas àe àtextoàsãoà odifi adasà éàat i uídoà
um número que representa a resposta) pelo que a maioria das
variáveis será do tipo numérica (o que não significa que seja
qualitativa)
• Width – ú e oà xi oàdeà a a te esàpe itidosà asà espostas
• Decimals – número de casas decimais

2.2. Extensão .sav
• Label - legenda
• Values – atribuir valores a uma categoria
• Missing – atribuir valores a não respostas
• Colums – largura das colunas
• Align – alinhamento do texto
• Measure – No caso de uma variável qualitativa seleciona-se

o i al àouà o di al à o soa teàelaàsejaà ualitativaà o i alàouà
ordinal. Seleciona-seà scale à oà asoàdeàva i veisà ua titativas

2.3. Output (.spo)
Quando se executa um comando qualquer sobrepõe-se no écran
uma nova janela correspondendo ao ficheiro de output. Neste
aparecem:
• As linhas de programação correspondentes ao comando em

causa.
• Os valores ou representações solicitadas por esse comando,

se aplicável.

2.3. Output (.spo)

3. Estatística descritiva
Estatística descritiva é o termo habitualmente utilizado para
designar o ramo da Estatística associado à análise dos dados
provenientes de uma amostra. As conclusões obtidas aplicam-se
unicamente à amostra e não à população (exceto quando estas
são coincidentes – censo)
As ferramentas de Estatística Descritiva mais relevantes são

• Tabelas de frequência
• Representações gráficas
• Medidas de estatística descritiva

3.1. Tabelas de frequências
Dados qualitativos ou quantitativos com poucas categorias
distintas
• Analyze →ààDescriptive Statistics →àFrequencies →àStatistics
(manual)
Este comando permite construir tabelas de frequências para

uma ou mais variáveis (sem cruzamento de informação).

Clicar 2x na
variável
pretendida e ela
passará do
campo da
esquerda para a
direita. Em
alternativa, clicar
uma vez e depois Clicar no
na seta. botão
Statistics à
abre esta
janela onde
podem ser
selecionadas
diversas
medidas
estatísticas

O SPSS fornece, da esquerda para a direita, as frequências absolutas, as

frequências relativas incluindo e excluindo os missings e as frequências
relativas acumuladas.
As frequências acumuladas para variáveis qualitativas nominais não têm
sentido.
Neste caso, amostra tem dimensão 414 sendo que cerca de 216 indivíduos
(52%) são do sexo masculino.

Dados quantitativos com muitas categorias distintas
• Transform →ààVisualàBinning
Este comando permite construir tabelas de frequências para dados

agrupados em classes. Uma regra prática consiste em utilizar um número de
classes � que seja o menor inteiro que iguale ou ultrapasse a dimensão da
�
amostra �, isto é, tal que ≥ � (Regra de Sturges). No software é necessário
especificar o limite superior de cada intervalo (classe). Esse valor é designado
por cutpoint. O último cutpoint não é especificado e surge a designação
automática HIGH.

Nome da nova variável que irá guardar a classe de cada indivíduo
Note que não há

classes nos
ext e osà vazias .à
O primeiro
cutpoint está a
vermelho.
Cutpoints
incluídos?
Cutpoints
Inserir
intervalos
Em Make Cutpoints podem-se criar automaticamente os cupoints defenindo o

primeiro cutpoint e o número de cutpoints ou a amplitude dos intervalos (width).
Neste caso, por exemplo, o peso é inferior a 3583 em 71% dos indivíduos.
Também se verifica ausência de informação para 3 (0.7%) dos indivíduos o que
explica as ligeiras diferenças observadas nas últimas 2 colunas.

• Analyze →ààDescriptive Statistics →àCrosstabs
Este comando permite construir tabelas de frequências para duas ou mas variáveis
cruzando informação.

As percentagens podem ser calculadas

Inserir pelo menos uma sobre o total ou sobre o total de cada linha
variável em cada campo (row) ou sobre o total de cada coluna
(column)
A amostra é composta por 200 indivíduos sendo que para todos foi
recolhida informação sobre ambas as variáveis em causa (zero missings).

São apresentadas as percentagens por linha. A soma das percentagens em cada

linha é 100%.
Por exemplo, 3% dos trabalhadores do departamento de Aprovisionamento têm o
nível de escolaridade básico.
Nota sobre variáveis qualitativas ordinais
No caso de variáveis qualitativas ordinais é necessário ordenar as categorias pela sua

ordem lógica (por exemplo, para que as frequências acumuladas tenham sentido).
Tal pode ser concretizado através da aplicação do comando
Transform →ààRecode into Different Variables
Este procedimento é igualmente necessário nas representações gráficas.

Indicar
nome da
nova
variável
Selecionar reordenada
variável e clicar em
Change
Para definir a nova ordenação clicar em Old and New Values

Neste caso, estamos a transformar o valor 4 da variável inicial em 1
Para guardar cada uma das alterações clica-seàe à Add .

3.2. Representações gráficas
• Graphs →ààChart Builder →à….
Das representações gráficas de frequências disponíveis destacamos:
• Para variáveis com um reduzido número de valores/categorias distintas

– Diagrama de barras (bar)
– Diagrama de linhas (lines), não aplicável a variáveis qualitativas nominais
– Diagrama circular (pie), recomendável sobretudo para variáveis qualitativas nominais dada a
ausência de ordem lógica entre as categorias
• Para variáveis quantitativas com um elevado número de valores distintos

– Histograma (histogram)
– Diagrama de extremos e quartis, comummente designado por caixa de bigodes (boxplot)

• Para relacionar 2 variáveis qualitativas e/ou variáveis quantitativas com um
reduzido número de modalidades
– Diagrama de barras/diagrama circular em painel de linhas/colunas ( avariável que determina as
linhas/colunas do painel deve ser a que contém menor número de modalidades)
• Para relacionar 1 variáveis qualitativa ou variável quantitativa com um reduzido

número de modalidades e uma variável quantitativa
– Histograma em painel
– Diagrama de extremos e quartis em painel
• Para relacionar duas variáveis quantitativas

– Diagrama de dispersão (scatter)
Vejamos exemplos de cada uma das representações anteriores

Arrastar
Clicar neste variável de
separador no caso interesse
de se pretender a para este
representação de campo
vários gráficos em
painel
Seleção do
tipo de
gráfico

Diagrama de barras

Diagrama de linhas
O número de trabalhadores tende a diminuir com o nível de

escolaridade embora o número de licenciados supere o número de
trabalhadoras com habilitações ao nível do Secundário.
Diagrama circular
Perde-se a noção de evolução das frequências relativamente ao nível

de escolaridade mas permite comparar mais facilmente as frequências
entre si.
Por exemplo, quase metade dos trabalhadores têm o ensino básico
como habilitação.
Histograma
Grande concentração das observações entre 400 e 800

aproximadamente.
Os rendimentos mais elevados ultrapassam 2000 mas são poucos os
indivíduos a usufruir dos rendimentos mais elevados.

Diagramas de barras em painel de colunas

Histograma (por grupos)
Está representação gráfica permite evidenciar que as remunerações

mais altas são exclusivas do sexo masculino o que pode indiciar um
tratamento diferenciado consoante o género.

Diagrama de extremos e
quartis Máximo (excluindo
Outliers
outliers)
mode-
De baixo para cima: 1.º quartil, rados
2.º quartil ou mediana e terceiro
quartil
Mínimo (excluindo
outliers)
Outlier
severo
O 1.º quartil ou percentil 25 ou � 5 , aproximadamente igual a

2800 para o sexo feminino e 3200 para o sexo masculino, identifica o
valor abaixo do qual estão pelo menos 25% dos indivíduos e acima do
qual estão pelo menos 75% dos indivíduos.

O 2.º quartil, mediana ou percentil 50 , �� ou �5 identifica o valor
abaixo do qual estão pelo menos 50% dos indivíduos e acima do qual
estão pelo menos 50% dos indivíduos.
O 3.º quartil ou percentil 75 ou �75 identifica o valor abaixo do qual
estão pelo menos 75% dos indivíduos e acima do qual estão pelo menos
25% dos indivíduos.
Os outliers são observações distantes das restantes (se distam de ou
mais de .5 − e menos de − são outliers moderados. Se a
distância for superior a 3 − são designadas por outliers severos.
Neste caso, temos pesos a i a do o al apenas no sexo masculino.

Apenas no sexo masculino surgem indivíduos com pesos uito abaixo do
o al (outliers severos) embora acima do mínimo do sexo feminino.

Exemplo (quartis):
Identifique os quartis e se existem outliers nos seguintes conjuntos de dadps:
A: -13 2 3 5 9 10 11 12
13 13 13
B: 9 8 8 7 7

Diagrama de dispersão
Há uma correlação forte (padrão linear evidente) e positiva (variação no mesmo

sentido, isto é, quando uma variável aumenta a outra tende a aumentar) entre
as variáveis (a estudar mais detalhadamente adiante).
3.3. Medidas estatísticas
Além do comando para a criação das tabelas de frequências o SPSS disponibiliza um
comando que permite aceder às principais medidas sem ser necessário selecioná-las
uma a uma .
• Analyze →ààDescriptive Statistics →àFrequencies →àExplore

3.3. Medidas estatísticas
Permite
identificar
outliers e
Variável ou percentis
variáveis a
analisar Permite
selecionar
Comparação por histogramas e
grupos, se gráficos de
aplicável probabilidades
(P-P plots), a
estudar
posteriormente

3.3.1. Medidas de localização
Iremos analisar 3 grupos de medidas estatísticas:
• Medidas de localização
• Medidas de dispersão
• Medidas de assimetria
As medidas de localização mais utilizadas são:
• Média aritmética (mean) – �
• Mediana (median) ou 2.º quartil – �
• Moda (mode) – � , valor(es) mais frequente(s) na amostra. É a única medida de
localização aplicável a variáveis qualitativas.
• O software também fornece a média aparada a 5% (5% trimmed mean) que exclui do
cálculo da média os 5% de valores mais baixos e os 5% mais altos.

• Mínimo (minimum) e máximo (maximum)
• Quartis (quartiles) – , e
• Percentis (percentiles) – �� , para qualquer valor � entre 0 e 100 o

percentil �� corresponde ao valor em que pelo menos �% dos indivíduos
são menores ou iguais a �� e pelo menos − � % dos indivíduos são
maiores ou iguais a �� . O percentil 0 e 100 correspondem,
respetivamente, ao mínimo e máximo.

A análise será feita separadamente para cada um dos géneros

sendo que temos 216 indivíduos do sexo masculino e 198 do
sexo feminino.


Os pesos no sexo masculino variam entre
…..
Os pesos no sexo feminino variam entre
….
A média dos pesos do sexo masculino é

...
relativamente ao sexo feminino.
A mediana dos pesos do sexo masculino é

...
relativamente ao sexo feminino.


Metadeàdosài divíduosàdeàsexoà as uli oàpesa àatéà…à
e metade dos indivíduos de sexo feminino pesa àatéà…
Os 5% dos indivíduos menos pesados do sexo masculino têm peso menor

ouàigualàaà…
Os 10% dos indivíduos mais pesados do sexo feminino pesam, pelo menos,
...
Os ¾ dos indivíduos menos pesados do sexo masculino pesam, no máximo,

...


Os 2 recém- as idosà aisàpesadosàdoàsexoà as uli oàfo a àosài divíduosà…àeà…à o à
pesosà…àeà…à espetiva e te.
A recém- as idaà e osàpesadaàéàaà…à ujoàpesoà à as e çaàfoiàigualàaà…

3.3.2. Medidas de dispersão
As medidas de dispersão mais utilizadas são:
• Amplitude (range) – diferença entre o mínimo e o máximo
• Amplitude interquartis (interquartile range) – diferença entre o 3.º quartil e o 1.º quartil
• Variância (variance) e desvio padrão (standard deviation) – e , o desvio padrão é a
raiz quadrada (positiva) da variância. São um indicador do grau de afastamento dos
dados relativamente à sua média aritmética. Quanto maior é o seu valor maior é a
dispersão dos dados.
�
• Coeficiente de variação – �� = , é o quociente entre o desvio padrão e a média.
�
Interpreta-se de forma semelhante às 2 medidas anteriores mas permite comparar
amostras, quanto à dispersão, ainda que utilizem escalas distintas (por exemplo,
toneladas e quilos). Esta medida não é calculada diretamente pelo SPSS.


Oàpesosàdoàsexoà…àap ese ta à aio àa plitude.
Relativamente à parte central dos dados verifica-se que a amplitude entre o 1.º e 3.º
ua tisàéàsupe io à oàsexoà…
Oà oefi ie teàdeàva iaçãoà elativa e teàaà adaàu àdosàsexosàéà…..àeà…..àoà ueài di aà

u aà aio àdispe sãoàdosàpesosàdoàsexoà….

3.3.3. Medidas de assimetria
O coeficiente de assimetria, � , toma valores em ℝ e consoante o seu sinal (admitindo que
existe uma única moda) conclui-se:
• � = , dados simétricos
• � > , dados com assimetria positiva, isto é, mais concentrados nos valores mais
baixos da variável
• � < , dados assimetria negativa, isto é, mais concentrados nos valores mais elevados
da variável
Quanto maior o valor, em módulo, maior é a assimetria.
Noàexe ploàa te io ,àa osàosàsexosàap ese ta àu aàassi et iaà……àoà ueàsig ifi aà ueàosà
dadosàseà o e t a à osàpesosà aisà…..
Vejamos o efeito que cada tipo de assimetria provoca nas representações gráficas

Oàg fi oà aisàp óxi oàdaàsi et iaàéàoàg fi oàdoàsexoà……………….àoà ueàest à

de acordo com o facto de, em módulo, ter um coeficiente de assimetria
…………………

Claramente, neste gráfico, a grande maioria dos indivíduos usufrui

rendimentos que correspondem aos valores mais baixos pelo que os dados
ap ese ta àu aàassi et iaà…….

3.3.4. Medidas de associação
As medidas de associação são utilizadas para avaliar o grau de associação entre variáveis, isto é, em que medida é que o
conhecimento de uma delas relativamente a um indivíduo nos dá informação sobre a outra variável.
No caso de variáveis qualitativas nominais é comum utilizar medidas que dependem de uma estatística conhecida por estatística
�� −�� 2
do Qui-quadrado que é dada por χ = . Este valor varia de 0 a +∞ pelo que não é a mais adequada. Assim, são
��
utilizadas as seguintes medidas:
�2 �−
• Coeficiente de contingência � = �2 +�
, note que <C< �
�2
• V de Cramer � = , varia entre 0 e 1.
�∗ �−
�2
• Phi � = é adequado para tabelas × onde varia entre 0 e 1. Em tabelas maiores � pode exceder 1.
�
onde � é a dimensão da amostra e = min , � onde é o número de linhas da tabela e � é o número de colunas.
Valores até 0.10 indicam uma associação nula ou fraca, de 0.10 a 0.30 indicam uma associação moderada e de 0.30 a 1 uma
associação forte.
No caso de variáveis qualitativas ordinais é comum utilizar os coeficientes de associação:
• Coeficiente tau-b e tau-c de Kendall (toma valores entre -1 e 1)
• Gama (toma valores entre -1 e 1)
• Coeficiente de correlação de Spearman (toma valores entre -1 e 1 e é aplicável também a variáveis quantitativas)
Em módulo, os coeficientes de associação variam entre 0 e um valor que pode ser no máximo 1. Quanto maior o valor
em módulo, maior é o grau de associação entre as variáveis.
Em geral, o valor zero para o coeficiente de associação é muito improvável pelo que o SPSS fornece o p-value do teste
ás hipóteses
� : não há associação entre as variáveis

� : há associação entre as variáveis
para que seja possível perceber se o valor é significativamente distinto de zero. Tal acontece quando o p-value
Sig. / Aprox. Sig. à oà“P““ àéà aixoà diga osài fe io àaà0.05 .à“eàoàp-value é superior a 0.05 a associação não é
significativa.

No caso de variáveis quantitativas é comum utilizar os coeficientes de:
• Correlação de Pearson (toma valores entre -1 e 1)
• Correlação de Spearman (toma valores entre -1 e 1)
O primeiro é mais indicado para populações Normais.
Como anteriormente, em módulo, os coeficientes de associação variam entre 0 e um valor que pode ser no máximo 1.
Quanto maior o valor em módulo, maior é o grau de associação entre as variáveis.
Valores, em módulo, até 0.10 indicam uma associação nula ou muito fraca, 0.30 indica uma associação fraca, 0.50 uma
associação moderada e 0,70 uma associação forte. O valor 1 corresponde a uma associação perfeita.
Em geral, o valor zero para o coeficiente de associação é muitíssimo improvável pelo que o SPSS fornece o p-value do
teste às hipóteses
� : não há associação entre as variáveis versus � : há associação entre as variáveis
para que seja possível perceber se o valor é significativamente distinto de zero. Tal acontece quando o p-value
Sig. / Aprox. Sig. à oà“P““ àéà aixoà diga osài fe io àaà0.05 .à“eàoàp-value é superior a 0.05 a associação não é
significativa. Instituto Politécnico de Leiria 59
• Analyze →àDescriptive Statistics →à Crosstabs (indicado quando pelo menos uma das
variáveis é qualitativa. Se existe uma a variável quantitativa esta deve ser agrupada em
classes. A variável que representa as classes é uma variável qualitativa ordinal)
Clicar aqui
Colocar pelo
para
menos uma
selecionar a
variável em cada
medida de
espaço
associação
pretendida

Botão Statistics (as medidas de associação encontram-se agrupadas consoante o tipo de
variáveis envolvidas)
Coeficientes de
correlação
Medidas de
associação Medidas de
(var. nominais) associação (var.
ordinais)

Botão Cells (permite associar a cada valor da tabela o valor esperado caso não existisse
associação entre as variáveis, isto é, os valores esperados no caso das variáveis serem
independentes,àistoàé,à…
Opção selecionada
por predefinição Diferença
esta da dizada à
Valor esperado entre os valores
para cada observed àeà
entrada da expected .à
tabela no caso Permite ver para
de variáveis que par de
independentes, categorias a
isto é, o total da diferença é maior.
linha * total da
coluna / n

O coeficiente V de Cramer e o coeficiente de contingência C permitem perceber

que existe associação entre as variáveis e que esta é significativa, isto é, não é
fruto do acaso.
Aliás, atendendo à tabela de contingência, observa-se que na Direção temos
apenas indivíduos do sexo masculino o que indicia associação entre as variáveis.

Observa-se uma grande associação entre as variáveis que se reflete, por

exemplo, no facto de apenas os trabalhadores, no mínimo, licenciados
usufruírem de rendimentos mais elevados.

• Analyze →àCo elateà→à Bivariate (variáveis quantitativas)
Colocar variáveis
Selecionar coeficientes
(coeficiente de
correlação de Pearson,
tau-b de Kendall e
coeficiente de
associação e
Spearman). Todos
tomam valores entre -1
e 1.
O coeficiente de correlação de Pearson ultrapassa 0.75 o que indicia uma

forte associação (como expectável tendo em conta as variáveis envolvidas).
O valor é positivo o que indica que as variáveis TENDEM (o coeficiente não é

1) a variam no mesmo sentido, isto é, o aumento do comprimento do fémur
tende a traduzir-se num aumento do comprimento fetal

O coeficiente tau-b de Kendall (0.443) e o coeficiente de associação de

Spearman (0.582) são positivos e significativos pelo que as conclusões são
semelhantes às anteriores.

Bibliografia
• Maroco, J. (2014). Análise Estatística com o SPSS Statistics, ReportNumber.
• Reis, E. (2008). Estatística Descritiva, 7.ª ed., Edições Sílabo.

Introducao A Analise de Dados Com Aplica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Introducao A Analise de Dados Com Aplica

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos Estatísticos

Introdução à análise de dados

João Paulo Oliveira Martins

Instituto Politécnico de Leiria 3

Instituto Politécnico de Leiria 4

• .sav – ficheiro de dados (onde se inserem os dados)

• .spo – extensão dos ficheiros de output (apresentam os

• .sps/.spv – ficheiros com códigos de programação (utilização

Instituto Politécnico de Leiria 5

Instituto Politécnico de Leiria 6

Instituto Politécnico de Leiria 7

Instituto Politécnico de Leiria 8

• Name – o eàdaàva i velà se àa e tos,àespaços,…

• Type – tipo de variável: numérica, texto (string ,àdata,….à

• Width – ú e oà xi oàdeà a a te esàpe itidosà asà espostas

• Decimals – número de casas decimais

• Values – atribuir valores a uma categoria

• Missing – atribuir valores a não respostas

• Colums – largura das colunas

• Align – alinhamento do texto

• Measure – No caso de uma variável qualitativa seleciona-se

Instituto Politécnico de Leiria 10

• As linhas de programação correspondentes ao comando em

• Os valores ou representações solicitadas por esse comando,

Instituto Politécnico de Leiria 11

Instituto Politécnico de Leiria 12

As ferramentas de Estatística Descritiva mais relevantes são

Instituto Politécnico de Leiria 13

Este comando permite construir tabelas de frequências para

Instituto Politécnico de Leiria 14

Instituto Politécnico de Leiria 15

O SPSS fornece, da esquerda para a direita, as frequências absolutas, as

Instituto Politécnico de Leiria 16

Este comando permite construir tabelas de frequências para dados

Instituto Politécnico de Leiria 17

Note que não há

Em Make Cutpoints podem-se criar automaticamente os cupoints defenindo o

Instituto Politécnico de Leiria 19

Instituto Politécnico de Leiria 20

As percentagens podem ser calculadas

Instituto Politécnico de Leiria 22

São apresentadas as percentagens por linha. A soma das percentagens em cada

No caso de variáveis qualitativas ordinais é necessário ordenar as categorias pela sua

Tal pode ser concretizado através da aplicação do comando

Transform →ààRecode into Different Variables

Este procedimento é igualmente necessário nas representações gráficas.

Instituto Politécnico de Leiria 24

Para definir a nova ordenação clicar em Old and New Values

Instituto Politécnico de Leiria 25

Para guardar cada uma das alterações clica-seàe à Add .

Das representações gráficas de frequências disponíveis destacamos:

• Para variáveis com um reduzido número de valores/categorias distintas

– Diagrama de linhas (lines), não aplicável a variáveis qualitativas nominais

• Para variáveis quantitativas com um elevado número de valores distintos

– Diagrama de extremos e quartis, comummente designado por caixa de bigodes (boxplot)

Instituto Politécnico de Leiria 27

• Para relacionar 1 variáveis qualitativa ou variável quantitativa com um reduzido

– Diagrama de extremos e quartis em painel

• Para relacionar duas variáveis quantitativas

Vejamos exemplos de cada uma das representações anteriores

Instituto Politécnico de Leiria 28

Instituto Politécnico de Leiria 29

Instituto Politécnico de Leiria 30