BIOESTATÍSTICA

AMOSTRA E PROCEDIMENTOS DE
AMOSTRAGENS
Cátia Candida de Almeida

-1-
Olá!
Você está na unidade Amostra e procedimentos de amostragens. Conheça aqui, inicialmente, os números e

arredondamentos, seguido dos procedimentos de planejamento amostral, envolvendo as principais técnicas de

amostragem, com destaque para as formas de amostragens aleatórias, sendo empregadas nas pesquisas

científicas e pesquisas em geral, que usam o rigor metodológico no momento da seleção de indivíduos da

população de irão compor uma amostra. A distribuição de frequência ou contagem é necessária para o

conhecimento do comportamento da amostra, bem como, na fase de apresentação dos dados.

Bons estudos!

1 Introdução
Neste tópico, trataremos da importância de medidas de precisão, amostra, procedimentos de amostragem e, por

fim, distribuição de frequência dos dados. Porém, antes de iniciarmos, é preciso iniciar uma discussão sobre ou

números ou medidas no aspecto do seu rigor e precisão, mostrando o quanto uma medida pode envolver erros,

se não tiver cuidado com os dados, principalmente na fase de sua coleta.

Quando se deseja realizar uma pesquisa, é necessário o planejamento amostral, sendo decidido antes da fase do

trabalho estatístico de coleta de dados, especialmente se a opção for em trabalhar com amostra aleatória, que

remete à escolha de procedimentos de amostragem probabilística ou aleatória. Destacam-se os procedimentos:

amostragem aleatória simples, amostragem estratificada, amostragem sistemática, amostragem por

conglomerado e amostragem por quotas.

Na fase da apresentação dos dados, na forma de tabela ou gráfico, exige-se uma organização dos dados em forma

de distribuição de frequência ou contagem dos dados. Estes tópicos tratam de elementos metodológicos que

complementam o planejamento e organização das informações de uma pesquisa científica.

-2-
2 Medidas de precisão e rigor
A precisão de uma medida está relacionada com o erro, que passar a ser insignificante ou reduzido. Uma medida

é chamada de rigorosa quando a avaliação é realizada com extremo cuidado, procurando manter controlados os

erros que podem ocorrem com a medida. As áreas da ciência que utilizam estudos experimentais dependem

essencialmente de medidas de precisão e rigor para seus cálculos.

Quando se realiza os cálculos estatísticos de frequências ou de medidas, o valor resultante pode ser próximo ou

distante da grande maioria dos dados e sua representação numérica nem sempre é parecida como, por exemplo,

o cálculo da medida estatística da média aritmética de uma série de números inteiros, que pode resultar em um

número de representação fracionária, decimal, finito e infinito.

Exemplo: O conjunto de números (18 25 31 41 26 38 19), que resulta na média aritmética de 28,285714...

Os números do conjunto de dados são números inteiros e o resultado do cálculo da média aritmética é um

número decimal e infinito. Por questões práticas. é muito comum representar o número “28,285714...” em

apenas 28, resultando em arredondamento do algarismo em unidades, ou 28,3, em décimos, ou 28, 29,

arredondamentos em centésimos.

Todos esses resultados de arredondamento estão corretos, mas alguns são mais precisos que os outros. Tudo

depende do grau de precisão e rigor exigido no estudo. Ainda, há de considerar que, em estatística, os resultados

de números originários de arredondamentos têm uma interpretação e sentido dependendo do contexto de

aplicação. O arredondamento dos números, então, se baseia no princípio de que o máximo erro pode ocorrer

em um dado resultado.

Assim, as principais regras de arredondamento de acordo com a resolução 886/66 do IBGE. De acordo com os

autores FREUND, SIMON (2000) e MARTINS, DONAIRE (1990), têm-se as seguintes regras:

Considerando um número fracionário, que deve ser arredondado na posição p.

O algarismo na posição p+1 é menor que 5 (posição p não é alterada).

1 decimal: 7,429 =7,4

2 decimais: 5,324 = 5,32

O algarismo na posição p+1 é maior que 5 (posição p aumenta uma unidade).

1 decimal: 3,18 = 3,2

2 decimais: 11,2986 = 11,30

O algarismo na posição p+1 é igual a 5 e, após a posição p+1, pelo menos um algarismo é diferente de

zero e posição p aumenta de uma unidade.

-3-
1 decimal: 20,1501 = 20,2

2 decimais: 7,4254 = 7,43

O algarismo na posição p+1 e este é igual a 5 e este é o último algarismo ou se, após a posição p+1, todos

os algarismos forem iguais a zero, a posição p aumenta de uma unidade somente se for um número

ímpar.

1 decimal: 3,35 => 3,4

2 decimais: 7,6500 => 7,6

Essas são as regras de arredondamento numérico mais comum e aplicável em qualquer contexto. No entanto,

existem regras de arredondamento mais específicas e que exigem um pouco mais manipulação matemática.

3 Amostra
Um dos principais objetivos da maioria dos estudos, análises e pesquisas estatísticas é fazer generalizações

seguras, com base nas amostras sobre a população da qual se extraiu uma amostra para o estudo ou

experimento. A expressão “segura” se refere às amostras e quando e sob quais condições elas permitem

generalizações.

Vejamos um exemplo: se desejarmos estimar a média de gastos de uma pessoa, temos como uma amostra das

despesas realizadas por um determinado período de tempo. Entretanto, alguns fatores como classe social,

profissão etc. são variáveis que devem ser consideradas. Assim, não é uma tarefa muito fácil delinear uma

amostra. A maior parte dos métodos de escolha de amostra se baseiam em amostras aleatórias, sendo originadas

por meio de um sorteio. As amostras aleatórias permitem generalizações ou validações das populações. Assim, o

processo de seleção de amostras é o de amostragem.

3.1 Planejamento amostral

O planejamento amostral é muito importante em uma pesquisa, principalmente se o desejo for trabalhar com

amostra probabilística ou aleatória (BUSSAB, MORETTIN, 2002) e (VIEIRA, 1980).

A amostra aleatória é obtida por meio do procedimento de seleção de amostragem aleatória. Existem muitas

maneiras de extrair uma amostra de uma população, exigindo um planejamento amostral, que deve ter um plano

amostral ou delineamento amostral, definido com o objetivo de obter uma amostra de uma determinada

população. O plano amostral, então, deve conter uma descrição do tipo de amostragem, visto que, amostragem

é um procedimento de seleção dos indivíduos da população que irão compor a amostra de estudo.

-4-
4 Amostragem
A seguir, veremos os tipos de amostragem, detalhando uma a uma para melhor compreendimento.

-5-
4.1 Amostragem aleatória simples

Para entender o procedimento de seleção de amostragem aleatória, é necessário relembrar o conceito de

população e amostra.

A população é o conjunto de elementos de todas as observações possíveis e é subdividida em dois grupos:

população finita e população infinita.

• População finita

Consiste um número finito ou limitado de elementos na população como, por exemplo, o número total de

indivíduos submetidos a um teste de aptidão ou o número total de medicamentos fabricados por uma

indústria farmacêutica.

Ambos os exemplos envolvem uma quantidade finita de elementos na população.

• População infinita

Consiste em um número infinito ou ilimitado de elementos na população como, por exemplo, quando

lançamos um dado um número infinito de vezes e não há limite para o fim dos lançamentos ou quando

queremos estabelecer o número exato de indivíduos com AIDS (Síndrome da Imunodeficiência

Adquirida), onde entende-se que não é possível saber o número exato de pessoas com a condição.

Assim, uma amostra aleatória de uma população finita baseia-se em:

quantas amostras de tamanho n podem ser extraídas de uma população finita

o tamanho da população finita

Vale lembra da regra de matemática de combinação de n objetos tomados em r, ou seja, recorremos a ideia do

problema matemático de combinação:

Lê-se “combinação de N” por n, N fatorial sob n fatorial vezes N menos n fatorial.

Fique de olho
Na fórmula da combinação simples se utiliza C_(n,p)=n!. Na combinação, então, a ordem dos
elementos no agrupamento não interfere nas combinações. Logo, se um conjunto de elementos
A é formado por n elementos tomados p a p, então, qualquer subconjunto de A formado por p
elementos é expresso por combinação.

-6-
Assim, tem-se um exemplo aplicado no caso de amostragem aleatória:

Quantas amostras diferentes de tamanho n podem ser extraídas de uma população finita de tamanho N,

se n= 2 e N= 12?

Tem-se que:

N= 12: tamanho da população.

n= 2: tamanho da amostra

Assim, substituindo em:

Tem-se:

Portanto, 66 combinações de amostras diferentes que são possíveis de retirar de forma aleatória.

Seguindo o exemplo, os autores FREUND e SIMON (2000) afirmam que uma população finita de tamanho N é

aleatória, se for escolhida de forma que cada uma das amostras possíveis tem a mesma chance ou

probabilidade de de ser escolhida, sendo denominada amostra aleatória. Em outras palavras, expressa na

forma do exemplo:

Suponha uma população de 5 indivíduos com os elementos identificados por: a, b, c, d, e. Quantas

amostras de tamanho n=3 obtém-se dessa população?

Substituindo:

Então:

Portanto, 10 combinações de amostras possíveis de tamanho n=3, partindo de uma população de 5 elementos.

As combinações são:

(a,b,c),(a,b,d), (a,b,e), (a,c,d),(a,c,e),(a,d,e), (b,c,d), (b,c,e), (b,d,e), (c,d,e)

Cada uma dessas amostras tem a chance ou probabilidade de ser escolhida de , ou seja, de , denominando

amostra aleatória.

Nos casos práticos a população finita geralmente é muito grande, e as combinações obtidas também são

suficientemente grandes, como exemplo ilustrativo:

Suponha uma população de 1.000 indivíduos em que desejamos saber as possíveis combinações obtidas.

-7-
Considerando o tamanho amostral n=50, o número de combinações possíveis de amostra torna-se

suficientemente grande. Sendo assim, é possível obter um cálculo, mas com auxílio de calculadora ou planilha de

softwares em computadores ou tabelas de números aleatórios. Entretanto, o propósito da amostragem aleatória

não será calcular todas as combinações possíveis, partindo de um tamanho populacional N tomados em tamanho

amostral n e, sim, obter uma amostra aleatória a partir de um procedimento de amostragem aleatória.

O procedimento, então, consiste em enumerar os indivíduos a população (1, 2,....N), começando de 1 até o

tamanho da populacional. Em seguida, realiza-se um sorteio, podendo utilizar a tabela de números aleatórios ou

alguns aplicativo ou software que possibilita a geração de número aleatórios.

Neste caso, o procedimento de amostragem pode ser realizado com ou sem reposição (FREUND, SIMON, 2000),

como seguem:

Amostragem com reposição

Quando os indivíduos selecionados irão fazer parte da amostra e decorrem da seleção. Desta forma, realiza-se o

sorteio e seleciona-se um número associado a um indivíduo. Em seguida, considera-se esse mesmo indivíduo

novamente no sorteio, sendo selecionado de maneira denominada “sucessivas vezes”.

Amostragem sem reposição

Quando um indivíduo é selecionado e não poderá fazer parte novamente do sorteio. Realiza-se, então, o sorteio e

seleciona-se um número associado a um indivíduo. Em seguida, este indivíduo não pode ser selecionado mais de

uma vez, ou seja, ele apenas irá compor à amostra uma única vez.

Como um exemplo, suponha a extração de uma amostra de n=12 da população de 247 drogarias, com

objetivo de verificar as vendas dos principais fármacos e laboratórios de distribuição.

Neste caso, usa-se o procedimento de amostragem aleatória sem reposição, recorrendo a um aplicativo ou

programa para gerar números aleatórios. Os números secionados correspondem a numeração da drogaria na

listagem de 1 até 247.

Deste modo, os casos sorteados que compõem a amostra de 12 elementos são: 159, 98, 63, 68, 208, 85, 34, 71,

241,129, 48 e 05. Assim, as drogarias associadas a estes números constituem a amostra aleatória do estudo.

Esse tipo de amostragem exige a numeração de todos os N elementos da população, de maneira que seja

necessário atribuir um número de 1 a N para cada elemento da população.

No caso de amostragem aleatória com reposição, usando o mesmo exemplo, a população de drogaria é

numerada de 1 até 247 e realiza-se um sorteio aleatório por meio de aplicativo ou software, sendo os seguintes

-8-
números selecionados: 240, 50, 48, 11, 120, 120, 27, 66, 120, 22, 13, 02. As drogarias associadas a estes números,

então, constituem a amostra aleatória do estudo, mas, neste caso, nota-se que o número “120” foi selecionado

três vezes.

Nas populações infinitas não se tem o valor exato do total da população e, em alguns casos, tem-se um valor

estimado da população. A seguir, veremos as técnicas de amostragem aleatória, tais como: amostragem

estratificada, amostragem sistemática e amostragem por conglomerado (BLAIR, TAYLOR, 2013) e

(FREUND, SIMON, 2000), notando que a amostragem por quotas não tem fundamentação em inferência

estatística e princípio de amostragem aleatória.

-9-
4.2 Amostragem estratificada

A amostragem estratificada é uma amostragem aleatória que usa uma estratificação. O procedimento trata de

estratificar ou dividir a população em um número determinado de subpopulações, chamadas de estratos, e, em

seguida, extrair uma amostra de cada estrato. Os indivíduos que compões cada estrato são selecionados por

meio de um sorteio, ou amostragem aleatória, sendo chamada de amostragem aleatória estratificada.

A estratificação tem o objetivo de formar estratos, de modo que a estratificação tenha relação com a pesquisa,

para que assegure a homogeneidade (uniformidade) da amostra. A alocação dos indivíduos na amostra pode

ser por alocação proporcional e isto significa que os tamanhos das amostras em cada estrato são proporcionais

aos tamanhos dos estratos.

Freund e Simon (2000) resumem que em uma população de tamanho N em k estratos, de tamanho N1, N2,...,Nk,

retira-se uma amostra de tamanho n1 do primeiro estrato, uma amostra de tamanho n2 do segundo e assim por

diante. Então, considera-se que a alocação é proporcional. Vejamos:

O tamanho da amostra para alocação proporcional:

Em que:

i = 1,2,...,k.

: tamanho da amostra.

Vejamos um exemplo: suponha a extração de uma amostra estratificada de tamanho n= 60 de uma

população de tamanho N= 4.000 e três estratos de tamanhos: = 2.000, = 1.200 e = 800. Na

alocação proporcional, o tamanho da amostra a ser extraída de cada estrato deve ser:

Assim, substituindo na fórmula de alocação proporcional:

Tem-se:

A alocação foi proporcional, de acordo com as quantidades, sendo, respectivamente 30, 18 e 12 casos.

Existem outras formas de alocação que consideram alocação proporcional, mas que levam em conta a

variabilidade da amostra dentro dos estratos, chamada de alocação ótima. Ressalta-se que a estratificação não é

restrita a uma única variável de classificação ou característica.

Exemplo: uma pesquisa realizada no sistema educacional de um estado tem o objetivo de conhecer a

atitude dos alunos em relação a saúde bucal. A amostragem pode ser estratificada em relação as

unidades escolares, sexo e série escolar.

- 10 -
Complementando, na amostragem estratificada, o custo da extração de amostras aleatórias dos estratos

individuais é elevado quanto uma amostra aleatória simples.

4.3 Amostragem sistemática

Existem casos em que amostragem sistemática é a mais prática de extrair uma amostra e consiste em selecionar

cada k ordem um indivíduo. Essa amostragem inicialmente introduz um elemento aleatório na unidade de

partida. Vejamos no exemplo: partindo de uma listagem de nome, a cada 12º selecionam os casos para

compor a amostra.

Em alguns casos, a amostragem sistemática representa uma maneira melhor de amostragem, em comparação à

amostragem aleatória, sendo que as amostras se dispersam de forma uniforme sobre a população. Entretanto, os

elementos de uma população devem ser dispostos em forma sequencial ao longo de um período.

Vale atentar para o fato de que, na amostragem sistemática, pode ser possível encontrar a presença de

periodicidades ocultas que disfarçam os erros de amostragem no final dos resultados. Por exemplo: a inspeção

realizada em uma linha de produção de medicamentos, a cada 40ª lote produzido por determinada

máquina. Os resultados seriam enganosos em virtude de uma falha regular no equipamento. Neste caso, a

amostragem sistemática é enganosa devido a falha do equipamento.

De modo geral, esse tipo de amostragem é relevante no planejamento amostral, quando se tem uma listagem de

indivíduos suficientemente grande, a fim de seguir o procedimento de amostragem de cada k a k ordem.

- 11 -
4.4 Amostragem por conglomerados

Esse tipo de amostragem é chamado de amostragem por conglomerado, quando a população total é subdividida

em várias partes pequenas e algumas dessas subdivisões ou conglomerado são selecionadas aleatoriamente,

de forma a compor a amostra global.

Um exemplo para uma situação de amostragem por conglomerado: a prefeitura de uma cidade deseja

pesquisar os casos existentes de uma determinada doença, mas para realizar um procedimento de

amostragem aleatória simples em todas as regiões da cidade o custo é muito elevado.

Deste modo, divide-se a área total do município em diversas áreas menores e, em seguida, em bairros e, depois,

em quarteirões, consistindo em uma amostra aleatória de casas. Consequentemente, aplica-se o questionário nas

famílias das casas selecionadas.

Nesta amostragem, ocorre em cada subdivisões de conglomerados, os procedimentos de amostragem aleatória

simples. No caso dos conglomerados, se as subdivisões forem geográficas, a amostragem é chamada de

amostragem por área. Exemplo: no caso de uma empresa, que deseja realizar uma pesquisa sobre a

qualidade de vida de seus funcionários, pode-se obter uma amostra realizando uma amostragem por

conglomerado, entrevistando alguns funcionários de vários departamento ou setores, escolhidos forma

aleatória.

Alguns estudiosos alegam que as estimativas dos resultados obtidos nesse tipo de amostragem não são muito

confiáveis quanto a amostragem aleatória simples, mas o custo unitário do procedimento é mais vantajoso

(MARTINS, DONAIRE, 1990) e (VIEIRA, 1980).

Na prática, dependendo da situação de estudo, aplicam-se vários métodos de amostragem como, por exemplo:

quando o governo quer estudar a atitude dos professores da escola básica em relação aos programas de

educação. Inicialmente, pode-se estratificar as regiões do país por estados ou subdivisões geográficas.

Para extrair uma amostra de cada estrato, pode-se aplicar amostragem por conglomerado, subdividindo

cada estrato em várias partes geográficas menores, como distritos escolares ou divisão de ensino, e, em

seguida, usar o procedimento de amostragem aleatória ou sistemática para selecionar os professores

nas escolas.

- 12 -
4.5 Amostragem por quotas

A amostragem por quotas é um processo conveniente e mais barato, e às vezes necessário, mas não apresenta

uma característica de amostragem aleatória simples. Na ausência de qualquer controle da amostra ou da

exigência de aleatoriedade, tendem a selecionar exatamente os indivíduos necessários para compor as quotas da

pesquisa.

As amostras obtidas por esse procedimento são amostras de julgamento e as inferências baseadas nessas

amostras não são baseadas na teoria formal da estatística. Mesmo assim, muitos institutos de pesquisas atestam

e usam esse método de amostragem por ser mais rápido e de custo menor.

5 Distribuição de dados

Nos anos mais recentes, os dados estatísticos cresceram de forma muito rápida e apareceram as dificuldades em

manter as atualizações e condensações, sendo um deles o problema de condensar as grandes massas de dados de

maneira a tornar mais simples a sua utilização. O advento do computador, então, permitiu fazer atualizações

constantes nos dados e aplicar técnicas de tratamentos de dados.

O método mais comum de resumir dados consiste em apresentar na forma de tabelas de gráficos.

5.1 Apresentação dos valores numéricos

A organização e apresentação dos dados é a primeira etapa é o entendimento do problema. Considere a situação:

o tempo gasto para uma medicação começar a fazer efeito foi medido em alguns pacientes. Daí surge um

questionamento: “como fazer para torna os dados resultantes mais simples e aplicáveis?”.

Fique de olho
Em algumas circunstâncias, o necessário é saber o valor máximo e mínimo, calcular medidas
estatísticas (média, desvio padrão etc.), e, antes de qualquer cálculo, é necessário organizar e
condensar os dados na forma de distribuição e frequência.

- 13 -
5.2 Distribuição de frequência ou contagem

Para ter uma boa visualização de um grande conjunto de dados, é preciso agrupar os dados em um determinado

número de classe, intervalos ou categorias. Suponha a seguinte situação: uma pesquisa das bases de um

hospital com propósito de acompanhar o plano de saúde de empresas que utilizam serviços do hospital.

Tabela 1 - Distribuição de frequência de empresas.

Fonte: Elaborado pelo autor, 2020

#PraCegoVer: na imagem, vemos uma tabela de distribuição de frequência de empresas, com duas colunas,

sendo uma de número de funcionários e outra de número de empresas.

Os dados podem ser agrupados em distribuição numérica ou quantitativa, como no caso da tabela 1. Caso os

dados estejam agrupados em distribuição não-numérica, é denominada distribuição por categoria ou

qualitativa.

Este tipo de distribuição é ilustrado na tabela 2, que mostra as principais reclamações dos pacientes do hospital.

- 14 -
 Tabela 2 - Distribuição de frequência de reclamação.
Fonte: Elaborado pelo autor, 2020

#PraCegoVer: na imagem, vemos uma tabela de distribuição de frequência de reclamação, com duas colunas,

sendo uma de principais reclamações e outra de número de reclamações.

A distribuição de frequência apresenta os dados em um formato compacto, contribuindo para uma boa

visualização global, e contêm informações adequadas em muitos casos, mas usualmente não se pode determinar

sem tratar os dados originais.

A construção de uma tabela ou gráfico de distribuição de frequência consiste nas seguintes etapas:

1ª etapa Escolha das classes (intervalos ou categorias);

2ª etapa Enquadramento dos dados nessas classes;

3ª etapa Contagem dos números de elementos em cada classe.

No caso de distribuições de frequências numéricas, consiste em decidir quantas classes a utilizar e de qual valor

se inicia e finaliza. Existem várias regras para dividir as classes, mas geralmente, na prática, as escolhas são

arbitrárias.

Em muitas situações, raramente utiliza-se menos de seis ou mais quinze classes. O número exato vai depender

da quantidade de observações na amostra ou população. Cada elemento (observação ou medida) deve se

enquadrar em uma classe.

- 15 -
Precisa ser incluído o valor menor e o valor menor e nenhum valor pode estar no intervalo entre classes

sucessivas, ou seja, as classes não devem se sobrepor umas das outras e não podem ter valores comuns. Além

disso, sempre que possível, as classes devem ter amplitude iguais.

Classes do tipo “menos do que” ou “menos”, “mais do que” e “ou mais” são chamadas de classes abertas, usadas

para reduzir o número de classes quando alguns valores são muito menores ou muito maiores do que os

restantes.

De modo geral, recomenda-se evitar as classes abertas, pois impossibilita o cálculo de determinados valores

como média e totais. Exemplo: construa uma distribuição de frequência da quantidade de cirurgias

realizadas em um hospital no período de trinta dias, sendo as frequências: 12, 8, 11, 13, 10, 10, 7, 8, 9, 9,

9, 6, 12, 8, 8, 7, 9, 10, 10, 15, 6, 10, 9, 11, 11, 10, 9, 5, 6, 17.

A construção de uma tabela ou gráfico de distribuição de frequência nesse caso seguem as etapas:

• 1ª etapa

Escolha das classes (intervalos ou categorias). A ideia inicial é identificar o valor mínimo e o valor

máximo. Assim, valor mínimo é 5 e o máximo 17. Esses valores são chamados de limites de classes.

A amplitude é calculada pela diferença entre o valor máximo e valor mínimo:

O valor resultante é: 17 – 5 = 12. Esse valor mostra o intervalo dos dados.

Recomenda-se que não ultrapasse mais de 15 classes. Existem vários métodos de divisão de classes, mas

essas regras não devem ser mais relevantes do que o bom senso do pesquisador (aqui discute-se apenas

as formas de apresentar a distribuição de frequência). No exemplo visto, pode-se dividir o intervalo dos

dados em: 5 - 7; 8 - 10; 11 - 13; 14 - 16; maior ou igual a 17.

• 2ª etapa

Enquadramento dos dados nessas classes. Nesta etapa, verifica-se se os números dispostos em cada uma

das classes não podem sobrepor uma ou outra classe. Nesse caso, os números não estão sobrepostos nas

classes e em cada classe tem mais ou menos a mesma quantidade.

• 3ª etapa

A contagem dos números de elementos em cada classe é realizada e a apresentação é dada da seguinte

forma:

- 16 -
 Tabela 3 - Distribuição de frequência de quantidade de cirurgias.
Fonte: Elaborado pelo autor, 2020

#PraCegoVer: na imagem vemos uma tabela de frequência da quantidade de cirurgias, onde temos duas

colunas, sendo uma dos números de funcionários e outra do número de empresas.

Observa-se que as classes foram subdividas em cinco classes e em cada classe foi realizada a contagem da

quantidade de vezes que aparece os números no intervalo das classes. Para as distribuições categóricas, não

precisa se preocupar com os detalhes numéricos e os limites de classes. Por outro lado, é necessário ter cuidado

com as ambiguidades no momento de criar as categorias, a maneira de criar e classificar as categorias. Exemplo:

construa uma distribuição de frequência das modalidades esportivas, sendo modalidades: basquete,

corrida, natação, vôlei, futebol, natação, judô, corrida, natação, futebol, vôlei, futebol, futebol, corrida,

vôlei, futebol, corrida, basquete, futebol, futebol.

A construção de uma tabela ou gráfico de distribuição de frequência nesse caso seguem as etapas:

1ª etapa

Escolha das classes (intervalos ou categorias). Como as modalidades esportivas são categorias, não tem

intervalos. As modalidades são: basquete, futebol, natação, corrida, judô, vôlei.

2ª etapa

Enquadramento dos dados nessas classes. Nessa etapa é importante verificar se as categorias dispostas em cada

classe não irão sobrepor uma ou outra classe. Nesse caso, cada classe é uma modalidade esportiva.

3ª etapa

Contagem da quantidade de vezes em que aparece cada modalidade esportiva, conforme a tabela abaixo:

- 17 -
 Tabela 4 - Distribuição de frequência de quantidade de modalidades de esporte.
Fonte: Elaborado pelo autor, 2020

#PraCegoVer: na imagem, vemos uma tabela de distribuição de frequência de quantidade de modalidades de

esporte, com duas colunas, sendo uma de modalidade esportiva e outra de quantidade.

As classes da distribuição de frequência também podem ser construídas considerando as escalas de medidas. As

escalas de medidas baseiam-se nos tipos de variáveis que compreendem as classes das distribuições.

Deste modo, quatro escalas de medidas podem ser utilizadas: escala nominal, escala ordinal, escala intervalar

e escala razão. Todas essas escalas dependem da classificação do tipo de variáveis, sendo variáveis qualitativas

(nominal e ordinal) e quantitativas (discreta e contínua).

• Escala nominal

Em uma escala nominal uma medida ou variável pode ser igual ou diferente das outras, sendo utilizada

para categorizar os indivíduos de uma amostra ou população. Exemplo: a variável sexo dos indivíduos

pode ser categorizada em: “masculino” e “feminino” ou respectivamente as categorias “1” e “2”.

Nesse caso, não se pode realizada operações matemáticas com as categorias.

• Escala ordinal

É uma escala de ordenação, ou seja, uma medida ou variável é maior ou menor do que a outra. Exemplo:

a classe econômica pode ser ordenada em: “baixa”, “média” e “alta”. Elas podem ser

transformadas em “1-baixa”, “2-média” e “3-alta”. Essas transformações não alteram a estrutura de

uma escala ordinal.

- 18 -
 • Escala intervalar

É uma escala que assume um valor numérico dentro de um intervalo. Para esta escala, pode-se realizar

as operações matemáticas e cálculo de medidas estatísticas.

• Escala razão

Quando se tem duas medidas, em escalas de duas iguais, uma maior e a outra menor e duas diferentes,

uma é quantas vezes a outra. Essa escala é específica para uma transformação e manipulações de

cálculos. Exemplo: a variável y é dada em função da variável x da forma:

é isso Aí!
Nesta unidade, você teve a oportunidade de:
• adquirir uma noção de arredondamento de número ou medida;
• reconhecer importância da amostra e o planejamento amostral antes de dar início a uma pesquisa;
• apresentar as principais técnicas de amostragens: amostragem aleatória simples, estratificada,
sistemática, conglomerado. Além da amostragem por quotas;
• conhecer as medidas de precisão e rigor;
• construir a distribuição de frequência ou contagem dos dados.

Referências
BUSSAB O. W., MORETTIN A. P. Estatística básica. 5 ed. São Paulo: Editora Saraiva, 2002.

FREUND E. J., SIMON A. G. Estatística Aplicada a Economia, Administração e Contabilidade. 9 ed. Porto

Alegre: Editora Bookman, 2000.

MARTINS A. G; DONAIRE D. Princípios de Estatística. Rio de Janeiro: Editora Atlas, 1990.

VIEIRA S. Introdução à Bioestatística. 3 ed. Rio de Janeiro Editora Elsevier, 1980.

- 19 -