{"id":410,"date":"2025-03-20T11:30:00","date_gmt":"2025-03-20T14:30:00","guid":{"rendered":"https:\/\/colegadeclasse.com.br\/blog\/?p=410"},"modified":"2025-12-22T15:44:01","modified_gmt":"2025-12-22T18:44:01","slug":"conceitos-e-aplicacoes-basicas-de-estatistica","status":"publish","type":"post","link":"https:\/\/colegadeclasse.com.br\/blog\/2025\/03\/20\/conceitos-e-aplicacoes-basicas-de-estatistica\/","title":{"rendered":"Conceitos e Aplica\u00e7\u00f5es B\u00e1sicas de Estat\u00edstica"},"content":{"rendered":"
\n\t\t<\/a>\n\t\t<\/div>\n
\n

A estat\u00edstica \u00e9 a ci\u00eancia que se dedica \u00e0 coleta, organiza\u00e7\u00e3o, an\u00e1lise e interpreta\u00e7\u00e3o de dados. Para o candidato a concursos p\u00fablicos, dominar seus conceitos \u00e9 imprescind\u00edvel, pois permeia desde an\u00e1lises de pol\u00edticas p\u00fablicas at\u00e9 gest\u00e3o administrativa e elabora\u00e7\u00e3o de diagn\u00f3sticos institucionais.<\/p>\n\n\n\n

Conforme afirma o reconhecido estat\u00edstico M\u00e1rio Triola, em sua obra “Introdu\u00e7\u00e3o \u00e0 Estat\u00edstica”: “A estat\u00edstica \u00e9 a arte e a ci\u00eancia de coletar, analisar, apresentar e interpretar dados. Ela transforma dados brutos em informa\u00e7\u00e3o \u00fatil para tomada de decis\u00e3o.”<\/p>\n\n\n\n

A estat\u00edstica divide-se em duas vertentes principais: estat\u00edstica descritiva<\/strong> (que organiza e resume dados) e estat\u00edstica inferencial<\/strong> (que extrai conclus\u00f5es sobre popula\u00e7\u00f5es a partir de amostras). Este material concentra-se na estat\u00edstica descritiva, fundamental para qualquer candidato.<\/p>\n<\/div><\/div>\n\n\n\n

\n

Popula\u00e7\u00e3o, Universo, Amostra: Os Tr\u00eas Pilares Iniciais<\/h2>\n\n\n\n

Popula\u00e7\u00e3o e Universo: Defini\u00e7\u00f5es e Distin\u00e7\u00f5es<\/h3>\n\n\n\n

Na linguagem estat\u00edstica, popula\u00e7\u00e3o<\/strong> e universo<\/strong> s\u00e3o frequentemente tratados como sin\u00f4nimos, embora alguns autores fa\u00e7am sutis diferencia\u00e7\u00f5es te\u00f3ricas. Para fins pr\u00e1ticos e de concursos p\u00fablicos, ambos referem-se ao conjunto completo de elementos que compartilham caracter\u00edsticas comuns e s\u00e3o objeto de investiga\u00e7\u00e3o estat\u00edstica<\/strong>.<\/p>\n\n\n\n

A popula\u00e7\u00e3o \u00e9 definida pela caracter\u00edstica que se deseja estudar, n\u00e3o pelo n\u00famero de pessoas ou objetos envolvidos. Uma popula\u00e7\u00e3o \u00e9 sempre finita ou infinita em rela\u00e7\u00e3o ao tamanho potencial de elementos.<\/p>\n\n\n\n

\n
\n

Popula\u00e7\u00e3o Finita<\/strong>: \u00c9 aquela cujos elementos podem ser enumerados, ainda que teoricamente. Exemplos concretos incluem: todos os servidores p\u00fablicos do Tribunal de Justi\u00e7a do Estado de S\u00e3o Paulo em determinada data; todas as notas fiscais emitidas por uma empresa em um ano fiscal; todos os processos administrativos de um \u00f3rg\u00e3o p\u00fablico em um per\u00edodo espec\u00edfico.<\/p>\n<\/div>\n\n\n\n

\n

Popula\u00e7\u00e3o Infinita<\/strong>: \u00c9 aquela cuja enumera\u00e7\u00e3o de todos os elementos \u00e9 imposs\u00edvel. Exemplos incluem: todas as possibilidades de resultados no lan\u00e7amento infinito de um dado; todos os comprimentos de pe\u00e7as que uma m\u00e1quina poderia potencialmente produzir indefinidamente; a popula\u00e7\u00e3o de mol\u00e9culas de ar em uma sala.<\/p>\n<\/div>\n<\/div>\n\n\n\n

Na pr\u00e1tica administrativa, frequentemente lidam-se com popula\u00e7\u00f5es teoricamente infinitas que s\u00e3o tratadas estatisticamente como finitas para fins de amostragem. Esta distin\u00e7\u00e3o aparece recorrentemente em quest\u00f5es de metodologia.<\/p>\n\n\n\n

Amostra: Representatividade e Confiabilidade<\/h3>\n\n\n\n

A amostra<\/strong> \u00e9 um subconjunto selecionado da popula\u00e7\u00e3o, mediante procedimentos espec\u00edficos, que permite realizar infer\u00eancias sobre a popula\u00e7\u00e3o inteira com margem de erro calcul\u00e1vel e probabilidade conhecida<\/strong>.<\/p>\n\n\n\n

A utiliza\u00e7\u00e3o de amostras justifica-se por raz\u00f5es multifacetadas:<\/p>\n\n\n\n

    \n
  • Raz\u00f5es econ\u00f4micas<\/strong>: Redu\u00e7\u00e3o significativa de custos operacionais, particularmente em institui\u00e7\u00f5es p\u00fablicas com or\u00e7amentos limitados<\/li>\n\n\n\n
  • Raz\u00f5es temporais<\/strong>: Economia consider\u00e1vel de tempo em coleta e an\u00e1lise de dados<\/li>\n\n\n\n
  • Raz\u00f5es t\u00e9cnicas<\/strong>: Menor probabilidade de erros quando volume de dados \u00e9 reduzido<\/li>\n\n\n\n
  • Raz\u00f5es de viabilidade<\/strong>: Possibilita estudos em popula\u00e7\u00f5es infinitas ou muito grandes<\/li>\n\n\n\n
  • Raz\u00f5es metodol\u00f3gicas<\/strong>: Permite estudos destrutivos onde a an\u00e1lise destr\u00f3i o elemento (teste de resist\u00eancia de materiais, por exemplo)<\/li>\n<\/ul>\n\n\n\n

    A validade de qualquer an\u00e1lise estat\u00edstica repousa fundamentalmente na representatividade da amostra<\/strong>. Uma amostra \u00e9 representativa quando reproduz, em propor\u00e7\u00f5es semelhantes, as caracter\u00edsticas da popula\u00e7\u00e3o da qual foi extra\u00edda. Amostras enviesadas ou n\u00e3o representativas produzem resultados n\u00e3o confi\u00e1veis e podem levar a conclus\u00f5es completamente equivocadas sobre pol\u00edticas p\u00fablicas e decis\u00f5es administrativas.<\/p>\n\n\n\n

    A rela\u00e7\u00e3o entre tamanho da amostra e confiabilidade dos resultados \u00e9 inversamente proporcional ao erro amostral (margem de erro). Quanto maior a amostra, menor o erro amostral, maior a precis\u00e3o das estimativas sobre a popula\u00e7\u00e3o.<\/p>\n<\/div><\/div>\n\n\n\n

    \n

    Amostragem: M\u00e9todos e Procedimentos Estat\u00edsticos<\/h2>\n\n\n\n

    A amostragem<\/strong> \u00e9 o processo sistem\u00e1tico de sele\u00e7\u00e3o dos elementos que constituir\u00e3o a amostra<\/strong>. A escolha do m\u00e9todo de amostragem \u00e9 decis\u00e3o metodol\u00f3gica cr\u00edtica que determina diretamente a confiabilidade dos resultados e a validade das infer\u00eancias estat\u00edsticas.<\/p>\n\n\n\n

    M\u00e9todos Probabil\u00edsticos de Amostragem<\/h3>\n\n\n\n

    Os m\u00e9todos probabil\u00edsticos (ou aleat\u00f3rios) oferecem confiabilidade estat\u00edstica superior porque garantem que cada elemento da popula\u00e7\u00e3o possui probabilidade conhecida, diferente de zero, de ser selecionado. Esta caracter\u00edstica permite o c\u00e1lculo preciso do erro amostral.<\/p>\n\n\n\n

    Amostragem Aleat\u00f3ria Simples<\/strong>: Este \u00e9 o m\u00e9todo mais fundamental e puro. Todo elemento da popula\u00e7\u00e3o possui a mesma probabilidade de ser selecionado. \u00c9 an\u00e1logo ao sorteio de loteria onde cada n\u00famero tem chance id\u00eantica de sair. Utiliza-se tabelas de n\u00fameros aleat\u00f3rios geradas por computador, ou m\u00e9todos de sorteio controlado.<\/p>\n\n\n\n

    Procedimento: Numera-se todos os elementos da popula\u00e7\u00e3o de 1 a N. Utiliza-se gerador de n\u00fameros aleat\u00f3rios para selecionar n n\u00fameros. Os elementos correspondentes aos n\u00fameros selecionados comp\u00f5em a amostra.<\/p>\n\n\n\n

    Aplica\u00e7\u00e3o pr\u00e1tica em contexto p\u00fablico: Selecionar 50 processos dentre 2.000 processos administrativos para auditoria, numerando-os de 1 a 2.000 e selecionando 50 n\u00fameros aleatoriamente.<\/p>\n\n\n\n

    Amostragem Sistem\u00e1tica<\/strong>: M\u00e9todo que combina aleatoriedade com sistematiza\u00e7\u00e3o. Ap\u00f3s ordenar os elementos da popula\u00e7\u00e3o, seleciona-se o primeiro elemento aleatoriamente dentro de um intervalo, e em seguida seleciona-se cada k-\u00e9simo elemento subsequente, onde k \u00e9 calculado como N\/n.<\/p>\n\n\n\n

    F\u00f3rmula do intervalo: <\/p>\n\n\n\n

    k<\/mi>=<\/mo>N<\/mi>n<\/mi><\/mfrac><\/mrow>k = \\frac{N}{n}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

    , onde N \u00e9 o tamanho da popula\u00e7\u00e3o e n \u00e9 o tamanho desejado da amostra.<\/p>\n\n\n\n

    Aplica\u00e7\u00e3o: Para amostra de 100 elementos de popula\u00e7\u00e3o de 5.000, k = 50. Seleciona-se aleatoriamente um n\u00famero entre 1 e 50 (digamos 27), depois seleciona-se os elementos: 27, 77, 127, 177, 227, etc.<\/p>\n\n\n\n

    Vantagem: Praticidade em processos administrativos e quando a popula\u00e7\u00e3o est\u00e1 organizada em listas.<\/p>\n\n\n\n

    Amostragem Estratificada<\/strong>: A popula\u00e7\u00e3o \u00e9 dividida em estratos (subgrupos internamente homog\u00eaneos), e amostras s\u00e3o extra\u00eddas proporcionalmente de cada estrato. Esta metodologia garante que grupos importantes n\u00e3o sejam negligenciados.<\/p>\n\n\n\n

    Exemplo institucional: Uma auditoria em institui\u00e7\u00e3o p\u00fablica com 3.000 servidores (1.000 n\u00edvel superior, 1.200 n\u00edvel m\u00e9dio, 800 operacional). Para amostra de 300 servidores, extrai-se: 100 de n\u00edvel superior, 120 de n\u00edvel m\u00e9dio, 80 operacional (propor\u00e7\u00f5es 1:1,2:0,8).<\/p>\n\n\n\n

    Vantagem: Aumenta precis\u00e3o das estimativas quando h\u00e1 heterogeneidade entre estratos.<\/p>\n\n\n\n

    Amostragem por Conglomerados<\/strong>: A popula\u00e7\u00e3o \u00e9 dividida em grupos (conglomerados) que s\u00e3o internamente heterog\u00eaneos mas similares entre si. Seleciona-se aleatoriamente alguns conglomerados completos para an\u00e1lise.<\/p>\n\n\n\n

    Aplica\u00e7\u00e3o: Para pesquisa sobre satisfa\u00e7\u00e3o de servidores em institui\u00e7\u00e3o federal com 50 unidades regionais, seleciona-se aleatoriamente 5 unidades e entrevista-se todos os servidores dessas 5 unidades.<\/p>\n\n\n\n

    Vantagem: Extremamente \u00fatil quando popula\u00e7\u00e3o est\u00e1 geograficamente dispersa, reduzindo custos de deslocamento.<\/p>\n\n\n\n

    Observa\u00e7\u00e3o importante<\/strong>: Amostragem estratificada e por conglomerados parecem similares mas diferem fundamentalmente: na estratificada, extrai-se amostra de cada estrato; na conglomerados, seleciona-se conglomerados inteiros.<\/p>\n\n\n\n

    M\u00e9todos N\u00e3o-Probabil\u00edsticos de Amostragem<\/h3>\n\n\n\n

    Estes m\u00e9todos n\u00e3o garantem representatividade estat\u00edstica rigorosa nem permitem c\u00e1lculo de erro amostral. Utilizados quando limita\u00e7\u00f5es pr\u00e1ticas impedem amostragem probabil\u00edstica ou em pesquisas explorat\u00f3rias.<\/p>\n\n\n\n

    \n
    \n

    Amostragem por Conveni\u00eancia<\/strong>: Seleciona-se elementos de f\u00e1cil acesso ao pesquisador. Exemplo: entrevistar apenas servidores que voluntariamente comparecem.<\/p>\n<\/div>\n\n\n\n

    \n

    Advert\u00eancia cr\u00edtica<\/strong>: Este m\u00e9todo introduz vi\u00e9s significativo e deve ser absolutamente evitado em estudos que buscam precis\u00e3o estat\u00edstica e confiabilidade de resultados. Frequentemente aparece em quest\u00f5es de concursos como exemplo de metodologia inadequada.<\/p>\n<\/div>\n<\/div>\n\n\n\n

    \n
    \n

    Amostragem Intencional ou por Julgamento<\/strong>: O pesquisador seleciona elementos que julga serem representativos baseado em conhecimento pr\u00e9vio ou expertise.<\/p>\n<\/div>\n\n\n\n

    \n

    Amostragem por Quotas<\/strong>: Similar \u00e0 estratificada em apar\u00eancia, mas sem sele\u00e7\u00e3o aleat\u00f3ria dentro dos estratos. O pesquisador preenche quotas de cada grupo utilizando crit\u00e9rio de conveni\u00eancia.<\/p>\n<\/div>\n<\/div>\n\n\n\n

    Quest\u00f5es frequentemente testam a capacidade de distinguir entre amostragem probabil\u00edstica (que permite infer\u00eancia estat\u00edstica v\u00e1lida) e n\u00e3o-probabil\u00edstica (que n\u00e3o permite). Esta diferen\u00e7a \u00e9 fundamental para avaliar validade de pesquisas.<\/p>\n<\/div><\/div>\n\n\n\n

    \n

    Vari\u00e1veis: Tipologia e Caracteriza\u00e7\u00e3o Estat\u00edstica<\/h2>\n\n\n\n

    Uma vari\u00e1vel<\/strong> \u00e9 qualquer caracter\u00edstica, atributo, propriedade ou fen\u00f4meno mensur\u00e1vel do elemento pesquisado que pode assumir diferentes valores ou categorias. \u00c9 aquilo que se mede, observa ou registra em uma investiga\u00e7\u00e3o estat\u00edstica.<\/p>\n\n\n\n

    A compreens\u00e3o da natureza das vari\u00e1veis \u00e9 fundamental porque determina quais t\u00e9cnicas estat\u00edsticas s\u00e3o apropriadas para sua an\u00e1lise.<\/p>\n\n\n\n

    Vari\u00e1veis Qualitativas ou Categ\u00f3ricas<\/h3>\n\n\n\n

    Expressam atributos, qualidades ou categorias sem rela\u00e7\u00e3o intr\u00ednseca de ordem ou magnitude num\u00e9rica, embora possam ser representadas numericamente para fins de processamento.<\/p>\n\n\n\n

    Vari\u00e1veis Qualitativas Nominais<\/strong>: N\u00e3o existe ordena\u00e7\u00e3o natural ou l\u00f3gica entre as categorias. Cada categoria \u00e9 simplesmente diferente das demais, n\u00e3o sendo melhor, pior, maior ou menor.<\/p>\n\n\n\n

    Exemplos: cor dos olhos (azul, castanho, verde), estado civil (solteiro, casado, divorciado, vi\u00favo), regi\u00e3o geogr\u00e1fica (Norte, Nordeste, Sudeste, Sul, Centro-Oeste), partido pol\u00edtico de filia\u00e7\u00e3o, departamento de lota\u00e7\u00e3o de servidor p\u00fablico, tipo de processo administrativo.<\/p>\n\n\n\n

    Caracter\u00edsticas essenciais: Opera\u00e7\u00f5es matem\u00e1ticas (soma, subtra\u00e7\u00e3o, multiplica\u00e7\u00e3o) n\u00e3o possuem sentido ou validade. N\u00e3o se pode dizer que “vi\u00favo \u00e9 maior que divorciado” ou que “Sudeste menos Sul \u00e9 igual a Nordeste”.<\/p>\n\n\n\n

    Vari\u00e1veis Qualitativas Ordinais<\/strong>: Existe uma ordena\u00e7\u00e3o natural ou hier\u00e1rquica entre as categorias, embora n\u00e3o se quantifique a dist\u00e2ncia entre elas. As categorias possuem rela\u00e7\u00e3o de preced\u00eancia.<\/p>\n\n\n\n

    Exemplos: grau de escolaridade (fundamental incompleto, fundamental completo, m\u00e9dio incompleto, m\u00e9dio completo, superior incompleto, superior completo), classe social (baixa, m\u00e9dia, alta), n\u00edvel de satisfa\u00e7\u00e3o em escala Likert (totalmente insatisfeito, insatisfeito, neutro, satisfeito, totalmente satisfeito), classifica\u00e7\u00e3o de desempenho funcional (insuficiente, regular, bom, excelente), prioridade de processo (baixa, m\u00e9dia, alta).<\/p>\n\n\n\n

    Caracter\u00edstica crucial<\/strong>: Embora haja ordem, n\u00e3o se pode afirmar que a dist\u00e2ncia (intervalo) entre “insatisfeito” e “neutro” \u00e9 id\u00eantica \u00e0 dist\u00e2ncia entre “neutro” e “satisfeito”. As categorias n\u00e3o s\u00e3o equidistantes.<\/p>\n\n\n\n

    A ordena\u00e7\u00e3o permite aplicar t\u00e9cnicas estat\u00edsticas um pouco mais sofisticadas (como mediana e percentis) que em nominais, mas ainda com restri\u00e7\u00f5es comparado a vari\u00e1veis quantitativas.<\/p>\n\n\n\n

    Vari\u00e1veis Quantitativas ou Num\u00e9ricas<\/h3>\n\n\n\n

    Expressam valores num\u00e9ricos reais sobre os quais opera\u00e7\u00f5es matem\u00e1ticas possuem significado pr\u00e1tico e te\u00f3rico. Permitem aplica\u00e7\u00e3o de toda gama de t\u00e9cnicas estat\u00edsticas.<\/p>\n\n\n\n

    Vari\u00e1veis Quantitativas Discretas<\/strong>: Assumem apenas valores inteiros e espec\u00edficos, resultando de processos de contagem. Entre dois valores discretos consecutivos n\u00e3o existem valores intermedi\u00e1rios poss\u00edveis.<\/p>\n\n\n\n

    Exemplos: n\u00famero de filhos de um servidor, n\u00famero de processos tramitados em um m\u00eas, n\u00famero de servidores em um departamento, n\u00famero de aus\u00eancias injustificadas, n\u00famero de cursos realizados, quantidade de den\u00fancias recebidas.<\/p>\n\n\n\n

    Caracter\u00edsticas: Cada valor \u00e9 isolado; n\u00e3o se pode ter 2,5 filhos ou 3,7 processos.<\/p>\n\n\n\n

    Vari\u00e1veis Quantitativas Cont\u00ednuas<\/strong>: Podem teoricamente assumir qualquer valor dentro de um intervalo cont\u00ednuo, resultando de processos de medi\u00e7\u00e3o. Entre dois valores continuos sempre existem infinitos valores intermedi\u00e1rios poss\u00edveis.<\/p>\n\n\n\n

    Exemplos: peso de um indiv\u00edduo, altura, temperatura, tempo de dura\u00e7\u00e3o de um atendimento ao p\u00fablico, renda mensal, velocidade de processamento de dados, consumo de energia el\u00e9trica.<\/p>\n\n\n\n

    Caracter\u00edsticas: Os valores s\u00e3o teoricamente infinitos em um intervalo (peso pode ser 70kg, 70,5kg, 70,51kg, 70,512kg, etc.).<\/p>\n\n\n\n

    Ponto de aten\u00e7\u00e3o pr\u00e1tico<\/strong>: Em pesquisas pr\u00e1ticas e relat\u00f3rios administrativos, vari\u00e1veis cont\u00ednuas frequentemente aparecem discretizadas ou arredondadas (peso registrado em quilograma inteiro, tempo em minutos completos), mas mant\u00eam sua natureza cont\u00ednua conceitual. Isso \u00e9 importante para escolha de t\u00e9cnicas anal\u00edticas apropriadas.<\/p>\n\n\n\n

    Observa\u00e7\u00e3o para concursos<\/strong>: Quest\u00f5es frequentemente apresentam situa\u00e7\u00f5es pr\u00e1ticas e exigem classifica\u00e7\u00e3o correta da vari\u00e1vel. Exemplo: “n\u00famero de horas trabalhadas” \u00e9 discreto (contagem de horas inteiras) ou cont\u00ednuo (pode ter 8,5 horas)? A resposta depende de como \u00e9 medido na institui\u00e7\u00e3o.<\/p>\n<\/div><\/div>\n\n\n\n

    \n

    Medidas de Tend\u00eancia Central: Sintetizando o Centro dos Dados<\/h2>\n\n\n\n

    As medidas de tend\u00eancia central descrevem o valor central, t\u00edpico ou representativo<\/strong> de um conjunto de dados. S\u00e3o indicadores sintetizadores que buscam representar, em um \u00fanico n\u00famero, o comportamento geral ou t\u00edpico de todos os dados.<\/p>\n\n\n\n

    Estas medidas s\u00e3o fundamentais porque reduzem grande volume de informa\u00e7\u00f5es a um valor interpret\u00e1vel, facilitando comunica\u00e7\u00e3o e compara\u00e7\u00e3o entre grupos diferentes.<\/p>\n\n\n\n

    M\u00e9dia Aritm\u00e9tica: A Medida Cl\u00e1ssica<\/h3>\n\n\n\n

    A m\u00e9dia aritm\u00e9tica<\/strong> (ou simplesmente “m\u00e9dia”) \u00e9 a soma de todos os valores dividida pelo n\u00famero total de observa\u00e7\u00f5es:<\/p>\n\n\n\n

    x<\/mi>\u203e<\/mo><\/mover>=<\/mo>\u2211<\/mo>i<\/mi>=<\/mo>1<\/mn><\/mrow>n<\/mi><\/msubsup>x<\/mi>i<\/mi><\/msub><\/mrow>n<\/mi><\/mfrac>=<\/mo>x<\/mi>1<\/mn><\/msub>+<\/mo>x<\/mi>2<\/mn><\/msub>+<\/mo>x<\/mi>3<\/mn><\/msub>+<\/mo>.<\/mi>.<\/mi>.<\/mi>+<\/mo>x<\/mi>n<\/mi><\/msub><\/mrow>n<\/mi><\/mfrac><\/mrow>\\bar{x} = \\frac{\\sum_{i=1}^{n} x_i}{n} = \\frac{x_1 + x_2 + x_3 + … + x_n}{n}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

    Onde:<\/p>\n\n\n\n

    \n
    \n
    x<\/mi>\u203e<\/mo><\/mover>\\bar{x}<\/annotation><\/semantics><\/math><\/div>\n<\/div>\n\n\n\n
    \n

    representa a m\u00e9dia<\/p>\n<\/div>\n<\/div>\n\n\n\n

    \n
    \n
    \u2211<\/mo>i<\/mi>=<\/mo>1<\/mn><\/mrow>n<\/mi><\/munderover><\/mrow>x<\/mi>i<\/mi><\/msub><\/mrow>\\sum_{i=1}^{n} x_i<\/annotation><\/semantics><\/math><\/div>\n<\/div>\n\n\n\n
    \n

    denota a soma de todos os valores de x<\/p>\n<\/div>\n<\/div>\n\n\n\n

    \n
    \n
    n<\/mi>n<\/annotation><\/semantics><\/math><\/div>\n<\/div>\n\n\n\n
    \n

    \u00e9 o n\u00famero total de observa\u00e7\u00f5es<\/p>\n<\/div>\n<\/div>\n\n\n\n

    Caracter\u00edsticas fundamentais<\/strong>:<\/p>\n\n\n\n

      \n
    • \u00c9 a medida mais intuitiva, amplamente utilizada e compreendida<\/li>\n\n\n\n
    • Leva em considera\u00e7\u00e3o absolutamente todos os valores do conjunto<\/li>\n\n\n\n
    • \u00c9 sens\u00edvel a valores extremos ou at\u00edpicos (outliers); um \u00fanico valor muito alto ou muito baixo pode distorcer significativamente a m\u00e9dia<\/li>\n\n\n\n
    • Existe uma \u00fanica m\u00e9dia para cada conjunto de dados<\/li>\n\n\n\n
    • \u00c9 apropriada para dados quantitativos (discretos ou cont\u00ednuos), nunca para dados qualitativos<\/li>\n<\/ul>\n\n\n\n

      Exemplo ilustrativo pr\u00e1tico<\/strong>: Considere analista de recursos humanos analisando sal\u00e1rios de cinco servidores:<\/p>\n\n\n\n

        \n
      • Servidor A: R$ 3.000<\/li>\n\n\n\n
      • Servidor B: R$ 3.200<\/li>\n\n\n\n
      • Servidor C: R$ 3.500<\/li>\n\n\n\n
      • Servidor D: R$ 3.800<\/li>\n\n\n\n
      • Servidor E: R$ 15.000 (diretor, valor at\u00edpico)<\/li>\n<\/ul>\n\n\n\n

        M\u00e9dia = (3.000 + 3.200 + 3.500 + 3.800 + 15.000) \/ 5 = R$ 5.700<\/p>\n\n\n\n

        Note como o sal\u00e1rio at\u00edpico de R$ 15.000 distorce dramaticamente a m\u00e9dia para cima. R$ 5.700 n\u00e3o representa adequadamente o “sal\u00e1rio t\u00edpico” que est\u00e1 na verdade entre R$ 3.000 e R$ 3.800.<\/p>\n\n\n\n

        M\u00e9dia Ponderada<\/strong>: Quando valores possuem pesos diferentes (import\u00e2ncias diferentes), utiliza-se m\u00e9dia ponderada:<\/p>\n\n\n\n

        x<\/mi>\u203e<\/mo><\/mover>p<\/mi>=<\/mo>\u2211<\/mo>i<\/mi>=<\/mo>1<\/mn><\/mrow>n<\/mi><\/msup>w<\/mi>i<\/mi><\/msub>\u22c5<\/mo>x<\/mi>i<\/mi><\/msub><\/mrow>\u2211<\/mo>i<\/mi>=<\/mo>1<\/mn><\/mrow>n<\/mi><\/msubsup>w<\/mi>i<\/mi><\/msub><\/mrow><\/mfrac><\/mrow>\\bar{x}p = \\frac{\\sum{i=1}^{n} w_i \\cdot x_i}{\\sum_{i=1}^{n} w_i}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

        Onde Wi representa o peso atribu\u00eddo a cada valor Xi.<\/p>\n\n\n\n

        Aplica\u00e7\u00e3o pr\u00e1tica: C\u00e1lculo de desempenho quando diferentes avalia\u00e7\u00f5es possuem pesos distintos. Se um servidor possui: Avalia\u00e7\u00e3o 1 (nota 8, peso 2), Avalia\u00e7\u00e3o 2 (nota 9, peso 3), Avalia\u00e7\u00e3o 3 (nota 7, peso 1):<\/p>\n\n\n\n

        x<\/mi>\u203e<\/mo><\/mover>p<\/mi><\/msub>=<\/mo>8<\/mn>(<\/mo>2<\/mn>)<\/mo>+<\/mo>9<\/mn>(<\/mo>3<\/mn>)<\/mo>+<\/mo>7<\/mn>(<\/mo>1<\/mn>)<\/mo><\/mrow>2<\/mn>+<\/mo>3<\/mn>+<\/mo>1<\/mn><\/mrow><\/mfrac>=<\/mo>16<\/mn>+<\/mo>27<\/mn>+<\/mo>7<\/mn><\/mrow>6<\/mn><\/mfrac>=<\/mo>50<\/mn>6<\/mn><\/mfrac>=<\/mo>8,33<\/mn><\/mrow>\\bar{x}_p = \\frac{8(2) + 9(3) + 7(1)}{2 + 3 + 1} = \\frac{16 + 27 + 7}{6} = \\frac{50}{6} = 8,33<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

        Mediana: A Medida de Simetria<\/h3>\n\n\n\n

        A mediana<\/strong> \u00e9 o valor que divide exatamente ao meio o conjunto ordenado de dados<\/strong>, deixando 50% dos valores abaixo e 50% dos valores acima. \u00c9 o valor central quando os dados est\u00e3o organizados em ordem.<\/p>\n\n\n\n

        Procedimento de c\u00e1lculo<\/strong>:<\/p>\n\n\n\n

        Ordene todos os valores em ordem crescente (ou decrescente, o resultado \u00e9 o mesmo)<\/p>\n\n\n\n

        Se o n\u00famero de observa\u00e7\u00f5es (n) \u00e9 \u00edmpar<\/strong>: A mediana \u00e9 o valor que ocupa a posi\u00e7\u00e3o central, especificamente a posi\u00e7\u00e3o : <\/p>\n\n\n\n

        n<\/mi>+<\/mo>1<\/mn><\/mrow>2<\/mn><\/mfrac>\\frac{n+1}{2}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

        Se o n\u00famero de observa\u00e7\u00f5es (n) \u00e9 par<\/strong>: A mediana \u00e9 a m\u00e9dia aritm\u00e9tica dos dois valores centrais, nas posi\u00e7\u00f5es :<\/p>\n\n\n\n

        \n
        \n
        n<\/mi>2<\/mn><\/mfrac>\\frac{n}{2}<\/annotation><\/semantics><\/math><\/div>\n<\/div>\n\n\n\n
        \n

        e<\/p>\n<\/div>\n\n\n\n

        \n
        n<\/mi>2<\/mn><\/mfrac>+<\/mo>1<\/mn><\/mrow>\\frac{n}{2}+1<\/annotation><\/semantics><\/math><\/div>\n<\/div>\n<\/div>\n\n\n\n

        Exemplo com n\u00famero \u00edmpar de observa\u00e7\u00f5es<\/strong>: Conjunto: 7, 12, 15, 18, 22 (n=5) Mediana est\u00e1 na posi\u00e7\u00e3o (5+1)\/2 = 3, sendo o valor 15<\/p>\n\n\n\n

        Exemplo com n\u00famero par de observa\u00e7\u00f5es<\/strong>: Conjunto: 7, 12, 15, 18, 22, 25 (n=6) Mediana = (valor na posi\u00e7\u00e3o 3 + valor na posi\u00e7\u00e3o 4) \/ 2 = (15 + 18) \/ 2 = 16,5<\/p>\n\n\n\n

        Caracter\u00edsticas essenciais<\/strong>:<\/p>\n\n\n\n

          \n
        • N\u00e3o \u00e9 afetada por valores extremos; \u00e9 uma medida robusta<\/li>\n\n\n\n
        • Ideal especialmente quando existem outliers ou valores at\u00edpicos<\/li>\n\n\n\n
        • Divide a distribui\u00e7\u00e3o em duas partes equiprovis\u00f3rias<\/li>\n\n\n\n
        • Menos sens\u00edvel a altera\u00e7\u00f5es nos extremos que a m\u00e9dia<\/li>\n\n\n\n
        • Aplic\u00e1vel a dados quantitativos e tamb\u00e9m a dados qualitativos ordinais<\/li>\n<\/ul>\n\n\n\n

          Compara\u00e7\u00e3o ilustrativa com a m\u00e9dia<\/strong>: Retornando ao exemplo de sal\u00e1rios (R$ 3.000, R$ 3.200, R$ 3.500, R$ 3.800, R$ 15.000):<\/p>\n\n\n\n

            \n
          • M\u00e9dia = R$ 5.700 (distorcida para cima pelo sal\u00e1rio at\u00edpico)<\/li>\n\n\n\n
          • Mediana = R$ 3.500 (valor do meio, muito mais representativo da realidade salarial)<\/li>\n<\/ul>\n\n\n\n

            A mediana de R$ 3.500 reflete muito mais adequadamente o “sal\u00e1rio t\u00edpico” deste grupo que a m\u00e9dia de R$ 5.700.<\/p>\n\n\n\n

            Ponto de aten\u00e7\u00e3o para concursos<\/strong>: Quest\u00f5es frequentemente comparam m\u00e9dia e mediana para testar compreens\u00e3o sobre influ\u00eancia de outliers em distribui\u00e7\u00f5es. A mediana \u00e9 preferida quando dados cont\u00eam valores extremos.<\/p>\n\n\n\n

            Moda: A Medida de Frequ\u00eancia<\/h3>\n\n\n\n

            A moda<\/strong> \u00e9 o valor (ou categoria) que ocorre com maior frequ\u00eancia<\/strong> no conjunto de dados. \u00c9 simplesmente o “valor mais frequente”.<\/p>\n\n\n\n

            Identifica\u00e7\u00e3o da moda<\/strong>: Conta-se a frequ\u00eancia com que cada valor aparece. O(s) valor(es) com maior frequ\u00eancia \u00e9 (s\u00e3o) a(s) moda(s).<\/p>\n\n\n\n

            Exemplo pr\u00e1tico<\/strong>: Em pesquisa sobre n\u00edvel de satisfa\u00e7\u00e3o (escala 1-5) de 20 servidores:<\/p>\n\n\n\n

              \n
            • Nota 1: 2 servidores<\/li>\n\n\n\n
            • Nota 2: 3 servidores<\/li>\n\n\n\n
            • Nota 3: 5 servidores<\/li>\n\n\n\n
            • Nota 4: 7 servidores<\/li>\n\n\n\n
            • Nota 5: 3 servidores<\/li>\n<\/ul>\n\n\n\n

              A moda \u00e9 4, pois \u00e9 a nota com maior frequ\u00eancia (7 servidores).<\/p>\n\n\n\n

              Caracter\u00edsticas importantes<\/strong>:<\/p>\n\n\n\n

                \n
              • Pode n\u00e3o existir (quando todos os valores t\u00eam a mesma frequ\u00eancia, distribui\u00e7\u00e3o \u00e9 amodal)<\/li>\n\n\n\n
              • Pode haver mais de uma moda (distribui\u00e7\u00e3o bimodal quando dois valores t\u00eam m\u00e1xima frequ\u00eancia igual, multimodal quando mais de dois)<\/li>\n\n\n\n
              • \u00c9 aplic\u00e1vel a dados qualitativos nominais, ordinais e quantitativos<\/li>\n\n\n\n
              • N\u00e3o \u00e9 afetada por valores extremos<\/li>\n\n\n\n
              • Em distribui\u00e7\u00f5es sim\u00e9tricas e unimodais, moda, mediana e m\u00e9dia coincidem aproximadamente<\/li>\n<\/ul>\n\n\n\n

                Observa\u00e7\u00e3o importante<\/strong>: Uma distribui\u00e7\u00e3o amodal (sem moda definida) ou multimodal (com v\u00e1rias modas) frequentemente indica heterogeneidade nos dados, sugerindo poss\u00edvel divis\u00e3o em subgrupos distintos.<\/p>\n\n\n\n

                Rela\u00e7\u00e3o entre M\u00e9dia, Mediana e Moda em Diferentes Distribui\u00e7\u00f5es<\/h3>\n\n\n\n

                Em distribui\u00e7\u00e3o sim\u00e9trica e unimodal<\/strong>: Os tr\u00eas valores coincidem aproximadamente <\/p>\n\n\n\n

                M\u00e9dia<\/mtext>\u2248<\/mo>Mediana<\/mtext>\u2248<\/mo>Moda<\/mtext><\/mrow>\\text{M\u00e9dia} \u2248 \\text{Mediana} \u2248 \\text{Moda}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                Em distribui\u00e7\u00e3o assim\u00e9trica \u00e0 direita<\/strong> (cauda positiva, valores extremos altos): <\/p>\n\n\n\n

                M\u00e9dia<\/mtext>><\/mo>Mediana<\/mtext>><\/mo>Moda<\/mtext><\/mrow>\\text{M\u00e9dia} > \\text{Mediana} > \\text{Moda}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                A m\u00e9dia \u00e9 puxada para cima pelos valores altos. Exemplo: sal\u00e1rios em setor onde alguns ganham muito mais elevam a m\u00e9dia acima da mediana.<\/p>\n\n\n\n

                Em distribui\u00e7\u00e3o assim\u00e9trica \u00e0 esquerda<\/strong> (cauda negativa, valores extremos baixos): <\/p>\n\n\n\n

                M\u00e9dia<\/mtext><<\/mo>Mediana<\/mtext><<\/mo>Moda<\/mtext><\/mrow>\\text{M\u00e9dia} < \\text{Mediana} < \\text{Moda}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                A m\u00e9dia \u00e9 puxada para baixo pelos valores baixos.<\/p>\n\n\n\n

                Implica\u00e7\u00e3o cr\u00edtica para an\u00e1lise<\/strong>: Esta rela\u00e7\u00e3o permite avaliar o tipo de distribui\u00e7\u00e3o apenas comparando as tr\u00eas medidas. Isto \u00e9 especialmente \u00fatil quando a distribui\u00e7\u00e3o gr\u00e1fica n\u00e3o est\u00e1 dispon\u00edvel.<\/p>\n\n\n\n

                Escolha da Medida de Tend\u00eancia Central Apropriada<\/h3>\n\n\n\n

                Utilize a m\u00e9dia aritm\u00e9tica quando<\/strong>:<\/p>\n\n\n\n

                  \n
                • Os dados s\u00e3o quantitativos e aproximadamente sim\u00e9tricos<\/li>\n\n\n\n
                • N\u00e3o existem outliers significativos<\/li>\n\n\n\n
                • Deseja-se uma medida que considera todos os valores<\/li>\n\n\n\n
                • Planeja realizar an\u00e1lises inferenciais posteriores<\/li>\n<\/ul>\n\n\n\n

                  Utilize a mediana quando<\/strong>:<\/p>\n\n\n\n

                    \n
                  • Dados quantitativos cont\u00eam outliers ou valores at\u00edpicos<\/li>\n\n\n\n
                  • A distribui\u00e7\u00e3o \u00e9 assim\u00e9trica<\/li>\n\n\n\n
                  • Dados s\u00e3o ordinais<\/li>\n\n\n\n
                  • Deseja representa\u00e7\u00e3o mais robusta n\u00e3o influenciada por extremos<\/li>\n<\/ul>\n\n\n\n

                    Utilize a moda quando<\/strong>:<\/p>\n\n\n\n

                      \n
                    • Dados s\u00e3o qualitativos nominais<\/li>\n\n\n\n
                    • Deseja identificar categoria mais frequente ou t\u00edpica<\/li>\n\n\n\n
                    • H\u00e1 interesse em valor mais comum, n\u00e3o valor central<\/li>\n\n\n\n
                    • Distribui\u00e7\u00e3o \u00e9 claramente multimodal e isso \u00e9 relevante para an\u00e1lise<\/li>\n<\/ul>\n<\/div><\/div>\n\n\n\n
                      \n

                      Medidas de Dispers\u00e3o: Quantificando a Variabilidade<\/h2>\n\n\n\n

                      Enquanto as medidas de tend\u00eancia central descrevem onde est\u00e1 o centro dos dados, as medidas de dispers\u00e3o descrevem o grau de varia\u00e7\u00e3o, espalhamento ou heterogeneidade dos dados em rela\u00e7\u00e3o ao valor central<\/strong>. S\u00e3o essenciais para compreender se os dados est\u00e3o concentrados (homog\u00eaneos) ou dispersos (heterog\u00eaneos).<\/p>\n\n\n\n

                      Dois conjuntos podem ter a mesma m\u00e9dia mas dispers\u00f5es completamente diferentes, levando a conclus\u00f5es anal\u00edticas radicalmente distintas.<\/p>\n\n\n\n

                      Amplitude: A Medida Mais Elementar<\/h3>\n\n\n\n

                      A amplitude<\/strong> (ou amplitude total) \u00e9 a diferen\u00e7a entre o maior valor (m\u00e1ximo) e o menor valor (m\u00ednimo)<\/strong> do conjunto de dados:<\/p>\n\n\n\n

                      A<\/mi>=<\/mo>x<\/mi>m<\/mi>a<\/mi>\u02ca<\/mo><\/mover>x<\/mi><\/mrow><\/msub>\u2212<\/mo>x<\/mi>m<\/mi>\u0131<\/mi>\u02ca<\/mo><\/mover>n<\/mi><\/mrow><\/msub><\/mrow>A = x_{m\u00e1x} – x_{m\u00edn}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                      Caracter\u00edsticas<\/strong>:<\/p>\n\n\n\n

                        \n
                      • Medida mais simples de calcular e mais r\u00e1pida<\/li>\n\n\n\n
                      • Utiliza apenas dois valores: o m\u00e1ximo e o m\u00ednimo<\/li>\n\n\n\n
                      • Ignora completamente todos os 999 valores intermedi\u00e1rios<\/li>\n\n\n\n
                      • Sens\u00edvel a valores extremos isolados<\/li>\n\n\n\n
                      • Pouco precisa para representar a dispers\u00e3o real dos dados<\/li>\n<\/ul>\n\n\n\n

                        Exemplo pr\u00e1tico<\/strong>: Em conjunto de tempos de atendimento (em minutos): 5, 12, 15, 18, 22<\/p>\n\n\n\n

                        Amplitude = 22 – 5 = 17 minutos<\/p>\n\n\n\n

                        Por\u00e9m, esta informa\u00e7\u00e3o n\u00e3o nos diz se a maioria dos atendimentos est\u00e1 agrupada pr\u00f3ximo a 5 minutos, pr\u00f3ximo a 22 minutos, ou espalhada por todo o intervalo. Da\u00ed a necessidade de medidas mais sofisticadas.<\/p>\n\n\n\n

                        Conclus\u00e3o<\/strong>: A amplitude \u00e9 informativa apenas como vis\u00e3o inicial; raramente \u00e9 suficiente como medida \u00fanica de dispers\u00e3o.<\/p>\n\n\n\n

                        Vari\u00e2ncia: A Medida Fundamental de Dispers\u00e3o<\/h3>\n\n\n\n

                        A vari\u00e2ncia<\/strong> mede o desvio quadr\u00e1tico m\u00e9dio de todos os valores em rela\u00e7\u00e3o \u00e0 m\u00e9dia aritm\u00e9tica<\/strong>. Quantifica o quanto, em m\u00e9dia, cada observa\u00e7\u00e3o est\u00e1 afastada da m\u00e9dia.<\/p>\n\n\n\n

                        Para uma popula\u00e7\u00e3o completa<\/strong>:<\/p>\n\n\n\n

                        \u03c3<\/mi>2<\/mn><\/msup>=<\/mo>\u2211<\/mo>i<\/mi>=<\/mo>1<\/mn><\/mrow>N<\/mi><\/msubsup>(<\/mo>x<\/mi>i<\/mi><\/msub>\u2212<\/mo>\u03bc<\/mi>)<\/mo>2<\/mn><\/msup><\/mrow>N<\/mi><\/mfrac><\/mrow>\\sigma^2 = \\frac{\\sum_{i=1}^{N} (x_i – \\mu)^2}{N}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n\n\n

                        Para uma amostra<\/strong>:<\/p>\n\n\n\n

                        s<\/mi>2<\/mn><\/msup>=<\/mo>\u2211<\/mo>i<\/mi>=<\/mo>1<\/mn><\/mrow>n<\/mi><\/msubsup>(<\/mo>x<\/mi>i<\/mi><\/msub>\u2212<\/mo>x<\/mi>\u203e<\/mo><\/mover>)<\/mo>2<\/mn><\/msup><\/mrow>n<\/mi>\u2212<\/mo>1<\/mn><\/mrow><\/mfrac><\/mrow>s^2 = \\frac{\\sum_{i=1}^{n} (x_i – \\bar{x})^2}{n-1}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                        Onde:<\/p>\n\n\n\n

                        x<\/mi>i<\/mi><\/msub> = \u00e9 cada observa\u00e7\u00e3o individual<\/mtext><\/mrow>x_i \\text{ = \u00e9 cada observa\u00e7\u00e3o individual}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
                        \u03bc<\/mi> \u00e9 a m\u00e9dia populacional ou <\/mtext>x<\/mi>\u203e<\/mo><\/mover> \u00e9 a m\u00e9dia amostral<\/mtext><\/mrow>\\mu \\text{ \u00e9 a m\u00e9dia populacional ou } \\bar{x} \\text{ \u00e9 a m\u00e9dia amostral}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
                        N<\/mi> \u00e9 o tamanho total da popula\u00e7\u00e3o<\/mtext><\/mrow>N \\text { \u00e9 o tamanho total da popula\u00e7\u00e3o}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
                        n<\/mi> \u00e9 o tamanho da amostra<\/mtext><\/mrow>n \\text{ \u00e9 o tamanho da amostra}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                        Observa\u00e7\u00e3o absolutamente cr\u00edtica<\/strong>: Note a diferen\u00e7a fundamental no divisor:<\/p>\n\n\n\n

                        Para popula\u00e7\u00e3o: divide-se por <\/mtext>N<\/mi><\/mrow>\\text{Para popula\u00e7\u00e3o: divide-se por } N<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
                        Para amostra: divide-se por <\/mtext>n<\/mi>\u2212<\/mo>1<\/mn>,<\/mo> n\u00e3o por <\/mtext>n<\/mi><\/mrow>\\text{Para amostra: divide-se por } n-1, \\text{ n\u00e3o por } n<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                        Esta diferen\u00e7a (n-1)<\/strong> \u00e9 chamada de corre\u00e7\u00e3o de Bessel<\/strong> e existe porque, ao usar uma amostra para estimar a vari\u00e2ncia da popula\u00e7\u00e3o, o uso de n<\/strong> subestimaria a vari\u00e2ncia populacional. O divisor n-1 <\/strong>(chamado “graus de liberdade”) garante que a vari\u00e2ncia amostral seja um estimador n\u00e3o enviesado<\/strong> da vari\u00e2ncia populacional. Este detalhe aparece frequentemente em quest\u00f5es de concursos p\u00fablicos.<\/strong><\/p>\n\n\n\n

                        Processo de c\u00e1lculo<\/strong>:<\/p>\n\n\n\n

                        Calcula-se a diferen\u00e7a de cada valor em rela\u00e7\u00e3o \u00e0 m\u00e9dia: <\/mtext>(<\/mo>x<\/mi>i<\/mi><\/msub>\u2212<\/mo>x<\/mi>\u203e<\/mo><\/mover>)<\/mo><\/mrow>\\text{Calcula-se a diferen\u00e7a de cada valor em rela\u00e7\u00e3o \u00e0 m\u00e9dia: } (x_i – \\bar{x})<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
                        Eleva-se ao quadrado cada diferen\u00e7a: <\/mtext>(<\/mo>x<\/mi>i<\/mi><\/msub>\u2212<\/mo>x<\/mi>\u203e<\/mo><\/mover>)<\/mo>2<\/mn><\/msup><\/mrow>\\text{Eleva-se ao quadrado cada diferen\u00e7a: } (x_i – \\bar{x})^2<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
                        Soma-se todos os quadrados: <\/mtext>\u2211<\/mo>(<\/mo>x<\/mi>i<\/mi><\/msub>\u2212<\/mo>x<\/mi>\u203e<\/mo><\/mover>)<\/mo>2<\/mn><\/msup><\/mrow>\\text{Soma-se todos os quadrados: } \\sum (x_i – \\bar{x})^2<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
                        Divide-se por <\/mtext>n<\/mi>\u2212<\/mo>1<\/mn>(<\/mo>amostra<\/mtext>)<\/mo> ou <\/mtext>N<\/mi> (popula\u00e7\u00e3o)<\/mtext><\/mrow>\\text{Divide-se por } n-1 ( \\text{amostra}) \\text{ ou } N \\text{ (popula\u00e7\u00e3o)}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                        Caracter\u00edsticas essenciais<\/strong>:<\/p>\n\n\n\n

                          \n
                        • Quanto maior a vari\u00e2ncia, maior a dispers\u00e3o dos dados<\/li>\n\n\n\n
                        • Vari\u00e2ncia zero indica que todos os valores s\u00e3o id\u00eanticos (sem varia\u00e7\u00e3o)<\/li>\n\n\n\n
                        • Expressa-se na unidade original ao quadrado<\/strong>, o que torna interpreta\u00e7\u00e3o pr\u00e1tica dif\u00edcil<\/li>\n<\/ul>\n\n\n\n

                          Desvantagem cr\u00edtica<\/strong>: A eleva\u00e7\u00e3o ao quadrado na f\u00f3rmula torna a unidade final incompreens\u00edvel. Se medimos renda em reais, a vari\u00e2ncia fica em “reais ao quadrado”, que n\u00e3o tem significado pr\u00e1tico direto.<\/p>\n\n\n\n

                          Desvio Padr\u00e3o: A Medida Interpret\u00e1vel<\/h3>\n\n\n\n

                          O desvio padr\u00e3o<\/strong> \u00e9 a raiz quadrada positiva da vari\u00e2ncia<\/strong>, trazendo a medida de dispers\u00e3o de volta \u00e0 unidade original, tornando-a interpret\u00e1vel.<\/p>\n\n\n\n

                          Para uma popula\u00e7\u00e3o<\/strong>:<\/p>\n\n\n\n

                          \u03c3<\/mi>=<\/mo>\u2211<\/mo>i<\/mi>=<\/mo>1<\/mn><\/mrow>N<\/mi><\/msubsup>(<\/mo>x<\/mi>i<\/mi><\/msub>\u2212<\/mo>\u03bc<\/mi>)<\/mo>2<\/mn><\/msup><\/mrow>N<\/mi><\/mfrac><\/msqrt><\/mrow>\\sigma = \\sqrt{\\frac{\\sum_{i=1}^{N} (x_i – \\mu)^2}{N}}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                          Para uma amostra<\/strong>:<\/p>\n\n\n\n

                          s<\/mi>=<\/mo>\u2211<\/mo>i<\/mi>=<\/mo>1<\/mn><\/mrow>n<\/mi><\/msubsup>(<\/mo>x<\/mi>i<\/mi><\/msub>\u2212<\/mo>x<\/mi>\u203e<\/mo><\/mover>)<\/mo>2<\/mn><\/msup><\/mrow>n<\/mi>\u2212<\/mo>1<\/mn><\/mrow><\/mfrac><\/msqrt><\/mrow>s = \\sqrt{\\frac{\\sum_{i=1}^{n} (x_i – \\bar{x})^2}{n-1}}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

                          Rela\u00e7\u00e3o fundamental<\/strong>: <\/p>\n\n\n\n

                          $$s = \\sqrt{s^2}$$