Universidade de São Paulo

Disciplina: Climatologia II – ACA 0226

Introdução à Estatística Aplicada à Climatologia

Parte I – Estatística Descritiva

Projeto PAE

Bolsista: Michelle S. Reboita

São Paulo, 2005.

 2
Sumário

1 Introdução ......................................................................... 3
2 Sobre a Estatística ............................................................... 3
2.1 Um Pouco da História da Estatística.......................................................................... 3
2.2 Definição ........................................................................................................................... 3
2.3 Conceitos Importantes .................................................................................................. 3
População:.................................................................................................................................. 3
Amostra: ................................................................................................................................... 4
3 Distribuição de Freqüências ...................................................... 4
3.1 Metodologia para a Elaboração de uma Distribuição de Freqüências................. 5
4 Medidas de Posição ou Tendência Central ....................................... 7
4.1 Média ................................................................................................................................. 8
4.2 Mediana ............................................................................................................................. 9
4.3 Moda................................................................................................................................... 9
4.4 Ponto Médio.....................................................................................................................10
5 Medidas de Dispersão ou de Variabilidade ..................................... 10
5.1 Amplitude Total.............................................................................................................. 11
5.2 Desvio-Padrão ................................................................................................................. 11
5.3 Variância...........................................................................................................................14
6 Assimetria ........................................................................ 14
7 Curtose............................................................................ 15
8 Separatrizes ...................................................................... 16
9 Referências ....................................................................... 20
10 Exercício .......................................................................... 20

Projeto PAE – Bolsista: Michelle S. Reboita

 3
1 Introdução

Os métodos e técnicas estatísticas são utilizados em Climatologia basicamente

para analisarem o tempo passado com o objetivo de inferir sobre o provável
comportamento, no futuro, de alguma variável.
A aplicação de técnicas estatísticas a dados meteorológicos tem a vantagem de
compactar o enorme volume de dados, medidos numa estação, em uma simples tabela
ou uma equação, capaz de sumariar todas as informações de modo a facilitar as
inferências sobre os dados (Assis et al, 1996).

2 Sobre a Estatística

2.1 Um Pouco da História da Estatística

Conforme descrito em Silva (1998), a estatística é uma ciência que surgiu na

Antigüidade e se desenvolveu paralelamente à própria civilização humana.
Há mais de 3.000 anos a.C., os antigos egípcios deixaram dados estatísticos
sobre seus povos gravados em monumentos históricos daquela época, principalmente
nas famosas pirâmides. Além deles, os chineses realizaram um censo demográfico no
ano 2.275 a.C. e, bem mais tarde, os romanos no ano 556 a.C., também realizaram
trabalho bastante semelhante.
Nessas épocas, os censos concentravam-se basicamente no levantamento do
número de habitantes, nascimentos, óbitos e forças guerreiras, pois seus objetivos
eram voltados a fornecer dados confiáveis aos então governantes.
Na era Cristã, principalmente no primeiro milênio, houve também diversos
censos demográficos, notadamente em Israel e alguns países do ocidente.
Entretanto, a partir do século XVI, a estatística começou a ganhar importância,
passando a ser estudada por matemáticos e filósofos e, conseqüentemente, foi
introduzida nos currículos das universidades.

2.2 Definição

A estatística é uma coleção de métodos para planejar experimentos, obter

dados e organiza-los, resumi-los, analisá-los, interpretá-los e deles extrair conclusões
(Triola, 1998).

2.3 Conceitos Importantes

Na estatística os termos população e amostra são muito utilizados, portanto é

necessário conhecer seus significados.

População: é uma coleção completa de todos os elementos a serem estudados. Ex:

conhecer a altura de todos os habitantes do Brasil.
Projeto PAE – Bolsista: Michelle S. Reboita
 4

Amostra: é uma subcoleção de elementos extraídos de uma população. Ex: conhecer a

altura de um conjunto de habitantes do Brasil.

Quando o estudo trata-se de dados meteorológicos, temos em mãos uma

amostra, pois não conhecemos a população, devido não haver o registro contínuo dos
dados deste a origem do planeta.
É importante determinar se um conjunto de dados trata-se de uma amostra ou
de uma população, pois a metodologia de análise muitas vezes é diferente e, também,
as conclusões a que devemos chegar. Quando trabalhamos com amostras, os
resultados obtidos nos cálculos estatísticos são utilizados para fazer inferências
(generalizações) sobre a população. Vejamos um exemplo: selecionamos os dados
horários de temperatura do ar do verão de 2004 medidos numa cidade X, com isto
teremos uma amostra. Calculamos a média aritmética deste conjunto, a partir do
resultado obtido podemos inferir que a média da temperatura daquela cidade no verão
(no caso todos os verões - população) corresponde àquele determinado valor.

3 Distribuição de Freqüências

Quando estamos trabalhando com estatística, normalmente, precisamos manipular

grande quantidade de dados. Entretanto, estes devem ser organizados de tal forma a
facilitar o trabalho do investigador do fenômeno. Se possuímos um conjunto de dados,
por exemplo, de temperaturas médias diárias da estação do IAG (localizada em Água
Funda, São Paulo) do mês de dezembro de 2004, devemos dispô-los de forma que
consigamos extrair de maneira fácil informações como: maior temperatura e menor,
quantos dias tiveram temperaturas acima ou abaixo de um determinado valor, etc.
Para tanto, é elaborado uma distribuição de freqüências.
A distribuição de freqüências é uma tabela que relaciona categorias ou classes
de valores, juntamente com contagens ou freqüências do número de valores que se
enquadram em cada categoria (Triola, 1998). A distribuição de freqüências pode ser
representada através de um histograma, que é um gráfico cujas bases são os limites
das classes e as alturas são as freqüências.
Abaixo temos uma distribuição de freqüências (tabela 1) juntamente com um
histograma (figura 1) da temperatura média diária do mês de dezembro de 2004 da
estação do IAG. Na tabela o símbolo indica que o limite de classe inclui o valor da
esquerda e exclui o da direita.

Projeto PAE – Bolsista: Michelle S. Reboita

 5

Tabela 1. Distribuição de
freqüências da temperatura média
diária do mês de dezembro de 2004
da estação do IAG.
Intervalos de Classe Freqüências
16.1 17.8 3
17.8 19.5 8
19.5 21.2 7
21.2 22.9 8
22.9 24.6 4
24.6 26.3 1
Figura 1. Histograma de freqüências.

3.1 Metodologia para a Elaboração de uma Distribuição de Freqüências

De posse de um conjunto de dados, neste caso, de dados de temperatura média

diária do mês de dezembro de 2004 da estação do IAG (tabela 2), devemos seguir
alguns passos para a construção de uma distribuição de freqüências.

Tabela 2. Dados de temperatura média diária do mês de dezembro de 2004 da

estação do IAG.

Dia Temperatura (ºC) Dia Temperatura (ºC)

1 18,9 17 21,5
2 18,7 18 20,8
3 18,4 19 22,4
4 23,2 20 23,7
5 22,3 21 18,3
6 22 22 16,1
7 22,4 23 17,2
8 23 24 19,8
9 20,9 25 22,6
10 18,3 26 21,2
11 17,5 27 21,2
12 18 28 20,1
13 19,1 29 21,4
14 18,9 30 22,2
15 20 31 23,2
16 25,1

Projeto PAE – Bolsista: Michelle S. Reboita

 6
Passo 1: Ordenar os elementos dos dados brutos em ordem crescente, indicando a
freqüência absoluta de cada elemento.

Dados brutos: dados que ainda não foram numericamente organizados. São as
observações.
Freqüência absoluta: número de vezes que um valor aparece num conjunto de
dados.

Tabela 3. Dados brutos dispostos em ordem crescente com as respectivas

freqüências.

Temperatura Freqüências
16,1 1
17,2 1
17,5 1
18 1
18,3 2
18,4 1
18,7 1
18,9 2
19,1 1
19,8 1
20 1
20,1 1
20,8 1
20,9 1
21,2 2
21,4 1
21,5 1
22 1
22,2 1
22,3 1
22,4 2
22,6 1
23 1
23,2 2
23,7 1
25,1 1

Passo 2: Determinar o número de intervalos de classe (K). O número de intervalos de

classe é obtido pela regra de Sturges (Crespo, 1997):

K = 1+3,3 (log10 n) (1)

onde n é o número total de elementos do conjunto de dados.

Projeto PAE – Bolsista: Michelle S. Reboita

 7
K = 1+3,3 (log10 31)
K = 1+3,3 (1,49)
K = 5,9 ≅ 6

Portanto, a distribuição de freqüências será constituída de 6 intervalos de

classe.

Passo 3: Determinar a amplitude dos intervalos de classe (h):

h=
[x
imáx
− (ximín − 1)]
(2)
k

onde K é o número de intervalos de classe e ximáx e ximín são respectivamente o maior e

o menor valor do conjunto de dados.

h=
[25,1 − (16,1 − 1)]
6
h ≅ 1,7

Após a obtenção da amplitude dos intervalos de classe (passo 3), basta

organizar os dados conforme a distribuição de freqüências apresentada na tabela 1.
Para tanto, se pega o menor valor do conjunto de dados e soma-se a amplitude dos
intervalos de classe. Então, o primeiro intervalo da distribuição de freqüências vai do
menor valor do conjunto até a soma deste com o valor da amplitude dos intervalos de
classe. Após verifica-se quantos elementos (freqüências) encontram-se neste
intervalo. Este procedimento é feito tantas vezes conforme indica o cálculo do número
de intervalos de classe. Também pode ser elaborado o histograma da distribuição de
freqüências (figura 1).

4 Medidas de Posição ou Tendência Central

Normalmente, quando estamos estudando um fenômeno, seja ele de qualquer

natureza, é basicamente impossível manipularmos todos os elementos da seqüência de
dados, a não ser que a quantidade seja pequena. Entretanto, é importante sabermos
onde os valores da seqüência se concentram, facilitando assim a análise. A estatística,
por sua vez, fornece medidas que podem caracterizar o comportamento dos elementos
de uma série. Essas medidas são chamadas de medidas de posição ou de tendência
central, que na prática, possibilitam determinar um valor compreendido entre o menor
e o maior valor da série numérica, ou seja, o valor localizado no centro ou no meio de
um conjunto de dados.
Há diferentes maneiras de definir o centro de um conjunto de dados, assim, há
diferentes definições de medidas de tendência central como: média, mediana, moda e
ponto médio.

Projeto PAE – Bolsista: Michelle S. Reboita

 8
4.1 Média

Média Aritmética: a média aritmética de um conjunto de dados é o valor obtido

somando-se todos os elementos do conjunto e dividindo-se a soma pelo número total
de elementos. Observe:

x=
∑ xi (3)
n

onde x é a média aritmética, xi os dados do conjunto amostral e n o número de

valores.
A média aritmética calculada para os dados fornecidos na tabela 1 corresponde
a:
18,9 + 18,7 + ... + 22,2 + 23,2
x =
31

x = 20,590 C

Observação: quando ao invés de x , que denota a média aritmética de uma

amostra, temos µ significa que a média aritmética é de uma população.
A média aritmética depende de todos os valores da série e qualquer alteração
de um deles altera seu valor. Esta medida é influenciada por valores extremos,
podendo, em alguns casos, não representar a série. Além da média aritmética, há a
média harmônica, geométrica e quadrática.

Média Harmônica: costuma ser usada como medida de tendência central para
conjuntos de dados que consistem em taxas de variação, como por exemplo
velocidades. Obtém-se a média harmônica dividindo-se o número n de valores pela
soma dos inversos de todos os valores. Portanto, é expressa como (Triola, 1998):

n
x=
1 (4)
∑x
i

Para os dados da tabela 1, temos a média harmônica igual a:

31
x =
1 1 1 1
+ + ... + +
18,9 18,7 22,2 23,2

x = 20,360 C

Projeto PAE – Bolsista: Michelle S. Reboita

 9
Média Geométrica: é usada na administração e na economia para achar taxas médias
de variação, de crescimento, ou razões médias. Dados n valores (todos positivos), a
média aritmética é a raiz nma do seu produto (Triola, 1998). Por exemplo, determina-se
a média geométrica de 2, 4, 10 multiplicando-se os três valores – o que dá 80, e
tomando-se a raiz cúbica do resultado (porque há três valores). O resultado é 4,3.
Desta forma para os dados da tabela 1, temos:

x = 31 18,9 * 18,7 * ... * 22,2 * 23,2

x = 20,480 C

Média Quadrática: é utilizada em geral em experimentos físicos. Em sistemas de

distribuição de energia, por exemplo, as tensões e correntes são em geral dadas em
termos de sua média quadrática. Obtém-se a média quadrática de um conjunto de
valores elevando-se cada um ao quadrado, somando-se os resultados, dividindo-se o
total pelo número n de valores e tomando-se a raiz quadrada do resultado (Triola,
1998). Por exemplo, a média quadrática de 2, 4, 10 é 6,3. Agora calculando-se para os
dados da tabela 1, temos:

x=
∑x i
(5)
n

(18,9)2 + (18,7)2 + ... + (22,2)2 + (23,2)2

x=
31

x = 20,710 C

4.2 Mediana

A mediana é o elemento que ocupa a posição central de uma série de dados. Para
encontrá-la os dados devem estar dispostos em ordem crescente ou decrescente. Se a
série tiver um número ímpar de dados o valor que estiver ocupando o meio da série
será a mediana. Se tiver um número par de dados deve-se extrair a média aritmética
dos dois valores centrais, uma vez que, o valor correspondente a mediana acha-se
entre eles.
A mediana dos dados fornecidos na tabela 1 corresponde a 20,9ºC.

4.3 Moda

A moda é o valor que ocorre com maior freqüência em uma série de dados. Pode
ser identificada apenas observando-se a série nos casos de dados não agrupados.
Quando a série possuir dois valores com a mesma freqüência máxima, cada um deles é

Projeto PAE – Bolsista: Michelle S. Reboita

 10
uma moda, e o conjunto diz-se bimodal. Se mais de dois valores ocorrerem com a
mesma freqüência máxima, o conjunto é multimodal. Quando nenhum valor é repetido,
o conjunto não tem moda.
A série de dados fornecida na tabela 1 é multimodal, pois cinco valores (18,3;
18,9; 21,2; 22,4 e 23,2) aparecem com a mesma freqüência máxima.

4.4 Ponto Médio

O ponto médio é o valor que está a meio caminho entre o maior e o menor valor
da série de dados. Para obtê-lo, somamos esses valores extremos e dividimos o
resultado por 2, como na expressão a seguir (Triola, 1998):

maior valor + menor valor

PM = (6)
2

O ponto médio dos dados da tabela 1 é:

16,1 + 25,1
PM =
2

PM = 20,6º C

5 Medidas de Dispersão ou de Variabilidade

Vimos anteriormente que um conjunto de valores pode ser convenientemente

sintetizado, por meio de procedimentos matemáticos, em poucos valores
representativos – média, mediana e moda. Tais valores podem servir de comparação
para dar a posição de qualquer elemento do conjunto.
Não é o bastante dar uma das medidas de posição para caracterizar
perfeitamente um conjunto de valores, pois, mesmo sabendo, por exemplo, que a
temperatura média de duas cidades é a mesma, e igual a 24ºC, ainda assim somos
levados a pensar a respeito do clima dessas cidades. Em uma delas a temperatura
poderá variar entre limites de muito calor e de muito frio e, haver, ainda, uma
temperatura média de 24ºC. A outra poderá ter uma variação pequena de
temperatura, mas mantendo uma média de 24ºC.
Vemos, então, que a média – ainda que considerada como um número que tem a
faculdade de representar uma série de valores – não pode, por si mesma, destacar o
grau de homogeneidade ou heterogeneidade que existe entre os valores que compõem
um conjunto.
Consideremos os seguintes conjuntos de valores das variáveis x, y e z:

X: 70, 70, 70, 70, 70

Y: 68, 69, 70, 71, 72
Z: 5, 15, 50, 120, 160

Projeto PAE – Bolsista: Michelle S. Reboita

 11
Calculando a média aritmética de cada um desses conjuntos, obtemos:

x =
∑x i 350
= = 70
n 5

y =
∑ yi = 350 = 70
n 5

z =
∑ zi = 350 = 70
n 5

Vemos, então, que os três conjuntos apresentam a mesma média aritmética: 70.
Entretanto, é fácil notar que o conjunto x é mais homogêneo que os conjuntos y
e z, já que todos os valores são iguais a média.
O conjunto y, por sua vez, é mais homogêneo que o conjunto z, pois há menor
diversificação entre cada um de seus valores e a média é representativa.
Chamando de dispersão ou de variabilidade a maior ou menor diversificação dos
valores de uma variável em torno de um valor de tendência central tomado como ponto
de comparação, podemos dizer que o conjunto x apresenta dispersão ou variabilidade
nula e que o conjunto y apresenta uma distribuição ou variabilidade menor que o
conjunto z.
Portanto, para qualificar os valores de uma dada variável, ressaltando a maior ou
menor dispersão ou variabilidade entre esses valores e a sua medida de posição, a
Estatística recorre às medidas de dispersão ou de variabilidade. Dessas medidas,
serão descritas a amplitude total, o desvio-padrão e a variância.

5.1 Amplitude Total

A amplitude total de um conjunto de dados é a diferença entre o maior e o menor

valor deste. Para calculá-la, basta subtrair o menor valor do maior.

AT = xmáx − xmín (7)

Quanto maior a amplitude total de um conjunto de dados, maior é a dispersão ou

variabilidade dos valores.
A amplitude total observada nos dados da tabela 1 é:

AT = 25,1 – 16,1 = 9º C

5.2 Desvio-Padrão

A amplitude total é uma medida instável, pois se deixa influenciar pelos valores
extremos, que são, na sua maioria, devidos ao acaso.
O desvio-padrão e a variância são medidas que fogem a essa falha, pois levam
em consideração a totalidade dos valores da variável em estudo, o que faz delas

Projeto PAE – Bolsista: Michelle S. Reboita

 12
índices de variabilidade bastante estáveis e, por isso mesmo, os mais geralmente
empregados. Assim, pode-se definir o desvio-padrão como uma medida da magnitude
do espalhamento ou dispersão dos dados em relação à média da série.

A expressão para o cálculo do desvio-padrão amostral (s) é:

s=
(xi − x )2 (8)
n −1

onde xi é cada elemento do conjunto de dados, x é a média do conjunto e n é o

número total de elementos deste.

Já para o desvio-padrão populacional (σ) a expressão é:

σ=
(xi − µ )2 (9)
N

onde xi é cada elemento da população, µ e N são respectivamente a média e o número

total de elementos da população.

Observa-se que para a população x é substituído por µ e n-1 por N.

Em geral, a finalidade do cálculo de uma estatística amostral (como a média, o
desvio-padrão ou a variância) é estimar o parâmetro populacional correspondente. Se
extrairmos muitas amostras de uma população que tem média m, calcularmos as médias
amostrais x e se tomarmos as médias de todas as estimativas de m, veremos que essa
média fica muito próxima de m. Entretanto, se calculássemos a variância de cada
amostra pela fórmula:

∑ (x − x ) 2

e tomássemos a média de todas essas supostas estimativas de σ2, provavelmente

obteríamos uma média inferior a σ2. Teoricamente, mostra-se que podemos compensar
essa desvantagem dividindo por n-1 em vez de n na fórmula de s2.
Uma regra que auxilia na interpretação do valor de um desvio-padrão é a regra
empírica, aplicável somente a conjuntos de dados aproximadamente em forma de sino,
conforme a figura 2. Essa figura mostra como a média e o desvio-padrão estão
relacionados com a proporção dos dados que se enquadram em determinados limites.
Assim é que, com uma distribuição em forma de sino, temos 95% dos seus valores a
menos de dois desvios-padrão da média. A regra empírica costuma a ser designada
abreviadamente como a regra 68-95-99.
A regra 68-95-99 diz que:

Projeto PAE – Bolsista: Michelle S. Reboita

 13
a. cerca de 68% dos valores estão a menos de 1 desvio-padrão a contar da média;
b. cerca de 95% dos valores estão a menos de 2 desvios-padrão a contar da média;
c. cerca de 99,7% dos valores estão a menos de 3 desvios-padrão a contar da média.

Figura 2. Relação entre o desvio-padrão e a curva normal.

Na figura abaixo foi plotada a média (20,6º C), a média acrescida de mais um
desvio-padrão e a média descontada de um desvio-padrão da série de dados de
temperatura média diária do mês de dezembro de 2004 da estação do IAG, com o
objetivo de mostrar que uma grande porcentagem (cerca de 68%) dos dados ficam
entre os limites da média somada e diminuída de um desvio-padrão.

Figura 3. Temperatura média diária do mês de dezembro de 2004 da estação do IAG

(São Paulo), juntamente com a média da série e a média acrescida e diminuída de um
desvio-padrão. Os dados em análise possuem desvio-padrão igual a ±2.2.

Projeto PAE – Bolsista: Michelle S. Reboita

 14
5.3 Variância

A variância é uma medida estatística da dispersão dos dados em torno da média de

um conjunto de dados. É obtida quando não extraímos a raiz quadrada do desvio-
padrão. A variância amostral é definida como:

s 2
=
∑ (x − x )
i
2

(10)
n −1

já a variância populacional é:

σ2 =
∑ (x − µ )
i
2

(11)
N

A variância obtida através dos dados da tabela 1 é 4,86º C.

A variância também é denominada de segundo momento, sendo:

Σ(xi − x )
2
m2 = (12)
n

6 Assimetria

A assimetria é o grau de deformação de uma curva de freqüências. Uma

distribuição de freqüência é simétrica, ou seja, que apresenta um gráfico cuja as duas
caudas possuem a mesma configuração (figura 4 a), quando a média, a mediana e a
moda da série forem iguais. A distribuição de freqüência também pode ser
assimétrica positiva (figura 4 b) e assimétrica negativa (figura 4 c), a primeira possui
uma cauda mais alongada à direita e ocorre quando a média da série for maior que a
moda e a segunda apresenta uma cauda mais alongada à esquerda e ocorre quando
média da série for menor que a moda.

a)

b) c)

Figura 4. Representação
esquemática da assimetria.

Projeto PAE – Bolsista: Michelle S. Reboita

 15
A assimetria pode ser obtida pelo coeficiente de assimetria (A) que é uma
medida adimensional, observe:

x − Mo
A= (13)
s

onde Mo é a moda da série.

Desde que a moda é de difícil estimativa, o coeficiente de assimetria é obtido,

com boa aproximação, pela seguinte relação: x – Mo = 3( x – Me), onde Me é a
mediana. Assim:

3(x − Me )
A= (14)
s

Mas, a medida de assimetria mais utilizada é dada pelo terceiro momento (m3)
centrado na média, ou seja:

m3
A= (15)
s3

onde:

Σ (xi − x )
3

m3 = (16)
n

sendo xi é cada elemento do conjunto de dados, x a média e n o número de elementos

do conjunto (Assis, 1996).

A distribuição será simétrica quando A = 0, se A for maior que zero a

assimetria é positiva e se A for menor que zero a assimetria é negativa.

Utilizando a expressão 15 para calcular o coeficiente de assimetria dos dados

fornecidos na tabela 1, obtemos A = -0,08 que corresponde a uma assimetria negativa,
ou seja, a distribuição possui cauda mais alongada a esquerda. Entretanto, se
fossemos apenas observar a figura 1 não conseguiríamos extrair esta informação
facilmente devido a forma do histograma.

7 Curtose

A curtose é o grau de achatamento de uma distribuição em relação a uma

distribuição padrão, denominada curva normal.

Projeto PAE – Bolsista: Michelle S. Reboita

 16
A distribuição que apresenta uma curva de freqüências mais fechada que a
normal, é denominada leptocúrtica (figura 5 a). Quando a curva de freqüência é mais
aberta que a normal recebe o nome de platicúrtica (figura 5 b) e a curva normal é
denominada de mesocúrtica (figura 5 c).

a) b) c)

Figura 5. Representação esquemática da curtose.

A curtose (C) é definida pelo quarto momento (m4) dividido pelo o desvio-padrão
da série elevado a quarta potência ( s 4 ):

m4
C= (17)
s4

onde o quarto momento é dado por:

Σ (xi − x )4
m4 =
n

onde xi é cada elemento do conjunto de dados, x a média e n o número de elementos

da série (Assis, 1996).

A curtose é denominada mesocúrtica quando C=3, neste caso, tem-se uma curva
normal. Se C>3, a curva de freqüência é mais fechada que a curva normal, ou seja
possui um pico e recebe a denominação de leptocúrtica. Se C<3, a curva de freqüência
é mais achatada que a curva normal, sendo chamada de platicúrtica.
A curtose calculada para os dados da tabela 1 foi C = 2,2, portanto C<3 e a curva
de freqüência é mais achatada que a curva normal.

8 Separatrizes

A mediana caracteriza uma série de valores devido à sua posição central. No

entanto, ela apresenta uma outra característica, tão importante quanto a primeira: ela
separa a série em dois grupos que apresentam o mesmo número de valores. Assim,
além das medidas de posição mencionadas há outras que, consideradas
individualmente, não são medidas de tendência central, mas estão ligadas à mediana
relativamente à sua segunda característica, já que se baseiam na sua posição na série.

Projeto PAE – Bolsista: Michelle S. Reboita

 17
Essa medidas denominadas de quantis ou fractis, são juntamente com a mediana,
conhecidas pelo nome genérico de separatrizes.
O quantil, por sua vez, é o nome genérico para outras medidas, como as que
dividem o conjunto de dados em 4, 10 ou 100 partes, por exemplo. Estas são
denominadas de quartil, decil e percentil, respectivamente.
Os três quartis Q1, Q2 e Q3 dividem o conjunto dos dados em quatro
subconjuntos de tal forma que 25% dos elementos situam-se abaixo do Q1; 25% entre
Q1 e Q2; 25% entre Q2 e Q3 e 25% acima de Q3, sendo que Q2 corresponde a mediana.
Os decis dividem o conjunto de dados em 10 partes iguais. Os nove decis D1, D2,
D3,..., D9 são tais que 10% dos elementos situam-se abaixo de D1, 10% entre D1 e D2 e
assim por diante. A mediana é o quinto decil.
Os percentis dividem o conjunto dos dados ordenados em 100 partes iguais. A
mediana é o qüinquagésimo percentil.

Procedimento para obtenção dos quantis (Xavier et al., 2002):

1. dispor os dados em ordem crescente;

2. colocar um número de ordem para cada valor (i=1, ..., i=N);
3. para cada valor determinar a ordem quantílica: Pi=i/(N+1), onde N é o número de
elementos da série;
4. finalmente, para calcular o quatil Q(P) para uma ordem quantílica Pi qualquer, segue-
se:
a) se P coincidir com algum Pi já obtido, então: Q(P)=Q(Pi)=yi
b) se P não coincidir, haverá um índice i tal que Pi<P<Pi+1, onde Q(P) será obtido por
interpolação, onde: Q(P)=yi+{[P-Pi]/[Pi+1-Pi]}*[yi+1-yi]

Exemplo 1: Extraído de Xavier et al. (2002).

Considere os dados:

104 5 43 123 58 63 12 71 32

com N=9 observações. Determine o quartil inferior Q(0,25) e o superior Q(0,75) e o

primeiro tercil Q(0,333):

i 1 2 3 4 5 6 7 8 9
y 5 12 32 43 58 63 71 104 123
1/10 2/10 3/10 4/10 5/10 6/10 7/10 8/10 9/10
Pi=i/(N+1)
0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90

O esquema considerado acima faz atribuir a cada valor de yi a “ordem

quantílica” dada pela expressão:

Projeto PAE – Bolsista: Michelle S. Reboita

 18
Pi=i/(N+1) onde i = 1, 2, ..., N

No caso, as ordens quantílicas obtidas foram 0,10 = 10%; 0,20 = 20%; 0,30 =
30%; 0,40 = 40%; 0,50 = 50%; 0,60 = 60%; 0,70 = 70%; 0,80 = 80% e 0,90 = 90%.
Segue-se que os yi correspondentes serão os decis, entre os quais está a mediana que
corresponde à ordem quantílica P = 0,50 = 50%.

Como faremos para calcular o quartil inferior Q(0,25) e o quartil superior

Q(0,75)?

Q(0,25) é o quantil que corresponde à ordem quantílica P = 0,25, portanto,

equidistante dos decis correspondentes as ordens quantílicas 0,20 e 0,30. Assim:

Q(0,25)=[Q(0,20)+Q(0,30)]=(12+32)/2=22

Q(0,75)=[Q(0,70)+Q(0,80)]=(71+104)/2=87,5

O primeiro tercil está entre 30% e 40%, cujos quantis respectivos são 32 e 43,
portanto:
Q(P)=yi+{[P-Pi]/[Pi+1-Pi]}*[yi+1-yi]
Q(33,3%)=32+{[33,3-30]/40,0-30,0]}*[43-32]
=32+(3,3/10,0)*11
=32+0,33*11
=35,63

Exemplo 2: Extraído de Assis et al. (1996).

Dada a tabela:

Projeto PAE – Bolsista: Michelle S. Reboita

 19
Tabela 4: Totais anuais de chuva de Pelotas, RS, ordenados em forma crescente.

i Pi=i/(N+1) Yi i Pi=i/(N+1) Yi i Pi=i/(N+1) Yi i Pi=i/(N+1) Yi

1 0,010 680 26 0,257 1099 51 0,505 1298 76 0,752 1443
2 0,020 689 27 0,267 1110 52 0,515 1300 77 0,762 1455
3 0,030 832 28 0,277 1112 53 0,525 1305 78 0,772 1496
4 0,040 856 29 0,287 1114 54 0,535 1307 79 0,782 1501
5 0,050 857 30 0,297 1137 55 0,545 1311 80 0,792 1510
6 0,059 864 31 0,307 1138 56 0,554 1320 81 0,802 1510
7 0,069 885 32 0,317 1144 57 0,564 1321 82 0,812 1535
8 0,079 890 33 0,327 1153 58 0,574 1323 83 0,822 1539
9 0,089 890 34 0,337 1160 59 0,584 1326 84 0,832 1543
10 0,099 919 35 0,347 1166 60 0,594 1330 85 0,842 1555
11 0,109 923 36 0,356 1178 61 0,604 1331 86 0,851 1582
12 0,119 926 37 0,366 1179 62 0,614 1334 87 0,861 1605
13 0,129 931 38 0,376 1191 63 0,624 1342 88 0,871 1654
14 0,139 952 39 0,386 1198 64 0,634 1344 89 0,881 1656
15 0,149 973 40 0,396 1212 65 0,644 1350 90 0,891 1694
16 0,158 982 41 0,406 1220 66 0,653 1352 91 0,901 1695
17 0,168 998 42 0,416 1225 67 0,663 1355 92 0,911 1718
18 0,178 1004 43 0,426 1232 68 0,673 1360 93 0,921 1724
19 0,188 1011 44 0,436 1237 69 0,683 1361 94 0,931 1746
20 0,198 1040 45 0,446 1255 70 0,693 1372 95 0,941 1778
21 0,208 1048 46 0,455 1258 71 0,703 1373 96 0,950 1780
22 0,218 1049 47 0,465 1265 72 0,713 1377 97 0,960 1815
23 0,228 1054 48 0,475 1270 73 0,723 1390 98 0,970 1945
24 0,238 1066 49 0,485 1271 74 0,733 1423 99 0,980 1995
25 0,248 1090 50 0,495 1297 75 0,743 1435 100 0,990 2338

Para se encontrar os quartis divide-se o N+1 por 4; para os decis divide-se N+1
por 10 e para os percentis divide-se o N+1 por 100.
Na tabela acima, o primeiro quartil é o valor da série ordenada cuja posição é
(N+1)/4 = 101/4 = 25,25 que corresponde a um valor de chuva entre 1.090 e 1.099 mm;
a mediana, o segundo quartil, é encontrada por 2(N+1)/4 = 202/4 = 50,5, ou seja, o
valor de chuva correspondente a 1.298 mm; o terceiro quartil é o 75º valor da série
ordenada, ou seja, 3(N+1)/4 = 75,75, sendo o valor de chuva entre 1.443 e 1.455 mm.
O primeiro decil corresponde a (N+1)/100 = 101/100 = 1,01, que corresponde a
um valor de chuva compreendido entre 680 e 689 mm. Por interpolação linear obtém-
se o valor exato do primeiro decil multiplicando-se 0,01 pela diferença entre os
valores da décima e nona observação e somando-se esse resultado ao valor da nona
observação. Assim:

680+0,01(689-680) = 680,1 mm

Projeto PAE – Bolsista: Michelle S. Reboita

 20
9 Referências

ASSIS, F. N., et al, 1996. Aplicações de Estatística à Climatologia. Ed. Universitária,

UFPEL, Pelotas, RS.

CRESPO, A. A., 1997. Estatística Fácil. 15º Ed., Saraiva, São Paulo, SP.

SILVA, N. P., 1998. Estatística Auto-Explicativa. Ed. Érica, São Paulo, SP.

TRIOLA, M. F., 1998. Introdução à Estatística. 7º Ed., LTC, Rio de Janeiro, RJ.

XAVIER, T. M. B. S., SILVA, J. F. e REBELLO, E. R. G., 2002. A Técnica dos Quantis.

Thesaurus, Brasília.

10 Exercício

Dada a série de temperatura média diária do mês de dezembro de 2000 da estação

meteorológica situada na cidade do Rio Grande, RS, faça:

1. a distribuição e o histograma de freqüências;

2. calcule as medidas de tendência central;
3. calcule as medidas de dispersão;
4. calcule o coeficiente de assimetria e curtose e
5. compare os resultados obtidos com este conjunto de dados com os da estação do
IAG.

Dia Temperatura do Ar (ºC) Dia Temperatura do Ar (ºC)

1 18.76 17 19.64
2 20.5 18 22.74
3 21.06 19 20.02
4 20.66 20 18.86
5 18.56 21 21.02
6 22.28 22 22.34
7 25.38 23 21.26
8 25.9 24 21.32
9 25.86 25 25.42
10 20.52 26 28.94
11 23.8 27 22.04
12 24.72 26 21.92
13 25.5 29 23.06
14 23.22 30 21.36
15 23.12 31 20.94
16 17.84

Projeto PAE – Bolsista: Michelle S. Reboita