Medidas de Dispersão
Descobrindo a Variabilidade dos Dados
João Carlos Moreira
Copyright©2013-2025 RCEM. Todos os direitos reservados.
Imagine duas turmas com a mesma média de notas em matemática: 7,0. Perfeito equilíbrio, certo? Mas espere! Na Turma A, todas as notas variam entre 6,5 e 7,5. Já na Turma B, alguns alunos tiraram 10 e outros tiraram 4. Mesma média, realidades completamente diferentes! É aí que entram as medidas de dispersão — as ferramentas matemáticas que revelam o que a média esconde. Prepare-se para descobrir como medir o quão espalhados estão os dados e por que isso é tão importante quanto saber a média!
A média é como uma foto: captura um momento, mas não conta toda a história. Veja este exemplo clássico:
Um estatístico afogou-se ao atravessar um rio com profundidade média de 1 metro. Como isso aconteceu? Em alguns pontos, o rio tinha apenas 10 centímetros. Em outros, tinha 3 metros de profundidade! A média era segura, mas a variação era mortal.
Esta história ilustra perfeitamente por que precisamos conhecer não apenas o valor central, mas também como os dados se espalham ao redor dele.
As medidas de dispersão nos dizem o quão confiável é uma média e o quão variáveis são nossos dados.
Medidas de dispersão são ferramentas estatísticas que quantificam o quanto os dados se afastam de um valor central:
Antes de calcular, vamos entender visualmente o que é dispersão:
Pegue dois punhados de feijões e jogue-os sobre a mesa:
Observe: ambos os grupos podem ter o mesmo centro (média de posição), mas um está concentrado e outro disperso. É exatamente isso que medimos com as medidas de dispersão!
Medidas de dispersão aparecem em situações práticas mais do que imaginamos:
Vamos comparar dois conjuntos de dados para entender a importância da dispersão:
Turma A: 6, 7, 7, 7, 8 (Média = 7)
Turma B: 2, 5, 7, 9, 12 (Média = 7)
Observe:
A média sozinha diria que as turmas são iguais. As medidas de dispersão revelam a verdade!
Conjuntos de dados podem ser classificados quanto à sua dispersão:
Antes de mergulhar nos cálculos, vamos estabelecer alguns conceitos fundamentais:
Nos próximos capítulos, vamos explorar cada medida de dispersão em detalhes:
As medidas de dispersão são como lentes especiais que revelam padrões invisíveis nos dados. Elas transformam números em insights, variações em conhecimento. Prepare-se para nunca mais olhar para uma média da mesma forma!
Qual é a forma mais simples de medir o quanto os dados variam? Olhe para o maior e o menor valor! A amplitude é a medida de dispersão mais intuitiva que existe — é simplesmente a distância entre os extremos. Como a diferença entre a pessoa mais alta e a mais baixa de uma turma, ou entre a temperatura máxima e mínima de um dia. Simples, direta e reveladora!
A amplitude tem a fórmula mais simples de toda a estatística:
R = xₘₐₓ - xₘᵢₙ
Onde:
Exemplo: Notas {4, 6, 7, 7, 9}
R = 9 - 4 = 5
Usamos amplitude constantemente sem perceber:
Por que a amplitude é tão popular?
Mas nem tudo são flores. A amplitude tem suas fraquezas:
Considere dois conjuntos:
Conjunto A: 1, 2, 2, 3, 3, 3, 4, 4, 10
Conjunto B: 1, 5, 5, 5, 5, 5, 5, 5, 10
Ambos têm amplitude 9, mas:
A amplitude só vê os extremos, ignora o que acontece no meio!
Valores extremos podem distorcer completamente a amplitude:
Salários em uma empresa (em mil reais): 2, 2, 3, 3, 4, 5, 100
Lição: a amplitude é muito sensível a valores extremos.
Vamos ver como interpretar amplitude em várias situações:
Às vezes precisamos comparar amplitudes de conjuntos diferentes:
Para comparar amplitudes de escalas diferentes, podemos usar:
Amplitude Relativa = R / xₘₐₓ × 100%
Exemplo:
Mesma variação relativa, escalas diferentes!
Quando temos dados em classes, a amplitude é aproximada:
Idades dos alunos:
Amplitude aproximada = 18 - 10 = 8 anos
(Usamos os limites das classes extremas)
A amplitude se relaciona com outras medidas:
A amplitude é ideal em certas situações:
A amplitude é como um termômetro rápido da variabilidade: não conta toda a história, mas dá uma ideia imediata da dispersão. É a porta de entrada para o mundo das medidas de dispersão — simples o suficiente para começar, limitada o suficiente para nos fazer querer mais!
Se a amplitude só olha para os extremos, que tal uma medida que considere TODOS os valores? O desvio médio faz exatamente isso! Ele calcula o quanto, em média, cada valor se afasta da média do conjunto. É como perguntar: "Em média, quão longe da média estão os dados?" Parece um trava-línguas, mas é uma ideia genial que revela muito mais sobre a dispersão!
O desvio médio nasce de uma pergunta simples: qual é a distância média dos dados até o centro?
Imagine alunos em fila para foto. A média seria o centro da fila.
Resultado: sabemos o quão espalhados estão os alunos!
Vamos aprender passo a passo com um exemplo prático:
DM = Σ|xᵢ - x̄| / n
Onde:
Vamos calcular o desvio médio das notas: 5, 7, 8, 8, 12
Interpretação: Em média, as notas se afastam 1,6 pontos da média.
Uma pergunta crucial: por que usamos |...|?
Sem valor absoluto, desvios positivos e negativos se cancelariam:
A soma sempre daria zero! Por isso usamos valor absoluto — queremos a distância, não a direção.
Como o desvio médio se compara com a amplitude?
Dois conjuntos com mesma amplitude:
Conjunto A: 0, 5, 5, 5, 10
Conjunto B: 0, 2, 5, 8, 10
Mesma amplitude, mas B é mais disperso (DM maior)!
O desvio médio tem características interessantes:
Podemos calcular desvio médio usando a mediana em vez da média:
DMd = Σ|xᵢ - Md| / n
Onde Md é a mediana.
Curiosidade matemática: o desvio médio é MÍNIMO quando calculado em relação à mediana!
Isso significa que a mediana é o ponto que minimiza a soma das distâncias absolutas.
Onde o desvio médio é útil no mundo real?
Como toda medida estatística, o desvio médio tem prós e contras:
Vantagens:
Limitações:
Vamos usar o desvio médio para comparar homogeneidade:
Turma A: Notas 6, 7, 7, 7, 8
Turma B: Notas 4, 6, 7, 8, 10
Conclusão: Turma A é mais homogênea (DM menor), indicando aprendizado mais uniforme.
O desvio médio é como um radar que detecta o quanto os dados se afastam do centro. Ele supera a amplitude ao considerar todos os valores, não apenas os extremos. Embora não seja tão popular quanto o desvio padrão (que veremos adiante), o desvio médio tem seu charme: é intuitivo, direto e revela a essência da dispersão de forma clara e compreensível!
Por que elevar ao quadrado? Esta pergunta intrigou estudantes por gerações! A variância é como o desvio médio turbinado — em vez de usar valor absoluto, elevamos as diferenças ao quadrado. Pode parecer complicação desnecessária, mas esta operação aparentemente estranha cria uma das ferramentas mais poderosas da estatística. Prepare-se para descobrir a elegância matemática escondida nos quadrados!
Elevar ao quadrado resolve vários problemas de uma só vez:
O quadrado transforma o problema de sinais em oportunidade matemática!
Existem duas fórmulas, dependendo do tipo de dados:
População (todos os dados):
σ² = Σ(xᵢ - μ)² / N
Amostra (parte dos dados):
s² = Σ(xᵢ - x̄)² / (n-1)
Onde:
Vamos calcular a variância das alturas (em cm): 160, 165, 170, 175, 180
Na variância amostral, dividimos por (n-1) em vez de n. Por quê?
Quando usamos a média amostral, perdemos um "grau de liberdade":
É uma correção técnica, mas importante para amostras pequenas!
A variância tem propriedades matemáticas fascinantes:
Existe uma forma mais rápida de calcular variância:
σ² = (Σx²/N) - μ²
Ou seja: média dos quadrados menos quadrado da média!
Exemplo anterior:
Mesmo resultado, menos contas!
O maior desafio da variância é sua interpretação:
Se medimos alturas em centímetros:
O que significa "50 centímetros quadrados" de variação? É difícil interpretar!
Por isso o desvio padrão (raiz da variância) é mais usado na prática.
Como a variância muda quando transformamos os dados?
Exemplo: Convertendo temperaturas
Vamos comparar a dispersão de diferentes conjuntos:
Turma A: Notas 7, 7, 7, 7, 7
Turma B: Notas 5, 6, 7, 8, 9
Turma C: Notas 3, 5, 7, 9, 11
Quanto maior a variância, maior a heterogeneidade!
Aplicações práticas da variância:
A variância é a base teórica das medidas de dispersão. Seus quadrados podem parecer artificiais, mas criam propriedades matemáticas poderosas. É como um motor potente que precisa de uma interface amigável — e essa interface é o desvio padrão, que veremos no próximo capítulo. A variância nos ensina que às vezes, complicar um pouco (elevar ao quadrado) simplifica muito (propriedades elegantes)!
Se a variância é o motor, o desvio padrão é o painel de controle! Simplesmente tirando a raiz quadrada da variância, voltamos à unidade original dos dados e obtemos a medida de dispersão mais usada no mundo. O desvio padrão é a estrela da estatística — aparece em pesquisas científicas, relatórios financeiros, controle de qualidade e até nas previsões do tempo. Vamos descobrir por que ele conquistou o mundo!
O desvio padrão nasce de uma operação simples mas poderosa:
Desvio Padrão = √Variância
População: σ = √σ²
Amostra: s = √s²
Por que isso é genial?
Vamos calcular o desvio padrão de tempos de corrida (em segundos): 10, 12, 11, 13, 14
Interpretação: Os tempos variam, em média, 1,41 segundos em relação à média.
Para dados com distribuição normal, o desvio padrão revela padrões incríveis:
Exemplo: Altura média = 170 cm, desvio padrão = 10 cm
Como saber se um desvio padrão é grande ou pequeno?
O desvio padrão deve ser interpretado em relação à média e ao contexto!
Valores muito distantes da média são identificados usando desvio padrão:
Regra comum: valores além de 3 desvios padrão são outliers.
Exemplo: Notas com média 7 e DP = 1,5
Uma nota 2 ou 12 seria considerada outlier (mas 12 é impossível!).
Cuidado! Desvios padrão não se somam diretamente:
Para variáveis independentes:
Exemplo: Tempo de duas etapas
Não é 2+3=5!
O desvio padrão permite comparar valores de distribuições diferentes:
Z = (X - μ) / σ
Z indica quantos desvios padrão um valor está da média.
Exemplo: Comparando desempenhos
João teve desempenho relativamente melhor!
Veja como o desvio padrão é usado em várias áreas:
Na prática, usamos calculadoras ou planilhas:
Dica: Sempre verifique se está calculando populacional ou amostral!
Quando queremos desvio padrão alto ou baixo?
Queremos DP baixo:
Queremos DP alto:
O desvio padrão é a ponte entre a teoria matemática e a aplicação prática. Ele pega o poder da variância e o traduz em termos que todos podem entender. É por isso que aparece em todos os lugares — desde rótulos de alimentos até relatórios científicos. Dominar o desvio padrão é ter uma ferramenta universal para entender variabilidade. Use-o com sabedoria!
Como comparar a variação de alturas medidas em metros com pesos medidos em quilos? Ou salários em reais com temperaturas em graus? O coeficiente de variação é o super-herói das comparações! Ele transforma medidas absolutas em percentuais relativos, permitindo comparar a dispersão de qualquer coisa. É como ter um tradutor universal para variabilidade!
O coeficiente de variação nasce de uma observação simples mas poderosa:
Considere dois exemplos:
O desvio dos adultos é maior (10 > 0,5), mas isso significa mais variação?
Proporcionalmente:
Bebês variam mais proporcionalmente!
A fórmula é surpreendentemente simples:
CV = (s / x̄) × 100%
Ou para população:
CV = (σ / μ) × 100%
Onde:
É simplesmente a razão do desvio padrão pela média!
Como saber se um CV é alto ou baixo?
Mas cuidado! Isso varia por área:
Vamos ver o poder do CV em ação:
Empresa A - Salários:
Empresa B - Idade dos funcionários:
As idades variam mais proporcionalmente que os salários!
O CV tem uma limitação importante:
Temperaturas em uma cidade:
Mesmo desvio padrão, CVs completamente diferentes!
Quando a média está próxima de zero ou pode ser negativa, o CV perde sentido.
O CV é fundamental na indústria:
Fábrica de parafusos produz dois tamanhos:
Os parafusos grandes têm melhor controle de qualidade (menor CV)!
Pesquisadores adoram o CV por sua versatilidade:
O CV permite meta-análises comparando estudos diferentes!
O CV ajuda a avaliar a precisão de instrumentos:
Medindo a mesma distância 10 vezes:
Régua comum:
Fita métrica:
A régua é mais precisa (menor CV)!
No mundo dos investimentos, CV é sinônimo de risco relativo:
Ação A:
Ação B:
Ação B tem menor risco por unidade de retorno!
O CV permite criar classificações universais:
Funciona para qualquer disciplina ou nível!
O CV não é perfeito. Saiba quando usá-lo:
Nesses casos, use outras medidas de dispersão!
O coeficiente de variação é como um tradutor universal da variabilidade. Ele pega o desvio padrão — que depende da unidade e escala — e o transforma em uma porcentagem universal. É a ferramenta perfeita quando precisamos comparar maçãs com laranjas, ou melhor, alturas com pesos, salários com idades, ou qualquer outra comparação aparentemente impossível. No mundo dos dados, o CV é o esperanto da dispersão!
E se pudéssemos dividir nossos dados em quatro partes iguais e focar na variação do "miolo"? É exatamente isso que os quartis fazem! Eles são como marcadores que dividem os dados ordenados em quartos, revelando onde está a maioria dos valores e ignorando os extremos problemáticos. O intervalo interquartílico, por sua vez, mede a dispersão dos 50% centrais dos dados. É estatística resistente em ação!
Quartis são valores que dividem os dados ordenados em quatro partes:
Entre Q₁ e Q₃ estão os 50% centrais dos dados — o coração da distribuição!
Vamos calcular quartis passo a passo:
Idades: 12, 15, 18, 20, 22, 25, 28, 30, 35
O IQR é a estrela da dispersão resistente:
IQR = Q₃ - Q₁
Do exemplo anterior:
Interpretação: Os 50% centrais das idades variam em 12,5 anos.
Por que é "resistente"? Outliers não afetam o IQR!
Vamos ver como o IQR se comporta com outliers:
Conjunto original: 10, 12, 15, 18, 20
Com outlier: 10, 12, 15, 18, 100
O IQR ignora o outlier completamente!
Quartis fazem parte de um conjunto poderoso:
Estes cinco números contam quase toda a história dos dados!
Quartis são casos especiais de percentis:
Outros percentis importantes:
O IQR fornece um método robusto para identificar outliers:
Valores são considerados outliers se:
Exemplo: Q₁ = 20, Q₃ = 40, IQR = 20
Valores abaixo de -10 ou acima de 70 são outliers!
O IQR é usado em várias situações:
Para grandes conjuntos de dados, usamos fórmulas especiais:
Posição do quartil k: Pk = k × (n+1) / 4
Exemplo com 40 dados:
Use interpolação quando necessário!
Quartis revelam se os dados são simétricos:
Coeficiente de assimetria quartílica:
AS = [(Q₃-Q₂) - (Q₂-Q₁)] / IQR
Por que usar quartis e IQR?
Quartis e o intervalo interquartílico são como um sistema de defesa contra outliers. Enquanto outras medidas se deixam influenciar por valores extremos, o IQR permanece firme, focado nos 50% centrais dos dados. É a escolha perfeita quando queremos entender a variação típica, ignorando as exceções. No próximo capítulo, veremos como os quartis ganham vida visual no box plot!
Como mostrar mínimo, quartis, mediana, máximo e outliers em um único gráfico elegante? O box plot (ou diagrama de caixa) é a resposta! Esta visualização genial comprime uma quantidade impressionante de informação em uma figura simples. É como um raio-X dos dados — revela a estrutura interna, mostra onde está a maioria dos valores e destaca as exceções. Prepare-se para dominar uma das ferramentas visuais mais poderosas da estatística!
Cada parte do box plot conta uma história:
É um resumo visual completo da distribuição!
Vamos criar um box plot passo a passo:
Notas: 2, 5, 6, 7, 7, 8, 8, 8, 9, 9, 10, 15
O que um box plot revela sobre os dados?
O verdadeiro poder do box plot aparece ao comparar grupos:
Imagine box plots de salários por departamento:
Conclusões visuais imediatas:
Existem versões modificadas para diferentes necessidades:
Box plots revelam desvios da normalidade:
Distribuição normal:
Distribuição assimétrica positiva:
Ferramentas para criar box plots:
Exemplos reais de uso:
Como toda ferramenta, tem suas limitações:
Solução: Combine com histogramas ou gráficos de dispersão!
Como criar box plots informativos:
A era digital trouxe box plots interativos:
O box plot é uma obra-prima da visualização estatística. Em um pequeno espaço, conta a história completa dos dados: centro, dispersão, simetria e valores atípicos. É como um resumo visual que fala mais que mil números. Dominar a leitura e criação de box plots é ter uma ferramenta poderosa para explorar e comunicar padrões em dados. Use-o sempre que precisar comparar grupos ou entender distribuições!
Chega de teoria! Vamos ver como as medidas de dispersão salvam vidas, economizam dinheiro e revelam verdades escondidas no mundo real. Desde a dose certa de um remédio até a previsão do tempo, passando pelo controle de qualidade e análise de investimentos, a dispersão está em todo lugar. Prepare-se para descobrir como esses conceitos matemáticos impactam decisões importantes todos os dias!
Na medicina, entender dispersão é questão de vida ou morte:
Dois pacientes com mesma pressão média (120/80), mas:
O Paciente B tem maior risco cardiovascular!
A variabilidade da pressão é tão importante quanto a média.
Fábricas usam dispersão para garantir qualidade:
Produção de chips de computador:
Processo A: 99,7% dentro da especificação ✓
Processo B: Apenas 74% dentro da especificação ✗
Mesmo com médias iguais, o Processo A é superior!
No mundo dos investimentos, volatilidade = desvio padrão:
Fundo Conservador:
Fundo Agressivo:
Maior retorno vem com maior risco (dispersão)!
Professores usam dispersão para adaptar ensino:
Prova de matemática em duas turmas:
Turma Homogênea:
Turma Heterogênea:
A variabilidade define o clima de uma região:
São Paulo:
Maceió:
O desvio padrão explica por que paulistas carregam casaco!
Técnicos valorizam jogadores consistentes:
Dois atacantes com média de 1 gol por jogo:
Jogador A: 1, 1, 0, 2, 1, 1, 0, 2 (DP = 0,71)
Jogador B: 0, 0, 4, 0, 0, 0, 4, 0 (DP = 1,73)
Jogador A é mais confiável para jogos decisivos!
A dispersão revela diferentes estilos de jogo.
Empresas usam dispersão para promessas realistas:
Análise de 1000 entregas:
Resultado: 95% das entregas chegam no prazo prometido!
Melhor prometer 4 dias e surpreender do que prometer 3 e decepcionar.
Fazendeiros usam CV para escolher culturas:
Milho:
Soja:
Soja tem menor produtividade mas é mais confiável!
Testes psicológicos dependem de medidas de dispersão:
Teste de atenção com dois participantes:
Participante A:
Participante B:
A dispersão revela problemas de atenção!
Projetos de engenharia consideram variabilidade:
Carga máxima esperada: 1000 toneladas
A variabilidade determina margens de segurança!
Lojas usam dispersão para evitar falta de produtos:
Venda diária de produto:
Cálculo do estoque:
Seguradoras vivem de entender dispersão:
Análise de sinistros por grupo:
Motoristas experientes:
Motoristas novatos:
Maior variabilidade = maior prêmio!
Cientistas usam dispersão para validar resultados:
Medição de constante física:
O valor teórico está dentro do intervalo - experimento válido!
Empresas usam dispersão para entender consumidores:
Gastos mensais por segmento:
Clientes Premium:
Clientes Ocasionais:
Companhias elétricas precisam prever demanda variável:
Consumo horário de cidade:
Capacidade necessária:
A variabilidade determina investimentos em infraestrutura!
Na prática, usamos várias medidas juntas:
Para qualquer conjunto de dados importante:
Cada medida adiciona uma perspectiva única!
As medidas de dispersão são ferramentas poderosas que transformam números em decisões. Elas revelam riscos, oportunidades e padrões que a média sozinha jamais mostraria. Do hospital à bolsa de valores, da fábrica à fazenda, entender variabilidade é entender o mundo real. Agora você tem o conhecimento para ver além das médias e tomar decisões mais informadas em qualquer área!
Chegamos ao fim de nossa jornada pelo fascinante mundo das medidas de dispersão. Começamos questionando por que a média não conta toda a história e descobrimos um universo de ferramentas matemáticas que revelam a verdadeira natureza dos dados. Amplitude, desvio padrão, variância, coeficiente de variação, quartis — cada medida é como uma lente diferente para examinar a variabilidade. Agora é hora de consolidar o que aprendemos e olhar para o futuro!
Nossa expedição pelas medidas de dispersão nos trouxe conhecimentos valiosos:
Cada ferramenta tem seu momento e propósito!
Saber qual medida usar é tão importante quanto saber calculá-las:
Mais importante que fórmulas é desenvolver intuição:
Sua intuição deve acender quando:
No mundo moderno, lidamos com volumes massivos de dados:
Aprenda com os erros mais frequentes:
Medidas de dispersão desenvolvem habilidades além da matemática:
Este é apenas o começo. Para onde ir agora?
Variabilidade não é erro ou problema — é riqueza de informação:
Sem dispersão, o mundo seria monótono e previsível!
Ao dominar as medidas de dispersão, você ganhou superpoderes analíticos:
Você agora vê o que outros não veem.
Onde muitos enxergam apenas uma média,
você percebe distribuição, risco e oportunidade.
Cada conjunto de dados conta uma história,
e a dispersão revela os detalhes mais importantes.
Você aprendeu a língua secreta da variabilidade.
Use esse conhecimento com sabedoria.
Questione, explore, descubra.
O mundo precisa de pessoas que entendem
que a verdade está na variação, não apenas na média.
As ferramentas que você dominou abrem portas em todas as áreas:
As medidas de dispersão são mais que ferramentas matemáticas — são lentes para entender o mundo em sua complexidade e beleza. Elas nos ensinam que a variação não é defeito, mas característica fundamental da realidade. Nos mostram que por trás de cada média existe uma história rica esperando ser contada.
Que você use essas ferramentas para revelar verdades,
tomar melhores decisões e entender profundamente
o fascinante mundo dos dados.
A jornada pela dispersão está completa,
mas sua aventura analítica está apenas começando.
Continue explorando, questionando e descobrindo! 📊 📈 ✨
Este material educacional foi desenvolvido com base em pesquisas e obras fundamentais sobre estatística, medidas de dispersão e análise de dados, alinhado aos objetivos de aprendizagem da Base Nacional Comum Curricular (BNCC) para o ensino de Matemática. As referências a seguir representam contribuições essenciais de estatísticos, matemáticos, educadores e pesquisadores que dedicaram seus estudos à compreensão da variabilidade e dispersão de dados.
BARBETTA, Pedro Alberto. Estatística aplicada às ciências sociais. 9ª ed. Florianópolis: Ed. da UFSC, 2019.
BATANERO, Carmen; GODINO, Juan D. Análisis de datos y su didáctica. Granada: Universidad de Granada, 2001.
BOLFARINE, Heleno; BUSSAB, Wilton O. Elementos de amostragem. São Paulo: Blucher, 2005.
BRASIL. Base Nacional Comum Curricular. Brasília: MEC/Secretaria de Educação Básica, 2018.
BUSSAB, Wilton O.; MORETTIN, Pedro A. Estatística básica. 9ª ed. São Paulo: Saraiva, 2017.
CALLEGARI-JACQUES, Sidia M. Bioestatística: princípios e aplicações. Porto Alegre: Artmed, 2003.
CAZORLA, Irene; KATAOKA, Verônica; SILVA, Cláudia. Trajetórias e perspectivas da educação estatística no Brasil. Campinas: SBEM, 2010.
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 3ª ed. São Paulo: Blucher, 2002.
CRESPO, Antônio Arnot. Estatística fácil. 19ª ed. São Paulo: Saraiva, 2009.
DANCEY, Christine P.; REIDY, John. Estatística sem matemática para psicologia. 7ª ed. Porto Alegre: Penso, 2019.
DANTE, Luiz Roberto. Matemática: contexto e aplicações. 3ª ed. São Paulo: Ática, 2016.
DEVORE, Jay L. Probabilidade e estatística para engenharia e ciências. São Paulo: Cengage Learning, 2018.
DOWNING, Douglas; CLARK, Jeffrey. Estatística aplicada. 3ª ed. São Paulo: Saraiva, 2011.
FARIAS, Alfredo Alves de; SOARES, José Francisco; CÉSAR, Cibele Comini. Introdução à estatística. 2ª ed. Rio de Janeiro: LTC, 2003.
FIELD, Andy. Descobrindo a estatística usando o SPSS. 5ª ed. Porto Alegre: Penso, 2020.
FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de estatística. 6ª ed. São Paulo: Atlas, 2012.
FREUND, John E.; SIMON, Gary A. Estatística aplicada. 11ª ed. Porto Alegre: Bookman, 2006.
GAL, Iddo. Adults' statistical literacy: meanings, components, responsibilities. International Statistical Review, v. 70, n. 1, p. 1-25, 2002.
GARFIELD, Joan; BEN-ZVI, Dani. Developing students' statistical reasoning. New York: Springer, 2008.
IEZZI, Gelson; HAZZAN, Samuel; DEGENSZAJN, David. Fundamentos de matemática elementar: matemática comercial, matemática financeira, estatística descritiva. São Paulo: Atual, 2013.
LARSON, Ron; FARBER, Betsy. Estatística aplicada. 6ª ed. São Paulo: Pearson, 2016.
LEVIN, Jack; FOX, James Alan; FORDE, David R. Estatística para ciências humanas. 11ª ed. São Paulo: Pearson, 2012.
LOPES, Celi Espasandin. O ensino da estatística e da probabilidade na educação básica e a formação dos professores. Caderno Cedes, v. 28, n. 74, p. 57-73, 2008.
LOPES, Celi Espasandin; COUTINHO, Cileda de Queiroz e Silva; ALMOULOUD, Saddo Ag. Estudos e reflexões em educação estatística. Campinas: Mercado de Letras, 2010.
MANN, Prem S. Introdução à estatística. 8ª ed. Rio de Janeiro: LTC, 2015.
MARTINS, Gilberto de Andrade; DOMINGUES, Osmar. Estatística geral e aplicada. 6ª ed. São Paulo: Atlas, 2019.
MEMORY, Jéssica F.; YODER, Keith A. Estatística aplicada à economia e administração. São Paulo: McGraw-Hill, 2020.
MILONE, Giuseppe. Estatística: geral e aplicada. São Paulo: Cengage Learning, 2018.
MONTGOMERY, Douglas C.; RUNGER, George C. Estatística aplicada e probabilidade para engenheiros. 6ª ed. Rio de Janeiro: LTC, 2018.
MOORE, David S.; NOTZ, William I.; FLIGNER, Michael A. A estatística básica e sua prática. 7ª ed. Rio de Janeiro: LTC, 2017.
MORETTIN, Luiz Gonzaga. Estatística básica: probabilidade e inferência. São Paulo: Pearson, 2010.
MORETTIN, Pedro A.; BUSSAB, Wilton O. Métodos quantitativos: estatística básica. 9ª ed. São Paulo: Saraiva, 2017.
OLIVEIRA, Francisco Estevam Martins de. Estatística e probabilidade. 3ª ed. São Paulo: Atlas, 2017.
PAGANO, Marcello; GAUVREAU, Kimberlee. Princípios de bioestatística. São Paulo: Cengage Learning, 2018.
PINHEIRO, João Ismael D. et al. Estatística básica: a arte de trabalhar com dados. Rio de Janeiro: Elsevier, 2009.
REIS, Elizabeth. Estatística descritiva. 7ª ed. Lisboa: Edições Sílabo, 2008.
RUMSEY, Deborah J. Estatística para leigos. 2ª ed. Rio de Janeiro: Alta Books, 2016.
SILVA, Ermes Medeiros da et al. Estatística para os cursos de economia, administração e ciências contábeis. 4ª ed. São Paulo: Atlas, 2018.
SPIEGEL, Murray R.; SCHILLER, John; SRINIVASAN, R. Alu. Estatística. 3ª ed. Porto Alegre: Bookman, 2009.
STEVENSON, William J.; DE FARIAS, Alfredo Alves. Estatística aplicada à administração. São Paulo: Harbra, 2001.
TOLEDO, Geraldo Luciano; OVALLE, Ivo Izidoro. Estatística básica. 2ª ed. São Paulo: Atlas, 2010.
TRIOLA, Mario F. Introdução à estatística. 13ª ed. Rio de Janeiro: LTC, 2021.
TUFTE, Edward R. The visual display of quantitative information. 2nd ed. Cheshire: Graphics Press, 2001.
VIEIRA, Sonia. Elementos de estatística. 6ª ed. São Paulo: Atlas, 2018.
VIEIRA, Sonia. Introdução à bioestatística. 5ª ed. Rio de Janeiro: Elsevier, 2016.
WALPOLE, Ronald E. et al. Probabilidade e estatística para engenharia e ciências. 9ª ed. São Paulo: Pearson, 2016.
WILD, Christopher J.; SEBER, George A. F. Encontros com o acaso: um primeiro curso de análise de dados e inferência. Rio de Janeiro: LTC, 2004.