Tabela De Frequência Absoluta E Relativa

O que é uma tabela de frequência e por que ela aparece em todo lugar

Uma tabela de frequência absoluta e relativa organiza dados em categorias ou intervalos e mostra quantas vezes cada valor aparece e qual parte do total ele representa. É uma das primeiras ferramentas que você encontra em estatística descritiva. Serve para resumir dados brutos de forma legível. Nada mais, nada menos. Comece com o conjunto de dados. Pode ser uma planilha, pode ser números anotados à mão, não tem diferença real. O primeiro passo é decidir se os dados são qualitativos (categorias) ou quantitativos (números contínuos ou discretos). Isso define tudo o que vem depois. Se forem qualitativos, como cor de olhos, você simplesmente conta as ocorrências de cada categoria. Se forem quantitativos contínuos, como altura de pessoas, você precisa agrupar em classes. Aqui é onde a maioria das pessoas erra pela primeira vez. A escolha da largura das classes. Não existe fórmula mágica, mas a regra de Sturges é um ponto de partida razoável: k = 1 + 3,3 log(n), onde n é o tamanho da amostra. Para 50 dados, isso dá cerca de 6 classes. Para 200 dados, cerca de 9. Use isso como base e ajuste conforme a distribuição aparente. Classes muito largas escondem padrões. Classes muito estreitas criam ruído.

Depois de definir as classes, construa a tabela. Coluna 1: intervalos de classe. Coluna 2: frequência absoluta (fa), que é simplesmente a contagem de observações em cada classe. Coluna 3: frequência relativa (fr), que é fa dividido pelo total de observações. O resultado é um número entre 0 e 1. Se quiser porcentagem, multiplique por 100. A soma das frequências absolutas deve dar exatamente o total. A soma das relativas deve dar exatamente 1 (ou 100%, se em porcentagem). Se não der, você errou em algum lugar. No meu caso, já perdi duas horas num projeto real porque os dados tinham valores extremos que distorciam completamente as classes sugeridas por Sturges. Tinhamos uma variável de renda familiar com muitos valores concentrados e um handful de outliers altíssimos. A tabela ficava irreconhecível com classes iguais. A solução foi usar classes de largura variável e deixar os outliers em uma classe separada chamada "demais", mantendo a integridade da distribuição principal visível. Anotei isso numa nota de rodapé no relatório. Sempre anote essas decisões metodológicas, senão alguém vai questionar depois.

Entendendo frequência absoluta e relativa de verdade

Frequência absoluta é uma contagem pura. Diz quantas vezes algo ocorre. É direta demais para dar problema, na maioria das vezes. O problema aparece quando você tenta comparar tabelas de tamanhos diferentes. Uma classe com fa = 15 em uma amostra de 50 parece importante. Na mesma frequência absoluta em uma amostra de 500, é praticamente irrelevante. É por isso que a frequência relativa existe. Frequência relativa normaliza a contagem em relação ao tamanho total. Ela permite comparação entre conjuntos de dados de tamanhos diferentes. Um erro comum é apresentar apenas a frequência absoluta quando o contexto exige relativa, ou vice-versa. Se você está mostrando dados para um público que não tem familiaridade com estatística, frequência relativa em porcentagem é quase sempre mais comunicativa. Números sozinhos não contam a história completa. Um detalhe que poucos mencionam: frequência relativa pode exceder 1 em certos contextos. Isso acontece quando você trabalha com múltiplas variáveis e calcula a frequência relativa de cada uma separadamente dentro da mesma tabela. Cada variável normaliza pelo próprio total. A tabela continua válida, mas a interpretação muda. Você não pode somar frequências relativas de variáveis diferentes esperando um total significativo. Isso é um erro que vejo em relatórios profissionais com frequência surpreendente.

Pegadinhas e limites que ninguém avisa

A principal limitação da tabela de frequência absoluta e relativa é que ela resume dados e, nesse resumo, você perde informação. Os valores individuais somem. Você sabe quantas pessoas estão na classe 60-70 kg, mas não sabe se elas estão todas concentradas em 65 ou distribuídas uniformemente. Dentro de cada classe, a distribuição interna é invisível. Se precisar preservar os valores originais para análises posteriores, mantenha o dataset bruto lado a lado com a tabela. Não confie na tabela como representação completa dos dados. Outro problema prático: dados com muitos valores únicos e poucos repetidos. Por exemplo, CPF, código de produto, número de série. Tabela de frequência aqui vira uma lista gigantesca com quase todas as frequências absolutas iguais a 1. Nesse caso, a tabela não agrega informação útil. Use frequência absoluta e relativa apenas quando os dados permitem agrupamento significativo. Se mais de 80% dos valores são únicos, considere alternativas como visualizações de dispersão ou análise de cardinalidade. Já vi tabelas onde a soma das frequências relativas dava 0,998 ou 1,003 por arredondamento. Parece boba a preocupação, mas em documentos que serão auditados, isso gera perguntas desnecessárias. A solução é trivial: calcule as relativas com precisão suficiente (pelo menos 4 casas decimais internamente) e só arredonde na apresentação final. Ou, melhor ainda, deixe os valores brutos numa coluna oculta e formate apenas a coluna visível. Isso resolve 99% dos casos de inconsistência de soma.

Tabela de frequência absoluta e relativa: exemplo rápido

Dados brutos: notas de alunos em uma prova, 10 registros. Valores: 5, 7, 8, 5, 9, 7, 6, 8, 7, 5. Como são poucos valores e são discretos, agrupamos por valor, não por classes: Nota 5 fa = 3, fr = 0,30

Nota 6 fa = 1, fr = 0,10 Nota 7 fa = 3, fr = 0,30 Nota 8 fa = 2, fr = 0,20

Nota 9 fa = 1, fr = 0,10 Soma das frequências absolutas: 10. Soma das relativas: 1,00. Tudo fechando. Se você fizesse isso manual e a soma das relativas tivesse virado 0,97, já saberia que erraram em algum cálculo intermediário.

Ferramentas úteis

Planilhas comuns fazem isso sem complicação. Uma coluna com os dados, outra com FREQUÊNCIA no Google Sheets ou COUNTIF no Excel para cada categoria, e uma terceira coluna dividindo pelo total. Em Python, pandas facilita muito: df['valor'].value_counts(normalize=True) já retorna frequência relativa. Em R, table() para absoluta e prop.table() para relativa. Nada que justifique fazer manual quando os dados passam de 30 registros. Se você precisa de algo pronto para baixar e usar como base, procure por modelos de tabela de frequência em planilhas. Existem templates simples que já vêm com as colunas estruturadas e fórmulas prontas. O ganho não é enorme, mas evita começar do zero toda vez. O tempo economizado varia conforme o volume de dados, mas para tabelas recorrentes, costuma valer o esforço de configurar uma vez.

Quando não usar

Não use tabela de frequência quando seus dados têm milhares de valores distintos e você precisa analisar a forma exata da distribuição. Histogramas e gráficos de densidade são mais adequados nesses casos. Também não use como única ferramenta analítica. Ela descreve, não explica relações. Se o objetivo é testar hipóteses ou encontrar correlações, vá direto para análise bivariada ou modelos estatísticos. A tabela de frequência é um ponto de partida, não um destino.