INSTITUTO SUPERIOR DOM BOSCO

Ciências de Administração

Licenciatura em Ensino de Gestão

2º Ano

Módulo: Métodos Quantitativos Aplicados á Gestão

Tema: Variáveis Aleatórias

Discentes: Docente:
Chante da Silva Castigo Parruque
Elsa Mavie
Janete Chambule
Lucas Cavele
Ragiba Saiete

Maputo, maio de 2022

 Variaveis Aleatórias

Métodos Quantitativos Aplicados á Gestão

Este é um trabalho científico, de caracter

avaliativo, do módulo de Métodos
Quantitativos Aplicados á Gestao, tutelado pelo
docente Castigo Parruque.
Surge no âmbito de investigação científica, a
fim de levar a cabo aspetos inerentes ás
variáveis aleatórias, a ser entregue no Instituto
Superior Dom Bosco.

Chante da Silva
Elsa Mavie
Janete Chambule
Lucas Cavele
Ragiba Saiete

Maputo, maio de 2022

Índice
1. Introdução: .......................................................................................................................... 4

1.1.2. Metodologia ................................................................................................................ 5

1.2. Objectivos ....................................................................................................................... 6

2. Referencial Teórico ......................................................................................................... 7

2.1. Variáveis. Aleatória ........................................................ Erro! Marcador não definido.

2.1.2. Definição de variável aleatória ..................................................................................... 7

2.1.3. Esquema de representação de uma variável aleatória . Erro! Marcador não definido.

3. Classificação das Variáveis Aleatórias: ........................................................................ 10

3.1. Definição das Variáveis aleatórias discretas ................................................................. 10

3.1.2. Função de probabilidade ............................................................................................ 12

4. Variáveis Aleatórias Continuas..................................................................................... 14

4.1. Função densidade de probabilidade ............................... Erro! Marcador não definido.

4.1.2. Variância e desvio-padrão de uma variável aleatória................................................. 16

4.1.2.1. Desvio-padrão de uma variável aleatória ................................................................ 17

5. Distribuição de Bernoulli .............................................................................................. 17

5.1. Experimento de Bernoulli ............................................................................................. 17

5.1.2. Esperança e Variância ................................................................................................ 19

6. Aspetos que dividem os dados estatísticos:............................................................... 20

7. Aplicação das variáveis aleatórias no processo de tomada de decisão dentro das

organizações ..................................................................................................................... 21

8. Conclusão .................................................................................................................. 23

9. Referencias bibliográficas ......................................................................................... 24

 1. Introdução:
No âmbito de investigação, referente ao módulo de Métodos quantitativos aplicados à gestão,
foi-nos confiado debruçar em torno do tema, Variáveis aleatórias, este que é um tema
bastante fundamental no nosso curso, gestão em particular, e ciências de administração em
geral.

É sabido que na grande maioria dos problemas estatísticos, os dados são de natureza
quantitativa, porém com o decorrer do tempo as coisas mudaram apresentando-se também na
forma qualitativa (Toledo & Ovalle), por essa razão costuma-se dividir os dados estatísticos
em dois aspetos, que ao longo do trabalho poderemos observar.

Contudo, o nosso trabalho, visa analisar e debruçar a cerca do tema em causa, frisando
aspetos bastantes interessante, como, a definição, os tipos de variáveis aleatórias, e,
principalmente, o real contexto de aplicação do tema para o nosso curso, assim bem como a
sua importância no quotidiano das organizações.

4
 1.1.2 Metodologia
Em temas de aulas anteriores (Estatistica Empresarial), vimos que é possível explorar um
conjunto de dados utilizando gráficos (barras, sectores, histograma ou polígono de
frequência), medidas de tendência central (média, mediana, moda), medidas de separação
(quartis, decis e percentis) e medidas de variação (desvio padrão e coeficiente de variação).
Também foram vistos aspetos da teoria das probabilidades.

Com este tema, combinaremos esses conceitos ao estudarmos distribuições de probabilidade,

olhando especificamente, ao contexto das variáveis aleatórias.

Assim sendo, para a elaboração do presente trabalho, recorreu-se a diversos materiais,

disponíveis na biblioteca do ISDB e artigos da internet, de forma a sustentar as pesquisas por
nós feitas.

Pergunta de pesquisa:

Para melhor reflexão do tema em estudo, partimos do seguinte pressuposto:

Ate que ponto, as variáveis aleatórias são importantes para os cursos de contabilidade e
gestão (Ciências de administração)?

5
1.2. Objectivos

1.2.1. Objectivo geral

Avaliar a importância do estudo das variáveis aleatórias nas ciências de administração.
1.2.2. Objectivo específico
✓ Definir as variáveis aleatórias;
✓ Classificar as variáveis aleatórias;
✓ Modelar matematicamente os cálculos das probabilidades aplicando as variáveis
aleatórias
✓ Referir a importância do estudo das variáveis aleatórias nas ciências de administração.

6
 2. Referencial Teórico

2.1. Variáveis aleatórias

O conjunto de todos os possíveis resultados de um experimento aleatório chama-se espaço

amostral. (Ferreira 2005).

Os elementos desse conjunto podem ser numéricos ou não. Por exemplo, se o experimento for
escolher um aluno de uma turma e registar sua altura, teremos um conjunto numérico, porém
se indagarmos o time de futebol preferido do aluno, teremos um conjunto não numérico. Como
em muitas situações experimentais precisamos atribuir um número real x a todo elemento do
espaço amostral. (Toledo & Ovalle 1985).

2.1.2. Definição de variável aleatória

Seja S o espaço amostral associado a um experimento aleatório. Uma função X que associa a
cada elemento s є S um número real X(s) é denominada variável aleatória. Ou seja, uma
variável aleatória é uma descrição numérica do resultado de um experimento. (Ferreira 2005).

Para facilitar a compreensão do conceito de variável aleatória, vamos tomar como exemplo o
seguinte experimento aleatório:

Exemplo 1:

lançamento de uma moeda duas vezes e a observação das faces que ocorrem.

O espaço amostral associado ao experimento é: S = {(C, C); (C, K); (K, C); (K, K)}

K = Coroa e C = Cara.

Variável Aleatória X: número de caras (C) obtidas no lançamento de duas moedas.

X (C, C) = 2; X (C, K) = 1; X (K, C) = 1 e X (K, K) = 0

Seja X a variável que representa o número de caras ocorrido nos três lançamentos, quais são
os possíveis valores de X?

S / conjunto não numérico R / Conjunto numérico X : S 

X X= 0, 1, 2
0
(C; C)
1
(C; K)
2
(K; C)

(K; K) 7
Exemplo 2:

Lançamento de uma moeda honesta três vezes e observação das faces que ocorrem.

O espaço amostral do experimento é S = {ccc, cck, ckc, kcc, kkc, kck, ckk, kkk}.

Como a moeda é honesta, a probabilidade de ocorrer cara é igual à probabilidade de correr

1
coroa: P(c) = P(k) = 2

Para que ocorra o resultado três caras (ccc), é necessário que ocorram, sucessivamente, os três
eventos: cara no primeiro lançamento, cara no segundo lançamento e cara no terceiro
lançamento, ou seja, deve ocorrer a intersecção destes três eventos.

Como os lançamentos são independentes entre si, a probabilidade de ocorrer cara é a mesma
1
em todos eles: P(c) = 2 .

Logo, a probabilidade de ocorrer três caras P(ccc), é dada pelo produto das probabilidades de
ocorrer cara em cada lançamento

1 1 1 1
P(ccc) = P(c) + P(c) + P (c) = 2 ×2 ×2 = 8

De forma análoga, obtemos as probabilidades de todos os demais resultados possíveis:

1 1 1 1
P(cck) = P(c) + P(c) + P (k) = 2 ×2 ×2 = 8

1 1 1 1
P(kkk) = P(k) + P(k) + P (k) = 2 ×2 ×2 = 8

Podemos observar, então, que:

1
P(ccc) = P(cck) = P(ckc) = P(kcc) = P(kkc) = P(kck) = P(ckk) = P(kkk) = 8

o que torna o espaço amostral equiprovável.

Observamos, também, que o espaço amostral é formado pela união dos eventos (ccc), (cck),
(ckc), (kcc), (kkc), (kck), (ckk) e (kkk), que são todos mutuamente exclusivos.

Sendo assim, a probabilidade do espaço amostral, P(S), é dada pela soma das probabilidades
de cada evento:

P(S) = P(ccc) + P(cck) + P(ckc) + P (k cc) + P(kkc) + P(kck) + P(ckk) + P(kkk)

1 1 1 1 1 1 1 1
P(S) = +8 + + + + + + =1
8 8 8 8 8 8 8

8
Seja X a variável que representa o número de caras ocorrido nos três lançamentos, quais são
os possíveis valores de X?

S/ conjuntos não numéricos

X(ccc) = 3 X

X(cck) = 2 R/ conjuntos numéricos

X(ckc) = 2 Ccc

X(kcc) = 2 Cck

Ckc 0
X(kkc) = 1
Kcc 1
X(kck) = 1
Kkc 2
X(ckk) = 1
Kck 3
X(kkk) = 0
ckk

kkk

X : S 

X= 0, 1,2,3

Conforme pudemos observar nos exemplos acima, Através de X foi possível transformar um
conjunto não numérico em um conjunto numérico.

Desta forma, chega-se a conclusão de que, Variável aleatória é uma função (ou regra) que
transforma um espaço amostral qualquer em um espaço amostral numérico que será sempre
um subconjunto do conjunto dos números reais. (Ferreira 2005).

2.1.3. Esquema de representação de uma variável aleatoria

X
S X(S)

S → Espaço Amostral X(S) → Espaço Amostral da Variável X

9
 3. Classificação das Variáveis Aleatórias:

Uma variável é dita discreta quando assume valores em pontos isolados ao longo de uma escala
(nº finito ou infinito enumerável de valores). (Ferreira 2005)

Exemplo: Nº de alunos na sala de aulas de métodos quantitativos aplicados a gestão.

Uma variável é dita contínua quando assume qualquer valor ao longo de um intervalo (nº
infinito não enumerável de valores). (Ferreira 2005)

Exemplo: Tempo, temperatura, peso, etc.

Portanto, para atingirmos nosso objetivo, calcular a probabilidade em determinada situação

devemos sempre ter em destaque qual a variável aleatória em nosso problema.

3.1 Definição das Variáveis aleatórias discretas

Muitos experimentos produzem resultados não numéricos. Antes de analisá-los é conveniente

transformar seus resultados em números. Para isso devemos associar a cada resultado elementar
(ei) do espaço amostral (S) um número real, o que é feito por meio de uma regra ou função
denominada variável aleatória. (Ferreira 2005) Neste caso, define-se variável aleatória
discreta, aquela que assume valores num conjunto finito ou infinito enumeráveis. (Ferreira
2005)

Exemplo 1: Considerando, por exemplo, o experimento inspecionar um conjunto de caixas

contendo 10 peças embaladas manualmente. Pode-se definir uma variável aleatória como
número de peças boas. Trata-se de uma variável aleatória discreta, porque ela pode assumir o
número finito de valores: 0, 1, 3, ..., 10

Exemplo 2: Como outro exemplo de variável aleatória discreta, consideremos lançamento de

duas moedas honesta onde o conceito é ilustrado com um espaço amostral com 4 resultados
elementares, ou seja:

S = {CC, CK, KC, KK}

X(CC) = 2
X(CK) = 1 X(S)
X(KC) = 1 1 0 2
X(KK) = 0

10
Observamos que X denota o número de Cara (C). Assim definida, X é uma variável aleatória
discreta. Note que para ser discreta, a variável aleatória (v.a.) deve assumir valores em um
conjunto finito ou infinito, porém contável. At all ferreira 2005

O passo fundamental para entendermos uma v.a. é associar a cada valor de X a sua
probabilidade, obtendo o que se chama distribuição de probabilidade. (ferreira 2005)

Exemplo 3: No lançamento de uma moeda 3 vezes e observando a sequência de cara (K) e

coroa (C) que aparecem na face de cima.

a) Qual será o espaço amostral desse experimento?

b) Escreva o subespaço constituído pela ocorrência de duas ou mais caras.

Resolução

a) O espaço amostral consiste em 8 elementos. Para encontrar este número usaremos o

diagrama de árvore que nos dará o número das possibilidades em três lançamentos da moeda

KKK

K C KKC

K KCK

K C C KCC

K CKK

C K C CKC

K CCK

C CCC

1⁰ Lançamento 2⁰ Lançamento 3⁰ Lançamento

Figura 1: Determinação do número de elementos no espaço amostral (teorema de

contagem)
R: O espaço amostral será: S = {kkk, kkc, kck, kcc, ckk, ckc, cck, ccc}
b) O subespaço com duas ou mais caras é: W = {CCC (3), CCK (2), CKC (2), KCC (2)}

11
3.1.2. Função de probabilidade
seja X uma variável aleatória discreta. A função de probabilidades de X é a função Fx (X)
que associa, a cada valor possível x de X, sua respetiva probabilidade, calculada da seguinte
forma: Fx (X) é a probabilidade do evento {X = x} que consiste em todos os resultados do
espaço amostral que dão origem ao valor x.

Fx (X) = P ({X = x}) = ∑x P(S)

Em geral temos a seguinte notação de evento: P (X = x) ou P ({X = x})

Das propriedades (axiomas) da probabilidade resultam os seguintes fatos sobre a função de

probabilidades de uma v.a. discreta X:

f X X (x) ≥ 0

∑FX (x) = 1

em que P x indica somatório ao longo de todos os possíveis valores de X. Note que a segunda
propriedade é decorrente do axioma P(s) = 1, pois os eventos {X = x} são mutuamente
exclusivos e formam uma partição do espaço amostral. Estas são as condições definidoras de
uma função de probabilidade.

Exemplo
Consideremos o lançamento de dois dados equilibrados. Como já visto, o espaço amostral desse
experimento é formado pelos pares ordenados (i, j) em que i, j = 1, 2, 3, 4, 5, 6. Esse é um
experimento em que o espaço amostral não é formado por números. Suponhamos que nosso
interesse esteja no máximo das faces dos dois dados. Neste caso, a v.a. X = ´´máximo das 2
faces” é uma variável discreta, que pode assumir os valores 1, 2, 3, 4, 5, 6, conforme ilustrado
na Tabela 1.1.

Variável aleatória X = “máximo das faces de 2 dados”

Pontos do espaço amostral Valor de X
(1,1) 1
(1,2) (2,2) (2,1) 2
(1,3) (2,3) (3,3) (3,2) (3,1) 3
(1,4) (2,4) (3,4) (4,4) (4,3) (4,2) (4,1) 4
(1,5) (2,5) (3,5) (4,5) (5,5) (5,4) (5,3) (5,2) (5,1) 5
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6) (6,5) (6,4) (6,3) (6,2) (6,1) 6

Podemos ver que o valor X = 2 corresponde ao evento A = {(1, 2), (2, 1), (2, 2)}, enquanto
que o valor X = 1 corresponde ao evento B = {(1, 1)}. Sendo assim, é de se esperar que o

12
valor 2 seja mais provável que o valor 1, uma vez que todos os pares são equiparáveis.
Podemos calcular a probabilidade de X = 2 usando a seguinte equivalência de eventos:

{X = 2} ≡ A = {(1, 2), (2, 1), (2, 2)}

Dessa forma, obtemos:

P (X = 2) = P(A) = 3 36

De maneira análoga, obtemos:

1
P ({X = 1}) = 36

5
P ({X = 3}) = 36

7
P ({X = 4}) = 36

9
P ({X = 5}) = 36

11
P ({X = 6}) = 36

Conforme pudemos observar, conseguimos estabelecer uma probabilidade para cada valor da
variável aleatória.

Tabela 1: Exemplo de variáveis aleatórias discretas (VAD)

Experimento Variável Aleatória (X) Valores possíveis para a

variável aleatória

Contar cinco clientes Número de clientes que

realizam um pedido de
0, 1, 2, 3, 4, 5
compra

Inspecionar uma Número de rádios defeituosos 0, 1, 2, 3, 4, 5, …, 49, 50

remessa de 50 rádios

Operar um restaurante Número de clientes 0, 1, 2, 3, 4, 5, ...

durante um dia

13
 Vender um automóvel Género do cliente 0 se for masculino; 1 se
for feminino

4. Variáveis Aleatórias Continuas

Definição
Para compreender o conceito das variáveis aleatórias, podemos considerar de antemão,
os seguintes exemplos:
Exemplo 1: Uma válvula eletrônica é instalada em um circuito, sendo X o período de tempo
que a válvula funciona:

Neste caso, X é uma variável aleatória continua podendo tomar valores reais positivos, ou
seja, o subconjunto dos números reais [0, infinito).

Exemplo 2: Um navio petroleiro sofre um acidente no qual seu casco é rompido e o óleo é
derramado. Seja Y a variável aleatória que determina a área atingida pelo óleo do navio:
Neste caso, temos que a variável Y é uma variável aleatória continua que assume valores
no subconjunto dos números reais [0, infinito).

Exemplo 3: Imagine nas Olimpíadas o lançamento de martelo. Sabemos de antemão que os

valores do lançamento de martelo atingem no máximo a distância de 60 metros e a distância
mínima classificatória de 30. Ou seja, todos os lançamentos serão dentro desse intervalo,
podendo assumir uma infinidade de possibilidades, pois sempre existirá uma fração para medir
a menor diferença possível entre um lançamento e outro, como 59,2512m. Neste caso X seria
uma vac que assume qualquer valor no intervalo 30 < X < 60.

Logo, a partir dos exemplos acima, podemos afirmar que, Variável Aleatória Contínua
(V.A.C) é aquela que pode tomar qualquer valor numérico em um determinado intervalo
ou coleção de intervalos. Ou seja, entre quaisquer de dois elementos vizinhos há
quantidades intermediárias infinitas, dependentes da sensibilidade do instrumento de
medida. (Ferreira 2005, toledo & Ovalle 1985)

Nota: resultados experimentais que se baseiam em escalas de medidas como tempo, peso,
distância e temperatura podem ser descritos por meio de variáveis aleatórias contínuas.

14
Tabela 2: Exemplo de variáveis aleatórias contínuas (VAC).

Experimento Variável aleatória (x) Valores possíveis para a

variável aleatória

Operar um banco Tempo em minutos entre

chegadas dos clientes
x0

Encher uma lata de Quantidade em ml. 0  x  357

refrigerante (máx. =
357 ml.)

Construir uma nova Percentagem de conclusão do 0  x  100

biblioteca projeto depois de seis meses

Testar um novo A temperatura quando ocorre 65  x  100

processo químico a reação desejada (mín. 65º
C; máx. 100º C)

4.1. Função densidade de probabilidade

O comportamento de uma variável aleatória contínua fica perfeitamente determinado através

da função densidade de probabilidade.

Função densidade de probabilidade uma função densidade de probabilidade é uma função f(x)
que satisfaz as seguintes propriedades:

1. f(x) ≥ 0

2. A área total sob o gráfico de f(x) é igual a 1, isto é, ∫ 𝐹(𝑥) dx = 1

Dada uma função f(x) satisfazendo as propriedades acima, então f(x) representa alguma
variável aleatória contínua X, de modo que P(a ≤ X ≤ b) é a área sob a curva limitada pelos
𝑏
pontos a e b isto é P (a ≤ X ≤ b) = ∫𝑎 𝐹(𝑥) 𝑑𝑥

15
 P (a ≤ X ≤ b)

a b

Figura 1. Probabilidade como área sob a curva da função densidade de probabilidade

Uma observação importante que resulta da interpretação geométrica de probabilidade como

área sob a curva de densidade de probabilidade é a seguinte:

se X é uma v.a. contínua, então a probabilidade do evento {X = a} é zero, ou seja, a

probabilidade de X ser exatamente igual a um valor específico é nula. Isso pode ser visto na
Figura 1: o evento {X = a} corresponde a um segmento de reta, e tal segmento tem área nula.
𝑏
Lembre-se que ∫𝑎 𝐹(𝑥) 𝑑𝑥 = 0. Como consequência, temos as seguintes igualdades:

P (a ≤ X ≤ b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a < X < b)

Para deixar clara a relação entre a função densidade de probabilidade e a respetiva v.a. X,
usaremos a notação fx (X).

4.1.2. Variância e desvio padra de uma variável aleatória

A esperança de uma variável aleatória X é o centro de gravidade da distribuição de

probabilidades. Sendo assim, a esperança é uma medida de posição. No entanto, é possível que
duas variáveis bem diferentes tenham a mesma esperança.

Desta forma, A variância de uma variável aleatória X é definida a partir da seguinte forma:

Var(X) = E [X − E (X)]2

O termo X − E(X) é o desvio em torno da média. Sendo assim, a variância é a média dos desvios
quadráticos em torno de E(X).

16
4.1.2.1. Desvio-padrão de uma variável aleatória

O desvio-padrão de uma variável aleatória X é definido como a raiz quadrada de sua variância:

DP(X) = √Var(X)

Propriedades da variância e do desvio-padrão

sendo a variância e o desvio-padrão medidas de dispersão, é fácil ver que são válidas as
seguintes propriedades, onde a, b ≠ 0 são constantes quaisquer:

Var(X) ≥ 0 Var (X + a) = Var(X)

DP(X) ≥ 0 DP (X + a) = DP(X)

Var(a) = 0 Var (BX) = 𝑏 2 Var(X)

DP(a) = 0 DP (BX) = |b| DP(X)

5. Distribuição de Bernoulli

Considere o lançamento de uma moeda. A característica de tal experimento aleatório é que ele
possui apenas dois resultados possíveis. Uma situação análoga surge quando da extração da
carta de um baralho, em que o interesse está apenas na cor (preta ou vermelha) da carta
sorteada.

Definicao

5.1. Experimento de Bernoulli

Um experimento de Bernoulli é um experimento aleatório com apenas dois resultados

possíveis; por convenção, um deles é chamado “sucesso” e o outro, “fracasso”

Variável aleatória de Bernoulli é a v.a. X associada a um experimento de Bernoulli, em que se

define

1 se ocorre sucesso

X= 0 se ocorre fracasso

Chamando de p a probabilidade de sucesso (0 < p < 1), a distribuição de Bernoulli é

17
 X 0 1
Fx(X) 1-P P

Obviamente, as condições definidoras de uma fdp são satisfeitas, uma vez que

p > 0, 1 − p > 0 e p + (1 − p) = 1.

O valor de P é o único valor que precisamos conhecer para determinar completamente a

distribuição; ele é, então, chamado parâmetro da distribuição de Bernoulli. Vamos denotar a
distribuição de Bernoulli com parâmetro p por Bern(p).

A função de distribuição acumulada é dada por:

0 se x < 0

Fx(X) = 1 − p se 0 ≤ x < 1

1 se x ≥ 1

1-P

0 1

Grafico de distribuição de Bernoulli

18
5.1.2. Esperança e Variância

Seja X ∼ Bern(p) (lê-se: a variável aleatória X tem distribuição de Bernoulli com parâmetro
p). Então, temos:

E(X) = 0 × (1 − p) + 1 × p = p

E(X) 2= 0 2 × (1 − p) + 12 × p = p

Var(X) =E(X) 2) − E(X) 2 = p − P 2

Logo: X ∼ Bern(p) ⇒ E(X) = P

Var(X) = p (1 – p)

É comum denotar a probabilidade de fracasso por q, isto é, q = 1 − p.

Exemplo 1:

Lançamento de uma moeda:

consideremos novamente o lançamento de uma moeda e a seguinte variável aleatória X

associada a esse experimento:

1 se ocorre carra

X=

0 se ocorre coroa

Seja P a probabilidade de cara, 0 < p < 1. Então, X tem distribuição de Bernoulli com parâmetro
P. Note que, nesse caso, a Bernoulli com parâmetro p = 1/2

Exemplo 2:

Auditoria da Receita Federal

Um auditor da Receita Federal examina declarações de Imposto de Renda de pessoas físicas,

cuja variação patrimonial ficou acima do limite considerado aceitável. De dados históricos,
sabe-se que 10% dessas declarações são fraudulentas.

19
Resolução

Vamos considerar o experimento correspondente ao sorteio aleatório de uma dessas

declarações. Esse é um experimento de Bernoulli, em que o sucesso equivale à ocorrência de
declaração fraudulenta e o parâmetro da distribuição de Bernoulli é p = 0, 1. Esse exemplo
ilustra o fato de que “sucesso”, nesse contexto, nem sempre significa uma situação feliz na vida
real. Aqui, sucesso é definido de acordo com o interesse estatístico no problema. Em uma
situação mais dramática, “sucesso” pode indicar a morte de um paciente, por exemplo.

6. Aspetos que dividem os dados estatísticos:

Quanto aos aspetos que dividem os dados estatísticos, existem os aspetos qualitativos, bastante
usados nas classificações dos dados, que muitas vezes chamamos de atributo, ou seja, faz-se
uma atribuição daquilo que se pretende analisar. (Toledo & Ovalle 1985)

Ex: classificar indivíduos segundo o Sexo. Neste caso, teríamos duas classes distintas de dados
a serem observados: uma classe representando os indivíduos do sexo masculino e outra classe
representando indivíduos do sexo Feminino.

Como podemos observar, neste exemplo, a variação das classes não ee quantitativa.

Quando os dados estatísticos apresentam um caracter qualitativo, o levantamento e os estudos

necessários ao tratamento desses dados são designados genericamente como estatística de
atributo.

Ao passo que, em termos numéricos, encontramos a questão das variáveis. Onde se busca medir
a intensidade efetiva de um caracter variável em cada um dos objetos ou pessoas observadas.

Ex: pode se registar a idade dos alunos que frequentam que o curso de contabilidade e gestão
no ISDB, a estatura ou o peso desses indivíduos, ou o rendimento das suas familias ou ainda,
dos alunos que aprovaram no módulo de Estatística Empresarial no semestre passado, etc…é
evidente que, os resultados dessas observações, sempre serão expressas em valores numéricos.
Desta forma, os dados são de carácter nitidamente quantitativo, e o conjunto dos resultados
possuem uma estrutura numérica.

Assim, estaremos diante da Estatistica quantitativa ou Estatistica de variável, ou simplesmente,

variáveis aleatórias. (Toledo & Ovalle 1985)

20
 7. Aplicação das variáveis aleatórias no processo de tomada de decisão dentro das
organizações

Partindo da definição das variáveis aleatórias, (Ferreira 2005), que define as variáveis
aleatórias como sendo uma descrição numérica do resultado de um experimento, ou seja, a
atribuição concreta de um número que pode ser expressa em percentagem, quantidade, número,
etc…podemos assumir que a variável aleatória tem uma grande e extrema importância no
processo de tomada de decisão dentro das organizações.

As empresas, buscam realeza nas suas empresas, isto é, o conhecimento da situação real da
mesma.

portanto, nós, como estudantes de Ciências de administração (gestão & contabilidade),

precisamos ter um domínio das ferramentas ou dos modelos de resolução de problemas para
auxiliar na tomada de decisão.

Segundo Taylor 1970 & Fayol 1990, dentro das empresas existem Áreas (4) que a subdividem,
nomeadamente: área financeira, área de produção, área de marketing e a área de capital
humano.

Todas estas áreas, são de extrema importância, pois a empresa precisa de saber quanto de lucro
obteu, quanto de custo teve (ganhos, proveitos e perdas), etc., de forma a tomar decisões
assertivas.

Exemplos concretos:

Olhando para a área de produção, aplicaremos métodos para a verificação dos dados
relacionados aos produtos ou aos processos ou aos funcionários. É nesta área que há
necessidade de monitoramento e controle da qualidade dos produtos.

Existem gráficos que demostram a cada processo o avanço e as falhas de cada produto,
permitindo parar a produção e fazer a manutenção, ou mesmo descobrir novas maneiras de
realizar cada tarefa (Votto & Fernandes, 2014; Grejo AT all, 2015).

Em geral, as variáveis aleatórias, são estudadas para auxiliar na tomada de decisão podem partir
da aplicação de vários métodos, como: o método de distribuição de frequência, a media, a
mediana, a moda, a variância, o desvio padrão, o coeficiente de Variação, etc… (Ignácio 2011)

21
Conforme percebemos, recorremos a Estatistica para fazer a análise dos dados, isto é, a nossa
vida, enquanto gestores e contabilistas, parte do domínio ou conhecimento prévio da
Estatistica.

Cabe a Estatistica interpretar dados para a analise de resultados a partir das variáveis em causa,
de forma a minimizar os riscos ou maximizar os ganhos e proveitos dento da organizacao,
principalmente na área financeira. (Ignácio 2011, p 184)

Outra ferramenta bastante importante e fundamental na determinação numérica das variáveis,

é a probabilidade. Esta que é muito usada nas organizações e que proporciona meios de
assertividade nas escolhas feitas pela empresa, já que mostra quantitativamente as chances de
acontecer ou não um dado evento, este que seria o resultado esperado.

Como exemplo, podemos tomar uma organizacao de ensino (ISDB), que pretende lecionar o
curso de gestão as pessoas com maior de 60 anos.

Para saber se terá ou não interessados neste projeto, é preciso fazer uma pesquisa ou estudo de
campo, a fim de verificar a viabilidade do projeto funcionar.

Atualmente, estudamos problemas de programação linear, onde estipulamos antes de mais

nada, as variáveis de decisão, de modo que possamos analisar essas variáveis (que podem ser
aleatórias), usando outros métodos como: o método Simplex (grande M, Método gráfico, duas
fases, etc.).

Contudo, aplicamos uma diversidade de métodos, para quantificar as nossas variáveis, de forma
a auxiliar no processo de tomada de decisão.

22
 8. Conclusão

Durante a realização do presente trabalho, foi possível constatar que as variáveis aleatórias são
bastante fundamentais no dia a dia. pois permitem e facilitam na determinação numérica, de
modo a quantificar os dados em estudo.
Tambem são usados em vários aspetos do dia a dia, principalmente nas organizações, onde
torna-se fácil determinar ou atribuir números aos dados usando diversos métodos que muitas
vezes são recorridos ao modulo de Estatistica (distribuição de frequência, moda, mediana, a
media, a variância, o desvio padrão, probabilidade etc.…). este, que é, um modulo bastante
eficaz na ilustração dos resultados pretendidos.
Também ao longo do trabalho, baseamo-nos no módulo de métodos quantitativos aplicados á
gestão, este que tem uma grande e forte relação com o módulo de Estatistica, onde pudemos
verificar outros métodos de quantificação das variáveis aleatória (método gráfico, Simplex,
etc.…).
Em suma, a compreensão clara e adequada da variável de decisão (aleatória) é a primeira etapa
essencial no desenvolvimento dos cálculos modelados para determinar variáveis que assumem
uma linguagem numéricas dentro das organizações. Também é importante, compreender o tipo
de variável em causa (discreta ou contínua), isto ajudará a perceber de que forma irá analisar
os dados estatísticos em um problema organizacional.

23
9. Referencias bibliográficas

Ferreira, D.F. (2005). Estatistica Básica. Lavras: Editora UFLA.

IGNÁCIO, S. A. (2011). Importância da Estatística para o processo de conhecimento e
tomada de decisão.
FAYOL, H. (1990). Administração Industrial e Geral. São Paulo: Atlas
TAYLOR, F. W. (1970). Princípios de administração científica. São Paulo: Atlas
GREJO, L. M. (2015). Análise crítica das pesquisas sobre o tema custos da qualidade.
Revista de Administração: Contabilidade e Economia da Fundace.
VOTTO, R. G., & FERNANDES, F. C. F. (2014). Produção Enxuta e Teoria das
Restrições: Proposta de um Método para Implantação Conjunta na Indústria de Bens de
Capital sob Encomenda. Gestão & Produção.

24