Escolar Documentos
Profissional Documentos
Cultura Documentos
Ciências de Administração
Discentes: Docente:
Chante da Silva Castigo Parruque
Elsa Mavie
Janete Chambule
Lucas Cavele
Ragiba Saiete
Chante da Silva
Elsa Mavie
Janete Chambule
Lucas Cavele
Ragiba Saiete
2.1.3. Esquema de representação de uma variável aleatória . Erro! Marcador não definido.
8. Conclusão .................................................................................................................. 23
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.
Pergunta de pesquisa:
Ate que ponto, as variáveis aleatórias são importantes para os cursos de contabilidade e
gestão (Ciências de administração)?
5
1.2. Objectivos
6
2. Referencial Teórico
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).
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.
Seja X a variável que representa o número de caras ocorrido nos três lançamentos, quais são
os possíveis valores de X?
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}.
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
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
1
P(ccc) = P(cck) = P(ckc) = P(kcc) = P(kkc) = P(kck) = P(ckk) = P(kkk) = 8
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:
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?
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).
X
S X(S)
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)
Uma variável é dita contínua quando assume qualquer valor ao longo de um intervalo (nº
infinito não enumerável de valores). (Ferreira 2005)
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)
Resolução
KKK
K C KKC
K KCK
K C C KCC
K CKK
C K C CKC
K CCK
C CCC
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.
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.
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:
P (X = 2) = P(A) = 3 36
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.
13
Vender um automóvel Género do cliente 0 se for masculino; 1 se
for feminino
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).
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).
Função densidade de probabilidade uma função densidade de probabilidade é uma função f(x)
que satisfaz as seguintes propriedades:
1. f(x) ≥ 0
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
Para deixar clara a relação entre a função densidade de probabilidade e a respetiva v.a. X,
usaremos a notação fx (X).
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)
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:
DP(X) ≥ 0 DP (X + a) = 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
1 se ocorre sucesso
X= 0 se ocorre fracasso
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.
0 se x < 0
Fx(X) = 1 − p se 0 ≤ x < 1
1 se x ≥ 1
1-P
0 1
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) = p (1 – p)
Exemplo 1:
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:
19
Resolução
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.
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.
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.
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)
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.
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
24