Escolar Documentos
Profissional Documentos
Cultura Documentos
4º PERÍODO
PALMAS-TO/ 2009
FUNDAÇÃO UNIVERSIDADE DO TOCANTINS
Reitoria
Jucylene Maria de Castro Santos Borba
Vice Reitoria
Lívio William Reis de Carvalho
Pró-Reitoria de Graduação
George França dos Santos
Diretoria de Ensino
Patrícia Martins Bühler Tozzi
Coordenador do Curso
André Pugliese da Silva
MATERIAL DIDÁTICO
Organização de Conteúdos Acadêmicos
Marcos Antônio Dozza
Coordenação Editorial
Maria Lourdes F. G. Aires
Revisão Linguístico-Textual
Eli Pereira da Silva
Revisão Didático-Editorial
Kyldes Batista Vicente
Revisão Didático-Pedagógica
Kyldes Batista Vicente
Revisão Digital
Márcio da Silva Araújo
Projeto Gráfico
Albânia Celi Morais de Brito Lira
Katia Gomes da Silva
Márcio da Silva Araújo
Rogério Adriano Ferreira da Silva
Vladimir Alencastro Feitosa
Ilustração
Geuvar S. de Oliveira
Capa
Rogério Adriano Ferreira da Silva
Apresentação
EMENTA
Introdução à probabilidade. Distribuições de probabilidade. Distribuições
amostrais. Estimação. Testes de significância. Análise de variância. Análise de
diagrama de decisão. Aplicativos estatísticos.
OBJETIVOS
• Apresentar as principais técnicas e ferramentas dos métodos quantitativos
utilizadas na gestão empresarial moderna.
• Proporcionar aos acadêmicos a aplicação e análise de informações
estatísticas específicas.
• Compreender os fundamentos estatísticos envolvidos nas atividades
empresariais para a tomada de decisão.
CONTEÚDO PROGRAMÁTICO
• Introdução à probabilidade e distribuição de probabilidade
• Tipos de amostragem e distribuição amostral da média e proporcional
• Processo de estimação e intervalo de confiança
• Hipóteses estatísticas e tipos de testes de hipóteses
• Características da Estimativa “Entre” e Estimativa “Dentro” e Utilização da
Tabela F
• Análise de regressão linear múltipla, modelos de séries temporais e
números-índices
BIBLIOGRAFIA BÁSICA
FREUND, J.E., SIMON, J. A. Estatística Aplicada à Economia Administração e
Contabilidade. 9. ed. São Paulo: Ed. Bookman, 2000.
SILVA, Ermes M. da. et al. Estatística para os cursos de economia,
administração e ciências contábeis. São Paulo: Atlas, 1999.
SARTORIS, Alexandre. Estatística e introdução à econometria. São Paulo:
Saraiva, 2003.
BIBLIOGRAFIA COMPLEMENTAR
ANDERSON, David R. Estatística aplicada à administração e economia. 2. ed.
São Paulo: Pioneira. 2002.
BUSSAB, Wilton O. Análise de variância e regressão. São Paulo: Saraiva, 2005.
CORRAR, Luiz J. THEÓPHILO, Carlos R. et al. (org.). Pesquisa Operacional
para decisão em contabilidade e administração. São Paulo: Atlas, 2004.
DOWNING, Douglas; FARIAS, Alfredo Alves de; CLARK, Jeffrey. Estatística
aplicada. 2. ed. São Paulo: Saraiva, 2003.
STEVENSON, Wiliam J. Estatística aplicada à administração. São Paulo:
Harbra, 2001.
Sumário
Introdução
Iniciaremos o estudo deste capítulo com os elementos estatísticos
fundamentais aplicáveis à probabilidade e distribuição de probabilidade.
A probabilidade é um conceito de que a grande maioria da população, para
não dizer toda, tem entendimento. Vejamos um exemplo: quando uma moeda
qualquer é jogada para cima (evento), ao cair existe a possibilidade
(probabilidade) de se obter cara ou coroa. Nestas condições, falamos
tecnicamente que em se tratando de uma moeda “honesta” (equilibrada) e um
jogador isento de qualquer tipo de vício, a chance de ocorrer cara ou coroa é igual
para ambas.
Em seguida, ainda neste capítulo, abordaremos a distribuição amostral,
quando qualquer evento ocorre repetidamente numa população, os mesmos
determinam uma lei matemática de sua ocorrência que denominamos de
distribuição de ocorrência, distribuição amostral ou distribuição de probabilidade.
O objetivo da amostragem é ter indicação do valor de alguns parâmetros da
população como, por exemplo, a média e o desvio padrão. Assim, a média
amostral é usada para estimar a média da população, e o desvio padrão amostral
é usado para estimar o desvio padrão da população.
Nossa intenção, neste capítulo, é também responder a uma pergunta muito
importante: o quanto a estatística amostral se aproxima do verdadeiro valor do
parâmetro populacional. Neste sentido, precisamos entender como usar a
amostragem para analisar os parâmetros populacionais e, assim, termos
condições de aprender como as características de uma única amostra podem ser
usadas para fazer análise sobre os parâmetros de uma população. Entre as
principais distribuições amostrais, destacam-se: distribuição normal da média e
proporcional.
O propósito deste capítulo é apresentar os elementos básicos para o estudo
e aplicação matemática da probabilidade, para que você compreenda as técnicas
de amostragem, com suas diferentes aplicações, na coleta de amostras de uma
determinada população. E, para um bom desempenho no estudo deste capítulo, é
necessário que você tenha conhecimentos básicos de probabilidade, funções de
primeiro e segundo grau e também interpretação gráfica. Esses conteúdos você
encontrará no livro de Pedro Morettin e Wilton Bussab, Estatística básica. É
necessário, ainda, que você compreenda os conceitos e as diferenças entre
população e amostra e também ter compreendido os conceitos de média, desvio
padrão e os tipos de amostragens.
ou
1
P(A) = ► Análise: A probabilidade é de que em seis faces do dado saia
6
uma vez o número 4.
e) Duas caixas (C1 e C2) contêm, em seus interiores, bolas brancas (B) e pretas
(P), a caixa (C1) contendo 2 (duas) bolas brancas (B1) e 1(uma) bola preta
(P1), e a caixa (C2) contendo 2 (duas) bolas brancas (B2) e 2 (duas) bolas
pretas (P2).
Escolhendo ao acaso uma das caixas (C1) ou (C2), retira-se 1 (uma) bola da
caixa escolhida. Se a bola retirada é branca, qual a probabilidade que esta bola
tenha vindo da caixa (C1). (é um evento condicionado)
P ( Ai ). P ( Bj )
P (Ai / Bj) =
∑ P ( An ). P (Bm )
Ou
P ( A ).P (B )
P (A E B) =
∑ P ( A ).P (B )
Evento A = C1 e Evento B = C2
0
N DE OCORRÊNCIAS FREQUÊNCIAS
0 29
1 11
2 6
3 4
∑ = 50
A probabilidade de em um dia:
29
• Não registrar ocorrências é: p = = 0,58
50
11
• Registrar uma ocorrência é: p = = 0,22
50
6
• Registrar duas ocorrências é: p = = 0,12
50
4
• Registrar três ocorrências é: p = = 0,08
50
0
N DE OCORRÊNCIAS PROBABILIDADES
0 0,58 = 58%
1 0,22 = 22%
2 0,12 = 12%
3 0,08 = 8%
∑ = 1 = 100%
Seja X uma variável aleatória que pode assumir os valores x1, x2, ..., xn. A
cada valor xi correspondem pontos do espaço amostral. Associamos a cada valor
xi a probabilidade pi de ocorrência de tais pontos dentro do espaço amostral.
x−x
z=
V
Se conhecermos a área específica na tabela, qualquer tipo de área pode
ser calculada, usando a simetria da curva.
P( - 0,5 < Z < 1,48) = P( - 0,5 < Z < 0) + P(0 < Z < 1,48)
P( - 0,5 < Z < 0) = P(0 < Z < 0,5) = 0,1915
P(0 < Z < 1,48) = 0,4306
Portanto:
P( - 0,5 < Z < 1,48) = 0,1915 + 0,4306 = 0,6221
N 300
a= = =15
n 20
Sorteia-se um número de 1 a 15 obtém-se 5 (x = 5), os elementos enumerados por
(5; 20; 35; 50; ...) serão os componentes da amostra.
Média ( X ) ► X = ∑
X i ( )
Variância V2 ►
2 ∑ (x i −x )
2
n V =
n
Saiba mais
Observamos que as médias são iguais e a variância da amostra é metade
da variância da população, pois o tamanho da amostra é 2.
(X )= (X )
A P e (V2A) = (V2P) / n
2 ( V 2P ) (V )
(V A ) = ⇔ ( VA ) = P
n n
1.3.4 Distribuição Amostral Proporcional
Ao longo do nosso estudo, as experiências relatadas nos mostram que a
média e a proporção são as medidas estatísticas de tendência central mais
importantes. Vamos verificar, agora, como podemos estimar os parâmetros de
uma população, através dos parâmetros de uma amostra proporcional.
Seja X uma população infinita, p a probabilidade de sucesso de um evento e q
= 1 – p a probabilidade de fracasso.
PARÂMETRO RELAÇÃO
Proporção
(X )=(X )
A P
Variância
p.q
(V2A ) =
n
Desvio padrão
p.q
(VA ) =
n
p = (
X A = 20 % )
q = 1 − p = 1 − 20 %
q = 80 %
p . q 20 . 80
(V A ) = = = 2 , 83 %
n 200
• Mudança de variável:
p − xA 25 − 20
z = = = 1,77
VA 2 ,83
Probabilidade:
p(p > 25) = p(p > 1,77) = 50 % - 46,16 % = 3,84 %
No próximo capítulo vamos continuar nossos estudos, abordando os
aspectos do processo de estimação de parâmetros e os intervalos de confiança
Resumo
Vimos, neste capítulo, que as distribuições de probabilidade, usadas para
descrever variáveis aleatórias, são dadas em termos de áreas, sob uma curva
entre dois pontos. Vale lembrar também que distribuição normal é uma distribuição
em forma de sino (curva de Gauss). Também vimos a importância da escolha
certa no tipo de amostragem para garantir a qualidade na análise da amostra. E
ainda as formas de distribuição amostral mais comuns dos eventos que ocorrem
na prática.
Atividades
1. Descreva as características que representam de distribuição amostral de
probabilidade através do gráfico da curva de Gauss abaixo.
2. Os salários mensais dos funcionários de uma empresa são distribuídos
normalmente, em torno da média de R$ 500,00, com desvio – padrão de R$
40,00. Encontre a probabilidade de um funcionário ter u m salário mensal entre R$
430,00 e R$ 590,00. Assinale a alternativa correta.
a) 94,77% c) 90,35%
b) 78,27% d) 89,13%
4. Uma pesquisa de opinião pública, numa comunidade, mostrou que 46% das
pessoas são favoráveis a um projeto de lei. Determine a probabilidade de que a
maioria das pessoas de um conjunto amostral de 1.000 pessoas seja favorável a
tal projeto?
a) 87,67% c) 75,66%
b) 68,90% d) 99,92%
Referências
SARTORIS, Alexandre. Estatística e introdução à econometria. São Paulo:
Saraiva, 2003.
STEVENSON, Wiliam J. Estatística aplicada à administração. São Paulo:
Harbra, 2001.
Capítulo 2 – Estimação e Intervalo de Confiança I
Introdução
Para um bom desempenho no estudo deste capítulo, é necessário ter
compreendido o conceito de estimação e ter o domínio da utilização das
distribuições amostrais, na hora de estimar parâmetros populacionais e boas
noções de intervalos de confiança.
Como diferentes amostras levam, geralmente, a valores diferentes dos
estimadores, faz sentido pensarmos na diferença entre o valor do estimador e o
parâmetro.
Essa diferença é chamada de erro de estimativa (e). A relação entre o
nível de confiança e erro de estimativa caracteriza a precisão de uma estimativa.
Usaremos nas aplicações um nível de confiança de um intervalo fixado, que
irá controlar a precisão na determinação do erro de estimativa.
Esta indução (inferência) que fazemos, a partir de uma amostra da
população, pode ser feita de duas maneiras básicas, ou seja, por estimação e por
teste de hipótese.
Neste capítulo, estudaremos o método da estimação que serve para inferir
características de determinada população, por meio do estudo da amostra desta
população e os intervalos de confiança. Os principais intervalos de confiança são
definidos para os vários operadores estatísticos.
Indicar como o tamanho da amostra, a dispersão amostral e o nível de
confiança afetam o erro possível de uma estimativa e construir intervalos de
confiança, utilizando dados amostrais e utilizar gráficos para construir intervalos de
confiança constituem os objetivos deste capítulo. Então vamos lá.
( ) ( )
E XA = XP ►(estimador médio da amostra é igual a média da população).
b) Consistência: diz-se que o estimador (Ô) é consistente, se, além de justo, sua
variabilidade (variância) tende a zero, quando se tem uma amostra
suficientemente grande.
Lim V 2 (Ô ) = 0
( ) ( )
E X A = XP e
n→∞
► lê-se o limite da variância quando o
x A − x P
z =
Vp
n
α α
2 2
1–α
z
−zα / 2 zα / 2
Observando que a área total sob a curva normal é unitária, e que a área
central é 1 – α, então a notação − zα/ 2 representa o valor de z que deixa a sua
esquerda a área α/2, e a notação zα/ 2 representa o valor de z que deixa a sua
direita a área α/2. Portanto, temos que:
V V
p xA − zα/ 2 . P < xP < xA + zα/ 2 . P = 1− α
n n
O erro padrão é encontrado através da equação a seguir:
VP
e = zα /2 .
n
Podemos concluir que os limites dos intervalos são estabelecidos pelos valores:
(estimativa – erro ; estimativa + erro)
Exemplo um (resolvido)
1 – O departamento de estatística de uma indústria de brinquedos informou que o
tempo de montagem de seu principal produto de venda varia de funcionário para
funcionário, mas que o desvio padrão permanece em aproximadamente 3 minutos.
Uma certa quantidade de novos funcionários está sendo contratada, e para saber
o tempo médio de montagem do seu produto pelos novos funcionários, observou-
se uma amostra de 50 funcionários com tempo médio de montagem de 15
minutos. Encontre um intervalo de confiança de 95 % para o tempo de montagem
do brinquedo.
n = 50 VP = 3
x A = 15 1 – α = 95 %
0,95
−zα / 2 zα / 2
V V
p x A − z α / 2 . P ≤ x P ≤ x A + z α / 2 . P = 1 − α
n n
3 3
p 15 − 1,96 . ≤ x P ≤ 15 + 1,96 . = 0,95
50 50
p (15 − 0,83 < x P < 15 + 0,83 ) = 0,95
p (14 ,17 < x P < 15 ,83 ) = 0,95
Análise: Podemos concluir, com 95 % de confiança, que o tempo médio de
montagem do brinquedo é um valor entre 14,17 minutos e 15,83 minutos.
No próximo capítulo, vamos estudar os conceitos e os cálculos do intervalo
de confiança para a média populacional com variância desconhecida e a
proporção populacional.
Resumo
Os estimadores são variáveis aleatórias contínuas e descontínuas também
chamadas de discretas, e em muitos casos as estimativas obtidas são
provavelmente diferentes do valor do parâmetro. Em outras palavras: podem sair
fora do limite absoluto de ocorrência.
Por essa razão, a estatística trabalha com os chamados intervalos de
confiança, os quais apresentam uma faixa, na qual, com determinado grau de
certeza, o valor estimado por inferência estatística pode estar contido.
No capítulo anterior, estudamos as várias formas de se obter uma amostra,
com vistas nas informações sobre a população origem dessa amostra num
processo denominado inferência.
Vimos, neste capítulo, que existem métodos para a obtenção de
estimadores, de acordo com a sua propriedade.
Também, neste capítulo, foram apresentados os principais métodos de
determinação de intervalos de confiança para amostras de populações com
parâmetros populacionais conhecidos e desconhecidos.
Atividades
1. Em cada afirmativa abaixo, classifique quanto ao tipo de estimativa (pontual ou
intervalar) e justifique sua resposta.
a) O brasileiro consome 30 Kg de carne por ano.
b) Entre 34 % e 42 % da população se opõe a um aumento no limite de
velocidade.
c) O desvio padrão da duração de um pneu radial está entre 2400 e 4000
quilômetros.
d) A proporção de estudantes fumantes é 13 %.
e) O consumo médio de carne no país está entre 20 e 40 Kg por pessoa em um
ano.
f) 38% da população se opõem a um aumento no limite de velocidade.
g) A proporção de estudantes fumantes está entre 10 % e 16 %.
h) O desvio padrão da duração de um pneu radial é de 3200 quilômetros.
2. Suponha que uma amostra de n = 100 de uma distribuição normal N forneceu
2
X A = 510,6 . Supondo (V P) conhecido e igual a 16, obtenha um intervalo de
4. Num dado lote qualquer foram ensaiadas 100 peças cuja vida média foi de 300
horas..A distribuição normal apresentou variabilidade de 5 horas. Seja a duração
de vida de uma peça em horas, deseja-se obter um intervalo de confiança para a
média populacional das peças com nível de confiança de 95%.
a) P( 299,02 < Xp >300,98)
α α
2 2
1–α
t
− t α/ 2 tα / 2
Como p(− t α / 2 < t < t α / 2 ) = 1 − α , temos:
Fórmula a ser utilizada:
V V
p x A − t α / 2 . A < x P < x A + t α / 2 . A = 1 − α
n n
Exemplo um ( resolvido):
1 – De uma população normal com parâmetros desconhecidos, retira-se uma
amostra de 25 elementos para se estimar a média de idade da população X P , ( )
( )
obtendo X A = 15 e (V2A) = 36. Encontrar um intervalo de confiança para a média
ao nível de 5 %.
O valor de tα /2 é identificado na tabela pelos graus de liberdade e pelo
nível de confiança.
n – 1 = 25 – 1 = 24
α/2 = 2,5 %
t α / 2 = 2,0639
V V
p x A − t α / 2 . A < x P < x A + t α / 2 . A = 1 − α
n n
6 6
p 15 − 2 ,0639 . < x P < 15 + 2 ,0639 . = 0 ,95
25 25
p (15 − 2 , 477 < x P < 15 + 2 ,0639 ) = 0 ,95
p (12 ,523 < x P < 17 , 477 ) = 0 ,95
População Amostra
X N−X x n−x
P= e Q= p = e q=
N N n n
p.q p.q
p p − z α / 2 . < P < p + zα/2 . = 1− α
n n
Resumo
Neste capítulo, tivemos a oportunidade de calcular vários exemplos do
intervalo de confiança para a média populacional com variância desconhecida, é
conhecida como a distribuição (t) student com (n – 1) graus de liberdade( GL).
Através desta distribuição, é possível afirmar com certo nível de confiança um
intervalo para a média populacional. Também estudamos os conceitos e cálculos
da proporção populacional que matematicamente temos proporções de elementos
que satisfazem e não satisfazem à propriedade da população e da amostra.
Atividades
1. Quando substituímos o desvio padrão populacional (VP) pelo desvio padrão
amostral (VA), esta aproximação conduz a uma margem de erro mínima e fazendo
a substituição na equação de z, temos a equação de student (t): Justifique esta
afirmação em síntese.
V V
p x A − t α / 2 . A < x P < x A + t α / 2 . A = 1 − α
n n
Ao aplicar esta fórmula, e calculando os intervalos, irá encontrar a
alternativa (a) como correta, ou seja, P( 167,51 < Xp >172,49) ; P( 160,68< Xp
p.q p.q
p p − z α / 2 . < P < p + zα/2 . = 1− α
n n
Certamente encontrará o intervalo que coincide com a alternativa (c) isto é,
o P( 0,25983 < Xp >0,34017), colocando 25,98% a 34,01% a proporção que
consideram que o time de futebol local correspondeu às expectativas.
Na atividade 4, calculando o intervalo pela fórmula para a proporção
populacional seguir:
p.q p.q
p p − z α / 2 . < P < p + zα/2 . = 1− α
n n
Com certeza encontrará o intervalo que coincide com a alternativa (c), isto
é, o, P( 0,54139 < Xp >0,58861), colocando 54,14% a 58,86% a proporção que
consideram que o time de futebol local correspondeu às expectativas.
Com essas atividades, você atingirá os objetivos propostos neste capítulo.
Capítulo 4 - Teste de Significância I
Introdução
O estudo realizado neste capítulo irá se somar ao desenvolvimento do
estudo anterior, no uso dos elementos do teste de hipóteses, o qual é importante
ferramenta para avaliar, com determinado nível de confiança, o resultado do
estudo estatístico aplicado em determinada amostra, fornecendo a segurança
necessária para a tomada de decisão, em relação ao resultado que deverá ser
aplicado na prática, ou seja, na população.
Os objetivos deste capítulo são: conceituar e diferenciar os tipos de
hipóteses estatísticas e formular hipóteses sobre determinada ocorrência, visando
à comparação com elementos esperados da população. E, para um bom
desempenho neste capítulo, é necessário dominar o trabalho com os intervalos de
confiança e saber usar as tabelas de distribuição padrão z e de t student. Para
melhor entendimento a este conteúdo, você deve aprofundar sua pesquisa a partir
do livro de Wiliam J. Stevenson, Estatística aplicada à administração. Ele
certamente o ajudará no entendimento a este capítulo.
H 0 : parâmetro = s
a
1 possibilidade:
H1 : parâmetro > s
Nesta primeira possibilidade, se a amostra fornece uma estimativa menor
ou igual a (s) aceitamos (H0). Se (H0) for verdadeira, tomamos a decisão certa;
mas se o valor da estimativa for bem maior que (s), rejeitamos (H0) Se (H0) for
verdadeira, estamos cometendo um erro do tipo I.
Ra
A α
s a Rc
H 0 : parâmetro = s
a
2 possibilidade:
H1 : parâmetro < s
Nesta segunda possibilidade, se a amostra fornece uma estimativa maior
ou igual a (s) aceitamos (H0). Se (H0) for verdadeira, tomamos a decisão certa;
mas se o valor da estimativa for bem menor que (s), rejeitamos (H0). Se (H0) for
verdadeira, estamos cometendo um erro do tipo I.
Ra
α A
Rc a s
A
Se (A) é distribuição amostral do parâmetro (s), então a região de aceitação
(Ra) de H0 está a direita de (a), e a região crítica (Rc) para H0 está a esquerda de
(a).
H0 : parâmetro = s
a
3 possibilidade:
H1 : parâmetro ≠ s
Nesta última possibilidade, se a amostra fornece uma estimativa com valor
bem próximo ao de (s) aceitamos H0. Se H0 for verdadeira, tomamos a decisão
certa; mas se o valor da estimativa for bem menor ou bem maior (diferente) que
(s), rejeitamos H0. Se H0 for verdadeira, estamos cometendo um erro do tipo I.
Ra
α α
2 2
Rc a1 s a2 Rc
xA − xP xA − xP
z teste = t teste =
VP VA
n n
Para tanto, basta usar uma das três possibilidades descritas anteriormente
e seguir os procedimentos básicos para fazer um teste de hipóteses.
Exemplo um (resolvido)
1 – Uma fábrica de vinhos anuncia que a quantidade de álcool de um de seus
produtos apresenta um valor abaixo de 26 mg por garrafa. Um laboratório realizou
análises em 10 garrafas e obteve os seguintes resultados, em mg: 26, 22, 28, 24,
25, 27, 23, 28, 26, 24. A quantidade de álcool em cada garrafa de vinho se
distribui normalmente, com variância de 5,36 mg. Com essas informações,
podemos aceitar a afirmação do fabricante, ao nível de 5 %?
H 0 : x P = 26 x A − x P 25,3 − 26 − 0,7
z teste = = = = − 0,959
H1 : x P < 26 VP 2,31 0,73
α=5%
n 10
n = 10
xA = ∑ x = 253 = 25,3
n 10
zα = z5% =1,64
Ra
α = 5% 95%
Rc z
p−P
z teste =
P•q
n
Região crítica (Rc) e região de aceitação (Ra) de uma hipótese
H 0 : P = s
1a possibilidade:
H1 : P > s
Ra
A α
s a Rc
Se (A) é distribuição amostral da proporção (s), então a região de aceitação
(Ra) de H0 está a esquerda de a, e a região crítica (Rc) para H0 está a direita de
(a).
H 0 : P = s
a
2 possibilidade:
H1 : P < s
Nesta segunda possibilidade, se a amostra fornece uma estimativa maior
ou igual a s aceitamos H0. Se H0 for verdadeira, tomamos a decisão certa; mas se
o valor da estimativa for bem menor que s, rejeitamos H0. Se H0 for verdadeira,
estamos cometendo um erro do tipo I.
Ra
α A
Rc a s
H 0 : P = s
a
3 possibilidade:
H1 : P ≠ s
Nesta última possibilidade, se a amostra fornece uma estimativa com valor
bem próximo ao de s aceitamos H0. Se H0 for verdadeira, tomamos a decisão
certa; mas se o valor da estimativa for bem menor ou bem maior (diferente) que s,
rejeitamos H0. Se H0 for verdadeira, estamos cometendo um erro do tipo I.
A
Ra
α α
2 2
Rc a1 s a2 Rc
Ra
85 %
α = 15 %
Rc
z15 % = 1,03
z teste = 9,775
Como o zteste encontra-se na região crítica, rejeitamos H0, ou seja, com 15
% de risco, podemos levantar suspeitas quanto à habilidade do novo funcionário
na fabricação das peças, sendo sua proporção de defeitos superior à dos demais.
Para o próximo capítulo, vamos, ainda, exercitar mais exemplos de teste de
hipóteses, para solidificar os conhecimentos adquiridos neste capítulo que
acabamos de estudar.
Resumo
Neste capítulo, procuramos apresentar os procedimentos para avaliar o
resultado obtido de uma amostra com a fixação de um nível de segurança quanto
aos valores inferiores ou superiores a este resultado sobre a população em
estudo, através do método denominado de teste de hipóteses.
Percebemos também a importância da aplicação dos testes de hipóteses na
tomada de decisão de aceitação ou rejeição na estimação de um parâmetro.
Atividades
1. A hipótese estatística é uma suposição que se faz quanto ao valor de um
parâmetro populacional que será verificado por um teste paramétrico, ou uma
afirmação quanto à natureza da população que será verificado por um teste de
aderência. Descreva os exemplos de hipóteses estatísticas.
Referência
SILVA, Ermes M. da. et al. Estatística para os cursos de economia,
administração e ciências contábeis. vol.1 e 2. São Paulo: Atlas, 1999
Capítulo 5 - Teste de Significância II e Diagrama de Decisão
Introdução
Resolver os exercícios propostos sobre teste de hipóteses para a média
populacional ( X P ) e para a proporção populacional (P) e discutir a forma de
tomada de decisão sobre determinado evento com base em probabilidades,
custos e retornos constituem os objetivos deste capítulo E, para melhor
entendimento deste conteúdo, você deve consultar o livro Estatística aplicada à
administração, além de retomar os conteúdos do capítulo anterior.
Os exercícios propostos neste capítulo irão solidificar o estudo anterior no
uso dos elementos do teste de hipóteses tanto para a média populacional ( X P )
como para a proporção populacional (P).
Os cálculos efetivados serão aplicados e fornecerão a segurança
necessária para a tomada de decisão em relação ao resultado que deverá ser
aplicado na prática, ou seja, na população.
A tomada de decisão sobre determinado evento, sob condições de
incerteza, é uma situação que acompanha os profissionais de várias áreas no seu
dia-a-dia. A questão é qual caminho devo seguir, devo correr um risco grande ou
pequeno, a dúvida e a insegurança são grandes no mundo dos negócios, a
decisão deve ser tomada de uma forma intuitiva ou envolvendo sentimentos
particulares ou coletivos.
É por meio de uma série de ferramentas estatísticas que esta condição
estritamente sentimental se transforma numa ação calculada e com seus limites
definidos sobre riscos e vantagens; portanto, neste tema, veremos alguns destes
componentes que nos auxiliarão na tomada de decisão.
H1 > 59 X p = 59 VA = 3 n = 40
− −
x A − xP 60 − 59 1
zC = zC = zC = = 2 ,108
VP 3 3
n 40 6 ,32
Análise: Zc = 2,108 está na RC, ou seja, > 1,65 (valor limite para RC), portanto,
rejeita-se Ho e aceita-se H1, isto é, a média de idade da população é maior que 59
anos.
− −
x A − x P 100 − 102 −2
zC = zC = zC =
5
= − 1,384
VP 5
12 3 , 46
n
Exemplo um (resolvido)
Ainda com relação ao exemplo inicial temos:
Resumo
Neste capítulo, tivemos a oportunidade de exercitar os exemplos de teste
de hipóteses e também foram desenvolvidas as ferramentas básicas para uso no
diagrama de decisão e as suas formas de aplicação no cotidiano da vida prática.
Atividades
1. Em uma determinada amostra de 30 pneus de trator retirados de uma
população normal, com desvio padrão de calibragem de VP = 2 libras apresentou
um valor médio igual a 40. Teste, ao nível de significância de 5%, a hipótese de
que a média populacional de calibragem dos pneus seja igual a 39 libras, supondo
a hipótese alternativa x P > 39 .
a) Zc= 1,10 aceita-se H0
b) Zc= 2,80 rejeita-se H0
c) Zc= 2,74 aceita-se H0
d) Zc= 2,5,0 aceita-se H0
Introdução
O propósito deste capítulo é apresentar a metodologia de aplicação do
estudo de comparação entre duas amostras a partir do uso de suas médias para
que se possa calcular a estimativa dentro da variância entre as médias de duas ou
mais populações são iguais. Para um bom desempenho no estudo deste assunto,
é necessário ter clareza do conceito e análise de variância: esses conhecimentos
você poderá adquirir, com mais profundidade, consultando o livro de Wilton O.
Bussab, Análise de variância e regressão. Certamente, após essa pesquisa,
você estará mais apto a compreender o conteúdo que será apresentado neste
capítulo.
Aplica-se a análise de variância para determinar se as médias de duas ou
mais populações são iguais. Como por exemplo, quando verificamos se a média
de rendimento trimestral de determinada aplicação é diferente ao longo do ano.
O conjunto de conceitos e equações que vimos, no capítulo anterior, nos
servirão de base para o desenvolvimento desta unidade.
Vamos, primeiramente, aprender como utilizar a tabela F para identificar o
valor que devemos comparar com aquele calculado pela razão entre a estimativa
“entre” e “dentro”, que chamamos na unidade anterior de Fteste. E, por último,
vamos resolver alguns exemplos com o intuito de fixar os conceitos que foram
vistos na unidade anterior, e os que serão vistos nesta unidade.
= é
= é
=∑
2
2 (x i − x)
V
n −1
Determinar a variância amostral média, pela fórmula:
a fórmula a seguir:
=∑
2
2 (x − x ) G
s
k −1
Multiplicar a variância das médias por n:
n • s2
Encontramos a razão F através da seguinte equação:
n • s2
Fteste =
∑S2 / k ou S2
Gráfico da distribuição F
Rejeito H0
Aceito H0
α
F
F (α)
Exemplo um (resolvido)
1 – Em um ensaio de tração, se mede a qualidade de uma solda, a fim de
determinar se há um defeito na solda em relação ao tipo de máquina que a
produziu. Foram feitos testes com soldas de 3 maquinas, obtendo os resultados
abaixo.
Com base nos resultados, verifique se há diferença significativa entre as maquinas
com um nível de significância de 10 %.
Teste de tração
Amostras
Maquina 1 2 3 4 5
A 3,2 4,1 3,5 3,0 3,1
B 4,9 4,5 4,5 4,0 4,2
C 3,0 2,9 3,7 3,5 4,2
H0 : x A = xB = xC
Hipóteses: −
H1 : x A ≠ xB ≠ xC
k = 3 (maquina A, B e C)
Graus de liberdade:
Numerador: k – 1 = 3 – 1 = 2
Denominador: k(n – 1) = 3(5 – 1) =12
n = 5 (total de ensaios)
O valor de F tabelado com nível de significância (α ) igual a 10 % é:
F(10 %) = 2,81
Agora precisamos encontrar o Fteste:
MAQUINAS
ENSAIOS A B C
XA 2 XB 2 Xc
(x − x A ) (x − x B ) (x − x C )2
1 3,2 0,0324 4,9 0,2304 3,0 0,2116
2 4,1 0,5184 4,5 0,0064 2,9 0,3136
3 3,5 0,0144 4,5 0,0064 3,7 0,0576
4 3,0 0,1444 4,0 0,1764 3,5 0,0016
5 3,1 0,0784 4,2 0,0484 4,2 0,5476
Soma 16,9 0,788 22,1 0,468 17,3 1,132
nen–1 5 4 5 4 5 4
2
Média e S 3,38 0,197 4,42 0,117 3,46 0,283
=∑
2
2 (x − x ) (3,38−3,75) + (4,42−3,75) + (3,46−3,75)
G
2 2 2
s = = 0,33495
k −1 3−1
Cálculo do Fteste
n • s2 5 • 0,33495
Fteste = = = 8,41
∑ S 2
/ k ou S 2
0 ,199
Fteste = 8,41
Aceito H0
α = 10%
F
F(10 %) = 2,81
Nestas condições, rejeitamos H0, e podemos afirmar que as máquinas
produzem soldas diferentes a um nível de significância de 10%, ou seja, na
análise de 100 peças, apenas em 10 peças nós poderemos errar ao afirmar
que são diferentes.
No próximo capítulo vamos trabalhar com Aplicativos Estatísticos, isto é,
modelos de séries temporais; Análise de regressão linear múltipllas e números-
Índices.
Resumo
Neste capítulo, estudamos o conceito de análise de variância que serve
para comparar resultados de experimentos e inferir sobre eles as duas
hipóteses, ou seja, para a hipótese nula (Ho) as médias populacionais são
iguais e para a hipótese alternativa (H1) a média populacional são diferentes.
Atividades
1. Qual a finalidade da análise de variância? indicando as características das
hipóteses nula e alternativa usadas na análise de variância.
N° DE AMOSTRAS 1 2 3
EQUIPAMENTOS
A 3,7 3,8 3,2
B 3,5 3,9 3,5
C 3,3 3,6 3,4
Referência
FREUND, J.E., SIMON, J. A. Estatística Aplicada à Economia
Administração e Contabilidade. 9. ed. São Paulo: Bookman, 2000.
Capítulo 7 - Aplicativos Estatísticos
Introdução
Em algumas situações, fica difícil analisar a dependência de uma
variável, quando confrontamos a sua relação com apenas mais uma variável.
Esse tipo de situação nos indica que a utilização de uma ou mais
variáveis irá ajudar a predizer se a relação entre essas variáveis é realmente
linear.
Vamos tentar ilustrar uma situação para exemplificar uma situação típica
em que poderíamos usar três ou mais variáveis em uma análise de regressão.
Se estamos tentando definir a projeção para a safra agrícola de
2006/2007, sabemos que a mesma não depende apenas da quantidade de
fertilizante utilizado na planta. Para isso, devemos introduzir novas variáveis
para tentar amenizar o problema, como, por exemplo, a qualidade do solo, a
quantidade de chuva, o uso de defensivos agrícolas, entre outros.
Riscos e incertezas são manifestações de uma mesma forma
fundamental, ou seja, a aleatoriedade da ocorrência de eventos.
Nos investimentos empresariais, as atividades revelam certo risco e um
grau de incerteza, e difícil diferenciar risco e incerteza e como fazer do ponto
de vista empresarial para minimizar os efeitos diante de uma situação de risco
ou de incerteza. Neste sentido, o assunto será abordado com clareza neste
capitulo.
Apresentaremos também o estudo dos números-índices e veremos que
podemos avaliar e comparar o comportamento (preço, quantidade e valor) de
um produto ao longo de vários períodos e, também, os vários tipos de índices
econômicos, sua determinação, aplicação e interpretação, os quais são de
grande valia na análise econômica e financeira.
Para um bom desempenho no estudo deste capítulo, é preciso ter
conhecimento de correlação e regressão linear simples. Já para ter um
desempenho satisfatório sobre risco e incertezas, precisamos de
conhecimentos básicos sobre probabilidades e estimação. E para ser
alcançado os resultados previstos sobre números índices, você deve ter
conhecimento de razão, proporção e porcentagem. Para aprofundar esses
conhecimentos, consulte Estatística Aplicada à Economia Administração e
Contabilidade.
A intenção é reforçar a diferença entre risco e incerteza, e aplicação dos
métodos quantitativos na previsão de riscos financeiros e no cálculo de
números-índices econômico, também reforçar o conceito correlação e
regressão e a aplicação prática da equação de regressão linear múltipla.
Os objetivos deste capítulo são: apresentar a metodologia de aplicação
da análise de regressão linear múltipla e interpretar a relação entre três ou
mais variáveis; diferenciar risco e incerteza no campo dos negócios e
apresentar os tipos de avaliação e medidas de risco; e apresentar o que são
números-índices e elaborar números-índices simples e compostos.
Exemplo um (resolvido)
1 – Estamos tentando definir o preço de venda de motos usadas. Para isso,
vamos usar, como base, o seu preço fixo de venda, quando nova, que era de
R$8.000,00. Haverá uma desvalorização de R$500,00 para cada ano de
utilização dessa moto. A outra variável é a condição geral da moto, que inclui
itens como: pintura, banco, pneus entre outros. Como essa última variável é
difícil de ser quantificada, vamos definir uma escala de 0 a 1 para quantificar
este estado geral que a valoriza em R$ 800,00 pelo seu estado de
conservação. Nessa escala, o (0) qualifica uma moto em péssimas condições,
e o (1,0) indica uma moto em ótimas condições. Qual será o valor de venda y
de uma moto com 3 anos de uso e que foi qualificada por suas condições
gerais com 0,7?
x1 = anos de utilização.
x2 = estado geral de conservação.
y = a − b 1x 1 + b 2 x 2
y = 8000 − 500 x 1 + 800 x 2
y = 8000 − 500 . (3) + 800 . (0,7)
y = 8000 − 1500 + 560
y = 7060
O preço de venda dessa moto será de R$ 7.060,00.
pn qn pn • q n
Ip = x 100 Iq = x 100 Iv = x 100
po qo po • q o
Onde:
Ip – índice do preço;
Iq – índice da quantidade;
Iv – índice de valor.
pn – preço de determinado elemento num dado período;
po – preço de determinado elemento no período base;
qn – quantidade de determinado elemento num dado período;
qo – quantidade de determinado elemento no período base.
Exemplo dois (resolvido)
1 – Dada a Tabela1 a seguir, indicando os preços e as quantidades de 3
produtos vendidos em certa região do país, no período de 2002, 2003, 2004 e
2005. Com base nos valores apresentados, calcule o índice simples de preço,
quantidade e valor com base no ano de 2002.
p 03 15
IpA (03 / 02 ) = x 100 = x 100 = 125
p 02 12
q 03 4
IqA ( 03 / 02 ) = x 100 = x 100 = 133
q 02 3
p .q 15 .4
I vA (03 / 02 ) = 03 03 x 100 = x 100 = 167
p 02 .q 02 12 .3
Ip =
∑p n • qo
x 100 Iq =
∑qn • po
x 100 Iv =
∑p n • qn
x 100
∑p o • qo
∑po • qo ∑p o • qo
1
Poder aquisitivo = .100
IPC
Esse mesmo raciocínio pode ser usado para analisar o poder aquisitivo
ou a renda real de um salário base entre épocas diferentes. Se dividirmos o
salário pelo valor do IPC em qualquer ano, temos a renda real daquele ano,
como vimos no exemplo acima, ou ainda a comparação entre dois anos.
Para exemplificar essa situação, vamos considerar o que a renda anual
de um funcionário no ano de 2003 foi de R$ 10.000,00 e que o IPC daquele
ano foi de 116,3. No ano de 2005, o seu rendimento anula foi de R$ 12.600,00
e o IPC deste ano foi de 147,7. Portanto, temos:
10000
2003 10.000,00 116,3 • 100 8.598,45
116,3
12600
2005 12.600,00 147,7 • 100 8.530,80
147,7
Resumo
Neste capítulo, estudamos o conceito de análise de regressão linear
múltipla, e percebemos que devemos analisar três ou mais variáveis para
predizer com mais capacidade a relação entre variáveis.
Por outro lado, o estudo dos números-índices simples nos ajudam a
analisar a evolução de preços, quantidade e valor em certa época de cada
produto em separado, mas, às vezes, temos a necessidade de analisar um
grupo de produtos e não apenas um só. Para isso, temos que levar em
consideração o peso de cada produto dentro do grupo. Na determinação desse
tipo de números-índices, vamos usar o método dos agregados ponderados ou
números-índices compostos.
Atividades
1. Números-índices também chamados simplesmente de índices, são aplicados
geralmente em estudo estatístico de períodos sucessivos e podem ser
expressos por meio de relações diretas ou em porcentagens, assumindo
valores relativos ao do período escolhido como referência ou base. Com base
no seu entendimento, conceitue em síntese o índice de preço ao consumidor
(IPC).
a) R$115,00 ; R$122,00
b) R$120,00 ; R$130,00
c) R$126,00 ; R$132,00
d) R$116,00 ; R$142,00
Referência
ANDERSON, David R. Estatística aplicada a administração e economia. 2.
ed. São Paulo: Pioneira. 2002.