INTRODUÇÃO

Você saberia dizer como as instituições financeiras segmentam as suas

carteiras de clientes? Outra forma, saberia caracterizar o grau de associação entre
indicadores financeiros? Ainda, saberia predizer valores futuros dos custos
esperados a partir de certas quantidades produzidas? Perguntas como essas são
respondidas diretamente pelas ferramentas da Estatística por conseguinte, a
Estatística é uma ferramenta indispensável para os gestores na área das finanças
em geral, exatamente, por se tratar de uma ferramenta indispensável para a tomada
de decisão gerencial com confiabilidade.
É interessante observarmos que conforme a literatura, a teoria da decisão é
uma área interdisciplinar de estudo, com definições que relacionam a Filosofia, a
Matemática, Estatística e Ciência do Gerenciamento, aplicável a quase todos os
ramos da Ciência, Engenharia e, principalmente, a contextos gerenciais do ambiente
financeiro. Ressalta-se que se relaciona à forma e ao estudo do comportamento e
fenômenos psíquicos (reais ou fictícios) daqueles que tomam as decisões, a
identificação de valores, incertezas e outras questões relevantes em uma dada
decisão, sua racionalidade, as condições pelas quais após um processo será levado
a ter como resultado a decisão ótima. É um campo relacionado muito intimamente
com a teoria dos jogos.
Salientamos que na situação geral de decisão aplicada ao meio empresarial e
financeiro, temos diversas alternativas bem definidas e procuramos pela melhor
ação dado o problema que temos em mãos. Além disso, estamos em uma situação
de incerteza e algumas das informações importantes para a decisão são
desconhecidas. Ressalta-se ainda que, dependendo do contexto, algumas decisões
tomadas são mais importantes que outras, principalmente as relacionadas ao âmbito
financeiro.
Neste sentido, de acordo com Magalhães (2012), para um gestor ou
profissional nas áreas empresariais e financeiras, raciocinar estatisticamente
atualmente, é tão necessário quanto a habilidade de comando. Com o
desenvolvimento das informações nas empresas, a questão que se coloca hoje não
se refere mais à sua escassez, mas é como ler e interpretar as informações
disponíveis. As necessidades atuais estão requerendo:
 ➢ segmentar os clientes de uma dada carteira em uma instituição financeira
como bancos e financeiras;
➢ identificar situações problemáticas através de análise de clima organizacional;
➢ utilizar todos os dados armazenados nos computadores de suas empresas
para entender melhor o que acontece em seus negócios e melhorar a qualidade
de suas decisões;
➢ entender o comportamento das vendas de produtos ou serviços;
➢ identificar causas de defeitos ou motivadoras da baixa qualidade;
➢ entender o comportamento dos clientes frente a empresa e aos seus
produtos.

Em linhas específicas da gestão em finanças, os consultores financeiros

utilizam uma série de informações estatísticas para guiar suas recomendações de
investimentos. No caso das ações, os consultores reveem diversos dados
financeiros incluindo relações preço/ganhos e rendimento de dividendos.
Comparando a informação para uma determinada ação com informações sobre a
média do mercado de ações, um consultor financeiro pode concluir se uma ação
individual está sendo sobre ou subavaliada. Por exemplo, a revista Business Week
(Nova York, novembro de 1998) reportou que a razão média de preço/ganhos para
as 30 ações na Média Industrial Dow Jones foi de 22,0. A Philip Morris apresentava
uma razão preço/ganhos de 16,9. Neste caso, a informação estatística sobre as
razões preço/ganhos mostrou que a Philip Morris tinha um preço mais baixo em
comparação com os seus ganhos do que a média para as ações do Dow Jones. Em
consequência, um consultor financeiro pode ter concluído que a Philip Morris
estava subvalorizada naquele momento. Essa e outras informações sobre a Philip
Morris poderiam auxiliar o consultor a recomendar a compra, a venda ou a manter
as ações.
Portanto, diante da necessidade de tomada de decisões diante de incertezas
do mundo empresarial e financeiro, coloca-se a Estatística como ferramenta
importantíssima, talvez a que possa trazer melhores contribuições aos
administradores ao lidarem com informações e com os mais diversos problemas
encontrados nesse universo.
 Neste sentido, o objetivo do nosso módulo é apresentar os principais
conceitos e métodos da Estatística Aplicada à Gestão em Finanças, que sirvam de
alicerce para a tomada de decisão com confiabilidade em operações no contexto
financeiro.

ASPECTOS FUNDAMENTAIS DA ESTATÍSTICA APLICADA À GESTÃO

EM FINANÇAS

Fundamentando a Estatística Descritiva

Com certeza você já ouviu falar e já vivenciou análises envolvendo as

medidas descritivas, por exemplo, quando falamos em ranking médio, ticket médio,
temos uma aplicação direta da medida de centralidade, sendo a média. De outra
forma, quando falamos em qualidade, utilizamos a mensuração da variabilidade, ou
seja, quanto menor for a variabilidade, melhor será a qualidade dos produtos e
serviços oferecidos. Em verdade, a Estatística Descritiva trata da apuração,
apresentação, análise e interpretação dos dados observados. Ela tem o objetivo de
resumir e organizar a informação relevante de uma massa de dados a partir de um
conjunto de medidas e/ou através de apresentações gráficas e, a partir dos dados
resumidos, procurar analisar alguma regularidade ou padrão nas observações.
Além disso, de acordo com Rezende (2015), tem-se que a Estatística
Descritiva, na sua função de descrição dos dados, possui as seguintes atribuições:
a) A obtenção ou coleta de dados — é normalmente feita através de um
questionário ou de observação direta de uma população, ou amostra.
b) A organização dos dados — consiste na ordenação e crítica quanto à
correção dos valores observados, falhas humanas, omissões, abandono de
dados duvidosos, entre outros.
c) A redução dos dados — o entendimento e compreensão de excesso de
dados através da simples leitura de seus valores individuais é uma tarefa
extremamente árdua e difícil mesmo para o mais experimentado pesquisador. Já
vimos anteriormente, que a Estatística apresenta duas formas básicas para a
redução do número de dados com as quais devemos trabalhar, sendo: variável
discreta e variável contínua.
 d) A representação dos dados — os dados estatísticos podem ser mais
facilmente compreendidos quando apresentamos através de uma representação
gráfica, o que permite uma visualização instantânea de todos os dados.
e) A obtenção de algumas informações que auxiliam a descrição do
fenômeno observado, como, por exemplo: médias, proporções, dispersões,
tendências, índices, taxas, coeficientes, entre outros.

Medidas de tendência central

São medidas serem usadas para indicar um valor que tende a tipificar, ou a
representar melhor, um conjunto de dados. Ou seja, os valores que em Estatística
caracterizam valores médios são chamadas medidas de centralidade. Entre as
principais medidas de tendência central destacam-se a média aritmética, a moda e
a mediana. Exemplificando, a média comparece comumente em problemas do meio
empresarial, tais como nas escalas de Likert e cálculos dos índices de capabilidade
em processos industriais. Salientamos ainda que a média é considerada a mais
importante de tais medidas. Grosso modo, a média é a medida de tendência central
mais comum para um conjunto de dados. Segundo Rezende (2015), a média
aritmética de uma amostra de n observações x1, x2 , xn , é usualmente representada
pelo símbolo 𝜇 (quando se tratar de uma população) e falamos em média
populacional ou 𝑥̅ (quando se tratar de uma amostra) e então falamos em:
média amostral. Com relação à média aritmética, abaixo listamos algumas
propriedades importantes com relação a esta medida, sendo:
▪ a soma algébrica dos desvios de um conjunto de valores em relação à
média aritmética é igual a zero;
▪ a soma algébrica dos quadrados dos desvios de um conjunto de
valores em relação à média aritmética é mínima;
▪ multiplicando ou dividindo todos os valores de uma variável por uma
constante, a média ficará multiplicada ou dividida por essa constante.

Com relação à mediana, sabemos que sua característica principal é dividir

um conjunto ordenado de dados em dois grupos iguais, dessa forma, a metade terá
valores inferiores à mediana e a outra metade terá valores superiores à mediana. De
outra forma, para a moda é o valor mais frequente da distribuição. Para distribuições
simples (sem agrupamento em classes), a identificação da Moda é facilitada pela
simples observação do elemento que apresenta a maior frequência. Ou seja, como a
própria nomenclatura indica, é o valor que ocorre com maior frequência em um
conjunto de valores. Num linguajar bem popular, é o valor que está na moda. As
distribuições que apresentam uma moda única são chamadas de unimodais e,
quando apresentam duas modas, bimodais e mais de duas modas multimodais.
Para diferenciarmos as principais medidas de centralidade, apresentamos
agora um quadro comparativo, mostrando as vantagens e desvantagens da
empregabilidade da média aritmética com relação à moda.

Quadro: Comparativo entre a média aritmética e a moda com relação à

empregabilidade das mesmas
Medida Vantagens Desvantagens
 Matematicamente falando, Não pode ser empregada
possui propriedades para dados qualitativos.
importantes.
Como a média é calculada a
Média Como faz uso de todos os partir de todos os valores
dados para o seu cálculo, observados, apresenta o
pode ser determinada com inconveniente de a tornar
precisão matemática. muito sensível a valores
aberrantes ou
Pode ser determinada outliers, podendo em alguns
quando somente o valor casos, não representar a
total e o número de série de forma satisfatória.
elementos forem Em distribuições de
conhecidos. frequências em que o limite
inferior da primeira classe
e/ou o limite superior da
última classe não forem
definidos, a média não
poderá ser utilizada.
É de uso coberto de muita
praticidade.

Moda Exemplificando, os Não inclui todos os valores

empregadores geralmente de uma distribuição.
adotam a referência modal
de salário, ou seja, o
salário pago por muitos Mostra-se insuficiente
outros empregadores. quando a distribuição é
Também, carros e roupas largamente dispersa.
são produzidos tomando
como referência o tamanho
modal.

Pode ser utilizada para

dados qualitativos. A moda
é geralmente um valor
verdadeiro e, por
conseguinte, pode mostrar-
se mais real e coerente.
 Medidas de dispersão ou de variabilidade
Já vimos que a variabilidade é a chave central do foco central da estatística
aplicada ao meio empresarial. Além disso, já comentamos que variabilidade e
qualidade são termos digamos “inversamente proporcionais”. Logo, é de
fundamental importância o entendimento das medidas de dispersão ou
variabilidade. Segundo Rezende (2015), são medidas estatísticas utilizadas para
avaliar o grau de variabilidade, ou dispersão, dos valores em torno da média.
Servem para medir a representatividade da média.

Figura: Interpretando as medidas de tendência central.

Dentre as medidas de dispersão, citamos o intervalo, variância, desvio

padrão e coeficiente de variação de Pearson. Em termos práticos de mercado, as
medidas de dispersão mais utilizadas são o desvio padrão (mensura a dispersão
absoluta) e o coeficiente de variação de Pearson (mensura a dispersão relativa).
É interessante observarmos que, de acordo com Rezende (2015), quanto
maior forem os desvios das observações a contar da média, maior será a dispersão
absoluta, contrariamente, quanto menor forem os desvios a contar da média, menor
será a dispersão absoluta. Em verdade, estaremos interessados em aplicar tais
medidas na resolução de uma situação prática de mercado (Case Empresarial).
Devemos notar que o desvio padrão é a raiz quadrada da variância, utilizado para
caracterizar o que chamamos verdadeira dispersão em um conjunto de dados
(dispersão absoluta). Ainda, é igual à raiz quadrada da soma dos desvios ao
quadrado, dividida pelo número de casos. Em outras palavras, é a raiz quadrada da
média dos desvios elevados ao quadrado.
 Figura: Caracterização da dispersão absoluta via o valor do desvio padrão.

Com relação ao coeficiente de variação de Pearson, temos que se trata de

uma medida relativa de dispersão, enquanto a Amplitude Total (R). Variância (S2) e
o Desvio Padrão (S) são medidas absolutas de dispersão, o Coeficiente de
Variação (C.V) mede a dispersão relativa. Tal coeficiente é determinado pela
S
seguinte expressão C.V (%) = x 100, sendo S = desvio padrão amostral e 𝑥̅ = x
média amostral. Observemos que neste caso, foi considerado que o cálculo foi
relacionado a uma amostra, teríamos a mesma fórmula caso tivéssemos uma
população interpretando apenas o desvio padrão como sendo o desvio padrão
populacional.
Com relação à caracterização da dispersão relativa via o Coeficiente de
Variação de Pearson, temos algumas regras empíricas, das quais destacamos a
seguinte:
se: C.V < 15% - tem-se baixa dispersão;
se: 15% ≤ C.V < 30% - tem-se média dispersão;
se: C.V ≥30% - tem-se alta dispersão.

Segundo Rezende (2015), o Coeficiente de Variação de Pearson (C.V) é

um número abstrato, ou seja, independe das unidades em que foram medidas as
unidades. Ele representa o desvio padrão que seria obtido se a média fosse igual a
100. Salientamos que para caracterizarmos a dispersão relativa de um conjunto de
dados usamos tal coeficiente. Além disso, tal coeficiente é apresentado na forma de
porcentagem.
 Com relação à diferenciação de caracterizarmos a dispersão absoluta ou a
dispersão relativa para um conjunto de dados, necessariamente para a primeira
dispersão, utilizamos a Amplitude Total, a Variância e o Desvio Padrão, sendo
que em termos práticos, usa-se geralmente o Desvio Padrão para apresentar a
verdadeira dispersão absoluta de um conjunto de dados.
Por outro lado, para a caracterização da dispersão relativa sobre um
conjunto de dados, utilizamos comumente o Coeficiente de Variação de Pearson.

Figura: Caracterização da dispersão absoluta e relativa de um conjunto de

dados.

Você sabia? Outliers são observações que fogem das dimensões

esperadas.

Quando discutimos os principais aspectos teóricos relacionados às Medidas

de Centralidade e Medidas de Dispersão, estaremos interessados agora em resolver
o nosso Case Empresarial, ou seja, estaremos desenvolvendo a resolução do
mesmo via implementação numérica em um pacote estatístico, sendo que neste
caso o escolhido foi o SPSS 21.0 (Statistical Package for Social Sciences).

Aplicação proposta (Case empresarial proposto) — A padaria que o seu

bisavô fundou ao chegar de Portugal, apesar de ainda próspera e com cinco filiais,
tem um número talvez excessivo de produtos, o que está aumentando em demasia
os custos. Após acalorados debates, sua família decidiu que cinco pães (aqui
denominados de A, B, C, D e E) poderiam ser retirados de produção: mas apenas
um deles. Seria arriscado retirar todos, pois a empresa poderia perder a variedade
que é sua grande vantagem competitiva. Há interesse na racionalização do
processo, mantendo os produtos com demanda mais homogênea ao longo do
ano. Como você conhece algumas ferramentas quantitativas de gestão na área de
Estatística, decidiram que você fará a análise dos dados, para orientar a escolha.
Na Tabela abaixo você tem as vendas, em milhares de R$, de cada produto nos
últimos doze meses.
Tabela: Vendas dos últimos meses dos tipos de pães (em milhares de R$).

Conforme as ferramentas estudadas anteriormente no nosso módulo, qual

seria a sua conclusão a respeito do problema proposto?

Solução: em verdade, estaremos analisando a situação descrita no estudo de

caso acima através de Estatística Descritiva discutida anteriormente, tendo como
base a discussão em cima da média, desvio padrão e coeficiente de variação de
Pearson. Porém, não estaremos resolvendo tal situação manualmente, aqui
estaremos resolvendo via implementação numérica no pacote estatístico SPSS 21.0,
um dos mais utilizados e reconhecidos em todo mundo.