Adm - Metodos Quantitativos

Métodos Quantitativos
1ª edição:
Marcos Antônio Dozza
Rogério Olavo Marçon
2ª edição revisada e ampliada:

Moisés de Souza Arantes Neto
3º Período
Palmas/TO - 2007
FUNDAÇÃO UNIVERSIDADE DO TOCANTINS
Reitor
Humberto Luiz Falcão Coelho
Vice-Reitor
Lívio William Reis de Carvalho
Pró-Reitor de Graduação
Galileu Marcos Guarenghi
Pró-Reitora de Pós-Graduação e Extensão

Maria Luiza C.P. do Nascimento
Pró-Reitora de Pesquisa
Antônia Custódia Pedreira
Pró-Reitora de Administração e Finanças

Maria Valdênia Rodrigues Noleto
Diretor de Educação a Distância e Tecnologias Educacionais

Claudemir Andreaci
Coordenador Pedagógico
Geraldo da Silva Gomes
Coordenador do Curso
André Pugliese da Silva
EDUCON – EMPRESA DE EDUCAÇÃO CONTINUADA LTDA

Diretor Presidente
Luiz Carlos Borges da Silveira
Diretor Executivo
Luiz Carlos Borges da Silveira Filho
Diretor de Desenvolvimento de Produto

Márcio Yamawaki
Diretor Administrativo e Financeiro

Júlio César Algeri
MATERIAL DIDÁTICO
Organização dos Conteúdos
1ª edição:
Marcos Antônio Dozza e Rogério Olavo Marçon
2ª edição revisada e ampliada:

Moisés de Souza Arantes Neto
Processo Editorial I
Darlene Teixeira Castro e Maria de Lourdes F. G. Aires
Processo Editorial II
Karylleila Andrade Klinger e Kyldes Batista Vicente
DESIGN GRÁFICO
Chefe de Setor
Vivianni Asevedo Soares Borges
Designers
Edglei Rodrigues e Irenides Teixeira
Ilustrações
Edglei Rodrigues
Diagramação
Vladimir Alencastro Feitosa
Administração
4
Apresentação
O curso de Métodos Quantitativos pretende fornecer aos

participantes uma visão bastante prática de conceitos e modelos
deterministicos (racional e lógico) e econômicos, especialmente para você
que precisa entender como se tomam decisões de caráter estatístico; além de
outras decisões de maior aplicação no estudo de informações específicas
para as atividades de análise e planejamento nas empresas e organizações.
O estudo da análise financeira e variações de mercados nos coloca
de frente com uma grande incógnita, ou seja, o que vai ocorrer no futuro, se
determinado negócio apresenta baixo ou elevado risco e, ainda, como obter o
máximo de retorno nos investimentos.
O futuro financeiro do mercado se relaciona ou não com o presente
ou o passado?
Como se podem prever as ocorrências em um sistema globalizado e
extremamente interrelacionado e cessível?
Todas essas questões e outras mais, relacionadas com a
previsibilidade e análise do comportamento dos mercados e seus riscos e
respectivas conseqüências, são o campo de aplicação dos Métodos
Quantitativos.
Para responder a tais questões típicas do dia a dia empresarial, os
Métodos Quantitativos se valem de uma série de ferramentas de Ciência
Estatística, como: Distribuição de Probabilidade, Distribuição Amostral,
Testes de Hipóteses, entre outras.
Nesse universo, os Métodos Quantitativos são a base para a tomada
de decisão e elemento fundamental na elaboração do planejamento
estratégico empresarial.
Deve-se destacar que o foco do curso será na apresentação das
possibilidades de aplicação, bem como na correta interpretação dos
resultados dos modelos estudados. Espera-se, a partir do enfoque adotado,
que você possa compreender os fundamentos envolvidos, adquirindo
autonomia e segurança na utilização das técnicas apresentadas.
O curso inicia com o estudo da probabilidade, suas características,
elementos de composição, forma de ocorrência e determinação. Após esses
conceitos, nas Unidades 2 e 3, discutiremos a amostragem e os resultados
que esperamos obter de um estudo de uma parte da população e nas relações
dos parâmetros das populações e das amostras que delas podemos sacar.
Nas Unidades 4 e 5, estudaremos como os possíveis resultados de
um experimento permitem estimar parâmetros populacionais e, nas Unidades
de 6 a 9, iremos ver como utilizar esses resultados no teste de proposições
levantadas com respeito a certos parâmetros populacionais com
determinadas características.
A unidade 10 é destinada ao ajuste de curvas e funções matemáticas
a pontos representativos de fenômenos de variáveis múltiplas. Já nas
próximas três Unidades são estudadas ferramentas usadas na avaliação dos
elementos apresentados e passíveis de manipulação no interesse da
administração e contabilidade. Nas Unidades 14 e 15, vamos trabalhar os
aspectos econômios dos números-índices. Por fim, na Unidade 16, temos
uma aplicação prática e sempre atual da estatística no controle de qualidade,
para qualquer tipo de atividade e, principalmente, para a produção de bens.
Administração
5
PLANO DE ENSINO
CURSO: Administração
PERÍODO: 3º
DISCIPLINA: Métodos Quantitativos
EMENTA
Principais técnicas e ferramentas quantitativas utilizadas na gestão
empresarial moderna, para orientar a tomada de decisões, abordando, de
maneira ampla, os modelos de otimização, de decisão e risco de previsão de
demanda (regressão linear simples e múltipla e análise de séries temporais).
OBJETIVOS
• proporcionar aos acadêmicos a aplicação e análise de informações
específicas para as atividades de planejamento na área econômica,
financeira e empresarial.
• destacar a apresentação das possibilidades de aplicação, bem como a
correta interpretação dos resultados dos modelos estudados.
• compreender os fundamentos envolvidos, adquirindo autonomia e
segurança na utilização das técnicas apresentadas.
CONTEÚDO PROGRAMÁTICO
• Distribuição de Probabilidade
• Amostragem
• Distribuição amostral
• Estimação
• Intervalo de confiança
• Teste de hipótese
• Análise de regressão linear múltipla
• Análise de variância
• Diagrama de decisão
• Risco e incerteza
• Números índices
• Ferramentas estatísticas para o controle de qualidade
BIBLIOGRAFIA BÁSICA
BOTTER, R. C. Estatística básica para a garantia da qualidade. Campinas:
UNICAMP, 1988.
FONSECA, N. Probabilidade e Noções de Estatística. Apostila do Curso de
Bacharelado e Licenciatura em Matemática da Fundação Santo André. Santo
André, 1987.
HOEL, P. G. Estatística Elementar. São Paulo: Atlas, 1979.
BIBLIOGRAFIA COMPLEMENTAR
GOMES, F.P. A Estatística Moderna na Pesquisa Agropecuária. São Paulo:
Potafos, 1984.
Administração
6
HOFFMANN, Rodolfo. Estatística para Economistas. 3.ed., S. Paulo:
Pioneira, 1998.
KASMIER, L.J. Estatística Aplicada à Economia e Administração. São
Paulo: McGraw-Hill, 1982.
LEVIN, Jack. Estatística Aplicada a Ciências Humanas. 2.ed., São Paulo:
Harbra, 1987.
NETO BARROS, B; SCARMINIO, I.S. e BRUNS, R.E. Como Fazer
Experimentos: Pesquisa e Desenvolvimento na Ciência e na Indústria. São
Paulo: Unicamp, 2001
RICHARD, A. Brealey e STEWART, C. Myers. Princípios de Finanças
Aplicadas. 5.ed., São Paulo: McGraw-Hill, 1998.
VIEIRA, Sonia. Introdução à Bioestatística. 3.ed, Rio de Janeiro:
Campus,1980.
Administração
7
Sumário
Unidade 1 – Distribuição de probabilidade ........................................09
Unidade 2 – Amostragem ..............................................................15
Unidade 3 – Distribuição amostral...................................................19
Unidade 4 – Estimação ..................................................................23
Unidade 5 – Intervalos de Confiança (IC) .........................................26
Unidade 6 – Teste de hipóteses I ....................................................32
Unidade 7 – Teste de hipóteses II ...................................................37
Unidade 8 – Análise de variância I ..................................................41
Unidade 9 – Análise de variância II .................................................44
Unidade 10 – Análise de regressão linear múltipla .............................48
Unidade 11 – Diagrama de decisão I ...............................................51
Unidade 12 – Diagrama de decisão II ..............................................56
Unidade 13 – Risco e incerteza .......................................................59
Unidade 14 – Números – índices I...................................................62
Unidade 15 – Números – índices II .................................................65
Unidade 16 – Ferramentas estatísticas para o controle de qualidade ....69
Administração
8
Distribuição de probabilidade
Meta da unidade
Apresentação de modelos teóricos de distribuição de probabilidade
nos permitirá encontrar a solução de vários problemas práticos.
Objetivo
• entender os elementos básicos para o estudo e aplicação
matemática da distribuição de probabilidade em ocorrências
específicas.
Pré-requisito
Para um bom desempenho no estudo desta unidade, é necessário que
você tenha conhecimentos básicos de probabilidade, funções de primeiro e
segundo grau e também interpretação gráfica.
Introdução
Nesta unidade, vamos estudar os elementos estatísticos fundamentais
aplicáveis aos Métodos Quantitativos, sem deixar de lembrar os estudos já
obtidos na Estatística Aplicada do período anterior, em que foram vistos os
conceitos qualitativos, quantitativos, discretos, contínuos e a estatística
descritiva.
De posse desses conhecimentos básicos, podemos passar para o
nosso primeiro tópico do programa, o qual versa sobre a 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. Nesse caso, afirmamos que a
probabilidade de obter-se cara é de ½ , 0,5 ou 50%, e o mesmo valendo para
a probabilidade de obter-se coroa, ou seja, ½, 0,5 ou 50%.
Distribuição de probabilidade
Vamos iniciar o nosso estudo analisando um exemplo, para que
possamos dar algumas definições essenciais para a continuidade da
apresentação desta unidade.
Administração
9
Considerando uma distribuição de freqüências que se referem ao
número de ocorrências policiais diárias em um determinado bairro de uma
cidade hipotética:
N0 de ocorrências Frequências
0 29
1 11
2 6
3 4
∑ = 50
A probabilidade de, em um dia:

• Não registrar ocorrências é:
29
p= = 0,58
50
• Registrar uma ocorrência é:
11
p= = 0,22
50
• Registrar duas ocorrências é:
6
p= = 0,12
50
• Registrar três ocorrências é:
4
p= = 0,08
50
Reescrevendo a tabela anterior, temos:
N0 de ocorrências Probabilidades
0 0,58
1 0,22
2 0,12
3 0,08
∑=1
Esta tabela é denominada distribuição de probabilidade.

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. Como vimos no exemplo anterior, vamos ter:
∑p i =1
Assim os valores x1, x2, ..., xn e seus correspondentes p1, p2, ..., pn
definem uma distribuição de probabilidade.
Administração
10
Depois de definirmos a distribuição de probabilidade, estamos então,
estabelecendo uma correspondência entre os valores da variável aleatória X
e os valores da variável P. Fica assim, definida uma função.
f ( x ) = P( X = x i )
Distribuição normal de probabilidade

Esta distribuição teórica é uma das mais utilizadas em pesquisas
sócioeconômicas, e para melhor entendê-la, vamos descrever algumas de
suas características principais a seguir:
• valores da variável aleatória X mais próximos da média
x ocorrem com maior freqüência;
• valores da variável aleatória X simétricos em relação à
média ocorrem com a mesma freqüência;
• a região definida pelo gráfico tem área unitária;
• como a curva é simétrica em torno de x , a probabilidade de
ocorrer valor maior que a média é igual à probabilidade de
ocorrer valor menor que a média, ou seja, ambas as
probabilidades são iguais a 0,5. Então,
P ( X > x ) = P ( X < x ) = 0,5 .
A curva que representa estas características é a curva de Gauss, que
é mostrada abaixo:
O nosso maior interesse, quando estamos analisando uma variável

aleatória com distribuição normal, é obter a probabilidade dessa variável,
assumir um valor em um determinado intervalo.
A probabilidade de p [a < x < b] é a área da região sob a curva
definida pelo intervalo ]a , b[.
Administração
11
Como o cálculo da área dessa figura é muito complicado, iremos
utilizar uma distribuição normal z com média x = 0 e desvio–padrão v = 1.
Uma tabela contendo os valores positivos de z e a área
compreendida sob a curva entre 0 e z foi construída.
A escolha desta distribuição se dá pelo fato de apresentar os

parâmetros mais simples. Qualquer outra distribuição normal x com média
x e e desvio–padrão v pode ser transformada, para o efeito do cálculo de
áreas, na distribuição normal padrão z, através da mudança de variável, dada
pela equação abaixo:
x−x
z=
V
Se conhecermos a área específica na tabela, qualquer tipo de área

pode ser calculada usando a simetria da curva.
Exemplo:
1 - Seja X uma variável aleatória que representa o comprimento de pregos
produzidos por uma certa máquina. Supondo que essa variável tenha
distribuição normal com média x = 2 cm e v = 0,04 cm, queremos
descobrir qual a probabilidade de um prego ter um comprimento de valor
entre 2 e 2,05 cm.
P(2 < X < 2,05)
Para fazermos a mudança de variável, podemos afirmar que:

P( x < X < x) = P(0 < Z < z)
x − x 2,05 − 2 0,05
z= = = = 1,25
V 0,04 0,04
Portanto:
P(2 < X < 2,05) = P(0 < Z < 1,25)
Administração
12
Vamos procurar na tabela o valor de z = 1,25, para descobrirmos a
probabilidade. O valor encontrado será 0,3944. Assim, a probabilidade de
um prego fabricado pela máquina ter o comprimento entre 2 e 2,05 cm é de
0,3944 ou 39,44 %.
2 – Determine as probabilidades abaixo:

a) P( - 1,3 < Z < 0)
Pela simetria da curva, temos:

P( - 1,3 < Z < 0) = P(0 < Z < 1,3) = 0,4032
b) P( - 0,5 < Z < 1,48)
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
Síntese da unidade
Vimos, nesta unidade, 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).
1 - Determine as seguintes probabilidades:

a) P( 0 < Z < 1,4)
b) P( - 0,8 < Z < 0)
c) P( - 0,3 < Z < 1,85)
Administração
13
d) P( 0,7 < Z < 1,97)
2 - Os salários mensais dos funcionários de uma empresa são distribuidos

normalmente, em torno da média de R$ 500,00, com desvio – padrão de R$
40,00. Encontre a probabilidade de um funcionário ter um salário mensal
entre R$ 430,00 e R$ 590,00.
3 - A variável aleatória X admite distribuição normal com média 20 e desvio

– padrão 2. Com estas informações encontre:
a) P( 16 < x < 22)
b) P( 18 < x < 26)
c) P( 14 < x < 28)
4 - Uma variável aleatória X normal apresenta uma média 30 e desvio –

padrão 4. Calcule P( 30 < x < 34).
Comentário
Nessas atividades, você precisa estar acompanhado da tabela das

áreas para a distribuição normal padronizada para conseguir realizá-las.
Informações sobre
a próxima unidade
Vamos dar início ao estudo da amostragem.
Administração
14
Amostragem
Meta da unidade
Apresentação das principais técnicas utilizadas na seleção de
amostras para garantir o controle da variabilidade amostral.
Objetivo
• compreender as técnicas de amostragem com suas diferentes
aplicações na coleta de amostras de uma determinada
população.
Pré-requisito
Para um bom desempenho no estudo desta unidade, é necessário que
você compreenda os conceitos e as diferenças entre população e amostra.
Introdução
A amostragem pode ser definida como o ato de retirar elementos de
uma população, e é um dos principais fatores para obtermos resultados
confiáveis e representativos de uma população, com base na análise de uma
amostra. Para tanto, a amostra deve representar, com a maior proximidade
possível, a população, embora em tamanho reduzido e, portanto, capaz de ser
manipulado com facilidade, agilidade e segurança.
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,que foi o assunto da unidade anterior, a qual
deve também ser semelhante na amostra.
Amostragem
É o ato de obter amostras extraídas de um universo também
chamado de população; portanto, é uma parte da população retirada segundo
uma regra conveniente, como foi visto em Estatística Aplicada.
As regras para amostragem são classificadas, didaticamente, em
duas grandes categorias, ou seja, amostragem probabilística e amostragem
não probabilística.
Administração
15
Tipos de Amostragem
• Amostragem Probabilística
Também chamada de aleatória ou randômica – é aquela em que
todos os elementos da população têm a mesma chance (probabilidade
conhecida e não nula) de pertencer à amostra, ou seja, trata-se de uma
seleção aleatória indiscriminada.
Se considerarmos uma população de “n” elementos e se todos os
elementos desta população possuem probabilidades iguais, teremos que 1/n é
a probabilidade de cada elemento participar da amostra.
• Amostragem Não Probabilística

É aquela em que a escolha é feita de maneira justificada e com
determinado objetivo, ou seja, há uma escolha deliberada dos elementos da
amostra com o intuito de se fazer “inferências estatísticas”. Obtêm-se
conclusões específicas sobre a população, a partir de observações feitas na
amostra.
Principais Técnicas de Amostragem Probabilística

• Amostragem Simples ao Acaso
Também conhecida como ocasional, acidental, casual, randômica,
entre outras, destaca-se por ser um processo de seleção bastante fácil e muito
usado. Nesse procedimento, todos os elementos da população têm igual
probabilidade de ser escolhidos do início ao final do processo.
O procedimento se desenvolve por meio da indicação de um número
para todos os elementos da população. Fixando o número da amostra em n,
retira-se com reposição os n elementos, examinando a propriedade estudada
e devolvendo o elemento para a população, até completar todo o número de
elementos especificado para a amostra. Um exemplo muito utilizado neste
tipo de amostragem é a tabela de números aleatórios.
Exemplo:
Seja uma caixa contendo 10 (dez) bolas numeradas de 0 a 9. Se
procede a retirada de 3 pares de bolas, obtendo-se os resultados abaixo:
(0;1), (3;4) e (6;7).
• Amostragem Sistêmica
As amostras são retiradas em etapas sucessivas e, em função dos
resultados obtidos em cada etapa, pode-se saber ou não se será(ão)
necessário(s) outra(s) estapa(s). Podemos obter uma amostra aleatória de n
elementos dividindo o número de elementos da população N pelo tamanho
da amostra n.
Exemplo:
Seja N = 500 (tamanho da população)
n = 50 (tamanho da amostra);
Dividindo o tamanho da população pelo tamanho da amostra, temos:
N 300
a= = = 15
n 20
Administração
16
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.
• Amostragem Conglomerada
Quando a população apresenta uma subdivisão em grupos menores,
denominados conglomerados, sorteia-se um certo número de conglomerados
e todos os elementos sorteados comporão a amostra.
Esses conglomerados devem traduzir aproximadamente a
composição da população.
Exemplo:
Seja um colégio composto de salas de aula onde estudam meninos e
meninas. Sorteiam-se 02 alunos de cada sala, que no conjunto representam a
população do colégio.
• Amostragem Estratificada
Quando a população é composta de subpopulações (estratos), em
que o comportamento da variável em estudo é razoavelmente homogênea,
mas substancialmente diferente de estrato para estrato.
Nesse caso, determina-se o tamanho (n elementos) em cada estrato a
ser sorteado para assim formar a amostra.
Exemplo:
A população em uma cidade está dividida em classes sociais. Extrai-se, por
sorteio, várias pessoas de cada classe social em número proporcional à
quantidade de pessoas de uma das classes.
Plano de Amostragem
O plano de amostragem é o primeiro passo a ser desenvolvido
quando da elaboração de qualquer estudo ou pesquisa que envolva dados
estatísticos. Para tanto, sugerem-se algumas fases básicas para um bom
andamento na pesquisa:
• 1° definição dos objetivos (finalidade do estudo e nível de

precisão);
• 2º determinação dos meios (disponibilidade de recursos e
tempo);
• 3º preparação do plano de amostragem;
• 4º análise dos resultados;
• 5º relatório final.
Síntese da unidade
Vimos, nesta unidade, a importância da escolha certa no tipo de

amostragem para garantir a qualidade na análise da amostra.
Administração
17
1 - No total de 100 estabelecimentos que se dedicam ao mesmo ramo de
comércio, foram estudados os gastos mensais de cada estabelecimento,
multiplicados por R$ 1.000,00 indicados na tabela:
29 6 34 12 15 31 34 20 8 30
8 15 24 22 35 31 25 26 20 10
30 4 16 21 14 21 16 18 20 12
31 20 12 18 12 25 25 13 1 5
13 19 30 17 25 29 11 25 32 36
10 21 18 7 16 14 23 22 21 21
32 17 15 13 8 12 30 25 13 17
5 12 32 21 10 30 8 10 14 20
34 22 30 48 19 12 17 7 15 9
26 25 22 30 33 14 26 13 10 15
Pede-se:
a) selecione nesta população uma amostra simples ao acaso de 30 elementos;
b) agrupar os elementos em classes (por dezenas de 10, 20, 30...).
2 - Escolha uma página qualquer da lista telefônica e retire uma amostra

sistemática de 20 nomes.
3 - Sendo N o número de elementos de uma população, e n o número de

elementos de uma amostra. Responda quantas amostras possíveis poderemos
retirar usando-se o processo:
a) com reposição
b) sem reposição
4 - De uma população de N = 2000 elementos ordenados, retirar uma

amostra sistemática de tamanho n = 20.
Comentário
Na resolução desta atividade, procure se orientar na leitura da teoria

e também nos exemplos.
Informações sobre
a próxima unidade
Vamos continuar o estudo das amostras com a apresentação
das distribuições amostrais.
Administração
18
Distribuição amostral
Meta da unidade
Apresentação de como os parâmetros populacionais
influenciam as estatísticas amostrais.
Objetivo
• explicar por que a amostragem aleatória é importante e qual
a sua relação com uma distribuição amostral.
Pré-requisito
Para um bom desempenho no estudo desta unidade, é necessário ter
compreendido os conceitos de média, desvio padrão e os tipos de
amostragens.
Introdução
Como vimos na unidade anterior, 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.
Nesta unidade, a nossa intenção é responder a uma pergunta muito
importante: o quanto a estatística amostral se aproxima do verdadeiro valor
do parâmetro populacional.
Para responder à essa questão, precisamos entender como usar as
estatísticas amostrais para analisar os parâmetros populacionais, e assim,
termos condições de aprender como as características de uma única amostra
podem ser usadas para fazer análises sobre os parâmetros de uma população.
Entre as principais distribuições amostrais, destacam-se: distribuição normal
da média e proporcional.
Distribuição amostral da Média

Vamos considerar um exemplo para fazermos nosso estudo e
relembrar algumas equações vistas em Estatística Aplicada:
Média X( )
X=
∑X i
n
( )
Variância V 2
Administração
19
∑ (x )
2
i −x
V 2
=
n
Exemplo:
Seja X uma população constituída dos seguintes elementos {2; 3; 4;
5} (N = 4). Extrai-se, aleatoriamente e com reposição, amostras de 2
elementos (n = 2), tem-se 42 = 16, o número de amostras possíveis
representada pelos pares abaixo:
(2; 2) (3; 2) (4; 2) (5; 2)

(2; 3) (3; 3) (4; 3) (5; 3) 16 amostras (pares de 2 números)
(2; 4) (3; 4) (4; 4) (5; 4)
(2; 5) (3; 5) (4; 5) (5; 5)
Calcula-se a média dos dois números, obtendo-se:

2,0 2,5 3,0 3,5
2,5 3,0 3,5 4,0
3,0 3,5 4,0 4,5
3,5 4,0 4,5 5,0
Temos que:
( )
Média da amostra X A = 3,5 e variância da amostra (V2A) = 0,625
Como a população é {2; 3; 4; 5}
Temos que:
Média da população X P = 3,5 ( )
Variância da população (V2P) = 1,25
Observamos que as médias são iguais e a variância da amostra é metade da

variância da população, pois o tamanho da amostra é 2.
Daí concluimos que:
(X )= (X )
A P e (V2A) = (V2P) / n
Dessa forma, a média da amostra tem distribuição igual a da

população e variância da amostra igual ao quociente da variância da
população dividido pelo tamanho da amostra. Podemos afirmar também que
o desvio padrão será:
(V 2 P ) (V )
(V 2 A ) = ⇔ (VA ) = P
n n
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 por meio 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.
Administração
20
Relação entre os parâmetros populacional e amostral:
Parâmetro Relação
Proporção
(X )= (X )
A P
Variância p.q
(V 2 A ) =
n
Desvio padrão
p.q
(VA ) =
n
Onde:
x x p − xA
pA = ; pP = e z=
n N VA
Exemplo:
1 – Uma indústria de biscoitos quer lançar uma novidade de seus produtos e,
para testar a qualidade de sua novidade, realizou uma pesquisa de mercado
em que 20 % dos que provaram o produto afirmaram que seriam seus
consumidores. Como a indústria só lança produtos que interessem a mais de
um quarto dos prováveis consumidores, qual a chance de que, em uma
amostra de 200 pessoas, mais de 50 demonstrarem real interesse pelo
produto?
Proporção média da distribuição amostral:

( )
p = X A = 20 %; q = 80 %
Desvio padrão da distribuição amostral:

p.q 20 • 80
(VA ) = = = 2,83 %
n 200
Mudança de variável:
p − x A 25 − 20
z= = = 1,77
VA 2,83
Probabilidade:
p(p > 25) = p(p > 1,77) = 50 % - 46,16 % = 3,84 %
Síntese da unidade
Nesta unidade, vimos as formas de distribuição amostral mais

comuns dos eventos que ocorrem na prática.
Administração
21
1 – A capacidade de um elevador é de 500Kg. Se a distribuição dos pesos
dos usuários seja(P), uma normal de limites N(70,100); pergunta-se:
a) qual a probabilidade de 7 passageiros ultrapassarem esse limite?
b) qual a probabilidade de 6 passageiros ultrapassarem esse limite?
2 – 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?
Comentário
Nessas atividades, procure praticar o uso das tabelas de distribuição

e ilustrar o seu conceito de aplicação prática.
Informações sobre
a próxima unidade
Vamos continuar o estudo da estimação de parâmetros com a
unidade de Estimação.
Administração
22
Estimação
Meta da unidade
Apresentação das estimativas pontuais e intervalares.
Objetivo
• indicar como o tamanho da amostra, a dispersão amostral e
o nível de confiança afetam o erro possível de uma
estimativa.
Pré-requisito
compreendido a utilização das distribuições amostrais na hora de estimar
parâmetros populacionais.
Introdução
Na unidade anterior, estudamos as várias formas de se obter uma
amostra, com vistas nas informações sobre a população origem dessa
amostra, num processo denominado inferência.
Esta indução (inferência) que fazemos, a partir de uma amostra da
população, pode ser feita de duas maneiras básicas: por estimação e por teste
de hipótese.
Nesta unidade, estudaremos o método da estimação que serve para
inferir características de determinada população, por meio do estudo da
amostra desta população.
Estimação
É o processo de estimar características (parâmetros) desconhecidos
de uma população com base em dados amostrais.
O processo de estimação numa amostra pode ser feito de duas
maneiras:
• Por Ponto: quando, a partir da amostra, procura-se obter um
único valor estimativo do parâmetro populacional.
Exemplo: Um carro popular (1.0) consome 1 litro de combustível a cada 12
km rodados.
• Por intervalo: quando, a partir da amostra, procura-se

construir um intervalo de variação, com certa probabilidade
de conter verdadeiramente o parâmetro da população.
Administração
23
Exemplo: Um carro popular (1.0) consome 1 litro de combustível entre 10 e
14 km rodados.
Propriedades do Estimador (E)

• Não tendenciosidade (justeza): diz-se que o estimador E
(Ô) é justo, quando sua média é o próprio valor do
parâmetro populacional (Ô).
( ) ( )
Exemplo: E X A = X P (estimador médio da amostra é igual a média da
população).
• 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.
( ) ( )
Exemplo: E X A = X P e
Lim V 2 (Ô) = 0
(lê-se o limite da variância
n→∞
quando o número de elementos da amostra tendem ao infinito).
• Eficiência: dados dois estimadores Ô1 e Ô2 de um mesmo

parâmetro populacional, é mais eficiente aquele que tem
menor variabilidade (variância). [ V2 (Ô1) < V2 (Ô2) ]
Exemplo: V2(Ô)A = 0,5 e V2(Ô)B = 0,8, logo o estimador (Ô)A é mais

eficiente que o estimador (Ô)B, pois tem menor variância.
Síntese da unidade
Vimos, nesta unidade, que existem métodos para se obter

estimadores de acordo com a sua propriedade.
1 - Contraste estimativa pontual e intervalar. Exemplifique.
2 - Cada afirmativa abaixo, classifique-a quanto ao tipo de estimativa

(pontual ou intervalar):
a) O brasileiro consome 30 Kg de carne por ano.
b) Entre 34 % e 42 % da população se opõem 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) Trinta e oito por cento da população se opõem a um aumento
no limite de velocidade.
g) A proporção de estudantes fumantes está entre 10 % e 16 %.
Administração
24
h) O desvio padrão da duração de um pneu radial é de 3200
quilômetros.
Comentário
Nesta atividade, procure reler a teoria e fixar bem os exemplos

dados para resolvê-la com tranqüilidade.
Informações sobre
a próxima unidade
Na próxima unidade, vamos continuar o estudo da estimação
de parâmetros com a unidade de Estimação.
Administração
25
Intervalos de Confiança (IC)
Meta da unidade
Apresentação de um intervalo de confiança, com base na estatísca
amostral, no qual julgamos estar o parâmetro da população.
Objetivos
• construir intervalos de confiança utilizando dados amostrais;
• utilizar gráficos para construir intervalos de confiança.
Pré-requisito
compreendido o conceito de estimação e ter o domínio da utilização das
distribuições amostrais na hora de estimar parâmetros populacionais.
Introdução
Como visto anteriormente, 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 do limite absoluto de ocorrência. Por essa
razão, a estatística trabalha com os chamados intervalos de confiança, os
quais apresentam uma faixa, onde, com determinado grau de certeza, o valor
estimado por inferência estatística pode estar contido.
O nível de significância que representa a probabilidade de erro que
se comete quando se afirma que a probabilidade do intervalo Ô1 ≤ O ≤ Ô2
contenha o verdadeiro valor do parâmetro populacional O, entende-se por
intervalo de confiança em torno de uma estimativa por ponto, para que com
a probabilidade conhecida (1 – α) contenha o verdadeiro valor do parâmetro
estimado.
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.
Os principais intervalos de confiança são definidos para os vários
operadores estatísticos, entre eles destacamos:
Administração
26
Intervalo de Confiança para a Média Populacional X P ( )
quando se conhece a variância populacional (V2P)
Seja numa amostra de distribuição normal, ou seja: X = N( X P ,V2P).
Sabe-se que para uma distribuição normal: X A (média amostral) = X P
(média da população).
Como vimos nas unidades anteriores, para transformar uma
distribuição normal x em uma distribuição padrão z utilizamos a mudança de
variável:
xA − xP
z=
Vp
n
O nível de confiança é a probabilidade de o intervalo conter o

parâmetro estimado. Em termos da variável padrão z, isto representa a área
central sob a curva normal entre os pontos − zα/ 2 e zα/ 2 , como mostra a
figura a seguir:
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:
p(− z α / 2 < z < z α / 2 ) = 1 − α
Substituindo nesta equação o valor de z temos:
⎛ V V ⎞
p⎜ x A − z α / 2 • P < x P < x A + z α / 2 • P ⎟ = 1 − α
⎝ n n⎠
O erro padrão é encontrado por meio da equação a seguir:
VP
e = zα / 2 •
n
e daí podemos concluir que os limites dos intervalos são estabelecidos pelos
valores:
(estimativa – erro ; estimativa + erro)
Exemplo:
1 – O departamento de estatística de uma indústria de brinquedos, informou
que o tempo de montagem de seu principal produto de venda varia de
Administração
27
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
x A = 15
VP = 3 0,95
1 – α = 95 %
−zα / 2 zα / 2
Note que, na tabela da distribuição, z normal fornece o valor da

probabilidade entre 0 e zα/ 2 , o que é a metade da área total (0,95). Logo,
temos que procurar na tabela normal o valor de z associado à probabilidade
0,95/2 = 0,475. Na tabela, o valor correspondente de zα/ 2 = 1,96.
O intervalo de confiança será:

⎛ V VP ⎞
p⎜ x A − z α / 2 • P ≤ x P ≤ x A + z α / 2 • ⎟ = 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
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.
Intervalo de Confiança para a Média Populacional X P ( )

quando a variância populacional (V2P) é desconhecida.
Para este caso, deve-se estimar (V2P) por meio de um operador
estatístico(V2A), como foi visto em unidades anteriores. Quando substituimos
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:
xA − xP
t=
VA
n
que é conhecida como a distribuição t student com (n – 1) graus de

liberdade.
Administração
28
Vejamos a seguir uma comparação gráfica entre as distribuições t e z.
z
Quando aumentamos o número de elementos da amostra, a

distribuição t se aproxima da distribuição normal z.
Para o intervalo de confiança temos:
α α
2 2
1–α
t
− t α/ 2 tα / 2
Como p(− t α / 2 < t < t α / 2 ) = 1 − α , temos:
⎛ V V ⎞
p⎜ x A − t α / 2 • A < x P < x A + t α / 2 • A ⎟ = 1 − α
⎝ n n⎠
Exemplo:
1 – De uma população normal, com parâmetros desconhecidos, retira-se uma
( ) (
amostra de 25 elementos para se estimar X P , obtendo X A = 15 e (V2A) =)
36. Encontrar um intervalo de confiança para a média ao nível de 5 %.
O valor de t α / 2 é identificado na tabela pelos graus de liberdade e pelo nível

de confiança.
n – 1 = 25 – 1 = 24 ⎛ V V ⎞
p⎜ x A − t α / 2 • A < x P < x A + t α / 2 • A ⎟ = 1 − α
α/2 = 2,5 % ⎝ n n⎠
t α / 2 = 2,0639 ⎛ 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
Podemos afirmar com 95 % de confiança que a média populacional

encontra-se entre 12,523 e 17,477.
Intervalo de Confiança para Proporção (p)

Populacional
Vamos considerar uma população com N elementos, e uma
determinada propriedade. Esta propriedade divide a população em duas
Administração
29
partes: uma são os elementos que satisfazem esta propriedade e a outra são
os elementos que não satisfazem esta propriedade.
Para estimar o valor de p, selecionamos uma amostra aleatória de n
elementos dessa população.
População Amostra
elementos elementos elementos elementos

que que não que que não
satisfazem satisfazem satisfazem satisfazem
X N–X x n–x
Matematicamente, vamos ter as seguintes proporções de elementos

que satisfazem e não satisfazem a propriedade da população e da amostra.
X N−X x n−x
P= e Q= p= e q=
N N n n
Lembrando que p é um estimador por ponto do parâmetro P, o intervalo

para a proporção será:
⎛ p•q p•q ⎞
p⎜⎜ p − z α / 2 • < P < p + zα / 2 • ⎟ = 1− α
⎝ n n ⎟⎠
Exemplo:
1 – Em uma grande cidade, uma pesquisa com 300 habitantes, revelou que
128 deles consideram que a corrupção é o principal problema da cidade.
Encontre um intervalo de confiança de 95 % para a proporção dos habitantes
desta cidade que cosideram a corrupção o seu principal problema.
n = 300 128
x = 128 p= = 0,4267
300
1− α = 0,95⇒ zα/ 2 = 1,96
O intervalo de confiança para a proporção é:
⎛ p•q p•q ⎞
p⎜⎜ p − z α / 2 • < P < p + zα / 2 • ⎟ = 1− α
⎝ n n ⎟⎠
⎛ 0,4267 • 0,5733 0,4267 • 0,5733 ⎞
p⎜⎜ 0,4267 − 1,96 • < P < 0,4267 + 1,96 • ⎟ = 0,95
⎟
⎝ 300 300 ⎠
p(0,4267 − 0,056 < P < 0,4267 + 0,056) = 0,95
p(0,3707 < P < 0,4827) = 0,95
Administração
30
Podemos afirmar, com 95 % de confiança, que a proporção de
habitantes desta cidade que consideram a corrupção como o seu principal
problema está entre 37,07 % e 48, 27 %.
Síntese da unidade
Nesta unidade, foram apresentados os principais métodos de

determinação de intervalos de confiança para amostras de populações
com parâmetros populacionais conhecidos e desconhecidos.
1 - Calcule o intervalo de confiança para a média em cada um dos casos

abaixo:
Média amostral (cm) Tamanho da Desvio padrão da Coeficiente de

amostra amostra (cm) confiança
170 100 15 15
165 184 30 85
180 225 30 70
2 - Suponha que uma amostra de n = 100 de uma distribuição normal N

forneceu X A = 510,6 . Supondo (V2P) conhecido e igual a 16, obtenha um
intervalo de confiança para X P com coeficiente de confiança de α = 0,95.
Comentário
Usar o coeficiente de confiança para determinar os intervalos de

confiança em cada caso.
Informações sobre
a próxima unidade
Vamos estudar os diferentes testes de hipóteses.
Administração
31
Teste de hipóteses I
Meta da unidade
Apresentação da finalidade principal dos testes de hipóteses e
diferenciação dos três tipos distintos de afirmações que se pode fazer em
relação às médias.
Objetivo
• formular hipóteses sobre determinada ocorrência,
envolvendo o resultado de estudo estatístico em determinada
amostra, visando à comparação com elementos esperados da
população.
Pré-requisito
Para um bom desempenho no estudo desta unidade, é necessário
dominar o trabalho com os intervalos de confiança e saber usar as tabelas de
distribuição padrão z e de t student.
Introdução
O estudo realizado nesta unidade irá se somar ao desenvolvimento
do estudo anterior no uso dos elementos do teste de hipóteses, 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.
Teste de Hipóteses
Como no desenvolvimento da estimação por intervalo, os testes de
hipóteses também são baseados nas distribuições estatísticas dos
estimadores. Dessa forma, as distribuições de probabilidade da média
amostral ( X A ) e da proporção (p)serão utilizados para os respectivos testes
sobre a média e a proporção da população.
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.
Podemos ter como exemplo de hipóteses estatísticas as afirmações
abaixo:
Administração
32
• a média populacional da altura dos brasileiros é 1,65 m
( X P = 1,65 m);
• a variância populacional do salário vale R$ 5.000,00
(V2P = 5.000);
• a proporção de brasileiros com determinada doença é
40%, ou seja, p = 0,40;
• a distribuição dos pesos dos alunos da universidade é
uma normal.
Portanto, o teste de hipótese é uma regra de decisão para aceitar ou
rejeitar uma hipótese estatística com base nos elementos amostrais.
Para tal, duas hipóteses devem ser formuladas:
Hipótese Nula (H0): é a hipótese testada; quando confirmada, mostra que a
diferença observada entre o valor estimado (pela amostra) e o parâmetro
populacional é devido exclusivamente ao acaso.
Hipótese Alternativa (H1): é qualquer hipótese diferente de H0, que, uma
vez aceita, contraria a hipótese nula.
A hipótese alternativa (H1) é geralmente a suposição que o
pesquisador quer provar, e a H0 formulada com o expresso propósito de ser
rejeitada.
Ao tomarmos a decisão pela aceitação ou rejeição de uma hipótese
nula, estamos sujeitos a acertos e também a erros. Quando se testa H0, pode-
se cometer dois tipos de erros, conforme mostra a tabela abaixo:
Decisão
Realidade
Aceitar H0 Rejeitar H0
H0 é verdadeira Decisão correta Erro tipo I
H0 é falsa Erro tipo II Decisão Correta
Erro tipo I: quando se rejeita uma hipótese H0, e H0 é verdadeira.

Erro tipo II: quando se aceita uma hipótese H0, e H0 é falsa.
Região crítica (Rc) e região de aceitação (Ra) de uma

hipótese
Seja s o valor real do parâmetro de uma população e α o nível de
significância, vamos ter três possibilidades de testes. Como será descrito a
seguir:
⎧H 0 : parâmetro = s
1a 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
Administração
33
Se A é distribuição amostral do parâmetro s, então a região de
aceitação (Ra) de H0 está à esquerda de a, e a região crítica (Rc) para H0 está
à direita de a.
⎩ 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.
A
Ra
α A
Rc a s
Se A é distribuição amostral do parâmetro s, então a região de

aceitação (Ra) de H0 está à direita de a, e a região crítica (Rc) para H0 está à
esquerda de a.
⎩ 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.
A
α
Ra
α Rc α
2 2
Rc a1 s a2 Rc
Procedimentos básicos para efetuar um teste de

hipótese:
1. enunciar H0 e H1 e os erros I e II;
2. fixar α (nível de significância) e identificar a variável do teste;
3. determinar a região crítica em função da variável tabelada;
Administração
34
4. calcular o valor da variável do teste obtido da amostra;
5. aceitar ou rejeitar a hipótese nula, com base na região crítica e o
no valor obtido da amostra.
Principais Tipos de Testes de Hipótese
•Teste para a média populacional X P :

A melhor maneira de se estimar a média populacional X P é por
meio da média amostral X A . Portanto, com a mudança de variável, com VP
conhecido e VP desconhecido, temos, respectivamente:
xA − xP xA − xP
z teste = e 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:
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 alcool 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 Ra
α = 5%
z α = z 5% = 1,64 95%
Rc z
z 5% = −1,64 z teste = − 0,959
Diante dos resultados, aceita-se H0, ao nível de 5 %, e podemos afirmar que

a afirmação da fábrica é falsa.
Administração
35
Síntese da unidade
Nesta unidade, percebemos a importância da aplicação dos

testes de hipóteses na tomada de decisão de aceitação ou rejeição na
estimação de um parâmetro.
1 - Uma fábrica de tijolos de cimento introduz um novo material em sua

fabricação e acredita que aumentará a resistência média , que é 206 Kg. A
resistência dos tijolos tem distribuição normal, com desvio padrão de 12 Kg.
Retira-se uma amostra de 30 tijolos, obtendo x A = 210 Kg . Ao nível de 10
%, pode o fabricante aceitar que a resistência média de seus tijolos tenha
aumentado?
2 - Uma amostra de 40 elementos retirados de uma população normal com

desvio padrão VP = 3 apresentou um valor médio igual a 60. Teste, ao nível
de significância de 5%, a hipótese de que a média populacional seja igual a
59, supondo a hipótese alternativa x P > 59 .
Comentário
Na resolução dessas atividades, procure seguir os procedimentos

básicos para a aplicação do teste de hipóteses.
Informações sobre
a próxima unidade
Vamos continuar o estudo dos testes de hipoteses, com a
apresentação do teste para a proporção populacional.
Administração
36
Teste de hipóteses II
Meta da unidade
Apresentação do teste de hipóteses para a proporção populacional.
Objetivo
• formular hipóteses sobre determinada ocorrência,
envolvendo o resultado de estudo estatístico em determinada
amostra, visando à comparação com elementos esperados da
população.
Pré-requisito
dominar o trabalho com os intervalos de confiança e saber usar as tabelas de
distribuição padrão z e de t student.
Introdução
O estudo realizado nesta unidade irá se somar ao desenvolvimento
do estudo anterior no uso dos elementos do teste de hipóteses, 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.
Teste para a proporção populacional (P):

A melhor maneira de se estimar a proporção populacional P é por
meio da proporção amostral p. Portanto, com a mudança de varável, temos:
p−P
z teste =
P•Q
n
Região crítica (Rc) e região de aceitação (Ra) de uma

hipótese
Seja s o valor real da proporção de uma população e α o nível de
significância, vamos ter três possibilidades de testes. Como será descrito a
seguir:
Administração
37
⎧H 0 : P = s
⎩ H1 : P > 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
Se A é distribuição amostral da proporção s, então a região de

aceitação (Ra) de H0 está à esquerda de a, e a região crítica (Rc) para H0 está
à direita de a.
⎧H 0 : P = s
⎩ 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.
A
Ra
α A
Rc a s
Se A é distribuição amostral da proporção s, então a região de

aceitação (Ra) de H0 está à direita de a, e a região crítica (Rc) para H0 está à
esquerda de a.
⎧H 0 : P = s
⎩ 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.
Administração
38
A
Ra
α α
2 2
Rc a1 s a2 Rc
Vimos que, na construção de um teste de hipótese, procuramos

encontrar o Erro do Tipo I, fixando o valor de α. Com relação ao Erro do
Tipo II, na maioria dos casos, não é possível de se calcular, isto porque a
hipótese H1 alternativa não específica um valor para o parâmetro ou para a
proporção, mas sim várias possibilidades alternativas.
Exemplo:
1 – Sabemos por experiência que 5 % da produção de uma determinada peça
é defeituosa. Na contratação de um novo funcionário, verificamos que, das
600 peças que ele produziu, 82 eram defeituosas. Ao nível de 15 %, verificar
se o novo funcionário produz peças com maior índice de defeitos que o
existente.
⎧H 0 : P = 0,05
⎨
⎩ H1 : P > 0,05
n = 600 0,137 − 0,05 0,087
x = 82 z teste = = = 9,775
82 0,05 • 0,95 0,0089
p= = 0,137 600
600
z α = z15 % = 1,03
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.
Administração
39
Síntese da unidade
Nesta unidade, procuramos apresentar os procedimentos para

avaliar o resultado obtido de uma amostra com a fixação de um nível de
segurança quanto aos valores inferiores a este resultado sobre a
população em estudo, por meio do método denominado de teste de
hipóteses.
1 - Uma indústria de fabricação de motos anuncia que suas motos

consomem, em média, 11 litros de combustível a cada 100 Km, com desvio
padrão de 0,8 litro. Uma revista especializada decide verificar esta afirmação
e analisa 35 motos dessa marca, obtendo 11,4 litros por 100 Km, como
consumo médio. Admitindo que o consumo tenha distrbuição normal, ao
nível de 10 %, o que a revista concluirá sobre o anúncio da fábrica?
2 - Uma máquina produz 3 % de peças defeituosas, quando está bem

regulada. Uma amostra aleatória de 80 peças apresentou 3 peças defeituosas.
Ao nível de 2%, teste a hipótese de que a máquina está regulada.
Comentário
Aplicação dos conceitos de distribuição de probabilidade e intervalo

de confiança, a fim de testar os resultados amostrais com base na hipótese
nula e hipótese alternativa para proporções populacionais.
Informações sobre
a próxima unidade
Vamos estudar a análise de variância.
Administração
40
Análise de variância I
Meta da unidade
Utilização da análise de variância para interpretar um conjunto de
dados e seus resultados.
Objetivo
• apresentar a metodologia de aplicação do estudo de
comparação entre duas amostras a partir do uso de suas
médias.
Pré-requisito
dominar o conceito de variância.
Introdução
A análise de variância consiste num conjunto de técnicas estatísticas
utilizadas para a descoberta de fatores que produzem mudanças sistemáticas
em alguma variável de interesse. 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.
Análise de Variância
Trata-se de uma generalização do teste para a diferença de duas
médias populacionais, quando se comparam simultaneamente médias de
populações com distribuição normais e independentes; portanto, trata-se de
um teste de hipótese mais elaborado, ou seja, com mais controle sobre o
estudo.
Os pressupostos básicos da análise de variância são:
• as amostras são aleatórias e independentes;
• as populações são normais;
• as variâncias populacionais são iguais.
As hipóteses a serem testadas são as seguintes:
⎧ H 0 : médias populacionais iguias;

⎨
⎩ H1 : médias populacionais diferentes.
Administração
41
A variância é estimável pela variância das médias amostrais e pela
média das variâncias amostrais. A variância das médias amostrais é chamada
de estimativa entre. A média das variâncias amostrais estimativa dentro.
A relação entre a estimativa entre e a dentro é denominada de razão
F. Como os parâmetros relacionados são quadráticos, F é sempre positivo.
De maneira análoga aos outros testes, aceita-se H 0 quando o Fteste < Ftabelado.
Procedimentos básicos para o cálculo de F
• Estimativa Dentro (denominador)

Calcular a variância de cada amostra, utilizando a fórmula;
(x − x)
=∑
2
2 i
V
n −1
Determinar a variância amostral média, pela fórmula:
s 2 + s 22 + s32 + ... + s 2k
S = 1
2
= ∑S 2
k k
onde:
k = número de amostras.
S2 = estimativa dentro da variância.
• Estimativa Entre (numerador)

Calcular a variância das médias amostrais. Para isso, somamos as médias
amostrais e dividimos pelo número de amostras para obter x G , média
global. Use a fórmula a seguir:
(x − x )
=∑
2
2 G
s
k −1
Multiplicar a variância das médias por n:
n • s2
Encontramos a razão F por meio da seguinte equação:
n • s2
Fteste =
∑ S2 / k ou S2
Gráfico da distribuição F
Rejeito H0
Aceito H0
α
F
F (α)
Administração
42
Síntese da unidade
Nesta unidade, estudamos o conceito de análise de variância que

serve para comparar resultados de experimentos e inferir sobre eles.
1 - Qual a finalidade da análise de variância?
2 - Indique as hipóteses nula e alternativa usadas na análise de variância.
3 - A que se refere as expressões estimativa “entre” e “dentro” da variância?
4 - O que é razão F?
Comentário
Nessas atividades, vamos apenas recordar a teoria vista até aqui,

para reforçar os conceitos de análise de variância.
Informações sobre
a próxima unidade
Vamos continuar o estudo da análise de variância.
Administração
43
Análise de variância II
Meta da unidade
Utilização da análise de variância para interpretar um conjunto de
dados e seus resultados com a resolução de exemplos práticos.
Objetivo
• apresentar a metodologia de aplicação do estudo de
comparação entre duas amostras a partir do uso de suas
médias.
Pré-requisito
dominar o conceito de variância e análise de variância, vistos na unidade
anterior.
Introdução
O conjunto de conceitos e equações que vimos na unidade 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.
Como utilizar a tabela F

Quando fazemos a análise da variância, utilizamos as duas
estimativas amostrais da variância para calcular a razão Fteste. Comparamos o
valor encontrado com um valor F da tabela. Se o valor calculado for maior
que o tabulado, rejeitamos H0; mas, se o valor calculado for menor que o
tabulado, aceitamos H0.
Para identificar um valor F na tabela, é necessário determinar os
graus de liberdade. O valor tabulado entra na intersecção da coluna de graus
de liberdade do numerador (k – 1) com a linha de graus de liberdade do
denominador k(n – 1). É importante lembrar que o número de graus de
liberdade do numerador consta da linha superior da tabela, e que o número
de graus de liberdade do denominador consta da coluna à esquerda.
Administração
44
Exemplo:
1 – Em um ensaio de tração, mede-se 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 máquinas, 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
Hipóteses:
Graus de liberdade
⎧ H0 : x A = x B = x C Numerador: k – 1 = 3 – 1
⎨
⎩ H1 : x i ≠ x Denominador: k(n – 1) = 3(5 – 1) = 12
k = 3 (maquina A, B e C)
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
x
(x − x A )2 x
(x − x B ) 2 x
(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
Média e S2 3,38 0,197 4,42 0,117 3,46 0,283
Estimativa Dentro (denominador)
s12 + s 22 + s32 + ... + s 2k 0,197 + 0,117 + 0,283 0,597

S2 = = = = 0,199
k 3 3
Estimativa Entre (numerador)
3,38 + 4,42 + 3,46

xG = = 3,75
3
(x − x G )2 (3,38 − 3,75)2 + (4,42 − 3,75)2 + (3,46 − 3,75)2
s2 = ∑ = = 0,33495
k −1 3 −1
Administração
45
Cálculo do Fteste
n • s2 5 • 0,33495
Fteste = = = 8,41
∑ S / k ou S
2 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.
Síntese da unidade
Nesta unidade, estudamos o conceito de análise de variância que

serve para comparar resultados de experimentos e inferir sobre eles.
1 - Com base nas amostras de três populações diferentes (A, B e C), com
distribuição normal sobre a variável estudada, testar a hipótese de que as
médias populacionais são as mesmas para um nível de significância de 5%.
N° de amostras A B C
1 3 11 16
2 4 10 21
3 5 12 17
4 4 11 18
2 - A tabela abaixo apresenta preços reais, em determinado mercado, de três

marcas de um produto em três anos diferentes. Faça a análise de variância
com nível de significância de 5% para:
a) Ho: os preços reais médios para as três marcas são iguais;
b) Ho: os preços reais médios nos três anos são iguais;
Marca 2004 2005 2006

Y 1 1 1
Z 2 3 2
T 2 3 3
Administração
46
Comentário
Nessas atividades, você irá reforçar a aplicação dos procedimentos

para a análise de variância para o teste de médias.
Informações sobre
a próxima unidade
Vamos trabalhar com a análise de regressão linear múltipla.
Administração
47
Análise de regressão linear múltipla
Meta da unidade
Utilização da análise de regressão linear múltipla para interpretar a
relação entre três ou mais variáveis.
Objetivos
• apresentar a metodologia de aplicação da análise de
regressão linear múltipla;
• interpretar a relação entre três ou mais variáveis.
Pré-requisito
Para um bom desempenho no estudo desta unidade, é preciso ter
conhecimento de correlação e regressão linear simples.
Introdução
A regressão linear múltipla difere da regressão linear simples,
apenas pelo fato de analisar a relação de três ou mais varáveis, enquanto que
a simples, vista em estatística aplicada, analisa a relação entre duas
variáveis. 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.
Para essa análise, temos por objetivo encontrar uma equação
matemática que nos ajude a predizer os possíveis valores de y para diferentes
variáveis independentes. Como podemos observar no exemplo dado acima, o
intuito de se usar variáveis aleatórias adicionais é melhorar a capacidade de
predição de um determinado valor (y).
Diferente da regressão linear simples, a regressão múltipla oferece
soluções complicadas, que, de maneira mais prática, podem ser resolvida
com a ajuda do computador. Devido a esse fator de complicação, vamos nos
Administração
48
limitar apenas ao estudo superficial da análise de regressão linear múltipla
em complemento ao que vimos sobre regressão linear simples e estatística
aplicada.
A equação de regressão terá a seguite forma:
y = a + b1x1 + b 2 x 2 + b 3 x 3 + ... + b n x n
onde y é a variável dependente, a é uma constante, x1, x2, ..., xn são as

variáveis independentes e b1, b2, ..., bn são denominados de coeficientes
parciais de regressão.
Exemplo:
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 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 − b1x1 + b 2 x 2
y = 8000 − 500 x1 + 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.
Síntese da unidade
Nesta unidade, 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.
1 - Dada a equação de regressão múltipla, y = − 400 + 50 x1 + 7,5x 2 ,

encontre o valor de y para os seguintes valores abaixo:
a) x1 = 12 e x2 = 1200
b) x1 = 15 e x2 = - 300
c) x1 = 10 e x2 = 2400
2 - Dada a equação de regressão múltipla, y = 0,75 + 4 x1 + 3x 2 + x 3 ,

encontre o valor de y para os seguintes valores abaixo:
Administração
49
a) x1 = 2, x2 = 12 e x3 = 2,3
b) x1 = 6, x2 = 0 e x3 = 3,7
c) x1 = 0, x2 = 0 e x3 = 1
Comentário
Nessas atividades, você irá reforçar o conceito correlação e

regressão e a aplicação prática da equação de regressão linear múltipla.
Informações sobre
a próxima unidade
Vamos iniciar o estudo do diagrama de decisão.
Administração
50
Diagrama de decisão I
Meta da unidade
Apresentação das diferentes formas de tomada de decisão,
com base em parâmetros estatísticos.
Objetivo
• discutir a forma de tomada de decisão sobre determinado
evento, com base em probabilidades, custos e retornos.
Pré-requisito
Nesta unidade, você precisa ter um bom domínio de estimação e,
também, de probabilidade para acompanhar o raciocínio do conteúdo.
Introdução
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 desses componentes que nos auxiliarão na tomada de decisão.
Analise de Decisão Bayesiana (tabelas e arvore de

decisão)
Duas dessas ferramentas estatísticas usadas como auxílio na tomada
de decisão, são conhecidas como tabela e árvore de decisão, que identificam
o ganho ou perda de um determinado evento condicional, associado a uma
possível combinação de atos de decisão sobre o objeto de decisão. Esses
instrumentos também indicam a probabilidade de ocorrência para cada uma
das alternativas, as quais geralmente devem ser mutuamente exclusivas.
Para entender bem o processo de tomada de decisão, é necessário
definir alguns elementos fundamentais na construção deste processo, são
eles:
Administração
51
• Eventos – ocorrências que estão fora de controle do
tomador de decisões e que determinam o nível de sucesso de
cada ato. Tais eventos são freqüentemente chamados de
“estados da natureza”, ou simplesmente “estados” e ainda
“resultados”. Os eventos são mutuamente exclusivos e em
sua enumeração devem ser incluídos todos os eventos
possíveis.
Exemplo:
Nível de demandas de mercado para um item particular durante um período
de tempo especificado.
• Probabilidade – é uma medida da ocorrência de

determinado evento, que, na teoria Bayesiana, deve ser
sempre disponível. A sua disposição pode ser feita com base
em dados objetivos ou subjetivos, baseados em julgamentos
pessoais.
Como os eventos são mutuamente exclusivos e exaustivos, a soma
dos valores da probabilidade das ocorrências deve ser igual a 1,0.
Exemplo:
Um determinado produto apresenta uma demanda de mercado D1,
D2, D3, D4, e D5 conforme a tabela abaixo. Sabe-se que um revendedor
pretende adquirir lotes mínimos deste produto de 5 unidades até o limite
máximo da demanda do mercado, e ainda que a venda de cada unidade gere
um ganho de R$ 300,00 e a não venda uma despeza de R$ 200,00. Monte
a tabela de decisão do problema acima com base na probabilidade de
demanda.
Ganho por lotes de aquisição

Demanda Probabilidade
Em (R$) por unidade
(unid) (%)
5 10 15 20
5 10 1500 500 -500 -1500
10 30 1500 3000 2000 1000
15 40 1500 3000 4500 3500
20 20 1500 3000 4500 6000
Formas de tomada de decisão

• Tomada de decisão baseada na probabilidade
É aquela que ocorre com base na mais provável ocorrência, ou seja,
o evento de maior probabilidade.
Exemplo:
Considerando o exemplo anterior, em que o melhor evento é aquele
de maior probabilidade (P = 40 %), ou seja, espera-se uma demanda de 15
unidades de produto e um ganho máximo de R$ 4500,00.
Administração
52
• Tomada de decisão baseada no maior ganho
Trata-se da decisão baseada apenas em conseqüências econômicas
associados aos possíveis eventos. Nessa condição, surgem os critérios de
maximin, maximax e do arrependimento minimax.
Critério maximin – máximo ganho com a menor quantidade;

Critério maxmax – máximo ganho com a maior quantidade;
Arrependimento minimax – relação econômica entre o ato e a melhor
relação econômica da correspondente classe do ato.
Exemplo:
Ainda com relação ao exemplo inicial temos:
Ganho por lotes de aquisição (R$)

Demanda
Lote 5 unid Lote 10 unid Lote 15 unid Lote 20 unid
(unid)
Abs Dif Abs Dif Abs Dif Abs Dif
(1500-1500) 1500-500 1500-(-500) 1500-(-1500)

5 1500 500 -500 -1500
0 1000 2000 3000
(3000-1500) (3000-3000) 3000-2000 3000-1000
10 1500 3000 2000 1000
1500 0 1000 2000
(4500-1500) 4500-3000 4500-4500 4500-3500
15 1500 3000 4500 3500
3000 1500 0 1000
(6000-1500) (6000-3000) 6000-4500 6000-6000
20 1500 3000 4500 6000
4500 3000 1500 0
Mínimo
1500 500 -500 -1500
(minimax)
Máximo
1500 3000 4500 6000
(maximax)
Arrependimento
4500 3000 2000 3000
Máximo
Tomada de decisão baseada na probabilidade e no

ganho ou critério do valor esperado (VE)
Trata-se de um método que combina a possibilidade da ocorrência
com a oportunidade de ganho para todos os diversos atos e eventos.
Cria-se com esse mecanismo o chamado valor esperado que é igual à
soma do produto do valor condicional de cada evento por probabilidade de
ocorrência.
Exemplo:
Com base no exemplo inicial, construa a tabela abaixo e calcule o valor
esperado (VE) elegendo o melhor.
Administração
53
Ganhos por lote de aquisição
Probabilidade 5 10 15 20
Demanda
P(x) R$ . R$ . R$ . R$ .
R$ R$ R$ R$
P(x) P(x) P(x) P(x)
5 0,10 1500 150 500 50 -500 -50 -1500 -150
10 0,30 1500 450 3000 900 2000 600 1000 300
15 0,40 1500 600 3000 1200 4500 1800 3500 1400
20 0,20 1500 300 3000 600 4500 900 6000 1200
Valor Esperado (VE) 1500 2750 3250 2750
Síntese da unidade
Nesta unidade foram desenvolvidas as ferramentas básicas para

uso no diagrama de decisão e as suas formas de aplicação no cotidiano
da vida prática.
1 - Um varejista compra um certo produto por R$ 3,00 a caixa e vende por

R$ 5,00. O elevado nível de sobre-preço reflete a alta perecibilidade do
produto, uma vez que o mesmo perde todo o valor depois de cinco dias.
Baseado em experiências com produtos similares, o varejista acredita que a
demanda pelo artigo estará entre 9 e 12 caixas inclusive.
Construir uma tabela de decisão apropriada. Determinar a melhor ação do
ponto de vista do:
a) critério maximin.
b) critério maximax.
2 - Com base em uma nova tecnologia, uma fabricante desenvolveu um

aparelho de TV a cores com tela de imagem de 36 polegadas. O proprietário
de uma pequena loja de eletrodomésticos estima que o preço de venda é de
R$ 1.800,00, os valores de probabilidades associados com vendas de 2, 3, 4,
ou 5 aparelhos, durante 3 meses, sob estudo, são 0,30; 0,40; 0,20 e 0,10
respectivamente. Com base apenas nesses valores de probabilidade, que
número de aparelhos o lojista deve encomendar, supondo que não possam se
feitas novas encomendas durante o período de aquisição?
3 - Para a decisão do problema anterior, a margem de lucro para cada

aparelho vendido é R$ 200,00. Se qualquer aparelho não for vendido durante
3 meses, a perda total por aparelhos para o lojista será de R$ 300,00.
Determine as melhores ações do ponto de vista dos critérios de:
a) maximin
b) maximax
c) Arrependimento máximo
d) V.E.
Administração
54
Comentário
Procure, nessas atividades, rever os exemplos, para facilitar o

melhor entendimento de cada um dos mecanismos de cálculo, para
obtenção dos resultados mais claros e diretos.
Informações sobre
a próxima unidade
Vamos continuar o estudo dos diagramas de decisão com a
apresentação da árvore de decisão.
Administração
55
Diagrama de decisão II
Meta da unidade
Apresentação das diferentes formas de tomada de decisão, com base
em parâmetros estatísticos.
Objetivo
• discutir a forma de tomada de decisão sobre determinado
evento, com base em probabilidades, custos e retornos.
Pré-requisito
Nesta unidade, você precisa ter um bom domínio de estimação e,
também, de probabilidade, para acompanhar o raciocínio do conteúdo.
Introdução
Na prática, a decisão é um problema complicado, pelo fato de que as
conseqüências econômicas não são diretamente relacionadas a uma única
decisão inicial; mas, sim, de eventos subseqüentes, que afetam o
desenvolvimento do próximo, gerando a necessidade de decisão adicional a
cada etapa do processo. Portanto, a avaliação dos atos de decisão alternativos
na primeira etapa de um processo seqüencial deve, necessariamente, ser
baseada na análise dos eventos e decisões do processo como um todo.
Este tipo de método de tomada de decisão é conhecido como análise
de árvore de decisão ou simplesmente diagrama ou árvore de decisão, e é
utilizado basicamente para indicar o melhor caminho do critério bayesiano
do valor esperado (VE).
O processo de diagrama de decisão inicia-se com a construção do
próprio diagrama, que corresponde à condição de seqüência de etapas, a qual
é construída da esquerda para a direita da origem (raiz) para o produto
(fruto), indicando os pontos alternativos (decisão) e pontos casuais (ou
dependente de determinada probabilidade). A construção de um diagrama de
decisão é válida para uma situação específica e depende basicamente da
análise apropriada do problema.
Após a construção do diagrama, valores de probabilidades
associados aos eventos ao acaso e às conseqüências econômicas que podem
ocorrer são colocados no diagrama com o fim de determinar os VE dos atos
alternativos no ponto decisão inicial. Os VE são sistematicamente calculados
da direita para a esquerda no diagrama. Esse processo é chamado de
Administração
56
“reversão”. O resultado da aplicação deste processo indica o melhor ato para
o ponto inicial de decisão.
A melhor forma de se entender este diagrama é por meio da
construção de um modelo como no exemplo a seguir.
Exemplo:
1 – Foi apresentada a um fabricante uma proposta para um novo produto, e
ele deve decidir se o desenvolve ou não. O custo do projeto de
desenvolvimento é R$ 200.000,00; a probabilidade de êxito é 0,70. Se o
desenvolvimento não tiver êxito, o projeto é terminado. Se tiver êxito, o
fabricante deve decidir se começa a fabricar o produto em nível alto ou
baixo. Se a demanda for alta, o lucro adicional, dado um alto nível de
produção, é R$ 700.000,00; dado um baixo nível é R$ 150.000,00. Se a
demanda for baixa, o lucro adicional, dado um alto nível de produção, é R$
100.000,00; e dado um nível baixo, é de R$ 150.000,00.
Todos estes valores de lucro adicional são valores brutos (isto é,
antes da subtração do custo de desenvolvimento que é de R$ 200.000,00). A
probabilidade de uma demanda elevada é estimulada em 0,40.
Construir a árvore de decisão para esta situação é determinar se desenvolve
ou não o produto.
Demanda E.E.
elevada(p = 0,40)
R$ +500.000
Desenvolver com êxito (p Produção
Desenvolver = 0,70) elevada
C.E.
Não Desenvolver Demanda
Desenvolver sem êxito Produção baixa(p = 0,60)
R$ - 500.000
(p = 0,30) baixa
Terminar o projeto conseqüência

de Demanda
R$ - 200.000 elevada (p = 0,40)
Demanda
baixa(p = 0,60)
C.E. C.E.
R$ - 50.000 R$ - 100.000
ponto de decisão;
evento aleatório.
O problema inicia-se com os cálculos dos VE de cada extremidade

como segue abaixo:
VE (alto nível de produto) = (0,40) . (500000) + (0,60) . ( - 100000) =
140.000,00
VE (baixo nível de produto) = (0,40) . ( - 50000) + (0,60) . ( - 50000) =

-50.000,00
VE (desenvolver) = (0,70) . (140000) + (0,30) . (- 200000) = 38.000,00
VE (não desenvolver) = 0
Administração
57
Considerando os VE acima, verificamos que a melhor ação é
desenvolver o produto e produzi-lo a um alto nível de produção.
Síntese da unidade
Nesta unidade, usamos as ferramentas básicas do diagrama de

decisão (árvore de decisão) e as suas formas de aplicação em um
exemplo do cotidiano.
1 - O diretor de pesquisa de uma indústria de calçados apresentou aos

acionistas da empresa uma nova descoberta de um produto que está pronto
para ser lançado no mercado. Cabe agora aos acionistas decidirem se
colocam ou não o produto no mercado. O custo do projeto de pesquisa é R$
300.000,00; a probabilidade de êxito é 0,80. Se o desenvolvimento do
projeto não tiver êxito, a pesquisa é terminada. Se tiver êxito, os acionistas
devem decidir se começam a fabricar o novo produto em nível alto ou baixo.
Se a demanda for alta, o lucro adicional, dado um alto nível de produção, é
R$ 800.000,00; dado um baixo nível é de R$ 200.000,00. Se a demanda for
baixa, o lucro adicional, dado um alto nível de produção é R$ 150.000,00; e
dado um nível baixo é de R$ 250.000,00.
Todos estes valores de lucro adicional são valores brutos (isto é,
antes da subtração do custo de desenvolvimento que é de R$ 300.000,00). A
probabilidade de uma demanda elevada é estimulada em 0,60.
a) Construir a árvore de decisão para esta situação;
b) Determinar se fabrica ou não o novo produto.
Comentário
Procure, nessas atividades, rever o exemplo, para facilitar o melhor

entendimento de cada um dos mecanismos de cálculo, para obtenção dos
resultados que vão ajudar na tomada de decisão.
Informações sobre
a próxima unidade
Vamos começar o estudo dos riscos e incertezas.
Administração
58
Risco e Incerteza
Meta da unidade
Apresentação dos tipos de análise de risco e incerteza.
Objetivos
• diferenciar risco e incerteza no campo dos negócios;
• apresentar os tipos de avaliação e medidas de risco.
Pré-requisito
Para um bom desempenho no estudo dessa unidade, precisamos de
conhecimentos básicos sobre probabilidades e estimação.
Introdução
É muito comum ouvirmos frases do tipo “o futuro é incerto” e “o
negócio é duvidoso”. Elas revelam certo risco e um grau de incerteza. Sob
esse aspecto, sabemos a diferença entre risco e incerteza e como fazer do
ponto de vista empresarial, diante de uma situação de risco ou de incerteza,
como buscar a solução que implique menor risco e diminuição do grau de
incerteza.
Os fatos históricos têm importância na tomada de decisão, na qual
geralmente vamos nos deparar com três tipos distintos de análises que vamos
tentar descrever neste momento. Quando temos todos os indicativos de que
irão ocorrer determinados fatos, podemos afirmar com certeza que
determinado fato irá ocorrer. Por outro lado, se sabemos apenas que há a
possibilidade de que ocorra determinado fato, afirmamos que há uma certo
risco, conhecido, de que aconteça. E, por último, temos a situação em que há
um risco de que ocorra tal fato, mas não podemos mensurar esse risco, nos
dando a idéia de incerteza.
Podemos concluir que o risco é uma incerteza que pode ser
mensurada (através de probabilidades) e a incerteza é um risco que não pode
ser medido.
Risco
São manifestações de uma mesma forma fundamental, ou seja, a
aleatoriedade da ocorrência de eventos. Risco é a aleatoriedade em que é
possível medir a probabilidade de ocorrência em função principalmente de
dados históricos e análises de tendências, em que as probabilidades podem
Administração
59
ser obtidas por dedução, usando modelos teóricos, ou, ainda, por indução,
usando a freqüência reservada de eventos.
Exemplos:
Um grande jogador pode prever a probabilidade dos resultados
possíveis de um jogo de dados. O mesmo ocorre com economistas, quando
deduzem distribuições de probabilidade para retorno do mercado, por meio
da observação do comportamento dos investidores.
Por outro lado, a indução nos permite calcular probabilidades de
observações passadas, para as quais não existem modelos teóricos
disponíveis, seja por falta de conhecimento sobre a relação ou por causa do
seu efeito desconhecido.
Podemos inferir a probabilidade de se machucar a cabeça andando
de bicicleta sem capacete, a partir da observação da freqüência com que
lesões são encontradas nos ciclistas; da mesma forma, estimam-se
distribuições de probabilidade para retorno de capital aplicado no mercado
financeiro do histórico de retornos passados.
Incerteza
Difere do risco que foi definido como uma variável aleatória
quantificável, pois a incerteza se aplica em situações em que o universo de
ocorrências não está definido e nem ao menos emboçado. O problema se
inicia no conceito de universo de ocorrências que é bastante vago e grande, e
o continua em como entender o funcionamento deste universo de forma que
observações passadas não podem ser referência para o futuro.
Exemplos:
No caso dos ciclistas serem estimulados a usar capacete, é de se
esperar que as lesões na cabeça sofram considerável redução, devido à
proteção oferecida pelo capacete; mas, na prática, foi observado que o
número de cabeças machucadas aumentou, possivelmente porque os
ciclistas, ao usar os capacetes, começaram a andar de maneira mais arriscada
devido à falsa percepção de segurança.
Com esse exemplo, verificamos que, na prática, risco e incerteza se
aplicam em situações de escolha; porém, a incerteza prevalece sobre as
relações subjacentes entre causa e efeito. Por outro lado, como o risco é
quantificável, o mesmo é mais propenso a um tratamento teórico e empírico,
o que é comprovado por meio da literatura acadêmica que trata apenas dos
riscos, desconhecendo literalmente a incerteza.
Avaliação do risco no mercado financeiro

Como visto anteriormente,o risco pode ser avaliado em função das
ocorrências passadas e, para tal, a ferramenta estatística mais usada na
previsão de tendências é a programação linear, que, aliada à distribuição de
probabilidade, fornece um elemento poderoso na previsão de risco,
denominado de fator β , que é a relação entre a distância do ponto
observado e a reta obtida dos pontos a partir do método de regressão linear
que foi trabalhado em Estatística Aplicada.
Administração
60
Exemplo:
Seja dada a figura abaixo que representa a rentabilidade das ações de
um determinado conjunto de empresas do setor elétrico brasileiro, onde é
apresentada a reta de regressão e o valor de β dos investimentos.
Rentabilidade
Tempo (anos)
Na prática, verificamos que a avaliação de riscos econômicos é feita

com base em uma taxa de rentabilidade conhecida, geralmente, no
rendimento dos títulos da dívida pública, o qual deve ser considerado como
ganho se nada fosse feito com o capital.
Síntese da unidade
Nesta unidade, foram apresentadas as diferenças entre risco e

incerteza e as formas de avaliar os riscos econômicos no mercado de
capitais.
1 - Quais os elementos que identificam o risco?
2 - Qual a diferença entre risco e incerteza?
3 - Como podemos avaliar e mensurar os riscos financeiros? (cite exemplos)
Comentário
A intenção dessas atividades é reforçar a diferença entre risco e

incerteza, e aplicação dos métodos quantitativos na previsão de riscos
financeiros para a tomada de decisão.
Informações sobre
a próxima unidade
Vamos dar início ao estudo dos números-índices.
Administração
61
Números – índices I
Meta da unidade
Apresentação dos números-índices simples com sua utilização pelas
empresas e pessoas.
Objetivos
• apresentar o que são números-índices;
• elaborar números-índices simples.
Pré-requisito
O desempenho no estudo desta unidade será alcançado, se você tiver
conhecimento de razão, proporção e porcentagem.
Introdução
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, que também pode
ser chamado de período base.
Os índices ou números-índices dividem-se em vários tipos, os quais
servem para determinadas funções ou aplicações.
No Brasil, os mais importantes índices econômicos são aqueles
publicados mensalmente pela Fundação Getúlio Vargas na revista
“conjuntura econômica” tais como: índice geral de preços no atacado,
índices recebidos pelos agricultores, índices de custo de vida em várias
cidades do Brasil, entre outros.
Números Índices
É uma proporção direta ou percentual pela qual uma medida, em um
dado período, é expressa por meio de uma razão entre um período base
(fixado) e medidas sucessivas. O número-índice assume o valor unitário ou
100% no período base.
Quando estamos analisando apenas um produto em comparação com
o ano base, temos o número-índice simples; mas, se estivermos em uma
comparação que apresente um grupo de itens, vamos trabalhar com o
número-índice composto (que será visto na próxima unidade).
Administração
62
Números-índices simples
De um modo geral, há três classificações de números-índices:
índices de preços, quantidades e valor. A construção dos números-índices
simples é feita de acordo com as seguintes equações, para preço, quantidade
e valor, respectivamente:
pn qn pn • qn
Ip = x 100 Iq = x 100 Iv = x 100
po qo po • qo
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:
1 – Seja dada a Tabela 1, 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.
Tabela 1: Preços praticados para os produtos A, B e C, no período de 2002 a

2005, em determinada região do Brasil.
Produtos, preços (R$) e quantidades
A B C
Ano
Preço Qtde Preço Qtde Preço Qtde
2002 12 3 5 7 20 3
2003 15 4 10 9 25 4
2004 18 5 20 8 35 5
2005 24 5 30 7 45 6
p 03 15
I pA (03 / 02) = x 100 = x 100 = 125
p 02 12
q 4
I qA (03 / 02) = 03 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
Analogamente, se faz para os demais anos e produtos obtendo-se a Tabela 2.
Tabela 2: Índice de preços, quantidade e valor dos produtos A, B e C, no

período de 2002 a 2005, com base no ano de 2002.
Administração
63
A B C
Ano
preço qtde valor preço qtde valor Preço qtde valor
2002 100 100 100 100 100 100 100 100 100
2003 125 133 167 200 129 257 125 133 167
2004 150 167 250 400 114 457 175 167 292
2005 200 167 333 600 100 600 225 200 450
Com essas informações, podemos concluir que para o produto A

teve seu preço aumentado em 50 % entre os anos de 2002 e 2004, a
quantidade aumentou em 67 % e o valor (receita) em 150 %.
Síntese da unidade
Nesta unidade, iniciamos o estudo dos números-índices e vimos

que podemos avaliar e comparar o comportamento (preço, quantidade e
valor) de um produto ao longo de vários períodos.
1 - A tabela a seguir traz informações anuais sobre o preço, quantidade e

valor da venda de motocicletas entre os anos de 2001 a 2005. Com base nos
valores apresentados pela tabela, calcule o índice simples de preço,
quantidade e valor com base no ano de 2001.
Ano Preço de venda (R$) Qtde vendida

2001 3.000,00 60
2002 3.300,00 63
2003 3.900,00 60
2004 4.500,00 66
2005 4.800,00 72
Comentário
A intenção destas atividades é reforçar o acompanhamento de um

determinado produto em um certo período de tempo e, assim, fazer uma
análise efetiva sobre tal produto.
Informações sobre
a próxima unidade
Vamos continuar o estudo dos números-índices com a
apresentação dos números-índices compostos.
Administração
64
Como a discussão é bastante intensa sobre o que é adequado,
software livre ou software proprietário, esse exercício procura fixar os
conceitos estudados de forma simples e clara.
Números – índices II
Meta da unidade
Apresentação dos números-índices compostos com sua utilização
pelas empresas e pessoas.
Objetivos
• apresentar o que são números-índices;
• elaborar números-índices compostos.
Pré-requisito
O bom desempenho no estudo desta unidade será alcançado, se você
tiver conhecimento de razão, proporção e porcentagem.
Introdução
Como vimos na introdução da unidade anterior, os 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.
Números-índices compostos
Usando o método dos agregados ponderados, temos várias fómulas
conhecidas, como por exemplo, a de Laspeyres, de Paasche, de Fisher entre
outros.
Nossa investigação será feita com base na fórmula de Laspeyres,
que trata de índices ponderais em relação à quantidade de cada item, sendo
calculado com base nas quantidades do período base. As equações que nos
permitem calcular o preço, a quantidade e o valor desse tipo de índice são as
que vamos apresentar a seguir:
Ip =
∑p n • qo
x 100 Iq =
∑q n • po
x 100 Iv =
∑p n • qn
x 100
∑p o • qo ∑p o • qo ∑p o • qo
Por meio de um exemplo, fica fácil o entendimento desse índice.
Administração
65
Exemplo:
1 – Usando ainda os dados da Tabela 1, e o ano base 2002, podemos calcular
os índices de preço, quantidade e valor com relação ao ano de 2005 para os
três produtos A, B e C.
Produtos, preços (R$) e quantidades
A B C
Ano
2002 12 3 5 7 20 3
2003 15 4 10 9 25 4
2004 18 5 20 8 35 5
2005 24 5 30 7 45 6
I p (05 / 02) =
∑p 05 • q 02
x 100 =
(24 • 3) + (30 • 7) + (45 • 3)
x 100 = 318
∑p 02 • q 02 (12 • 3) + (5 • 7) + (20 • 3)
I q (05 / 02) =
∑q 05 • p 02
x 100 =
(5 • 12) + (7 • 5) + (6 • 20)
x 100 = 164
∑p 02 • q 02 (12 • 3) + (5 • 7) + (20 • 3)
I v (05 / 02) =
∑p 05 • q 05
x 100 =
(24 • 5) + (30 • 7) + (45 • 6)
x 100 = 458
∑p 02 • q 02 (12 • 3) + (5 • 7) + (20 • 3)
Com essas informações, podemos concluir que, para o grupo de

produtos (A, B e C), tivemos seu preço aumentado em 218 % entre os anos
de 2002 e 2005, a quantidade aumentou em 64 % e o valor (receita) em 358
%.
Como podemos observar, o índice de Laspeyres é a média ponderal
dos valores relativos dos produtos considerados, servindo, portanto, para
avaliar a evolução qualitativa de valores com base no ano de referência
(base) e no ano de estudo (objeto) respectivamente.
Índice de preços
Para finalizarmos, destacamos o índice de custo de vida (ICV) ou
índice de preços ao consumidor (IPC), que serve para medir o quanto as
variações de preços afetam as despesas de uma família típica, por meio dos
preços de mercadorias consumidas (alimentos, vestuário, habitação,
mobiliário, medicamentos, artigos de limpeza, entre outros) e de serviços
(transportes, fornecimento de água, energia, educação, médico, dentista,
entre outros).
Existem muitas aplicações para esse índice. A principal delas é seu
uso para avaliar o poder aquisitivo de uma unidade monetária, que nada
mais é do que o inverso do IPC, ou seja:
1
Poder aquisitivo = • 100
IPC
Administração
66
Como um exemplo, podemos citar o IPC de dezembro de 1995, com base em
novembro que foi de 101,24:
1 1
Poder aquisitivo = • 100 = • 100 = 0,98
IPC 101,24
Se tivéssemos nesta época um salário de R$ 1.000,00, o seu poder aquisitvo

seria: 1000 • 0,98 = R $ 980,00
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:
Ano Renda (R$) IPC Cálculo Renda real (R$)

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
Podemos concluir que a situação financeira do funcionário piorou

em 2005, em relação a 2003; apesar da renda ter aumentado, os preços
avaliados pelo IPC subiram mais que a renda do trabalhador.
Síntese da unidade
Nesta unidade, apresentamos os vários tipos de índices

econômicos, sua determinação, aplicação e interpretação, os quais são
de grande valia na análise econômico-financeira de uma sociedade,
produtos ou serviços.
1 - Defina índice de preço ao consumidor?
2 - Com os dados da tabela abaixo, calcule o índice composto estudado nesta

unidade, usando como base o ano de 2001, em relação ao ano de 2003 e
2004.
Produtos (preço e quantidade)

Anos A B C
2001 1,20 5 5,60 3 7,00 5
2002 1,50 4 7,20 2 7,21 10
2003 2,00 3 8,40 1 7,50 15
2004 2,00 1 8,90 0 7,90 20
Administração
67
Comentário
A intenção dessas atividades é reforçar o acompanhamento de um

determinado grupo de produtos em um certo período de tempo e assim fazer
uma análise efetiva sobre esses produtos.
Informações sobre
a próxima unidade
Vamos estudar ferramentas estatísticas para o controle de
qualidade.
Administração
68
Ferramentas estatísticas para o
controle de qualidade
Meta da unidade
Utilização dos Métodos Quantitativos como ferramenta no controle
de qualidade.
Objetivo
• apresentar o uso dos conceitos vistos no curso de Métodos
Quantitativos e sua aplicabilidade no controle de qualidade.
Pré-requisitos
O bom desempenho no estudo desta unidade será alcançado se você
tiver conhecimento de variância, desvio padrão e análise gráfica.
Introdução
Assim como nas técnicas de amostragem, o controle de qualidade
(CQ) possui uma literatura própria e extensa, a qual não cabe no estudo desta
unidade, entretanto, as principais e fundamentais técnicas e suas aplicações
serão apresentadas aqui.
Controle de Qualidade
A qualidade de um produto pode ser medida de várias maneiras;
porém, quando estamos interessados numa determinada produção, a
qualidade de um produto pode ser analisada por meio da medida de um
atributo. Como por exemplo a espessura de uma chapa metálica, a resistência
mecânica de um produto entre outros.
Nos casos práticos, haverá sempre certa variação, mesmo que o
processo de produção seja constante. Esta variação, por outro lado, pode ser
atribuída a duas principais causas:
Causas aleatórias: inerentes ao próprio processo, ou seja, faz parte da
própria distribuição do processo que, como visto na unidade distribuição de
probabilidade, aproxima-se de uma distribuição normal.
Causas relevantes: quando as alterações do processo se tornam anormais
por algum problema de seu funcionamento. Nesse caso, uma verificação é
necessária e a sua correção imprescindível para que o mesmo retorne à
normalidade.
O objetivo do controle de qualidade é detectar este tipo de variação
por meio das ferramentas estatísticas e tomar as providências necessárias.
Administração
69
Gráfico de controle
Seja X uma variável aleatória contínua (exemplo: o diâmetro de um
parafuso), na qual conhecemos a sua medida (x ) e o valor do seu desvio
padrão (V ) quando o processo está sob controle.
Como visto na primeira unidade (distribuição de probabilidade), X
( )
tem uma distribuição normal, quando X ~ N x , V 2 , se forem escolhidas
amostras de tamanho n e calculando a sua média, temos (x ) e a distribuição
normal tem média (x ) e variância V 2 / n , ou seja:
(
X ~ N x , V2 / n )
e
xA − xP
z= é a distribuição normal reduzida de X
Vp
n
A observação da tabela de distribuição normal padronizada fornece

que:
68% dos valores de X estão no intervalo x ± V / n
95% dos valores de X estão no intervalo x ± 2V / n
99,7% dos valores de X estão no intervalo x ± 3V / n
Se analisarmos o terceiro intervalo, podemos afirmar que só muito
raramente e unicamente devido a problemas reais, teremos um valor de X
fora do intervalo x ± 3V / n . Nessa condição, se um valor de X for
obtido fora desses limites, devemos suspeitar de alguma causa relevante que
está presente no processo e tomar as devidas providências para sua
localização e correção.
Esta é a essência do controle de qualidade. Denominamos de gráfico
de controle, a representação gráfica da média da população (x ) numa linha
central, delimitando uma região no plano entre os limites superiores e
inferiores iguais a x + 3V / n e x − 3V / n , respectivamente.
Outros gráficos de controle são convenientes para se obter um
domínio sobre o processo, entre eles destacamos: o gráfico do desvio-padrão
e o gráfico da fração deficiente, muito utilizados para o controle de
qualidade por atributos quando a variável é discreta.
Construção do gráfico da média

Para a construção do gráfico, temos que primeiro estimar a
média (x ) e o (V), usando amostras de no mínimo 100 observações. Depois,
Construimos o intervalo µ ± 3σ / n onde n é o tamanho da amostra que,
em geral, é igual a 5.
O processo continua retirando-se amostras periódicas do processo,
de tamanho 5, calculando a sua média amostral e, em seguida, verificamos o
valor dessa média, se encontra dentro dos limites de controle, como mostra o
gráfico a seguir:
Administração
70
X2 .0A
fo ra d e c o n tro le
x + 3V / 1n.5
X1P.0
x − 3V / n0 .5
0 .0
1 2 3 4 5 6 7 8
lo te s d e a m o s tra s
Caso os valores das amostras estejam dentro da faixa, admite-se que

o processo está sob controle; se o valor de X cair fora desses limites,
suspeitamos que há alguma anomalia que necessita ser reparada.
A ocorrência de certa tendência nos valores registrados no gráfico
sugere, também, algum tipo de anomalia, pois o processo se desvia do
comportamento normal, ou seja, da distribuição normal.
Exemplo:
1 – Admitindo-se que um processo de fabricação de parafusos esteja sujeito
a uma média de 0,9996 polegadas, para a sua espessura com um desvio
padrão de 0,0106 polegadas, construa o gráfico de controle para verificar se
as amostras abaixo estão dentro dos limites, ou seja, se o processo está sob
controle.
Amostras A B C D E
1 1,005 1,012 0,990 0,993 1,006
2 1,013 1,011 0,999 0,994 0,997
3 0,997 0,982 1,004 1,006 0,994
4 1,003 0,993 1,017 1,002 1,019
5 0,987 1,000 1,015 0,998 1,000
Os limites serão:
3V 3 (0,0106) 3V 3 (0,0106)
x+ = 0,9996 + = 1,0138 x− = 0,9996 − = 0,9854
n 5 n 5
As médias das amostras são:
Amostras Média
A 1,001
B 0,999
C 1,005
D 0,998
E 1,003
Administração
71
O gráfico de controle, então será:
lim ite s u p e rio r d e c o n tro le

1,0138
0,9996
1,00
0,9854
lim ite in fe rio r d e c o n tro le
1 2 3 4 5
a m o s tra s
Observamos que o processo está sob controle e obedecendo a uma

distribuição normal.
Síntese da unidade
Nesta última unidade, apresentamos o uso das ferramentas

estatísticas dos Métodos Quantitativos para o controle de qualidade, tais
como: média, desvio padrão, distribuição normal e o gráfico de controle.
1 - Foram colhidas 10 amostras de 5 elementos cada uma, conforme tabela

abaixo.
Dados
Amostras N°1 N°2 N°3 N°4 N°5
1 9,989 10,004 10,000 9,994 10,005
2 10,030 10,002 9,992 9,994 10,001
3 10,005 10,006 9,910 10,035 9,995
4 9,997 10,045 10,025 9,998 10,001
5 10,001 9,998 1,995 10,008 9,925
6 10,004 10,007 10,006 9,996 10,002
7 9,998 9,978 10,008 10,010 9,935
8 10,003 9,995 9,999 9,985 9,925
9 10,050 9,999 10,014 10,010 10,040
10 9,997 10,003 10,004 10,011 10,025
Construir o gráfico de controle, usando a média 10 e desvio padrão 0,1 e

analisar esse processo.
Comentário
A intenção dessa atividade é tornar claro o uso das ferramentas

estatística no controle de qualidade, além de desenvolver seu método de
cálculo.
Administração
72

Adm - Metodos Quantitativos

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Adm - Metodos Quantitativos

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos Quantitativos

2ª edição revisada e ampliada:

Pró-Reitora de Pós-Graduação e Extensão

Pró-Reitora de Administração e Finanças

Diretor de Educação a Distância e Tecnologias Educacionais

EDUCON – EMPRESA DE EDUCAÇÃO CONTINUADA LTDA

Diretor de Desenvolvimento de Produto

Diretor Administrativo e Financeiro

2ª edição revisada e ampliada:

O curso de Métodos Quantitativos pretende fornecer aos

Unidade 1 – Distribuição de probabilidade ........................................09

Unidade 2 – Amostragem ..............................................................15

Unidade 3 – Distribuição amostral...................................................19

Unidade 4 – Estimação ..................................................................23

Unidade 5 – Intervalos de Confiança (IC) .........................................26

Unidade 6 – Teste de hipóteses I ....................................................32

Unidade 7 – Teste de hipóteses II ...................................................37

Unidade 8 – Análise de variância I ..................................................41

Unidade 9 – Análise de variância II .................................................44

Unidade 10 – Análise de regressão linear múltipla .............................48

Unidade 11 – Diagrama de decisão I ...............................................51

Unidade 12 – Diagrama de decisão II ..............................................56

Unidade 13 – Risco e incerteza .......................................................59

Unidade 14 – Números – índices I...................................................62

Unidade 15 – Números – índices II .................................................65

Unidade 16 – Ferramentas estatísticas para o controle de qualidade ....69

A probabilidade de, em um dia:

• Registrar uma ocorrência é:

• Registrar duas ocorrências é:

• Registrar três ocorrências é:

Reescrevendo a tabela anterior, temos:

Esta tabela é denominada distribuição de probabilidade.

Distribuição normal de probabilidade

O nosso maior interesse, quando estamos analisando uma variável

A escolha desta distribuição se dá pelo fato de apresentar os

Se conhecermos a área específica na tabela, qualquer tipo de área

Para fazermos a mudança de variável, podemos afirmar que:

2 – Determine as probabilidades abaixo:

Pela simetria da curva, temos:

b) P( - 0,5 < Z < 1,48)

Vimos, nesta unidade, que as distribuições de probabilidade,

1 - Determine as seguintes probabilidades:

2 - Os salários mensais dos funcionários de uma empresa são distribuidos

3 - A variável aleatória X admite distribuição normal com média 20 e desvio

4 - Uma variável aleatória X normal apresenta uma média 30 e desvio –

Nessas atividades, você precisa estar acompanhado da tabela das

• Amostragem Não Probabilística

Principais Técnicas de Amostragem Probabilística

• 1° definição dos objetivos (finalidade do estudo e nível de

Vimos, nesta unidade, a importância da escolha certa no tipo de

2 - Escolha uma página qualquer da lista telefônica e retire uma amostra

3 - Sendo N o número de elementos de uma população, e n o número de

4 - De uma população de N = 2000 elementos ordenados, retirar uma

Na resolução desta atividade, procure se orientar na leitura da teoria

Distribuição amostral da Média

(2; 2) (3; 2) (4; 2) (5; 2)

Calcula-se a média dos dois números, obtendo-se:

Observamos que as médias são iguais e a variância da amostra é metade da

Dessa forma, a média da amostra tem distribuição igual a da

Distribuição Amostral Proporcional

Proporção média da distribuição amostral:

Desvio padrão da distribuição amostral:

Nesta unidade, vimos as formas de distribuição amostral mais