Escolar Documentos
Profissional Documentos
Cultura Documentos
1ª edição:
Marcos Antônio Dozza
Rogério Olavo Marçon
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 Pesquisa
Antônia Custódia Pedreira
Coordenador Pedagógico
Geraldo da Silva Gomes
Coordenador do Curso
André Pugliese da Silva
Diretor Executivo
Luiz Carlos Borges da Silveira Filho
MATERIAL DIDÁTICO
Organização dos Conteúdos
1ª edição:
Marcos Antônio Dozza e Rogério Olavo Marçon
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
Métodos Quantitativos
Administração
4
Apresentação
Métodos Quantitativos
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.
Métodos Quantitativos
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.
Métodos Quantitativos
Administração
7
Sumário
Métodos Quantitativos
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.
Métodos Quantitativos
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
29
p= = 0,58
50
11
p= = 0,22
50
6
p= = 0,12
50
4
p= = 0,08
50
N0 de ocorrências Probabilidades
0 0,58
1 0,22
2 0,12
3 0,08
∑=1
∑p i =1
Assim os valores x1, x2, ..., xn e seus correspondentes p1, p2, ..., pn
definem uma distribuição de probabilidade.
Métodos Quantitativos
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 )
Métodos Quantitativos
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.
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)
Métodos Quantitativos
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 %.
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
Comentário
Informações sobre
a próxima unidade
Vamos dar início ao estudo da amostragem.
Métodos Quantitativos
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.
Métodos Quantitativos
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.
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
Métodos Quantitativos
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:
Síntese da unidade
Métodos Quantitativos
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...).
Comentário
Informações sobre
a próxima unidade
Vamos continuar o estudo das amostras com a apresentação
das distribuições amostrais.
Métodos Quantitativos
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.
n
( )
Variância V 2
Métodos Quantitativos
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:
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
(X )= (X )
A P e (V2A) = (V2P) / n
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?
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
Métodos Quantitativos
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?
Comentário
Informações sobre
a próxima unidade
Vamos continuar o estudo da estimação de parâmetros com a
unidade de Estimação.
Métodos Quantitativos
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
Para um bom desempenho no estudo desta unidade, é necessário ter
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.
Métodos Quantitativos
Administração
23
Exemplo: Um carro popular (1.0) consome 1 litro de combustível entre 10 e
14 km rodados.
( ) ( )
Exemplo: E X A = X P (estimador médio da amostra é igual a média da
população).
( ) ( )
Exemplo: E X A = X P e
Lim V 2 (Ô) = 0
(lê-se o limite da variância
n→∞
Síntese da unidade
Métodos Quantitativos
Administração
24
h) O desvio padrão da duração de um pneu radial é de 3200
quilômetros.
Comentário
Informações sobre
a próxima unidade
Na próxima unidade, vamos continuar o estudo da estimação
de parâmetros com a unidade de Estimação.
Métodos Quantitativos
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
Para um bom desempenho no estudo desta unidade, é necessário ter
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:
Métodos Quantitativos
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
α α
2 2
1–α
z
−zα / 2 zα / 2
⎛ V V ⎞
p⎜ x A − z α / 2 • P < x P < x A + z α / 2 • P ⎟ = 1 − α
⎝ n n⎠
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
Métodos Quantitativos
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
Métodos Quantitativos
Administração
28
Vejamos a seguir uma comparação gráfica entre as distribuições t e z.
z
α α
2 2
1–α
t
− t α/ 2 tα / 2
⎛ 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 %.
Métodos Quantitativos
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
X N−X x n−x
P= e Q= p= e q=
N N n n
⎛ p•q p•q ⎞
p⎜⎜ p − z α / 2 • < P < p + zα / 2 • ⎟ = 1− α
⎝ n n ⎟⎠
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
⎛ 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
Métodos Quantitativos
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
Comentário
Informações sobre
a próxima unidade
Vamos estudar os diferentes testes de hipóteses.
Métodos Quantitativos
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:
Métodos Quantitativos
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
Ra
A α
s a Rc
Métodos Quantitativos
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.
⎧H 0 : parâmetro = s
2a possibilidade: ⎨
⎩ H1 : parâmetro < s
A
Ra
α A
Rc a s
⎧H 0 : parâmetro = s
3a possibilidade: ⎨
⎩ H1 : parâmetro ≠ s
α
Ra
α Rc α
2 2
Rc a1 s a2 Rc
Métodos Quantitativos
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.
xA − xP xA − xP
z teste = e t teste =
VP VA
n n
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:
⎧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
Métodos Quantitativos
Administração
35
Síntese da unidade
Comentário
Informações sobre
a próxima unidade
Vamos continuar o estudo dos testes de hipoteses, com a
apresentação do teste para a proporção populacional.
Métodos Quantitativos
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
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.
p−P
z teste =
P•Q
n
Métodos Quantitativos
Administração
37
⎧H 0 : P = s
1a possibilidade: ⎨
⎩ H1 : P > s
Ra
A α
s a Rc
⎧H 0 : P = s
2a possibilidade: ⎨
⎩ H1 : P < s
A
Ra
α A
Rc a s
⎧H 0 : P = s
3a possibilidade: ⎨
⎩ H1 : P ≠ s
Ra
α α
2 2
Rc a1 s a2 Rc
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
Métodos Quantitativos
Administração
39
Síntese da unidade
Comentário
Informações sobre
a próxima unidade
Vamos estudar a análise de variância.
Métodos Quantitativos
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
Para um bom desempenho no estudo desta unidade, é necessário
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:
Métodos Quantitativos
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.
(x − x)
=∑
2
2 i
V
n −1
s 2 + s 22 + s32 + ... + s 2k
S = 1
2
= ∑S 2
k k
onde:
k = número de amostras.
S2 = estimativa dentro da variância.
(x − x )
=∑
2
2 G
s
k −1
n • s2
n • s2
Fteste =
∑ S2 / k ou S2
Gráfico da distribuição F
Rejeito H0
Aceito H0
α
F
Métodos Quantitativos
F (α)
Administração
42
Síntese da unidade
4 - O que é razão F?
Comentário
Informações sobre
a próxima unidade
Vamos continuar o estudo da análise de variância.
Métodos Quantitativos
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
Para um bom desempenho no estudo desta unidade, é necessário
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.
Métodos Quantitativos
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
Métodos Quantitativos
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
Síntese da unidade
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
Métodos Quantitativos
Administração
46
Comentário
Informações sobre
a próxima unidade
Vamos trabalhar com a análise de regressão linear múltipla.
Métodos Quantitativos
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
Métodos Quantitativos
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
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
Métodos Quantitativos
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
Informações sobre
a próxima unidade
Vamos iniciar o estudo do diagrama de decisão.
Métodos Quantitativos
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.
Métodos Quantitativos
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.
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.
Métodos Quantitativos
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.
Exemplo:
Ainda com relação ao exemplo inicial temos:
Exemplo:
Com base no exemplo inicial, construa a tabela abaixo e calcule o valor
esperado (VE) elegendo o melhor.
Métodos Quantitativos
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
Métodos Quantitativos
Administração
54
Comentário
Informações sobre
a próxima unidade
Vamos continuar o estudo dos diagramas de decisão com a
apresentação da árvore de decisão.
Métodos Quantitativos
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
Métodos Quantitativos
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
C.E. C.E.
R$ - 50.000 R$ - 100.000
ponto de decisão;
evento aleatório.
VE (não desenvolver) = 0
Métodos Quantitativos
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
Comentário
Informações sobre
a próxima unidade
Vamos começar o estudo dos riscos e incertezas.
Métodos Quantitativos
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
Métodos Quantitativos
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.
Métodos Quantitativos
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)
Síntese da unidade
Comentário
Informações sobre
a próxima unidade
Vamos dar início ao estudo dos números-índices.
Métodos Quantitativos
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).
Métodos Quantitativos
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.
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
Métodos Quantitativos
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
Síntese da unidade
Comentário
Informações sobre
a próxima unidade
Vamos continuar o estudo dos números-índices com a
apresentação dos números-índices compostos.
Métodos Quantitativos
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
Métodos Quantitativos
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.
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
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)
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
Métodos Quantitativos
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
Síntese da unidade
Métodos Quantitativos
Administração
67
Comentário
Informações sobre
a próxima unidade
Vamos estudar ferramentas estatísticas para o controle de
qualidade.
Métodos Quantitativos
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.
Métodos Quantitativos
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
Métodos Quantitativos
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
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
Amostras Média
A 1,001
B 0,999
C 1,005
D 0,998
E 1,003
Métodos Quantitativos
Administração
71
O gráfico de controle, então será:
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
Síntese da unidade
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
Comentário
Métodos Quantitativos
Administração
72