AD Met Quantitativos

EAD UNITINS / EDUCON – METÓDOS QUANTITATIVOS - ADMINISTRAÇÃO
Métodos Quantitativos
3º PERÍODO
Marcos Ântonio Dozza

Rogério Olavo Marçon
PALMAS-TO/ 2006
1
EAD UNITINS / EDUCON - MÉTODOS QUANTITATIVOS - ADMINISTRAÇÃO
sidade
iver do
Un
To
Fundaçã
cantins
Tecnologia em educação continuada
Fundação Universidade do Tocantins
Reitor: Humberto Luiz Falcão Coelho

Pró-Reitor Acadêmico: Galileu Marcos Guarenghi
Pró-Reitora de Pós-Graduação e Extensão: Maria Luiza C. P. do Nascimento
Pró-Reitora de Pesquisa: Antônia Custódia Pedreira
Pró-Reitor de Administração e Finanças: Maria Valdênia Rodrigues Noleto
Diretor de Educação a Distância e Tecnologias Educacionais: Claudemir
Andreaci
Educon – Empresa de Educação Continuada Ltda
Diretor Presidente: Luiz Carlos Borges da Silveira

Diretor Executivo: Márcio Yamawaki
Diretor de Desenvolvimento de Produto: Luiz Carlos da Silveira Filho
Diretor Administrativo e Financeiro: Júlio César Algeri
Coordenação de Educação a Distância: Eliane Garcia Duarte
Coordenação Geral - Tocantins: Eugênio Leone Neto
Equipe Pedagógica – Unitins
Coordenação do Curso: Claudemir Andreaci
Conteúdos da Disciplina: Marcos Ântonio Dozza

Rogério Olavo Marçon
2
Apresentação
O curso de Métodos Quantitativos pretende fornecer aos participantes

uma visão bastante prática de conceitos e modelos deterministicos (racional e
lógico) e econométricos (econômicos), como programação linear e não linear,
além de outros de maior aplicação no estudo de informações específicas para
as atividades de análise e planejamento na área econômica e financeira.
O estudo da análise financeira e variações de mercados coloca o
técnico 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 inter-relacionado 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.
Quais são tais métodos e como aplicá-los de forma eficiente e eficaz é
a base do nosso primeiro contato, ou seja, como devemos fazer a avaliação de
uma determinada operação financeira e suas conseqüências para determinada
empresa; como prever, de forma segura, a aplicação de determinado
investimento no mercado; e, ainda, que decisão devemos tomar quando uma
empresa dispõe de recursos para investir no mercado de ações; qual o melhor
tipo de papel em que se deve investir, qual o pacote e investimentos ( port folle)
ideal, onde a rentabilidade seja a melhor.
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, Análise de Regressão e Correlação, entre outras.
A Estatística procura prever o desconhecido por meio da manipulação
de fragmentos (amostras) do presente ou passado.
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
3
dos modelos estudados. Espera-se, a partir do enfoque adotado, que os

participantes possam 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, os seis temas seguintes (Amostragem e Distribuição amostral,
Intervalo de confiança, teste de hipótese, Correlação e Regressão, Análise de
variância e Números índices) são tópicos que procuram apresentar ferramentas
estatísticas da avaliação de dados (amostras), principalmente do histórico de
determinada ocorrência, desde a sua forma de obtenção, passando pela
organização, estudando os comportamentos passados, presentes e fazendo
inferências para o futuro, com o intuito de fornecer elementos para previsão de
certas situações.
Já os próximos quatro tópicos (Programação linear, Diagrama de
decisão, Risco e incerteza e o Teorema do limite central) são ferramentas
usadas para a avaliação dos elementos apresentados e passíveis de
manipulação no interesse da administração e contabilidade. Por fim, uma
aplicação prática e sempre atual da estatística no Controle de qualidade, para
qualquer tipo de atividade e principalmente para a produção de bens.
4
Plano de Ensino
CURSO: Ciências Contábeis e 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
• O curso pretende fornecer aos participantes uma visão bastante prática de

conceitos e modelos determinísticos e econométricos, como programação
linear, e não linear.
• 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 e Distribuição amostral;
• Estimação por ponto e intervalo de confiança;
• Teste de hipótese;
• Análise de regressão e correlação;
• Análise de variância;
• Programação linear;
• Diagrama de decisão;
• Risco e incerteza;
• Números índices;
• Teoria do limite central;
• Ferramentas estatísticas para o controle de qualidade.
5
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
BOTTER, R. C. Estatística básica para a garantia da qualidade. A´postila

Unicamp. 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.
GOMES, F.P. A Estatística Moderna na Pesquisa Agropecuária.. São Paulo:

Potafos, 1984
HOFFMANN, Rodolfo. Estatística para Economistas. 3.ed., S. Paulo: Pioneira,

1998.
HOEL, P. G. Estatística Elementar. Atlas: São Paulo, 1979.
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.
6
Sumário
Tema 1 – Distribuição de Probabilidade
Introdução .................................................................................................. 08
Atividades .................................................................................................. 12
Tema 2 – Amostragem e Distribuição Amostral

Introdução .................................................................................................. 13
Atividades .................................................................................................. 16
Tema 3 - Estimação por ponto e intervalo de confiança

Introdução ................................................................................................. 22
Atividades .................................................................................................. 26
Tema 4 - Teste de hipótese

Introdução .................................................................................................. 27
Atividades .................................................................................................. 35
Tema 5 - Análise de regressão e correlação

Introdução .................................................................................................. 36
Atividades .................................................................................................. 42
Tema 6 - Análise de variância

Introdução .................................................................................................. 43
Atividades .................................................................................................. 48
Tema 7 - Programação linear

Introdução .................................................................................................. 49
Atividades .................................................................................................. 54
Tema 8 - Diagrama de decisão

Introdução .................................................................................................. 55
Atividades .................................................................................................. 62
Tema 9 - Risco e incerteza

Introdução .................................................................................................. 63
Atividades .................................................................................................. 68
Tema 10 - Números índices

Introdução .................................................................................................. 69
Atividades .................................................................................................. 71
Tema 11 - Teoria do limite central

Introdução .................................................................................................. 72
Atividades .................................................................................................. 75
Tema 12 - Ferramentas estatísticas para o controle de qualidade

Introdução .................................................................................................. 76
Atividades .................................................................................................. 80
7
Tema 01
Distribuição de Probabilidade
Objetivo
Apresentar os elementos básicos para o estudo e aplicação matemática da

probabilidade em ocorrências específicas.
Introdução
Neste tema vamos estudar os elementos estatísticos fundamentais

aplicáveis nos 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%.
Com esse simples exemplo podemos observar que qualquer ocorrência
no Universo (evento) pode ser classificada em:
- EVENTO SIMPLES: aquele formado por um único elemento do Universo;

- Evento Composto: aquele formado por dois ou mais elementos do espaço
amostral;
8
- Evento Certo: aquele que ocorre sempre, ou seja, em todas as realizações

do experimento;
- Evento Impossível: aquele que nuca ocorre;
U – união de conjuntos
- Evento Soma: aquele que consiste na realização de pelo menos um dos
eventos, ou seja, a soma ou a união das ocorrências (E1 + E2 + E3 + E4 ...+ En ∩ – intersecção de
conjuntos.
ou E1 U E2 U E3 U E4 U ... En);
- Evento Produto: aquele que consiste na realização simultânea de dois ou
mais eventos, ou seja, a produto ou a intersecção das ocorrências (E1 · E2 · E3 ·
E4 ... · En ou E1 ∩ E2 ∩ E3 ∩ E4 ... ∩ En);
- Evento Condicionado: aquele que para ocorrer depende da realização do
anterior (E1/E2);
- Evento Mutuamente Excludente: aqueles que ocorrem simultaneamente; a
ocorrência de um exclui a ocorrência do outro (E1 · E2);
- Evento Complementar: aquele oposto ao que ocorreu, e composto por todos
os demais eventos possíveis de ocorrerem no espaço amostral ( E );

- Eventos Independentes: aquele em que a ocorrência de um não interfere na
do outro, ou seja, não estão condicionados.
Com esses elementos, podemos entender melhor o conceito de
Probabilidade.
Imagine uma parte do universo (U) separado para estudo, e nele um
dado evento (ocorrência) qualquer (A), é desejável medirmos o quão parecido
(verossímil) será sua ocorrência teórica (matematicamente calculada), quando
for realizado um determinado experimento.
Essa medida é feita associando-se uma porcentagem de 0 a 100%, ou
um número de 0 a 1, à possibilidade de ocorrência desse evento.
A essa parte do universo (U) dá-se o nome de Espaço Amostral (E), e
é definido como sendo o conjunto de pontos que representa as possíveis
ocorrências de um determinado experimento (evento).
Exemplo: ao jogarmos 02 dados simultaneamente um seguido do outro
pode ocorrer uma das possibilidades abaixo:
Nº de jogadas Combinações possíveis (faces que podem ocorrer)

01 1 –1 2–1 3–1 4–1 5–1 6–1
02 1–2 2–2 3–2 4–2 5–2 6–2
03 1–3 2–3 3–3 4–3 5–3 6–3
04 1–4 2–4 3–4 4–4 5–4 6–4
05 1–5 2–5 3–5 4–5 5–5 6–5
06 1–6 2–6 3–6 4–6 5–6 6–6
Nesse caso, temos 36 possibilidades (eventos possíveis), ou seja, 36

combinações.
9
Probabilidade
É a possibilidade matemática definida, da ocorrência de um evento (A),

pertencente ao espaço amostral (U), ou seja, a função P(A) com domínio em U,
que assume valores no conjunto dos Números Reais (R) de 0 a 1, que
satisfaça as seguintes propriedades:
- Probabilidade do evento A: P(A) = número de casos favoráveis ao evento A ;
número de casos possíveis
- Probabilidade do evento certo: P(U) = 1;
- Probabilidade do evento impossível: P(Ø) = 0
- Probabilidade de eventos mutuamente exclusivos:
P(A U B) = P(A) + P(B)
P(A ∩ B) = P(A) · P(B) = 0;
- Probabilidade de eventos complementares: P(A) + P(Ā) = 1, onde P(Ā) é a
probabilidade de não ocorrer o evento A;
- Probabilidade de eventos condicionais: P(A ∩ B) = P(A/B) · P(B)
(probabilidade condicionada);
- Probabilidade de eventos quaisquer:
P(A U B) = P(A) + P(B) - P(A ∩ B)
P(A U B) = P(A) + P(B) - P(A/B) · P(B);
- Probabilidade de eventos independentes:
P(A/B) = P(A) e P(A ∩ B) = P(A) · P(B).
OBS.: O conceito de independência pode ser estendido para 3 ou mais
eventos.
Sejam dados os eventos A, B e C; esses eventos são independentes se e
somente se:
P(A ∩ B) = P(A) · P(B)
P(A ∩ C) = P(A) · P(C)
P(B ∩ C) = P(B) · P(C)
P(A ∩ B ∩ C) = P(A) · P(B) · P(C)
Teorema de Bayes
Este teorema é uma das relações mais importantes envolvendo

probabilidade condicional, o qual expressa a probabilidade condicional por
meio de outras probabilidades condicionais.
A principal resposta que esse teorema fornece é: SUPONDO QUE O
EVENTO (B) TENHA OCORRIDO, QUAL A PROBABILIDADE DE QUE O
10
EVENTO (A) ANTERIOR AO EVENTO (B), TENHA SIDO CAUSADOR DO

MESMO.
A melhor forma de entendermos a aplicação deste teorema é por meio
de um caso real:
Sejam dada duas caixas (C1 e C2), contendo em seus interiores bolas
brancas (B) e pretas (P), a caixa (C1) contendo 2 bolas brancas (B1) e 1 bola
preta (P1), e a caixa (C2) contendo 2 bolas brancas (B2) e 2 bolas pretas (P2).
Escolhendo por acaso uma das caixas (C1) ou (C2), retira-se uma bola
da caixa escolhida. Se a bola retirada é branca, qual a probabilidade que esta
bola tenha vindo da primeira caixa (C1).
Sejam:
- P(caixas) = P(C1) = P(C2) = 1/2;
- Para a caixa C1: P(probabilidade das bolas brancas) = P(B1) = 2/3;

P(probabilidade da bola preta) = P(P1) = 1/3;
- Para a caixa C2: P(probabilidade das bolas brancas) = P(B2) = 2/4 = 1/2;
P(probabilidade da bola preta) = P(P2) = 2/4 = 1/2;
- P(B1/C1) = 2/3 · 1/2 = 1/3

+
- P(B2/C2) = 1/2 · 1/2 = 1/4
=
- P(B1/C1) + P(B2/C2) = 1/3 + 1/4 = 7/12
-P(B1/(P(B1/C1) + P(B2/C2)) = (1/3)/(7/12) = 12/21 = 4/7.
Todo esse processo pode ser reduzido em uma única etapa, por meio
do chamado “Teorema de BAYES”, que diz: “A probabilidade de um evento (A)
ocorrer dada ocorrência do evento (B) é igual a probabilidade condicional de
(A) em (B) dividida pela soma de todas as probabilidades condicionais de (A)
no espaço amostral”.
Matematicamente tem-se:
(
P Ai / B j = ) P (A i ) . P B j ( )
∑ P(A ).P(B ) n m
onde:
P(Ai )= probabilidade de ocorrência do evento Ai;
P(Bj )= probabilidade de ocorrência do evento Bi;
P(An )= probabilidade de ocorrência do todos os eventos An;
P(Bm )= probabilidade de ocorrência do todos os eventos Bm;
11
Síntese do tema
Vimos neste tema que a Probabilidade é o valor da possibilidade de

ocorrência de determinado fato (evento), em relação ao conjunto de
possibilidades possíveis. Entre os casos de cálculo de probabilidade
combinadas destaca-se o teorema de BAYES, que é a forma de se medir
a probabilidade de um evento ocorrer, dada a ocorrência de outro
evento ter ocorrido.
Atividades
1) Defina o espaço amostral para os experimentos abaixo:

- Lançamento de 02 dados e anota-se a configuração obtida;
- Lança-se uma moeda até aparecer cara e anota-se o número de
lançamentos;
- De cada família entrevistada numa pesquisa, anotam-se a classe social a que
pertence (A, B, C e D) e o estado civil dos seus componentes.
2) A probabilidade do aluno (A) resolver um problema é de 2/3 e a do aluno (B)
e de ¾. Se ambos tentarem independentemente, qual a probabilidade do
problema ser resolvido?
3) Uma urna contem 50 bolas numeradas de 1 a 50. Sorteia-se
consecutivamente duas bolas dessa urna. Qual a probabilidade de sair dois
números consecutivos (o primeiro menor que o segundo)?
4) De um grupo com 5 psicólogos, 4 atrizes e 3 bailarinas, sorteia-se 6
pessoas. Qual a probabilidade de serem sorteados 3 psicólogos, 2 atrizes e 1
balarina?
Apresentar as formas de aplicação da probabilidade em seus vários tipos de

aplicações.
12
Tema 02
Amostragem e Distribuição Amostral
Objetivo
Apresentar as técnicas de amostragem de eventos em populações e as formas

que tais eventos, quando repetitivos, podem ocorrer na população.
Introdução
A amostragem (ato de retirar elementos de uma população) é um dos

principais fatores para se obterem 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, a qual deve também ser semelhante na amostra.
Amostragem
È 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 amostra não
probabilística.
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
13
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 (anexo 1 desta apostila).
Exemplo:
Seja uma caixa contendo 10 (dez) bolas numeradas de 0 a 9. Se
procede a retirada de 3 pares de bola, 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 necessário
outra(s) estapa(s).
14
Exemplo:
Seja N = 500 (tamanho da população)
n = 50 (tamanho da amostra);
Divide-se o tamanho da população pelo tamanho da amostra.
a = N/n = 500/50 = 10
Sorteia-se um número de 1 a 10 obtém-se 3 (x = 3), os elementos

enumerados por (3;13;23;33;...) 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), no qual

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:
15
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.
Atividades
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
Esta atividade visa a aprofundar a aplicabilidade dos conceitos de amostragem.
Distribuição Amostral
A distribuição amostral representa a forma com que os eventos se

repetem, ou seja, a freqüência com que surgem ao longo do tempo. Entre as
principais distribuições amostrais, destacam-se: distribuição normal da média,
16
da freqüência relativa, da variância, t de student, qui-quadrado e F de

Snedecor.
Para tanto, considere uma população de tamanho N, da qual se quer
extrair todas as possíveis amostras de tamanho n, ou seja, Nn possibilidades,
se a retirada for feita com reposição. Em cada amostra pode-se calcular o valor
estimado Ô e o conjunto de ô. Para todas as amostras, tem-se uma distribuição
de probabilidade, denominada distribuição amostral de Ô.
Quando válido para uma da amostra de tamanho n, cada um dos
valores do estimador ô obtido da amostra, constitui uma variável aleatória cuja
distribuição de probabilidade é a mesma da população.
Das distribuições de probabilidades destacam-se:
Distribuição amostral da Média
(X )
No curso de
Média da amostra Estatística Aplicada,
a letra utilizada para
∑X
variância e desvio
i padrão foi o “V”.
X= Nessa apostila,
n adotaremos o “s”.
Variância da amostra (S )2
∑ (x )
2
i −x
s 2
=
n−1
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
X 2,0 2,5 3,0 3,5 4,0 4,5 5,0
PX() 1/16 2/16 3/16 4/16 3/16 2/16 1/16
17
Temos que:
Média da amostra ( X ) = 3,5 e variância da amostra Var (X ) = Var
()
P X = 0,625
Como a população é {2; 3; 4; 5}
Temos que:
Média da população µ = 3,5
Variância da população Var ( X ) = 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 constatamos:
x=µ e Var (x) = Var (X) / 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.
Distribuição Amostral da Freqüência Relativa ou Proporcional
Seja X uma população infinita, p a probabilidade de sucesso de um

evento e q = 1 – p a probabilidade de fracasso.
Tomando uma amostra aleatória de n elementos dessa população e
supondo que tenham ocorrido T sucessos (T é uma freqüência absoluta). Então
T é uma variável aleatória binominal de média (n.p) e variância (n.p.q).
T
p=
n
E(p )= p
p.q
Var ( p ) =
n
Exemplo:
Seja X uma população formada por 2 mulheres e 1 homem
X = {M1, M2, H1};
Seja sucesso (inferência) a ocorrência de uma mulher;
Temos:
p = probabilidade de mulher = 2/3;
q = probabilidade de homem = 1/3;
Seja A amostra de tamanho 2 (n=2) com reposição e freqüência do número de

mulher (x) em relação ao tamanho da amostra (n) temos:
18
Amostra:
(M1M1) (M1M2) (M1H1) (M2M1) (M2M2) (M2H1) (H1M1) (H1M2) (H1H1)
f 2/2=1 2/2=1 1/2 2/2=1 2/2=1 1/2 1/2 1/2 0
f 0 1/2 1
P(f) 1/9 4/9 4/9
f = 0 . ( 1/9 ) + ( 1/2 ) . ( 4/9 ) + ( 1 ) . ( 4/9 ) = 2/3

Var ( f ( f ) ) = 0 2 . ( 1/9 ) + ( 1/2 ) 2 . ( 4/9 ) + ( 1 ) 2 . ( 4/9 ) = 1/9
Observe que: f = 2/3 e p = 2/3, portanto f = p e Var ( p ( f ) ) = 1/9
p . q / n = ( 2/3 ) . ( 1/3 ) / 2 = 1/9, portanto, Var ( p ( f ) ) = p . q / n
Distribuição Amostral da Variância (s2)

Sabemos que:
∑ (x )
2
x=
∑x i
e s 2
=
i −x
n n−1
A obtenção da variância da amostra (s2) pressupõe que a média da

amostra já tenha sido calculada. Nestas condições e considerando a amostra,
prova-se que o operador estatístico s2 tenha um grau de liberdade inferior ao
grau de liberdade da média da amostra, por esta razão o denominador é n-1.
∑ (x )
2
Pelo teorema de Fischer i −x = σ 2 . xn2 − 1 onde xi são
elementos de uma amostra retirada de uma população com distribuição normal,
variância σ2 e x2n-1 ambos variáveis aleatórias, a qual é denominada
estatisticamente como sendo uma distribuição qui-quadrado ( χ ), que é

2
definida como sendo a soma do quadrado de (n-1) normais padronizados e

independentes.
∑ (x )
2
i −x
Como
s 2
=
n−1
demonstra-se que s2 tem distribuição χ 2 com n-1 graus de liberdades onde o
2σ 4
estimador E(s ) = σ
2 2
e Var (s ) = 2
n−1
A aplicação desta distribuição veremos nos temas seguintes.
Distribuição Amostral t de student
Seja t de student definida como a variável aleatória cuja representação

matemática seja:
19
X−µ
t=
s/ n
se multiplicamos e dividimos o 2º termo por σ tem-se:
x−µ σ x−µ σ σ
t= . = . =z.
s n σ σ/ n s s
x−µ
fazendo z=
σ/ n
Pelo teorema de Fischer temos:
2
s 2 x n −1 z
= e z ≅ N (0;1) logo t=
2 n−1 x n2 −1 / n − 1
Portanto, a variável aleatória t é o resultado do quociente entre uma variável

aleatória Z e o quadrado da variável aleatória xn-1 com n-1 graus de liberdade.
Distribuição Amostral F de Snedecor
Sejam U e V duas variáveis aleatórias independentes, cada uma

distribuída segundo uma distribuição de qui-quadrado com u e v graus de
liberdade, ou seja:
U/u
F=
V/v
Nestas condições o estimador F será:
v 2v(u + v − 2 )
F(E ) = e Var (F ) =
v−2 u(v − 2 ) . (v − 4 )
2
Exemplo:
Supondo que a altura dos estudantes do sexo masculino de uma certa
universidade seja uma variável aleatória de distribuição normal, com média
igual a 60 polegadas e desvio padrão 3. Que porcentagem de estudantes é
maior que 72 polegadas?
Trata-se do calculo de probabilidade, que se obtém calculando P(x > 72).
Escolhe-se o valor de X = 72, então µ = 69 e σ = 3, logo o valor correspondente
a Z é dado por:
72 − 69
z= =1
3
Na Tabela 1 (Anexo 1), a área sob a curva normal padrão entre Z = 0 e Z = 1 é

igual a 0,3413.
20
Como a área sob a metade direita desta curva é 0,5, segue que a área para a
direita de Z = 1 é igual a 0,500 – 0,3413 = 0,1587.
Conclui-se que 15,87 % dos estudantes do sexo masculino terão um valor de Z
que excede a 1 e, portanto, uma altura que excede a 72 polegadas.
Síntese do tema
Neste tema procurou-se apresentar as formas de distribuição mais

comuns dos eventos que ocorrem na prática, os quais estão tabelados,
nas Tabelas de 1 a 4 do Anexo 1, em termos de freqüências e nível de
confiabilidade.
Atividades
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?
3) Com base na tabela do qui-quadrado, determinar os valores de x2 para os

quais a área da extremidade direita da distribuição seja menor ou igual a 5%,
quando o número de graus de liberdade for: 15 – 21 – 50.
Praticar o uso das tabelas de distribuição e ilustrar o seu conceito de

aplicação prática.
21
Tema 03
Estimação Por Ponto e Intervalo
Objetivo
Mostrar a utilização prática das distribuições de probabilidade por meio do
conceito de intervalo de confiança.
Introdução
No tema anterior, estudamos, de forma bastante ampla, 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, ou seja, por estimação e
por teste de hipótese.
Neste tema, 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 inferir características de uma população com base em

amostras extraídas aleatoriamente.
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: X (média da amostra) é um estimador por ponto da média
populacional (µ).
Por intervalo: quando, a partir da amostra, procura-se construir um intervalo
de variação, com certa probabilidade de conter verdadeiramente o parâmetro
da população.
Exemplo: o desvio máximo (intervalo) em que o valor obtido pode ocorrer.
22
Propriedades do Estimador (E)

Não tendeciosidade (justeza): diz-se que o estimador E (Ô) é justo, quando
sua média (ou esperança) é o próprio valor do parâmetro populacional (Ô).
Exemplo: E(X)=µ (estimador médio da amostra é igual a média da população).
Consistência (ou carência): 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)=µ e lim n→∞ Var (X)=O (lê-se o limite da variância quando o
número de elementos da amostra tendem a infinito).
Eficiência: dados dois estimadores Ô1 e Ô2 de um mesmo parâmetro

populacional, é mais eficiente àquele que tem menor variabilidade (variância).
Exemplo:
Var (s2)A = 05 e Var (s2)B = 05.
Existem métodos para se obter estimadores por ponto, entre eles,

destaca-se o método dos mínimos quadrados e da correlação que serão vistos
nos próximos temas.
Intervalos de Confiança (IC)
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 fora do limite absoluto de ocorrência. Por esta
razão a estatística trabalha com os chamados intervalos de confiança, o qual
apresenta uma faixa, onde com determinado grau de certeza o valor estimado
por inferência estatística pode estar contido.
Exemplo:
O valor da média de preço de determinado produto é 1,5, podem variar
o seu valor entre 1,4 a 1,6.
Seja y 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.
23
Os principais intervalos de confiança são definidos para os vários

operadores estatísticos, entre eles destacamos:
Intervalo de Confiança para a Média Populacional (µ) quando se conhece

a variância populacional σ2.
Seja numa amostra de distribuição normal, ou seja: X = N(µ, σ2).

Sabe-se que para uma distribuição normal: X (média amostral) = µ (média da
população.
σ2
s =
2
s2 (variância da amostra) = σ2 (variância da população)
n
α α
2 2
z
−zα / 2 zα / 2
⎛ σ2 ⎞ x−µ
x = N ⎜ µ, ⎟ sendo z=
⎜ n ⎟ σ/ n
⎝ ⎠
Tem distribuição N (0 ; 1)
⎛ σ σ ⎞
P⎜⎜ x − z y / 2 . ≤ µ ≤ x + zy/2 . ⎟ = 1− α
⎟
⎝ n n⎠
Intervalo de Confiança para a Média Populacional (µ) quando a variância

populacional σ2 é desconhecida.
Para este caso deve-se estimar σ2 por meio do operador estatístico s2,
como foi visto anteriormente.
x−µ
Como t= tem a distribuição t student com (n-1) graus de
s n
liberdade.
p p
2 2
t
−tα / 2 tα / 2
24
Como P(−t α / 2 ≤ t ≤ t α / 2 ) = 1 − α
⎛ s s ⎞
P⎜⎜ x − t y / 2 . ≤ µ ≤ x + ty/2 . ⎟ = 1− α
⎟
⎝ n n⎠
Intervalo de Confiança para Variância Populacional σ2 de uma população

normal
Sendo x uma variável aleatória com distribuição normal (µ, σ2) vale:
s 2 . (n − 1)
x n2−1 =
σ2
P (x 12 ≤ x ≤ x 22 ) = 1 - α
⎛ s 2 . (n − 1) s 2 . (n − 1) ⎞⎟
P⎜ ≤ σ 2
≤ = 1− α
⎜ x2 x 2 ⎟
⎝ sup inf ⎠
2
xinf = x 2(1− α ) / 2 x 2sup = x 2(1− α ) / 2
Intervalo de Confiança para Proporção (p) Populacional
Sendo f ~ N ( p, (p.q)/n0 para n > 30, a distribuição binomial tende para

uma distribuição normal.
^
p− p
z= P(−z α / 2 ≤ z ≤ z α / 2 ) = 1 − α
p.q / n
Intervalo de Confiança para a Soma e Diferença entre Duas Médias µ1 e µ2

de duas populações normais, conhecidas suas variâncias σ12 e σ 22
( )
IC = x 1 + x 2 ± z α / 2 .
σ12 σ 22
n
+
n
Intervalo de Confiança para a Soma e Diferença entre Duas Médias µ1 e µ2
de duas populações normais, desconhecidas suas variâncias σ 12 e σ 22
25
( )
IC = x 21 + x 22 ± t α / 2 . s ,
1
+
1
n1 n 2
(n1 − 1) s 12 + (n1 − 1) s 22
s, =
n1 + n − 2
Com a probabilidade de (1 – α) conter (µ1 + - µ2) e t com n1 + n2 -2 (graus de

liberdade)
Síntese do tema
Foram vistos os principais métodos de determinação de intervalos de

confiança para amostras de populações com parâmetros populacionais
conhecidos e desconhecidos.
Atividades
1) Calcule o intervalo e confiança para a média em cada um dos casos abaixo:
Média amostral em Tamanho da Desvio padrão da Coeficiente de
centímetro (cm) amostra (unid) amostra (s) em cm confiança
170 100 15 15
165 184 30 85
180 225 30 70
2) Qual deve ser o tamanho de uma amostra cujo desvio padrão é 10, para que
a diferença de média amostral para a média populacional, em valor absoluto,
seja menor que 1, com coeficiente de confiança igual a 95% e 99%.
3) Suponha que uma amostra de n = 100 de uma distribuição normal N (µ, σ2)
forneceu X = 510,6. Supondo σ2 conhecido e igual a 16, obtenha um intervalo

de confiança para µ com coeficiente de confiança de α = 0,95.
Usar os tipos de intervalo de confiança para determinar o coeficiente de

confiança.
26
Tema 04
Teste de Hipóteses
Objetivo
Formular hipóteses sobre determinada ocorrência, envolvendo o resultado de

estudo estático em determinada amostra, visando à comparação com
elementos esperados da população.
Introdução
Desenvolver com o estudo anterior os elementos do teste de hipótese o

qual é importante ferramenta para avaliar com determinado nível de confiança,
o resultado do estudo estatístico aplicado em determinada amostra, fornecendo
a segurança necessária para a tomada de decisão em relação ao resultado que
deverá ser aplicado na prática, ou seja, na população.
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 ); da variância amostal (s2) e da freqüência relativa (f) serão utilizados para

os respectivos testes sobre a média, a variância 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:
1.A média populacional da altura dos brasileiros é 1,65m (µ=1,65m);
2. A variância populacional do salário vale R$ 5.000,00 (σ2= 5.000);
3. A proporção de brasileiros com determinada doença é 40%, ou seja,
pd=0,40;
27
4. 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.
Exemplo: 1.Teste bicaudal: H0 : µ = 100 H1 : µ ≠ 100

2
2. Teste unicaldal à direita: H0 : σ = 50 H1 : σ2 > 50
3. Teste unicaldal à esquerda: H0 : µ = 150 H1 : µ < 150
4. Teste bicaudal: H0 : p = 0,10 H1 : p ≠ 0,10
Quando se testa H0, pode-se cometer 2 tipos de erros, conforme mostra a

tabela abaixo:
Realidade Decisão
Aceitar H0 Rejeitar H0
H0 é verdadeira Decisão correta Erro tipo I
H0 é falsa Erro tipo II Decisão Correta
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;
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.
Exemplo: Deseja-se testar H0 : µ = 20 contra H1 : µ > 20. Sendo a variância da
população igual a 16, e o tamanho da amostra igual a 18 elementos. Supondo
um nível de significância (α = 5%). Encontrar o limite crítico para o teste sujeito
a esse erro:
Considerando uma distribuição normal onde N (µ, σ2/n).
Como a hipótese alternativa indica que a média populacional deve ser superior
a 20, teremos um teste unicaudal à direita, concentrando o risco α na cauda à
direita da distribuição.
28
Para se determinar Xc (limite crítico) sujeito a probabilidade de α = - 5%,

devemos lembrar:
⎛ σ 2 ⎞⎟ xc − µ
x = N⎜ µ − sendo z= , N (0 ;1)
⎜ n ⎟⎠ σ/ n
⎝
Z ( α = 0,05) = 1,8322 (voalor obtido da Tabela 1 Anexo 1)
σ 2 = 16 = σ = 16 = 4
n = 18
área de uma distribuição normal com n = 18, α = 0,05
x c − 20
1,8322 = → x c ≅ 21 , 73
4 / 18
Portanto: 1. R.C – região crítica - Rejeita H0 para X > 21,73
2. R.A - região de aceitação – Aceita H0 para X ≤ 21,73.
Principais Tipos de Testes de Hipótese.
Teste para a média populacional (µ):
- H0 µ = µ0;
- H1 µ ≠ µ0 teste bilateral;
µ > µ0 teste unilateral;
µ < µ0 teste unilateral.
- Fixar o nível de significância α
Se σ2 é conhecida, a variável será a normal padronizada (Z);
Se σ2 é desconhecida, a variável será o t de student, com (n - 1) graus de
liberdade;
- Avalia-se a região(ões) critica(s);
α α
2 2
− zα / 2 zα / 2
z ou t
− tα / 2 tα / 2
Teste Bilateral
29
α Teste unilateral à
esquerda
z ou t
− zα
− tα
α Teste unilateral à
direita
z ou t
zα
tα
- Calcula-se Z ou t:
x−µ x−µ
z= ou t=
σ/ n s/ n
- Conclusões:
Se Módulo de Z > Zα/2 rejeita-se H0;
ou Teste bilateral
Se Módulo de t> tα/2 rejeita-se H0;
Se Z > Zα ou t> tα rejeita-se H0;

ou Teste unilateral
Se Z < - Zα ou t < - tα rejeita-se H0;
Teste para a variância populacional (σ2):
- H0 σ2 = σ20 ;
- H1 σ2 ≠ σ20 teste bilateral;
σ2 > σ20 teste unilateral;
σ2 < σ20 teste unilateral.
A variável utilizada é o Qui-quadrado χ ( ) com n - 1 graus de liberdade;

2
- Avalia-se a região(ões) critica(s);
30
α
2 α
2
χ2
χ (21 − α / 2) Teste Bilateral χ α2 / 2
χ2
χ 2
(1 − α )
Teste Unilateral
χ2
χα 2
Teste Unilateral
- Calcula-se χ :
2
(n − 1) s 2
χ =2
σ 20
- Conclusões:
Se χ2 > χ2 α/2 rejeita-se H0;
Se χ2 < χ2 1-α/2 rejeita-se H0;
Se χ2 > χ2α ou χ2 < χ2α rejeita-se H0;
Teste para a proporção populacional (p):
- H0 p = p0;
- H1 p ≠ p0 teste bilateral;
p > p0 teste unilateral;
p < p0 teste unilateral.
31

- A variável a ser utilizada é a normal padronizada Z;
- Avalia-se a(s) região(ões) critica(s);
α α
2 2
− zα / 2 zα / 2
z ou t
− tα / 2 tα / 2
- Calcula-se Z ou t:
^
p− p o
z=
p o (1 − p o ) / n
- Conclusões:
Se Z > Zα rejeita-se H0;
Se Z < Zα rejeita-se H0;
Teste para a diferença de duas médias populacionais (µ1 e µ2):
Para dados emparelhados quando ambas as amostras têm o mesmo

tamanho: n = n1= n2;
H0= µ1 - µ2 = D0 (diferença proposta).

Assim recaímos no caso do teste de uma única média com σ2
desconhecido item igual ao teste para a média populacional, com σ2
desconhecida.
Dados não emparelhados, com as variâncias populacionais conhecidas

com amostras de tamanhos diferentes (n1≠ n2)
- H0 : µ1 = µ2 ;
- H1 : µ1 - µ2 ≠ 0, µ1 - µ2 > 0, µ1 - µ2 < 0,
- A variável a ser utilizada é a normal padronizada Z;
- Calcula-se a variável:
x1 − x 2
z=
σ12 σ 22
+
n1 n2
32
- Conclusões: Semelhante ao teste das proporções.
Para dados não emparelhados, com as variâncias populacionais

desconhecidas, supostas iguais (σ12 = σ22 = σ ) e amostras
independentes
- Semelhante ao caso anterior;

- H0 : µ1 = µ2 ;
- H1 : µ1 - µ2 ≠ 0, µ1 - µ2 > 0, µ1 - µ2 < 0,
- A variável a ser utilizada é t-Student;
x1 − x 2 (n1 − 1) s12 + (n 2 − 1) s 22
t= e s, =
n1 + n 2 n1 + n 2 − 2
s,
n1 − n 2
- t - Student com n1 + n 2 - 2 graus de liberdades

- Conclusões: Semelhante ao teste para variância populacional com o uso do t
- Student.
Dados não emparelhados, com as variâncias populacionais

desconhecidas, distintas e amostras independentes.
- Semelhante ao caso teste para variância populacional;

- H0 : µ1 = µ2 ;
- H1 : µ1 - µ2 ≠ 0, µ1 - µ2 > 0, µ1 - µ2 < 0,
- Escolher a variável normal padronizada Z, se as amostras forem
suficientemente grandes, caso contrário, escolher a variável t - Student.
Z ou t-student como segue
x1 − x 2 (s12 / n1 + s 22 / n 2 ) 2
z= e φ= −2
s12 s 22 s12 / n1 s 22 / n 2
t + +
n1 n2 n1 + 1 n 2 + 1
- Conclusões:
ou Teste bilateral
Se Módulo de t> tα/2 rejeita-se H0;
33
Se Z > Zα ou t > tα rejeita-se H0;

ou Teste unilateral
Se Z < - Zα ou t < - tα rejeita-se H0;
Teste para a igualdade de duas variâncias populacionais σ12 e σ22;
- H0 : σ12 = σ22;
- H1 : σ12 ≠ σ22 , σ12 > σ22 , σ12 < σ22 ,
- Escolher a variável F de Snedecor com:
Φ1 = n – 1 graus de liberdade no numerador;
Φ2 = n – 1 graus de liberdade no denominador.
s12
F=
s22
- Conclusões:
Se F < F1-α/2 ou F > Fα/2 rejeita-se H0;
Se F > Fα rejeita-se H0;
Se F < Fα rejeita-se H0;
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 µ, mas sim várias possibilidades alternativas.
Assim para construirmos a curva do poder do teste, em que na
abscissa estão os valores alternativos para µ e na ordenada os valores de 1 -
β, devemos seguir o roteiro exemplificado para o teste da média populacional,
por meio dos seguintes passos:
1 – Fixado α, calcula-se o valor crítico (Xc), onde:

Xc = Zα . σ + µ0 onde µ0 é o valor da hipótese nula;
2 – Arbitrando-se valores alternativos para µ, calcular:

xc − µ
z=
σ
Pela tabela da Distribuição Normal, neste caso, calcular a probabilidade de β.
3 – Plota-se num gráfico, a probabilidade 1 - β em função dos valores

alternativos de µ, média populacional.
34
Síntese do tema
Neste tema procurou-se 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, através do método denominado de teste de
hipótese.
Atividades
1) Antes de uma eleição em que existem 2 candidatos A e B, foi feita uma

pesquisa com 400 eleitores escolhidos ao acaso e verificou-se que 208 deles
pretendiam votar no candidato A. Construa um intervalo de confiança, com
nível de significância 0,95, para a porcentagem de eleitores favoráveis ao
candidato A na época das eleições.
2) Encontre o nível de significância de um intervalo para p, se n = 100, p = 0,60

e a amplitude do intervalo dever ser igual a 0,090.
3) Suponha que uma amostra de n = 100 de uma distribuição normal N(µ, σ2)
forneceu média 510,6. Supondo µ conhecido e igual a 16, obtenha um intervalo
de confiança para µ, com α = 0,95.
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.
35
Tema 05
Análise de Regressão e Correlação
Objetivo
Apresentar as técnicas para obtenção de modelos lineares baseados em

valores amostrais para regressão e correlação.
Introdução
Neste tema, nos dedicar-nos-emos à explicação de uma das técnicas

para lidar com dados que possuem duas ou mais variáveis. Como exemplo,
temos diversas variáveis estudadas simultaneamente para ver como elas estão
inter-relacionadas ou em outros casos em que uma variável de interesse em
relação às demais variáveis, possui elemento de interesse. A estes dois casos
típicos dá-se o nome de correlação e regressão.
Correlação
È a verificação da existência de alguma relação entre um conjunto de

dados (propriedades) com outro conjunto de dados (resultados).
Exemplo:
- relação entre o fumo e doenças do coração;
- relação entre recepção de rádio e perturbações solares;
- relação ente beleza e nível de inteligência.
A investigação da correlação inicia-se com a tentativa de descobrir uma

forma aproximada de dependência ou relação, o que é feito através da
representação gráfica dos dados como pontos no plano X e Y, num gráfico
chamado diagrama de dispersão.
Posteriormente, calcula-se a relação de dependência entre os dados

no chamado coeficiente de correlação (r), o qual é dado para duas variáveis:
36
∑ (x ) ( )
n
i − x . yi − y
i=1
r=
(n − 1) . s x y sy
Onde:
r = Coeficiente de correlação
x 1 e y 1 = Valores das variáveis x e y
x e y = Valores das médias das variáveis x e y.

n = Número das variáveis x e y (iguais)
S x e S y = Desvios padrões das variáveis x e y.
O coeficiente de correlação (r) assume valores entre +1 e -1, os quais

estão relacionados com os diagramas de dispersão como segue:
y
0,6
x
y y
r = 0,8 r = - 0,8
x x
O r (coeficiente de correlação) indica a proximidade que as variáveis

apresentam em relação a uma dependência linear.
37
Exemplo:
Deseja-se estudar a existência ou não de correlação entre o

desempenho no primeiro semestre do curso universitário com o ultimo ano do
colégio. Dispõe-se das médias escolares de todas as notas do colégio (x) e da
universidade (y) em um grupo de 20 alunos. Os dados estão dispostos no
quadro abaixo.
Com estes dados vamos construir o diagrama de dispersão das médias

e calcule o coeficiente de correlação.
N° X Y
1 5,0 4,0
2 7,0 6,0
3 3,0 8,0
4 5,0 5,0 y
10
5 7,0 8,0
9
6 9,0 6,0
8
7 6,0 7,0
7
8 5,0 3,0
6
9 8,0 4,0
10 6,0 5,0 5
11 6,0 3,0 4
12 5,0 6,0 3
13 7,0 4,0 2
14 8,0 9,0 1 x
1 2 3 4 5 6 7 8 9 10 11
15 10,0 7,0
16 6,0 4,0
17 7,0 7,0
18 6,0 8,0
19 7,0 9,0
20 6,0 6,0
x = 6,45 S x = 1,572
y = 5,95 S y = 1,905
38
N° (x i −x ) (y i −y ) (x i )(
− x . yi − y )
1 1,75 -1,95 -3,2145
2 0,55 0,05 +0,0275
3 -3,45 2,05 -7,0725
4 -1,45 -0,95 +1,3775
5 0,55 2,05 +1,1275
6 2,55 0,05 +0,1275
7 -0,45 1,05 -0,4725
8 -1,45 -2,95 +4,2775
9 +1,55 -1,95 -3,0225
10 -0,45 -0,95 +0,4275
11 -0,45 -2,95 +1,3275
12 -1,45 0,05 -0,0725
13 0,55 -1,95 -1,0725
14 1,55 3,05 +4,7275
15 3,55 1,05 +3,7275
16 -0,45 -1,95 +0,8775
17 0,55 1,05 +0,5775
18 -0,45 2,05 -0,9225
19 0,55 3,05 +1,6775
20 -0,45 0,05 -0,0225
3,71
3,71
r = = 0,0652
(20 − 1) . (1,572 ) . (1,905 )
r = 0,0652 baixa correlação entre os valores, mas se fossem subtraídos os

pontos de n° 3; 6; 9 e 15 a correlação seria de 0,85 o que indica uma
aproximação da linearidade.
Deste exemplo verifica-se que o coeficiente de correlação só é capaz
de medir a “força” de vínculo entre duas ou mais variáveis que se relacionam
linearmente.
Regressão Linear
Quando se deseja estudar a relação existente entre duas ou mais

variáveis, na esperança de predizer algum resultado, utiliza-se de métodos
matemáticos conhecidos como regressão, entre eles destaca-se o método de
previsão para variáveis que se relaciona linearmente, ou seja, por meio da
equação de uma reta.
39
Exemplo:
Seja dada uma determinada aplicação financeira cujo rendimento é
proporcional ao número de meses dessa aplicação conforme a tabela abaixo.
N° dias (x) 12 18 24 30 36 42 48
Rendimento (y) 5,27 5,68 6,25 7,21 8,02 8,42 8,71
Curva de representação no plano x e y fornece uma reta aproximada.
y
10
4 x
6 12 18 24 30 36 42 48
Observa-se que, para o número de meses igual a 24, a reta

proporciona um rendimento de 6,50% ligeiramente diferente do real de 6,25%,
diferença esta que na prática deve ser a menor possível.
Prova-se que a reta que melhor se ajusta aos pontos linearmente
dispostos, é aquela que apresenta o menor quadrado da diferença entre o
previsto, obtido pela reta, e o medido, no chamado ajuste de reta pelo método
dos mínimos quadrados, o qual é dado pelas equações:
- equação de uma reta qualquer y = a + bx

a = coeficiente linear
b = coeficiente angular
- equação de uma reta ajustada y = a + b x − x

'
( )
Prova-se que
a=y e b=
∑ (x − x ). y
i i
∑ (x − x )
2
i
40
y' = y +
(x i − x . yi ) (
. x − x )
∑ (x )
2
i − x
ou
y' = y +
∑ x y − nx y
i i
∑ x − nx 2 2
L
Do exemplo tira-se que
46,56 210
y= = 7,08 , x= = 30
7 7
103,68
b= = 0,103
1008
y' = 7,08 + 0,103 (x − 30 )
y' = 3,99 + 0,103 x
A equação da reta é ajustada pelos pontos amostrais por meio do

método dos mínimos quadrados. O método dos mínimos quadrados pode ser
visualizada no quadro abaixo; porém existem calculadoras e programas de
computadores que calculam o coeficiente da reta de ajuste diretamente dos
dados amostrais.
n° x y x– x (x − x ). y (x − x ) 2
1 12 5,27 -18 -94,86 324

2 18 5,68 -12 -68,16 144
3 24 6,25 -6 -37,50 36
4 30 7,21 0 0 0
5 36 8,02 6 48,12 36
6 42 8,42 12 104,52 144
7 48 8,71 18 151,56 324
∑ 210 49,56 103,68 1008
Média 30 7,08
41
Síntese do tema
Vimos neste tema que a correlação é habitualmente apenas uma

primeira fase do estudo da relação de duas variáveis, já a regreção é
uma técnica básica para o encontro de uma relação linear entre as
variáveis.
Atividades
1) Para os dados abaixo relativos à altura (x) e peso (y) de 12 estudantes.

- Trace o diagrama de disperção;
- Adivinhe o valor de r
- Calcule o valor de r
N 1 2 3 4 5 6 7 8 9 10 11 12
Y 65 73 70 68 66 69 75 70 64 72 65 71
Z 124 184 161 164 140 154 210 164 126 172 133 150
2) Que interpretação você daria se lhe dissesse que a correlação entre o

número de acidentes automobilísticos anuais e a idade do motorista é r = -
0,60, considerados apenas motoristas com pelo menos um acidente?
3) Ache a equação da linha de regressão para os dados que seguem ou trace o

gráfico no diagrama de dispersão. (use o método dos mínimos quadrados)
X 1 2 3 4 5
Y 2 5 4 8 6
Estes exercícios visam à aplicação das técnicas do cálculo do r e

desenvolvimento da metodologia da construção da reta de regressão.
42
Tema 06
Análise de Variância
Objetivo
Apresentar a metodologia de aplicação do estudo de comparação entre duas

amostras a partir do uso de suas médias.
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.
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 k (k >2) 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.
Neste estágio, estudaremos a análise de variância por meio do modelo
de classificação única.
Sejam dadas as hipóteses:
a) As variâncias populacionais são iguais: σ 1 = σ 2 = σ k = σ ;

2 2 2 2
b) Cada população tem distribuição normal;

c) Cada amostra é independente e, ao acaso, tirada de uma população onde se
esteja estudando.
Segue-se o modelo:
x ij = µ + α i + ε ij
43
Onde:
x ij = Cada observação, onde i indica o tratamento To e j indica o
elemento da amostra, e formado por três elementos básicos:
1° - efeito da média (µ ) devido à população i a que pertence;
( )
2° - efeito do tratamento i, α i , específico ao tratamento a que pertence;
( )
3° - efeito aleatório, ε ij , denominado erro residencial.
Teste de hipótese para igualdade de k médias.
1 – H o : µ 1 + µ 2 + µ 3 ... µ k = µ
µ = Média das populações

H1 : Pelo menos uma µ i ≠ µ
2 – Fixação de α (intervalo de confiança ou nível de significância)

Escolher a variável F (k – 1, N - k)
K = Número de tratamentos (ensaios por exemplo);
N = Número total de elementos, de todos os tratamentos.
F = Distribuição de Snedecor vista nos temas anteriores (distribuição de
probabilidade).
3 – Determinação da região crítica.
y = f (F)
Rejeito H0
Aceito H0
α
F (x)
F (α)
4 – Cálculo do valor da variável, por meio do quadro de análise de variância

(QAV)
5 – Conclusão Fcalc > Fα → rejeitar H0
6 – Modelo de um quadro de análise de variância (QAV)
44
N° de elementos
T1 T2 T3 ... Tk
das amostras
1 X11 X21 X31 Xk1
Total
2 X12 X22 X32 Xk2
J X1]1 X2]2 X3]2 Xk]k
n X1n1 X2n2 X2n3 Xknk
∑ (∑ x )
k
Soma (∑ ) Σx 1j Σx 2 j Σ 3j ... Σx knk ij
1= 1
N° elementos n1 n2 n3 ... nk n= Σ n
Médias x1 x2 x3 ... xk X
Variação = variação entre + variação dentro

total ensaios do ensaio
(Se) (Sr)
= desvio padrão + desvio padrão

de ensaio de amostras
Fonte de Soma dos Graus de Quadrado

Variação Quadrados liberdade Médio
⎡ Σx ij ( )2
⎤ Se
se = ∑ ⎢
Entre Teste
⎥ − c K–1 = A
Amostras
⎣ ni
i ⎢ ⎥⎦ k−1 F
Dentro da Sr
sr = s t − s e N–k =B
Amostra N−k
⎛ ∑ ∑ X ij ⎞
2
⎜ i ⎟
s t = ∑ ∑ X ij2 − c c = ⎜
j
⎟ A
Total N–1 N F=
i j ⎜ ⎟ B
⎝ ⎠
A análise de variância apresenta uma série de elementos

classificadores semelhantes ao teste de F, tais como: o modelo dos
estimadores dos mínimos quadrados, a soma dos quadrados, análise com dois
critérios de classificação, comparação de médias por meio do tese t e ainda o
teste de Tukey e o teste de Sheffe que serão objeto de estudos mais
avançados.
Exemplo:
45
Em um ensaio de tração se mede a qualidade de uma solda, a fim de

determinar se há um defeito na solda em relação ao tipo de máquina que a
produziu. Foram feitos testes com soldas de 3 maquinas, obtendo os
resultados abaixo.
Com base nos resultados, verifique se há diferença significativa entre
as maquinas com um nível de significância de 10%.
Teste de tração amostras
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:
Ho : µ A = µ B = µ C = µ
H1 : µ i ≠ µ
K = 3 (maquina A, B e C)
N = 15 (total de ensaios)
Para graus de liberdade iguais a:

K–1=3–1=2
N – k = 15 – 3 = 12
Para a distribuição F de Snedecor com nível de significância (α ) igual a 10%

tira-se
F((k − 1) , (N − k )) = F (2,12 ) = 2,81

↓ ↓
φ1 φ2
Resolução:
Inicialmente deve-se organizar os dados de acordo com o QAR.
46
Maquinas
Ensaios A B C
2 2
X X X X X X2
1 3,2 10,20 4,9 24,01 3,0 9,00
2 4,1 16,81 4,5 20,25 2,9 8,41
3 3,5 12,25 4,5 20,25 3,7 13,49
4 3,0 9,00 4,0 16,00 3,5 12,25 Total
5 3,1 9,61 4,2 17,60 4,2 17,64
∑ X = 217,05
2
Soma 16,9 57,91 22,1 98,15 17,3 60,99

∑ X = 56,3
n 5 / 5 / 5 / 15
Média 3,38 11,582 4,42 19,630 3,46 12,198 3,7533
2
⎛ 16,9 + 22,1 + 17,3 ⎞
C=⎜ ⎟ = 211,31
⎝ 15 ⎠
Fonte de Soma dos Graus de Quadrado

Variação Quadrados liberdade Médio
Teste F
1 – Entre 43,41- 211,31 = 167,9
2 = 83,95
amostras - 167,90 2
83,95
2 – Dentro F =
5,74 - (-167,90) = 173,64 14,47
da 12 = 14,47
173,64 12
amostra
217,05 - 211,31 = 5,801
Total 14 211,31
5,7373
Fcalculado = 5,802
Como Fcal ≤ Ftabelado aceito H0

Fcal > Ftabelado rejeito H0
y = f (F)
Aceito H0
α = 10%
F (x)
F (10) = 2,81
47
Nestas condições rejeitamos Ho, ou seja, 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 do tema
Neste tema, estudamos o conceito de análise de variância que serve

para comparar resultados de experimentos e inferir sobre eles, dizendo
se há diferença significativa (α ) ou não sobre os ensaios.
Atividades
1) Com base nas amostras de três populações diferentes 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%
(α = 0,05 ) .
Populações
N° amostras A B C
1 3 11 16
2 4 10 21
3 5 12 17
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
1 – Ho: os preços reais médios para as três marcas são iguais;
2 – Ho: os preços reais médios nos três anos são iguais;
Marca 1961 1962 1963

A 1 1 1
B 2 3 2
C 2 3 3
Estes exercícios são de aplicação sobre os procedimentos para a análise de

variância para o teste de médias.
48
Tema 07
Números Índices
Objetivo
Apresentar o que são números índices, sua elaboração e aplicação na

demonstração de resultados econômicos e financeiros.
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.
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 ou simplesmente índice assume o valor unitário ou
100% no período base.
De um modo geral, a construção do número índice ou índice simples é
feito de acordo com a seguinte equação:
Pn pn
I− ou I p = x 100
Po po
Onde:
I – índice simples;
Ip – índice simples percentual;
49
pn – valor ou quantidade de determinado elemento num dado período;

po – valor ou quantidade de determinado elemento no período base.
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.
Exemplo:
Seja dada a Tabela 1 (abaixo) indicando os preços 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
com base no ano de 2003.
Tabela 1: Preços praticados para os produtos A, B e C, no período de 2002 a
2005, em determinada região do Brasil.
Produtos, valores (R$) e quantidade

Ano A A B B C C
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
12 12
IA(02/03) = = 0,8 ou IPA(02/03) = x 100 = 80 %
15 15
Analogamente, se faz para os demais anos e produtos obtendo-se a

Tabela 2.
Tabela 2: Índice relativo de preços dos produtos A, B e C, no período de 2002 a

2005, com base no ano de 2003 (Índices relativos dos produtos)
A A B B C C
Ano
Direto Percentual Direto Percentual Direto Percentual
2002 0,8 80 0,5 50 0,8 80
2003 1,0 100 1,0 100 1,0 100
2004 1,2 120 2,0 200 1,4 140
2005 1,6 160 3,0 300 1,8 180
Existe uma série de tipos de índices, todos eles tratando de

combinações lineares do índice simples, entre os quais destacam-se:
- Índice simples agregado à média aritmética dos valores relativos:
50
Calcula-se por meio da média de valores de vários produtos para cada período
dividindo-se também pela média dos valores de vários produtos do período
referência ou base, usando o exemplo anterior temos:
18 + 20 + 35 73
IM(2004/2003) = = = 1,46
15 + 10 + 25 50
ou
IPM(2004/2003) = Im(2004/2003) x 100 = 146 %
O mesmo valendo para os demais períodos apresentados na Tabela 3.

Tabela 3: Índice simples agregado à medida aritmética dos valores relativos.
I.M
Percentual
Ano Simples
%
2002 0,74 74
2003 1,00 100
2004 1,46 146
2005 1,98 198
- Índice simples geral ou índice geral de preços: Calcula-se por meio da média
aritmética dos índices simples de vários itens.
n
∑
i=1
I
∗
I =
M
n
Usando o exemplo anterior temos:
1,6 + 3,0 + 1,8 6,4

I M∗ (2005 / 2003 ) = = = 2,133
1,0 + 1,0 + 1,0 3,0
Ou
∗ ∗
IPM (2005 / 2003 ) = IM x 100 = 213,3%
O mesmo ocorrendo para os demais períodos apresentados na Tabela 4:

Tabela 4: Índice geral de preços (IGP) para os produtos A, B e C no período de
2004 a 2005 (IGP).
51
Percentual
Ano Simples
%
2002 0,0700 70,0
2003 1,000 100,0
2004 1,533 153,3
2005 2,133 213,3
- Índice de Laspeyres e Paasche – tratam-se de índices ponderais em relação

à quantidade de cada item, sendo o primeiro calculado com base nas
quantidades do período base e o segundo calculado com base no período de
estudo.
Por meio do exemplo, fica fácil o entendimento de cada índice:
Exemplo:
Usando ainda os dados da Tabela 1, pode-se calcular.
24 . (4 ) + 30 (9) + 45 (4 )
IL(2005 / 2003 ) = = 2,184
15 (4 ) + 10 (9) + 25 (4 )
ou
IPL(2005 / 2003 ) = IL(2005 / 2003 ) x 100 = 218,4 %
24 (5 ) + 30 (7 ) + 45 (6 )
I P (2005 / 2003 ) = = 2,034
15 (5 ) + 10 (7 ) + 25 (6 )
ou
IPP(2005 / 2003 ) = IP(2005 / 2003 ) x 100 = 203,4%
Fazendo o mesmo para os demais períodos, obtemos a Tabela 5.
Tabela 5: Índices Laspeyres e Paasche para os produtos A, B e C, no período

de 2002 a 2005, com base em 2003 (Índices).
Ano Laspeyres Paasche
% %
2002 69,2 68,9
2003 100,0 100,0
2004 156,8 151,8
2005 218,4 203,4
Uma análise dos índices mostra que, em relação ao ano base (2003),
no ano de 2002 ocorreu uma redução do índice Laspeyres de 30,8 pontos
percentuais e 31,1 pontos percentuais do índice Paasche, como podemos
observar na Tabela 6.
52
Tabela 6: Análise de variação dos índices Laspeyres e Paasche dos produtos

A, B e C no período 2002 a 2005 com base em 2003 (Índices).
Ano Laspeyres Paasche
2002 -30,8 -31,1
2003 0 (base) 0 (base)
2004 +56,8 51,8
2005 +118,4 +103,4
Como podemos observar, os índices de Laspeyres e Paasche são

médias ponderais 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.
Outros índices como o de Fisher (F) (média geométrica dos índices de
Laspeyres e Paasche),
I F(Pt / po ) = I L (Pt / po ) . I P (Pt / po ) ;
e o índice Marshall – Edgeworth definido como a média ponderada dos valores

usando a soma das quantidades dos itens do ano base e ano referência,
servem para minimizar as diferenças entre os índices Laspeyres e Paasche.
Para finalizarmos, destacamos o índice de custo de vida (ICV) 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).
Nesse índice, a questão é determinar, na prática, a contribuição (Oi) de
cada item em relação ao todo, o que é feito por meio de pesquisas observadas
em um conjunto de famílias classificadas, por exemplo, em função da renda
familiar, assim uma família de baixa renda de θ automovel = o para o item
compra de automóvel, é diferente de uma família rica que tem valor de

θ automovel elevado; por outro lado, para a família pobre o θ a lim ento é elevado
se comparado com a família rica, isto não quer dizer que o pobre se alimenta
mais que o rico, porém revela que o que a família pobre usa para se alimentar
é praticamente igual ao total que recebe, lhe sobrando pouco para outras
despesas.
Neste aspecto podemos definir índice de custo de vida (ICV) como:
53
n
Pit
I CV (pn / po ) = ∑P
i=1
. θi
io
Onde:
Pit = preço do item i no período t;
Pio = preço do item i no período base;
θ i = proporção do item i em relação ao conjunto de itens.
Onde
∑
i=1
θi = 1
Síntese do tema
Neste tema, foram apresentados os vários tipos de índices econômicos,
sua determinação, aplicação e interpretação, os quais são de grande
valia na análise econômica-financeira de uma sociedade, produto ou
serviço.
Atividades
1) Defina índice de preço ao consumidor?
2) Qual a importância de se estratificar a população para a determinação de

ICV?
3) Com os dados da tabela abaixo, calcule os índices estudados neste tema,

usando como base o ano de 1979.
Produtos (preço e quantidade)
A B C
Período Valor Qtde Valor Qtde Valor Qtde
1977 1,20 5 5,60 3 7,00 5
1978 1,50 4 7,20 2 7,21 10
1979 2,00 3 8,40 1 7,50 15
1980 2,00 1 8,90 0 7,90 20
Os exercícios visam a consolidar a aplicação prática dos vários tipos de

índices, bem como sua metodologia de cálculo.
54
Tema 08
Programação Linear
Objetivo
Apresentar as técnicas básicas de aplicação da programação linear, a sua

potência para a vida cotidiana dos negócios e, conseqüentemente, das
empresas.
Introdução
A programação linear (PL) é uma técnica de planejamento que vem se

constituindo como uma das mais poderosas ferramentas de resolução de
problemas, em quase todo o ramo da atividade humana. Seus benefícios são
exatamente aqueles procurados por qualquer empresa, como a diminuição dos
custos (minimização de uma função) e aumento dos lucros (maximização de
uma função). Em muitas organizações, ela está ligada e embutida em suas
rotinas, como no planejamento, no processamento, na informática entre outros.
Programação Linear (PL)
A PL foi aplicada na prática inicialmente em 1946, pelos técnicos de

uma indústria de alimentos, com o objetivo de criar formulações balanceadas
de rações. Desse ponto em diante, foi sendo aperfeiçoada e ampliada em sua
capacidade e aplicabilidade. Hoje as técnicas de PL, são aplicadas nos mais
variados ramos da atividade humana, tais como: composição de ligas
metálicas, produtos de petróleo, nos transportes, localização industrial,
investimentos como no mercado de ações, alocação de recursos em
atividades, determinação de tarefas em função da capacidade individual entre
outros.
O objetivo da PL é encontrar valores máximos ou mínimos em termos
quantitativos, monetários e outros de determinada atividade, por meio do
conhecimento do modelo de desenvolvimento do problema, e suas restrições
superiores e inferiores, também chamados de limites de contorno.
55
O ponto de partida da PL é a construção de um algoritmo, o qual é

definido como sendo um conjunto de procedimentos que indicam a solução ou
o caminho de determinada atividade. Entre os principais algoritmos destacam-
se o algoritmo do Gauss-Jordam e o algoritmo Simplex.
No caso do algoritmo de Gauss-Jordam, o problema básico tem a
seguinte forma: transformar uma determinada matriz dada em outra
equivalente que contenha um certo padrão ou “desenho”.
Exemplo:
Seja dada as equações abaixo, obtidas de determinada função
empresarial:
8x0 + 5x1 – 14x2 + 32x3 = 32

8x0 + 22x1 + 4x2 + 0x3 = 13
-66x0 + 0x1 + 0x2 + x3 = 33
0xo + x1 – 2x2 – 3x3 = 55
O conjunto de equações ordenadas acima de forma crescente para

variável xi é chamado de matriz, os índices de xi são valores, também
chamados de vetores fixos.
Deseja-se minimizar o valor da seguinte expressão:
90x0 – 93x1 + 94x2 – 95x3 = 999
Os mecanismos para transformar certos problemas de otimização em

programação de programação são conhecidos pelo nome de modelagem
matemática, o qual é um tópico avançado da PL, envolvendo toda sua
estrutura.
A PL apresenta-se basicamente de duas formas, a padrão e a
canônica.
Forma padrão ou Standard
Quando as restrições do modelo de PL, são apresentados na forma de

equações.
Exemplo:
Maximizar ou minimizar a função abaixo
Z = C1X1 + C2X2 + ... CnXn
56
Sujeito a :
a11X1 + a12X2 ... + a1nXn = b1
a22X1 + a22X2 ... + a2nXn = b2
am1X1 + am2X2 ... + amnXn = bm
Forma Canônica
Quando as restrições de um modelo de PL, são apresentados na forma

de inequações.
Exemplo:
Maximizar
Z = C1X1 + C2X2 + ... + CnXn
Sujeito a:
a11X1 + a12X2 ... a1nXn ≤ b1
a21X1 + a22X2 ... a2nXn ≤ b2
am1X1 + am2X2 ... + amnXn < bm

onde X1, X2 ..., Xn ≥ 0
ou
minimizar
Z = C1X1 + C2X2 + ... + CnXn
Sujeito a:
a11X1 + a12X2 … + a1nXn ≥ b1
a21X1 + a22X2 … + a2nXn ≥ b2
am1X1 + am2X2 … + amnXn ≥ bm
onde: X1, X2 …, Xn ≥ 0
Operações de reformulação das formas.
As duas formas, padrão e canônica são equivalentes, podendo ser

alteradas de uma para outra por meio das seguintes operações.
- Transformação da maximização em minimização e vice e versa – basta
multiplicar a equação objeto por (-1)
Exemplo:
Maximize Z = minimize (-Z)
- Transformação da desigualdade do tipo ≤ em ≥ , basta multiplicar ambos os
membros da inequação por (-1):
Ai1X1 + a12X2 ... + ainXn ≤ bi
57
β (-1)
- ai1X1 – ai2X2 ... – ainXn ≥ - bi
- Transformação da igualdade em duas restrições de desigualdades
equivalentes:
ai1X1 + ai2X2 ... + ainXn ≥ bi

ai1X1 + ai2X2 ... + ainXn = bi e
ai1X1 + ai2X2 ... ainXn ≤ bi
- Transformação de uma desigualdade em uma restrição de igualdade, por
meio da introdução de uma variável de desvio ou folga, do tipo Xn+1 com valor
não negativo.
Ai1X1 + ai2X2 ... + ainXn ≤ bi ⇔ bi – ai1X1 – ai2X2 ... – ainXn = Xm+1
Ai1X1 + ai2X2 ... ainXn – Xn+1 = bi, Xn+1 ≥ 0.
- Transformação de uma variável livre (não restringida pela condição de não
negatividade) Xi, por um par de variáveis não negativas xi' e xi' ' , fazendo
xi = xi' − xi' ' e assim formulando novamente o problema desta vez com as
novas variáveis.
ai1 x1 + ai 2 x 2 ... + ain x n = b , x1 = x1' + x1' '
( )
ai1 x1' + x1' ' + ai 2 x 2 ... + ain x n = c
Conceitos básicos do modelo de PL
- Função a maximizar (minimizar), função objeto ou objetiva (Fo)

z = ci xi + c 2 x 2 ... + c n x n
- Restrições por equações ou inequações.
ai1 x1 + ai 2 x 2 ... + ain x n = bi
ou
ai1 x1 + ai 2 x 2 ... + ain x n ≤ bi
- Condições de não negatividade
x1 ≥ 0 , x2 ≥ 0 ... xn ≥ 0
- Variáveis de decisão
x1 x 2 ... x n
- Coeficientes das funções objeto ou termos independentes.
aij , bi e c j
- Solução admissível – é qualquer valor que as variáveis de decisão assumem
e satisfazem as restrições do modelo e as condições de não negatividade.
58
- Região de admissibilidade ou conjunto de admissibilidade – é o conjunto de

todas as soluções admissíveis.
- Solução ótima é aquela que maximiza ou minimiza a função objeto sobre a
região admissível.
O objetivo da PL é determinar, entre as soluções admissíveis, uma que
seja a “melhor”, medida pelo valor da função objeto do modelo.
Entende-se por melhor o maior ou menor valor da função objeto, que
dependendo do modelo trata-se de um problema de maximização ou
minimização de uma função.
Na resolução de um problema de PL podem ocorrer uma das situações:
- Problema com uma única solução ótima;
- Problema com múltiplas soluções ótimas;
- Problema não tem solução ótima;
- Problema impossível, não tem nenhuma solução.
Exemplo:
Em determinado evento de competição entre homens e mulheres,
observou-se que a superação de obstáculos é dada pela equação
z = 4 x1 + x 2 e os limites dos competidores pelas inequações 9 x1 + x ≤18
para homens e 3 x1 + x 2 ≤ 12 para mulheres com x1 ≥ 0 e x 2 ≥ 0 . Deseja

saber qual a máxima marca do campeonato. O problema consiste na
maximização da função objeto.
Maximizar z = 4 x1 + x 2
Condições de contorno
H . H . 9 x1 + x 2 ≤ 18
H . M . 3 x1 + x 2 ≤ 12
Introduzido as variáveis de folga x3 e x 4 obtem-se o sistema de equações
lineares:
− 4 x1 − x 2 =0
9 x1 + x 2 + x3 = 18
3 x1 + x 2 + x 4 = 12
X1 X2 X3 X4 S
L - 4 -1 0 0 0
X3 9 1 1 0 18
X4 3 1 0 1 12
A primeira pergunta é:
- Qual a variável que, saindo da base, aumentaria mais rapidamente o valor da
função objeto?
59
A função é aquela m que variável tem o coeficiente mais baixo na linha

referente à função objeto que no exemplo é a variável x1 que apresenta
valor - 4.
Nesta condição, verifica-se que x1 aumenta a função objeto mais
rapidamente, e que o valor máximo que x1 pode assumir sem ultrapassar as

restrições é:
18
Na primeira restrição x1 ≤ = 2 e x3 = 0
9
12
Na segunda restrição x1 ≤ = 4 e x4 = 0
3
Agora substituindo o valor de x3 por 1 e a solução pelo valor de x1 obtemos o
novo quadro.
X1 X2 X3 X4 S
x (4) + L -4 -1 0 0 0
X1 9/9 = 1 1/9 1/9 0 18/9 = 2
x (-3) + X4 3 1 0 1 12
E escalonando a tabela para surgir na coluna de x1 os valores 0, 1 e 0 temos:
X1 X2 X3 X4 S
L 0 -5/9 4/9 0 8
X1 1 1/9 1/9 0 2
X4 0 2/3 -1/3 1 6
Agora o mesmo vale para a pergunta inicial, ou seja, qual a variável

que, saindo da base, aumentaria mais rapidamente o valor da função objeto?
A resposta recai na coluna de x 2 com valor de -5/9, restringida ao valor
máximo de:
2 6
= 18 e =9
(1 / 9) (2 / 3)
Onde se elege o menor valor, e nomeia a nova linha pivo x 4 , multiplicando a
mesma por 3/2
X1 X2 X3 X4 S
L 0 0 1/6 5/6 13
X1 1 0 1/6 -1/6 1 x (5/9) +
x (-1/9) + X2 0 1 -1/2 3/2 9
60
Nesta condição destacamos que a marca ótima na competição é de 13

pontos, para os valores de x1 = 1 e x 2 = 9 o que resulta 18 competidores
homens e 12 competidoras mulheres.

O método Simplex pode ser resumido no conjunto de procedimentos na
forma de fluxograma, também chamado de algoritmo, o qual é apresentado a
seguir:
1 – Acrescentar variáveis de folga (VF) ao problema, tantas quanto forem as

restrições;
2 – Achar uma solução viável definindo as variáveis de base (VB) e as
variáveis de restrição (VR);
3 – Identificar a coluna VR com o menor coeficiente negativo na função objeto

(VBE);
4 – Escolher a menor das razões entre os coeficientes da VBE e os valores das
VB’s;
5 – Identificar a linha em que isto ocorre e nominar a VB com o VBs;
6 – Tomar o coeficiente da VBE igual a 1 na linha da VBS e escalonar o
sistema;
7 – A VBE torna-se VB e a VBS torna-se VR;
8 – Existe alguma VB com coeficiente negativo na função objeto?
9 – Se Sim voltar a executar o algoritmo apartir de 3;
10 – Se Não esta é a solução ótima.
Outras formas de PL
Forma cartesiana
n
Maximizar: z = ∑i =1
ci xi
Tal que
n
∑
i =1
a j xi ≤ b j j = 1, 2, 3... M .
Forma Matricial
AX ≤ b
z = c t x maximizar
X ≥0
Onde:
C = [C1 , C 2 ... C n ]
t
61
X = [X 1 , X 2 ... X n ]
t
b = [b1 , b2 ... bn ]
t
A = aij [ ]( MXN )
0 = [0, 0, ... 0]
t
Forma Vetorial
Maximizar: z = c x
t
x1 p1 + x 2 p 2 ... + x n p n ≤ p0
xi ≥ 0 i = 1, 2, ... N .
Onde:
C = [c1 , c 2 ... c n ]
t
X = [x1 , x 2 ... x n ]
t
[
Pi = a1 j , a 2 j ... a M , N ]
t
Po = [b1 , b2 ... bM ]
t
Síntese do tema
Verificamos neste tema os tópicos de PL e sua aplicação por meio do

método Simplex.
Atividades
1 – Uma grande fábrica de móveis dispõe em estoque de 300m de tábuas (t),
600m de pranchas (p) e 500m de painéis aglomerados (a). A mesma produz
escrivaninha (E), mesa (M), armário (A), e prateleira (P), estes modelos são
vendidos respectivamente por $100; $80; $120 e $30, e consomem:
- Escrivaninha (E): 1m de tábua (t) e 3m de agromerado (a);

- Mesa (M): 1m de tábua (t), 1m de prancha (p) e 2m de agromerado (a);
- Armário (A): 1m de tábua (t), 1m de prancha (p) e 4m de agromerado (a);
- Prateleira (P): 4m de tábua (t), 2m de prancha (p).
Determinar o melhor programa de produção que otimize os ganhos e reduza as

perdas.
Este exercício visa a construir as equações e inequações do problema e

mecanizar a aplicação do método Simplex.
62
Tema 09
Diagrama de decisão
Objetivo
Discutir a forma de tomada de decisão sobre determinado evento com base em

probabilidades, custos e retornos.
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 destes componentes que nos auxiliarão na tomada de decisão.
Analise de Decisão Bayesiana (tabelas e arvore de decisão).
Essencialmente uma tabela e uma árvore de decisão identificam o

ganho ou perda de um determinado evento condicional associado com uma
possível combinação de atos de decisão sobre o objeto de decisão. Estes
instrumentos também indicam a probabilidade de ocorrência para cada uma
das alternativas, as quais geralmente devem ser mutuamente exclusivas.
Para entender fundamentalmente o processo de tomada de decisão é
necessário definir alguns elementos fundamentais na construção deste
processo, são eles:
● 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
63
“estados” ou 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, a qual

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
$300,00 e a não venda uma despeza de $200,00. Monte a tabela de decisão
do problema acima com base na probabilidade de demanda.
Demanda Probabilidade Ganho por lotes de aquisição

(unid) (%) 5 und 10 und 15 und 20 und
$ $ $ $
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 $3000,00.
64
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, maxmax e do arrependimento minimax.
Critério maximin – máximo ganho com a menor quantidade;

Critério minimax – 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 ($)
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
(300-1500) (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
(maxmax)
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 evento inicial construa a tabela abaixo e calcule o valor
esperado (VE) elegendo o melhor.
65
Ganhos por lote de aquisição

Probabilidade
Demanda 5 10 15 20
P(x)
$ $.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 1900 3500 1400
20 0,20 1500 300 3000 600 4500 900 6000 1200
Valor Esperado (VE) 1500 2750 3250 2750
Diagrama de decisão
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 depende 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 “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.
66
Exemplo:
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 $200.000; 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
$700.000; dado um baixo nível é $150.000. Se a demanda for baixa, o lucro
adicional, dado um alto nível de produção é $100.000; e dado um nível baixo é
de $150.000.
Todos estes valores de lucro adicional são valores brutos (isto é, antes
da subtração do custo de desenvolvimento que é de $200.000). 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
elevada(p = 0,40)
E.E.
Desenvolver com Produção $+500.000
Desenvolver êxito(p = 0,70) elevada
Não Desenvolver Demanda

C.E.
Desenvolver sem êxito
(p = 0,30)
Produção baixa(p = 0,60) $-500.000
baixa
Terminar o projeto –
conseqüência de Demanda
elevada(p = 0,40)
$ - 200.000 Demanda
baixa(p = 0,60)
C.E. C.E.
$-50.000 $-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). (500.000) + (0,60).(-100.000) = 140.000
VE (baixo nível de produto) = (0,40).(-50.000) + (0,60).(-50.000) = -50.000
VE (desenvolver) = (0,70).(140.000) + (0,30).(-20.000) = 38.000
VE (não desenvolver) = 0
Considerando os VE acima, verifica-se que a melhor ação é
desenvolver o produto e produzi-lo a um alto nível de produção.
67
Síntese do tema
Neste tema foram desenvolvidas as ferramentas básicas para uso no

diagrama de decisão e as suas formas de aplicação no cotidiano da vida
prática.
Atividades
1) Um varejista compra um certo produto por $3 a caixa e vendo por $5. 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 dubo de imagem de 36 polegadas. O proprietário
de uma pequena loja de eletrodomésticos estima que o preço de venda é de
$1.800, 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 nestes 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 $200. Se qualquer aparelho não for vendido durante 3 meses, a
perda total por aparelhos para o lojista será de $300.
Determine as melhores ações do ponto de vista dos critérios de:
a)maximin
b)maximax
c)Arrependimento máximo
d)V.E.
Estes problemas visam a tornar o mecanismo de cálculo para obtenção dos
resultados mais claros e diretos.
68
Tema 10
Risco e Incerteza
Objetivo
Diferenciar risco e incerteza no campo dos negócios.

Apresentar os tipos de avaliação e medidas de risco e como as situações em
que ocorrem tais eventos.
Introdução
É muito comum ouvirmos frases do tipo “o futuro é incerto” e “o negócio

é duvidoso”, as quais revelam certo risco e um grau de incerteza. Sob este
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 em menor risco e diminuição do grau de
incerteza.
Os fatos históricos têm importância na tomada de decisão e, no caso
afirmativo, como utilizá-los de forma a fornecer dados seguros e confiáveis.
Risco
São manifestações de uma mesma forma fundamental, ou seja, a

aleatoriedade da ocorrência de eventos. Um grande avanço nesta
aleatoriedade está no fato de se distinguirem estes dois conceitos: 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 ser obtidas por dedução, usando modelos teóricos, ou,
ainda, por indução, usando a freqüência reservada de eventos.
Exemplo:
Um grande jogador pode prever a probabilidade dos resultados
possíveis de um jogo de dados. O mesmo ocorre com economistas quando
69
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.
Exemplo:
Podemos inferir a probabilidade de se machucar a cabeça andando de
bicicleta sem capacete, a partir da observação da freqüência com que lesões
são observadas 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 mesmo emboçado. O problema se
inicia no conceito de universo de ocorrências que é bastante vago e grande, e
o segundo como entender o funcionamento deste universo de forma que
observações passadas não podem ser referência para o futuro.
Exemplo:
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
70
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.
Exemplo:
Seja dada a figura abaixo que representa a rentabilidade das ações de
determinado conjunto de empresas do setor elétrico americano, 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 do tema
Neste tema, foram apresentadas as diferenças entre risco e incerteza e

as formas de avaliar os riscos econômicos no mercado de capitais.
Atividades
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?
Mostrar a diferença entre risco e incerteza, e aplicação dos métodos

quantitativos na previsão de riscos financeiros para a tomada de decisão.
71
Tema 11
Teorema do limite central (TLC)
Objetivo
Apresentar o conceito do TLC, suas características fundamentais e aplicação

como ferramenta no estudo dos métodos quantitativos.
Introdução
A distribuição normal de probabilidade ou simplesmente distribuição

normal é o tipo de distribuição mais importante: para qualquer que seja o tipo
de distribuição que ocorrerá para uma variável, quando o número de amostra
examinada se torna grande, a sua forma de distribuição se aproxima de uma
distribuição normal em que se aplica invariavelmente o conceito (definição) do
teorema do limite central.
Teorema do limite central (TCL)
Seja X uma variável aleatória qualquer, que tem media µ e variância
σ 2 . Para amostras X1, X2, X3 ..., Xn, retiradas ao acaso e com reposição de X,
a distribuição de probabilidade (ocorrência de fenômeno examinado na
amostra) a média da amostra X aproxima-se, para n grande, de uma
distribuição normal com média µ e variância σ 2 / n , ou seja:

( )
X ~ N µ , σ 2 / N , para n grande.
Propriedades
- Se a distribuição de X é normal, então X tem distribuição exata para todo e

qualquer N;
- O desvio padrão (S) é denominado de erro padrão d média é dado por:
σ2 σ
S= =
n n
72
Exemplo:
Considere uma amostra aleatória do tamanho n com distribuição N(10,
16).
Indicar o comportamento de X e da função de distribuição em função de n?
1,2
n = 100
1,0
0,8 n = 50
DENSIDADE
0,6 n = 30
0,4
n = 10
0,2
0,0
5 10 15
X
Distribuição de dois eventos à medida que se aumenta o número das amostras examinadas.
Nesse caso, verifica-se invariavelmente X = 10 para qualquer valor

de n e quanto maior o valor de n mais os elementos da amostra se aproximam
do valor da média, ou seja, a curva torna mais elevada e com uma melhor
distribuição normal. Pelo T.C.L tem-se:
X ~ N (10,16 / n )
Verifica-se, portanto, que a aproximação para a normal melhora à

medida que o tamanho da amostra cresce e este resultado é conhecido como o
teorema do limite central, o que nos permite conduzir alguns procedimentos de
interferência sem qualquer conhecimento da distribuição de probabilidade da
população.
A figura a seguir, ilustra 2 eventos (direito e esquerdo), distintos e
aleatórios, simulados por computador, em que se alteram o número de
amostras de cima para baixo.
73
x µ x µ
↓ ↓
5 3
x µ x µ
↓ ↓
5 3
µ x x µ
↓ ↓
5 3
BOTTER, Rui C. Estatística Básica para a Garantia da Qualidade. Apostila

Unicamp. São Paulo:Campinas, 1988
Notamos que a forma de distribuição muda, à medida que se muda de

um quadro para outro (de cima para baixo) e como a distribuição em cada
quadro torna-se mais similar nas suas formas à medida que o tamanho das
amostras aumenta, cada distribuição parece mais e mais com uma distribuição
normal e sendo as médias populacionais 5 e 3, respectivamente; quanto maior
o tamanho da amostra, mais perto as médias amostrais tendem a estar da
média populacional.
74
Síntese do tema
O TCL é uma ferramenta extremamente poderosa para os métodos

quantitativos, pois quando se deseja estudar qualquer fenômeno pode-
se transformá-lo em uma distribuição normal ou quando o tamanho da
amostra for suficientemente grande e assim utilizar de suas
propriedades.
Atividades
1) Seja X uma variável aleatória com média µ = 5, 4 e variância σ 2 = 4, 44 .
Uma amostra com 40 observações é sorteada. Qual a probabilidade da média
amostral ser maior que 5?
2) Sabe-se que o faturamento diário de um posto de gasolina segue uma certa

distribuição da média $20 mil e desvio padrão de $2 mil. Qual a probabilidade
de faturamento total, em um período de 60 dias, ultrapassar $1.230 mil?
3) Suponha que nas crianças nascidas com peso abaixo de 750g, o nível de
bilirrubina sórica tem distribuição normal com média 8,5 mg/dl e desvio padrão
3,5 mg/dl. Calcule a probabilidade de que a média amostral X , para uma

amostra de 16 crianças:
a) seja menor do que 8 mg/dl
b) esteja entre 7,5 e 9,5 mg/dl
Encontre um intervalo simétrico em torno da média que contenha 95% dos
valores de X .
Estes exercícios procuram aplicar a T.C.L para obtenção de resultados mais

simples e diretos considerando uma distribuição normal.
75
Tema 12
Ferramentas Estatísticas para o Controle de

Qualidade
Objetivo
Apresentar o uso dos conceitos vistos no curso de Métodos Quantitativos e sua

aplicabilidade no controle de qualidade.
Introdução
Assim como para as técnicas de amostragem, o controle de qualidade

(CQ) possui uma literatura própria e extensa, a qual não cabe neste pequeno
tema, entretanto, as principais e fundamentais técnicas e sua aplicação no
campo real serão aqui apresentadas.
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.
Exemplo:
- espessura de uma chapa metálica;
- resistência mecânica de um produto.
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 no capítulo do Teorema de
Limite Central, 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
76
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.
Gráfico de controle
Seja X uma variável aleatória contínua (exemplo: o diâmetro de um

parafuso), na qual conhecemos a sua medida (µ ) e o valor do seu desvio
padrão (σ ) quando o processo está sob controle.

Como visto no TCL, X tem uma distribuição normal, com
( )
X ~ N µ , σ 2 , se forem escolhidas amostras do tamanho n e calcula-se a sua
média, sabe-se que X tem distribuição normal de média µ e variância
σ 2 / n , ou seja:
(
X ~N µ , σ2 / n )
e
X−µ
Z= é a distribuição normal reduzida de X
σ/ n
A observação da tabela de distribuição normal padronizada fornece

que:
- 68% dos valores de X estão no intervalo µ ± σ
- 95% dos valores de X estão no intervalo µ ± 2σ
- 99,7% dos valores de X estão no intervalo µ ± 3σ

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 µ ± 3σ / 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, o qual denominamos de
gráfico de controle, que é a representação gráfica da média da população (µ )
numa linha central, delimitando uma região no plano entre os limites superiores
e inferiores iguais a µ + 3σ / n e µ − 3σ / 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
77
gráfico da fração deficiente, muito utilizados para o controle de qualidade por

atributos quando a variável é discreta.
Construção do gráfico da média
Apresenta-se esta seqüência apenas em caráter informativo.
a. Efetua-se a estimação de µ e σ , usando amostras de no mínimo 100

observações. Caso o processo esteja sujeito a normas ou padrões pré
estabelecidos, usa-se estas especificações como valores de µ e σ ;
b. Constrói-se o intervalo µ ± 3σ / n onde n é o tamanho da amostra que em

geral é igual a 5;
c. Retiram-se amostras periódicas do processo de tamanho 5, calcula-se a sua
média amostral e em seguida, verifica-se o valor dessa média, se encontra
dentro dos limites de controle, obtendo como exemplo o gráfico abaixo:
2,0
X
fora de controle
3σ
µ+ 1,5
n
µ
1,0
3σ
µ− 0,5
n
0,0
1 2 3 4 5 6 7 8
lotes de amostras
Caso os valores das amostras estejam dentro da faixa, admite-se que o
processo esta 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.
Para a construção dos outros gráficos, utiliza-se o mesmo processo
descrito anteriormente.
Exemplo:
78
Admitindo-se que um processo de fabricação de parafusos esteja

sujeito a uma média de 0,9996 polegadas, para a espessura com um desvio
padrão de 0,0106 polegadas, construir o gráfico de controle para verificar se as
amostras abaixo estão dentro dos limites, ou seja, se o processo está sob
controle.
Amostras N°1 N°2 N°3 N°4 N°5
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:
3σ 3 (0,0106 )
µ+ = 0,9996 + = 1,0138
n 5
3σ 3 (0,0106 )
µ− = 0,9996 − = 0,9854
n 5
As médias das amostras são:

Amostras n° Média
1 1,001
2 0,999
3 1,005
4 0,998
5 1,003
O gráfico de controle é
lim ite s u p e rio r d e c o n tro le

1,013
0,999
1,00
0,985 lim ite in fe rio r d e c o n tro le
1 2 3 4 5
a m o s tra s
Observa-se que o processo está sob controle e obedecendo a uma
distribuição normal.
O histograma dos valores das médias amostrais é importante para
verificar o comportamento da normalidade da distribuição.
79
Síntese do tema
Aplicação das ferramentas estatísticas dos Métodos Quantitativos para o
controle de qualidade, tais como: média, desvio padrão, distribuição normal,
teorema central do limite e histograma.
Atividades
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
a) estimar µ e σ ;
b) construir o gráfico de controle;

c) o que se pode dizer sobre o processo?
2) Considerando os dados do problema anterior com uma média de 10 e

desvio padrão de 0,1
a) Construir novo gráfico de controle;
b) Quais as novas conclusões?
3) A partir do intervalo de confiança para a proporção e orientando-se pelo

desenvolvimento feito para a média, construa o gráfico de controle para a
proporção ou gráfica de “fração deficiente”.
Tornar claro o uso das ferramentas estatística no controle de qualidade, além

de desenvolver seu método de cálculo.
80

AD Met 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

AD Met Quantitativos

Enviado por

Direitos autorais:

Formatos disponíveis

EAD UNITINS / EDUCON – METÓDOS QUANTITATIVOS - ADMINISTRAÇÃO

Marcos Ântonio Dozza

Fundação Universidade do Tocantins

Reitor: Humberto Luiz Falcão Coelho

Educon – Empresa de Educação Continuada Ltda

Diretor Presidente: Luiz Carlos Borges da Silveira

Equipe Pedagógica – Unitins

Coordenação do Curso: Claudemir Andreaci

Conteúdos da Disciplina: Marcos Ântonio Dozza

O curso de Métodos Quantitativos pretende fornecer aos participantes

dos modelos estudados. Espera-se, a partir do enfoque adotado, que os

• O curso pretende fornecer aos participantes uma visão bastante prática de

BOTTER, R. C. Estatística básica para a garantia da qualidade. Campinas:

FONSECA, N. Probabilidade e Noções de Estatística. Apostila do Curso de

HOEL, P. G. Estatística Elementar. São Paulo: Atlas, 1979.

BOTTER, R. C. Estatística básica para a garantia da qualidade. A´postila

FONSECA, N. Probabilidade e Noções de Estatística. Apostila do Curso de

GOMES, F.P. A Estatística Moderna na Pesquisa Agropecuária.. São Paulo:

HOFFMANN, Rodolfo. Estatística para Economistas. 3.ed., S. Paulo: Pioneira,

HOEL, P. G. Estatística Elementar. Atlas: São Paulo, 1979.

KASMIER, L.J. Estatística Aplicada à Economia e Administração. São Paulo:

LEVIN, Jack. Estatística Aplicada a Ciências Humanas. 2.ed., São Paulo:

NETO BARROS, B; SCARMINIO, I.S. e BRUNS, R.E. Como Fazer

RICHARD, A. Brealey e STEWART, C. Myers. Princípios de Finanças

VIEIRA, Sonia. Introdução à Bioestatística. 3.ed, Rio de Janeiro: Campus,1980.

Tema 2 – Amostragem e Distribuição Amostral

Tema 3 - Estimação por ponto e intervalo de confiança

Tema 4 - Teste de hipótese

Tema 5 - Análise de regressão e correlação

Tema 6 - Análise de variância

Tema 7 - Programação linear

Tema 8 - Diagrama de decisão

Tema 9 - Risco e incerteza

Tema 10 - Números índices

Tema 11 - Teoria do limite central

Tema 12 - Ferramentas estatísticas para o controle de qualidade

Apresentar os elementos básicos para o estudo e aplicação matemática da

Neste tema vamos estudar os elementos estatísticos fundamentais

- EVENTO SIMPLES: aquele formado por um único elemento do Universo;

- Evento Certo: aquele que ocorre sempre, ou seja, em todas as realizações

os demais eventos possíveis de ocorrerem no espaço amostral ( E );

Nº de jogadas Combinações possíveis (faces que podem ocorrer)

Nesse caso, temos 36 possibilidades (eventos possíveis), ou seja, 36

É a possibilidade matemática definida, da ocorrência de um evento (A),

P(A ∩ C) = P(A) · P(C)

P(B ∩ C) = P(B) · P(C)

P(A ∩ B ∩ C) = P(A) · P(B) · P(C)

Este teorema é uma das relações mais importantes envolvendo

EVENTO (A) ANTERIOR AO EVENTO (B), TENHA SIDO CAUSADOR DO

- Para a caixa C1: P(probabilidade das bolas brancas) = P(B1) = 2/3;

- P(B1/C1) = 2/3 · 1/2 = 1/3

-P(B1/(P(B1/C1) + P(B2/C2)) = (1/3)/(7/12) = 12/21 = 4/7.

Vimos neste tema que a Probabilidade é o valor da possibilidade de

1) Defina o espaço amostral para os experimentos abaixo:

Apresentar as formas de aplicação da probabilidade em seus vários tipos de

Amostragem e Distribuição Amostral

Apresentar as técnicas de amostragem de eventos em populações e as formas

A amostragem (ato de retirar elementos de uma população) é um dos

È o ato de obter amostras extraídas de um universo também chamado

Também chamada de aleatória ou randômica – é aquela em que todos

não nula) de pertencer à amostra, ou seja, trata-se de uma seleção aleatória

Amostragem Não Probabilística

É aquela em que a escolha é feita de maneira justificada e com