Professional Documents
Culture Documents
QUANTITATIVOS EM
GESTO
INTRODUO
60 | Estatstica II
nosso cotidiano, tornando nossas decises mais confiveis,
pautadas em bases metodolgicas slidas.
CAPTULO I
CORRELAO E REGRESSO
Estatstica II | 61
agrcolas e porcentagem de produtos estragados; preos de leo
diesel e preos de gasolina; gasto com manuteno preventiva e
taxa de produtividade de manufaturas, entre outros. Assim, o
primeiro passo para compreender a relao entre as variveis
aprender a visualizar, descrever e quantificar relaes entre os
tipos de variveis, o que feito atravs da Estatstica Descritiva,
estudada no mdulo anterior.
62 | Estatstica II
Figura 0-1 Tipos de Correlao
Estatstica II | 63
r= n xy(x)(y) nx (x) ny (y)
2 2 2 2
Onde: 1 r +1;
Em Palavras Em Smbolos
x
1. Encontre a soma dos
valores de x.
y
2. Encontre a soma dos
valores de y.
3. Multiplique cada valor x
xy
por seu valor y
correspondente e
encontre a soma.
4. Faa o quadrado de cada
valor x e encontre a
soma.
x 2
64 | Estatstica II
propaganda e as vendas da empresa. Vejamos o diagrama de
disperso para os dados coletados na tabela abaixo:
R$1.000), x
2,4 225
1,6 184
2,0 220
2,6 240
1,4 180
1,6 184
2,0 186
2,2 215
Estatstica II | 65
Grfico 0-1 Diagrama de Disperso
300
250
200
150
100
50
0
0 0,5 1 1,5 2 2,5 3
Gastos com propagandas (em R$1.000)
Gastos com
Vendas da
Propaganda 2 2
empresa (em xy x y
(em
R$1.000), y
R$1.000), x
2,4 225 540 5,76 50625
1,6 184 294,4 2,56 33856
66 | Estatstica II
2,0 220 440 4 48400
2,6 240 624 6,76 57600
1,4 180 252 1,96 32400
1,6 184 294,4 2,56 33856
2,0 186 372 4 34596
2,2 215 473 4,84 46225
55
1.2 Regresso
Os diagramas de disperso nos do algumas pistas sobre
como podem estar relacionadas duas variveis. Mas para poder
prever qual ser o valor de uma varivel y quando uma varivel x
se comportar de determinada maneira, utiliza-se a Regresso
Bivariada, ou seja, a regresso de duas variveis.
Estatstica II | 67
duas variveis quantitativas, ajudando a responder questes
prticas dentro das empresas. Uma empresa pode querer saber,
por exemplo:
68 | Estatstica II
Quanto aumenta, em mdia, o custo em medicamento por
empregado com um dependente extra? Qual seria o custo
esperado por empregado (empregado sem dependentes)?
Quanto aumenta, em mdia, o preo do aluguel por unidade
de rea extra (em metros quadrados, por exemplo)?
Estatstica II | 69
R$268 milhes em vendas no caso de no fazer propaganda.
Entretanto, o intercepto pode no ter sentido porque a Propaganda
= 0 pode estar fora do intervalo de observao dos dados.
Custo Medicamento = 410 + 550 Dependentes
70 | Estatstica II
Quando propomos um modelo de regresso, temos um
mecanismo de causa em mente, mas a relao de causa e efeito
no provada por uma regresso simples. No deveramos nos
basear apenas em uma reta de equao ajustada.
Estatstica II | 71
O custo esperado de um almoo para quatro pessoas
de R$ 95,06, pois Custo = 15,22 + 19,96(4) = 95,06.
y =b0 +b1x i
Onde:
y a varivel resposta. O y chapu minsculo a varivel
dependente, pois seu valor vai depender da varivel
independente x. As letras minsculas indicam que estamos
lidando com uma amostra.
. A varivel x independente.
72 | Estatstica II
Para calcular os valores do intercepto b0 e da inclinao da reta
b1 usamos as seguintes frmulas: b1 = n xy (x)(
2 2 y) nx
(x)
b0 = yb1x=y b 1 x
n n
)
b1 = nxy2(x )( 2 y = 8(3.289,) (15,8)(12.634) = 501,2 50,728
portanto: y =104,06+50,728x i
Estatstica II | 73
dois pontos. Para este exemplo, a reta de regresso pode ser vista
na figura a seguir:
300
250
200
150
100
50
0
0 1 2 3
Gastos com propagandas (em R
$1.000)
CAPTULO II
74 | Estatstica II
processos estocsticos podem ser descritos utilizando-se modelos
probabilsticos comuns, cujas propriedades j so bem
conhecidas. Descreveremos alguns modelos mais utilizados a
seguir.
Estatstica II | 75
Uma universidade tem vagas em seu programa de X = nmero de estudantes de
MBA especfico para 65 novos estudantes. No MBA admitidos que de fato se
passado, 75% daqueles que foram admitidos matriculam (X = 0, 1, 2, 3, ...,
efetivaram sua matrcula. Toma-se a deciso de admitir 80)
80 estudantes. Qual a probabilidade de que mais de 65
estudantes admitidos de fato se matricularo?
76 | Estatstica II
Quando voc lana uma moeda honesta trs vezes, o espao
amostral tem oito eventos simples igualmente provveis: {HHH,
HHT, HTH, THH, HTT, THT, TTH, TTT}, H representa cara e T
representa coroa. Se X o nmero de caras, ento X uma
varivel aleatria cuja distribuio de probabilidade mostrada na
tabela e no grfico a seguir:
Estatstica II | 77
Figura 0.1 Nmero de Caras (X)
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3
Nmero de Caras
(X)
E(X)==xi P(xi )
i=1
78 | Estatstica II
EXEMPLO: CHAMADAS DE ASSISTNCIA TCNICA
A distribuio de chamadas de emergncia dominicais
recebidas por uma assistncia tcnica mostrada na tabela a
seguir. As probabilidades somam 1, como deve ser para qualquer
distribuio de probabilidade.
x P(x) xP(x)
0 0,05 0,00
1 0,10 0,10
2 0,30 0,60
3 0,25 0,75
4 0,20 0,80
5 0,10 0,50
Total 1,00 2,75
Estatstica II | 79
Figura 0-2 Nmero de Servios de Emergncia
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5
Nmero de Servios de
Emergncia
80 | Estatstica II
n
= 2 = V(X)
Estatstica II | 81
5 0,20 1,00 +0,29 0,0841 0,0168
6 0,15 0,90 +1,29 1,6641 0,2496
7 0,26 1,82 +2,29 5,2441 1,3634
2
Total 1,00 = 4,71 = 4,2259
As frmulas so:
Nmero de Quartos
Alugados
0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7
Nmero de Quartos
Alugados
82 | Estatstica II
somente de dois parmetros a e b. Cada valor igualmente
provvel. A tabela a seguir resume as caractersticas de uma
distribuio uniforme discreta.
2
Desvio-Padro [(ba)+1]2 1
12
Comentrios Usada principalmente como
ponto de referncia para gerar
inteiros aleatrios ou para criar
outras distribuies.
Estatstica II | 83
de fracasso (denotado X = 0). A probabilidade de sucesso
denotada por (a letra grega pi, que no deve ser confundida
com a constante matemtica 3,14). A probabilidade de fracasso
1 , de modo que as probabilidades somem um, isto , P(0) +
P(1) = (1 ) + = 1.
Experimento de Probabilidade
Resultados Possveis
Bernoulli de Sucesso
Lanar uma moeda 1 = Cara = 0,50
honesta 0 = Coroa
Inspecionar uma 1 = encontrando uma = 0,001
lmina da turbina de fissura
um avio 0 = nenhuma fissura
Comprar um tanque 1 = pagar com carto de = 0,78
de gs crdito
0 = no pagar com carto
de crdito
Fazer uma 1 = testar positivo = 0,0004
mamografia 0 = testar negativo
84 | Estatstica II
emprstimos. Um sucesso, ento, meramente um evento de
interesse, na qual se deseja observar.
Mdia de Bernoulli:
E
i=1
Varincia de Bernoulli:
V
i=1
Estatstica II | 85
experimento binomial estamos interessados em X = o nmero de
sucessos em n ensaios, tal que a varivel aleatria binomial X seja
a soma de n variveis aleatrias Xi de Bernoulli independentes.
X = X1 + X2 + ...+ Xn
x!(nx)!
Intervalo de valores X = 0, 1, 2, ..., n
Mdia n
Desvio-Padro n(1)
Distribuio assimtrica direita
se < 0,5, assimtrica
esquerda se > 0,5, e simtrica
Comentrios se = 0,5. Contudo, a assimetria
decresce conforme n aumenta,
independentemente do valor de
.
86 | Estatstica II
A distribuio de Poisson descreve o nmero de
ocorrncias de um evento dentro de uma unidade de tempo
(minuto, hora etc.) ou espao (metros quadrados, quilmetros
lineares etc.). Para se usar a distribuio de Poisson, os eventos
devem ocorrer aleatria ou independentemente, no espao ou em
tempo contnuo, conforme ilustrado na figura abaixo. Ou seja, a
ocorrncia de evento (que se esteja observando) independente
da ocorrncia de um outro evento. Tempo contnuo a aplicao
mais comum da Poisson para modelar chegadas por unidade de
tempo. Por exemplo, a chegada de um cliente numa fila de caixa
de supermercado independente (em tese) da chegada de um
outro cliente na mesma fila. Neste caso, usaramos a distribuio
Poisson para calcular a probabilidade de se chegar um, dois, trs
clientes etc., em um minuto, ou uma hora, por exemplo. Na figura
abaixo cada pontinho preto ( ) representa uma ocorrncia de um
evento qualquer de interesse.
Estatstica II | 87
dependendo de onde a unidade de tempo escolhida
aleatoriamente cair. Em geral, chamamos a distribuio de
Poisson de modelo de chegadas (de clientes, de defeitos, de
acidentes). As chegadas podem ser adequadamente consideradas
como eventos de Poisson, se os eventos forem INDEPENDENTES
(isto , cada ocorrncia do evento no afeta a probabilidade de
outros eventos ocorrerem). Em algumas situaes, os eventos no
so independentes, ento no faria sentido utilizar a distribuio
Poisson. Suponhamos, por exemplo, que usurios do computador
sabem que uma interrupo na energia frequentemente implica em
outras dentro de segundos ou minutos. Consequentemente, uma
segunda queda de energia pouco tempo depois de uma primeira
no seria um evento independente. Mas o modelo da Poisson
pode ser til em diversas situaes:
88 | Estatstica II
X = nmero de imperfeies por folha de blocos de papel
branco.
Estatstica II | 89
Poisson se aproximam de zero conforme aumenta X, de modo que
o intervalo de valores efetivo , em geral, pequeno.
90 | Estatstica II
Tabela 0-9 Probabilidades (densidade) de Poisson para vrios valores de
e x (1,7)xe1,7
P(x) = = x! x!
Mdia : =1,7
Estatstica II | 91
Desvio padro:= = 1,7 =1,304
Assim, caso alguma tabela tenha as probabilidades prontas
disponveis para a mdia 1,7, basta olharmos, por exemplo, a
probabilidade de chegar 0 ou 1 ou 2 ou 3 etc. (ou seja, x = 0 ou 1
ou 2 ou 3...) na tabela. A tabela anterior no apresenta
probabilidades para a mdia 1,7, portanto, precisamos utilizar as
frmulas anteriores para calcular as probabilidades de chegada na
calculadora, no Excel, ou mo.
1,70 e1,7
P(0) = = 0,1827
0!
(a probabilidade de chegar 0 clientes no prximo minuto de
0,1827, ou 18,27%)
1,71e1,7
P(1) = = 0,3106
1!
(a probabilidade de chegar 1 cliente no prximo minuto de
0,3106 ou 31,06%)
1,7 e1.7
1
P(2) = = 0,2640
(a probabilidade de chegarem 2 clientes no prximo minuto
0,2640 ou 26,40%)
1
!
92 | Estatstica II
1,73 e1,7
P(3) = = 0,1496
3!
(a probabilidade de chegarem 3 clientes no prximo minuto
0,1496 ou 14,96%)
1,74 e1,7
P(4) = = 0,0636
4!
(a probabilidade de chegarem 4 clientes no prximo minuto
0,0636 ou 6,36%)
1,75 e1,7
P(5) = = 0,0216
5!
(a probabilidade de chegarem 5 clientes no prximo minuto
0,0216 ou 2,16%)
1,76 e1,7
P(6) = = 0,0061
6!
(a probabilidade de chegarem 6 clientes no prximo minuto
0,0061 ou 0,61%)
1,77 e1,7
P(7) = = 0,0015
7!
(a probabilidade de chegarem 7 clientes no prximo minuto
0,0015 ou 0,15%)
Estatstica II | 93
1,7 e1,7
1
P(8) = = 2,0003
1,79 e1,7
P(9) = = 0,0001
9!
(a probabilidade de chegarem 9 clientes no prximo minuto
0,0001 ou 0,01%)
1
!
(a probabilidade de chegarem 8 clientes no prximo minuto
2
,0003 ou 0,03%)
94 | Estatstica II
CAPTULO III
Estatstica II | 95
Com variveis discretas, tomamos somas de probabilidades
em grupos de pontos. Mas funes de probabilidade contnuas so
curvas suaves, de modo que a rea em qualquer ponto seria zero.
Em vez de somar probabilidades, consideramos reas sob curvas
e calculamos a probabilidade dos intervalos contnuos, ou seja, a
probabilidade de um valor x cair entre dois valores ou a
probabilidade de um valor x ser maior que outro valor.
96 | Estatstica II
distribuio de probabilidade mais importante para descrever uma
varivel aleatria. A distribuio normal de probabilidade (curva
em forma de sino) definida por apenas dois parmetros: e .
Estatstica II | 97
Figura 0-2 Distribuies normais para diferentes valores de mdia e desvio-padro
98 | Estatstica II
7. medida que a curva normal se distancia cada vez mais da
mdia, ela se aproxima do eixo x, mas nunca o toca; e
Estatstica II | 99
observados nesta distribuio normal padro, que possui = 0 e
= 1. Assim, com base nesta nica distribuio padro, possvel
transformar qualquer distribuio normal com e diversas e
diferentes, em uma normal padro, e assim, saber as
probabilidades de uma atravs da outra.
100 | Estatstica II
x z=
Estatstica II | 101
curva. Olhando na tabela, procuraremos o valor de z
correspondente a 0,12, que 0,0438, ou seja, a probabilidade
entre z = 0 e e z = 0,12 igual a 0,0438. Contudo, se queremos
toda a probabilidade da parte sombreada, deveremos somar 0,5 a
este valor, que corresponde a toda a metade esquerda da curva.
Assim, a probabilidade total da rea sombreada ser
0,5+0,0438=0,5438. Ou seja, a probabilidade da varivel normal x
102 | Estatstica II
ser menor que 6,2 0,5438. De maneira simplificada,
transformamos a varivel normal x em uma varivel normal
padro z e encontramos a probabilidade equivalente da varivel x
atravs da tabela de probabilidades j existente para a varivel
normal padro z.
CAPTULO VI
Estatstica II | 103
INTERVALO DE CONFIANA
104 | Estatstica II
xz (intervalo de confiana para com conhecido) n
A tabela a seguir mostra os valores de z para os
coeficientes de confiana mais usados.
Coeficiente de z
Confiana
90% 1,645
95% 1,960
98% 2,326
99% 2,576
Estatstica II | 105
varivel aleatria normalmente distribuda para qualquer tamanho
de amostra, de modo que podemos usar os valores z
1,20
xz = 503,4+1,645 = 503,4 0,62 n
10
O intervalo de confiana de 90% para a verdadeira mdia
502,78 < < 504,02. Um intervalo construdo dessa forma tem
uma probabilidade de 0,90 de conter . Para um intervalo de
confiana de 95% utilizaramos z = 1,960, mantendo o restante
igual:
1,20
xz = 503,4+1,96 = 503,4 0,74 n
10
O intervalo de confiana de 95% para 502,66 < < 504,14.
Existe uma probabilidade de 0,95 de que um intervalo construdo
106 | Estatstica II
desta forma conter . Para um intervalo de confiana de 99%,
utilizaramos z = 2,576 na frmula, mantendo o restante igual:
1,20
xz = 503,4+ 2,576 = 503,4 0,98 n
10
O intervalo de confiana de 99% para 502,42 < < 504,38.
Existe uma probabilidade de 0,99 que um intervalo criado dessa
maneira incluir .
CAPTULO V
TESTES DE HIPTESES
Estatstica II | 107
Uma hiptese estatstica uma afirmao ou uma
pressuposio sobre um parmetro de uma populao.
108 | Estatstica II
A hiptese alternativa H1 o complemento da hiptese nula.
uma afirmao que deve ser verdadeira se H0 for falsa e contm
uma afirmao de desigualdade estrita, tal como: >, ou <.
HH10 :: pp=00,,82 82
Estatstica II | 109
5.2 Hipteses podem ser provadas?
No, no podemos provar a hiptese nula podemos
apenas falhar em rejeit-la. Uma hiptese nula que sobreviva a
testes repetitivos sem rejeio verdadeira somente no sentido
limitado em que ela foi examinada minuciosamente. A hiptese
verdadeira pode ser falsa amanh. Se falharmos em rejeitar H0,
provisoriamente aceitamos H0. Contudo, uma hiptese aceita
pode e deve ser retestada, pois assim que se faz uma
investigao cientfica. Podemos citar as teorias de Einstein, as
quais tm mais de cem anos, mas ainda esto sujeitas a testes
rigorosos para saber se sob novas hipteses essas teorias
continuam verdadeiras. Justamente por resistir a testes
constantes, h mais de cem anos que poucos cientistas
acreditam que as teorias de Einstein estejam erradas. da
natureza da cincia tentar refutar teorias aceitas, especialmente
quando um novo teste possvel ou quando novos dados se
tornam disponveis. De maneira similar, a segurana de
medicamentos comumente usados continuamente estudada.
Algumas vezes, medicamentos considerados seguros revelam
efeitos colaterais srios somente aps o uso em larga escala e
por consumidores que o usam por muitos anos.
110 | Estatstica II
5.3 Papel da Evidncia
Uma hiptese testada quando a contrastamos
contraevidncias. Desta maneira, partimos do pressuposto que
que a hiptese nula seja verdadeira e a partir de ento
procuramos uma contradio. Fazendo uma analogia, assume-se
que um ru em um julgamento criminal seja inocente. A promotora
pblica coleta e apresenta evidncias de acordo com as regras da
lei na tentativa de convencer o jri a rejeitar a hiptese de
inocncia do ru. Se a evidncia contradiz suficientemente a
hiptese de inocncia, o jri votar pela condenao.
Similarmente, os estatsticos coletam e avaliam as evidncias
amostrais de acordo com as regras estatsticas. Uma evidncia
mais completa, como uma amostra maior, tornar uma deciso
correta mais provvel, mas nem sempre teremos informaes e
tempo suficientes para que isso seja feito, ento tomamos
decises com base nos dados disponveis.
Estatstica II | 111
Para os jurados, assim como para os estatsticos, no h maneira
de evitar erros, embora a probabilidade de cada tipo de erro
possa ser reduzida coletando-se mais evidncias.
H0: O ru inocente
H1: O ru culpado
112 | Estatstica II
O erro Tipo I condenar um ru inocente, de modo que o
custo seja arcado pelo ru. O erro Tipo II falhar em condenar
um ru culpado, de modo que o custo seja arcado pela sociedade
se a pessoa culpada retornar s ruas.
Estatstica II | 113
facial, padro da ris). A inteno livrar-se de identidades de
papel ou plstico, que podem ser forjadas. As hipteses so:
CONCLUSO
114 | Estatstica II
A correlao e a regresso podem ser ferramentas para
observar a relao entre duas variveis e auxiliar na previso da
tendncia futura dos valores das variveis observveis.
Estatstica II | 115
FREUND, J. E. Estatstica Aplicada: Economia, Administrao
e Contabilidade. Porto Alegre: Bookman, 2006, 11 ed.
LARSON, R; FARBER, B. Estatstica Aplicada. So Paulo:
Prentice Hall, 2010, 4 ed.
116 | Estatstica II
ANEXO
No inclui intervalos de z a 0.
Estatstica II | 117
118 | Estatstica II