WBA0245_v.3.

APRENDIZAGEM EM FOCO

MÉTODOS QUANTITATIVOS DE
APOIO À DECISÃO
 APRESENTAÇÃO DA DISCIPLINA
Autoria: Mateus Modesto
Leitura crítica: Marcelo Tavares de Lima

A crescente complexidade de nosso mundo vem tornando o

processo decisório cada vez mais difícil para empresas, organizações
e governos. A grande quantidade de variáveis, a superabundância de
informações, as constantes e aceleradas mudanças locais e globais,
tudo isso contribui para dificultar a análise e tomada de decisão
pelos agentes econômicos.

Em meados da década de 1930, durante a Segunda Guerra Mundial,

a Pesquisa Operacional foi criada e, desde então, aperfeiçoada,
com o desenvolvimento de novas ferramentas e o aperfeiçoamento
das já existentes, além da massificação em seu uso, que deixou de
ser apenas militar para se espalhar por universidades, empresas e
governos, todos em busca de um melhor processo decisório.

Na disciplina de Métodos Quantitativos de Apoio à Decisão, você será

apresentado (a) à metodologia de pesquisa quantitativa aplicada
ao apoio à decisão e ferramentas estatísticas e matemáticas
utilizadas para resolver problemas das mais diversas áreas do
conhecimento. Poderá aprender sobre estatística descritiva e
amostragem, probabilidade, teste de hipóteses, regressão linear
simples e correlação e sobre programação linear. Verá como esses
conceitos são aplicáveis a problemas das mais diversas áreas do
conhecimento e como podem ser utilizados com mais facilidade com
o auxílio de ferramentas computacionais, muitas delas gratuitas e
amigáveis.

2
 INTRODUÇÃO

Olá, aluno (a)! A Aprendizagem em Foco visa destacar, de maneira

direta e assertiva, os principais conceitos inerentes à temática
abordada na disciplina. Além disso, também pretende provocar
reflexões que estimulem a aplicação da teoria na prática
profissional. Vem conosco!

3
 INÍCIO TEMA 1 TEMA 2 TEMA 3 TEMA 4

TEMA 1

Estatística descritiva e amostragem

______________________________________________________________
Autoria: Mateus Modesto
Leitura crítica: Marcelo Tavares de Lima
 DIRETO AO PONTO

A vontade de compreender o todo fez os seres humanos buscarem

mecanismos para tentar modelar as coisas e descrevê-las de
alguma maneira, inclusive, é por esse motivo que nasceu a ciência
matemática e a estatística.

O propósito da matemática é o de ser uma língua universal,

usada por várias ciências, no intuito de descrever os problemas e
eventos da natureza. A estatística é uma dessas ciências que usa
da matemática para tentar entender o comportamento das coisas,
por meio dos dados, das informações que conseguimos coletar
historicamente.

Nesse sentido, de tentar entender as coisas, a estatística tem um

campo denominado de estatística descritiva, que oferece métodos
que nos ajudam a entender o comportamento de certas variáveis,
começando pelo entendimento de que se estamos estudando
o todo ou parte dele (população ou amostra). Depois, olhamos
para a classificação das variáveis, que podem ser definidas em
qualitativas (nominal ou ordinal) ou quantitativas (contínua ou
discreta). Em seguida, começamos realmente a buscar entender
o comportamento de cada variável, por meio de medidas de
tendência central (média, mediana e moda), variabilidade dos dados
(amplitude, variância e desvio padrão), assimetria e curtose e, por
último, de posicionamento dos dados e avaliação de dados fora
da curva, conhecidos como outliers, por meio de análise do gráfico
Box Plot. O Quadro 1 apresenta as fórmulas de cada modelo citado
acima.

5
 Quadro 1 - Fórmulas de Estatística Descritiva
Média x1 + ... + xn
Populacional. µ=
N
μ= Média Populacional.

xn= Variável Estudada.

N = total de elementos da
população.

Média Amostral.

x = Média Amostral.
xn= Variável Estudada.

n= total de elementos da
amostra

Mediana. Sé é ímpar o elemento central

que divide os dados ao meio,
mas se é par, deve somar os
dois elementos centrais e
retirar uma média.
Moda. O valor que mais aparece no
conjunto de dados.

6
 Amplitude.
R= xn − x1
R= Amplitude.

x= dados.

Variância
( xi − µ ) 2
N
Populacional. σ =∑2

i =1 N

σ 2 = variância populacional.
Variância
Amostral.

s2 = variância amostral.

Desvio Padrão
( xi − µ ) 2
n
Populacional. σ= ∑
i =1 N

σ = Desvio Padrão
Populacional.
Desvio Padrão
Amostral.

s = Desvio Padrão Amostral.

7
 Assimetria.

b1= Assimetria.

s= quantidade total de
amostras ou da população.

Curtose.

b2= Curtose.

s= quantidade total de
amostras ou da população.

Fonte: elaborado pela autora.

PARA SABER MAIS

A busca por padrões na natureza é um dos motivos que fez o ser

humano criar a estatística, pois por meio do reconhecimento de
padrão fica mais fácil entender o comportamento de determinadas
coisas.

Olhando para isso, em determinado momento da história, vários

estudiosos observaram que uma das melhores maneiras de
reconhecimento de padrão é a mente humana e, a partir disso,
começaram a estudar e desenvolver algoritmos baseados em nossa
mente, chamados de redes neurais, e esses métodos usam de vários
conceitos da estatística, principalmente os de modelagem de dados.
8
 Entretanto, a sensibilidade desses modelos, ou seja, a eficiência
deles, depende muito do comportamento dos dados e, por isso,
antes de aplicar qualquer um desses métodos, é fundamental
entender qual é a média, mediana e moda dos dados, bem como a
variabilidade, distribuição e a quantidade de dados e outliers, pois
as técnicas de modelagem podem ficar enviesadas, caso os dados
tenham muitos outliers ou se forem heterocedásticos (variância dos
erros variáveis).

Essas técnicas de redes neurais são aplicadas a vários problemas

humanos, podendo ser a previsão de preços de um determinado
produto até reconhecimento de câncer em imagens de ultrassom,
entre outros. Essas técnicas fazem parte do que chamamos de
inteligência artificial, que engloba, além das redes neurais, outras
técnicas estatísticas muito famosas também, todas oriundas do
Machine Learning (Aprendizado de Máquinas).

TEORIA EM PRÁTICA

Reflita sobre a seguinte situação: imagine que a empresa Estatística

123 Ltda. quer avaliar qual é o perfil social de seus funcionários e,
por isso, coletou várias informações apresentadas no quadro abaixo.
Com base nas informações coletadas, a diretoria gostaria de saber a
idade média de seus funcionários e se há muita discrepância salarial
entre seus eles.

9
 Quadro 2 - Dados sociais dos funcionários da empresa
Estatística 123 Ltda.
Funcionário Idade Escolaridade N. de Filhos Salário

1 18 Ensino médio 0 1.250,00

completo.

2 32 Superior completo. 1 7.000,00

3 40 Ensino médio 2 1.500,00

completo.

4 25 Superior em 0 3.200,00
andamento.

5 33 Ensino 3 900,00
fundamental
completo.

Fonte: elaborado pela autora.

Para conhecer a resolução comentada proposta pelo professor,

acesse a videoaula deste Teoria em Prática no ambiente de
aprendizagem.

LEITURA FUNDAMENTAL
Indicações de leitura

Indicação 1

A primeira indicação é o capítulo 2, do livro Estatística Aplicada, de

Sharpe, De Veaux e Velleman, intitulado Dados. Nele, podemos
aprender o que é dado, de onde vem, como entendê-lo e interpretá-
lo.

10
 Para realizar a leitura, acesse a plataforma Biblioteca Virtual em
nossa plataforma e busque pelo título da obra no parceiro Minha
Biblioteca.

SHARPE, N. R.; DE VEAUX, R. D.; VELLEMAN, P. F. J. de O. Estatística

Aplicada. cap. 2. Porto Alegre: Bookman, 2011.

Indicação 2

O capítulo 3, do livro Estatística Aplicada, de Sharpe, De Veaux e

Velleman, apresenta conceitos importantes sobre amostragem.
Na obra, os autores explicam o motivo pelo qual começamos a
trabalhar com amostras, passando à teoria envolvida na definição
de amostragem e terminando com exemplos e exercícios.

Para realizar a leitura, acesse a plataforma Biblioteca Virtual em

nossa plataforma e busque pelo título da obra no parceiro Minha
Biblioteca.

SHARPE, N. R.; DE VEAUX, R. D.; VELLEMAN, P. F. J. de O. Estatística

Aplicada. cap. 3. Porto Alegre: Bookman, 2011.

QUIZ

Prezado aluno, as questões do Quiz têm como propósito a

verificação de leitura dos itens Direto ao Ponto, Para Saber
Mais, Teoria em Prática e Leitura Fundamental, presentes neste
Aprendizagem em Foco.

Para as avaliações virtuais e presenciais, as questões serão

elaboradas a partir de todos os itens do Aprendizagem em Foco
e dos slides usados para a gravação das videoaulas, além de
11
 questões de interpretação com embasamento no cabeçalho
da questão.

1. Agora que você está com o conteúdo em mãos responda: qual

dos conceitos abaixo melhor se encaixa para definir medidas de
tendência central?

a. Valores que a estatística caracteriza como valor médio.

b. É igual ao quociente entre a amplitude total da série e o
número de classe escolhido.
c. Valores que a estatística não caracteriza como valor médio.
d. É o número de vezes que determinado valor aparece em uma
população ou amostra.
e. É o ponto interior de uma classe equidistinta de seus limites
de classes. Seu valor é igual à metade da soma desses limites.

2. Sabendo que a média aritmética é uma das medidas de

tendência central, calcule a média aritmética do conjunto de
dados (1,4,7,8,9,15).

Assinale a alternativa que apresenta a resposta correta.

a. 6,33.
b. 7,33 .
c. 9.
d. 8
e. 7,59.

12
 GABARITO

Questão 1 - Resposta A
Resolução: A resposta correta é: valores que a estatística
caracteriza como valor médio.
Entre as principais medidas de tendência central, destacam-se a
média aritmética, a moda e a mediana.
Questão 2 - Resposta B
Resolução:

13
 INÍCIO TEMA 1 TEMA 2 TEMA 3 TEMA 4

TEMA 2

Probabilidade: conceitos e teoremas

fundamentais
______________________________________________________________
Autoria: Mateus Modesto
Leitura crítica: Marcelo Tavares de Lima
 DIRETO AO PONTO

A capacidade de prever o futuro sempre foi desejada pela

humanidade, desde a época dos oráculos e talvez até antes. Muitos
eventos da natureza não são determinísticos, não acontecem
sempre da mesma maneira e período, então, utilizamos a
probabilidade como uma ferramenta que nos ajuda a prever o
futuro, ou melhor, a saber qual é a chance de que aconteça A ao
invés de B. Assim, as empresas de cartão de crédito calculam a
probabilidade de você não pagar a fatura antes de liberarem um
cartão para você, o governo utiliza a probabilidade para modelar
campanhas de vacinação e saúde pública, as pessoas utilizam
para saber quais números apostar na Loteria, enfim, estamos
mergulhados em probabilidades, tanto intuitivamente, em nosso
dia a dia, quanto no cotidiano das empresas, que cada vez mais
utilizam-se dessa ferramenta como auxiliar na tomada de decisão.
Segue, abaixo, um quadro com os principais conceitos necessários
para entender um pouco mais sobre aleatoriedade e probabilidade.

Quadro 1 – Resumo dos conceitos

Experimento É um experimento no qual podemos
aleatório. descrever o conjunto de todos os
resultados possíveis, mas não podemos
dizer, a priori, qual desses resultados
acontecerá (PINHEIRO et al., 2009).

Espaço É o conjunto de todos os valores

amostral. possíveis de um experimento. Será
denotado por Ω. Dizemos que o espaço
amostral é finito uniforme, se tem um
número finito de elementos, sendo
todos igualmente prováveis. (PINHEIRO
et al 2009).

15
 Eventos Dois eventos são disjuntos se não
mutuamente compartilham resultados em comum.
exclusivos. Se A e B são disjuntos, então saber
que A ocorre, indica que B não pode
ocorrer. Eventos disjuntos são também
chamados de mutuamente exclusivos.
(SHARPE; DE VEAUX; VELLEMAN, 2011).
Evento. É um subconjunto do espaço amostral.
Geralmente, denotado por uma letra
maiúscula: A, B etc. (PINHEIRO et al.,
2009).

Probabilidade Usa-se quando cada resultado

clássica. do espaço amostral tem igual
probabilidade de acontecer. Portanto,
dizemos que a probabilidade clássica
(teórica) de um evento A é dada por:

Probabilidade Tem como alicerce as observações

empírica. adquiridas de experimentos
probabilísticos. Dizemos, então, que a
probabilidade empírica (estatística) do
evento A é a frequência relativa dele.

Probabilidade Consiste na intuição, estimativa de uma

subjetiva. pessoa.

16
 Independência. Os eventos A e B são independentes
quando P(B|A) = P(B). Dois eventos são
independentes se o fato de um evento
ocorrer, não mudar a probabilidade
do outro ocorrer (SHARPE; DE VEAUX;
VELLEMAN, 2011).

Regra da adição. Se A e B são eventos disjuntos, então

a probabilidade de A ou B é P(A ou
B) = P(A) + P(B) (SHARPE; DE VEAUX;
VELLEMAN, 2011).

Variável Quando há um número finito ou

aleatória contável de resultados possíveis que
discreta. possam ser enumerados (LARSON;
FARBER, 2010).

Variável Quando há um número incontável de

aleatória resultados possíveis representados por
contínua. um intervalo sobre o eixo da reta real
(LARSON; FARBER, 2010).

Fonte: elaborado pelo autor.

Referências bibliográficas
SHARPE, N. R.; DE VEAUX, R. D.; VELLEMAN, P. F. J. de O. Cap. 5. Estatística
Aplicada. Porto Alegre: Bookman, 201.

PARA SABER MAIS

Você já ouviu falar da Lei de Newcomb-Benford? Demonstra uma

distribuição de probabilidade de ocorrência dos numerais de 1 a 9,

17
 aplicável a muitos números que ocorrem naturalmente e é muito
utilizada na área financeira como possível indicador de fraudes.
Vamos, então, entender melhor o que diz a Lei de Newcomb-
Benford. Se perguntarmos para uma pessoa qual é a probabilidade
de ocorrência para o primeiro dígito de uma sequência de números
qualquer, é esperado que ela responda 1/9 para cada um dos
dígitos de 1 a 9, ou seja, intuitivamente a pessoa assumirá que a
distribuição é uniforme e que a chance do número começar com 1
é a mesma de que comece com 2 ou com 3, por exemplo. Contudo,
para muitas sequências de números, como os preços de ações,
endereços, preços de casas, taxa de mortalidade, entre outros, a
probabilidade de que o primeiro dígito de um número qualquer seja
1 é maior do que a probabilidade de que seja 2, que é maior do que
a probabilidade de que seja 3, e assim sucessivamente, conforme
podemos observar no quadro abaixo:

Quadro 1 - Probabilidade de ocorrência do primeiro dígito

1 2 3 4 5 6 7 8 9

Prob. 30,1% 17,6% 12,5% 9,7% 7,9% 6,7% 5,8% 5,1% 4,6%

Fonte: adaptado de Lagioia et al.(2011).

Essa distribuição fora do esperado foi, primeiramente, observada

por Newcomb em meados de 1880 e, depois, provada por Benford
em meados de 1930. Desde então, a Lei de Newcomb-Benford tem
sido muito utilizada, particularmente no setor financeiro, como
possível indicativo de fraudes. Imagine, por exemplo, a seguinte
situação: o Tribunal de Contas da União recebe uma prestação
de contas das compras realizadas no último ano por um órgão X
qualquer do governo e, analisando o primeiro dígito dos valores
das compras, nota que temos mais compras cujo primeiro dígito é 5
do que compras cujo primeiro dígito é 1. O auditor imediatamente
acha estranho, pois a Lei de Newcomb-Benford diz que, do total

18
 de compras, 30,1% deveria começar com o dígito 1 e só 7,9% delas
deveria começar com o dígito 5. Para essas análises, compara-se
a distribuição do primeiro dígito encontrada em uma sequência
de números qualquer, com a distribuição esperada pela Lei de
Newcomb-Benford e, se a divergência for significativa, temos um
indicativo de que uma análise mais aprofundada é necessária.
Compras públicas são apenas um exemplo das muitas aplicações
que podem ser feitas da Lei de Newcomb-Benford, outros são a
arrecadação de impostos, preço de ações, número de votos de
um candidato nas eleições, entre outros, e mais recentemente foi
aplicada até mesmo para as notificações de casos de Covid-19, como
forma de verificar se havia indícios de fraude nos valores notificados.
Vale reforçar que ao encontrar uma sequência numérica que
não siga a distribuição da Lei de Newcomb-Benford, não significa
imediatamente que houve fraude, mas é um indicativo de que há
algo estranho e de onde olhar para elucidar melhor a questão.

Referências bibliográficas
LAGIOIA, U. C. T.; ARAÚJO, I. J. C. de; ALVES FILHO, B. de F. et al.Aplicabilidade
da Lei de Newcomb-Benford nas fiscalizações do imposto sobre serviços - ISS
. Revista Contabilidade & Finanças, 22(56), p. 203-224. São Paulo, 2011.
Disponível em: https://www.revistas.usp.br/rcf/article/view/34335. Acesso em:
17 mar. 2021.

TEORIA EM PRÁTICA

A empresa 123 Ltda. gostaria de entender quais são as

probabilidades de diminuir o risco de falha de um processo de
produção, por meio da análise de itens com defeitos. No Quadro 2
abaixo são apresentados o número de itens por defeito.

19
 Quadro 2 - Informações de falhas
N. defeitos Qtd. itens (frequência)
0 25
1 8
2 4
3 2
4 1

Fonte: elaborado pelo autor.

Com base nessas informações, calcule a probabilidade empírica

de cada situação e explique se a empresa 123 Ltda. tem maior
possibilidade ou não de ter peças com defeitos.

Para conhecer a resolução comentada proposta pelo professor,

acesse a videoaula deste Teoria em Prática no ambiente de
aprendizagem.

LEITURA FUNDAMENTAL
Indicações de leitura

Indicação 1

O capítulo 3, do livro Estatística Básica: a arte de trabalhar com

dados, apresenta uma introdução detalhada sobre o cálculo de
probabilidade, com exercícios resolvidos para maior compreensão.

Para realizar a leitura, acesse a nossa plataforma Biblioteca Virtual e

busque pelo título da obra, no parceiro Minha Biblioteca.

PINHEIRO, J. I. D. et al. Estatística Básica: a arte de trabalhar com

dados. 2. ed., cap. 3. Rio de Janeiro: Elsevier, 2015.

20
 Indicação 2

O capítulo Aleatoriedade e probabilidade, além de apresentar os

conceitos envolvidos, traz exemplos reais e exercícios aplicados a
casos vivenciados no dia a dia de uma empresa, o que aproxima o
conhecimento da realidade.

Para realizar a leitura, acesse a plataforma Biblioteca Virtual da

Kroton e busque pelo título da obra, no parceiro Minha Biblioteca.

SHARPE, N. R.; DE VEAUX, R. D.; VELLEMAN, P. F. et al. Cap.

5.Estatística Aplicada. Porto Alegre: Bookman, 2011.

QUIZ

Prezado aluno, as questões do Quiz têm como propósito a

verificação de leitura dos itens Direto ao Ponto, Para Saber
Mais, Teoria em Prática e Leitura Fundamental, presentes neste
Aprendizagem em Foco.

Para as avaliações virtuais e presenciais, as questões serão

elaboradas a partir de todos os itens do Aprendizagem em Foco
e dos slides usados para a gravação das videoaulas, além de
questões de interpretação com embasamento no cabeçalho
da questão.

1. Sobre probabilidade clássica, podemos afirmar que:

a. Usa-se quando cada resultado do espaço amostral tem igual

probabilidade de acontecer.
b. Tem como alicerce as observações adquiridas de
experimentos probabilísticos.
c. Consiste na intuição, estimativa de uma pessoa.
21
 d. Tem como alicerce as observações adquiridas da amostra de
dados.
e. Somente pode ser aplicada a variáveis aleatórias contínuas.

2. Assinale a alternativas que contém somente exemplos de

variáveis aleatórias discretas.

a. Horas de atendimento e número de filhos.

b. Peso por minuto e tempo de reação de um medicamento.
c. Tempo de espera e idade.
d. Número de filhos e tempo de espera.
e. Número de atendimento e número de filhos.

GABARITO

Questão 1 - Resposta A
Resolução: O conceito de probabilidade clássica diz que pode
ser aplicada quando cada resultado do espaço amostral tem
igual probabilidade de acontecer.
Questão 2 - Resposta E
Resolução: O conceito de variável aleatória discreta é para
quando há um número finito ou contável de resultados
possíveis que possam ser enumerados e, por isso, as variáveis
discretas são números inteiros.

22
 INÍCIO TEMA 1 TEMA 2 TEMA 3 TEMA 4

TEMA 3

Teste de hipóteses, regressão linear

simples e correlação
______________________________________________________________
Autoria: Mateus Modesto
Leitura crítica: Marcelo Tavares de Lima
 DIRETO AO PONTO

O teste de hipótese usa estatísticas para permitir inferências

sobre parâmetros, tornando possível, por exemplo, a realização
do Censo demográfico brasileiro, pois, uma vez que é impossível
entrevistar todas as pessoas do país, o teste de hipótese, entre
outras ferramentas estatísticas, permite fazer inferências para a
população com base nas respostas obtidas da amostra selecionada.
Também possui aplicação na indústria eliminando, por exemplo,
a necessidade de testar todos os itens de um lote, quando é
possível determinar as características do lote com base em algumas
amostras.

Além disso, um teste de hipótese sempre terá um par de hipóteses,

sendo uma delas a hipótese nula (H0), que contém uma afirmação de
igualdade e também a afirmação que queremos testar; e a outra é a
hipótese alternativa (Ha), que é o complemento de H0 e contém uma
declaração de desigualdade estrita. Em um teste de hipóteses há
sempre a possibilidade de cometermos um erro, dado que estamos
trabalhando com uma amostra e não com a população inteira e
há dois tipos de erros possíveis: o erro de tipo I, que é quando
rejeitamos a H0 sendo que era verdadeira; e o erro de tipo II, que é
quando aceitamos a H0, mas era falsa. A probabilidade máxima de
cometermos um erro de tipo I é chamada de nível de significância;
os níveis de significância mais comumente adotados na literatura
são α=0,01, α=0,05 e α=0,10, quanto menor o nível de significância,
maior a amostra necessária.

Para realizarmos inferências dos parâmetros da população com

base nos dados da amostra, utilizamos o chamado valor p, que,
assumindo que H0 é verdadeira, é a probabilidade da estatística
amostral assumir um valor tão extremo ou maior que aquele

24
 determinado em função dos dados da amostra. Quando o valor p for
menor ou igual ao nível de significância, rejeitaremos H0.

Outro assunto importante, neste tema, é a análise de correlação

entre as variáveis. Basicamente, a correlação consiste na busca da
existência de relação entre uma variável e outra, bem como avaliar
a intensidade dessa relação, ou seja, se uma relação tem forte
influência de uma na outra, e também de compreender como é essa
relação e como é possível inferir essa análise feita em uma amostra
em uma população. Na Figura 1 são apresentados alguns gráficos,
exemplos da análise de correlação e como podem ser classificadas
pelo tipo de relação que uma variável tem com a outra.

Figura 1 - Indicativos de gráficos sobre correlação

Fonte: adaptado de Larson e Farber (2015).

25
 Além disso, outro conceito importante, deste tema, é a compreensão
do método de regressão linear, fundamental para entender
tanto o comportamento dos dados, principalmente depois de
compreendida a correlação entre os dados, pois somente depois
dessa compreensão que se pode traçar a reta que melhor explique o
comportamento dos dados, bem como para usá-la como ferramenta
de previsão de um determinado fenômeno estudado. Basicamente,
pela ótica gráfica, esse método busca traçar uma linha que minimize
a distância entre os pontos até ela. As fórmulas que descrevem
esses cálculos são:

A equação da reta de regressão é:

y=mx + b, onde y é o valor previsto de y para um dado valor de x e a

inclinação m e o intercepto em y, b, são calculados a partir de dados
amostrais:

m=nΣxy - (Σx) (Σy)nΣx 2- (Σx)2 e b=y-mx=Σyn-mΣxn, onde y é

a média dos valores de y no conjunto de dados, e x é a média dos
valores de x e n é o número de pares de dados, sendo que a linha da
regressão sempre passa pelo ponto (x, y).

Referências bibliográficas
LARSON, R.; FARBER, B. Estatística Aplicada. Tradução de José Fernando
Pereira Gonçalves. 6. ed. São Paulo: Pearson Education do Brasil, 2015.

PARA SABER MAIS

A econometria é a aplicação da estatística matemática a dados

econômicos para dar suporte empírico aos modelos formulados
pela economia matemática e obter resultados numéricos
(TINTNER, 1968, apud GUAJARI; PORTER, 2011). Por meio da correta

26
 aplicação das ferramentas estatísticas, é possível obter previsões
mais acuradas, por exemplo, para a arrecadação de impostos
(possibilitando que os governos façam melhores planejamentos e
tenham menos imprevistos na execução de seus orçamentos), sobre
o PIB e empregabilidade de um país.

A econometria recruta conhecimentos da teoria econômica, da

economia matemática, da estatística econômica e da estatística
matemática, para oferecer um conteúdo prático à teoria econômica,
ou seja, enquanto a teoria econômica diz que reduzir o preço
de uma determinada mercadoria ocasionará um aumento em
sua demanda, o econometrista utilizará de seus conhecimentos
estatísticos para estimar qual valor acarretaria em quanto de
aumento na demanda, ou seja, apresenta medidas quantitativas
para teorias e postulados qualitativos da teoria econômica.

Esse conhecimento, no mercado altamente complexo e imprevisível

que vivenciamos, é muito valorizado por empresas e governos e
pode ser aplicado, principalmente, na economia e finanças, mas
também em outras áreas, como marketing, recursos humanos e
desenvolvimento de políticas públicas. Particularmente, no campo
das políticas públicas, o conhecimento de econometria é relevante e
poderia trazer muitos impactos positivos à população.

Na iniciativa privada, uma empresa pode se beneficiar muito dos

resultados trazidos pela econometria, com o uso de ferramentas
estatísticas para melhores determinações de preços, por exemplo,
ou de campanhas de marketing, cálculo de demanda, entre outros.

A regressão e o teste de hipóteses são ferramentas particularmente

importantes, utilizadas na análise quantitativa dos fenômenos
econômicos, bem explicadas com exemplos reais e aplicações, no
livro Econometria Básica, de Gujarati e Porter (2011).

27
 Referências bibliográficas
GUJARATI, D. N.; PORTER, D. C. Econometria Básica. 5. ed. Porto Alegre: AMGH,
2011.

TEORIA EM PRÁTICA

Você é o Secretário de Finanças do município ABC e acredita que

a arrecadação de IPTU de seu município pode ser correlacionada
com o PIB do país e número de moradias. Diante disso, calcule a
correlação entre as variáveis e faça a previsão da arrecadação de
IPTU com essa informação.

Quadro 1 - PIB, número de moradias e IPTU do município ABC

Ano PIB valores Número de IPTU município
correntes em moradias ABC em
trilhões (x) milhões (y)
2000 1,20 100 149,6
2001 1,32 110 151,7
2002 1,49 115 166,9
2003 1,72 120 171,5
2004 1,96 125 185,4
2005 2,17 130 196,2
2006 2,41 135 218,19
2007 2,72 180 265,02
Fonte: elaborado pelo autor.

Para conhecer a resolução comentada proposta pelo professor,

acesse a videoaula deste Teoria em Prática no ambiente de
aprendizagem.

28
 Para conhecer a resolução comentada proposta pelo professor,
acesse a videoaula deste Teoria em Prática no ambiente de
aprendizagem.

LEITURA FUNDAMENTAL
Indicações de leitura

Indicação 1

O capítulo 7, do livro Estatística Aplicada, apresenta explicação

detalhada dos conceitos e passo a passo para realização de teste de
hipóteses.

Para realizar a leitura, acesse a plataforma da nossa Biblioteca

Virtual e busque pelo título da obra, no parceiro Minha Biblioteca.

LARSON, R.; FARBER, B. Estatística Aplicada. Tradução de José

Fernando Pereira Gonçalves. 6. ed., cap. 7. São Paulo: Pearson
Education do Brasil, 2015.

Indicação 2

O capítulo 9, do livro Estatística Aplicada, além de apresentar os

conceitos envolvidos, traz exemplos reais e exercícios aplicados para
fixação do conteúdo sobre correlação.

Para realizar a leitura, acesse a plataforma da nossa Biblioteca

Virtual e busque pelo título da obra, no parceiro Minha Biblioteca.

29
 LARSON, R.; FARBER, B. Estatística Aplicada. Tradução de José
Fernando Pereira Gonçalves. 6. ed., cap. 9. São Paulo: Pearson
Education do Brasil, 2015.

QUIZ

Prezado aluno, as questões do Quiz têm como propósito a

verificação de leitura dos itens Direto ao Ponto, Para Saber
Mais, Teoria em Prática e Leitura Fundamental, presentes neste
Aprendizagem em Foco.

Para as avaliações virtuais e presenciais, as questões serão

elaboradas a partir de todos os itens do Aprendizagem em Foco
e dos slides usados para a gravação das videoaulas, além de
questões de interpretação com embasamento no cabeçalho
da questão.

1. Com base nos dados abaixo, calcule a correlação aproximada

entre a venda de pneus e a quantidade de carros em
circulação (utilize quatro dígitos depois da vírgula):

Quadro 2 - Exercício
Mês Venda de pneus (qtd) Carros em circulação (qtd)
1 1000 100
2 1100 110
3 1250 120
4 1320 125
5 1410 130
6 1560 140
7 1680 150
8 1720 180
9 1760 210

Fonte: elaborado pelo autor.

30
 a. 0,9236.
b. 0,8728.
c. 0,9007.
d. 0,8934.
e. 0,7524.

2. Assinale a alternativa que pode ser considerada como um

conceito de teste de hipóteses:

a. Pode ser chamado de teste de insignificância.

b. A hipótese nula não existe no teste de hipóteses.
c. É o procedimento estatístico que permite tomar decisão em
relação a duas hipóteses.
d. A região de valores extremos pode ser chamada de região de
aceitação.
e. Esses testes podem ser aplicados somente na indústria.

GABARITO

Questão 1 - Resposta D
Resolução: A resposta correta é 0,8934.
Questão 2 - Resposta C
Resolução: A resposta correta é o procedimento estatístico que
permite tomar decisão em relação a duas hipóteses.

31
 INÍCIO TEMA 1 TEMA 2 TEMA 3 TEMA 4

TEMA 4

Programação linear
______________________________________________________________
Autoria: Mateus Modesto
Leitura crítica: Marcelo Tavares de Lima
 DIRETO AO PONTO

A programação linear é uma das muitas ferramentas desenvolvidas

dentro do campo da Pesquisa Operacional, e tem como objetivo
auxiliar na tomada de decisão em problemas reais, com o auxílio da
matemática, estatística e computação.

O primeiro e mais importante passo para obtermos resultados

confiáveis e úteis, é a modelagem do problema. Se não for
modelado corretamente, os números obtidos serão completamente
errados e inúteis, podendo levar a decisões diametralmente opostas
àquela que seria melhor para o caso que está sendo analisado. Na
modelagem, faremos a melhor descrição possível do problema real
em linguagem matemática, ou seja, traduziremos nosso problema
em um conjunto de equações matemáticas.

Para uma correta modelagem, precisamos identificar quatro fatores:

as variáveis de decisão, que são os valores desconhecidos que
queremos identificar com o modelo; os parâmetros, que são valores
fixos previamente conhecidos do problema; a função objetivo, que é
a função que determina o valor-alvo que se pretende alcançar; e as
restrições, que são um conjunto de equações e inequações que as
variáveis de decisão do modelo devem satisfazer. Em programação
linear, podemos ter como objetivo maximizar ou minimizar o
resultado da função objetivo, como, por exemplo, elaborar um
modelo para maximizar o lucro, ou para minimizar custos.

Após modelarmos o problema, podemos resolvê-lo pelo método

gráfico, caso tenha até, no máximo, três variáveis (esse método é
indicado apenas para problemas muito simples, no geral, usam-
se programas computacionais) ou pelo método Simplex, que é o
método mais conhecido e que economiza recursos computacionais
por meio da técnica desenvolvida pelo matemático George

33
 Dantzig, que comprovou que a solução ótima está sempre em
um dos vértices do polígono formado pelas funções de restrição
do problema, e, assim, caminha pelos vértices do polígono até
encontrar a solução ótima do problema.

Na Figura 1, abaixo, apresentaremos um exemplo de solução

gráfica de um problema de programação linear, para facilitar o
entendimento. O exemplo em questão é:

Sujeito a:

Figura 1 - Solução gráfica do problema

Fonte: elaborada pelo autor.

34
 Se observarmos a Figura 1, o espaço de soluções existentes está
dentro de um polígono análogo a um trapézio criado pelas funções
de restrição. Pelo método gráfico, escolheríamos valores dentro do
polígono e testaríamos até encontrar a opção que maximiza o valor
de z, contudo, isso seria muito trabalhoso, mas, se considerarmos a
metodologia de Dantzig, testaremos apenas os valores dos vértices e
concluiremos que o valor que maximiza Z é x1=3 e x2=3, gerando um
Z=21.

Referências bibliográficas
FÁVERO, L. P. Pesquisa operacional para cursos de administração,
contabilidade e economia Rio de Janeiro : Elsevier, 2012.
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões. São
Paulo: Grupo Gen-LTC, 2016.

PARA SABER MAIS

A Análise Envoltória de Dados ou Data Envelopment Analysis (DEA) é

um método da pesquisa operacional, que usa de programação linear
para analisar o desempenho de diferentes unidades tomadoras de
decisão (DMUs - Decision Making Units) a partir de um conjunto de
inputs e outputs.

Surgiu em 1978, com a tese de doutorado de Edward Rodhes, com

o objetivo de comparar o desempenho de um conjunto de escolas
americanas que participavam de um programa governamental
de acompanhamento de estudantes carentes, com um grupo de
escolas que não participavam deste programa, tentando identificar
qual grupo de escola apresentava melhores resultados.

Assim, utiliza-se um modelo de otimização para comparar a

eficiência relativa de uma determinada DMU comparando às demais.

35
 É importante notar os resultados, obtidos por meio da aplicação
do DEA, são válidos para aquele conjunto de DMUs selecionados,
entretanto, se uma DMU for incluída ou excluída, será necessário
refazer os cálculos.

O método do DEA pode ser utilizado tanto para avaliar o

desempenho de uma DMU pela maneira que consome (usa) os
recursos (inputs), método chamado de DEA orientado aos inputs
(entradas), como também para avaliar o desempenho pelo resultado
que a DMU gera, método chamado de DEA orientado a saída.

Além disso, o método do DEA pode considerar variação constante

de escalas, ou seja, considerar que qualquer variação nas entradas
(inputs) tem uma variação proporcional nas saídas (outputs). Esse
modelo do DEA é chamado de Constant Returns to Scale (CCR). Há
também o modelo BCC (Banker, Charnes e Cooper, 1984), que,
diferente do CCR, considera as variações das entradas em relação
às saídas, mas não de forma proporcional, inclusive pode haver
variações de acréscimos nas entradas que geram saídas com
decréscimos.

A escolha de aplicar o modelo do DEA CCR ou BCC depende do tipo

de problema com que se está trabalhando, pois há casos em que
um modelo retrata melhor o problema do que o outro. Além disso,
existem várias variações do modelo tradicional do DEA, bem como
outros tipos de análise que são feitas com base no DEA, como, por
exemplo, a técnica de fronteira invertida.

Há existência de variações da forma original do DEA, atrelado a

necessidade de, em muitos casos, analisar DMUs, por exemplo, com
características diferentes, porém, com saídas iguais ou similares.
Um exemplo disso seria comparar o desempenho de produção de
energia de todas as produtoras de energia do Brasil, pois como
produzimos energia por vários tipos de indústria (termoelétrica,

36
 hidroelétrica, nuclear, eólica), podemos comparar qual delas é
a mais eficiente, visto que seus insumos (inputs) são diferentes
um do outro. Enfim, podemos dizer que o DEA é uma técnica
extremamente interessante para avaliar a eficiência e pode ser
modulado para diversos tipos de problemas.

TEORIA EM PRÁTICA

A empresa XYZ LTDA fabrica pulseiras e colares e obtém, com a

venda, um lucro líquido, por unidade, de R$ 5,00 para cada pulseira
e R$ 12,00 para cada colar vendido. São necessárias três etapas
de produção para completar as peças: banho, cravejamento e
montagem. O processo de banho requer 30 minutos para cada
pulseira e 37 minutos para cada colar; o de cravejamento leva
10 minutos para cada pulseira e 14 minutos para cada colar; e
a montagem leva 22 minutos para cada pulseira e 29 minutos
para cada colar. O tempo disponível para cada uma das etapas é
de 45 horas de banho, 30 horas de cravejamento e 38 horas de
montagem, por semana. Determine qual a quantidade de pulseiras e
colares que a empresa XYZ deve produzir, por semana, respeitando
as restrições de seus processos, para maximizar o lucro.

Para conhecer a resolução comentada proposta pelo professor,

acesse a videoaula deste Teoria em Prática no ambiente de
aprendizagem.

37
 LEITURA FUNDAMENTAL
Indicações de leitura

Indicação 1

O capítulo 2, do livro Pesquisa operacional, chamado Otimização

linear, apresenta os conceitos e exemplos de aplicação dos modelos
de otimização linear.

Para realizar a leitura, acesse a nossa plataforma Biblioteca Virtual e

busque pelo título da obra, no parceiro Minha Biblioteca.

MORABITO, R. et al. Pesquisa operacional. 2. ed. Rio de Janeiro:

Elsevier, ABEPRO, 2015.

Indicação 2

O capítulo 3, do livro Pesquisa operacional, chamado Complementos

de otimização linear, aprofunda os conhecimentos de otimização
linear e apresenta outras ferramentas, como a teoria dos jogos e a
DEA.

Para realizar a leitura, acesse a plataforma Biblioteca Virtual da

nossa plataforma e busque pelo título da obra, no parceiro Minha
Biblioteca.

MORABITO, R. et al. Pesquisa operacional. 2. ed. Rio de Janeiro:

Elsevier, ABEPRO, 2015.

38
 QUIZ

Prezado aluno, as questões do Quiz têm como propósito a

verificação de leitura dos itens Direto ao Ponto, Para Saber
Mais, Teoria em Prática e Leitura Fundamental, presentes neste
Aprendizagem em Foco.

Para as avaliações virtuais e presenciais, as questões serão

elaboradas a partir de todos os itens do Aprendizagem em Foco
e dos slides usados para a gravação das videoaulas, além de
questões de interpretação com embasamento no cabeçalho
da questão.

1. O que é uma solução ótima em otimização linear?

a. É uma solução factível, que utiliza a menor quantidade

possível de recurso computacional para ser obtida.
b. É uma solução factível, que apresenta o menor custo possível.
c. É uma solução factível, que minimiza o valor da função
objetivo.
d. É uma solução factível, que fornece o menor valor à função
objetivo.
e. É uma solução factível, que maximiza o valor da função
objetivo.

2. Sobre a solução factível e a região factível em programação

linear, assinale a alternativa correta:

a. Uma solução é chamada de factível se satisfizer todas as

restrições, e o conjunto de todas as soluções factíveis é
chamado de região factível.

39
 b. Uma solução é chamada de factível se satisfizer todas as
restrições e condições de não negatividade, e o conjunto de
todas as soluções não factíveis é chamado de região factível.
c. Uma solução é chamada de factível se satisfizer a pelo menos
uma restrição e condições de não negatividade, e o conjunto
de todas as soluções possíveis é chamado de região factível.
d. Uma solução é chamada de factível se satisfizer a pelo menos
uma restrição e condições de não negatividade, e o conjunto
de todas as soluções factíveis é chamado de região factível.
e. Uma solução é chamada de factível se satisfizer todas as
restrições e condições de não negatividade, e o conjunto de
todas as soluções factíveis é chamado de região factível.

GABARITO

Questão 1 - Resposta D
Resolução: A solução ótima precisa ser uma solução factível e é
aquela que fornece o melhor valor para a função objetivo. Não
há relação com custo ou recursos computacionais utilizados
para obtê-la.
Questão 2 - Resposta E
Resolução: A solução factível precisa satisfazer a todas
restrições do problema e também à condição de não
negatividade.

40
BONS ESTUDOS!