Métodos Estatísticos I apresenta a linguagem, os conceitos e as técnicas que permitem transformar dados em informações úteis para a Administração. A disciplina começa pela organização de bases, classificação de variáveis e construção de tabelas e gráficos. Em seguida, desenvolve medidas descritivas, probabilidade, variáveis aleatórias, distribuições e fundamentos da inferência. O objetivo não é apenas calcular médias ou probabilidades, mas aprender a formular perguntas, reconhecer limites dos dados e sustentar conclusões proporcionais às evidências disponíveis.

A estatística pode ser definida como o campo que reúne métodos para coletar, organizar, resumir, analisar e interpretar dados. Ela trabalha com variabilidade: vendas mudam entre períodos, pessoas avaliam serviços de maneiras diferentes, prazos de entrega oscilam, custos não se repetem exatamente e amostras distintas produzem resultados diferentes. Em vez de tratar essa variação como ruído sem importância, a estatística ajuda a descrevê-la e a compreender quanto de uma conclusão é estável ou incerto.

Para estudantes de Administração, a disciplina funciona como ponte entre situações organizacionais e decisões fundamentadas. Um painel de indicadores, uma pesquisa de satisfação, um teste de campanha, uma previsão de demanda ou uma auditoria de processos dependem de definições estatísticas. Sem elas, números podem parecer objetivos e ainda assim induzir ao erro por amostra enviesada, média inadequada, gráfico distorcido, comparação sem base ou associação confundida com causalidade.

O curso introdutório deve combinar quatro movimentos. O primeiro é compreender o problema gerencial e definir a unidade de análise. O segundo é produzir ou obter dados com qualidade. O terceiro é aplicar técnicas adequadas ao tipo de variável e à pergunta. O quarto é comunicar resultados, incertezas e limitações. A sequência evita que a pessoa estudante comece pelo software e termine com uma tabela que não responde a nenhuma questão relevante.

A definição central da disciplina pode ser sintetizada assim: Métodos Estatísticos I ensina a descrever padrões, quantificar variabilidade e usar amostras para aprender sobre populações, mantendo transparência sobre premissas e incertezas.

Competências esperadas

· distinguir população, amostra, unidade de análise, parâmetro e estatística;

· classificar variáveis e selecionar formas adequadas de resumo e visualização;

· calcular e interpretar média, mediana, moda, quartis, variância, desvio-padrão e coeficiente de variação;

· reconhecer assimetria, valores atípicos, concentração e diferenças entre grupos;

· aplicar regras de probabilidade, probabilidade condicional e teorema de Bayes;

· trabalhar com distribuições discretas e contínuas frequentes em problemas administrativos;

· compreender amostragem, distribuição amostral, erro-padrão, intervalo de confiança e teste de hipótese introdutório;

· usar planilhas ou softwares estatísticos sem transformar a ferramenta em uma caixa-preta;

· comunicar resultados em linguagem clara, sem exagerar o alcance das conclusões.

Uma disciplina quantitativa, mas também interpretativa

O domínio operacional das fórmulas é necessário, porém insuficiente. A mesma média pode representar bases muito diferentes; o mesmo percentual pode ter denominadores incompatíveis; a mesma correlação pode refletir coincidência, variável omitida ou causalidade reversa. Por isso, cada cálculo do guia será acompanhado de interpretação gerencial, pergunta de validação e alerta de uso. O resultado final esperado é uma pessoa administradora capaz de ler dados com curiosidade e prudência.

2. Por que ela faz parte do curso

Administração é uma atividade baseada em evidências

Organizações produzem dados continuamente: vendas, custos, tempos, reclamações, acessos, faltas, acidentes, avaliações, estoques e resultados de campanhas. A formação administrativa precisa ensinar como transformar esses registros em evidências. Métodos Estatísticos I fornece a base para distinguir variações comuns de sinais relevantes, comparar períodos, identificar segmentos e decidir quando uma diferença observada merece investigação.

A disciplina também protege contra decisões apoiadas em casos isolados. Um relato pode revelar um problema importante, mas não mede sua frequência. Uma semana de vendas não define uma tendência. Uma pesquisa respondida apenas por pessoas muito satisfeitas ou muito insatisfeitas não representa necessariamente toda a clientela. O pensamento estatístico pergunta quem foi observado, como os dados foram produzidos e quão representativa é a informação.

Planejamento e controle

Planejar exige estimar demanda, capacidade, custos e riscos. Controlar exige comparar previsto e realizado, identificar desvios e acompanhar indicadores. Mesmo quando modelos avançados são tratados em outras disciplinas, a compreensão de média, dispersão, probabilidade e amostragem permanece indispensável. Uma previsão sem intervalo de incerteza pode transmitir precisão falsa; uma meta baseada em média histórica pode ser inviável quando a variabilidade é elevada.

Integração de áreas

Área	Uso de métodos estatísticos
Marketing	segmentação, pesquisa, experimentos, conversão e retenção
Operações	tempos, defeitos, capacidade, produtividade e qualidade
Finanças	retornos, risco, inadimplência, cenários e indicadores
Gestão de pessoas	absenteísmo, rotatividade, clima e remuneração
Logística	demanda, atrasos, perdas, estoques e desempenho de transportadoras
Setor público	indicadores sociais, avaliação de serviços e alocação de recursos
Empreendedorismo	validação de hipóteses, métricas de produto e aprendizagem
Auditoria e controles	amostragem, exceções, conformidade e monitoramento

Essa integração explica por que estatística não deve ser tratada como matéria isolada. Ela fornece um vocabulário comum para equipes discutirem evidências. Quando marketing apresenta uma taxa, operações questiona a base e finanças pede impacto, todos precisam compreender numerador, denominador, período, amostra e margem de erro.

Leitura crítica de relatórios e pesquisas

Pessoas administradoras recebem estudos prontos, dashboards, pesquisas de mercado e relatórios de consultoria. A disciplina permite avaliar se a amostra é adequada, se o gráfico preserva escala, se a média é representativa, se a relação entre variáveis é forte e se a conclusão ultrapassa o desenho do estudo. Essa competência reduz o risco de adotar recomendações apenas porque foram apresentadas com números e visual sofisticado.

Decisão sob incerteza

A gestão raramente dispõe de certeza completa. Probabilidade organiza incertezas e permite comparar riscos. Distribuições representam contagens, tempos, proporções e resultados contínuos. Intervalos de confiança mostram uma faixa plausível para parâmetros. Testes de hipótese ajudam a avaliar se evidências observadas são compatíveis com uma referência. A disciplina ensina que incerteza não significa ausência de decisão; significa decisão acompanhada de riscos e premissas.

Ética, privacidade e responsabilidade

Dados descrevem pessoas e podem influenciar oportunidades, crédito, atendimento e políticas. Uma análise estatística responsável exige finalidade legítima, minimização de dados, proteção, transparência e atenção a grupos sub-representados. Uma média global pode ocultar desigualdades; um modelo pode reproduzir padrões discriminatórios; uma amostra por conveniência pode excluir quem encontra maiores barreiras. A formação estatística deve combinar competência técnica e responsabilidade social.

Preparação para disciplinas posteriores

Métodos Estatísticos I prepara para Métodos Estatísticos II, econometria, pesquisa de mercado, controle da qualidade, ciência de dados, previsão, análise multivariada e avaliação de políticas. Sem a base descritiva e probabilística, técnicas posteriores podem ser aplicadas de forma mecânica. Com a base, a pessoa estudante consegue compreender o que cada modelo estima, quais condições são necessárias e como interpretar resultados.

3. Conceitos Fundamentais

3.1 População, amostra e unidade de análise

População é o conjunto completo sobre o qual se deseja aprender. Amostra é a parte observada. Unidade de análise é o elemento ao qual cada registro se refere, como cliente, pedido, loja, pessoa empregada ou dia.

A definição deve ser específica. “Clientes da empresa” pode significar pessoas cadastradas, compradores do último ano ou usuários ativos. Mudanças nessa definição alteram taxas e conclusões. Também é necessário distinguir população-alvo, população acessível e quadro amostral. O quadro amostral é a lista ou mecanismo usado para selecionar unidades; se ele exclui parte da população-alvo, surge erro de cobertura.

Uma rede deseja estimar a satisfação de quem realizou compras nos últimos 30 dias. A população-alvo são todas essas pessoas compradoras. A empresa possui 48.000 pedidos, mas somente 39.000 têm contato válido. Esses 39.000 formam a população acessível. Se forem sorteadas 600 pessoas e 210 responderem, as 210 compõem a amostra efetivamente analisada.

A diferença entre selecionadas e respondentes deve ser registrada. Mesmo com sorteio inicial, a não resposta pode produzir viés se quem responde tiver experiência sistematicamente diferente. Comparar características disponíveis entre respondentes e não respondentes ajuda a avaliar o problema.

Erro comum: chamar de “população” qualquer arquivo disponível. Um banco de dados é uma fonte, não necessariamente a população correta. A pergunta gerencial deve vir antes da extração.

3.2 Parâmetro, estatística e estimador

Parâmetro é uma característica numérica da população, como média verdadeira de tempo. Estatística é uma medida calculada na amostra. Estimador é a regra usada para calcular uma estimativa do parâmetro.

A média populacional costuma ser representada por μ, enquanto a média amostral é representada por x̄. A proporção populacional pode ser p, e a proporção amostral, p̂. O parâmetro é fixo, embora geralmente desconhecido; a estatística varia entre amostras. Essa variabilidade amostral é a origem do erro-padrão e dos intervalos de confiança.

Se a taxa real de entregas no prazo entre todos os pedidos do trimestre é 91%, esse 91% é um parâmetro. Se uma auditoria seleciona 400 pedidos e encontra 88% no prazo, 88% é uma estatística amostral. Outra amostra poderia produzir 90% ou 92%.

Uma estimativa não deve ser julgada apenas pela proximidade aparente. Importam viés, variabilidade, método de seleção e tamanho da amostra. Estimadores não viesados acertam o parâmetro em média ao longo de repetições, mas cada amostra continua sujeita a erro.

Erro comum: tratar a estatística amostral como verdade exata. Um relatório adequado informa estimativa, incerteza e método de obtenção.

3.3 Variáveis e escalas de mensuração

Variável é uma característica que pode assumir valores diferentes entre unidades. Variáveis qualitativas descrevem categorias; variáveis quantitativas representam contagens ou medidas. Escalas nominais, ordinais, intervalares e de razão determinam quais operações fazem sentido.

Em escala nominal, categorias não possuem ordem natural, como canal de venda. Em escala ordinal, existe ordem, mas as distâncias não são necessariamente iguais, como avaliações “ruim”, “regular”, “bom” e “ótimo”. Escalas intervalares têm diferenças comparáveis, mas zero convencional. Escalas de razão possuem zero significativo, permitindo comparar proporções, como receita e tempo.

Número de reclamações é quantitativo discreto porque resulta de contagem. Tempo de atendimento é quantitativo contínuo, ainda que o sistema registre minutos inteiros. Grau de concordância em escala de 1 a 5 é ordinal; calcular média pode ser útil como resumo operacional, mas exige reconhecer que a distância entre categorias é uma convenção.

A classificação orienta gráficos e medidas. Moda serve para categorias nominais; mediana faz sentido para dados ordinais; média e desvio-padrão são mais naturais em medidas quantitativas. Códigos numéricos de categorias não transformam uma variável qualitativa em quantitativa.

Erro comum: calcular média do código de uma filial ou somar categorias porque estão representadas por números. O significado vem da variável, não do formato do arquivo.

3.4 Qualidade, origem e preparação dos dados

Dados administrativos podem ser primários, quando coletados para a análise, ou secundários, quando já existiam em sistemas, pesquisas ou bases públicas. Fontes secundárias reduzem custo, mas exigem verificar finalidade original, cobertura, definições, periodicidade e alterações metodológicas. Um indicador com o mesmo nome pode mudar de cálculo ao longo do tempo.

Dimensões de qualidade incluem completude, validade, consistência, unicidade, atualidade e exatidão. Completude verifica campos ausentes. Validade compara valores com regras. Consistência examina relações entre campos. Unicidade identifica registros duplicados. Atualidade avalia atraso. Exatidão depende de confronto com referência ou processo de auditoria.

A preparação deve ser documentada. Remover registros, substituir valores ausentes, agrupar categorias ou corrigir datas altera a base. Uma trilha mínima registra arquivo original, regras, quantidade de linhas afetadas e justificativas. O objetivo não é conservar todo erro, mas impedir que decisões invisíveis se tornem parte do resultado.

Valores ausentes não são todos iguais. Podem ocorrer ao acaso, depender de variáveis observadas ou relacionar-se ao próprio valor ausente. Uma pesquisa de renda tende a ter não resposta maior em alguns grupos. Preencher todos os vazios com a média reduz artificialmente a dispersão e pode distorcer relações. Em análises introdutórias, é preferível apresentar a quantidade de ausências, investigar padrões e fazer análise de sensibilidade.

Duplicidades também requerem contexto. Dois pedidos idênticos podem ser duplicação de carga ou compras reais repetidas. Remover apenas pela igualdade das colunas pode apagar eventos legítimos. A unidade de análise e a chave esperada orientam a decisão.

3.5 Distribuições de frequência

Uma distribuição de frequência mostra como observações se distribuem entre categorias ou intervalos. A frequência absoluta é a contagem; a relativa é a proporção; a acumulada soma frequências até determinado ponto. Para dados contínuos, classes simplificam a leitura, mas escolhas de largura e limites influenciam a aparência.

Considere 200 tempos de entrega. Classes de 0 a 2, 2 a 4, 4 a 6 e mais de 6 dias podem responder a níveis de serviço. Se o objetivo é estudar pequenas diferenças operacionais, classes de um dia podem ser melhores. A regra de Sturges, a raiz quadrada de n e critérios baseados na amplitude interquartil oferecem pontos de partida, não decisões automáticas.

Frequência relativa da classe = frequência absoluta da classe / número total de observações

Frequência percentual = frequência relativa × 100%

A tabela deve informar limites e tratamento de extremos. Intervalos como 0–10 e 10–20 são ambíguos se o valor 10 puder entrar em ambos. Uma convenção é [0,10) e [10,20), incluindo o limite inferior e excluindo o superior, exceto talvez na última classe.

Erro comum: comparar frequências absolutas entre grupos de tamanhos diferentes. Percentuais ou taxas padronizadas são necessários quando os denominadores variam.

3.6 Tabelas e gráficos

A visualização deve ser escolhida pela pergunta. Gráfico de barras compara categorias; histograma descreve distribuição contínua; linhas acompanham séries temporais; boxplot compara posição e dispersão entre grupos; dispersão examina duas variáveis quantitativas. Gráficos de setores podem funcionar com poucas categorias, mas dificultam comparações precisas e perdem legibilidade com muitas partes.

Escalas devem ser honestas. Em barras, iniciar o eixo longe de zero pode exagerar diferenças. Em linhas, um eixo truncado pode ser aceitável quando o objetivo é mostrar pequenas variações, desde que esteja evidente. Perspectiva tridimensional, áreas proporcionais mal calculadas e cores sem contraste reduzem compreensão.

Um gráfico gerencial precisa de título informativo, unidade, período, fonte e, quando necessário, nota metodológica. “Vendas” é menos útil que “Receita líquida mensal, em R$ mil, janeiro a dezembro de 2025”. Rótulos devem permitir leitura sem exigir adivinhação.

Visualização não substitui análise. Um pico pode resultar de promoção, erro de carga, sazonalidade ou mudança de definição. O gráfico revela onde perguntar, mas a resposta depende de contexto e investigação.

Erro comum: usar gráfico para decorar relatório. Cada elemento deve ajudar a perceber comparação, tendência, composição, distribuição ou relação.

3.7 Média aritmética e média ponderada

A média aritmética soma os valores e divide pelo número de observações. Ela utiliza toda a informação numérica, mas é sensível a valores extremos. A média ponderada atribui pesos diferentes, como volumes, créditos ou probabilidades.

x̄ = (Σxᵢ) / n

x̄ ponderada = (Σwᵢxᵢ) / (Σwᵢ)

Uma loja registra tempos de 4, 5, 5, 6 e 20 minutos. A média é 8 minutos, puxada pelo atendimento de 20. Se as médias mensais de duas unidades são 10 e 14 minutos, com 900 e 100 atendimentos, a média conjunta não é 12; é (900×10 + 100×14)/1.000 = 10,4 minutos.

A média responde à pergunta de equilíbrio: se o total fosse repartido igualmente, quanto caberia a cada unidade? Para distribuições simétricas, representa bem o centro. Em dados assimétricos, deve ser acompanhada de mediana, quartis e explicação dos extremos.

Erro comum: calcular média das médias sem ponderar pelos tamanhos dos grupos. Outro erro é interpretar média como experiência típica quando poucos valores altos dominam o resultado.

3.8 Mediana, moda e escolha da medida de centro

A mediana é o valor que divide os dados ordenados em duas metades. A moda é o valor ou categoria mais frequente. Elas respondem a perguntas diferentes e podem complementar a média.

Para n ímpar, a mediana é o valor central. Para n par, costuma ser a média dos dois valores centrais. A moda pode ser única, múltipla ou inexistente em dados sem repetição. Em categorias nominais, é a principal medida de tendência central.

Nas rendas 2.000, 2.200, 2.400, 2.600 e 20.000, a média é 5.840 e a mediana é 2.400. A mediana representa melhor uma posição típica. Em uma loja, o tamanho de calçado mais vendido é a moda e orienta o estoque, mesmo que a média numérica exista.

A escolha depende da distribuição e da decisão. Para tempos de espera com cauda longa, mediana informa a experiência central, enquanto percentis altos mostram risco de demora. Para custo total, a média continua relevante porque preserva a soma.

Erro comum: escolher a medida que favorece uma narrativa. O relatório deve justificar a medida e, quando possível, mostrar resumos complementares.

3.9 Quartis, percentis e amplitude interquartil

Quartis dividem dados ordenados em quatro partes; percentis dividem em cem posições conceituais. A amplitude interquartil, IQR = Q3 − Q1, mede a dispersão dos 50% centrais e é resistente a extremos.

IQR = Q3 − Q1

Limite inferior para investigação = Q1 − 1,5×IQR

Limite superior para investigação = Q3 + 1,5×IQR

Se Q1 = 12 minutos e Q3 = 20, o IQR é 8. Os limites usuais são 0 e 32 minutos. Observações acima de 32 aparecem como potenciais valores atípicos em um boxplot. Isso não autoriza exclusão; sinaliza investigação.

Percentis são úteis para níveis de serviço. Dizer que o percentil 90 do prazo é 5 dias significa que aproximadamente 90% das entregas ocorreram em até 5 dias. A meta pode ser definida sobre p90 quando a organização deseja controlar a cauda, e não apenas a média.

Erro comum: supor que todos os softwares calculam quartis do mesmo modo. Métodos de interpolação podem produzir pequenas diferenças; o procedimento deve ser consistente quando comparações dependem dele.

3.10 Amplitude, variância e desvio-padrão

A amplitude é máximo menos mínimo. A variância mede a média dos desvios quadráticos em relação à média. O desvio-padrão é a raiz da variância e retorna à unidade original.

Amplitude = máximo − mínimo

s² = Σ(xᵢ − x̄)² / (n − 1)

s = √s²

Para os valores 8, 10, 10, 12, a média é 10. Os desvios são −2, 0, 0 e 2; os quadrados somam 8. A variância amostral é 8/3 = 2,67 e o desvio-padrão é aproximadamente 1,63.

O denominador n−1 é usado na variância amostral para corrigir a tendência de subestimar a variabilidade populacional quando a média é estimada com a própria amostra. O desvio-padrão não representa uma distância máxima; em distribuições aproximadamente normais, ajuda a interpretar concentração ao redor da média.

Erro comum: comparar variâncias sem considerar unidades ou escalas. Como a variância está em unidade ao quadrado, o desvio-padrão é mais intuitivo para comunicação.

3.11 Coeficiente de variação e padronização

O coeficiente de variação mede o desvio-padrão em relação à média, permitindo comparar variabilidade relativa entre grandezas positivas com escalas diferentes.

CV = (s / x̄) × 100%

Um processo A tem média 100 e desvio-padrão 10, CV de 10%. Um processo B tem média 20 e desvio-padrão 4, CV de 20%. B possui menor dispersão absoluta, mas maior variabilidade relativa.

O CV é útil em custos, demandas e tempos quando zero é significativo. Torna-se instável com média próxima de zero e inadequado em escalas intervalares ou dados que podem assumir valores positivos e negativos de forma natural.

Erro comum: concluir que menor CV é sempre melhor. Em retornos ou inovação, variabilidade pode estar associada a oportunidades; a interpretação depende do objetivo.

3.12 Assimetria, curtose e formato da distribuição

Uma distribuição simétrica possui lados aproximadamente espelhados. Na assimetria positiva, a cauda se estende para valores altos; média tende a superar mediana. Na assimetria negativa, a cauda se estende para valores baixos; média tende a ser menor. Tempos de espera, renda e valores de compra frequentemente têm assimetria positiva.

Curtose está relacionada ao peso das caudas e à ocorrência de extremos em comparação com uma referência normal. Em aplicações introdutórias, é mais útil examinar histograma, boxplot e percentis do que depender de um único coeficiente. Amostras pequenas produzem medidas instáveis.

O formato afeta escolhas. A média e o desvio-padrão resumem bem distribuições aproximadamente simétricas sem extremos importantes. Para distribuições assimétricas, mediana e IQR oferecem complemento resistente. Transformações logarítmicas podem facilitar análise de valores positivos com grande cauda, mas mudam a escala e exigem interpretação cuidadosa.

Erro comum: chamar qualquer distribuição não normal de “errada”. A normalidade é um modelo útil, não uma obrigação dos dados. Muitos fenômenos reais são naturalmente assimétricos ou discretos.

3.13 Valores atípicos e observações influentes

Valor atípico é uma observação distante do padrão principal. Pode representar erro, evento raro legítimo, mudança de regime ou subgrupo não identificado. A decisão correta não é remover automaticamente, mas verificar origem, regras de negócio e impacto sobre resultados.

Métodos de detecção incluem boxplot, escores padronizados, regras de domínio e comparação temporal. Um faturamento negativo pode ser válido se representar estorno. Uma idade de 250 anos é provavelmente erro. Uma compra cem vezes maior pode ser contrato corporativo legítimo.

Observações influentes são aquelas cuja presença altera substancialmente estimativas, como média ou correlação. Nem todo outlier é influente, e nem toda observação influente parece extrema em uma dimensão. Comparar análises com e sem o ponto, mantendo transparência, ajuda a avaliar robustez.

Erro comum: excluir valores porque atrapalham uma conclusão. Critérios de tratamento devem ser definidos antes de observar o efeito desejado e documentados no relatório.

3.14 Padronização e escore z

O escore z expressa quantos desvios-padrão um valor está acima ou abaixo da média. Ele permite comparar posições relativas em escalas diferentes.

z = (x − μ) / σ

Se a média de vendas é R$ 50 mil e o desvio-padrão é R$ 8 mil, uma venda de R$ 66 mil possui z = 2. Em outro indicador com média 10 e desvio 1, um valor 12 também possui z = 2. Ambos estão duas unidades de desvio acima de suas médias.

Padronizar não torna distribuições normais; apenas muda centro e escala. O z pode ser usado para identificar posições incomuns em distribuições aproximadamente simétricas, mas limites fixos não substituem contexto.

Erro comum: interpretar z = 2 como “probabilidade de 2%”. A conversão para probabilidades depende de uma distribuição assumida, normalmente a normal.

3.15 Relação entre duas variáveis: tabelas cruzadas

Quando duas variáveis são qualitativas, uma tabela de contingência organiza contagens conjuntas. Percentuais por linha respondem como a distribuição de uma variável muda dentro de cada categoria da outra; percentuais por coluna respondem outra pergunta. Percentuais totais podem ocultar a comparação relevante.

Suponha 300 clientes divididos por canal e satisfação. Se 70% do canal digital e 55% do presencial estão satisfeitos, a comparação exige percentuais dentro de cada canal. Contagens brutas podem ser maiores no presencial apenas porque há mais clientes.

Uma associação aparente pode mudar quando se estratifica por uma terceira variável. Esse fenômeno, relacionado ao paradoxo de Simpson, mostra que agregações podem ocultar composição. Comparações de desempenho entre unidades devem considerar mix de clientes, complexidade ou período.

Erro comum: interpretar diferença de percentuais como causalidade. A tabela mostra associação descritiva; desenho do estudo e controle de fatores são necessários para inferência causal.

3.16 Covariância e correlação

Covariância mede se duas variáveis tendem a variar na mesma direção. Correlação de Pearson padroniza a covariância entre −1 e 1, indicando intensidade e direção de relação linear.

Cov(X,Y) = Σ[(xᵢ − x̄)(yᵢ − ȳ)] / (n − 1)

r = Cov(X,Y) / (sₓsᵧ)

Uma correlação r = 0,80 entre investimento em mídia e vendas indica forte associação linear positiva na amostra. Não significa que 80% das vendas foram causadas pela mídia, nem que aumentar mídia produzirá proporcionalmente o mesmo efeito.

Correlação próxima de zero pode coexistir com relação curva. Valores extremos podem inflar ou inverter r. Gráfico de dispersão deve acompanhar o coeficiente. Em dados ordinais ou relações monotônicas não lineares, correlação de Spearman pode ser mais adequada.

Erro comum: confundir correlação com causalidade. Variáveis omitidas, tendência temporal, causalidade reversa e seleção podem explicar a associação.

3.17 Fundamentos de probabilidade

Probabilidade quantifica incerteza em uma escala de 0 a 1. O espaço amostral reúne resultados possíveis; evento é um subconjunto. Os axiomas estabelecem que probabilidades são não negativas, o espaço completo tem probabilidade 1 e eventos mutuamente exclusivos somam suas probabilidades.

P(Aᶜ) = 1 − P(A)

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

Se 30% dos pedidos atrasam e 12% atrasam e apresentam avaria, a probabilidade de atraso sem avaria é 18%, desde que “atraso e avaria” esteja contido no grupo de atrasos. Diagramas e tabelas ajudam a evitar dupla contagem.

Probabilidades podem ser clássicas, empíricas ou subjetivas estruturadas. Em negócios, muitas estimativas vêm de frequências históricas, mas o ambiente pode mudar. A base deve ser relevante ao período e processo futuro.

Erro comum: somar probabilidades de eventos que podem ocorrer juntos sem subtrair a interseção.

3.18 Probabilidade condicional e independência

Probabilidade condicional mede a chance de A quando se sabe que B ocorreu. O denominador passa a ser o conjunto B.

P(A|B) = P(A ∩ B) / P(B)

Se 40 de 200 clientes são inadimplentes e 30 dos inadimplentes possuem atraso prévio, P(atraso prévio | inadimplência) = 30/40 = 75%. Isso difere de P(inadimplência | atraso prévio), cujo denominador é o total com atraso prévio.

Eventos A e B são independentes quando P(A|B) = P(A), equivalendo a P(A∩B) = P(A)P(B). Independência não é o mesmo que exclusão mútua. Eventos mutuamente exclusivos com probabilidades positivas não são independentes: a ocorrência de um impede o outro.

Erro comum: inverter condicionais. “A maioria das fraudes possui característica X” não implica que a maioria dos casos com X seja fraude; a taxa-base importa.

3.19 Teorema de Bayes e atualização de evidências

O teorema de Bayes atualiza uma probabilidade inicial quando surge uma evidência. Ele combina taxa-base, sensibilidade da evidência e ocorrência de falsos positivos.

P(A|B) = [P(B|A)P(A)] / P(B)

Considere fraude em 1% das transações. Um alerta identifica 90% das fraudes, mas sinaliza 5% das transações legítimas. Em 10.000 transações, espera-se 100 fraudes, 90 alertadas; entre 9.900 legítimas, 495 alertadas. Assim, apenas 90 de 585 alertas, cerca de 15,4%, correspondem a fraude.

A conclusão não é que o alerta seja inútil. Ele eleva o risco de 1% para 15,4%, permitindo priorizar investigação. Entretanto, bloquear automaticamente todos os alertas produziria muitos falsos positivos. Decisões devem considerar custo de investigação, dano da fraude e impacto sobre clientes.

Erro comum: olhar apenas para a sensibilidade de 90% e concluir que um alerta tem 90% de chance de ser fraude.

3.20 Variável aleatória, esperança e variância

Variável aleatória associa um número a cada resultado de um experimento. Pode ser discreta, com valores contáveis, ou contínua, com valores em intervalos. A distribuição atribui probabilidades aos valores ou densidade às faixas.

E(X) = ΣxP(X=x) para variável discreta

Var(X) = E[(X−μ)²] = E(X²) − [E(X)]²

Um contrato pode gerar lucro de R$ 20 mil com probabilidade 0,6 e prejuízo de R$ 10 mil com probabilidade 0,4. O valor esperado é 0,6×20.000 + 0,4×(−10.000) = R$ 8.000. O valor esperado é média de longo prazo, não promessa de resultado individual.

A variância mede risco em torno da esperança. Duas alternativas com mesmo valor esperado podem ter dispersões diferentes. A decisão gerencial também considera aversão ao risco, liquidez, limites e consequências assimétricas.

Erro comum: escolher a maior esperança ignorando a possibilidade de perda incompatível com a capacidade da organização.

3.21 Distribuição de Bernoulli e binomial

Uma variável Bernoulli representa um ensaio com dois resultados, como sucesso e fracasso, com probabilidade p de sucesso. A binomial conta sucessos em n ensaios independentes com p constante.

P(X=x) = C(n,x)pˣ(1−p)ⁿ⁻ˣ

E(X)=np; Var(X)=np(1−p)

Se cada contato tem probabilidade 0,20 de conversão e 10 contatos são tratados como independentes, a probabilidade de exatamente 3 conversões é C(10,3)0,2³0,8⁷ ≈ 0,201. O número esperado é 2.

As condições importam. Em campanhas, p pode variar por segmento e os resultados podem depender do mesmo evento externo. Nesses casos, a binomial simples é aproximação. A modelagem deve reconhecer heterogeneidade e dependência.

Erro comum: usar binomial em amostragem sem reposição de população pequena, quando a hipergeométrica é mais adequada.

3.22 Distribuição de Poisson

A Poisson modela contagens de eventos em um intervalo quando ocorrem com taxa média λ, de forma aproximadamente independente e sem concentração simultânea relevante.

P(X=x) = e^(−λ) λˣ / x!

E(X)=λ; Var(X)=λ

Se um suporte recebe em média 4 chamados por hora, a probabilidade de exatamente 2 em uma hora é e^(−4)4²/2! ≈ 0,1465. A probabilidade de nenhum chamado é e^(−4) ≈ 0,0183.

A igualdade entre média e variância é característica do modelo. Dados com variância muito maior podem apresentar sobredispersão por heterogeneidade, picos ou dependência. A taxa também deve ser proporcional ao intervalo: média de 4 por hora corresponde a 2 por meia hora apenas se o processo for estável.

Erro comum: usar uma taxa média diária para todos os horários quando há forte sazonalidade intradiária.

3.23 Distribuições geométrica e hipergeométrica

A distribuição geométrica descreve o número de tentativas até o primeiro sucesso em ensaios Bernoulli independentes. A hipergeométrica conta sucessos em amostra sem reposição de uma população finita.

Geométrica: P(X=x) = (1−p)ˣ⁻¹p

Hipergeométrica: P(X=x) = [C(K,x)C(N−K,n−x)] / C(N,n)

Se a chance de fechar uma venda é 0,25 por contato independente, a probabilidade de a primeira venda ocorrer no terceiro contato é 0,75²×0,25 = 0,1406. Se um lote de 50 itens contém 5 defeituosos e são selecionados 4 sem reposição, a hipergeométrica representa o número de defeitos observados.

A geométrica possui propriedade de falta de memória, adequada apenas quando a chance permanece constante. Em vendas, aprendizagem, fadiga ou qualidade dos leads podem quebrar essa condição. Na hipergeométrica, a dependência surge porque cada retirada altera a composição restante.

Erro comum: aproximar automaticamente por binomial quando a fração amostral é elevada. Uma regra prática é considerar a correção de população finita quando n/N não é pequena.

3.24 Distribuições uniforme e exponencial

A uniforme contínua atribui densidade constante a um intervalo [a,b]. A exponencial modela tempo entre eventos de um processo de Poisson com taxa λ.

Uniforme: f(x)=1/(b−a), para a≤x≤b

Exponencial: f(x)=λe^(−λ)ˣ, x≥0; E(X)=1/λ

Se um horário de chegada é tratado como uniforme entre 10 e 20 minutos, a probabilidade de ocorrer entre 12 e 15 é (15−12)/(20−10)=0,30. Se chamadas chegam à taxa de 6 por hora, o tempo médio entre chamadas é 1/6 de hora, ou 10 minutos; a probabilidade de esperar mais de 15 minutos é e^(−6×0,25) ≈ 0,223.

A exponencial também possui falta de memória e supõe taxa constante. Tempos reais de serviço frequentemente não são exponenciais. A distribuição é útil como modelo inicial e em teoria de filas, mas deve ser confrontada com dados.

Erro comum: confundir tempo entre chegadas com duração do atendimento. São variáveis diferentes e podem seguir distribuições diferentes.

3.25 Distribuição normal

A normal é contínua, simétrica e definida por média μ e desvio-padrão σ. Sua forma de sino surge em muitos agregados e aproximações, mas não deve ser presumida sem contexto.

Z = (X−μ)/σ

A regra empírica indica que, em uma normal, aproximadamente 68% dos valores ficam entre μ±1σ, 95% entre μ±2σ e 99,7% entre μ±3σ. Se tempos são normais com média 50 e desvio 5, aproximadamente 95% ficam entre 40 e 60.

Para calcular probabilidades, padroniza-se X e utiliza-se a normal padrão. P(X≤60) corresponde a P(Z≤2), cerca de 0,9772. A área é probabilidade; a altura da curva em um ponto não é probabilidade isolada.

A normal pode aproximar binomial quando np e n(1−p) são suficientemente grandes, com correção de continuidade. Também aparece nas distribuições amostrais pelo Teorema Central do Limite.

Erro comum: remover dados reais para “forçar normalidade”. A técnica deve se adaptar ao fenômeno, e não o contrário.

3.26 Amostragem probabilística e não probabilística

Amostragem probabilística atribui probabilidade conhecida e positiva de seleção às unidades. Exemplos: aleatória simples, sistemática, estratificada e por conglomerados. Ela permite quantificar erro amostral sob o desenho. Amostragens por conveniência, julgamento, quotas e bola de neve podem ser úteis, mas não sustentam automaticamente generalização estatística.

Na aleatória simples, todas as amostras de tamanho n têm chance igual. Na sistemática, escolhe-se início aleatório e intervalo k. Na estratificada, divide-se a população em grupos e sorteia-se dentro de cada um, melhorando precisão ou garantindo representação. Por conglomerados, sorteiam-se grupos naturais, reduzindo custo, porém aumentando dependência interna.

Um levantamento nacional pode estratificar por região e porte e selecionar empresas dentro de cada estrato. Uma pesquisa em um evento, respondida por quem aceita participar, é amostra de conveniência. O tamanho grande não elimina viés de seleção.

Erro comum: afirmar que uma amostra é “aleatória” apenas porque as pessoas responderam espontaneamente ou porque o analista não escolheu individualmente os casos.

3.27 Viés, erro amostral e erros não amostrais

Erro amostral é a diferença decorrente de observar uma amostra em vez da população. Ele tende a diminuir com amostras maiores e pode ser quantificado em desenhos probabilísticos. Viés é erro sistemático que não desaparece simplesmente aumentando n.

Erros não amostrais incluem cobertura inadequada, não resposta, perguntas tendenciosas, memória, registro, processamento e fraude. Uma pesquisa com um milhão de respostas enviesadas pode ser menos útil que uma amostra probabilística de mil respostas.

A redação de perguntas influencia respostas. Questões duplas, termos vagos, escalas desequilibradas e ordem das opções geram distorções. Pré-teste e piloto ajudam a detectar problemas. O canal também importa: pessoas sem acesso digital podem ser excluídas de formulários online.

Erro comum: divulgar apenas “margem de erro” e ignorar erros de cobertura e não resposta, que podem dominar a incerteza total.

3.28 Distribuição amostral e erro-padrão

Distribuição amostral é a distribuição de uma estatística em todas as amostras possíveis de mesmo tamanho sob um desenho. Ela descreve como a estatística varia e sustenta inferência.

Para a média, sob condições usuais, E(x̄)=μ e o desvio-padrão da distribuição amostral é σ/√n. Quando σ é desconhecido, utiliza-se s como estimativa.

EP(x̄) = σ/√n ≈ s/√n

Se o desvio-padrão populacional é 20 e n=100, o erro-padrão da média é 2. A dispersão dos indivíduos continua 20; o que diminui é a incerteza da média estimada. Quadruplicar n reduz o erro-padrão pela metade.

Para proporção, o erro-padrão aproximado é √[p(1−p)/n], usando p̂ na prática. Em amostras sem reposição de população finita, pode-se aplicar fator de correção.

Erro comum: confundir desvio-padrão dos dados com erro-padrão da estimativa. Um descreve variabilidade individual; o outro, precisão da estatística.

3.29 Teorema Central do Limite

O Teorema Central do Limite afirma que, sob condições amplas, a distribuição da média amostral se aproxima da normal à medida que n cresce, mesmo quando a população não é normal. O tamanho necessário depende da assimetria, extremos e dependência.

Esse resultado explica a ampla utilização de intervalos e testes baseados em normalidade aproximada. Ele não afirma que os dados individuais se tornam normais nem que qualquer amostra pequena é suficiente.

Se vendas individuais são assimétricas, médias de grupos de 50 vendas podem apresentar distribuição muito mais próxima da normal. Entretanto, dados dependentes no tempo ou agrupados exigem cuidados; aumentar registros sem aumentar unidades independentes pode não produzir a precisão esperada.

Erro comum: usar “n≥30” como regra universal. Trinta pode ser suficiente em distribuições moderadas, mas inadequado com caudas muito pesadas, raridade ou forte dependência.

3.30 Estimação pontual e intervalar

Estimativa pontual oferece um único valor. Intervalo de confiança combina estimativa e margem de erro. Em repetidas amostras e sob o procedimento correto, uma proporção definida dos intervalos conterá o parâmetro.

Para média com σ conhecida ou amostra grande:

IC para μ: x̄ ± z* × σ/√n

Para proporção, em aproximação normal:

IC para p: p̂ ± z* × √[p̂(1−p̂)/n]

Se 400 clientes produzem p̂=0,60, o erro-padrão é √(0,6×0,4/400)=0,0245. Para 95%, margem ≈1,96×0,0245=0,048. O intervalo aproximado é 55,2% a 64,8%.

Interpretação frequencista correta: o método gera 95% de intervalos que contêm o parâmetro em repetição. Na comunicação gerencial, pode-se dizer que a estimativa é compatível com valores na faixa, dadas as premissas.

Erro comum: concluir que 95% dos indivíduos estão dentro do intervalo da média. O intervalo é sobre o parâmetro, não sobre observações individuais.

3.31 Distribuição t de Student

Quando a média é estimada com σ desconhecido, especialmente em amostras pequenas e dados aproximadamente normais, utiliza-se a distribuição t com n−1 graus de liberdade. Ela tem caudas mais pesadas que a normal, refletindo incerteza adicional.

IC para μ: x̄ ± t* × s/√n

À medida que os graus de liberdade aumentam, t se aproxima da normal padrão. Para n=10 e 95% bilateral, o valor crítico é maior que 1,96. O intervalo fica mais largo.

A utilização da t não corrige automaticamente assimetria extrema ou outliers. Em amostras pequenas, gráfico e conhecimento do processo são indispensáveis. Métodos robustos ou reamostragem podem ser estudados posteriormente.

Erro comum: usar z apenas porque a planilha oferece a função, ignorando que σ é desconhecido e n é pequeno.

3.32 Determinação do tamanho da amostra

O tamanho depende da precisão desejada, nível de confiança, variabilidade, desenho e recursos. Para estimar proporção com margem E e aproximação normal:

n₀ = z*² p(1−p) / E²

Quando p é desconhecido, p=0,5 produz variância máxima e tamanho conservador. Para 95% e margem de 5 pontos percentuais, n≈1,96²×0,25/0,05²≈385. Em população finita N, pode-se corrigir:

n = n₀ / [1 + (n₀−1)/N]

O cálculo deve prever não resposta. Se são necessárias 385 respostas e a taxa esperada é 55%, deve-se convidar cerca de 700 pessoas. Em desenho complexo, aplica-se efeito do plano. O tamanho também precisa garantir análises por subgrupos; 385 no total podem ser insuficientes para comparar dez regiões.

Erro comum: definir tamanho apenas como porcentagem da população. Em populações grandes, precisão depende mais do tamanho absoluto e variabilidade do que da fração, salvo correção finita.

3.33 Introdução aos testes de hipótese

Teste de hipótese avalia se os dados são compatíveis com uma afirmação de referência. A hipótese nula H0 representa o cenário testado; a alternativa H1 expressa diferença, aumento, redução ou outro padrão.

O procedimento define estatística de teste e distribuição sob H0. O valor-p é a probabilidade, assumindo H0 e o modelo, de obter resultado tão ou mais extremo que o observado. Valor-p pequeno indica incompatibilidade entre dados e H0; não mede a probabilidade de H0 ser verdadeira.

Erro tipo I ocorre ao rejeitar H0 quando é verdadeira, com probabilidade controlada por α. Erro tipo II ocorre ao não rejeitar H0 quando a alternativa é verdadeira. Poder é 1−β e depende do efeito, variabilidade, n e α.

Significância estatística não equivale a relevância prática. Com amostras enormes, diferenças mínimas podem produzir valores-p pequenos. O relatório deve apresentar tamanho do efeito, intervalo e contexto.

Erro comum: “aceitar H0” porque p>0,05. O correto é não rejeitar com os dados e poder disponíveis; ausência de evidência não prova igualdade.

3.34 Teste de uma média: exemplo introdutório

Uma empresa afirma que o tempo médio de atendimento é 12 minutos. Uma amostra de 36 atendimentos tem média 13,2 e desvio-padrão 3,6. Teste bilateral: H0: μ=12; H1: μ≠12.

t = (x̄−μ₀)/(s/√n) = (13,2−12)/(3,6/6) = 2,0

Com 35 graus de liberdade, o valor-p bilateral é aproximadamente 0,053. Ao nível de 5%, não se rejeita H0 por pequena margem. O intervalo de 95% é aproximadamente 13,2 ± 2,03×0,6, isto é, 11,98 a 14,42, incluindo 12.

A interpretação não deve ser “o tempo é 12”. A amostra sugere aumento de 1,2 minuto, mas a incerteza ainda inclui 12. Um estudo com maior precisão, análise por turno e verificação de independência podem ser necessários.

Erro comum: arredondar p=0,053 para 0,05 e alterar a decisão sem informar. Limiares são convenções; a evidência deve ser tratada de forma contínua.

3.35 Teste de uma proporção: exemplo introdutório

Uma meta estabelece 90% de entregas no prazo. Em 250 pedidos, 215 foram pontuais, p̂=0,86. Teste unilateral: H0:p=0,90; H1:p<0,90.

z = (p̂−p₀)/√[p₀(1−p₀)/n] = (0,86−0,90)/√(0,09/250) ≈ −2,11

O valor-p unilateral é cerca de 0,017. Ao nível de 5%, há evidência de desempenho abaixo de 90%, sob seleção e independência adequadas. A diferença prática é 4 pontos percentuais, equivalente a dez pedidos adicionais fora do prazo em 250.

Uma análise gerencial deve estratificar causas, rotas e transportadoras. O teste indica que o resultado agregado é difícil de explicar apenas por variação amostral se a taxa real fosse 90%; não identifica a causa.

Erro comum: aplicar teste quando os 250 pedidos representam toda a população do período. Nesse caso, a taxa de 86% é descritiva do período; inferência pode ser relevante para um processo futuro, mas precisa definir a superpopulação ou repetição conceitual.

3.36 Ética, transparência e reprodutibilidade

Análises estatísticas influenciam decisões e devem permitir revisão. Reprodutibilidade exige conservar dados de origem, dicionário, etapas de limpeza, fórmulas, versão do código e critérios de exclusão. Em planilhas, células de entrada, cálculo e resultado devem ser separadas; referências e filtros ocultos precisam ser documentados.

Privacidade exige coletar somente o necessário, controlar acesso e reduzir risco de reidentificação. Pequenos grupos podem ser identificáveis mesmo sem nome. Resultados devem ser agregados quando a exposição não é justificável. A finalidade original dos dados limita usos posteriores.

Transparência também envolve resultados desfavoráveis. Selecionar apenas períodos, segmentos ou testes que confirmam a expectativa produz viés. Hipóteses e métricas principais devem ser definidas antes quando possível. Análises exploratórias são válidas, mas precisam ser apresentadas como exploração.

Erro comum: acreditar que anonimização simples resolve todos os riscos. Combinações de atributos e cruzamentos externos podem reidentificar pessoas; governança é processo contínuo.

3.37 Razões, proporções, taxas e índices

Razão compara duas quantidades; proporção é uma razão em que o numerador está contido no denominador; taxa incorpora exposição ou tempo; índice combina medidas para acompanhar mudança. Em Administração, esses termos são frequentemente usados como sinônimos, mas a distinção evita indicadores enganosos. A taxa de rotatividade, por exemplo, deve relacionar saídas a uma medida do quadro exposto ao risco, e não apenas ao número no final do mês.

Uma organização iniciou o mês com 100 pessoas e terminou com 120, após 30 admissões e 10 desligamentos. Dividir 10 desligamentos por 120 produz 8,3%; dividir por 100 produz 10%. Uma convenção mais representativa usa quadro médio: (100+120)/2=110, resultando 9,1%. A fórmula escolhida precisa permanecer estável e ser informada.

Índices com base 100 facilitam comparação temporal. Se a receita foi 2 milhões no ano-base e 2,4 milhões no ano seguinte, o índice é 120. Isso representa crescimento nominal de 20%. Para avaliar crescimento real, deve-se ajustar inflação ou mudança de volume, conforme a pergunta.

Taxas de eventos raros precisam de denominadores de exposição. Comparar dez acidentes em unidades com 100 mil e 1 milhão de horas trabalhadas seria inadequado por contagem. As taxas são 10 e 1 por 100 mil horas. A unidade deve ser escolhida para comunicação, sem alterar a relação.

Erro comum: trocar o denominador ao longo do tempo ou comparar indicadores com definições distintas. Um painel deve conter ficha técnica com fórmula, fonte, periodicidade, população e regras de exceção.

3.38 Variações percentuais e pontos percentuais

Variação percentual mede mudança relativa ao valor inicial. Pontos percentuais medem diferença entre duas porcentagens. Se uma taxa passa de 20% para 25%, o aumento é de 5 pontos percentuais e 25% em termos relativos, pois (25−20)/20=0,25.

A distinção é importante em conversão, juros, participação e inadimplência. Dizer que uma taxa subiu 5% quando passou de 20% para 25% subestima a mudança. Dizer que subiu 25 pontos percentuais exagera. A linguagem deve corresponder ao cálculo.

Variação percentual = (valor novo − valor antigo) / valor antigo × 100%

Bases pequenas geram variações percentuais grandes. Um aumento de um para dois casos é 100%, mas representa apenas um caso adicional. Relatórios devem apresentar valor absoluto e relativo. Quando o valor inicial é zero, a variação percentual não é definida; é melhor descrever a mudança absoluta ou utilizar outra referência.

Em séries com quedas e recuperações, percentuais não são simétricos. Cair 50% e depois subir 50% não retorna ao início: 100 cai para 50 e sobe para 75. Essa propriedade é relevante em preços, carteira e indicadores acumulados.

3.39 Dados agrupados e estimativas por classes

Quando apenas uma tabela de classes está disponível, média e dispersão podem ser aproximadas pelos pontos médios. A aproximação perde informação dentro das classes e depende da largura. Classes abertas, como “50 ou mais”, exigem hipótese e podem gerar erro relevante.

Classe de tempo	Frequência	Ponto médio	Produto f×m
0 a <5	12	2,5	30
5 a <10	20	7,5	150
10 a <15	10	12,5	125
15 a <20	8	17,5	140
Total	50		445

A média aproximada é 445/50=8,9 minutos. Não se sabe se os valores de cada classe estão próximos ao ponto médio. Se os dados originais existirem, devem ser usados. A tabela agrupada é adequada para comunicação e análise histórica quando a granularidade original foi perdida.

Para localizar mediana em classes, identifica-se a classe que contém a posição n/2 e pode-se interpolar supondo distribuição uniforme dentro dela. Essa suposição deve ser apresentada. Em decisões sensíveis, a interpolação não substitui microdados.

Erro comum: tratar o ponto médio como observação real e apresentar muitas casas decimais. O resultado é aproximado e deve ter precisão compatível.

3.40 Média geométrica e taxas acumuladas

A média geométrica é adequada para fatores multiplicativos, como crescimentos sucessivos e retornos. Para fatores positivos g₁,...,gₙ, a média geométrica é (Πgᵢ)^(1/n). Em taxas, converte-se cada taxa em fator 1+r.

Uma receita cresce 10% no primeiro ano e cai 10% no segundo. A média aritmética das taxas é zero, mas o fator acumulado é 1,10×0,90=0,99, queda total de 1%. A taxa média geométrica anual é √0,99−1≈−0,50%.

Taxa geométrica média = [(1+r₁)(1+r₂)...(1+rₙ)]^(1/n) − 1

A média geométrica não é apropriada quando fatores são negativos ou quando o objetivo é calcular total aditivo. Em retornos com perda de 100%, o capital zera e a taxa composta posterior não recupera sem novo aporte. A interpretação deve ser sobre crescimento composto do mesmo estoque.

Erro comum: usar média aritmética para comunicar crescimento anual composto ou comparar trajetórias multiplicativas.

3.41 Índices ponderados e efeito de composição

Indicadores agregados frequentemente são médias ponderadas. O resultado pode mudar porque o desempenho dentro dos grupos mudou ou porque o peso dos grupos se alterou. Separar efeito de taxa e efeito de composição evita conclusões equivocadas.

Duas lojas possuem taxas de satisfação de 90% e 70%. No período 1, cada uma tem 100 respostas, taxa global 80%. No período 2, as taxas permanecem, mas a loja de 70% recebe 300 respostas e a outra 100; a taxa global cai para 75% sem piora interna. A composição mudou.

Padronização direta aplica pesos comuns para comparar grupos. Em operações, pode-se fixar a distribuição de rotas ou complexidade. O resultado padronizado responde como seria o desempenho se as unidades tivessem o mesmo mix. O indicador bruto continua relevante para o resultado total; os dois têm finalidades distintas.

Erro comum: atribuir toda mudança agregada à qualidade do processo. O analista deve decompor volume, mix e taxa.

3.42 Paradoxo de Simpson: exemplo gerencial

O paradoxo de Simpson ocorre quando uma associação observada em grupos se inverte ou desaparece no agregado por diferenças de composição. Considere aprovação de crédito em dois segmentos.

Segmento	Canal A aprovados/total	Taxa A	Canal B aprovados/total	Taxa B
Baixo risco	81/90	90%	19/20	95%
Alto risco	2/10	20%	24/80	30%
Total	83/100	83%	43/100	43%

Dentro de cada segmento, B tem taxa maior. No agregado, A parece muito superior porque atende principalmente baixo risco. A comparação bruta responde sobre o portfólio recebido; a comparação estratificada responde sobre desempenho condicionado ao risco. Nenhuma deve ser usada sem explicitar a pergunta.

Em gestão, o fenômeno aparece em hospitais, escolas, lojas e transportadoras. Ajustar por uma variável inadequada também pode distorcer. O critério de estratificação deve ser anterior ao resultado ou apoiado em conhecimento causal.

Erro comum: procurar subgrupos até encontrar narrativa conveniente. Exploração é útil, mas aumenta risco de achados casuais e deve ser validada.

3.43 Transformações e escala logarítmica

Transformações alteram a escala para facilitar visualização ou modelagem. O logaritmo reduz caudas de valores positivos e converte relações multiplicativas em aditivas. Diferenças de log podem aproximar variações percentuais pequenas.

Valores de pedidos de R$ 20, R$ 50, R$ 100, R$ 1.000 e R$ 10.000 ficam comprimidos no log, permitindo observar padrões sem que o maior domine o gráfico. A mediana na escala original permanece interpretável; a média do log, quando retransformada, relaciona-se à média geométrica, não à média aritmética.

Transformações não devem esconder extremos relevantes. Um evento de R$ 10.000 pode ser estratégico. O relatório pode mostrar escalas original e logarítmica. Valores zero exigem tratamento; adicionar constante arbitrária muda interpretação.

Erro comum: apresentar coeficientes ou médias transformadas como se estivessem na unidade original.

3.44 Dados temporais, tendência e sazonalidade

Séries temporais possuem ordem. Observações próximas podem ser dependentes, violando pressupostos de amostras independentes. Tendência, sazonalidade, calendário, promoções e mudanças estruturais precisam ser reconhecidos antes de calcular uma média única.

Uma média anual de vendas pode ocultar picos de dezembro e quedas de janeiro. Comparar julho com junho confunde sazonalidade; comparar com julho anterior reduz esse problema, mas ainda pode haver mudança de preço e composição. Gráficos de linha e índices por período são primeiros passos.

Média móvel suaviza ruído, mas introduz atraso e depende da janela. Uma janela de 12 meses pode remover sazonalidade anual, enquanto três meses reage mais rápido. O objetivo é descrição; previsão formal será aprofundada em disciplinas posteriores.

Erro comum: aplicar correlação comum a duas séries com tendência e concluir relação forte. Tendências simultâneas podem gerar correlação espúria.

3.45 Dados pareados e independentes

Dados são pareados quando duas medidas pertencem à mesma unidade ou par correspondente, como antes e depois na mesma loja. São independentes quando grupos não compartilham unidades. A distinção afeta cálculo da variabilidade e testes.

Em avaliação de treinamento, comparar a média pré e pós como se fossem grupos independentes ignora que cada pessoa funciona como controle. A análise das diferenças individuais remove parte da heterogeneidade e pode aumentar precisão. Entretanto, mudanças externas e regressão à média ainda ameaçam interpretação causal.

Pareamento também aparece em gêmeos, filiais semelhantes e casos-controles. O vínculo deve ser preservado na base com identificador. Se registros são reordenados e o pareamento se perde, resultados tornam-se inválidos.

Erro comum: considerar centenas de medições da mesma pessoa como centenas de unidades independentes. O tamanho efetivo está relacionado ao número de unidades e à dependência.

3.46 Amostragem estratificada: alocação

Na amostragem estratificada, a população é dividida em estratos internamente mais homogêneos ou importantes. A alocação proporcional usa n_h=n×N_h/N. A alocação desproporcional pode aumentar casos em estratos pequenos para permitir comparação, exigindo pesos na estimativa global.

Uma população tem 8.000 clientes digitais e 2.000 presenciais. Para n=500 proporcional, selecionam-se 400 e 100. Se a gestão deseja precisão semelhante nos dois canais, pode selecionar 250 de cada. Para estimar o total, pesos de 8.000/250 e 2.000/250 corrigem as probabilidades diferentes.

A alocação ótima de Neyman considera tamanho e desvio-padrão: mais amostra em estratos grandes e variáveis. Custos diferentes também podem entrar. Em curso introdutório, a ideia central é que o desenho depende do objetivo: estimar total ou comparar grupos.

Erro comum: combinar percentuais de amostra desproporcional sem ponderação e chamá-los de resultado populacional.

3.47 Amostragem por conglomerados e efeito do desenho

Conglomerados são grupos naturais, como escolas, lojas ou municípios. Selecionar alguns conglomerados e observar unidades dentro reduz custo, mas unidades do mesmo grupo tendem a ser semelhantes. Essa correlação aumenta variância em comparação com amostra aleatória simples de mesmo n.

O efeito do desenho deff é a razão entre a variância sob o desenho complexo e a variância sob amostragem simples. Se deff=1,8, o erro-padrão é √1,8≈1,34 vezes maior. O tamanho nominal de mil pode ter precisão semelhante à de 556 observações independentes.

Aumentar número de conglomerados costuma melhorar mais a precisão do que coletar muitas unidades em poucos grupos, quando a correlação intraclasse é positiva. No entanto, custos de deslocamento e estrutura precisam ser equilibrados.

Erro comum: usar fórmula de amostra simples em dados agrupados e divulgar margem de erro subestimada.

3.48 Ponderação e calibração

Pesos amostrais podem representar inverso da probabilidade de seleção, ajuste de não resposta e calibração a totais conhecidos. Uma unidade com peso 20 representa aproximadamente vinte unidades da população sob o desenho.

Pesos extremos aumentam variância. Podem surgir quando probabilidades são muito pequenas ou grupos respondem pouco. Técnicas de aparagem reduzem extremos, mas introduzem viés e devem ser justificadas. O relatório deve informar se estimativas são ponderadas e qual população representam.

Em pesquisas online abertas, atribuir pesos demográficos não transforma automaticamente a amostra em probabilística. Calibração corrige diferenças nas variáveis usadas, não vieses em características não observadas. É uma ferramenta, não garantia.

Erro comum: calcular tamanho amostral apenas pelo número de respostas e ignorar o tamanho efetivo reduzido pelos pesos.

3.49 Correção de população finita

Quando se amostra sem reposição uma fração relevante da população, a incerteza diminui porque observar uma unidade fornece informação sobre o conjunto restante. O fator de correção é √[(N−n)/(N−1)].

EP corrigido = EP da amostra simples × √[(N−n)/(N−1)]

Para N=1.000 e n=400, o fator é √(600/999)≈0,775. A margem é cerca de 22,5% menor do que a fórmula para população infinita. Para n/N abaixo de 5%, o efeito é pequeno e frequentemente ignorado.

A correção vale para amostragem sem reposição e população finita definida. Não deve ser usada apenas porque o banco de dados tem tamanho conhecido quando o objetivo é inferir para períodos futuros ou uma superpopulação conceitual.

Erro comum: aplicar correção finita em pesquisas de opinião sobre comportamento futuro usando apenas o cadastro atual como N, sem definir o alvo inferencial.

3.50 Aproximação normal da binomial

Quando n é grande e p não está muito perto de 0 ou 1, a binomial pode ser aproximada por normal com média np e desvio √[np(1−p)]. Como a binomial é discreta e a normal contínua, usa-se correção de continuidade.

Se X~Binomial(100,0,40), deseja-se P(X≤45). A média é 40 e o desvio √24≈4,899. Com correção, calcula-se P(Y≤45,5). O z é (45,5−40)/4,899≈1,123, probabilidade aproximada 0,869.

Sem correção, usar 45 produz z≈1,021 e probabilidade menor. Softwares calculam binomial exata facilmente, mas a aproximação ajuda a compreender distribuição amostral de proporções.

Erro comum: aproximar quando np ou n(1−p) é muito pequeno. A assimetria torna a normal inadequada.

3.51 Quantis da normal e níveis de serviço

Quantis da normal transformam probabilidades em limites. O percentil 95 da normal padrão é aproximadamente 1,645; o 97,5 é 1,96. Em gestão, essa lógica aparece em capacidade, estoque e níveis de serviço, sempre condicionada à adequação da distribuição.

Se demanda semanal é aproximadamente normal com média 500 e desvio 80, o percentil 95 é 500+1,645×80≈632. Planejar 632 unidades cobre cerca de 95% das semanas segundo o modelo. Isso não significa 95% de atendimento de cada item se houver múltiplos produtos ou dependências.

A decisão deve comparar custo de excesso e falta. Escolher 95% não é conclusão estatística, mas escolha gerencial. A estatística traduz o nível desejado em quantidade.

Erro comum: utilizar média mais dois desvios como regra universal sem verificar assimetria, estabilidade e consequências.

3.52 Valor esperado, árvore e decisão

O valor esperado combina resultados e probabilidades. Em uma árvore, decisões são quadrados, incertezas são círculos e resultados aparecem nas folhas. Calcula-se de trás para frente.

Uma campanha custa R$ 20 mil. Há 40% de chance de gerar benefício de R$ 80 mil e 60% de gerar R$ 10 mil. Benefícios líquidos são 60 mil e −10 mil. Valor esperado=0,4×60+0,6×(−10)=R$ 18 mil.

Uma alternativa segura de R$ 15 mil tem valor menor, mas menor risco. A escolha depende de capacidade financeira, repetição e utilidade. Se a campanha é única e a perda ameaça caixa, o valor esperado não resume adequadamente.

Probabilidades devem ser auditadas. Intervalos e cenários podem mostrar sensibilidade. A árvore estrutura a decisão, mas não cria informação inexistente.

3.53 Comunicação de intervalos e incerteza

Um intervalo deve ser comunicado com estimativa, faixa, nível e contexto. “Satisfação 64%, margem 4 pontos, pesquisa probabilística com 500 respostas, realizada em junho” é mais informativo que “64% dos clientes estão satisfeitos”.

Evite transformar limite em certeza. Se o intervalo é 60% a 68%, valores próximos aos extremos são menos compatíveis que o centro, mas todos estão na faixa pelo procedimento. O intervalo não incorpora automaticamente viés de não resposta, erro de medição ou mudanças futuras.

Gráficos com barras de erro devem identificar se mostram desvio-padrão, erro-padrão ou intervalo. Essas quantidades têm significados diferentes. Eixos e escalas precisam permitir leitura.

Erro comum: sobrepor intervalos e concluir ausência de diferença sem teste adequado; ou ver pequena sobreposição e concluir significância. A relação depende do desenho e da covariância.

3.54 Múltiplas comparações e achados casuais

Quando muitos testes são realizados, aumenta a chance de encontrar pelo menos um resultado pequeno por acaso. Com 20 testes independentes a α=5%, a chance de pelo menos um falso positivo é 1−0,95²⁰≈64%.

Correções como Bonferroni dividem α pelo número de testes, controlando erro familiar, mas podem reduzir poder. Estratégias melhores incluem definir hipóteses principais, separar exploração e confirmação, relatar todos os testes e validar em nova amostra.

Dashboards com centenas de segmentos convidam à caça de diferenças. O analista deve priorizar efeitos consistentes, plausíveis e relevantes, não apenas células coloridas. Em exploração, resultados geram hipóteses, não conclusões finais.

Erro comum: publicar somente o segmento com p<0,05 sem informar quantos foram examinados.

3.55 Tamanho do efeito

Tamanho do efeito quantifica magnitude. Diferença de médias pode ser expressa na unidade original ou padronizada. Diferença de proporções, razão de riscos e odds ratio respondem a perguntas distintas.

Uma redução de 0,5 minuto pode ser estatisticamente significativa com grande n, mas irrelevante. Uma redução de 5 minutos com intervalo amplo pode ser importante e ainda incerta. Relatório deve combinar magnitude e precisão.

A diferença padronizada d=(x̄₁−x̄₂)/s combinado facilita comparação entre escalas, mas referências como 0,2, 0,5 e 0,8 não são universais. A unidade original permanece essencial para decisão.

Erro comum: substituir relevância de negócio por rótulo de tamanho “pequeno” ou “grande” sem contexto.

3.56 Poder e planejamento de estudos

Poder é a chance de rejeitar H0 quando existe um efeito especificado. Aumenta com n, efeito maior, menor variabilidade e α maior. Planejar poder antes evita estudos incapazes de responder à pergunta.

Se a organização precisa detectar diferença mínima de 3 pontos percentuais, deve usar essa diferença no cálculo, juntamente com taxa-base e poder desejado, frequentemente 80% ou 90%. Calcular apenas margem para uma proporção não é igual a planejar comparação entre grupos.

Após um estudo não significativo, “poder observado” calculado com o efeito amostral oferece pouca informação. É melhor examinar intervalo: se exclui efeitos relevantes, há evidência de equivalência prática; se é largo, o estudo é inconclusivo.

Erro comum: interpretar p>0,05 como prova de que não há efeito, sem avaliar se o estudo poderia detectar o efeito importante.

3.57 Bootstrap: visão introdutória

Bootstrap é reamostragem com reposição da amostra observada para aproximar a distribuição de uma estatística. É útil quando fórmulas são difíceis ou quando se deseja estudar mediana, razão ou outras medidas.

Com n observações, sorteiam-se n valores com reposição, calcula-se a estatística e repete-se milhares de vezes. A distribuição dos resultados fornece erro-padrão e intervalos. O método assume que a amostra representa adequadamente a população e precisa respeitar estrutura de dependência.

Em dados temporais ou agrupados, reamostrar linhas individualmente destrói dependência; usam-se blocos ou clusters. Em amostras pequenas com extremos raros, o bootstrap não inventa padrões ausentes.

Erro comum: tratar bootstrap como correção automática de amostragem enviesada.

3.58 Simulação de Monte Carlo: visão introdutória

Simulação de Monte Carlo gera valores de entradas segundo distribuições e calcula resultados repetidamente. Ela traduz incerteza de demanda, preço e prazo em distribuição de lucro ou caixa.

Um projeto depende de volume normal, preço triangular e custo variável. A cada iteração, sorteiam-se valores e calcula-se resultado. Após dez mil repetições, estimam-se média, percentis e probabilidade de prejuízo. A qualidade depende das distribuições e correlações assumidas.

Simulação não torna a previsão verdadeira. Ela mostra consequências das premissas. Cenários extremos e validação histórica são necessários. Correlações entre preço e volume ou custos não podem ser ignoradas quando materiais.

Erro comum: apresentar milhares de iterações como garantia de precisão, embora as premissas sejam frágeis.

3.59 Regressão à média

Resultados extremos tendem a ser seguidos por valores menos extremos quando parte da variação é aleatória. Esse fenômeno é regressão à média. Ele pode fazer uma intervenção parecer eficaz se unidades foram escolhidas justamente por desempenho ruim excepcional.

Uma empresa oferece treinamento às cinco lojas com pior resultado do mês. No mês seguinte, elas melhoram mesmo sem efeito, porque parte da queda anterior era transitória. Um grupo de comparação ou série mais longa ajuda a separar efeito e regressão.

O fenômeno também ocorre em saúde, qualidade e desempenho de pessoas. Metas e bônus baseados em extremos podem gerar interpretações equivocadas.

Erro comum: atribuir toda melhora após seleção de casos extremos à ação realizada.

3.60 Causalidade, experimentos e observação

Estudos observacionais descrevem associações sem controlar a atribuição. Experimentos randomizados distribuem tratamento ao acaso, equilibrando fatores em média e fortalecendo inferência causal. Quase-experimentos usam regras, tempo ou comparação para aproximar contrafactual.

Em teste A/B, usuários elegíveis são alocados aleatoriamente, a métrica é definida antes e a análise segue intenção de tratar. Interromper quando o resultado parece favorável aumenta falso positivo. Contaminação entre grupos e múltiplas métricas precisam ser controladas.

Nem toda decisão pode ser randomizada por ética, custo ou operação. Diagramas causais, estratificação e regressão ajudam, mas dependem de premissas. Métodos Estatísticos I prepara a leitura crítica; o aprofundamento vem depois.

Erro comum: usar linguagem causal — “a campanha aumentou” — em comparação antes/depois sem grupo e sem controlar tendência.

3.61 Caderno de exercícios resolvidos

Os exercícios seguintes reforçam cálculo e interpretação. Cada solução inclui a pergunta gerencial e o principal cuidado metodológico.

Exercício resolvido 1 — Média ponderada de preços

Uma empresa vende 100 unidades a R$ 20, 300 a R$ 15 e 600 a R$ 10. O preço médio ponderado é (100×20+300×15+600×10)/1.000=R$ 12,50. A média simples dos três preços seria R$ 15 e não representaria a receita por unidade. O peso correto é quantidade.

Verificação gerencial: identifique a unidade do resultado, compare com a ordem de grandeza e declare a condição que, se violada, mais comprometeria a conclusão. Essa etapa deve acompanhar a conta em provas e relatórios.

Exercício resolvido 2 — Mediana com número par

Os valores 2, 3, 3, 5, 8 e 20 têm mediana (3+5)/2=4. A média é 41/6=6,83. Para pedido típico, mediana é mais resistente; para receita total por pedido, média mantém relevância.

Exercício resolvido 3 — Variância amostral

Para 4, 6 e 8, x̄=6. Desvios quadráticos:4,0,4, soma 8. s²=8/(3−1)=4; s=2. Dividir por 3 produziria variância populacional, adequada apenas se esses três valores fossem toda a população-alvo.

Exercício resolvido 4 — Coeficiente de variação

Processo A: média 50, s=5, CV=10%. Processo B: média 200, s=30, CV=15%. B tem maior variabilidade absoluta e relativa. Se a média pudesse ser zero, CV perderia sentido.

Exercício resolvido 5 — Percentil de serviço

Em 100 entregas ordenadas, o p90 próximo da posição 90 indica limite abaixo do qual ficam cerca de 90 casos. Se p90=7 dias, a meta de 90% em até 7 é descritiva. O método exato de interpolação deve ser consistente.

Exercício resolvido 6 — União de eventos

P(A)=0,40, P(B)=0,30 e P(A∩B)=0,12. P(A∪B)=0,40+0,30−0,12=0,58. Somar 0,70 contaria a interseção duas vezes.

Exercício resolvido 7 — Independência

Se P(A)=0,20 e P(B)=0,50, independência implica P(A∩B)=0,10. Observar interseção 0,16 sugere dependência. A conclusão amostral exige considerar incerteza.

Exercício resolvido 8 — Bayes em inspeção

Defeito 2%, teste detecta 95% e falso positivo 3%. Em 10.000 itens:190 defeituosos positivos e 294 legítimos positivos. P(defeito|positivo)=190/484≈39,3%. A taxa-base reduz o valor preditivo.

Exercício resolvido 9 — Esperança de perda

Perda de R$ 100 mil com chance 1% e de R$ 10 mil com chance 9%; caso contrário zero. Perda esperada=1.000+900=R$ 1.900. Seguro deve ser comparado à perda esperada, risco de cauda e aversão.

Exercício resolvido 10 — Binomial ao menos um

Com p=0,10 e n=5, P(ao menos um)=1−0,9⁵≈0,4095. O complemento evita somar casos 1 a 5.

Exercício resolvido 11 — Poisson

Com λ=3 por período, P(X=0)=e^(−3)≈0,0498 e P(X≤1)=e^(−3)(1+3)≈0,1991. A taxa deve ser estável no período.

Exercício resolvido 12 — Exponencial

Chegadas a 4 por hora dão tempo médio 15 minutos. P(espera>30 min)=e^(−4)×⁰·⁵=e^(−2)≈0,1353. Isso é tempo entre chegadas, não tempo de serviço.

Exercício resolvido 13 — Normal

X~N(100,15²). Para x=130, z=2 e P(X>130)≈2,28%. A interpretação depende de normalidade aproximada.

Exercício resolvido 14 — Erro-padrão

s=12, n=64: EP≈12/8=1,5. Aumentar n para 256 reduz EP para 0,75. O desvio dos indivíduos permanece 12.

Exercício resolvido 15 — Intervalo de média

x̄=50, s=10, n=100. IC95% aproximado=50±1,96=48,04 a 51,96. Se dados forem agrupados ou dependentes, a faixa simples pode ser estreita demais.

Exercício resolvido 16 — Tamanho de amostra

Para proporção, 95%, E=0,03 e p=0,5: n≈1,96²×0,25/0,0009≈1.068. Deve-se ajustar não resposta e desenho.

Exercício resolvido 17 — Teste de proporção

Meta p0=0,80, amostra n=400, p̂=0,75. z=(−0,05)/√(0,16/400)=−2,5; p unilateral≈0,0062. Há evidência abaixo da meta, além de diferença prática de 5 pontos.

Exercício resolvido 18 — Diferença entre significância e efeito

Um ganho de R$ 0,02 por transação pode ter p<0,001 em milhões de transações. O impacto total pode ser grande ou pequeno conforme volume e custo. A decisão precisa converter efeito unitário em valor.

Exercício resolvido 19 — Correlação com extremo

Quatro pontos seguem padrão fraco, mas um caso muito alto em x e y pode elevar r. O gráfico e análise com/sem o ponto revelam influência. Remoção exige justificativa.

Exercício resolvido 20 — Amostra por conveniência

Uma enquete em rede social recebe 20 mil respostas. O número reduz variação entre respondentes, mas não corrige exclusão de quem não segue a página ou não deseja responder. Não se deve divulgar margem de erro probabilística padrão.

Exercício resolvido 21 — Correção finita

N=2.000, n=500. Fator=√(1.500/1.999)≈0,866. Um EP de 2 pontos cairia para 1,73. A correção só vale para inferência à população finita amostrada sem reposição.

Exercício resolvido 22 — Pontuação z comparativa

Pessoa A obteve 80 em prova com média 70, s=5: z=2. Pessoa B obteve 90 em prova com média 75, s=10: z=1,5. A tem posição relativa maior, embora nota bruta menor.

Exercício resolvido 23 — Taxa versus contagem

Unidade A tem 20 falhas em 10.000 operações, taxa 0,2%; B tem 10 em 2.000, taxa 0,5%. A tem mais falhas absolutas, B pior taxa.

Exercício resolvido 24 — Variação acumulada

Crescimentos de 20% e −20% geram fator 1,2×0,8=0,96, queda de 4%. Média geométrica anual=√0,96−1≈−2,02%.

Exercício resolvido 25 — Poder insuficiente

Um estudo de 20 unidades encontra diferença favorável, p=0,18 e intervalo de −2 a +10. Não há evidência conclusiva; o intervalo inclui prejuízo pequeno e benefício importante. A resposta é aumentar precisão, não declarar ausência.

3.62 Casos de interpretação e diagnóstico

Caso interpretativo 1 — Média crescente e mediana estável

O valor médio de compra subiu 18%, enquanto a mediana permaneceu praticamente igual. A leitura mais provável é que compras altas ganharam peso ou ficaram maiores. Antes de afirmar melhoria geral, examine percentis, número de pedidos, segmento corporativo e clientes recorrentes. A receita pode ter crescido de forma concentrada. Para decisão comercial, separe expansão da base e aumento no topo.

Resposta recomendada: declarar o que os números mostram, apresentar pelo menos uma explicação alternativa, indicar a informação adicional necessária e evitar transformar associação ou indicador isolado em juízo definitivo.

Caso interpretativo 2 — Desvio-padrão menor após filtro

A dispersão do prazo caiu depois de excluir pedidos cancelados e reentregues. Isso pode representar limpeza correta ou remoção de casos que fazem parte da experiência. A população precisa ser definida. Cancelamentos antes do envio podem ser outra jornada; reentregas por falha logística devem permanecer ou ser analisadas separadamente. Uma melhora estatística causada por mudança de regra não é melhora operacional.

Caso interpretativo 3 — Taxa estável com volume crescente

A taxa de defeitos permanece em 2%, mas o volume dobra. O número de defeitos dobra e o custo total pode crescer. Taxa mede qualidade relativa; contagem mede carga. A gestão precisa de ambos. Se a capacidade de retrabalho não aumenta, uma taxa estável pode produzir congestionamento. Metas devem considerar risco unitário e impacto total.

Caso interpretativo 4 — Percentual alto em amostra pequena

Uma filial alcançou 100% de satisfação com cinco respostas. Outra teve 82% com quinhentas. O primeiro resultado é muito incerto e sujeito a seleção. Um intervalo exato seria amplo. O painel deve mostrar n, limitar ranking e acumular períodos. Não se deve descartar a filial pequena, mas tratar sua estimativa com prudência.

Caso interpretativo 5 — Correlação negativa inesperada

Dados mostram correlação negativa entre treinamento e desempenho. Pode ocorrer porque pessoas com pior desempenho recebem mais treinamento. A direção causal está invertida. Também pode haver medida inadequada de desempenho ou período curto. Antes de concluir que treinamento prejudica, analise regra de seleção, linha de base e mudança individual.

Caso interpretativo 6 — Queda do valor-p sem mudança de efeito

Em atualizações sucessivas, a diferença permanece em 2 pontos, mas o valor-p cai à medida que n cresce. A evidência de que a diferença não é zero aumenta; a magnitude não. A decisão deve ter limiar prático definido. Se 2 pontos não pagam o custo, a significância crescente não muda a recomendação.

Caso interpretativo 7 — Intervalo estreito em base enviesada

Uma pesquisa online com cem mil respostas produz margem amostral muito pequena, mas exclui pessoas sem acesso e atrai participantes engajados. Precisão entre respondentes não significa representatividade. O relatório não deve usar intervalo probabilístico como se a seleção fosse aleatória. Alternativas incluem desenho misto e calibração, mantendo limitações.

Caso interpretativo 8 — Sazonalidade confundida com tendência

Vendas sobem todo dezembro e caem em janeiro. Comparar apenas meses consecutivos gera interpretações de sucesso e fracasso anuais. A análise deve comparar anos, ajustar dias úteis e observar índice sazonal. Promoções e inflação também influenciam. A tendência é o movimento além do padrão recorrente.

Caso interpretativo 9 — Meta alterada durante o período

O prazo prometido mudou de sete para cinco dias no meio do trimestre. A taxa de atraso aumenta mesmo se o prazo realizado permanecer igual. O indicador deve ser segmentado por regra e acompanhado do tempo real. Misturar períodos cria quebra de série. A mudança metodológica precisa de nota e, quando possível, recálculo histórico.

Caso interpretativo 10 — Outlier que revela novo mercado

Um pedido cem vezes maior parece extremo, mas vem de cliente empresarial recém-conquistado. Excluí-lo da análise de varejo pode ser correto; apagá-lo da receita total é errado. A observação revela que a população contém dois segmentos. O modelo deve separar B2C e B2B, e não tratar o novo negócio como erro.

Caso interpretativo 11 — Amostra maior com pior desenho

A primeira pesquisa sorteou mil clientes e obteve 600 respostas. A segunda coletou dez mil respostas por link aberto. A segunda tem mais casos, mas seleção menos controlada. O tamanho não compensa viés. Comparar resultados requer cautela, pois a mudança de método pode explicar diferenças.

Caso interpretativo 12 — Resultado agregado e desigualdade

A satisfação global sobe, mas cai em um grupo que enfrenta barreiras de acesso. A média ponderada pode melhorar porque o grupo tem peso pequeno ou porque outros crescem. A gestão responsável desagrega indicadores e estabelece padrões mínimos. Otimizar o total não justifica deterioração concentrada sem análise e resposta.

Caso interpretativo 13 — Probabilidade pequena e impacto alto

Um evento tem chance anual de 0,5%, aparentemente baixa, mas prejuízo potencial de R$ 20 milhões. A perda esperada é R$ 100 mil, porém a capacidade de sobreviver ao evento importa. Seguro, contingência e limites não podem ser definidos apenas pela média. Risco de cauda exige cenário e governança.

Caso interpretativo 14 — Previsão correta pelo motivo errado

Um modelo acerta vendas totais, mas erra regiões em direções opostas que se cancelam. O erro agregado parece bom, enquanto estoque local fica inadequado. Avalie nível em que a decisão é tomada. Métricas devem ser calculadas por produto, local e horizonte, além do total.

Caso interpretativo 15 — Não significância com intervalo útil

Um teste não rejeita diferença zero, mas o intervalo vai de −0,2 a +0,3 ponto, faixa totalmente irrelevante para a gestão. Nesse caso, o estudo pode sustentar equivalência prática, embora o teste tradicional não “prove igualdade”. Defina margem de equivalência e use interpretação do intervalo.

Caso interpretativo 16 — Significância e dano concentrado

Uma política melhora a média em pequena magnitude e prejudica fortemente poucos casos. A média pode ser positiva, mas a distribuição de efeitos importa. Examine quantis, subgrupos e riscos. Uma decisão ética não se limita ao efeito médio; precisa considerar quem recebe benefícios e danos.

4. Principais Temas e Organização

Organização sugerida para um semestre de 16 semanas

Módulo	Semanas	Conteúdos centrais	Produto de aprendizagem
1. Perguntas e dados	1–2	população, amostra, variáveis, qualidade e ética	dicionário e plano de análise
2. Organização e visualização	3–4	frequências, tabelas, gráficos e comunicação	painel descritivo
3. Medidas descritivas	5–6	centro, posição, dispersão, forma e outliers	relatório comparativo
4. Relações bivariadas	7	tabelas cruzadas, dispersão, covariância e correlação	análise de associação
5. Probabilidade	8–9	eventos, condicionais, independência e Bayes	árvore e tabela de probabilidades
6. Distribuições	10–11	binomial, Poisson, normal e outras distribuições	modelagem de situações
7. Amostragem	12–13	desenhos, vieses, distribuição amostral e TCL	plano amostral
8. Inferência introdutória	14–15	intervalos, tamanho amostral e testes	estimativa e decisão
9. Integração	16	estudo de caso, comunicação e revisão	relatório executivo

Módulo 1 — definição do problema e governança dos dados

O semestre deve começar pela pergunta. A equipe descreve decisão, público, período, unidade de análise e variáveis necessárias. Essa etapa evita bases enormes com pouca utilidade. Também introduz consentimento, finalidade, acesso e responsabilidade. Um exercício recomendado é construir dicionário de dados e identificar riscos de qualidade antes de qualquer cálculo.

Módulo 2 — leitura visual e síntese

Nesta etapa, estudantes constroem frequências e gráficos. O foco é escolher representação e explicar o que ela mostra. Atividades podem incluir corrigir gráficos enganosos, comparar escalas e reescrever títulos. A avaliação deve considerar clareza, não apenas estética.

Módulo 3 — medidas descritivas e variabilidade

Média, mediana, quartis, variância e desvio-padrão são trabalhados em conjunto. Cada exemplo deve perguntar qual medida responde melhor à decisão. Comparar dois grupos com mesma média e dispersões diferentes ajuda a mostrar por que centro isolado é insuficiente.

Módulo 4 — relações e cuidado causal

Tabelas cruzadas e gráficos de dispersão introduzem associação. O estudante calcula correlação e aprende a procurar subgrupos, não linearidade e outliers. Casos de correlação espúria e paradoxo de Simpson mostram por que relação não prova causa.

Módulo 5 — raciocínio probabilístico

Probabilidade é apresentada com tabelas, árvores e frequências naturais antes de fórmulas compactas. Bayes pode ser trabalhado com fraudes, testes de qualidade ou triagem. A compreensão da taxa-base é mais importante que decorar uma expressão.

Módulo 6 — distribuições como modelos

Distribuições são escolhidas pelo mecanismo: binomial para sucessos em ensaios, Poisson para contagens, exponencial para intervalos, normal para medidas e aproximações. A atividade deve incluir verificação das condições e discussão do que acontece quando elas falham.

Módulo 7 — da população à amostra

O estudante compara amostras probabilísticas e por conveniência, simula distribuição de médias e observa o efeito de n sobre erro-padrão. A simulação em planilha torna o Teorema Central do Limite concreto. O módulo também aborda não resposta e correção de população finita.

Módulo 8 — inferência

Intervalos e testes são introduzidos como procedimentos de decisão sob incerteza. O ensino deve evitar receituário de p-valor. Estimativa, margem de erro, tamanho do efeito e premissas aparecem no relatório. O estudante aprende a distinguir significância estatística e importância gerencial.

Módulo 9 — projeto integrador

O projeto final reúne pergunta, dados, preparação, descrição, probabilidade ou inferência e recomendação. A entrega ideal contém nota técnica e resumo executivo. A nota registra métodos; o resumo comunica conclusão, risco e ação. Essa combinação aproxima a disciplina da prática profissional.

Estratégia de estudo

· reescrever cada fórmula em palavras e identificar a unidade do resultado;

· resolver exemplos manualmente antes de usar funções da planilha;

· comparar resultado com gráfico e ordem de grandeza;

· manter um caderno de erros com causa e correção;

· explicar o resultado para alguém sem formação estatística;

· praticar interpretação de saídas de software, não apenas digitação de comandos.

5. Relação com outras matérias

Matemática e Matemática Financeira

Álgebra, funções, somatórios e potências sustentam fórmulas. A diferença é que estatística lida explicitamente com variabilidade e amostras. Em finanças, médias de retorno, dispersão e probabilidades ajudam a representar risco.

A conexão prática ocorre quando a pessoa estudante traduz conceitos estatísticos para a linguagem da área. Antes de calcular, deve identificar unidade, horizonte, denominador e mecanismo que produziu os dados. Depois, deve explicar o que o resultado permite e o que permanece incerto.

Contabilidade e Análise das Demonstrações

Indicadores contábeis são dados. Estatística auxilia comparar empresas, períodos e segmentos, reconhecer valores extremos e avaliar estabilidade. Médias setoriais exigem pesos e definições consistentes.

Marketing e Pesquisa de Mercado

Questionários, escalas, amostragem, margem de erro e testes são centrais. A disciplina ajuda a evitar conclusões baseadas apenas em respondentes espontâneos e a interpretar diferenças de conversão.

Gestão de Pessoas

Absenteísmo, rotatividade, remuneração e clima exigem taxas, distribuição e comparação justa. Pequenos grupos demandam cautela de privacidade e precisão.

Administração da Produção

Tempos, defeitos e produtividade são variáveis. Estatística distingue variabilidade natural, mudanças e gargalos, preparando para controle estatístico da qualidade.

Logística e Cadeia de Suprimentos

Demanda, prazos e perdas possuem distribuições. Percentis e probabilidades apoiam estoques, níveis de serviço e avaliação de transportadoras.

Economia e Econometria

Estatística fornece probabilidade, amostragem e inferência. Econometria aprofunda relações entre variáveis econômicas, regressão e identificação.

Métodos Determinísticos

Otimização trata parâmetros como conhecidos; estatística ajuda a estimá-los e avaliar sua incerteza. As duas áreas se complementam em modelos mais realistas.

Análise das Decisões Gerenciais

Probabilidades, valores esperados e evidências alimentam árvores, cenários e decisões. A qualidade da decisão depende da qualidade das estimativas.

Tecnologia e Ciência de Dados

Bancos, planilhas e linguagens automatizam análises. A estatística fornece critérios para validar modelos e evitar que correlações sejam tratadas como explicações.

Metodologia Científica e TCC

Pergunta, amostra, variáveis, desenho e análise sustentam pesquisas. A disciplina ajuda a alinhar objetivo, método e conclusão.

Políticas Públicas

Indicadores, pesquisas e avaliações apoiam diagnóstico e monitoramento. Representatividade e desagregação são essenciais para não ocultar desigualdades.

6. Aplicações Práticas e Profissionais

As aplicações a seguir mostram como o conhecimento introdutório aparece no cotidiano. Cada situação inclui pergunta, método, interpretação e cuidado. O objetivo é demonstrar que a estatística não é uma etapa isolada, mas parte de um processo de decisão.

6.1 Vendas e sazonalidade

Uma rede deseja entender por que a receita do mês cresceu. O analista separa quantidade, preço médio, mix e dias úteis. Constrói série temporal e compara o mês com o mesmo período do ano anterior, evitando atribuir sazonalidade a desempenho. Médias móveis podem resumir tendência, mas não substituem análise causal.

A decisão é ajustar metas e estoque. O cuidado é não comparar meses de durações e campanhas diferentes.

Roteiro recomendado: definir a unidade de análise; verificar denominadores e ausências; produzir gráfico antes do teste; calcular medida de efeito e incerteza; discutir explicações alternativas; registrar a ação, a pessoa responsável e o indicador de acompanhamento. Essa sequência reduz a distância entre análise e gestão.

6.2 Conversão de campanha

Marketing compara duas campanhas. Calcula conversões sobre pessoas elegíveis e verifica se a alocação foi comparável. Um intervalo para a diferença ajuda a medir incerteza.

A decisão é ampliar, manter teste ou interromper. O cuidado é observar custo por aquisição e qualidade posterior, não apenas taxa inicial.

6.3 Ticket médio

Uma loja apresenta ticket médio maior, mas possui poucos pedidos corporativos muito altos. Mediana, quartis e distribuição por segmento mostram que a experiência típica não mudou.

A decisão é separar estratégia B2B e varejo. O cuidado é não usar média agregada como medida única.

6.4 Pesquisa de satisfação

A organização sorteia clientes recentes, acompanha não resposta e calcula proporções com intervalo. Resultados são desagregados por canal sem divulgar grupos pequenos.

A decisão é priorizar causas de insatisfação. O cuidado é evitar tratar nota média como precisão absoluta.

6.5 Tempo de atendimento

A equipe acompanha média, mediana e percentil 90. Um turno tem média semelhante, mas cauda maior, indicando episódios longos.

A decisão é revisar escala e casos complexos. O cuidado é não penalizar equipe que atende demanda mais difícil sem ajuste de mix.

6.6 Qualidade de lote

A inspeção seleciona itens sem reposição. A hipergeométrica estima probabilidade de detectar defeitos e ajuda a desenhar amostra.

A decisão é aceitar, ampliar inspeção ou bloquear lote. O cuidado é considerar custo de falso aceite e falso bloqueio.

6.7 Chamados de suporte

Contagens por hora são comparadas com Poisson como referência. Sobredispersão sugere picos, dependência ou heterogeneidade.

A decisão é dimensionar cobertura por faixa horária. O cuidado é não usar taxa diária constante.

6.8 Atrasos logísticos

A taxa de atraso é calculada por transportadora, rota e faixa de distância. Intervalos evitam ranking rígido com poucos pedidos.

A decisão é renegociar ou redistribuir rotas. O cuidado é controlar complexidade e volume.

6.9 Estoque e demanda

Média e desvio da demanda semanal orientam estoque de segurança em modelos posteriores. Percentis são úteis para nível de serviço.

A decisão é ajustar reposição. O cuidado é verificar tendência e sazonalidade antes de assumir estabilidade.

6.10 Rotatividade de pessoas

A taxa usa média de quadro no denominador e é analisada por área e tempo de casa. Pequenos grupos são agregados para privacidade.

A decisão é investigar liderança, carreira ou seleção. O cuidado é não atribuir causa com base em correlação simples.

6.11 Absenteísmo

Dias ausentes por pessoa apresentam muitos zeros e cauda longa. Mediana, proporção com ausência e frequência por motivo complementam a média.

A decisão é prevenção e apoio. O cuidado é evitar estigmatização e respeitar sigilo.

6.12 Remuneração

Distribuições por cargo e nível são comparadas com mediana, quartis e diferenças ajustadas.

A decisão é revisar faixas. O cuidado é não interpretar diferença bruta como discriminação comprovada nem ignorá-la.

6.13 Risco de crédito

Taxas de inadimplência são avaliadas por coorte. Bayes ajuda a interpretar alertas e taxa-base.

A decisão é priorizar análise e limites. O cuidado é medir falsos positivos e impactos sobre grupos.

6.14 Auditoria de despesas

Amostra probabilística estima taxa de não conformidade. Itens de alto valor podem formar estrato próprio.

A decisão é ampliar testes e corrigir controles. O cuidado é não extrapolar amostra de conveniência.

6.15 Desempenho de fornecedores

Prazo, defeito e custo são analisados em conjunto. Médias ponderadas por volume evitam que pequenos contratos dominem o ranking.

A decisão é desenvolver, diversificar ou substituir. O cuidado é registrar intervalos e criticidade.

6.16 Restaurante e filas

Chegadas por período e tempos de serviço são descritos. Distribuições orientam dimensionamento e simulações futuras.

A decisão é alterar escala e processo. O cuidado é separar chegada de duração.

6.17 Hospital e ocupação

Taxas de ocupação e permanência são analisadas por especialidade. Percentis altos ajudam a planejar picos.

A decisão é ajustar leitos e fluxos. O cuidado é não reduzir qualidade a produtividade.

6.18 Universidade e evasão

Coortes são acompanhadas, evitando misturar ingressantes de anos diferentes. Tabelas cruzadas identificam grupos com maior evasão.

A decisão é oferecer apoio. O cuidado é preservar privacidade e não rotular estudantes.

6.19 Evento e público

Amostragem em horários e acessos distintos reduz viés. Estimativas de satisfação são ponderadas quando probabilidades de seleção diferem.

A decisão é redesenhar programação e acessibilidade. O cuidado é não ouvir apenas quem permaneceu até o fim.

6.20 Serviço público digital

Taxa de conclusão é comparada por dispositivo, região e acessibilidade. Logs incompletos são tratados como limitação.

A decisão é melhorar jornada. O cuidado é não excluir quem não consegue iniciar o serviço.

6.21 Manutenção

Tempos entre falhas são descritos e comparados com modelos como exponencial. Mudanças após manutenção preventiva são acompanhadas.

A decisão é definir frequência. O cuidado é considerar censura e idade dos equipamentos.

6.22 Segurança do trabalho

Taxas usam horas trabalhadas, não apenas número de pessoas. Eventos raros exigem séries longas e contexto.

A decisão é prevenção. O cuidado é não interpretar redução casual como sucesso permanente.

6.23 Produtos digitais

Retenção por coorte, funil e tempo até ação são analisados. Médias agregadas podem esconder mudança de composição.

A decisão é testar melhorias. O cuidado é definir usuário ativo e janela antes.

6.24 Terceiro setor

Cobertura e resultados são avaliados com indicadores quantitativos e evidências qualitativas. Amostras devem incluir territórios de difícil acesso.

A decisão é alocar recursos. O cuidado é não reduzir impacto social ao indicador mais fácil.

6.25 Sustentabilidade

Consumo e emissões são normalizados por produção. Séries distinguem crescimento da atividade e eficiência.

A decisão é priorizar projetos. O cuidado é documentar fronteiras e fatores de conversão.

6.26 Compras públicas

Preços de propostas são descritos por mediana e dispersão; valores atípicos são investigados.

A decisão é estimar referência e risco. O cuidado é garantir comparabilidade de especificações.

6.27 Pesquisa salarial

Amostra de empresas é estratificada por porte e setor. Medianas são preferidas em distribuições assimétricas.

A decisão é revisar política. O cuidado é evitar comparar cargos não equivalentes.

6.28 Previsão orçamentária

Erros históricos são resumidos por sinal, magnitude e dispersão. Viés persistente indica premissas sistemáticas.

A decisão é calibrar forecast. O cuidado é não recompensar previsões conservadoras sem avaliar impacto.

6.29 Controle de fraude

Alertas são avaliados por precisão, sensibilidade e taxa-base. A matriz de confusão é acompanhada por custo.

A decisão é definir limiar e revisão humana. O cuidado é monitorar grupos afetados e mudanças de comportamento.

6.30 Comunicação executiva

Um resumo apresenta três números: estimativa, faixa e impacto. Apêndice guarda método e base.

A decisão é agir com compreensão da incerteza. O cuidado é não ocultar limitações para simplificar demais.

6.31 Avaliação de uma promoção de preços

Uma rede reduz o preço de um item durante duas semanas e observa aumento de unidades vendidas. A análise descritiva deve separar efeito de preço, exposição, disponibilidade e calendário. Lojas participantes podem ter sido escolhidas por maior potencial, criando viés de seleção. Uma comparação antes/depois simples mistura tendência e sazonalidade.

O desenho preferível é selecionar lojas comparáveis e, quando possível, randomizar a promoção. A métrica principal pode ser margem total, não apenas volume. A distribuição por loja revela heterogeneidade: algumas ganham volume suficiente, outras apenas reduzem receita unitária. Intervalos para a diferença ajudam a evitar expansão com base em oscilação casual.

A decisão final registra custo da promoção, canibalização, efeito posterior e perfil de clientes. Se a campanha atrai compras antecipadas, parte do ganho da semana pode ser perda nas semanas seguintes. Estatística organiza a evidência, mas a janela de avaliação precisa refletir o mecanismo comercial.

Perguntas de validação: o indicador tem denominador correto? A comparação usa grupos equivalentes? A diferença é relevante além de estatisticamente detectável? Há pessoas ou situações sistematicamente ausentes? A resposta deve acompanhar a recomendação.

6.32 Definição de meta de prazo

Uma operação deseja prometer entrega em até cinco dias. A média histórica é 4,2, mas o percentil 90 é 8. A média não sustenta a promessa para a maioria dos casos na cauda. A equipe constrói distribuição por região e produto e identifica que a promessa única penaliza rotas longas.

Uma política pode usar prazos segmentados e medir cumprimento da promessa. O indicador central passa a ser proporção entregue até a data comunicada, acompanhada de p90 do atraso. A estimativa precisa excluir cancelamentos de forma consistente e tratar reentregas.

A decisão deve equilibrar competitividade e confiabilidade. Reduzir o prazo anunciado pode aumentar conversão e também descumprimento. Um experimento controlado em rotas selecionadas permite medir efeito sobre venda e satisfação sem alterar toda a rede.

6.33 Dimensionamento de equipe em central de atendimento

Contagens de chamadas por intervalo são resumidas por dia da semana e hora. A média de 30 chamadas por hora é insuficiente quando o pico chega a 55. A variância maior que a média indica que uma Poisson homogênea não representa bem o processo.

A equipe estima percentis da demanda e descreve tempos de serviço. Chamadas repetidas do mesmo problema geram dependência. Para a etapa inicial, dimensiona cobertura com cenários de percentis e valida a taxa de abandono. Modelos de filas serão aprofundados depois.

A decisão gerencial deve considerar pausas, treinamento, qualidade e eventos especiais. Dimensionar apenas para o máximo é caro; dimensionar para a média produz filas. O nível de serviço escolhido é uma decisão, não uma constante estatística.

6.34 Detecção de mudança em reclamações

O número de reclamações subiu de 80 para 100, crescimento de 25%. No mesmo período, a base de pedidos cresceu de 8.000 para 12.000. A taxa caiu de 1,0% para 0,83%. Contagem e taxa contam histórias diferentes.

O analista examina categorias e gravidade. Reclamações graves podem crescer mesmo com taxa total menor. Atraso entre ocorrência e registro também distorce séries recentes. Um gráfico por data do evento e coorte de pedidos ajuda a alinhar denominador.

A decisão não deve comemorar apenas a redução da taxa. É necessário verificar composição, canais de registro e barreiras para reclamar. Menor número pode refletir dificuldade de acesso ao atendimento.

6.35 Comparação de filiais com volumes diferentes

Filiais pequenas apresentam indicadores mais extremos por variabilidade amostral. Um ranking de taxa de defeito pode colocar uma loja com um defeito em dez vendas acima de outra com cinquenta em mil, embora a evidência seja muito mais incerta na primeira.

Intervalos e gráficos de funil mostram limites que se alargam em volumes menores. A gestão pode usar regra de volume mínimo e combinar taxa, quantidade e tendência. Agrupar períodos aumenta precisão, mas pode esconder mudança recente.

A decisão deve evitar exposição punitiva baseada em ruído. Filiais fora dos limites merecem investigação, não condenação automática. Casos dentro dos limites ainda podem ter oportunidades operacionais.

6.36 Análise de notas de avaliação

Notas de 1 a 5 são ordinais. A média é um resumo prático, mas diferenças de 3 para 4 não precisam ter o mesmo significado de 4 para 5. Distribuição completa, mediana e proporções em categorias complementam o indicador.

Uma unidade pode ter média 4 com todas as notas 4; outra, média 4 com metade 3 e metade 5. As experiências são diferentes. O Net Promoter Score e outros índices transformam escalas, mas também perdem informação e dependem de convenção.

A decisão deve relacionar notas a comentários, jornada e taxa de resposta. Mudanças pequenas podem decorrer de composição. Não é adequado calcular média de rótulos codificados sem explicar a escala.

6.37 Priorização de causas de defeitos

Um diagrama de Pareto organiza categorias por frequência e percentual acumulado. Ele ajuda a identificar poucas causas responsáveis por grande parte dos registros. Entretanto, frequência não equivale a impacto; uma causa rara pode ser grave.

A equipe cria duas análises: quantidade e custo/risco. Categorias precisam ser mutuamente compreensíveis; “outros” muito grande sinaliza classificação insuficiente. Mudanças no processo de registro podem alterar a série.

A decisão combina Pareto com investigação de processo. Resolver a categoria mais frequente não garante maior benefício se o tratamento for caro ou o impacto unitário baixo. Estatística descritiva organiza prioridades, enquanto análise gerencial escolhe ação.

6.38 Teste de mensagem em comunicação interna

Duas versões de uma mensagem são enviadas aleatoriamente. A métrica é conclusão de uma tarefa, não apenas abertura. O tamanho amostral é definido para detectar diferença mínima relevante antes do envio.

A análise principal segue a alocação original, mesmo se algumas pessoas não abrirem. Isso preserva comparabilidade. Métricas secundárias, como cliques e tempo, são exploratórias. Interromper o teste no primeiro resultado favorável aumenta falso positivo.

A decisão considera clareza e acessibilidade. Uma versão pode elevar conclusão e aumentar dúvidas em determinado grupo. Resultados desagregados precisam de tamanho e proteção de identidade.

6.39 Indicador de produtividade

Produção por pessoa pode subir porque a demanda ficou mais simples ou porque atividades de qualidade foram reduzidas. O numerador e o denominador não capturam automaticamente valor. Comparar equipes exige ajustar horas, complexidade e retrabalho.

A distribuição individual pode revelar que a média cresceu por poucos casos. Mediana e quartis ajudam. No entanto, usar métricas individuais para pressão pode alterar comportamento e qualidade, fenômeno conhecido como lei de Goodhart.

A decisão deve construir painel equilibrado com volume, qualidade, prazo e bem-estar. Estatística ajuda a acompanhar, mas o desenho do incentivo determina consequências.

6.40 Avaliação de treinamento

Participantes podem melhorar notas após treinamento por aprendizagem, familiaridade com a prova ou regressão à média. Comparação pareada mede diferenças individuais, mas não elimina tendências externas.

Quando viável, um grupo de espera oferece comparação. O relatório apresenta média da diferença, distribuição e intervalo. Resultados de satisfação não substituem aplicação no trabalho. Indicadores posteriores precisam ser definidos.

A decisão deve considerar custo, impacto e transferência. Um ganho estatístico pequeno pode ser relevante em atividade crítica; um ganho grande em teste sem validade pode não justificar expansão.

6.41 Monitoramento de orçamento

Erros de previsão são calculados como realizado menos previsto. A média do erro mostra viés; o erro absoluto médio mostra magnitude; percentuais tornam-se problemáticos quando valores previstos são próximos de zero.

A equipe analisa distribuição por centro e horizonte. Previsões mais distantes tendem a ser menos precisas. Revisões sucessivas não devem apagar o orçamento original; versões são mantidas para aprendizagem.

A decisão é ajustar premissas e cadência. Penalizar todo erro pode incentivar folgas. O objetivo é melhorar informação, não produzir números artificialmente fáceis de atingir.

6.42 Pesquisa de acessibilidade

Uma avaliação de serviço precisa incluir pessoas com deficiência e diferentes formas de acesso. Uma amostra digital sem recursos acessíveis pode excluir justamente quem enfrenta barreiras. Quantidade pequena em subgrupos aumenta incerteza, mas não torna suas experiências dispensáveis.

O desenho pode sobreamostrar grupos e aplicar pesos no total. Métodos qualitativos complementam medidas quando a população é heterogênea. Resultados são divulgados com proteção e linguagem respeitosa.

A decisão deve priorizar barreiras pela gravidade e frequência, sem usar média global para ocultar exclusões. A qualidade do serviço inclui possibilidade de participação.

6.43 Tutorial prático: organização de uma base em planilha

Uma base bem organizada utiliza uma linha por unidade de análise e uma coluna por variável. Cabeçalhos são únicos, sem células mescladas. Datas são armazenadas como datas, valores como números e categorias com grafia padronizada. Totais e subtotais não ficam no meio dos microdados, pois podem ser contados como observações.

Crie uma aba “dicionário” com nome, definição, tipo, unidade, valores permitidos, fonte e regra de ausência. Mantenha a aba original protegida e faça transformações em cópia ou por consultas reproduzíveis. Adicione identificador único e teste duplicidades. Para pedidos, a chave pode ser pedido; para itens, pedido mais item. A granularidade precisa corresponder à pergunta.

Use validação de dados para categorias e destaque valores impossíveis. Funções como CONT.VALORES, CONTAR.VAZIO, MÍNIMO, MÁXIMO e CONT.SES ajudam na auditoria. Tabelas dinâmicas resumem frequências e médias, mas devem ser atualizadas e ter fonte verificada. Filtros ativos precisam ser visíveis antes de copiar resultados.

Evite substituir valores originais silenciosamente. Crie colunas derivadas, como atraso_calculado, e compare com o campo do sistema. Registre divergências. Ao exportar, confira separador decimal, codificação e zeros à esquerda em códigos.

6.44 Tutorial prático: estatística descritiva em planilha

Para uma coluna numérica, calcule CONT.NÚM, MÉDIA, MEDIANA, MODO, MÍNIMO, MÁXIMO, QUARTIL, VAR.S e DESVPAD.S. A função escolhida deve corresponder a amostra ou população. Em bases administrativas completas de um período, DESVPAD.P descreve aquele conjunto; para inferir um processo, DESVPAD.S é usual.

Construa histograma com classes coerentes e boxplot quando disponível. Compare o número de observações em cada cálculo, pois funções podem ignorar vazios e textos de formas diferentes. Uma média sobre 10.000 registros e uma mediana sobre 9.800 por falhas de conversão não são diretamente consistentes.

Para médias por grupo, use tabela dinâmica ou MÉDIASES, mas acompanhe contagem. Uma média baseada em três casos não deve receber a mesma ênfase que outra baseada em mil. Adicione percentuais dentro do grupo e não apenas sobre total geral.

Reproduza manualmente um pequeno subconjunto. Essa verificação detecta problemas de intervalo, filtro e função. Depois, transforme cálculos em tabela de resultados com unidade, período e nota.

6.45 Tutorial prático: probabilidade e distribuições

Planilhas possuem funções para binomial, Poisson e normal. Antes de utilizá-las, escreva os parâmetros e a pergunta: exatamente, até, pelo menos ou entre. Muitas funções possuem argumento cumulativo. “Pelo menos um” é frequentemente calculado por 1 menos a probabilidade de zero.

Para binomial, registre n e p e verifique independência e constância. Para Poisson, alinhe λ ao intervalo. Para normal, padronize mentalmente a ordem de grandeza e confirme se deseja cauda à esquerda ou direita. Se a função retorna acumulada à esquerda e a pergunta é “maior que”, use 1−resultado.

Uma tabela de cenários pode variar p ou λ e mostrar sensibilidade. Em vez de confiar no primeiro número, simule alguns ensaios com ALEATÓRIO e compare frequências. A simulação converge com repetições, mas flutua; fixe semente apenas em ferramentas que permitem e registre a versão.

6.46 Tutorial prático: intervalos e tamanho amostral

Monte células separadas para estimativa, n, nível, valor crítico, erro-padrão e margem. Essa decomposição facilita auditoria. Para proporção, use p̂(1−p̂); para planejamento conservador, p=0,5. Não arredonde n para baixo.

Para média com amostra pequena, utilize valor t e graus de liberdade. Verifique se dados são aproximadamente adequados e se não há agrupamento. Em pesquisa estratificada, uma fórmula simples de amostra aleatória não representa toda a variância.

Crie cenário de margem por n. Como a margem cai com 1/√n, dobrar amostra não reduz pela metade. Para reduzir a margem pela metade, aproximadamente quadruplica-se n. Esse gráfico ajuda a negociar custo e precisão.

6.47 Tutorial prático: gráficos gerenciais

Comece pela mensagem, não pelo tipo de gráfico. Para ranking de categorias, barras horizontais facilitam rótulos. Para tempo, linhas preservam ordem. Para distribuição, histograma e boxplot. Para relação, dispersão. Use uma cor principal e destaque apenas o ponto relevante; excesso de cores cria competição.

Evite eixo secundário quando puder normalizar ou separar gráficos. Duas escalas podem criar relação visual arbitrária. Se for necessário, explique. Não use 3D. Em barras, mantenha zero; em linhas, informe truncamento. Mostre denominadores em taxas e quantidade de casos em grupos.

Acessibilidade exige contraste, tamanho legível e não depender apenas de cor. Rótulos, padrões e texto alternativo ajudam. Tabelas são preferíveis quando a pessoa precisa recuperar valores exatos; gráficos são melhores para padrões.

6.48 Tutorial prático: nota técnica e resumo executivo

A nota técnica contém objetivo, população, período, fonte, amostragem, limpeza, definições, métodos, resultados detalhados e limitações. O resumo executivo cabe em uma página: pergunta, três achados, implicação, recomendação e risco. Os números precisam ser consistentes entre os dois.

Uma frase robusta combina estimativa e contexto: “A taxa estimada de satisfação foi 64% (IC95%: 60%–68%; n=500), abaixo da meta de 70%; a não resposta de 42% pode limitar representatividade.” Em seguida, informa ação. Evite “comprovado”, “sem dúvida” e causalidade não sustentada.

Guarde anexos com dicionário, fórmulas e código. Nomeie versões e data de extração. Uma decisão futura pode precisar reproduzir o resultado ou entender por que mudou.

6.49 Roteiro de auditoria de uma análise

· recalcular totais e verificar se frequências somam ao denominador;

· comparar resultados com e sem filtros e valores extremos;

· confirmar unidades, datas e granularidade;

· testar amostra de registros contra a fonte;

· reproduzir cálculo principal por método alternativo;

· verificar se a conclusão corresponde ao desenho;

· procurar subgrupos omitidos e riscos de privacidade;

· registrar limitações e decisão tomada.

Auditoria não é desconfiança pessoal; é proteção institucional. Análises importantes podem ser revisadas por outra pessoa antes da divulgação. A revisão deve se concentrar em lógica, dados e reprodutibilidade, não apenas em formatação.

6.50 Erros profissionais frequentes e correções

Erro	Consequência	Correção
média sem distribuição	extremos e heterogeneidade ocultos	mostrar mediana, quartis e gráfico
percentual sem denominador	comparação ambígua	informar contagem e base
amostra voluntária generalizada	viés de seleção	limitar conclusão ou redesenhar
correlação tratada como causa	ação equivocada	explicações alternativas e desenho
p-valor como probabilidade de H0	interpretação falsa	definir valor-p corretamente
muitos testes sem transparência	falsos positivos	pré-definir, corrigir e validar
arredondamento precoce	erro acumulado	arredondar na apresentação
software como caixa-preta	resultado não auditável	verificar fórmulas e premissas
remoção automática de outliers	apagamento de eventos	investigar e documentar
gráfico truncado sem aviso	exagero visual	escala honesta e nota

Ferramentas de trabalho

Ferramenta	Uso introdutório	Cuidados
Planilha eletrônica	limpeza, tabelas dinâmicas, gráficos, funções e simulação	referências, filtros ocultos, arredondamento e versão
Software estatístico	distribuições, intervalos, testes e relatórios	entender opções e premissas
Python ou R	automação, reprodutibilidade e bases maiores	controle de ambiente e revisão do código
BI	painéis e acompanhamento	definições, atualização e governança
Formulários	coleta estruturada	validação, acessibilidade e privacidade
SQL	extração e agregação	chaves, duplicidades e granularidade

Ferramentas não corrigem perguntas mal formuladas. Uma função pode calcular desvio-padrão corretamente sobre a coluna errada. Por isso, revisão de amostra, unidade, período e regras de negócio deve preceder a automação. Resultados críticos merecem reprodução independente ou teste com dados conhecidos.

7. Exemplo Prático ou Estudo de Caso

Caso integrado: Rede Varejo Horizonte

A Rede Varejo Horizonte opera lojas físicas e canal digital. A direção percebeu aumento de reclamações sobre entrega e queda na recompra, mas os relatórios agregados mostravam crescimento de receita. Foi criado um projeto para responder três perguntas: qual é o desempenho real dos prazos, quais fatores estão associados ao atraso e qual tamanho de amostra é necessário para acompanhar satisfação com precisão.

7.1 Definição do problema

A unidade de análise principal é o pedido entregue. A população do trimestre contém 24.000 pedidos. As variáveis são canal, região, transportadora, valor, prazo prometido, prazo realizado, atraso, avaria, avaliação e recompra em 60 dias. A equipe separa resultados descritivos do trimestre e inferências sobre o processo futuro.

A base possui 24.000 linhas, mas 320 pedidos foram cancelados antes do envio e não pertencem à população de entregas. Outros 180 têm data de entrega ausente por falha de integração. Os cancelados são removidos com justificativa; os 180 permanecem sinalizados e são descritos como ausência. A análise de prazo usa 23.500 entregas com data válida.

7.2 Dicionário resumido

Variável	Tipo	Unidade ou categorias	Regra
dias_entrega	quantitativa discreta operacional	dias corridos	data entregue − data enviada
atraso	qualitativa binária	sim/não	dias_entrega > prazo prometido
região	qualitativa nominal	N, NE, CO, SE, S	endereço de destino
transportadora	qualitativa nominal	A, B, C	parceira responsável
avaliação	ordinal	1 a 5	resposta após entrega
valor_pedido	quantitativa contínua	R$	valor líquido
recompra_60d	qualitativa binária	sim/não	nova compra em até 60 dias

7.3 Estatística descritiva dos prazos

Para uma amostra ilustrativa de 12 pedidos, os dias de entrega são: 2, 3, 3, 4, 4, 4, 5, 5, 6, 7, 9 e 18. A soma é 70 e a média é 70/12 = 5,83 dias. A mediana é a média entre o sexto e o sétimo valores: (4+5)/2 = 4,5 dias. A diferença mostra assimetria positiva provocada pelo pedido de 18 dias.

O primeiro quartil é aproximadamente 3,25 e o terceiro, 6,75, conforme o método de interpolação adotado. O IQR é 3,5. O limite superior usual é 6,75 + 1,5×3,5 = 12. O prazo de 18 dias é um potencial outlier e deve ser investigado. Ele correspondeu a endereço incorreto e reexpedição; é legítimo e não deve ser apagado, mas pode ser analisado em categoria de exceção.

Na base completa, a média foi 5,2 dias, a mediana 4, p75 igual a 6 e p90 igual a 9. O relatório executivo comunica que metade das entregas ocorre em até 4 dias, mas 10% ultrapassam 9 dias. Essa informação é mais útil que apresentar apenas média.

7.4 Taxa de atraso e tabela cruzada

Entre 23.500 entregas válidas, 3.525 atrasaram. A taxa é 3.525/23.500 = 15%. Por transportadora: A realizou 10.000 pedidos, com 1.200 atrasos (12%); B realizou 8.000, com 1.440 (18%); C realizou 5.500, com 885 (16,1%).

Transportadora	Pedidos	Atrasos	Taxa
A	10.000	1.200	12,0%
B	8.000	1.440	18,0%
C	5.500	885	16,1%
Total	23.500	3.525	15,0%

A transportadora B apresenta taxa maior, mas atende proporcionalmente mais rotas longas. Ao estratificar por região, parte da diferença diminui. A conclusão gerencial é que o ranking bruto não basta; deve-se comparar dentro de faixas de distância e complexidade. A equipe cria taxa padronizada e mantém análise operacional por rota.

7.5 Intervalo para a taxa de atraso

Embora o trimestre completo seja população descritiva do período, a direção deseja estimar a taxa do processo futuro. Tratando os pedidos como realização de um processo estável, utiliza-se aproximação para proporção: p̂=0,15 e n=23.500.

EP = √[0,15×0,85/23.500] ≈ 0,00233

IC95% ≈ 0,15 ± 1,96×0,00233 = 0,15 ± 0,00457

A faixa aproximada é 14,54% a 15,46%, sob independência e estabilidade. Como pedidos podem estar agrupados por rota, dia e transportadora, essa conta pode subestimar incerteza. A equipe usa a faixa como referência e acrescenta análise por clusters em etapa posterior.

7.6 Probabilidade condicional e avaria

Dos 23.500 pedidos, 470 tiveram avaria. Entre os 3.525 atrasados, 176 tiveram avaria. Assim, P(avaria|atraso)=176/3.525≈5,0%. Entre os 19.975 não atrasados, 294 tiveram avaria, taxa de 1,47%. A avaria é mais frequente entre atrasos, mas a associação não prova que atraso cause avaria; rotas longas e múltiplos manuseios podem afetar ambos.

A probabilidade de atraso dado avaria é 176/470≈37,4%. Observe a diferença de condicionais: 5% dos atrasados têm avaria, enquanto 37,4% dos avariados atrasam. Denominadores diferentes respondem a perguntas distintas.

7.7 Modelo binomial para auditoria

A operação quer estimar a chance de encontrar pelo menos um atraso ao auditar 10 pedidos de uma rota cuja taxa histórica é 15%, assumindo independência e p constante. É mais simples usar o complemento:

P(X≥1)=1−P(X=0)=1−0,85¹⁰≈1−0,1969=0,8031

Há cerca de 80,3% de chance de observar pelo menos um atraso. Se a rota possui dependência por lote ou dia, a binomial pode ser otimista ou pessimista; a amostra deve distribuir pedidos no tempo.

7.8 Correlação entre prazo e avaliação

Em uma amostra de respondentes, a correlação de Pearson entre dias de entrega e avaliação é r=−0,42. O gráfico mostra tendência negativa: prazos maiores associam-se a notas menores, com grande dispersão. A correlação é moderada e não explica toda a satisfação. Qualidade do produto, comunicação e expectativa também importam.

Amostra de avaliação possui viés de resposta: apenas 28% responderam, e extremos podem estar super-representados. A empresa não deve interpretar r como efeito causal exato. O resultado orienta hipótese e melhoria, enquanto um experimento de comunicação e análises ajustadas podem aprofundar.

7.9 Planejamento da pesquisa de satisfação

A empresa deseja estimar a proporção de clientes satisfeitos com margem de 4 pontos percentuais e 95% de confiança. Sem estimativa prévia, usa p=0,5:

n₀ = 1,96²×0,25 / 0,04² ≈ 600,25 → 601 respostas

Com população de 24.000 pedidos, a correção finita produz:

n = 601 / [1 + 600/24.000] ≈ 586,3 → 587 respostas

Se a taxa de resposta esperada é 30%, precisam ser convidados cerca de 587/0,30≈1.957 clientes. A seleção será estratificada por canal e região, com pesos se as frações diferirem. O questionário terá versão acessível e contato alternativo para reduzir exclusão digital.

7.10 Teste da meta de satisfação

Na pesquisa, 587 respostas válidas são obtidas e 334 pessoas são classificadas como satisfeitas: p̂=334/587≈0,569. A meta é 60%. Teste H0:p=0,60 contra H1:p<0,60.

z = (0,569−0,60)/√[0,60×0,40/587] ≈ −1,53

O valor-p unilateral é aproximadamente 0,063. Ao nível de 5%, não há evidência suficiente para afirmar que a taxa é menor que 60%, embora a estimativa esteja abaixo. O intervalo de confiança aproximado para p está em torno de 52,9% a 60,9%, mostrando incerteza relevante.

A decisão não deve depender do limiar isolado. A direção reconhece que o resultado é compatível com desempenho abaixo da meta e mantém plano de melhoria. O teste evita afirmar certeza excessiva, mas não exige inação.

7.11 Relação entre atraso e recompra

Entre pedidos sem atraso, 24% dos clientes recompraram em 60 dias; entre atrasados, 17%. A diferença bruta é −7 pontos percentuais. Entretanto, clientes de regiões com prazo maior também têm frequência histórica diferente. A análise introdutória apresenta associação e recomenda ajuste posterior por perfil, valor e região.

Em termos gerenciais, se a diferença fosse causal e aplicável, reduzir atrasos poderia contribuir para retenção. Porém, não se converte imediatamente 7 pontos em ganho financeiro. A equipe realiza teste controlado de comunicação e melhora operacional por rotas, acompanhando coortes.

7.12 Recomendação executiva

Achado	Evidência	Ação
Cauda longa de prazo	mediana 4 dias e p90 9 dias	monitorar percentis e exceções
Atraso agregado de 15%	3.525 em 23.500	meta por rota e faixa de distância
Transportadora B com taxa bruta maior	18% contra 12% e 16,1%	comparação padronizada e plano por rota
Avaria associada a atraso	5,0% versus 1,47%	investigar manuseio e múltiplas transferências
Satisfação estimada em 56,9%	IC inclui valores abaixo e perto de 60%	melhorar experiência e repetir pesquisa
Recompra menor entre atrasados	17% versus 24%	análise ajustada e experimento

O caso ilustra o fluxo completo: pergunta, população, qualidade, descrição, probabilidade, amostragem, inferência e decisão. Nenhum cálculo isolado resolve o problema. O valor surge da combinação entre técnicas, conhecimento operacional e comunicação das limitações.

7.13 Aprofundamentos do estudo de caso

Análise por coortes

A equipe percebe que pedidos de clientes novos e recorrentes têm comportamentos diferentes. Em vez de misturar todos, cria coortes pela primeira compra e acompanha recompra a partir de uma mesma referência. Essa organização evita comparar clientes com tempos de exposição diferentes. Uma pessoa que comprou há dez dias não teve a mesma oportunidade de recompra que outra observada por sessenta dias.

Para cada coorte mensal, calcula-se proporção de recompra em 30 e 60 dias, sempre fechando a janela. Coortes recentes ficam marcadas como incompletas. O painel deixa de mostrar queda artificial provocada por observação parcial. A recomendação é manter definição estável e não substituir coortes por totais acumulados.

Intervalos por transportadora

As taxas brutas de atraso foram 12%, 18% e 16,1%, mas os volumes diferem. Para a transportadora A, EP≈√(0,12×0,88/10.000)=0,00325; IC95% aproximado 11,36% a 12,64%. Para B, EP≈0,00429; intervalo 17,16% a 18,84%. Para C, EP≈0,00496; intervalo 15,13% a 17,07%.

Os intervalos de A e B estão claramente separados no agregado. B e C têm pequena sobreposição. Contudo, essa análise ainda não ajusta rotas. A direção pode afirmar que B teve pior taxa bruta no período, mas não que sua operação é intrinsecamente pior sem controlar o mix.

Comparação de médias e caudas

A média de prazo da transportadora A é 4,8 dias e a de C, 4,9. Parece empate. O p90 de A é 7 e o de C é 10. C possui cauda mais longa, importante para promessa. A mesma média pode coexistir com experiências extremas diferentes. O contrato passa a incluir percentil e proporção no prazo, além da média.

A escolha da métrica altera incentivos. Se apenas média for cobrada, atrasos extremos podem ser compensados por entregas muito rápidas. Percentil 90 controla a cauda, mas pode ignorar os 10% piores. Por isso, complementa-se com máximo operacional investigado e taxa de atrasos graves.

Média de avaliação e composição de respostas

A nota média foi 4,1 no canal digital e 3,9 no físico. Entretanto, taxa de resposta foi 20% e 45%. Se respondentes digitais são mais extremos, a comparação pode refletir seleção. A equipe compara distribuição de valor, região e atraso entre respondentes e população disponível. Encontra maior participação de pedidos atrasados entre respondentes digitais.

Pesos de ajuste por classes observadas reduzem parte da diferença, mas não eliminam viés em fatores não observados. O relatório apresenta resultado bruto e ajustado, evitando falsa precisão. Para o próximo ciclo, a equipe testa lembretes e canais acessíveis para aumentar resposta.

Simulação da média amostral

Para ensinar variabilidade, a equipe sorteia mil amostras de 100 pedidos da base e calcula a média de prazo. As médias formam distribuição mais concentrada que os prazos individuais. O desvio das médias aproxima s/√100. Quando n sobe para 400, a dispersão cai aproximadamente pela metade.

A simulação mostra que amostras diferentes produzem respostas diferentes mesmo sem erro de cálculo. Também permite verificar cobertura de intervalos: em repetição, aproximadamente 95% dos intervalos construídos pelo procedimento contêm a média da base, quando as condições são atendidas.

Efeito de agrupamento por dia

Pedidos do mesmo dia compartilham clima, sistema e capacidade. Tratar todos como independentes pode subestimar erro. A equipe calcula médias diárias e percebe dias de pico. Uma abordagem simples é usar dia como unidade em parte das análises, reduzindo n de pedidos para n de dias, mas preservando independência mais plausível.

Métodos de cluster serão aprofundados em cursos posteriores. No relatório introdutório, a limitação é explicitada e as tendências são verificadas em agregações diária e semanal. Conclusões que aparecem apenas no nível individual são tratadas com cautela.

Análise de sensibilidade para dados ausentes

Há 180 entregas sem data. No cenário otimista, nenhuma atrasou; a taxa total seria 3.525/23.680≈14,89%. No pessimista, todas atrasaram; seria 3.705/23.680≈15,65%. A conclusão de taxa próxima de 15% permanece, mas a faixa de sensibilidade é maior que o erro-padrão simples.

Esse exercício demonstra que incerteza de qualidade pode superar incerteza amostral. Em vez de imputar um valor único, a equipe mostra limites plausíveis e prioriza correção da integração. A próxima análise registra percentual de completude como indicador de qualidade.

Custos de atraso

Atrasos não têm impacto uniforme. Pedidos de alto valor ou clientes estratégicos podem gerar maior custo. A equipe calcula custo médio por atraso incluindo compensação, reenvio, contato e margem esperada de recompra. A distribuição é assimétrica, então apresenta média e mediana.

Multiplicar taxa de atraso por custo médio fornece estimativa inicial, mas correlação entre atraso e custo precisa ser considerada. Pedidos mais complexos podem atrasar e custar mais. Uma análise por segmento produz estimativa mais coerente. O objetivo é priorizar redução onde o benefício esperado é maior sem abandonar equidade de serviço.

Definição de atraso grave

A equipe propõe “atraso grave” como mais de três dias além do prometido. Antes de adotar, examina distribuição e impacto. A definição não deve ser escolhida apenas para reduzir o indicador. Ela precisa refletir experiência, contrato e risco.

São divulgadas taxa de qualquer atraso e de atraso grave. Mudanças na promessa podem alterar os dois sem melhorar prazo real; por isso, o painel também mostra dias realizados. Indicadores em conjunto reduzem manipulação.

Teste A/B de comunicação

Clientes com risco de atraso são randomizados para mensagem padrão ou mensagem proativa com nova previsão. A métrica principal é avaliação após entrega; secundárias incluem contatos ao suporte e cancelamento. O experimento não resolve o atraso, mas avalia mitigação de experiência.

A análise compara grupos pela alocação. Se 2.000 clientes são divididos igualmente e satisfação é 55% contra 60%, a diferença é 5 pontos. O intervalo para a diferença deve ser calculado. O custo da mensagem é baixo, mas a empresa verifica se transparência não aumenta cancelamentos. A decisão considera conjunto de efeitos.

Plano de amostragem contínua

Em vez de pesquisa anual, a empresa seleciona amostra semanal estratificada. O tamanho semanal é menor, e resultados são combinados em janelas móveis. Isso permite detectar mudanças, mas cria dependência de respostas repetidas e múltiplas comparações.

A equipe define indicador mensal principal, regras para alertas e volume mínimo por estrato. Sem essas regras, flutuações semanais gerariam reação excessiva. O plano inclui auditoria trimestral de não resposta e pesos.

Dashboard com incerteza

O painel mostra estimativa por ponto, faixa e volume. Filiais pequenas não são ordenadas rigidamente; aparecem em gráfico de funil. Cores são usadas apenas quando resultado excede limites e relevância. O usuário pode abrir ficha técnica do indicador.

A data de atualização e quantidade de ausências ficam visíveis. Resultados preliminares são identificados. Isso reduz a tendência de copiar um número sem contexto. A governança define quem pode alterar fórmula e quem aprova mudanças.

Matriz de riscos da análise

Risco	Probabilidade	Impacto	Resposta
não resposta seletiva	alta	alta	estratificar, lembrar e comparar perfis
datas ausentes	média	média	corrigir integração e sensibilidade
mudança de promessa	média	alta	versionar definição e mostrar prazo real
dependência por rota	alta	média	agregar e usar métodos de cluster depois
uso punitivo do ranking	média	alta	intervalos, ajuste de mix e revisão humana
exposição de grupos pequenos	baixa	alta	supressão e controle de acesso

Plano de implementação em 90 dias

Nos primeiros 30 dias, a empresa corrige dicionário, chaves e ausências; define indicadores e responsáveis. Entre 31 e 60, implementa amostra estratificada, painel piloto e análise por rota. Entre 61 e 90, executa experimento de comunicação, revisa contratos e apresenta resultados ao comitê.

Cada ação possui critério de conclusão. “Melhorar dados” torna-se reduzir ausência de data para menos de 0,2%. “Acompanhar atrasos” torna-se publicar taxa, p90 e atraso grave semanalmente. “Rever transportadora” exige comparação padronizada e plano de causa.

Lições metodológicas do caso

O caso evidencia que população descritiva e inferência futura são conceitos diferentes. Também mostra que grande volume não elimina viés, que condicionais dependem do denominador, que média pode ocultar cauda e que significância não substitui decisão. Qualidade de dados, desenho e comunicação influenciam tanto quanto fórmulas.

Uma análise madura não termina com o relatório. Ela cria processo de medição, ação e revisão. Se a definição muda, a série precisa ser reconciliada. Se o contexto muda, o modelo é reavaliado. A estatística torna a aprendizagem explícita.

7.14 Modelo de relatório executivo do caso

Situação: a rede apresentou taxa de atraso de 15% no trimestre, com mediana de entrega de 4 dias e p90 de 9 dias. A transportadora B teve taxa bruta de 18%, mas atende maior proporção de rotas longas. A pesquisa estimou satisfação de 56,9%, com incerteza que inclui valores próximos e abaixo da meta de 60%.

Interpretação: a experiência central é razoável, porém a cauda de atrasos é relevante e se associa a avarias e menor recompra. Rankings sem ajuste de mix podem levar a decisões inadequadas. Ausência de datas e não resposta são limitações materiais.

Recomendação: implantar metas segmentadas com taxa no prazo, p90 e atraso grave; corrigir dados; comparar transportadoras por rota; testar comunicação proativa; realizar pesquisa estratificada contínua. Revisar resultados em 90 dias.

Risco: conclusões causais ainda não estão estabelecidas. Ações devem ser monitoradas por desenho comparável e indicadores de qualidade, custo e experiência.

8. Questões para Estudo

Questão 1 — medidas descritivas

Os tempos de atendimento, em minutos, foram 6, 7, 7, 8, 8, 9, 10 e 25. Calcule média e mediana. Qual medida descreve melhor o atendimento típico?

Gabarito comentado

A soma é 80 e n=8, então a média é 10. A mediana é a média do quarto e quinto valores, ambos 8; portanto, mediana 8. O valor 25 cria assimetria positiva e eleva a média. Para experiência típica, mediana é mais representativa, mas a média é relevante para carga total. O relatório deveria mostrar ambas e investigar o caso de 25 minutos.

Questão 2 — probabilidade condicional

Em 1.000 transações, 20 são fraudes. Um sistema alerta 18 fraudes e também 49 transações legítimas. Qual é a probabilidade de fraude dado um alerta?

Gabarito comentado

Há 18 fraudes alertadas e 49 falsos positivos, total de 67 alertas. Logo, P(fraude|alerta)=18/67≈26,9%. Apesar de sensibilidade de 90% (18/20), a baixa taxa-base limita a precisão. O alerta aumenta o risco de 2% para 26,9%, sendo útil para priorizar revisão, mas inadequado para condenação automática.

Questão 3 — binomial

Uma campanha tem taxa de conversão de 30%. Supondo dez contatos independentes com a mesma probabilidade, calcule a probabilidade de exatamente quatro conversões.

Gabarito comentado

X~Binomial(n=10,p=0,30). P(X=4)=C(10,4)0,3⁴0,7⁶. C(10,4)=210; 0,3⁴=0,0081; 0,7⁶≈0,117649. O produto é aproximadamente 0,2001, ou 20,0%. As condições de independência e p constante precisam ser plausíveis.

Questão 4 — intervalo para proporção

Em uma amostra aleatória de 500 clientes, 320 recomendariam a empresa. Construa intervalo aproximado de 95% para a proporção.

Gabarito comentado

p̂=320/500=0,64. EP=√(0,64×0,36/500)=√0,0004608≈0,02147. Margem=1,96×0,02147≈0,0421. Intervalo aproximado: 0,5979 a 0,6821, ou 59,8% a 68,2%. A interpretação depende de seleção probabilística e ausência de viés relevante de não resposta.

Questão 5 — decisão e significância

Uma unidade reduziu o tempo médio de 15 para 14,6 minutos. Com grande amostra, o valor-p foi 0,001, mas o custo da intervenção foi alto e a meta operacional exige redução de pelo menos 2 minutos. Como interpretar?

Gabarito comentado

Há evidência estatística de diferença em relação à referência, mas o efeito observado é 0,4 minuto, abaixo da relevância operacional de 2 minutos. A decisão deve considerar intervalo do efeito, custo e benefícios. Significância estatística não garante impacto gerencial suficiente. A intervenção pode ser tecnicamente detectável e economicamente inadequada.

9. Resumo e Glossário

Resumo da aprendizagem

Métodos Estatísticos I ensina a produzir e interpretar evidências em ambientes com variabilidade. O processo começa pela pergunta, população, unidade e qualidade dos dados. Variáveis são classificadas para orientar tabelas, gráficos e medidas. Média, mediana, quartis e dispersão descrevem distribuições; tabelas cruzadas e correlação descrevem associações. Probabilidade organiza incerteza e distribuições modelam contagens, tempos e medidas. Amostragem conecta população e observação; distribuição amostral, erro-padrão e Teorema Central do Limite sustentam intervalos e testes introdutórios.

O aprendizado mais importante é proporcionalidade da conclusão. Uma amostra não é população; associação não é causalidade; p-valor não é probabilidade da hipótese; média não substitui distribuição; tamanho grande não corrige viés. O trabalho profissional exige método, contexto, transparência e acompanhamento.

Checklist para análise

· qual decisão ou pergunta precisa ser respondida?

· qual é a população, unidade e período?

· como a amostra foi selecionada e quem ficou de fora?

· quais variáveis, unidades e regras de cálculo?

· há ausências, duplicidades, mudanças de definição ou valores impossíveis?

· qual gráfico permite ver distribuição ou relação?

· quais medidas de centro e dispersão são adequadas?

· as condições do modelo probabilístico são plausíveis?

· qual é a estimativa, o intervalo e o tamanho do efeito?

· quais explicações alternativas e limitações?

· qual ação será tomada e como será acompanhada?

Glossário

Termo	Definição
População	conjunto completo sobre o qual se deseja aprender
Amostra	subconjunto observado da população
Parâmetro	característica numérica da população
Estatística	medida calculada com dados amostrais
Variável	característica que assume valores entre unidades
Desvio-padrão	medida de dispersão na unidade original
Percentil	posição abaixo da qual se encontra determinada proporção
Correlação	medida padronizada de associação linear
Probabilidade condicional	probabilidade de um evento dado outro
Distribuição	regra que descreve valores e probabilidades
Erro-padrão	desvio da distribuição amostral de uma estatística
Intervalo de confiança	procedimento que produz faixa de valores compatíveis com o parâmetro
Valor-p	probabilidade de resultado tão extremo sob a hipótese nula
Viés	erro sistemático que desloca resultados
Poder	probabilidade de detectar um efeito quando ele existe

Mapa de fórmulas

Média: x̄ = Σxᵢ/n

Variância amostral: s² = Σ(xᵢ−x̄)²/(n−1)

Coeficiente de variação: CV = 100s/x̄

Escore z: z=(x−μ)/σ

Probabilidade condicional: P(A|B)=P(A∩B)/P(B)

Bayes: P(A|B)=P(B|A)P(A)/P(B)

Binomial: P(X=x)=C(n,x)pˣ(1−p)ⁿ⁻ˣ

Poisson: P(X=x)=e^(−λ)λˣ/x!

Erro-padrão da média: EP=σ/√n

Erro-padrão da proporção: EP=√[p(1−p)/n]

IC da média: x̄±valor crítico×EP

IC da proporção: p̂±valor crítico×EP

Tamanho para proporção: n=z²p(1−p)/E²

10. Referências e Aprofundamento

Bibliografia básica

· ANDERSON, David R.; SWEENEY, Dennis J.; WILLIAMS, Thomas A. Estatística aplicada à Administração e Economia.

· BUSSAB, Wilton de O.; MORETTIN, Pedro A. Estatística Básica.

· LEVINE, David M. et al. Estatística: teoria e aplicações usando Microsoft Excel.

· STEVENSON, William J. Estatística aplicada à Administração.

· TRIOLA, Mario F. Introdução à Estatística.

· LARSON, Ron; FARBER, Betsy. Estatística Aplicada.

· MONTGOMERY, Douglas C.; RUNGER, George C. Estatística Aplicada e Probabilidade para Engenheiros.

· SPIEGEL, Murray R.; STEPHENS, Larry J. Estatística.

Leituras complementares

· WHEELAN, Charles. Estatística: o que é, para que serve, como funciona.

· HUFF, Darrell. Como mentir com estatística.

· KAHNEMAN, Daniel. Rápido e devagar: duas formas de pensar.

· SILVER, Nate. O sinal e o ruído.

· NAKAGAWA, Shinichi; CUTHILL, Innes C. textos sobre tamanho de efeito e interpretação.

Tópicos para estudos futuros

· testes para duas médias e duas proporções;

· qui-quadrado para associação e aderência;

· análise de variância;

· regressão linear e múltipla;

· métodos não paramétricos;

· controle estatístico de processos;

· séries temporais e previsão;

· reamostragem e bootstrap;

· desenho de experimentos e testes A/B;

· amostragem complexa e ponderação;

· estatística bayesiana;

· visualização e comunicação de incerteza.

Plano de aprofundamento em oito semanas

Semana	Foco	Atividade
1	dados e variáveis	construir dicionário e auditar uma base
2	descrição	criar tabela, histograma e boxplot
3	medidas	comparar média, mediana, quartis e dispersão
4	probabilidade	resolver árvores, condicionais e Bayes
5	distribuições	modelar binomial, Poisson e normal
6	amostragem	desenhar pesquisa e calcular tamanho
7	inferência	construir intervalos e testes introdutórios
8	integração	entregar relatório executivo com limitações

Como continuar aprendendo

A melhor sequência combina teoria, cálculo, software e comunicação. Para cada tema, resolva um exemplo pequeno à mão, reproduza em planilha, altere parâmetros e explique em palavras. A simulação é especialmente útil para probabilidade, distribuição amostral e intervalos. Gerar muitas amostras permite observar fenômenos que uma fórmula pode parecer esconder.

Bases reais devem ser usadas com responsabilidade. Comece com dados públicos ou sintéticos quando houver risco de exposição. Documente limpeza e mantenha versões. Ao publicar, preserve definições e não apresente números sem denominador, período e fonte.

O aprofundamento deve manter a pergunta gerencial. Técnicas mais complexas não são automaticamente melhores. Um intervalo simples e bem explicado pode apoiar decisão melhor que um modelo avançado sem validação. A maturidade estatística aparece na escolha adequada, na humildade diante da incerteza e na capacidade de revisar conclusões quando novos dados surgem.

Orientação final para uso acadêmico e profissional

Ao estudar este guia, a pessoa estudante deve repetir os cálculos com bases pequenas, comparar funções de planilha e escrever a interpretação antes de consultar o resultado pronto. Em trabalhos acadêmicos, cada tabela precisa indicar fonte, período, unidade e procedimento. Em situações profissionais, a recomendação deve separar fato observado, inferência, hipótese explicativa e decisão. Essa disciplina de comunicação reduz equívocos e facilita a revisão por colegas, professoras(es), gestoras(es) e demais pessoas interessadas. Sempre que uma conclusão mudar após novo dado, a atualização deve ser registrada como aprendizagem, e não tratada como falha do método.

Encerramento

Métodos Estatísticos I oferece uma base para estudar organizações sem confundir dados com realidade completa. Dados são registros produzidos por processos, escolhas e limitações. A estatística ajuda a resumir e aprender, mas exige julgamento. Ao dominar os fundamentos, a pessoa estudante passa a fazer perguntas melhores, detectar exageros, comunicar incerteza e construir decisões mais transparentes.