MODELOS PROBABILÍSTICOS APLICADOS AOS NEGÓCIOS.

( Texto escrito por Alisson Rocha da Silva 1. Encontra-se disponível para visualização em:

http://alissonconsultoria.blogspot.com/2009/10/modelos-probabilisticos-aplicados-aos.html )

RESUMO

Este artigo tem o objetivo de demonstrar como modelos estatísticos de

probabilidade podem – e devem – ser utilizados pelas empresas no mundo dos
negócios. Para isso, estudou-se no caso (1) um modelo de probabilidade para
cálculos associados a uma variável, em estudo, que pode assumir os valores
naturais (0, 1, 2,...). No caso (2), foi analisado um modelo probabilístico que trata
de variáveis binárias, ou seja, que só podem assumir dois valores (normalmente, 0
se possuir determinada característica e 1 se não a tiver).

Observações para o texto a seguir:

Y! = fatorial de Y;
Exp=exponencial;
O asterisco (*) é utilizado, nas equações, como operador de multiplicação;
1 milha = 1,609 quilômetros;
As equações estão na cor azul;
Os cálculos estão na cor verde.

1
Alisson Rocha da Silva é Bacharel em Economia pela Universidade Federal do Rio Grande do Norte. Dúvidas,
sugestões, etc., podem ser enviadas para o e-mail alisson.consultoria@gmail.com

1
CASO 1: VISITAS AO LAGO KEEPIT.

2
Este exemplo trata de um estudo feito na Austrália: a cerca de 350 milhas de Sydney,
3
há um lago, chamado Keepit , que serve tanto para a irrigação como também para o lazer das
pessoas. Foi feita uma pesquisa com 250 famílias que moravam em um raio de até 120 milhas
de distância do lago e coletaram-se, para cada uma, os seguintes dados: distância da
4
residência familiar até o lago, renda e número de membros da família. A freqüência de visitas
está na tabela abaixo:

Tabela 1 – freqüência de visitas ao lago.

Visitas Freqüência
0 61
1 55
2 41
3 31
4 23
5 19
6 8
7 7
8 2
9 1
10 1
13 1
Fonte: Elaboração própria a partir dos dados da pesquisa.

Observe como um grande número de famílias não visitou o lago nenhuma vez, outro
grande número fez 1, 2 ou 3 visitas e, finalmente, um pequeno número de famílias fez muitas
visitas, tais como 6 ou 7. Estes valores são classificados como dados de contagem, pois os
resultados possíveis de ocorrer são os números naturais 0, 1, 2, 3, e assim por diante.

2
Baseado no exemplo do livro “Principle of Econometrics”, 2ª edição.

3
Site na web: http://www.dsr.nsw.gov.au/lakekeepit/

4
A freqüência de visitas mostra que 61 famílias não visitaram o lago nenhuma vez, 55 famílias fizeram uma visita
e, assim, sucessivamente.

2
 O leitor poderia questionar: o que fazer com esta pesquisa? É aí que entra a análise
estatística, ou mais precisamente, onde podemos aplicar modelos estatísticos de
probabilidade.
Ao lidar com dados de contagem normalmente é utilizada a distribuição de Poisson cuja
função de probabilidade é dada por:
f(probabilidade) = (µy *exp(-µ))/y! ; onde y é o número de visitas (Equação 1)

Observe que µ (a média de visitas de uma família) provavelmente dependerá dos dados
coletados pela pesquisa, ou seja, o número médio de visitas que uma família faz ao lago Keepit
depende da distância da residência familiar ao mesmo, da renda e do número de membros da
família. Desta forma, é natural esperarmos que as visitas aumentem conforme também
aumente a renda e o número de membros, bem como, diminua quanto maior a distância da
moradia em relação ao lago. Isso poderia ser descrito por uma função matemática do tipo:

µ = exp(β1+ β2*distancia+ β3*renda+ β4*membros) (Equação 2)

Estimando os Betas (β´s) da equação (2) é possível calcular uma fórmula que seja
5

usada em conjunto com a equação (1) – função de probabilidade de Poisson – para calcular
quais as chances de um determinado perfil de família fazer certo número de visitas ao lago.
Usando um software estatístico para calcular os coeficientes da equação (2) chegou-se a
equação (3):

µ = exp(1,39067 - 0,020865*distancia + 0,022814*renda + 0,13356*membros) (Equação 3)

Veja que na equação acima, a distância é multiplicada por um valor negativo (-0,020865)
sinalizando que quanto maior a distância em relação ao lago, menor o número de visitas que
uma família fará ao mesmo. O coeficiente que multiplica a renda é positivo (0,022814), ou seja,
quanto maior a renda maior será o número de visitas feitas. Por fim, a variável membros da
família também é multiplicada por um número positivo (0,022814), ou seja, quanto maior a
família maior o número de visitas que ela tende a fazer.
Agora vamos aplicar o modelo: qual a probabilidade de uma família que mora a 50
6
milhas de distância, tem renda de 60.000, e possui três membros, visitar o lago menos do que
três vezes por ano?

5
A estimação dos Betas, ou coeficientes da equação, é feita através de um software de estatística. Após os
cálculos, o resultado foi: β1 = 1,39067; β2 = -0,020865; β3 = 0,022814; β4 = 0,13356.
6
No cálculo da página 4, a renda 60.000 entrou na equação com o valor 6 porque está em dezena de milhar;
6*10.000 = 60.000.

3
 Primeiro, usando a equação (3), calculamos o número médio de visitas que se espera
que uma família (com esse perfil) faça:

µ=exp(1,39067 – 0,020865*50+0,022814*6+0,13356*3)
µ = 2,423

Aplicamos esse valor (2,423) na equação (1) para calcular a probabilidade pedida:

P(y<3) = P(y=0) + P(y=1)+P(y=2)

0 1
P(y<3) = ((2,423) *exp(-2,423))/0! + ((2,423) *exp(-2,423))/1! + ((2,423)²*exp(-2,423))/2!
P(y<3) = 0,0887 + 0,2148 + 0,2602 = 0,564 = 56,4%

Para calcular outras probabilidades (variando o número de membros na família, renda, e

distância) é só fazer de maneira análoga ao cálculo do exemplo anterior. Desta maneira é
possível ter uma idéia se determinadas famílias são, ou não, propensas a serem grandes
freqüentadoras do lago Keepit. Veja, então, a importância desse estudo que permite ter uma
idéia sobre o comportamento de cada perfil de família pesquisada.
A distribuição de Poisson também é muito útil em centrais de atendimento ao
consumidor, pois estas precisam ter uma idéia de quantos atendimentos serão feitos em
determinadas faixas de horário. Assim sendo, é possível elaborar escalas de trabalho de uma
forma mais precisa, evitando que os horários muito procurados fiquem sem um número
suficiente de atendentes e, com isto, impedindo aborrecimentos aos usuários.

4
CASO 2: USAR, OU NÃO, O TRANSPORTE COLETIVO PARA IR AO TRABALHO.

7 8
Foi feita uma pesquisa com uma amostra de 21 pessoas, que tanto poderiam ir para o
trabalho de carro quanto de transporte coletivo (ônibus, metrô, etc), e observados os seguintes
fatos:
• Tempo que o entrevistado leva para ir ao trabalho utilizando o próprio automóvel;
• Tempo que o entrevistado leva para ir ao trabalho utilizando o transporte coletivo;
• Caso o entrevistado utilize o próprio veículo para ir ao trabalho ele recebe o número 1.
Porém, utilizando o transporte coletivo para se deslocar até o trabalho ele recebe o
número 0.

O resultado está na tabela a seguir:

Tabela 2 – Tempo utilizado para ir ao trabalho.

Tempo Tempo (transporte
(automóvel). coletivo).
Em minutos Em minutos x y
52,9 4,4 -48,5 0
4,1 28,5 24,4 0
4,1 86,9 82,8 1
56,2 31,6 -24,6 0
51,8 20,2 -31,6 0
0,2 91,2 91 1
27,6 79,7 52,1 1
89,9 2,2 -87,7 0
41,5 24,5 -17 0
95 43,5 -51,5 0
99,1 8,4 -90,7 0
18,5 84 65,5 1
82 38 -44 1
8,6 1,6 -7 0
22,5 74,1 51,6 1
51,4 83,8 32,4 1
81 19,2 -61,8 0
51 85 34 1
62,2 90,1 27,9 1
95,1 22,2 -72,9 0
41,6 91,5 49,9 1
Nota: A variável x é igual à diferença entre o tempo gasto de transporte coletivo e de
automóvel. A variável y tem o valor zero caso a pessoa utilize o transporte público e
tem valor um se utilizar o automóvel.
Fonte: Elaboração própria a partir dos dados da pesquisa.

7
Baseado em Ben-Akiva e Lerman. Discrete Choice Analisys.

8
Uma amostra é o subconjunto de uma população, ou seja, a população é o todo e a amostra é uma parte que tenta
representar o todo.

5
Uma função de probabilidade para os dados da tabela (2) poderia ser, por exemplo:

ρrobabilidade= β1 + β2*X (Equação 4)

Utilizando um software estatístico podemos calcular os valores desconhecidos da equação (4),

ou seja, os Betas(β´s). O resultado está logo abaixo:

ρrobabilidade = (-0,064434) + 0,02999*X (Equação 5)

O sinal negativo de β1 significa que quando o tempo gasto entre os dois meios de
transporte é igual, há uma predisposição de ir de ônibus. Já o sinal positivo de β2 mostra que
quanto maior o tempo gasto para ir ao trabalho de transporte público, em relação ao
automóvel, maior será a chance do indivíduo escolher ir de carro.
Se uma pessoa leva, para fazer o percurso de transporte coletivo, 30 minutos a mais do
que de carro, qual é a probabilidade dela escolher usar o automóvel em detrimento do ônibus?
Este cálculo é feito abaixo:

Ρrobabilidade(Z) =(-0,064434)+0,02999*X
ρrobabilidade (Z)=(-0,064434)+0,02999*30
ρrobabilidade (Z)=0,8352

9
A probabilidade associada a um valor de Z=0,8352 é igual a 0,7967, ou seja, 79,67%.
Como 79,67% é maior do que 50%, o modelo chega à conclusão que esta pessoa usará o
automóvel para se deslocar ao trabalho.
Perceba como um modelo de probabilidade como este pode ser muito útil no
planejamento urbano, principalmente na questão do transporte. Através dele é possível ter uma
idéia de qual o tempo máximo uma pessoa, que possua carro, está disposta a gastar a mais no
transporte coletivo antes de utilizar o próprio veículo.
Outra área de grande uso de um modelo como este é no controle da inadimplência de
clientes, pois permite calcular a probabilidade da instituição financeira levar um calote de
acordo com o perfil (sexo, número de filhos, renda, estado civil, se possui casa própria, etc) do
cliente selecionado. Além disso, é possível usar diferentes regras de concessão – ou não – de
empréstimos, de acordo com risco que a empresa queira correr. Caso deseje correr menos
risco, sobe-se a probabilidade a partir da qual será aprovado um empréstimo (p.ex. só serão
aprovados os recursos para clientes com mais de 60% de probabilidade de pagar e não mais
50%). Na verdade, é isto que ocorre nos momentos de crise: as instituições financeiras
precisam se precaver contra a subida da inadimplência e, por isso, aumentam o rigor na

9
Para ver essa probabilidade associado ao valor Z, consulte a tabela da página 8.

6
concessão do crédito. Em outras palavras, aumentam o limite mínimo de probabilidade de
receber a partir do qual ela está disposta a emprestar o recurso financeiro.

 Conclusão: modelos estatísticos de probabilidade podem ser úteis como

ferramentas de apoio a decisões empresariais.

No mundo moderno, é cada vez maior o número de informações armazenadas pelas

empresas. Porém, ter uma informação é diferente de utilizá-la em proveito do próprio negócio;
no jargão da Administração, ter um “banco de dados” é diferente de ter um “bando de dados”.
O avanço da informática permitiu o desenvolvimento de softwares estatísticos cada vez
mais poderosos, muitos dos quais gratuitos. Técnicas de análises de dados que há alguns
anos ficavam restritas às grandes empresas, agora estão disponíveis a quase todo mundo que
detenha o conhecimento para utilizá-las. Este artigo mostrou dois exemplos de como as
informações podem receber tratamento estatístico e, assim, serem utilizadas como ferramentas
de apoio às diversas decisões que devem ser tomadas na administração de um negócio.

7
Função de Distribuição Acumulada Normal Padrão.
Valor da segunda casa decimal de Z
Z 0 1 2 3 4 5 6 7 8 9
-1 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545