estatística;

Pensemos num fabricante de tênis para corridas – Nike, como ele deverá bloquear a produção própria de tênis que apresentam pequenos defeitos? Se ele for muito criterioso quanto ao controle de qualidade perderá dinheiro descartando milhares de pares de tênis que poderiam ser vendidos, se ele for muito flexível perderá clientes que não aceitarão ter comprado um tênis da marca Nike com aquele defeito, então, ele irá precisar de algo nem tanto lá nem tanto cá, algo entre zero e um. Como? Emprestando as ferramentas da probabilidade que lhe tragam o menor custo, ou o ponto ótimo.

O mundo atual aprofunda a cada dia os conceitos das probabilidades, parece que tudo caminha para desembocar nessa “ciência turbinada”, desde a bolsa de valores, machine learning, passando pelo faturamento mensal de um boteco até a física quântica.

A física quântica não sabe nos precisar o caminho percorrido por um elétron, mas sabe nos informar a probabilidade de ele estar num determinado ponto num determinado instante. É como aquele guarda-noturno que não enxergamos na escuridão da noite, mas sabemos que naquele passo ele irá aparecer abaixo da iluminação acesa de um poste em tantos minutos e podemos prever quando ele aparecerá novamente. O que ele fez na escuridão não sabemos, afinal para os físicos ele caminha na velocidade da luz.

Um proprietário de um pequeno, médio ou grande negócio não sabe nos dizer precisamente quanto faturará num determinado mês vindouro, mas saberá nos informar para esse faturamento vindouro a probabilidade com uma determinada margem de erro.

Situações interessantes e aplicáveis aos negócios:

Quando o evento é discreto, por exemplo, jogamos um dado não viciado, sabemos que a probabilidade de dar um número qualquer será de 1/6 (um número em seis possibilidades). Essa é uma distribuição binomial sendo que cada evento independe do anterior, mas ocorrerá entre 02 possibilidades. As empresas podem usar essa probabilidade para isolar um tipo de erro, por exemplo, produzimos tubos para canalização de água, tubos com furos não são aceitáveis, tubos sem furos são analisados mediante outros critérios de qualidade. Ou, imagine uma empresa que venda lotes residenciais, e defina uma linha de corte, compradores potenciais vivem num raio de 2 km do empreendimento e outros compradores vivem além de 2km do novo empreendimento que podem ou não comprar (se sabemos a localização atual dos compradores mais propensos a efetuarem a compra e definimos o seu perfil podemos quantificá-los. E quanto mais vendemos lotes mais nossas ações mercadológicas serão assertivas, pois afinamos as hipóteses iniciais) … E la nave va.
A lei de Poisson nos permite atender a casos quando não sabemos o número de eventos. Suponhamos o proprietário de um estacionamento, ele recebe em seu estabelecimento “x” veículos a cada 24 horas. E, poderá calcular através de Poisson a probabilidade de receber “x” veículos nas próximas 24 horas. Por que isso é importante? Suponhamos que ele fez uma propaganda no Google para atrair mais clientes. O aumento que obteve nas próximas 24 horas foi consequência da propaganda no Google ou não? A lei de Poisson responde a essa indagação, ou seja, o eventual aumento dos veículos poderá estar dentro do previsto por Poisson e a propaganda pode ter sido um desperdício de recursos. Observe que a lei de Poisson pode ser aplicada para processos de empresas citadas no item A.
Teste de hipóteses, funciona assim: temos uma hipótese original ou nula “Ho”, que pode estar errada ou certa e a partir dela calculamos uma hipótese alternativa “Ha”, que poderá ou não confirmar a hipótese “Ho”. Mas, pra que um gestor pode precisar disso? Suponha que os funcionários de sua empresa relatem que a média salarial do concorrente é maior. O que fazer? Acreditar nos funcionários e readequar os salários? Ou, calcular a média dentro de um intervalo de significância (conhecido como alfa – α)? Nessa metodologia podemos assumir que a média dada pelos funcionários seja realmente maior “Ho” e calcula-se “Ha” que poderá ou não confirmar “Ho”. Assim, denominando RC – Região Crítica, temos: – Se o valor observado pertence a RC, então rejeite “Ho” (aceite “Ha”), – Se o valor observado não pertence a RC, então aceite “Ho” (rejeite “Ha”).
Mas, qual a pérola da estatística? Sim, o Teorema Central do Limite, é mágico. Suponhamos que o proprietário de uma rede de 19 restaurantes deseja saber o ticket médio das refeições vendidas. O que fazer? Somar todas as refeições vendidas em sua rede, dividir pelo número de pessoas que fizeram as refeições num período de 30 dias e sacar a média? Não podemos pensar nesse trabalhão, certo? Outro exemplo, vamos piorar, suponha que queiramos saber a altura média do brasileiro. O que fazer? Medimos a altura de cada um dos brasileiros, dividimos pelo total de brasileiros e conseguimos a altura média? Não podemos pensar nesse trabalhão, certo? O Teorema Central do Limite resolve esse problema muito mais facilmente. Basta sacar algumas amostras randômicas, tirar a média das amostras e concluir que a média das amostras é igual a média da população, sem conhecer empiricamente os dados verdadeiros. Se criarmos um gráfico dessas amostras randômicas iremos concluir que se trata de uma distribuição gaussiana (normal) e conseguimos sacar o desvio padrão das amostras e saberemos que o desvio padrão da população é dado por σx = σi / √n . Um número cabalístico que a galera utiliza é um mínimo de 30 amostras. Isso além de ser maravilhoso poupa muitos recursos $$.

Conclusões:

Em estatística nunca teremos certeza de nada, mas teremos uma probabilidade de encontrar um resultado dentro de um certo intervalo de confiança e podemos afirmar a probabilidade de algo dar certo ou dar errado. Isso poderá fazer a diferença entre ter ou não ter lucro.
É importantíssimo saber fazer perguntas, se definimos mal o problema, não podemos esperar respostas assertivas. Ou seja, se não sabemos para onde vamos, qualquer caminho serve.
A análise de dados apoiada na estatística evoluiu muito nos últimos anos.
Se não podemos confiar nas amostras, há grande probabilidade de os erros serem inaceitáveis. Um bom exemplo são as descobertas na física, os cientistas somente arriscam publicar uma descoberta quando seus cálculos apresentam probabilidade de acerto de 99,999999999999999%. E, na maioria das vezes suas descobertas teóricas somente poderão ser comprovadas décadas à frente.
Toda vez que aumentamos a quantidade de amostras confiáveis diminuímos o erro, no entanto, aumentamos os nossos custos, c’est la vie.