Mdulo 4

UNIDADE

7
Modelos probabilsticos Modelos probabilsticos mais comuns mais comuns

179

Curso de Graduao em Administrao a Distncia

Objetivo
Nesta Unidade, voc vai conhecer os modelos probabilsticos mais importantes para variveis aleatrias discretas e contnuas. Voc aprender a identificar as situaes reais em que podem ser usados para o clculo de probabilidades e a importncia disso para o administrador.

180

Mdulo 4

Modelos probabilsticos para variveis aleatrias discretas

GLOSSRIO *Varivel aleatria uma funo matemtica que associa nmeros reais aos resultados de um espao amostral, por sua vez, vinculado a um experimento aleatrio. Fonte: Barbetta, Reis e Bornia (2004). *Espao amostral finito aquele formado por um nmero limitado de resultados possveis. Fonte: Barbetta, Reis e Bornia (2004). *Espao amostral infinito numervel aquele formado por um nmero infinito de resultados, mas que podem ser listados. Fonte: Barbetta, Reis e Bornia (2004).

Nas Unidades 5 e 6, vimos os conceitos gerais de probabilidade e variveis aleatrias: podemos construir um modelo probabilstico do zero para um problema de administrao, a partir de dados histricos ou experimentais. Embora plenamente possvel, o processo de construo de um modelo probabilstico do zero pode ser bastante longo: preciso coletar os dados (ver Unidades 1 e 2), fazer a anlise exploratria deles (ver Unidades 3 e 4), obter as probabilidades e validar o modelo. Mesmo tomando todos os cuidados, muitas vezes vamos reinventar a roda e correndo o risco de ela sair quadrada... Por que no usar os conhecimentos prvios desenvolvidos ao longo de centenas de anos de pesquisa e experimentao? Vamos procurar, dentre os vrios modelos probabilsticos existentes, aquele mais apropriado para o fenmeno que estamos estudando, que materializado atravs de variveis aleatrias. Atravs da Anlise Exploratria de Dados, podemos avaliar qual modelo mais apropriado para os nossos dados. Contudo, para fazer isso precisamos conhecer tais modelos. Nesta Unidade, vamos estudar os modelos mais usados para variveis aleatrias discretas (binomial e Poisson) e para variveis aleatrias contnuas (uniforme, normal, t e qui-quadrado).

Aqui importante avaliar com cuidado a varivel aleatria* discreta. preciso identificar se o espao amostral finito* ou infinito numervel*: alguns modelos so apropriados para um caso, e no para o outro.

181

Curso de Graduao em Administrao a Distncia

Vamos ver os dois modelos mais importantes: binomial e Poisson.

Modelo binomial
Seja um experimento aleatrio qualquer que apresenta as seguintes caractersticas: consiste na realizao de um nmero finito e conhecido n de ensaios (ou repeties); cada um dos ensaios tem apenas dois resultados possveis: sucesso ou fracasso (esto entre aspas, porque a definio de sucesso no quer necessariamente algo positivo, e tambm porque poder significar um grupo de resultados); e os ensaios so independentes entre si, apresentando probabilidades de sucesso (p) e de fracasso (1p) constantes. GLOSSRIO *Varivel aleatria discreta o espao amostral ao qual ela est associada finito ou infinito numervel. Fonte: Barbetta, Reis e Bornia (2004). Neste caso, estamos interessados no nmero de sucessos obtidos nos n ensaios: como o espao amostral finito (vai de 0 a n), uma varivel aleatria associada seria discreta. Este tipo de experimento chamado de binomial. Ento, a varivel aleatria discreta* X, nmero de sucessos nos n ensaios, apresenta uma distribuio (modelo) binomial com os seguintes parmetros: n = nmero de ensaios p = probabilidade de sucesso

Com esses dois parmetros, possvel calcular as probabilidades de um determinado nmero de sucessos, bem como obter o valor esperado e a varincia da varivel X: E(X) = n x p V(X) = n x p x (1p)

182

Mdulo 4

Exemplo 1: experimentos binomiais: a) observar o nmero de caras em trs lanamentos imparciais de uma moeda honesta: n=3; p=0,5; b) observar o nmero de meninos nascidos em trs partos de uma famlia: n=3; p = x; e c) observar o nmero de componentes defeituosos em uma amostra de dez componentes de um grande nmero de peas que apresentaram anteriormente 10% de defeituosos: n = 10; p= 0,1. Vamos ver com maiores detalhes o caso do nmero de meninos (e meninas) nascidos em uma famlia. Chamando menino de evento H, ser o sucesso, e menina de evento M, e sabendo pela histria da famlia que P(H) = 0,52 e P(M) = 0,48 (ento p = 0,52 e 1 p = 0,48), quais sero as probabilidades obtidas para a varivel aleatria nmero de meninos em trs nascimentos? Vamos obter a distribuio de probabilidades. Usando os conceitos gerais de probabilidade, preciso primeiramente determinar o espao amostral, como podero ser os sexos das trs crianas: = {H H H, H H M, H M H, M H H, H M M, M H M, M M H, M M M} Supondo que os nascimentos sejam independentes, podemos calcular as probabilidades de cada interseco simplesmente multiplicando as probabilidades individuais de seus componentes: P{H H H} = P(H) x P(H) x P(H) = p x p x p = p3 P{H H M} = P(H) x P(H) x P(M) = p x p x (1 p) = p2 (1 p) P{H M H} = P(H) x P(M) x P(H) = p x (1 p) x p = p2 x (1 p) P{M H H} = P(M) x P(H) x P(H) = (1 p) x p x p = p2 x (1 p) P{H M M} = P(H) x P(M) x P(M) = p x (1p) x (1p) = p x (1p)2 P{M H M} = P(M) x P(H) x P(M) = (1 p) x p x (1p) = p x (1p)2

183

Curso de Graduao em Administrao a Distncia

P{M M H} = P(M) x P(M) x P(H) = (1p) x (1p) x p = p x (1p)2 P{M M M} = P(M) x P(M) x P(M) = (1p) x (1p) x (1 p) = (1p)3 Observe que: P{H H M} = P{H M H} = P{M H H} = p2 x (1 p) = Probabilidade de dois sucessos P{H M M} = P{M H M} = P{M M H} = p x (1 p)2 = Probabilidade de um sucesso Importa apenas a natureza dos sucessos, no a ordem em que ocorrem: com a utilizao de combinaes, possvel obter o nmero de resultados iguais para cada nmero de sucessos. Supondo que o nmero de ensaios n o nmero de objetos disponveis, e que o nmero de sucessos em que estamos interessados (doravante chamado k) o nmero de espaos onde colocar os objetos (um objeto por espao), o nmero de resultados iguais ser:

Para o caso acima, em que h trs ensaios (n =3): para dois sucessos (k =2) sultado obtido por enumerao); para um sucesso (k =1) do obtido por enumerao). O procedimento acima poderia ser feito para quaisquer valores de n e k (desde que n k), permitindo obter uma expresso geral para calcular a probabilidade associada a um resultado qualquer. A probabilidade de uma varivel aleatria discreta X, nmero de sucessos em n ensaios, com distribuio binomial de parmetros n e p, assumir um certo valor k (0 k n) ser: , onde (o mesmo resulta(o mesmo re-

184

Mdulo 4

importante lembrar que a probabilidade de ocorrer k sucessos igual probabilidade de ocorrer n k fracassos, e que todos os axiomas e propriedades de probabilidade continuam vlidos. Neste segundo exemplo, admitamos que a probabilidade de que uma companhia no entregue seus produtos no prazo igual a 18%. Quais so as probabilidades de que, em trs entregas, uma, duas ou todas as trs entregas sejam feitas no prazo? Calcular tambm valor esperado, varincia e desvio-padro do nmero de entregas no prazo. Para cada entrega (ensaio), h apenas dois resultados: no prazo ou no. H um nmero limitado de realizaes, n = 3. Definindo sucesso como no prazo, e supondo as operaes independentes, a varivel aleatria X, nmero de entregas no prazo em trs ter distribuio binomial com parmetros n = 3 e p = 0,82 (e 1 p = 0,18). Ento:

Somando todas as probabilidades, o resultado igual a 1, como teria que ser. O valor esperado, varincia e o desvio-padro sero: E(X) = n x p = 3 x 0,82 = 2,46 entregas V(X) = n x p x (1 p) = 3 x 0,82 x 0,18 = 0,4428 entrgas.

A mdia quase igual ao nmero de operaes, devido alta probabilidade de sucesso. Estudos anteriores mostraram que h 73% de chance de consumidores do sexo feminino apresentarem uma reao positiva a anncios

Lembre-se que a soma das probabilidades de todos os eventos que compem o espao amostral igual a 1. E que 0! = 1, e um nmero diferente de 0 elevado a zero igual a 1.

185

Curso de Graduao em Administrao a Distncia

publicitrios com crianas. Uma agncia est conduzindo um estudo, apresentando um novo anncio para cinco consumidoras. Vamos ver nesse Exemplo 3 qual a probabilidade de que pelo menos trs das cinco consumidoras apresentem reao positiva? Calcular tambm o valor esperado, a varincia e o desvio-padro do nmero de consumidoras que apresentam reao positiva. Para cada consumidora (ensaio), h apenas dois resultados: reao positiva ou no. H um nmero limitado de realizaes, n = 5. Definindo sucesso como reao positiva, e supondo as consumidoras independentes, a varivel aleatria X, nmero de consumidoras com reao positiva em cinco que assistiram ao novo anncio ter distribuio binomial com parmetros n = 5 e p = 0,73 (e 1 p = 0,27). O evento de interesse a recuperao de pelo menos trs ratos (3 ou mais): P(X 3). P(X 3) = P(X = 3) + P(X = 4) + P(X = 5) preciso calcular as trs probabilidades acima e som-las, ento:

P(X 3) = P(X = 3) + P(X = 4) + P(X = 5) = 0,284 + 0,383 + 0,207 = 0,874

A probabilidade de que pelo menos trs das cinco consumidoras apresentem reao positiva igual a 0,874 (87,4%). H duas outras formas de chegar ao mesmo resultado: atravs do complementar: P(X 3) = 1 - P(X<3) = 1 - [ P(X=0) + P(X=1) + P(X=2)]; mudando a definio de sucesso, de reao positiva para reao negativa (p = 0,27), se pelo menos trs consumidoras

186

Mdulo 4

apresentam reao positiva, ento, no mximo duas apresentam reao negativa.

Mas se o espao amostral fosse infinito numervel? Teramos que usar o modelo de Poisson. Voc conhece este modelo? Sabe como tirar proveito de suas facilidades? Vamos estudar juntos para aprender ou para relembrar!

Modelo de Poisson
Vamos supor um experimento binomial, com apenas dois resultados possveis, mas com a seguinte caracterstica: apesar de a probabilidade p ser constante, o valor de n teoricamente infinito. Na situao acima, o modelo binomial no poder ser utilizado. Nestes casos, deve ser utilizado o modelo de Poisson. Como seria a soluo para o caso acima? Como n infinito, deve-se fazer a anlise das ocorrncias em um perodo contnuo (de tempo, de espao, entre outros) subdividido em um certo nmero de subintervalos (nmero tal que a probabilidade de existir mais de uma ocorrncia em uma subdiviso desprezvel, e supondo ainda que as ocorrncias em subdivises diferentes so independentes); novamente, preciso trabalhar com uma quantidade constante, que ser chamada de m tambm: m=xt onde uma taxa de ocorrncia do evento em um perodo contnuo (igual ou diferente do perodo sob anlise), e t justamente o perodo contnuo sob anlise. Como obter a taxa ? H duas opes: realizar um nmero suficiente de testes de laboratrio para obter a taxa de ocorrncia do evento a partir dos resultados, ou observar dados histricos e calcular a taxa. Se uma varivel aleatria discreta X, nmero de ocorrncias de um evento, segue a distribuio de Poisson, a probabilidade de X assumir um valor k ser:

Apesar do smbolo t, o perodo contnuo no necessariamente um intervalo de tempo.

187

Curso de Graduao em Administrao a Distncia

Onde e uma constante: e 2,71. E m = n x p ou m = x t. Uma particularidade interessante da distribuio de Poisson que o valor esperado e a varincia de uma varivel aleatria que siga tal distribuio sero iguais: E(X) = m = x t V(X) = m = x t O modelo de Poisson muito utilizado para modelar fenmenos envolvendo filas: filas de banco, filas de mensagens em um servidor, filas de automveis em um cruzamento. Vejamos neste Exemplo 4 os experimentos e fenmenos que seguem a distribuio de Poisson. a) Nmero mensal de acidentes de trfego em um cruzamento. Observe que uma varivel aleatria discreta, pode assumir apenas valores inteiros (0, 1, 2, 3,...). Cada realizao do experimento (acidente) pode ter apenas dois resultados: ocorre o acidente ou no ocorre o acidente. Mas o nmero mximo de realizaes desconhecido! Assim, a distribuio binomial no pode ser usada, e a anlise do nmero de acidentes precisa ser feita em um perodo contnuo (no caso, perodo de tempo, um ms), exigindo o uso da distribuio de Poisson. b) Nmero de itens defeituosos produzidos por hora em uma indstria. Novamente, uma varivel aleatria discreta (valores inteiros: 0,1, 2, 3, ...). Cada realizao s pode ter dois resultados possveis (pea sem defeito ou pea defeituosa). Se o nmero mximo de realizaes for conhecido, provavelmente a probabilidade de uma pea ser defeituosa ser reduzida, e apesar de ser possvel a utilizao da distribuio binomial, o uso da distribuio de Poisson obter resultados muitos prximos. Se o nmero mximo de realizaes for desconhecido, a distribuio binomial no pode ser usada, e a anlise do nmero de acidentes precisa ser feita em um perodo cont188

Mdulo 4

nuo (no caso, perodo de tempo, uma hora), exigindo o uso da distribuio de Poisson. c) Desintegrao dos ncleos de substncias radioativas: contagem do nmero de pulsaes radioativas a intervalos de tempo fixos. Situao semelhante dos acidentes em um cruzamento, s que o grau de aleatoriedade deste experimento muito maior. O nmero mximo de pulsaes tambm desconhecido, obrigando a realizar a anlise em um perodo contnuo, utilizando a distribuio de Poisson. Neste Exemplo 5, uma telefonista recebe cerca de 0,20 chamadas por minuto (valor obtido de medies anteriores). a) Qual a probabilidade de receber exatamente cinco chamadas nos primeiros dez minutos? b) Qual a probabilidade de receber at duas chamadas nos primeiros 12 minutos? c) Qual o desvio-padro do nmero de chamadas em meia hora? H interesse no nmero de chamadas ocorridas em um perodo contnuo (de tempo no caso). Para cada ensaio, h apenas dois resultados possveis: a chamada ocorre ou no. Observe que no h um limite para o nmero de chamadas no perodo (sabe-se apenas que o nmero mnimo pode ser 0): por esse motivo, a utilizao da binomial invivel. Contudo, h uma taxa de ocorrncia ( = 0,20 chamadas/ minuto), e isso permite utilizar a distribuio de Poisson. a) Neste caso, o perodo t ser igual a 10 minutos (t = 10 min.), P(X = 5)? m = x t = 0,20 x 10 = 2 chamadas

Ento, a probabilidade de que a telefonista receba exatamente cinco chamadas em dez minutos igual a 0,0361 (3,61%).

189

Curso de Graduao em Administrao a Distncia

b) Neste caso, o perodo t ser igual a 12 minutos (t = 12 minutos). O evento de interesse at duas chamadas em 12 minutos (X 2). m = x t = 0,20 x 12 = 2,4 chamadas P(X 2) = P(X = 0) + P(X = 1) + P(X = 2)

P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0,0907 + 0,2177 + 0,2613 = 0,5697

Ento, a probabilidade de que a telefonista receba at duas chamadas em 12 minutos igual a 0,5697 (56,97%). c) Neste caso, o perodo t ser igual a 30 minutos (t = 30 minutos). Primeiro, calcula-se a varincia: V(X) = m = x t = 0,2 x 30 = 6 chamadas O desvio-padro a raiz quadrada positiva da varincia:

H vrios outros modelos para variveis aleatrias discretas: hipergeomtrico, geomtrico, binomial negativo.

Na prxima seo, vamos ver os principais modelos de variveis aleatrias contnuas.

190

Mdulo 4

Modelos para variveis aleatrias contnuas

Nesta seo, estudaremos os modelos uniforme, normal, t e qui-quadrado.

Modelo uniforme
Quando o espao amostral associado a um experimento aleatrio infinito, torna-se necessrio o uso de uma varivel aleatria contnua para associar nmeros reais aos resultados. Os modelos probabilsticos vistos anteriormente no podem ser empregados: a probabilidade de que uma varivel aleatria contnua assuma exatamente um determinado valor zero.

Para entender melhor a declarao acima, vamos relembrar a definio clssica de probabilidade: a probabilidade de ocorrncia de um evento ser igual ao quociente entre o nmero de resultados associados ao evento pelo nmero total de resultados possveis. Ora, se o nmero total de resultados infinito ou tende ao infinito, para ser mais exato, a probabilidade de ocorrncia de um valor especfico igual a zero. Por esse motivo, quando se lida com variveis aleatrias contnuas, calcula-se a probabilidade de ocorrncia de eventos formados por intervalos de valores, atravs de uma funo densidade de probabilidades (ver Unidade 6). Uma outra conseqncia disso que os smbolos > e (< e tambm) so equivalentes para variveis aleatrias contnuas.

O modelo mais simples para variveis aleatrias contnuas o uniforme. Seja uma varivel aleatria contnua qualquer X que possa assumir valores entre A e B. Todos os valores entre A e B tm a mesma probabilidade de ocorrer, resultando no grfico apresentado na Figura 50:

191

Curso de Graduao em Administrao a Distncia

Figura 50: Modelo uniforme Fonte: elaborada pelo autor

Para que a rea entre a e b seja igual a 1, o valor da ordenada precisa ser igual a 1/(b a), constante, portanto, para todo o intervalo. A rea escura representa a probabilidade de a varivel X assumir valores no intervalo c d. Trata-se do modelo uniforme. Dois intervalos de valores da varivel aleatria contnua, que tenham o mesmo tamanho, tm a mesma probabilidade de ocorrer (desde que dentro da faixa de valores para os quais a funo de densidade de probabilidades no nula). Formalmente, uma varivel aleatria contnua X tem distribuio uniforme, com parmetros a e b reais (sendo a menor do que b), se sua funo densidade de probabilidades for tal como a da Figuras 50. A probabilidade de que a varivel assuma valores entre c e d (sendo a < c < d < b) a rea compreendida entre c e d:

Seu valor esperado e a varincia so:

Intuitivamente, podemos supor que muitas variveis aleatrias contnuas tero um comportamento diferente do caso acima: em algumas delas, haver maior probabilidade de ocorrncias de valores pr-

192

Mdulo 4

ximos ao limite inferior ou superior: para cada caso, dever ser ajustado um modelo probabilstico contnuo adequado. O modelo uniforme bastante usado para gerar nmeros pseudoaleatrios em processos de amostragem probabilstica. Neste Exemplo 6, a temperatura T de destilao do petrleo crucial para determinar a qualidade final do produto. Suponha que T seja considerada uma varivel aleatria contnua com distribuio uniforme de 150 a 300 C, e que o custo para produzir um galo de petrleo seja de 50 u.m. Se o leo destilado a menos de 200 C, o galo vendido a 75 u.m. Se a temperatura for superior a 200 C, o produto vendido a 100 u.m. a) Fazer o grfico da funo densidade de probabilidade de T. b) Qual o lucro mdio esperado por galo? a) Os parmetros a e b definem completamente uma distribuio uniforme; para fazer o grfico, basta encontr-los no enunciado acima. Identifica-se que o limite inferior, a, vale 150 C, e o superior, b, vale 300 C, resultando no grfico a seguir: Adaptado de BUSSAB, W. O.; MORETTIN, P. A. Estatstica Bsica. 4. ed. So Paulo: Atual, 1987.

Figura 51: Temperatura de destilao do petrleo Fonte: elaborada pelo autor

b) A varivel aleatria de interesse, lucro, discreta, somente pode assumir dois valores: 25 u.m. (caso o leo seja destilado a menos de 200 C, posto que o galo custa 50 u.m. para ser produzido e ser vendido a 75 u.m. nestas condies), ou 50 u.m. (caso o leo seja destilado a mais de 200 C, posto que o galo custa 50 u.m. para ser produzido e ser vendido a 100 u.m.). Sendo assim, seus valores possveis sero: {25, 50}, sendo os resultados mutuamente exclusivos.
193

Curso de Graduao em Administrao a Distncia

Lembrando das definies de distribuies de probabilidades, e de valor esperado e varincia para variveis aleatrias discretas (Unidade 6), para obter o lucro mdio (valor esperado da varivel lucro), preciso obter as probabilidades de ocorrncia dos seus dois valores (25 e 50). Relacionando com os valores de T: P(Lucro = 25) = P(T 200) P(Lucro = 25) = P(T > 200)

Os valores das probabilidades acima correspondem s reas abaixo da curva da funo densidade de probabilidades para cada intervalo, calculando as reas:

Ento, a distribuio de probabilidades da varivel lucro ser (Quadro 22):

Lucro
25 50 Total

Probabilidade
50/150 100/150 1,0

Quadro 22: Distribuio de probabilidades da varivel lucro Fonte: elaborado pelo autor

Calculando o valor esperado: u.m. O lucro mdio de 41,67 u.m. Repare que a varivel lucro no pode assumir este valor, o que significa que o valor esperado (a mdia) no o valor mais provvel. Neste problema, o valor mais provvel, a moda (ver Unidade 4), vale 50 u.m., pois tem a maior probabilidade de ocorrncia (66,67%).

194

Mdulo 4

Agora, vamos passar ao modelo mais importante para variveis aleatrias contnuas.

Modelo normal
H casos em que h maior probabilidade de ocorrncia de valores situados em intervalos centrais da funo densidade de probabilidades da varivel aleatria contnua, e esta probabilidade diminui medida que os valores se afastam deste centro (para valores menores ou maiores). O modelo probabilstico contnuo mais adequado talvez seja o modelo normal ou gaussiano. Isso especialmente encontrado em variveis biomtricas, resultantes de medidas corpreas em seres vivos. O modelo normal extremamente adequado para medidas numricas em geral, descrevendo vrios fenmenos e permitindo fazer aproximaes de modelos discretos. extremamente importante tambm para a Estatstica Indutiva (mais detalhes na prxima Unidade). O grfico da distribuio de probabilidades de uma varivel aleatria contnua que siga o modelo normal (distribuio normal) ser como a Figura 52: O matemtico alemo Gauss utilizou amplamente este modelo no tratamento de erros experimentais, embora no tenha sido o seu descobridor.

Figura 52: Distribuio normal Fonte: elaborada pelo autor

195

Curso de Graduao em Administrao a Distncia

Caractersticas do modelo normal0: a curva apresenta forma de sino, h maior probabilidade de a varivel assumir valores prximos do centro; os valores de mdia () e de mediana (Md) so iguais, significando que a curva simtrica em relao mdia; teoricamente, a curva prolonga-se de a + (menos infinito a mais infinito), ento a rea total sob a curva igual a 1 (100%); qualquer distribuio normal perfeitamente especificada por seus parmetros mdia () e varincia () => X: N ( , ) significa que a varivel X tem distribuio normal com mdia e varincia ; a rea escura na Figura 3 a probabilidade de uma varivel que siga a distribuio normal assumir valores entre a e b: esta rea calculada atravs da integral da funo normal de a a b; cada combinao ( , ) resulta em uma distribuio normal diferente; portanto, h uma famlia infinita de distribuies; e a funo normal citada acima tem a seguinte (e aterradora...) frmula para sua funo densidade de probabilidade:

comum a utilizao de letras do alfabeto grego para representar algumas medidas. No se esquea que o desvio-padro ( ) a raiz quadrada positiva da varincia.

Gauss e todas as outras pessoas que usavam a distribuio normal para calcular probabilidades at recentemente resolviam as integrais usando mtodos numricos manualmente.

Saiba que no existe soluo analtica para uma integral da expresso acima: qualquer integral precisa ser resolvida usando mtodos numricos de integrao, que so extremamente trabalhosos quando implementados manualmente (somente viveis se so usados meios computacionais). De Moivre, Laplace e Gauss desenvolveram seus trabalhos entre a metade do sculo XVIII e incio do sculo XIX, e os computadores comearam a se popularizar a partir da dcada de 60 do sculo XX.

196

Mdulo 4

Porm, todas as distribuies normais apresentam algumas caractersticas em comum, independentemente de seus valores de mdia e de varincia: 68% dos dados esto situados entre a mdia menos um desvio-padro ( ) e a mdia mais um desvio-padro ( + ); 95,5% dos dados esto situados entre a mdia menos dois desvios-padro ( 2) e a mdia mais dois desvios-padro ( + 2); e 99,7% dos dados esto situados entre a mdia menos trs desvios-padro ( 3) e a mdia mais trs desvios-padro ( + 3).

Figura 53: Percentuais de dados e nmero de desvios-padro Fonte: elaborada pelo autor

Por causa dessas caractersticas, algum teve a idia de criar um modelo normal-padro: uma varivel Z com distribuio normal de mdia igual a zero e desvio-padro igual a 1 [Z: N ~( , 1)]. As probabilidades foram calculadas para esta distribuio-padro e registradas em uma tabela. Atravs de uma transformao de variveis chamada padronizao, possvel converter os valores de qualquer distribuio normal em valores da distribuio normal-padro e assim obter suas probabilidades calcular o nmero de desvios-padro, a contar da mdia, a que est um valor da varivel, atravs da seguinte expresso:

197

Curso de Graduao em Administrao a Distncia

Z nmero de desvios-padro a partir da mdia; x valor de interesse; mdia da distribuio normal de interesse; desvio-padro da distribuio normal. Z um valor relativo: ser negativo para valores de x menores do que a mdia e ser positivo para valores de x maiores do que a mdia. Pela transformao, uma distribuio normal qualquer X: N ( , ) passa a ser equivalente distribuio normal-padro Z: N~ ( , 1), um valor de interesse x pode ser convertido em um valor z. As probabilidades de uma varivel com distribuio normal podem ser representadas por reas sob a curva da distribuio normalpadro. No AVEA, apresentamos uma tabela que relaciona valores positivos de z com reas sob a cauda superior da curva. Os valores de z so apresentados com duas decimais. A primeira decimal fica na coluna da esquerda, e a segunda decimal, na linha do topo da tabela. A Figura 54 mostra como podemos usar essa Tabela para encontrar, por exemplo, a rea sob a cauda superior da curva, alm de z = 0,21.

Figura 54: Ilustrao do uso da tabela da distribuio normal-padro (Tabela III do apndice) para encontrar a rea na cauda superior relativa ao valor de z = 0,21 Fonte: Barbetta, Reis, Bornia (2004)

No Exemplo 7, suponha uma varivel aleatria X com mdia 50 e desvio-padro 10. H interesse em calcular a probabilidade do evento X > 55. Primeiro, calculamos o valor de Z correspondente a 55. Z = (55 - 50)/ 10 = + 0,5. Pelas Figuras 55 e 56, se pode ver a correspondncia entre as duas distribuies:

198

Mdulo 4

Figura 55: Distribuio normal N(50,102) Fonte: elaborada pelo autor

Figura 56: Distribuio normal-padro Fonte: elaborada pelo autor

O evento P (X>55) equivalente ao evento P (Z> 0,5). Este valor pode ser obtido na tabela da distribuio normal-padro (ver Ambiente Virtual). Os valores de Z so apresentados com duas decimais: o primeiro, na coluna da extrema esquerda, e o segundo, na linha do topo da tabela. Observe, pelas figuras que esto no alto da tabela, que as probabilidades so para eventos do tipo das figuras acima [P(Z> z1)]. Assim, poderamos procurar a probabilidade do evento (Z > 0,5): fazendo o cruzamento do valor 0,5 (na coluna) com o valor 0,00 (na linha do topo), encontramos o valor 0,3085 (30,85%). Portanto, P(X>55) igual a 0,3085. Observe a coerncia entre o valor encontrado e as reas nas figuras: a rea menor do que a metade das
199

Curso de Graduao em Administrao a Distncia

figuras (metade das figuras significaria 50%), e a probabilidade encontrada vale 30,85%. Neste oitavo exemplo, supondo a mesma varivel aleatria X com mdia 50 e desvio-padro 10. Agora, h interesse em calcular a probabilidade de que X seja menor do que 40. Primeiro, precisamos calcular o valor de Z correspondente a 40. Z = (40 - 50)/ 10 = -1,00. Pelas Figuras 57 e 58, podemos ver a correspondncia entre as duas distribuies:

Figura 57: Distribuio normal N(50,102) Fonte: elaborada pelo autor

Figura 58: Distribuio normal-padro Fonte: elaborada pelo autor

200

Mdulo 4

O evento P (X<40) equivalente ao evento P (Z < 1,00). Repare, porm, que queremos encontrar P (Z < 1,00), e a tabela nos apresenta valores apenas para P (Z > 1,00). Contudo, se rebatermos as figuras da distribuio normal para a direita, teremos o seguinte resultado (Figura 59):

Figura 59: Distribuio normal-padro Fonte: elaborada pelo autor

Ou seja, a rea P(Z < 1) = P(Z > 1). Esta probabilidade, ns podemos encontrar diretamente pela tabela, fazendo o cruzamento do valor 1,0 (na coluna) com o valor 0,00 (na linha do topo) encontramos o valor 0,1587 (15,87%). Portanto, P(X<40) = P(Z<-1) = P(Z>1), que igual a 0,1587. No nono exemplo, supondo a mesma varivel aleatria X com mdia 50 e desvio-padro 10. Agora, h interesse em calcular a probabilidade de que X seja maior do que 35. Primeiro, precisamos calcular o valor de Z correspondente a 35. Z = (35 50)/ 10 = 1,50. Pelas Figuras 60 e 61, se pode ver a correspondncia entre as duas distribuies:

201

Curso de Graduao em Administrao a Distncia

Figura 60: Distribuio Normal N(50,102) Fonte: elaborada pelo autor

Figura 61: Distribuio normal-padro Fonte: elaborada pelo autor

No podemos obter a probabilidade P(Z > 1,50) diretamente, pois a tabela do Ambiente Virtual apresenta apenas resultados para valores positivos de Z. Sabemos que a probabilidade total vale 1,0, podemos, ento, considerar que P(Z > 1,50) = 1 - P(Z < 1,50). Usando o raciocnio descrito no Exemplo 8 (rebatendo as figuras para a direita), vamos obter: P(Z < 1,50) = P(Z > 1,50). Esta ltima probabilidade pode ser facilmente encontrada na tabela da distribuio normal-padro: P(Z > 1,50) = P(Z < 1,50) = 0,0668. Basta substituir na expresso: P(Z > 1,50) = 1 P(Z < 1,50) = 1 0,0668 = 0,9332 (93,32%). Observe novamente a coerncia entre as reas das figuras acima e o valor da probabilidade: a rea nas figuras compreende mais
202

Mdulo 4

do que 50% da probabilidade total, aproximando-se do extremo inferior da distribuio, perto de 100%, e a probabilidade encontrada realmente prxima de 100%. No Exemplo 10, supondo a mesma varivel aleatria X com mdia 50 e desvio-padro 10. Agora, h interesse em calcular a probabilidade de que X assuma valores entre 48 e 56. Calcular P (48 < X < 56). Veja a Figura 62 abaixo:

Figura 62: Distribuio normal N(50, 102) Fonte: elaborada pelo autor

Novamente, precisamos calcular os valores de Z correspondentes a 48 e a 56. Z1 = (48 50)/ 10 = 0,20 Z2 = (56 50)/ 10 = 0,60

Ento: P (48 < X < 56) = P (0,20 < Z < 0,60) Repare que a rea entre 48 e 56 igual rea de 48 at + MENOS a rea de 56 at +: P(48 < X < 56) = P(X > 48) P(X > 56) = P( 0,20< Z <0,60) = P(Z > 0,20) P(Z > 0,60) E os valores acima podem ser obtidos na tabela da distribuio normal-padro: P(Z > 0,60) = 0,2743 P(Z > 0,20) = 1 P(Z > 0,20) = 1 0,4207 = 0,5793 P(48 < X < 56)= P( 0,20< Z <0,60) = P(Z > 0,20) P(Z > 0,60) = 0,5793 0,2743 = 0,3050
203

Curso de Graduao em Administrao a Distncia

Ento, a probabilidade de a varivel X assumir valores entre 48 e 56 igual a 0,305 (30,5%). A distribuio normal tambm pode ser utilizada para encontrar valores da varivel de interesse correspondentes a uma probabilidade fixada. No Exemplo 11, supondo a mesma varivel aleatria X com mdia 50 e desvio-padro 10. Encontre os valores de X, situados mesma distncia abaixo e acima da mdia, que contm 95% dos valores da varivel. Como a distribuio normal simtrica em relao mdia, e como neste problema os valores de interesse esto situados mesma distncia da mdia, sobram 5% dos valores, 2,5% na cauda inferior e 2,5% na superior, como na Figura 63:

Figura 63: Distribuio normal N (50, 102) Fonte: elaborada pelo autor

preciso encontrar os valores de Z (na tabela da distribuio normal-padro) correspondentes s probabilidades da figura acima, e a partir da obter os valores de x1 e x2. Passando para a distribuio normal-padro x1, corresponder a um valor z1, e x2 a um valor z2, como na Figura 64:

204

Mdulo 4

Figura 64: Distribuio normal-padro Fonte: elaborada pelo autor

Repare que a mdia da distribuio normal-padro igual a zero, fazendo com que z1 e z2 sejam iguais em mdulo. Podemos encontrar z2, j que P(Z > z2) = 0,025 necessrio encontrar o valor da probabilidade na tabela da distribuio normal-padro (ou o valor mais prximo) e obter o valor de Z associado. Para o caso de z2, ao procurar pela probabilidade 0,025, encontramos o valor exato 0,025, e, por conseguinte, o valor de z2, que igual a 1,96: P (Z > 1,96) = 0,025. Como z1 = z2, encontramos facilmente o valor de z1: z2 = 1,96. P (Z < 1,96) = 0,025. Observe que os valores so iguais em mdulo, mas correspondero a valores diferentes da varivel X. A expresso usada para obter o valor de Z, em funo do valor da varivel X, pode ser usada para o inverso:

E assim obteremos os valores de x1 e x2, que correspondem a z1 e z2, respectivamente: x1 = + (z1 x = 50 + [(1,96) x 10] = 30,4 x2 = + (z2 x = 50 + (1,96 x 10) = 69,6

muito importante que se preste ateno no sinal do valor de z ao obter o valor de x.

205

Curso de Graduao em Administrao a Distncia

GLOSSRIO *Modelo binomial m o d e l o probabilstico para variveis aleatrias discretas que descreve o nmero de sucessos em n experimentos independentes (sendo n finito e conhecido). Os experimentos podem ter apenas dois resultados possveis, e a probabilidade de sucesso permanece constante durante os n experimentos. Fonte: Barbetta, Reis e Bornia (2004) e Lopes (1999). Para os que pensam que o advento dos computadores eliminou este problema, um alerta: em alguns casos, os nmeros envolvidos so to grandes que sobrepujam suas capacidades.

Observe que os resultados obtidos so coerentes: 30,4 est abaixo da mdia (1,96 desvios-padro), e 69,6, acima (tambm 1,96 desvios-padro). O intervalo definido por estes dois valores compreende 95% dos resultados da varivel X. Todo este trabalho poderia ter sido poupado, se houvesse um programa computacional que fizesse esses clculos. H vrios softwares disponveis no mercado, alguns deles de domnio pblico, que calculam as probabilidades associadas a determinados eventos, como tambm os valores associados a determinadas probabilidades. Uma das caractersticas mais importantes do modelo normal a sua capacidade de aproximar outros modelos, permitindo muitas vezes simplificar os clculos de probabilidade. Na prxima seo, vamos ver como o modelo normal pode ser usado para aproximar o binomial*.

Modelo normal como aproximao do binomial

O modelo binomial (discreto) pode ser aproximado pelo modelo normal (contnuo) se certas condies forem satisfeitas: quando o valor de n (nmero de ensaios) for tal que os clculos binomiais sejam trabalhosos demais; quando o produto n p (o valor esperado do modelo binomial) e o produto n (1 p) forem ambos maiores ou iguais a 5. Se isso ocorrer, uma binomial de parmetros n e p pode ser aproximada por uma normal com: mdia = = n p (valor esperado do modelo binomial) varincia = = n p (1 p) (varincia do modelo binomial) Usando o modelo normal (contnuo) para aproximar o binomial (discreto), necessrio fazer uma correo de continuidade: associar um intervalo ao valor discreto, para que o valor da probabilidade calculada pelo modelo contnuo seja mensurvel. Este intervalo deve ser

206

Mdulo 4

centrado no valor discreto e ter uma amplitude igual diferena entre dois valores consecutivos da varivel discreta: se, por exemplo, a diferena for igual a 1 (a varivel somente pode assumir valores inteiros), o intervalo deve ter amplitude igual a 1, 0,5 abaixo do valor e 0,5 acima. Esta correo de continuidade precisa ser feita para garantir a coerncia da aproximao. Seja uma varivel aleatria X com distribuio binomial. 1) H interesse em calcular a probabilidade de X assumir um valor k genrico, P(X = k); ao fazer a aproximao pela normal, ser: P(k 0,5 < X < k + 0,5).

Figura 65: Correo de continuidade da aproximao do modelo binomial pelo normal 1 caso Fonte: elaborada pelo autor

2) H interesse em calcular a probabilidade de X assumir valores menores ou iguais a um valor k genrico, P(X k); ao fazer a aproximao pela normal, ser: P(X < k + 0,5), todo o intervalo referente a k ser includo.

Figura 66: Correo de continuidade da aproximao do modelo binomial pelo normal 2 caso Fonte: elaborada pelo autor

3) H interesse em calcular a probabilidade de X assumir valores maiores ou iguais a um valor k genrico, P(X k); ao fazer a aproximao pela normal, ser: P(X > k 0,5), todo o intervalo referente a k ser includo.
207

Curso de Graduao em Administrao a Distncia

Figura 67: Correo de continuidade da aproximao do modelo binomial pelo normal 3 caso Fonte: elaborada pelo autor

4) H interesse em calcular a probabilidade de X assumir valores menores do que um valor k genrico, P(X < k); ao fazer a aproximao pela normal, ser: P(X < k 0,5), todo o intervalo referente a k ser excludo.

Figura 68: Correo de continuidade da aproximao do modelo binomial pelo normal 4 caso Fonte: elaborada pelo autor

5) H interesse em calcular a probabilidade de X assumir valores maiores do que um valor k genrico, P(X > k); ao fazer a aproximao pela normal, ser: P(X > k + 0,5), todo o intervalo referente a k ser excludo.

Figura 69: Correo de continuidade da aproximao do modelo binomial pelo normal 5 caso Fonte: elaborada pelo autor

Um municpio tem 40.000 eleitores. Para uma pesquisa de opinio eleitoral, uma amostra aleatria de 1.500 pessoas foi selecionada.

208

Mdulo 4

Vamos ver, nesse dcimo segundo exemplo, qual a probabilidade de que pelo menos 500 dos eleitores sejam menores de 25 anos se 35% dos 40.000 so menores do que 25 anos? Este problema poderia ser resolvido usando o modelo binomial. H apenas dois resultados possveis para cada eleitor: menor de 25 anos (sucesso) e maior ou igual a 25 anos (fracasso). Existe um limite superior de realizaes, no caso, os 1.500 eleitores da amostra, e h independncia entre as retiradas, pois a amostra foi retirada de forma aleatria (e a amostra representa menos de 5% dos 40.000 eleitores). Ento: sucesso = menor de 25 anos p = 0,35 1 - p = 0,65 n = 1.500

A varivel aleatria discreta X, nmero de eleitores menores de 25 anos em 1.500, ter distribuio binomial com parmetros n = 1.500 e p = 0,35. O evento pelo menos 500 menores de 25 anos seria definido como 500 ou mais eleitores: P (X 500) = P(X = 500) + P(X = 501) + .....+ P(X = 1.500) H cerca de 1.000 expresses binomiais. Vamos ver se possvel aproximar pelo modelo normal. O valor de n grande: n p = 1.500 0,35 = 525 > 5 e n (1 p) = 1.500 0,65 = 975 > 5. Como as condies foram satisfeitas, possvel aproximar por um modelo normal: mdia = = n p = 1.500 x 0,35 = 525 desvio-padro = = Pelo modelo binomial: P (X 500). Pelo modelo normal, ser: P (X 499,5). P(X 499,5) = P(Z > z1) z1 = (499,5 525)/18,47 = 1,38 P(Z > 1,38) = 1 P(Z >1,38)

209

Curso de Graduao em Administrao a Distncia

Procurando na tabela da distribuio normal-padro: P (Z > 1,38) = 0,0838 Ento: P (X 500) P(X 499,5) = P (Z > 1,38) = 1 P(Z >1,38) = 1 0,0838 = 0,9162. A probabilidade de que pelo menos 500 dos eleitores da amostra sejam menores de 25 anos igual a 0,9162 (91,62%).

Nas prximas duas sees, vamos ver modelos probabilsticos derivados do modelo normal, usados predominantemente em processos de inferncia estatstica. Vamos introduzi-los agora para facilitar nosso trabalho quando chegarmos s Unidades 9 e 10.

Modelo (distribuio) t de Student

Havia um matemtico ingls, William Gosset, que trabalhava para a Cervejaria Guiness, em Dublin, Irlanda, no incio do sculo XX. Ele atuava no controle da qualidade do cultivo de ingredientes para a fabricao de cerveja. Nessa poca, alguns estatsticos usavam a distribuio normal no estabelecimento de intervalos de confiana para a mdia a partir de pequenas amostras (veremos isso na Unidade 8). Calculavam mdia aritmtica simples e varincia da amostra, e generalizavam os resultados atravs do modelo normal, como fizemos no Exemplo 11. Gosset descobriu que o modelo normal no funcionava direito para pequenas amostras e desenvolveu um novo modelo probabilstico, derivado do normal, introduzindo uma correo para levar em conta justamente o tamanho de amostra. Ele aplicou suas descobertas em seu trabalho e quis public-las, mas a Guiness apenas permitiu aps ele adotar o pseudnimo Student. Por isso, o seu modelo conhecido como t de Student para n 1 graus de liberdade. O valor n 1 (tamanho da amostra menos 1) chamado de nmero de graus de liberdade da estatstica. Quando a varincia amostral

210

Mdulo 4

calculada, supe-se que a mdia j seja conhecida, assim apenas um determinado nmero de elementos da amostra poder ter seus valores variando livremente; este nmero ser igual a n 1, porque um dos valores no poder variar livremente, pois ter que ter um valor tal, que a mdia permanea a mesma calculada anteriormente. Assim, a estatstica ter n 1 graus de liberdade. Trata-se de uma distribuio de probabilidades que apresenta mdia igual a zero (como a normal-padro), simtrica em relao mdia, mas apresenta uma varincia igual a n / (n 2), ou seja, seus valores dependem do tamanho da amostra, apresentando maior varincia para menores valores de amostra. Quanto maior o tamanho da amostra, mais a varincia de t aproxima-se de 1,00 (varincia da normal-padro). A distribuio t de Student est na Figura 70 para vrios graus de liberdade:

Esta a correo propriamente dita, pois, ao usar pequenas amostras, o risco de que a varincia amostral da varivel seja diferente da varincia populacional maior, podendo levar a intervalos de confiana que no correspondem realidade. A noutilizao desta correo foi a fonte de muitos erros no passado e, infelizmente, ainda de alguns erros no presente. Para tamanhos de amostra maiores do que 30, supe-se que a varincia de t igual a 1: por isso, a aproximao do item b.1.

Figura 70: Distribuio t de Student para vrios graus de liberdade Fonte: Barbetta, Reis, Bornia (2004)

Observe que, tal como a distribuio normal-padro, a distribuio t de Student simtrica em relao mdia (que igual a zero). A tabela da distribuio t de Student encontra-se no Ambiente Virtual, para vrios graus de liberdade e valores de probabilidade. Vamos ver um exemplo. Neste dcimo terceiro exemplo, imagine a situao do Exemplo 12, obter os valores de t simtricos em relao mdia que contm 95% dos dados, supondo uma amostra de dez elementos.

211

Curso de Graduao em Administrao a Distncia

Temos que encontrar os valores t1 e t2, simtricos em relao mdia que definem o intervalo que contm 95% dos dados. Como supomos uma amostra de dez elementos, a distribuio t de Student ter 10 1 = 9 graus de liberdade. Repare que a mdia da distribuio t de Student igual a zero, fazendo com que t1 e t2 sejam iguais em mdulo. Podemos encontrar t2, j que P(t > t2) = 0,025. Veja a Figura 71:

Figura 71: Uso da tabela da distribuio t de Student. Ilustrao com gl = 9 e rea na cauda superior de 2,5% Fonte: Barbetta, Reis, Bornia (2004)

Vamos utilizar bastante a distribuio t de Student nas Unidades 9 e 10.

Modelo qui-quadrado
Trata-se de mais um modelo derivado da distribuio normal, embora no vamos discutir como se d esta derivao aqui. Na Unidade 3, estudamos como descrever os relacionamentos entre duas variveis qualitativas, geralmente expressos atravs de uma tabela de contingncias. No Exemplo 5 da Unidade 3, analisamos o relacionamento entre modelo e opinio geral sobre os veculos da Toyord. Havamos concludo que havia relacionamento, pois os modelos mais baratos apresentavam maiores percentuais de insatisfeitos do que os mais caros.

Na Unidade 10, vamos aprender a calcular uma estatstica que relacionar as freqncias observadas de cada cruzamento entre os valores de duas variveis qualitativas,
212

Mdulo 4

expressas em uma tabela de contingncias, com as freqncias esperadas desses mesmos cruzamentos, se as duas variveis no tivessem qualquer relacionamento entre si. Esta estatstica chamada de qui-quadrado, , e caso a hiptese seja de que as variveis no se relacionam, ela seguir o modelo qui-quadrado com um certo nmero de graus de liberdade.

O nmero de graus de liberdade depender das condies da tabela: para o caso que ser visto na Unidade 10, ser o produto do nmero de linhas da tabela 1 pelo nmero de colunas da tabela 1. uma distribuio assimtrica, sempre positiva, que tem valores diferentes, dependendo do seu nmero de graus de liberdade. Sua mdia igual ao nmero de graus de liberdade, e a varincia igual a duas vezes o nmero de graus de liberdade.

Figura 72: Modelo qui-quadrado com 2, 5, 10, 20 e 30 graus de liberdade Fonte: adaptada pelo autor de Stagraphics

213

Curso de Graduao em Administrao a Distncia

A Figura 72 mostra as curvas do modelo (distribuio) qui-quadrado para 2, 5, 10, 20 e 30 graus de liberdade. Observe que a figura assimtrica e como varia de forma, dependendo do nmero de graus de liberdade da estatstica. A tabela da distribuio qui-quadrado encontra-se no Ambiente Virtual de Ensino-Aprendizagem, para vrios graus de liberdade e valores de probabilidade. Vamos ver um exemplo. Neste dcimo quarto exemplo, imagine que queremos encontrar o valor da estatstica qui-quadrado, para trs graus de liberdade, deixando uma rea na cauda superior de 5%. O valor da estatstica qui-quadrado que define uma rea na cauda superior de 5% pode ser encontrado atravs da Tabela, cruzando a linha de trs graus de liberdade com a coluna de rea na cauda superior igual a 0,05. Veja a Figura a seguir:

Figura 73: Uso da tabela da distribuio qui-quadrado. Ilustrao com gl = 3 e rea na cauda superior de 5% Fonte: adaptado pelo autor de Barbetta, Reis, Bornia (2004)

Com este tpico, terminamos a Unidade 7. Na Unidade 8, voc ver o importante conceito de distribuio amostral, que indispensvel para o processo de generalizao (inferncia) estatstica que ser estudado nas Unidades 9 e 10.

214

Mdulo 4

Saiba mais...
Sobre modelos probabilsticos para variveis aleatrias discretas: BARBETTA, P. A. Estatstica Aplicada s Cincias Sociais. 6. ed. Florianpolis: Ed. da UFSC, 2006, captulo 7. BARBETTA, P. A.; REIS, M. M.; BORNIA, A. C. Estatstica para Cursos de Engenharia e Informtica. So Paulo: Atlas, 2004, captulo 5. STEVENSON, Willian J. Estatstica Aplicada Administrao. So Paulo: Harbra, 2001, captulo 4. Sobre modelos probabilsticos para variveis aleatrias contnuas: BARBETTA, P. A. Estatstica Aplicada s Cincias Sociais. 6. ed. Florianpolis: Ed. da UFSC, 2006. captulo 8. BARBETTA, P. A.; REIS, M. M.; BORNIA, A. C. Estatstica para Cursos de Engenharia e Informtica. So Paulo: Atlas, 2004, captulo 6. STEVENSON, Willian J. Estatstica Aplicada Administrao. So Paulo: Harbra, 2001, captulo 5. Sobre a utilizao do Microsoft Excel para clculo de probabilidades para os principais modelos probabilsticos, veja LEVINE, D. M. et al. Estatstica: teoria e aplicaes usando Microsoft Excel em portugus. 5. ed. Rio de Janeiro: LTC, 2006, captulos 4 e 5.

215

Curso de Graduao em Administrao a Distncia

RESUMO

O resumo desta Unidade est mostrado na Figura 74:

Figura 74: Resumo da Unidade 7 Fonte: elaborada pelo autor

216

Mdulo 4

Atividades de aprendizagem

As atividades de aprendizagem esto disponveis no Ambiente Virtual de Ensino-Aprendizagem. No deixe de respond-las.

Caro estudante! Chegamos ao final da Unidade 7 do nosso livro. Nela estudamos os modelos probabilsticos mais comuns. Esta Unidade foi repleta de figuras, quadros, representaes, e exemplos de utilizao das tcnicas e das diferentes formas de utilizao destes modelos. Releia, caso necessrio, todos os exemplos, leia as indicaes do Saiba mais e discuta com seus colegas. Responda as atividades de aprendizagem e visite o Ambiente Virtual de Ensino-Aprendizagem. Conte sempre com o acompanhamento da tutoria e das explicaes do professor. timos estudos!

217