Baixe o app para aproveitar ainda mais
Prévia do material em texto
MÉTODOS QUANTITATIVOS Eduardo Dias Lidiane Farias Costa Démerson André Polli Usiara Britto Juliani Karsten Alves Robinson Panaino Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá�cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária AdventistaCentro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista 1ª Edição, 2020 MÉTODOS QUANTITATIVOS Imprensa Universitária Adventista Engenheiro Coelho, SP Eduardo Dias Lidiane Farias Costa Démerson André Polli Usiara Britto Juliani Karsten Alves Robinson Panaino Dias, Eduardo Métodos quantitativos [livro eletrônico] / Eduardo Dias; Lidiane Farias Costa; Démerson André Polli; Usiara Britto; Juliani Karsten Alves; Robinson Panaino. Engenheiro Coelho: Unaspress, 2020. 1 Mb, PDF ISBN 978-85-8463-172-8 1. Carreira pro� ssional 2. Contabilidade 3. Contabilidade como pro� ssão 4. Contabilidade como pro� ssão - Leis e legislação 5. Formação pro� ssional 6. Negócios I. Título. 20-33026 CDD-370.113 Dados Internacionais da Catalogação na Publicação (CIP) (Câmara Brasileira do Livro, SP, Brasil) Índices para catálogo sistemático: 1. Contabilidade : Educação pro� ssional 370.113 Maria Alice Ferreira - Bibliotecária - CRB-8/7964 Métodos quantitativos 1ª edição – 2020 e-book (PDF) OP 00123_034 Editora associada: Todos os direitos reservados para a Unaspress - Imprensa Universitária Adventista. Proibida a reprodução por quaisquer meios, sem prévia autorização escrita da editora, salvo em breves citações, com indicação da fonte. Preparação: Matheus Cardoso Revisão: Giovanna Finco Projeto grá� co: Ana Paula Pirani Capa: Jonathas Sant’Ana Diagramação: William Nunes Caixa Postal 88 – Reitoria Unasp Engenheiro Coelho, SP CEP 13.448-900 Tels.: (19) 3858-5222 / (19) 3858-5221 www.unaspress.com.br Imprensa Universitária Adventista Validação editorial cientí� ca ad hoc: Robertson Campelo Panaino Mestre em Engenharia de Produção pela Universidade Federal de São Carlos Conselho editorial e artístico: Dr. Martin Kuhn, Esp. Telson Vargas, Me. Antônio Marcos, Dr. Afonso Cardoso, Dr. Douglas Menslin, Dr. Rodrigo Follis, Dr. Lélio Lellis, Dr. Allan Novaes, Esp. Jael Enéas, Esp. José Júnior, Dr. Reinaldo Siqueira, Dr. Fábio Al� eri, Dra. Gildene Lopes, Me. Edilson Valiante, Me. Diogo Cavalcante, Dr. Adolfo Suárez SUMÁRIO ESTATÍSTICA DESCRITIVA....................................... 17 Introdução ........................................................................................18 Conceitos iniciais ..............................................................................20 Fases da estatística ...........................................................................22 Objetivo ...................................................................................23 População e amostra...............................................................24 Medidas de posição .........................................................................32Média aritmética simples .......................................................33 Média ponderada ....................................................................34 Média ponderada para dados agrupados com intervalo ..........................................................................38 Mediana ..................................................................................40 Moda .......................................................................................47 Medidas de variação ...............................................................53 Amplitude total ................................................................................54 Variância e desvio padrão .......................................................55 Princípios de probabilidade .............................................................60 Experimento aleatório, espaço amostral e eventos: definições ...............................................................62 Operações com eventos ..........................................................65 Eventos complementares, mutuamente exclusivos e independentes ....................................................81 Três tipos importantes de eventos ..........................................82 Função de probabilidade e valor esperado .....................................87 Referências .......................................................................................98 DISTRIBUIÇÃO DE PROBABILIDADE ..................... 101 Introdução .......................................................................................102 Variáveis discretas e contínuas .......................................................104 Variáveis discretas ..................................................................108 Variável contínua ....................................................................109 VO CÊ ES TÁ A QU I Distribuições discretas ....................................................................111 Distribuição binomial .............................................................112 Distribuição de Poisson ..........................................................115 Problemas com distribuição discreta .............................................120 Problemas de distribuição binomial ......................................122 Problemas de distribuição Poisson ........................................129 Distribuição contínua (normal) ......................................................132 Uso da tabela Z ......................................................................136 Problemas de distribuição normal ........................................142 Tamanho de amostra ......................................................................150 Tamanho de amostra para estimativas de proporção ...........157 Referências ......................................................................................171 ESTIMAÇÃO .......................................................... 173 Introdução .......................................................................................174 VO CÊ ES TÁ A QU I Estimação pontual ..........................................................................176 Estimação intervalar ..............................................................179 Intervalo de confiança para média populacional ..........................183 Intervalo de confiança para a proporção ...............................188 Correlação e regressão ....................................................................196 Relações estatísticas ...............................................................197 Gráfico de dispersão ...............................................................202 Diagramas de dispersão.........................................................204 Modelo matemático do cálculo do coeficiente de correlação de Pearson ................................................................216 Regressão linear ..............................................................................226 Referências ......................................................................................239 PRINCÍPIOS DE CÁLCULO ATUARIAL ..................... 241 Introdução .......................................................................................242 Cálculos e análises atuariais ...........................................................245 Fundamentos da demografia, taxa de natalidade e mortalidade e taxa de crescimento populacional .......................247 Taxa de natalidade .................................................................249 Taxa de mortalidade ..............................................................252 Taxa de crescimento populacional ........................................254 Tábua de mortalidade e suas funções ............................................258 Tábua de sobrevivência e suas funções .................................261 Construção das tábuas de sobrevivência ou mortalidade ......................................................................266 Cálculos com taxa de mortalidade .................................................269 Cálculo de vida da população ao nascer................................271 Tópicos importantes para o cálculo de seguros na ciência atuarial ...........................................................................280 Seguradora .............................................................................281 Risco .......................................................................................281 Sinistro....................................................................................282 Seguro ....................................................................................283 Cálculo de seguro ...................................................................289 Risco .......................................................................................290 Valor matemático do risco (VMR) .........................................292 Cálculo do valor médio por sinistro .......................................296 Cálculo do prêmio estatístico e do prêmio comercial ...........298 Referências ......................................................................................312 PARA OTIMIZAR A IMPRESSÃO DESTE ARQUIVO, CONFIGURE A IMPRESSORA PARA DUAS PÁGINAS POR FOLHA. Uso da quantificação para coleta e tratamento de dados por meio de técnicas estatísticas com vistas à elaboração de relatórios e tomada de decisão. Introdução à estatística descritiva; estudo de probabilidade e distribuição de dados. Introdução à teoria de amostragem, inferência estatística e teoria de estimação. Interpretação de testes estatísticos (teste de hipóteses, teste de qui-quadrado e não paramétricos, análise de variância, correlação e regressão, análise fatorial, análise de conglomerados). Noções de cálculo atuarial. EMENTA CONHEÇA O CONTEÚDO Prezado(a) aluno(a), É um grande privilégio ter você conosco para estudarmos os conteúdos de métodos quantitativos. Convidamos você a desfrutar da leitura desse material onde trataremos, ao longo de quatro unidades, de população, amostra, variáveis, medidas de posição, medidas de variabilidade, princípios de pro- babilidade, distribuições discretas de pro- babilidade, distribuições contínuas de pro- babilidade, tamanho de amostra, estimação, coeficiente de correlação e cálculo atuarial. Vamos iniciar com os conceitos de estatística descritiva. Em seguida iremos aprofundar nossos conhecimentos de Probabilidade trabalhando com as distribuições de proba- bilidades. Já a unidade três tratará especifi- camente da estimação de parâmetros para algumas distribuições de probabilidade conhecidas. Começaremos os estudos com a apresentação dos conceitos de estimação pontual e intervalar (intervalos de confian- ça). Além disso, nesta unidade estudaremos os principais conceitos que irão basear o estudo da correlaçãoe da regressão lineares. Por fim, na unidade quatro trataremos do cálculo atuarial, afinal, um assunto de gran- de importância no Brasil (e no mundo) é quanto dinheiro é necessário para garantir as aposentadorias de cerca de 200 mil par- ticipantes e as devidas pensões a seus fami- liares no longo de um período estipulado. Entre os conhecimentos exigidos dos pro- fissionais de atuária, estão os conceitos de Matemática Financeira, Estatística, Matemá- tica e as questões de demografia. Também abordaremos os seguros e seus elementos. A partir de agora, concentração, foco e bons estudos para você! 91 ESTATíSTICA DESCRITIVA O valor esperado é calculado como uma média ponderada dos valores possíveis da variável aleatória pelas respectivas probabilidades. A lógica é relativamente simples: a contagem “0” de caras está mapeada a 1 sequência do espaço amostral original, a contagem “1” de caras está mapeada a 3 sequências do espaço amostral, a contagem “2” de caras está mapeada a 3 sequências do espaço amostral e, finalmente, a contagem “3” de caras está mapeada a 1 sequência do espaço amostral. Intuitivamente, observando o espaço amostral original, cada sequência (ou união destas) que é mapeada para os possíveis valores da variável aleatória forma um evento. Nomeando estes eventos como A0 a sequência que é mapeada para a contagem de 0 caras em 3 lançamentos; A1 a união das sequências que é mapeada para a contagem de 1 cara em 3 lançamentos; A2 a união das sequências que é mapeada para a contagem de 2 caras em 3 lançamentos; e A3 a sequência que é mapeada para a contagem de 3 caras em 3 lançamentos – o retorno médio esperado no jogo da moeda pode ser facilmente calculado: Ou: E(X) = 0 . P(x = 0) + 1 . P(x = 1) + 2 . P(x = 2) + 3 . P(x = 3) 92 MÉTODOS QUANTITATIVOS O cálculo do valor esperado parte da contagem de eventos no espaço amostral original (dos conjuntos de resultados das sequências de lançamento) para a probabilidade correspondente aos valores da variável aleatória. No lançamento de uma moeda em sequências de tamanho 3, se o jogador ganhar R$ 1,00 cada vez que observar uma “cara”, terá o ganho esperado, ou seja, o valor médio do ganho é dado pelo resultado da figura a seguir: Ou: 1,5 No exemplo, o retorno médio do jogo é R$ 1,50. Desta forma, um jogador deverá ganhar em média este valor cada vez que participar do jogo. O uso do valor esperado para avaliar estratégias é comum em diversas áreas de conhecimento e é justificado pelo seguinte raciocínio: aplicando a estratégia sob avaliação, em algumas tentativas o resultado será negativo e em outras positivo; o resultado final após um número grande o suficiente de 93 ESTATíSTICA DESCRITIVA tentativas é aproximadamente igual ao ganho médio vezes o número de tentativas. NA PRÁTICA Um jogo consiste em lançar uma moeda 4 vezes e contar quantas caras foram observadas. Para cada vez que o resultado é “cara” o jogador ganha R$ 1,00. No entanto, para participar do jogo é necessário pagar R$ 2,50. É vantajoso participar deste jogo? RESUMO Nesta unidade você aprendeu que: • segundo Magalhães e Lima (2015) a Estatística, tem como objetivo apresentar informações sobre dados em análise para que se tenha maior compreensão dos fatos que eles representam; • a estatística é uma ferramenta para auxiliar na tomada de decisão; 94 MÉTODOS QUANTITATIVOS • população ou universo de estudo, pode ser definida como sendo o conjunto de elementos que têm em comum uma característica a ser estudada; • amostra é uma parcela retirada da população para estudo; • a colheita de dados será executada, na maioria das vezes, por amostra escolhida e geralmente se faz através de um questionário, podendo ser feita através de uma observação direta; • após garantir uma amostragem segura e objetiva, as respostas obtidas geram as nossas variáveis que serão estudadas; • existem alguns tipos de variáveis: 1. quando seus valores são expressos por atributos; 2. são aquelas que caracterizam-se em apresentar valores numéricos, em uma escala quantitativa. Essa variável também é dividida em duas variações: a. variáveis discretas: se caracterizam pelo fato de o resultado ser uma contagem que assume valores inteiros; 95 ESTATíSTICA DESCRITIVA b. variáveis contínuas: caracterizam-se por assumir qualquer valor em um intervalo contínuo. • a organização dos dados vem após a amostragem e coleta de dados e posteriormente, a realização dos cálculos descritivos que nos levarão para a análise; • é possível resumir uma série de dados coletados por meio de tabelas (distribuição de frequência) e até mesmo por gráficos em que são transmitidos os aspectos importantes desses dados; • a média aritmética simples é a soma dos valores dividido pela quantidade de elementos; • na média ponderada, o peso é representado pela frequência de quantidades de faltas que foram coletadas; • mediana é o valor que se localiza no centro de uma distribuição previamente ordenada; • moda é o valor que surge com mais frequência se os dados são discretos, ou, o intervalo de classe com maior frequência se os dados são contínuos; 96 MÉTODOS QUANTITATIVOS • as medidas de variação auxiliam as medidas de tendência central a descrever o conjunto de dados adequadamente. Indicam se os dados estão distantes ou próximos uns dos outros; • a variância e o desvio padrão são medidas de dispersão que mostram o quão distante cada valor desse conjunto está da média; • quando queremos verificar a variação relativa utilizamos o coeficiente de variação que é uma medida de dispersão relativa definida como a razão entre o desvio padrão e a média; • a probabilidade frequentista se refere à frequência com a qual um fato ocorre em uma sequência de repetições; • um experimento é chamado de aleatório quando, mantidas as mesmas condições, os resultados apresentados são diferentes; • ao se realizar um experimento aleatório, como ele admite mais do que um resultado, classificamos todos os possíveis resultados de um experimento de espaço amostral; • apesar de termos naturalmente alguma intuição a respeito do conceito de probabilidade, a formalização matemática deste conceito é necessária para permitir seu uso; 97 ESTATíSTICA DESCRITIVA • quando realizamos um experimento aleatório, selecionamos os eventos de um conjunto chamado espaço amostral e esta seleção ocorre de acordo com as probabilidades associadas aos eventos; • a intersecção de eventos é a operação que seleciona os elementos que estão simultaneamente em todos os eventos relacionados; • a probabilidade da união dos eventos como a soma das probabilidades dos eventos resulta na soma duplicada da intersecção entre os eventos; • as propriedades da probabilidade, também conhecidas como axiomas da probabilidade, definem, de forma única, como calcular probabilidades; • a probabilidade de um evento, em sua definição frequentista, é igual à razão entre a quantidade de resultados que satisfazem o evento de interesse e a quantidade de resultados possíveis; • as propriedades da probabilidade, também chamadas de axiomas da probabilidade, são fundamentais para entender a teoria de probabilidade e estatística; 98 MÉTODOS QUANTITATIVOS • de acordo com Walpole et al. (2009), o evento complementar ou complemento é assim definido: em relação ao espaço amostral, o complemento de um evento A é o subconjunto de todos os elementos do espaço que não estão em A; • os eventos disjuntos são mutuamente exclusivos, mas os eventos mutuamente exclusivos não necessariamente são complementares, pois podem não formar uma partição; • se a suposição de independência pode ser confirmada, toda a modelagem estatística torna-se bastante simplificada; • estes conceitos serão de grande utilidade no instante em que um modelo estatístico for utilizado para a análise de dados. REFERÊNCIAS COSTA, Sérgio Francisco.Introdução ilustrada à Estatística: com muito humor! 2. ed. São Paulo: Harbra, 1992. FONSECA, J. S.; MARTINS, G. A. Curso de estatística. 6. ed. São Paulo: Atlas, 2012. Disponível em: <https://bit.ly/3h1eift>. Acesso em: 04 set. 2020. 99 ESTATíSTICA DESCRITIVA MAGALHÃES, M. N.; LIMA, A. C. P. Noções de probabilidade e estatística. 7. ed. São Paulo: EDUSP, 2010. SILVA, Ermes Medeiros et al., Estatística para os cursos de Economia, Administração e Ciências Contábeis. 2. ed. São Paulo: Atlas, 1996. v. 1. SPIEGEL, M. R.; SCHILLER, J. J.; SRINIVASAN, R. A. 3. ed. Probabilidade e estatística. Porto Alegre: Bookman, 2015. Disponível em: <https://bit.ly/3bxcHNk>. Acesso em 04 set. 2020. SPIEGEL, Murray. Estatística. 2. ed. São Paulo: Mc Graw-Hill do Brasil, 1985. WALPOLE, R. E.; MYERS, R. H.; MYERS, S. L.; YE, K. Probabilidade e estatística para engenharia e ciências. 8. ed. São Paulo: Prentice Hall, 2009. Disponível em: <https://bit. ly/2Gxoks4>. Acesso em 04 set. 2020. OB JE TI VO S - Conhecer os métodos quantitativos normalmente utilizados nas pesquisas teóricas e práticas em Ciências Contábeis, bem como desenvolver a capacidade de resolução de problemas quantitativos encontrados pelo profi ssional de ciências contábeis; - Utilizar os dados estatísticos e econômicos para transformar as informações do mundo contemporâneo, em decisões administrativas; - Obter conhecimento necessário para aumentar sua competência ao tomar decisões organizacionais; - Planejar e executar os procedimentos administrativos utilizando os métodos quantitativos fornecidos pela Estatística; - Pensar estrategicamente. DISTRIBUIÇÃO DE PROBABILIDADE UNIDADE 2 102 MÉTODOS QUANTITATIVOS INTRODUÇÃO Nesta unidade iremos aprofundar nossos conhecimentos de Probabilidade trabalhando com as distribuições de probabilidades. Primeiramente, iniciaremos os estudos conhecendo um importante aspecto para a probabilidade em experimentos aleatórios: as classificações das variáveis, as quais nos auxiliarão no aprendizado dos modelos de distribuição de probabilidade. A classificação das variáveis aleatórias entre discretas e contínuas é fundamental, pois ela torna possível a escolha de qual modelo de distribuição iremos utilizar em cada experimento. Para as variáveis discretas, vamos estudar dois modelos de distribuição: o Binomial e o Poisson. Vamos ver que cada um possui sua fórmula e que, apesar dos dois tratarem de variáveis discretas aleatórias, possuem uma diferença significativa no motivo de usar um ou outro em experimentos. Já para as variáveis contínuas, vamos nos ater ao modelo de distribuição normal, pois esse é o mais importante e utilizado dentro do cálculo da probabilidade estatística em experimentos. Aqui, estudaremos, além do modelo, a Tabela Z, 103 DISTRIbUIçãO DE PRObAbIlIDADE que é uma tabela estatística utilizada para facilitar os cálculos das probabilidades nesse modelo de distribuição, bem como um conceito muito importante que é o cálculo do tamanho de amostra utilizando esta mesma tabela. Esperamos que ao fim da unidade você tenha compreendido que: • quando ocorrem os fenômenos determinísticos os resultados são sempre os mesmos; • quando ocorrem os fenômenos aleatórios os resultados não são previsíveis; • as variáveis qualitativas referem-se a atributos, em número limitado; • as variáveis quantitativas referem-se a dados expressos numericamente; • a distribuição normal é o modelo de distribuição de probabilidade mais utilizado; • é muito importante saber utilizar de forma eficiente a tabela Z. 104 MÉTODOS QUANTITATIVOS VARIÁVEIS DISCRETAS E CONTÍNUAS Na natureza, podemos observar dois tipos de fenômenos: os determinísticos e os aleatórios. Para os determinísticos, os resultados são sempre os mesmos, independentemente de quantas vezes ocorra, pois conhecemos o resultado que será obtido todas as vezes que ele for realizado, mesmo que realizado uma ou dez vezes, desde que mantidas as mesmas condições. Já os aleatórios possuem resultados não previsíveis, mesmo se repetirmos muitas vezes. Para esses fenômenos aleatórios, realiza- se o experimento tentando conhecer o “comportamento probabilístico do resultado observável” (LOESCH, 2012, p. 30), ou seja, qual a probabilidade do resultado a ser obtido. Assim, os eventos aleatórios são eventos em que os resultados não são previsíveis. Nesses eventos não Na natureza, podemos observar dois tipos de fenômenos: os determinísticos e os aleatórios. 105 DISTRIbUIçãO DE PRObAbIlIDADE se pode determinar que os resultados sempre serão os mesmos, apenas sendo possível calcular a probabilidade dos resultados. Fonseca (2012) explica que em um espaço associado ao experimento (S) tem-se a variável aleatória, que é o evento que pode ser o resultado do experimento realizado. Esse conceito é exposto na Figura 16. Figura 16 – A variável aleatória no experimento Variável aleatória X S R s X(s) Fonte: Fonseca (2012, p. 37) Assim, para os experimentos probabilísticos aleatórios que podemos analisar, haverá as variáveis aleatórias de acordo com os resultados possíveis. Na Figura 17 são apresentados exemplos de experimentos probabilísticos aleatórios e suas variáveis. Figura 17 - Exemplos de experimentos probabilísticos EXPERIMENTO ESPAÇO AMOSTRAL ASSOCIADO E1: lançamento de um dado; observar número da face superior Ω1 = {1, 2, 3, 4, 5, 6} E2: sortear 4 assinantes de uma lista telefônica e contar o número de assinantes sorteados que sejam do gênero feminino Ω2 = {0, 1, 2, 3, 4} 106 MÉTODOS QUANTITATIVOS EXPERIMENTO ESPAÇO AMOSTRAL ASSOCIADO E3: lançar uma moeda até que saia cara pela primeira vez; contar o número de lançamentos Ω3 = {1, 2, 3, 4, 5, ...} E4: a partir de determinado instante, registrar o tempo necessário até que ocorra a primeira ligação telefônica Ω4 = {O, + ∞} E5: registrar a temperatura em um determinado momento Ω5 = {m, M} em que m e M são as, em temperaturas mínima e uma determinada localidade máxima possíveis E6: uma moeda é lançada duas vezes. Observar a sequência de considerar E = cara e K = resultados coroa) Ω6 = {(F, F), (F, K), (IC, F), (IC, K)} Fonte: Loesch (2012, p. 30) Segundo Loesch (2012, p. 8), “Variáveis são características que podem ser observadas ou medidas em cada elemento da populac ̧ão, sob as mesmas condic ̧ões”. Na estatística, essas variáveis são as características dos elementos da amostra que se deseja averiguar. Assim, seriam variáveis: número de filhos, número de chamadas telefônicas, altura, peso, salário, entre outras. As variáveis possuem duas classificações distintas: as variáveis qualitativas, também denominadas de categóricas ou atributos, e as variáveis quantitativas. As variáveis qualitativas referem-se a atributos, em número limitado, exclusivas entre si e que sempre cobrem todas as possibilidades, sendo classificadas 107 DISTRIbUIçãO DE PRObAbIlIDADE em não ordinárias, que são as que não possuem ordenação, e ordinárias, que são as que possuem ordenação estabelecida (LOESCH, 2012). Por exemplo, podemos afirmar que profissão, sexo e religião seriam variáveis qualitativas não ordinárias. Já a avaliação de desempenho (bom, regular e ótimo) e os graus de escolaridade (ensino fundamental, médio, superior, pós- graduação) seriam variáveis qualitativas ordinárias. E as variáveis quantitativas referem-se a dados expressos numericamente, ou seja, com números. Como por exemplo, peso, altura e salário seriam variáveis quantitativas. Para as variáveis aleatórias, também há a seguinte classificação: variáveis discretas e contínuas. Para essas variáveis, a chance de ocorrência pode ser quantificada numericamente, através do cálculo da probabilidade. Assim, quando calculamos a probabilidade de obtermos em um experimento determinado resultado (HH, HT, TH, TT), estamos fazendo uso de variáveis aleatórias que podem ser obtidas na realização do experimento. Já oresultado estatístico terá de representar um número, ou seja, ser quantificado. Por exemplo, no caso de o resultado do experimento de jogar duas moedas e obter-se as duas com cara é de 1 4 ou 25%. 108 MÉTODOS QUANTITATIVOS VARIÁVEIS DISCRETAS Quando quantificamos, através de cálculos, as probabilidades de resultado para um experimento com variáveis aleatórias expressas em número finito de valores ou infinito contável, estaremos tratando de variável aleatória discreta. Podemos também dizer que a variável é discreta quando o processo para obter as variáveis se faz através de contagem. Por exemplo, trata-se de uma variável discreta quando calculamos a probabilidade de números de filhos por família. Os valores dos possíveis resultados é representado em número de filhos, que será 0, 1, 2, 3, 4, 5 [...]. IMPORTANTE Diz-se que a variável discreta refere-se a variáveis aleatórias contá- veis. Isso não significa que para você assegurar-se de que está lidando com uma variável discreta terá de realizar essa contagem. Apenas será necessário ter a ideia de que seria possível realizar a contagem. Os principais modelos de distribuições de probabilidade para variáveis discretas são: distribuição de Bernoulli, distribuição Binomial, distribuição Multinomial e distribuição 109 DISTRIbUIçãO DE PRObAbIlIDADE de Poisson (FONSECA; MARTINS, 2012). Em nossos estudos vamos apenas nos deter na distribuição Binomial e Poisson. VARIÁVEL CONTÍNUA Por outro lado, quando realizado um experimento com resultado aleatório, também podemos ter uma variável aleatória que pode assumir qualquer valor em certo intervalo da reta real. Para esse caso, estaremos tratando de uma variável aleatória contínua (FONSECA; MARTINS, 2012). Também podemos dizer que a variável contínua se obtém através de uma medida, como nos exemplos da Figura 18. Figura 18 - Exemplos de experimentos com variável aleatória contínua ESTUDO REALIZADO VARIÁVEIS ALEATÓRIAS Peso 1,3 Kg; 1,8 Kg; 2,4 Kg; 2,5 Kg; 3,3 Kg Altura 1,5 m; 1,56 m; 1,63 m; 1,81 m Temperatura 2 °C; 2,4 °C; 3,5 °C; 4,2 °C Fonte: elaborado pelo autor Os principais modelos de distribuições de probabilidade para variáveis contínuas são: distribuição uniforme ou retangular, distribuição normal e distribuição exponencial, 110 MÉTODOS QUANTITATIVOS distribuição qui-quadrado, distribuição T de Student e distribuição F (FONSECA, MARTINS, 2012). Assim sendo, quando se trata de um experimento em que são identificadas variáveis aleatórias contínuas, temos de fazer uso de um desses modelos de distribuição de variáveis contínuas. Geralmente, o mais utilizado pela estatística é a distribuição normal, a qual daremos ênfase em nossos estudos. Vimos até agora que os experimentos aleatórios são os que fornecem resultados diferentes, por mais que as condições do experimento sejam mantidas. Para esses, a estatística consegue apenas calcular a probabilidade dos resultados testados. Esses resultados esperados são as variáveis aleatórias, que são os resultados possíveis e podem ser classificadas como variável aleatória discreta ou variável aleatória contínua. A variável aleatória será discreta quando a variável esperada como resultado é um número finito de valores ou um infinito contável de variáveis. Já a variável aleatória contínua nos traz como resultado qualquer valor em certo intervalo da reta real. Assim, enquanto a discreta nos traz uma variável aleatória como número de peças defeituosas, a variável aleatória contínua traz o peso. 111 DISTRIbUIçãO DE PRObAbIlIDADE MATERIAL COMPLEMENTAR O experimento aleatório é um processo que se pode re- petir várias vezes nas mesmas condições, é conhecido o conjunto de todos os resultados possíveis e não se pode prever o resultado. Para se aprofundar sobre o tema, in- dicamos a leitura da unidade II do livro Curso de estatísti- ca inferencial e probabilidades: teoria e prática, de Giovani Gláucio de Oliveira Costa. Disponível em: <https://bit.ly/3i4bvOV>. Acesso em: 06 set. 2020. DISTRIBUIÇÕES DISCRETAS Pelo que estudamos até aqui, você já deve saber que nos experimentos em que não se pode afirmar o resultado, a estatística faz o uso da probabilidade para calcular a chance de ocorrência dos resultados obtidos na realização dos experimentos. As variáveis aleatórias numéricas envolvidas nesses experimentos categorizam-se em dois grupos: discretas e contínuas. O que caracteriza as discretas é o fato delas serem variáveis inteiras e contáveis. Para o grupo de experimentos que faz uso de variáveis aleatórias discretas há mais de um modelo de distribuição de probabilidade. 112 MÉTODOS QUANTITATIVOS As distribuições discretas de probabilidade são os modelos que fazem uso das variáveis aleatórias discretas (SPIEGEL, 2015). Essas são as variáveis aleatórias expressas em número finito de valores ou infinito contável, representando números naturais (FONSECA; MARTINS, 2012). Ainda de acordo com Fonseca e Martins (2012), os principais modelos de distribuições de probabilidade para variáveis discretas são: distribuição de Bernoulli, distribuição Binomial, distribuição Multinomial e distribuição de Poisson. DISTRIBUIÇÃO BINOMIAL A distribuição Binomial é o tipo de distribuição discreta de probabilidade “adequadas aos experimentos que apresentam apenas dois resultados (sucesso ou fracasso)” (FONSECA; MARTINS, 2012, p. 64). Pelo nome dessa distribuição já podemos perceber esse conceito, pois “bi” significa “dois” e “nominal” significa “relativo a nome”. A distribuição Binomial é o modelo matemático adequado para situações em que há apenas dois resultados ou resultados que podem ser agrupados em apenas dois grupos ou categorias 113 DISTRIbUIçãO DE PRObAbIlIDADE (Sucesso e Fracasso). Além disso, esses dois resultados devem ser mutuamente excludentes e ter-se a certeza de não haver resultado diferente desses dois. SAIBA MAIS É fácil perceber que um produto fabricado pode ser clas- sificado como perfeito ou defeituoso, ficando evidente a possibilidade do modelo de distribuição Binomial. E, se há maiores categorias (defeituoso, mediano, bom, perfeito), essas teriam de ser classificadas em duas ca- tegorias para que possa ser utilizado o modelo de distri- buição Binomial. Já outro caso, o de velocidade de um automóvel, há diversas velocidades que o carro pode se enquadrar quando ocorre a medição, entretanto pode- -se classificar em duas categorias, como dentro ou fora do limite imposto legalmente, assim, podendo também fazer uso da distribuição Binomial nesse caso. Essa exigência de as variáveis aleatórias serem apenas duas consiste em uma das hipóteses/fundamentos do modelo de distribuição Binomial. Além dessa, há outras duas hipóteses: o número de provas “n” deve ser independente e do mesmo tipo, e a probabilidade de sucesso ser o 100% menos a probabilidade de fracasso, já que são dois resultados possíveis apenas. Essas três hipóteses são apresentadas na Figura 19. 114 MÉTODOS QUANTITATIVOS Figura 19 - Hipóteses que fundamentam a distribuição Binomial HIPÓTESE FUNDAMENTO H1 n provas independentes e do mesmo tipo são realizadas. H2 Cada prova admite dois resultados, de sucesso ou fracasso. H3 A probabilidade de sucesso em cada prova é p e de fracasso é 1 – p = q Fonte: Fonseca e Martins (2012) Assim sendo, a equação que representa esse modelo é apresentada a seguir: P (x = k)= pk qn-k Onde: • n = número de repetições feitas no experimento; • k = número de sucessos esperado; • p = probabilidade de sucesso; • q = probabilidade de fracasso. Para tanto, o “k” é o número de sucesso nas “n” provas, que pode tomar valores 0, 1, 2, 3, [...] n .Por este motivo percebemos que a distribuição Binomial é uma distribuição discreta de probabilidade. 115 DISTRIbUIçãO DE PRObAbIlIDADE A probabilidade de sucesso é representada pela letra “p” e a probabilidade de fracasso é representada em “q” e obtemos quando fazemos 1 – p (ummenos a probabilidade de sucesso). k! . (n - k)! n! SAIBA MAIS Como o próprio nome já diz, a distribuição Binomial se refere a situações em que há apenas dois resultados pos- síveis. Se uma equação trata de um experimento de mais de dois resultados possíveis (sucessos e fracassos), não poderemos utilizar a equação de distribuição Binomial para resolução. Assim, é adequado adotar a distribuição Binomial quando desejamos obter o número de suces- sos e fracassos que ocorrem em um número repetido de provas/ensaios/experimentos. DISTRIBUIÇÃO DE POISSON Pelo que foi estudado, a distribuição Binomial faz uso de um número de provas (hipótese 1). Mas, e se tivermos um experimento em que a probabilidade que se deseja 116 MÉTODOS QUANTITATIVOS conhecer está em um intervalo de tempo ou área e não em número de tentativas ou provas? Nesse caso, iremos fazer uso do modelo de distribuição Poisson que, apesar de também usar variáveis discretas, possui fundamentos diferentes da distribuição Binomial. A distribuição de Poisson é aplicável quando o número de possíveis ocorrências discretas é muito maior do que o número médio de ocorrências em um determinado intervalo de tempo ou espaço. O número de possíveis ocorrências, muitas vezes não se sabe exatamente. Os resultados devem ocorrer de forma aleatória, ou seja, totalmente por acaso e a probabilidade de ocorrência não deve ser afetada pelos resultados ocorridos anteriormente, de modo que as ocorrências são independentes. Assim, percebemos que neste tipo de distribuição a probabilidade de sucesso num intervalo é proporcional ao tamanho do intervalo. Pois, quanto maior o intervalo, maior será o número de sucessos (ocorrências) a serem obtidos. Outro aspecto que difere esse modelo do Binomial é o conhecimento sobre o número de não ocorrências. Pois, enquanto no modelo de distribuição Binomial obtemos o número de sucesso e fracasso, no modelo de distribuição Poisson obtemos apenas o número de ocorrência dentro do intervalo, não podendo saber o número de não ocorrências. 117 DISTRIbUIçãO DE PRObAbIlIDADE Por exemplo, podemos fazer uso do modelo Binomial para saber entre 10 carros que passam, quantos estão acima (sucesso) e quantos abaixo (fracasso) do limite de velocidade. Já se analisarmos a probabilidade através do modelo Poisson, saberemos a probabilidade de ocorrer o evento de carros acima da velocidade (sucesso) em 10 minutos. A seguir é apresentada a fórmula de cálculo de variáveis com a distribuição Poisson: P (x = k) = k! Onde: • x = número de ocorrências do evento em um intervalo de tempo, espaço, área; • λ = coeficiente de probabilidade; • e = 2,71828 (constante natural); • k = número esperado de sucesso. Para elucidar quando utilizar essa distribuição, veja alguns exemplos nos quais a distribuição de Poisson é frequentemente usada: 118 MÉTODOS QUANTITATIVOS • número de ligações recebidas em um departamento em um período de tempo; • clientes que chegam ao caixa de um banco em um período de tempo; • acidentes ocorridos em um determinado trecho de uma estrada; • número de falência de empresas em um período de tempo. Fonseca (2012, p. 68) traz uma situação prática para calcular a probabilidade usando a distribuição Poisson: “Em média há 2 chamadas por hora num certo telefone. Calcular a probabilidade de se receber no máximo 3 chamadas em 2 horas”. Desse modo, esse problema seria resolvido da seguinte forma: P (x < 3,2h) = P (x = 1,2) + P (x = 1,2) + P (x = 2,2) + P (x = 3,2) P (x < 3,2h) = 0,0183 + 0,0732 + 0,1464 + 0,1952 + 0,4331 = 43,31% P (x < 3,2h) = . e -4 + . e -4 + . e -4 + . e -4 0! (4)0 1! (4)1 2! (4)2 3! (4)3 Como percebemos na equação, há a presença do elemento “e” , que está presente em todas as calculadoras 119 DISTRIbUIçãO DE PRObAbIlIDADE científicas e consiste numa constante natural com valor de aproximadamente 2,71828. O modelo de distribuição de Poisson também faz uso de um intervalo (t), que apesar de geralmente referir-se a tempo, também pode representar outro intervalo, como por exemplo área (LOESCH, 2012). Atenção: • a distribuição Poisson é utilizada em experimentos em que é testada a possibilidade num intervalo de tempo. Ainda assim, esse modelo só poderá ser utilizado em experimentos em que a variável seja um número inteiro e contável, por ser um modelo de distribuição discreta. Quando analisamos a probabilidade de ocorrência de resultados em eventos, precisamos nos atentar para as variáveis aleatórias envolvidas. Quando se trata de variáveis aleatórias que representam resultados contáveis ou inteiros, estamos nos referindo a variáveis discretas. Vimos que existem modelos de distribuição de probabilidade que são específicos para experimentos que trabalham com esse tipo de variável, entre os quais estão o modelo de distribuição Binomial e o de distribuição Poisson. Embora ambos trabalhem com variáveis discretas, possuem aplicações diferentes, pois enquanto o primeiro traz nos seus 120 MÉTODOS QUANTITATIVOS fundamentos ser um experimento que apresenta apenas dois resultados possíveis (sucesso ou fracasso) e um número de provas a ser realizado, o segundo traz em seus fundamentos um intervalo de tempo, espaço, área a ser considerado para acontecimento do evento (sucesso). PROBLEMAS COM DISTRIBUIÇÃO DISCRETA Nos tópicos anteriores, vimos que os principais modelos de distribuição de probabilidade que envolvem variáveis aleatórias discretas são a distribuição Binomial e a distribuição Poisson, cada uma tendo os seus fundamentos (hipóteses) e aplicabilidade. Agora estudaremos os problemas de distribuição discreta. Você sabia que, além das diferenças teóricas entre esses dois modelos, há também diferenças na prática? Você saberia APLICABILIDADE Segundo o site Dicio, aplica- bilidade é a “qualidade do que ocasiona um efeito; carac- terística do que se consegue aplicar, empregar, colocar em prática: aplicabilidade da lei. Característica ou particulari- dade do que é aplicável: apli- cabilidade das normas.” Fonte: <https://bit.ly/332mx5G>. Acesso em: 08 set. 2020. 121 DISTRIbUIçãO DE PRObAbIlIDADE aplicar esses modelos de probabilidade? Sabe realizar a aplicação da fórmula de cada um desses modelos para descobrir a probabilidade dos resultados calculados? Após a leitura do conteúdo apresentado neste tópico, você poderá responder a essas questões. Somente relembrando os principais modelos de probabilidade com variáveis aleatórias discretas, que são as variáveis que apresentam valores internos, seja de sucesso e fracasso, ou números inteiros contáveis, são: distribuição Binomial e distribuição Poisson. Enquanto o Binomial é utilizado em experimentos em que o resultado é associado a variáveis aleatórias de sucesso ou fracasso, o Poisson faz o cálculo dos sucessos em um intervalo. Assim, por serem modelos diferentes, seu raciocínio e forma de cálculo, por consequência, também são diferentes. Vamos estudar como calcular cada um desses em situações práticas. A probabilidade é o estudo das chances de obtenção de cada resultado de um experimento aleatório. Fonte: Shuttestock (https://shutr.bz/3bJ2ai1) 122 MÉTODOS QUANTITATIVOS PROBLEMAS DE DISTRIBUIÇÃO BINOMIAL A distribuição Binomial é o modelo matemático adequado para situações em que há apenas dois resultados, ou resultados que podem ser agrupados em apenas dois grupos ou categorias. Além disso, esses dois resultados devem ser mutuamente excludentes, e ter-se a certeza de não haver resultado diferente desses dois. A equação que representa esse modelo é a seguinte: P (x = k)= pk qn-k Desse modo o “k” é o número de sucesso nas provas, que pode tomar valores “n” (0, 1, 2, 3, [...] n) de repetições, onde “p” é a probabilidade de sucesso e “q” a probabilidade de fracasso. Vamos agora visualizar a aplicabilidade desta teoriasobre a distribuição Binomial. Iniciando com A distribuição binomial é a distribuição de probabi- lidade discreta do número de sucessos em uma se- quência de tentativas. Fonte: Shutterstock (https://shutr.bz/3i9Vmwg) 123 DISTRIbUIçãO DE PRObAbIlIDADE uma situação bem simples que trata de jogar uma moeda várias vezes. Primeiramente, podemos ver que se trata de um experimento aleatório que trabalha com variável discreta, pois estamos tratando de um experimento em que os resultados envolvidos são parte de um conjunto fechado contável, de cara ou coroa. E neste caso estaremos utilizando a distribuição Binomial, porque as variáveis aleatórias nos trazem a apenas dois resultados, cara ou coroa, que serão o sucesso ou fracasso no resultado. Por exemplo, se eu quero saber a probabilidade de jogar uma moeda e obtiver o resultado cara, se eu obtiver o resultado cara, estarei tratando de sucesso e, se eu obtiver o resultado coroa, estarei tratando de fracasso. MATERIAL COMPLEMENTAR Uma variável aleatória é discreta quando o número de valores possíveis que a variável assume for fini- to ou infinito enumerável. Para se aprofundar sobre o tema, indicamos a leitura do capítulo 11 do livro Estatística: revelando o poder dos dados, dos autores Robin H. Lock et al. Disponível em: <https://bit.ly/325z3SR>. Acesso em: 06 set. 2020. 124 MÉTODOS QUANTITATIVOS Para esse caso, se pensarmos nesse exemplo com apenas uma tentativa, é evidente que se jogarmos uma moeda que não possua vícios, a probabilidade de eu conseguir o resultado cara (sucesso) será de P(x) = 0,5 ou 50%. Já para a situação de lançarmos duas vezes uma moeda, poderão ser apresentados diversos resultados, por mais que as variáveis aleatórias sejam 2: cara ou coroa, sendo eles cara e cara, cara e coroa, coroa e coroa. Nesse caso nossas variáveis aleatórias podem ser entendidas como o sucesso ou fracasso do experimento, mas temos mais resultados do que quando jogamos apenas uma vez. Assim sendo, nesse caso poderia ser aplicada a distribuição Binomial cálculo das probabilidades. Na Figura 20 é apresentado o plano amostral para o exemplo que estudamos acima. Figura 20 - Aplicação da distribuição binomial no cálculo de probabilidades de jogo de uma moeda PONTO AMOSTRAL HH HT TH TT X 2 1 1 0 Fonte: Spiegel, Schiller e Srinivasan (2012, p. 34) Esse exemplo trazido pelos autores Spiegel, Schiller e Srinivasan (2012), é um experimento em que a distribuição Binomial é adequado para resolver o cálculo da probabilidade. Você pode perceber que no primeiro caso saiu duas caras, 125 DISTRIbUIçãO DE PRObAbIlIDADE no segundo e terceiro caso saiu uma cara e no último caso temos zero caras. Entretanto, os problemas que a estatística se propõe a resolver costumam ser mais complexos que esses exemplos trazidos acima, envolvendo diversas provas e cálculo de diversos resultados prováveis. Nesse sentido, podemos complicar o exemplo de jogar uma moeda ao querermos saber mais do que simplesmente a probabilidade de cara ou coroa. Agora vamos apresentar um exemplo neste sentido. Se lançarmos uma moeda, não viciada, 8 vezes, podemos utilizar a distribuição Binomial para calcularmos a probabilidade de obtermos 5 caras (FONSECA, 2012). Para tanto, deveríamos desenvolver o seguinte cálculo: P (x = k)= pk qn-k Sendo n = 8, k = 5, p = 1 2 e q = 1 2 Substituindo temos: P (x = k)= 0,55 . 0,58-5 5 8 Primeiramente resolvemos , neste caso temos uma combinação de 8 elementos de 5 em 5, portanto usamos o 126 MÉTODOS QUANTITATIVOS conceito de combinação aprendido no ensino médio para resolver este fator: k! . (n - k)! n! Substituindo os valores temos: 5! . (8 - 5)! 8! 5 8 Resolvendo o parênteses temos: 5! . (3)! 8! 5 8 Para resolver esta expressão é preciso aplicar o conceito de fatorial, que é a multiplicação do número pelos seus antecessores terminando no número 1. IMPORTANTE O conceito de fatorial é muito utilizado no estudo de arranjo, permu- tação e combinação, a fim de facilitar os cálculos. A ideia é bastante simples e de fácil compreensão. O fatorial de um número inteiro m não negativo, é indicado por “m” (lê-se “m fatorial”) e é definido pela relação: 127 DISTRIbUIçãO DE PRObAbIlIDADE Algumas definições são: 1! = 1 0! = 1 Exemplos: 3! = 3 . 2 . 1 = 6 5! = 5. 4 . 3 . 2 . 1 = 120 Assim, abrindo o fatorial de 8 no numerador e os fatoriais de 5 e 3 no denominador ficamos com essa expressão: 8.7.6.5! 5!.3.2.1 Abrimos o valor “8!” do numerador até o “5!” porque podemos assim simplificar com o “5!” do denominador e resolvemos a multiplicação dos valores que sobram. Assim temos: 8.7.6 3.2.1 336 = 56= 6 Continuando o cálculo temos: 128 MÉTODOS QUANTITATIVOS P (x = 5)= 0,55 . 0,58-5 5 8 P (x = 5)= 56 . 0,0313 . 0,125 = 0,2191 Assim, conseguimos saber que ao realizarmos experimento com 8 provas, a probabilidade de obter 5 caras seria de aproximadamente 22%. Você percebeu como, ao tratarmos de 8 lançamentos de uma moeda, a resolução do problema estatístico ficou mais complexa? Por isso é importante conhecer o modelo de distribuição e a aplicabilidade de sua fórmula. Vamos a outro exemplo que também faz uso da distribuição Binomial. Considere uma prova constituída de 10 questões de múltipla escolha. Cada questão tem 5 alternativas, das quais somente uma é correta. Qual a probabilidade de um aluno chutar todas as questões e acertar 4 questões nessas condições? Dados: • n = 10 (número de ensaios); • k = 4 (sucessos); 129 DISTRIbUIçãO DE PRObAbIlIDADE • p = probabilidade de acerto: uma alternativa/ total de cinco alternativas = 15 = 0,20 (sucesso); • q = probabilidade de erro: quatro alternativas/ total de cinco alternativas = 45 = 0,80 (insucesso). Aplicando o modelo matemático, tem-se: P (x = 4)= 0,24 . 0,810-4 4 10 Logo, a probabilidade de um aluno chutar todas as questões e acertar 4 questões nessas condições é de 0,1048%. PROBLEMAS DE DISTRIBUIÇÃO POISSON A distribuição Poisson também é uma distribuição discreta de probabilidade, mas com hipóteses diferentes da distribuição Binomial, principalmente no que se refere a considerar um intervalo (tempo, área, entre outros) em seus fundamentos. Enquanto a distribuição Binomial considera em seus fundamentos o número de provas realizadas e não este intervalo. A equação que representa esse modelo é: 130 MÉTODOS QUANTITATIVOS P (x = k) = k! Em que: • k = número de ocorrências do evento em um intervalo de tempo; • λ= coeficiente de probabilidade; • e = 2,71828 (constante natural). A distribuição Poisson, da mesma forma que a distribuição Binomial, possui sua equação para o cálculo das probabilidades em experimentos que utilizam seu modelo. Uma ressalva para a distribuição Poisson é a existência do elemento, que sempre tem o valor de 2,71828. Assim, da mesma forma que para a distribuição Binomial, utilizamos a fórmula para facilitar o cálculo das probabilidades nos experimentos. A seguir é apresentada outra situação que faz uso da distribuição Poisson: o número de chamadas em um telefone por meio da equação da distribuição de Poisson, trazida por Fonseca (2012). 131 DISTRIbUIçãO DE PRObAbIlIDADE NA PRÁTICA Um departamento de polícia recebe em média 5 solicitações por hora. Qual a probabilidade de receber 2 solicitações numa hora selecionada aleatoriamente? • K = número designado de sucessos = 2; • λ = o número médio de sucessos num intervalo específico (uma hora) = 5 P (x = k) = P (x = k) = e -5. 5 2 2! 0,0067.25 2 P (x = k) = 0,0082 = 8,42% Segundo vimos, a chance de receber duas solicitações em uma hora é 8,42%. Podemos afirmar que a distribuição Binominal tem larga aplicação para quaisquer valores da população ou da amostra em número de provas realizadas. Já a distribuição de Poisson é mais restrita, tendo a aplicação em eventos temporais de espaços, às vezes, ínfimos, aplicando-se principalmentena teoria das filas.Com isso, concluímos que é importante dominarmos a teoria, para saber em qual experimento deve ser aplicado o Binomial ou Poisson, além de saber também realizar o cálculo matemático. Tendo esse conhecimento teórico e prático, torna-se possível o estudo estatístico da probabilidade em diversos experimentos. Cabe a você agora 132 MÉTODOS QUANTITATIVOS encontrar outras situações e resolver utilizando uma das duas distribuições que estudamos. DISTRIBUIÇÃO CONTÍNUA (NORMAL) Enquanto as probabilidades Binomial e de Poisson são modelos de distribuições de probabilidade de variáveis aleatórias discretas, que consistem nas variáveis expressas numa linha reta ou contáveis, os experimentos probabilísticos que possuem variáveis aleatórias contínuas são os que apresentam valores infinitos ou incontáveis em uma reta. Como por exemplo, as variáveis: peso, altura, salário, distância, entre outras. Para as variáveis aleatórias contínuas, os principais modelos de distribuições de probabilidade são: distribuição uniforme ou retangular, distribuição normal e distribuição exponencial, distribuição Os experimentos probabilísticos que possuem variáveis aleatórias contínuas são os que apresentam valores infinitos ou incontáveis em uma reta. 133 DISTRIbUIçãO DE PRObAbIlIDADE qui-quadrado, distribuição T de Student e distribuição F (FONSECA; MARTINS, 2012). Nesse tópico aprofundaremos nossos conhecimentos sobre o modelo de distribuição normal, conhecendo como este é conceituado e aplicado. O modelo de distribuição normal, também denominado Gauss, Laplace ou Laplace-Gauss, é considerado pelos autores Fonseca e Martins (2012, p. 73) como o modelo de distribuição de probabilidade mais amplamente aplicado, “sendo aplicada em inúmeros fenômenos e utilizada para o desenvolvimento teórico da estatística” e estando presente como base para concepção da maioria dos métodos inferenciais estudados (LOESCH, 2012). Assim sendo, é muito importante que você conheça esse modelo de distribuição para poder aplicá-lo em seu dia a dia profissional ou em pesquisas. A equação desse modelo de distribuição normal é apresentada a seguir (FONSECA; MARTINS, 2012). Sendo que: • μ = média de distribuição; • σ = desvio padrão da distribuição; • π = 3,1416... • e = 2,7... 134 MÉTODOS QUANTITATIVOS Nesse modelo de distribuição, duas variáveis são muito importantes: a média e o desvio-padrão, pois a equação da curva normal do modelo é elaborada a partir dessas variáveis. Já vimos como calcular esses valores na unidade anterior. Antes de aplicarmos a fórmula para cálculo da probabilidade, seria necessário identificarmos os dados do experimento, calculando qual é o valor de média e desvio-padrão ou variância. IMPORTANTE É decorrente da Teoria Central do Limite trazer a dispersão dos resultados para grandes amostras organizados em torno da média de tal forma a vir representar um sino no gráfico. Essas grandes amostras são consideradas para amostras com número superior a 30. Caso estejamos tratando de um experimento com número de elementos na amostra inferior a 30, devemos optar por aumentar a amostra para chegar ao mínimo de 30, ou então optar por fazer uso de outro modelo de distribuição. Para determinarmos a probabilidade de p[ a < x < b] representada pela parte pintada da curva, temos que usar a integral desta função no intervalo tornando nossa tarefa um tanto quanto complicada. Para superar esta dificuldade, podemos utilizar uma tabela que foi construída com os valores positivos de “z” que cobre 135 DISTRIbUIçãO DE PRObAbIlIDADE uma área sob a curva entre 0 e “z”. Essa tabela é conhecida como tabela normal ou tabela “z” que facilitará nossos estudos. A distribuição normal, também denominada Gauss, Laplace ou Laplace-Gauss, é o modelo de distribuição de probabilidade mais utilizado (FONSECA, 2012). Esse modelo traz para o cálculo da probabilidade a dispersão dos dados em torno da média e do desvio-padrão. Além disso, a distribuição normal conta com uma representação gráfica, importante para o cálculo usando a tabela Z. Nessa representação, a média se refere ao centro de distribuição do gráfico e o desvio-padrão, ao espelhamento da curva para os dois lados, sendo esse espelhamento igual para a direita e esquerda. Veja na Figura 21: Figura 21 - Gráfico da distribuição normal (z)ϕ zi0 100% Fonte: Fonseca e Martins (2012, p. 75) 136 MÉTODOS QUANTITATIVOS Assim, a tabela Z, também denominada de tabela da distribuição normal padrão, consiste na tabela padrão utilizada para cálculo da probabilidade em experimentos com variáveis aleatórias contínuas em que se aplica o modelo de distribuição normal. Qualquer outra distribuição normal “x” pode ser transformada na distribuição “z”, através da mudança de variável: x - μz = σ USO DA TABELA Z Sobre o conceito da tabela Z, Loesch (2012, p. 9) define que uma “tabela é um conjunto de dados estatísticos associados a um fenômeno, dispostos em uma ordem de classificação, em uma organização racional e prática de apresentação”. Assim sendo, foi elaborada a tabela Z, também denominada tabela de distribuição normal padrão, visando expor a tabulação das áreas das curvas normais para facilitar o cálculo das probabilidades na distribuição normal. Essa tabela possui valores fixos, estruturados por estatísticos, para que sejam aplicados nos cálculos de experimentos de distribuição normal. A seguir é apresentado o conteúdo dessa tabela (Figura 22). 137 DISTRIbUIçãO DE PRObAbIlIDADE Figura 22 - Tabela de distribuição normal padrão ou tabela Z PONTO AMOSTRAL Área sob a curva normal padronizada compreendida entre os valores 0 e 3,99 Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359 0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0714 02 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141 0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517 0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879 0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224 0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549 0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852 0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133 0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389 1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621 1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830 1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015 1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177 1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319 1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441 1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545 1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633 1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706 1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767 2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817 2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857 2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890 2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916 138 MÉTODOS QUANTITATIVOS PONTO AMOSTRAL Área sob a curva normal padronizada compreendida entre os valores 0 e 3,99 2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936 2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952 2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964 2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
Compartilhar