MARCELO FRANCISCO NOGUEIRA

MTODOS QUANTITATIVOS

Seminrio apresentado na disciplina Mtodos Quantitativos do programa de Mestrado em Cincias Contbeis do Centro Universitrio lvares Penteado.

So Paulo 2006

SUMRIO
LISTA DE TABELAS................................................................................................3 2 INTRODUO......................................................................................................5 3 ESTATSTICA DESCRITIVA ................................................................................7 3.1 POPULAO E AMOSTRA...........................................................................7 3.1.1 Rol...............................................................................................................8 3.2 MEDIDAS DE TENDNCIA CENTRAL..........................................................9 3.2.1 Mdia Simples.............................................................................................9 3.2.2 Mdia Ponderada ......................................................................................11 3.2.3 Mediana ....................................................................................................12 3.2.4 Moda .........................................................................................................12 3.3 MEDIDAS DA DISPERSO .........................................................................13 3.3.1 Amplitude Total .........................................................................................14 3.3.2 Varincia ...................................................................................................14 3.3.3 Desvio Padro...........................................................................................16 3.3.4 Coeficiente de Variao ............................................................................16 3.6 DIAGRAMA DE FREQUNCIA....................................................................17 3.6.1 Intervalos de classe...................................................................................18 3.6.2 Representao grfica ..............................................................................19 3.7 DADOS AGRUPADOS.................................................................................20 3.7.1 Mdia ........................................................................................................21 3.7.2 Mediana ....................................................................................................21 3.7.3 Moda .........................................................................................................22 3.7.4 Varincia e desvio padro.........................................................................22 4 PROBABILIDADE ...............................................................................................24 4.1 EVENTOS ALEATRIOS ............................................................................25 4.2 CLCULO DE PROBALIDADES .................................................................25 4.3 PROBABILIDADE DOS EVENTOS..............................................................29 4.3.1 Teorema da soma - eventos mutuamente excludentes.............................29 4.3.2 Teorema da soma - eventos no mutuamente excludentes......................30 4.3.3 Teorema da multiplicao - eventos independentes .................................31 4.3.4 Teorema da multiplicao - eventos dependentes (probabilidade condicional) ........................................................................................................32

2 4.3.5 Teorema de Bayes - (teorema da probabilidade das causas ou parties) ...........................................................................................................................33 4.3.6 Sntese ......................................................................................................36 4.4 AMOSTRAGEM ...........................................................................................37 4.4.1 Amostragem sem reposio......................................................................37 4.4.1 Amostragem com reposio......................................................................38 5 ANLISE COMBINATRIA ................................................................................39 5.1 Arranjos simples...........................................................................................39 5.2 Combinaes simples ..................................................................................40 5.3 PERMUTAO SIMPLES ...........................................................................41 6 CONCLUSO .....................................................................................................43 7 BIBLIOGRAFIA...................................................................................................44

LISTA DE TABELAS
Tabela 1 Dados Brutos ................................................................................................8 Tabela 2 Rol.................................................................................................................9 Tabela 3 Mdia Ponderada........................................................................................11 Tabela 5 Amplitude Total ...........................................................................................14 Tabela 6 Varincia Srie B ........................................................................................15 Tabela 7 Varincia Srie C ........................................................................................15 Tabela 8 Desvio Padro ............................................................................................16 Tabela 9 Coeficiente de Variao ..............................................................................17 Tabela 10 Distribuio de freqncia.........................................................................17 Tabela 11 Distribuio de freqncia AKI-SE-TRABALHA ........................................19 Tabela 12 Dados agrupados ajustados .....................................................................21 Tabela 13 Probalidades, alguns exemplos ................................................................26

4 1 RESUMO A Estatstica ferramenta gerencial utilizada h sculos, porquanto o homem sempre teve o desejo de mensurar, descrever fennemos numricos e procurar conceber o que ocorreria no futuro. A estatstica descritiva, seja por meio da representao tabular ou da representao grfica ajuda a entender melhor os dados colhidos em uma determinada pesquisa. J, a estatstica indutiva, surgiu com a curiosidade humana a respeito dos jogos, sobretudo os jogos de azar, quando algum se perguntava: qual a chance de ganhar? Hoje, essas ferramentas constituem parte indissocivel de qualquer processo decisorial, servindo, no aspecto descritivo, como elemento de melhora da qualidade das informaes e, no aspecto indutivo, como meio de economia e otimizao de tempo, porquanto permite inferir sobre uma populao a partir de uma amostra.

2 INTRODUO
Tambm chamada de mtodos quantitativos a estatstica encontrase presente em nosso dia a dia em praticamente todos os instantes. Assim quando algum questiona quantos quilmetros determinado veculo percorre com um litro de combustvel, qual a taxa de nascimento ou de mortalidade, qual a chance de ganhar na loteria ou mesmo de chover em determinado dia. No diferente no meio empresarial, onde os mtodos quantitativos so utilizados como verdadeiras ferramentas de gesto. Assim que em todos os telejornais h indicao da variao dos ndices das Bolsas de Valores e da cotao do Dlar, normalmente representadas por meio de grficos e tabelas. COSTA1 esclarece que a primeira vez em que o verbete statistics (estatstica) apareceu na Enciclopdia Britnica foi em 1797. MEDRI2, complementa, aduzindo que o termo que deriva do latim status refere-se a Estado, ou, precisamente, s descries e dados relativos aos Estados, tornando a Estatstica um meio de administrao para os governantes. Segundo STEVENSON3 a estatstica compreende a estatstica descritiva, a teoria da probabilidade e amostragem. Quando se fala em taxas e ndices como forma de resumo, organizao e, em geral, simplificao de informaes que podem ser muito complexas, isto , a dificuldade na descrio dos dados obtidos, estamos diante da estatstica descritiva. A anlise de situaes que envolvem o acaso, tais como jogos de dados e cartas ou a maioria dos jogos esportivos, faz com que nos encontremos com as probabilidades. Por fim, quando h a anlise e interpretao de dados amostrais entramos na rea da amostragem ou estatstica indutiva. O exemplo dado por STEVENSON (p. 2) preciso: no preciso comer o bolo inteiro para saber se bom. Essa uma grande finalidade da estatstica: economizar recursos e tornar mais geis e seguros os processos decisoriais.

______________
1

COSTA, Srgio Francisco. Introduo Ilustrada Estatstica (com muito humor!). 2 ed. So

Paulo: Harbra, 1992, p. 6.

2 3

MEDRI, Waldir. Mtodos quantitativos aplicados Contabilidade. Londrina: UEL, 2003, p. 1 STEVENSON, William J. Estatstica aplicada administrao. 1 ed. So Paulo: 1981, p.3

6 A Estatstica ferramenta indispensvel de uma Pesquisa Cientfica, sobretudo no que pertine apresentao e anlise dos dados coletados, de sorte a justificar as concluses obtidas.

3 ESTATSTICA DESCRITIVA
Descrever a informao advinda dos dados colhidos em uma pesquisa a finalidade da Estatstica Descritiva. SPIEGEL4 aduz que, em sentido mais restrito, o termo Estatstica usado para designar os prprios dados ou nmeros deles derivados como, por exemplo, mdias. O primeiro passo para que se possa caminhar em direo informao organizar os dados, em conformidade com a populao e/ou com a amostra em estudo. MEDRI (p. 1) ensina que na pesquisa cientfica coleta-se as caractersticas de pessoas, animais, empresas, indstrias, sistemas de produo, fenmenos fsicos ou qumicos, com a finalidade de verificar as hipteses lanadas sobre uma populao. Essa coleta feita com base em uma amostra, lembrando aqui o ensinamento de STEVENSON.

3.1 POPULAO E AMOSTRA

Populao ou universo, corresponde a todo o grupo passvel de exame. SPIEGEL (p. 1) retrata que uma populao pode ser finita ou infinita. Destaca como exemplo que a produo de parafusos em uma fbrica em determinado dia uma populao finita ao passo em que todos os resultados (cara ou coroa) em sucessivos lances de uma moeda constituem uma populao infinita. Na conceituao de COSTA (p. 25), populao qualquer conjunto de informaes que tenham, entre si, uma caracterstica comum. Importa, assim, a varivel estudada, seja ela qual for. Amostra, por seu turno, uma parcela retirada da populao para estudo, segundo uma tcnica adequada, de sorte a caracterizar-se como representativa. COSTA (p. 26) chega a dizer que a amostra nada mais que uma reduo da populao a dimenses menores, sem perda das caractersticas essenciais. ______________
4

SPIEGEL, Murray. Estatstica. 2 ed. So Paulo: Mc Graw-Hill do Brasil, 1985, p. 1.

8 Exsurge da o conceito de estatstica indutiva posto que concluses atinentes populao podem ser inferidas ou deduzidas a partir da amostra. As inferncias da decorrentes no expressam, necessariamente, uma certeza absoluta, pelo que impe analisar, tambm, o conceito de probabilidade.

3.1.1 Rol

No aspecto descritivo da estatstica, os dados brutos, ou seja, aqueles obtidos diretamente da pesquisa, no permitem uma anlise direta, da porque necessitam ser ordenados na forma de um rol. Tomemos como exemplo os depsitos bancrios feitos pela empresa AKI-SE-TRABALHA, expressos em milhares de Reais, nos meses de fevereiro e maro de 20035 3,7 1,8 0,8 1,6 2,4 1,6 1,4 3,1 2,9 2,1 2,5 2,7 1,8 2,0 1,3 3,0 2,1 1,0 1,0 2,7 3,9 3,3 2,0 2,7 2,1 1,9 3,2 2,0 3,0 2,8 3,8 2,3 2,9 1,3 1,9 1,5 2,3 3,2 1,5 1,1 2,4 1,9 4,2

Tabela 1 Dados Brutos

Pode-se conceituar rol como o arranjo dos dados brutos em ordem crescente. A finalidade do rol permitir, de maneira mais clara e concisa, a anilise dos dados, de sorte a visualizar o maior e o menor valor, a amplitude dos dados e os elementos que se repetem. Arranjando os dados da tabela anterior em ordem crescente, na forma de rol, obtemos a disposio constante da Tabela 2.

______________
5

MEDRI, op. cit., p. 10.

9 0,8 1,6 2,0 2,7 3,2 Tabela 2 Rol 1,0 1,6 2,1 2,7 3,2 1,0 1,8 2,1 2,7 3,3 1,1 1,8 2,1 2,8 3,7 1,3 1,9 2,3 2,9 3,8 1,3 1,9 2,3 2,9 3,9 1,4 1,9 2,4 3,0 4,2 1,5 2,0 2,4 3,0 1,5 2,0 2,5 3,1

3.2 MEDIDAS DE TENDNCIA CENTRAL

A mdia, assim como a mediana e a moda so medidas de tendncia central, ou seja, so usadas para indicar um valor que tende a tipificar, ou a representar melhor, um conjunto de nmeros, conforme ensina STEVENSON (p. 19). COSTA (p. 56), por seu turno, prefere conceituar as medidas de tendncia central como estatsticas, cujos valores esto prximos do centro de um conjunto de dados. MEDRI (p. 22) prefere afirmar que as medidas de tendncia central so aquelas que produzem um valor em torno do qual os dados observados se distribuem, e que visam sintetizar em um nico nmero o conjunto de dados. Essa ltima definio, que remete ao aspecto da distribuio dos dados, parece ser a mais correta, porque as medidas de tendncia, no necessariamente representam melhor o conjunto, ao final de uma anlise e porque a noo de centro, no significa, necessariamente, proximidade.

3.2.1 Mdia Simples

Denomina-se como mdia simples ou mdia aritmtica o resultado da diviso da soma de todos os n valores amostrados pelo nmero de elementos amostrados. Em termos numricos, pode-se representar a mdia da seguinte forma:

10 mdia de uma mostra

x=

x
n

mdia de uma populao =

x
N

Utilizando-se os dados colhidos na empresa AKI-SE-TRABALHA6, pode-se calcular a mdia da seguinte forma: Soma dos elementos = 98,70 Nmero de elementos do rol = 43 Mdia = 2,30

x=

98,70 = 2,30 43

STEVENSON (p. 20), discorrendo sobre a mdia apresenta suas propriedades, quais sejam: 1. A mdia de um conjunto de nmeros pode ser sempre calculada. 2. Para um dado conjunto de nmeros, a mdia nica. 3. A mdia sensvel a (ou afetada por) todos os valores do conjunto. Assim, se um valor se modifica, a mdia tambm se modifica. 4. Somando-se uma constante a cada valor do conjunto, a mdia ficar aumentada do valor dessa constante. Assim, somando-se 4,5 a cada valor de um conjunto, a mdia ficar aumentada de 4,5. Analogamente, subtraindo-se cada valor do conjunto uma constante, ou multiplicando-se ou dividindo-se por ela cada valor do conjunto, a mdia fica reduzida dessa constante, ou multiplicada ou dividida por ela. 5. A soma dos desvios dos nmeros dos nmeros de um conjunto a contar da mdia zero.

______________
6

Conforme a tabela 2 do item 3.1

11 3.2.2 Mdia Ponderada

Na apurao da mdia simples, cada elemento observado e constante do rol tem a mesma importncia, ou, fazendo uma analogia com a mdia ponderada, a importncia unitria, ou seja, todos os elementos tem importncia igual a 1. Ao contrrio, quando os elementos constantes do rol tem importncias diferentes h a necessidade de, primeiramente, ajustar os valores do rol, conforme suas respectivas importncias. Essas importncias diferentes so denominadas por SPIEGEL (p. 55) como fatores de ponderao ou pesos. A mdia ponderada representada com o uso da seguinte frmula:

mdia =

w x
i =1 n i

w
i =1

Exemplificando o uso da mdia ponderada, destacamos como exemplo um aluno que realizou quatro provas e um exame final, sendo que as provas 1 e 3 tem peso 1, as provas 2 e 4 possuem peso 2 e o exame final possui peso 3. Os dados esto representados na tabela a seguir:

Evento Prova 1 Prova 2 Prova 3 Prova 4 Exame Final Soma Mdia ponderada Tabela 3 Mdia Ponderada

Nota 7,00 5,00 6,00 8,00 6,00

Peso 1 2 1 2 3 9 6,33

Nota Ajustada 7,00 10,00 6,00 16,00 18,00 57,00

12 3.2.3 Mediana

A mediana o ponto (ou elemento) eu divide o rol em duas partes iguais. Caso o nmero de elementos do rol seja mpar, a mediana ser o elemento central do rol. Na hiptese do nmero de elementos ser par, a mediana ter dois valores centrais e corresponder mdia entre esses dois valores. Suponhamos o seguinte rol, constitudo de 10 elementos:

13,1 13,1 13,1 13,2 13,3 13,5 13,5 13,7 13,7 13,9

Os elementos centrais so os nmeros 13,3 e 13,5, donde a mediana corresponde mdia entre esses dois valores, ou seja, 13,4. Em outra situao, o rol anterior acrescido de um elemento, qual seja, o nmero 14,0, passando a ter 11 elementos e a compor-se da seguinte forma:

13,1 13,1 13,1 13,2 13,3 13,5 13,5 13,7 13,7 13,9 14,0

Verifica-se que, nesse caso, a mediana , exatamente, o elemento central, no caso, 13,5. So propriedades da mediana: 1. Existe somente uma mediana para um conjunto de dados. 2. A mediana no afetada pelos valores extremos como a mdia aritmtica, por isso, se diz que a mediana uma medida robusta. 3. Sempre que o rol estiver constitudo em progresso aritmtica (PA), a mdia ser equivalente mediana.

3.2.4 Moda

Nesse aspecto, MEDRI (p. 23) e STEVENSON (p. 23) concordam na conceituao, definindo, simplesmente, que a moda o valor que ocorre com maior freqncia num conjunto. Conseqncia desse conceito que se todos os elementos do conjunto forem diferentes entre si, no haver moda.

13 A moda no fruto de um clculo, ela resulta de uma observao e, por essa razo, no se presta, diretamente, anlise matemtica. Contudo, o valor da moda chama ateno sempre que estiver prximo ou coincidir com a mdia ou com a mediana, posto que reforar a tendncia central da apurao.

3.3 MEDIDAS DA DISPERSO

Apurado um valor mdio para os elementos de um rol torna-se necessrio examinar as medidas de disperso dos demais elementos em relao tendncia central, como meio de definir a variabilidade que os dados apresentam entre si. COSTA (p. 78) prefere chamar essas medidas como Medidas de Variabilidade Somente no haver disperso quando todos os elementos do rol forem iguais, como ensina MEDRI (p. 25). As medidas de disperso, assim, apresentam o grau de agregao dos dados. Tomemos um exemplo numrico proposto por MEDRI (p. 26) para destacar a importncia da anlise das medidas de disperso ou de variabilidade. Repetio 1 2 3 4 5 6 7 8 9 Mdia Mediana Tabela 4 Mdia Ponderada Pode-se observar que enquanto a srie A no apresenta qualquer variabilidade entre os seus elementos, as sries B e C apresentam disperso, sendo Srie A 45 45 45 45 45 45 45 45 45 45 45 Srie B 41 42 43 44 45 46 47 48 49 45 45 Srie C 25 30 35 40 45 50 55 60 65 45 45

14 que a da srie C maior que a da srie B. Chamamos ateno para o fato de que, para as trs sries, tanto a mdia quanto a mediana so iguais. Contudo, nem todas as sries analisadas tero situao clara como a presente, pelo que torna-se necessrio calcular outros elementos de apoio matemtico para que se possa precisar, no mais das vezes, qual a srie ou conjunto de dados mais estvel, isto , que apresenta a menor disperso entre os seus elementos. As medidas descritivas mais comumente utilizadas so: amplitude total; varincia e desvio padro.

3.3.1 Amplitude Total

De modo geral a amplitude total corresponde diferena entre o maior e o menor elemento de um conjunto de observaes ou de um rol. Como lastreada apenas nos valores extremos, apresenta limitao em seu aspecto conclusivo, como alerta MEDRI (p. 26). No caso dos dados agrupados na tabela 4, podemos calcular a Amplitude Total e sintetizar os dados como segue: tem Menor valor Maior Valor Amplitude Tabela 5 Amplitude Total Srie A 45 45 0 Srie B 41 49 8 Srie C 25 65 40

3.3.2 Varincia

A varincia tem como fundamento os desvios de cada elemento do rol em relao mdia. Para evitar que a soma dos desvios seja igual a zero, posto que os desvios podem ser positivos ou negativos, a varincia considera o quadrado de cada desvio, ou seja, ( x1 x) 2 A frmula de clculo da varincia a seguinte:

(x =

x) 2

n 1

15 Tomando como exemplo os dados da tabela 4, para as sries B e C, temos: xi 41 42 43 44 45 46 47 48 49 9 Varincia = Tabela 6 Varincia Srie B x 45 45 45 45 45 45 45 45 45 (xi - x) -4 -3 -2 -1 0 1 2 3 4 0 7,5 (xi - x)2 16 9 4 1 0 1 4 9 16 60

xi 25 30 35 40 45 50 55 60 65 9 Varincia = Tabela 7 Varincia Srie C

x 45 45 45 45 45 45 45 45 45

(xi - x) -20 -15 -10 -5 0 5 10 15 20 0 187,5

(xi - x)2 400 225 100 25 0 25 100 225 400 1500

16 3.3.3 Desvio Padro

De modo sinttico, o desvio padro a raiz quadrada da varincia, ou seja:

s = s 2 ou s =

(x

x) 2

n 1

Para as sries A, B e C, indicadas na Tabela 4, teramos os seguintes desvios padres: tem Varincia Desvio Padro Tabela 8 Desvio Padro Srie A 0,0 0,0 Srie B 7,5 2,7 Srie C 187,5 13,7

3.3.4 Coeficiente de Variao

Aps calcular o desvio padro a pergunta que segue a seguinte: o desvio grande ou pequeno. Essa questo relevante quando se quer saber a preciso do mtodo indicado em uma pesquisa. Contudo, em valores nominais a questo no pode ser respondida posto que depende da grandeza dos nmeros envolvidos. Com efeito. Em uma base de observao com valores mdios de 10.000 e moda e mediana nessa mesma faixa, um desvio de 10 irrisrio. Contudo, esse mesmo desvio para valores cuja observao mdia tpica 50 torna-se bastante elevado. Para responder a indagao primitiva necessrio utilizar o Coeficiente de Variao, que, conforme MEDRI (p. 27), um nmero adimensional, isto , um nmero puro e usualmente expresso em porcentagem. Quanto menor o coeficiente de variao, mais homogneo o conjunto analisado. A frmula de clculo do Coeficiente de Variao a seguinte:
s CV = .100 x

17 Com relao s sries estudadas (A, B e C), indicadas na Tabela 4, teramos os seguintes coeficientes de variao: tem Mdia Desvio Padro Coeficiente de Variao Srie A 45,0 0,0 0,00% Srie B 45,0 2,7 6,09% Srie C 45,0 13,7 30,43%

Tabela 9 Coeficiente de Variao

3.6 DIAGRAMA DE FREQUNCIA

SPIEGEL (p. 33) define que "um arranjo tabular dos dados por classes, juntamente com as freqncias correspondentes, denominado distribuio de freqncia ou tabela de freqncia". STEVENSON (p. 32) esclarece que "uma distribuio de freqncia um mtodo de grupamento de dados em classes, ou intervalos, de tal forma que se possa determinar o nmero, ou a porcentagem (isto , a frequncia) de cada classe". Conquanto se possa adotar nessas situaes em que se analisa um grande conjunto de dados, imperioso observar, como lembra MEDRI (p. 28) que, "no agrupamento de dados acarreta alguma perda de informao. cada elemento perde sua identidade, por isso, sabe-se apenas quantos elementos h em cada classe". Para exemplificar uma distribuio de freqncia, utilizaremos a tabela criada por SPIEGEL (p. 33), que retrata as alturas de 100 estudantes do sexo masculino da Universidade XYZ. Altura (cm) 151-158 159-166 167-174 175-182 183-190 Total Tabela 10 Distribuio de freqncia Nmero de estudantes 5 18 42 27 8 100

18 3.6.1 Intervalos de classe

Quando se trabalha com um grande volume de dados brutos e se quer utilizar o sistema de diagramas de freqncia necessrio agrupar os dados coletados em intervalos. Esses intervalos so chamados de intervalos de classe e devem ser definidos com cuidado eis que, como recomenda MEDRI (p. 16) "poucos intervalos podem resultar em perda da informao. Por outro lado, muitos intervalos no resumem a informao". Assim, a questo crucial em relao aos intervalos de classe definir a amplitude dos mesmos, para o que devem ser observados os seguintes passos7: 1) Encontrar o menor e o maior valor do conjunto de dados e calcular a amplitude entre eles por: At = n do maior - n do menor 2) No existindo um critrio rgido para estabelecer o nmero ideal de intervalos, sugere-se que no se utilize menos de 6 e no mais de 15 intervalos. A experincia tem demonstrado que se pode fixar o nmero de intervalos como: K =

n ou K = 1 + 3,3.log n, para uma amostra de

tamanho n 3) Uma vez determinado o nmero de intervalos, o tamanho destes dado por C =

At K

No exemplo destacado na Tabela 1, atinente empresa AKI-SETRABALHA h um conjunto de 43 dados. Os intervalos de classe poderiam ser obtidos da seguinte forma: At = n do maior - n do menor At = 4,2 - 0,8 = 3,43 K=

n K=
C=

43 = 6,56 7

At 3,4 C= 5 K 7

______________
7

MEDRI, op. cit., p. 17.

19

Segundo esses intervalos a distribuio de freqncia dos dados colhidos na referida empresa ficaria desse modo: Depsitos bancrios (milhares R$) 0,8 I-- 1,3 1,3 I-- 1,8 1,8 I--2,3 2,3 I-- 2,8 2,8 I--3,3 3,3 I-- 3,8 3,8 I-- 4,3 Total 4 7 11 1,05 1,55 2,05 2,55 3,05 3,55 4,05 9,30% 16,28% 25,58% 18,60% 18,60% 4,65% 6,98% 100,00% 4 11 22 30 38 40 43 Freqncia absoluta Ponto mdio Freqncia relativa % Freqncia acumuada

8
8 2 3 43

Tabela 11 Distribuio de freqncia AKI-SE-TRABALHA

3.6.2 Representao grfica

O diagrama mencionado no item anterior tambm poderia ser demonstrado em formato grfico, sendo que as duas formas mais freqentes so o histograma e o polgono de freqncia. Temos: a) Histograma

20
12 10 Freqncia 8 6 4 2 0 0,8 I-- 1,3 1,3 I-- 1,8 1,8 I--2,3 2,3 I-- 2,8 Milhares de Reais 2,8 I--3,3 3,3 I-- 3,8 3,8 I-- 4,3

b) Polgono de freqncia 12 10 8 6 4 2 0 0,80 1,05 1,55 2,05 2,55 3,05 3,55 4,05 4,3 Milhares de Reais

3.7 DADOS AGRUPADOS

Freqncia

Os dados agrupados tambm possibilitam o clculo das medidas de tendncia central e das medidas de disperso tal qual ocorre com relao aos dados no agrupados em distribuio de freqncia. A nica diferena que torna-se necessrio observar a freqncia de ocorrncia de uma determinada classe de dados, como se fosse uma mdia ponderada, porm, em relao ao ponto mdio da classe. Nesse contexto, quando se trabalha com dados agrupados em distribuio de freqncia o ponto de partida ajustar a freqncia em relao ao

21 ponto mdio, tanto pelo valor simples, como pelo quadrado desse ponto mdio, como feito com relao varincia dos dados no agrupados. Considerando-se o exemplo da empresa AKI-SE-TRABALHA, tal qual proposto por MEDRI (p. 28), teramos a seguinte tabela ajustada: Depsitos bancrios (milhares R$) 0,8 I-- 1,3 1,3 I-- 1,8 1,8 I--2,3 2,3 I-- 2,8 2,8 I--3,3 3,3 I-- 3,8 3,8 I-- 4,3 Total 4 7 11 1,05 1,55 2,05 2,55 3,05 3,55 4,05 Freqncia absoluta (fi) Ponto mdio Freqncia (xi) acumulada (Fac) 4 11 22 30 38 40 43 4,20 10,85 22,55 20,40 24,40 7,10 12,15 101,65 4,41 16,82 46,23 52,02 74,42 25,21 49,21 268,31 xi.fi xi.fi

8
8 2 3 43

Tabela 12 Dados agrupados ajustados

A partir desse ajuste, todas as demais medidas de tendncia central e disperso poderiam ser calculadas.

3.7.1 Mdia

A frmula para o clculo da mdia de uma distribuio de freqncias a seguinte:

x=

x .f
i i =1

, assim x =

101,65 = 2,36 43

3.7.2 Mediana

A expresso para determinar a mediana de uma distribuio de freqncias dada por:

22

n Fac1 21,5 11 ac , assim Md = 1,8 + 0,5 = 2,28 Md = li + 2 f MD 11

Destaca-se que: li = limite inferior da classe da mediana; n = nmero de elementos; ac = amplitude da classe; Fac-1 = freqncia simples da classe Md; fMD = freqncia simples da classe Md

3.7.3 Moda

Determina-se a moda de uma distribuio de freqncias com a utilizao da seguinte expresso:

Mo = li +

4 1 0,5 = 2,09 ac , assim Mo = 1,8 + 4+3 1 + 2

Observamos que: li = limite inferior da classe modal (de maior freq6uncia);

1 = diferena entre a freqncia da classe modal e a anterior; 2 = diferena entre a freqncia da classe modal e a posterior;

3.7.4 Varincia e desvio padro

Do mesmo modo que em relao aos dados no agrupados, podese aferir medidas de disperso dos dados acumulados, proporcionalizados por suas respectivas freqncias em relao tendncia central mdia. A primeira medio que se faz a da varincia, com o uso da seguinte expresso:

s2 =

x
i =1

2 i

fi

( xi f i ) 2
i =1

n 1

, assim, s 2 =

268,31

(101,65) 2 43 = 0,667 43 1

23

Na exata medida em que o desvio padro corresponde raiz quadrada da varincia, temos:
s = s 2 e, s = 0,667 = 0,817

24

4 PROBABILIDADE
De modo geral, os autores concordam que as aplicaes iniciais da matemtica da probalidade referiam-se quase todas aos jogos de azar. Assim que:
O primeiro trabalho escrito de que se tem notcia e que envolve a noo de probabilidade data de 1477. Trata-se de um comentrio feito Divina

Comdia (Dante), onde h referncia s probabilidades associadas aos vrios resultados decorrentes do jogo de 3 dados (COSTA, p. 90).

Pode-se recorrer ao clculo da probabilidade sempre que, independente de qual seja a aplicao em particular, exista um elemento de acaso, ou de incerteza, quanto ocorrncia ou no de um evento futuro. A probabilidade faz parte da Estatstica Indutiva, ou seja, lastreia-se em processo de inferncia atravs do qual, pelo correto exame de uma amostra pode-se inferir o que ocorrer com a populao. A maior utilidade da probabilidade, como menciona STEVENSON (p. 55) auxiliar o desenvolvimento de estratgias, quantificando o quo provvel determinado evento. No campo contbil essa utilidade pode ser vista com facilidade no campo oramentrio e no campo da previso de cenrios, onde, baseado em dados histricos, devidamente mensurados e com apoio matemtico para prever uma tendncia (probabilidade) pode-se definir por este ou aquele cenrio. COSTA (p. 92) sintetiza que "probabilidade o nmero que resulta da diviso do nmero de casos favorveis a um evento pelo nmero total de casos possveis". Diante dessa definio, o nmero resultante desse clculo somente pode estar compreendido entre 0 e 1, porque o maior nmero de casos favorveis possvel corresponde ao nmero total de casos possveis e, em sentido inverso, o menor nmero possvel de casos favorveis 0, ou seja, quando no h possibilidade de ocorrer um evento favorvel. SPIEGEL (p. 127) diz que a definio quanto "a probabilidade da ocorrncia do evento (denominado sucesso) definida por: p = Pr{E} =

h ". Por outro n

25 lado, a probalidade do chamado insucesso, representada da seguinte forma:

1 Pr{E}. Essa formulao pode ser representada atravs da seguinte figura:

Insucesso Sucesso

4.1 EVENTOS ALEATRIOS

GUERRA e DONAIRE (p. 14) ensinam que, para que um evento possa ser considerado aleatrio, devem estar presentes duas condies essenciais, quais sejam: a) deve ser sempre possvel repetir a experincia indefinidamente, fixadas certas condies iniciais; b) mesmo mantendo as condies iniciais, deve ser impossvel influenciar no resultado de uma particular repetio da experincia. Como exemplos de eventos aleatrios podem ser considerados o lanamento de uma moeda honesta ou o lanamento de um dado no viciado.

4.2 CLCULO DE PROBALIDADES

Tomando como parmetro a frmula proposta por SPIEGEL (p. 127) pode-se concluir que o nmero de resultados associados ao evento (A) dividido pelo nmero total de resultados possveis corresponde probalidade desse evento ocorrer. Tomando como paradigma de exemplificao uma moeda, constatase que a mesma tem duas faces (cara e coroa). Logo, quando se arremessa, a chance de obter cara corresponde a
1

/2 porque a moeda possui uma face

denominada como cara, de modo que s h uma possibilidade de resultado que atenda ao requisito do lanamento (obter a face cara). De outro lado, como a moeda possui duas faces, h duas possibilidades de resultados (cara ou coroa).

26 No exemplo supra, as probabilidades so complementares, porque:

P(cara) =

1 1 e P(coroa) = , de modo que, somando-se esses dois eventos, obtm2 2 1 1 + = 1 = 100% 2 2

se a totalidade dos eventos possveis, ou seja:

Vrios outros exemplos poderiam ser citados, pelo que destacamos os seguintes:

Evento esperado

Resultados associados ao

Total

de Formulao

resultados

evento possveis

esperado obter cara no lanamento de uma moeda obter a face 6 no 1 6 1 2

P(cara) = P(cara) = P(cara) =

1 face 1 = = 50,00% 2 faces 2 1 face 1 = = 16,67% 6 faces 6 3 faces 1 = = 50,00% 6 faces 2

lanamento de um dado obter uma face impar 3 6

qualquer no lanamento de um dado extrair uma carta de copas em um baralho completo 13 52

P(cara) =

13cartas 1 = = 25,00% 52cartas 4

Tabela 13 Probalidades, alguns exemplos Quando se fala em evento necessrio observar seus tipos e associaes, para o que, apoiamo-nos na classificao e nos exemplos de GUERRA e DONAIRE (p. 16), quais sejam: a) Evento simples: aquele formado por um nico elemento do espao amostral. Exemplo: no lanamento de moedas h dois eventos simples: ou cara ou coroa: E1 = K E2 = C.

CARA

COROA

b) Evento composto: aquele formado por dois ou mais elementos do espao de amostragem. Exemplo: no lanamento de dados podem ser considerados os nmeros pares, ou os

27 mpares, ou os dois primeiros nmeros e, assim por diante: E1 =

2,4,6 E2 = 1,3,5 E3 = 1,2.E4 = {1,2}

1 3 5

2 4 6

c) Evento certo: aquele que ocorre sempre, isto , em todas as realizaes da experincia. Exemplo: obter qualquer das faces de 1 a 6 no lanamento de dados.

1 3 5

2 4 6
RETIRAR

1n 6

d) Evento impossvel: aquele que nunca ocorre, isto , em nenhuma realizao de experincia. Exemplo: obter face maior que 6 no lanamento de um dado.

1 3 5

2 4 6
RETIRAR

n >6

e) Evento soma (ou evento unio): o evento que consiste na realizao de pelo menos um dos eventos E1 e E2. Exemplo: na retirada de uma carta do baralho quer-se que seja uma carta de ouro ou uma carta s. f) Evento produto (ou evento interseco): o evento que consiste na realizao de ambos os eventos E1 e E2, isto , eles devem ocorrer simultaneamente. Exemplo: na retirada das cartas de um baralho quer-se um s de ouro. g) Evento condicionado: o evento que consiste na realizao do evento E1 sob a condio de ter-se realizado o evento E2 isto , com a informao adicional de que o evento E2 j ocorreu.

28 Exemplo: na retirada de uma carta do baralho, quer-se que ocorra uma carta s, sabendo-se que a carta de ouro. h) Eventos mutuamente exclusivos: dois eventos, associados a uma experincia aleatria, so ditos mutuamente exclusivos se a ocorrncia de um deles exclui a possibilidade de ocorrncia do outro, isto , no ocorrem simultaneamente. Exemplo: no lanamento de uma moeda, os eventos cara e coroa so mutuamente exclusivos. i) Evento complementar (ou contrrio): define-se como evento complementar de um evento E, associado a uma experincia aleatria, e denota-se por E ,ao evento que s ocorre se E deixar de ocorrer, isto , o evento formado por todos os elementos do espao amostral que no pertencem a E. Exemplos: no lanamento de uma moeda os eventos cara e coroa so mutuamente exclusivos e tambm so

complementares. J, no lanamento de um dado, os eventos 1 e 4 so mutuamente exclusivos mas no so complementares. j) Eventos independentes: dois eventos, associados a uma experincia aleatria, so ditos independentes quando a ocorrncia de um deles no depende (ou no condicionada ou no se vincula) ocorrncia do outro, isto , a informao adicional de que um dos elementos j ocorreu em nada altera a possibilidade de ocorrncia do outro. Exemplo: suponhamos que duas pessoas atirem numa caa; os eventos que consistem em que cada uma das pessoas acerte so independentes, pois o fato da primeira pessoa acertar em nada influencia no fato da outra tambm acertar.

Em termos esquemticos, pode-se indicar:

29

MUTUAMENTE EVENTO CERTO TEOREMA DA SOMA NO MUTUAMENTE EXCLUDENTES EXCLUDENTES

PROBABILIDADE

EVENTO POSSVEL EVENTOS TEOREMA DA INDEPENDENTES EVENTOS DEPENDENTES EVENTO IMPOSSVEL MULTIPLICAO

4.3 PROBABILIDADE DOS EVENTOS

STEVENSON (p. 74) sintetiza as seguintes regras das propriedades:

4.3.1 Teorema da soma - eventos mutuamente excludentes

P (A ou B), para eventos mutuamente excludentes: P( A ou B ocorrer) = P(A) + P(B)

1 3 5

2 4 6

RETIRAR

n = 1 ou n = par

Na situao proposta, observamos que: a) P(A) = obter a face 1 = 1/6 b) P(B) = obter um nmero par = 3/6 c) Aplicando a frmula, obtemos: P = P(A) + P(B) = 1/6 + 3/6 = 4/6

30 Pode-se destacar um outro exemplo: um jogo de dado em que se quer obter a face 1 ou a face 3. Observe-se que os eventos so excludentes porque, se sair a face 1 no sair a face 3 e vice versa. Para as duas faces, a probabilidade de xito a mesma, ou seja, 1/6 para cada uma. Conseqentemente, a probabilidade de xito nessa situao, em que duas de 6 faces atingem o objetivo o resultado da seguinte soma: 1/6 + 1/6 = 2/6.

4.3.2 Teorema da soma - eventos no mutuamente excludentes

P (A ou B), para eventos no mutuamente excludentes:

P( A ou B ou ambos ocorrero) = P(A) + P(B) P (A e B)

1 3 5

2 4 6

RETIRAR

n = (1 ou 2) ou n = (par)

A aplicao da frmula e o desenvolvimento do mtodo, fazem observar que h um elemento no espao amostral que atende tanto uma quanto outra condio, qual seja, o nmero 2. Chamando a primeira condio como P(A) e a segunda como P(B), temos: a) P(A) = 2/6 referente ocorrncia do nmero 1 ou do nmero 2 b) P(b) = 3/6 atinente ocorrncia de um nmero par c) P(A/B) = 1/6 referente provvel ocorrncia do nmero 2 d) Aplicando a frmula, temos: P = P(A) + P(B) - P(A/B) = 2/ 6 + 3/ 6 - 1/ 6 = 4/ 6 Outro exemplo: num jogo de cartas, quer-se uma carta 10 ou uma carta de copas. Observe-se que essa segunda opo no exclui a primeira posto que, mesmo a carta 10 pode ser de copas. Isoladamente, a probabilidade de sair a carta 10 corresponde a 4/52 enquanto que a probabilidade de sair uma carta de copas a
13

/52. Aqui h um cuidado a ser tomado, que o seguinte: pelo fato da carta 10

31 poder ser uma carta de copas, na probabilidade de sair uma carta desse naipe, j est computada a probabilidade de sair a carta 10, valendo dizer que a simples soma das duas probabilidades implicar em cmputo duplo dessa carta, sendo necessrio um ajuste. Logo, nessa situao, somam-se as probabilidades e excluise o elemento comum, qual seja, a probabilidade de sair a carta 10 de copas (1/52). Numericamente: 4/52 + 13/52 - 1/52 = 16/52 = 4/13.

4.3.3 Teorema da multiplicao - eventos independentes

P (A e B), para eventos independentes:

P( A e B ocorrem ou no - sem interferncia de um sobre o outro) = P(A) . P (B)

Pode-se exemplificar esse tipo de clculo com a seguinte situao: em 70% das ocasies um motorista excede a velocidade mxima em uma determinada via pblica. Sabe-se, tambm, que em 30% das ocasies, o Departamento de Trnsito coloca um radar mvel nessa mesma via. O motorista deseja saber qual a probabilidade de que ele exceda a velocidade mxima em um dia em que o radar estiver na via. Pois bem, chamando o excesso de velocidade de P(A) e a presena do radar de P(B), aplicamos a frmula do seguinte modo: P = P(A) . P(B) = 0,70 . 0,30 = 0,21 = 21,00%

Admita-se um outro exemplo em que um determinado aluno chegue atrasado a aula em 25% das ocasies e que, por outro lado, o professor falte em 10% das aulas. Nessa situao, qual a probabilidade do aluno chegar atrasado e o professor ter faltado aula. Observamos que um evento no depende e tampouco se relaciona com o outro, posto que ambos podem ocorrer, ambos podem no

32 ocorrer e pode ocorrer um sem que ocorra o outro, sendo, tambm importante, que um no afeta a probabilidade de ocorrncia do outro. Para aferir a probabilidade de ocorrncia simultnea desses eventos h que se efetuar a multiplicao das probabilidades, ento: 0,25 x 0,10 = 0,025 ou 2,5%.

4.3.4 Teorema da multiplicao - eventos dependentes (probabilidade condicional)

P (A e B), para eventos dependentes:

P(A e B ocorrem ou no - com interferncia de um sobre o outro) = P(A) . P (A\B) ou P (B) . P (B \ A)

Essa a chamada probabilidade condicional, em que os dois eventos devem ocorrer (ou no), havendo uma relao de dependncia entre os mesmos, ou seja, a ocorrncia (ou no) de um afeta de modo direto a probabilidade de ocorrncia (ou no do outro). Citamos o seguinte exemplo: numa determinada urna existem 5 bolas, sendo 2 pretas e 3 brancas. Quer-se saber qual a probabilidade de retirada de duas bolas, apenas, as quais devero ser pretas, sendo que no haver reposio da bola retirada. Pois bem: a probabilidade inicial de retirar uma bola preta corresponde a 2/5, pois existem 2 bolas pretas dentre as 5 bolas que esto na urna. Contudo, na hiptese da primeira bola retirada ser preta, a probabilidade da segunda tambm ser preta corresponder a , posto que, nessa ocasio havero apenas 4 bolas, das quais somente uma preta. Assim, temos que a probalidade, nessa situao, corresponder a: 2/5 . = 1/10 = 10%. Numa outra situao, uma empresa possui 10 veculos, sendo que 7 so do tipo passeio e 3 so utilitrios. Essa empresa deseja fazer uma inspeo nos

33 veculos. Sem que exista reposio, qual a probabilidade de que a empresa escolha, em duas amostras, dois veculos utilitrios? Pois bem, chamando a probabilidade de retirar o primeiro veculo utilitrio como P(A) e a de escolher o segundo veculo utilitrio como P(A/B), temos: P(A) = 3/10 pois h 3 utilitrios em um universo de 10 veculos P(A/B) = 2/9 pois, aps a escolha do 1 veculo remanescero 9 veculos, dos quais 2 so utilitrios. Aplicando a frmula, temos: P = P(A) . P (A\B) =

3 2 6 1 = = 0,6666 = 6,66..% . = 10 9 90 15

A diferena bsica entre o clculo de probabilidade para eventos dependentes e para eventos independentes, com o teorema da multiplicao que, na primeira situao (eventos dependentes) a probabilidade de ocorrncia (ou no) de determinado evento no se altera com a ocorrncia do outro evento. J, na probabilidade condicional (eventos dependentes) a ocorrncia de um altera a probabilidade do outro. Nos nossos exemplos verifica-se que aps o primeiro evento houve alterao do espao amostral, modificando a probabilidade de ocorrncia de qualquer outro evento.

4.3.5 Teorema de Bayes - (teorema da probabilidade das causas ou parties)

LIPSCHUTZ (p. 90) alude que o Teorema de Bayes, tambm conhecido como parties ou Teorema das Probabilidades das Causas tem como fundamento a suposio de que vrios eventos formam uma partio num dado espao espao amostral S.

34 Conforme a disposio da figura anterior, dentro do evento X o teorema (e por essa razo chamado como Teorema da Probabilidade das Causas) indica qual a probabilidade de que o citado evento tenha sido originado de A ou B ou D e E e, assim por diante. OLIVEIRA (1999:96) esclarece que o teorema permite determinar as probabilidades dos vrios eventos A1, A2, A3, ...An, que podem ser a causa da ocorrncia de B8. Acrescenta:
Sejam A1, A2, A3, ...An, eventos mutuamente excludentes cuja unio o espao amostral , ou seja, um dos eventos necessariamente deve ocorrer.

LIPSCHUTZ (p. 90) apresenta a seguinte frmula para o teorema:

P ( A1 \ B ) =

P ( AI ) P ( B \ AI ) P ( A1 ) P ( B \ A1 ) + P ( A2 ) P ( B \ A2 ) + ... + P ( A N ) P ( B \ A N )
A frmula supra sintetizada por OLIVEIRA (1999:96) da seguinte

maneira:

P ( Ai \ B ) =

P ( Ai ) P ( B \ Ai )

P( A )P(B \ A )
i =1 I I

Aplicando o teorema, podemos utilizar o seguinte exemplo, destacado por GUERRA e DONAIRE (p. 28):
Numa fbrica existem trs mquinas destinadas produo de parafusos. A 1 mquina produz diariamente 1.000 parafusos, a 2 mquina 4.000 e a 3 mquina 5.000. Sabendo-se que a 1 mquina produz 4% de parafusos defeituosos, a 2 mquina 3% e a terceira 1% e, tendo-se, ao final do dia, encontrado um parafuso defeituoso, qual a probabilidade dele ter sido produzido em cada uma dessas mquinas?

Resoluo: Sejam:

______________
8

No nosso exemplo, A1, A2, A3, ...An so substitudos por A, B, C, D, E, F e G o espao amostral B

substitudo por X.

35 A = evento de ser parafuso produzido na 1 mquina B = evento de ser parafuso produzido na 2 mquina B = evento de ser parafuso produzido na 3 mquina X = evento de ser parafuso defeituoso.

Ento: P(A) = 1.000/10.000 = 0,10 P(B) = 4.000/10.000 = 0,40 P(C) = 5.000/10.000 = 0,50 P(X/A) = 0,04 P(X/B) = 0,03 P(X/C) = 0,01

Aplicando a frmula temos:

EVENTO A

P(A \ X ) =

P ( A ). P ( X \ A ) = P ( A ).( PX / A ) + P ( B ). P ( X / B ) 9 + P ( C ). P ( X / C )

P(A \ X ) =

0 ,10 . 0 , 04 = 0 ,19 = 19 % 0 ,10 . 0 , 04 + 0 , 40 . 0 , 03 + 0 , 50 . 0 , 01

EVENTO B

P (B \ X ) =

P ( B ). P ( X \ B ) = P ( A ).( PX / A ) + P ( B ). P ( X / B ) 9 + P ( C ). P ( X / C )

36

P (B \ X ) =

0 , 40 . 0 , 03 = 0 , 57 = 57 % 0 ,10 . 0 , 04 + 0 , 40 . 0 , 03 + 0 , 50 . 0 , 01

EVENTO C

P (C \ X ) =

P ( C ). P ( X \ C ) = P ( A ).( PX / A ) + P ( B ). P ( X / B ) 9 + P ( C ). P ( X / C )

P (C \ X ) =

0 , 50 . 0 , 01 = 0 , 24 = 24 % 0 ,10 . 0 , 04 + 0 , 40 . 0 , 03 + 0 , 50 . 0 , 01

Atendendo

questo

formulada,

pode-se

observar

que

probabilidade do parafuso defeituoso ter sido produzido pela mquina A corresponde a 19%, pela mquina B corresponde a 57% e, para a mquina C a probabilidade de 24%. Somando-se essas trs probabilidades obtm-se a totalidade do espao amostral (19% + 57% + 24% = 100%).

4.3.6 Sntese

Genericamente quando a definio do problema permite uma opo, montando-se o esquema com a figura de um ou outro evento, estamos diante de um caso de soma de probabilidades. De outra parte, quando o problema impe condies atingveis ao mesmo tempo, encontramos uma situao de multiplicao das probabilidades.

37 4.4 AMOSTRAGEM

SPIEGEL (p. 175) define que a teoria da amostragem um estudo das relaes existentes entre uma populao e as amostras dela extradas. Por vrias razes utilizam-se das tcnicas de amostragem, destacando-se as de razo econmica e aquelas derivadas de outro exemplo curioso de STEVENSON (p. 158): voc no precisa beber todo o ponche para saber que gosto ele tem!. Exsurge da a importncia do processo de inferncia que caracteriza a estatstica indutiva, posto que o propsito da amostragem permitir inferir generalizaes a cerca da populao. As populaes pem ser finitas (nmero de alunos de uma universidade, nmero de casa de um bairro, nmero de automveis de uma frota) ou infinitas (jogadas de moeda cara e coroa, nascimento de insetos, extrao de bolas de uma urna com reposio) e, o conhecimento da natureza da populao que se quer estudar interfere, de modo direto, na escolha do tipo de amostragem De modo geral, existem duas formas de amostragem: com reposio e sem reposio.

4.4.1 Amostragem sem reposio

Amostragem sem reposio aquela em que o item retirado para estudo e anlise no retorna base de dados ou populao, de sorte que no pode ser novamente retirado. STEVENSON (p. 159) aponta as seguintes razes pelas quais deve ser utilizada a amostra sem reposio: 1) Os efeitos so desprezveis quando a amostra pequena em relao populao; 2) Se o teste tem carter destrutivo, impossvel repor os itens examinados; 3) Na amostragem industrial, pode ser difcil convencer os inspetores no treinados em estatstica a reporem na populao os itens examinados, principalmente os itens defeituosos; 4) Quando se repe um item examinado na populao, h chance de ele ser novamente escolhido em extrao futura. Assim, alguns itens so

38 examinados mais de uma vez. Se o processo de amostragem dispendioso, conveniente evitar o exame repetido de um ou mais itens.

4.4.1 Amostragem com reposio

A amostragem com reposio aquela em que aps o exame feito no item colhido na amostra, o mesmo retorna imediatamente populao, podendo ser novamente extrado, inclusive de forma sucessiva. SPIEGEL (p. 176) destaca um fato interessante: a amostragem com reposio em uma populao finita faz com que ela, no aspecto terico, se transforme em infinita, visto que qualquer nmero de amostras pode ser extrado sem exaurir a populao.

39

5 ANLISE COMBINATRIA
LEMOS, HIGUCHI e FRIDMAN (p. 115) esclarecem que:
Dado um conjunto, existem vrias maneiras de agruparmos os seus elementos. Estes agrupamentos podem ser formados levando-se em conta a quantidade, a ordem e a natureza dos elementos.

Na anlise combinatria podemos encontrar arranjos simples, combinaes simples e permutaes, os quais tem como premissa de clculo o fatorial, que consiste em um nmero n qualquer, inteiro e maior que a unidade. Representa-se assim: n! = n . (n-1) . (n-2) ... 3.2.1

5.1 Arranjos simples

Quando se quer calcular a quantidade de agrupamentos possveis em um determinado conjunto, onde um grupo diferente do outro pela ordem e pela natureza dos elementos, estamos diante de uma situao de arranjos simples. Os arranjos simples so representados atravs da seguinte frmula:

An, p

n! = (n p)!

Aplicando-se a frmula, podemos destacar o seguinte exemplo9: quantos nmeros de trs algarismos, sem repetio, obtm-se com os algarismos do conjunto {1,2,3,4,5,6,7,8,9}? ______________
9

Extrado de LEMOS, HIGUCHI e FRIDMAN (p. 121)

40 Soluo: a) Toma-se uma resposta qualquer, por exemplo: 679 b) Inverte-se a ordem de dois elementos: 976 c) Obtivemos uma nova resposta, portanto, trata-se de um problema de arranjos simples. d) An , p =

n! onde n =9 e p = 3 (n p)! 9! 9! 9.8.7.6! = = = 504 (9 3)! 6! 6!

e) Substituindo os valores de n e p temos: A9,3 =

Portanto, existem 504 nmeros de trs algarismos sem repetio, formados com os elementos do conjunto dado.

5.2 Combinaes simples

Na combinao simples, um grupo diferente do outro apenas pela sua natureza. Assim, a ordem dos elementos no importa porque o grupo continua a ser o mesmo. LEMOS, FUGUCHI e FRIDMAN (p. 119) ensinam que, para calcular a quantidade de agrupamentos chamados combinaes simples de n elementos tomados p a p, utilizamos a frmula:

C n ,p

n! = p ! ( n p )!

41 Tomando uma situao exemplificativa10, pergunta-se: quantas comisses de 4 membros so possveis de se formar com 10 indivduos?

Soluo: Seja {A,B,C,D,E,F,G,H,I,J} o conjunto de 10 pessoas. a) Toma-se uma resposta qualquer, por exemplo ABCD. b) Inverte-se a ordem de dois elementos: BACD. c) Obtivemos a mesma resposta ( a mesma comisso); portanto, trata-se de um problema de combinao simples. d) Cn , p =

n! onde n = 10 e p = 4 p!(n p)! 10! 10! 10.9.8.7.6! = = = 210 4!(10 4)! 4!6! 4.3.2.1.6!

e) Substituindo os valores de n e p temos: C10, 4 =

Portanto, podemos formar 210 comisses de 4 membros com um grupo de 10 indivduos.

5.3 PERMUTAO SIMPLES

H situaes, em problemas de arranjos, em que o nmero de elementos dos agrupamentos igual ao nmero total dos elementos do grupo, como explicitam LEMOS, HIGUCHI e FRIDMAN (p. 121). Nessa situao diz-se que p = n e, essa particular situao do arranjo simples denominada como permutao simples, que pode ser calculada por:

Pn = n!
______________
10

Extrado de LEMOS, HIGUCHI e FRIDMAN (p. 122)

42

Tal qual em relao aos itens anteriores da anlise combinatria, vamos aplicar um exemplo11: quantos nmeros de 4 algarismos, sem repetio, obtm-se com os algarismos do conjunto {1,2,3,4}?

Soluo: a) Observe que n = p = 4. b) Trata-se de um problema de arranjos simples, mas como n = p, um problema que rotulamos de permutaes simples. c) Pn = n! , donde P4 = 4! = 4.3.2.1. = 24. Portanto, existem 24 nmeros de quatro algarismos sem repetio formados com os elementos do conjunto dado.

______________
11

Extrado de LEMOS, HIGUCHI e FRIDMAN (p. 122

43

6 CONCLUSO
A estatstica uma poderosa ferramenta de anlise, devendo fazer parte de qualquer processo decisorial. Propicia economia de recursos em seu sentido indutivo posto que permite inferir sobre a populao a partir de uma amostra e, bem assim, propicia subsdio numrico escolha de determinado cenrio em detrimento de outro. No aspecto descritivo torna mais facilmente comprendidos os resultados colhidos em amostras ou sob qualquer outra forma de dados brutos, destacando-se aqui as representaes tabulares e grficas.

44

7 BIBLIOGRAFIA
COSTA, Srgio Francisco. Introduo Ilustrada Estatstica (com muito humor!). 2 ed. So Paulo: Harbra, 1992. GUERRA, Mauri Jos; DONAIRE, Denis. Estatstica Indutiva aplicaes. 3 ed. So Paulo: LCTE, 1986. LEMOS, Aluisio Andrade. HIGUCHI, Fidefico. FRIDMAN, Salomo. Matemtica. So Paulo: Moderna, 1976. LIPSCHUTZ, Seymour. Probabilidade. 4 ed. rev. So Paulo: Makron Books, 1993. MEDRI, Waldir. Mtodos quantitativos aplicados Contabilidade. Londrina: UEL, 2003. OLIVEIRA, Francisco Estevam Martins de. Estatstica e Probabilidade - Exerccios resolvidos e propostos. 1 ed. So Paulo: Atlas, 1995 __________. Estatstica e Probabilidade. 2 ed. So Paulo: Atlas, 1999. SPIEGEL, Murray. Estatstica. 2 ed. So Paulo: Mc Graw-Hill do Brasil, 1985. STEVENSON, William J. Estatstica aplicada administrao. 1 ed. So Paulo: 1981. - teoria e