Você está na página 1de 42

ESTATSTICA APLICADA;

I- Reviso de Medidas de disperso 1.1-Introduo No captulo anterior, vimos algumas medidas de localizao do centro de uma distribuio de dados. Veremos agora como medir a variabilidade presente num conjunto de dados atravs das seguintes medidas: 1.2- Medidas de disperso Um aspecto importante no estudo descritivo de um conjunto de dados, o da determinao da variabilidade ou disperso desses dados, relativamente medida de localizao do centro da amostra. Supondo ser a mdia, a medida de localizao mais importante, ser relativamente a ela que se define a principal medida de disperso - a varincia, apresentada a seguir. 1.3- Varincia Define-se a varincia, como sendo a medida que se obtm somando os quadrados dos desvios das observaes da amostra, relativamente sua mdia, e dividindo pelo nmero de observaes da amostra menos um.

I.4- Desvio-padro Uma vez que a varincia envolve a soma de quadrados, a unidade em que se exprime no a mesma que a dos dados. Assim, para obter uma medida da variabilidade ou disperso com as mesmas unidades que os dados, tomamos a raiz quadrada da varincia e obtemos o desvio padro: O desvio padro uma medida que s pode assumir valores no negativos e quanto maior for, maior ser a disperso dos dados. Algumas propriedades do desvio padro, que resultam imediatamente da definio, so: o desvio padro ser maior, quanta mais variabilidade houver entre os dados.

Exemplo 1:

Em uma turma de trabalho, verificou-se atravs da anlise de conhecimentos das normas de segurana de 15 empregados, os seguintes desempenhos:
Alunos 1 2 3 4 5 6 7 8 9 10 11 12 13 Conceito na Prova 4,3 4,5 9 6 8 6,7 7,5 10 7,5 6,3 8 5,5 9,7 Xi - VM -3,02 -2,82 1,68 -1,32 0,68 -0,62 0,18 2,68 0,18 -1,02 0,68 -1,82 2,38 (Xi - VM)2 9,1204 7,9524 2,8224 1,7424 0,4624 0,3844 0,0324 7,1824 0,0324 1,0404 0,4624 3,3124 5,6644

14 15 Total Mdia(VM ) Desvio Padro

9,3 7,5 109,8 7,32 1,78

1,98 0,18

3,9204 0,0324 44,164

Varincia =

44,164 (15-1) =

3,154571

Desvio Padro

Raiz quadrada da Varincia

Observamos no exemplo, que a mdia das avaliaes, foi estimada em 7,32 com desvio padro em 1,77. Conclumos que a maioria das notas concentrou-se em 9,09 e 5,55. A elaborao das tabelas podero ser vistas no material anexo em Excel.

1.5 Distribuio Normal A distribuio normal a mais importante distribuio estatstica, considerando a questo prtica e terica. J vimos que esse tipo de distribuio apresenta-se em formato de sino, unimodal, simtrica em relao a sua mdia. Considerando a probabilidade de ocorrncia, a rea sob sua curva soma 100%. Isso quer dizer que a probabilidade de uma observao assumir um valor entre dois pontos quaisquer igual rea compreendida entre esses dois pontos.

68,26% => 1 desvio 95,44% => 2 desvios 99,73% => 3 desvios Na figura acima, tem as barras na cor marrom representando os desvios padres. Quanto mais afastado do centro da curva normal, mais rea compreendida abaixo da curva haver. A um desvio padro, temos 68,26% das observaes contidas. A dois desvios padres, possumos 95,44% dos dados comprendidos e finalmente a trs desvios, temos 99,73%. Podemos concluir que quanto maior a variablidade dos dados em relao mdia, maior a probabilidade de encontrarmos o valor que buscamos embaixo da normal. Propriedade 1: "f(x) simtrica em relao origem, x = mdia = 0; Propriedade 2: "f(x) possui um mximo para z=0, e nesse caso sua ordenada vale 0,39; Propriedade3:

"f(x) tende a zero quando x tende para + infinito ou - infinito; Propriedade4: "f(x) tem dois pontos de inflexo cujas abscissas valem mdia + DP e mdia - DP, ou quando z tem dois pontos de inflexo cujas abscissas valem +1 e -1. Para se obter a probabilidade sob a curva normal, utilizamos a tabela de faixa central

2-DISTRIBUIO DE FREQUNCIA um tipo de tabela que condensa uma coleo de dados conforme as frequncias (repeties de seus valores). Tabela primitiva ou dados brutos: uma tabela ou relao de elementos que no foram numericamente organizados. difcil formarmos uma idia exata do comportamento do grupo como um todo, a partir de dados no ordenados. Uma equipe responsvel por repor as botas danificadas entregues ao almoxarifado obteve os seguintes nmeros na inspeo ( haja p grande !!!!! rrssrs....) Ex : 45, 41, 42, 41, 42 43, 44, 41 ,50, 46, 50, 46, 60, 54, 52, 58, 57, 58, 60, 51 ROL: a tabela obtida aps a ordenao dos dados (crescente ou decrescente). Ex : 41, 41, 41, 42, 42 43, 44, 45 ,46, 46, 50, 50, 51, 52, 54, 57, 58, 58, 60, 60 Distribuio de frequncia sem intervalos de classe: a simples condensao dos dados conforme as repeties de seu valores. Para um ROL de tamanho razovel esta distribuio de frequncia inconveniente, j que exige muito espao. Veja exemplo abaixo:
Dados Frequncia 41 42 43 44 45 46 50 51 52 54 57 58 60 Total 3 2 1 1 1 2 2 1 1 1 1 2 2 20

Distribuio de frequncia com intervalos de classe:Quando o tamanho da amostra elevado mais racional efetuar o agrupamento dos valores em vrios intervalos de classe.

Classes 41 |------- 45

Frequncias 7

45 |------- 49 49 |------- 53 53 |------- 57 57 |------- 61 Total

3 4 1 5 20

EXEMPLO DE DISTRIBUIO:

xi 2 3 4 6 7
Total:

fi 3 7 8 6 1
25

fri (%) 12 28 32 24 4

Fi 3 10 18 24 25

Fri (%) 12 40 72 96 100

Exerccios: 1-Construa a distribuio de freqncias para a srie representativa de 50 acidentes de trabalho em um ano numa indstria. Setores de Trabalho Nmero de acidentes 17 3 18 18 19 17 20 8 21 4 2- Interprete os valores colocados na linha 3 da distribuio de freqncias do problema anterior. 3- Complete o quadro. xi 2 5 8 10 13 fi 16 fri 24% 57 76 200 4- Construa a distribuio de freqncias para a srie abaixo que representa o nmero de acidentes em determinado cruzamento observados por dia, durante 40 dias. Fi Fri (%)

Nmero de acidentes por dia 0 1 2 3 4

Nmero de dias fi 30 5 3 1 1

5- Interprete todos os valores da segunda linha da distribuio de freqncias do problema anterior. 6- Construa a distribuio de freqncias para a srie abaixo que representa uma amostra dos salrios de 25 funcionrios selecionados em uma empresa. Classe 1 2 3 4 5 Salrios R$ 1.000,00 1.200,00 1.400,00 1.600,00 1.800,00 1.200,00 1.400,00 1.600,00 1.800,00 2000,00 Nmero de funcionrios - fi 2 6 10 5 2

7- Interprete os valores obtidos na quarta linha da distribuio de freqncias do problema anterior. 8- Construa a distribuio de freqncias para a srie abaixo que representa o custo de 25 equipamentos em cujo contrato constaro itens de segurana do trabalho. Classe 1 2 3 4 Custo R$ 0 10.000,00 20.000,00 40.000,00 10.000,00 20.000,00 30.000,00 40.000,00 Nmero de eqtos - fi 5 10 8 2

9- Interprete os valores da terceira linha da distribuio de freqncias do problema anterior.

10- Complete o quadro de distribuio de freqncias.


Classe Intervalo de classe fi fri (%) Fi Fri (%)

1 2 3 4 5

6 10 14 18 22

10 14 18 22 26

1 25 14 90 2

3) Representao grfica de Sries Estatsticas


Exitem muitas formas de se representar graficamente uma srie estatstica. Por exemplo: Grficos em linhas colunas barras setores percentagens Grficos polares pictricos cartogramas etc O objetivo destes grficos, em geral, so de apresentao, que o leitor com pouco esforo compreender e saber tirar concluses. Nosso interesse estar voltado para os grficos de anlise da srie estatstica que so: Histograma; Polgono de Freqncia e Curva polida de Frequncia

3-1 Histograma para a Varivel Discreta


um conjunto de hastes, representadas em um sistema de coordenadas cartesianas em que as base so os valores de (xi ) e a altura representam os valores correspondentes de fi . Exemplo: Considere a srie abaixo xi 2 3 5 6 7 O histograma correspondente ser: fi 1 4 8 6 2

3-2 Histograma - Vriavel Contnua


um conjunto de retngulos justapostos, representados em um sistema de coordenadas cartersiana, onde as bases so os intervalos de classes e as alturas so as frequncias simples correspondentes. Exemplo: Considere a srie abaixo: Classe 1 2 3 4 5 Int. classe 0 2 4 6 8 2 4 6 8 10 fi 3 6 8 5 2

Note que o eixo horizontal foi deslocado para a esquerda do sistema apenas por uma questo de clareza da representao grfica. Um espao igual a um intervalo de classe deixado, intencionalmente, no incio e no final da representao grfica.

3.3- Poligono de frequncia


Se consideramos o espao inicial e final como sendo classes com frequncia zero e unirmos os pontos mdios das bases superiores destes retngulos, obtemos uma nova figura chamada poligono de frequncia.

Observaes: - A rea do polgono de frequncia a mesma rea do histograma. - Quando estamos lidando com um censo, o histograma representa diretamente a distribuio de frequncia da populao, enquanto que a amostra representa apenas a distribuio de frequncia da amostra.

3.4- Curva polida de frequncia


Se imaginarmos o nmero n de elementos da amostra aumentando progressivamente, o nmero de classes iria aumentado progressivamente e a amplitude do intervalo de classe iria diminuindo, o que transformaria o polgono de frequncia praticamente em uma figura polida, chamada curva polida de frequncia. Esta figura nos dar uma noo da distribuio de frequncia da populao.

Enquanto o polgono de frequncia nos d a imagem real do fenmeno estudado, a curva de frequncia nos d a imagem tendencial. O polimento (geometricamente, corresponde eliminao dos vrtices da linha poligonal) de um polgono de frequncia nos mostra o que seria tal polgono com um nmero maior de dados em amostras mais amplas. Consegue-se isso com o emprego de uma frmula bastante simples:

fci = ( fant + 2fi + fpost ) / 4...........onde:

fci = frequncia calculada da classe considerada (freq. polida) fi = frequncia simples da classe considerada fant = frequncia simples da classe anterior da classe considerada

fpost = frequncia simples da classe posterior da classe considerada

3.5- Programa de Qualidade: FERRAMENTAS DA QUALIDADE


Ferramentas para priorizar, definir ordem de importncia. necessrio definirmos duas caractersticas de dados: so dados na forma de variveis e dados na forma de atributos. Exemplo: atributos so dados na forma de caractersticas: nossas vendas no ms de fevereiro foram timas. Variveis so dados numricos: nossas vendas no ms de fevereiro foram de R$ 30.000,00. Da podemos concluir que se necessitamos de preciso de dados utilizamos os dados na forma de variveis, caso a preciso no seja to importante, usamos atributos. 3.5.1- GRFICO DE PARETO a usado para mostrar por ordem de importncia, a contribuio de cada item para o efeito total. Para classificar oportunidades para a melhoria. uma tcnica grfica simples para a classificao de itens desde os mais at os menos freqentes. Ele baseado no Princpio de Pareto, que declara que muitas vezes apenas alguns itens so responsveis pela maior parte do efeito. um grfico de barras verticais que associa dados variveis com dados na forma de atributos permitindo determinar quais problemas ou assuntos resolver e qual a sua ordem de prioridade. Os dados utilizados foram reportados numa Lista de Verificao ou em uma outra fonte de coleta de dados, concentra a nossa ateno e esforos para problemas ou assuntos verdadeiramente importantes (separa o importante do trivial). Na maioria das vezes, teremos melhores resultados se atuarmos nos dados da barra mais alta do grfico do que nos embaraarmos nas barras menores.) Numa grande empresa distribuidora de Energia Eltrica, havia a observao de alto ndice de acidentes. Numa primeira Anlise, para melhor representar o que ocorria foi realizado um acompanhamento atravs da CIPA fim de se iniciar os estudos, da foi elaborada a Lista de Verificao. DADOS ORIGINAIS
N 1 2 3 Tipo de Acidente Choque eltrico em Rede de Transmisso Deslocamento de Materiais Inalao de gases em Ambiente Confinado Choque eltrico em Rede de Distribuio de Energia Queda em escada N de Ocorrncias simples( fi) 25 110 85 % simples (fri) 5% 21% 17%

4 5

45 250

9% 49%

Total Geral

515

100%

EM ORDEM DECRESCENTE( TABELA BASE PARA ELABORAR GRFICO)


N de Ocorrncias simples( fi) 250 110 85 N de Ocorrncias acumuladas( Fi) 250 360 445

N 5 2 3

TIPO DE ACIDENTE Queda de escada Deslocamento de Materiais Inalao de Gases em meio confinado Choque eltrico em Rede de Distribuio de Energia Choque eltrico em Rede de Transmisso Total Geral

Frequncia Relativa acumulada( Fri) 49% 70% 86% 95% 100%

4 1

45 25 515

490 515

PARETO
300 250 200 150 100 50 0 1 2 3 4 5 DEFEITOS DECRESCENTES 49% 250 86% 70% 110 95% 120% 100% 100% 80% 60% 85 45 25 40% 20% 0% N de Ocorrncias % Acumulado

Como possvel notar pelo grfico os acidentes ocorridos em deslocamentos de materiais at o local da atividade representam 49% de todos os defeitos ocorridos no perodo e que os dois maiores tipos de acidentes (deslocamento e inalao de gases txicos) representam juntos 70% de todos os acidentes. Corrigindo estes dois tipos de acidentes teremos uma melhoria de 70% no sistema. Falta agora pesquisar as causas, propor aes corretivas e continuar a pesquisa.

4- CARACTERSTICAS DAS VARIVEIS ALEATRIAS

Varivel aleatria contnua

Atravs do histograma possvel ter uma idia da distribuio de probabilidade associada a uma varivel aleatria continua X. Se subdividirmos o histograma em barras de largura = 1 unidade, a probabilidade P(c X d) dada pela rea abaixo do histograma entre X = c e X = d. Seja X uma varivel aleatria tal que:

A varivel aleatria X uma varivel aleatria contnua e fX(x) sua funo densidade de probabilidade.

Exemplo : Aluguel de automveis - Uma pesquisa revelou a seguinte distribuio de probabilidades, para a idade de um carro alugado.

Esta curva a chamada funo densidade de probabilidade. Suponhamos que pretendemos calcular a probabilidade de que um carro alugado tenha entre 0 e 4 anos. De acordo com a tabela, P(0 X 4) = 0.20 + 0.28 + 0.20 + 0.15 = 0.83.

Observando a figura seguinte note-se que poderamos obter o mesmo resultado somando as reas correspondentes s barras desde que estas tenham 1 unidade de largura.

A curva de densidade de probabilidade deve ser tal que a rea por ela delimitada para 0 X 4 seja igual a P(0 X 4) = Poderamos estimar o valor pretendido tomando metade do retngulo entre 0 e 4 (ver figura)

E se pretendermos calcular P(2 X 3.5)?

OUTROS EXEMPLOS DE VARIVEIS ALEATRIAS CONTNUAS

Funo de Distribuio

Seja X uma varivel aleatria qualquer (contnua ou discreta), a funo de distribuio da varivel aleatria X definida como:

Anlise semelhante:

Exemplo

Pegando mais uma vez um exemplo, a funo de distribuio :

Propriedades da Funo de Distribuio

Relao entre a funo densidade e a funo de distribuio Considere uma varivel aleatria contnua com densidade fX(x) e funo de distribuio FX(x). Ento a densidade a derivada da funo de distribuio. Lembremos o exemplo:

Parmetros de uma varivel aleatria Esperana matemtica, varincia, momentos e funes geradoras de momentos. A esperana matemtica (mdia, valor esperado) de uma varivel aleatria representa uma medida de tendncia central da distribuio de probabilidade desta varivel aleatria e definida como:

Onde o somatrio se refere a todos os valores de X quando X uma varivel discreta. Quando X uma varivel contnua a mdia calculada pelo integral acima, onde fX(x) representa a funo densidade de probabilidade da varivel X. A varincia de uma varivel aleatria uma medida da disperso da distribuio de probabilidade, definida como:

Onde novamente a esperana matemtica da varivel aleatria. O desvio padro de uma varivel aleatria a raiz quadrada positiva da sua varincia, e denotado por s. Notas: Da prpria definio vem que a varincia no negativa. A varincia corresponde ao momento de inrcia em Mecnica. O desvio padro expresso nas mesmas unidades que a varivel aleatria e a varincia dada nas unidades da varivel aleatria ao quadrado. Logo, se a varivel aleatria medida em metros, o desvio padro tambm est em metros e a varincia em metros quadrados. Frmula alternativa para o clculo da Varincia

5- A Distribuio Normal Padro. O escore padro


O escore padro, ou escore z, representa o nmero de desvios padro que separa uma varivel aleatria x da mdia.

As pontuaes em um concurso pblico esto normalmente distribudas, com mdia de 152 e desvio padro de 7. Determine o escore z para um candidato com pontuao de: (a) 161 (b) 148 (c) 152

5.1 reas acumuladas

Portanto, com a distribuio normal de escores pode-se obter sua probabilidade.

5.2 Probabilidades e distribuies normais


Pontuaes de QI so normalmente distribudas, com uma mdia de 100 e um desvio padro de 15. Determine a probabilidade de que uma pessoa selecionada aleatoriamente tenha uma pontuao de QI inferior a 115.

Para determinar a rea nesse intervalo, primeiro encontre o escore z correspondente a x = 115.

Z=1, corresponde a um desvio padro, o que na tabela de distribuio Z corresponde a 0,3413 como probabilidade. Este valor compreende o trecho de probabilidade na curva normal que vai do valor mdio(Z=0 e nota 100) at Z=1, nota 115. Para o clculo da probabilidade com pontuao inferior a 115 devemos somar a parte esquerda da curva normal ( 50% ou 0,5) com 0,3413. Portanto, a probabilidade total 0,3413 + 0,5 = 0,8413, ou seja, aproximadamente 84%. Aplicao 1- As contas mensais de servios pblicos em determinada cidade so normalmente distribudas, com mdia de US$ 100 e desvio padro de US$ 12. Uma conta escolhida aleatoriamente. Determine a probabilidade de ela estar entre US$ 80 e US$ 115.

0,4525 + 0,3944 = 0,8469, ou seja, a probabilidade de uma conta estar entre US$ 80 e US$ 115 0,8469.

Distribuio de z
reas sob a curva normal padro. (Para os valores negativos de z as reas so obtidas por simetria)
z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,1 3,2 3,3 3,49 3,6 3,9 0,00 0,0000 0,0398 0,0793 0,1179 0,1554 0,1915 0,2257 0,2580 0,2881 0,3159 0,3413 0,3643 0,3849 0,4032 0,4192 0,4332 0,4452 0,4554 0,4641 0,4713 0,4772 0,4821 0,4861 0,4893 0,4918 0,4938 0,4953 0,4965 0,4974 0,4981 0,4987 0,4990 0,4993 0,4995 0,4997 0,4998 0,500 0,01 0,0040 0,0438 0,0832 0,1217 0,1591 0,1950 0,2291 0,2611 0,2910 0,3186 0,3438 0,3665 0,3869 0,4049 0,4207 0,4345 0,4463 0,4564 0,4649 0,4719 0,4778 0,4826 0,4864 0,4896 0,4920 0,4940 0,4955 0,4965 0,4975 0,4982 0,4987 0,4991 0,4993 0,4995 0,4997 0,4998 0,02 0,0080 0,0478 0,0871 0,1255 0,1628 0,1985 0,2324 0,2642 0,2939 0,3212 0,3461 0,3686 0,3888 0,4066 0,4222 0,4357 0,4474 0,4573 0,4656 0,4726 0,4783 0,4830 0,4868 0,4898 0,4922 0,4941 0,4956 0,4967 0,4976 0,4982 0,4987 0,4991 0,4994 0,4995 0,4997 0,4999 0,03 0,0120 0,0517 0,0910 0,1293 0,1664 0,2019 0,2357 0,2673 0,2967 0,3238 0,3485 0,3708 0,3907 0,4082 0,4236 0,4370 0,4484 0,4582 0,4664 0,4732 0,4788 0,4834 0,4871 0,4901 0,4925 0,4943 0,4957 0,4968 0,4977 0,4983 0,4988 0,4991 0,4994 0,4996 0,4997 0,4999 0,04 0,0160 0,0557 0,0948 0,1331 0,1700 0,2054 0,2389 0,2703 0,2995 0,3264 0,3508 0,3729 0,3925 0,4099 0,4251 0,4382 0,4495 0,4591 0,4671 0,4738 0,4793 0,4838 0,4875 0,4904 0,4927 0,4945 0,4959 0,4969 0,4977 0,4983 0,4988 0,4992 0,4994 0,4996 0,4997 0,4999 0,05 0,0199 0,0596 0,0987 0,1368 0,1736 0,2088 0,2422 0,2734 0,3023 0,3289 0,3531 0,3749 0,3944 0,4115 0,4265 0,4394 0,4505 0,4599 0,4678 0,4744 0,4798 0,4842 0,4878 0,4906 0,4929 0,4946 0,4960 0,4970 0,4978 0,4984 0,4989 0,4992 0,4994 0,4996 0,4997 0,4999 0,06 0,0239 0,0636 0,1026 0,1406 0,1772 0,2123 0,2454 0,2764 0,3051 0,3315 0,3554 0,3770 0,3962 0,4131 0,4279 0,4406 0,4515 0,4608 0,4686 0,4750 0,4803 0,4846 0,4881 0,4909 0,4931 0,4948 0,4961 0,4971 0,4979 0,4985 0,4989 0,4992 0,4994 0,4996 0,4997 0,4999 0,07 0,0279 0,0675 0,1064 0,1443 0,1808 0,2157 0,2486 0,2794 0,3078 0,3340 0,3577 0,3790 0,3980 0,4147 0,4292 0,4418 0,4525 0,4616 0,4693 0,4756 0,4808 0,4850 0,4884 0,4911 0,4932 0,4949 0,4962 0,4972 0,4979 0,4985 0,4989 0,4992 0,4995 0,4996 0,4997 0,4999 0,08 0,0319 0,0714 0,1103 0,1480 0,1844 0,2190 0,2517 0,2823 0,3106 0,3365 0,3599 0,3810 0,3997 0,4162 0,4306 0,4429 0,4535 0,4625 0,4699 0,4761 0,4812 0,4854 0,4887 0,4913 0,4934 0,4951 0,4963 0,4973 0,4980 0,4986 0,4990 0,4993 0,4995 0,4996 0,4997 0,4999 0,09 0,0359 0,0753 0,1141 0,1517 0,1879 0,2224 0,2549 0,2852 0,3133 0,3389 0,3621 0,3830 0,4015 0,4177 0,4319 0,4441 0,4545 0,4633 0,4706 0,4767 0,4817 0,4857 0,4890 0,4916 0,4936 0,4952 0,4964 0,4974 0,4981 0,4986 0,4990 0,4993 0,4995 0,4997 0,4998 0,4999

2- Suponha uma distribuio normal com =100 e = 15: a- Qual a probabilidade de se obter um escore Z acima de 130?

Z= (X )/ = (130-100)/15 = 2 Da tabela: P=0,4772 P= 05 0,4772 = 0,0228, ou seja, a probabilidade de se obter um escore Z acima de 130 de 2,28%. b- Qual a probabilidade de se obter um escore z entre 90 e 100?

Z= (X )/ = (100-100)/15 = 0 P=0 Z= (X )/ = (90-100)/15 = - 0,67 P``=0,2486 P= 0 + 0,2486= 0,2486, ou seja, a probabilidade de se obter um escore z entre 90 e 100 de 24,8%

5.3 De escores z a escores brutos


Para determinar um valor x a partir de um escore z:

As pontuaes em um concurso pblico esto normalmente distribudas, com mdia de 152 e desvio padro de 7. Determine a pontuao de um candidato com escore z: (a) 2,33 (b) 1,75 (c) 0

(a) x = 152 + (2,33)(7) = 168,31 (b) x = 152 + (1,75)(7) = 139,75 (c) x = 152 + (0)(7) = 152

5.4 O Teorema do Limite Central

Se uma amostra n > 30 for tirada de uma populao com qualquer tipo de distribuio, mdia = e desvio padro = , as mdias da amostra tero distribuio normal.

Se uma amostra de qualquer tamanho for tirada de uma populao com distribuio normal, mdia = e desvio padro =

a distribuio das mdias da amostra de tamanho n ser normal, com mdia , e desvio padro

Aplicao

A mdia de altura dos homens norte-americanos (de 20 a 29 anos) de polegadas. Amostras aleatrias de 60 homens so selecionadas. Determine a mdia e o desvio padro (erro padro) da distribuio amostral. A distribuio de mdias da amostra de tamanho 60,

, ser normal.

5.5 Interpretando o Teorema do Limite Central A mdia de altura dos homens norte-americanos (de 20 a 29 anos)
= 69,2 polegadas. Se

uma amostra aleatria de 60 homens nessa faixa etria for selecionada, qual a probabilidade de que a mdia de altura na amostra seja superior a 70 polegadas? Admita um desvio padro de 2,9 polegadas. Uma vez que n > 30, a distribuio amostral ser normal.

Z=2,14, implica pela tabela em P= 0,4838. P= 0,5 0,4838 = 0,0162 ou 1,62%.

6- Noes Bsicas de Simulao


Simular imitar a realidade: A simulao uma forma de imitar a realidade sem correr
os riscos, os custos e o tempo que resultariam se tivssemos de experimentar. Para isso, criamos um modelo matemtico que descreva o comportamento ao longo do tempo do sistema que vamos estudar.

Conceito de sistema: Um modelo considera os elementos existentes no mundo real


interrelacionados e funcionando com objetivos. O construtor do modelo deve focar a sua ateno apenas nos elementos mais importantes e na natureza das suas inter-relaes, com o objetivo ltimo de conseguir melhorar o desenho e funcionamento do sistema representado pelo modelo.

Figura 1: Modelo de um sistema

Tipos de modelos: Existem muitos tipos de modelos. Uns so fsicos outros so simblicos.
Os modelos fsicos compreendem os modelos icnicos e os analgicos. Os modelos simblicos compreendem os modelos verbais e matemticos. A expresso "modelos icnicos" vem de cone, sinnimo de imagem. Nesse tipo de modelo so representadas, geralmente com modificao da escala, as propriedades mais importantes dos objetos, tal como elas aparecem no original ou como se supe que sejam na realidade. Assim, esses modelos parecem-se visualmente com os objetos que representam, mas diferem deles no tamanho. So exemplos de modelos icnicos: desenhos, mapas e outros tipos de reproduo de avies, navios, trens, automveis, etc.; maquetes de construes; representaes do sistema solar; representaes de clulas e tomos

Em alguns dos modelos citados, a escala reduzida em relao ao original; em outros, ampliada. A escala utilizada depende da finalidade do modelo. Nos modelos do corpo humano, por exemplo, usados nas salas de aula, so representados os diversos aparelhos e sistemas que compem o corpo, como o aparelho digestivo, o sistema nervoso, etc. Esses modelos podem estar em escala reduzida ou ampliada; possvel ainda, represent-los na mesma escala do corpo humano, para reproduzir as dimenses mdias dos diversos sistemas e aparelhos. Os "modelos analgicos" usam um conjunto de propriedades para representar outro conjunto de propriedades. Alguns exemplos: uma folha de rvore, com suas nervuras, pode ser usada para representar uma rede fluvial; a nervura principal representa o rio mais importante, enquanto as nervuras secundrias representam afluentes; um sistema hidrulico pode ser usado, por analogia, para representar um sistema de trfegos: os canais destinados ao fluxo da gua no sistema hidrulico passam a ser canais destinados ao fluxo de veculos;

Os "modelos simblicos" usam letras, nmeros e outros tipos de smbolos para representar as variveis e suas relaes e tomam a forma de relaes matemticas que refletem a estrutura daquilo que pretendem representar.

As frmulas usadas na Matemtica e na Qumica so bons exemplos de modelos simblicos. Assim, para expressar a composio da gua, cujas molculas se compem de dois tomos de hidrognio e um de oxignio, utiliza-se a frmula H2O. Essa frmula um modelo simblico.

Em muitas pesquisas so utilizados os trs tipos de modelos, algumas vezes usam-se modelos icnicos e analgicos nas fases iniciais e, posteriormente, constri-se um modelo simblico.

Modelos matemticos: Os modelos matemticos os nicos que nos interessam neste


curso possuem vrias caractersticas. Podem diferir nos objetivos (descrio versus otimizao), modo de anlise (analtico versus numrico) e aleatoriedade (determinstico versus probabilstico).

Relaes entre variveis: Os modelos de simulao contm equaes que expressam


relaes entre variveis de interesse. Por exemplo: CT = CF + cv.Q

Tipos de variveis: As variveis de um modelo de simulao podem classificar-se como de


entrada (polticas, aleatrias ou determinsticas), sada e sada intermdia.

Figura 2 Variveis de um modelo

Ciclo de vida de um modelo: O ciclo de vida de um modelo de simulao compreende trs


fases. _ Na fase de definio, o problema transmitido ao analista que o concebe e constri uma soluo tcnica; _ Na fase de desenvolvimento, constri-se o modelo, valida-se e coloca-se em utilizao; _ Na fase de apoio deciso, o gestor manipula o modelo e decide sobre situaes colocando questes do tipo "O que que acontece se ...?" (what if...?).

Simulao de Monte-Carlo: Muitas vezes os modelos de simulao so componentes de


sistemas de informao para gesto e de sistemas de apoio deciso, compartilhando as mesmas bases de dados. Um modelo de simulao pode proporcionar uma representao bastante fiel do mundo real. Esta representao no possvel, grande parte das vezes, com modelos analticos. A simulao de processos probabilsticos pode ser realizada por vrios mtodos, sendo o de Monte-Carlo o mais popular. A sua adequabilidade, porm, depende dos casos concretos.

MTODO DE SIMULAO DE MONTE-CARLO


O mtodo de simulao de Monte-Carlo desenvolve-se ao longo das seguintes fases: Fase 1 Definimos a funo de probabilidade acumulada P(x), da varivel aleatria x, a qual pode ser uma distribuio terica (Uniforme, Triangular, Normal, Beta, Weibull, etc.) ou uma distribuio emprica qualquer. A Figura 3 representa uma funo de probabilidade acumulada P(x) da varivel aleatria contnua x; Fase 2 Escolhemos um nmero aleatrio equiprovvel entre 0 e 1 numa tabela de nmeros aleatrios (ou usando a funo RAND() no EXCEL).

Representamos este nmero yp no eixo das ordenadas da funo P(x); Fase 3 Projetamos yp horizontalmente at curva P(x), definindo-se o ponto P. Projetamos este ponto, por sua vez, sobre o eixo das abcissas, definindo-se o valor xp de uma amostra; Fase 4 Repetimos o procedimento e obtemos uma amostra.

Figura 3 Vejamos um exemplo de gerao de uma funo de duas variveis: A varivel dependente funo de duas variveis independentes aleatrias x e y com a forma Z = 5x + 2y. As variveis aleatrias x e y podem tomar os valores dentro dos intervalos de referncia (probabilidades) descritas no Quadro 1. Gerar 8 resultados de Z.

Quadro 1 Intervalos empricos de probabilidade assumidas pelas variveis x e y

Quadro 2 Valores aleatrios assumidos pelas variveis independentes x e y e dependente Z Um modelo de simulao de Monte-Carlo pode prever o comportamento de um sistema de gesto do stock de um artigo1, fornecendo como variveis de sada: o nvel mdio e nvel mximo de stock e os custos de posse, de encomendas e de roturas. Estes valores dependem do conjunto de variveis de deciso: Ponto de Encomenda e quantidade por encomenda ou periodicidade de encomenda e nvel de stock objetivo conforme usarmos o modelo de reviso contnua ou de reviso peridica, respectivamente.

Caso de uma fila de espera: Um modelo de simulao de uma fila de espera permite obter
como variveis de sada: os tempos de espera dos clientes e o comprimento da fila, bem como, os tempos de ociosidade dos atendedores. Estes valores dependem do tempo entre chegadas e dos tempos de atendimento (variveis independentes) e do nmero de atendedores (varivel de deciso).

Otimizao em simulao: A otimizao por simulao consegue-se por aproximaes


sucessivas zona tima, fazendo variar o conjunto de todas as variveis de deciso. A figura 4 mostra o caso de sucessivas iteraes para encontrar o conjunto de valores das variveis de entrada X e Y que minimizam a varivel de sada Z. O ponto P corresponde ao timo, ou seja, ao mnimo dos mnimos de Z.

Figura 4 Mnimo dos mnimos das vrias funes Z(X,Y)

PROCESSOS GERADORES DE VALORES ALEATRIOS

Distribuies de Probabilidade tericas: Uma componente muito importante de um


modelo de simulao consiste na amostragem dos processos probabilsticos. O procedimento que permite executar uma amostragem designa-se processo gerador. O processo gerador de distribuies de probabilidade empricas mais difcil do que o das distribuies de probabilidade tericas. O processo gerador das distribuies tericas requer apenas que o analista introduza os parmetros apropriados a cada tipo de distribuio.

Variveis contnuas:
No caso das distribuies contnuas tericas, tais como a Uniforme, a Exponencial negativa e a Triangular, o processo gerador pode ser obtido pelo mtodo inverso. Com este mtodo, a distribuio simples integrada para obter a sua verso acumulada. A equao resultante igualada a r (nmero aleatrio uniforme) e resolvida de forma a obtermos a varivel aleatria x em funo de r.

Distribuio Uniforme:

Figura 5 Funo densidade de probabilidade da distribuio Uniforme OBS: Com o apoio do EXCEL podemos gerar qualquer valor contnuo x da distribuio

Uniforme, entre B e A (B > A), fazendo:

Expresso 1

Expresso 2 Em Portugus substituir RAND() por ALEATRIO

Distribuio Exponencial negativa

Figura 6 Funo densidade de probabilidade da distribuio Exponencial O gerador da distribuio Exponencial no EXCEL : Expresso 3:

Distribuio Triangular

Figura 7 Funo densidade de probabilidade da distribuio Triangular O gerador da distribuio Triangular, quando r < (L O) / (P O), : Expresso 4 O gerador da distribuio Triangular, quando: r (L O) / (P O), : Expresso 5

Distribuio Normal

Figura 8 Funo densidade de probabilidade da distribuio Normal

O gerador da distribuio Normal no EXCEL : Expresso 6: Expresso 7:

Distribuio de Weibull

Figura 9 Funo densidade de probabilidade da distribuio de Weibull

A funo geradora da funo de Weibull no EXCEL a seguinte: Expresso 8:

Distribuio LogNormal

Figura 10 Funo densidade de probabilidade da distribuio LogNormal A funo geradora da funo LogNormal no EXCEL a seguinte: Expresso 9-

Variveis discretas
A amostragem a partir de distribuies tericas discretas, tais como a Bernoulli, Binomial (n processos de Bernoulli) e Poisson, realizada atravs de um procedimento de contagem dos valores assumidos pela varivel aleatria. No caso de variveis discretas, se existirem dados histricos cujo padro possa repetir-se no futuro, analisam-se os dados em frequncia. Se no existirem esses dados, estimam-se em probabilidade. Calculam-se, assim, as distribuies em probabilidade simples e acumulada de cada varivel. Seguidamente, aloca-se a cada valor possvel da varivel, um intervalo de nmeros aleatrios proporcional probabilidade da sua ocorrncia. Produz- se ento uma amostra de valores da varivel, gerando nmeros aleatrios e selecionando os valores da varivel que lhe esto associados. Nesta disciplina no se apresentam os processos geradores das distribuies tericas discretas pois no fcil program-los no EXCEL. , contudo, possvel criar valores aleatrios das distribuies Bernoulli, Binomial, Poisson e Discrete (a Uniforme e a Normal so contnuas e a Patterned pode ser contnua ou discreta), usando a janela de dilogo mostrada na Figura 11, fazendo sucessivamente: Tools, Data analysis, Random Number Generation.

Figura11 Janela de dilogo no EXCEL para gerao de nmeros aleatrios

Ferramenta de anlise Gerao de Nmero Aleatrio

Essa ferramenta faz parte das Ferramentas de anlise; ela preenche um intervalo com nmeros randmicos independentes retirados de uma dentre vrias distribuies. Pode-se usar essa ferramenta para caracterizar indivduos em uma populao com uma distribuio de probabilidade. Por exemplo, pode-se usar uma distribuio normal para caracterizar a populao de alturas dos indivduos ou pode usar uma distribuio de Bernoulli de dois resultados possveis para caracterizar a populao de resultados de "cara ou coroa".

Instalar e usar as Ferramentas de anlise


Para usar uma ferramenta de anlise, preciso organizar os dados que deseja analisar em colunas ou linhas na planilha, isto , o intervalo de entrada. Caso o comando Anlise de dados no estive no menu Ferramentas, preciso instalar as Ferramentas de anlise no Microsoft Excel.

Instalar as Ferramentas de anlise


1. No menu Ferramentas, clicar em Suplementos. Caso o comando Ferramentas de anlise no estiver includo na caixa de dilogo Suplementos, clicar em Procurar, aps localizar a unidade de disco, o nome da pasta e o nome do arquivo para o suplemento Ferramentas de anlise, Analys32.xll geralmente localizado na pasta Microsoft Office\Office\Biblioteca\Anlise ou executar o Programa de Instalao se ele no estiver instalado. 2. Marcar a caixa de seleo Ferramentas de anlise.

Para usar as Ferramentas de anlise


1. No menu Ferramentas, clicar em Anlise de dados. 2. Na caixa Ferramentas de anlise, clicar na ferramenta que se deseja utilizar. 3. Inserir o intervalo de entrada e o intervalo de sada e, em seguida, selecionar as opes desejadas. Os suplementos selecionados na caixa de dilogo Suplementos permanecem ativos at que serem removidos. Para descarregar um programa suplementar do Microsoft Excel preciso seguir os seguintes passo: 1. No menu Ferramentas, clicar em suplementos. 2. Na caixa Suplementos disponveis, desmarcar a caixa de seleo posicionada ao lado do suplemento que se deseja descarregar. 3. Para remover o suplemento da memria, reinicie o Excel quando se descarrega um suplemento do Excel, ele no removido do sistema de computador.

Caixa de dilogo Gerao de Nmero Aleatrio


Nmero de variveis: Inserir o nmero de colunas de valores que se deseja na tabela de sada. Se no inserir um nmero, o Microsoft Excel preencher as colunas da tabela de sada especificada. Nmero de nmeros aleatrios: Inserir o nmero de pontos de dados que se deseja visualizar. Cada ponto de dados aparece em uma linha da tabela de sada. Caso no se insere um nmero, o Microsoft Excel preencher todas as linhas da tabela de sada especificada.

Distribuio: Selecionar o mtodo de distribuio que se deseja usar para criar valores randmicos. Uniforme: Caracterizada por limites inferiores e superiores. As variveis so tiradas com probabilidade igual de todos os valores no intervalo. Um aplicativo comum usa uma distribuio uniforme no intervalo de 0 a 1. Normal: Caracterizada por uma mdia e um desvio padro. Um aplicativo comum usa uma mdia de 0 e um desvio padro de 1 para a distribuio normal padro. Bernoulli: Caracterizada por uma probabilidade de xito (valor p) em uma determinada tentativa. As variveis randmicas Bernoulli tm o valor 0 ou 1. Por exemplo, pode-se formular uma varivel randmica uniforme no intervalo de 0 a 1. Caso a varivel for menor ou igual probabilidade de xito, atribui-se o valor 1 varivel randmica Bernoulli; caso contrrio, ser atribudo o valor 0. Binomial: Caracterizada por uma probabilidade de xito (valor p) para vrias tentativas. Por exemplo, pode-se gerar variveis randmicas Bernoulli do nmero de tentativas, cuja soma uma varivel randmica binomial. Poisson: Caracterizada por um valor lambda equivalente a 1/mdia. A distribuio Poisson usada com freqncia para caracterizar o nmero de eventos que ocorre por unidade de tempo por exemplo, uma taxa mdia na qual os carros chegam a um posto de pedgio. Padronizada: Caracterizada por um limite inferior e superior, uma etapa, uma taxa de repetio para os valores e uma taxa de repetio para a seqncia. Discreta: Caracterizada por um valor e pelo intervalo de probabilidade associado. O intervalo deve conter duas colunas: a coluna da esquerda contm valores e a da direita deve conter probabilidades associadas ao valor nesta linha. A soma das probabilidades deve ser 1. Parmetros: Inserir um valor ou valores para caracterizar a distribuio selecionada. Semente aleatria: Inserir um valor opcional a partir do qual nmeros randmicos possam ser gerados. Pode-se voltar a usar este valor para produzir os mesmos nmeros randmicos posteriormente. Intervalo de sada: Inserir a referncia da clula superior esquerda da tabela de sada. O Microsoft Excel determinar automaticamente o tamanho da rea de sada e exibir uma mensagem se a tabela de sada estiver prestes a substituir os dados existentes. Nova planilha: Clicar nesta opo para inserir uma nova planilha na pasta de trabalho atual e colar os resultados na clula A1 da nova planilha. Para nomear a nova planilha, digitar um nome na caixa. Nova pasta de trabalho: Clicar nesta opo parar criar uma nova pasta de trabalho e colar os resultados em uma nova planilha na nova pasta de trabalho.

Complementos das tcnicas de simulao


A qualidade dos nmeros aleatrios fundamental para um estudo de simulao. Os nmeros aleatrios podem ser obtidos numa tabela (das muitas publicadas) ou em software para o

efeito. Por vezes, os nmeros aleatrios no se encontram disponveis e o analista tem que saber gerar os mesmos e testar a sua qualidade. Um gerador de nmeros aleatrios deve gerar nmeros verdadeiramente aleatrios (equiprovveis), ser rpido, no requerer muito espao de armazenagem, possuir um longo perodo de ciclo, no degenerar e ser capaz de repetir sequncias predefinidas. Um gerador de nmeros aleatrios deve passar qualquer teste estatstico de aleatoriedade. O objetivo da fase de desenho experimental de um modelo de simulao, consiste em conseguir o desenho efetivo e eficiente de uma experincia, de forma a determinar o efeito de diferentes variveis no comportamento do sistema que o modelo representa. Trata-se pois de uma forma de conhecer a resposta do sistema a diferentes fatores. O nmero destes fatores pode ser apenas um ou vrios. Cada fator pode variar ao longo de todo o intervalo possvel ou apenas ao longo de parte, dizendo-se que o desenho experimental completo ou parcial, respectivamente. Os modelos de simulao empregam os seguintes mtodos de avano do tempo: prximo acontecimento (o relgio progride por saltos desiguais); incremento fixo (o relgio progride por saltos iguais). A seleo de um ou outro mtodo depende do tipo de aplicao, da linguagem de programao usada, do tempo disponvel para correr o modelo e da preciso da informao requerida.

Figura 12 Mtodos de avano do tempo: prximo acontecimento ou por incremento fixo Quando se inicia uma corrida de um modelo de simulao, existe um perodo inicial transitrio antes de se entrar no regime estacionrio. O interesse da anlise pode situar-se no perodo transitrio ou no estacionrio ou em ambos, dependendo das caractersticas de interesse do sistema que se pretendem captar. Este fato determina quais as condies do estado inicial que devero ser usadas e o perodo de tempo a simular de forma a poder coligir e analisar dados suficientes.

Figura 13 Regime transitrio e regime estacionrio Quando as observaes das variveis de sada so estatisticamente independentes (ou quase), pode utilizar-se as frmulas da amostragem simples para calcular o nmero necessrio de iteraes.

Figura 14 A amplitude do intervalo de confiana decresce com o aumento do n de observaes n A validao de um modelo ao longo das vrias fases de desenvolvimento muito importante. A validao compreende: _ O teste dos pressupostos; _ O teste emprico das relaes usadas; _ A comparao das sadas do modelo com os dados colhidos do sistema real representado. Devido natureza probabilstica das variveis de sada, os seus valores mdios devem ser expressos em intervalos de confiana conforme mostra a Figura 15 e descrito nas Expresses 10, 11 e 12.

Figura15 Normal reduzida para um nvel de confiana de 95% Intervalo de confiana da mdia quando n < 30 (usamos a funo t de Student):

Expresso 10 Intervalo de confiana da mdia quando n > 30 (usamos a funo Normal reduzida Z): Expresso 11 Intervalo de confiana no caso das propores: Expresso 12 Nestas trs expresses, representa o nvel de significncia e o segundo termo da equao o erro amostral. Quando se comparam duas alternativas entre si usando o mesmo modelo de simulao, e no qual cada alternativa se caracteriza por diferentes valores de uma ou mais das suas variveis de entrada, torna-se necessrio determinar se os resultados obtidos so significativamente diferentes ou no. Para tal, se A e B representarem os valores esperados de uma qualquer varivel de sada resultantes da simulao das duas alternativas, e se considerarmos que a hiptese nula corresponde a A = A, ento, podemos chegar a uma de trs concluses:

A concluso depender dos valores esperadosXA eXB da varivel em estudo, bem como dos desvios padro sA e sB obtidos nas duas alternativas. Assumindo que as simulaes so estatisticamente independentes, isto , que os nmeros aleatrios usados em cada alternativa foram diferentes, e assumindo normalidade na distribuio dos resultados de cada alternativa, podemos eleger Z para estatstica de teste.

Expresso 13 Admitindo um nvel de significncia , a regra de deciso ser ento a seguinte:

Concepo de modelos de simulao O desenvolvimento bem-sucedido de um modelo de simulao requer mais do que competncia tcnica. O analista deve seguir um processo lgico e sistemtico de desenvolvimento do modelo e deve saber relacionar-se com os futuros utilizadores de forma a gerar interesse e aceitao. As fases do processo de concepo, teste e implementao de um modelo incluem: _ A identificao do problema e definio de objetivos; _ A ponderao de potenciais custos e benefcios; _ A colheita de dados e desenvolvimento do modelo; _ A validao do modelo; _ A implementao dos resultados Durante o desenvolvimento de um modelo fundamental que haja envolvimento do utilizador final e haja apoio por parte dos gestores. Deve haver muito cuidado na definio do problema e na seleo da informao necessria. O desenho do modelo deve ter em conta a verdade dos dados, a forma como os utilizadores tomam decises e a forma como o modelo ir ser utilizado. Uma boa regra consiste em construir um modelo pequeno e expandi-lo mais tarde quando a situao o exigir. Um modelo s dever ser usado se o utilizador final perceber a sua validade e utilidade.

ANEXO: INDICADORES UTILIZADOS PARA MEDIR O RISCO NO TRABALHO

H uma srie de indicadores que podem ser construdos visando medir o risco no trabalho e permitir comparaes entre diferentes momentos de tempo. A OIT utiliza trs indicadores para medir e comparar a periculosidade entre diferentes setores de atividade econmica de um pas (ILO, 1971): o ndice de freqncia, o ndice de gravidade e a taxa de incidncia. J a NB 18 (ABNT, 1975), sugere a construo dos seguintes indicadores: taxas de freqncia (total, com perda de tempo e sem perda de tempo), taxa de gravidade e medidas de avaliao da gravidade (nmero mdio de dias perdidos em conseqncia de incapacidade temporria total, nmero mdio de dias perdidos em conseqncia de incapacidade permanente e tempo mdio computado). Vrios estudos elaborados por especialistas sugerem, ainda, a adoo de um indicador que permita avaliar o custo social dos acidentes de trabalho. importante ressaltar que a recomendao internacional que, no clculo dos indicadores, devem ser includos os acidentados cuja ausncia da atividade laborativa tenha sido igual ou superior a uma jornada normal, alm daqueles que exercem algum tipo de trabalho temporrio ou informal, situao em que o acidentado no se ausenta formalmente do trabalho, porm fica impedido de executar sua atividade habitual. Os indicadores de acidentes de trabalho, alm de fornecer indcios para a determinao de nveis de periculosidade por rea profissional, so de grande importncia para a avaliao das doenas profissionais, e absolutamente indispensveis para a correta determinao de programas de preveno de acidentes e conseqente melhoria das condies de trabalho no Brasil. Dentre esses indicadores sugeridos adotamos trs como bsicos para anlise: ndices de freqncia, gravidade e custo. A seguir definimos sua conceituao e a metodologia de clculo adotada, considerando as peculiaridades dos dados disponveis sobre acidentes de trabalho no Brasil. ndice de Freqncia (If) O ndice de Freqncia (If) mede o nmero de acidentes ocorridos para cada 1.000.000 de homens-hora trabalhadas
If = Nmero total de acidentes * 1.000.000 Nmero total de homens - hora trabalhada s

onde o denominador (homens-hora trabalhadas) calculado pelo somatrio das horas de trabalho de cada pessoa exposta ao risco de se acidentar, ou ento, aproximado por

Nmero de trabalhadores * 8 horas/dia * Nmero de dias trabalhados no perodo considerado e a informao de nmero de dias trabalhados no perodo considerado deve ser estimada. Utilizamos uma mdia de 22 dias teis como estimativa de dias trabalhados por ms. Como o perodo de anlise considerado anual, o total de dias trabalhados adotado foi de 264 (ou seja, 12 meses no ano * 22 dias por ms = 264 dias).

A frmula original do ndice de freqncia, apresentada acima, demanda uma reflexo. Algumas empresas apresentam maior grau de declarao de acidentes de trabalho, registrando todas as ocorrncias, sejam elas graves ou no. Outras, porm, registram apenas a parcela de acidentes mais graves que resultam na concesso de benefcios previdencirios. Ao computar no numerador todos os acidentes registrados, o ndice de freqncia acaba por penalizar as empresas com boa declarao de sinistralidades, favorecendo aquelas que s declaram o obrigatrio. A fim de contornar esse problema, sugerimos uma alterao na formulao original do indicador, de tal forma que no numerador sejam considerados apenas os acidentes de trabalho que geraram algum tipo de benefcio previdencirio (aposentadoria por invalidez, auxlio-doena, auxlio-acidente e penso por morte). Desta forma, podemos reescrever o ndice de freqncia como
I fd = Nmero total de acidentes de trabalho que geraram benefcio * 1.000.000 Nmero total de homens - hora trabalhada s

o qual ser denominado ndice de freqncia descontaminado.

ndice de Gravidade (Ig) O ndice de Gravidade (Ig) mede o grau de gravidade de cada acidente ocorrido, a partir da durao do afastamento do trabalho, permitindo obter uma indicao da perda laborativa devido incapacidade.
Ig = Nmero total de dias perdidos * 1.000 Nmero total de homens - hora trabalhada s

Segundo a OIT, esse indicador deve ser multiplicado por 1.000 (ILO, 1971), tal como apresentado acima. A NB 18 (ABNT, 1975), por outro lado, recomenda a multiplicao por 1.000.000. Optamos pela forma sugerida pela OIT, por ser a metodologia que gera ndices de gravidade da mesma ordem de grandeza que os ndices de freqncia, facilitando a visualizao e a anlise dos resultados. recomendado que no numerador sejam computados os dias perdidos em funo de todos os acidentes ocorridos no perodo, incluindo os afastamentos por menos de 15 dias e o tempo de permanncia como beneficirio de auxlio-doena. Alm disso, devem ser computados os dias perdidos em funo de acidentes que causaram a morte, a incapacidade total permanente e a incapacidade parcial permanente. Neste ltimo caso, o clculo do nmero de dias perdidos deve seguir normas preestabelecias. Segundo a 6a Conferncia Internacional de Estatsticas do Trabalho, realizada em 1947, cada acidente que resultasse na morte ou na incapacidade total permanente deveria ser computado como 7.500 dias de trabalho perdidos. Entretanto, o clculo desse ndice no era feito uniformemente. Cada pas utilizava um fator para clculo dos dias perdidos. Desta forma, a 10a Conferncia Internacional de Estatsticas do Trabalho determinou que futuras pesquisas deveriam ser elaboradas a fim de fixar um parmetro para uso internacional (ILO, 1971).

A NB 18 (ABNT, 1975), determina que cada ocorrncia de morte ou incapacidade permanente total seja computada como equivalente a 6.000 dias de trabalho perdidos. Este o critrio adotado pela grande maioria dos pases, tal como prope o American National Standards Institute, e foi o critrio aqui considerado na metodologia de clculo do ndice de gravidade. importante destacar, entretanto, que esse valor foi obtido a partir de uma estimativa conjunta entre duas variveis: idade ao se acidentar e expectativa mdia de vida. Com a recente queda da mortalidade verificada na populao, e os conseqentes ganhos na expectativa de vida1, poderia ser avaliada, em um futuro prximo, a possibilidade de reviso desse valor. Em caso de incapacidade parcial permanente, os dias a debitar, segundo a NB 18, devem obedecer critrios pr-definidos, conforme a parte do corpo atingida, ainda que o nmero de dias realmente perdidos seja maior ou menor do que o nmero de dias a debitar, ou at mesmo quando no haja dias perdidos. Entretanto, a contabilizao das causas da incapacidade parcial permanente, com o nvel de detalhe proposto pela NB 18, demandaria tabulaes extremamente complexas. Por outro lado, a escolha a priori de um valor mdio a ser atribudo para todos os casos de incapacidade parcial permanente poderia gerar distores. O ideal seria a elaborao de um estudo que subsidiasse essa escolha. Desta forma, como tentativa de soluo do problema de contagem de nmero de dias perdidos, elaboramos algumas tabulaes, cujos resultados esto apresentados no Resumo Executivo DIGI.E 01/98. Foi constatado que, como no possumos a informao total sobre membros amputados (por exemplo, qual o dedo e em que altura foi amputado) ou a perturbao funcional ocasionados pelo acidente, a atribuio de um valor mdio no uma questo trivial (DATAPREV, 1998). O ideal seria melhorar a forma de coleta e armazenamento das informaes, de tal forma que a correta associao entre leso e dias perdidos pudesse ser feita. Enquanto os dados no permitem a correta associao entre leso e dias perdidos, sugerimos que a metodologia de clculo do ndice de gravidade considere, para os casos de incapacidade parcial permanente, um total de 2.500 dias perdidos. Finalmente, a fim de garantir a mesma base de clculo utilizada no ndice de freqncia, sero computados os dias perdidos dos acidentes que geraram algum tipo de benefcio previdencirio, ou seja, no sero considerados os casos de simples assistncia mdica e afastamentos inferiores a 15 dias.

ndice de Custo (Ic) O ndice de Custo (Ic) permite estabelecer uma comparao entre os gastos da Previdncia Social com pagamento de benefcios decorrentes de acidentes de trabalho e as contribuies devidas ao SAT
1

Para maiores detalhes, vide CARVALHO, Jos Alberto M. A transio demogrfica no Brasil: aspectos relevantes para a Previdncia. Previdncia em Dados, Rio de Janeiro, v.10, n.3/4, p.5-17, jul/dez. 1995.

Ic =

Gastos com pagamento de benefcios por acidente do trabalho * 100 Contribui o das empresas para o SAT

Os gastos com pagamentos de benefcios por acidente do trabalho incluem os crditos emitidos para pagamento dos benefcios ativos no cadastro e os benefcios concedidos no ano. Embora no denominador seja considerada a contribuio total das empresas para o SAT, com base nas alquotas associadas ao grau de risco, importante ressaltar que 2% dessa contribuio se destina FUNDACENTRO - Fundao Jorge Duprat de Figueiredo, de Segurana, Higiene e Medicina do Trabalho, que desenvolve atividades de preveno de acidentes e doenas profissionais, conforme orientao do Ministrio do Trabalho. A formulao original do ndice de custo permite avaliar se o seguro de acidentes de trabalho deficitrio ou superavitrio, o que de extrema importncia para anlises globais do sistema. Entretanto, se o objetivo avaliar o enquadramento das atividades econmicas por grau de risco, h que se fazer uma ressalva de extrema importncia. Ao contrrio dos outros dois indicadores apresentados, o ndice de custo, em sua formulao original, sensvel a enquadramentos de grau de risco equivocados, uma vez que a contribuio das empresas para o SAT determinada em funo da alquota de 1%, 2% ou 3%, conforme o cdigo da Classificao Nacional de Atividade Econmica CNAE, associado. Uma alternativa seria utilizar um ndice de custo modificado, que considere no denominador a contribuio total da empresa, desprezando, portanto, o grau de risco associado quela atividade econmica. Esse ndice de custo modificado seria, ento, uma medida do pagamento de benefcios acidentrios e do salrio-de-contribuio dos empregados, sendo expresso pela relao
I cm = Gastos com pagamento de benefcios por acidente do trabalho * 100 Contribui o total das empresas

Anexo I -Classificao segundo o ndice de Freqncia (If) - 1996 Conceito: O ndice de Freqncia (If) mede o nmero de acidentes ocorridos para cada 1.000.000 de homens-hora trabalhadas. Frmula:
If = Nmero tot al de acid entes de t rabalho qu e geraram benefcio * 1.000.000 Nmero tot al de home ns - hora traba lhadas

O conceito de homens-hora trabalhadas equivalente a: nmero de trabalhadores* 8horas/dia*nmero de dias trabalhados no perodo considerado. Foi utilizado o valor de 264 dias trabalhados (mdia de 22 dias teis por ms).

Anexo II -Classificao segundo o ndice de Freqncia (If) - 1997 Conceito: O ndice de Freqncia (If) mede o nmero de acidentes ocorridos para cada 1.000.000 de homens-hora trabalhadas.

Frmula:
If = Nmero tot al de acid entes de t rabalho qu e geraram benefcio * 1.000.000 Nmero tot al de home ns - hora traba lhadas

O conceito de homens-hora trabalhadas equivalente a: nmero de trabalhadores* 8 horas/dia*nmero de dias trabalhados no perodo considerado. Foi utilizado o valor de 264 dias trabalhados (mdia de 22 dias teis por ms).
Nmero total de acidentes * 1.000.000 Nmero total de homens - hora trabalhada s

If =

Anexo III -Classificao segundo o ndice de Gravidade (Ig) - 1996 Conceito: O ndice de Gravidade (Ig) mede o grau de gravidade de cada acidente ocorrido, a partir da durao do afastamento do trabalho, permitindo obter uma indicao da perda laborativa devido incapacidade. Frmula: Ig =
Nmero tot al de dias perdidos *1.000 Nmero tot al de home ns - hora traba lhadas

O conceito de homens-hora trabalhadas equivalente a: nmero de trabalhadores* 8 horas/dia* nmero de dias trabalhados no perodo considerado. Foi utilizado o valor de 264 dias trabalhados (mdia de 22 dias teis por ms).

Anexo IV -Classificao segundo o ndice de Gravidade (Ig) 1997 Conceito:O ndice de Gravidade (Ig) mede o grau de gravidade de cada acidente ocorrido, a partir da durao do afastamento do trabalho, permitindo obter indicao da perda laborativa devido incapacidade. Frmula: Ig =
Nmero tot al de dias perdidos * 1.000 Nmero tot al de home ns - hora traba lhadas

O conceito de homens-hora trabalhadas equivalente a: nmero de trabalhadores* 8 horas/dia *nmero de dias trabalhados no perodo considerado. Foi utilizado o valor de 264 dias trabalhados (mdia de 22 dias teis por ms).
Nmero total de dias perdidos * 1.000 Nmero total de homens - hora trabalhada s

Ig =

Anexo V -Classificao segundo o ndice de Custo (Ic) - 1996 Conceito: O ndice de Custo (Ic) permite estabelecer uma comparao entre os gastos da Previdncia Social com pagamento de benefcios decorrentes de acidentes do trabalho e a contribuio total das empresas. Frmula: Ic =
Gastos com pagamento de benef cios por a cidente do trabalho *100 Contribui o total d as empresa s

Anexo VI -Classificao segundo o ndice de Custo (Ic) - 1997 Conceito: O ndice de Custo (Ic) permite estabelecer uma comparao entre os gastos da Previdncia Social com pagamento de benefcios decorrentes de acidentes do trabalho e a contribuio total das empresas. Frmula: Ic =
Gastos com pagamento de benef cios por a cidente do trabalho *100 Contribui o total d as empresa s

Ic =

Gastos com pagamento de benefcios por acidente do trabalho * 100 Contribui o das empresas para o SAT

Anexo VII - Classificao Final dos CNAEs segundo a Freqncia, a Gravidade e o Custo dos Acidentes de Trabalho 1996. A classificao ordena cada CNAE (do maior para o menor) segundo a freqncia, a gravidade e o custo dos acidentes de trabalho. Foram atribudos pesos iguais a cada varivel e a contribuio de cada uma foi obtida com base nos indicadores anteriormente apresentados.

Anexo VIII - Classificao Final dos CNAEs segundo a Freqncia, a Gravidade e o Custo dos Acidentes de Trabalho 1997. A classificao ordena cada CNAE (do maior para o menor) segundo a freqncia, a gravidade e o custo dos acidentes de trabalho. Foram atribudos pesos iguais a cada varivel e a contribuio de cada uma foi obtida com base nos indicadores anteriormente apresentados.