You are on page 1of 219

PONTIFCIA UNIVERSIDADE CATLICA DE SO PAULO

PUC-SP

Chang Kuo Rodrigues

O Teorema Central do Limite: Um Estudo Ecolgico do


Saber e do Didtico

DOUTORADO EM EDUCAO MATEMTICA

SO PAULO
2009
PONTIFCIA UNIVERSIDADE CATLICA DE SO PAULO
PUC-SP

Chang Kuo Rodrigues

O Teorema Central do Limite: Um Estudo Ecolgico do


Saber e do Didtico

Tese apresentada Banca Examinadora


da Pontifcia Universidade Catlica de
So Paulo, Programa de Ps-Graduao
em Educao Matemtica, como
exigncia parcial para obteno do ttulo
de Doutor em Educao Matemtica sob
a orientao da Professora Doutora
Cileda de Queiroz e Silva Coutinho.

SO PAULO
2009
Banca Examinadora
Autorizo exclusivamente, para fins acadmicos e cientficos, a reproduo
total ou parcial dessa Tese por processos de fotocopiadoras ou eletrnicos.

Assinatura: __________________________________________________________
So Paulo, 02 de dezembro de 2009.
Dedico este trabalho s minhas quatro
filhas: Samantha, Amanda, Paula e
Roberta.
AGRADECIMENTOS

A minha orientadora, Professora Doutora Cileda de Queiroz e Silva Coutinho, pelas


incansveis vezes de ateno disponveis a mim, tornando possvel a realizao
deste trabalho.
Aos membros convidados da Banca Examinadora: Professora Doutora Celi,
Professora Doutora Maria Lcia, Professor Doutor Benedito e Professora Doutora
Maria Jos, pela disponibilidade da partilha deste momento.
Ao Colgio Cristo Redentor, que participou com incentivos: moral e material.
Aos meus colegas que me acompanharam durante toda essa longa jornada.
Aos meus amigos e amigas que estiveram sempre comigo, seja na presena, seja
nas palavras, pois, mesmo sem ter conhecimento, me ajudaram a superar
obstculos e enfrentar novos desafios.
A toda minha famlia, especialmente ao Tuca, por ter compreendido minhas
ausncias.
s minhas filhas e netas (Maria Eduarda e Maria Gabriela) pelos momentos em que
tiveram que ouvir tantos nos por estar ocupada neste trabalho, mas que sirva de
exemplo de que essa me e essa av, jamais foi, ou ser vencedora e, sim,
guerreira, mesmo perdendo muitas lutas, mas que a palavra desistir no faz parte
da vida.
S h um meio de resgatar a nossa
dignidade, intelectualidade ou a riqueza
que existe dentro de ns: reconhecer a
superioridade dos humildes.
RESUMO

O presente trabalho refere-se construo das ideias e dos conceitos matemticos


e/ou estatsticos em torno do Teorema Central do Limite para os Licenciandos de
Matemtica. A investigao justifica-se pela importncia do teorema na Inferncia
Estatstica e sua compreenso pelos futuros profissionais que atuaro na
Educao Bsica. Nesse sentido, fez-se uma reviso bibliogrfica que tem relao
com o processo de ensino e de aprendizagem do teorema e enfatizamos sua
importncia na prtica do dia a dia do professor de Matemtica. O quadro terico
incide sobre as teorias da Didtica da Matemtica, particularmente, a Teoria da
Transposio Didtica, munido de uma abordagem ecolgica sob o ponto de vista
do saber e do didtico, ou seja, averiguamos que saberes so indispensveis e os
que so no-necessrios, de modo que permite o teorema viver no curso de
Licenciatura em Matemtica. Os procedimentos metodolgicos esto voltados para o
design didtico, j que a investigao tem o cunho qualitativo e cujos pressupostos
esto aliados Engenharia Didtica. Isso se justifica porque a investigao est no
contexto do ensino de Estatstica, consequentemente, sob o ponto de vista da
aprendizagem tambm. Os sujeitos dessa investigao so os licenciandos que j
predispunham de conhecimentos sobre a Estatstica Bsica e, a partir de uma
anlise prvia sobre que tipos de conhecimento eles j detinham sobre o tema,
apresentamos algumas atividades no contexto de uma situao-problema pertinente
ao cotidiano dos professores de Matemtica. Aps a realizao dessas atividades,
ocorreu tambm um dilogo, com discusses acerca do tema, o que nos permitiu
analisar como foram construdos as ideias e os conceitos sobre o Teorema Central
do Limite, de modo que sua compreenso fosse o principal alvo para os
licenciandos. Alm disso, analisamos alguns livros-texto do ensino superior, luz da
Teoria Antropolgica do Didtico, pois o que est em jogo o saber-fazer, o que
tambm reiterou que saberes so indispensveis para que o teorema viva sob o
ponto de vista ecolgico do saber e do didtico. Por outro lado, detectamos que tipos
de limitaes, ou restries, existem nas obras consultadas, interferindo assim, a
elaborao das atividades por parte do professor. Portanto, a nossa investigao
reitera a importncia do ensino e da aprendizagem desse contedo na formao dos
futuros professores de Matemtica.

Palavras-chave: Teorema Central do Limite. Didtica da Estatstica. Estrutura


ecolgica do saber. Literacia Estatstica. Teoria Antropolgica do Didtico.
ABSTRACT

This research refers to the building of mathematical and/or statistical ideas and
concepts around Central Limit Theorem for Mathematics graduates. The investigation
is justified by the importance of the theorem in Statistics Inference and its
understanding by the professionals to be, who will act in Basic Education. Therefore,
a research on some books was done, which is related to the teaching and learning
process of the theorem and we emphasized its importance on the Mathematics
teacher daily practice. The theoretical approach focuses on the theories of didactics
of mathematics, particularly, the Theory of Didactic Transposition, with an ecological
approach under the knowledge and teaching point of view, that is, we investigated
what kind knowledge is essential or not so as to make the theorem live throughout
the Mathematics course. The methodological procedures are focused on the didactic
design, because the investigation has a qualitative nature, and whose assumptions
are linked to Didactic Engineering. This is justified because the investigation is in the
context of teaching statistics, so, it is also in the learning process. The subjects of this
investigation are the graduates who had some knowledge about Basic Statistics and,
from a previous analysis about the kind of knowledge they had about the theme, we
presented some activities in a problem-situation context connected to the
Mathematics teachers daily practice. After these activities, there was also a dialogue,
with discussions about the theme, allowing us to anlyse how the ideas and concepts
around the Central Limit Theorem were built, being its understanding the main aim
for the graduates. Besides that, we analysed some textbooks for higher education,
based on the Anthropological Theory of Didactics, because the focus is on knowing
how to do, which also showed us that knowledge is essential for the theorem to live
under the knowledge and teaching ecological point of view. On the other hand, we
detected what kind of limitations, or restrictions, exist in the books analyzed,
interfering in the elaboration of the activities by the teacher. Thus, our investigation
reaffirms the importance of teaching and learning Statistics in the various applications
for the Mathematics teachers to be.

Keywords: Central Limit Theorem. Didactics of Statistics. Ecological structure of


knowledge. Literacy Statistics.Anthropological Theory of Didactics.
LISTA DE FIGURAS

FIGURA 1 A Ideia de Uma Distribuio Amostral ........................................... 68


FIGURA 2 O Grfico para Distribuio Normal para X e X ............................. 85
FIGURA 3 A Distribuio dos Pesos ....... ...................................................... 89
FIGURA 4 Distribuio Uniforme com 300 Repeties = 2,9 e = 5,39 .... 90
FIGURA 5 Distribuio Logonormal com 300 Repeties = 0 e = 1 ....... 91
FIGURA 6 Distribuio Bimodal com 300 Repeties ................................... 91
FIGURA 7 Distribuio Exponencial com 300 Repeties ............................ 92
FIGURA 8 Tabela da Distribuio da Varivel Y ........................................... 94
FIGURA 9 Ilustrao da Atividade de Contexto Matemtico de A3. Figura
8.1 do Livro ................................................................................... 94
FIGURA 10 A Distribuio de Observao ...................................................... 98
FIGURA 11 A distribuio exata (tracejada) e a aproximao Normal a partir
do Teorema Central do Limite (contnua) para o tempo mdio
necessrio para manuteno de um ar-condicionado ................. 99
FIGURA 12 As pores sombreadas so iguais probabilidade de uma
mdia amostral inferior a 19,8 ou superior a 20,2 ........................ 102
FIGURA 13 Determinao da rea sombreada da distribuio amostral ........ 105
FIGURA 14 Distribuio de Pesos de homens ................................................ 107
FIGURA 15 Distribuio de Mdias Amostrais de 36 homens ........................ 108
FIGURA 16 Distribuies: Populacional, da Amostra, Amostral Observada e
Amostral Terica .......................................................................... 112
LISTA DE TABELAS

TABELA 1 Atividades nos Livros-Texto .............................................................. 81


TABELA 2 ndice de Autoestima da Situao-Problema Proposta aos
Licenciandos .................................................................................... 124
TABELA 3 Atividade realizada por BM para o item 7 ........................................ 135

LISTA DE QUADROS

QUADRO 1 Denominao dos Livros-Texto ..................................................... 80


QUADRO 2 Definio do Teorema Central do Limite nos Livros-Texto ........... 110
LISTA DE ESQUEMAS

ESQUEMA 1 Dinmica da Pesquisa-Ao de Nossa Investigao com Base


em Thiollent (1996) ..................................................................... 49
ESQUEMA 2 Esboo de um Ecossistema para o Teorema Central do Limite.. 56
ESQUEMA 3 Cadeia Alimentar Simples para o Teorema Central do
Limite............................................................................................ 59
ESQUEMA 4 Esquema de Redes Trficas em um Ecossistema Mostrando a
Partilha entre Dois Ecossistemas: o Teorema Central do Limite
Enquanto Objeto Matemtico e Objeto da Estatstica ................ 61
ESQUEMA 5 Ecossistema do Teorema Central do Limite ............................... 69
ESQUEMA 6 Representao de um Ecossistema Sob o Ponto de Vista do
Didtico ....................................................................................... 73
ESQUEMA 7 Estrutura ecolgica para o Teorema Central do Limite no livro-
texto A1 ....................................................................................... 83
ESQUEMA 8 Ecossistema da Atividade Proposta por A1 no Contexto
Matemtico e Estatstico ............................................................. 87
ESQUEMA 9 Ecossistema do Teorema Central do Limite para A2 ................. 93
ESQUEMA 10 Ecossistema para A3 de contexto matemtico ........................... 96
ESQUEMA 11 Ecossistema para o Teorema Central do Limite na Atividade (c) 103
ESQUEMA 12 Ecossistema para Atividade 2 ..................................................... 130
ESQUEMA 13 Ecossistema para o Teorema Central do Limite na Atividade 3.. 139
SUMRIO

1 INTRODUO ................................................................................................ 15
2 UMA INVESTIGAO MOTIVADA PELA EXPERINCIA ............................. 19
3 REVISO DA LITERATURA ........................................................................... 25
3. 1 O Teorema Central do Limite Sob tica da Educao ........................ 25
3. 2 Um Breve Cenrio Histrico do Teorema Central do Limite ................ 33
4 PROCEDIMENTOS E REFERENCIAIS METODOLGICOS ........................ 41
4. 1 A Anlise dos Livros-Texto e a Teoria Antropolgica do Didtico ....... 45
4. 2 As Atividades Didticas e os Licenciandos .......................................... 46
4. 3 A Pesquisa e a Prtica: o Design Didtico ........................................... 50
5 QUADRO TERICO DA INVESTIGAO ..................................................... 53
5. 1 A Problemtica Ecolgica sob o Ponto de Vista do Saber ................... 54
5.1.1 A Noo de Ecossistema ........................................................... 54
5.1.2 Abordagem Ecolgica do Saber: O Teorema Central do Limite 56
5. 2 Abordagem Ecolgica do Didtico........................................................ 70
5. 3 Literacia Estatstica .............................................................................. 74
6 O ESTUDO DA CONSTRUO DOS SABERES ESTATSTICOS ............... 79
6. 1 O Teorema Central do Limite e os Livros-Texto .................................. 80
6.1.1 Anlise Quantitativa de Livros-Texto ......................................... 81
6.1.2 Apresentao e Anlise de Atividade no Livro-Texto ................ 82
6.1.2.1 Atividades do Livro-Lexto A1 ......................................... 82
6.1.2.2 Atividades do Livro-Lexto A2 ......................................... 90
6.1.2.3 Atividades do Livro-Lexto A3 ......................................... 93
6.1.2.4 Atividades do Livro-Lexto A4 ......................................... 96
6.1.2.5 Atividades do Livro-Lexto A5 ......................................... 96
6.1.2.6 Atividades do Livro-Lexto A6 ......................................... 99
6.1.2.7 Atividades do Livro-Lexto A7 ......................................... 105
6.1.3 Definio do Teorema Central do Limite nos Livros-Texto ........ 108
6. 2 A Anlise da Investigao Sob o Ponto de Vista Ecolgico do
Didtico: o Teorema Central do Limite e os Licenciandos ................... 112
6.2.1 As Atividades com os Licenciandos ........................................... 113
6.2.2 A Primeira Atividade com os Licenciandos ................................ 114
6.2.3 Noes Preliminares para as prximas Atividades .................... 119
6.2.4 Anlise das Atividades 2 e 3 ...................................................... 124
6. 3 O Dilogo: Intervenes Controladas .................................................. 137
7 CONSIDERAES FINAIS ............................................................................ 147
REFERNCIAS .................................................................................................... 153
APNDICES ........................................................................................................ 161
ANEXOS .............................................................................................................. 187
15

1 INTRODUO

O presente trabalho surgiu a partir da motivao e curiosidade por um olhar


mais atento sobre o Ensino da Estatstica nos cursos superiores, particularmente, no
Curso de Licenciatura em Matemtica. O foco est direcionado aos futuros
professores, porque acreditamos que a mudana aqui proposta se inicia na
Educao Bsica, segmento no qual eles atuaro.
A problemtica existente na formao dos professores de Matemtica para os
contedos de Estatstica e, em especial, no estudo da Inferncia Estatstica, muitas
vezes fica a desejar, j que esse ramo da Estatstica no direcionado
explicitamente para a Educao Bsica. No entanto, a maioria das pesquisas
existentes nos meios de comunicao se faz por amostras, que so partes de uma
populao. Por isso, no podemos ignorar a relevncia social que h por trs da
Inferncia Estatstica.
Um componente fundamental para o estudo da Inferncia Estatstica o
Teorema Central do Limite, objeto do saber de nosso estudo. O termo central
atribudo a Polya (1887-1985) pelo fato de que lhe atribui de importncia central na
Teoria das Probabilidades. Por outro lado, autores como Wonnacott e Wonnacott
(1991) declaram que um teorema central devido ao fator centralidade, pois
descreve a relao existente entre a mdia das amostras e a mdia da populao e,
quanto maior for o tamanho da amostra de uma distribuio, mais se aproximam
uma da outra. Alm disso, esse resultado garante a normalidade de uma
distribuio.
Diante desse cenrio, os sujeitos de nossa pesquisa so os licenciandos em
Matemtica, tendo em vista que sero os futuros profissionais da Educao. Dessa
forma, entendemos que eles devem ter o conhecimento da importncia do Teorema
Central do Limite. Isso nos reporta a compreender como se estabelecem as ideias
matemticas e estatsticas no entorno do teorema de modo que haja a consolidao
da aprendizagem por parte deles. Para tal, usaremos uma estrutura ecolgica do
saber e do didtico para o tema de nosso estudo.
Destacamos que o nosso trabalho no est voltado para a demonstrao do
teorema, mas, sim, essencialmente, para a construo de ideias que surgem a partir
de atividades propostas aos licenciandos. Deve-se esclarecer aqui que no se
16

pretende propor o ensino do teorema na Educao Bsica. O professor de


Matemtica precisa compreender, conhecer os processos pelos quais se permite a
tomada de decises a partir do estudo de uma amostra, fato habitual no cotidiano
dos alunos e de suas famlias, para que possa orientar e organizar atividades que
promovam o desenvolvimento do raciocnio e literacia estatstica desses alunos.
Levantamos a hiptese que tal desenvolvimento passa, necessariamente, pela
compreenso, ainda que intuitiva, das consequncias desse teorema. Em analogia,
um professor precisa conhecer estruturas algbricas para compreender a lgebra
ensinada na Educao Bsica, sem a necessidade de ensinar essas estruturas aos
alunos.
Por conseguinte, a problemtica de nossa investigao incide sobre a
compreenso da importncia do Teorema Central do Limite, sob o ponto de vista
ecolgico do saber e do didtico, a partir de questes como: Por que determinados
saberes/conhecimentos deixaram de ser abordados no ensino do Teorema
Central do Limite, mas ainda assim ele sobrevive? Que saberes so
indispensveis de modo que permite o teorema viver? Que relaes diretas
ou indiretas existem entre o teorema e a construo de saberes estatsticos
nas aulas de Estatstica? Essas questes surgiram quando nos deparamos com o
trabalho de Artaud (1998), sobre a ecologia das organizaes matemticas e
didticas no estudo da lgebra, o que nos permitiu fundamentar a nossa
investigao no estudo do teorema com os licenciandos da Matemtica.
Este trabalho foi organizado em sete captulos. No primeiro, apresentamos a
introduo do trabalho. Adiante, expomos as motivaes que foram responsveis
pelas primeiras ideias acerca da investigao nesse campo do conhecimento e suas
implicaes sob as dimenses sociais, educacionais e profissionais.
No terceiro captulo, intitulado Teorema Central do Limite sob a tica da
Educao, tratamos da reviso da literatura, dividida em duas partes: a primeira
refere-se a comentrios sobre alguns artigos, devidamente selecionados, providos
do enfoque de ensino e de aprendizagem do teorema. Optamos pela expresso:
processo de ensino e de aprendizagem, por entender que existe um amplo campo
de variveis associado a essa dinmica, tendo em vista que a inteno de um
sujeito, no caso o(a) professor(a), ao elaborar uma situao de ensino, nem sempre
atinge seu objetivo com aquele a quem deseja ensinar, ou seja, apesar de o aluno
fazer parte do processo de aprendizagem, no significa necessariamente que ele
17

aprende. Na segunda etapa, apresentamos um breve esboo histrico, que se limita


a uma breve exposio de como as ideias acerca do Teorema Central do Limite
surgiram no final do sculo XVIII, culminando em sua formalizao, na estrutura
matemtica, fato que ocorreu somente na primeira metade do sculo XX.
Os procedimentos metodolgicos da pesquisa, devidamente fundamentados,
faro parte do quarto captulo, em que apresentaremos a nossa opo pelo
entrelaamento da teoria e da prtica, de modo que efetivamente haja a interao
entre elas, formando, assim, um design para o nosso trabalho. Essa metodologia
segue a proposta de Artigue (2009). Apesar de ser um estudo recente, segue os
progressos que vm ocorrendo nas pesquisas em Educao Matemtica, ao tratar
do design didtico aliado metodologia da Engenharia Didtica (ARTIGUE, 1988).
Uma das potencialidades dessa metodologia, o design didtico, incide sobre a
forma como a construo das teorias pode causar impactos na prtica,
proporcionando-nos uma atitude reflexiva diante da nossa proposta didtica. Alm
disso, identificamos como atores desse trabalho todos aqueles que efetivamente
estavam envolvidos na dinmica do design, ou seja, os pesquisadores e os
pesquisandos. A partir disso, nos foi possvel, tambm, aliar alguns fundamentos da
pesquisa-ao de Thiollent (1996). A sua pertinncia se deve ao fato de que, em
certas etapas da pesquisa, um dos pesquisadores atuou tambm como professor.
A construo do nosso quadro terico nos motivou buscar a problemtica
ecolgica existente no saber e no didtico (ARTAUD, 1998) luz da Teoria
Antropolgica do Didtico proposta por Chevallard (1985). Ainda nesse captulo, o
quinto, fazemos, tambm, referncia importncia da literacia estatstica. Nesse
caso, mesmo reconhecendo que Soares (2005) traduz literacy para letramento na
Lngua Portuguesa, a nossa opo foi a de manter essa expresso que, segundo a
mesma autora, [...] designa o estado ou condio daquele que literate, daquele
que no s sabe ler e escrever, mas tambm faz uso competente e frequente da
leitura e escrita (SOARES, 2005, p. 36).
No sexto e ltimo captulo, associamos o nosso quadro terico com as
atividades que foram realizadas com licenciandos de Matemtica. Como a nossa
investigao provida de carter qualitativo, o grupo participante era composto por
quatro licenciandos, o que nos permitiu observar e analisar os fenmenos didticos
que constituram o corpus pelo qual buscamos responder a nossa questo de
pesquisa.
18

Todas as atividades foram anexadas no final do trabalho, incluindo a


demonstrao do Teorema Central do Limite, mesmo entendendo que ele no foi
foco de nossa investigao. Acreditamos que seja importante conhecer a evoluo
dos procedimentos especficos no modelo matemtico.
Por fim, desejamos que este trabalho se constitua em uma pequena
contribuio para a Educao Estatstica, com nfase na Inferncia Estatstica, a
qual, nas palavras de Salsburg (2009, p. 11), configura-se em um dos usos da
estatstica mais amplamente apreciados tem sido a pesquisa por amostragem.
19

2 UMA INVESTIGAO MOTIVADA PELA EXPERINCIA

O estudo dos processos de ensino e de aprendizagem da Estatstica tem sido


foco de muitas discusses no mbito da Educao Matemtica. Esse fato
fortemente evidenciado desde as sries iniciais da Educao Bsica, a partir da
proposta do currculo de Matemtica previsto nos Parmetros Curriculares Nacionais
- PCN - (1998). Quatro blocos sustentam os PCN de Matemtica: Nmeros e
Operaes, Espao e Forma, Grandezas e Medidas e Tratamento de Informao e,
nesse contexto, o grande desafio o de identificar, dentro de cada um desses
vastos campos que conceitos, procedimentos e atitudes so socialmente
relevantes. (BRASIL, 1998, p. 49)
Um dos aspectos inovadores desse documento surge com a incluso do
bloco Tratamento de Informao, uma consequncia do desenvolvimento social,
regida pelos avanos tecnolgicos, que gerou demanda para uma mudana
curricular. Isso nos reporta a compreender como tratar os dados, que so
transformados em informaes ao recebermos, seja por meio de estatsticas, tabelas
ou grficos. Ento, na Educao Bsica, qual ser o ponto de vista do professor de
Matemtica em relao a esse bloco? A partir de trabalhos realizados com
professores de Matemtica1, durante catorze anos, nos foi possvel constatar vrios
obstculos, quando o assunto a ser tratado era Estatstica ao menos no incio da
implementao dos PCN, no final da dcada de 90. Um dos agravantes era que, se
algum tema tivesse de ser sacrificado, seria essa disciplina ou algum tpico
relacionado a ela.
Alguns motivos que levaram os professores a optarem por essa atitude
podem estar atrelados s suas prprias crenas, adquiridas ao longo de sua
formao, pois a prpria disciplina Estatstica nem sempre foi ou parte do currculo
de um curso de Licenciatura em Matemtica. Por exemplo, em alguns cursos de
Licenciatura Plena em Matemtica no incio dos anos 80, na grade curricular, a
disciplina de Estatstica no constava, conforme podemos constatar o histrico
curricular no Anexo 1.
___________
1Desde 1995, a autora, Chang Kuo Rodrigues, coordena um grupo de professores de Matemtica da Educao Bsica de
uma escola privada de Juiz de Fora. E, sistematicamente, as reunies pedaggicas constituam-se de estudos de grupo
voltados para discusso da prtica. Quando era necessrio, Rodrigues buscava teorias pedaggicas ou especficas, da
Matemtica, de forma que esses encontros tornaram-se uma pequena contribuio na formao continuada do profissional.
20

No trabalho realizado com os professores da Educao Bsica descrito


anteriormente, durante a discusso dos elementos norteadores presentes nos
documentos oficiais, no final da dcada de 90, constatamos que a maioria2 do grupo
obteve sua formao docente no perodo que corresponde ao final da dcada de 70
e incio de 80. Dessa forma, podemos dizer que a quase-ausncia do saber
estatstico foi um dos componentes que gerou motivao, no sentido de promover
um crculo de estudos sobre as novas propostas apresentadas pelo MEC (Ministrio
da Educao), sob um olhar mais atento para o bloco Tratamento de Informaes.
Nessa mesma direo, porm atuando em outro nvel de estudo, o referido
trabalho nos permitiu outros pontos de vista com relao Estatstica pelo fato de
que, nesse mesmo perodo e em circunstncias bastante oportunas, ocorreu de a
disciplina de Estatstica ser ministrada em quatro cursos distintos do Ensino
Superior: Cincias Biolgicas, Geografia, Tecnologia em Marketing e Cincias com
Habilitao em Matemtica3.
Dessa forma, a motivao inicial para realizao dessa pesquisa partiu de um
trabalho que tratou de um mesmo tema sob cinco perspectivas distintas, o que nos
permitiu uma viso mais ampla do que vem a ser Estatstica no sentido global e
especfico, devido s particularidades exigidas em cada rea. Havia um eixo comum
em termos de tpicos, tais quais as medidas de tendncia central, de disperso e
anlise exploratria de dados, na teoria das probabilidades e na Inferncia
Estatstica.
No entanto, as particularidades do ensino de Estatstica incidiam no contexto
da necessidade de cada rea: no Curso de Cincias Biolgicas, o interesse est
voltado para questes relativas aos temas sobre sade, sistemas ecolgicos, entre
outros; no Curso de Geografia, a Estatstica, particularmente a Descritiva, ao
trabalhar com recenseamento da populao, alm de outros tpicos, favorece
abordagens de cunho geopoltico; na Tecnologia em Marketing, so abordados
anncios do dia a dia que aparecem nos meios de comunicao ou a forma como os
nmeros definem as tomadas de deciso, como, por exemplo, no momento da

___________
2 Esse grupo era composto por 14 de professores de Matemtica, de uma escola particular de Juiz de Fora. A formao
desse grupo surgiu a partir do evento promovido pelo Sindicato dos Estabelecimentos Particulares de Ensino de Juiz de
Fora-MG (SINEPE-JF), convidando alguns autores dos PCN para um encontro com os professores da cidade, no ano de
1997. Posteriormente, sob a coordenao da autora deste trabalho, iniciaram-se encontros semanais para reflexo e
discusso sobre o texto.
3 Neste perodo, alm de coordenar o grupo de professores da Educao Bsica de uma escola privada, a autora lecionava

tambm em Instituies de Curso Superior como professora da disciplina Estatstica.


21

escolha de algum produto; no curso de Licenciatura de Matemtica, a abordagem


deve contemplar dois aspectos: os objetos matemticos utilizados na Estatstica e
suas comprovaes e, por outro, sua aplicao em situaes hipoteticamente reais;
e, por fim, na formao continuada dos professores que atuavam na Educao
Bsica.
Por isso, a relevncia acadmica desta pesquisa justifica-se por dois
aspectos. O primeiro est relacionado ao licenciando de Matemtica, pois ele ou
ela que estar atuando no ensino da Estatstica na Educao Bsica. E, alm disso,
ele(ela) um(a) adulto(a) que tem suas prprias crenas e atitudes, interferindo na
forma de fazer leitura de dados. Holmes (2000) cita dois pargrafos do National
Curriculum in Mathematics entre as dcadas de 80 e 90 sobre o ensino de
Estatstica:

*775: Estatstica no apenas um jogo de tcnicas, mas sim uma atitude mental de
tratamento de dados. Em particular, reconhece a incerteza e a variabilidade num conjunto de
informaes. Torna a pessoa apta a tomar decises em situaes de incerteza.
*781: Numeracia estatstica exige um sentido para os nmeros: apreciando os nveis de
preciso, o bom senso de fazer estimativas, uma abordagem de senso comum nos dados
com suporte em um argumento, a tomada de conscincia de uma variedade de
interpretaes de nmeros e uma judiciosa compreenso dos conceitos amplamente
utilizados como mdias e porcentagens. Tudo isso so partes do cotidiano. (HOLMES, 2000,
p. 51, traduo nossa; grifo nosso).4

O segundo referente importncia que exercer o professor no processo


de ensino e de aprendizagem de Estatstica, pois muitas vezes e, na maioria dos
Cursos Superiores, fica a cargo do professor de Matemtica a responsabilidade de
mediar esse tema com os alunos.
Nesse sentido, o cenrio no Brasil no diferente do apresentado pelo
National Curriculum in Mathematics, como podemos constatar nos Parmetros
Curriculares Nacionais para o Ensino Fundamental (1998), no bloco de contedo
nomeado de Tratamento de Informao, cuja finalidade abordar os contedos da
Estatstica, Probabilidade e Combinatria. Notamos no texto desse documento uma
vontade explcita de ressaltar a importncia de uma leitura real da sociedade. A
prpria etimologia da palavra informao no se limita apenas a sua apropriao
___________
4*775 Statistics is not just a set of techniques; it is an attitude of mind in approaching data. In particular it acknowledges the
fact of uncertainty and variability in data collection. It enables people to make decisions in the face of this uncertainty.
*781 Statistical numeracy requires a feel for numbers, an appreciation of levels of accuracy, the making of sensible
estimates, a common-sense approach to data in supporting an argument, the awareness of the variety of interpretation of
figures and a judicious understanding of widely used concepts such as mean and percentages. All these are part of everyday
living. (Texto original)
22

cumulativa, posto que o propsito dirige-se para o sujeito que, acima de tudo, tem a
possibilidade de mudar a realidade na qual est inserido. Mudar a realidade pode
ser um tanto paradoxal, pois questes como a favor de quem?; para qual
objetivo?, so bsicas e devem ser trabalhadas com afinco. Afinal, teoricamente,
todos almejam por uma sociedade mais justa.
Diante desses fatos, o escopo deste trabalho investigar como os
licenciandos de Matemtica constroem as ideias e os conceitos que esto no
entorno do Teorema Central do Limite. Entendemos ideias como noes intuitivas
que surgem a partir da vivncia e crena do sujeito, e por conceito, tal como Artigue
(1990) o define quando estuda a evoluo do tratamento de um determinado saber,
partindo de um contexto que diz respeito a este saber, mesmo na elaborao de
situaes artificiais, porm hipoteticamente reais, que podem ocorrer no cotidiano da
sala de aula.
Reforando o fato de que a Estatstica tem seu papel fundamental na leitura
de mundo e, portanto, engendra facilmente situaes-problema reais para a sala de
aula, faz-se imprescindvel preocupar-se com a forma como essa rea do
conhecimento ir ser abordada pelos futuros professores. E, nessa direo,
Contreras (2002) refora que:

[...], a responsabilidade profissional dos professores estarem


suficientemente conectados com suas comunidades para entender suas
demandas e compreender os interesses de seus alunos, mas distantes o
suficiente para poderem cultivar nos seus alunos o distanciamento crtico
necessrio que lhes permita reconsiderar estes interesses e demandas
frente a outros com os quais entram em conflito. (CONTRERAS, 2002, p.
203)

Esse distanciamento entre os sujeitos, professor e alunos, estabelece um


compromisso com valores educativos, isto , as interpretaes de dados estatsticos
no so impostos, mas, sim, administrados por cada um, com autonomia, para
reflexo e discusso. Diante desse contexto, na formao do professor pressupe-
se o entrelaar-se entre a prtica e a teoria, administrando os conflitos, de modo que
a criticidade seja alvo de reflexo e, sobretudo, em ao: a literacia estatstica. Isso
justifica os sujeitos de nossa investigao que so os licenciandos em Matemtica.
Ademais, temos ainda outra relao a analisar: o sujeito professor e a rea do
conhecimento a ser abordada, a Estatstica, pois Besson (1995) nos alerta que:
23

[...] se as estatsticas fossem apenas um reflexo (concepo fotogrfica),


disporiam de um critrio de verdade (a exatido). No este o caso: elas
no provm da denotao, mas da conotao, pois o contexto, o
contorno, que determina seu sentido.
De fato, o estatstico no escolhe seus ndices. A realidade lhe aparece
ento pr-modelada pelas categorias j existentes na representao ou na
prtica individual, social, administrativa. (BESSON, 1995, p. 52)

A concepo do profissional e sua criticidade tornar-se-o de extrema


importncia na abordagem da Estatstica: os obstculos no se restringem apenas
ao modo de mediar a construo do conhecimento estatstico com os alunos. A
reciprocidade de uma realidade a ser reconstruda requer a superao de conflitos
diante da diversidade cultural de cada um. Entende-se que a Anlise Exploratria de
Dados uma forma de se olhar para um conjunto de dados de forma crtica, pois
no se limita a algoritmos e procedimentos, indo at a construo de significados
dos resultados produzidos dentro de um determinado contexto.
Entretanto, muitas vezes os resultados analisados, para um subconjunto de
dados, so inferidos para o conjunto total (populao). Isso refora a importncia do
Teorema Central do Limite para alunos da Licenciatura em Matemtica, pois
contribuir na construo da rede de conhecimentos que favorecem o exerccio da
conscincia crtica naqueles que estaro atuando com a Educao Bsica.
O Teorema Central do Limite garante que a srie constituda pelo conjunto
das mdias amostrais converge para a mdia da populao, desde que o tamanho
das amostras, n, seja significativamente grande para que tal fato acontea. A
relevncia dos conhecimentos prvios sobre os conceitos de variveis aleatrias
discretas e contnuas, mdia, variabilidade, noes sobre os erros estatsticos, de
natureza extremamente importante para a compreenso desse teorema. Todas
essas noes deveriam fazer parte do contedo a ser desenvolvido na disciplina
Estatstica dos cursos de Licenciatura em Matemtica. No entanto, nos cursos com
os quais temos convivido em nossa prtica docente, a abordagem, quando era feita,
o era de forma tecnicista, ou seja, limitando-se aplicao de frmulas.
Assim, a partir de uma motivao proveniente da prtica aliada fora
tecnolgica do mundo contemporneo, passamos a repensar sobre como podemos
interferir na formao dos futuros professores. Mais precisamente, como se
constroem os conhecimentos, no nosso caso, o Teorema Central do Limite, com
aqueles que iro atuar na Educao Bsica?
24

A nossa investigao segue essa direo e, para tentar responder a esta e a


outras questes j citadas, inicialmente exporemos alguns trabalhos que foram
realizados nesse campo, bem como apresentaremos um breve cenrio histrico do
teorema, como ser visto no prximo captulo.
25

3 REVISO DA LITERATURA

Neste captulo apresentaremos uma reviso da literatura que empreendemos


com o objetivo de construir nossa problemtica e nosso quadro terico. A partir dos
resultados das pesquisas, averiguaremos como o nosso tema de investigao se
coloca frente a outras pesquisas relacionadas.
A reviso bibliogrfica a seguir foi dividida em duas partes. Na primeira,
buscamos responder s seguintes questes: no campo da Educao Matemtica,
quais trabalhos abordam o Teorema Central do Limite? Quais deles discutem a
abordagem do teorema em cursos de Licenciatura em Matemtica? Quais trabalhos
sugerem o teorema associado ao processo de ensino e de aprendizagem?
Na segunda parte, relatamos uma breve leitura histrica da origem e do
desenvolvimento do referido teorema, desde as suas primeiras ideias at sua
formulao terica rigorosa, baseado nos trabalhos de Paulauskas (2006), Mether
(2003), Fischer (2000), Cam (1986), Gnedenko e Kolmogorov (1954), alm de
alguns historiadores matemticos como Cajori (2007), Eves (1997), Struik (1987) e
Rodriguez (1989). Entendemos que a leitura histrica nos proporcionar importantes
elementos para a compreenso do Teorema Central do Limite.

3.1 O Teorema Central do Limite Sob tica da Educao

Partimos da constatao de que o ensino e a aprendizagem de Estatstica


tem sido tema de pesquisas na Educao Matemtica nos ltimos dez anos, o que
fez emergir uma nova linha de pesquisa, a Educao Estatstica. As publicaes5
mais recentes sobre o ensino do Teorema Central do Limite podem ser encontradas
em revistas e jornais eletrnicos como Journal of Statistics Education ou o Statistics
Education Research Journal (SERJ), entre outros. Outras contribuies de natureza
investigativa so apresentadas em eventos internacionais e nacionais, como, por
exemplo, International Conference on Teaching Statistics (ICOTS), Congress of the

___________
5 Procuramos citar os eventos que possuem Grupos de Trabalho (GT) em Educao Estatstica.
26

European Society for Research in Mathematics Education (CERME), Congreso


Iberoamericano de Educacin Matemtica (CIBEM), International Congress on
Mathematical Education (ICME), Conferncia Interamericana de Educao
Matemtica (CIAEM), Seminrio Internacional de Pesquisas em Educao
Matemtica (SIPEM), Simpsio Internacional de Pesquisas em Educao
Matemtica (SIPEMAT), Encontro Nacional de Educao Matemtica (ENEM), alm
de outros.
Iniciamos nossa reviso com o trabalho de Glencross (1986), publicado nos
anais do ICOTS-2, cujo objetivo foi apresentar a importncia do Teorema Central do
Limite no ensino da Estatstica e discriminar algumas atividades que podem
favorecer a aprendizagem do mesmo. A metodologia utilizada por ele a pesquisa
de fonte bibliogrfica com nfase na epistemologia do teorema.
Esse artigo pode ser considerado o marco inicial do estudo do Teorema
Central do Limite na Educao Estatstica, pois nele encontramos algumas questes
didticas que foram expostas de forma a chamar ateno para alguns princpios de
aprendizagem no seu estudo. Segundo o autor:

Para estudantes de um curso introdutrio de estatstica, incluindo inferncia


estatstica, o Teorema Central do Limite explicitamente uma situao sine
qua non. Contudo, embora o teorema possa ser visto como base
fundamental da inferncia estatstica, experincias registraram que muitos
estudantes, durante vrios anos, tiveram muitas dificuldades em
compreend-lo e, alm disso, o conceito geral de uma distribuio de
amostras tericas pode ser demasiadamente abstrato para ser amplamente
apreciada num primeiro contato. Mesmo alunos com base matemtica bem
consolidada, aqueles que apreciam a demonstrao do teorema, podem vir
a ter dificuldades de compreenso em seu significado. (GLENCROSS,
6
1986, p. 92, traduo nossa)

Nesse contexto, o autor busca entender as dificuldades presentes no cenrio


em que ocorre o ensino do Teorema Central do Limite para estudantes universitrios
a partir da teoria de Skemp (1971). Essa teoria um modelo para aprendizagem no
desenvolvimento das teorias matemticas, no qual se estabelecem com dois
princpios:

___________
6 "For students taking an introductory statistics course which includes inferential statistics, the Central Limit Theorem is
clearly a sine qua non. However, although this theorem may be regarded as the cornerstone of statistical inference, it has
been the writers experience over a number of years that many students find it difficult to understand and that the general
concept of a theoretical sampling distribution may be too abstract to be fully appreciated when first met. Even students with a
good mathematical background, who can appreciate a proof of the theorem, may have difficulty understanding its
significance. (Texto original)
27

O princpio da variabilidade perceptiva, posteriormente chamado de


multiple embodiment7, que, sob o nosso contexto, significa que abstrair
uma estrutura matemtica, efetivamente, encontra inmeras situaes
diferentes para perceber suas propriedades puramente estruturais
(SKEMP, 1971, p. 32);
O segundo o princpio da variabilidade matemtica baseado em Dienes
(1963, p. 156), para quem [...] todo conceito matemtico envolve
variveis essenciais, todas essas variveis matemticas precisam ser
variadas efetivamente se o objetivo alcanar a generalidade do
conceito.8

Sob esse aspecto, Glencross (1986), tal como Skemp (1971), defende a ideia
de que quem mais precisa conhecer cada um desses princpios o prprio
professor. E, nesse sentido, o autor os amplia para trs: deve estar provido de
colees de exemplos adequados para o conceito; deve garantir que o conceito seja
conhecido em inmeras diferentes situaes; deve alegar que todas as variveis
envolvidas no conceito so aleatrias.
Glencross (1986) esclarece que, se o professor faz uso desses trs
elementos bsicos, quando explicitados, servem como ponto de partida para nortear
as atividades voltadas para aprendizagem dos alunos.
Um outro aspecto do artigo a ser destacado quando o autor afirma que os
membros do Joint Education Committee of the Royal Statistical Society e o Institute
of Statisticians tm notado crticas dos estatsticos em relao ao ensino nesse nvel,
pois, em particular, muitas vezes, os prprios professores desse segmento ignoram
as situaes prticas em prol do excesso de manipulao formal dos objetos
matemticos.
As atividades propostas, na pesquisa de Glencross, so de diferentes tipos de
distribuies para a abordagem do Teorema Central do Limite, que faz uso de
tecnologias para gerar nmeros aleatrios. O cerne de seu trabalho est na
aplicao do teorema que, sob o ponto de vista didtico, a primeira etapa para
compreend-lo. Por exemplo, situaes-problema, que podem ocorrer no dia a dia,
___________
7 Optamos por no traduzir essa expresso por entender que na Psicologia da Educao Matemtica tem sido um termo
potencialmente usado entre os pesquisadores. Mas, a ttulo de entendimento, mesmo de maneira superficial, poderia ser
traduzida como personificaes mltiplas.
8 Traduo nossa. No original: As every mathematical concept involves essential variable, all these mathematical variables

need to be varied if full generality of the mathematical concept is to be achieved. (DIENES, 1963, p. 156).
28

constatadas ao serem realizadas pelos alunos, antes da formalizao do conceito do


teorema.
A tese de doutorado de Mndez (1991) estuda os sistemas de crenas dos
alunos veteranos e principiantes do curso de Doutorado em Estatstica e Economia,
sobre os aspectos fundamentais do Teorema Central do Limite. Ele classificou os
erros mais comuns e observou o alcance dessas crenas, por parte dos alunos
novatos, refletidas pelas representaes dos veteranos. Isso comprova a
complexidade na construo de significados para conceitos quando passa por
crenas de uns para outros.
A partir da anlise de dez livros-texto, Mndez (1991) constatou quatro
premissas fundamentais para a compreenso do Teorema Central do Limite:

i) A mdia da distribuio amostral igual a mdia da populao, na


medida em que o tamanho da amostra aumenta, tendendo ao infinito.
ii) A varincia da distribuio amostral menor que a da populao.
iii) A forma da distribuio amostral tende a ser normal na medida em que
aumenta o tamanho da amostra, isto , aproximadamente normal,
independentemente da forma da distribuio da populao.
iv) A forma da distribuio amostral cresce em altura e decresce em
disperso conforme se aumenta o tamanho da amostra.

A partir das premissas acima, Mndez (1991) trabalhou com textos escritos
pelos alunos veteranos, verificando seus conhecimentos sobre a representao de
um conjunto de conhecimentos implcitos acerca do Teorema Central do Limite, e
por meio do mapa conceitual, definiu dois nveis de compreenso. No primeiro nvel,
reconheceu as habilidades e os conhecimentos exigidos para resolver as atividades
propostas pelos livros-texto. O segundo nvel diz respeito a outras reas do
conhecimento que, geralmente, no esto nos livros-texto.
Os dois nveis de compreenso, oriundos do resultado da anlise de duas
tarefas realizadas na primeira fase da pesquisa, suscitaram o raciocnio em relao
aos conceitos que exigem diferentes nveis de interpretao. A primeira tarefa
constituiu-se de um teste contendo questes clssicas de mltipla escolha extradas
de livros-texto, previamente analisadas pelo investigador; a segunda tarefa revelou
vrias situaes diferentes, porque direcionava recolher as declaraes e
29

procedimentos que usaram nas terminologias especficas adquiridas por cada um


dos sujeitos participantes, providos de suas crenas.
Para a segunda fase, o investigador realizou entrevistas com os alunos que
haviam participado da primeira, o que lhe permitiu dividir os sujeitos em trs grupos:
os principiantes que tinham algum estudo prvio de Estatstica; os que no tinham e
os estudantes de doutorado em Estatstica e Economia. O objetivo geral da
investigao foi observar como eles compreendiam ou no o Teorema Central do
Limite e, em particular, observar suas compreenses a partir das quatro premissas
anteriormente citadas.
Em sntese, Mndez (1991) concluiu que os estudantes de doutorado
mostraram uma boa compreenso do teorema e de seus elementos implcitos, mas
o discurso foi excessivamente formal. J para os demais grupos, faltavam-lhes
habilidade em expressar-se intuitivamente, pois suas explicaes eram formais e, a
partir disso, constataram compreenso superficial sobre o teorema. Em todos os
grupos, a maioria dos participantes usou os dados sem considerar a populao na
qual foram extradas as amostras e, tambm, no levaram em conta o tamanho das
amostras.
Tomando como base essas concluses, o autor recomenda que um curso
introdutrio de Estatstica deve levar em conta a natureza dos recursos de
aprendizagem para conceitos e procedimentos que se deseja ensinar. Mndez
(1991) ainda recomenda o uso de dados que propiciam aos alunos observar os
aspectos principais do Teorema Central do Limite; a utilizao de materiais
concretos, como, por exemplo, simulaes por meio de lanamento de dados para
criar representaes nos processos de extrao das amostrais e a distribuio
amostral das mdias, bem como organizar simulaes quando o tamanho da
amostra for suficientemente grande. Destaca, ainda, a importncia de que o
professor seja consciente dos diversos nveis de compreenso que se distinguem
entre os alunos, propondo que a compreenso intuitiva deve anteceder o
pensamento formalizado do teorema. Por fim, faz uma crtica aos livros-texto
analisados, pois lhe foi possvel constatar uma supervalorizao quanto aos
aspectos quantitativos em detrimento dos qualitativos. Consequentemente, os
alunos acabam por usar linguagem formal sem compreender efetivamente o
conceito do teorema.
30

O terceiro trabalho investigado por ns, relativo ao tema, foi publicado nos
anais do ICOTS-7, por Alvorado e Batanero (2006). Os autores propem analisar a
atividade do professor quando est planejando a aula a respeito do conceito do
Teorema Central do Limite para engenheiros; abordar diferentes situaes em que o
teorema pode ser apresentado como proposta didtica para seu ensino; apresentar
sua abordagem histrica no sentido de favorecer a aprendizagem dos alunos;
conhecer as formas de apresentao verbal, simblica e grfica do teorema a partir
de anlise de livros-texto de Estatstica para o curso de Engenharia.
A metodologia dessa pesquisa consta de uma proposta didtica em que
incorporou simulaes com materiais manipulveis e o uso do software @Risk, um
programa que funciona a partir da Microsoft Excel. E o trabalho, de um modo geral,
props um mtodo didtico para melhorar o ensino de Estatstica para engenheiros.
Para os autores, o planejamento do ensino est baseado no conhecimento
matemtico sobre o teorema. A partir do modelo terico proposto por Godino (2002)
para anlise de livros-texto usados no curso introdutrio de Estatstica para
Engenharia, eles buscaram diagnosticar elementos que permitiram a abordagem do
Teorema Central do Limite, tal como o conjunto de problemas que deram origem ao
teorema; as representaes verbal, simblica e grfica usadas pelos alunos na
resoluo desses problemas e nos diferentes objetos matemticos envolvidos; os
procedimentos usados por diferentes autores para resolver os problemas que
envolvem o teorema; as propriedades dos objetos matemticos usados nesses
procedimentos; e, por fim, os argumentos usados para justificar as solues dos
problemas. Foram analisados 16 livros-texto indicados para o curso de Engenharia,
na Universidade de Granada.
Na poca da publicao citada, apesar de a pesquisa ainda estar em vias de
experimentao, os autores puderam constatar nesse artigo que, mesmo que o
Teorema Central do Limite seja reconhecido como uma ferramenta fundamental para
Inferncia Estatstica, as leituras prvias dos estudantes e o tempo disponvel de
ensino no so suficientes para prestar-lhes devida ateno. Em geral, h
dificuldade de compreenso quando apresentada uma demonstrao formal de
algumas formulaes do teorema at mesmo por alunos da ps-graduao em
curso. E, alm disso, verificaram que vale a pena dispor de algumas aulas para
investigar o significado do teorema por meio de programas grficos computacionais
dinmicos.
31

A investigao de Lundsford, Rowell e Goodson-Espy (2006) envolveu, como


sujeitos de pesquisa, dois grupos distintos: um composto por estudantes da
disciplina de Introduo Probabilidade (Math300) e outro da Introduo
Estatstica (Math400), com o objetivo de averiguar certos tipos de erros que podem
ocorrer durante o aprendizado da distribuio de mdia amostral e da aplicao do
Teorema Central do Limite.
A maioria dos alunos de Math300 era da rea das cincias da computao, e
de Math400, da rea de Matemtica (bacharelado ou licenciatura). Os autores
analisaram o desenvolvimento de conceitos sobre distribuio de mdia de amostras
e do Teorema Central do Limite, a partir dos mesmos instrumentos para os dois
grupos, por simulaes computacionais. Todos os alunos submeteram-se s fases
de pr-teste e ps-teste.
Algumas concluses a que os autores chegaram com relao s habilidades
especficas de interpretao grfica, comparao, raciocnio sobre distribuies
amostrais, foram: as apresentaes grficas de conceitos pela simulao
computacional no so suficientes para desenvolver as habilidades; os
conhecimentos prvios sobre o centro, a forma e a disperso das variveis numa
distribuio amostral no implica, necessariamente, que os alunos tenham
habilidades de aplic-los para resolver os problemas computacionais; houve fortes
indcios, durante as atividades, de que a maioria dos estudantes no
compreenderam completamente o Teorema Central do Limite, pois no
reconheceram o quo rpido uma distribuio amostral torna-se unimodal medida
que aumenta o tamanho n de amostras; muitos alunos tiveram dificuldades para
reconhecer variabilidade graficamente e computacionalmente, e isso pode ser
atribudo ao fato de no serem capazes de identificar graficamente o efeito do desvio
padro sobre a forma da curva normal, ou de distinguir entre os conceitos de
variabilidade e de frequncia; conceitos como distribuies de probabilidade,
especialmente distribuies amostrais e o Teorema Central do Limite, foram difceis
de entendimento para todos os alunos.
Porm, em geral, os alunos da turma Math300 apresentaram respostas
positivas ao realizar as atividades e simulaes, reconhecendo a contribuio do
ambiente computacional para o processo de aprendizagem.
A partir dos procedimentos metodolgicos da pesquisa-ao, os resultados
observados proporcionaram, aos autores, sugestes de algumas aes que
32

poderiam contribuir para aprendizagem desses temas. Eles propuseram pesquisar


melhor as habilidades de raciocnio grfico por meio de atividades e exerccios que
permitiram aos alunos explorar e estimar parmetros, como a forma, mdia e
disperso das distribuies em situaes-problema; explorar melhor a compreenso
de variveis aleatrias e suas distribuies pelo uso da simulao como uma
ferramenta de atividades e exerccios durante todo o perodo do curso; e,
particularmente, continuar a utilizao das atividades de Distribuies Amostrais
(Sampling Distributions) no sentido de clarear os conceitos entre o valor esperado e
varincia da distribuio amostral para mdias amostrais no Teorema Central do
Limite.
Por fim, Lundsford, Rowell e Goodson-Espy (2006) enfatizam a importncia
de promover pesquisas em sala de aula, no intuito de melhorar o ensino, e tambm
desenvolver tcnicas de avaliao com o propsito de obter informaes
quantitativas no que concerne compreenso de conceitos por parte dos alunos.
Alm desses quatro trabalhos, existem outros pelos quais o teorema no o
objeto matemtico principal, como, por exemplo, o artigo de David (2003). Nesse
trabalho, o Teorema Central do Limite no o foco principal, mas, sim, sua
abordagem histrica e os demais objetos estatsticos. Contudo, h consenso entre
os autores dos trabalhos at ento apresentados de que o teorema um dos mais
importantes para Inferncia Estatstica. Alm disso, o uso da histria da Estatstica
na sala de aula constitui-se tambm uma forma de motivar os alunos, sob a
perspectiva da Didtica da Matemtica.
Um outro trabalho que cita a importncia do Teorema Central do Limite,
embora tambm no seja o tema central da pesquisa, a tese de Tauber (2001),
porque ela d nfase ao teoerema a partir da importncia da distribuio normal na
Estatstica:

A distribuio normal desempenha um papel muito particular no estudo da


inferncia, porque o teorema central do limite permite a aplicao dos
mtodos de inferncia, sem preocupar-se pela forma concreta da
distribuio da populao, sempre que o tamanho da amostra for
suficientemente grande. (TAUBER, 2001, p. 14, grifo nosso)

Os resultados obtidos nessas leituras nos possibilitaram reforar a


problemtica do nosso trabalho. Contudo, parece no haver ainda uma abordagem
do teorema sob a perspectiva ecolgica na Didtica da Matemtica, permitindo
33

ressaltar o carter indito de nossa pesquisa e a relevncia da construo terica


que se pretende a partir deste estudo.

3.2 Um Breve Cenrio Histrico do Teorema Central do Limite

Cajori (2007), Struik (1992), Eves (1997), Rodriguez (1989), Mether (2003) e
Fischer (2000) so alguns historiadores que mostraram o sculo XVIII como a era da
Matemtica Ilustrada, devido influncia do modelo vigente: o Iluminismo. Nesse
contexto, deu-se o desenvolvimento das ideias que conduziram a formulao do
Teorema Central do Limite.
A evoluo desse teorema est estreitamente relacionada ao
desenvolvimento das ideias da probabilidade. Diante desse contexto histrico,
reportamo-nos observao de Coutinho (1996):

A noo de acaso data da Histria Antiga, tendo sua origem ligada aos
jogos de azar, notadamente na civilizao egpcia, primeira dinastia, 3500
a.C., certamente com um aspecto ldico. O desenvolvimento, porm, das
idias que formam a base do desenvolvimento da probabilidade ocorreu
bem mais tarde, com Jrme Cardan (De Ludo Aleae), Galileu (Sulla
Scoperta dei Dadi) e Fra Luca dal Borgo, que em sua obra publicada em
1494 e intitulada Summa de Arithmetica, Geometria, Proportioni et
Proportionalita, enuncia o problema mais tarde resolvido por Blaise Pascal
(1623 1662) e Pierre de Fermat (1601 1665), a quem podemos, de certa
forma, atribuir a origem da concepo de Probabilidade. (COUTINHO, 1996,
p. 12)

Dessa forma, podemos destacar Jacob Bernoulli (1654-1705) que aproximou


a probabilidade de um evento, observando a frequncia de ocorrncia quando um
experimento repetido um grande nmero de vezes. Porm foi Laplace (1749-1827)
que, em suas investigaes sobre Astronomia, [...] provou que as velocidades
mdias ou as distncias mdias dos planetas so invariveis, ou meramente sujeitas
a pequenas mudanas peridicas (CAJORI, 2007, p. 347). A partir da, ele passou a
interpretar as pequenas mudanas peridicas como pequenos erros que deram
origem s distribuies de probabilidades de variveis aleatrias independentes.
O mtodo desenvolvido por Laplace, conforme se encontra no apndice A,
deu origem s primeiras ideias acerca do Teorema Central do Limite e esse feito o
levou a ser considerado o seu criador. Um outro trabalho importante realizado por
34

ele, principalmente para Estatstica, foi a obra lEssai Philosophique sur les
Probabilits, publicada em 1814, em que fez a primeira tentativa de axiomatizao
da Teoria das Probabilidades e, ainda, explorou a natureza da teoria probabilstica
do acaso (COUTINHO, 2001). Nesse mesmo trabalho, Laplace usou a propriedade
relativa soma de variveis aleatrias como sendo base para a demonstrao9 do
Teorema Central do Limite e, alm disso, trabalhou com a funo caracterstica,
conforme apndice B, numa distribuio de probabilidades. Apesar do carter
dedutivo, Laplace no tinha inteno de estudar o teorema em si, mas utiliz-lo
apenas como tcnica, ou seja, um procedimento para o clculo de probabilidades e
consolidao de sua teoria.
Nos estudos de Blaiotta e Delieutraz (2004), atribuda a Polya a utilizao
do termo central nesse teorema, pois significa de importncia central na teoria das
probabilidades, tendo em vista que o Teorema Central do Limite , muitas vezes,
implicitamente, aplicado em situaes reais. Por exemplo, como bem descreveu
Laplace, ao considerar o erro total como a soma de numerosos erros
essencialmente muito pequenos, devido a causas independentes, a distribuio de
probabilidades que modeliza esses erros a normal. Isso ocorre em muitas
situaes realizadas, como na Astronomia, nas pequenas variaes de temperatura,
nas correntes irregulares de ar, entre outros.
Fischer (2000) afirma que, de todas as contribuies para a compreenso da
demonstrao do teorema, no sculo XIX, a de Poisson (1781-1840) pode ser
considerada aquela que mais desenvolveu conceitos que cercam a formulao do
teorema. Poisson publicou dois artigos, um em 1824 e outro em 1829, levantando
questes para serem discutidas sobre o teorema. Sua ideia era a de que todo
procedimento do mundo fsico fosse governado por leis matemticas distintas.
Nesse contexto, ele tentou apresentar uma anlise matemtica um pouco mais
detalhada do que aquela apresentada por Laplace. Ele considerou dois aspectos:
apresentou uma demonstrao para uma varivel contnua, a partir das ideias
iniciais sobre variveis aleatrias, e discutiu a validade do Teorema Central do
Limite.
Esse tratamento inicial, dado por Poisson ao teorema, fundamenta-se a partir
da condio de que as variveis devem ser identicamente distribudas: primeiro pela
___________
9 Segundo Balacheff (2004), a demonstrao a pedra angular do pensamento matemtico, do raciocnio dedutivo, o qual
tem sua base terica no processo de provar por meio de cdigos e de formalidades.
35

soma delas e, em seguida, por uma combinao linear de seus elementos. Dessa
forma, generaliza a demonstrao da soma de variveis aleatrias para diferentes
distribuies, conforme se pode observar no apndice D.
As transies entre os sculos XVIII e XIX, e os sculos XIX e XX, foram
marcadas pelos esforos e dedicao por parte dos matemticos no sentido de
construir fundamentao lgico-dedutiva para as questes abertas que, inclusive,
ainda existem na atualidade, como, por exemplo, a Hiptese de Riemann que,
segundo Devlin (2004, p. 15), o nico problema de Hilbert de 1900 que continua
sem soluo. Segundo Boyer (1974):

No Congresso de Paris de 1900, Hilbert, renomado professor em Gttingen,


apresentou uma exposio em que tentou, com base nas tendncias da
pesquisa matemtica no fim do glorioso sculo dezenove, predizer a direo
de progressos futuros. Isso ele fez propondo vinte e trs problemas que ele
acreditava estariam ou deveriram estar entre os que ocupariam a ateno
dos matemticos no sculo vinte. (BOYER, 1974, p. 443)

Esses problemas propostos por Hilbert contriburam para que o rigor


matemtico ocupasse o centro da ateno daqueles que estavam no meio
acadmico. Para Eves (1997, p. 463), foi nesse contexto que surgiu a distino entre
matemtica pura e aplicada. A primeira foi destinada aos especialistas cujos
interesses estavam voltados para os objetos matemticos em si; j a segunda
priorizou o estudo de suas aplicaes. Esse argumento questionado por Bruter
(1998) quando diz:

[...] no plano do conhecimento matemtico, o matemtico aplicado nem


sempre produz resultados significativos, o mesmo acontencendo, claro,
com o matemtico puro, quer por no ter tido ainda a sorte de ser tocado
pela graa, quer porque lhe falta a prtica profunda da disciplina na qual
opera o seu modelo, e que lhe permitiria vislumbrar propriedades
interessantes, originais: tendo adivinhado a sua presena, f-las-ia surgir do
modelo, descobrindo assim talvez propriedades matemtica novas.
(BRUTER, 1998, p. 20)

No entanto, a teoria das probabilidades, no sculo XIX, foi considerada mais


como senso comum do que uma teoria advinda da Matemtica. No tardaria para
que alguns matemticos investissem em demonstrar o teorema, conforme era
exigido pela comunidade, tais como Bessel (1784-1846), Dirichlet (1805-1859),
Cauchy (1789-1857) e Ellis (1814-1890). Esses estudiosos trabalharam, por meio de
36

vrias tentativas, a primeira verso do Teorema Central do Limite que foi formulada
por Laplace em 1814 (vide apndice E).
No entanto, at ento, segundo Hald (1998, p. 402), as tentativas no foram
satisfatrias sob trs aspectos: (i) o teorema no havia sido monstrado para
distribuies infinitas; (ii) no havia condies explcitas, em termos de momentos
(apndice C), sobre as quais o teorema consolidado; (iii) no havia conhecimento
na poca sobre a razo de convergncia. Nas palavras de Lakatos (1978, p. 177),
nesse perodo, eles no sabiam que aps o descobrimento de um contra-exemplo
eles no tinham que analisar sua prova cuidadosamente e tentar encontrar o lema
oculto.
Outros grandes personagens da histria da Matemtica tambm contriburam
diretamente para o desenvolvimento do teorema e, dentre eles, podemos destacar a
famlia Bernoulli, Bayes (1702-1761), DeMoivre (1667-1754) e Taylor (1685-1731)10.
Todavia os trs itens apontados por Hald (1998) foram resolvidos por
matemticos russos, entre 1870 e 1910. Destacam-se Chebyshev (1821-1894),
Markov (1856-1922) e Liapounov (1857-1918).
A publicao do artigo de Chebyshev , tradicionalmente, considerada o incio
das demonstraes com rigor para o teorema. Apesar de a demonstrao estar
incompleta, Chebyshev usou o mtodo dos momentos, conforme apndice C. Mais
tarde, seu trabalho recebeu a contribuio de Markov, que tambm trabalhou
arduamente para obter a generalizao do mtodo de momentos aps a prova de
Liapounov. Ele finalmente foi bem sucedido em 1913, quando apresentou um artigo
que continha uma demonstrao do Teorema Central do Limite. Mais detalhes
encontram-se no apndice F.
Liapounov e Markov foram alunos de Chebyshev. Liapounov queria introduzir
provas rigorosas para teoria das probabilidades e foi bem sucedido em seu intento.
Ele no recorreu ao mtodo de momentos, mas seguiu a idia de Laplace, fazendo
o uso das funes caractersticas. Liapounov publicou, em 1901, uma demonstrao
que considerada a primeira constituda de rigor para o teorema, porm ainda
incompleta.
De acordo com Mether (2003), Lindeberg (1876-1932) chega a iniciar a
demonstrao, finalizando com as condies necessria e suficiente de Lvy (1838-
___________
10No temos a inteno de elencar todos os matemticos que contriburam para a Histria da Estatstica, mas apenas citar
alguns.
37

1910) e Feller (1906-1970) para o Teorema Central do Limite. Contudo, o teorema


recebe uma demonstrao elementar por meio da publicao de Lindeberg em
1922, cujo argumento era simples e aplicvel para os valores do plano euclidiano
(CAM, 1986), pois considerava as variveis xi, como variveis aleatrias
independentes com expectncia zero e varincia i2 igual a um, isto , segundo
Gnedenko e Kolmogorov (1954, p. 90), seja sn o desvio padro da soma S,

1
2
sn2= 12 . Se E x 0, (3.1)
2 i x i
sn sn

ento,
S
N0,1 (3.2)
sn

em geral, conhecida como a condio de Lindeberg. Essa condio permaneceu


inalterada at a primeira metade do sculo XX, isto , at o perodo anterior
publicao de Trotter sobre o teorema, em 1959. Para Paulauskas (2006), o trabalho
de Trotter apresentava duas vantagens: foi escrito em ingls e a demonstrao
apresentada foi muito clara. Isso chamou ateno dos pesquisadores o que fez
ressurgir a condio de Lindeberg , cujos interesses estavam voltados para os
teoremas sobre limites nos espaos de dimenses infinitas.
Atualmente a condio de Lindeberg ainda usada na maioria dos casos de
convergncia para uma distribuio normal e, tambm, para variveis aleatrias que
no so distribudas identicamente. As variveis aleatrias identicamente
distribudas tambm so conhecidas como uniformemente distribudas que, segundo
Meyer (1983):

(a) Uma varivel aleatria uniformemente distribuda tem uma funo


densidade de probabilidade que constante sobre o intervalo de

confiana. A fim de satisfazer condio. f ( x )dx 1 , essa

constante deve ser igual ao inverso do comprimento do intervalo.
(b) Uma varivel aleatria uniformemente distribuda representa o anlogo
contnuo dos resultados igualmente provveis, no seguinte sentido:
Para qualquer subintervalo [c, d], onde a c d b, P(c X d) a
mesma para todos os subintervalos que tenham o mesmo comprimento
[...], isto , depende unicamente do comprimento do intervalo e no da
posio desse intervalo.
(c) Agora podemos tornar mais precisa a noo intuitva de escolher ao
acaso um ponto P, em um intervalo [a, b]. Por isto simplesmente
38

queremos dizer que a coordenada x do ponto escolhido, digamos X,


uniformente distribuda sobre [a, b]. (MEYER, 1983, p. 90)

A condio de Lindeberg fundamenta-se em dois pontos: (i) pode ser


aplicada, em geral, em diversos contextos; (ii) considera a razo de convergncia
como o menor valor.
As evidncias confirmaram que sua demonstrao foi provida de rigor
matemtico, entretanto, sob condies suficientes. Faltavam-lhe ainda as condies
necessrias para consolidar a demonstrao do Teorema Central do Limite. Como
Poisson mostrou em 1824, a aproximao de uma distribuio assimtrica para
normal nem sempre de variveis independentes. Essa lacuna foi parcialmente
preenchida por Lvy e Feller em 1935 e 1937, respectivamente.
Lvy demonstrou a condio de Lindeberg em 1925, aplicando funes
caractersticas. Para Cam (1986), ele transformou o trabalho de Lindeberg em
simples e sofisticado para a poca. Entre 1925 e 1930, publicou vrios artigos sobre
o teorema, dando nfase s funes caractersticas em suas demonstraes.
Porm, aps 1930, ele evitou o uso dessas funes e, no seu artigo de 1935, no
fez nenhum uso das funes caractersticas no todo. Esse mesmo trabalho de Lvy
foi apresentado somente poucos meses depois de Feller, e, apesar de terem tratado
da mesma questo em ambos os artigos, eles negaram qualquer contato anterior
sobre o assunto. Lvy provou vrios itens relacionados ao Teorema Central do
Limite: (i) anunciou as condies necessria e suficiente para convergncia de
somas normalizadas de variveis aleatrias independentes e identicamente
distribudas para uma distribuio normal; (ii) apresentou condies necessria e
suficiente para o caso geral de somatrios independentes; (iii) tentou dar condies
necessria e suficiente para variveis dependentes.
Havia, no entanto, alguns problemas com as demonstraes de Lvy. As
condies necessria e suficiente para o caso de distribuies marginais de
probabilidade no eram satisfatrias o bastante e no se fez um teste padro com
rigor. chamada de distribuio de probabilidade marginal para o caso de variveis
discretas e, se contnuo, chamada de funo densidade de probabilidade marginal.
Para Meyer (1983, p. 116), a cada varivel aleatria bidimensional (X, Y) associa-se
a duas variveis aleatrias unidimensionais, a saber, X e Y, individualmente. Isto ,
39

pode-se estar interessado na distribuio de probabilidade de X ou na distribuio


de probabilidade de Y.
Lvy provou as condies necessria e suficiente para casos gerais de
variveis aleatrias independentes corretamente, mas sua demonstrao dependia
do lema fundamental, que ainda no havia sido provado. E esse lema , segundo
Mether (2003, p. 21), Se a soma S = X + Y de duas variveis aleatrias
independentes (X e Y) tem uma distribuio normal, ento X e Y so distribuies
normais.
Toda prova de Lvy dependia desse lema, no entanto no foi satisfatria na
poca em que teve a oportunidade de ser apresentada. No ano seguinte, 1936,
Cramr provou o lema (como um teorema). Com ajuda desse mesmo teorema, a
utilizao de somas normalizadas poderia ser apresentada para validar os teoremas
de Lvy e Feller, pois, assim, seriam aplicveis para casos gerais. Tanto Feller
quanto Lvy retornaram e aperfeioaram seus trabalhos em 1937, aps os
resultados apresentados por Cramr. Cam (1986, p. 90) afirma que o Teorema
Central do Limite foi ento provado nas condies necessria e suficiente . Assim,
foi satisfeita a demonstrao do teorema tal qual se conhece nos dias atuais (vide
apndice G).
Em suma, a histria do Teorema Central do Limite iniciou-se no sculo XVIII,
sendo Laplace o precussor, a partir da discusso sobre a necessidade de
aproximao das somas dos erros de uma distribuio, e s foi concluda em
meados do sculo XX, ou seja, precisou-se de mais de 200 anos para a realizao
da demonstrao do teorema. Esse longo percurso mostra a complexidade do tema
e a necessidade de desenvolvimento de um conhecimento matemtico preciso para
sua correta e completa demonstrao.
Portanto, conforme exposto na primeira parte, nos foi possvel constatar que
os estudos que tm como foco o Teorema Central do Limite ainda so bastante
escassos, principalmente quando comparados com outros temas da Educao
Estatstica, o que confere a relevncia de nossa investigao.
J para a segunda parte da reviso da literatura, uma abordagem histrica,
mesmo que superficial, nos reporta a uma viso de como o teorema surgiu, os
obstculos com os quais os matemticos se depararam e, por fim, a justificativa
sobre a importncia dele como objeto de estudo de nossa pesquisa. Alm disso, no
contexto do processo de ensino e de aprendizagem, Kline (1976) confirma que:
40

[...] Podemos dar aos estudantes as abordagens certas, e eles as


compreendero. Pode-se contestar esse argumento dizendo que os maiores
matemticos procuraram realmente construir os fundamentos lgicos para
as vrias questes, mas malograram durante sculos. O malogro deles
deve servir como prova de que as abordagens lgicas no so fceis de
apreender. Pode-se resumir a histria e evitar muitos dos esforos
desperdiados e armadilhas, mas no se pode elimin-las. (KLINE, 1976, p.
60)

E, assim, justificamos nossa opo por no ter detalhado a demonstrao do


Teorema Central do Limite, uma vez que a delimitao do nosso tema se refere
abordagem didtica. Porm, os diversos passos para a construo dessa
demonstrao podem ser encontrados nos apndices de A a G.
41

4 PROCEDIMENTOS E REFERENCIAIS METODOLGICOS

A partir da reviso da literatura, averiguamos algumas lacunas existentes nos


estudos sobre o ensino e a aprendizagem do Teorema Central do Limite quanto
abordagem que lhe dada, atualmente, nos cursos de Licenciatura. Podemos
apontar como um dos motivos a falta de nfase, ao menos nos livros-texto, quanto
demonstrao do teorema, assim como a ausncia de citaes a uma abordagem
histrica sobre o seu surgimento, mesmo que os autores afirmem sua importncia ao
tratarem de Inferncia Estatstica. Alm disso, as aplicaes so feitas diretamente
em situaes-problema, que nem sempre esto direcionadas para o teorema em si,
mas, sim, subjacentes aos problemas.
Para realizar a nossa investigao, optamos pela abordagem proposta por
Artaud (1998) quanto problemtica ecolgica do objeto, o que nos permitiu
questionar o real, isto , o que existe? Por que existe? Ou ento, o que no
existe? Poderia existir? Sobre quais condies?, que, em sntese, no contexto do
Teorema Central do Limite, constitui a problemtica de nossa investigao:

Por que determinados saberes/conhecimentos deixaram de ser abordados no


ensino do Teorema Central do Limite, mas ainda assim ele sobrevive? Que
saberes so indispensveis para o teorema viver? Que relaes diretas ou
indiretas existem entre o teorema e a construo de saberes estatsticos nas
aulas de Estatstica?

O aprofundamento sobre a relevncia ecolgica atribuda problemtica


desse estudo ser abordada no captulo relativo ao quadro terico. Por enquanto,
nos restringimos a expor os procedimentos metodolgicos que nortearam a nossa
investigao.
Para Artigue (1995), a engenharia didtica um mtodo de investigao que
se caracteriza, fundamentalmente, por um esquema experimental, cuja base est
nas realizaes didticas que ocorrem na sala de aula, envolvendo, assim, da
concepo anlise de sequncias didticas. Entretanto, com as avaliaes que
ocorrem internacionalmente com alunos, como, por exemplo, o programa PISA
(Programme for International Stutdents Assessement), sob responsabilidade da
42

OECD (Organisations for Economic Co-operation and Development), a tendncia


das pesquisas didticas nos reporta a seguir o desenvolvimento da prpria
Matemtica na nossa sociedade.

Pela medida da literacia matemtica dos estudantes e das competncias


que devem proporcionar, estas avaliaes questionam de fora a eficincia
dos nossos sistemas educacionais tornando mais visvel no cenrio
internacional os sucessos, mas tambm as limitaes e falhas, e conduz
para a questo de pesquisa educacional sobre seu potencial para informar e
11
guiar decises e normas curriculares. (ARTIGUE, 2009, p.1-2, grifo nosso)

Essa autora apresenta, neste texto, o design didtico, como uma ferramenta
que permite reconhecer as intervenes controladas, exercendo um papel essencial
no sentido de como a teoria e a prtica podem ser efetivamente teis. Literacia foi
escolhida para refletir a amplitude dos conhecimentos, habilidades e competncias
que esto sendo avaliados (BRASIL, 2009, grifo nosso)12. Em Matemtica, a
literacia avaliada sob trs dimenses: conceitual, procedimental e interdiciplinar.
Sob a dimenso conceitual, a literacia matemtica recebe uma abordagem
mais ampla, destacando-se, em primeiro lugar, os conceitos relativos estimativa,
mudana e crescimento; espao e forma; raciocnio lgico; incerteza e dependncias
e relaes; em segundo, os conceitos matemticos contidos no currculo, como, por
exemplo, as relaes numricas, a lgebra e a geometria.
A dimenso procedimental, em linhas gerais, refere-se s competncias e s
habilidades que o estudante deve desenvolver de modo que saiba resolver
problemas a partir da escolha de estratgias, que so divididas em trs classes: a
primeira diz respeito s operaes simples; a segunda, ao reconhecimento em
estabelecer as interrelaes entre os diferentes modelos matemticos para
resoluo de problemas; e, por fim, a terceira classe dispe da prtica do raciocnio
matemtico em estabelecer generalizaes e exercer a descoberta.
A terceira dimenso da literacia matemtica, a interdisciplinar, consiste na
resoluo de problemas em todas as vertentes da cincia ou do cotidiano,
entendendo que a Matemtica no uma disciplina isolada das demais, isto , em
oposio viso fragmentada do conhecimento.
___________
11 Texto original: Through the measure of students mathematical literacy and competences that they pretend to provide,
these evaluations question from the outside the efficiency of our educational systems, make more visible on the international
scene successes but also limitations and failures, and lead to question educational research about its potential for informing
and guiding curricular decisions and policies. (Trad. COUTINHO, Cileda de Queiroz e Silva; SILVA, Maria Jos Ferreira da)
12 Disponvel em: http://www.inep.gov.br/internacional/pisa/ Acesso em: 30 ago 2009.
43

A pertinncia da literacia matemtica na nossa investigao se deve a dois


aspectos, a saber: aos licenciandos em Matemtica e literacia estatstica. Em
decorrncia disso, optamos pela metodologia do design didtico, pois Artigue (2009)
acredita que a associao entre essa metodologia, a Teoria das Situaes Didtica
(BROUSSEAU, 1996) e a Teoria Antropolgica do Didtico (CHEVALLARD, 1996,
1999), ser extremamente apropriada, pois pode dar suporte reflexivo ao design
didtico
Com relao TSD (Teoria das Situaes Didticas), a engenharia didtica
tem seus termos bem definidos quanto interveno controlada. Para Artigue
(2009), vale apontar algumas caractersticas da TSD, pois ela (ou elas, se estiver
se referindo a caractersticas) afeta o ponto de vista do design. Em primeiro lugar,
o objeto da TSD a situao em si, e, quanto aprendizagem, depende da
abordagem em que se do as situaes que ocorrem na sala de aula; em segundo,
h nfase na epistemologia do conhecimento, o que significa uma anlise mais
especfica das situaes, tendo em vista que o aspecto positivo o de despertar o
conhecimento matemtico visado; em terceiro, a influncia do milleu na situao e
na interao dos estudantes como forma de assegurar uma adaptao adidtica
produtiva (ARTIGUE, 2009, p. 5); em quarto, o conhecimento matemtico se
distingue na ao, na formulao e na validao; e, em quinto lugar, o papel do
professor como ator, desde a organizao das relao didticas e adidticas at o
encaminhamento do processo de devoluo e institucionalizao. Para Brousseau
(1996), na Teoria das Situaes Didticas, de responsabilidade do professor
porque:

O matemtico no comunica seus resultados tal como os obteve, mas os


reorganiza, lhes d forma mais geral possvel; realiza uma didtica prtica
que consiste em dar ao saber uma forma comunicvel, descontextualizada,
despersonalizada, fora de um contexto temporal.
O professor realiza primeiro o trabalho inverso ao do cientista, uma
recontextualizao do saber: procura situaes que dem sentido aos
conhecimentos que devem ser ensinados. Porm, se a fase de
personificao funcionou bem, quando o aluno respondeu s situaes
propostas no sabia que o que produziu, um conhecimento que poder
utilizar em outras ocasies. Para transformar suas respostas e seus
conhecimentos em saber dever, com a ajuda do professor, re-
despersonalizar e re-descontextualizar o saber que produziu, para poder
reconhecer no que fez algo que tenha carter universal, um conhecimento
cultural reutilizvel. (BROUSSEAU, 1996, p. 48)
44

No entanto, Artigue (2009) afirma que h limitao no papel do professor,


mesmo durante sua participao no processo de devoluo e institucionalizao,
considerando-se que, se essa estrutura pode ser associada ao design e
engenharia didtica, pode enriquecer as sucessivas fases de anlise a priori e a
posteriori. A partir do design didtico, pode-se garantir a internalizao do processo
em estudo, sem excluir as ferramentas metodolgicas.
Um outro aspecto a ser considerado o da Teoria Antropolgica do Didtico e
o design didtico. Segundo Artigue (2009, p. 8), a escala de nveis de co-
determinao didtica certamente pode ajudar a fazer um design didtico sensvel
aos diferentes tipos de limitaes a que as aes didticas so submetidas, do nvel
da civilizao ao nvel do sujeito13. Assim, como um dos procedimentos
metodolgicos de nossa investigao foi a anlise das atividades que aplicam o
Teorema Central do Limite em alguns livros-texto do Ensino Superior, conciliar a
TAD e o design didtico nos permitiu entrelaar a pesquisa e a prtica. O fator
positivo do design que pode tornar as questes ecolgicas visveis e possveis de
serem organizadas para seu estudo.
Os procedimentos metodolgicos foram divididos em trs partes. A primeira
a anlise dos livros-texto luz da Teoria Antropolgica do Didtico. A segunda parte
diz respeito s atividades realizadas com os quatro licenciandos, seguindo um
estudo qualitativo sobre como eles construram as ideias em torno do teorema de
modo que conseguissem atingir a consolidao do saber enquanto objeto de estudo.
Para tal, foi apresentada uma srie de atividades, cada qual constituindo-se numa
sequncia didtica de forma a dar contorno ao ecossistema do saber e do didtico,
conforme ser abordado no quadro terico de nosso trabalho.
Na terceira parte, optamos por interagir com os alunos a partir de um dilogo
sobre as atividades realizadas, cujo instrumento utilizado foi a gravao oral e,
posteriormente, as transcritas. Nesse momento, a pesquisadora atuou como
professora e recorreu, assim, a alguns fundamentos da pesquisa e da ao,
seguindo a proposta da interveno controlada ou no, no contexto do design
didtico de Artigue (2009). Essa postura confirmou uma investigao qualitativa que,
durante os dilogos, nos permitiu averiguar a amplitude dos conhecimentos,

___________
13 Texto original: The scale of levels of didactic codetermination certainly can help to make didactical design sensitive to the
different kinds of constraints to which didactical action is submitted, from the civilization level to the subject level. (Trad.
COUTINHO, Cileda de Queiroz e Silva; SILVA, Maria Jos Ferreira da).
45

habilidades e competncias que se revelam pela literacia estatstica. Assim, vejamos


cada fase dos procedimentos metodolgicos que nortearam a pesquisa.

4.1 A Anlise dos Livros-Texto e a Teoria Antropolgica do Didtico

Nos estudos de Almouloud (2007, p. 113), a problemtica antropolgica


amplia o campo de anlise e permite abordar os problemas que se criam entre os
diferentes objetos do saber a ensinar. Nessa perspectiva, tentaremos buscar uma
estrutura hierrquica, estabelecendo as interrelaes entre os objetos, do ponto de
vista antropolgico, de modo que nos permita identificar e analisar as estruturas
ecolgicas dos objetos relacionados com o Teorema Central do Limite. E, para tal,
iniciamos com as justificativas que nos levaram a escolher determinados livros-texto,
para, em seguida, apresentar um tipo de atividade de cada um deles e, finalmente,
expor como o teorema definido por eles.
Entendemos que uma das atividades do professor a de elaborar suas aulas
a partir de bibliografias que o levam a refletir sobre as etapas didticas com as quais
ir se deparar. Portanto, a nossa escolha pelos livros-texto deve-se a alguns
critrios:

Levar em considerao a experincia dos autores no ramo da Estatstica.


Pertencer, seja como bibliografia bsica, seja como complementar, a
algumas ementas de cursos de Licenciatura em Matemtica.
Ter edies referentes, no mximo, aos ltimos dez anos.

A partir da Teoria da Transposio Didtica (CHEVALLARD, 1985) e suas


vertentes, faremos uma abordagem antropolgica para as atividades realizadas, que
serviro como modelo para anlise dos livros-texto e do desenvolvimento das
atividades, reforando o ponto de vista ecolgico.
Retomando o que Chevallard (1996) afirma, a teoria antropolgica do
conhecimento ou antropologia cognitiva provm das primeiras formulaes sobre a
teoria da transposio didtica, a partir de trs elementos: o objeto, as pessoas e as
instituies. O autor alega que o objeto de estudo tem seu destaque no sentido de
46

que ocupa uma posio privilegiada, e isso lhe atribudo por ser um material de
base para investigao. Assim, a praxeologia (ou organizao) da ecologia do objeto
matemtico de estudo, o Teorema Central do Limite, de duas espcies: a
matemtica e a didtica, o que refora a estrutura do primeiro procedimento
metodolgico.
Segundo Chevallard (1996), a teoria () o nvel superior de justificativa-
explicao-produo e nem sempre est presente numa atividade. No entanto,
podemos dizer que essa atividade, por si, encarrega-se por pertencer a uma
organizao praxeolgica pontual, ou seja, quando a praxeologia relaciona uma
nica atividade T ao complexo: tarefa, tcnica, tecnologia e teoria (T, , , ).
A tcnica no se restringe apenas a um modo de ser realizado. Alguns
conceitos devem fazer parte dos conhecimentos disponveis do estudante para que
se possa aplicar a tcnica. A tecnologia () existe para justificar e explicar as
tcnicas (), e a teoria () a justificativa da justificativa, isto , a tecnologia da
tecnologia.
O desenvolvimento das praxeologias proporcionou o design didtico numa
forma prpria e nica para cada etapa, isto , sucessivamente, nos permitindo a
anlise pontual na fase experimental da pesquisa.

4.2 As Atividades Didticas e os Licenciandos

A segunda parte dos procedimentos metodolgicos constitui-se de uma srie


de atividades que permitiram aos quatro licenciandos construrem ideia e noes
sobre o Teorema Central do Limite, para, consequentemente, poderem atingir a
compreenso do conhecimento. Para elaborao das atividades, utilizamos os
dados coletados por uma pesquisa14 que mensurou o ndice de autoestima de
alunos do Ensino Fundamental, particularmente do 6 ano.

___________
14 A pesquisa foi de Iniciao Cientfica e contou com a participao dos alunos da Licenciatura em Matemtica, Andra
Stambassi Souza e Vanderson Damasceno Ribeiro, sob a orientao da autora deste trabalho. Como os dados coletados
no foram analisados estatisticamente, pareceu oportuno lhes dar um tratamento estatstico apropriado. Isso fez com que
contemplassem as duas dimenses desta pesquisa: o Teorema Central do Limite e outros objetos estatsticos numa
situao-problema em que representa um tema pertinente e real para alunos da Licenciatura em Matemtica.
47

Alm de desenvolver, analisar e avaliar uma proposta de ensino centrada nos


principais conceitos ligados ao teorema, buscamos identificar e compreender
argumentos e procedimentos utilizados por alunos do curso de Licenciatura em
Matemtica. Essa situao pode ser evidenciada na descrio de quando eles
trabalharam num cenrio de aprendizagem privilegiado por situaes-problema, em
que os objetos estatsticos puderam surgir a partir de ideias advindas das
concepes espontneas, seguindo definio de Artigue (1990). Isso quer dizer que
a inteno foi a de fazer com que diversas ideias de objetos matemticos e/ou
estatsticos pudessem emergir antes que sua definio fosse oficialmente
apresentada.
Para que isso ocorresse, caracterizamos o nosso trabalho, propondo uma
investigao qualitativa, e contamos, inicialmente, com apenas quatro licenciandos
do Curso de Licenciatura em Matemtica, de um Centro de Ensino da cidade de Juiz
de Fora, Minas Gerais. Os participantes da pesquisa j se encontravam no ltimo
ano do curso e, diante disso, a nossa investigao ocorreu durante as aulas de
Estatstica, dirigida especialmente para eles, o que nos proporcionou observaes
mais pontuais durante as discusses sobre essa disciplina. Assim, nos foi possvel
realizar a pequisa e a prtica conforme a proposta do design didtico. Alm disso,
nos baseamos tambm de alguns fundamentos toricos da metodologia da
pesquisa-ao, cujos atores so todos os que participaram da pesquisa. Segundo
Thiollent (1996),

[...] a pesquisa-ao pode ser vista como modo de conceber e de organizar


uma pesquisa social de finalidade prtica e que esteja de acordo com as
exigncias prprias da ao e da participao dos atores da situao
observada. Neste processo, a metodologia desempenha um papel de
bssola na atividade dos pesquisadores, esclarecendo cada uma das suas
decises por meio de alguns princpios de cientificidade. (THIOLLENT,
1996, p. 26)

No desenvolvimento dessa metodologia, os pesquisadores recorrem a


mtodos e tcnicas de grupos para lidar com a dimenso coletiva e interativa da
investigao, bem como tcnicas de registro, de processamento e de exposio de
resultados. Por isso, um outro instrumento tambm utilizado foi o de discusso sobre
as atividades realizadas e devidamente registradas por meio de audio-gravao, que
representar a terceira parte dos procedimentos metodolgicos. Assim, garantimos o
48

anonimato, sem expor os licenciandos em nenhuma situao de constrangimento


pessoal. Por meio de um termo de compromisso15, os licenciandos aceitaram
participar da pesquisa voluntariamente, e o seu desligamento independeu da poca
em que se encontrava a investigao, seguindo sempre o desejo de participao de
cada um.
Segundo Thiollent (1996), os objetivos de conhecimento potencialmente
alcanveis em pesquisa-ao so:

a) A coleta de informao original acerca de situaes de atores em


movimento.
b) A concretizao de conhecimentos tericos, obtida de modo dialogado
na relao entre pesquisadores e membros representativos das
situaes ou problemas investigados.
c) A comparao das representaes prprias aos vrios interlocutores,
com aspecto de cotejo entre saber formal e informal acerca da
resoluo das categorias de problemas.
d) A produo de guias ou de regras prticas para resolver os problemas
e planejar as correspondentes aes.
e) Os ensinamentos positivos ou negativos quanto conduta da ao e
condies de xito.
f) Possveis generalizaes estabelecidas a partir de vrias pesquisas
semelhantes e com o aprimoramento da experincia dos
pesquisadores.
(THIOLLENT, 1996, p. 41)

A partir do design didtico, cuja proposta incide sobre as relaes produtivas


entre pesquisa e prtica, podemos sintetizar os seis itens expostos por Thiollent
(1996) nas aes como: reconhecer o objeto de estudo mediante os participantes (a)
e (b); analisar os impactos oriundos das respostas intuitivas e formais (c); orientar
como forma de devoluo para reflexo e discusso dos resultados de xito ou
fracasso16 (d) e (e); e, por fim, reconstruir, a partir dos aspectos de xitos e
fracassos (f). Entendemos que essa dinmica representa um ciclo, nem sempre
hierrquico, mas que, didaticamente, parece ser, do ponto de vista de interao, o
pesquisador com os pesquisandos. Assim podemos sintetizar esses procedimentos
conforme o esquema 1:

___________
15Apndice H.
16A palavra fracasso no tem conotao negativa, por isso est colocada entre aspas, pois entendemos que seria no caso
de respostas de no xito.
49

Esquema 1- Dinmica da pesquisa-ao de nossa investigao, com base em Thiollent (1996).


Fonte: Dados da pesquisa.

A fase de reconhecer pode ser considerada a exploratria, pois consiste em


estabelecer um primeiro diagnstico da situao, dos conhecimentos prvios que os
estudantes tm sobre o Teorema Central do Limite, sem interferncia do
pesquisador. O sentido de analisar est associado ao fato de comparar uma
resposta com outra e observar como as ideias surgem e so concernentes aos
objetos estatsticos e, eventualmente, associ-los aos objetos matemticos. Em
seguida, vem a fase de orientar, que diz respeito s interferncias que podem
ocorrer durante o dilogo com os estudantes, em se tratando das etapas em que foi
possvel estruturar as ideias para dar um contorno ao teorema. E, finalmente,
reconstruir significa que, apesar de haver um enunciado prprio para o teorema, o
saber reconhecido para ser produzido. A reconstruo se refere produo do
conceito que os licenciandos tiveram quando lanaram suas ideias acerca do
teorema. Esse ciclo pode ser retomado a partir de respostas que porventura possam
lev-los ao insucesso.
Consequentemente, pode haver a reconstruo do enunciado e, assim, iniciar
um outro nvel, obedecendo s mesmas etapas, mas, sobretudo, mais consistente
que o anterior para a consolidao do saber.
50

4.3 A Pesquisa e a Prtica: o Design Didtico

Partindo do princpio da participao, verifica-se em que condies os atores,


pesquisador e licenciandos, devero atuar na investigao. Assim, Thiollent (1996)
sugere os seguintes passos para concretizao da investigao:

a) Anlise e delimitao da situao inicial;


b) Delineamento da situao final, em funo de critrios de
desejabilidade e de factabilidade;
c) Identificao de todos os problemas a serem resolvidos para permitir a
passagem de (a) e (b);
d) Planejamento das aes correspondentes;
e) Execuo e avaliao das aes.
(THIOLLENT, 1996, p. 53)

As intervenes controladas ocorreram tambm durante as atividades, mas,


efetivamente, aconteceram claramente durante o dilogo entre a pesquisadora e os
licenciandos. Nesse contexto, buscou-se trabalhar com elementos do pensamento
estatstico (WILD; PFANNKUCH, 1999), cuja ausncia , ao menos, aparentemente
bvia para uns, porque, para os mesmos autores, tem sido muito mais produto da
experincia vivida e intuio do que produto instrucional formal transmitida pelas
geraes passadas. Portanto, as situaes com que nos deparamos nos
proporcionaram momentos de reflexo e discusso, o que interferiu, mesmo que
indiretamente, numa orientao em torno das ideias estatsticas que surgiram nas
atividades propostas e, portanto, no desenvolvimento do pensamento estatstico e
literacia estatstica, de acordo com Garfield e Ben-Zvi (2007).
Desse modo, quando afirmamos que o objetivo de nosso estudo foi o de
desenvolver, analisar, avaliar e reconstruir para uma proposta de ensino centrada
nas principais ideias e conceitos ligados ao Teorema Central do Limite, significa
dizer que tivemos um olhar voltado para aes dos alunos medida que eles
expressavam os objetos matemticos implcitos nos objetos estatsticos. Buscamos,
portanto, a anlise e a compreenso dos procedimentos e argumentos que cada um
se fez valer nas situaes propostas. Podemos tambm dizer que, nesse ponto,
estabeleceu-se uma relao produtiva entre a pesquisa e a prtica pela reflexo
sobre todas as propostas apresentadas na nossa investigao.
51

No prximo captulo exploraremos mais detalhadamente o quadro terico que


norteou todo o nosso trabalho.
52
53

5 QUADRO TERICO DA INVESTIGAO

Neste captulo apresentaremos as teorias da Didtica da Matemtica que


utilizamos no desenvolvimento desta pesquisa. Para que efetivamente haja o
engendramento entre o objeto estatstico e matemtico de nosso estudo, no caso o
Teorema Central do Limite, e a compreenso de como as ideias podem surgir
durante uma sequncia didtica sobre o tema, optamos por uma abordagem sob o
ponto de vista ecolgico do saber e do didtico.
Diante desse contexto, dividimos o quadro terico segundo trs pontos de
vista. O primeiro trata do objeto do saber, o Teorema Central do Limite, numa
abordagem ecolgica; o segundo, especificamente, do ponto de vista do didtico; e,
o terceiro, da aplicabilidade do teorema no nosso entorno, isto , as implicaes do
teorema no desenvolvimento da literacia estatstica.
Na primeira parte, visamos o objeto, o teorema em questo, sob o ponto de
vista ecolgico do saber, isto , quais so os elementos matemticos e estatsticos
indispensveis para a compreenso do Teorema Central do Limite? Quais os no
necessrios que permitiram sua sobrevivncia at hoje?
Em seguida, na segunda parte, sob o ponto de vista ecolgico do didtico,
tratamos do processo de ensino e de aprendizagem do teorema, j que podemos
afirmar que a dificuldade, por parte dos professores, em certas ocasies,
potencializada pelo fato de que ele (ela), o(a) professor(a) de Matemtica,
responsvel pelo ensino desse contedo na Educao Bsica e no Ensino Superior,
segundo Shulman (1986), precisa ter mais conhecimentos especfico e didtico do
contedo, justificando, assim, o nosso trabalho com os licenciandos em Matemtica.
Partimos da hiptese de que a compreenso do Teorema Central do Limite, na
transio entre a Estatstica Descritiva e a Inferencial, deve estabelecer nveis de
ensino, segundo a Teoria da Transposio Didtica.
E, na terceira parte, trataremos de expor algumas ideias a respeito da literacia
estatstica no intuito de poder apresentar uma relao direta ou indireta entre o
teorema e a nossa proposta.
54

5.1 A Problemtica Ecolgica sob o Ponto de Vista do Saber

Sob o ponto de vista ecolgico do saber, entendemos que a problemtica


deve envolver uma abordagem antropolgica do objeto, no caso, o Teorema Central
do Limite, possibilitando-nos retomar a questo de cunho ecolgico de nossa
investigao:

Por que determinados saberes/conhecimentos deixaram de ser abordados no


ensino do Teorema Central do Limite, mas ainda assim ele sobrevive? Que
saberes so indispensveis para teorema viver? Que relaes diretas ou
indiretas existem entre o teorema e a construo de saberes estatsticos nas
aulas de Estatstica?

Para aprofundarmos um pouco mais a relevncia ecolgica atribuda


problemtica desse estudo, faremos um breve esboo sobre o que vem a ser uma
estrutura ecolgica a partir de um ecossistema.

5.1.1 A Noo de Ecossistema

A criao da palavra ecologia veio de Haeckel, em 1866. Ele definiu


ecologia como a cincia que engloba todas as relaes dos organismos com o
mundo exterior que os envolve, incluindo suas condies de existncia, isto , as
relaes extrnsecas e intrnsecas dos organismos com o meio, formando uma
estrutura ecolgica chamada de ecossistema.
Segundo Dajoz (2005, p. 244), ecossistema um conjunto de elementos em
interao uns com os outros, formando um todo coerente e ordenado. um sistema
hierarquizado no qual os prprios elementos constitutivos so subsistemas
estruturados.
Para esse autor, o termo biocenose atribudo ao conjunto de espcies que
ocupam e partilham um mesmo meio, bem delimitado, no qual foram reunidas de
maneira fortuita. Essas espcies coexistem regularmente e de forma previsvel. So
55

tambm as mesmas que podem manter, entre si, relaes que resultam em uma
verdadeira coevoluo. Em outras palavras, as diversas espcies no so
independentes: os elementos do ecossistema so interdependentes, porque mantm
entre si relaes mltiplas, coerentes e ordenadas, formando, assim, um conjunto,
em geral, estvel e autnomo.
O trabalho de Artaud (1998) identifica quatro tipos de ecossistemas para o
saber matemtico:

[...] ecossistema do saber, no qual se produz a matemtica; ecossistema


didtico escolar, no qual se estuda a matemtica; ecossistema profissional,
onde utilizam a matemtica para concretizar algumas tarefas; ecossistema
noosferiano, enfim, em que a matemtica manipulada para fins de
transposio. (ARTAUD, 1998, p. 4)

Por conseguinte, nessa estrutura, reconhecemos os ecossistemas que


abarcam o Teorema Central do Limite: (i) quanto s condies e motivaes que
permitiram a produo do teorema; (ii) quanto ao estudo do teorema no sistema
escolar; (iii) quanto ao estudo do teorema para a construo da literacia estatstica
no cotidiano profissional e pessoal; (iv) quanto ao estudo do teorema no processo de
ensino e de aprendizagem.
O item (i) refere-se ao abordado em nossa reviso da literatura, em que nos
foi possvel traar um breve esboo histrico e epistemolgico sobre as condies
do desenvolvimento do Teorema Central do Limite, desde as primeiras ideias at a
forma como conhecida nos dias de hoje. Os itens (ii), (iii) e (iv) fazem parte dos
resultados da pesquisa, portanto, tambm objetos de estudo no captulo ulterior.
Contudo, para se ter uma ideia da estrutura ecolgica do teorema como
objeto do saber, entendemos que um ecossistema tem carter paradoxal devido
dependncia e independncia em relao a outros ecossistemas. A dependncia
nos proporciona uma viso global do nosso estudo, e a independncia nos permite
distinguir o surgimento de objetos do saber a partir das diferentes tarefas que
requerem a instrumentalizao dos mesmos. Assim, para o Teorema Central do
Limite, podemos dizer que a dependncia global pode ser representada pela
importncia que a maioria dos autores dos livros-texto atribuem ao teorema, pela
aplicao na Inferncia Estatstica e pelos objetos matemticos e estatsticos que
so indispensveis para seu estudo como, por exemplo, a definio da distribuio
normal de probabilidades. Para a independncia do ecossistema do teorema,
56

exemplificamos a partir de sua abordagem histrica e epistemolgica, tal qual como


foi apresentada.
Vale ressaltar que os objetos do saber e os objetos didticos esto
associados, desde que as organizaes do saber iniciaram suas existncias para
pessoas ou instituies, a partir do processo de estudo.

5.1.2 Abordagem Ecolgica do Saber: O Teorema Central do Limite

Para iniciarmos a apresentao do ecossistema do teorema, faz-se


necessrio explicitar o seu enunciado. Segundo Guimares e Cabral (1997), o
Teorema Central do Limite,

[...], no domnio da Estatstica, constitui um dos desenvolvimentos tericos


mais notveis, com inmeras aplicaes permite, em particular, fazer
progressos significativos na caracterizao de distribuies por
amostragem. De uma forma extremamente simplificada, o teorema pode ser
enunciado nos seguintes termos:
N
S Xn
n 1
Sejam X1, ..., XN variveis aleatrias independentes com a mesma
distribuio, que se admite ter varincia finita (quase todas as distribuies
com interesse prtico tm varincia finita, pelo que esta condio no
particularmente restritiva). Qualquer que seja a forma da distribuio destas
variveis, se o valor N for suficientemente grande, a varivel soma segue
aproximadamente uma distribuio Normal.
Esta distribuio inteiramente especificada atravs do valor esperado e da
varincia de S, que so dados por
= N. x
2
s = N.x
2
onde x e x , representam o valor esperado e a varincia das variveis Xn.
(GUIMARES; CABRAL, 1997, p. 240).

Para o enunciado que os autores apresentam, vale ressaltar que existem


diferenas de notao em relao ao que estamos acostumados a usar, ao menos
no Brasil, pois consideramos, em geral, N (maisculo) para representar o tamanho
da populao e o n, minsculo, para amostras. Assim, o resultado desse enunciado
pode ser interpretado da seguinte forma: para qualquer populao com varincia
finita, a distribuio da mdia amostral calculada com base numa amostra simples
tende para uma distribuio normal medida que a dimenso da amostra cresce.
57

Como a mdia amostral dada pelo produto entre a varivel soma (S) pelo
1
coeficiente k = , ento a distribuio da soma se aproxima de uma distribuio
N
normal. E, para que tal fato acontea, preciso que satisfaa a duas condies:

1) Se S varivel aleatria, ento k.S tambm varivel aleatria;


2) Se S ~ N (, ), ento k.S ~ N(k, k).

Satisfeitas as duas condies acima, tem-se que o mesmo suceder


distribuio da mdia amostral.
A seguir, apresentamos um esquema que pode representar um primeiro
esboo de um ecossistema associado ao Teorema Central do Limite:

Esquema 2: Esboo de um ecossistema para o Teorema Central do Limite.


Fonte: Dados da pesquisa.

O esquema 2 retrata um primeiro esboo de ecossistema para o Teorema


Central do Limite a partir do planejamento da coleta de dados. a parte inicial do
tratamento estatstico a ser realizado para seguir uma estrutura ecolgica. A anlise
exploratria dos dados, neste caso, os procedimentos, envolve as medidas de
posio central e de variabilidade, culminando nas tcnicas estatsticas que podem
58

permitir a construo de representaes grficas. Em seguida, esse tratamento feito


incide nos fundamentos da Teoria das Probalidades e, quando na forma de
distribuio de probabilidades, retorna para o estudo da Amostragem. Essas
tcnicas permitem aplicao do Teorema Central do Limite, constituindo-se o
fundamento para Inferncia Estatstica.
Podemos dizer que a biocenose do teorema o conjunto de saberes
indispensveis que o faz existir na estrutura do conhecimento estatstico. Mas quais
so esses saberes? Quais os objetos matemticos indispensveis para
compreenso do Teorema Central do Limite? E os no necessrios, isto ,
os que no esto aparentes, de modo que, assim mesmo, o teorema sobreviva
no meio bitico?
Artaud (1998) parte do questionamento ecolgico da teoria da transposio
didtica. O termo transposio didtica atribudo a Chevallard (1991, p. 39)
quando afirma que um contedo do saber, que destinado ao saber a ser
ensinado, sofre um conjunto de alteraes no sentido de adaptar com mais
eficincia seu lugar entre os objetos da educao. Esse trabalho que acontece com
o saber a ser ensinado chamado de transposio didtica.17
Nesse sentido, os objetos matemticos utilizados no teorema esto contidos
na organizao matemtica, que depende de trs condies fundamentais para sua
existncia. Na primeira condio, o objeto matemtico ensinado deve ser compatvel
com seu meio social, neste caso, a Matemtica em que os licenciandos integram
durante o curso.
Na segunda, as ideias matemticas que esto em torno do teorema devem
respeitar a sequncia didtica em relao ao tempo didtico, isto , sob o ponto de
vista da aprendizagem. Chevallard, Bosch e Gastn (2001, p. 122) propem [...] a
reconstruo das obras matemticas selecionadas no currculo como obras que
devem ser estudadas, e no s ensinadas., respeitando, assim, a sequenciao e a
temporalizao didtica. De fato, esse estudo se desenvolve, tendo como pano de
fundo os cursos de Licenciatura em Matemtica, porque se pressupe que os alunos
j devem ter cursado disciplinas que dizem respeito aos objetos matemticos
necessrios para o estudo do Teorema Central do Limite, tais como noo de limite,

___________
17Un contenu de savoir ayant t design comme savoir enseigner subit ds lors un ensemble de transformations
adaptatives qui vont le rendre apte prendre place parmi les objets denseignement. Le travail qui dun objet de savoir
enseigner fait un objet denseignement est appel la transposition didactique. (CHEVALLARD, 1991, p. 39, traduo nossa)
59

derivada, integral e varivel aleatria. So satisfeitas, assim, as duas primeiras


condies.
A terceira condio, que ser explorada ainda neste captulo, diz respeito s
relaes institucionais entre a posio do professor e a posio do aluno. Em termos
de Chevallard (1996), a palavra objeto entendida em seu sentido amplo, isto ,
todos os elementos da didtica podem ser chamados de objetos, da mesma forma
como atribui o significado a instituies. Ento, essas relaes institucionais
estabelecem-se a partir do meio, pois ser ele que permitir uma srie de questes
ecolgicas para que uma situao didtica possa, no apenas existir, mas continuar
a existir: para que possa funcionar. (CHEVALLARD, 1996, p. 134).
A questo ecolgica inicial do Teorema Central do Limite diz respeito
identificao dos objetos indispensveis de forma que o teorema permanea vivo.
Para que isso ocorra, como alega Dajoz (2005), faz-se necessrio conhecer a
estrutura trfica18 das biocenoses, isto , os elementos que se interrelacionam para
nutrir os tecidos do objeto ecolgico. A formao dessa estrutura derivada do
resultado de uma cadeia alimentar. Por exemplo, uma cadeia alimentar simples
para o teorema poderia ser representado assim tal como no esquema 3.

Esquema 3 - Cadeia alimentar simples para o Teorema Central do Limite.


Fonte: Dados da pesquisa.
___________
18 Segundo Dajoz (2005), a estrutura trfica constitui-se nos elementos que esto presentes na cadeia alimentar e
estabelece as relaes de natureza alimentar que se mantm entre si, ou seja, nos elementos imprescindveis que mantm
existncia ecolgica do objeto de estudo.
60

O esquema 3 apresenta uma cadeia alimentar simples e nos conduz a duas


ideias essenciais do teorema, a Amostragem e a Lei dos Grandes Nmeros, j que
a inferncia estatstica usa dados amostrais para tirar concluses sobre a
populao inteira (MOORE, 2005, p. 216). Por exemplo, ao estimar a renda mdia
de famlias que moram num determinado bairro da cidade de Juiz de Fora-MG,
quanto maior for o nmero de observaes da amostra aleatria, mais preciso ser o
procedimento estatstico. Entendemos ento que nesse exemplo foi aplicada a Lei
dos Grandes Nmeros.
Apesar da simplicidade dessa cadeia, nem todas as pessoas sabem que, por
trs das informaes, como, por exemplo, o caso da renda mdia das famlias,
existe uma teia de complexidade que envolve objetos e modelos matemticos de tal
forma que a validao da afirmativa tem respaldo cientfico.
Nessa direo, uma forma de representar a estrutura ecolgica do teorema
faz-lo pertencer, simultaneamente, a duas cadeias alimentares, formando, assim,
redes trficas de razovel complexidade. A importncia dessa estrutura complexa
o resultado que se conhece sobre o teorema, e a partir da que, supostamente, o
Teorema Central do Limite atinge um nvel estvel na estrutura ecolgica do saber.
Vejamos um esquema de duas redes trficas no ecossistema do Teorema Central
do Limite, na partilha entre os ecossistemas do modelo matemtico e da estatstica,
conforme o esquema 4.
61

Os itens (I), (II) e (III), esquema 4, correspondem respectivamente aos nveis


dos consumidores: primrio, secundrio e tercirio. Esse esquema apresenta o
62

Teorema Central do Limite alimentando e sendo alimentado por dois


ecossistemas distintos: matemtico e o estatstico.
As biocenoses dos ecossistemas apresentadas reiteram as interdependncias
entre os elementos que fazem parte da estrutura. Essa analogia com as redes
trficas permite buscar fatores que determinam estabilidade das comunidades
ecolgicas do saber. No nosso caso, elas determinam a estabiidade das
comunidades ecolgicas do Teorema Central do Limite. Segundo Dajoz (2005),
existe uma forte tendncia de proporcionalidade direta entre o que tange
complexidade dessas comunidades e estabilidade das mesmas, e muitos
eclogos buscam os fatores que determinam a estabilidade das comunidades, e
procuram saber particularmente se as comunidades complexas so mais estveis do
que as comunidades simples (DAJOZ, 2005, p. 251).
Diante disso, criamos a hiptese de que o teorema sobrevive pela
aplicabilidade tanto como objeto matemtico quanto estatstico.
Seguindo o esquema 3, a interrelao entre dois ecossistemas pode ser
declarada quando autores, como Wonnacott e Wonnacott (1991), apresentam o
Teorema Central do Limite, dividindo-o em trs pontos-chave: (i) um teorema, deve
ser demonstrado a partir de duas hipteses: a primeira quanto independncia
das variveis aleatrias e a segunda que estas variveis tenham varincia finita;
(ii) um teorema limite, portanto significa que sua concluso foi cuidadosamente
estabelecida na forma de um limite: a probabilidade que uma realizao da varivel
(X )
centrada reduzida19, z = , isto , a varivel reduzida, z, obtida em funo da

n
mdia das amostras ( x ), da mdia da populao (), do desvio padro da populao
() e, por fim, do tamanho da amostra selecionado (n), que pertena a um dado
intervalo que converge para o limite da probabilidade, em que a varivel normal
centrada reduzida z pertena a esse intervalo; e, finalmente, o terceiro: (iii) um
teorema central, no sentido que descreve como a mdia amostral, x , que se
concentra em torno de seu valor central, , a mdia da populao.

___________
19 Segundo Magalhes e Lima (2002, p. 184), [...] as probabilidades para o modelo Normal so calculadas com o auxlio de
tabelas. Para se evitar a multiplicao desnecessrias de tabelas para cada par de valores (, ), utiliza-se uma
transformao que conduz sempre ao clculo de probabilidades com uma varivel de parmetros (0, 1), isto , mdia 0 e
varincia 1. E essa varivel a centrada reduzida, valor de z.
63

Para conhecermos a estrutura trfica do Teorema Central do Limite, alguns


objetos matemticos e estatsticos so imprescindveis, pois estabelecem relaes
entre si na cadeia alimentar para manter vivo o teorema. A primeira hiptese se
refere independncia das variveis aleatrias. Vejamos quais so os elementos
que alimentam essa primeira hiptese.

Amostras Aleatrias Simples (AAS)

O ponto de partida para a exposio de amostras aleatrias simples a


distino entre populao e amostra. Entende-se por populao um grupo inteiro de
indivduos sobre os quais desejamos obter informaes; amostra a parte dessa
populao que efetivamente examinamos com objetivo de reunir informaes.
A extrao de uma determinada amostra requer procedimentos apropriados
de tal forma que permita reproduzir as mesmas caractersticas da populao e, para
isso, existem mtodos de amostragem. Eles podem ser aleatrios ou no.

O pesquisador tem como principal preocupao verificar se os elementos da


amostra so suficientemente representativos de toda a populao, de modo
a permitir generalizaes precisas sobre aquela populao. A fim de fazer
essas inferncias, o pesquisador escolhe um mtodo adequado de
amostragem que permita que cada elemento da populao tenha a mesma
chance de ser includo na amostra. Se todo elemento da populao tem
igual chance de escolha, estamos pondo em prtica um mtodo de
amostragem aleatrio, caso contrrio, o mtodo de amostragem no
aleatrio. (LEVIN; FOX, 2004, p. 178)

Uma amostra aleatria simples pode ser com reposio, caso uma unidade
possa ser sorteada mais de uma vez, e sem reposio, se a unidade sorteada for
removida da populao. Para autores como Bussab e Morettin (2003, p. 262), do
ponto de vista da quantidade de informao contida na amostra, o procedimento
sem reposio mais adequado. Contudo, a amostragem com reposio pode
simplificar o tratamento terico, pois a independncia entre as unidades
selecionadas facilita o desenvolvimento das propriedades dos estimadores que
sero considerados.
Nos casos para os quais a populao seja muito grande e diversificada,
existem procedimentos para construo de amostras (no aleatrias), tais como
amostras intencionais, por cotas ou por julgamento.
A extrao de elementos para amostras aleatrias simples exige tcnicas
especficas de forma que contemplem a metodologia da pesquisa em questo. Levin
64

e Fox (2004, p. 180) afirmam que todos os mtodos de amostragem aleatria no


so mais do que variaes do processo de amostragem aleatria simples.

O tamanho das amostras

Para o Teorema Central do Limite, relevante a considerao do tamanho da


amostra. Mas quo grande deve ser uma amostra para que o teorema seja vlido?
Alguns autores, como Stevenson (2001) e Mann (2006), adotam amostras a
partir de 30 (elementos) e, utilizando o Teorema Central do Limite, inferem que a
mdia das amostras tende a ser a da populao. Mas, por outro lado, existem outras
obras em que esse nmero reduzido para 25, o tamanho mnimo de amostras, por
exemplo, a obra de Witte e Witte (2005).
Diante dessa indefinio, qual deve ser o tamanho da amostra para que se
aplique o teorema? Nesse contexto, optamos por citar Triola (1999):

Se a populao original em si normalmente distribuda, ento as mdias


de amostras de qualquer tamanho sero normalmente distribudas. Se a
populao original no em si normalmente distribuda, ento dizemos que
a mdia de amostras de tamanhos n > 30 tem uma distribuio que
aproximada por uma distribuio normal. A condio de que o tamanho da
amostra seja n > 30 comumente usada como uma diretriz, mas no
possvel identificar um tamanho amostral mnimo especfico que seja
suficiente para todos os casos. O tamanho amostral mnimo, na verdade,
depende de como a distribuio populacional se afasta de uma distribuio
normal. Tamanhos amostrais de 15 a 30 so adequados se a populao
parece ter uma distribuio que no se afasta muito da normal, mas
algumas outras populaes tm distribuies que so extremamente
distantes da normal, e ento tamanhos amostrais de 50, ou mesmo 100,
podem ser necessrios. Utilizamos o critrio simplificado de n > 30 como
justificativa para tratar a distribuio das mdias amostrais como uma
distribuio normal. (TRIOLA, 1999, p. 246)

De acordo com a citao, o tamanho das amostras estabelece uma relao


direta com a populao, por isso o carter relativista em contraposio a um critrio
simplificado como por convenincia para n > 30. Nem sempre possvel conhecer a
populao a no ser que sua natureza seja apresentada. Diante disso, deve-se levar
em considerao que no h um nmero ideal para o tamanho da amostra, mas,
sim, um modo simplificado, contemplando as propostas de atividades de ensino que
aparecem nos textos. Portanto, parece senso comum, ou por convenincia, a
adoo de amostras de 30 ou mais mdias amostrais para aplicao do teorema.
Um outro aspecto a ser considerado o fator de proporcionalidade de uma
amostra em relao populao. Como nos casos acima, h tambm o senso
65

comum, ou por convenincia, sobre o tamanho da proporo de uma determinada


populao quando se deseja examinar um item. Portanto, surge a necessidade de
uma referncia para delimitar um percentual mnimo de modo que a amostra seja
significativa. Geralmente considerada uma amostra superior ou igual a 5% da
populao como aquela que significativa. Segundo Stevenson (2001):

Se o tamanho da amostra pequeno em relao ao da populao, a no-


reposio do item examinado ter efeito desprezvel nas probabilidades dos
itens restantes, e a amostragem sem reposio no causar dificuldades
srias. Por outro lado, amostras relativamente grandes tendem a distorcer
as probabilidades dos itens restantes no caso de amostragem sem
reposio. Uma regra prtica geralmente aceita fazer a reposio quando
o tamanho da amostra excede 5% do tamanho da populao.
(STEVENSON, 2001, p. 159)

Assim, o tamanho das amostras constitui tambm elemento indispensvel na


estrutura ecolgica do Teorema Central do Limite.

Variveis Estatsticas / Estatstica Descritiva (Conceitos da)

Uma das ideias centrais na Estatstica o da varivel estatstica, por ser um


elemento que se deseja conhecer, ou melhor, as caractersticas que um determinado
elemento adquire quando observado. Novaes e Coutinho (2009) explicam que so
todas as respostas possveis pertencentes a um conjunto que podem ser pr-
identificados, como, por exemplo, a idade dos alunos que cursam o 6 ano do Ensino
Fundamental, de uma instituio pblica, para averiguar a preferncia das matrias
lecionadas.
Nesses termos, a variao que efetivamente ocorre nos permite auferir que
a passagem da Estatstica Descritiva para a Inferencial, por meio do Teorema
Central do Limite.
A categorizao das variveis pode ser qualitativo ou quantitativo. Para
Graham (2006):

[...] Palavras como quantos e menos referem-se s medidas discretas,


separada, itens contveis e, por outro lado, quanto e menos referem-se a
algo que no pode ser contado, tais como quantidade de gua, fatia de torta
e, assim por diante. Para distinguir esses termos, utiliza-se na estatstica
discreta e contnua, respectivamente. (GRAHAM, 2006, p. 10, traduo
20
nossa) .
___________
20 [...]. Words like how many and fewer refer to measures of discrete, separate, countable items, whereas how much
and less refer to something that cannot be counted out, such as amount of water, size of slice of a pie, and so on. The
terms used in statistics to make this distinction are discrete and continuous, respectively. (GRAHAM, 2006, p. 10)
66

Por conseguinte, tratamos de variveis estatsticas discreta e contnua. Na


traduo para lngua portuguesa, os vocbulos fewer e less significam menos.
Porm, na lngua inglesa, "fewer" uma forma usada para substantivos contveis e
"less" para substantivos incontveis, o que justifica a relao entre os elementos
representados pela varivel discreta e pela varivel contnua, conforme exposto no
texto.

Variveis Aleatrias

Triola (1999, p. 93) define uma varivel aleatria uma varivel (geralmente
representada por X) que tem um valor numrico nico (determinado aleatoriamente)
para cada resultado de um experimento. Por exemplo, consideremos o experimento
de observar a pontuao dos alunos, por turma, na 5 Srie, ou 6 ano, do Ensino
Fundamental, obtida a partir de instrumento de mensurao do ndice de autoestima.
Podemos associar, a cada turma, o valor X que indica a mdia aritmtica dos pontos
dos alunos daquela turma.
Dessa forma, se a escolha da turma em questo for feita por um sorteio
aleatrio (experimento aleatrio), ento se pode dizer que X uma varivel aleatria.
Meyer (1983) apresenta variveis aleatrias a partir de situaes de
experimentao, como, por exemplo, atribuir o valor um s peas perfeitas e o valor
zero s defeituosas de um determinado objeto. Como definio, o autor apresenta:
seja um experimento e S um espao amostral associado ao experimento. Uma
funo X, que associe a cada elemento s S um nmero real, X(s), denominada
varivel aleatria. (MEYER, 1983, p. 66)
O modelo matemtico que descreve uma varivel aleatria de uma funo,
pois associa cada um dos eventos resultantes de uma experincia aleatria a um
nmero real, seja esse nmero definido em um conjunto enumervel ou no
enumervel. Observa-se que as duas definies apresentadas so equivalentes.
Vale a pena observar que essa uma definio usualmente aceita na comunidade
acadmica e apresentada nos diversos livros didticos.

Distribuio de Probabilidades

De acordo com Levin e Fox (2004, p. 145), uma distribuio de


probabilidades diretamente anloga a uma distribuio de frequncias, com a
nica diferena de que se baseia na teoria (teoria das probabilidades) e no no que
67

se observa no mundo real (dados empricos). Matematicamente, podemos


descrever uma distribuio de probabilidades como uma funo P, denominada
funo de probabilidade, para os casos de varivel aleatria discreta ou contnua:
a) P(X = xi) = p(xi) = pi, i = 1, 2, ... para o caso da varivel discreta;
b) f uma funo contnua de probabilidade ou funo densidade de
probabilidade para uma varivel aleatria contnua X. Satisfazem-se duas

condies: (i) f(x) 0, para todo x (, ); e, (ii) f ( x)dx 1 .

Distribuies Amostrais

Para Moore (2005, p. 219), a distribuio amostral de uma estatstica21 uma


distribuio dos valores assumidos pela estatstica em todas as amostras possveis
de mesmo tamanho de uma mesma populao. Por exemplo, considera-se a
medida das alturas de 1000 estudantes de escola pblica, na faixa etria de 9 a 11
anos, e extraem-se, aleatoriamente, vrias amostras de 10 crianas, obtendo, assim,
uma distribuio de amostras dessa populao, para as estatsticas que as
representam. Podemos dizer que as amostras foram extradas a partir de um
nmero fixo de ensaios e as informaes obtidas sobre a mdia das alturas das
amostras ser uma aproximao da distribuio amostral, ou uma estatstica da
amostra apresentada. Um modelo para obteno dessas distribuies pode ser
construdo na Teoria das Probabilidades.

Distribuio Amostral de uma Mdia Amostral

A distribuio amostral de uma mdia amostral retrata os diversos valores que


essa mesma mdia pode assumir numa nica populao. Por exemplo, voltemos
para o caso das idades dos alunos do 6 ano do Ensino Fundamental, em que
desejamos verificar a preferncia das matrias lecionadas. Caso todos os alunos de
instituio pblica fossem agrupados de 30 em 30 e calculssemos, para cada
grupo, a mdia e, posteriormente, selecionssemos 30 grupos, obteramos, portanto,
uma distribuio amostral de mdias. Ou seja, essa concluso se d, ao menos
intuitivamente, pois muito mais fcil um nico indivduo se afastar da mdia, do
que um grupo de 36 indivduos. Ademais, podemos dizer que isso tambm ocorre da
mesma forma para a probabilidade de cada uma delas, isto , das mdias amostrais,
___________
21Chama-se estatstica uma caracterstica da amostra. Por exemplo, a mdia da amostra, a varincia da amostra, o menor
valor da amostra, entre outros.
68

caso a seleo seja aleatria. As implicaes dessa definio so fundamentais para


Inferncia Estatstica:

A mdia de estatstica X sempre igual mdia da populao. Ou


seja, a distribuio amostral de X tem seu centro em . [...]
[...] Se observaes individuais tm desvio padro , ento, as mdias
amostrais X de amostras de tamanho N tm desvio padro / N . [...]
(MOORE, 2005, p. 221)

Consequentemente, a distribuio de mdias amostrais menos dispersa,



uma vez que , pois N 1. Se a distribuio da populao segue uma
N
distribuio normal, ento ocorrer o mesmo para a mdia amostral, conforme figura
abaixo:

Figura 1 A ideia de uma distribuio amostral.


Fonte: MOORE, 2005, p. 220

Observe o exemplo apresentado por Moore (2005, p. 219), ilustrado na figura


1, na mensurao dos limiares de odor da DMS (degradao de dimetil sulfeto) de
adultos individuais, em que os valores seguem a distribuio normal com mdia =
25 microgramas por litro e desvio padro = 7 microgramas por litro. Ao selecionar
amostras de tamanho 10 dessa populao, os valores da mdia amostral X
encontrados variam no conjunto das AAS (amostra aleatria simples) e, pelo fato de
que o desvio-padro da amostra tambm diminui, os valores se distribuem mais
69

condensadamente em torno da mdia amostral. Esse resultado torna os valores das


mdias das amostras bem prximos do parmetro verdadeiro da mdia da
populao, .
Observa-se que os objetos estatsticos aqui apresentados fazem parte do
ecossistema do Teorema Central do Limite. So todos objetos que ainda vivem no
currculo dos cursos de Estatstica. Podemos assim sugerir uma estrutura para uma
das cadeias alimentares envolvendo o teorema.

Esquema 5 - Ecossistema do Teorema Central do Limite


Fonte: Dados da pesquisa

Observando o esquema 5, percebemos, nesse ecossistema, que o Teorema


Central do Limite alimentado pelos elementos externos a ideia de funo, a
noo de variveis e o estudo da Amostragem, que so constitudos por elementos
que os inter-relacionam, fornecendo condies indispensveis para a vida do
teorema, que por sua vez, um dos elementos que permitem a vida da Inferncia
Estatstica.
Um outro exemplo de aplicao do teorema, no campo das Cincias, pode ser
descrito por Borovcnik (2005) quando diz que a forma dos erros de hipteses
elementares da Fsica ao manifestar-se por um modelo concreto do Teorema Central
do Limite. Isso porque o teorema estabelece a restrio de que uma distribuio de
variveis aleatrias independentes tende a uma Distribuio Normal, conforme j
70

citado anteriormente. Em termos de uma Distribuio Normal, e quando a variao


decresce medida que aumenta o nmero de provas, pois o desvio padro da
amostra o quociente entre o desvio padro da populao e a raiz quadrada do

nmero de provas, que, em smbolos, : x . A aleatoriedade serve como um
n
dos principais elementos de vrios procedimentos estatsticos em muitas reas das
Cincias.
Diante desses resultados, a definio do Teorema Central do Limite, formado
a partir de uma estrutura de rede trfica que alimenta dois ecossistemas do teorema,
pode ser classificada como no contexto matemtico e no contexto estatstico,
representando, portanto, uma abordagem sob o ponto de vista ecolgico do saber. A
seguir, apresentaremos o quadro terico que servir como fundamento para a
anlise dos resultados de nossa investigao, cuja vertente tambm de cunho
ecolgico, mas com nfase no didtico.

5.2 Abordagem Ecolgica do Didtico

O nosso estudo visa diminuir o distanciamento entre o saber e a didtica,


valorizando o processo de ensino e de aprendizagem, por meio de questionamento
ecolgico que permite a aproximao do didata. Retoma, dessa forma, a abordagem
de Artaud (1998) quanto problemtica ecolgica do objeto sobre a forma de
questionar o real, isto , o que existe? Por que existe? Ou ento, o que no existe?
Poderia existir? Sobre quais condies? Por outro lado, a partir de um conjunto de
condies, quais objetos so obrigados a viver ou, em contrapartida, quais so
impedidos de viver nessas condies? Aparentemente essas questes parecem ser
triviais, entretanto, no mbito do didata, pode permitir o domnio da realidade dos
objetos que desejamos estudar e, no nosso caso, a relao entre os sujeitos, alunos
e professores, com os objetos de acordo com a instituio na qual esta relao se
estabelece.
Existe tambm, assim como a abordagem ecolgica do saber, uma
organizao prpria para o estudo ecolgico dos objetos didticos, que, amide,
71

podem ser os objetivos, mtodos, estratgias de avaliao, isto , os elementos que


constituem os processos de ensino e de aprendizagem do teorema.
Dessa forma, fundamentamo-nos na teoria da Transposio Didtica
(CHEVALLARD, 1985, 1991), porque podemos identificar os conjuntos de condies
que permitem aos matemticos existirem no sistema didtico.
A idia da transposio didtica foi introduzida por Chevallard (1985). Nessa
poca, ela foi entendida intuitivamente como o trabalho de adaptao,
transformao do saber em objeto de ensino, em funo do lugar, do pblico e das
finalidades didticas a que se prope (DAMORE, 2007, p. 224).
O funcionamento didtico depende de como o professor ir conduzir cada
fase da aula, porque a recontextualizao do saber propicia novas criaes
didticas, conforme afimam Joshua e Dupin (1993):

[...] as transformaes que excedem o nico conhecimento do texto para


cobrir o aumento das caractersticas de uma situao didtica
inevitavelmente uma certa medida. Desta forma, as transformaes so
viveis? Na verdade, a questo j a nica transformao do texto de
conhecimento. De fato, as restries sobre a aplicao especfica que
conduziram identificao dos itens de educao, uma vez feito, eles
podem realmente "viver" de forma sustentvel no sistema educativo
concreto. Em particular, necessrio que a integrao possa ser feita com
os antigos elementos que no foram modificados.
O estudo da transposio didtica estende ento na viabilidade de um
determinado objeto de ensino. No h dvida de que um conhecimento
detalhado dessas condies seria de grande ajuda para definir o leque de
possibilidades no ensino da cincia, e as esperanas para evitar a
decepo e perda de energia correspondente. Um verdadeiro conhecimento
ecolgico necessria [...]. (JOSHUA; DUPIN,1993, p. 202-203, traduo
22
nossa)

Seguindo essa abordagem, o que de fato faz o professor, o saber a ser


ensinado e o aluno sobreviverem no mbito acadmico? Quais as relaes
instituicionais que permitem essa sobrevivncia? Como impedir a perda de
energias que existem nas relaes estabelecidas entre os sujeitos no habitat?

___________
22 [] des transformations qui dpassent la seule structuration du texte des savoirs pour stendre plusiurs des
caractristiques dune situation didactique sont invitablement dune cetaine ampleur. Sont-elles alors viables? A vrai dire, la
question se pose dj pour les modifications du seul texte du savoir. En effet, les contraintes qui psent sur la transposition
ne se limitent pas celles qui concernent la proposition dobjets enseigner. Llaboration dune transposition particulire
conduisant la determination dobjets denseignements une fois ralise, encore faut-il que ces derniers puissant rellement
vivre, de faon durable, dans le systme denseignement concret. Il est ncessaire en particulier que lintgration puisse se
faire avec les lments anciens qui nont pas t modifis.
Ltude de la transposition didactique stend alors celle des conditions de la viabilit de tel ou tel objet denseignement.
Nul doute quune connaissance precise de ces conditions serait dun grand secours pour delimiter le champ des possibles
en didactique des sciences, et pour viter les espoirs dus et la perte dnergie correpondante. Une vritable cologie des
savoirs savre ncessaire, [...]. (JOSHUA; DUPIN,1993, p. 202-203)
72

Assim, a transposio didtica consistiria, sob o ponto de vista do professor, em


construir suas prprias aulas, as quais so apresentadas pelas orientaes
curriculares, tais como os PCN, ou os Planos Pedaggicos de Curso PPC (saber
a ensinar), para adapt-los prpria classe, aos alunos e efetivar os objetivos
buscados. Em outras palavras, a transposio didtica consiste em extrair um
elemento de saber do seu contexto (universitrio, social etc.) para recontextualiz-lo
no ambiente sempre singular, sempre nico, da prpria classe (DAMORE, 2007, p.
226).
Essa recontextualizao do saber, num ambiente prprio, estabelece um
conjunto de elementos didticos que Chevallard (1985) admite que toda atividade
humana pode ser descrita como um modelo. Ele considera que o matemtico e o
didtico so inseparveis e esta relao a base para a Teoria Antropolgica do
Didtico.
Na abordagem antropolgica, Chevallard (1996, p. 127) afirma que para
comear, so necessrios trs elementos primitivos (outros viro acrescentar-se-
lhes subsequentemente): os objetos O, as pessoas X, as instituies I. Em termos
gerais, no sentido semntico, o autor considera objetos todos os elementos de uma
situao didtica e, em particular, as pessoas X e as instituies I tambm os so.
Neste contexto, o Teorema Central do Limite um objeto (matemtico e estatstico),
a Instituio, o curso de Licenciatura em Matemtica e as pessoas, os alunos e os
professores deste curso.

[...] Conhecer um objecto O, no sentido da teoria apresentada (e no no


sentido das diversas instituies que ela deve permitir-nos estudar) tanto
para uma pessoa como para uma instituio ter uma relao com O. A
pessoa X (ou a instituio I) conhece O se existir R(X,O) (respectivamente,
RI(O)). Podemos dizer que um objecto existe se for conhecido por pelo
menos uma pessoa ou uma instituio (poder mesmo existir apenas o
que constitui um caso limite para essa pessoa ou para essa instituio).
Um objecto s existe porque objecto de conhecimento. (CHEVALLARD,
1996, p. 128)

Nesses termos, podemos dizer que o autor acaba por traar um quadro
conceitual antropolgico do conhecimento ou uma antropologia cognitiva. E, a partir
dessas noes, podemos pensar o objeto de maneira mais precisa, o real, isto , o
Teorema Central do Limite. A estrutura ecolgica do didtico pode ser representada
pelo esquema 6.
73

Esquema 6: Representao de um ecossistema sob o ponto de vista do didtico.


Fonte: Dados da pesquisa

Observando o esquema 6, podemos dizer que um ecossistema bsico para


as relaes existentes entre a instituio (I), professores e alunos (X1 e X2) e o
objeto do conhecimento (O), o Teorema Central do Limite. Vale destacar, nesse
esquema, os sujeitos, professores e alunos, como membros da instituio sociedade
e escola, que estabelecem uma relao bem determinada com o objeto Teorema
Central do Limite na instituio escola, visando expandir essa relao para a
instituio sociedade.
Por outro lado, no mbito da instituio, existe o curso de Licenciatura em
Matemtica (I1) que segue as orientaes curriculares (I2), e tem-se um dos
programas da disciplina (I3), que intrnseco a ele, pois h o objeto do
conhecimento: o Teorema Central do Limite (O). O objeto do conhecimento (O)
sofre transformaes a partir das circunstncias em que o X1 elabora suas
atividades, seguindo as relaes estabelecidas entre as instituies, o objeto do
saber (O) e as condies em que se encontra o aluno, X2.
Observamos que h interdependncia entre os dois ecossistemas do saber
e do didtico , e a sobrevivncia do teorema est dependente das
transformaes, ou melhor, das retroalimentaes que ocorrem durante todo o
processo didtico de transposio entre as instituies.
74

Contudo, para fechar ao menos essa abordagem, existe um elemento


imprescindvel nos dois ecossistemas, que a inter-relao entre os sujeitos e o
objeto do saber. Ento, partimos dos seguintes questionamentos: como os sujeitos
entendem o teorema na aplicao de problemas de situaes, hipoteticamente,
reais? Que tipo de interpretao eles atribuem aos dados quando os objetos
estatsticos partem da construo do conhecimento para a compreenso do
teorema? Quais so os argumentos usados pelos estudantes ao avaliar criticamente
os dados? Essas so algumas questes que podem ser respondidas ao tratarmos
da literacia estatstica.

5.3 Literacia Estatstica

Retomando o que foi exposto no incio dessa investigao, optamos pela


expresso literacia ao invs de letramento (SOARES, 2005).
Gal (2002) chama ateno para a necessidade de estarmos concentrados na
questo da literacia, em particular, dos adultos. O autor revela o primeiro passo para
entendermos o que vem a ser literacia estatstica por meio de questes em que ela
pode ser definida. A proposta de seu trabalho est aqum do que ocorre na sala de
aula, conforme ele mesmo afirma:

[...], o termo literacia estatstica refere-se amplamente a dois componentes


correlatos, primeiramente (a) habilidades das pessoas em interpretar e
avaliar criticamente informao estatstica, argumentos de dados
relacionados, ou fenmenos estocsticos, os quais podem ser encontrados
em vrios contextos; e quando destaca (b) habilidades em discutir ou
comunicar suas reaes para cada informao estatstica, tais maneiras
compreendem o significado dessas informaes, suas opinies sobre a
implicao das mesmas, ou seus pontos de vista no que concerne
aceitao das concluses apresentadas. (GAL, 2002, p. 2-3, traduo
nossa).23

A dinmica da literacia estatstica envolve, claramente, dois elementos


cognitivos fundamentais para compreenso de como sua estrutura, sua natureza:
___________
23 [...], the term statistical literacy refers broadly to two interrelated components, primarily (a) peoples ability to interpret
and critically evaluate statistical information, data-related arguments, or stochastic phenomena, which they may encounter in
diverse contexts, and when relevant (b) their ability to discuss or communicate their reactions to such statistical information,
such as their understanding of the meaning of the information, their opinions about the implications of this information, or
their concerns regarding the acceptability of given conclusions.
75

o pensamento e o raciocnio estatstico. Porm, Silva (2007, p. 25-26) alerta que,


para alm dos elementos cognitivos, h os elementos de disposio: postura crtica,
atitudes e crenas, to importantes quanto outros. A reunio desses componentes,
mais o modelo ativo de questes contextualizadas, levam o indivduo a desenvolver
a literacia estatstica.
Ainda segundo Gal (2002), para compreender e interpretar dados, tambm
necessrio que o indivduo se aproprie de habilidades especficas, tais como as de
literacia, do conhecimento matemtico e o conhecimento do contexto. Com relao
s habilidades da literacia, o autor rev as bases do conhecimento estatstico que se
manifestam pelas mensagens produzidas nos textos escritos ou orais, nas
informaes grficas ou nas tabelas. Os produtores dessas mensagens possuem
caractersticas prprias, podendo induzir o leitor ou o ouvinte a inferir sob apenas um
ponto de vista. Da a necessidade de leitura critica por parte do(a) leitor(a), pois ele,
ou ela, no deve se restringir a um ponto de vista, mas, sim, pensar as diferentes
dimenses que uma determinada informao pode conter, principalmente, nas
entrelinhas dos dados ou dos textos, ou das tabelas, ou dos grficos.
Portanto, relevante o conhecimento bsico sobre os objetos estatsticos
pertencentes a esse ramo da Cincia, pois composto por conceitos e
procedimentos elementares, alm das tcnicas matemticas. Scheaffer, Watkins e
Landwehr (1998) pesquisaram diversos currculos de Estatstica na Educao
Bsica e descobriram quais so os principais aspectos de seu ensino que deveriam
ser abordados na vida acadmica. Eles apontaram para os seguintes tpicos dessa
rea, a serem trabalhados no Ensino Superior: senso numrico; compreenso de
variveis; interpretao de tabelas e grficos; aspectos de planejamento de pesquisa
ou experimento; processos de anlise de dados; relao entre probabilidade e
estatstica; raciocnio inferencial.
Esses itens possibilitam o desenvolvimento da habilidade24 em literacia
estatstica e dizem respeito formao do indivduo para a leitura crtica de um
mundo, que est impregnado de informaes estatsticas.
Garfield e Ben-Zvi (2007) afirmam que o raciocnio estatstico o modo pelo
qual as pessoas raciocinam as ideias estatsticas, produzindo significado para elas.
___________
24 Entendemos por habilidade tal como Wallman (1993) afirma sobre a literacia estatstica, que habilidade de entender e
avaliar os resultados criticamente as informaes em que as pessoas se deparam no dia a dia, no sentido de estabelecer
relao com o pensamento estatstico e, assim, interferir na tomada de decises sob todas dimenses do indivduo, isto ,
pblica, privada, social e pessoal.
76

Essa habilidade pode estabelecer conexes entre um conceito e outro, como, por
exemplo, centro e disperso, ou pode tambm combinar ideias sobre dados e
chances, conforme alegam os mesmos autores.
Para Moore (2005, p. xxiii), a estatstica utiliza dados para se adquirir insight
e para se chegar a concluses. Afirma ainda que os dados so nmeros dentro de
um contexto. Nesse sentido, apresenta o seguinte exemplo:

O nmero 4,8, por exemplo, no carrega nenhuma informao sozinho. Mas


se ouvirmos que o filho recm-nascido de uma amiga pesava 4,8
quilogramas ao nascer, vamos parabeniz-la pelo tamanho saudvel do
beb. O contexto situa o nosso conhecimento prvio e nos permite fazer
julgamentos. Sabemos que um beb que pesa 4,8 quilogramas bem
grande e que improvvel que um beb humano pese 4,8 gramas ou 4,8
toneladas. O contexto faz com que o nmero seja informativo. (MOORE,
2005, p. xxiii).

Em outras palavras, o contexto um componente fundamental do


pensamento estatstico. Porm, alm dos contextos nos quais os dados estatsticos
esto inseridos, Wild e Pfannkuch (1999) defendem o fato de que esse tipo de
pensamento similar ao de um indivduo envolvido numa indagao ou em
processo de pesquisa. Assim, em situaes de pesquisa, quando o sujeito se
envolve em algum tipo de questionamento neste caso, necessariamente existe um
contexto , estar pensando estatisticamente.
Os mesmos autores ainda alegam que [...] uma soluo para um problema
real baseado no conhecimento requer melhor compreenso de como se trabalha um
sistema e, talvez tambm, como reagir s mudanas, s concepes iniciais, aos
posicionamentos de seu entorno. (WILD; PFANNKUCH, 1999, p. 225, traduo
nossa)25. Isso significa que necessrio conhecer a realidade que nos cerca e, da,
participar tambm como sujeitos de transformao, porque, diante do
posicionamento de cada um, h o desenvolvimento da literacia estatstica.
Garfield e Ben-Zvi (2007) sintetizam a distino entre literacia, raciocnio e
pensamento estatstico dizendo que, apesar de pertencerem a uma mesma rea,
existe certa hierarquia que se constitui a partir da literacia como base para o
raciocnio e o pensamento estatstico. Alm disso, eles sublinham que o raciocnio
estatstico significa compreender, ser capaz de explicar processos estatsticos e

___________
25 []. A knowledge-based solution to the real problem requires better understanding of how a system works and perhaps
also how it will react to changes to input streams, settings or environment. (WILD; PFANNKUCH, 1999, p. 225)
77

interpretar os resultados, isto , seria uma forma de como desencadear os modelos


mentais que esto estruturados para cada situao. J o pensamento seria a forma
como ir estruturar a situao em si, o que inclui o como e o porqu usar,
particularmente, um mtodo, uma medida, um esboo ou modelo estatstico. E, por
fim, a literacia constitui-se na unio entre o raciocnio e o pensamento estatstico
aliados ao fato de que o sujeito precisa de pensar, raciocionar criticamente para agir
e, talvez, transformar a realidade concreta de seu entorno.
As trs dimenses at aqui apresentadas, a abordagem ecolgica do saber, a
ecologia do didata e a literacia estatstica, nos propiciaram estabelecer o nosso
quadro terico com a finalidade de fundamentar esta investigao.
Diante da problemtica ecolgica proposta por Artaud (1998), neste caso, o
Teorema Central do Limite sob o ponto de vista ecolgico do saber e do didtico,
partimos do pressuposto de que seus fundamentos nos permitiro subsdios para
analisarmos as atividades propostas aos alunos. O primeiro o saber em si; saber a
ser ensinado, que sofre transformaes por parte do professor em situaes, como o
estudo do teorema em diferentes livros-texto e sua escolha, tendo em mente os
sujeitos que estaro predispostos a receber tal saber, no caso, o teorema. Uma de
suas tarefas o de transformar o saber cientfico em saber a ser ensinado, mas, at
a, nada se pode afirmar que este saber ser aprendido pelo aluno. A estrutura
ecolgica que abarca o teorema nos d a ideia de como o teorema sobrevive nos
dias de hoje, particularmente, nos cursos de Licenciatura em Matemtica e, de certa
forma, constatamos que a demonstrao no privilegiada pela maioria dos livros-
texto consultados. Alm disso, a estrutura ecolgica permite aos licenciandos
conhecer as condies necessrias para as quais a aprendizagem do Teorema
Central do Limite possvel.
O segundo quadro terico, a Teoria Antropolgica do Didtico, nos reporta a
entender a estrutura interna que nos permite conhecer o como ocorre a
sequenciao e a temporalizao didtica, consistituindo-se tambm de um
ecossistema do didtico. E, por fim, o terceiro, a literacia estatstica, nos apresenta o
contorno didtico para anlise de nossa investigao, pois, quando ela recebe um
tratamento de interrelao com os dois primeiros quadros tericos, refora a
relevncia de nossa investigao no mbito individual e social, consolidando, assim,
a metodologia de nossa pesquisa, o design didtico.
78

O prximo captulo apresenta a fase experimental de nossa pesquisa,


fundamentada pelo quadro terico exposto.
79

6 O ESTUDO DA CONSTRUO DOS SABERES ESTATSTICOS

Vamos retomar a nossa questo de pesquisa:

Por que determinados saberes/conhecimentos deixaram de ser


abordados no ensino do Teorema Central do Limite, mas ainda assim ele
sobrevive? Que saberes so indispensveis para o teorema viver? Que
relaes diretas ou indiretas existem entre o teorema e a construo de
saberes estatsticos nas aulas de Estatstica?

Para tentar responder a essas questes, seguindo a metodologia adotada,


dividimos este captulo em trs partes, com a opo de atender s trs questes
expostas. A primeira refere-se ao estudo dos livros-texto analisados, somente nos
itens que dizem respeito ao teorema, apresentao e anlise praxeolgica de alguns
problemas propostos neles e a apresentao de como o teorema enunciado em
cada livro. Partindo dessa dinmica, parece-nos bastante oportuno abordarmos, ao
menos em parte, os saberes/conhecimentos que deixaram de ser abordados no
ensino do Teorema Central do Limite, mas que, ainda assim, lhe permite
sobreviver, j que fundamental para Inferncia Estatstica.
A segunda parte corresponde s atividades realizadas com os licenciandos,
expondo a forma como foram conduzidas e os diferentes tipos de abordagem que
cada um dos quatro sujeitos da pesquisa apresentou em suas respostas. Essas
atividades foram apresentadas de tal forma que fossem sustentadas pelo nosso
quadro terico. luz do design didtico, reconhecemos os tipos de saberes que
so indispensveis para o teorema viver, pois os estudantes atingiram a
compreenso do teorema e de sua definio na construo de ideias e conceitos
estatsticos.
E, por fim, a terceira parte consititui-se de um dilogo realizado entre o
professor-pesquisador e os licenciandos, cujos procedimentos metodolgicos
seguiram as intervenes controladas e devidamente refletidas entre o grupo. Dessa
forma, nos foi possvel, efetivamente, atender terceira questo ecolgica de nossa
investigao: estabelecer relaes diretas ou indiretas que existem entre o
teorema e a construo de saberes estatsticos nas aulas de Estatstica.
80

6.1 O Teorema Central do Limite e os Livros-Texto

A relevncia da anlise dos livros-texto quanto abordagem do Teorema


Central do Limite apontada por Almouloud (2007), que afirma:

A praxeologia associada a um saber a juno de dois blocos: saber-fazer


(tcnico/prtico) e saber (tecnolgico/terico), cuja ecologia refere-se s
condies de sua construo e vida nas instituies de ensino que a
produzem, utilizam ou transpem. (ALMOULOUD, 2007, p. 123)

Chevallard (1999) define as praxeologias (ou organizaes) em duas


espcies: as matemticas e as didticas. A primeira refere-se ao saber matemtico
na realidade matemtica, podendo ser construda para ser desenvolvida na sala de
aula; j a segunda diz respeito ao modo como se realiza essa construo. Portanto,
baseados nessa justificativa, optamos por analisar alguns livros-texto, seguindo os
pressupostos j apresentados no captulo referente aos procedimentos
metodolgicos.
Denominamos A1 referente aos autores 1; A2, a 2 e assim por diante at a 7
obra, conforme o quadro 1.

DENOMINAO AUTORES

A1 Bussab e Morettin (2003)


A2 Farias, Soares e Csar (2003)
A3 Guimares e Cabral (1997)
A4 Levin e Fox (2004)
A5 Moore (2005)
A6 Stevenson (2001)
A7 Triola (1999)
Quadro 1 Denominao dos Livros-Texto.
Fonte: Dados da pesquisa.

Para apresentao desse estudo, vale, preliminarmente, esclarecermos


alguns itens sobre o Teorema Central do Limite, pois, nos livros-texto consultados,
deparamo-nos com a seguinte questo: dizemos Teorema do Limite Central ou
Teorema Central do Limite? Ambas as expresses so conhecidas, ao menos na
lngua portuguesa, mas as obras divergem quanto a esse tratamento. Farias, Soares
81

e Csar (2003, p. 140) consideram que alguns textos referem-se erroneamente ao


Teorema do Limite Central, pois o que central o teorema, e no o limite. Assim,
optamos por Teorema Central do Limite ao invs de Teorema do Limite Central.
Outro item a ser destacado com relao estrutura dessas obras, j que nenhuma
delas demonstra o teorema efetivamente, com exceo de A3, que apresenta
algumas propriedades especficas para a demonstrao do Teorema Central do
Limite. Alm disso, a maioria se limita primeiramente a enunci-lo para, em seguida,
apresentar alguns exemplos e, por fim, algumas aplicaes.

6.1.1 Anlise Quantitativa de Livros-Texto

Anterior anlise das atividades dos livros-texto, vale apresentar a


quantidade de atividades existentes em cada livro e as caractersticas dessas
atividades. Assim, nos foi possvel constatar atividades em contexto matemtico,
exigindo aplicao de tcnicas, e outras em contexto do cotidiano. Alm disso,
inclumos nesse rol alguns exemplos e exerccios sobre distribuio amostral de
mdias e de proporo, tendo em vista que o teorema conhecimento central para
sua resoluo. No foram includos exerccios complementares, pois continham
atividades mais genricas, cuja aplicao no estava diretamente associada ao
teorema. Embora isso possa consistir em uma articulao implcita, optamos por no
abord-la porque no o foco de nosso estudo.

TABELA 1 - Atividades nos Livros-Texto


Quantidade de atividades de
aplicao do Teorema Central Do
Denominao Limite Total
Contexto Contexto
matemtico cotidiano
A1 2 8 10
A2 0 0 0
A3 4 3 7
A4 0 0 0
A5 0 5 5
A6 10 12 22
A7 0 23 23
Fonte: Dados da pesquisa.
82

A partir da tabela 1, podemos observar que A2 e A4 no apresentam


atividades especficas para o Teorema Central do Limite, apesar de apresentarem
de forma implcita sua aplicao. Eles distinguem-se pelo fato de A2 definir e
representar graficamente como ocorre o teorema, isto , conforme se aumenta o
tamanho das amostras de mdias amostrais, a distribuio tende Distribuio
Normal. Em contrapartida, A4 no menciona sequer o teorema, porm deixa
implcita a sua utilizao em outros problemas, como no tpico estimao ao tratar
de intervalos de confiana. Porm, como o nosso interesse est diretamente
relacionado ao teorema, optamos por no apresentar esse tipo de atividade, embora
tais noes tambm faam parte de um ecossistema que contm o Teorema Central
do Limite.

6.1.2 Apresentao e Anlise de Atividade no Livro-Texto

De acordo com a Teoria Antropolgica do Didtico (CHEVALLARD, 1999), as


noes de tarefa, tcnica, tecnologia e teoria permitem que as prticas sejam
modeladas de forma a dar contorno s atividades em geral. Segundo Silva (2007, p.
68), para a anlise de uma praxis, o saber-fazer, a teoria revela o estudo das
tarefas propostas pelos livros bem como as tcnicas apresentadas para a soluo
das tarefas, e, posteriormente, obtm-se o discurso terico-tecnolgico, justificando
a praxis, ao analisar o logos. Essa dinmica, associada ao enfoque ecolgico, ser a
base de nossa reflexo das atividades selecionadas.
Ao selecionar as atividades, optamos por escolher duas atividades dos livros-
texto que contenham a aplicao do teorema: uma apresenta contexto matemtico e
a outra, contexto cotidiano.

6.1.2.1 Atividades do livro-texto A1

A estrutura ecolgica de A1, para o Teorema Central do Limite, parte do ramo


da Inferncia Estatstica. Podemos descrev-la da seguinte forma:
83

Esquema 7 Estrutura ecolgica para o Teorema Central do Limite no livro-texto A1.


Fonte: Dados da pesquisa.

Em linhas gerais, o livro-texto A1 parte da definio de populao e amostra,


seguindo para amostragens aleatrias simples. Depois, aborda as distribuies
amostrais para, enfim, tratar das distribuies amostrais para mdias. Alm disso,
expe graficamente a variao das distribuies para mdias de amostras de
nmeros diferentes. Vejamos as duas atividades apresentadas por A1.

Contexto Matemtico

A atividade no contexto matemtico encontra-se na parte de problemas,


conforme segue o enunciado:
Uma v.a. X tem distribuio normal, com mdia 100 e desvio padro 10.
(a) Qual a P(90 < X < 110)?
(b) Se X for a mdia de uma amostra de 16 elementos retirados dessa
populao, calcule P(90 < X < 110)?
(c) Represente, num nico grfico, as distribuies de X e X .
(d) Que tamanho deveria ter a amostra para que P(90 < X < 110) = 0,95?
Fonte: BUSSAB; MORETTIN, 2003, p. 274
84

Os autores no apresentam a resoluo deste problema, o que nos permitiu


apresentar uma resoluo como possibilidade de tcnica a ser utilizada pelo aluno
na realizao da tarefa. luz da Teoria Antropolgica do Didtico, chamamos cada
item dessa atividade de tarefas, pois pressupe um verbo, uma ao a ser realizada.
A tarefa (T) (a) : qual a P(90 < X < 110), ou seja, os estudantes que esto
familiarizados com as simbologias e o tema interpretariam que para calcular (T) a
probabilidade de que as variveis se encontrem entre 90 e 110, de uma distribuio
normal, quando a mdia da populao 100 e o desvio padro, 10, cuja
representao N(100, 100), isto , mdia 100 e varincia 100. A utilizao das
tcnicas () para execuo da tarefa (T) pressupe que sejam encontrados os
valores reduzidos, z, padro, j que a distribuio normal:
x 90 100
z1 i 1 (6.1)
10

x 110 100 (6.2)


z2 i 1
10

Isso se justifica porque uma distribuio normal similar distribuio normal


reduzida, pois a distribuio real pode ser reduzida para o caso de Z ~ N(0, 1), isto
, mdia zero e varincia 1; por isso h necessidade de calcular os valores de z
(escores reduzidos). Essa parte corresponde tecnologia (), j que estamos
justificando a tcnica. Por isso,
P(90 < X < 110) = P (1 < z < 1) = 0,6826, (6.3)

conforme a tabela da distribuio normal padro. A resposta para a tarefa (T) do


item (a) 0,6826. Para justificar a tecnologia, culminaria na teoria (), conforme toda
a descrio feita at ento. Porm, vale ressaltar que essa tarefa apresenta-se em
contexto matemtico, uma atividade pontual, sem a possibilidade de estender para
uma anlise regional.
No item (b) a tarefa similar ao do item (a), porm cria-se uma situao em
que a mdia, 100, no mais de uma populao. Percebe-se uma sequncia de
tarefas que, gradativamente, vo construindo a ideia do Teorema Central do Limite
(organizao matemtica). Portanto, resolvendo o item (b), tem-se que o desvio
padro da amostra de 16 elementos tende a ser menor que o da populao:
85

10
x 2,5 (6.4)
n 16

E os escores reduzidos sero:


x x 90 100 x x 110 100 (6.5)
z1 i 4 e z 2 i 4
x 2,5 x 2,5

Os escores so aparentemente nmeros que tendem probabilidade


compreendida entre 4 e 4, muito prximo de 1,00. A praxeologia dessa atividade
similar ao do (a).
Para realizao do item (c), devemos partir da representao grfica,
conforme figura 2.

Distribuio para X

Distribuio para X
-1 1

Figura 2 O grfico da distribuio normal para X e X .


Fonte: Dados da pesquisa.

Conforme podemos observar, o grfico apresentado pela figura 2, para a


distribuio normal, tem a probabilidade 0,6826, cuja rea est representada pelo
hachurado. Para a distribuio da amostra de 16 elementos da populao, a rea do
retngulo mostra que sua probabilidade 1,00.
Para o item (d), a sequncia das tarefas exige o raciocnio matemtico
reverso. Isto , dada a probabilidade, pede-se para encontrar o tamanho da
populao (tarefa). Seja P(90 < X < 110) = 0,95, sendo considerada uma amostra.
Assim, podemos utilizar a tcnica de encontrar os valores reduzidos, ou os escores
reduzidos z, quando a probabilidade 0,95. Nesse caso, o z = 1,96, a partir da
tabela da Distribuio Normal Padro (X ~ N(0; 1), j que a rea entre os valores 90
e 110 0,95, e a simetria da curva nos permite, a partir da mdia, X , auferir os
valores simtricos de 1,96. Alm disso, escolhe-se 1,96 para o caso da varivel real
86

de 90 e, por outro lado, +1,96 para o de 110, em que ser calculado o valor do
tamanho da amostra.
x
z

n
90 100
1,96 .
10
n
n4 (6.6)

Como a aplicao para a verificao do Teorema Central do Limite pode se


efetivar como tambm pode causar confrontos entre a aplicao e os conceitos
espontneos que surgiriam por parte dos alunos, a sequncia de tarefas proposta
privilegia, efetivamente, os conceitos e ideias mais tcnicas para o teorema. No
entanto, reconhecemos a aplicao do contexto matemtico, exigindo habilidades
que requerem conceitos especficos j construdos. Numa abordagem ecolgica,
podemos elaborar um ecossistema que requer objetos matemticos e estatsticos,
como aprensetado no esquema 8.
87

OBJETOS OBJETOS
MATEMTICOS ESTATSTICOS

DISTRIBUIO
OPERAES EM IR NORMAL

DISTRIBUIO DE
PROBABILIDADES

CONCEITO
DE REA MDIA; VARINCIA;
DESVIO PADRO

VARIVEL
ALEATRIA

CONCEITO DE
PROBABILIDADE

TEOREMA CENTRAL DISTRIBUIO


DO LIMITE AMOSTRAL DE MDIAS

Esquema 8 Ecossistema da atividade proposta por A1


no contexto matemtico e estatstico.
Fonte: Dados da pesquisa.

No esquema 8, constatamos que o teorema atende a dois ecossistemas: o


dos objetos matemticos e o dos estatsticos simultaneamente, observando os
saberes indispensveis para sua sobrevivncia que so respectivamente,
operaes em IR, conceito de rea e conceito de probabilidade; e, distribuio
normal, distribuio de probabilidades, mdia, varincia, desvio padro, varivel
88

aleatria, conceito de probabilidade e distribuio amostral de mdias. Alm do


teorema, o conceito de probabilidade tambm contempla os dois ecossistemas mas
como Polya (1887-1985) bem destaca, o Teorema Central do Limite fundamental
para a Teoria das Probabilidades, que um elemento indispensvel para que o
teorema sobreviva.

Contexto Cotidiano

O enunciado do problema seguinte refere-se a um contexto cotidiano em que


se aplica o Teorema Central do Limite:

A capacidade mxima de um elevador de 500 kg. Se a distribuio X dos pesos


dos usurios for suposta N(70, 100): (a) Qual a probabilidade de sete passageiros
ultrapassarem esse limite? (b) E seis passageiros?

Fonte: FARIAS; SOARES; CSAR, 2003, p. 275.

Para resolver essa tarefa (T), que tambm a de calcular a probabilidade,


no caso do item (a), as tcnicas (), que tambm podem se chamar os modos de
fazer, requerem os mesmos procedimentos que a atividade anterior, porm traz um
contexto consigo, que a capacidade mxima que um elevador pode suportar. No
entanto, para o item (a), deseja-se verificar a probabilidade de sete passageiros
ultrapassarem o limite de 500 kg. Portanto, deve-se calcular a probabilidade para
P(X 500).
Os autores apresentam apenas as respostas das tarefas e isso nos permitiu
pontuar algumas observaes: o contexto apresenta um elevador que suporta no
mximo 500 kg; para interpretar a distribuio da varivel aleatria X, dos pesos dos
usurios, tem-se que os pesos dos indivduos so independentes; a representao
N(70, 100) deve ser algo j conhecido pelo estudante, j que se estima que a mdia
da amostra 70 e a varincia 100 de uma distribuio normal.
Ento, uma tcnica que o estudante poderia utilizar seria, em primeiro lugar,
encontrar o peso total dos 7 indivduos e, como a mdia amostral de um indivduo
70 kg, tem-se que a mdia amostral para os sete indivduos seria aproximadamente
de X = 7 x 70 = 490. Deseja-se, portanto, calcular a rea que corresponde P(X >
500). E, para encontrar o valor reduzido de X = 500, tem-se que:
89

500 490
z 1. (6.7)
10

A rea normal reduzida equivalente a probabilidade superior a 500 kg


representada pela figura 3.

Figura 3 - A distribuio dos pesos.


Fonte: Dados da pesquisa.

A partir da rea hachurada na figura 3, o modelo real pode ser reduzida para
o modelo padro:

P(X > 500) = P (z > 1) = 0,5 0,3413 = 0,1587 ou 15,87%. (6.8)

Portanto, encontra-se o valor aproximado do escore reduzido para 7 pessoas,


cuja probabilidade de 15,87%, respondendo ao item (a).
Com base na organizao praxeolgica de Chevallard (1999), essa atividade
nos permitiu chamar de organizao estatstica, pois contm objetos estatsticos
que se caracterizam pelo discurso terico-tecnolgico prprio da Estatstica. Mas
vale destacar que o pano de fundo da organizao matemtica, j que justifica-se
algumas tcnicas a partir de conceitos bsicos da Matemtica como o da diviso.
Em contrapartida, o discurso terico-tecnolgico incide sobre os objetos estatsticos
tais como mdia, varincia, desvio padro, funo da curva normal e a teoria das
probabilidades. O ecossistema que pode representar essa atividade bastante
similar ao anterior, porm destacamos o contexto pelo qual foi apresentado. O que
significa que, alm das tcnicas, existe tambm a parte reflexiva sobre o resultado
em si da tarefa, o que implica em pensar e raciocinar estatisticamente,
desenvolvendo habilidade em tomar de deciso quando se tem a probabilidade de
90

15,87%, de sete pessoas ultrapassarem o limite de peso do elevador. Um resultado


que significativo, levando em considerao a variao entre os pesos (massas)
das pessoas.
Assim, tal simulao do cotidiano possibilita ao aluno imaginar que deciso
tomaria caso se deparasse com esse tipo de problema ou at estabelecer analogia
em outras situaes. Isso torna mais interessante a aplicao do objeto do saber: o
Teorema Central do Limite.

6.1.2.2 Atividades do livro-texto A2

Nessa obra, os autores apresentam o comportamento da distribuio de


grficos, de acordo com o nmero de observaes de amostrais extradas de uma
populao, sem mencionar contexto cotidiano para tal, conforme as figuras 4, 5, 6 e
7:

Figura 4 Distribuio uniforme com 300 repeties = 2,9 e = 5,39


Fonte: FARIAS; SOARES; CSAR, 2003, p. 140.
91

Figura 5 Distribuio logonormal com 300 repeties = 0 e = 1


Fonte: FARIAS; SOARES; CSAR, 2003, p. 140.

Figura 6 Distribuio bimodal com 300 repeties


Fonte: FARIAS; SOARES; CSAR, 2003, p. 141.
92

Figura 7 Distribuio exponencial com 300 repeties


Fonte: FARIAS; SOARES; CSAR, 2003, p. 141.

As figuras 4, 5, 6 e 7 apresentadas pelos autores indicam quatro tipos de


distribuies: uniforme, logonormal, bimodal e exponencial, de modo que se possa
compreender, de acordo com o nmero de observaes, a distribuio da X , mdia
da amostra, estar centrada na mdia da populao, , no importando que tipo a
distribuio, ou seja, simtrica ou no. Alm disso, os grficos no apresentam
nenhuma aplicao direta sobre o Teorema Central do Limite, impossibilitando-nos
uma anlise ecolgica do saber, pois no h aprofundamento sobre o tema. A
aplicao ser subjacente a outros temas da Inferncia Estatstica.
Assim, pode-se representar um ecossistema para representar o Teorema
Central do Limite, conforme abordado pelos autores Farias, Soares e Csar (2003),
conforme o esquema 9.

Esquema 9 Ecossistema do Teorema Central do Limite para A2.


Fonte: Dados da pesquisa.
93

O Teorema Central do Limite elemento do ecossistema representado pelo


esquema 9, mas de forma implcita, j que ele que explica as relaes
estabelecidas entre a mdia populacional e a mdia amostral, a partir da varivel
aleatria e a distribuio de varivel aleatria.

6.1.2.3 Atividades do livro-texto A3

Os autores desse livro-texto exploram, alm do enunciado do Teorema


Central do Limite, a utlizao de softwares para gerar nmeros aleatrios, no sentido
de enfatizar os diferentes tipos de distribuio, simtricas ou no, dependendo do
nmero de amostras.

Contexto matemtico

Na figura 8.1 apresenta-se a distribuio da varivel Y, tal como se encontra definida


na tabela, bem como as distribuies da mdia amostral Y (para N = 5, 10, 20, 50,
100 e admitindo que as amostras so aleatrias simples)
Fonte: GUIMARES; CABRAL, 1997, p. 240.

Figura 8 Tabela da distribuio da varivel Y


Fonte: GUIMARES; CABRAL, 1997, p. 240.

Interessante notar que os autores designam o N, em maisculo, para o


nmero de amostras, fato este no encontrado em outros livros-texto da nossa
investigao.
Quanto aos grficos, so apresentados conforme a figura 9.
94

Figura 9 Ilustrao da atividade de contexto matemtico de A3: Figura 8.1 do livro.


Fonte: GUIMARES; CABRAL, 1997, p. 241.

Com relao s figuras 8 e 9, os autores tecem comentrios sobre os objetos


estatsticos:

A figura 8.1 merece alguns comentrios. O primeiro refere-se ao facto de


apenas se represetnarem os contornos dos diagramas de barras, neste
caso constitudos por barras justapostas. Por exemplo, no primeiro
histograma, a barra correspondente a Y = 0 cobre os valores de Y = 0,5
at Y = 0,5.
O segundo comentrio diz respeito s ordenadas dos diagramas. Com o
objectivo de que as reas dos diferentes diagramas fossem todas idnticas,
altura de cada barra foi atribudo o valor que resultou de dividir a funo
probabilidade pela largura da barra [...]
Finalmente, deve notar-se que, dado que a distribuio Y discreta,
tambm o a distribuio de mdia amostral. Apesar disso, no caso da
figura 8.1, a distribuio normal uma boa aproximao da distribuio de
mdia amostral para n 50. (GUIMARES; CABRAL, 1997, p. 241)

Tal qual o exemplo do livro-texto anterior, A2, os autores alegam que, se n


suficientemente grande, pode-se dizer, portanto, que h uma boa aproximao
normal. Da forma como foi exposta nesse exemplo, essa alegao nos restringe em
relao anlise ecolgica do saber.
O ecossistema dessa atividade anloga ao da atividade de A2:
95

Esquema 10 Ecossistema para A3 de contexto matemtico.


Fonte: Dados da pesquisa.

O esquema 10 o mesmo apresentado pelo 9 o que significa que a partir da


varivel aleatria, os elementos subsistem na estrutura de um ecossistema em que
permite o Teorema Central do Limite sobreviver, mesmo que implicitamente. Os
mesmos autores especificam que:

Uma questo que se pode colocar em relao ao teorema do limite central,


tal como este foi enunciado, a de saber quando que N
suficientemente grande para que a distribuio Normal seja efectivamente
uma boa aproximao da distribuio da varivel soma ou da mdia
amostral.
[...] a partir da distribuio da varivel original, definiu-se a distribuio da
mdia amostral pela via terica. Tal foi possvel porque a distribuio da
varivel original era extremanete simples. (GUIMARES; CABRAL, 1997, p.
241)

Nesse contexto, tais observaes indicam a relevncia didtica proposta


pelos autores e difere-se de A2 por apresentar, de forma explcita, uma abordagem
diretamente associada ao Teorema Central do Limite.
Vejamos a prxima atividade de A3 de um contexto cotidiano.

Contexto cotidiano

Um elevador de acesso a um grupo de galerias de uma mina tem capacidade


nominal de 3800 kg. Os mineiros que usam regularmente o elevador so 650 e tm
pesos que seguem uma distribuio com valor esperado de 75 kg e desvio padro
de 8 kg. Calcule a probabilidade de ser excedida a capacidade nominal do elevador
quando nele se encontrarem 50 mineiros.
96

Fonte: GUIMARES; CABRAL, 1997, p. 261.


A atividade selecionada de A3 similar proposta em A1, o que dispensa
sua anlise. A diferena est na quantidade que suportam, em peso (massa), o
elevador e o local em que ocorre o contexto. A escolha desse problema foi tambm
intencional, pois chamamos ateno para os tipos de contextos que as obras
apresentam, isto , algumas vezes, as ideias e os problemas so muito
semelhantes.

6.1.2.4 Atividades do livro-texto A4

Levin e Fox (2004) no apresentam o enunciado para o Teorema Central do


Limite nem exemplos ou exerccios de aplicao diretas, tanto para o contexto
matemtico como para o contexto cotidiano. Entretanto, a partir da definio das
distribuies amostrais para as mdias segundo a distribuio normal, encontramos
indcios para que as ideias do teorema possam surgir sem necessariamente
mencion-lo.
Mais adiante, ao apresentarmos a definio que cada livro-texto atribui ao
Teorema Central do Limite, analisaremos com mais detalhes a ausncia explcita do
teorema nessa obra. Portanto, a escolha dela tambm foi intencional, tendo em vista
que so autores renomados no campo da Estatstica e que possuem vrias obras
nesse ramo da Cincia.

6.1.2.5 Atividades do livro-texto A5

O livro-texto A5 no apresenta atividade no contexto matemtico, no entanto,


apesar de apresentar apenas cinco atividades no contexto cotidiano com aplicao
do teorema, percebe-se que explora o tema ao longo do texto em sua obra,
enfatizando sempre que pelo efeito do Teorema Central do Limite que se pode
aplicar em vrias situaes-problema. Por isso, optamos pela escolha de uma
atividade para anlise. Vejamos:
97

O tempo X que um tcnico necessita para fazer manuteno preventiva em um


aparelho de ar-condicionado regido pela distribuio exponencial, cuja curva de
densidade aparece na figura 5. O tempo mdio = 1 hora e o desvio padro =
1 hora. Sua empresa utiliza 70 dessas unidades. Qual a probabilidade de que seu
tempo mdio de manuteno exceda 50 minutos?
Fonte: MOORE, 2005, p. 224-225.

Diante da apresentao da situao-problema, o autor expe o grfico,


conforme a figura 10, para iniciar os procedimentos de resoluo.

Figura 10: A distribuio de observao.


Fonte: MOORE, 2005, p. 224.

Observando a figura 10, Moore (2005, p. 225) expe inicialmente o seguinte:


o terorema central do limite afirma que a mdia amostral x (em horas) gastas
trabalhando em 70 unidades tem aproximadamente a distribuio normal com mdia
igual mdia populacional = 1 hora de desvio padro.

1
0,12 hora (6.9)
n 70

Quando o autor apresenta esse resultado, no fica claro o que significa 0,12
hora, mas o desvio padro da amostra de 70 unidades. Com o exemplo resolvido,
entendemos que, apesar do destaque ao teorema, talvez exista nfase para a
tcnica, sem o devido trabalho sobre a tecnologia. Logo em seguida, diz: a
98

distribuio x , portanto, aproximadamente N(1; 0,12). E, nesse caso, difere da


representao j apresentada anteriormente pelo A1, em que N(, ) significa a
representao da mdia e da varincia, enquanto para A5 a mdia e o desvio
padro. Em seguida apresenta a curva Normal de linha contnua e a tracejada a
distribuio exata, conforme a figura 11.

Figura 11 A distribuio exata (tracejada) e a aproximao Normal a partir do Teorema


Central do Limite (contnua) para o tempo mdio necessrio para manuteno de um ar-
condicionado.
Fonte: MOORE, 2005, p. 225.

E o autor justifica: como 50 minutos so 50/60 de uma hora, a probabilidade


que queremos P( x > 0,83). Um clculo de distribuio Normal fornece que essa
probabilidade 0,9222. Essa a rea direita de 0,83 sob a curva Normal contnua
na Figura 11.
O autor explica a tcnica () para a tarefa (T), mas no justifica como
encontrou a rea que corresponde regio desejada, quando menciona um clculo
de distribuio normal, resultando na probabilidade 0,9222. Assim, a tecnologia ()
fica implcita, ou seja, mobilizada por ostenso. Em seguida, ele esclarece que,
utilizando mais matemtica, poderamos, a partir da distribuio exponencial, achar
a curva de densidade real de x para 70 observaes. Depois explica que a curva
a que est tracejada conforme a figura 11, alegando que se pode observar que a
curva Normal contnua uma boa aproximao. Portanto, a aproximao Normal do
teorema central do limite est apenas afastada por cerca de 0,07. (MOORE, 2005,
p. 225)
99

Observamos que existe uma estrutura ecolgica para a resoluo proposta


por Moore nessa atividade. Quando o autor afirma que distribuio Normal contnua
uma boa aproximao, efetivamente, ele opera a tecnologia da tecnologia, isto ,
apresenta a teoria () para tarefa (T).

6.1.2.6 Atividades do livro-texto A6

Este livro-texto foi selecionado a partir dos critrios expostos nos


procedimentos metodolgicos, porm um detalhe deve ser esclarecido. Apesar de o
ano da edio no ser recente, verificamos alguns itens interessantes a comentar
sobre o teorema, alm do carter ecltico da obra, pois seu ttulo especfico para
curso de Administrao.
Um dos pontos interessantes observados foi uma das afirmaes do autor:
em sentido estrito, o Teorema Central do Limite s se aplica a mdias amostrais.
(STEVENSON, 1981, p. 182, grifo nosso). Esse tipo de aplicao no foi explorado
explicitamente em outras obras. Vejamos as atividades desta obra.

Contexto matemtico

Uma populao muito grande tem mdia 20,0 e desvio padro 1,4. Extrai-se uma
amostra de 49 observaes. Responda: (a) Qual a mdia da distribuio amostral?
(b) Qual o desvio padro da distribuio amostral? (c) Qual a percentagem das
possveis mdias amostrais que diferiro por mais de 0,2 da mdia da populao?
Fonte: STEVENSON, 1981, p. 182-182.

Essa atividade foi extrada do primeiro exemplo aps o enunciado do


teorema, o que nos foi bastante oportuno averiguar que, de certa forma, a
metodologia do livro privilegia as tcnicas em detrimento das situaes-problema do
cotidiano. Essa caracterstica tambm comum em outras obras que apresentam
atividades em ambos contextos: matemtico e cotidiano.
Para a resoluo, o autor parte do pressuposto de que, se o tamanho da
amostra superior a 30, n > 30, pode-se supor normal a distribuio amostral.
100

Nesse caso, a abordagem do tamanho da amostra a ser considerada j havia sido


estipulada anteriormente, como por convenincia. E, assim, para responder ao item
(a), chega-se concluso de que a mdia da distribuio amostral sempre igual
mdia da populao. Logo, x 20,0 . (STEVENSON, 1981, p. 183). A tarefa (T) foi

a de encontrar a mdia da distribuio amostral; a tcnica () refere-se ao resultado


que o conceito do Teorema Central do Limite garante, o que justifica a tcnica, que
a tecnologia (). J a teoria () o prprio conceito do teorema.
Para responder ao item (b), o autor aplica diretamente a frmula do desvio
padro da distribuio amostral:
x 1,4 1,4
x 0,2 (6.10)
n 49 7

Nota-se que privilegia a tcnica do fazer, pois no justifica por que


necessrio o desvio padro da distribuio amostral ser menor do que o da
populao. Outro item que nos chamou ateno foi em relao notao que atribui
para o desvio padro da amostra e o desvio padro da populao, x e x ,
respectivamente, pois, em geral, o da populao no tem o ndice x.
O item (c) exige um pouco mais de detalhes, principalmente com os objetos
matemticos, como, por exemplo, o conceito de rea e a ideia do que vem a ser
diferir por mais de 0,2 da mdia populacional, a partir da ilustrao do grfico que
est representada na figura 12. No entanto, apresenta os clculos para encontrar os
valores reduzidos, z:

20,2 20
1 x proporo: 0,1587
0,2
19,8 20
1 x proporo: 0,1587
0,2
Total: 0,3174 (6.11)

Em seguida, apresenta a ilustrao, conforme a figura 12.


101

Figura 12 As pores sombreadas so iguais probabilidade de uma mdia amostral inferior


a 19,8 ou superior a 20,2
Fonte: STEVENSON, 1987, p. 183

O grfico da figura 12 propicia a realizao dessa atividade, pois requer


algumas habilidades no to usuais, como, por exemplo, o que significa diferir por
mais de 0,2 da mdia da populao, conforme j havamos dito. Para que o
estudante entenda essa linguagem, precisa de alguns conhecimentos prvios que,
nesse contexto, significa diferir abaixo e acima da mdia populacional em 0,2, isto ,
representam as reas localizadas nas caudas da curva Normal, cujas referncias
so os valores menores que 19,8 ou maiores que 20,2. Se no fosse a ilustrao da
figura 12, talvez o estudante demorasse mais tempo para chegar estratgia a ser
utilizada. Isso faz parte da tcnica () associada tarefa identificada.
Alm disso, a apresentao do valor do escore reduzido no est clara, pois a
notao, +1 x , que significa mais um do desvio padro da distribuio amostral,
no frequentemente utilizada em outros livros-texto. Em seguida, indica a
proporo de 0,1587 e tambm para 1 x , com o mesmo valor, para finalmente
apresentar o total. Didaticamente, a resoluo parece mais uma forma de
adivinhao do que uma sequncia de aes lgicas, contrapondo, assim, a
proposta da construo dos conceitos por parte do estudante, no entorno do
teorema. Evidentemente, a representao grfica foi fundamental para compreenso
da resoluo proposta pelo autor, mas, ainda assim, no permite a evoluo das
ideias matemticas e estatsticas presentes na atividade.
Uma estrutura ecolgica dessa atividade, somente para o item (c), seguindo a
evoluo dos saberes, poderia ser descrita conforme o esquema 11:
102

Esquema 11 Ecossistema para o Teorema Central do Limite na atividade (c).


Fonte: Dados da pesquisa.

O esquema 11 apresenta os objetos matemticos necessrios para realizao


da atividade e os da Estatstica, mostrando a necessidade dos saberes que so
imprescindveis para que o teorema sobreviva, mesmo no contexto matemtico da
questo, isto , com aplicao de tcnicas (), nem sempre desprovida da tecnologia
(), segundo a resoluo do livro-texto A6.

Contexto cotidiano

Ainda nessa obra, A6, optamos tambm por expor um exemplo, no sentido de
analisarmos a estrutura ecolgica da atividade proposta.
103

Um fabricante de baterias alega que seu artigo de primeira categoria tem uma vida
esperada (mdia) de 50 meses. Sabe-se que o desvio padro correspondente de 4
meses. Que percentagem de amostras de 36 observaes acusar vida mdia no

intervalo de 1 ms em torno de 50 meses, adimitindo ser a verdadeira vida mdia


das baterias? Qual ser a resposta para uma amostra de 64 observaes?

Fonte: STEVENSON, 1981, p. 183-184.

Vejamos como o autor expe a sua resoluo.


Ele estabelece um dilogo com o leitor para explicar a tarefa:

Sabemos que, como n > 30, a distribuio de mdias amostrais ser


aproximadamente normal, com mdia igual mdia populacional e desvio
padro igual ao desvio padro populacional dividido pela raiz quadrada do
tamanho da amostra. (STEVENSON, 2001, p. 183)

Nesse item, o discurso terico-tecnolgico apresentado pelo autor o


seguinte: a tcnica () para a tarefa (T). E continua: A figura 13 ilustra a
probabilidade desconhecida. A resoluo envolve a determinao do nmero de
desvios padres que 49 e 51 meses distam da mdia e, assim, o autor sugere
consultar a tabela de reas sob a curva normal padronizada, dispensando, assim,
aplicao do modelo matemtico para o clculo da rea, e obtendo as
probabilidades desejadas. Nesse caso, podemos dizer que a tcnica () para tarefa
(T) foi substituda pela justificativa de que j existe uma tabela em que foram
calculados os valores das reas que correspondem s probabilidades desejadas,
por meio do escore reduzido, variando de 0 a 3 e, a rea, de 0 a 0,5, que tambm
chamada de Tabela da Curva Normal Padronizada. Por outro lado, exige outras
tcnicas (), como, por exemplo, o clculo do desvio padro da distribuio amostral.

FIGURA 13 Determinao da rea sombreada da distribuio amostral.


104

Fonte: STEVENSON, 2001, p. 184.

4 4
Para n 36; x 0,67
36 6
x x (6.12)
n Para n 64; 4 4 0,50
x
64 8

Em seguida, determina a diferena em relao ao valor esperado, isto , o


escore reduzido para cada uma das variveis que distam da mdia: x1 = 49 e
x2 = 51, sendo que esses valores so expressos por:
estatstica parmetro (6.13)
z
x

Assim, fica explicada e justificada a tcnica ():


Para n = 36: z1 = 1,5 x e z2 = 1,5 x ;

Para n = 64: z1 = 2,0 x e z2 = 2,0 x ; (6.14)


Enfim, para a determinao das reas, por meio da tabela da curva Normal
padronizada, tem-se que:
Para n = 36, P(49 < x < 51) = P( 1,5 < x < 1,5) = 0,8644;
Para n = 64, P(49 < x < 51) = P( 2,0 < x < 2,0) = 0,9546. (6.15)

Percebe-se que h tambm preocupao do autor em justificar esses


resultados (tecnologia, ), quando afirma que:

Note-se que, mesmo permanecendo constante o intervalo de 49 a 51, as


respostas para as amostras de tamanhos 36 e 64 so diferentes. A
probabilidade de obter uma mdia amostral no intervalo dado maior para
amostras de 64 observaes do que para amostras de 36 observaes,
devido ao fato de o desvio padro da distribuio amostral decrescer
quando n aumenta. (STEVENSON, 1981, p. 184)

A concluso deixa implcita a aplicao do Teorema Central do Limite. No


entanto, podemos dizer que essa atividade contemplou o complexo praxeolgico (T /
/ / ). Outrossim, podemos dizer que a estrutura ecolgica para esse caso
similar aos anteriores.
105

6.1.2.7 Atividades do livro-texto A7

No ltimo livro-texto analisado, A7, no h nenhuma atividade contendo


somente contexto matemtico. Portanto nos restringimos a analisar apenas uma
atividade com contexto cotidiano conforme feito anteriormente com outras obras.

Na engenharia humana e no projeto de produtos, frequentemente importante


considerar os pesos das pessoas, de modo que no haja sobrecarga em avies ou
elevadores, as cadeiras no se quebrem, e no ocorram outros acontecimentos
perigosos ou embaraosos. Dado que a populao de homens tem pesos
distribudos normalmente com mdia de 173 lb e desvio padro de 30 lb (com base
em dados do National Health Survey dos EUA), determine a probabilidade de que:
(a) um homem escolhido aleatoriamente pese mais de 180 lb; (b) em 36 homens
escolhidos aleatoriamente, o peso mdio seja superior a 180 lb.26

Fonte: TRIOLA, 1999, p. 129.

Esse exemplo, exposto por Triola (1999, p. 129), apresenta dois itens para
serem solucionados e comparados. O item (a) refere-se massa de um homem,
escolhido aleatoriamente, e, portanto, no constitui numa amostra. A partir do
clculo do valor padronizado ou o escore reduzido, pode-se afirmar que os pesos
(massas) so distribuidos normalmente. Assim:
x
z = 0,23 (6.16)

Ele tambm recorre tabela Normal padro, conforme anexo 11, para
encontrar a rea que corresponde a 0,4090, isto , P(x > 180) P(z > 0,23) = 0,5
0,0910 = 0,4090. Portanto, a probabilidade de o homem pesar mais de 180 lb
0,4090 e a representao grfica dada pela figura 14.

___________
26 Uma libra (massa) corresponde aproximadamente a 0,4536 kg.
106

Figura 14 Distribuio de pesos de homens.


Fonte: TRIOLA, 1999, p. 130(a).

Para o item (b), o autor indica que utilize o teorema central do limite (porque
estamos lidando agora com a mdia para um grupo de 36 valores, e no um valor
individual). Em seguida, ele justifica que agora se trata de uma distribuio de
mdias amostrais, da a necessidade de utilizar os parmetros x (mdia das
mdias amostrais) e x (desvio padro da amostra), que so:

x = = 173 (6.17)

30 (6.18)
x = 5
n 36

E, para determinar a rea sombreada conforme a figura 14, deve-se calcular o


valor padronizado z, incidindo a utilizao da tabela da curva Normal padro. Ento,

x 180 173 7 (6.19)


z = 1,40
x 30 5
36
E, a partir da figura 15, a representao grfica da rea indicada
0,50,4192=0,0808, que a probabilidade de os 36 homens terem peso (massa)
mdio superior a 180 lbs.
107

Figura 15 Distribuio de mdias amostrais de 36 homens.


Fonte: TRIOLA, 1999, p. 130(b).

O autor ainda justifica que:

[...] h uma probabilidade de 0,4090 de um homem pesar mais de 180 lb,


mas a probabilidade de 36 homens terem peso mdio superior a 180 lb de
apenas 0,0808.Um peso extremo entre os 36 perder seu impacto quando
considerado em conjunto com os outros 35 pesos. (TRIOLA, 1999, p. 129).

Analisando essa atividade, o autor opta por utilizar um discurso tecnolgico-


terico a partir da retrica. No h nfase, por parte do autor, em dispor um modelo
matemtico para indicar as reas que correspondem s probabilidades encontradas,
mas apresenta a soluo que contempla a tarefa em questo.
Entretanto, para anlise praxeolgica, podemos dizer que a tarefa T exigiu
tcnicas (o que se deseja calcular), justificadas por uma tecnologia , quando ou
no caso de aplicao do Teorema Central do Limite. Para justificar a tecnologia,
tem-se a teoria , principalmente quando isso ocorre para comparar os casos: ao
aplicar o teorema (b) e no aplicar, (a).
Diante das anlises feitas, percebemos que cada obra tem suas prprias
caractersticas ao tratarem do Teorema Central do Limite. Com exceo de A4,
todos outros apresentam um enunciado formal para o teorema. Vejamos como eles
abordam no prximo subitem.

6.1.3 Enunciado do Teorema Central do Limite nos Livros-Texto.


108

De acordo com as anlises das atividades dos sete livros-texto, nos foi
possvel apontar algumas caractersticas prprias de cada obra. As mesmas,
ocasionalmente, so exitosas, mas apresentam tambm restries que podem servir
como entraves no processo de aprendizagem. Em contrapartida, determinadas
restries ou limitaes enriquecem a proposta de nossa investigao, pois servem
como ferramentas excelentes para reflexo e discusso entre especialistas,
professores e alunos.
Alguns pontos comuns nos foi possvel identificar como: todos os livros-texto
que apresentam o enunciado do teorema, primeiro o enuncia, no incorrendo em
sua demonstrao e, em seguida, algumas aplicaes sob forma de problemas de
contexto matemtico e/ou do cotidiano, reforando as ideias em torno do Teorema
Central do Limite. Segundo Bussab e Morettin (2003, p. 273), a demonstrao
completa desse teorema exigiria recursos dos quais no dispomos, portanto no
ser dada, mas o importante sabermos como esse resultado pode ser usado.
Diante do que constatamos com a anlise dos livros-texto e com as
afirmativas desses autores, podemos dizer que um dos saberes no necessrios
para o Teorema Central do Limite, no processo de ensino e de aprendizagem, a
demonstrao de como se chega a esse resultado, porm defendemos que o
contexto histrico deveria ser enfatizado, principalmente porque, na nossa
investigao, os atores so os licenciandos em Matemtica.
Essa abordagem nos proporcionou o ponto de vista do professor ao elaborar
suas atividades didticas referentes ao teorema, por entender que o livro-texto
constitui potencialmente um elemento norteador no processo de ensino e de
aprendizagem. Tauber (2001, p. 69) interpreta essa dinmica como um significado
institucional de referncia, pois serve como base de seleo de objetos
significativos que esto de acordo com o enfoque para a construo de uma
sequncia didtica. Por isso achamos interessante apresentar como o teorema
apresentado/enunciado pelos autores, pois todos alegam sua extrema importncia,
com exceo de A4, porque no o menciona.
109

OBRA ENUNCIADO DO TEOREMA CENTRAL DO LIMITE


Teorema: Para amostras aleatrias simples (X1,..., Xn), retiradas de uma populao

A1 com mdia e varincia finita, a distribuio amostral da mdia X aproxima-se,


para n grande, de uma distribuio normal, com mdia e varincia /n. (BUSSAB;
MORETTIN, 2003, p. 273-274)

Para uma distribuio no-normal com mdia e desvio padro , a distribuio da


mdia amostral X para amostras de tamanho n suficientemente grande

aproximadamente normal com mdia e desvio padro , isto :
n
A2
X
~ N (0; 1) . (FARIAS; SOARES; CSAR, 2003, p. 139)
/ n

Sejam X1 ... Xn variveis aleatrias independentes com a mesma distribuio, que se


admite ter varincia finita (quase todas as distribuies com interesse prtico tm
varincia finita, pelo que esta condio no particularmente restritiva). Qualquer que
seja a forma da distribuio destas variveis, se o valor N for suficientemente grande,
N
a varivel soma S X n segue aproximadamente uma distribuio Normal. Esta
A3 n 1
distribuio inteiramente especificada atravs do valor esperado e da varincia de
2 2 2
S, que so dados por S N . X e S N . X , onde X e X , representam
o valor esperado e a varincia das variveis Xn. (GUIMARES; CABRAL, 1997, p.
241)

A4 NO ENUNCIA O TEOREMA CENTRAL DO LIMITE

Extraia uma AAS, amostra aleatria simples, de tamanho n de qualquer populao


com mdia e desvio padro finito . Quando n grande, a distribuio amostral da
mdia amostral x aproximadamente Normal:
A5

x aproximadamente N , . (MOORE, 2005, p. 223)
n

1. Se a populao sob amostragem tem distribuio normal, a distribuio das mdias


amostrais tambm ser normal para todos os tamanhos de amostra.
A6 2. Se a populao bsica no-normal, a distribuio de mdias amostrais ser
aproximadamente normal para grandes amostras. (STENVENSON, 2001, p. 181-182)

Dado:
1. A varivel aleatria x tem distribuio (que pode ser normal, ou no), com mdia
e desvio-padro .
2. Amostras de tamanho n so extradas aleatoriamente dessa populao.
A7 Concluses:
1. Na medida em que o tamanho da amostra aumenta, a distribuio das mdias
amostrais x tende para uma distribuio normal.
2. A mdia das mdias amostrais ser a mdia populacional .
3. O desvio-padro das mdias amostrais ser / n .(TRIOLA, 1999, p.129)
110

QUADRO 2 - Enunciado do Teorema Central do Limite nos livros-texto.


Fonte: Dados da pesquisa.

De acordo com o Quadro 2, pode-se notar que os enunciados acerca do


Teorema Central do Limite so bastante similares. Em sntese, dada uma
distribuio de varireis aleatrias de distribuio Normal ou no, pode-se afirmar
que, na medida em que aumenta o tamanho das amostras, a mdia das mdias
amostrais ser a mdia da populao; e, o desvio padro, das mdias amostrais,
ser / n .
A comparao entre esses livros-texto sobre o enunciado do teorema pode
ser sintetizada da seguinte forma: A1 e A2 distinguem-se no tipo de distribuio de
amostras, isto , se, inicialmente, Normal ou no, tendo em vista que a primeira
obra no especifica o tipo, e a segunda chama ateno para distribuies no-
Normais. A4 no enuncia o Teorema Central do Limite, mas mostra o
comportamento pela representao grfica, conforme a figura 16.

FIGURA 16 - Distribuies: populacional, da amostra, amostral observada e amostral terica


Fonte: LEVIN; FOX, 2004, p. 188.
111

Os autores interpretam esses grficos da figura 16, que dizem respeito ao


Teorema Central do Limite, mas sem mencion-lo:

[...] a variabilidade de uma distribuio amostral sempre menor do que a


variabilidade em toda a populao ou em qualquer uma das amostras. A
figura (10a) mostra a distribuio populacional de chamadas interurbanas,
com mdia () de 99,75 (em geral no dispomos dessa informao). A
distribuio assimtrica direita: mais famlias despendem menos tempo
do que a mdia de 99,75 minutos em uma chamada interurbana, mas
algumas, na cauda direita, parecem no querer largar o telefone. A figura
(10b) mostra a distribuio das duraes de chamadas em uma
determinada amostra de 200 residncias. Note que ela tem forma
semelhante distribuio da populao, com mdia aproximadamente igual
( X = 102). A figura (10c) mostra a distribuio amostral de mdias (as
mdias de 100 amostras do excntrico). Ela se afigura razoavelmente
normal, e no assimtrica, tem mdia (100,4) quase igual mdia da
populao e menos variabilidade, seja em relao distribuio
populacional em (10a) ou em (10b), o que se pode ver comparando os
valores da reta-base. Se o pesquisador tivesse continuado a extrair
amostras de 200 residncias, o grfico das mdias dessas amostras se
assemelharia a uma curva normal, conforme mostra a figura (10d). Essa
a verdadeira distribuio amostral. (LEVIN; FOX, 2004, p. 187, grifo nosso)

Apesar de A4 no ter enunciado e nem mencionado o Teorema Central do


Limite, apresenta uma situao em que parte do princpio de uma situao
hipoteticamente real, de tempo mdio mensal de durao de chamadas
interurbanas, considerando-a como uma populao de residncias, de mdia 99,75
minutos de durao e, neste caso, a curva assimtrica direita, conforme mostra a
figura 16(a). Na figura 16(b), uma distribuio de amostra de 200 residncias, com
mdia aproximada de 102 minutos. A diferena entre as situaes 16(a) e 16(b) est
no fato de que o primeiro trata de populao e o segundo, de uma amostra da
populao de 200 residncias. Agora, na figura 16(c), no nem a populao e nem
uma amostra de um determinado nmero de residncias, mas sim de uma
distribuio de mdias de durao de interurbanos com nmero de 100 dessas
amostras. O grfico, neste caso, j possui uma tendncia normalizao quanto a
sua curva. E, por fim, o grfico 16(d) simula o comportamento do grfico para 200
amostras de distribuies de mdias amostrais de aspecto similar ao de um nmero
infinito de residncias.
Ora, o que est implcito o prprio Teorema Central do Limite, tendo em
vista que sua definio garante que a mdia da distribuies de mdias amostrais
tende a ser a mdia da populao. Para o desvio padro, os autores afirmam que
112

variabilidade tende a ser sempre menor quando extrada de distribuies de


mdias amostrais.
Os livros-texto A5 e A6 seguem a mesma linha que A1. J A3 e A7 so mais
detalhistas; a primeira no especifica o tipo de distribuio, apesar de ser mais
especfico nos modelos matemticos; a obra A7 alerta para o fato de que a
distribuio pode ser normal ou no, contanto que o tamanho da amostra seja
suficientemente grande.
Alm dos enunciados apresentados, vale ressaltar o aspecto didtico na obra
(A5) de Moore. A justificativa para tal se deve ao fato de que o objeto matemtico,
Teorema Central do Limite, no se esgota em um tpico, mas se projeta ao longo do
livro-texto, sendo referido em diversos itens que dizem respeito Inferncia
Estatstica. Por exemplo, nas distribuies amostrais, quando se aplica, explorando
dados para inferncia; na inferncia sobre uma mdia populacional; e em situaes-
problema para duas mdias. O extraordinrio de sua obra reside no fato de o autor
sempre reportar-se ao teorema, chamando a ateno para sua importncia e
aplicabilidade, fato este no constatado em outras obras.
De modo geral, o Teorema Central do Limite nos permite usar clculos de
probabilidades Normais para responder perguntas acerca de mdias amostrais de
muitas observaes, mesmo quando a distribuio populacional no seja Normal
(MOORE, 2005, p. 224). Essa afirmao confere porque quanto mais uma
distribuio estiver afastada da normal, maior deve ser o tamanho da amostra.

6.2 A Anlise Sob o Ponto de Vista Ecolgico do Didtico: o Teorema Central


do Limite e os Licenciandos

Segundo Almouloud (2007, p. 123), as organizaes matemticas referem-se


realidade matemtica que se pode construir em uma sala de aula. Nesse
contexto, a forma de apresentar o teorema diz respeito ao planejamento do(a)
professor(a), incidindo na construo de ideias e conceitos sobre o teorema, que
ser reconstrudo pelos estudantes. Consequentemente, a maneira de como o
enunciado chegar a eles sofrer interferncias no reconstruir, culminando, portanto,
na praxeologia didtica do Teorema Central do Limite.
113

Nos captulos anteriores, constatamos a importncia do Teorema Central do


Limite e suas implicaes de ordem histrica e de aplicabilidade, que podem
contribuir para o processo de ensino e de aprendizagem no curso de Licenciatura
em Matemtica. Contudo, algumas limitaes verificadas nos livros-texto, no estudo
praxelgico das atividades relativas ao teorema, nos levam a ressignificar a prtica
em sala de aula, como professores e pesquisadores.
Tais limitaes, na verdade, fomentaram o nosso interesse em compreender
como as ideias e os conceitos, envolvendo o teorema e suas aplicaes, podem ser
construdos a partir de situaes-problema, que dizem respeito ao cotidiano da
prtica do ensino e da aprendizagem em Matemtica na sala de aula, no nvel de
Educao Bsica. Entretanto, inicialmente, foi preciso buscar que tipo de saberes j
estavam apropriados por eles, os licenciandos, em relao Estatstica Bsica27. E,
para realizao desse trabalho, partimos do desejo de avaliar as atividades
propostas na pesquisa descrita, buscando aprofundar o conhecimento dos alunos
sobre a importncia do teorema na aplicao de situaes-problema do cotidiano,
que muitas vezes esto evidenciadas nos meios de comunicao. Reforando a
proposta de nossa investigao, seguimos uma metodologia de ensino em que
privilegiamos a compreenso das ideias de quando e para qu a utilizao do
Teorema Central do Limite.

6.2.1 As Atividades com os Licenciandos

Para a realizao de nossa investigao, caracterizamos o nosso trabalho,


propondo um procedimento metodolgico qualitativo, reiterando a estrutura do
design didtico. Contamos, inicialmente, com apenas quatro licenciandos do Curso
de Licenciatura em Matemtica, de um Centro de Ensino da cidade de Juiz de Fora,
Minas Gerais.
Para a mobilizao das ideias e dos conceitos estatsticos, optamos pela
teoria dos campos conceituais de Vergnaud (1996, p. 155), que prima em fornecer
um quadro coerente e alguns princpios de base para o estudo do desenvolvimento

___________
27 Entendemos por Estatstica Bsica os temas que dizem respeito Estatstica Descritiva e Teoria das Probabilidades.
114

e da aprendizagem das competncias complexas, nomeadamente daquelas que


relevam das cincias e das tcnicas. uma abordagem que favorece os objetivos
da pesquisa pelo fato de que o ensino do teorema requer, principalmente, sob o
ponto de vista didtico, favorecer o processo de aprendizagem dos licenciandos.
Um outro aspecto a ser considerado por essa teoria o que diz respeito ao
quadro que nos permite compreender as filiaes e as rupturas entre
conhecimentos (VERGNAUD, 1996, p. 155). Valemo-nos do sentido proposto por
esse autor, que expressa o termo conhecimento tanto para o saber fazer quanto
para o saber expresso. Essa abordagem destaca-se pela ateno que atribui
aprendizagem dos adultos, o que particularmente nos interessa, j que os sujeitos
da pesquisa so os licenciandos.
Desse modo, quando dizemos que o objetivo de nosso estudo desenvolver,
analisar, avaliar e reconstruir, numa proposta de ensino, as principais ideias e
conceitos ligados ao Teorema Central do Limite, significa direcionar o olhar voltado
para aes dos alunos medida que eles expressam os objetos matemticos
implcitos nos conceitos estatsticos. Buscamos, portanto, a anlise e a
compreenso dos procedimentos e argumentos de que cada um se fez valer em
cada situao.
A seguir, apresentaremos a sequncia didtica que nos proporcionou a
realizao dessa fase da pesquisa.

6.2.2 A Primeira Atividade com os Licenciandos

De acordo com os princpios expostos, a elaborao das atividades permitiu


surgir as ideias e os conceitos da Estatstica Descritiva, tais como as medidas de
tendncia central e outras advindas da variabilidade de diferentes conjuntos de
dados. Isso favoreceu o surgimento de concepes espontneas dos alunos sobre o
objeto, fato que, consequentemente, nos propiciou compreenso melhor de como
ocorre aquisio e internalizao significativa no tocante s ideias e aos conceitos
estatsticos.
115

Conforme j citado anteriormente, contamos com quatro licenciandos28 como


sujeitos da pesquisa. Para conhecer a experincia que cada um tinha com a
Estatstica, foi realizada uma etapa preliminar a fim de que eles dialogassem e
manifestassem os conhecimentos relacionados anlise exploratria de dados e s
ideias acerca do teorema. Para tal, utilizamos um questionrio aberto, cujas
perguntas enfatizavam as ideias estatsticas necessrias para a estrutura ecolgica
do Teorema Central do Limite sob o ponto de vista de objeto do saber.
Para Artigue (1988), uma investigao prima por registrar as manifestaes
que revelam as aes e os possveis problemas que podem ocorrer no sistema de
ensino. Nessa perspectiva, surgem questes, tais como: de que forma os alunos de
um curso de Licenciatura em Matemtica se apropriam das ideias do conceito do
Teorema Central de Limite? Pode ser por meio de um contexto relacionado com a
prtica do professor de Matemtica em sala de aula? Quais invariantes operatrios
so construdos por eles para caracterizao do Teorema Central do Limite?
Segundo Brousseau (1996, p. 67), o que o aluno tem em sua memria
parece ser o objetivo final da atividade de ensino. Seguindo esse pressuposto,
propomo-nos a conhecer os saberes prvios que os sujeitos possuem sobre o
Teorema Central do Limite. Para isso, estabelecemos algumas perguntas cujas
respostas nos proporcionaram algumas consideraes para elaborao de outras
atividades. Vejamos como ocorreu a primeira atividade de nossa investigao, no
intuito de reconhecer os conhecimentos prvios de cada um dos licenciandos.

ATIVIDADE 129: Responda s perguntas a seguir:


OBJETIVOS: Conhecer alguns conhecimentos estatsticos que os alunos da
Licenciatura possuem.
1) O que voc entende por varivel ou variveis?
2) O que voc entende por aleatoriedade?
3) E independncia de dois ou mais eventos?
4) Para voc, a varivel aleatria tem alguma relao com funo matemtica?
5) Elabore uma definio para varivel aleatria e variveis aleatrias
independentes.
___________
28 O perodo corresponde ao 2 semestre de 2007. Devido mudana de programa, havia alunos que cursavam vrios
perodos simultaneamente, por isso no houve demanda na disciplina, j que outras disciplinas estavam em curso. Apenas
trs alunos estavam cursando regularmente a grade curricular proposta desde ingresso dos mesmos, isto , o stimo
perodo do curso de Licenciatura desse Centro de Ensino, correspondendo ao penltimo semestre do curso.
29 As respostas dessa atividade encontram-se, na ntegra, no anexo 2.
116

No sentido de preservar a identidade dos estudantes, os chamaremos pelas


letras: AO, BM, CA e FA.

1) O que voc entende por varivel ou variveis? Essa pergunta relaciona-se


diretamente com as idias algbricas que esto subjacentes ao teorema. As
respostas foram as seguintes:
AO: Aquilo que no constante, como, por exemplo, avaliar o grau de autoestima
de alunos da 5 Srie. Os resultados obtidos so as variveis.
BM: Possibilidade de que algo ocorre varie, ou seja, no ser um resultado
constante.
CA: Valores que quero obter.
FA: Varivel a incgnita, ou seja, o que eu quero achar. As variveis podem
assumir infinitos valores.

A partir dessas respostas, podemos concluir que AO tem a concepo


formada do que vem a ser varivel no contexto matemtico, mesmo no sabendo
previamente o objetivo dessa pergunta. O estudante BM tem as mesmas
concepes que AO, apesar de a resposta ser um pouco diferente. J CA deixa a
resposta um tanto vaga, no nos permitindo auferir sobre aquilo que se entende por
variveis. O estudante FA chama de varivel o mesmo que incgnita, apesar de
reconhecer como aquela que pode assumir infinitos valores.

2) O que voc entende por aleatoriedade? A proposta dessa pergunta foi a de


buscar ideias no entorno dos eventos no-tendenciosos, sendo, portanto, um item
bastante importante na anlise estatstica. As respostas foram as seguintes:
AO: Algo que no se pode prever como, por exemplo, retirar uma bola
aleatoriamente de uma urna, numeradas de um a cem.
BM: Algo que ocorra ao acaso.
AC: No ter uma ordem para escolher alguma coisa, tomar algo ao acaso.
FA: Aleatoriedade o acaso. Num evento aleatrio, no h escolha e sim a
ocorrncia o acaso.

Com exceo do estudante AO, todos associaram diretamente aleatoriedade


com o acaso. No entanto, com outras palavras, AO tambm atribuiu para o acaso.
117

Vale ainda ressaltar que AC registrou que se toma algo ao acaso, alegando que
aleatoriedade significa no ter uma ordem de escolha. Ele recorreu diretamente
ideia de ordenao, fato esse que confirmou restrio quanto sua afirmativa.

3) E independncia de dois ou mais eventos? A seguir, as respostas:


AO: Quando um evento no depende da outra para ser estudado.
BM: quando a ocorrncia do evento no depende das dos demais.
CA: quando dois ou mais eventos podem ser definidas sem levar em
considerao outro, ou melhor, podemos analis-lo sem nos preocupar com
outro.
FA: Independncia de dois eventos ocorre quando um no depende do outro para
ser analisado.

Nesse estgio, pressups-se que os estudantes j conheciam o conceito de


probabilidade e, portanto, poderiam concluir sobre o significado de eventos. Por isso,
foi conveniente apresentar uma sequncia de questionamentos que os levassem
definio do Teorema Central do Limite. Talvez, por esse motivo, todos chegaram a
uma mesma concluso.

4) Para voc, a varivel aleatria tem alguma relao com funo matemtica?
AO: Sim.
BM: Sim.
CA: No, pois a varivel aleatria poder assumir infinitos valores em um intervalo
finito, alm de no seguir uma lei (ordem).
FA: Sim, pois, assim como na funo matemtica, a varivel aleatria pode
assumir infinitos valores e est associada a outra varivel.

Os dois primeiros estudantes apenas concordaram que existe relao entre a


varivel aleatria e a funo matemtica. Os outros dois divergiram em suas
respostas. CA confirma o significado de varivel, mas confronta com a definio de
funo matemtica. J FA responde que sim, justificando sua resposta de acordo
com as ideias de funo matemtica, tendo em vista que a pergunta foi um tanto
ampla.
118

5) Em caso afirmativo ao item anterior, elabore uma definio para varivel aleatria
e variveis aleatrias independentes.
AO: Varivel aleatria aquela que os valores esto em funo da aleatoriedade,
ou seja, medida que varia a amostra, variam-se os dados correspondentes.
Variveis aleatrias independentes tm o mesmo conceito anterior, porm, de
forma independente uma da outra.
BM: Varivel aleatria Um experimento ocorre ao acaso.
Variveis aleatrias independentes Um experimento que no depende dos
demais.
CA: NO RESPONDEU.
FA: Varivel aleatria as variveis aleatrias podem assumir infinitos valores
em um intervalo.
Variveis aleatrias independentes podem assumir infinitos valores, porm
sem depender do valor da outra varivel.

O estudante CA no respondeu, sendo coerente com sua resposta anterior.


AO se depara com a ideia de que a varivel estabelece uma relao com
aleatoriedade, surgindo, assim, uma funo matemtica. BM confirma dando a
justificativa baseada no que respondeu anteriormente, e FA responde de forma
similar.
Os conceitos surgiram de forma natural, mesmo que reconheamos que as
respostas sofreram influncias do aprendizado matemtico, tendo em vista que
foram adquiridos ao longo da formao bsica de cada um dos estudantes que
participaram dessa atividade. No entanto, somente essas respostas no nos
permitiram garantir que tais conhecimentos estejam vivos no ecossistema com o
qual os alunos interagem no estudo do Teorema Central do Limite.
As atividades posteriores foram baseadas em uma situao-problema
construda a partir de uma pesquisa sobre a autoestima dos alunos em Matemtica,
da 5 Srie, ou 6 ano, do Ensino Fundamental. E, para conhecer um pouco sobre
os dados coletados, pois estes sero trabalhados para a construo do conceito do
Teorema Central do Limite, vamos esclarecer alguns itens pertinentes atividade.
119

6.2.3 Noes Preliminares para as Prximas Atividades

Para nos situarmos nas atividades propostas aos licenciandos, partimos de


uma situao-problema no contexto real com o qual a maioria dos professores se
depara, que o confronto com a autoestima dos alunos, da Educao Bsica, com a
Matemtica, porque frequentemente os pequenos se sentem incapazes de
compreender essa disciplina, seja por crena extremamente arraigada na nossa
cultura, seja por fracassos que tenham enfrentado, entre outros fatores.
Diante das respostas obtidas pelos licenciandos, nos foi possvel explorar
aspectos do desenvolvimento da literacia estatstica. Os dados da situao-problema
foram extrados de uma pesquisa de Iniciao Cientfica que envolveu mensurao
de atitude, que uma organizao duradoura de crenas e cognies em geral,
dotada de carga afetiva pr ou contra um objeto definido, que predispe a uma ao
coerente com as cognies e objetos relativos a este objeto (BUNCHAFT; CAVAS,
2002, p. 105), neste caso, a disciplina Matemtica como elemento definido. Ou seja,
convidamos os licenciandos a analisar os dados levantados nessa Iniciao
Cientfica.
Foi feita a seguinte indagao como contexto para a nossa atividade com os
licenciandos: por que a autoestima dos alunos to baixa em relao disciplina de
Matemtica? uma questo bastante discutida, mas que ainda persiste na reflexo
entre educadores matemticos. De acordo com Chacn (2003), a autoestima de
cada sujeito um dos componentes responsveis pelo desempenho no processo de
aprendizagem.
A pertinncia desse assunto para os licenciandos corroborada por Charnay
(1996, p. 37), quando afirma que a relao entre a situao-problema e os alunos
deve atender aos seguintes requisitos: uma atividade deve propor um verdadeiro
problema por resolver para o aluno, isto , deve ser compreendido por eles; deve
permitir ao aluno que utilize os conhecimentos anteriores; mas, por outro lado, deve
oferecer oportunidades de modo que o aluno v alm daquilo que j se conhece, isto
, um movimento de superao a partir do momento em que seus conhecimentos
anteriores so gradativamente transformados, surgindo novos objetos do saber; por
120

fim, o ideal que a validao no seja produzida pelo professor, mas da prpria
situao em que o protagonista o aluno e, no nosso caso, os licenciandos.
Observa-se aqui que a afirmao de Charnay anloga definio de
situao adidtica, elemento fundamental da Teoria das Situaes Didticas
(BROUSSEAU, 1979).
Isso confirma que a nossa investigao est sob o jugo da Didtica da
Matemtica, de acordo com Almouloud (2007, p. 34), uma situao didtica se
caracteriza pelo jogo de interaes do aluno com os problemas colocados pelo
professor, o que contempla as diretrizes dessa pesquisa. Assim, o desenvolvimento
das atividades propostas ser do prprio estudante em testemunhar ou vivenciar a
construo de ideias e conceitos na dinmica da teoria das situaes didticas.
Assim, estaremos efetivamente tentando reponder problemtica ecolgica
do nosso objeto existente do saber, o Teorema Central do Limite, que, luz do
questionamento ecolgico de Artaud (1998), uma forma de questionar o real: o que
existe e por que existe? nessa direo que conduzimos nossa pesquisa, dando
oportunidade para o licenciando se expressar, descentralizando do professor a fala e
o desenvolvimento de modos de pensar sobre o contedo estatstico em estudo. Por
isso, optamos por recorrer a uma diversidade de situaes dentro de um mesmo
contexto, uma vez que por meio de situaes e de problemas a resolver que um
conceito adquire sentido para o sujeito. Contudo, haver tambm interferncias
controladas, por parte dos pesquisadores, pois, como j exposto, o professor
tambm ter sua atuao como pesquisador, fundamentado nos pressupostos da
pesquisa-ao de Thiollent (1996).
De modo geral e de acordo com a Atividade 1, podemos afirmar que nenhum
deles questiona sobre o significado de varivel, especificamente, tal como foi
proposto, com exceo de AO, que apresentou alguns exemplos. Esse fato pode ser
atribudo ausncia de comunicao que, supostamente, deveria ocorrer durante as
aulas de Matemtica na formao do indivduo.
De fato, Medeiros (2005) confirma:

O recurso quase exclusivo s tcnicas algbricas, cujo objetivo em


Matemtica o de reduzir a linguagem, economiz-la, impede a construo
da generalizao e das abstraes matemticas pelo aluno. A abstrao
algo a ser atingido no ensino da Matemtica. O uso precoce e exclusivo de
tais tcnicas, porm, induz comumente o aluno ao automatismo segundo as
regras de um jogo, com a no compreenso das operaes efetuadas sobre
121

os nmeros e a no apreenso dos significados matemticos presentes que


se pretende resolver. (MEDEIROS, 2005, p. 20)

A sequncia de respostas obtidas nos proporcionou a anlise de trs


dimenses a serem consideradas: epistemolgica, cognitiva e didtica. Para Artigue
(1996), a distino das trs dimenses :

- a dimenso epistemolgica associada s caractersticas do saber em


jogo;
- a dimenso cognitiva associada s caractersticas cognitivas do pblico
ao qual se dirige o ensino;
- a dimenso didtica associada s caractersticas do funcionamento do
sistema de ensino.
[...] O ensino habitual est centrado no funcionamento do quadro algbrico.
Parece, por isso, bastante natural procur-lo, tendo em conta o objeto
preciso da investigao: estudar a viabilidade de uma abordagem
epistemologicamente mais satisfatria, que se opem extenso do ensino
a outros quadros. (ARTIGUE, 1996, p. 200)

Nessa perspectiva, podemos citar os fatores que se opem extenso da


construo do conceito do Teorema Central do Limite:
- Na esfera epistemolgica: a complexidade do teorema frente aos
obstculos que surgiram ao longo da histria da Matemtica, desde
seu nascimento e desenvolvimento at tal como efetivamente sua
ao no processo da transposio didtica nos dias de hoje;
- Na esfera cognitiva: a mobilizao entre os domnios algbrico e
geomtrico, considerando a complexidade da demonstrao algbrica.
Alm disso, o tratamento do teorema comumente feito pelo
enunciado e, em seguida, a passagem para representao grfica para
o teorema;
- Na esfera didtica: a concentrao dos esforos por parte do professor,
de orientar o aluno pelos meios que favoream aprendizagem, porm
nem sempre passveis de sucesso.

Nesse sentido, podemos afirmar, de acordo com as respostas registradas,


que as trs esferas citadas acima foram contempladas.
Historicamente, a disciplina Matemtica temida por muitos estudantes da
Educao Bsica, pois reconhecida como aquela que mais retm os alunos nas
sries em que estudam. Nessa direo e voltando ao nosso contexto da situao-
122

problema proposta, vejamos os dados relativos ao ndice de autoestima que os


alunos, da 5 Srie, ou 6 ano, tm com a Matemtica, para que os licenciandos, os
futuros professores da Educao Bsica, estejam familiarizados com crenas e
atitudes no processo de ensino e de aprendizagem, que fazem parte do cotidiano
dos professores de Matemtica. Dessa forma, podemos favorecer os licenciandos a
exercer a criatividade para elaborao de estratgias na construo das ideias e dos
conceitos estatsticos pertinentes ao teorema em estudo. E, nesse sentido, podemos
dizer que:

A estratgia um elemento essencial para o planejamento de um trabalho


quantitativo simples, tanto para a elaborao de um projeto, a definio de
hipteses e de variveis, como para a escolha dos sujeitos e para o
processo de coleta de dados. Vemos o pensamento analtico como uma
atitude estatstica, ou melhor, uma atitude crtica do estudante, no apenas
em relao s tcnicas, com ou sem informtica, mas principalmente em
relao aos resultados obtidos no contexto em que os dados se encontram
inseridos (social, comunitrio, poltico, ambiental etc.). (WODEWOTZKI;
JACOBINI, 2004, p. 234-235)

A mensurao do ndice de autoestima proposta na situao-problema foi


realizada a partir das respostas de vinte problemas bsicos de algoritmo, conforme
Anexo 3. Para estabelecer o critrio adaptado seguiu os procedimentos que Chacn
(2003, p. 214) utiliza em sua pesquisa, usando os mtodos estatsticos para
mensurao, o modelo Likert de atitudes:

A Escala de Likert composta, em sua forma final, por vinte e cinco


afirmativas favorveis e desfavorveis ao objeto atitudinal, seguidas de
alternativas, como por exemplo: concordo plenamente, concordo, no tenho
opinio, discordo, e discordo plenamente. (BUNCHAFT; CAVAS, 2002, p.
107)

Para as vinte questes adaptadas de Chacn (2003), conforme o anexo 3, as


alternativas so divididas em: estou seguro que est correto, acredito que est
correto, aposto 50% que est correto, acredito que est incorreto, e estou seguro
que est incorreto. A pontuao segue a condio de que cada alternativa ter um
peso de acordo com o ndice de intensidade de favorabilidade ou desfavorabilidade
(CHACN, 2003, p. 109). Normalmente os pesos mais altos so diretamente
proporcionais favorabilidade, conforme segue tabela 2:
123

TABELA 2 - ndice de autoestima da situao-problema proposta aos licenciandos

RESPOSTA PONTUAO
Estou seguro que est correto 4
Acredito que est correto 3
Aposto 50% que est correto 2
Acredito que est incorreto 1
Estou seguro que est incorreto 0
Fonte: Dados da pesquisa de Iniciao Cientfica realizada no CES/JF.

A semissoma das pontuaes ser a nota global do aluno (da 5 Srie, ou 6


ano). A faixa de ndice de autoestima possvel de 0 a 40 pontos, cujos dados
coletados sero apresentados, na atividade 2, aos sujeitos da pesquisa, os
licenciandos.
Ao expor as atividades a eles, um outro aspecto foi discutido e estreitamente
relacionado s crenas e mitos em torno da Matemtica. Isso diz respeito ao que
influencia diretamente a dimenso emocional de cada criana em relao a essa
disciplina.

[...] acreditamos que o estilo matemtico est relacionado com as emoes.


Hoje, h um crescimento da conscincia coletiva sobre a necessidade de
desentranhar os aspectos emocionais do conhecimento, nos quais
possivelmente h que se buscar a raiz de muitos fracassos de nossa vida
intelectual e, em particular, de nossa educao.
Se fizssemos um estudo das palavras utilizadas nas discusses dos
professores e dos pesquisadores sobre os fatores de aprendizagem,
afetividade e motivao encabeariam a lista. Esse fato deixa claro que,
no mbito do ensino, reconhece-se a grande influncia que as variveis
afetivas exercem na construo do conhecimento dos estudantes. No
entanto, na pesquisa escolar, a aprendizagem foi medida pelas conquistas
acadmicas nos aspectos cognitivos. (CHACN, 2003, p. 13)

Para a leitura e anlise dos dados, foi necessrio reconhecer que objetos
estatsticos essenciais para essa etapa a organizao de dados; o clculo da
mdia e sua interpretao; e a questo da variabilidade permeiam distintamente,
por meio de pontuaes, em cada turma de 5a Srie, ou 6 ano (instituies pblica e
particular). A partir das medidas calculadas e interpretadas, verificamos a
importncia das medidas descritivas, incidindo nas ideias do Teorema Central do
Limite, por meio de amostras.
124

Nesse sentido, a pesquisa de Mndez (1991) identifica quatro propriedades


bsicas para a compreenso do teorema:

1) A mdia da distribuio amostral igual mdia da populao e igual


mdia de uma amostra quando o tamanho da amostra tende ao infinito;
2) A varincia da distribuio amostral menor do que a varincia da
populao (N > 1);
3) A forma da distribuio amostral tende a ser aproximadamente normal
medida que se aumenta o tamanho da amostra, independentemente
forma da distribuio da populao, isto , normal ou no;
4) A forma da distribuio amostral cresce na altura e decresce na disperso
medida que o tamanho amostral cresce.

E, para finalizar, elaboramos uma parte especfica para que os licenciandos


percebam o comportamento do teorema, produzindo um enunciado particular,
construdo por cada um dos licenciandos, a partir de suas prprias concluses
vivenciadas pelas atividades propostas.

6.2.4 Anlise das Atividades 2 e 3

Para realizao das atividades 1 e 2, no foi possvel contar com um dos


participantes, CM. Foi-nos permitido analisar apenas trs tipos de respostas.
OBJETIVOS:
- Identificar e interpretar medidas de tendncia central;
- Reconhecer a variabilidade num conjunto de dados e interpret-la.

ATIVIDADE 2: Observe os dados30 referentes ao ndice de autoestima, variando de


0 a 40, em relao Matemtica, de alunos da 5 srie, ou 6 ano, do Ensino
Fundamental de escolas particular e pblica.
A partir dos dados, que esto variando de 0 a 40, em que 40 corresponde ao
maior ndice, e zero, ao mais baixo, de alunos da 5 Srie, ou 6 ano, do Ensino

___________
30 Anexo 4.
125

Fundamental, de Instituies Pblica e Privada, escolha uma turma de cada tipo de


instituio e responda s questes abaixo:

1) Determine a mdia dos valores observados em cada uma das turmas


escolhidas. O valor encontrado um bom representante do conjunto de dados?
Justifique.
2) Determine o intervalo limitado por [ x s; x + s]. Qual a proporo de elementos
observados nesse intervalo, em cada um dos casos?
Vejamos como cada licenciando respondeu a esses itens, considerando x , as
mdias e ~x , a mediana.

RESPOSTA DE AO PARA ATIVIDADE 2:31


1) Turma escolhida: 5B Rede particular: x = 30,68 e ~x = 32,75
5B Rede pblica x = 22,35 e ~x = 22,25
A mdia encontrada na 5B (particular) no bem representativa; j que, no
total de 31 alunos, 20 alunos esto acima da mdia, por isto, h uma discrepncia
de dados visto que a menor nota da turma 15,5.
Na rede pblica, a mdia representativa na pesquisa visto que a medida de
tendncia central aproxima do valor central do rol.
2)
Particular:
17
5A [28,01965; 39,76295] Proporo: = 73,92404%
23
21
5B [24,69193; 36,66287] Proporo: = 67,74193%
31
16
5C [27,51467; 34,77113] Proporo: = 57,14285%
28
17
5D [20,40617; 37,17083] Proporo: = 65,38461%
26
11
5E [18,34834; 40,29446] Proporo: = 78,57142%
14
Pblica:
16
5A [9,35293; 26,01067] Proporo: = 72,72727%
22
18
5B [13,16677; 31,54283] Proporo: = 58,06451%
31

___________
31 Anexo 5, resposta, na ntegra, de AO para atividade 2.
126

20
5C [14,99624; 29,94116] Proporo: = 62,5%
32
13
5D [9,80303; 23,95897] Proporo: = 61,90476%
21
22
5E [10,24619; 26,18721] Proporo: = 73,33333%
30

RESPOSTA DE BM PARA ATIVIDADE 232:

1) Turma escolhida: 5D (particular): x 28,79


5D (pblica): x 16,88
Analisando os dados, vemos uma amplitude grande (na escola particular o
maior valor 40 e o menor, 9; na pblica, a maior 30,5 e a menor 5).
Isto pode deslocar a mdia e fazer com que ela no seja representativa.
preciso analisar juntamente com outras medidas de tendncia central, como por
exemplo a mediana.
Na escola particular, a turma tem x 28,79 e ~x 30,5 . Na escola pblica:
x 16,88 e ~x 17,0 .
Notamos que os valores esto prximos, logo podemos considerar que a
mdia representativa nos dois casos.
17
2) 5D: particular: [20,40617; 37,17083] Proporo: = 65,3846%
26
13
5D: pblica: : [9,80303; 23,95897] Proporo: = 61,90476%
21

RESPOSTA DE FA PARA ATIVIDADE 233:

1) As turmas escolhidas foram 5C particular e 5C pblica. A turma 5C particular


apresentou x de 31,14, enquanto a 5C da pblica apresentou x de 22,97. As
mdias encontradas esto representando bem o conjunto de dados, uma vez que
no fugiu muito do valor da mediana de cada turma, que foi no 5C, particular, 31 e
na pblica, 23.
16
2) Particular: 5C [27,51467; 34,77113] Proporo: = 57,14285%
28
___________
32 Anexo 6, resposta, na ntegra, de BM para atividade 2.
33 Anexo 7, resposta, na ntegra, de FA para atividade 2.
127

20
Pblica: 5C [14,99624; 29,94116] Proporo: = 62,5%
32

Analisando as respostas de AO, BM e FA, nos foi possvel constatar que AO


no distinguiu a mdia da mediana verbalmente, indicando, apenas, simbolicamente,
o que no nos permitiu identificar se realmente conhece e distingue efetivamente as
medidas centrais. Mas esse aluno pautou sua resposta pelo grau de aproximao
entre mdia e mediana. Ele usou essa proximidade como critrio de deciso pela
representatividade, juntamente com uma medida de variao, que foi amplitude. Por
outro lado, aps a escolha das turmas, pblica e privada, na questo 2, apresentou
os intervalos da diferena e soma entre a mdia e desvio padro de cada turma,
pela apresentao da proporo existente em cada um deles, isto , no selecionou
apenas uma turma para cada instituio, mas fez para todos. Sua concluso foi a de
que a mdia do ndice de autoestima dos alunos da escola particular, para a turma
escolhida, no foi representativa, a partir da leitura sobre a amplitude total, isto ,
reconhecida como discrepncia entre as medidas; j a mdia da escola pblica foi
representativa. Essa anlise feita por AO parece ter sido influenciada pela
variabilidade que ocorre na distribuio de dados.
No caso da atividade de BM, observamos que utilizou o discurso tcnico-
tecnolgico para encontrar os valores de medida central, como a mdia e a mediana,
por meio da justificativa de que existem outras medidas de tendncia central,
chamando ateno para leitura conjunta entre a mdia e a mediana. O item 2 da
atividade 2 foi resolvido apenas para as turmas que BM escolheu. No incorreu
numa anlise mais aprofundada da questo.
O estudante FA respondeu similarmente BM no tocante primeira questo.
Aplicou as tcnicas () necessrias para o clculo da mdia e mediana e, alm
disso, explicou e justificou que as medidas esto bem prximas nos dois casos. Na
segunda questo, fez tambm apenas para o intervalo das turmas escolhidas.
Diante desses resultados, percebemos como o enunciado interfere na
realizao da tarefa. No item dois da Atividade 2, foram solicitados apenas o
intervalo e a proporo dos ndices de autoestima existente neles, entre a diferena
e soma da mdia e do desvio padro. Nenhum dos trs manifestou interesse em
justificar os intervalos, at mesmo porque no estava explcito. Portanto, essa
anlise no apenas nos propiciou uma reflexo sobre a importncia de elaborarmos
128

uma atividade com mais clareza, sem criar expectativas do que os alunos poderiam
ter respondido, mas tambm nos indicou uma limitao para a nossa investigao.
Para a construo da tcnica, na atividade 2, foram necessrios mobilizar
alguns conceitos matemticos e estatsticos. E, nessa direo, nos permitiu construir
o ecossistema conforme o esquema 12.

Esquema 12 Ecossistema para atividade 2.


Fonte: Dados da pesquisa.

O ecossistema, esquema 12, no apresenta explicitamente o Teorema


Central do Limite, contudo, trabalha com objetos matemticos e estatsticos
preliminares para a construo das ideias que permitiro seu enunciado.

ATIVIDADE 3:
OBJETIVOS:
- Construir o significado de aleatoriedade e amostragem;
- Conhecer o mtodo estocstico para construir uma distribuio de
amostras aleatrias;
- Desenvolver habilidades para interpretao de grficos estatsticos;
129

- Analisar os resultados obtidos de mdia e desvio padro;


- Obter os valores de mdia e desvio padro para um conjunto de dados
e comparar esses resultados com os obtidos anteriormente;

Siga as instrues e responda ao que se pede:


1) Determine a mdia, x , e o desvio padro, s, para os dados da Instituio
Pblica e Instituio Particular.
2) Sorteie 20 elementos aleatrios de cada instituio e calcule a mdia, x , e o
desvio padro, s. Repita o processo 30 vezes.
3) Construa um banco de dados com todos os resultados obtidos.
4) Construa um grfico que represente as mdias observadas. Faa o mesmo para
os valores de s, desvio padro. O que voc observa?
5) Determine a mdia dos valores obtidos em cada item (coluna) do banco de
dados do item anterior, (4). O que voc observa? Compare com o obtido no item
1.
6) Considere um novo banco de dados construdo com os resultados dos demais
colegas. O que voc observa a partir dos resultados obtidos para mdia e
desvio padro?
7) Construa o grfico que represente a distribuio nesse novo banco de dados,
isto , do item 6, e determine a mdia e o desvio padro.
8) Compare com o obtido no item 4. O que voc observa?

A realizao dessa atividade contou com uso de Microsoft EXCEL e do


software SPSS para anlise estatstica.

RESPOSTAS DE AO PARA ATIVIDADE 334:


(continua)
1) Determine a mdia, x , e o desvio padro, s, para os dados da Instituio Pblica
e Instituio Particular.
Resposta: Para o nmero total de 136 alunos da instituio pblica, a mdia do nvel
de autoestima 19,8676 e desvio padro, 8,32. E, para 122 alunos da instituio
particular, tem-se que a mdia do nvel de autoestima 30,832 e o desvio padro,
6,96.

___________
34 A atividade 3 do licenciando AO se encontra em sua ntegra no anexo 8.
130

2) Sorteie 20 elementos aleatrios de cada instituio e calcular a mdia, x , e o


desvio padro, s. Repita o processo 30 vezes.
Resposta: Pelos dados aleatrios extrados do EXCEL, a partir da amplitude total de
cada uma das instituies, nos foi possvel anotar as seguintes mdias e seus
respectivos desvios padro, conforme anexo.

3) Construa um banco de dados com todos os resultados obtidos, isto , rena todos
os dados do grupo.
Resposta: Construdo no EXCEL.

4) Construa um grfico que represente as mdias observadas. Faa o mesmo para


os valores de s, desvio padro. O que voc observa?
Resposta: Analisando as mdias das 30 amostras aleatrias entre as escolas
pblica e particular, foi possvel observar que h maior variao nas mdias da
escola pblica, enquanto na escola particular os valores esto mais prximos.
Quanto aos grficos dos desvios-padro entre as escolas pblica e particular, so
bem similares.

5) Determine a mdia dos valores obtidos em cada item (coluna) do banco de dados
do item anterior, (4). O que voc observa? Compare com o obtido no item 1.
Resposta: A mdia das mdias da escola pblica foi de 20,24, enquanto a da escola
particular foi de 22,09. J o desvio padro das mdias da escola pblica foi 2,74 e
da escola particular, 2,35. Neste sentido, podemos concluir descritivamente que a
mdia das mdias da escola particular mais representativa, j que o coeficiente de
variao de 0,1064 e o da escola particular, 0,1354, apesar de que a mdia em
ambos casos seja significativas.

6) Considere um novo banco de dados construdo com os resultados dos demais


colegas. O que voc observa a partir dos resultados obtidos para mdia e desvio
padro?
Resposta: Foi possvel observar que os valores foram bem prximos daqueles
encontrados anteriormente.

7) Construa o grfico desse novo banco de dados, isto , do item 6, e determine a


mdia e o desvio padro.
131

(concluso)
Resposta: Os grficos construdos para este item foram realizados no programa
SPSS, cujas mdias e desvios padro das escolas pblica e particular esto no
anexo. Foi possvel observar a mdia das mdias e o desvio padro das amostras,
realizada no Excel: Escola Pblica: Mdia das mdias 19,8565 e desvio padro das
amostras: 2,257985; Escola Particular: mdia das mdias: 22,47733 e desvio
padro, 2,061976

8) Compare com o obtido no item 4. O que voc observa?

Resposta: Comparando as mdias das escolas pblica e particular, neste caso com
os dados aleatrios, 600 variveis, das 30 amostras, para escola pblica, cuja mdia
foi 19,59 e o desvio padro, 10,41, e o mesmo nmero de variveis para escola
particular, cuja mdia foi 22,09 e o desvio padro, 10,16, foi possvel constatar que
as mdias tm seus valores bem prximos enquanto os desvios padres diferem-se
entre si, sendo que os das amostras so bem menores que os da populao.

Analisando as respostas de AO, percebemos que o estudante executou a


tarefa (T) conforme uma sequncia didtica, usando os softwares, como os
programas EXCEL e SPSS, para facilitar os clculos e gerar os grficos. A
organizao de como AO executou a tarefa (T) tambm nos chamou ateno, pois
foi construindo, passo a passo, as tarefas de modo que suas concluses foram
plausveis de entendimento. Quanto tecnologia (), podemos dizer que AO
explicou e justificou no item (8), quando concluiu que os valores das mdias das
amostras bem prxima da populao aleatria construda no item (2) para os dois
tipos, pblico e particular. Um fato extraordinrio nos chamou ateno: a
constatao, de AO, de que o desvio padro das mdias das amostras bem menor
que a mdia da populao. Tal constatao resultou na justificativa da justificativa,
isto , culminou na teoria (), mesmo no registrando como o Teorema Central do
Limite, o que deixou para uma outra etapa da investigao em que ocorreu uma
discusso acerca das atividades realizadas.

Vejamos como BM executou a atividade 3:


132

RESPOSTAS DE BM PARA ATIVIDADE 335:


(continua)
1) Determine a mdia, x , e o desvio padro, s, para os dados da Instituio Pblica
e Instituio Particular.
Resposta: Pblica: x = 19,8676 e = 8,3209.

2) Sorteie 20 elementos aleatrios de cada instituio e calcular a mdia, x , e o


desvio padro, s. Repita o processo 30 vezes.
Resposta: Anexo, resolvido no programa SPSS.

3) Construa um banco de dados com todos os resultados obtidos, isto , rena todos
os dados do grupo.
Resposta: No relatrio do SPSS.

4) Construa um grfico que represente as mdias observadas. Faa o mesmo para


os valores de s, desvio padro. O que voc observa?
Resposta: As amostras foram de tamanhos 5, 10, 20, 25 e 30. medida que o
tamanho da amostra aumenta, o grfico vai aproximando da curva normal.

5) Determine a mdia dos valores obtidos em cada item (coluna) do banco de dados
do item anterior, (4). O que voc observa? Compare com o obtido no item 1.
Resposta: medida que aumentamos o tamanho da amostra, a mdia vai se
aproximando da mdia da populao e o desvio padro vai diminuindo.

6) Considere um novo banco de dados construdo com os resultados dos demais


colegas. O que voc observa a partir dos resultados obtidos para mdia e desvio
padro?
Resposta: Os outros chegaram mesma concluso.

7) Construa o grfico desse novo banco de dados, isto , do item 6, e determine a


mdia e o desvio padro.
Resposta: deixou em branco.

___________
35 A atividade 3 foi realizado no programa SPSS, cujo relatrio se encontra no anexo 9.
133

(concluso)
8) Compare com o obtido no item 4. O que voc observa?
Resposta: O teorema central do limite.

BM realizou a atividade por meio do software SPSS. Os relatrios gerados


pelo programa foram devidamente escaneados e anexados neste trabalho (anexo
10). Quanto s respostas de BM, no item 1, ele descreveu apenas os resultados da
mdia e desvio padro para escola pblica. Para escola particular, o relatrio
tambm foi realizado, mas no indicado, porm foi apresentada tambm a
representao das duas distribuies, da escola pblica e da escola particular,
ordenada em ramo e folha e em Box-Plot. O que no foi descrito na atividade foram
os dados da escola particular. Ento, dos 122 alunos que passaram pelo teste, o
valor da mdia do ndice de autoestima foi de 30,8320 e o desvio padro, 6,96. No
item 2, BM deixa indicado um relatrio extrado do SPSS, sem indicar os nmeros
aleatrios e nem explicitar como encontrou esses dados. Para o item 3, no indicou
como reuniu todos os dados aleatrios, mas faz relao com o item 4, j que a
opo de BM foi a de selecionar diferentes nmeros das amostras para as mdias.
Isto , ele optou por escolher tamanhos de amostras diferentes e observar o
comportamento dos respectivos grficos para os tamanhos de 5, 10, 20, 25 e 30.
Nesse caso, concordamos com Chevallard, Bosh e Gascn (2001), quando afirmam:

O momento do primeiro encontro faz referncia aos objetos matemticos


que constituem um tipo de problema; o momento exploratrio, relaciona um
determinado tipo de problema com a construo de uma tcnica adequada
para abord-los; o momento do trabalho da tcnica se refere ao domnio,
preciso e nova criao de tcnicas matemticas; o momento tecnolgico-
terico faz referncia, como seu nome indica, aos dois nveis de justificativa
da prtica matemtica; e os momentos institucionalizao e avaliao se
referem, finalmente, obra matemtica em seu conjunto. (CHEVALLARD;
BOSCH; GASCN, 2001, p. 276)

Assim, podemos dizer que, quanto ao trabalho da tcnica (), BM pareceu


usar apenas a tcnica pela tcnica por no ter atrelado o discurso terico-
tecnolgico. BM conhecia alguns procedimentos sobre Inferncia Estatstica. Alm
disso, os mesmos autores reiteram que essa descrio subjaz um princpio
democratizador (CHEVALLARD; BOSCH; GASCN, 2001, p. 276). Outro fato que
nos chamou ateno nas atividades realizadas por BM foi, talvez, um no se
134

importar muito com as justificativas. H nfase apenas sob o aspecto


procedimental, mas a tecnologia, de certa forma, ficou comprometida. Por isso, ser
relatado posteriormente como ocorreu o dilogo no final de todas as atividades entre
todos os sujeitos envolvidos na investigao: os pesquisadores, particularmente o
professor-pesquisador, e os licenciandos.

Para o item 5, BM responde, antecipadamente, o mesmo que esperava para o


item 8. J no item 8, d indcios de j ter alguma ideia acerca do teorema. No item 6,
comenta que sua resposta igual dos outros. Contudo, no item 7, a tarefa foi
realizada no SPSS, somente para os dados da escola pblica, cujos relatrios se
encontram nos anexos. Porm, vejamos agora as mdias e os desvios padres
encontrados para os diferentes tamanhos de amostras, conforme a tabela 3.

TABELA 3 - Atividade realizada por BM para o item 7.


Tamanho das amostras
Mdia Desvio Padro
das mdias
n=5 18,70 1,58
n = 10 19,9 1,28
n = 20 19,71 1,28
n = 25 19,80 1,60
n = 30 19,73 1,53
Fonte: Dados da pesquisa.

Para BM ter concludo que a mdia das amostras igual ao da populao


inicial e o desvio padro menor, medida que aumenta o tamanho da amostra,
vale retomar o valor numrico da mdia de ndice de autoestima de todos os 136
alunos da escola pblica, que foi 19,8676 e o desvio padro, 8,32. Esses resultados
proporcionaram a BM associar que se tratava de algum modelo matemtico,
chegando a mencionar algumas ideias do Teorema Central do Limite.

Por fim, a resposta de FA:

RESPOSTAS DE FA PARA ATIVIDADE 336:


1) Determine a mdia, x , e o desvio padro, s, para os dados da Instituio Pblica
e Instituio Particular.
Resposta: Particular: x = 30,36 e = 6,06497.

___________
36 As respostas, na ntegra, encontram-se no anexo 10.
135

2) Sorteie 20 elementos aleatrios de cada instituio e calcular a mdia, x , e o


desvio padro, s. Repita o processo 30 vezes.
Resposta: Em branco.

3) Construa um banco de dados com todos os resultados obtidos, isto , rena todos
os dados do grupo.
Resposta: Em branco.

4) Construa um grfico que represente as mdias observadas. Faa o mesmo para


os valores de s, desvio padro. O que voc observa?
Resposta: Construmos um grfico para um tamanho de amostra de 5, 10, 20, 25 e
30 e, da, observamos que, quanto maior o tamanho da amostra, mais a curva se
aproxima da normal.

5) Determine a mdia dos valores obtidos em cada item (coluna) do banco de dados
do item anterior, (4). O que voc observa? Compare com o obtido no item 1.
Resposta: Quando vamos aumentando o tamanho da amostra, mais a mdia se
aproxima da mdia da populao e, ao contrrio, o desvio padro vai diminuindo.

6) Considere um novo banco de dados construdo com os resultados dos demais


colegas. O que voc observa a partir dos resultados obtidos para mdia e desvio
padro?
Resposta: Em branco

7) Construa o grfico desse novo banco de dados, isto , do item 6, e determine a


mdia e o desvio padro.
Resposta: Em branco.

8) Compare com o obtido no item 4. O que voc observa?


Resposta: Em branco.

Analisando a resposta de FA, ela realizou concomitantemente com BM, j que


os itens 2, 3, 6, 7 e 8 foram deixados em branco. E, alm disso, FA registrou no item
1 o que BM no tinha feito, que o registro da mdia dos dados iniciais na Atividade
136

3, para a escola particular com relao mdia do ndice de autoestima dos 122
alunos, conforme o material coletado37 de BM. Outro fato que reitera essa afirmativa
foi a tcnica utilizada para o item 4, pois FA seguiu da mesma forma, diferindo de
AO, ou seja, ele atribuiu tamanhos de amostras diferentes para as mdias dos
nmeros aleatrios no que concerne aos ndices de autoestima.
Contudo, percebemos algumas diferenas quanto s justificativas, pois a
resposta do item 5 foi bem similar, apresentando caractersticas de como as tcnicas
() utilizadas foram gradativamente levando concluso final, expressa somente
oralmente para o item 8, pois FA deixa em branco, mas fala sobre sua concluso, na
prxima etapa de nossa investigao.
A partir dos dados registrados dos trs licenciandos AO, BM e FA, podemos
dizer que, de certa forma, essa anlise atendeu a nossa hiptese de conhecer como
os licenciandos constrem as ideias e noes acerca do teorema, ao menos em
parte, j que essa investigao no foi de cunho quantitativo, e, sim, qualitativo.
Dessa maneira, poderamos chegar reconstruo do que vem a ser o conceito do
Teorema Central do Limite.
A partir das respostas apresentadas pelo licenciandos, podemos apontar
alguns conceitos que efetivamente foram mobilizados por cada um, por meio do
ecossistema do esquema 13.

Esquema 13: Ecossistema para o Teorema Central do Limite na atividade 3.


Fonte: Dados da pesquisa.

___________
37 Anexo 9.
137

Diante dos resultados obtidos nas atividades realizadas, dizemos que a


estrutura ecolgica do saber e do didtico foi contemplada, no sentido de que
delimitamos os saberes indispensveis para se chegar definio do teorema. Outro
item a ser destacado se refere aos saberes que efetivamente esto subjacentes aos
objetos matemticos e estatsticos, que nem sempre so explicitados, conhecidos
tambm como os conceitos ou procedimentos estveis. Por exemplo, os conceitos
de proporo, de operaes numricas, de mdia aritmtica, mediana entre outros,
nos permitiram identific-los no ecossistema proposto no quadro terico da
pesquisa. Alm disso significa que so elementos que permitem a sobrevivncia do
teorema em si, enquanto objeto do saber. Como exemplos, temos a leitura grfica, a
construo das ideias em relao variabilidade de uma distribuio de dados, a
teoria da Amostragem, o tamanho das amostras etc.
Em contrapartida, os saberes dispensveis pertinentes ao teorema, nos dias
atuais, tambm foram constatados, porque no comprometeram a compreenso do
mesmo. E um dos elementos do saber precisamente a demonstrao matemtica
do teorema durante o desenvolvimento dos saberes que esto no entorno dele. Isso
no significa que podemos desvincular sua importncia, principalmente sua
abordagem histrica, j que devemos justificar por meio de argumentos plausveis a
necessidade de seu surgimento e do porqu de sua importncia fundamental na
Inferncia Estatstica. Para compreendermos a aplicabilidade do teorema nesse
ramo da Estatstica, precisamos nos recorrer a interferncias, controladas ou no, no
sentido de perceber a literacia estatstica, por parte dos licenciandos.

6.3 O Dilogo: Intervenes Controladas

Os mesmos procedimentos de anlise nos permitiram conduzir uma


sequncia de dilogos para perceber o reconhecer, analisar, orientar e reconstruir,
conforme o esquema construdo a partir dos fundamentos da pesquisa-ao de
Thiollent (1986). Esclarecemos que os dilogos foram divididos em duas etapas. A
primeira diz respeito atividade um. Posteriormente, ocorreram intervenes para as
atividades 2 e 3. Para a realizao do dilogo, podemos caracterizar a primeira
etapa como o do reconhecer os objetos matemticos e estatsticos que estariam
138

envolvidos. A segunda, a prtica propriamente dita. Exporemos alguns dilogos que


ocorreram no segundo momento de nossa investigao, aps as atividades
realizadas. Chamaremos o professor-pesquisador de PE, e os licenciandos mantm
as mesmas nomeaes anteriormente mencionadas. Os registros abaixo
correspondem transcrio da gravao ocorrida durante a discusso.

PE: O que vocs acharam das atividades?


AO: Achei interessante, mas bastante cansativo quando tive que achar os nmeros
aleatrios.
BM: Eu, particularmente, segui o programa de SPSS e o prprio programa gerou os
resultados.
FA: Eu aproveitei os dados de BM e realizei as minhas tarefas.
AO: Tive mais trabalho, porque optei por usar EXCEL e SPSS, simultaneamente.

Esse primeiro dilogo diz respeito atividade como um todo. Vejamos como
seguimos:

PE: Independentemente de ser trabalhoso ou no, o que vocs perceberam que


sempre aparece para ser calculado?
AO: A mdia e o desvio padro.
BM: mesmo...
FA: Tambm observei isso!

interessante notar que os licenciandos observaram as presenas da mdia


e do desvio padro, o que no significa que tenham percebido as suas devidas
importncias para o teorema. Por conseguinte, entendemos o quanto importante a
Inferncia Estatstica, mas, no nosso caso, o Teorema Central do Limite serve como
base para inmeros trabalhos que envolvem distribuio de probabilidades e curva
Normal. E uma das grandes vantagens de se trabalhar com o teorema que uma
[...] distribuio pode ser aproximada normal de probabilidade sem importar a
origem dos dados iniciais. A distribuio normal de probabilidade equivale funo
erro de Laplace. (SALSBURG, 2009, p. 80-81).
139

Essa vantagem ainda corroborada pelo nmero de parmetros a ser


considerado, isto , precisa-se conhecer apenas a mdia, no necessariamente a da
populao, mas ao menos de um nmero significativo de amostras, e do desvio
padro, que tambm pode ser desconhecido, a partir do momento em que so
consideradas as propores. Ou seja, basta trabalhar com dois parmetros da
Estatstica: a mdia e o desvio padro das amostras, conquanto o nmero de
amostras seja significativo. Em geral, isso simplifica o trabalho dos estatsticos, e,
alm disso, suas implicaes estendem para importantes testes que sustentam as
pesquisas quantitativas em diversas reas do conhecimento.
Para que os licenciandos compreendessem, efetivamente, as vantagens de
se trabalhar com poucos parmetros, foi preciso a interveno do professor-
pesquisador:

PE: A grande vantagem de trabalhar com esses dois parmetros, a mdia e o desvio
padro, que podemos tirar algumas concluses, sem estender para outros tipos de
parmetros, tais como os quartis, outras medidas de disperso, assimetria ou o grau
de curtose. Assim, estaremos simplificando o modo de como podemos tirar algumas
concluses. Ento, o que vocs podem concluir a partir das mdias e dos desvios
padres dos dados apresentados, isto , dos 132 alunos da escola pblica e dos
122 alunos da particular?

Aps essa interveno, BM foi o primeiro a desejar manifestar sua opinio:

BM: A mdia dos alunos da escola pblica bem menor que o da escola particular.
Parece que a autoestima dos alunos em relao Matemtica mais baixa quanto
menor o nvel econmico, isso?
AO: Pode ser, mas acho que temos que observar alguns dados individuais, j que a
mdia leva em conta todos os valores, inclusive os extremos.
FA: Mesmo levando em conta todos os valores, no podemos desprezar esse
parmetro, pois nas atividades seguintes, com os nmeros aleatrios, observamos
que acontece a mesma coisa.
140

Nessa etapa do dilogo, podemos perceber que os licenciandos


ultrapassam os conhecimentos especficos do teorema e estendem para uma
leitura mais crtica dos dados. Inclusive AO alerta para o fato de que nem sempre a
mdia a melhor medida central a ser considerada, chamando ateno para os
valores extremos.
Vejamos como eles continuam essa discusso:
AO: Outro dado que observei foi de que a maior mdia das turmas da escola pblica
consegue ser menor que a menor mdia da escola particular, vocs observaram
isso?
BM: Eu no tinha observado isso!
PE: Ento, parece que isso faz sentido do porqu dessa atividade para vocs, afinal,
vocs estaro atuando tanto na escola pblica como na escola particular. Essa baixa
autoestima dos alunos da escola pblica com relao disciplina Matemtica poder
ser revertida se vocs atuarem de forma que rompa com os mitos e as crenas
existentes em torno da Matemtica, no ? Mas agora vamos voltar para o nosso
foco. O que vocs observaram quando verificaram que o desvio padro das
amostras menor que o desvio padro da populao, ao menos AO, fez amostras
aleatrias para 600 alunos da escola pblica e 600 para alunos da particular, no
foi?

Apesar da importncia sobre a leitura dos dados, nesse instante, o objetivo


estava centrado no nmero de vezes em que as amostras aleatrias foram geradas.
Ulteriormente, no seu devido tempo, essa questo ser retomada.

FA: Todos que foram construdos a partir de amostras foram menores at que os
dados originais. Mesmo fazendo com tamanho de amostras diferentes.
BM: Isso realmente aconteceu.
AO: Ento eu perdi tempo construindo todas as 30 amostras de 20 elementos
aleatrios?
PE: Claro que no! Foi, inclusive muito interessante, j que voc optou por extrair
todos do EXCEL. Assim, nos foi possvel inclusive discutir sobre isso! Mas o que
ser que est por trs disso? Isto , de quais objetos matemticos e estatsticos
vocs precisam para que isso ocorra?
141

A construo de dados aleatrios foi bastante providencial, porque permitiu


que os alunos percebessem como o teorema faz sentido na medida em que se
aumenta o nmero de amostras. Em seguida, o pesquisador-professor indagou
sobre que tipos de saberes esto implcitos nas atividades propostas. Vejamos o que
eles falaram:

BM: A partir dos dados coletados, extramos a mdia e o desvio padro de cada
instituio. Depois atribumos o tamanho das amostras extradas aleatoriamente a
partir das 30 amostras de 20 elementos cada. Os objetos matemticos eu no sei,
mas os estatsticos tem a ver com a mdia, o desvio padro e o tamanho da
amostra.
FA: No seria o objeto matemtico a diviso que faramos quando desejamos
encontrar o desvio padro da amostra? Por que precisvamos exatamente dos trs
dados que BM falou?
AO: A manipulao no EXCEL e no SPSS tambm podem ser considerados objetos
matemticos e estatsticos?
PE: FA e BM, vocs podem responder para AO sua pergunta?
BM: Acho que sim, neste caso vejo apenas objetos estatsticos, tais como mdia e o
desvio padro. Ainda bem que FA falou da idia do quociente como objeto
matemtico. Interessante como tudo tem matemtica.

Durante essa discusso, podemos auferir que os conhecimentos prvios


emergem a partir da prpria experincia em saber-fazer de cada um. A indagao,
por parte do professor-pesquisador, de quais objetos matemticos e/ou estatsticos
podem ser apontados a partir das atividades realizadas representa uma interveno
controlada, isto , uma orientao dentro de um contexto pelo qual o pesquisador
deseja fazer com que os alunos reconstruam seus prprios conhecimentos.
Nessa abordagem, os licenciandos ainda no tinham esgotado todos os
objetos matemticos observados, j que ficaram um pouco inseguros quanto aos
elementos que poderiam ser apontados.
142

FA: Mas quando escolhemos um determinado item a ser resolvido no software, no


estamos escolhendo, de certo modo, uma funo matemtica?
PE: Isso mesmo! Os objetos matemticos, principalmente, nem sempre esto
explcitos. Muitas vezes aparecem, mas no no primeiro nvel, eles so subjacentes
ao que desejam encontrar. Agora, qual foi a concluso unnime entre vocs, sobre a
atividade 3?
AO: Eu entendi que mesmo no sendo simtrico, se aumentarmos o tamanho da
amostra, a mdia vai ser cada vez mais prxima da mdia da populao e o desvio
padro sempre menor que o da populao. Mas sempre cai numa curva normal?
FA: Tudo indica que sim!

Nesse ponto podemos dizer que chegamos ao enunciado do Teorema Central


do Limite, construdo a partir de uma situao-problema, inicialmente apresentada
com um nmero limitado de observaes. O pensamento e o raciocnio estatstico
esto presentes na leitura j que eles chegam a concluses acerca do
comportamento dos nmeros calculados, para a mdia e para o desvio padro.
No entanto, a representao grfica tambm foi uma forte aliada para a
compreenso do teorema.

BM: Pelo experimento de AO, parece que sim. Cada vez que aumentamos o
tamanho da amostra, os histogramas que construmos no SPSS indicou que seria
normal.
PE: Vamos dizer que aproximadamente normal, tudo bem? Mas ser que existe um
modelo matemtico que descreva esse comportamento?
BM: o teorema central do limite! Eu j tinha estudado isso antes.
AO: Eu no sabia que era um teorema.
FA: E eu no sabia que tinha um modelo que fizesse que tal coisa acontecesse!

A partir dos histogramas gerados pelos dados das amostras, eles chegaram
ao enunciado do teorema, cada um a seu modo, mostrando-nos o quanto so
diferentes as percepes que cada um tem sobre as ideias e os conceitos no
entorno de um teorema. A concluso de que um teorema gera um comportamento
padro, causa, muitas vezes, surpresa aos alunos. Contudo, nos atentamos para o
143

contexto em si, de uma situao que ocorre no dia a dia dos professores de
Matemtica. A autoestima dos alunos acaba por interferir na aprendizagem nessa
disciplina. So reflexes pertinentes para licenciandos em Matemtica, pois faro
parte de sua realidade quando estiverem em exerccio do magistrio.
A interao entre um tema fundamental para a Inferncia Estatstica e a
prtica de sala de aula causa tambm motivao para todos os sujeitos envolvidos.
Assim, para encerrar o dilogo, o desfecho foi sintetizar os objetos matemticos e
estatsticos que estiveram presentes no estudo do Teorema Central do Limite.

PE: Ento, tudo que realizamos foi para chegar a essa concluso: existe um modelo
matemtico chamado o Teorema Central do Limite, pois, a partir desse teorema,
podemos dizer que, mesmo que uma curva seja assimtrica, se aumentarmos o
tamanho das amostras, a curva tender cada vez mais aproximar-se da curva
Normal. E, segundo os autores de livros-texto, trabalhar com curva Normal tem suas
vantagens, principalmente porque precisamos usar apenas dois parmetros: a mdia
e o desvio padro. Infelizmente, a demonstrao desse teorema demandar muito
tempo e, alm disso, bastante complexo, no desmerecendo habilidade de vocs
com os objetos matemticos, mas, por enquanto, no o nosso foco de estudo, e
sim, as implicaes que esse teorema tem no dia a dia. Vocs poderiam citar outros
exemplos?
AO: Deve ter bastante exemplos. Mas agora nada me vem em mente.
FA: Todas as distribuies que podem ser reduzidas a uma curva normal, acho que
aplicamos o teorema, no ?
BM: Deve ter um monte de exemplos, mas podemos ficar por aqui, no?
PE: Tudo bem. Mas deixo como lio de casa uma reflexo sobre aplicao do
teorema, tudo bem?

Para o encerramento da discusso, foi preciso um elo para que os


licenciandos pudessem pensar sobre que tipos de situaes-exemplo poderiam estar
associados ao teorema. A partir da anlise dessa discusso, parece que o nosso
propsito foi atingido, mesmo considerando to poucas observaes. Porm, a ideia
central era que eles percebessem o quanto era necessria a existncia do teorema,
principalmente na Inferncia Estatstica.
144

Outro aspecto relevante foi a abordagem ecolgica subjacente nos dilogos,


pois, de posse do fazer-produzir, eles se apropriaram do saber por diferentes
tcnicas (), contemplando as justificativas e explicaes acerca do que entenderam,
tendo em vista que, durante as atividades, nem sempre foi possvel detectar nos
registros escritos. Isso porque, nas discusses, os insights38 ocorreram mais
naturalmente, aps as atividades realizadas.
Outro fator que podemos destacar o que diz respeito literacia estatstica,
reiterando Scheaffer, Watkins e Landwehr (1998), que apontam os elementos que
devem ser explorados no ensino de Estatstica: senso numrico; compreenso de
variveis; interpretao de tabelas e grficos; aspectos de planejamento de pesquisa
ou experimento; processos de anlise de dados; relao entre probabilidade e
estatstica; raciocnio inferencial. E, dentro dessa abordagem, chamamos ateno
para literacia estatstica, que se fez presente durante todos os argumentos utilizados
pelos licenciandos durante as atividades. Segundo Walmann (1993), a literacia
estatstica uma:

[...] habilidade para compreender e avaliar criticamente os resultados


estatsticos que permeiam as informaes do nosso dia a dia em conjunto
com a habilidade de apreciar as contribuies que o pensamento estatstico
nos proporciona a tomar decises e agir nas dimenses pblicas e privadas,
39
profissionais e pessoais. (WALMANN, 1993, p. 1, traduo nossa)

Um outro ponto que no deve ser despercebido, j que o nosso trabalho est
direcionado aos licenciandos de Matemtica, no tocante formao do professor.
O contexto no qual as atividades 2 e 3 foram elaboradas tem relao direta com
essa linha de pesquisa, que o da formao continuada dos professores, apesar de
no haver nfase para tal, at mesmo porque o nosso objetivo est bem delimitado
numa abordagem ecolgica do saber e do didtico. Em contrapartida, a autoestima
dos alunos da 5 Srie, ou 6 ano, do Ensino Fundamental, nos propiciou alguns
momentos de reflexo sobre esse assunto. Assim, segundo Chevallard, Bosch e
Gascn (2001):

___________
38Entendemos como insight a habilidade de discernir sobre o assunto a ser abordado.
39Statistical Literacy is the ability to understand and critically evaluate statistical results that permeate our daily lives
coupled with the ability to appreciate the contributions that statistical thinking can make in public and private, professional
and personal decisions. (WALMANN, 1993, p. 1).
145

[...]: no h momentos nobres e momentos menos nobres, como tambm


no h momentos mais matemticos e momentos mais didticos. O
episdio da aula de prtica e os comentrios didticos subsequentes
evidenciam a importncia crucial de um dos momentos mais
desprestigiados o momento do trabalho da tcnica e a necessidade de
que essa dimenso do processo de estudo seja aceito nos dispostivos
didticos escolares. (CHEVALLARD; BOSCH; GASCN, 2001, p. 276)

Portanto, todo momento foi privilegiado, sem diminuir ou aumentar outro, mas,
desde j, ressaltamos a importncia de focar o objeto do nosso tema, Teorema
Central do Limite, e suas abordagens ecolgicas tanto para o saber em si, quanto
para o didtico.
Para finalizar, talvez no seja de grande pretenso de nossa parte achar que
esse trabalho vem preencher as lacunas existentes sobre a Inferncia Estatstica,
muito pelo contrrio: talvez seja uma forma de chamarmos ateno para que,
efetivamente, os estudantes de ps-graduao, pesquisadores e outros interessados
tenham um olhar mais atento para essa linha de pesquisa, que a Educao
Estatstica.
146
147

7 CONSIDERAES FINAIS

Essa investigao teve como motivao o desejo de conhecer um pouco mais


sobre as questes que envolvem o Ensino da Estatstica para futuros professores de
Matemtica e, particularmente, de um objeto que atendesse tanto ao aspecto
matemtico quanto ao estatstico. O Teorema Central do Limite foi o tema de nossa
escolha, por ser a porta de entrada para a Inferncia Estatstica. Esse teorema
abordado, na maioria dos livros-texto para o Ensino Superior, normalmente com um
comentrio breve, porm so feitas afirmaes do quanto o aprendizado dele
fundamental, sem que se esclarea o porqu de ser to importante. Retomando a
nossa questo de pesquisa, tem-se que:

Por que determinados saberes/conhecimentos deixaram de ser abordados no


ensino do Teorema Central do Limite, mas ainda assim ele sobrevive? Que
saberes so indispensveis para teorema viver? Que relaes diretas ou
indiretas existem entre o teorema e a construo de saberes estatsticos nas
aulas de Estatstica?

Podemos dizer que realizamos, ao menos, as partes essenciais de nossa


problemtica, mesmo nos deparando com diversos obstculos, o que nos permitiu
reconhecer o quanto somos limitados diante das intenes iniciais.
Uma de nossas limitaes diz respeito aos sujeitos da pesquisa, pois
iniciamos com quatro licenciandos, mas apenas trs realizaram-na por completo.
Muitas vezes no contamos com esses percalos, entretanto, na realidade, eles
existem e devemos saber como superar as nossas prprias limitaes para atingir,
ao menos, o caminho que nos projetamos para tal.
Contudo, o enfoque dessa pesquisa qualitativa e, para cada fase de nossa
investigao nos foi possvel construir o como estabelecer tipos de saberes que
permitem a sobrevivncia do Teorema Central do Limite para os licenciandos de
Matemtica. A primeira fase contou com a anlise do teorema nos livros-texto que
fazem parte do processo de estudo, interferindo principalmente o trabalho do
professor e, consequentemente, afeta o processo de aprendizagem. Nesse contexto,
a Teoria Antropolgica do Didtico foi fundamental para a anlise das atividades
148

apresentadas pelos autores dos livros-texto devidamente selecionados. Ademais, foi


tambm possvel a construo dos ecossistemas para as atividades analisadas no
que diz respeito ao teorema, consolidando assim, a proposta de uma abordagem
ecolgica do saber e do didtico.
Na segunda fase, foi apresentada uma atividade, cujo contexto de interesse
dos licenciandos por tratar-se de autoestima dos alunos da 5 Srie, ou 6 ano, do
Ensino Fundamental em relao Matemtica, enquanto rea do conhecimento. Os
dados foram extrados de uma pesquisa de Iniciao Cientfica. A partir da situao-
problema, construmos os saberes que so indispensveis de modo que permitiram
o desenvolvimento do enunciado do Teorema Central do Limite.
Entretanto, nessa mesma fase, constatamos tambm os saberes que so no
necessrios e, ainda assim, o teorema sobrevive. Isso porque o Teorema Central
do Limite um elemento fundamental para o ramo da Inferncia Estatstica, que por
sua vez domina muitas pesquisas quantitativas no dia a dia. O teorema, sob o foco
da Estatstica Aplicada, no requer os rigores da prova matemtica, no sentido de os
alunos compreenderem sua aplicabilidade, fato este constatado nessa investigao.
As intervenes realizadas durante o dilogo com os licenciandos foi tambm
bastante oportuno para os propsitos de nossa pesquisa, pois permitiu refletir,
discutir e construir objetos essenciais no conjunto de saberes que formaram o
enunciado do teorema. Alm disso, promovemos a literacia estatstica, envolvendo
dois elementos cognitivos para compreender como a estrutura de sua natureza: o
pensamento e o raciocnio estatstico.
A literacia estatstica potencialmente alvo de muitas discusses na
Educao Estatstica nos dias de hoje. Como precursores dessa temtica, tm-se os
trabalhos de Iddo Gal, Joan Garfield, Robert delMas, Rosemary Callingham, Jane
Watson, Katherine Walmann e outros mais que podemos encontrar, principalmente
nos artigos publicados do SERJ e nos encontros internacionais referentes
Educao Estatstica, tal como o ICOTS.
As habilidades especficas da literacia estatstica no podem ser
desconsideradas, mas sim trabalhadas, principalmente no mbito educacional,
porque no devemos esquecer que, de certa forma, os educadores so tambm
formadores de opinio. E, para que efetivamente tenhamos em mente pessoas que
podem pensar e agir criticamente, devemos estar cientes das contribuies que a
literacia estatstica apresenta para a nossa classe de profissionais e tambm, no
149

sentido geral, para todo cidado que tem o dever e o direito de desenvolver essas
habilidades.
Nesse contexto, entendemos o quanto importante a Estatstica no mundo
atual, extremamente influenciada por meios de comunicao e tecnologia de ltima
gerao. De fato, no h como acompanhar os avanos tecnolgicos num mundo
ditado por uma gama de informaes, que podem gerar at mesmo o sentimento de
insegurana por parte de quem procura mais e mais informaes. Portanto, seria
pretenso de nossa parte finalizar as discusses aqui explicitadas, j que devemos
entender que este trabalho deve servir como mais um meio de sensibilizar a classe
de educadores matemticos que lidam com o Ensino da Estatstica no Ensino
Superior e, em especial, os que fazem parte da formao dos futuros professores de
Matemtica que estaro atuando na Educao Bsica. um ciclo que no permite
um incio e no h um ponto final. Deve ser trabalhada, ininterruptamente, a
importncia da Estatstica como leitura de mundo, na formao de professores, no
ato de inferir sobre as informaes e saber efetivamente como os dados foram
trabalhados at chegar ao conhecimento de todos.
Vale a pena ainda ressaltar a importncia desse objeto do saber como
modelo matemtico para explicar fenmenos da natureza, das Cincias Sociais, das
Cincias Biolgicas, entre outras cincias. Apesar de o foco de nossa investigao
ter sido no processo de ensino e de aprendizagem do teorema, destaca-se que a
partir da Educao que podemos acreditar numa mudana de paradigma,
rompendo, assim, com crenas arraigadas de que a Matemtica, e
consequentemente, a Estatstica, serve apenas para um pequeno grupo. Muito pelo
contrrio, o enfoque desse tema na Educao visa efetivamente a possibilidade de
ampliar o conhecimento dos futuros professores, no sentido de que mudar significa,
metaforicamente, despir de todo o pr-conceito e se permitir aceitar suas prprias
limitaes. desejo de buscar meios que possam ser superados mediante o
processo de estudo, a servio do futuro, isto , daqueles ou daquelas que esto
diante das carteiras, sedentos pelo saber. claro que a realidade no bem assim.
Existem outras variveis a serem consideradas, tais como indisciplina,
desmotivao, a desvalorizao do professor como profissional, a estrutura
particular de cada instituio de ensino e outras mais. Todavia, devemos acreditar
ser um ponto de partida, mesmo com todos esses obstculos.
150

Como a linha de nossa pesquisa est voltada para Educao Matemtica, em


particular, a Educao Estatstica, no foi dada nfase na demonstrao do
teorema. Isso foi reforado at mesmo na reviso da literatura e no estudo
praxeolgico dos livros-texto consultados. So poucos os casos em que h
demonstrao efetiva do teorema, at mesmo porque a sua demonstrao s foi
efetivamente concretizada no meio da turbulncia, na primeira metade do sculo XX,
entre as duas Grandes Guerras Mundiais. Segundo Salsburg (2009, p. 84), por volta
de 1934, o(s) teorema(s) central(ais) do limite no era(m) mais conjectura. Tudo que
se tinha a fazer era provar que as condies de Lindeberg-Lvy40 se mantinham.
Ento o Teorema Central do Limite se sustenta, [...]. Alm disso, outros mtodos
foram inseridos de modo a simplificar os procedimentos utilizados em termos de ser
definido tal como apresentado nos livros-texto atualmente. Para os interessados na
demonstrao do teorema, sugerimos conhecer as condies de Lindeberg-Lvy,
conforme anexamos neste trabalho.
Assim, o cenrio histrico efetivamente contribuiu para que a nossa
investigao fosse construdo a partir da compreenso do desenvolvimento de vrias
conjecturas at o surgimento do teorema tal qual se conhece atualmente. Isso
refora a importncia de abordar a dimenso histrica na prtica da sala de aula em
qualquer nvel de ensino.
Nessa perspectiva, esperamos que este trabalho seja apenas um ponto de
partida para outros que iniciaro no campo da Educao Estatstica, no mbito de
incrementar as pesquisas voltadas para Inferncia Estatstica, principalmente no
tocante aos elementos que dizem respeito ao processo de estudo, culminando no
processo de ensino e de aprendizagem nos diferentes nveis de ensino. A pesquisa
em si limitou-se abordagem ecolgica do saber e do didtico, cujo objeto foram o
Teorema Central do Limite e os sujeitos da pesquisa, os licenciandos e os
pesquisadores, inclusive o professor-pesquisador, j que nos fundamentamos no
Design Didtico da Engenharia Didtica, cuja sustentao reflexiva incidiu na Teoria
das Situaes Didticas e na Teoria Antropolgica do Didtico e, tambm, a
pesquisa-ao como sustentao prtica para o design.

___________
40Jarl Waldemar Lindeberg, da Finlndia e Paul Lvy, da Frana, descobriram de modo independente, um conjunto de
condies sobrepostas necessrias para a conjectura se tornasse verdadeira, e, neste caso, a conjectura central do limite
passaria a ser o teorema central do limite. (SALSBURG, 2009, p. 84).
151

Para finalizar, propomos algumas questes que serviro para iniciarmos


outras discusses tais como: qual a importncia do Teorema Central do Limite na
Estimao Intervalar? Que tipos de influncias o teorema pode causar nos testes de
hipteses? Quais os impactos podem causar no processo de ensino e de
aprendizagem ao tratarmos o Teorema Central do Limite sob a dimenso histrica
na aula de Estatstica de um determinado curso?
Estes so apenas algumas sugestes de questes, que provavelmente
devem ser aprimoradas, mas j podem servir como discusso em toda comunidade
acadmica e profissional, particularmente para ns. Assim, esperamos que este
trabalho seja uma contribuio, mesmo que nfima, no campo da Educao
Estatstica, para pesquisadores que desejarem dar continuidade nesta linha de
pesquisa em diferentes enfoques.
152
153

REFERNCIAS

ALMOULOUD, S. A. Fundamentos da didtica da matemtica. Curitiba: UFPR,


2007.

ALVARADO, H.; BATANERO, C. Designing a study process of the central limit


theorem for engineers. In: International Conference On Teaching Statistics, 7,
2006. Salvador, Bahia, Brazil. Disponvel em:
http://www.stat.auckland.ac.nz/~iase/publications/17/C404.pdf. Acesso em: 26 mar.
2006.

ARTAUD, M. Introduction laproche cologique du didactique, Lcologie des


organisations mathmatiques et didactiques. Actes de la neuvme cole dt de
didactique ds mathmatiques. Houlgate: Bailleul, 1998, p. 101-139.

ARTIGUE, M. Ingnierie didactique. Recherches en Didactique des


Mathmatiques, v. 9, n. 3, p.281-308. Grenoble, 1988.

______. pistmologie et didactique. Recherches en didactique des


Mathmatiques. v. 10-2.3. Grenoble: La Pense Sauvage-ditions, 1990, p. 241-
286.

______. Ingeniera didctica. In: ARTIGUE, M.; MORENO, R.; GMEZ, L.


Ingeniera didctica en educatin matemtica. Mxico: Grupo Iberoamrica, 1995,
p. 33-59.

______. Engenharia Didctica. In: BRUN, Jean. Didctica das Matemticas. Trad.
Maria Jos Figueiredo. Lisboa: Instituto Piaget, 1996, p.193-217.

______.. Proceedings of NORMA08. In: Nordic Research in Mathematics


Education. Paris: C. Winslow Sense Publ., 2009.

BALACHEFF, N. The researcher epistemology: a deadlock for educational


research on proof. n. 109. France: Les cahiers du laboratoire Leibniz, 2004.

BESSON, J.. As estatsticas: verdadeiras ou falsas? In: BESSON, J. (org.). A iluso


das estatsticas. So Paulo: Unesp, 1995, p. 25-67.

BLAIOTTA, J.; DELIEUTRAZ, P. Teorema central del limite. Buenos Aires, 2004.
Disponvel em:
http://www.union-matematica.org.ar/reunion_anual/anteriores/monografiatcl41.pdf.
Acesso em: 02 fev. 2007.

BOYER, C. B. Histria da Matemtica. Trad. Elza F. Gomide. So Paulo: Blcher,


1974.
154

BOROVCNIK, M. Probabilistic and statistical thinking. 2005.


Disponvel em: http://cerme4.crm.es/Papers%20definitius/5/wg5listofpapers.htm.
Acesso em: 19 set. 2008.

BRASIL, Ministrio da Educao, Secretaria de Educao. Parmetros


Curriculares Nacionais: para o Ensino Fundamental. Braslia, 1998.

______. Ministrio da Educao, Secretaria de Educao. INEP Instituto


Nacional de Estudos e Pesquisas Educacionais Ansio Teixeira. Disponvel em:
http://www.inep.gov.br/internacional/pisa/ Acesso em: 30 ago 2009.

BROUSSEAU, G. Etude ds situations: thorie des situations didactiques.


Bordeaux: IREM de Bordeaux, 1979.

______. Os diferentes papis do professor. In: PARRA, Ceclia; SAIZ, Irm. Didtica
da matemtica: reflexes psicopedaggicas. Porto Alegre: Artes Mdicas, 1996, p.
48-72.

BRUTER, C. Compreender as matemticas: as dez noes fundamentais. Trad.


Lus Paulino Leito. Lisboa: Instituto Piaget, 1998.

BUNCHAFT, G; CAVAS, C. S. T. Sob medida: um guia sobre a elaborao de


medidas do comportamento e suas aplicaes. So Paulo: Vetor, 2002.

BUSSAB, W. O.; MORETTIN, P. A. Estatstica bsica. 5. ed. So Paulo: Saraiva,


2003.

CAJORI, F. Uma histria da Matemtica. Trad. Lzaro Coutinho. Rio de Janeiro:


Cincia Moderna Ltda., 2007.

CAM, L. L. The Central Limit Theorem around 1935. Statistical Science 1, p. 78-96.
1986. Disponvel em:
http://projecteuclid.org/DPubS/Repository/1.0/Disseminate?view=body&id=pdf_1&ha
ndle=euclid.ss/1177013818. Acesso em: 06 abr. 2009.

CHACN, M. G. Matemtica emocional: os afetos na aprendizagem Matemtica.


Porto Alegre: ArtMed, 2003.

CHARNAY, R. Aprendendo (com) a resoluo de problemas. In: PARRA, C.; SAIZ, I.


Didtica da Matemtica: reflexes psicopedaggicas. Porto Alegre: Artes Mdicas,
1996, p. 36-47.

CHEVALLARD, Y. La transposition didactique: Du savoir savant au savoir


enseign. Grenoble: La Pense Sauvage, 1985.

______. La transposition didactique. Grenoble: La Pense Sauvage, 1991.


155

______. Conceitos fundamentais da didctica: perspectivas trazidas por uma


abordagem antropolgica. In: BRUN, Jean. Didctica das Matemticas. Trad. Maria
Jos Figueiredo. Lisboa: Instituto Piaget, 1996, p. 115-153.

______. Lanalyse des pratiques enseignantes en thorie anthropologique du


didactique. Recherches en Didactique ds Mathmatiques. Grenoble: La Pense
Sauvage, v.12.1, 1999, p. 221-265..

CHEVALLARD, Y; BOSCH; M.; GASCN, J. Estudar matemticas: o elo perdido


entre o ensino e a aprendizagem. Trad. Daisy Vaz de Moraes. Porto Alegre: Artmed,
2001.

CONTRERAS, J. A autonomia de professores. Trad. Sandra Trabucco Valenzuela.


So Paulo, 2002.

COUTINHO, C. Q. S. Introduo ao conceito de probabilidade: uma viso


frequentista. So Paulo: EDUC, 1996.

______. Introduction aux situations alatoires ds le Collge: de la modlisation


la simulation dexpriences de Bernoulli dans lenvironnement informatique Cabri-
gomtre II. 2001. Thse (Docteur de Didactique ds Mathmatiques). Universit
Joseph Fourier, Grenoble, 2001.

DAJOZ, R. Princpios de Ecologia. Trad. Ftima Murad. 7 ed. Porto Alegre:


Artmed, 2005.

DAMORE, B. Elementos de didtica da matemtica. Trad. Maria Cristina Bonomi.


So Paulo: Livraria da Fsica, 2007.

DAVID, H. A. The history of statistics in the classroom. Joint Statistical Meetings.


Iowa State University, 2003. Disponvel em:
http://www.stat.auckland.ac.nz/~iase/publications/jsm/03 .dadivpap.pdf Acesso em
06 abr. 2008.

DEVLIN, K. Os problemas do milnio: sete grandes enigmas matemticos do


nosso tempo. Trad. Michelle Dysmann. Rio de Janeiro: Record, 2004.

DIENES, Z. P. An experimental study of mathematics-learning. London:


Hutchinson, 1963.

EVES, H. Introduo histria da matemtica. Trad. Hygino H. Domingues. 2. ed.


Campinas-SP: UNICAMP, 1997. (Coleo Repertrios)

FARIAS, A. A.; SOARES, J. F.; CSAR, C. C. Introduo Estatstica. 2. ed. Rio


de Janeiro: LTC, 2003.
156

FISCHER, H. The central limit theorem from Laplace to Cauchy: changes in


stochastic objectives and in analytical methods. Germany, 2000. Disponvel em:
http://mathsrv.ku-eichstaett.de/MGF/homes/didmath/seite/fischer.html. Acesso em:
26 fev. 2006.

GAL, I. Adults statistical literacy: meanings, components, responsibilities.


Internacional Statistical Review. 2002, 70(1), p. 1-25. Disponvel em:
www.stat.auckland.ac.nz/~iase/cblumberg/gal.pdf. Acesso em: 20 maio 2007.

GARFIELD, J.; BEN-ZVI, D. How students learn statistics revisited: a current review
of research on teaching and learning statistics. International Statistical Review.
2007, v. 75, n. 3, December/2007, p. 372-396.

GLENCROSS, M. J. A practical approach to the central limit theorem. In:


International Conference On Teaching Statistics, 2, 1986, University of Victoria,
Canada. Disponvel em:
www.stat.auckland.ac.nz/~iase/publications/icots2/Glencross-1.pdf. Acesso em: 25
mar. 2008.

GNEDENKO B. V., KOLMOGOROV A. N. Limit distributions for sums of


independent random variables. Translate: K. L. Chung. Massachusetts: Addisson-
Wesley Publishing Company, 1954.

GODINO, J. D. Un enfoque ontolgico y semitico de la cognicin matemtica.


Recherches en Didactique des Mathmatiques. v. 22, 2002, p. 237-284.

GRAHAM, A. Developing thinking in Statistics. London: Paul Chapman


Publishing, 2006.

GUIMARES, R. C.; CABRAL, J. A. S. Estatstica. Lisboa: McGraw-Hill, 1997.

HALD, A. A history of mathematical and statistics: from 1750 to 1930. New York:
John Wiles & Sons, 1998. (Wiley Series in Probability and Statistics)

HOLMES, P. What sort of Statistics should be taught in schools and why? In:
LOUREIRO, C.; OLIVEIRA, F.; BRUNHEIRA, L. Ensino e aprendizagem da
Estatstica. Lisboa: Grafis, 2000.

JAMES, B. R. Probabilidade: um curso em nvel intermedirio. 3. ed. Rio de


Janeiro: IMPA, 2006.

JOSHUA, S.; DUPIN, J. J. Introduction la didactique des sciences et des


mathmatiques. 1. ed. Paris: Universitaires de France, 1993.

KLINE, M. O fracasso da matemtica moderna. Trad. Leonidas Gontijo de


Carvalho. So Paulo: Ibrasa, 1976.
157

LAKATOS, I. A lgica do descobrimento matemtico: provas e refutaes. Trad.


Nathanael C. Caixeiro. Rio de Janeiro: Zahar, 1978.

LEITHOLD, L. O clculo com geometria analtica. Trad. Cyro de Carvalho Patarra.


3. ed. So Paulo: Harbra, 1994.

LEVIN, J. FOX, J. A. Estatstica para cincias humanas. Trad. Alfredo Alves de


Faria. 9. ed. So Paulo: Pearson Prentice Hall, 2004.

LUNSFORD, M. L.; ROWELL, G. H.; GOODSON-ESPY, T. Classroom research:


assessment of student understanding of sampling distributions of means and the
central limit theorem in Post-Calculus Probability and Statistics Classes. Journal of
Statistics Education. v. 14, n. 3, 2006.
Disponvel em: www.amstat.org/publications/jse/v14n3/lunsford.html. Acesso em: 10
dez. 2006.

MAGALHES, M. N.; LIMA, A. C. P. Noes de probabilidade e estatstica. 4. ed.


So Paulo: Universidade de So Paulo, 2002.

MANN, P. S. Introduo estatstica. Trad. Eduardo Benedito Curtolo; Teresa


Cristina Padilha de Souza. 5. ed. Rio de Janeiro: LTC, 2006.

MEDEIROS, C. F. Por uma educao Matemtica como intersubjetividade. In:


BICUDO, M. A. V. (org.). Educao Matemtica. So Paulo: Centauro, 2005, p. 13-
44.

MNDEZ, H. Understanding the central limit theorem. Tesis Doctoral. 1991.


Universidad de California. UMI.

METHER, M. The history of the central limit theorem. Mat-2.108 Sovelletun


Matematiikan erikoistyt, 2003. Disponvel em: http://www.sal.tkk.fi/Opinnot/Mat-
2.108/pdf-files/emet03.pdf. Acesso em: 26 fev. 2006.

MEYER, P. L. Probabilidade: aplicaes Estatstica. Trad. Ruy de C. B. Loureno


Filho. 2. ed. Rio de Janeiro: LTC, 1983.

MOORE, D. S. A estatstica bsica e sua prtica. Trad. Cristiana Filizola Carneiro


Pessoa. 3. ed. Rio de Janeiro: LTC, 2005.

NOVAES, D. V.; COUTINHO, C. Q.S. Estatstica para educao profissional. So


Paulo: Atlas, 2009.

PAULAUSKAS, V. Lindeberg's CLT in multidimensional and Banach spaces.


Vilnius University Naugarduko, Lithuania, 2006. Disponvel em:
http://www.stat.fi/isi99/proceedings/arkisto/varasto/paul0312.pdf. Acesso em: 19 nov.
2007.
158

RODRIGUEZ, J. A. A. Historia de la matematica. Madrid: Akal, 1989.

SALSBURG, D. Uma senhora toma ch...: como a estatstica revolucionou a


cincia do sculo XX. Trad. Jos Maurcio Gradel. Rio de Janeiro: Zahar, 2009.

SENETA, E. The central limit problem and linear least squares in pre-revolutionary
Russia. The background. Mathematical Scientific. v. 9, 1984, p. 3777.

SCHEAFFER, R. L.; WATKINS, A. E.; LANDWEHR, J. M. What every high-school


graduate should know about statistics. In: ERLBAUM, L. Rejections on statistics:
Learning, teaching and assessment in grades K-12. Mahwah-NJ: S.P. Lajoie, 1998,
p. 3-31.

SHULMAN, L. S. Those who understand: knowledge growth in teaching.


Educational Researcher, 15 (2), 1986. p. 4-14.

SILVA, C. B. Pensamento estatstico e raciocnio sobre variao: um estudo com


professores de Matemtica. 2007. 354 f. Tese (doutorado em Educao
Matemtica). Pontifcia Universidade de So Paulo, So Paulo.

SKEMP, R. R. The psychology of learning mathematics. Baltimore: Penguin,


1971.

SOARES, M. Letramento: um tema em trs gneros. 2. ed. Belo Horizonte:


Autntica, 2005.

STRUIK, D. J. Histria concisa das matemticas. Trad. Joo Cosme Santos


Guerreiro. 2. ed. Lisboa: Cincia Aberta, 1987.

STEVENSON, W. J. Estatstica: aplicada Administrao. Trad. Alfredo Alves de


Farias. So Paulo: Harper e Row do Brasil, 2001.

TAUBER, L. M. La construccin del significado de la distribucin normal a


partir de actividades de anlisis de datos. 2001. 276 f. Tesis (Doctoral en
Didctica de las Matemticas). Universidad de Sevilla, Sevilla, Spain.

THIOLLENT, M. Metodologia da pesquisa-ao. 7. ed. So Paulo: Cortez, 1996.

TRIOLA, M. F. Introduo estatstica. Trad. Alfredo Alves de Farias. 7. ed. Rio de


Janeiro: LTC, 1999.

USPENSKY, J. V. Introduction to mathematical probability. New York: McGraw-


Hill Book, 1937.
159

VERGNAUD, G. A teoria dos campos conceptuais. In: BRUN, J. (dir.) Didctica das
matemticas. Lisboa: Instituto Piaget, 1996, p. 155-191. (Coleo Horizontes
Pedaggicos).

WALMANN, K. K. Enhancing statistical literacy: enriching our society. 1993.


Disponvel em: http://www.stat.auckland.ac.nz/~iase/islp/def. Acesso em: 8 jun.
2009.

WILD, C. J.; PFANNKUCH, M. Statiscal thinking in empirical enquiry. International


Statistical Review, 67, 1999, p. 223-265. Disponvel em:
http://www.stat.auckland.ac.nz/~iase/publications/isr/99.Wild.Pfannkuch.pdf. Acesso
em: 05 jun. 2007.

WITTE, R. S.; WITTE, J. S. Estatstica. Trad. Teresa Cristina Padilha de Souza;


Eduardo Benedito Curtolo. 7. ed. Rio de Janeiro: LTC, 2005.

WODEWOTZKI, M. L. L.; JACOBINI, O. R. O ensino de estatstica no contexto da


educao matemtica. In: BICUDO, M. A. V.; BORBA, M. C. (orgs.) Educao
Matemtica: pesquisa em movimento. So Paulo: Cortez, 2004, p. 232-249.

WONNACOTT, T. H.; WONNACOTT, R. J. Estatistique: conomie, gestion,


sciences, mdicine (avec exercises dapplication). 4. ed. Paris: Economica, 1991.
160
161

APNDICES

162

APNDICE A - Mtodo de Laplace para Teorema Central do Limite

No trabalho publicado em 1785, Laplace chamou ateno para a soma dos


erros de uma distribuio. Isto , anunciou que um erro poderia assumir qualquer
valor entre 1 e 1 com igual probabilidade. J para a soma dos erros de duas
distribuies, seria para todos os valores entre 2n e 2n, isto , 2n, 2n + 2, ..., 2,
0, 2, ..., 2n 2, 2n, de probabilidades que correspondem aos coeficientes binomiais
(1+1)2n.
Ele apresentou um binmio simples, pois estava definindo a funo
caracterstica, cujo termo mdio do binmio yn (FISCHER, 2000), e tambm o
termo independente eit 41 do desenvolvimento binomial (eit + eit)2n. Se multiplicar por
dt e integrar de 0 a , a expresso ser igual a yn. Ento, tem-se que:
1 it
yn ( e e it )dt . (1)
0

Partindo de que (eit + eit) = 2cos t,42 tem-se a frmula:

2 2n 2n (2)
yn cos t dt .
0
O ponto chave dessa questo foi Laplace ter notado que poderia estender
essa idia para encontrar o termo mdio para o trinmio (1 + 1 + 1)2n, para o
quadrinmio (1 + 1 + 1 + 1)2n e assim por diante. Cada um desses polinmios
corresponde a ter erros entre seus termos (por exemplo, 1, 0, 1 para o caso do
trinmio). Sua generalizao permite que os erros sejam os valores entre
(m + 1, ..., 1, 0, 1, ..., m 1, m), (3)

no caso de polinmio de ordem m. Substituindo o emsimo-nomial 1 por s com eit


por s (e s a soma dos erros), obtm-se:
(eimt + ei(m1)t + ... + 1 + ... + ei(m+1)t + eimt)2n (4)
___________
41 Lembrando que a funo geradora exponencial para (1, 1, 1, ...)
x2 x3 xr
ex = 1 + x + ... ...,
2! 3! r!
e nesta expanso o coeficiente de xr/r! igual a 1, para todo r, esta a funo geradora exponencial da seqncia ar = 1,
para todo r = 0, 1, 2, ...
42 (eit + eit) = 2cos t, porque uma funo cosseno hiperblica, cujo domnio o conjunto de todos os nmeros reais e a

imagem o conjunto de todos os nmeros no intervalo [1, +). (LEITHOLD, 1994, p. 515)
163

Os parnteses podem ser novamente simplificados por cossenos e assim,


n
1 2 cos tk .
(5)
k 1

A probabilidade para cada termo igual a (2m + 1) 1, ento, multiplicando o


resultado por (2m + 1)1 e, cujas funes caractersticas so:
(t) = E(eitx). (6)

1 it
Para o primeiro caso, erros 1 e 1 (t) = (e + eit). E, no caso geral:
2

1 n
(t) = (7)
1 2 cos tk
2m 1 k 1

Agora, novamente usando a funo caracterstica para calcular as


probabilidades para sn = 0 (onde sn a soma dos n possveis erros) pela frmula:
n
1 1 m
P ( s n 0 ) ( t )dt 1 2 cos tk dt . (8)
0 2m 1n 0 k 1

Dessa forma, Laplace desenvolveu frmula acima e, em seguida, concluiu


que a aproximao seria ento:
3 (9)
P( sn 0 ) .
2nm m 1

Sob o ponto de vista do TCL, Laplace chegou a este resultado em 1785.


Apesar de estar bastante perto do resultado do TCL, ele restringiu a prova apenas
para P(sn = 0), no expandindo o resultado para qualquer outro valor de sn. Contudo,
foi ele mesmo quem deu continuidade a este resultado em 1810, quando afirmou ter
obtido uma generalizao para TCL. No trabalho publicado em 1820, Laplace
comea por provar o teorema para algumas distribuies de probabilidades, no caso,
para as distribuies discretas e contnuas. Mether (2003) apresenta apenas os
resultados obtidos por Laplace para o caso de uma distribuio discreta arbitrria.
164

Admitindo que se tenha uma varivel aleatria discreta x que toma os


valores m, m + 1, ..., m 1, m, com probabilidades correspondentes a pm, pm+1,
1 itx isx
..., pm+1, pm. Considerando que e .e dx t ,s , obtm-se:

1 ijt n
P ( sn j )
2
e ( t )dt (10)

m
Neste caso a funo caracterstica : ( t ) pk eikt . Inserindo a funo
k m

caracterstica em (10) e, expandindo o resultado para eikt, tem-se que:


n
t2
m m
1 ijt
P( sn j ) e 1 it pk k pk k 2 ... dt
(11)
2 2
k m k m

Aproximando a expresso dentro dos parnteses, particularmente o logaritmo


natural, ocorre
n
m 2 m 2 m
ln n n ln 1 it pk k t pk k 2 ... n it x t pk k 2 1 t 2 2x ...
(12)
2 2 2
k m k m k m

Neste caso, x o valor esperado de x. Foi utilizada a srie de Taylor para o


1
logaritmo natural: ln( 1 x ) x x 2 ... . A varincia para x pode ser descrita por
2
m
2x pk k 2 2x . A partir de (12) e simplificando toda a expresso:
k m

1 1
P ( sn j ) exp( ijt itn x n 2x t 2 ...)dt . Em vez disso, pelo clculo de
2 2

P(sn nx = s), tem-se que:


P(sn nx = s) =
2
1 1 1 s2 1 2 is
exp( ist n2x t 2 ...)dt exp
n x t dt =
2 2 2 2n2 2 n 2
x x

2
1 s2 n x 1 is
= exp
exp z dt
2 n 2n 2 n x 2 nx (13)
x

admitindo que s o de maior ordem de n , tem-se que:


165

1 s 2
P(sn nx = s) = exp
2n 2
. (14)
2 x x

Isso mostra que sn nx assinttica e aproxima da distribuio normal


N(0,nx2). Laplace tambm observou que se m parte da frmula somente pela x e
x, o resultado pode ser vlido para uma distribuio discreta com os valores
tendendo ao infinito, desde que a mdia x e o desvio padro x, na distribuio,
sejam conhecidos. Segundo o mesmo autor, para o caso contnuo, Laplace
desenvolveu a demonstrao de modo similar ao da discreta (METHER, 2003).
166

APNDICE B - FUNO CARACTERSTICA

De acordo com James (2006), Se X e Y so variveis aleatrias em (, A, P),


ento Z = X + iY chamada uma varivel aleatria complexa. Notemos que Z uma
funo definida em e que assume valores complexos, com Z() = X() + iY()
para . A esperana EZ definida pela linearidade, EX = EX + iEY, se EX e EY
so finitas.
A frmula de Euler consiste de eix = cos x + i sen x, x IR, em que a varivel
aleatria complexa eiX = cos X + i sen X sempre possui esperana finita, para toda
varivel aleatria X, pois as variveis aleatrias cos X e sen X so limitadas. Assim,
a esperana na definio seguinte finita e pode-se garantir que a funo
caracterstica est bem definida.
Definio: Seja X uma varivel aleatria. A funo caracterstica de X a funo
(1)
(t) = X(t) = Eeit X

e define-se
Eeit X = Ecos (tX) + iEsen(tX), t IR. (2)

Propriedades:
i. A funo caracterstica limitada por 1 : | X(t) | 1, t IR.
ii. A funo caracterstica assume o valor 1 no ponto 0: X(0) = 1.

iii. X ( t ) = X(t), onde c o complexo conjugado de c.

iv. X uniformemente contnua na reta.


v. Se X e Y so independentes, ento X + Y (t) = X(t). Y(t) t IR.
vi. A funo caracterstica de uma varivel aleatria X determina a funo de
distribuio de X.
vii. A varivel aleatria X tem distribuio simtrica em torno de zero se, e
somente se, X(t) real para todo t. (Por definio, X tem distribuio
simtrica em torno de zero se P(X x) = P(X x), x IR. s vezes
dizemos neste caso que X simtrica em torno de zero.)
167

APNDICE C - Funo geratriz de momentos

Meyer (1983) chama de funo geratriz de momentos da seguinte forma: Seja X, uma varivel
aleatria discreta, com distribuio de probabilidade p(xi) = P(X = xi), i = 1, 2, ..., A funo MX,
denominada funo geratriz de momentos de X, definida por:
tx
MX (t) e j p( x j ) . (1)
j1

Se X for uma varivel aleatria contnua com funo densidade de probabilidade, chama-se de
funo geratriz de momentos por:

M X (t ) tx (2)
e f(x)d(x).

Em qualquer dos casos, o discreto ou o contnuo, Mx(t) apenas o valor esperado de etX. Por
isso, pode-se combinar as expresses e escrever:

M X ( t ) E( e tX ) . (3)
168

APNDICE D - ARTIGO DE POISSON

Seja uma varivel aleatria Yi no intervalo [a, b] com densidade contnua f1(y)
= Fi (y), o qual Fi(y) = P(Yi y). Seja xi , ( = a e = b) uma varivel
aleatria discreta, e um intervalo pequeno e estabelece que:
pxi = f(xi), xi = , + 1, ..., . (1)

A funo caracterstica para xi :



yi ( ) p x e itxi f i ( x i )e i ( t / )xi (2)
xi xi

Estabelecendo t = . no membro direito da igualdade (3) tende a:


b
y i 1 f ( y )e
iy
dy . (3)

Assim, deseja-se encontrar a distribuio de probabilidade para soma:


sn = Y1+...+ Yn, (4)

conforme segue:
n
1 b its
P(xi = s) = e ( xi ( y ))dt
. (5)
2 1
i 1

Daqui em diante, Poisson continuou e, finalmente, alcanou o seguinte resultado:


n b
1 sen (6)
P(c sn c + ) = f i ( y )e iy dy .e i
1
i 1

Poisson no conseguiu condies de modo a restringir demonstrao do


teorema com rigor para a frmula geral, mas examinou a validade para um caso
especfico: n = 1. Assim, substituindo em (6), escreve-se:
1 b iy c sen (7)
P(c Y1 c + ) = e df1y dy
1
169

Com o auxlio da frmula:


2 senkx 1, se y ]c , c [
dx (8)
0 x - 1, se y ]c , c [

E, a partir de (8), chega-se no resultado final:



P(c , c + ) = f1( y )dy , (9)

o que conclui a demonstrao de Poisson.


Em sntese, Mether (2003) descreve a verso de Poisson para o TCL da
seguinte forma: Seja Y1,..., Y2 variveis aleatrias independentes com funo
densidade desaparecendo alm do intervalo fixado [a, b]. Se para os valores
kp j
absolutos Pj das funes caractersticas de Yi(j() = pj. e ), ento existe uma
funo r() independente de j e 0 r() 1 para todo 0 tal que pj r(). Logo,
para valores arbitrrios e tem-se que:
'
P
Yi EYi ' 1 u 2
du . (10)
2Var (Yi )
e

Assim, a aproximao tanto melhor quanto n maior e, a diferena entre o


membro esquerdo e o direito vem a ser infinitamente pequeno com n tendendo ao
infinito.
170

APNDICE E - PRIMEIRA VERSO DO TEOREMA CENTRAL DO LIMITE

Bessel (1784-1846), Dirichlet (1805-1859), Cauchy (1789-1857) e Ellis (1814-


1890) so alguns exemplos daqueles que trabalharam, por meio de vrias tentativas,
a primeira verso do Teorema Central do Limite de Laplace com rigor matemtico.
Dirichlet e Bessel seguiram fielmente cada etapa da demonstrao de
Laplace e de Poisson, acrescentando o fator de descontinuidade em seus
trabalhos. Com isso, viabilizaram a equao de Poisson:

1 n b sen
P(c sn c + ) = fi ( y )e iy dy .e i , (1)
1
i 1

da demonstrao de Poisson para um valor de n, o qual Poisson no o tinha feito.


Segundo Mether (2003), o fator de descontinuidade de Dirichlet descrito
como:

2 sen kx 0 , k 1
cos xdx . (2)
0 x 1, k 1

Foi com essa frmula que viabilizaram a frmula de Poisson, conforme


descrita anteriormente, para um valor de n arbitrrio. Bessel tambm chamou
ateno de que Poisson, que de certa forma, atribuiu um fator de descontinuidade,
ou seja, para n = 1. Mas apenas para esse caso.
Alm disso, Dirichlet tentou estimar os erros de aproximao, porm sem
sucesso. Mas fez algo diferente: estimou erros para aproximaes no-
probabilsticos e, em seguida, apresentou algumas tcnicas que poderiam ser
aplicadas tanto na teoria das probabilidades quanto para o que chamavam de
matemtica pura.
Cajori (2007) afirma que Cauchy considerado como o primeiro matemtico a
dar um tratamento teoria das probabilidades com rigor. Cauchy observou a
demonstrao do TCL, comparando com as anteriores. Primeiro encontrou um limite
mximo da diferena entre o valor exato e a aproximao. Em seguida, especificou
condies para que esse limite tendesse a zero.
171

Cauchy apresentou, no seu trabalho, as variveis aleatrias independentes


distribudas identicamente: y1,..., yn, com densidade simtrica f(y) no intervalo finito
[a, a], varincia > 0 e uma funo caracterstica (). Ele considerou a mdia da
distribuio como:
n n
zn w i y i . w i 1 (3)
i 1 i 1

Seguindo procedimento de Poisson, obteve:



2 sen h (4)
P = P(h < zn < h) = , ... n d .
0

Assim, Cauchy tentou encontrar um limite mximo para |P | e, em


condies especficas, para este limite quando tende a zero.
No desenvolvimento de sua demonstrao, ele dividiu o intervalo em trs
partes:
P = (P Pk) + (Pk k) + (k ), (5)

em que foi feito um estudo de cada parte separadamente, obtendo:

2 2 2 / 2 sen h 2 1 2 2 2
| k | = e d e k / 2 (6)
k 2
k 2

2 2 2 / 2 sen h 2 1 2 2
|Pk P| = e d e k / 2 , (7)
k 2k 2 2

onde
1 (8)
= .
1 2 k 2 (max( w j ))2

Para ltima parte, Cauchy anunciou que:

2 k 2 2 2 2 / 2 sen h 2 3 kh k 2h 2
(9)
|Pk k| = ( e e ) d ln 1
0 3 3

172

em que,
22k 4 (max( w j ))2
1 2 4 2 2
k a (max( w j )) 4 22k 2 (max( w j ))3 (10)
= max e 8 ,1 e



Da, Cauchy finalmente concluiu que se k escolhido de n1/2 < k < n3/4, ento
as trs partes tendem para zero quando n tende a infinito. E, assim, P .
173

APNDICE F - CHEBYSHEV (1821-1894), MARKOV (1856-1922) E LIAPOUNOV (1857-


1918)

Chebyshev (1821-1894), Markov (1856-1922) e Liapounov (1857-1918),


segundo Senata (1984), so considerados aqueles que contriburam
significativamente para o desenvolvimento da demonstrao do TCL.
A publicao do artigo de Chebyshev , geralmente, considerada o incio das
provas com rigor para o TCL. Senata (1984) afirma que ele prosseguiu da seguinte
forma:

Seja z1, z2, ..., variveis aleatrias independentes que descrita por probabilidades
densas. Se (i) E (zi) = 0 para todo i e, (ii) |E(zik)| C, i, k 2, onde C uma
constante independente de i e k, ento, como n ,

1 x2
t'
s 1 2 (1)
P t n t' e dx ,
B n 2
t

onde
n n
sn = zi e Bn2 = var( zi ) . (2)
i 1 i 1

Chebyshev usou o mtodo dos momentos, que foi por ele mesmo
desenvolvido anteriormente. Mais tarde, o seu trabalhou recebeu a contribuio de
Markov que declarou: Uma condio necessria e suficiente a ser acrescida, em

Bn 2
ordem, para que o teorema se faa de modo correto o seguinte: (iii)
n
uniformemente tendendo a zero; (iii.a) E(zn2) tambm tende a zero quando n tende
ao infinito.
Markov trabalhou arduamente para obter a generalizao do mtodo de
momentos aps a prova de Liapounov. Ele finalmente foi bem sucedido em 1913,
quando apresentou um artigo que continha uma prova rigorosa sobre TCL,
superando a condio de Liapounov.
174

Liapounov no recorreu ao mtodo de momentos, mas seguiu a idia de


Laplace, fazendo o uso das funes caractersticas. A demonstrao de Liapounov
foi publicada em 1901 e considerada a primeira demonstrao do TCL. A seguir,
um breve comentrio declarado por Liapounov segundo Uspensky (1937):

Sejam x1, ..., xn variveis aleatrias independentes providas das seguintes


propriedades: E(xi) = 0 para todo i; E|xi|k , i, k 2. Se existe um > 0 tal que
n
2
E xi (4)
i 1 n
0 .
Bn 2

Ento,

1u2
t
s 1
P n t
Bn
e 2
2
du . (5)

Aps essa parte, Liapounov segue a demonstrao de Laplace, usando


funes caractersticas. Nessa demonstrao, entretanto, ele usa um lema
fundamental que a chave da simplicidade e rigor, simultaneamente, de seu
trabalho. Isto , seja sn uma varivel dependente na integral n, com mdia 0 e
2
is n t t
varincia 1. Se sua funo caracterstica : n ( t ) E ( e ) e converge para e 2

(funo caracterstica da distribuio normal) uniformemente num intervalo finito


qualquer (k, k), ento, a funo distribuio tende uniformemente para (t) para
todo valor t. (METHER, 2003)
Liapounov no distingue explicitamente o lema fundamental de sua
demonstrao, mas est implicitamente contido no contexto do desenvolvimento de
seu trabalho.
175

APNDICE G - DEMONSTRAO DO TEOREMA CENTRAL DO LIMITE

I - PRELIMINARES PARA DEMONSTRAO DO TEOREMA CENTRAL DO LIMITE

James (2006) segue o problema central do limite como a convergncia de


uma distribuio de somas normais normalizadas,
S n ES n
(1)
Var (S n )

para a distribuio normal padro, N(0, 1). Neste caso, "supe-se que todas as
varincias sejam finitas e que pelo menos uma delas seja estritamente positiva".
Uma questo pode ser levantada: quais as condies para os quais
S n ES n D
N(0, 1)? (2)
Var (S n )

Para responder esta questo deve-se supor que as variveis sejam


independentes e identicamente distribudas. Se isso ocorre e possui a mdia e

varincia k2 , em que 0 < 2 < , ento,

S n n D (3)
N(0, 1).
n
James (2006) define o teorema (Teorema Central do Limite de Lindeberg)
apresentando as condies gerais para validade da convergncia normal:

Teorema Central do Limite de Lindeberg: Sejam X1, ..., Xn variveis aleatrias


independentes tais que EXn = x e Var Xn = n2 , onde 0 < n2 < e
pelos menos um n2 > 0. Sejam Fn = FXn ,

Sn = X1 + ... + Xn e sn = Var (S n ) 12 ... n2


Ento para que
Sn ESn D
N(0,1) , quando n
sn
suficiente que a seguinte condio, chamada condio de Lindeberg esteja
satisfeita:
176

1 n
0, lim x k 2 dFk ( x ) 0 .
n s 2 k 1 x k s n
n
(JAMES, 2006, p. 266).

Isto significa que se a condio de Lindeberg est satisfeita, vale a


convergncia normal.
O autor pondera algumas observaes que so bastante pertinentes para
antes da demonstrao do teorema:
1) x s uma integrao realizada em
k n

{x : x k > sn} = (, k sn) U (k + s, +), (4)

lembrando que os extremos no esto includos na regio de integrao;


2) Se Xk for discreta, com funo probabilidade pk(xi), ento

x s ( x k ) 2 dFk ( x ) ( x k )2 pk ( x i ) (5)
k n
i: x k s n

e, caso xk for contnua, a funo densidade fk(x)


x s n
2
( x k ) dFk ( x ) ( x k )2 fk ( x ) ( x k )
2
fk ( x ) (6)
x k sn
x s n

3) A representao da varincia :

k2 ( x k ) 2 dFk ( x )
x ( x k ) 2 dFk ( x ) x ( x k ) 2 dFk ( x ) (7)
k s n k s n

de modo que a condio de Lindeberg pode ser escrita a partir de


n
1
sn2 = 12 + ... + n2 : 0, lim x k 2 dFk ( x ) 1
(8)
n s2 x k s n
n k 1

quando n .
xk x S n ES n
4) Na condio de Lindeberg, as parcelas da soma so
sn sn
uniformemente pequenas para n grande. James (2006) apresenta um exemplo
como conseqncia dessa condio:
177

k2 (9)
max 0 quando n ,
2
1 k n s n

isto , para n grande, as varincias das parcelas so uniformemente pequenas em


relao varincia da soma. Portanto,

k2 1 1
x x k 2 dFk ( x ) x x k 2 dFk ( x )
s n2 s n2 k s n sn2 k s n

1 1 n
2 sn2 x k 2 dFk ( x ) x j 2 dFj ( x )
(10)
sn2 x k s n 2 j 1 x j s n
sn

Como o ltimo termo no depende de k, pois 2 est na primeira parcela, tem-


se que:

k2 1 n
max 1 k n 2 ( x k )2 dFk ( x ) , (11)
sn2 2 k 1 x k s n
sn

e converge para 2, pela condio de Lindeberg. Como isso vale para todo > 0, o

max n2 / s n2 0.
(12)

O autor ainda ressalta que o significado dessa condio implica que as


xk x
parcelas possuem varincias uniformemente pequenas quando n grande,
sn

S n ES n
ou seja, nenhuma parcela tem muito peso para a soma . Esta alegao
sn
nos reporta a aceitar, intuitivamente, a afirmao: a soma de um grande nmero de
pequenas quantidades independentes e de mdia zero, tem aproximadamente a
distribuio normal (JAMES, 2006, p.268).
5) A condio de Lindeberg formalmente mais forte que a condio sobre o
mximo das varincias. Pois
n
sn2 ( x k )
2
dF( x ) e, (13)
k 1
178

pela condio de Lindeberg, quando n grande, pequena a parte da varincia


da soma devida s "caudas" das Xk situadas a mais de desvios-padro sn das
suas respectivas mdias k.
6) Com a existncia da condio sobre o mximo, a condio de Lindeberg torna-
se necessria para a validade do TCL.
7) A recproca para o Teorema de Lindeberg deve-se a Feller: se X1, X2, ... so

independentes com varincias finitas 12 , 22 , ..., se pelo menos um n2 > 0 e se

k2
max 0 quando n , ento a condio de Lindeberg conseqncia da
2
1 k n sn

convergncia normal.

De posse destas observaes e anterior demonstrao do TCL, vejamos


os seguintes:

Corolrio 1: Se X1, X2, ... so variveis aleatrias independentes e identicamente


distribudas com EXn = e Var Xn = 2, onde 0 < 2 < , ento
S n n D
N(0,1) quando n . (14)
n

Demonstrao: Pela condio de Lindeberg: sn2 n 2 e, para > 0,

1 n 1 n
( x ) 2 dFk ( x ) = ( x ) 2 dF1( x ) (15)
n 2 k 1 x n 2 k 1 x n

j que so identicamente distribudas. Assim,

1 n 1 2
( x ) 2 dF1( x )
( x ) 2 dF1( x ) =
= 1, (16)
2 k 1 x n n
2 2

pois a convergncia decorre da definio da integral imprpria de Riemann-Stieltjes.


(JAMES, 2006, p. 269-270)
Este corolrio baseia-se da condio de Lindeberg para k = 1, pois as
variveis so independentes e identicamente distribudas. James (2006) recorre ao
Teorema de Liapounov para o segundo corolrio, para o caso das variveis Xn
179

possurem momentos finitos de ordem maior que 2. Isto , o teorema vale para a
convergncia normal se a soma dos momentos centrais absolutos de ordem 2 +

assintoticamente pequena em relao sn2 .

Corolrio 2: (Teorema Central do Limite de Liapounov). Sejam X1, X2, ... so


variveis aleatrias independentes tais que EXn = n e Var Xn = n2 < , com pelo
menos um n2 > 0. Seja sn2 = Var Sn = 12 + ... + n2. Se existir > 0 tal que

1 n
2
E X k k 0 quando n ,
(16)
s 2 k 1
n
n

ento
S n ES n D (17)
N(0,1) .
sn
Demonstrao: Supondo a condio de Liapounov satisfeita, verificamos a

x k
condio de Lindeberg: para > 0, se x k> sn ento 1 de modo que
sn

1 n 1 n 2 x k
( x k ) 2 dFk ( x ) ( x k ) . dFk ( x )
2 k 1 x k s n
sn sn2 k 1 x k s n s n

1 n
2
x k dFk ( x )
sn 2 k 1 x k s n

1 n 1 n
2
x - k E X k k 0 quando n . (18)
s n 2 k 1 - s 2 k 1
n

Aps a prova do segundo corolrio, James (2006) apresenta um exemplo


como forma de enfatizar que o valor exato da varincia no tem importncia, mas
sim, a ordem de sn2. Desta forma, ele utiliza o lema abaixo para tratar da ordem de

sries do tipo n .

Lema 1: Para > 0,

1 n 1
k quando n , (19)
1 k 1 1
n
180

n
de maneira que k da ordem de n 1 .
k 1

Demonstrao: Como x k se k1 x k e k x se k x k + 1, assim,


segue-se que:
k k k 1 k 1
= k = x dx . (20)
k x1 dx k k1 dx k k dx k

Somando os valores de k de 1 at n tem-se:


n n n 1
x dx k x dx . (21)

0 k 1

1

Portanto,

n 1 n
k
n 1 1 1 n 1 1 , (22)
1 k 1 1 1

Ou seja,
1
1 1 n 1 n 1
k . . (23)
1 n 1 k 1 1 n

1
n 1
Como 1 quando n , o lema est provado. (JAMES, 2006, p.271).
n
181

II - PROVA DO TEOREMA CENTRAL DO LIMITE

A partir da condio do teorema de Lindeberg:


n
1
0, lim x k 2 dFk ( x ) 0 , (24)
n s2 x k s n
n k 1

e, iniciando a prova ao mostrar que as funes caractersticas das somas parciais


padronizadas convergem para a funo caracterstica da N(0, 1), para todo tIR,
tem-se que: (JAMES, 2006)
Sn ESn ( t )
sn (por indepednc ia)

n Xk k 2
it sn

t2
Ee e
(I) (25)
n
k 1

Ao fixar um valor t real e recorrendo Frmula de Taylor aplicada funo g(x)= eitx
em duas situaes, a saber:

t2x2 (26)
eitx = 1 + itx + 1(x) , para 1(x) 1
2

t2x2 t3x3
eitx = 1 + itx 1(x) + 2(x) , para 2(x) 1 (27)
2 6

Considerando > 0 e usando a primeira Frmula de Taylor para x> e a


segunda para x , escreve-se que eitx de forma generalizada como:

2 2 1 ( x ) t 2 x 2 , se x
t x 1
eitx = 1 + itx + r (x), onde r (x) = 2 , (28)
2 t3x3
2 ( x) , se x
6

Portanto,
X k x k
Eexp it k expit
dFk ( x )
sn sn
182

2

x k t 2 x k x k
= 1 it E r dFk ( x ) (29)
sn 2 sn sn

= por linearidade =
2 2
X k t 2 X k k t2 x k x k
1 itE k E 1 1 dFk ( x )
sn 2 sn 2 x k s n sn sn
3
t3 x k x k (30)
2 dF ( x )
6 x k s n s n k
s n

Como EXk = k e Var Xk = k2, tem-se que

Xk k t 2 2k
E expit
1 2 en,k ,
(31)
sn 2sn

j que 1(x) 1 e 2(x) 1, o resto en,k satisfaz a:


2 3 2
2 x k t x k
en,k t dFk ( x ) . dFk ( x )
x k s n sn 6 x k s n s n
3
t2 2 t 2
x x k dFk ( x ) x k dFk ( x) . (32)
s n2 k s n 6s n2

Desta forma,
n n 3
t2 2 t
en,k
sn2 k 1 x k s n
x k dFk ( x )
6sn2
(33)
k 1

Pela condio de Lindeberg, a primeira parcela do termo direita tende a


zero quando n . Desta forma, para n suficientemente grande,
n 3
t
en,k
3
. (34)
k 1
183

1
Escolhendo uma seqncia de 's que converge para zero, se , existe
m
nm tal que para n nm tal que:
n 3
t
en,k , (35)
k 1
3

1
em que os restos en,k so os determinados pela frmula baseada em . Assim,
m
n 3
t
existe uma seqncia n1 < n2 < ... de inteiros positivos tal que en,k , para
k 1
3

1
nm n < nm+1, onde os valores so tambm baseados pelo fato de . Vale
m
lembrar que o valor de que determina o resto en,k depende da posio de n em
relao aos nm. Ento,
n
en,k 0 quando n . (II) (36)
k 1

Lembrando que a funo caracterstica, (I), representado por


n Xk k 2
it sn

t2
Sn ESn ( t ) Ee e
(37)
n
sn (por indepedncia) k 1

e, substituindo (II) em (I), tem-se que:


n
t 2 k2
Sn ESn ( t ) = 1 e n,k (38)
sn

k 1 2sn2

com os valores de en,k satisfazendo (II).


2
t2
Para provar que o termo direita converge para e , recorre-se ao lema
dos nmeros complexos que generaliza o resultado j utilizado para provar o
Teorema Central do Limite no vaso de variveis independentes e identicamente
n
c
distribudas, de que cn c implica que 1 n e c .
n
184

Para finalizar a prova do TCL, considerando o segundo lema, e segundo


James (2006):

n
Lema 2: Sejam cn,k nmeros complexos tais que c n,k c quando n .
k 1

Se
max 1 k n c n,k 0 quando n (39)

e
n
c n,k M (40)
k 1

onde M uma constante que no depende de n, ento


n
(41)
1 c n,k ec quando n .
k 1

Demonstrao:
Para dar seguimento da prova da condio de Lindeberg e provido do
segundo lema, sejam:
t 2 2 t2
c n,k k
e n,k e c= , por (II), tem-se que: (42)
2s 2 2
n

n n
t2 t2
c n,k en,k
, (43)
2 n 2
k 1 k 1

n
o que significa que c n,k uniformemente limitado, ou seja, existe M < tal que
k 1

n
n, c n,k M. Antes de aplicar o lema, segue a verificao da condio de
k 1

mximo:
185

t 2 k2 t2 2 n
max c n,k max max e n,k max k e n,k , (44)
1 k n 2
1 k n 2s n 1 k n 2 1 k n sn2 k 1

com o segundo termo tendendo a zero por (II). Como a condio de Lindeberg
2
implica que max k 0 , a demonstrao est terminada.
2
1 k n s n

186

APNDICE H TERMO DE CONSENTIMENTO LIVRE E ESCLARECIDO

Eu, ________________________________________, possuidor da identidade n


_______________, declaro que concordo em participar da pesquisa intitulada O Teorema
Central do Limite: um estudo ecolgico do saber e do didtico, em que responderei a um
questionrio e realizarei atividades, visando atingir os propsitos da investigao.

Ao assinar esse termo de consentimento, confirmo que estou ciente de que:


1. Trata-se de um estudo de risco mnimo, isto , mesmo risco que tm atividades
rotineiras como conversar, ler etc.;
2. Minha participao ser voluntria e no remunerada;
3. As informaes obtidas sero tratadas sob absoluto sigilo e anonimato e fielmente
relatadas pelos pesquisadores;
4. Estou livre para interromper, a qualquer momento, a participao no estudo, no
sofrendo qualquer tipo de sano ou prejuzo em consequncia do ato da desistncia;
5. Os pesquisadores estaro disponveis para quaisquer esclarecimentos que se fizerem
necessrios quanto ao assunto abordado, durante a realizao da pesquisa, conforme
os meus dados descritos abaixo;
6. Estou ciente de que as gravaes em audios sero, posteriormente, transcritas para o
trabalho;
7. Obtive todas as informaes necessrias para poder decidir conscientemente sobre
minha participao no referido estudo;
8. Os pesquisadores se comprometem a repassar, individualmente, os resultados da
pesquisa no seu encerramento, caso seja do meu interesse.

A divulgao dos resultados podero ser publicados em anais e/ou revistas


cientficas, garantindo o anonimato de todos os participantes.
Portanto, tenho pleno conhecimento de que esta pesquisa est de acordo com
Conselho Nacional de Sade e CONEP (Conselho Nacional de tica em Pesquisa).

Local, _______ de ___________ de ____________

_________________________________
Assinatura do(a) Voluntrio(a)
Telefones para contato: ____________________________________

_______________________________ _______________________________
Nome do pesquisador Nome Orientador(a)
Telefones _______________________ Telefones _______________________
e-mail: _________________________ e-mail: _________________________
187

ANEXOS
188

ANEXO 1 Currculo de Licenciatura em Cincias no ano de 1983


189

ANEXO 2 Primeira atividade com os licenciandos

RESPOSTA DE AO
190

RESPOSTA DE BM
191

RESPOSTA DE CA
192

RESPOSTA DE FA
193

ANEXO 3 Questionrio realizado na situao-problema apresentado aos


licenciandos

Pontuao
(Espao
Estou Aposto Estou exclusivo dos
seguro Acredito 50% Acredito seguro pesquisadores)
a
5 Srie do Ensino Resposta de que que est que que est de que
est correto est incorreto est
Fundamental correto correto incorreto

Responda s questes e, em seguida, avalie sua resposta.

Exemplo: 6 x 4 24 X

1. Hoje Carolina completa 9


anos. Ser que ela j viveu
3.000 dias de vida?

2. Dona Maria saiu de casa com uma


certa quantia na bolsa.
Ela gastou 17 reais no supermercado
e, no caminho de volta, retirou 45
reais em uma caixa eletrnica. Se ela
chegou em casa com 52 reais, com quanto saiu?
3. Qual destes decimais maior?
1,7 0,46 1,0 1,56
4. Agora responda:
2,4 tem quantos dcimos a menos que 3?
5. Responda:
Quantos gramas so 0,5 Kg?
6. O feirante comprou um saco com 3 Kg de feijo.
Ele vai vender sacos de 0,5 Kg de feijo. Quantos
sacos de 0,5 Kg ele pode fazer com a quantidade
que tem?
7. Imagine que 1 Kg de carne custe R$ 8,00.
Quanto voc pagar se comprar 3,5 Kg de carne?
8. Quantas latas de gua de 8 litros so
necessrias para encher uma caixa dgua na qual
cabem 296 litros?
9. Seu Luiz caminhoneiro. Ele leva cargas de
uma cidade para outra. Ele acabou de fazer uma
viagem do Rio de Janeiro a Salvador em 4 dias,
percorrendo a mesma distncia cada dia. Quantos
quilmetros seu Luiz rodou por dia?

10. Uma escola tem 630 alunos.1/3


deles est na 5 srie. Quantos so
esses alunos?

11. Em uma padaria, o preo da


pizza inteira R$16,00. Mas, se
voc quiser, pode comprar fatias
de pizza, pagando um preo
promocional. Cada pizza dividida em 8 partes
iguais. Qual o preo de 1/8 (um oitavo) de uma
pizza? E o de 3 fatias dessa pizza?
194

Pontuao
Estou Aposto Estou (Espao
seguro Acredito 50% Acredito seguro exclusivo dos
Resposta de que que est que que est de que pesquisadores)
5a Srie do Ensino est correto est incorreto
correto correto
est
incorreto
Fundamental (cont.)
12. Uma lojinha tinha um estoque de 1850 toalhas
e no conseguia vend-las. Ento, numa tera-
feira,o gerente reduziu o preo delas em 50%.
Nesse dia, vendeu 418 toalhas. A notcia se
espalhou e, no dia seguinte, ele vendeu outras
837. Aps essas vendas, quantas toalhas
sobraram no estoque da loja?
13. Faa esta multiplicao.
Ver um resultado surpreendente.
123456789 x 9 =

14. Thiago e sua famlia viajaram e, para evitar


problemas, ele fechou o registro de entrada de
gua de sua casa. Nisso, a caixa da descarga do
banheiro comeou a vazar, perdendo 9 litros de
gua por hora. Antes de comear o vazamento, a
caixa d'gua continha 774 litros de gua. Em
quantas horas ela estar vazia?
15. Mauro tem 1,27 m de altura.
Crescendo mais 5 centmetros, que
altura ele ter? Depois disso, quanto
faltar para Mauro ter 1,4 m de
altura?
16. Para ir ao trabalho, Carlos gasta R$ 1,30 no
nibus. No trabalho, ele paga R$ 4,80 pelo almoo
e, tarde, ainda gasta R$ 2,50 em um lanche.
Depois, ele volta para casa, gastando de nibus o
mesmo que na ida. Quanto ele gasta no total?
17. No stio de seu Paulo, o galinheiro
tem forma quadrada e seus lados medem
11 m. Quantos metros de tela ele gastou
para fazer a cerca do galinheiro?

18. Seu Orlando faz clculos porque


vai cercar o muro do terreno ao lado.
Ao todo, quantos metros de muro sero
construdos se os lados medem:
15,65m; 5,10m; 6,35m; 8,70m; 12,30m?
19. O comprimento de um retngulo o dobro de
sua largura. Seu permetro de 30
cm. Quanto mede o lado menor
desse retngulo? Ajuda: esse lado
menor mede menos de 7 cm.
20. Que dia da semana hoje?
Agora descubra, sem olhar no
calendrio, que dia da semana
ser daqui a 32 dias.
195

ANEXO 4 Dados do enunciado da atividade 2 para os licenciandos

Escola
Particular:
Turma 5A Turma 5B Turma 5C Turma 5D Turma 5E
Alunos: Notas: Alunos: Notas: Alunos: Notas: Alunos: Notas: Alunos: Notas:
1 40 1 38,5 1 37 1 40 1 40
2 40 2 37,5 2 36,5 2 40 2 40
3 39,5 3 36,5 3 36 3 39,5 3 40
4 39,5 4 35,5 4 35 4 38,5 4 39,5
5 38 5 35 5 35 5 38 5 38
6 38 6 35 6 33,5 6 38 6 36,5
7 38 7 35 7 33 7 34 7 32
8 37,5 8 35 8 33 8 32 8 31,5
9 37 9 34 9 32,5 9 32 9 26,5
10 37 10 34 10 32,5 10 31,5 10 25
11 36,5 11 34 11 32,5 11 31 11 22,5
12 36 12 34 12 32 12 31 12 17,5
13 36 13 33,5 13 31,5 13 30,5 13 17
14 35,5 14 33 14 31 14 30 14 4,5
15 35 15 33 15 31 15 29
16 34,5 16 32,5 16 30,5 16 28,5
17 30,5 17 32 17 30,5 17 27
18 28,5 18 31,5 18 30 18 26
19 28,5 19 31 19 30 19 26
20 25 20 30,5 20 29 20 23
21 24,5 21 38,5 21 28 21 23
22 24,5 22 27,5 22 27,5 22 22,5
23 20 23 27 23 27 23 22,5
24 27 24 36,5 24 14
25 24,5 25 26 25 12
26 23,5 26 26 26 9
27 23,5 27 25,5
28 23,5 28 23,5
29 21,5
30 18
31 15,5
Mdia da Mdia da Mdia da Mdia da Mdia da
33,89 30,68 31,14 28,79 29,32
turma turma turma turma turma
196

Escola
Pblica:
Turma 5A Turma 5B Turma 5C Turma 5D Turma 5E
Alunos: Notas: Alunos: Notas: Alunos: Notas: Alunos: Notas: Alunos: Notas:
1 34 1 38 1 37,5 1 30,5 1 30
2 33 2 36 2 34,5 2 27 2 29
3 30 3 34 3 33 3 25 3 28
4 25 4 34 4 31 4 24 4 26
5 24 5 33,5 5 31 5 22,5 5 26
6 23,5 6 32,5 6 31 6 21,5 6 25,5
7 23,5 7 32 7 29,5 7 20,5 7 25
8 21,5 8 30,5 8 28 8 19 8 23
9 20 9 30 9 28 9 18,5 9 22
10 18,5 10 29 10 27,5 10 17,5 10 21,5
11 16,5 11 28 11 26 11 16,5 11 21,5
12 16 12 26,5 12 25 12 16,5 12 21,5
13 14,5 13 25,5 13 24 13 16,5 13 21,5
14 13,5 14 23,5 14 23,5 14 15 14 21,5
15 12,5 15 23 15 23 15 14,5 15 21,5
16 11 16 21,5 16 23 16 14 16 20,5
17 11,5 17 21 17 22,5 17 11,5 17 20
18 9,5 18 19,5 18 22 18 7,5 18 17,5
19 9,5 19 19 19 21 19 6 19 17,5
20 9 20 19 20 20 20 5,5 20 17
21 8,5 21 16,5 21 20 21 5 21 16
22 4 22 16 22 19 22 15,5
23 15,5 23 18,5 23 13,5
24 14 24 17,5 24 13
25 13,5 25 17 25 11,5
26 13 26 16,5 26 9
27 13 27 14 27 7,5
28 12,5 28 12,5 28 4,5
29 11,5 29 12,5 29 0
30 10 30 12 30 0
31 1,5 31 11,5
32 7
Mdia Mdia Mdia Mdia
Mdia da
17,68 da 22,35 da 22,97 da 16,88 da 18,22
turma
turma turma turma turma
197

ANEXO 5 Resposta de AO para atividade 2


198

ANEXO 6 - Resposta de BM para atividade 2


199

ANEXO 7 - Resposta de FA para atividade 2


200

ANEXO 8 Atividade 3 realizada por AO


201

ATIVIDADE 3 ITEM 3: Dados realizados por AO no Excel:

Escola Pblica:
x 20,49 20,28 18,55 19,46 22,96 19,78 20,97 18,58 21,33 18,92
S 10,31 9,45 9,71 12,23 9,40 11,25 8,89 11,14 11,10 12,45

x 15,12 21,58 19,45 14,17 23,74 20,85 18,94 17,90 23,27 22,00
S 11,09 11,03 10,38 10,09 9,78 10,62 7,79 10,31 12,68 11,32

x 23,13 19,49 23,42 22,49 20,35 21,04 23,36 12,31 20,92 22,46
S 10,46 11,12 9,69 10,10 10,02 9,03 11,83 9,24 11,05 10,94

Escola Particular:
x 21,72 24,91 21,64 22,80 21,25 20,77 22,54 24,86 24,88 20,48
S 10,89 9,27 10,66 9,83 10,62 10,93 10,24 8,31 10,95 10,19

x 24,33 16,63 24,66 21,64 18,79 22,22 20,82 22,92 17,28 27,30
S 11,46 9,27 8,43 9,85 11,65 8,33 9,89 9,64 9,33 8,72

x 21,31 21,06 23,05 22,73 25,59 21,92 21,30 20,53 19,64 23,03
S 10,15 10,05 12,30 10,36 9,38 10,81 11,36 10,25 10,13 9,65

ATIVIDADE 3 ITEM 4: GRFICOS REALIZADOS POR AO:

GRFICO 1: Mdias das 30 amostras da Escola Pblica


Fonte: Grfico elaborado no EXCEL por AO.
202

GRFICO 2: Mdias das 30 amostras da Escola Particular


Fonte: Grfico elaborado no EXCEL, por AO.

GRFICO 3: Desvios-padro das 30 amostras da Escola Pblica.


Fonte: Grfico elaborado no EXCEL, por AO.

GRFICO 4: Desvios-padro das 30 amostras da Escola Particular.


Fonte: Grfico elaborado no EXCEL, por AO.
203

ATIVIDADE 3 ITEM 7: GRFICOS REALIZADOS POR AO:

GRFICO 5: Distribuio das mdias de dados de 60 observaes da Escola Pblica por AO.
Fonte: Grfico elaborado por AO com utilizao de EXCEL e SPSS.

GRFICO 6: Distribuio das mdias de dados de 60 observaes da Escola Particular por AO.
Fonte: Grfico elaborado por AO com utilizao de EXCEL e SPSS.
204

ANEXO 9 - Atividade 3 realizada por BM


205
206
207
208
209

ESCOLA PARTICULAR
210
211
212
213
214

GRFICO 1

GRFICO 2
215

GRFICO 3
216

GRFICO 4
217

GRFICO 5
218

ANEXO 10 - Atividade 3 realizada por FA


219

ANEXO 11 - TABELA DA CURVA NORMAL

z 00 01 02 03 04 05 06 07 08 09
0,0 0,0000 0,0040 0,0080 0,0120 0,0159 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0875 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1028 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1878
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2354 0,2486 0,2518 0,2549
0,7 0,2580 0,2612 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3380
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4083 0,4099 0,4115 0,4131 0,4147 0,4162 0,4127
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4270 0,4292 0,4366 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4304 0,4400 0,4410 0,4430 0,4441
1,6 0,4452 0,4463 0,4474 0,4485 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4986 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999

You might also like