MODELAGEM MATEMTICA E MODELOS POBABILSTICOS MIGUEL, Maria Inez RodriguesPUC-SPminez@pucsp.br GT: Educao Matemtica/n.

19 Sem Financiamento Resumo Neste artigo, descrevemos uma experincia de ensino e de aprendizagem do Modelo de Poisson, dirigida a alunos universitrios, baseada na modelagem matemtica, tendo o computador como ferramenta de clculo e de representao. Nos baseamos em um marco terico sobre o significado institucional e pessoal de objetos matemticos e analisamos aqueles referentes ao Modelo de Poisson. A anlise dos resultados evidenciou que muitos dos elementos de significado passaram a fazer parte do conhecimento dos alunos e outros sugerem novas investigaes. A pesquisa mostra que possvel desenvolver o estudo de modelos probabilsticos baseando-se na modelagem matemtica e sugere algumas etapas, consideradas essenciais no ensino. Palavras chave: modelagem matemtica, ensino e aprendizagem em estatstica, Modelo de Poisson.

Introduo Em um curso introdutrio de estatstica a nvel universitrio, a escassez de tempo disponvel e os conhecimentos prvios dos estudantes podem impedir que seja feito um estudo completo e significativo sobre o tema. necessrio, entretanto, desenvolver noes bsicas sobre as distribuies de probabilidade, pois a compreenso das mesmas influencia os erros de aplicao dos procedimentos inferenciais, como os testes de hiptese (BATANERO; TAUBER; SNCHEZ, 2001). A dificuldade de um tema depende, em grande parte, do ensino implementado; por esse motivo, nosso objetivo foi construir uma seqncia didtica que pudesse favorecer a aquisio de noes bsicas dos modelos probabilsticos, alm de aplic-la a um grupo de alunos e avaliar os resultados, valendo-se da Teoria das Funes Semiticas (Godino, 2003). A seqncia norteada pelo uso da Modelagem Matemtica e incorpora o uso de computadores como ferramenta de clculo e representao. Nossa opo em centrar a pesquisa no Modelo de Poisson deve-se s dificuldades apresentadas pelos alunos, falta de pesquisas sobre o tema, carncia de material didtico diferenciado e relevncia do modelo no estudo de fenmenos biolgicos (contagem de bactrias em uma lmina de Petri), fsicos (desintegrao

2 radioativa), sociais (bombardeio areo sobre Londres), alm das inmeras aplicaes relacionadas ao Processo de Poisson, tempo de espera e a possibilidade em trabalhar de modo interdisciplinar com a Fsica. O estudo no se limitou ao ensino do Modelo de Poisson, abrangendo parte da Estatstica Descritiva e Inferencial. Este estudo, portanto, enquadra-se no campo da Didtica da Matemtica e direcionado para os aspectos que envolvem o uso da Modelagem Matemtica no ensino. No que se segue, descrevemos a problemtica, as questes de pesquisa, hipteses e objetivos, os fundamentos do estudo, a metodologia adotada e uma anlise dos resultados, com as principais concluses.

Problemtica Encontramos poucas publicaes especficas sobre os modelos probabilsticos. Em 1997, Henry e Dantal propuseram a introduo do Modelo de Poisson, por aproximao do Modelo Binomial, a alunos do terceiro ano do Ensino Mdio francs, mas sem fase experimental. Em relao a ela, duas questes podem ser levantadas: como justificar a aproximao entre os modelos, quando o nmero de repeties no tende a infinito? Como transpor a aplicao do Modelo de Poisson a situaes que envolvem rea ou volume? Na atualidade observada uma tendncia em valorizar o carter instrumental da matemtica para resolver problemas, envolvendo o relacionamento entre teoria e prtica. Henry (1997) sugere que os alunos sejam colocados diante de situaes aleatrias da realidade e apresenta seis etapas para a aplicao de um processo de modelagem: realidade, modelo pseudo-concreto, modelo matemtico, estudo

matemtico, confrontao modelo-realidade e generalizao-previso. Em 2003, o mesmo autor props um Trabalho Dirigido (TD) na XIIme cole dt de Didactique des Mathmatiques, em que o experimento realizado foi uma simulao da desintegrao radioativa por programa de computador. A pesquisa de Coutinho (2001) foi centrada no ensino e aprendizagem, no sentido de buscar condies didticas para que alunos do ensino bsico se familiarizassem com situaes aleatrias em contexto escolar, valendo-se do dinamismo que o ambiente Cabri-geomtre II proporciona. No processo de modelagem, dois domnios foram utilizados por essa autora: o concreto e o pseudo-concreto. Os resultados dessa pesquisa indicam que os alunos entre 14 e 16 anos adquiriram ferramentas de representao e de interpretao de fenmenos aleatrios que os levou a

3 construo do significado de um valor de probabilidade determinado, assim como a estimao de uma probabilidade. Para Girard (1997), quando se busca um modelo para interpretar a realidade, na verdade, apenas para alguns aspectos, considerados como pertinentes, sendo que ele considerado inadequado, quando se encontra uma falha, um desencontro com aquilo que se observou. Batanero acrescenta:
uma vez que construmos um modelo matemtico para a situao e obtidas as concluses, a partir do modelo, falta a parte mais importante: compar-las com o comportamento real da situao analisada e decidir se o modelo matemtico nos proporciona uma boa descrio da realidade. (BATANERO, 2001, p. 2).1

Parzys (1997) salientou a importncia de se dar ateno ao papel da articulao entre os campos estatstico e probabilstico, em particular, a distino entre as noes de freqncia e probabilidade. O autor destaca que diferentes representaes, alm da linguagem natural e algbrica, como tabelas e grficos, podem favorecer a apreenso de vrios aspectos na explorao e comparao desses conceitos. A experincia de ensino sobre a distribuio normal, feita por Batanero, Tauber e Snchez (2001), juntamente com os trabalhos citados indicam o uso da modelagem no ensino das distribuies de probabilidades, a realizao de um experimento na prtica, a articulao entre os campos probabilstico e estatstico, alm de fazer uso de diferentes registros de representao, como tabelas e grficos que podem ser beneficiados com o uso do computador.

Questes de pesquisa, hipteses e objetivos O princpio metodolgico que coloca em primeiro plano a questo da Modelagem Matemtica recente e inovador nas pesquisas em Didtica da Matemtica (BOSCH; CHEVALLARD, 1999). Os trabalhos mencionados sugerem caminhos a serem seguidos que possibilitam o levantamento da seguinte questo de pesquisa inicial: o uso da Modelagem Matemtica favorvel ao ensino e aprendizagem do Modelo de Poisson? Considerando que em um processo de modelagem, a organizao das etapas fundamental, admite-se a hiptese de que as orientaes de Henry (1997, 2003) possam ser interpretadas e adaptadas para a natureza deste estudo; assim sendo, a seguinte ___________________
1

Traduo nossa

4 questo secundria colocada: quais etapas so fundamentais num processo de modelagem? Em grande parte, as questes enunciadas dependem do ensino implementado; por esse motivo, os seguintes objetivos foram propostos: fazer um levantamento das noes envolvidas no estudo do Modelo de Poisson; elaborar e aplicar uma seqncia didtica fundamentada em um processo de modelagem, analisar e avaliar os resultados. Como algumas pesquisas tm mostrado que o uso de um aplicativo pode favorecer o interesse, explorao e compreenso do modelo, admite-se a hiptese de que o uso do computador possa contribuir para o desenvolvimento do processo de modelagem.

Fundamentos do estudo A preocupao em elaborar uma seqncia de ensino que pudesse favorecer o ensino e a aprendizagem dos modelos probabilsticos com significado (no sentido usual do termo) e avaliar o processo de modelagem, motivou a busca de elementos tericos para seu embasamento. Particularmente, o trabalho de Batanero, Tauber e Snchez (2001) sugeriu o uso da Teoria das Funes Semiticas (GODINO, 2003), essencialmente, a criao de categorias de significado de objetos matemticos (situaes-problema, tcnicas, conceitos, proposies, argumentaes, teorias, etc.), identificados em carter institucional e/ou pessoal. Nessa teoria, o termo significado concebido como o contedo associado a uma expresso, mas no , necessariamente, uma entidade mental, mas sim, aquilo ao qual se refere um sujeito (pessoa ou instituio) em um dado momento e em dadas circunstncias. O autor define objeto institucional, como emergente do sistema de prticas sociais relacionadas a determinados problemas, sofrendo transformaes e ampliando o campo de problemas a ele associado e objeto pessoal como emergente do sistema de prticas pessoais significativas associadas a um campo de problemas, cuja emergncia progressiva ao longo da histria do sujeito, como conseqncia da experincia e da aprendizagem (GODINO, 2003, p. 97-99). Dessa forma, o significado dos objetos matemticos relacionado com as prticas de um sujeito com os objetos, ou ao seio das instituies, possibilitando que se fale em significado de um objeto pessoal e institucional (GODINO, 2003, p. 101). No trabalho matemtico, costuma-se usar um objeto para a representao de outros, em geral abstratos, estabelecendo-se uma correspondncia, poucas vezes explcita, entre o

5 representante e o representado; palavras, smbolos, grficos e objetos fsicos desempenham o papel de representar um objeto, ou um de seus aspectos. A interpretao do conhecimento e da compreenso de um objeto por parte de um sujeito (pessoa ou instituio) avaliada, nessa teoria, em termos das relaes que o sujeito pode estabelecer em determinadas situaes. Na Teoria das Funes Semiticas, o problema da compreenso est intimamente ligado a como se concebe o prprio conhecimento; a compreenso considerada como um processo progressivo e interpretada como correspondncia entre significados pessoais e institucionais. A competncia e a compreenso pem em jogo o conhecimento; diz-se que um sujeito competente para realizar uma tarefa, quando capaz de aplicar corretamente uma tcnica; diz-se que um sujeito compreende a tcnica que permite realizar a tarefa, quando ele conhece, porque a dita tcnica adequada, seu campo de validade e as relaes com outras tcnicas. Para descrever o conhecimento, Godino (2003) considera as dependncias entre as partes de um texto, em que uma parte (expresso) designa outra (contedo). A expresso e o contedo podem ser constitudos de um ou vrios tipos de entidades que o autor categoriza em seis elementos de significado: SITUAES: no sentido amplo, refere-se a problemas matemticos ou extra-matemticos. LINGUAGEM: designa todo tipo de representao, inclusive as matemticas. AES: do sujeito diante de tarefas matemticas. CONCEITOS: na atividade matemtica, o sujeito apia-se em noes para resolver problemas, que contribuem para a emergncia de diferentes conceitos, os quais iro caracterizar o novo objeto que surge como resultado de aes. PROPRIEDADES: cada propriedade de um objeto matemtico relaciona-o a outros e contribui para o crescimento do significado do objeto em questo. ARGUMENTOS: a fim de justificar, explicar e comprovar as solues dos problemas, aes e objetos so interligados, mediante argumentaes e raciocnios. Para cada componente de significado descrita, o autor considera cinco facetas do conhecimento; neste estudo, apenas uma delas foi levada em considerao: institucional e pessoal. Dependendo do interesse no estudo, pode-se considerar o sujeito individual (pessoal) ou documentos curriculares, livros texto, explicaes do professor (institucional), ou ainda, a interao em ambos. Godino (2003) distingue os significados institucionais em: de referncia (textos matemticos, orientaes curriculares, consideraes de especialistas, conhecimento pessoal do professor), pretendidos

6 (baseado nos significados de referncia, o professor seleciona, ordena e delimita os que sero desenvolvidos), implementados (que tm lugar na sala de aula) e avaliados (que constam das provas, tarefas e observaes) e os pessoais em: global (contedos que os alunos so capazes de manifestar), declarados (tudo que expresso nas avaliaes) e logrados (aqueles declarados, que esto em acordo ao que foi institucionalizado). A categorizao dos elementos de significado do objeto Modelo de Poisson foi considerada neste estudo; inicialmente, foi feita uma anlise de seis livros didticos utilizados em cursos universitrios, a fim de determinar os elementos de significado institucional de referncia, que foram considerados na seleo daqueles que seriam pretendidos em cada etapa do processo. Ao final de cada sesso os elementos de significado pessoal, global e declarado, foram comparados com os institucionais, implementados e avaliados, a fim de identificar aqueles logrados e os erros de aprendizagem, avaliando, dessa forma, o processo de modelagem desenvolvido. Para Bienbengut e Hein (2000), a construo de modelos matemticos surgiu durante o Renascimento em linguagem e tratamentos matemticos de idias da Fsica. J na Educao, ela recente, podendo ser usada como mtodo de pesquisa e estratgia de ensino e de aprendizagem (BASSANEZI, 2002). Sob o ponto de vista da Matemtica Aplicada, a modelagem entendida, como um processo que tem origem na realidade e visa construo de um modelo matemtico, sendo descrito, por vrios autores, em etapas seqenciais, que diferem na esquematizao e no detalhamento das etapas. Nossa hiptese que as etapas de Henry (Quadro 1) podem ser interpretadas para os propsitos deste estudo.
Quadro 1. Etapas do processo de modelagem matemtica
ETAPA OBJETO DE AO Estudo de um fenmeno real ou de um processo experimental. Situao genrica, descontextualizada, abstratamente portadora de propriedades do objeto de estudo. Hipteses do Modelo: em geral implcitas, porm explcitas para o contexto particular. Conjunto de equaes ou de formalizaes matemticas representando as propriedades do Modelo e as hipteses admitidas. Propriedades do Modelo Matemtico, decorrentes das hipteses e das teorias matemticas usadas. Formulao em termos correntes dos resultados obtidos. Recontextualizao. Confrontao do Modelo completado por esses resultados com as informaes acessveis da realidade. Extenso da validade do Modelo a outras situaes anlogas, condies e generalizaes. Previso dos resultados nas novas situaes.

Realidade Modelo pseudoconcreto Modelo Matemtico Estudo Matemtico Confrontao ModeloRealidade

Generalizao e previses Fonte: Henry (1997, p. 81-83).2

Procedimentos Metodolgicos ___________________

2

Traduo nossa

7 Um experimento piloto foi realizado em 2003, com o intuito de fazer os acertos necessrios. Em 2004, foi realizada a fase experimental, na qual participaram, voluntariamente, dezesseis alunos do segundo ano de graduao de uma instituio particular de Ensino Superior, sendo oito do curso de Engenharia Eltrica e oito de Cincia da Computao. A opo por oito duplas deveu-se ao nmero de contadores Geiger-Mueller (quatro) disponveis no Laboratrio de Fsica Nuclear. O objetivo, ao adotar metade do nmero de alunos de cada curso, foi montar as duplas de trabalho com um aluno de cada, pretendendo-se favorecer a troca de conhecimentos das duas formaes. A fase experimental foi desenvolvida na instituio de ensino em que os participantes estudavam e constou de seis etapas, em ambientes que se alternaram entre: Laboratrio de Fsica Nuclear, Laboratrio de Informtica e sala de aula usual. Os encontros, cada um com duas horas de durao, foram organizados de acordo com as etapas de modelagem e os aspectos principais so descritos no que se segue. Observamos que, ao final de cada encontro, os alunos responderam algumas questes, cuja correo e discusso coletiva, propiciou que os contedos visados fossem institucionalizados e a etapa avaliada, em termos de objetivos atingidos. Primeira etapa: (realidade Laboratrio de Fsica Nuclear) os alunos receberam um texto sobre radiao, com o intuito de situ-los no contexto dos experimentos: contagens de partculas radioativas emitidas, com o auxlio do contador Geiger-Mueller. Com base no texto, os alunos elaboraram e colocaram em ao um protocolo experimental; quatro experimentos foram realizados, com dois tipos de material radioativo e trs intervalos de tempo, a fim de favorecer a conjectura de propriedades, referentes aos Postulados de Poisson. Segunda etapa: (modelo pseudo-concreto Laboratrio de Informtica) os alunos fizeram um estudo descritivo dos valores coletados, com o auxlio de um aplicativo, incluindo tabelas, grficos e medidas de tendncia central e disperso, visando o levantamento de conjecturas. Terceira etapa: (modelo matemtico sala de aula usual) baseando-se nas fases anteriores, professor e alunos, construram o modelo matemtico (no caso, o Modelo de Poisson). Essa construo foi detalhada passo a passo e no usou a aproximao binomial. Quarta etapa: (estudo matemtico Laboratrio de Informtica) com o uso do mesmo aplicativo os alunos fizeram a explorao do modelo, valendo-se de diferentes valores

8 do parmetro e distintos registros de representao, a fim de validar conjecturas e generaliz-las. Quinta etapa: (confrontao modelo-realidade Laboratrio de Informtica) os alunos compararam os valores obtidos em um dos experimentos realizados com aqueles correspondentes ao modelo terico construdo, adotando-se como parmetro o valor inferido experimentalmente. O aplicativo utilizado foi o mesmo e a comparao foi feita por meio de tabela, grfico e teste qui-quadrado de aderncia. Sexta etapa: (generalizao e previses sala de aula usual) os alunos resolveram uma srie de situaes associadas a outras reas do conhecimento, como aquelas encontradas em livros didticos, em que o Modelo de Poisson foi considerado adequado, com base nos Postulados de Poisson. Alm disso, um estudo sobre a aproximao Poisson ao modelo Binomial fez parte deste encontro. Um ltimo encontro foi direcionado aplicao de um teste final, individual e sem consulta a material didtico ou apontamentos, apresentado a seguir. 1. Assinale todas as alternativas com as quais voc concorda. Construir um Modelo Matemtico associado a um experimento aleatrio a) elaborar uma ou mais equaes matemticas que possibilitem o estudo de uma caracterstica que se queira observar. b) serve para fazer previses a respeito de valores futuros. c) proporciona uma aproximao aos valores observados em uma experincia. d) consiste em determinar equaes matemticas que possibilitem a determinao de valores iguais aos obtidos experimentalmente. e) exige que algumas hipteses sejam admitidas, a fim de se poder determin-lo. f) obter uma representao abstrata de algum aspecto da realidade observada. 2. Assinale todas as alternativas com as quais voc concorda. Para definir completamente uma distribuio de Poisson, suficiente conhecer: a) a moda; b) a mdia; c) a mediana; d) a varincia; e) o desvio padro 3. Se uma varivel aleatria Wt tem distribuio de Poisson com parmetro 16, complete as afirmaes: a) Wt pode assumir os valores: b) O valor esperado (mdia) de Wt c) A varincia de Wt d) O desvio padro de Wt e) O valor de Wt com probabilidade mxima prximo de

9 f) O intervalo que contm os valores de Wt com probabilidades no desprezveis, aproximadamente: g) Os valores de Wt, maiores que a mdia, tm suas probabilidades cada vez 4. Sendo W2 ~ P(8,2), complete: a) W1 ~ P( ); b) W4 ~ P( ); c) E(W4) = __; d) Var (W4) = __; e) P(W4 = 3) = _ f) moda de W4 um valor prximo de 5. Complete: na representao por meio de um grfico de colunas de uma distribuio de probabilidades, os valores da varivel aleatria so situados no eixo ... e as respectivas probabilidades no eixo ... . 6. Assinale as situaes que podem ser estudadas, usando o Modelo de Poisson: a) peso dos alunos de uma escola em um determinado perodo letivo. b) nmero de guarda-chuvas que uma loja vende por dia. c) volume de gua em piscinas de tamanho olmpico. d) nmero de defeitos em rolos de 5 metros de fita de ao. e) nmero de vezes que ocorre a face trs, em dez lances de um dado honesto. f) tempo de espera na fila de um banco. g) nmero de acidentes "na rodovia da morte" em um fim de semana. h) nmero de vezes que uma pessoa realiza o teste prtico, a fim de obter a habilitao. 7. Na fabricao de peas de determinado tecido, aparecem defeitos, ao acaso, na mdia de dois defeitos a cada 20m2. Supondo uma distribuio de Poisson para os defeitos e selecionando, aleatoriamente, recortes de tecido da produo, pede-se: a) o nmero mdio de defeitos em 50m2 ; b) a probabilidade de haver exatamente quatro defeitos, em 50m2; c) a probabilidade de haver pelo menos dois defeitos em 10m2; d) o nmero mais provvel de defeitos em 10m2; e) aproximadamente, o nmero mximo e o nmero mnimo de defeitos em 10m2 ; f) a probabilidade de haver mais de quinze defeitos em 10m2. 8. Estudando o nmero de erros nas pginas de determinado jornal concluiu-se que se pode considerar que a varivel aleatria W10, nmero de erros em dez pginas do jornal, escolhidas ao acaso, tem distribuio de Poisson, representada no grfico a seguir:

10
0,16 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Complete: a) no eixo das abscissas so representados b) no eixo das ordenadas so representados c) o nmero mdio de erros em dez pginas aproximadamente d) W10 ~ P( ... ). 9. O departamento de recursos humanos de uma empresa entrevista, em mdia, 3,4 candidatos a emprego por hora. Admitindo que o nmero de entrevistas segue uma distribuio de Poisson, pede-se: a) a probabilidade de mais de dois candidatos serem entrevistados em meia hora; b) nmero mdio de entrevistas em 45 minutos. 10. Em um curso universitrio sabe-se que apenas 2% dos alunos so do sexo feminino. Escolhendo-se, ao acaso, 30 estudantes, qual a probabilidade de se obter exatamente sete do sexo feminino? (use a distribuio de Poisson para obter um valor aproximado). 11. Digite os valores que representam nmeros de telefonemas recebidos por uma central telefnica a cada minuto na planilha, e use o teste qui-quadrado, com um nvel de 5%, para avaliar a aderncia dos valores observados ao Modelo de Poisson; escreva

sua concluso. Lembrete: 2 = Nmero de telefonemas: 0 Freqncia 25

(Foi Fei ) 2 . Fei

1 37

2 21

3 12

4 5

Anlise dos resultados Num primeiro momento, apresentamos alguns comentrios a respeito das etapas consideradas no processo de modelagem desenvolvido.

11 Primeira etapa: apesar da experincia escolhida referir-se a uma rea do conhecimento que os alunos no tinham domnio, ainda, pde-se observar que esta foi importante para motivar e despertar o interesse, alm de contribuir para que as noes de mdia, aleatrio e independncia pudessem ser ampliadas e algumas de suas caractersticas identificadas pela maioria dos alunos, mas no de todos, evidenciando a complexidade desses conceitos j salientada por outros pesquisadores. Observa-se, portanto, que no s a realizao efetiva do experimento fundamental no processo, como concluiu Coutinho (2001), mas tambm sugere que o experimento a ser realizado deve ser cuidadosamente selecionado, tendo em vista os sujeitos visados no estudo. Segunda etapa: a explorao realizada na planilha atingiu o objetivo de reafirmar e complementar a primeira etapa, garantindo a explicitao, pelas duplas, da dependncia do material radioativo e do intervalo de tempo no nmero de partculas emitidas. A noo de valores aleatrios foi ampliada, em relao ao explicitado na primeira etapa. Nessa etapa de modelagem, pode-se concluir que o trabalho de explorao dos valores obtidos experimentalmente, em particular, a representao grfica com auxlio de um aplicativo, mostrou-se favorvel emergncia de conjecturas sobre o modelo, no que tange ao contexto particular dos experimentos realizados; vale mencionar que o uso do computador agilizou a obteno das representaes pretendidas, mas os alunos precisam conhecer e saber manipular o aplicativo, antes da sua utilizao, para no comprometer os objetivos visados. Terceira etapa: a anlise desta etapa evidenciou a complexidade e a necessidade de esclarecimentos dos conceitos matemticos e probabilsticos envolvidos, alm que todas as passagens intermedirias devem ser explicitadas e, mesmo que se manipule smbolos, importante que os alunos traduzam as expresses a fim de enriquec-las e reforar o sentido atribudo a estes smbolos. (GRUPO AZARQUIEL, 1993, p. 41). A construo apresentada favoreceu a apreenso das Hipteses de Poisson e sua importncia, mas no possibilitou a compreenso do parmetro do modelo. Acrescenta-se, ainda, o interesse explcito por aspectos histricos relacionados ao estudo, que puderam ser agregados ao desenvolvimento dessa etapa. Quarta etapa: Nos comentrios individuais, o trabalho no Laboratrio de Informtica foi valorizado por todos os alunos, como sendo um instrumento que favorece a aprendizagem, como tambm o trabalho em dupla, sendo salientadas as vantagens do debate sobre as dvidas, maior confiana nas concluses e mais agilidade na resoluo das situaes propostas. Alguns sujeitos explicitaram que as representaes grficas

12 facilitaram a visualizao de resultados e que essa atividade trouxe esclarecimentos sobre o parmetro do modelo. As variveis didticas escolhidas foram favorveis para a generalizao das propriedades do modelo, embora tivssemos observado algumas dificuldades na manipulao do aplicativo. Essa etapa , portanto, fundamental para a comparao entre modelo e realidade que se pretende realizar, pois nela que o aluno comea a dar significado ao parmetro, alm de tornar vivel a aproximao entre uma varivel que assume valores at infinito e um experimento que nunca assume tais valores. Quinta etapa: dentre os comentrios dos alunos, pode-se destacar: a comparao entre os valores do qui-quadrado calculado e crtico para se obter a concluso, a visualizao grfica dos valores tericos e experimentais, a identificao da possibilidade de mau funcionamento do equipamento na realizao de um dos experimentos, o trabalho no Laboratrio de Informtica e as vantagens da professora sanar as dvidas durante o desenvolvimento das atividades. Quanto ao trabalho em dupla, foram valorizadas: a agilidade na execuo das tarefas, as trocas de conhecimentos e as idias que nunca surgiriam em um trabalho individual. Nessa etapa, ficou evidente que o fato de os alunos j terem feito uso de um aplicativo, no garante que este possa ser usado no desenvolvimento de novas noes. Sexta etapa: a validade das Hipteses de Poisson, a coleta de resultados de vrias observaes e o nmero mdio foram os elementos considerados, pelos alunos, como necessrios para a avaliao da aderncia do modelo de Poisson s situaes propostas. O trabalho desenvolvido favoreceu a ampliao do significado do parmetro do modelo e o de probabilidade mxima. Por outro lado, o estudo realizado no possibilitou a aproximao pretendida entre os significados institucionais e pessoais, no que se refere aos intervalos de valores da varivel com probabilidades no desprezveis e aplicao da frmula de Poisson; h indcios de que a representao adotada no foi favorvel. Pde-se constatar, tambm, que a interpretao de termos como, pelo menos dois, foi dificuldade no superada, reafirmando os achados apontados por Girard (1997). A anlise a seguir, remete-se ao teste final, apesar de os alunos terem sido avaliados, tambm, ao final de cada etapa de modelagem, cujos comentrios j foram apresentados. Na tabela 1 temos a freqncia de respostas a cada item. Em acordo com a Teoria das Funes Semiticas podemos organizar tais respostas em concordncias e diferenas entre o significado institucional avaliado e o pessoal declarado, que nos permite avaliar muitos dos elementos de significado postos em jogo, revelando

13 competncias e compreenses relacionadas aos conhecimentos objetivados em cada etapa do processo de modelagem implementado. Tabela 1. Freqncia de acertos no teste final
item questo

a
10 14 1 12 14 7 13 9 3 10

b
1 14 11 8 14 10 10 11 12

c
8 14 9 7

d
3 12 7 6

e
12 7 6 5

f
5

1 2 3 4 5 6 7 8 9 10

3 5

12

13 3 8

11 9 4

3 6

9 8

12

10

Fonte: teste final da fase experimental da pesquisa em questo, envolvendo 14 alunos. Nota: nas questes que envolvem a seleo de itens, as freqncias daqueles que no deveriam ser selecionados, correspondem ao nmero de alunos que no o fizeram.

Situaes: um bom nmero de alunos aplicou corretamente o modelo nos trs tipos de situaes propostas no teste: aproximao Poisson a um problema Binomial, resoluo de problemas com contextos em outras reas do conhecimento e ajuste a uma distribuio de dados empricos, como modelo terico aproximado. Muitos alunos no foram capazes de perceber a utilidade de um modelo matemtico nas previses de dados futuros, talvez, por no ter sido abordada diretamente no ensino. Linguagem: os alunos reconheceram os termos verbais associados aos conceitos introduzidos. A representao da varivel adotada, Wt ~ P ( t), provocou dvidas em sua utilizao e interpretao. A pretenso foi diferenciar as variveis, quando o intervalo alterado, mas a escolha provocou confuses. Talvez, a representao W .t ~ P(.t)

possa evitar os erros observados. Alm disso, a

interpretao de expresses do tipo pelo menos foi motivo de muitas falhas; apesar da

14 nossa precauo em relao a este aspecto, o estudo no foi suficiente para os alunos superarem essa dificuldade. Aes: no fez parte do teste. Conceitos: dentre os conceitos avaliados, pode-se destacar, como fazendo parte do conhecimento explicitado: a mdia do Modelo de Poisson, o parmetro e as probabilidades desprezveis e mxima. Os alunos foram capazes de identificar o valor da varivel com probabilidade mxima mas, quando a noo foi substituda pelo conceito de moda, a porcentagem de erro foi bem maior. Apesar de os alunos j terem feito uso do teste qui-quadrado, este foi motivo de muitos questionamentos. Tal fato nos alerta para a necessidade de se rever os conceitos, em situaes de resoluo de problemas, para garantir que sejam conhecimentos disponveis. Propriedades: podem ser considerados como conhecimento adquirido, a suficincia da mdia na identificao do Modelo de Poisson, a coincidncia da mdia, varincia e parmetro, a linearidade da mdia nas situaes de tempo, comprimento e espao e o decrescimento das probabilidades conforme os valores da varivel se distanciam da mdia. Apesar da explorao de valores da varivel, com probabilidade desprezvel, muitos alunos no foram capazes de identificar que a varivel com distribuio de Poisson assume valores de zero a infinito, limitando-os ao valor do parmetro. Talvez, o estudo, que se valeu da representao grfica, em que a visualizao limitada, tenha influenciado as respostas. O intervalo de valores da varivel com probabilidade no desprezvel foi definido de modo incorreto, por vrios alunos, indicando que o trabalho desenvolvido no foi suficiente para que este fizesse parte do conhecimento de tais sujeitos. Argumentos: embora a justificativa das respostas no tenha sido uma exigncia do teste final, pde-se constatar na ltima questo a dificuldade de os alunos expressarem suas idias; o vocabulrio foi limitado e as frases elaboradas no traduziram adequadamente as idias subjacentes. A relao entre os objetivos de cada questo, as concordncias e diferenas entre os elementos de significado institucional e pessoal apresentados e as etapas de modelagem adotadas neste estudo, nos permitem dizer que h indcios de que o uso da modelagem pode ser favorvel ao ensino e aprendizagem de modelos probabilsticos e que a interpretao dada s etapas corroborou para que os objetivos fossem atingidos. A aproximao entre os elementos de significado pessoal logrado, explicitados pelos sujeitos desta pesquisa, e aqueles institucionais de referncia, obtidos nos livros

15 didticos, nos convida a dar continuidade em nosso estudo sobre o ensino e aprendizagem de modelos probabilsticos.

Concluses Neste trabalho, descrevemos um estudo sobre o ensino e aprendizagem do Modelo de Poisson, em que a Modelagem Matemtica norteou a elaborao da seqncia de ensino, tendo a Teoria das Funes Semiticas como fundamento. Nossa anlise da metodologia de ensino desenvolvida e a comparao com aquela que apresentada nos livros didticos, sob a tica do marco terico adotado, revelam a complexidade do significado e compreenso do conceito de Modelo de Poisson, que no se limita aplicao de frmulas, mas inclui um sistema de elementos que os alunos devem reconhecer e serem capazes de relacionar para resolver os problemas que so propostos. Esta pesquisa permite concluir que o uso da Modelagem Matemtica pode favorecer o ensino e a aprendizagem do Modelo de Poisson por possibilitar que vrios de seus elementos de significado sejam colocados em jogo, podendo favorecer o desenvolvimento de competncias na obteno e aplicao de tcnicas e a compreenso do objeto em estudo, como um processo progressivo, mental, social e interativo. A anlise dos resultados obtidos ao final de cada etapa do processo de modelagem e no teste final sustenta a afirmao de que todas as seis etapas foram fundamentais, para que muitos dos elementos considerados no estudo pudessem fazer parte do conhecimento adquirido pelos sujeitos participantes; dentre eles, destacam-se: determinar o parmetro do modelo baseado em valores obtidos experimentalmente ou de sitaes-problema; identificar o valor da varivel com probabilidade mxima; determinar as freqncias esperadas sob a hiptese do modelo ser de Poisson; calcular o qui-quadrado crtico e observado e compar-los, a fim de identificar se o Modelo de Poisson ou no inadequado para representar a realidade observada; identificar situaes em que o Modelo de Poisson possa ser utilizado; identificar caractersticas na construo de um modelo matemtico; determinar probabilidades de variveis aleatrias com distribuio de Poisson; identificar a coincidncia entre mdia, varincia e parmetro de uma varivel com distribuio de Poisson.

16 Essas aquisies podem ter sido favorecidas pelas escolhas feitas nesta pesquisa, dentre as quais foram salientadas pelos prprios sujeitos participantes: a discusso e correo de cada tarefa ao seu final, o esclarecimento das dvidas durante o processo, o detalhamento nas demonstraes formais, a mudana de ambiente e o trabalho desenvolvido nos Laboratrios de Fsica Nuclear e de Informtica e, finalmente, o trabalho em dupla. O estudo detectou, tambm, que alguns elementos de significado

proporcionaram maior dificuldade de compreenso; dentre eles, pode-se destacar: identificar os elementos na representao simblica utilizada. interpretar expresses do tipo pelo menos dois; expressar, adequadamente, a concluso de um teste de hiptese; definir e determinar o intervalo de valores da varivel com probabilidades no desprezveis; usar opes do menu da planilha eletrnica. Na pesquisa realizada, no foi possvel encontrar uma forma de construir o Modelo de Poisson, sem apelar para a soluo de equaes diferenciais lineares homogneas e no homogneas de primeira ordem, como pretendido. Mas, a experincia realizada e o encaminhamento que foi feito mostraram que, com alguns conhecimentos de Clculo Diferencial e Integral, os alunos foram capazes de acompanhar o desenvolvimento realizado. Quanto ao tempo didtico dispensado no processo apresentado, este pode ser minimizado, tendo em vista que, em um curso regular, pode-se preparar os alunos em vrios aspectos antecipadamente como, por exemplo, o uso das mesmas etapas em modelos menos complexos, como o Binomial, por exemplo, e atividades extra-classe, que no foi opo adotada neste estudo. O trabalho descrito merece novas investigaes, mas, acreditamos ser ele uma valiosa informao inicial, devido falta de pesquisas sobre o tema, com fase experimental. As dificuldades, identificadas neste estudo e que podem ser extrapoladas para outros modelos probabilsticos, merecem nossa ateno em futuras investigaes. Dentre as que foram analisadas, destacamos: interpretao de termos do tipo pelo menos, representao simblica, as limitaes da representao grfica, aprendizagem simultnea do aplicativo e contedo, sntese na comparao entre valores prticos e tericos.

17 Nossa pesquisa sugere que possvel desenvolver uma seqncia fundamentada na modelagem matemtica que possibilite a aprendizagem de noes bsicas sobre os modelos probabilsticos, indicando etapas a serem seguidas. Como este estudo referiu-se a um nmero limitado de sujeitos, os resultados aqui apresentados servem apenas de indicadores e no devem ser generalizados.

Referncias BASSANEZI, R. C. Ensino-aprendizagem com modelagem matemtica. So Paulo: Contexto, 2002. BATANERO, C. Aleatoriedad, modelizacin, simulacin. In actas: X Jornadas sobre el aprendizaje y la enseanza de las matemticas, Zaragoza: ICE, 2001, p. 119-130. Disponvel em: <http:/www.ugr.es/~batanero/publicaciones.htm>. Acesso em: 25 mar. 2002. BATANERO, C.; TAUBER, L. M.; SNCHEZ, V. Significado y comprensin de la distribucin normal en un curso introductorio de anlisis de datos. Quadrante, v. 10, n. 1, p. 59-92, 2001. Disponvel em: <http://www.ugr.es/~batanero/publicaciones.htm>. Acesso em: 10 ago. 2004. BIEMBENGUT, M. S.; HEIN, N. Modelagem matemtica no ensino. So Paulo: Contexto, 2000. BOSCH, M.; CHEVALLARD, Y. La sensibilit de l'activit mathmatique aux ostensifs: objet d'tude et problmatique. Recherches en Didactique des Mathmatiques, La pense sauvage, v. 19, n. 1, p. 77-124, 1999. COUTINHO, C. Introduction aux situations alatoires ds le collge: de la modlisation la situation d'expriences de Bernoulli dans l'environnement informatique cabri-gomtre II. 2001. 330f. Tese (Doutorado em Educao Matemtica)Universidade Joseph Fourier, Grenoble, 2001. GIRARD, J. C. Quelques hypothses sur les difficults rencontres dans l'enseignement des probabilits. In: CHAPUT, B.; HENRY, M. Enseigner les probabilits au lyce. Reims: IREM de Reims, 1997, p. 215-223. GODINO, J. D. Teora de las funciones semiticas: um enfoque ontolgico-semitico de la cognicin e instruccin matemtica. 2003. 318f. Monografia (Ctedra da Universidade de Didtica da Matemtica)-Universidade de Granada, Espanha, 2003. Disponvel em: <http://www.ugr.es/local/godino/>. Acesso em: 23 nov. 2004. GRUPO AZARQUIEL. Ideas y actividades para ensear lgebra. Madrid: Sntesis, 1993. HENRY, M. Notion de modle et modlisation dans l'enseignement. In: CHAPUT, B.; HENRY, M. Enseigner les probabilits au lyce. Reims: IREM de Reims, 1997, p. 7784. HENRY, M.; DANTAL, B. Variables alatoires et lois de probabilit: utilisation de l'analyse em probabilits. In: CHAPUT, B.; HENRY, M. Enseigner les probabilits au lyce. Reims: IREM de Reims, 1997, p. 300-304.

18 HENRY, M. tude d'um problme curriculaire: l'enseignement de la statistique. In: Actes de la 12e cole d't de didactique des mathmatiques, France, 2003, CD-ROM. PARZYS, B. Utilisation des arbres dans l'enseignement des probabilits. In: CHAPUT, B.; HENRY, M. Enseigner les probabilits au lyce. Reims: IREM de Reims, 1997, p. 225-238.