AMOSTRAGEM

É o processo de seleção de uma amostra.

Erro amostral: é o erro que ocorre justamente pelo uso de amostra. O melhor modo de evitar o
viés de seleção é o sorteio.
Tipos de Amostragem:
Amostragem Causal Simples: consideremos uma população (X 1 , . . . , X n ) e a amostra
X 1 , . . . , X n . Uma amostra se diz casual simples quando P (X = X i ) = n1 . Todos os elementos
da população têm a mesma probabilidade de serem selecionados.
Amostragem por estratificação: devemos usar uma variável a "critério" para separar a
população em estratos. Então, selecionamos um elemento de cada estrato para formarmos
as amostras.
Podemos obter uma proporção ou mesma quantidade de dados de cada estrato.
Características:
Dentro de cada estrato há homogeneidade.
Entre os estratos há heterogeneidade.
Amostragem Sistemática:
Consideramos uma população de tamanho N e uma amostra de tamanho n. Definimos:
s = Nn → fator de sistematização.
Passos:
1º Sorteia um valor entre 1 e s, denominado m.
2º Os demais elementos são obtidos acrescentando s.

Amostragem por Conglomerados:

Comparado com estratificação, há uma mudança, passamos de elemento para grupo.
A população é dividida em grupos naturais.
Características:
Heterogeneidade dentro do conglomerado.
Homogeneidade entre conglomerados.
Noções de Inferência Estatística:
Objetivo: produzir afirmações sobre dada característica da população a partir de uma
amostra.
Parâmetro: medidas usadas para descrever uma característica numérica populacional.
Exemplo: E(X).
Estimadores: fórmulas ou estatísticas de uma amostra usadas para aproximar o parâmetro da
população. Exemplo: variância S 2 .
Estimativa: valor numérico determinado pelo estimador.
Qualidades de um Estimador:
 Consideremos θ um parâmetro populacional. Seu valor pode ser obtido utilizando uma
amostra E em um estimador θ.
^
i) Não tendencioso: θ é uma estimativa não tendenciosa de θ se:

A estimativa coincide com o verdadeiro valor do parâmetro.

ii) Consistência ou Coerência θ^ é consistente se sua variância tende para zero, quando n
é suficientemente grande (n → ∞) isto é:

Isso quer dizer θ estimativa melhora a medida que o tamanho da amostra aumente.
Distribuição Amostral:
É a distribuição de probabilidade de uma estatística (ou estimador) obtida de todas as
amostras possíveis.
Funcionamento:
i) Para obter a distribuição amostral, imagine que você retire todas as amostras de
tamanho n de uma determinada população.
ii) Para cada uma das amostras se calcula a estatística de interesse.
 iii) A distribuição amostral é a lista de todos os valores possíveis dessa estatística e suas
respectivas probabilidades de ocorrências.
Exemplo 1:
Suponha uma população com 4 alunos com as idades: 18, 20, 22, 24. Qual a
distribuição de probabilidade da idade média para as possíveis amostras de 2 alunos?

Preposição 1: a média das médias amostrais, ou (x̄), é igual à média populacional ou

(x̄) = μ x .
Exemplo 2:
Estimadores:
Médias :
n
1
x̄ = × ∑ xi
n i=1
n
x̄ = ∑ x i × p(x i )
i=1

Variância:
n
(x i − x̄) 2
var(x̄) = ∑
i=1
n
n
var(x̄) = ∑(x i − x̄) 2 × p(x i )
i=1

Retomando o Exemplo 1:
População N = 4; (18, 20, 22, 24).
 μ = 21
σ2 = 5
Distribuição da Idade Média:

x̄ = 21
var(x̄ = 1.75
Preposição 2: a variância da média amostral é igual a variância populacional dividido
pelo tamanho da amostra:
σ2
var(x̄) = σ 2x̄ = n
Para evitar construir a distribuição de probabilidade para todos os casos quando apenas
um é de interesse, considerando a tendência de convergir para a distribuição normal
com aumento do tamanho da amostra então:
 x̄ − μ
z= σ
√n
z : N(0, 1); x : (μ, σ 2 ); x = N(21, 5); n = 2
x̄ − 21 22 − 21
a) P (x̄ ≥ 22); z = = = 0.63;
√5 1.5811
√2
P (z ≥ 0.63) = P (x̄ ≥ 22) = 0.5 − 0.2357 = 0.2643
 x̄ − 21
b) P (x̄ ≤ 20); z = = −0.63
√5
√2
P (x̄ ≤ 20) = P (z ≥ 0.63) → 0.5 − 0.2357 = 0.2643

c) P (20 < x̄ < 22); z = 0.2357 + 0.2357 = 0.47

Distribuição Amostral das Proporções:
Consideremos uma população em que a proporção de uma determinada característica é
p.
Se p é conhecido, a população pode ser definida como uma variável X, tal que:
X = 1 se o elemento da população tem a característica.
X = 0 se o elemento da população não tem a característica.
E P (X = 1) = p, P (X = 0) = , p + = 1.
Sabe-se que: μ = (X) = P , σ 2 = ar(X) = p × 1 = p(1 − p).
Retiramos uma amostra tamanho n e definimos como X o número de sucessos na
amostra. Então o estimador p na amostra será: p^ = Xn .
Preposição 1: (X) = μ p^ = p
Preposição 2: ar(X) = p×
n =
p×(p−1)
n
Pelo TLC (teorema do limite central), quando n → ∞
p^−p
= √ p×
=≈ N(0, 1)
n

Exemplo 1 - Em uma população, a proporção de pessoas favoráveis a uma determinada

lei é de 40%. Retiramos uma amostra de 300 pessoas dessa população. Determinar
P (p − × σ p^ ≤ p^ ≤ p + × σ p^) = 0.95 :

p = 0.4; n = 300; = (1 − 0.4) = 0.6

0.4 × 0.6
σ 2p^ = = 0.0008 → σ p^ = 0.0283
300
 = 0.475 = ual valor corresponde a uma área de 0.475 = 1.96
P (0.4 − 1.96 × 0.0283 ≤ p^ ≤ 0.4 + 1.96 × 0.0283) = 0.95
P (−0.345 ≤ p^ ≤ 0.455) = 0, 95

Exemplo 2 - deseja-se saber qual a proporção de pessoas da população tem

determinada doença. Retira-se uma amostra de 400 pessoas, obtendo-se 8 portadores
de doença. Definir limite de confiabilidade de 99% para a proporção (Este é o caso
quando não conhecemos p):

8 √ 0.02 × 0.98
p^0 = = 0.02; 0 = 1 − 0.02 = 0.98; σ 2 = = 0.007
400 400
= 0.495 = 2.57

P (^
p − × σ p^ ≤ p^ ≤ p^ + × σ p^) = 0.99
P (0.02 − 2.57 × 0.07 ≤ p^ ≤ 0.02 + 2.57 × 0.07) = 0.99
P (−0.1599 ≤ p^ ≤ 0.1999) = 0.99
 Podemos garantir com uma confiabilidade de 99% que a proporção de pessoas
portadoras da doença na população varia de no mínimo -15,99% e no máximo
19,99%.
Exemplo 3 - Suponha que p = 30% dos estudantes de uma população de uma escola
sejam mulheres. Coletamos uma amostra aleatória de n = 10 estudantes e calculamos p^
. Qual a probabilidade de que p^ defina de p em menos de 0,01? (Essa probabilidade é
dada por:)

P (|^ p − p| < 0.01) = P (−0.01 < p^ − p < 0, 01)

p = 0.3; = 0.7; n = 10; σ p^ = 0.145
p^ − p 0.01
= = = 0.07 → P ( = 0.07) = 0.0279
σ p^ 0.145
P (−0.07 < < 0.07) = 0.0279 + 0.0279 = 0.0558

Intervalos de Confiança (IC) para Médias e Proporções:

Seja o nível de significância dado por e com determinamos , e para a média:
P (x̄ − × σ x̄ < μ < x̄ + × σ x̄ ); e para a proporção: P (p^ − × σ p^ < p < p^ + × σ p^); usando
uma notação simplificada teremos para média: C(μ × (1 − )) = (μ 1 , μ 2 ) e para a
proporção: C(p × (1 − )) = (p 1 , p 2 ).
Exemplo 1: De uma população normal X 1 com σ 2 = 9, tiramos uma amostra de 25
observações obtendo ∑ N
i=1 = 152. Determinar um IC de limites de 90% para μ.
Exemplo 2: De uma população normal com parâmetros de uma população obtemos uma
amostra de 100 elementos, encontramos 20 sucessos. Ao nível de 1%, construir um IX
para a proporção p.
Exemplo 3: De uma população normal com parâmetros desconhecidos, tiramos uma
amostra n = 100, obtendo-se x̄ = 112, S = 11. Fazer IC para μ ao nível de 10%.
 P (x̄ − × σ x̄ ≤ μ ≤ x̄ + × σ x̄ ) = 0.9 → P (112 − 1.64 × 1.1 ≤ μ ≤ 112 + 1.64 × 1.1)

Teste de Hipótese:
Utilizado para analisar se determinado parâmetro variou seu valor.
Exemplo: resistência à tração de aço inoxidável produzido numa usina estável com uma
resistência média de 72/mm 2 e um desvio padrão de 2/mm 2 . Recentemente a máquina foi
ajustada a fim de determinar o efeito do ajuste, 10 amostras foram testadas:
76.2; 78.3; 76.4; 74.7; 72.6; 78.4; 75.7; 70.2; 73.3; 74.2. Presuma que o desvio padrão seja o
mesmo que antes do ajuste. Podemos concluir que o ajuste mudou a resistência à tração de
aço? (Adote 5% de significância):
Passo 1 (Definição das hipóteses):

0 (ipótese Nula) : μ = 72/mm 2 ; 1 (ipótese Alternativa) : μ 72/mm 2

Passo 2 (Calcular a estatística do teste):

¯ −μ
X 75 − 72 3 3
Cal = σ = 2
= 2
= ≈ 4.74
√n 3.16
0.63
√10

Passo 3 (Região Crítica):

= 5; tab = 0.475 = 1.96; 1 − = 0.95 = 95

Passo 4 (Região de Decisão):

Se o valor da estatística calculada caiar na região de rejeição, rejeita 0 . Se cair na
região de aceitação, aceita 0 .
Passo 5 (Conclusão):
 Como o valor crítico para 5% é 1,96, o Z calculado cai na região de rejeição 0 . O
ajuste alterou a média e ela é diferente de 72/mm 2 .
Determinação do Tamanho da Amostra:

Símbolos de Amostra : x̄, S 2 , p^

Símbolos de P opulação : μ, , σ 2 , p

O objetivo é determinar o tamanho da amostra n de modo a obter um erro de estimação

previamente estipulado, com determinado grau de confiança. Suponha que queiramos
determinar o n de modo que:

P (|x̄ − μ| ≤ ) ≥

(1).
Com: = confiabilidade (1 - ) e 0 ≤ ≤ 1; = erro máximo que podemos suportar.
Reorganizando a equação (1) e considerando que

x̄ − μ
=
σ x̄

, podemos obter:

σ2 × 2 16 × 1.96
n= 2
→n= ≈ 246
(0.5) 2

Quando não conhecemos σ 2 da população devemos utilizar uma amostra pilota para obter
algo sobre a variância.
Exemplo 1: uma amostra piloto n = 10 de uma população forneceu x̄ = 15 e S 2 = 16.
Determine n fixando = 0.5 e = 0.95.
E para a proporção:

2 × p(1 − p)
n= 2

.
Podemos usar uma amostra piloto para estimar p, caso contrário, se não for possível
conhecer p, utilizamos:
2
n=
4×2

Exemplo 1: Com base em informações passadas, 60% das pessoas preferem uma marca A.
Se quisermos que o erro amostral de p^ seja menor do que = 0.03 com probabilidade = 0.95,
qual deve ser n?

× p × (1 − p) (1.96) 2 × 0.6 × 0.4

n= 2
→n= = 1024
0.03 2