Aula 05

Conhecimentos Especficos Mtodos Quantitativos Anatel
Aula 05 Amostragem
Prof. Alexandre Lima
Aula 05
Sumrio
1
Amostragem ............................................................................................................................ 2
1.1
Tcnicas de Amostragem ........................................................................................... 2
1.1.1
Amostragem Aleatria Simples ....................................................................................... 4
1.1.2
Amostragem Estratificada ................................................................................................ 5
1.1.3
Amostragem por Conglomerados .................................................................................... 6
1.1.4
Amostragem Sistemtica AS ........................................................................................ 7
1.2
Estatsticas e Estimativas ........................................................................................... 9
1.3
Teorema Central do Limite ...................................................................................... 10
1.4
Distribuies Amostrais ............................................................................................ 15
1.4.1
Distribuio Amostral da Mdia ................................................................................... 15
1.4.2
Distribuio Amostral de uma Proporo ..................................................................... 20
1.4.3
Graus de Liberdade de uma Estatstica ......................................................................... 21
1.4.4
Distribuio Amostral de S2.......................................................................................... 22
1.4.5
Distribuio t de Student ............................................................................................... 25
1.4.6
Distribuio F de Snedecor ........................................................................................... 26
1.5
Lei dos Grandes Nmeros ........................................................................................ 29
1.5.1
Lei Forte dos Grandes Nmeros ................................................................................... 29
1.5.2
Lei Fraca dos Grandes Nmeros ................................................................................... 30
O Mnimo que Voc Precisa Saber ................................................................................ 34
Exerccios de Fixao ......................................................................................................... 36
4. Gabarito .................................................................................................................................. 41
5. Resoluo dos Exerccios de Fixao ........................................................................... 42
APNDICE ....................................................................................................................................... 59
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima

Aula 05 Amostragem
Na aula de hoje, enfocaremos o estudo das tcnicas de amostragem. Esta aula

, de fato, uma transio entre os tpicos Estatstica Descritiva/Teoria de
Probabilidades (j vistos nas aulas anteriores) e a Inferncia Estatstica. Espero
que voc aproveite bastante o contedo que ser ensinado. Vamos aula?
Amostragem
A inferncia estatstica consiste nos mtodos usados para tomar

decises ou tirar concluses acerca de uma populao. Esses mtodos
utilizam a informao contida em uma amostra da populao.
A inferncia estatstica pode ser dividida em duas grandes reas: estimao
de parmetros e testes de hipteses. Como exemplo de um problema de
estimao de parmetros, suponha que um engenheiro naval esteja analisando
o limite de resistncia (LR) uma das propriedades mecnicas do ao de
um determinado tipo de ao usado na construo de submarinos. Na prtica,
as medies dos parmetros LR de chapas de ao distintas no so
exatamente iguais, e isto ocorre porque podem existir pequenas diferenas
entre os lotes de matria-prima utilizados no processo de fabricao, erros de
medida, etc. Admita que o engenheiro esteja interessado na estimao do LR
mdio das chapas de ao. Para tal, usar dados de uma amostra que lhe
permitam calcular um nmero que seja uma estimativa razovel (de acordo
com algum critrio estatstico) da verdadeira mdia da populao. Veremos em
aula posterior que possvel estabelecer a preciso da estimativa.
Considere agora a situao em que duas alquotas diferentes, a1 e a2, possam
ser usadas no clculo de um determinado tributo. O governo conjectura que a1
resulte em uma arrecadao maior que aquela que pode ser obtida com a2. O
teste estatstico de hipteses serve para resolver problemas desta natureza.
Nesse caso, a hiptese seria que a arrecadao mdia usando a alquota a1
maior que a arrecadao mdia usando a alquota a2. Aqui o problema no
estimar a arrecadao mdia; em vez disso, o foco est na tirada de
concluses acerca de uma hiptese estabelecida.
1.1
Tcnicas de Amostragem
Uma populao consiste na totalidade das observaes em que estamos

interessados.
Uma amostra um subconjunto de observaes selecionadas a partir de
uma populao.
Em problemas de inferncia estatstica, os conjuntos de dados sero as
amostras retiradas das populaes sob investigao. preciso assegurar que
a amostra seja representativa da populao. Isto quer dizer que, a no ser
2

Aula 05 Amostragem
por pequenas discrepncias inerentes ao acaso, que sempre acontecem em

maior ou menor grau no processo de amostragem, a amostra deve ter as
mesmas caractersticas bsicas da populao, no que diz respeito (s)
varivel(is) de interesse.
Sendo assim, importante saber quando temos uma amostra representativa
ou no. Se ela no for representativa, o trabalho do estatstico ficar
comprometido e os resultados sero provavelmente incorretos.
A amostragem pode ser probabilstica ou no probabilstica.

A amostragem ser probabilstica (ou aleatria ou casual) se todos os
elementos da populao tiverem probabilidade conhecida e diferente de zero
de pertencer amostra. A sua importncia decorre do fato de que apenas os
resultados provenientes de uma amostra probabilstica podem ser
generalizados estatisticamente para a populao da pesquisa.
A obteno de uma amostra probabilstica exige que se obtenha uma listagem
com os elementos da populao. Ou seja, exige que a populao acessvel seja
igual populao alvo. Nem sempre possvel obter tal listagem na prtica, o
que teoricamente inviabilizaria a retirada de uma amostra aleatria. Ento
deve-se recorrer amostragem no probabilstica.
Os tipos bsicos de amostragem no probabilstica so:
por Convenincia (acidental): o pesquisador seleciona membros da

populao mais acessveis;
Intencional (Julgamento):
populao mais acessveis; e
por Cotas (proporcional): o pesquisador entrevista um nmero prdefinido de pessoas em cada uma das vrias categorias.
pesquisador
seleciona
membros
da
Ao usar a amostragem no probabilstica o pesquisador no sabe qual a

probabilidade de que um elemento da populao tem de pertencer amostra.
Portanto, os resultados da amostra no podem ser estatisticamente
generalizados para a populao, porque no se pode estimar o erro amostral.
Se as caractersticas da populao acessvel forem semelhantes s da
populao alvo os resultados podem ser equivalentes aos de uma amostragem
probabilstica, mas no podemos garantir a sua confiabilidade
s vezes, os pesquisadores aplicam a amostras no probabilsticas certos
mtodos estatsticos projetados especificamente para amostras probabilsticas,
argumentando que uma amostra no probabilstica pode ser tratada como se
fosse uma amostra probabilstica. Entretanto, esse argumento no
3

Aula 05 Amostragem
sustentvel estatisticamente, e devemos ser cautelosos ao interpretar os

resultados das amostras no probabilsticas que so utilizadas para fazer
inferncias sobre populaes.
As tcnicas da inferncia estatstica pressupem que as amostras
utilizadas sejam probabilsticas, o que muitas vezes no possvel.
Entretanto, o bom senso indicar quando o processo de amostragem, mesmo
no sendo probabilstico, pode ser, para efeitos prticos, considerado como tal.
A utilizao de uma amostragem probabilstica assegura que a
amostra seja representativa, pois o acaso ser o nico responsvel por
eventuais diferenas entre populao e amostra, o que levado em conta
pelos mtodos da inferncia estatstica.
Uma amostra no representativa uma amostra viciada e o vcio inerente aos
dados dessa amostra o vcio de amostragem. A sua utilizao pela
inferncia estatstica levar a resultados que no correspondem realidade.
Pode-se evitar que isso ocorra por meio de uma coleta adequada dos
elementos que constituiro a amostra.
Sero explicadas na sequncia algumas tcnicas de amostragem
probabilstica que podero ser cobradas na sua prova: Amostragem
Aleatria Simples (AAS), Amostragem Sistemtica (AS), Amostragem
por Conglomerados (AC) e Amostragem Estratificada (AE).
1.1.1
Amostragem Aleatria Simples
A amostragem mais usada a Amostragem Aleatria Simples (AAS)

tambm chamada de casual simples, simples ao acaso, casual, simples,
elementar, randmica, etc., em que selecionamos ao acaso, com ou sem
reposio, os itens da populao que faro parte da amostra.
A AAS equivalente a um sorteio lotrico. Nela, todos os

elementos da populao tm igual probabilidade de pertencer amostra, e
todas as possveis amostras tm tambm igual probabilidade de ocorrer.
Sendo N o nmero de elementos da populao e n o nmero de elementos da
amostra, cada elemento da populao tem probabilidade n/N (frao de
amostragem) de pertencer amostra. Por outro lado, existem CN,n
(combinao de N elementos tomados n a n) possveis amostras, todas
igualmente provveis.
A seleo de uma amostra um experimento aleatrio e cada observao na

amostra o valor observado de uma varivel aleatria.
4

Aula 05 Amostragem
Seja X a varivel aleatria que representa o resultado de uma seleo de uma

observao proveniente de uma populao. Faa f(x) denotar a funo
densidade de probabilidade de X. Admita que cada observao na amostra seja
obtida independentemente, sob condies inalteradas. Ou seja, as observaes
para a amostra so obtidas observando-se X independentemente, sob
condies inalteradas, isto , n vezes. Faa Xi denotar a varivel aleatria que
representa a i-sima observao da amostra. Ento X1, X2, ..., Xn uma
amostra aleatria e os valores numricos obtidos (observaes) so denotados
por x1, x2, ..., xn. As variveis aleatrias em uma amostra aleatria so
independentes, com a mesma distribuio de probabilidades f(x), tendo em
vista as condies idnticas sob as quais cada observao obtida. A funo
densidade conjunta da amostra aleatria f ( x1 , x 2 ,..., x n ) = f ( x1 ). f ( x 2 )... f ( x n ) .
As variveis aleatrias ( X 1 , X 2 ,..., X n ) so uma amostra aleatria de tamanho n,
se (i) os Xis forem variveis aleatrias independentes e (ii) cada Xi tiver a
mesma distribuio de probabilidade.
O principal objetivo de tomar uma amostra aleatria obter informao sobre
parmetros desconhecidos de uma populao. Considere, por exemplo, que
desejamos ter uma idia da proporo de pessoas no Brasil que preferem uma
determinada marca de gua mineral (suponha que a populao seja composta
por pessoas que tomam gua mineral). Seja p o valor desconhecido dessa
proporo. Como impraticvel questionar cada indivduo da populao para
se determinar o verdadeiro valor de p, optamos por fazer uma inferncia em
relao verdadeira proporo p. Neste caso, selecionamos uma amostra
aleatria (de um tamanho apropriado) e usamos a proporo observada p de
pessoas nesta amostra que tenham escolhido a marca de gua mineral em
questo.
A proporo da amostra, p , calculada dividindo o nmero de indivduos na
amostra que preferem a marca de gua mineral pelo tamanho total, n, da
amostra. Deste modo, p uma funo dos valores observados na amostra
aleatria. Como podemos obter vrias amostras diferentes a partir de uma
populao, tem-se que o valor de p variar de amostra para amostra. Concluise que p uma varivel aleatria. Tal varivel aleatria denominada
estatstica ou estimador.
1.1.2
Amostragem Estratificada
A Amostragem Estratificada (AE) usada quando a populao pode ser

dividida em sub-populaes ou estratos razoavelmente homogneos (ex.:
departamento, local, idade, tipo de indstria etc.), de forma que cada
elemento da populao pertena a um e somente um estrato. Depois que os
5

Aula 05 Amostragem
estratos so formados, extrai-se uma amostra aleatria simples de cada um

deles. Os melhores resultados so obtidos quando os elementos contidos em
cada estrato so o mais similares possvel. H frmulas disponveis para se
combinar os resultados das amostras de estrato individuais em uma estimativa
do parmetro populacional de interesse. Se os estratos forem homogneos, o
procedimento de amostragem estratificada produzir resultados to precisos
quanto os da amostragem aleatria simples, mas utilizando um tamanho total
de amostra menor.
Por exemplo, considere que a populao de uma universidade tenha a seguinte
composio: 10% de professores, 15% de funcionrios e 75% de alunos.
Ento uma amostra estratificada proporcional teria 10% de professores, 15%
de funcionrios e 75% de alunos.
1.1.3
Amostragem por Conglomerados
Na Amostragem por Conglomerados (AC), a populao dividida em

subpopulaes (conglomerados) distintas (quarteires, residncias, famlias,
bairros, etc.). Cada elemento da populao pertence a um e somente a um
conglomerado. Alguns dos conglomerados so selecionados segundo a AAS e
todos os indivduos nos conglomerados selecionados so observados. Ou seja,
as unidades de amostragem, sobre as quais feito o sorteio, passam a ser os
conglomerados e no mais os elementos individuais da populao.
A AC tende a produzir os melhores resultados quando os elementos neles
contidos no so similares. No caso ideal, cada conglomerado uma verso
representativa em pequena escala da populao inteira. O valor da AC
depende de quo representativo cada conglomerado da populao inteira. Se
todos os conglomerados forem similares nesse aspecto, a amostragem de um
pequeno nmero de conglomerados produzir boas estimativas dos
parmetros populacionais.
A amostragem por conglomerados consiste em sortear um nmero

suficiente de conglomerados, cujos elementos constituiro a amostra.
6

Aula 05 Amostragem
1.1.4
Amostragem Sistemtica AS
Os elementos da populao apresentam-se ordenados e so retirados

periodicamente (de cada k elementos, um escolhido).
Ocorre, por exemplo, no caso da aplicao experimental de uma nova droga
em pacientes, quando a tica obriga que haja concordncia dos escolhidos.
Neste curso, enfocaremos a AAS, porque, salvo meno em

contrrio, as tcnicas estatsticas que veremos nas aulas subseqentes
pressupem a utilizao de uma amostragem aleatria ou algum
processo que lhe seja equivalente.
Exemplo (AFPS/ESAF/2002). Assinale a opo correta em referncia ao
significado do termo amostragem aleatria simples.
(A) Refere-se a um mtodo de classificao da populao.
(B) Refere-se representatividade da amostra.
(C) um mtodo de escolha de amostras.
(D) Refere-se a amostras sistemticas de populaes infinitas.
(E) Refere-se amostragem por quotas.
Resoluo
Anlise das opes:
A) A amostragem aleatria simples (AAS) no um mtodo de classificao da
populao. A AAS um mtodo de amostragem probabilstica incorreta.
B) A utilizao de uma amostragem probabilstica a melhor estratgia para
se garantir a representatividade da amostra, pois o acaso ser o nico
responsvel por eventuais discrepncias entre populao e amostra, o que
levado em conta pelos mtodos de anlise da Inferncia Estatstica. No
obstante o fato da AAS ser uma tcnica de amostragem probabilstica, o seu
significado est diretamente associado sua caracterstica randmica, sendo
por isso equivalente a um sorteio lotrico incorreta.
C) A AAS um mtodo de amostragem correta.
D) A amostragem sistemtica uma tcnica probabilstica de amostragem
diferente da AAS. Por exemplo, em uma linha de produo, podemos, a cada
cem itens produzidos, retirar um para pertencer a uma amostra da produo
diria. Assim, na amostragem sistemtica, os elementos da populao se
apresentam ordenados e a retirada dos elementos da amostra feita
periodicamente incorreta.
7

Aula 05 Amostragem
E) Esta opo evidentemente absurda. Sem maiores comentrios

incorreta.
GABARITO: C
Exemplo (ICMS-RJ/FGV/2011). A respeito das tcnicas de amostragem
probabilstica, NO correto afirmar que
(A) na amostragem por conglomerado a populao dividida em diferentes
grupos, extraindo-se uma amostra apenas dos conglomerados selecionados.
(B) na amostragem estratificada, se a populao pode ser dividida em
subgrupos que consistem em indivduos bastante semelhantes entre si, podese obter uma amostra aleatria em cada grupo.
(C) na amostragem aleatria simples se sorteia um elemento da populao,
sendo que todos os elementos tm a mesma probabilidade de serem
selecionados.
(D) na amostragem por voluntrios a populao selecionada de forma a
estratificar aleatoriamente os grupos selecionados.
(E) na amostragem sistemtica os elementos da populao se apresentam
ordenados, e a retirada dos elementos da amostra feita periodicamente.
Resoluo
Anlise das opes
A) A amostragem por conglomerados consiste em sortear um nmero
suficiente de conglomerados, cujos elementos constituiro a amostra.
Afirmativa correta.
B) A amostragem estratificada usada quando a populao pode ser divida em
sub-populaes ou estratos razoavelmente homogneos (ex.: departamento,
local, idade, tipo de indstria etc.), de forma que cada elemento da populao
pertena a um e somente um estrato. Depois que os estratos so formados,
extrai-se uma amostra aleatria simples de cada um deles. Afirmativa correta.
C) A amostragem aleatria simples equivalente a um sorteio lotrico. Nela,
todos os elementos da populao tm igual probabilidade de pertencer
amostra, e todas as possveis amostras tm tambm igual probabilidade de
ocorrer Afirmativa correta.
D) A amostragem por voluntrios no-probabilstica e ocorre, por exemplo,
no caso da aplicao experimental de uma nova droga em pacientes. Essa
tcnica requer que haja concordncia dos escolhidos. No h estratificao
aleatria de grupos selecionados. Afirmativa incorreta.
E) Afirmativa correta, vide a definio dessa tcnica de amostragem.
8

Aula 05 Amostragem
GABARITO: D
1.2
Estatsticas e Estimativas
Uma estatstica qualquer funo das observaes de uma

amostra.
Ns j trabalhamos com estatsticas neste curso. Nas aulas anteriores,
estudamos, por exemplo, a mdia X e a varincia S2 de um conjunto de dados.
A partir desta aula, usaremos as notaes X e x para o estimador e para a
estimativa da mdia de uma populao, respectivamente. De forma anloga,
S 2 e s 2 denotam, respectivamente, o estimador e a estimativa da varincia de
uma populao.
Obtemos estimativas dos parmetros de uma populao, tais como mdia e
varincia, por meio de estatsticas. Em problemas de inferncia, conveniente
ter um smbolo para denotar o parmetro de interesse. Usaremos a letra grega
(teta) para representar o parmetro. O objetivo da estimao chegar a
uma estimativa de com base nos dados da amostra. Um valor numrico de
uma estatstica amostral ser usado como a estimativa.
Em geral, se X for uma varivel aleatria com distribuio de probabilidades
f(x), caracterizada por um parmetro desconhecido , e se X 1 , X 2 ,..., X n for uma
amostra aleatria de X, ento a estatstica
(1)
= g ( X 1 , X 2 ,..., X n )
denominada estimador de . Note que uma varivel aleatria, porque

uma funo de variveis aleatrias. Aps a amostra ter sido selecionada,
assume um valor numrico particular E , chamado de estimativa de .
Uma estimativa pontual de um parmetro da populao um nico valor
numrico E de uma estatstica .
Exemplo. Seja uma varivel aleatria normal X com mdia desconhecida . A
mdia da amostra um estimador da mdia desconhecida da
populao. Isto , = X . Depois da amostra ter sido selecionada, o valor
numrico x a estimativa de . Assim, se x1 = 23 , x2 = 31 , x3 = 29 e x4 = 26 ,
ento a estimativa de
x=
23 + 31 + 29 + 26
= 27,25 .
4
9

Aula 05 Amostragem
Note que o resultado obtido acima mera aplicao da frmula
X =
X1 + X 2 + X 3 + X 4
4
que define o estimador da mdia amostral.

1.3
Teorema Central do Limite
Vimos que as distribuies de Poisson e a Binomial tm a distribuio normal

como o seu caso limite. Ser que isto acontece com outras distribuies?
Teorema Central do Limite (TCL) (*). Considere n variveis

aleatrias independentes e identicamente distribudas X 1 , X 2 ,..., X n com mdia
finita e varincia 2. Seja a soma S n = X 1 + X 2 + ... + X n , com mdia E ( S n ) = n e
varincia Var ( S n ) = n 2 . Ento a varivel aleatria padronizada
S n E(S n )
Var ( S n )
S n n
assintoticamente normal (isto , tende para a normal quando n tende

para infinito) com mdia nula e desvio-padro igual a um (normal padro ou
reduzida).
Ou seja,
S n
z P( Z z ) ,
P n
n
em que Z a varivel aleatria N(0,1).

A aproximao da binomial pela normal um exemplo de aplicao do TCL
(vista em aula anterior).
(*) Tambm chamado de Teorema do Limite Central ou Teorema Limite
Central.
TCL: a soma de um grande nmero de variveis aleatrias independentes tem

uma distribuio que aproximadamente normal.
10

Aula 05 Amostragem
A demonstrao do TCL no ser dada, pois est fora do escopo do curso. No

obstante, podemos testar a validade do TCL na prtica. Para tal, basta rodar
uma simulao em um software estatstico. Foi o que fizemos. As quatro
prximas figuras mostram os histogramas correspondentes s seguintes
realizaes (todas com 1024 observaes):
Uma varivel aleatria uniforme X1;
S2 = X1+X2, em que X1 e X2 so variveis aleatrias uniformes e

identicamente distribudas (IID);
S10 = X1+X2+...+X10, em que X1,X2,...,X10 so variveis uniformes IID; e
S50 = X1+X2+...+X50, em que X1,X2,...,X50 so variveis uniformes IID.
Uma varivel aleatria uniforme

600
500
400
300
200
100
0
-0.2
0.2
0.4
0.6
0.8
1.2
Soma de 2 variveis aleatrias uniformes

1200
1000
800
600
400
200
0
0
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
11

Aula 05 Amostragem
1800
histograma
curva normal
1600
1400
1200
1000
800
600
400
200
0
1

1800
histograma
curva normal
1600
1400
1200
1000
800
600
400
200
0
16
18
20
22
24
26
28
30
32
34
Observe que o histograma de S10 bem ajustado pela curva normal. O mesmo
comportamento ocorre para o histograma de S50. Reparou que o histograma de
S2 tem um formato triangular? Isso no acontece por acaso. Mas discutir
porqu isso tem de ser assim est fora do nosso programa ... no fique
preocupado porque isso no cair na prova.
Exemplo (TCE-ES/ESAF/2001). Sejam X1, X2, ..., X200 variveis aleatrias
idnticas e independentemente distribudas com densidade comum do tipo
gama, i.e. com densidade (x>0):
f ( x) =
1
exp x
3 x
3
1
12

Aula 05 Amostragem
Seja Y = X1 + X2 + ... +X200 e (w) a funo de distribuio normal padro.

Assinale a opo que d a aproximao do Teorema Central do Limite de P(Y
294).
(A) (0,25)
(B) (0,20)
(C) (0,75)
(D) 1 - (0,75)
(E) 1 - (0,25)
Resoluo
A varivel aleatria X com funo densidade de probabilidade
f ( x) =
1
b (a)
a
x a 1 e x / b ,
x > 0,
tem distribuio gama com parmetros a > 0 e b > 0 . A distribuio gama tem
mdia ab e varincia ab 2 .
O enunciado forneceu a densidade
f ( x) =
1
1
exp x = 1 / 2
x 1 / 2 e x / 3 .
3 x
3 3
1
Logo os parmetros a e b que caracterizam a distribuio gama acima so
a 1 = 1 / 2 a = 1 1 / 2 = 1 / 2 e b = 3 .
Assim, E ( X ) = ab = 1 / 2 3 = 1,5 e Var ( X ) = ab 2 = 1 / 2 9 = 4,5 .
Seja Y = Sn. O TCL afirma que a varivel transformada
S n n
Y E (Y )
(Y )
tende para a normal padro quando n . A varivel Y tem mdia E(Y) =

n.E(X) = nab = 200 x 1,5 = 300 e varincia Var(Y) = n.Var(X) = 200 x 4,5 =
900 (Y) = 9001/2 = 30.
13

Aula 05 Amostragem
Z=
Y E (Y ) 294 300 6 1
=
=
=
= 0,20 .
30
30
5
(Y )
Desta forma, P(Y 294) = P(Z -0,20). As duas figuras que se seguem
ilustram que a rea sob a normal padro direita de z=-0,20 (P(Z -0,20))
equivalente rea sob a normal padro esquerda de z=0,20 (P(Z 0,20)).
Como P(Z 0,20) = (0,20) e P(Z -0,20) = P(Z 0,20), conclumos que P(Z
-0,20) = (0,20).
0.4
0.35
0.3
0.25
0.2
0.15
P(Z > -0,2)
0.1
0.05
0
-3
-2
-1
0.4
0.35
0.3
0.25
0.2
0.15
P(Z < 0,2)
0.1
0.05
0
-3
-2
-1
GABARITO: B
O TCL tambm verdadeiro sob condies mais gerais. Por exemplo, ele vale
quando X 1 , X 2 ,..., X n so variveis independentes com a mesma mdia e
varincia, mas no necessariamente identicamente distribudas.
E se X1,X2,...,Xn forem variveis aleatrias normais e independentes, com E(Xi)
= i e Var(Xi) = 2i para i =1, 2, ..., n? Voc est lembrado da propriedade
14

Aula 05 Amostragem
reprodutiva da distribuio normal vistas em aula anterior? No nos custar

nada relembr-las, pois so importantes para a prova! Ento vamos l. Seja
Y = X1 + X2 + ... + Xn.
Ento Y tem mdia
E(Y) = 1 + 2 + ... + n
e varincia
Var(Y) = 21 + 22 + ... + 2n.
1.4
Distribuies Amostrais
Uma estatstica possui uma distribuio de probabilidades, pois

uma varivel aleatria. Chamamos a distribuio de probabilidades de uma
estatstica de distribuio amostral.
1.4.1
Distribuio Amostral da Mdia
Se a populao infinita ou se a amostragem feita com reposio, ento os

valores da amostra podem ser considerados observaes de variveis
aleatrias independentes, com a mesma distribuio de probabilidades da
populao, portanto com a mesma mdia e a mesma varincia 2 da
populao.
A mdia X da amostra aleatria ( X 1 , X 2 ,..., X n ) dada por
(2)
X =
X 1 + X 2 + ... + X n
.
n
Ento, o valor esperado de X
(3)
X + X 2 + ...+ X n
1
1
1
n
E(X ) = E 1
=
== E (X1 ) + E (X 2 ) + ...+ E (X n ) =
n
n
n
n
n
e a varincia de X
15

Aula 05 Amostragem
(4)
X + X 2 + ... + X n
var( X ) = var 1
=
n
1
n 2 2
= 2 [var( X 1 ) + var( X 2 ) + ... + var ( X n )] =
=
.
n
n
n2
Vemos, portanto, que a mdia em torno da qual devem variar os

possveis valores da estatstica X a prpria mdia da populao.
Alm disso, a varincia com que se dispersam os possveis valores da
estatstica X n vezes menor do que a varincia da populao de onde
retirada a amostra. De (4), resulta que
(5)
(X ) =
Exemplo (AFPS/ESAF/2002). O desvio-padro da mdia para uma amostra

de tamanho 100 30. A fim de tornar o desvio-padro da mdia igual a 15, o
que deveramos fazer?
A) Aumentar o tamanho da amostra para 200.
B) Aumentar o tamanho da amostra para 150.
C) Diminuir a amostra para 50.
D) Aumentar o tamanho da amostra para 400.
E) Aumentar o tamanho da amostra para 300.
Resoluo
Dados: ( X ) = 30 e n = 100 . O que fazer para obter ( X )' = 15 ?
Primeiramente, devemos descartar a opo C, pois absurda. Aprendemos
que o desvio-padro de X
n vezes menor que o desvio-padro da
populao, ou seja, ( X ) = / n . Portanto, o tamanho da amostra deve
aumentar para que o desvio-padro diminua. A relao
( X )' =
n'
4n
2 n
(X )
2
16

Aula 05 Amostragem
mostra que necessrio que n seja multiplicado por 4 a fim de tornar o

desvio-padro da mdia igual a metade do valor anterior. Logo n= 4 x 100 =
400.
GABARITO: D
Exemplo (IBGE/Cesgranrio/2010). Para que o erro padro da mdia
amostral X seja reduzido metade, deve-se
A) multiplicar o tamanho da amostra por 2.
B) multiplicar o tamanho da amostra por 4.
C) multiplicar o tamanho da amostra por 16.
D) dividir o tamanho da amostra por 2.
E) dividir o tamanho da amostra por 4.
Resoluo
Erro padro sinnimo de desvio padro. Vimos que a frmula do erro padro
da mdia amostral ( X ) = / n . Queremos que o novo desvio padro da
mdia amostral ( ' ( X ) ) seja reduzido a metade, ou seja, ' ( X ) = ( X ) / 2 . Para
tal, basta fazer n'= 4n : ' ( X ) = / 4n = / 2 n = ( X ) / 2 .
GABARITO: B
No caso de amostragem aleatria simples sem reposio de populaes finitas,
em que a independncia entre os Xi no se verifica, demonstra-se que
Var ( X ) =
2
n
N n
N 1
em que N o nmero de elementos da populao e o fator ( N n ) /( N 1)

chamado de fator de populao finita. Observe que esse fator tende a um
quando o tamanho da populao tende ao infinito. Alm disso, sendo esse
fator menor que 1, tem-se que 2 ( X ) ser menor para populaes finitas que
para populaes infinitamente grandes.
Exemplo (Analista Judicirio TRF1/FCC/2001). Uma amostra aleatria
simples sem reposio de tamanho n tomada de uma populao de tamanho
N. Determine a varincia da mdia amostral, sabendo que a varincia
populacional 2.
17

Aula 05 Amostragem
A)
B)
C)
D)
E)
2 ( N n)
n( N 1)
2N
n( N 1)
2 ( N 1)
n( N n )
2
n( N 1)
2N
( N n)
Resoluo
Se a populao infinita ou se a amostragem feita com reposio a varincia
da mdia amostral X dada por
var( X ) =
2
n
em que 2 denota a varincia populacional e n o tamanho da amostra.

No caso de amostragem aleatria simples sem reposio de populaes finitas,
temos que
Var ( X ) =
2
n
N n
N 1
em que N o nmero de elementos da populao e o fator

N n
N 1
o fator de populao finita. Logo, a alternativa A a nica opo correta.

GABARITO: A
Se a distribuio da populao for normal, a distribuio

amostral de X ser tambm normal para qualquer tamanho da
amostra (veja a figura a seguir), porque, conforme visto, a soma de variveis
normais independentes tambm uma varivel normal.
18

Aula 05 Amostragem
distribuio da
mdia amostral
distribuio da
populao
Por outro lado, se a distribuio da populao no for normal,

mas a amostra for suficientemente grande, resultar, do TCL, que a
distribuio amostral de X ser aproximadamente normal (vide a
prxima figura), pois o valor de X resultar de uma soma de um nmero
grande de variveis aleatrias independentes. razovel estender esta
concluso para o caso da amostragem sem reposio de populaes finitas,
porm suficientemente grandes.
Na prtica, a distribuio de X (dada uma amostra de apenas quatro ou cinco
elementos) bem aproximada pela normal desde que a populao tenha
distribuio simtrica ou prxima da normal.
19

Aula 05 Amostragem
distribuio da
mdia amostral
distribuio da
populao
1.4.2
Distribuio Amostral de uma Proporo
Considere uma populao em que a frao de elementos portadores de certa

caracterstica p, 0<p<1. Sejam f e p = f / n as estatsticas que representam
a freqncia e a proporo (ou freqncia relativa) com que foi observada a
caracterstica em uma amostra de tamanho n proveniente dessa populao,
respectivamente.
Podemos considerar, para cada elemento da amostra, a ocorrncia de um
sucesso, caso a caracterstica desejada seja verificada, e de um fracasso, caso
contrrio. Ento a probabilidade de ocorrncia de sucesso para cada elemento
da amostra p. Se a populao infinita ou a amostragem feita com
reposio, p constante para todos os elementos da amostra, e os resultados
observados para todos eles sero independentes. Neste caso, a distribuio
amostral da estatstica f ser uma distribuio binomial de parmetros n
(tamanho da amostra) e p com mdia
(6)
E ( f ) = np
e varincia
(7)
Var ( f ) = np (1 p ) .
A freqncia relativa p ter mdia
20

Aula 05 Amostragem
(8)
np
f 1
E ( p ) = = ( f ) =
= p,
n
n n
e varincia
(9)
np (1 p ) p (1 p )
f 1
Var ( p ) = 2 = 2 2 ( f ) =
=
.
n
n2
n n
Observe que a distribuio de p binomial com valores entre 0 e

1, com intervalos de 1/n.
Sendo a amostra suficientemente grande, podemos aproximar

as distribuies de f e p por distribuies normais de mesma mdia e
desvio-padro. Na prtica, em geral, considera-se que essa aproximao possa
ser feita se np5 e n(1-p)5.
1.4.3
Graus de Liberdade de uma Estatstica
A varincia de uma amostra pode ser calculada pela frmula
S2
1 n
(X i X ) 2
n i=1
desde que o tamanho n da amostra seja suficientemente grande. E se a

amostra for pequena? Como ficaria a frmula de S2? Neste caso, a varincia
amostral seria dada por

(10)
S2 =
1 n 2 n 2
1 n
2
=
(
X
X
)
i
X i n 1 X .
n 1 i =1
n 1 i =1
O porqu de usar (n1) em vez de n no denominador da expresso acima ser

apresentado na prxima aula. No obstante, podemos antecipar para o leitor
que a necessidade dessa correo est relacionada com o nmero de graus
de liberdade da varincia amostral.
Considere, por exemplo, a estatstica X = ( X 1 + X 2 + ... + X n ) / n . Ela possui n
graus de liberdade porque n valores Xi livres devem ser considerados no
21

Aula 05 Amostragem
clculo da estatstica. Por outro lado, a estatstica S 2 , por usar X em vez do

parmetro populacional , tem um grau de liberdade a menos. Note que o
clculo de S 2 admite que j se conhea o valor de X , para o qual j foram
usados todos os valores da amostra. Contudo, quando usamos novamente
todos os valores da amostra para determinar S 2 , esses valores tm apenas n
1 graus de liberdade, pois, dados quaisquer n1 deles, o valor restante estar
determinado, pois j sabemos o valor da mdia X ; assim, o valor restante no
livre.
Distribuio Amostral de S2
1.4.4
Faa n= (leia-se ni) em (10). A distribuio amostral da estatstica definida

por (10),
S2 =
1
(X i X )2 ,
1 i =1
est relacionada com as distribuies tipo 2 , que so as qui-quadrado com

graus de liberdade, desde que a populao seja normalmente dstribuda.
Seja a amostra aleatria ( X 1 , X 2 ,..., X ) de uma populao normal de mdia e
desvio-padro . Ento a estatstica
X
= i
= Z i2
i =1
i =1
(11)
tem distribuio qui-quadrado com graus de liberdade. A varivel Zi em (11)

a varivel aleatria normal padro. Logo, a varivel 2 a soma dos
quadrados
de
independentes.
variveis
aleatrias
normais
padronizadas
Pode-se demonstrar que

(12)
E (Z 2 ) = 1 .
Segue-se que
(13)
( )
2
= E Z i = E Z 12 + E Z 22 + ... + E Z2 = ,
i =1
( ) ( )
( )
22

Aula 05 Amostragem
ou seja, a mdia de uma varivel qui-quadrado com graus de

liberdade igual a .
Tambm pode-se provar que
(14)
( )
Var 2 = 2 ,
isto , a varincia de uma qui-quadrado com graus de liberdade

igual a 2, e que a moda de 2 (-2), para > 2. Alm disso, como a
varivel 2 resulta de uma soma de variveis independentes e identicamente
distribudas (IID), ento, de acordo com o TCL, a famlia de distribuies do
tipo 2 tende distribuio normal quando o nmero de graus de
liberdade aumenta. Na prxima figura, voc pode observar a qui-quadrada
com 4 graus de liberdade na cor azul, a qui-quadrada com 10 graus de
liberdade na cor preta e a qui-quadrada com 20 graus de liberdade na cor
vermelha. Repare que a curva vermelha semelhante a uma normal.
0.2
X4
0.18
10
0.16
X20
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
10
15
20
25
30
35
40
45
50
Propriedade (aditividade). A soma de duas variveis independentes 21 e
22 uma varivel 21 + 2 , ou seja, uma varivel 2 com 1+2 graus de

liberdade.
Voc encontrar no apndice a Tabela III que fornece o valor de 2 em funo
da rea da cauda superior da respectiva distribuio.
23

Aula 05 Amostragem
Assim, por exemplo, se entramos na Tabela qui-quadrado com p=10% e = 3,

leremos o valor 32 = 6,251 . Isto significa que a probabilidade da varivel 32 ser
maior que 6,251 igual a 10%.
O conhecimento das distribuies 2 nos leva determinao da distribuio
amostral da estatstica S 2 , conforme a seguir. Pode-se demonstrar que a
estatstica
Xi X
i =1
(15)
1
= 2

(X
X )2
i =1
tem distribuio 21 . Logo, podemos escrever
21
1 i
= 2 i =1
1
( X X )2
=
( 1) S 2
ou
(16)
2 2
1 .
S =
1
2
Portanto, (16) mostra que a varincia de uma amostra com = n elementos

extrada de uma populao normal uma varivel aleatria 21 multiplicada
pela constante 2 /( 1) .
Lembrando a relao (13), temos que
(17)
E(S 2 ) =
2
2
E ( 21 ) =
( 1) = 2 .
1
1
Por outro lado, usando (14), obtemos

(18)
var(S 2 ) =
4
4
2 4
2
var(
)
=
2
(
1
)
=
.
1
1
( 1) 2
( 1) 2
24

Aula 05 Amostragem
1.4.5
Distribuio t de Student
Considere a mdia de uma amostra de n observaes retiradas de uma

populao normal de mdia e desvio-padro . Aprendemos que a
distribuio amostral de X normal, com mdia e desvio-padro / n , e
que a estatstica
(19)
Z=
/ n
segue a normal padro.

Se usarmos em (19) o desvio-padro da amostra, obteremos uma estatstica
cuja distribuio no mais normal. De fato, conforme mostrou Student, a
estatstica
(20)
t=
X
S/ n
distribui-se simetricamente, com mdia zero, porm no normalmente. Para

grandes amostras, S deve ser prximo de , e as correspondentes
distribuies t de Student devem estar prximas da normal reduzida
(padro). Note que a estatstica (20) possui (n1) = graus de liberdade, o
que justifica a sua representao por tn-1. A prxima figura mostra os grficos
das variveis t1, t5 e normal padro. Note que a densidade de t5 est mais
prxima da normal do que a densidade de t1.
0.4
normal
t1
0.35
t5
0.3
0.25
0.2
0.15
0.1
0.05
0
-3
-2
-1
25

Aula 05 Amostragem
A Tabela IV do Apndice fornece valores de t em funo de diversos valores do

nmero de graus de liberdade e de probabilidades crticas, correspondentes
ao dobro da rea sob a cauda direita (ou esquerda, tanto faz, pois a
distribuio simtrica) na respectiva distribuio. Assim, por exemplo,
entrando-se na Tabela com a probabilidade p = 0,1 e = GL = 7, lemos o
valor crtico t7 = 1,895. Isso significa, dada a simetria da distribuio t, que P(1,895<t7<1,895) = 1-0,1 = 0,9 e que P(t7>1,895) = P(t7<-1,895) = 0,1/2=
0,05.
A expresso (20) pode ser reescrita como
(21)
t n 1 =
/ n
=Z
Substituindo a raiz quadrada de (16) em (21), obtemos

(22)
n 1
n21
t n 1 = Z
ou
(23)
v
v2
t = Z
se fizermos n-1 = em (22). A equao (23) nos mostra a relao existente

entre as distribuies t de Student e qui-quadrado.
1.4.6
Distribuio F de Snedecor
Vimos em aula anterior que a varivel aleatria F com n1 graus de liberdade no

numerador e n2 graus de liberdade no denominador, denotada por Fn1 ,n2 ,
definida como
(24) Fn1 ,n2 =
n2 / n1
1
n2 / n2
2
em que as variveis n21 e n22 so independentes. A figura a seguir ilustra uma

varivel F com 5 graus de liberdade no numerador e 3 graus de liberdade no
denominador.
26

Aula 05 Amostragem
0.7
F
0.6
0.5
0.4
0.3
0.2
0.1
10
Sejam X 11 , X 12 ,..., X 1n1 uma amostra extrada de uma populao normal N ( 1 , 12 )

e X 21 , X 22 ,..., X 2 n2 uma amostra oriunda de outra populao normal N ( 2 , 22 ) .
Considere que as populaes sejam independentes. Sejam S12 e S 22 as
varincias das amostras associadas s populaes 1 e 2, respectivamente.
Ento a razo
(25)
S12 / 12
S 22 / 22
Tem distribuio F, com n1-1 graus de liberdade no numerador e n2-1 graus de

liberdade no denominador, pois
12 n2 1
1
n2 1
1
S12 (n1 1) 12
n 1
= 1 2 = Fn1 1,n2 1 .
=
2
2 2
S2
2 n2 1
n2 1
(n2 1) 22
n2 1
O corpo da Tabela V do apndice (distribuio F) d os valores de F que

determinam caudas direita com probabilidades p para diversos pares de
valores n1=GL1 e n2=GL2. Por exemplo, entrando-se na Tabela com a
probabilidade p = 5% =0,050, e GL1 = GL2 = 5, lemos o valor fc = 5,05. Logo,
P(F>5,05) = 5% = 0,050.
Exemplo (SUSEP/ESAF/2010). Considere as n variveis aleatrias iid, isto
, independentes e identicamente distribudas X1,X2,...,Xn com distribuio
n
n
N(,2). Considere ainda X = i =1 X i / n e s 2 = i =1 ( X i X ) 2 /(n 1) . Dessa maneira
27

Aula 05 Amostragem
o quociente entre as variveis aleatrias independentes n( X ) 2 / 2 e s2/2

uma varivel aleatria:
(A) t de Student com n-1 graus de liberdade.
(B) Qui-quadrado com n-1 graus de liberdade dividida pelo seu nmero de
graus de liberdade.
(C) Qui-quadrado com 1 grau de liberdade.
(D) F com n-1 graus de liberdade no numerador e 1 grau de liberdade no
denominador.
(E) F com 1 grau de liberdade no numerador e n-1 graus de liberdade no
denominador.
Resoluo
A questo cobra se o candidato conhece a distribuio da estatstica
X
/ n
n( X ) 2
s2
n X X
i =1 i
n 1
Ora, a mdia amostral X normal, pois X1, X2 ,..., Xn tm distribuio

N(,2). Assim, o numerador
/ n
tem distribuio qui-quadrado com 1 grau de liberdade, pois trata-se do

quadrado de uma varivel aleatria normal reduzida. A estatstica
X X
i =1 i
tem distribuio n21 . Sabe-se que uma varivel aleatria F com n1 graus de
liberdade no numerador e n2 graus de liberdade no denominador dada por
Fn1 ,n2 =
n2 / n1
1
/ n2
2
n2
.
28

Aula 05 Amostragem
Portanto, a varivel aleatria

2
/ n
1
n X X
i =1 i
n 1
tem distribuio F com 1 grau de liberdade no numerador e n-1 graus de

liberdade no denominador.
GABARITO: E
1.5
1.5.1
Lei dos Grandes Nmeros

Lei Forte dos Grandes Nmeros
A lei forte dos grandes nmeros diz que a mdia de uma sequncia de
variveis aleatrias independentes com mesma distribuio converge,
com probabilidade 1, para a mdia daquela distribuio1. Ou seja, se X
uma varivel aleatria com mdia = E[X] e se {X1, X2, ..., Xn} so
observaes aleatrias independentes dessa varivel, ento, certo que,
X 1 + X 2 + ... + X n
quando n
n
(a mdia amostral converge para a mdia de X quando o tamanho da amostra
tende a infinito)
X =
Observe que a lei forte dos grandes nmeros no afirma que, quando o
tamanho amostral cresce (at o infinito), a mdia amostral tem distribuio
normal. A lei omissa quanto forma da distribuio da mdia amostral.
Quando o tamanho da amostra aumenta, independentemente da forma da
distribuio da varivel aleatria X, a distribuio da mdia amostral X
aproxima-se cada vez mais de uma distribuio normal. Esse resultado,
fundamental em Inferncia Estatstica, assegurado pelo Teorema do Central
do Limite (TCL).
S. Ross, Probabilidade: Um Curso Moderno com Aplicaes, 8 edio, Porto Alegre: Bookman, 2010, pg472.
29

Aula 05 Amostragem
Lei Forte dos Grandes Nmeros: a mdia de uma sequncia de variveis

aleatrias independentes com mesma distribuio converge, com probabilidade
1, para a mdia daquela distribuio.
1.5.2
Lei Fraca dos Grandes Nmeros
A lei fraca dos grandes nmeros diz que, para qualquer valor n
grande especfico, provvel que a mdia ( x1 + x2 + ... + xn ) / n esteja prxima de
. Portanto, para > 0 , a lei fraca dos grandes nmeros garante que se
encontre algum xn , tal que | xn |> .
Enunciado do teorema da lei fraca dos grandes nmeros:

Seja X1, X2, ... uma sequncia de variveis aleatrias independentes e
identicamente distribudas, cada uma com mdia finita E[Xi] = . Ento, para
qualquer > 0,
X + X 2 + ... + X n
0 quando n
P 1
n
J caiu em prova! (ANAC-rea 4/CESPE-UnB/2012) Com relao teoria

de probabilidades, julgue os itens que se seguem.
Se X uma varivel aleatria e se {X1, X2, ..., Xn} so observaes aleatrias
independentes dessa varivel, ento, com base na lei forte dos grandes
nmeros, correto afirmar que, quando o tamanho amostral cresce (at o
infinito), a mdia amostral tem distribuio normal de mdia = E(X).
Resoluo
Observe que a lei forte dos grandes nmeros no afirma que, quando o
tamanho amostral cresce (at o infinito), a mdia amostral tem distribuio
normal. A lei omissa quanto forma da distribuio da mdia amostral e
por isso que o item errado.
GABARITO: E
30

Aula 05 Amostragem
Considere que X1, X2, ..., Xn seja uma amostra independente e identicamente
distribuda de uma varivel aleatria com mdia e varincia 2 e
x + x2 + ... + xn
. Nessas condies, para > 0 , a lei fraca dos grandes
xn = 1
n
nmeros no garante que se encontre algum xn , tal que | xn |> .
Resoluo
A lei fraca dos grandes nmeros afirma que a mdia amostral se aproxima da
mdia populacional quando o tamanho da amostra tende a infinito (n ).
Como o item no disse que n , a lei fraca dos grandes nmeros no
garante que se encontre algum xn , tal que | xn |> .
Comentrios adicionais
A lei fraca dos grandes nmeros diz que, para qualquer tamanho de
amostra n* grande especfico, bastante provvel que a mdia
aritmtica xn* = ( x1 + x2 + ... + xn ) / n* esteja prxima da mdia populacional .
Contudo, a lei fraca no garante que a mdia amostral permanecer prxima
da mdia populacional para valores de n maiores que n*. Assim, ela deixa
aberta a possibilidade de que grandes valores de xn possam ocorrer com
probabilidade no nula. Mas a lei forte mostra que isso no pode ocorrer. Em
particular, ela implica, com probabilidade 1, para qualquer valor positivo ,
que | xn | ser maior que apenas um nmero finito de vezes (a
probabilidade deste evento nula).
Segue o enunciado lei fraca dos grandes nmeros:
Seja X1, X2, ... uma sequncia de variveis aleatrias independentes e
identicamente distribudas, cada uma com mdia finita E[Xi] = . Ento,
para qualquer > 0,
X + X 2 + ... + X n
P 1
0 quando n
n
GABARITO: C
J caiu em prova! (Analista do TJ-RO/CESPE-UnB/2012) Considere que
X representa a mdia amostral de uma amostra aleatria simples de tamanho
n retirada de uma distribuio X, e e denotam, respectivamente, a mdia e
desvio padro dessa distribuio X. Com relao a inferncia estatstica,
correto afirmar que a relao
31

Aula 05 Amostragem
1,96 0,95
P
/ n
n
consequncia do importante resultado que se intitula
(A) princpio da invarincia
(B) lei fraca dos grandes nmeros
(C) desigualdade de Chebyshev
(D) lei forte dos grandes nmeros
(E) teorema limite central
Resoluo
Seja a soma S n = X 1 + X 2 + ... + X n de n variveis aleatrias independentes e
identicamente distribudas X 1 , X 2 ,..., X n com mdia finita e varincia 2, em
que E ( S n ) = n e Var ( S n ) = n 2 . De acordo com o Teorema Central do Limite,
a varivel aleatria padronizada
S n E(S n )
Var ( S n )
S n n
assintoticamente normal com mdia nula e desvio-padro igual a um

(normal padro ou reduzida).
Divida o numerador e o denominador da relao acima pela constante n:
S n n S n n
X
n
n
=
=
= Z*
n
/ n
n
n
Ora, a varivel resultante continua sendo assintoticamente normal com mdia
zero e varincia unitria. Portanto,
P Z * 1,96 0,95
n
Dica: o resultado P(Z 1,96) = 0,95 , em que Z a normal padro, to utilizado

em Estatstica, que s vezes as bancas assumem que voc conhece esse valor
de cor.
32

Aula 05 Amostragem

GABARITO: E
33

Aula 05 Amostragem
O Mnimo que Voc Precisa Saber
- Uma populao consiste na totalidade das observaes.

- Uma amostra um subconjunto de observaes selecionadas a partir de
uma populao.
- Os elementos de uma amostra aleatria so independentes.
- Uma estatstica qualquer funo dos valores de uma amostra.
- Uma estimativa de um parmetro populacional um nico valor numrico
E , que obtido de uma estatstica . Por exemplo, seja a mdia
populacional . Ento = X = X i / n o estimador e E = x = xi / n a
estimativa de . Ou seja, o estimador a frmula e a estimativa aplicao da
frmula ao conjunto dos valores que compe a amostra.
- TCL: a soma de um grande nmero de variveis aleatrias independentes
tem uma distribuio que aproximadamente normal.
- Propriedade reprodutiva da normal: Sejam X1,X2,...,Xn variveis
aleatrias normais e independentes com E(Xi) = i e Var(Xi) = 2i, i = 1, 2, ...,
n e Y = X1 + X2 + ... + Xn. Ento Y normal com mdia E(Y) = 1 + 2 + ... +
n e varincia Var(Y) = 21 + 22 + ... + 2n.
- A mdia amostral X tem mdia e varincia 2 / n , em que e 2
denotam a mdia e a varincia populacionais, respectivamente. Portanto, a
mdia de X a prpria mdia populacional e a varincia de X igual
a varincia da populao 2 dividida por n.
- A estatstica f (frequncia amostral) binomial com mdia np e
varincia np (1 p ) , em que p denota a probabilidade de sucesso e n o
tamanho da amostra.
- A estatstica p = f / n (proporo amostral) binomial com mdia p e
varincia p (1 p ) / n .
- Seja a amostra ( X 1 , X 2 ,..., X ) de uma populao normal com mdia e
desvio-padro . Ento a estatstica
X
= i

i =1
34

Aula 05 Amostragem
uma varivel aleatria qui-quadrado com graus de liberdade. A varivel

2 tem mdia e varincia 2.
- A soma de duas variveis independentes 21 e 22 uma varivel 21 + 2 , ou
seja, uma varivel 2 com 1+2 graus de liberdade.
- Varincia amostral: S 2 =
1
1
2
X i2
(X i X )2 =
X .
1 i =1
1 i =1
1
- Relao entre a varincia amostral S2 e
21 (p/ populao normal!):
2 2
S =
1 S2 qui-quadrado com -1 graus de liberdade.
1
2
- A mdia da varincia amostral S2 igual varincia da populao 2 .

- A varivel t n 1 =
tem distribuio t de Student. Esta distribuio

S/ n
simtrica e tem mdia nula.
-
Fn1 ,n2 =
n2 / n1
1
/ n2
2
n2
a varivel aleatria F com n1 graus de liberdade no
numerador e n2 graus de liberdade no denominador.
S12
= Fn1 1,n2 1 a razo entre as varincias amostrais das populaes
S 22
independentes 1 e 2 uma varivel F com n1-1 graus de liberdade no
numerador e n2-1 graus de liberdade no denominador.
- Lei Forte dos Grandes Nmeros: a mdia de uma sequncia de variveis

aleatrias independentes com mesma distribuio converge, com probabilidade
1, para a mdia daquela distribuio.
- Lei Fraca dos Grandes Nmeros: A lei fraca dos grandes nmeros diz que,
para qualquer valor n grande especfico, provvel que a mdia
( x1 + x2 + ... + xn ) / n esteja prxima de . Portanto, para > 0 , a lei fraca dos
grandes nmeros garante que se encontre algum xn , tal que | xn |> .
35

Aula 05 Amostragem
Exerccios de Fixao
(ANAC rea 7/CESPE-UnB/2012) Julgue os itens que se seguem,

referentes teoria da amostragem.
1. Em uma amostragem estratificada, a varincia entre estratos maior que a
varincia das observaes dentro dos estratos.
2. Considere a seguinte situao hipottica.
Um pesquisador, com o objetivo de avaliar a qualidade de servios prestados
por uma companhia area, decidiu fazer um plano de amostragem por cotas,
mas estimou o tamanho amostral assumindo uma amostragem aleatria
simples.
Nessa situao hipottica, o procedimento adotado pelo pesquisador comum
na elaborao de planos de amostragem, pois reduz o erro amostral.
(Analista Judicirio TRT17/CESPE-UnB/2009/adaptada) Julgue o item
subsequente, considerando que uma amostra aleatria simples W1,...,W n ser
retirada de uma distribuio W cuja funo de densidade
f (w) =
w exp
em que w > 0, > 0 um parmetro desconhecido e exp(1) = 2,72.
3. A distribuio assinttica da mdia amostral
k =1
normal, cuja mdia
coincide com a mdia de W.
36

Aula 05 Amostragem
(ANAC rea 7/CESPE-UnB/2012) Com base no histograma acima

apresentado, julgue os itens a seguir.
4. Considerando que o histograma mostra a distribuio dos voos de certo
aeroporto por distncia voada, correto afirmar que a distncia mdia dos
voos desse aeroporto superior a 150 milhas nuticas.
5. Os quartis das distncias voadas (em milhas nuticas) obtidos a partir do
grfico so: 1o quartil = 100,0; 2o quartil (mediana) = 150,0; e 3o quartil =
200,0.
nota
contagem
27
Considerando que uma pesquisa de satisfao referente a um novo terminal de

passageiros tenha sido realizada com 50 pessoas e o resultado em uma
amostra de notas conforme apresentado na tabela acima, julgue os itens
seguintes.
6. A mdia geomtrica da distribuio das notas foi superior mdia
aritmtica.
37

Aula 05 Amostragem
7. A varincia amostral das notas atribudas pelos passageiros foi superior a

2,4.
Julgue os prximos itens com base na teoria das probabilidades.
8. Se A e B forem eventos mutuamente exclusivos e ambos tiverem
probabilidade de ocorrncia maior que zero, ento esses eventos sero
independentes.
9. Considerando que o departamento operacional de uma pequena companhia
area queira definir as escalas das equipes de bordo (pilotos e comissrios)
escolhendo ao acaso 3 cidades de um total de 5, e que duas dessas cinco
cidades, no possam ser colocadas na mesma escala, pois o tempo mximo de
voo dirio da tripulao seria ultrapassado, ento ser possvel escalar a
tripulao para 11 rotas distintas.
(ANAC/Cespe-UnB/2012/Adaptada) Na regio Sul do pas, em decorrncia
de mau tempo durante os meses de inverno, comum o fechamento de
aeroportos. Com base nessa informao e de acordo com a teoria de
probabilidades, julgue o item subsequente.
10. Considere que, em um aeroporto, a temperatura mdia em graus
Clsius diria seja expressa por T = 10 + X Y, em que X uma varivel
com distribuio normal de mdia 15 oC e desvio padro 3 oC, se as condies
meteorolgicas do aeroporto forem favorveis, ou com distribuio normal de
mdia 5 oC e desvio padro 1 oC, se as condies meteorolgicas forem
adversas, e Y uma varivel indicadora de condies meteorolgicas adversas
do aeroporto. Se, em 1/5 do tempo, o aeroporto est sob condies
meteorolgicas adversas, ento o desvio padro da temperatura mdia no
referido aeroporto ser superior a 2 oC.
(ANAC/CESPE-UnB/2009/adaptada) Considere que U1, U2 e U3 sejam
cpias independentes de uma distribuio uniforme, com mdia igual a 6 e
varincia igual a 3. Com base nessas informaes, julgue os prximos itens
(11 a 14) acerca da soma S = U1 + U2 + U3.
11. A soma S segue uma distribuio uniforme, com mdia igual a 18 e
varincia igual a 9.
12. De acordo com o teorema limite central, se e so, respectivamente, a
S
3
mdia e o desvio padro de S, ento a varivel Z =
segue uma
distribuio normal padro.

38

Aula 05 Amostragem
13. A mdia correspondente varivel transformada W =
S
6 igual a zero, e
3
a varincia igual a 1.
14. O valor esperado de S2 superior a 300.
(Analista Judicirio TRT17/CESPE-UnB/2009/adaptada) Um estudo
estatstico foi realizado para avaliar a relao entre o logaritmo do valor pago
em um processo judicial de natureza trabalhista (Y) e o correspondente
logaritmo do valor da causa (X). Para o estudo, foram selecionados ao acaso
301 processos judiciais trabalhistas. Observando-se o par de valores (Xk,Yk) do
k-simo processo, k = 1, 2, ..., 301, foram obtidos os resultados apresentados
na tabela a seguir.
mdia amostral de X (em ln R$)
desvio padro amostral de X (em ln R$)
mdia amostral de Y (em ln R$)
11,60
2,40
11,40
desvio padro amostral de Y (em ln R$)
2,80
correlao linear de Pearson entre X e Y
0,53
A partir dessas informaes, julgue os prximos itens, considerando um

modelo de regresso linear simples na forma Yk = a + bX k + ek , em que a e b so
os coeficientes do modelo, {ek } representa uma sequncia independente de
erros aleatrios normais com mdia zero e varincia 2 .
15. A estimativa de mnimos quadrados para o coeficiente b superior a 0,5 e
inferior a 0,7.
16. A estimativa de mnimos quadrados do coeficiente a superior a 4.
17. O valor da estatstica R2 superior a 0,30.
18. A covarincia entre X e Y maior que 3.
19. (MI-CENAD/ESAF/2012) Para selecionar uma amostra aleatria de
tamanho n de uma populao formada por N unidades, que so numeradas de
1 a N segundo uma certa ordem, escolhe-se aleatoriamente uma unidade entre
as k primeiras unidades da populao, onde k = N/n e seleciona-se cada ksima unidade da populao em sequncia. Esta tcnica de amostragem
denomina-se amostragem
(A) sistemtica.
39

Aula 05 Amostragem
(B) por etapas.

(C) estratificada.
(D) por conglomerados.
(E) por quotas.
20. (MI-CENAD/ESAF/2012) Considere uma amostra aleatria simples de
tamanho 50 extrada sem reposio de uma populao finita de tamanho 500.
Sendo 2= 100 a varincia da populao, determine o valor mais prximo da
varincia da mdia amostral.
(A) 1,6
(B) 1,8
(C) 2,0
(D) 2,2
(E) 2,4
40

Aula 05 Amostragem
4.
Gabarito
1C
2E
3C
4C
5C
6E
7C
8E
9E
10 C
11 E
12 E
13 C
14 C
15 C
16 C
17 E
18 C
19 A
20 B
41

Aula 05 Amostragem
5.
Resoluo dos Exerccios de Fixao
(ANAC rea 7/CESPE-UnB/2012) Julgue os itens que se seguem,

referentes teoria da amostragem.
1. Em uma amostragem estratificada, a varincia entre estratos maior que a
varincia das observaes dentro dos estratos.
Resoluo
A Amostragem Estratificada (AE) usada quando a populao pode ser
dividida em sub-populaes ou estratos razoavelmente homogneos (ex.:
departamento, local, idade, tipo de indstria etc.), de forma que cada
elemento da populao pertena a um e somente um estrato. Depois que os
estratos so formados, extrai-se uma amostra aleatria simples de cada um
deles. Os melhores resultados so obtidos quando os elementos contidos em
cada estrato so os mais similares possvel. H frmulas disponveis para se
combinar os resultados das amostras de estrato individuais em uma estimativa
do parmetro populacional de interesse. Se os estratos forem homogneos, o
procedimento de amostragem estratificada produzir resultados to precisos
quanto os da amostragem aleatria simples, mas utilizando um tamanho total
de amostra menor.
Por exemplo, considere que a populao de uma universidade tenha a seguinte
composio: 10% de professores, 15% de funcionrios e 75% de alunos.
Ento uma amostra estratificada proporcional teria 10% de professores, 15%
de funcionrios e 75% de alunos.
Em uma amostragem estratificada, a varincia entre estratos maior que a
varincia das observaes dentro dos estratos, pois os estratos so
homogneos.
Item certo.
GABARITO: C
2. Considere a seguinte situao hipottica.
Um pesquisador, com o objetivo de avaliar a qualidade de servios prestados
por uma companhia area, decidiu fazer um plano de amostragem por cotas,
mas estimou o tamanho amostral assumindo uma amostragem aleatria
simples.
Nessa situao hipottica, o procedimento adotado pelo pesquisador comum
na elaborao de planos de amostragem, pois reduz o erro amostral.
42

Aula 05 Amostragem
Resoluo
A amostragem pode ser probabilstica ou no probabilstica.
A amostragem ser probabilstica (ou aleatria ou casual) se todos os
elementos da populao tiverem probabilidade conhecida e diferente de zero
de pertencer amostra. A sua importncia decorre do fato de que apenas os
resultados provenientes de uma amostra probabilstica podem ser
generalizados estatisticamente para a populao da pesquisa.
A obteno de uma amostra probabilstica exige que se obtenha uma listagem
com os elementos da populao. Ou seja, exige que a populao acessvel seja
igual populao alvo. Nem sempre possvel obter tal listagem na prtica, o
que teoricamente inviabilizaria a retirada de uma amostra aleatria. Ento
deve-se recorrer amostragem no probabilstica.
Os tipos bsicos de amostragem no probabilstica so
Convenincia (acidental):
populao mais acessveis;
pesquisador
seleciona
membros
da
Intencional (Julgamento): o
populao mais acessveis; e
pesquisador
seleciona
membros
da
Cotas (proporcional): o pesquisador entrevista um nmero pr-definido

de pessoas em cada uma das vrias categorias.
Ao usar a amostragem no probabilstica o pesquisador no sabe qual a

probabilidade de que um elemento da populao tem de pertencer amostra.
Portanto, os resultados da amostra no podem ser estatisticamente
generalizados para a populao, porque no se pode estimar o erro
amostral. Se as caractersticas da populao acessvel forem semelhantes s
da populao alvo os resultados podem ser equivalentes aos de uma
amostragem probabilstica, mas no podemos garantir a sua confiabilidade
s vezes, os pesquisadores aplicam a amostras no probabilsticas certos
mtodos estatsticos projetados especificamente para amostras probabilsticas,
argumentando que uma amostra no probabilstica pode ser tratada como se
fosse uma amostra probabilstica. Entretanto, esse argumento no
sustentvel estatisticamente, e devemos ser cautelosos ao interpretar os
resultados das amostras no probabilsticas que so utilizadas para fazer
inferncias sobre populaes.
No item, um pesquisador, com o objetivo de avaliar a qualidade de servios
prestados por uma companhia area, decidiu fazer um plano de amostragem
por cotas, mas estimou o tamanho amostral assumindo uma amostragem
aleatria simples.
43

Aula 05 Amostragem
vista do exposto, no se pode afirmar que o procedimento adotado pelo

pesquisador reduza o erro amostral (*).
(*) O uso de um levantamento amostral introduz algum tipo de erro, que
consiste na diferena entre o valor observado na amostra e o parmetro de
interesse na populao. Esta diferena pode ocorrer apenas devido particula
amostra escolhida ou ento devido a fatores externos do plano amostral. O
primeiro so os chamados erros amostrais.
Item errado.
GABARITO: E
(Analista Judicirio TRT17/CESPE-UnB/2009/adaptada) Julgue o item
subsequente, considerando que uma amostra aleatria simples W1,...,W n ser
w
w exp
, em
retirada de uma distribuio W cuja funo de densidade f ( w) =
2
que w > 0, > 0 um parmetro desconhecido e exp(1) = 2,72.

n
3. A distribuio assinttica da mdia amostral
k =1
normal, cuja mdia
coincide com a mdia de W.

Resoluo
De acordo com o Teorema Central do Limite (TCL), a distribuio da soma de n
variveis aleatrias
Sn = W1 + W 2 + ...+ W n = k =1W k , tende para a distribuio

n
normal quando n , ou seja, assintoticamente normal.

Ora, se a distribuio
assinttica de S n = k =1Wk normal, ento a distribuio
de Sn /n tambm normal, pois n uma constante.

assinttica
n
A mdia de Sn /n dada por

S
W + W 2 + ...+ W n
W
W
W
W n
E n = E 1
= E 1 + E 2 + ...+ E n = nE = E (W ) = E (W )
n
n
n
n
n n
n
TLC: a soma de um grande nmero de variveis aleatrias

independentes tem uma distribuio que aproximadamente normal.
44

Aula 05 Amostragem
Item correto.
GABARITO: C
(ANAC rea 7/CESPE-UnB/2012) Com base no histograma acima

apresentado, julgue os itens a seguir.
4. Considerando que o histograma mostra a distribuio dos voos de certo
aeroporto por distncia voada, correto afirmar que a distncia mdia dos
voos desse aeroporto superior a 150 milhas nuticas.
Resoluo
A mdia aritmtica, ou mdia, de um conjunto de n nmeros X 1 , X 2 ,..., X n
definida por (leia-se X barra)
X =
1
X 1 + X 2 + ... + X n 1 n
= Xi = X
n
n i =1
n
Se k valores distintos observados X 1 , X 2 ,..., X k ocorrerem com as frequncias

k
f1 , f 2 ,..., f k ( f i = n ), respectivamente, a mdia ser

i =1
f X + f 2 X 2 + ... + f i X i + ... + f k X k
X= 1 1
=
f1 + f 2 + ... + f i + ... + f k
fX
i
i =1
k
k
1 k
f
X
=
pi X i
i i
n i =1
i =1
i =1
em que pi denota a i-sima frequncia relativa.

45

Aula 05 Amostragem
Quando os dados so apresentados em uma distribuio de frequncias, todos

os valores includos num certo intervalo de classe so considerados
coincidentes com o ponto mdio do intervalo. As frmulas acima sero vlidas
para esses dados agrupados quando se interpretar X i como o ponto mdio do
intervalo e f i como a frequncia de classe correspondente.
4
X = pi X i = (25% 50) + (50% 150) + (20% 250) + (5% 350)

i =1
X = (0,25 50) + (0,50 150) + (0,20 250) + (0,05 350) = 12,5 + 75 + 50 + 17,5 = 155
A distncia mdia dos voos desse aeroporto superior a 150 milhas nuticas.
Item certo.
GABARITO: C
5. Os quartis das distncias voadas (em milhas nuticas) obtidos a partir do
grfico so: 1o quartil = 100,0; 2o quartil (mediana) = 150,0; e 3o quartil =
200,0.
Resoluo
Os quartis dividem os dados do histograma em quatro subconjuntos com igual
nmero de elementos. O primeiro quartil (Q1) ou quartil inferior (Qi) delimita
os 25% menores valores. O segundo quartil a prpria mediana e o terceiro
quartil (Q3) ou quartil superior (Qs) o valor que separa os 25% maiores
valores.
Neste item, o valor x = 100,0 o primeiro quartil, pois delimita os 25%
menores valores. O valor x = 150,0 a mediana, porque corresponde ao valor
que divide a distribuio ao meio, deixando os 50% menores valores de um
lado e os 50% maiores valores do outro lado. O terceiro quartil o valor x =
200,0, pois separa os 25% maiores valores do restante da distribuio. Item
certo.
Alm dos quartis, podemos definir os decis (D1, D2,..., D9), que so os valores
que dividem os dados em dez partes iguais (note que a mediana corresponde
ao quinto decil D5) e os percentis,que so os valores que dividem os dados
ordenados em 100 partes iguais, sendo representados por P1, P2,..., P99 (a
mediana o percentil P50).
De maneira geral, os quartis, decis e percentis e outros valores obtidos
mediante subdivises dos dados em partes iguais so denominados quantis.
46

Aula 05 Amostragem
Os quartis, os decis e os percentis so medidas de posio separatrizes,

pois so valores que ocupam determinados lugares do eixo horizontal da
distribuio de frequncias, abrangendo intervalos iguais de um conjunto de
valores coletados e organizados.
Observe que a mediana, alm de ser uma medida de posio de tendncia
central, tambm uma medida separatriz.
GABARITO: C
nota
contagem
27
Considerando que uma pesquisa de satisfao referente a um novo terminal de

passageiros tenha sido realizada com 50 pessoas e o resultado em uma
amostra de notas conforme apresentado na tabela acima, julgue os itens
seguintes.
6. A mdia geomtrica da distribuio das notas foi superior mdia
aritmtica.
Resoluo
A soma da contagem n = f1+ f2 + ... + f6 = 27 + 6 + 5 + 7 + 2 + 3 = 50,
em que os fi, i =1, 2, ..., 6, denotam as frequncias da contagem.
A mdia geomtrica nula: X G = ( X 1. X 2 ... X n )1 / n = (0 ... 5)1 / 50 = 0 .
Como a mdia aritmtica um valor no nulo, a mdia geomtrica da
distribuio das notas inferior mdia aritmtica. Item errado.
Clculo da mdia:
X =
f1 X 1 + ... + f 6 X 6 (0 27) + (1 6) + (2 5) + (3 7) + ( 4 2) + (5 3) 60
=
=
= 1,2
n
50
50
47

Aula 05 Amostragem
Relao entre as mdias aritmtica, geomtrica e harmnica

A mdia geomtrica de um conjunto de nmeros positivos X 1 , X 2 ,..., X n menor
do que ou igual sua mdia aritmtica, mas maior do que ou igual sua
mdia harmnica:
mdia harmnica mdia geomtrica mdia aritmtica
A propriedade acima pode ser usada para se resolver este item sem fazer
contas (macete de prova).
GABARITO: E
7. A varincia amostral das notas atribudas pelos passageiros foi superior a
2,4.
Resoluo
Frmula da Varincia amostral:
S x2 =
1 k
n 2
f i X i2
X
n 1 i =1
n 1
Varincia Amostral = Soma dos Quadrados/(n1) Quadrado da

Mdia corrigido pelo fator n/(n1)
Clculo da Soma dos Quadrados:

6
fX
i
2
i
= (0 2 27) + (12 6) + (2 2 5) + (32 7) + (42 2) + (52 3) = 196
i =1
Clculo da Varincia Amostral:

S x2 =
196 50 2
1,2 = 4,00 1,47 = 2,53
49 49
GABARITO: C
Julgue os prximos itens com base na teoria das probabilidades.
8. Se A e B forem eventos mutuamente exclusivos e ambos tiverem
probabilidade de ocorrncia maior que zero, ento esses eventos sero
independentes.
48

Aula 05 Amostragem
Resoluo
Dois eventos A e B so mutuamente exclusivos (excludentes) se AB = ;
ou seja, A e B no tm elementos em comum. Logo, P(AB)= P() = 0.
Se A e B so independentes, ento o resultado B no ter efeito sobre a
probabilidade de A e vice-versa: P(A|B) = P(A) e P(B|A) = P(B). Isto
equivalente a afirmar-se que P(AB) = P(A).P(B).
Se A e B so mutuamente excludentes, ento A e B so dependentes,
pois se A ocorre, B no ocorre, isto , a ocorrncia de um evento condiciona a
no ocorrncia do outro. A exclusividade implica dependncia.
Se A e B tiverem probabilidade de ocorrncia maior que zero e forem
independentes, ento P(AB) > 0. Mas, se forem exclusivos, teremos P(AB) = 0,
o que contraditrio. Item errado.
GABARITO: E
9. Considerando que o departamento operacional de uma pequena companhia
area queira definir as escalas das equipes de bordo (pilotos e comissrios)
escolhendo ao acaso 3 cidades de um total de 5, e que duas dessas cinco
cidades, no possam ser colocadas na mesma escala, pois o tempo mximo de
voo dirio da tripulao seria ultrapassado, ento ser possvel escalar a
tripulao para 11 rotas distintas.
Resoluo
H um total de cinco cidades: C1, C2, C3, C4 e C5. Suponha que as cidades C4
e C5 no possam ser colocadas na mesma escala pois o tempo mximo de voo
dirio da tripulao seria ultrapassado.
A escolha aleatria de 3 cidades deve considerar dois grupos distintos de 4
cidades :
- Grupo 1: {C1, C2, C3, C4}
- Grupo 2: {C1, C2, C3, C5}
O nmero de combinaes de k = 3 cidades em um grupo de n = 4 cidades
4
4!
C4,3 = =
=4
3 3!1!
49

Aula 05 Amostragem
Como h dois grupos de 4 cidades, a princpio, o nmero total de combinaes

de 3 cidades seria 2 x 4 = 8. Mas preciso descontar a combinao repetida
{C1, C2, C3}, que ocorre nos dois grupos. Temos ento 7 combinaes.
Note que uma combinao no leva em conta a ordem do arranjo (o arranjo
uma amostra ordenada). Por exemplo, os arranjos distintos {C1, C2, C3} e
{C3, C2, C1} referem-se mesma combinao (amostra) de 3 cidades.
Considere uma combinao de 3 cidades. O nmero de rotas distintas para
essas 3 cidades dado pela permutao das 3 cidades: 3! = 6.
Ser possvel escalar a tripulao para 7 x 6 = 42 rotas distintas.
GABARITO: E
(ANAC rea 4/Cespe-UnB/2012/Adaptada) Na regio Sul do pas, em
decorrncia de mau tempo durante os meses de inverno, comum o
fechamento de aeroportos. Com base nessa informao e de acordo com a
teoria de probabilidades, julgue o item subsequente.
10. Considere que, em um aeroporto, a temperatura mdia em graus
Clsius diria seja expressa por T = 10 + X Y, em que X uma varivel
com distribuio normal de mdia 15 oC e desvio padro 3 oC, se as condies
meteorolgicas do aeroporto forem favorveis, ou com distribuio normal de
mdia 5 oC e desvio padro 1 oC, se as condies meteorolgicas forem
adversas, e Y uma varivel indicadora de condies meteorolgicas adversas
do aeroporto. Se, em 1/5 do tempo, o aeroporto est sob condies
meteorolgicas adversas, ento o desvio padro da temperatura mdia no
referido aeroporto ser superior a 2 oC.
Resoluo
Esta cobra uma generalizao do teorema da probabilidade total.
Sejam:
B o evento que representa a temperatura mdia (T) em um dia qualquer

ser menor ou igual a t oC, ou seja, B = {T t};
os eventos mutuamente exclusivos A1 e A2, que denotam condies

meteorolgicas do aeroporto so favorveis e condies meteorolgicas
do aeroporto so adversas, respectivamente. De acordo com o
enunciado, P(A1) = 4/5 e P(A2) = 1/5.
Pergunta-se: o desvio padro da temperatura mdia T no referido aeroporto

superior a 2 oC ?
50

Aula 05 Amostragem
DP(T) > 2 oC ?
De acordo com o Teorema da Probabilidade Total, a probabilidade do evento B

dada por
1
4
P ( B ) = P ( B | A1 ).P ( A1 ) + P ( B | A2 ).P ( A2 ) = P ( B | A1 ). + P ( B | A2 ).
5
5
Como P(B) = P{T t} = FT(t), em que FT(t) denota a Funo de Distribuio

Acumulada no condicional da varivel aleatria temperatura mdia T,
podemos reescrever a equao acima na forma
1
4
1
4
FT (t ) = P ( B | A1 ). + P ( B | A2 ). = FX ( x | A1 ). + FX ( x | A2 ).
5
5
5
5
em que FX ( x | A1 ) e FX ( x | A2 ) denotam as Funes Condicionais de Distribuio

Acumulada das variveis aleatrias X1 e X2, em que
X1 ~ N(15,32);
X2 ~ N(5,12);
Derivando ambos os membros em relao a t, obtemos

dFT (t ) d
4
1 d
4
1
FX ( x | A1 ). + FX ( x | A2 ).
= FX ( x | A1 ). + FX ( x | A2 ). =
dt
dt
5
5 dx
5
5
4
1
fT (t ) = f X ( x | A1 ). + f X ( x | A2 ).
5
5
pois T = 10 + X dT = dX. Alm disso, E (T ) = T = E (10 + X ) = 10 + E ( X ) = 10 + X .

Varincia de T:
4
1
Var (T ) = E (T T ) 2 = (T T ) 2 f T (t )dt = (T T ) 2 f X ( x | A1 ). + f X ( x | A2 ). dx
5
5
4
1
2
Var (T ) = (10 + X (10 + X ) ) f X ( x | A1 ). + f X ( x | A2 ). dx
5
5
4
1
2
Var (T ) = ( X X ) f X ( x | A1 ). + f X ( x | A2 ). dx
5
5
51

Aula 05 Amostragem
1
4
2
2
Var (T ) = (X X ) f X ( x | A1 ). dx + ( X X ) f X ( x | A2 ). dx
5
5
Var (T ) =
4
(X X )2 f X ( x | A1 )dx + 1 (X X )2 f X ( x | A2 )dx
5
5
37
1
4
1
4
Var (T ) = Var ( X 1 ) + Var ( X 2 ) = 9 + 1 =
= 7, 4
5
5
5
5
5
DP(T ) = Var (T ) = 7,40 = 2,72

O desvio padro da temperatura mdia no referido aeroporto superior a 2 oC.
Item certo.
GABARITO: C
(ANAC/CESPE-UnB/2009/adaptada) Considere que U1, U2 e U3 sejam
cpias independentes de uma distribuio uniforme, com mdia igual a 6 e
varincia igual a 3. Com base nessas informaes, julgue os prximos itens
(11 a 14) acerca da soma S = U1 + U2 + U3.
11. A soma S segue uma distribuio uniforme, com mdia igual a 18 e
varincia igual a 9.
Resoluo
Antes de discutir se a varivel aleatria S = U1 + U2 + U3 tem ou no
distribuio uniforme, vamos calcular a mdia e a varincia de S.
Mdia:
E(S) = S = E(U1 + U2 + U3) = E(U1) + E(U2) + E(U3) = 3x6 = 18.
Varincia:
var(S) = var(U1 + U2 + U3) = var(U1) + var(U2) + var(U3) = 3x3 = 9, pois a
varincia da soma de variveis independentes igual soma das
varincias individuais.
Agora, precisamos analisar a distribuio de S e todo cuidado pouco ... h
uma propriedade da distribuio normal, denominada propriedade
reprodutiva que diz o seguinte:
Se U1, U2, ..., Un forem variveis aleatrias normais e independentes,
com E(Ui) = i e var(Ui) = i2 para i = 1, 2, ..., n, ento
52

Aula 05 Amostragem
S = c1U1 + c2U2 + ... + cnUn,

em que c1, c2, ..., cn, so constantes, ser uma varivel aleatria normal com
S = c11 + c22 + ... + cnn,
e
var(S) = c12 12 + c 22 22 + ... + c n2 n2 .
Repare que as variveis U1, U2, ..., Un precisam ser normais, para que valha
a propriedade reprodutiva. Na questo, U1, U2 e U3 so variveis
uniformes. Observe que no h uma propriedade reprodutiva para a
distribuio uniforme. Portanto, no podemos afirmar que S = U1 + U2 + U3
tem distribuio uniforme. Alis, isto contraria a intuio, uma vez que o TCL
diz que a distribuio de probabilidades da soma de um nmero infinito de
variveis aleatrias uniformes IID converge para a distribuio normal. Sendo
assim, o item est ERRADO.
possvel determinar a distribuio de S = U1 + U2 + U3, em que U1, U2 e U3
so cpias independentes de uma distribuio uniforme. Contudo, este clculo
depende do conhecimento do conceito de funo caracterstica, que no foi
mencionado pelo programa do concurso. Prefiro no ensinar para vocs, pois
no precisamos deste conceito para resolver a questo.
GABARITO: E
12. De acordo com o teorema limite central, se e so, respectivamente, a
S
mdia e o desvio padro de S, ento a varivel Z = 3

segue uma
distribuio normal padro.

Resoluo
O TCL diz que a distribuio de probabilidades da soma de um nmero infinito
de variveis aleatrias IID converge para a distribuio normal. A soma de 3
variveis aleatrias uniformes IID no normal ERRADO.
GABARITO: E
53

Aula 05 Amostragem
13. A mdia correspondente varivel transformada W =
S
6 igual a zero, e
3
a varincia igual a 1.
Resoluo
E(S )
18
S
S
E (W ) = W = E 6 = E E (6 ) =
6 = 6 = 0,
3
3
3
3
var(S ) 9
S
1
var(W ) = var 6 = 2 var(s ) =
= = 1 item CORRETO.
9
9
3
3
GABARITO: C
14. O valor esperado de S2 superior a 300.
Resoluo
var(S ) = E ( S 2 ) S 2 E ( S 2 ) = var( S ) + S 2 = 9 + 18 2 = 9 + 324 = 333 item CORRETO.
GABARITO: C
(Analista Judicirio TRT17/CESPE-UnB/2009/adaptada) Um estudo
estatstico foi realizado para avaliar a relao entre o logaritmo do valor pago
em um processo judicial de natureza trabalhista (Y) e o correspondente
logaritmo do valor da causa (X). Para o estudo, foram selecionados ao acaso
301 processos judiciais trabalhistas. Observando-se o par de valores (Xk,Yk) do
k-simo processo, k = 1, 2, ..., 301, foram obtidos os resultados apresentados
na tabela a seguir.
mdia amostral de X (em ln R$)
desvio padro amostral de X (em ln R$)
mdia amostral de Y (em ln R$)
11,60
2,40
11,40
desvio padro amostral de Y (em ln R$)
2,80
correlao linear de Pearson entre X e Y
0,53
A partir dessas informaes, julgue os prximos itens, considerando um

modelo de regresso linear simples na forma Yk = a + bX k + ek , em que a e b so
os coeficientes do modelo, {ek } representa uma sequncia independente de
erros aleatrios normais com mdia zero e varincia 2 .
54

Aula 05 Amostragem
15. A estimativa de mnimos quadrados para o coeficiente b superior a 0,5 e

inferior a 0,7.
Resoluo
Dados:
X = 11,60
DP( X ) = X = 2,40
Y = 11,40
DP(Y ) = Y = 2,80
r = 0,53
Modelo de Regresso Linear Simples: Yk = a + bX k + k , em que a o intercepto,

b a declividade e {ek } representa uma sequncia independente de erros
aleatrios normais com mdia zero e varincia 2 .
Reta estimativa: E (Yk | X k ) = Yk = a + bX k , em que Yk denota os valores dados pela
reta estimativa, a a estimativa do coeficiente a , e b a estimativa do
coeficiente b .
Frmula para clculo da estimativa b :
S
Cov( X , Y )
b = xy =
S xx
Var ( X )
em que Cov ( X , Y ) denota a covarincia amostral entre X e Y e Var ( X ) a
varincia amostral de X (*).
r=
Cov( X , Y )
= 0,53
DP ( X ) DP(Y )
Cov ( X , Y ) = 0,53 2,40 2,80
Cov( X , Y ) 0,53 2,40 2,80

b =
0,62
=
2,40 2,40
Var ( X )
Item correto.
(*) A covarincia amostral entre X e Y s vezes denotada por XY .
GABARITO: C
55

Aula 05 Amostragem
16. A estimativa de mnimos quadrados do coeficiente a superior a 4.

Resoluo
Estimativa de mnimos quadrados do coeficiente a :
a = Y bX = 11,40 0,62 11,60 4,21 superior a 4
Item correto.
GABARITO: C
17. O valor da estatstica R2 superior a 0,30.
Resoluo
Relao entre R2 (coeficiente de determinao) e r (coeficiente de correlao):
R2 = r 2
Logo,
R 2 = r 2 = 0,532 0,28 inferior a 0,30
Item errado.
GABARITO: E
18. A covarincia entre X e Y maior que 3.
Resoluo
Dados: r = 0,53 , DP ( X ) = 2,40 , e DP (Y ) = 2,80 .
Clculo da covarincia (amostral) entre X e Y:
r=
Cov( X , Y )
= 0,53
DP( X ) DP(Y )
Cov ( X , Y ) = 0,53 DP ( X ) DP (Y ) Cov ( X , Y ) = 0,53 2,40 2,80 = 3,56 maior que 3
Item certo.
GABARITO: C
56

Aula 05 Amostragem
19. (MI-CENAD/ESAF/2012) Para selecionar uma amostra aleatria de

tamanho n de uma populao formada por N unidades, que so numeradas de
1 a N segundo uma certa ordem, escolhe-se aleatoriamente uma unidade entre
as k primeiras unidades da populao, onde k = N/n e seleciona-se cada ksima unidade da populao em sequncia. Esta tcnica de amostragem
denomina-se amostragem
(A) sistemtica.
(B) por etapas.
(C) estratificada.
(D) por conglomerados.
(E) por quotas.
Resoluo
O enunciado define a amostragem sistemtica, em que os elementos da
populao apresentam-se ordenados e so retirados periodicamente (de cada
k elementos, um escolhido).
GABARITO: A
20. (MI-CENAD/ESAF/2012) Considere uma amostra aleatria simples de
tamanho 50 extrada sem reposio de uma populao finita de tamanho 500.
Sendo 2= 100 a varincia da populao, determine o valor mais prximo da
varincia da mdia amostral.
(A) 1,6
(B) 1,8
(C) 2,0
(D) 2,2
(E) 2,4
Resoluo
Se a populao infinita ou se a amostragem feita com reposio, a
varincia da mdia amostral X dada por
Var ( X ) =
2
n
em que n o tamanho da amostra.
57

Aula 05 Amostragem
No caso de amostragem aleatria sem reposio de populao finita, a

varincia dada acima deve ser multiplicada pelo fator de populao finita
N n
N 1
em que N denota o nmero de elementos da populao.

Portanto,
Var ( X ) =
2
n
N n 100 500 50
=
= 2 0,9 = 1,8
N 1 50 500 1
GABARITO: B
At a prxima aula. F na misso e Bons estudos!
Alexandre Lima
alexandre@pontodosconcursos.com.br
58

Aula 05 Amostragem
APNDICE
TABELA I
NORMAL: rea direita de Zc
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
Segunda decimal de Zc
0,00
0,50000
0,46017
0,42074
0,38209
0,34458
0,30854
0,27425
0,24196
0,21186
0,18406
0,15866
0,13567
0,11507
0,09680
0,08076
0,06681
0,05480
0,04457
0,03593
0,02872
0,02275
0,01786
0,01390
0,01072
0,00820
0,00621
0,00466
0,00347
0,00256
0,00187
0,00135
0,00023
0,00003
0,00000
0,01
0,49601
0,45620
0,41683
0,37828
0,34090
0,30503
0,27093
0,23885
0,20897
0,18141
0,15625
0,13350
0,11314
0,09510
0,07927
0,06552
0,05370
0,04363
0,03515
0,02807
0,02222
0,01743
0,01355
0,01044
0,00798
0,00604
0,00453
0,00336
0,00248
0,00181
0,00131
0,00022
0,00003
0,00000
0,02
0,49202
0,45224
0,41294
0,37448
0,33724
0,30153
0,26763
0,23576
0,20611
0,17879
0,15386
0,13136
0,11123
0,09342
0,07780
0,06426
0,05262
0,04272
0,03438
0,02743
0,02169
0,01700
0,01321
0,01017
0,00776
0,00587
0,00440
0,00326
0,00240
0,00175
0,00126
0,00022
0,00003
0,00000
0,03
0,48803
0,44828
0,40905
0,37070
0,33360
0,29806
0,26435
0,23270
0,20327
0,17619
0,15151
0,12924
0,10935
0,09176
0,07636
0,06301
0,05155
0,04182
0,03362
0,02680
0,02118
0,01659
0,01287
0,00990
0,00755
0,00570
0,00427
0,00317
0,00233
0,00169
0,00122
0,00021
0,00003
0,00000
0,04
0,48405
0,44433
0,40517
0,36693
0,32997
0,29460
0,26109
0,22965
0,20045
0,17361
0,14917
0,12714
0,10749
0,09012
0,07493
0,06178
0,05050
0,04093
0,03288
0,02619
0,02068
0,01618
0,01255
0,00964
0,00734
0,00554
0,00415
0,00307
0,00226
0,00164
0,00118
0,00020
0,00003
0,00000
0,05
0,48006
0,44038
0,40129
0,36317
0,32636
0,29116
0,25785
0,22663
0,19766
0,17106
0,14686
0,12507
0,10565
0,08851
0,07353
0,06057
0,04947
0,04006
0,03216
0,02559
0,02018
0,01578
0,01222
0,00939
0,00714
0,00539
0,00402
0,00298
0,00219
0,00159
0,00114
0,00019
0,00003
0,00000
0,06
0,47608
0,43644
0,39743
0,35942
0,32276
0,28774
0,25463
0,22363
0,19489
0,16853
0,14457
0,12302
0,10383
0,08691
0,07215
0,05938
0,04846
0,03920
0,03144
0,02500
0,01970
0,01539
0,01191
0,00914
0,00695
0,00523
0,00391
0,00289
0,00212
0,00154
0,00111
0,00019
0,00002
0,00000
0,07
0,47210
0,43251
0,39358
0,35569
0,31918
0,28434
0,25143
0,22065
0,19215
0,16602
0,14231
0,12100
0,10204
0,08534
0,07078
0,05821
0,04746
0,03836
0,03074
0,02442
0,01923
0,01500
0,01160
0,00889
0,00676
0,00508
0,00379
0,00280
0,00205
0,00149
0,00107
0,00018
0,00002
0,00000
0,08
0,46812
0,42858
0,38974
0,35197
0,31561
0,28096
0,24825
0,21770
0,18943
0,16354
0,14007
0,11900
0,10027
0,08379
0,06944
0,05705
0,04648
0,03754
0,03005
0,02385
0,01876
0,01463
0,01130
0,00866
0,00657
0,00494
0,00368
0,00272
0,00199
0,00144
0,00104
0,00017
0,00002
0,00000
0,09
0,46414
0,42465
0,38591
0,34827
0,31207
0,27760
0,24510
0,21476
0,18673
0,16109
0,13786
0,11702
0,09853
0,08226
0,06811
0,05592
0,04551
0,03673
0,02938
0,02330
0,01831
0,01426
0,01101
0,00842
0,00639
0,00480
0,00357
0,00264
0,00193
0,00139
0,00100
0,00017
0,00002
0,00000
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
59

Aula 05 Amostragem
TABELA II
NORMAL: rea de 0 a Zc
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
Segunda decimal de Zc
0,00
0,00000
0,03983
0,07926
0,11791
0,15542
0,19146
0,22575
0,25804
0,28814
0,31594
0,34134
0,36433
0,38493
0,40320
0,41924
0,43319
0,44520
0,45543
0,46407
0,47128
0,47725
0,48214
0,48610
0,48928
0,49180
0,49379
0,49534
0,49653
0,49744
0,49813
0,49865
0,49977
0,49997
0,50000
0,01
0,00399
0,04380
0,08317
0,12172
0,15910
0,19497
0,22907
0,26115
0,29103
0,31859
0,34375
0,36650
0,38686
0,40490
0,42073
0,43448
0,44630
0,45637
0,46485
0,47193
0,47778
0,48257
0,48645
0,48956
0,49202
0,49396
0,49547
0,49664
0,49752
0,49819
0,49869
0,49978
0,49997
0,50000
0,02
0,00798
0,04776
0,08706
0,12552
0,16276
0,19847
0,23237
0,26424
0,29389
0,32121
0,34614
0,36864
0,38877
0,40658
0,42220
0,43574
0,44738
0,45728
0,46562
0,47257
0,47831
0,48300
0,48679
0,48983
0,49224
0,49413
0,49560
0,49674
0,49760
0,49825
0,49874
0,49978
0,49997
0,50000
0,03
0,01197
0,05172
0,09095
0,12930
0,16640
0,20194
0,23565
0,26730
0,29673
0,32381
0,34849
0,37076
0,39065
0,40824
0,42364
0,43699
0,44845
0,45818
0,46638
0,47320
0,47882
0,48341
0,48713
0,49010
0,49245
0,49430
0,49573
0,49683
0,49767
0,49831
0,49878
0,49979
0,49997
0,50000
0,04
0,01595
0,05567
0,09483
0,13307
0,17003
0,20540
0,23891
0,27035
0,29955
0,32639
0,35083
0,37286
0,39251
0,40988
0,42507
0,43822
0,44950
0,45907
0,46712
0,47381
0,47932
0,48382
0,48745
0,49036
0,49266
0,49446
0,49585
0,49693
0,49774
0,49836
0,49882
0,49980
0,49997
0,50000
0,05
0,01994
0,05962
0,09871
0,13683
0,17364
0,20884
0,24215
0,27337
0,30234
0,32894
0,35314
0,37493
0,39435
0,41149
0,42647
0,43943
0,45053
0,45994
0,46784
0,47441
0,47982
0,48422
0,48778
0,49061
0,49286
0,49461
0,49598
0,49702
0,49781
0,49841
0,49886
0,49981
0,49997
0,50000
0,06
0,02392
0,06356
0,10257
0,14058
0,17724
0,21226
0,24537
0,27637
0,30511
0,33147
0,35543
0,37698
0,39617
0,41309
0,42785
0,44062
0,45154
0,46080
0,46856
0,47500
0,48030
0,48461
0,48809
0,49086
0,49305
0,49477
0,49609
0,49711
0,49788
0,49846
0,49889
0,49981
0,49998
0,50000
0,07
0,02790
0,06749
0,10642
0,14431
0,18082
0,21566
0,24857
0,27935
0,30785
0,33398
0,35769
0,37900
0,39796
0,41466
0,42922
0,44179
0,45254
0,46164
0,46926
0,47558
0,48077
0,48500
0,48840
0,49111
0,49324
0,49492
0,49621
0,49720
0,49795
0,49851
0,49893
0,49982
0,49998
0,50000
0,08
0,03188
0,07142
0,11026
0,14803
0,18439
0,21904
0,25175
0,28230
0,31057
0,33646
0,35993
0,38100
0,39973
0,41621
0,43056
0,44295
0,45352
0,46246
0,46995
0,47615
0,48124
0,48537
0,48870
0,49134
0,49343
0,49506
0,49632
0,49728
0,49801
0,49856
0,49896
0,49983
0,49998
0,50000
0,09
0,03586
0,07535
0,11409
0,15173
0,18793
0,22240
0,25490
0,28524
0,31327
0,33891
0,36214
0,38298
0,40147
0,41774
0,43189
0,44408
0,45449
0,46327
0,47062
0,47670
0,48169
0,48574
0,48899
0,49158
0,49361
0,49520
0,49643
0,49736
0,49807
0,49861
0,49900
0,49983
0,49998
0,50000
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
60

Aula 05 Amostragem
TABELA III
QUI-QUADRADO: VALORES Yc tais que P(Y>Yc)=p
GL
0,995
0,990
0,975
0,950
0,900
0,750
0,500
0,250
0,100
0,050
0,025
0,010
0,005
0,001
0,0000393
0,000157
0,000982
0,00393
0,0158
0,102
0,455
1,323
2,706
3,841
5,024
6,635
7,879
10,83
0,0100
0,0201
0,0506
0,103
0,211
0,575
1,386
2,773
4,605
5,991
7,378
9,210
10,60
13,82
0,0717
0,115
0,216
0,352
0,584
1,213
2,366
4,108
6,251
7,815
9,348
11,34
12,84
16,27
0,207
0,297
0,484
0,711
1,064
1,923
3,357
5,385
7,779
9,488
11,14
13,28
14,86
18,47
0,412
0,554
0,831
1,145
1,610
2,675
4,351
6,626
9,236
11,07
12,83
15,09
16,75
20,52
0,676
0,872
1,237
1,635
2,204
3,455
5,348
7,841
10,64
12,59
14,45
16,81
18,55
22,46
0,989
1,239
1,690
2,167
2,833
4,255
6,346
9,037
12,02
14,07
16,01
18,48
20,28
24,32
1,344
1,646
2,180
2,733
3,490
5,071
7,344
10,22
13,36
15,51
17,53
20,09
21,95
26,12
1,735
2,088
2,700
3,325
4,168
5,899
8,343
11,39
14,68
16,92
19,02
21,67
23,59
27,88
10
2,156
2,558
3,247
3,940
4,865
6,737
9,342
12,55
15,99
18,31
20,48
23,21
25,19
29,59
11
2,603
3,053
3,816
4,575
5,578
7,584
10,34
13,70
17,28
19,68
21,92
24,72
26,76
31,26
12
3,074
3,571
4,404
5,226
6,304
8,438
11,34
14,85
18,55
21,03
23,34
26,22
28,30
32,91
13
3,565
4,107
5,009
5,892
7,042
9,299
12,34
15,98
19,81
22,36
24,74
27,69
29,82
34,53
14
4,075
4,660
5,629
6,571
7,790
10,17
13,34
17,12
21,06
23,68
26,12
29,14
31,32
36,12
15
4,601
5,229
6,262
7,261
8,547
11,04
14,34
18,25
22,31
25,00
27,49
30,58
32,80
37,70
16
5,142
5,812
6,908
7,962
9,312
11,91
15,34
19,37
23,54
26,30
28,85
32,00
34,27
39,25
17
5,697
6,408
7,564
8,672
10,09
12,79
16,34
20,49
24,77
27,59
30,19
33,41
35,72
40,79
18
6,265
7,015
8,231
9,390
10,86
13,68
17,34
21,60
25,99
28,87
31,53
34,81
37,16
42,31
19
6,844
7,633
8,907
10,12
11,65
14,56
18,34
22,72
27,20
30,14
32,85
36,19
38,58
43,82
20
7,434
8,260
9,591
10,85
12,44
15,45
19,34
23,83
28,41
31,41
34,17
37,57
40,00
45,31
21
8,034
8,897
10,28
11,59
13,24
16,34
20,34
24,93
29,62
32,67
35,48
38,93
41,40
46,80
22
8,643
9,542
10,98
12,34
14,04
17,24
21,34
26,04
30,81
33,92
36,78
40,29
42,80
48,27
23
9,260
10,20
11,69
13,09
14,85
18,14
22,34
27,14
32,01
35,17
38,08
41,64
44,18
49,73
24
9,886
10,86
12,40
13,85
15,66
19,04
23,34
28,24
33,20
36,42
39,36
42,98
45,56
51,18
25
10,52
11,52
13,12
14,61
16,47
19,94
24,34
29,34
34,38
37,65
40,65
44,31
46,93
52,62
26
11,16
12,20
13,84
15,38
17,29
20,84
25,34
30,43
35,56
38,89
41,92
45,64
48,29
54,05
27
11,81
12,88
14,57
16,15
18,11
21,75
26,34
31,53
36,74
40,11
43,19
46,96
49,64
55,48
28
12,46
13,56
15,31
16,93
18,94
22,66
27,34
32,62
37,92
41,34
44,46
48,28
50,99
56,89
29
13,12
14,26
16,05
17,71
19,77
23,57
28,34
33,71
39,09
42,56
45,72
49,59
52,34
58,30
30
13,79
14,95
16,79
18,49
20,60
24,48
29,34
34,80
40,26
43,77
46,98
50,89
53,67
59,70
40
20,71
22,16
24,43
26,51
29,05
33,66
39,34
45,62
51,81
55,76
59,34
63,69
66,77
73,40
50
27,99
29,71
32,36
34,76
37,69
42,94
49,33
56,33
63,17
67,50
71,42
76,15
79,49
86,66
60
35,53
37,48
40,48
43,19
46,46
52,29
59,33
66,98
74,40
79,08
83,30
88,38
91,95
99,61
70
43,28
45,44
48,76
51,74
55,33
61,70
69,33
77,58
85,53
90,53
95,02
100,43
104,21
112,32
80
51,17
53,54
57,15
60,39
64,28
71,14
79,33
88,13
96,58
101,88
106,63
112,33
116,32
124,84
90
59,20
61,75
65,65
69,13
73,29
80,62
89,33
98,65
107,57
113,15
118,14
124,12
128,30
137,21
100
67,33
70,06
74,22
77,93
82,36
90,13
99,33
109,14
118,50
124,34
129,56
135,81
140,17
149,45
Exemplo: o valor da qui-quadrado com =16 graus de liberdade (GL) com rea da cauda superior igual
a 0,100 (P(Y>yc) = 0,1) 23,54, ou seja, 162 = 23,54 .
61

Aula 05 Amostragem
TABELA IV (t de Student): valores tc tais que P(-tc < t < tc) = 1-p
GL
0,5
0,4
0,3
0,2
0,1
0,05
0,02
0,01
0,005
0,002
0,001
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
5000
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
0,681
0,679
0,679
0,677
0,675
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,849
0,848
0,845
0,842
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,047
1,045
1,041
1,037
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,299
1,296
1,289
1,282
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,676
1,671
1,658
1,645
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,009
2,000
1,980
1,960
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,403
2,390
2,358
2,327
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,678
2,660
2,617
2,577
127,321
14,089
7,453
5,598
4,773
4,317
4,029
3,833
3,690
3,581
3,497
3,428
3,372
3,326
3,286
3,252
3,222
3,197
3,174
3,153
3,135
3,119
3,104
3,091
3,078
3,067
3,057
3,047
3,038
3,030
2,971
2,937
2,915
2,860
2,808
318,309
22,327
10,215
7,173
5,893
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,852
3,787
3,733
3,686
3,646
3,610
3,579
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
3,307
3,261
3,232
3,160
3,092
636,619
31,599
12,924
8,610
6,869
5,959
5,408
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,768
3,745
3,725
3,707
3,690
3,674
3,659
3,646
3,551
3,496
3,460
3,373
3,292
Exemplo de uso da tabela t de Student: entrando-se na tabela com a probabilidade p = 0,1 e GL = 7,

lemos o valor t7 = 1,895. Logo, P(-1,895<t7<1,895) = 0,9 e P(t7>1,895) = P(t7<-1,895) = 0,1/2= 0,05.
62

Aula 05 Amostragem
TABELA V
DISTRIBUIO F: valores fc tais que P(F>fc) = p
GL1
P(F>)
1
2
3
4
5
6
7
8
9
10
0,100
39,9
49,5
53,6
55,8
57,2
58,2
58,9
59,4
59,9
60,2
0,050
161
199
216
225
230
234
237
239
241
242
0,025
648
799
864
900
922
937
948
957
963
969
0,010
4052
4999
5403
5625
5764
5859
5928
5981
6022
6056
0,005
16211
19999
21615
22500
23056
23437
23715
23925
24091
24224
0,001
405284
499999 540379 562500 576405 585937 592873 598144 602284 605621
2
0,100
8,53
9,00
9,16
9,24
9,29
9,33
9,35
9,37
9,38
9,39
0,050
18,5
19,0
19,2
19,2
19,3
19,3
19,4
19,37
19,38
19,40
0,025
38,5
39,0
39,2
39,2
39,3
39,3
39,4
39,4
39,4
39,4
0,010
98,5
99,0
99,2
99,2
99,3
99,3
99,4
99,4
99,4
99,4
0,005
199
199
199
199
199
199
199
199
199
199
0,001
999
999
999
999
999
999
999
999
999
999
3
0,100
5,54
5,46
5,39
5,34
5,31
5,28
5,27
5,25
5,24
5,23
0,050
10,13
9,55
9,28
9,12
9,01
8,94
8,89
8,85
8,81
8,79
0,025
17,44
16,04
15,44
15,10
14,88
14,73
14,62
14,54
14,47
14,42
0,010
34,12
30,82
29,46
28,71
28,24
27,91
27,67
27,49
27,35
27,23
0,005
55,55
49,80
47,47
46,19
45,39
44,84
44,43
44,13
43,88
43,69
0,001
167,03
148,50
141,11
137,10
134,58
132,85
131,58 130,62
129,86 129,25
4
0,100
4,54
4,32
4,19
4,11
4,05
4,01
3,98
3,95
3,94
3,92
0,050
7,71
6,94
6,59
6,39
6,26
6,16
6,09
6,04
6,00
5,96
0,025
12,22
10,65
9,98
9,60
9,36
9,20
9,07
8,98
8,90
8,84
0,010
21,20
18,00
16,69
15,98
15,52
15,21
14,98
14,80
14,66
14,55
0,005
31,33
26,28
24,26
23,15
22,46
21,97
21,62
21,35
21,14
20,97
0,001
74,14
61,25
56,18
53,44
51,71
50,53
49,66
49,00
48,47
48,05
5
0,100
4,06
3,78
3,62
3,52
3,45
3,40
3,37
3,34
3,32
3,30
0,050
6,61
5,79
5,41
5,19
5,05
4,95
4,88
4,82
4,77
4,74
0,025
10,01
8,43
7,76
7,39
7,15
6,98
6,85
6,76
6,68
6,62
0,010
16,26
13,27
12,06
11,39
10,97
10,67
10,46
10,29
10,16
10,05
0,005
22,78
18,31
16,53
15,56
14,94
14,51
14,20
13,96
13,77
13,62
0,001
47,18
37,12
33,20
31,09
29,75
28,83
28,16
27,65
27,24
26,92
6
0,100
3,78
3,46
3,29
3,18
3,11
3,05
3,01
2,98
2,96
2,94
0,050
5,99
5,14
4,76
4,53
4,39
4,28
4,21
4,15
4,10
4,06
0,025
8,81
7,26
6,60
6,23
5,99
5,82
5,70
5,60
5,52
5,46
0,010
13,75
10,92
9,78
9,15
8,75
8,47
8,26
8,10
7,98
7,87
0,005
18,63
14,54
12,92
12,03
11,46
11,07
10,79
10,57
10,39
10,25
0,001
35,51
27,00
23,70
21,92
20,80
20,03
19,46
19,03
18,69
18,41
7
0,100
3,59
3,26
3,07
2,96
2,88
2,83
2,78
2,75
2,72
2,70
0,050
5,59
4,74
4,35
4,12
3,97
3,87
3,79
3,73
3,68
3,64
0,025
8,07
6,54
5,89
5,52
5,29
5,12
4,99
4,90
4,82
4,76
0,010
12,25
9,55
8,45
7,85
7,46
7,19
6,99
6,84
6,72
6,62
0,005
16,24
12,40
10,88
10,05
9,52
9,16
8,89
8,68
8,51
8,38
0,001
29,25
21,69
18,77
17,20
16,21
15,52
15,02
14,63
14,33
14,08
Exemplo: entrando-se na tabela com a probabilidade p = 5% =0,050, e GL1 = GL2 = 5, lemos o valor fc = 5,05.
Logo, P(F>5,05) = 5% = 0,050.
GL2
1
63

Aula 05

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Aula 05

Uploaded by

Copyright:

Available Formats

Conhecimentos Especficos Mtodos Quantitativos Anatel

Tcnicas de Amostragem ........................................................................................... 2

Amostragem Aleatria Simples ....................................................................................... 4

Amostragem Estratificada ................................................................................................ 5

Amostragem por Conglomerados .................................................................................... 6

Amostragem Sistemtica AS ........................................................................................ 7

Estatsticas e Estimativas ........................................................................................... 9

Teorema Central do Limite ...................................................................................... 10

Distribuies Amostrais ............................................................................................ 15

Distribuio Amostral da Mdia ................................................................................... 15

Distribuio Amostral de uma Proporo ..................................................................... 20

Graus de Liberdade de uma Estatstica ......................................................................... 21

Distribuio Amostral de S2.......................................................................................... 22

Distribuio t de Student ............................................................................................... 25

Distribuio F de Snedecor ........................................................................................... 26

Lei dos Grandes Nmeros ........................................................................................ 29

Lei Forte dos Grandes Nmeros ................................................................................... 29

Lei Fraca dos Grandes Nmeros ................................................................................... 30

O Mnimo que Voc Precisa Saber ................................................................................ 34

Exerccios de Fixao ......................................................................................................... 36

Conhecimentos Especficos Mtodos Quantitativos Anatel

Na aula de hoje, enfocaremos o estudo das tcnicas de amostragem. Esta aula

A inferncia estatstica consiste nos mtodos usados para tomar

Uma populao consiste na totalidade das observaes em que estamos

Conhecimentos Especficos Mtodos Quantitativos Anatel

por pequenas discrepncias inerentes ao acaso, que sempre acontecem em

A amostragem pode ser probabilstica ou no probabilstica.

por Convenincia (acidental): o pesquisador seleciona membros da

Ao usar a amostragem no probabilstica o pesquisador no sabe qual a

Conhecimentos Especficos Mtodos Quantitativos Anatel

sustentvel estatisticamente, e devemos ser cautelosos ao interpretar os

Amostragem Aleatria Simples

A amostragem mais usada a Amostragem Aleatria Simples (AAS)

A AAS equivalente a um sorteio lotrico. Nela, todos os

A seleo de uma amostra um experimento aleatrio e cada observao na

Conhecimentos Especficos Mtodos Quantitativos Anatel

Seja X a varivel aleatria que representa o resultado de uma seleo de uma

A Amostragem Estratificada (AE) usada quando a populao pode ser

Conhecimentos Especficos Mtodos Quantitativos Anatel

estratos so formados, extrai-se uma amostra aleatria simples de cada um

Amostragem por Conglomerados

Na Amostragem por Conglomerados (AC), a populao dividida em

A amostragem por conglomerados consiste em sortear um nmero

Conhecimentos Especficos Mtodos Quantitativos Anatel

Os elementos da populao apresentam-se ordenados e so retirados

Neste curso, enfocaremos a AAS, porque, salvo meno em

Conhecimentos Especficos Mtodos Quantitativos Anatel

E) Esta opo evidentemente absurda. Sem maiores comentrios

Conhecimentos Especficos Mtodos Quantitativos Anatel

Uma estatstica qualquer funo das observaes de uma

denominada estimador de . Note que uma varivel aleatria, porque

Conhecimentos Especficos Mtodos Quantitativos Anatel

Note que o resultado obtido acima mera aplicao da frmula

que define o estimador da mdia amostral.

Teorema Central do Limite

Vimos que as distribuies de Poisson e a Binomial tm a distribuio normal

Teorema Central do Limite (TCL) (*). Considere n variveis

assintoticamente normal (isto , tende para a normal quando n tende

em que Z a varivel aleatria N(0,1).

TCL: a soma de um grande nmero de variveis aleatrias independentes tem

Conhecimentos Especficos Mtodos Quantitativos Anatel

A demonstrao do TCL no ser dada, pois est fora do escopo do curso. No

Uma varivel aleatria uniforme X1;

S2 = X1+X2, em que X1 e X2 so variveis aleatrias uniformes e