Amostragem em Auditoria

TRIBUNAL DE CONTAS DA UNIO
Secretaria-Geral de Controle Externo

Secretaria-Adjunta de Fiscalizao
TCNICAS DE AMOSTRAGEM
PARA AUDITORIAS
ADFIS/SEGECEX
2002
Negcio
Controle externo da administrao pblica e da gesto dos recursos pblicos federais.
Misso
Assegurar a efetiva e regular gesto dos recursos pblicos, em benefcio da sociedade.
Viso
Ser instituio de excelncia no controle e contribuir para o aperfeioamento da
administrao pblica.
MINISTROS
Humberto Guimares Souto, Presidente
Antonio Valmir Campelo Bezerra, Vice-Presidente
Marcos Vinicios Rodrigues Vilaa
Iram de Almeida Saraiva
Adylson Motta
Walton Alencar Rodrigues
Guilherme Gracindo Soares Palmeira
Ubiratan Diniz Aguiar
Benjamin Zymler
MINISTROS-SUBSTITUTOS
Lincoln Magalhes da Rocha
Augusto Sherman Cavalcanti
Marcos Bemquerer Costa
MINISTRIO PBLICO
Lucas Rocha Furtado, Procurador-Geral
Jatir Batista da Cunha, Subprocurador-Geral
Paulo Soares Bugarin, Subprocurador-Geral
Ubaldo Alves Caldas, Subprocurador-Geral
Maria Alzira Ferreira, Procuradora
Marinus Eduardo Vries Marsico, Procurador
Cristina Machado da Costa e Silva, Procuradora

TCNICAS DE AMOSTRAGEM
PARA AUDITORIAS
Braslia, maro de 2002.
Tribunal de Contas da Unio

Internet: http://www.tcu.gov.br
SAFS Q. 04 Lt. 01
70.042-900 Braslia (DF)
Secretrio-Geral de Controle Externo:
Luciano Carlos Batista
Secretrio-Adjunto de Fiscalizao:
Cludio Souza Castello Branco
Analistas de Finanas e Controle Externo - rea de Controle Externo:
Carlos Alexandre Amorim Rocha

Fbio Henrique Granja e Barros
Flvio Marcos Godoy Krecke
Marcelo Cardoso Soares
Mrcio Emmanuel Pacheco
Paula de Biase Damasceno
657.63
B823t
(Semag
(Secob
(Semag
(Seprog
(Secex-RJ
(Secex-RJ
Redao)
Reviso)
Reviso)
Reviso)
Reviso)
Reviso)
Brasil. Tribunal de Contas da Unio.

Tcnicas de amostragem para
auditorias / Tribunal de Contas da Unio.
-- Braslia : TCU, Secretaria-Adjunta de
Fiscalizao, 2002.
149 p.
1. Auditoria I. Ttulo.
Ficha Catalogrfica elaborada pela Diviso de Documentao do TCU.
APRESENTAO
Este documento complementa orientaes constantes do Manual de Auditoria de

Natureza Operacional desta Corte. As tcnicas ora tratadas procuram orientar as equipes de
auditoria sobre os conceitos e procedimentos elementares requeridos pelas amostragens
probabilsticas, bem como sobre os benefcios que elas podem proporcionar.
ntida a importncia do presente trabalho, pois j se observa uma demanda por
tcnicas de amostragem nas avaliaes de programas pblicos, nas fiscalizaes de obras e
na obteno de subsdios para os pareceres anuais sobre as contas prestadas pelo Presidente
da Repblica.
No intuito de tornar mais claros e acessveis os temas abordados, este documento
contm vrios exemplos e, quando possvel, as rotinas do Microsoft Excel que permitem
obter os resultados desejados.
Ademais, convm frisar que este trabalho no apenas descreve as tcnicas de
amostragem mais tradicionais (i.e., aleatria simples, estratificada e por conglomerados),
empregadas em diversos campos do conhecimento, como tambm resume uma tcnica
especfica para auditorias contbil-financeiras, qual seja: a amostragem por unidade
monetria.
Dessa forma, acreditamos que o presente documento contribuir para tornar mais
efetiva a atuao do TCU, aprimorando a sua capacidade para apurar tempestivamente os
resultados e as eventuais falhas sistemticas presentes na administrao pblica federal.
Naturalmente, de suma importncia a apresentao de crticas e sugestes por
todos que utilizarem este documento, pois somente isso permitir o seu aperfeioamento. O
tpico Folha de Sugestes, includo no final desta brochura, explica como e a quem enviar
quaisquer comentrios.
Finalmente, na condio de Secretrio-Geral de Controle Externo, parabenizo os
dirigentes e servidores cujo esforo resultou na materializao do presente trabalho.

Secretrio-Geral de Controle Externo
TCNICAS DE AMOSTRAGEM PARA AUDITORIAS
iv
SUMRIO
LISTA DE FIGURAS...................................................................................................... vii

LISTA DE TABELAS .......................................................................................................ix
LISTA DE EXEMPLOS ....................................................................................................x
INTRODUO ................................................................................................................11
1. CONCEITOS BSICOS ..............................................................................................15
1.1. Inferncia Estatstica............................................................................................... 15
1.2. Principais Tipos de Amostragem Probabilstica ...................................................... 16
1.2.1. Introduo Amostragem Aleatria Simples................................................. 16
1.2.2. Introduo Amostragem Aleatria Estratificada.......................................... 17
1.2.3. Introduo Amostragem Aleatria por Conglomerados............................... 18
1.3. Plano Amostral ....................................................................................................... 19
2. PROPRIEDADES DOS DADOS NUMRICOS ........................................................21
2.1. Medidas de Tendncia Central................................................................................ 21
2.2. Medidas de Variao .............................................................................................. 23
2.3. Relao entre a Mdia e a Mediana ........................................................................ 25
3. DISTRIBUIES DE PROBABILIDADE.................................................................27
3.1. Modelos de Distribuio Discreta........................................................................... 27
3.1.1. Distribuio Binomial ................................................................................... 28
3.1.2. Distribuio Hipergeomtrica........................................................................ 30
3.1.3. Distribuio Binomial Negativa .................................................................... 31
3.1.4. Distribuio de Poisson ................................................................................. 31
3.2. Modelos de Distribuio Contnua.......................................................................... 33
3.2.1. Distribuio Normal ...................................................................................... 34
3.2.2. Distribuio Exponencial .............................................................................. 39
4. DISTRIBUIES AMOSTRAIS ................................................................................41
4.1. Distribuio de Probabilidades das Mdias Amostrais ............................................ 41
4.2. Distribuio de Probabilidades das Propores Amostrais ...................................... 47
4.3. Amostragem em Populaes Finitas ....................................................................... 48
5. ESTIMAO ...............................................................................................................49
5.1. Estimativa do Intervalo da Mdia com Conhecido............................................... 50
5.2. Estimativa do Intervalo da Mdia com Desconhecido.......................................... 52
5.3. Estimativa do tipo Bootstrapping ........................................................................ 55
5.4. Estimativa do Intervalo para Propores................................................................. 55
5.5. Determinao do Tamanho da Amostra .................................................................. 57
5.5.1. Mdias .......................................................................................................... 57
5.5.2. Propores .................................................................................................... 58
5.6. Amostragem em Populaes Finitas ....................................................................... 60
5.7. Estimativa do Intervalo para Totais......................................................................... 61
5.8. Estimativa do Intervalo para Diferenas ................................................................. 62
6. VARIANTES DA AMOSTRAGEM ALEATRIA SIMPLES..................................65

6.1. Amostragem Aleatria Estratificada ....................................................................... 65
6.1.1. Estimao de Mdias, Totais e Propores na AAE ....................................... 65
6.1.2. Determinao do Tamanho da Amostra na AAE ............................................ 68
6.2. Amostragem Aleatria por Conglomerados ............................................................ 69
6.2.1. Estimao de Mdias, Totais e Propores na AAC ....................................... 69
6.2.2. Determinao do Tamanho da Amostra na AAC............................................ 72
7. AMOSTRAGEM POR UNIDADE MONETRIA.....................................................73
7.1. Metodologia da Amostragem por Unidade Monetria............................................. 75
7.2. Aplicao da Amostragem por Unidade Monetria................................................. 80
8. TIPOS DE ERRO EM AMOSTRAGEM ....................................................................83
8.1. Efeitos da No-Resposta......................................................................................... 84
8.2. Mtodos de Reduo da No-Resposta ................................................................... 87
8.2.1. Call-Backs..................................................................................................... 88
8.2.2. Subamostras .................................................................................................. 89
8.3. Mtodos de Compensao da No-Resposta ........................................................... 90
ANEXO I: ROTINAS DO MICROSOFT EXCEL...........................................................93
ANEXO II: DISTRIBUIES NORMAL PADRO & "t" DE STUDENT..............107
ANEXO III: BREVIRIO DE FRMULAS................................................................117
ANEXO IV: FORMULRIOS PARA AMOSTRAGENS POR UNIDADE
MONETRIA .........................................................................................................127
ANEXO V: APLICAO
DA
AMOSTRAGEM
POR
UNIDADE
MONETRIA .........................................................................................................111
GLOSSRIO ..................................................................................................................137
BIBLIOGRAFIA ............................................................................................................141
FOLHA DE SUGESTES .............................................................................................143
vi
LISTA DE FIGURAS
1.1. Amostragem Aleatria Simples....................................................................................16

1.2. Amostragem Aleatria Estratificada ............................................................................17
1.3. Amostragem Aleatria por Conglomerados .................................................................18
2.1. Propriedades dos Dados Numricos .............................................................................21
2.2. Relao entre a Mdia, a Mediana e a Moda ................................................................25
3.1. Exemplo de Distribuio Discreta de Probabilidades ...................................................27
3.2. Distribuio Binomial com n = 5 e p = 0,5...................................................................29
3.3. Distribuio Binomial com n = 5 e p = 0,1...................................................................30
3.4. Distribuio de Poisson com = 0,5............................................................................32
3.5. Distribuio de Poisson com = 6...............................................................................33
3.6. Funo Densidade de Probabilidades ...........................................................................33
3.7. Probabilidade de Variveis Aleatrias Contnuas.........................................................34
3.8. Distribuio Normal ....................................................................................................35
3.9. Efeitos de Variaes em e (A > B e C > B) ......................................................36
3.10. Padronizao da Distribuio Normal ........................................................................37
3.11. Obteno de Probabilidades [P(Z)] Dado um Valor Normal Padronizado (Z).............38
3.12. Obteno de um Valor Normal Padronizado (Z) Dada uma Probabilidade
[P(Z)] ..........................................................................................................................38
3.13. Distribuio Exponencial...........................................................................................40
4.1. Medida No-Viesada ...................................................................................................42
4.2. Medida Eficiente .........................................................................................................42
4.3. Medida Consistente .....................................................................................................43
4.4. Exemplo de Distribuio de Mdias Amostrais............................................................43
4.5. Exemplo do Impacto de n em Amostras Extradas de Populaes Distribudas
Normalmente...............................................................................................................44
4.6. Teorema do Limite Central ..........................................................................................46
4.7. Aplicao do Teorema do Limite Central.....................................................................46
4.8. Distribuio de Propores Amostrais .........................................................................47
5.1. Elementos de uma Estimativa Probabilstica ................................................................49
5.2. Intervalos de Confiana das Mdias Amostrais ............................................................50
vii
5.3. Distribuio de Probabilidades das Mdias Amostrais Conhecendo-se o DesvioPadro Populacional ....................................................................................................51
5.4. Distribuio de Probabilidades das Mdias Amostrais Desconhecendo-se o
Desvio-Padro Populacional........................................................................................53
5.5. Aplicao da Tabela t de Student..............................................................................54
8.1. Tipos de Erro em Amostragem ....................................................................................84
A.1. Dados Hipotticos.......................................................................................................95
A.2. Gerao de Estatsticas Descritivas .............................................................................95
A.3. Estatsticas Descritivas Geradas ..................................................................................96
A.4. Agrupamento de Dados (Etapa 1 de 4)........................................................................97
A.8. Dados Agrupados........................................................................................................98
A.9. Seleo de Amostras Aleatrias Simples com Reposio ..........................................100
A.10. Amostra Aleatria Simples Selecionada..................................................................100
A.11. Estimao do Intervalo de Confiana para Mdias com Desvio-Padro
Conhecido .................................................................................................................101
A.12. Intervalo de Confiana Estimado.............................................................................101
viii
LISTA DE TABELAS
3.1. Aplicaes da Distribuio Binomial ...........................................................................29

5.1. Tamanho da Amostra para Vrios Erros Amostrais e Propores de Sucesso
(Z = 1,96) ....................................................................................................................59
6.1. Resumo dos Dados Coletados na Aplicao da Amostragem por
Conglomerados ...........................................................................................................70
7.1. ndices de Confiabilidade para Vrias Quantidades Previstas de Erros e Nveis
de Confiana ...............................................................................................................73
7.2. ndice de Confiabilidade para Vrios Erros Observados na Amostra............................75
7.3. Seleo dos Elementos Amostrais................................................................................78
7.4. Fatores de Ampliao do Intervalo de Preciso ( FAPj ) ..................................................80
7.5. Diferenas Observadas na Amostra..............................................................................81
8.1. Intervalos de Confiana para Vrias Propores de Sucesso e ndices de NoResposta (Z = 1,96 e n = 1.000)...................................................................................86
8.2. Tamanho da Amostra para Vrios Erros Amostrais e ndices de No-Resposta
(Z = 1,96 e p = 0,5)......................................................................................................87
8.3. Eficcia de Trs Tentativas de Contato ........................................................................88
A.1. Obteno da Amplitude Semi-Interquartlica e da Meia Amplitude SemiInterquartlica ..............................................................................................................99
A.2. Estimao de Intervalos de Confiana.......................................................................102
A.3. Determinao do Tamanho da Amostra ....................................................................103
A.4. Estimao do Intervalo de Confiana para Totais......................................................104
A.5. Estimao do Intervalo de Confiana para Diferenas...............................................105
ix
LISTA DE EXEMPLOS
3.1. Aplicao da Distribuio de Poisson ..........................................................................32

3.2. Aplicao da Distribuio Exponencial........................................................................39
4.1. Aplicao da Distribuio de Probabilidades das Mdias Amostrais ............................45
4.2. Aplicao da Distribuio de Probabilidades das Propores Amostrais ......................48
5.1. Aplicao da Estimativa do Intervalo da Mdias com Conhecido .............................52
5.2. Aplicao da Estimativa do Intervalo para Mdias com Desconhecido .....................54
5.3. Aplicao da Estimativa do Intervalo para Propores.................................................56
5.5. Clculo do Tamanho da Amostra para Estimar Duas Propores .................................58
5.6. Clculo do Tamanho da Amostra para Estimar n-Propores.......................................59
5.7. Clculo Simplificado do Tamanho da Amostra para Estimar n-Propores..................60
5.8. Aplicao da Estimativa do Intervalo para Totais ........................................................62
5.9. Aplicao da Estimativa do Intervalo para Diferenas .................................................63
6.1. Aplicao da Estimativa de Mdias na Amostragem Estratificada ...............................66
6.2. Aplicao da Estimativa de Totais na Amostragem Estratificada .................................67
6.3. Aplicao da Estimativa de Mdias e Propores na Amostragem por
Conglomerados ...........................................................................................................70
7.1. Clculo do ndice de Confiabilidade ............................................................................74
7.2. Aplicao da Tabela de ndices de Confiabilidade .......................................................75
7.3. Clculo do Tamanho da Amostra na AUM ...................................................................77
7.4. Seleo dos Elementos Amostrais na AUM..................................................................77
8.1. Clculo da Quantidade de Questionrios......................................................................90
INTRODUO
cada vez mais comum o uso de tcnicas de amostragem pelos rgos

brasileiros de controle das finanas pblicas, merecendo destaque os esforos da Secretaria
Federal de Controle SFC. A adoo dessas tcnicas pelos rgos em questo uma
decorrncia do processo de reforma do Estado, no qual, sem prejuzo das vrias formas de
controle jurdico, observa-se uma demanda crescente por controles gerenciais, preocupados
com a tempestiva apurao de resultados e com a identificao de falhas sistemticas que,
independentemente de envolverem ou no prticas ilcitas, possam requerer a adoo, em
tempo hbil, de medidas corretivas de natureza poltico-administrativa.
No mbito do TCU, h uma tendncia em favor do uso dessas tcnicas de
amostragem em avaliaes de programas pblicos, em fiscalizaes de obras e at mesmo
na obteno de subsdios para os pareceres anuais sobre as contas prestadas pelo Presidente
da Repblica. Dessa forma, o presente documento deve ser compreendido como uma
complementao do Manual de Auditoria de Natureza Operacional.
Este trabalho tem como objetivo permitir que os AFCEs-CE tomem contato com
os principais conceitos e mtodos empregados pelas modernas tcnicas de amostragem, para
que possam estruturar melhor os trabalhos de campo cujo propsito seja determinar, p. ex.,
se os cadastros ou sistemas de controle das unidades jurisdicionadas so confiveis, se as
polticas pblicas federais esto alcanando os resultados que lhe deram origem ou se as
eventuais insuficincias de desempenho so aleatrias ou sistemticas.
Isso no significa, entretanto, que este documento bastar para que os membros
do corpo tcnico do TCU se tornem especialistas em amostragem uma disciplina por
demais vasta e que, por ser eminentemente aplicada, precisa lidar com uma grande
variedade de situaes concretas. Na verdade, raramente os cadastros apresentam o mesmo
grau de confiabilidade. igualmente pouco comum que as populaes apresentem o mesmo
nvel de disperso ou o mesmo ndice de no-respondentes recalcitrantes. Esses fatores
geram diferenas entre os estimadores empregados pelos estudos amostrais, tornando-os, de
certa forma, nicos.
Com este trabalho, pretende-se que os AFCEs-CE possam cumprir as tarefas
mais simples e, ante situaes mais complexas, formular questes que possam ser
respondidas com objetividade por especialistas em atividade no prprio TCU ou em outras
entidades, pblicas ou privadas. Os interessados em se aprofundar um pouco mais nesse
tema devero recorrer a textos especializados, tais como as obras Curso de Estatstica,
Estatstica Aplicada Administrao e, em especial, Elementary Survey Sampling (vide
o tpico Bibliografia).
Ressalte-se que, para que este documento fosse o mais til possvel para os
membros do corpo tcnico, os cinco primeiros captulos baseiam-se em rotinas do Microsoft
Excel, pertencente plataforma de softwares do TCU. A principal fonte para esses captulos
foi a verso de 1997 da obra Statistics for Managers Using Microsoft Excel. Cabe
registrar o nosso agradecimento a um dos seus autores, Prof. David M. Levine, da City
University of New York, por nos ter permitido acessar o material didtico derivado desse
livro, especialmente as apresentaes do Microsoft PowerPoint preparadas pelo Prof. John
McGill.
O presente trabalho representa o resultado de seis anos de iniciativas individuais,
de treinamentos promovidos pela Assessoria de Relaes Internacionais (Arint) e pelo
Instituto Serzedello Corra (ISC), e de recursos alocados pela extinta Secretaria de
Auditoria e Inspees (Saudi) e pelas atuais Secretaria-Adjunta de Fiscalizao (Adfis),
Secretaria de Macroavaliao Governamental (Semag), Secretaria de Controle Externo no
Estado do Rio de Janeiro (Secex-RJ), Secretaria de Fiscalizao de Obras e Patrimnio da
Unio (Secob) e Secretaria de Fiscalizao e Avaliao de Programas de Governo (Seprog).
As fases do trabalho foram:
12
participao no TCU Auditing Seminar, ministrado, em novembro de 1995,

pelos auditores Roger Adams e Richard Regal, da Association of Certified
Chartered Accountants, com 60 horas de durao;
manuteno de contatos com auditores da Inspetoria-Geral do Departamento
da Defesa dos EUA, como parte do curso Executive Development Program
in Performance Management, ministrado, em junho de 1996, pelo Virginia
Polytechnic Institute and State University e pela Fundao Getlio Vargas,
com o auxlio da National Academy of Public Adminstration;
participao no curso Estatstica Aplicada e Noes de Amostragem,
ministrado, em maio de 1997, pelo Prof. George von Borries, com 20 horas
de durao;
participao na disciplina Delineamento e Anlise de Amostras do
mestrado em Estatstica da Universidade de Braslia, ministrada no 2
semestre de 1997;
elaborao deste documento no perodo de setembro de 1998 a maro de
1999;
organizao do mdulo Tcnicas de Amostragem, ministrado em abril de
1999, com 15 horas de durao, do curso Introduo Auditoria do
Programa de Formao de 1999 para AFCEs-CE;
reviso de uma verso preliminar deste documento pelos participantes do
mdulo citado acima, o que permitiu a supresso de vrias imprecises;
participao, em decorrncia de convnio firmado pelo TCU e pela
Embaixada Britnica em maro de 1998, na disciplina Estatstica do
mestrado em Economia da London School of Economics and Political
Science, ministrada em setembro de 1999;
complementao deste trabalho em maro de 2001;
reviso final no mbito da Adfis e por servidores designados pelo
Memorando-Circular n 029 Adfis, de 15/05/2001, no perodo de abril a
julho de 2001;
participao no curso Tcnicas de Amostragem com o Auxlio do Software
SAS, ministrado, em junho de 1997, pela Prof. dina Shisue Miazaki, com
36 horas de durao;
INTRODUO
finalizao deste trabalho em setembro de 2001, incorporando-se quase todas

as sugestes apresentadas pelos revisores.1
Inegavelmente, trata-se de um perodo de maturao longo. A publicao de um

documento como este, entretanto, somente tem sentido quando h uma demanda ntida por
esse tipo de trabalho, como o caso atualmente.
O texto composto por oito captulos:
a) o primeiro discorre sobre alguns conceitos bsicos que devem ser fixados
desde o primeiro instante;
b) o segundo rev e exemplifica as propriedades dos dados numricos;
c) o terceiro trata dos modelos de distribuio de probabilidade;
d) o quarto aborda as propriedades das distribuies amostrais;
e) o quinto discute os problemas e tcnicas elementares de estimao, os quais
se confundem com a amostragem aleatria simples;
f) o sexto estende os conceitos do captulo anterior, discorrendo sobre as
verses bsicas das amostragens aleatrias estratificada e por
conglomerados;
g) o stimo discute as caractersticas da amostragem por unidade monetria,
empregada em auditorias contbil-financeiras;
h) o oitavo, por fim, trata dos erros em amostragem, em especial do problema
da no-resposta.
Em todos os captulos, recorreu-se a exemplos no intuito de tornar mais claros os
temas tratados. A bibliografia, por sua vez, foi dividida em principal e complementar
para que os leitores tenham mais opes para consulta, ainda que somente o primeiro grupo
tenha sido ostensivamente consultado.
Naturalmente, compete ao redator a responsabilidade pelas falhas remanescentes.

13
14
1. CONCEITOS BSICOS
Em auditoria, as tcnicas de amostragem visam coletar e avaliar evidncias

numricas das entidades administrativas no intuito de determinar e relatar o grau de
adequao das informaes obtidas a critrios previamente definidos. Isso se deve
natureza antieconmica das auditorias que pretendam investigar todo o universo visado.
As tcnicas em questo, por se basearem em princpios estatsticos
demonstrveis, apresentam as seguintes vantagens:
a) o tamanho da amostra e o erro amostral podem ser estimados prvia e
objetivamente;
b) as amostragens conduzidas por auditores diferentes podem ser combinadas;
c) os censos, alm de serem demorados, podem conter mais erros no-amostrais
do que as amostras;
d) os resultados amostrais so objetivos e, por extenso, defensveis;
e) os resultados da auditoria podem ser avaliados com segurana e extrapolados
para toda a populao.
1.1. Inferncia Estatstica

A crescente demanda por dados numricos observada ao longo da histria est
estreitamente relacionada com o desenvolvimento da estatstica descritiva.
UTILIZANDO O MICROSOFT EXCEL:
OPO FERRAMENTAS/ANLISE DE DADOS... (VIDE FIGURAS A.1 A.3,
ANEXO I ) gera estatsticas descritivas de um conjunto de observaes.
Modernamente, porm, graas ao desenvolvimento da inferncia estatstica,
partindo de extenses da teoria da probabilidade, que a estatstica passou a ser amplamente
empregada por todo tipo de pesquisa.
A relevncia dos mtodos de inferncia estatstica deve-se ao fato de que as
tcnicas de amostragem tornaram-se indispensveis, pois o crescimento populacional tornou
excessivamente onerosa, demorada e complexa a coleta de dados sobre toda a populao.
Decises relacionadas com as caractersticas da populao devem se basear em informaes
extradas de amostras, com a teoria da probabilidade fornecendo o elo entre ambas mediante
a definio da probabilidade de que os resultados amostrais espelhem os parmetros
populacionais.
Convm frisar que, para que a anlise estatstica seja til ao processo de tomada
de deciso, os dados coletados devem ser apropriados, ou seja, livres de vieses,
ambigidades ou outros tipos de erro, pois essas deficincias dificilmente podero ser
compensadas, mesmo pelos mais modernos mtodos estatsticos.
1.2. Principais Tipos de Amostragem Probabilstica

H dois tipos de amostragens: no-probabilsticas e probabilsticas. As
amostras por quotas e por julgamento do pesquisador so no-probabilsticas, enquanto que
as amostras aleatrias simples, estratificadas e por conglomerados so probabilsticas,
uma vez que seus elementos so selecionados com base em probabilidades conhecidas. Em
estudos numricos, somente as amostragens probabilsticas permitem a correta
generalizao para a populao dos resultados amostrais.
Nas amostras probabilsticas, as inferncias podem ser formuladas por
intermdio de estimadores simples, do tipo razo ou do tipo regresso. Os primeiros se
baseiam unicamente nos dados referentes varivel acerca da qual se deseja gerar
inferncias, enquanto que os outros tambm recorrem a variveis auxiliares, supostamente
relacionados com o fenmeno estudado. Este documento, contudo, somente tratar de
estimadores simples, pois os demais envolvem um nvel maior de sofisticao matemtica.
1.2.1. Introduo Amostragem Aleatria Simples

Embora a amostragem aleatria simples no seja, necessariamente, a estratgia
amostral mais eficiente e econmica, ela funciona como base para as estratgias mais
sofisticadas. As suas principais caractersticas constam da Figura 1.1.
Figura 1.1: Amostragem Aleatria Simples
Propriedades
n Cada elemento
da populao
tem a mesma
chance de ser
selecionado.
n Admite o uso de
tabelas de nmeros
aleatrios ou
sistemas noviesados de sorteio.
n A seleo de um
elemento no
interfere na
seleo dos
demais.
Ilustrao
Populao
Mdia, ,
desconhecida
J
J
J J
Amostra
J J
Amostra Aleatria
MdiaJ
JX = 50
Concluso
Estou 95%
confiante
que est
entre 40 e 60.
Fonte: McGill, 1997.
O elemento-chave de qualquer estratgia amostral a obteno e manuteno de

um cadastro atualizado (i.e., sistema de referncia ou, na lngua inglesa, frame) de todos
16
CONCEITOS BSICOS
os itens ou indivduos que compem a populao da qual ser extrada a amostra (i.e.,
populao-alvo). Caso alguns grupos de itens ou indivduos no sejam adequadamente
contemplados pelo cadastro, a populao-alvo e a verdadeira populao diferiro. Dessa
forma, as estimativas geradas pelas amostras aleatrias sero vlidas para a populao-alvo,
mas viesadas para a verdadeira populao.
As amostras aleatrias podem ser selecionadas com ou sem reposio de
populaes finitas ou infinitas. O mtodo empregado deve ser indicado claramente, pois as
equaes usadas nas inferncias estatsticas variam com os mtodos. Convm notar que as
amostragens aleatrias simples com reposio de populaes finitas e sem reposio de
populaes infinitas geram estimadores cujas equaes so idnticas.
1.2.2. Introduo Amostragem Aleatria Estratificada

Quando os elementos da populao puderem ser agrupados em conjuntos
homogneos (i.e., estratos), pode-se utilizar a amostragem aleatria estratificada,
selecionando-se uma amostra para cada estrato. Os tamanhos das amostras e as estatsticas
estimadas so independentes. Ao se combinar as estimativas de cada estrato, obtm-se uma
estimao para toda a populao.
Na estratificao da populao, cada elemento deve constar de um nico estrato,
ou seja, os estratos no podem possuir intersees, enquanto que o conjunto de elementos de
um estrato deve ser o mais homogneo possvel em relao caracterstica que se pretende
examinar, como ilustrado pela Figura 1.2.
Figura 1.2: Amostragem Aleatria Estratificada
Dividir a populao
em subgrupos:
l
l
l
Todos os
Universitrios
mutuamente
excludentes;
exaustivos;
No-Residentes
com ao menos uma
caracterstica
relevante em comum.
Selecionar uma
amostra aleatria de
cada subgrupo.
Residentes
Amostra

17
A amostragem estratificada apresenta as seguintes vantagens:

a) com relao amostra aleatria simples, supondo-se que haja um acrscimo
no volume de informao acerca da populao em decorrncia da
estratificao (p. ex., o desvio-padro observado em cada um dos estratos
substancialmente inferior ao desvio-padro do conjunto da populao):
obter preciso semelhante com uma amostra total menor;
obter maior preciso com uma amostra total igual;
b) obter estimativas para cada estrato, se essas estimativas forem teis;
c) dar maior ateno a certos grupos dentro da populao que tm uma
propenso muito alta ou muito baixa a apresentar a caracterstica examinada.
A estratificao pode ser til tambm se os custos de auditoria so diferentes para
cada estrato (p. ex., entrevistas de contato direto em alguns casos e questionrios enviados
pelo correio em outros).
1.2.3. Introduo Amostragem Aleatria por Conglomerados

Quando os elementos da populao podem ser agrupados em conjuntos
semelhantes, mas internamente heterogneos (i.e., conglomerados), pode-se usar a
amostragem aleatria por conglomerados. Nessa tcnica, as amostras so obtidas por meio
no da seleo aleatria de alguns de seus elementos, mas sim de alguns dos conglomerados
que a compem. Uma vez selecionados os conglomerados, todos os seus elementos so
examinados para que as estatsticas desejadas sejam obtidas, como ilustrado pela Figura 1.3.
Figura 1.3: Amostragem Aleatria por Conglomerados
n
Dividir a populao em
conglomerados.
l
Se os trabalhadores so os
elementos amostrais,
ento as companhias so
os conglomerados.
Selecionar conglomerados aleatoriamente.

Pesquisar todos os
trabalhadores do
conglomerado
selecionado ou uma
amostra aleatria deles.

18
Conglomerados
(Companhias)
Amostra
(Trabalhadores das
Companhias Selecionadas
CONCEITOS BSICOS
Quando os conglomerados so compostos por uma grande quantidade de

elementos, entretanto, pode-se estimar as estatsticas referentes a cada conglomerados por
meio da amostragem aleatria simples. Essa tcnica denominada de amostragem
aleatria por conglomerados em dois estgios, que tambm no ser examinada neste
documento em funo do nvel de sofisticao matemtica.
1.3. Plano Amostral

O ponto de partida de toda amostra o plano amostral, o qual documenta os
passos e os procedimentos envolvidos na utilizao de tcnicas de amostragem, devendo
envolver as etapas definidas a seguir:
a) estipular os objetivos do uso de tcnicas de amostragem, explicando-se o
porqu da no-utilizao de um censo;
b) definir os elementos da populao, ou seja, os indivduos ou objetos acerca
dos quais sero feitas estimativas;
c) definir o tamanho da populao, recorrendo-se, se necessrio, a estimativas;
d) examinar o cadastro da populao ou, caso no esteja disponvel, a descrio
dos itens relevantes para a seleo;
e) descrever a tcnica de amostragem a ser utilizada e justificar a escolha;
f) descrever os procedimentos seguidos na execuo do trabalho;
g) estabelecer o nvel de confiana;
h) determinar o tamanho da amostra e a preciso desejada, o que
freqentemente requer uma amostra preliminar;
i) escolher as tcnicas de coleta, armazenamento e anlise dos dados.
O maior ou menor sucesso dos estudos amostrais, independentemente do seu
tipo, costuma guardar relao direta com a melhor ou pior observncia dessas etapas.
19
20
2. PROPRIEDADES DOS DADOS NUMRICOS
Em geral, os pesquisadores procuram desenvolver instrumentos destinados a

obter respostas objetivas para perguntas acerca de vrios tipos de fenmenos ou
caractersticas (i.e., variveis aleatrias). Os dados coletados representam manifestaes
das variveis aleatrias, podendo diferir de resposta para resposta. Essas manifestaes
podem ser: categricas ou numricas.
OPO DADOS/RELATRIO DE TABELA DINMICA (VIDE FIGURAS A.1 & A.4
A.8, ANEXO I) gera estatsticas agrupadas por uma varivel categrica.
Com relao aos dados numricos, as suas principais propriedades, ilustradas
pela Figura 2.1, so: tendncia central, variao e forma.
Figura 2.1: Propriedades dos Dados Numricos
Tendncia Central
(Posio)
Variao
(Disperso)
Forma
2.1. Medidas de Tendncia Central

As medidas de tendncia central so mdia aritmtica, mediana, moda, meia
amplitude e meia-amplitude semi-interquartlica, que podem ser definidas da seguinte
maneira:
a) Mdia Aritmtica Populacional () e Amostral ( X ): dado um conjunto de n

observaes X1, X2, X3, ..., Xn, ou X definida pelo somatrio do valor de
todas as observaes dividido por n, ou seja:2
N
X 1 + X 2 + X 3 + ... + X N
=
N
i =1
N
n
X + X 2 + X 3 + ... + X n
X= 1
=
n
X
i =1
UTILIZANDO O MICROSOFT EXCEL: =MDIA(nm1;nm2;...).

b) Mediana (Md): dada uma seqncia ordenada de n observaes X1, X2, X3, ...,
Xn, Md definida pelo valor que divide a seqncia em dois conjuntos com a
mesma quantidade de observaes. Caso n seja mpar, a mediana dada pelo
n +1
-sima posio da seqncia. Caso n seja par,
2
n
n
a mediana dada pela mdia dos valores correspondentes s e + 1 2 2
valor correspondente
simas posies.
UTILIZANDO O MICROSOFT EXCEL: =MED(nm1;nm2;...).
c) Moda (Mo): dado um conjunto de n observaes X1, X2, X3, ..., Xn, Mo
definida pelo(s) valor(es) mais freqente(s) entre todas as observaes.
UTILIZANDO O MICROSOFT EXCEL: =MODO(nm1;nm2;...).
d) Meia Amplitude (Ma): dado um conjunto de n observaes X1, X2, X3, ..., Xn,
Ma definida pela mdia do menor e maior valores observados, ou seja:
Ma =
X mnimo + X mximo
.
2

=(MXIMO(nm1;nm2;...)+MNIMO(nm1;nm2;...))/2.
e) Meia Amplitude Semi-Interquartlica (Mq): dada uma seqncia ordenada de
n observaes X1, X2, X3, ..., Xn, Mq definida pela mdia dos valores
correspondentes ao primeiro e terceiro quartis (Q1 e Q3) 3, ou seja:
Mq =
2
Q1 + Q 3
.
2
Caso toda a populao seja abrangida pelas observaes, n deve ser substitudo por N.
O segundo quartil (Q2) corresponde mediana (Md).
22
3
PROPRIEDADES DOS DADOS NUMRICOS
n +1
O primeiro quartil (Q1) definido pelo valor correspondente
4
sima posio da seqncia, o qual separa os primeiros 25% das

observaes dos 75% restantes.
n + 1
4
O terceiro quartil (Q3) definido pelo valor correspondente 3.
sima posio da seqncia, o qual separa os primeiros 75% das

observaes dos 25% restantes.
n +1
n + 1
Se (n+1) no for mltiplo de 4, as equaes
e 3.
no
4
4
geraro nmeros inteiros. Nesse caso, h trs possibilidades:

i.
caso n seja mltiplo de 4, o quartil desejado ser dado pela posio

imediatamente inferior ao nmero obtido;
ii. caso (n+2) seja mltiplo de 4, o quartil desejado ser dado pela
posio imediatamente superior ao nmero obtido;
iii. caso (n+3) seja mltiplo de 4, o quartil desejado ser dado pela mdia
n 1 n + 3
dos valores correspondentes s
e
-simas posies.
4
UTILIZANDO O MICROSOFT EXCEL: VIDE TABELA A.1, ANEXO I.
2.2. Medidas de Variao

J as medidas de variao so amplitude, amplitude semi-interquartlica,
varincia, desvio-padro e coeficiente de variao, que so definidas como indicado
abaixo:
a) Amplitude (At): dado um conjunto de n observaes X1, X2, X3, ..., Xn, At
definida pela diferena entre o maior e menor valores observados, ou seja:
At = X mximo X mnimo .
=(MXIMO(nm1;nm2;...)-MNIMO(nm1;nm2;...)).
b) Amplitude Semi-Interquartlica (Dq): dado um conjunto de n observaes X1,
X2, X3, ..., Xn, Dq definida pela diferena entre o terceiro e o primeiro
quartis, ou seja: Dq = Q3 Q1 .
c) Varincia Populacional (2) e Amostral (S2): dado um conjunto contendo n
observaes X1, X2, X3, ..., Xn, 2 e S2 correspondem ao somatrio do
23
quadrado da diferena entre cada observao e a mdia ( ou X ) dividido,

respectivamente, por N (observaes abrangem toda a populao) ou por
(n-1) (observaes abrangem apenas uma amostra), ou seja:
N
2 =
(X 1 )
+ ( X 2 ) + ( X 3 ) + ... + ( X N )
=
N
2
(X
i =1
X
i =1
2
i
N . 2
UTILIZANDO O MICROSOFT EXCEL: =VARP(nm1;nm2;...).
S2 =
(X
) + (X
2
) + (X
2
(n 1)
+ ... + X n X
(X
n
i =1
) X
(n 1)
i =1
2
i
n. X
(n 1)
UTILIZANDO O MICROSOFT EXCEL: =VAR(nm1;nm2;...).

d) Desvio-Padro Populacional () e Amostral (S): dado um conjunto contendo
n observaes X1, X2, X3, ..., Xn, e S correspondem, respectivamente, raiz
quadrada da varincia populacional (2) e amostral (S2), ou seja: 4
N
= 2 =
2
i
N . 2
i =1
UTILIZANDO O MICROSOFT EXCEL: = DESVPADP(nm1;nm2;...).

n
S = S2 =
X
i =1
2
i
n. X
(n 1)
UTILIZANDO O MICROSOFT EXCEL: = DESVPAD(nm1;nm2;...).

e) Coeficiente de Variao (CV): dado um conjunto de n observaes X1, X2, X3,
..., Xn, CV mede a variao relativa das observaes em torno da mdia ( ou
S
X ): CV populacional = .100% ou CVamostral = .100% .
X

=(DESVPADP(nm1;nm2;...)/MDIA(nm1;nm2;...)) CVpopulacional.
=(DESVPAD(nm1;nm2;...)/MDIA(nm1;nm2;...)) CVamostral.
O desvio-padro e a varincia tm como objetivo medir a distribuio das n observaes em torno da mdia. Quanto
mais prximas de zero, maior a concentrao.
24
PROPRIEDADES DOS DADOS NUMRICOS
2.3. Relao entre a Mdia e a Mediana

A curva de freqncia de um conjunto de n observaes X1, X2, X3, ..., Xn pode
exibir uma forma simtrica, assimtrica direita ou assimtrica esquerda. Isso pode ser
constatado comparando-se a mdia ( ou X ) e a mediana (Md). Nesse caso, h trs
possibilidades:
a) ou X > Md forma assimtrica direita (mais de 50% das observaes
concentra-se esquerda da mdia);
b) ou X = Md forma simtrica (a mdia separa os primeiros 50% das
observaes dos 50% restantes);
c) ou X < Md forma assimtrica esquerda (mais de 50% das
observaes concentra-se direita da mdia).
Convm notar que a anlise anterior pode ser estendida s modas, como mostra a
Figura 2.2.
Figura 2.2: Relao entre a Mdia, a Mediana e a Moda
Assimtrico Esquerda
Left-Skewed
Mdia Mediana
Moda
Mean
Median Mode
Simtrico
Symmetric
Mdia==Median
Mediana == Moda
Mean
Mode
Right-Skewed
Assimtrico Direita
Moda Median
Mediana Mdia
Mode
Mean
25
26
3. DISTRIBUIES DE PROBABILIDADE
As variveis aleatrias numricas podem ser descritas por intermdio de

distribuies de probabilidades, as quais devem contemplar todas as possveis
manifestaes do fenmeno examinado e as respectivas probabilidades ou freqncias
relativas. Esses dados so obtidos por meio de cadastros, os quais se classificam em:
a) tericos, gerados por modelos matemticos que representem, com graus
variados de sucesso, os fenmenos examinados;
b) empricos, elaborados com base nas freqncias efetivamente observadas;
c) subjetivos, que reflitam as convices do pesquisador acerca das freqncias.
O primeiro tipo de cadastro permite definir funes de distribuio de
probabilidades, com bases nas quais so calculadas com preciso a probabilidade de
ocorrncia de qualquer possvel manifestao da varivel aleatria. Por essa razo, somente
esse tipo de cadastro ser analisado neste documento.
Os modelos de distribuio de probabilidade apresentam caractersticas
especficas conforme as variveis aleatrias numricas sejam discretas ou contnuas.
3.1. Modelos de Distribuio Discreta

Um exemplo clssico de distribuio discreta corresponde ao resultado do
arremesso de duas moedas, como mostrado na Figura 3.1.
Figura 3.1: Exemplo de Distribuio Discreta de Probabilidades
Experimento: arremessar duas moedas e contar

a quantidade de coroas.
Distribuio de Probabilidades
Valores, Xi Probabilidades, P(Xi)
0
1/4 = 0,25
2/4 = 0,50
1/4 = 0,25
Cadastro: {(0; 0,25), (1, 0,50), (2, 0,25)}

Tabela
Grfico
P(X)
0,50
0,25
0,00
0
Qtde de
Coroas
0
f(X i) Contagem
1
P(X i )
0,50
0,25
0,25
Os modelos de distribuio discreta mais importantes so: a binomial, a

hipergeomtrica, a binomial negativa e a de Poisson.
3.1.1. Distribuio Binomial

As principais propriedades da distribuio binomial so:
a) as amostras podem ser selecionadas a partir de populaes infinitas sem
reposio ou finitas com reposio;
b) as observaes selecionadas podem ser classificadas em uma de duas
categorias mutuamente excludentes e coletivamente exaustivas, usualmente
chamadas sucesso e fracasso;
c) as probabilidades de que uma observao seja classificada um sucesso (p)
ou um fracasso (1-p) so constantes e complementares;
d) as observaes so mutuamente independentes.
A varivel aleatria discreta ou o fenmeno estudado que segue uma distribuio
binomial a que trata da quantidade de sucessos observados em uma amostra.
Conhecendo-se a quantidade n de observaes contidas na amostra e a probabilidade p de
"sucesso", a distribuio binomial representada pela seguinte equao:
P( X ) =
n!
X )
p X4
p4
)(n4
. 1
.(4
1
2
3 .
X
(
n
X
)
!.
!
probabilid
ade
de
uma
seqncia
14243
em particular
quantidade de possveis
seqncias
Onde: P(X) = probabilidade de que sejam observados X sucessos, dados n e p;

X = quantidade de sucessos na amostra {X 0 X n};
n = tamanho da amostra;
p = probabilidade de sucesso;
(1-p) = probabilidade de fracasso.
USANDO MICROSOFT EXCEL:
=DISTRBINOM(nm_s;tentativas;probabilidade_s;cumulativo).
Onde: nm_s = X;
tentativas = n;
probabilidade = p;
VERDADEIRO = para calcular a prob. de X ou menos " sucessos" ;
FALSO = para calcular a prob. de X " sucessos".
cumulativo =
A distribuio binomial apresenta inmeras aplicaes, como mostra a Tabela

3.1.
28
DISTRIBUIES DE PROBABILIDADE
Tabela 3.1: Aplicaes da Distribuio Binomial

Gnero
Aplicaes
Probabilidade de que, em 20 tentativas, 15

Jogos de Azar ou mais resultados da roleta sejam
> 14
vermelhos?
Probabilidade de que, em uma amostra de
Controle de
20 pneus, nenhum seja defeituoso dado
20
Qualidade
que 8% de todos os pneus sejam
defeituosos?
Probabilidade de que um aluno seja
aprovado em um exame com 10 questes,
>4
Educao
cada questo com quatro opes, caso o
aluno tente adivinhar todas as questes?
Probabilidade de que o valor de uma ao
aumente por 10 dias consecutivos dado
Finanas
10
que os preos das aes efetivamente
oscilem aleatoriamente?
P(X)
20
0,50 0,021
20
0,92 0,189
10
0,25 0,078
10
0,50 0,001
A funo binomial de distribuio de probabilidades simtrica quando p = 0,5 e

assimtrica quando p 0,5. Quanto mais prximo p for de 0,5 e quanto maior for n, menor
ser o vis, como mostrado nas Figuras 3.2 e 3.3.
Figura 3.2: Distribuio Binomial com n = 5 e p = 0,5
P(X)
0,40
0,30
0,20
0,10
0,00
0
29
Figura 3.3: Distribuio Binomial com n = 5 e p = 0,1

P(X)
0,60
0,40
0,20
0,00
0
A mdia e o seu desvio-padro so obtidos, respectivamente, por meio das

seguintes equaes:
a) Mdia: = E(X) = n.p;
b) Desvio-padro: = n. p.(1 p ) .
3.1.2. Distribuio Hipergeomtrica

A distribuio hipergeomtrica, a exemplo da distribuio binomial, trata da
quantidade de sucessos observados em uma amostra com n observaes. A diferena entre
ambas reside no mtodo de seleo empregado. Enquanto que na binomial as observaes
so selecionadas com reposio de populaes finitas ou sem reposio de populaes
infinitas, na hipergeomtrica as observaes so selecionadas sem reposio de
populaes finitas. Portanto, a probabilidade p de sucesso nesse caso no constante. A
equao da distribuio em questo :
A N A
(N A)!
A!
.
.
X !.( A X )! (n X )!.[(N A) (n X )]! X n X
P( X ) =
=
.
N!
N

n!.(N n )!
n
Onde: P(X) = probabilidade de que sejam observados X sucessos, dados n e p;

A = quantidade de sucessos na populao {X 0 X N};
X = quantidade de sucessos na amostra {X 0 X Min[n, A]};
N = tamanho da populao.
30

=DIST.HIPERGEOM(exemplo_s;exemplo_nm;populao_s;nm_populao).
Onde: exemplo_s = X;
exemplo_nm = n;
populao_s = A;
nm_populao = N.
3.1.3. Distribuio Binomial Negativa

A distribuio binomial negativa usada para determinar a probabilidade de
ocorrncia de uma certa quantidade de fracassos antes que outra quantidade de sucessos
ocorra. A sua equao :
P(n ) =
(n 1)!
(n X ) n 1 X
(n X )
. p X .(1 p ) =
.
. p .(1 p )
( X 1)!.[(n 1) ( X 1)]!
X 1
USANDO MICROSOFT EXCEL: =DIST.BIN.NEG(nm_f;nm_s;probabilidade_s).

Onde: nm_f = (n X);
nm_s = X;
probabilidade_s = p.
3.1.4. Distribuio de Poisson

H um processo de Poisson quando eventos discretos podem ser observados em
uma rea de oportunidade (i.e., um intervalo contnuo de tempo, de superfcie, de
comprimento, etc.) de tal modo que, se essa rea for suficientemente reduzida, o seguinte
ocorrer:
a) a probabilidade de que seja observado um nico sucesso estvel;
b) a probabilidade de que mais de um sucesso seja observado nula;
c) a probabilidade de ocorrncia de um sucesso em qualquer intervalo
estatisticamente independente da probabilidade observada nos demais
intervalos.
A equao correspondente :
e .X
P( X ) =
.
X!
Onde: P(X) = probabilidade de que sejam observados X sucessos, dado ;

X = quantidade de sucessos por unidade da rea de oportunidade;
= quantidade esperada de sucessos;
e = 2,71828.5
Nmero de Euler, base do sistema de logaritmos neperianos.

31
USANDO MICROSOFT EXCEL: =POISSON(X;mdia;cumulativo).

Onde: mdia = ;
VERDADEIRO = para calcular a probabilid ade de X ou menos " sucessos" ;

FALSO = para calcular a probabilid ade de X " sucessos".
cumulativo =
O Exemplo 3.1 ilustra uma das possveis aplicaes da distribuio de Poisson.
Exemplo 3.1: Aplicao da Distribuio de Poisson

Suponha-se um banco que atende 180 clientes em um perodo de 1 hora. Toda chegada de um
cliente um evento discreto em um determinado instante de um intervalo contnuo de tempo.
Partindo-se o perodo de 1 hora em 3.600 intervalos de 1 segundo, tem-se:
a) a quantidade esperada (ou mdia) de clientes atendidos por segundo 0,05;
b) a probabilidade de que mais de um cliente seja atendido em um dado segundo quase nula;
c) o atendimento de um cliente em um dado segundo no afeta o atendimento dos demais clientes
nos demais segundos.
As Figuras 3.4 e 3.5, a seu tempo, mostram os efeitos do parmetro sobre o

formato do grfico da distribuio de probabilidades.
Figura 3.4: Distribuio de Poisson com = 0,5
P(X)
0,60
0,40
0,20
0,00
0
32
Figura 3.5: Distribuio de Poisson com = 6

P(X)
0,20
0,15
0,10
0,05
0,00
0
9 10
Convm notar que a distribuio de Poisson no apenas representa vrios

fenmenos (p. ex., telefonemas recebidos em uma manh, acidentes de trnsito observados
em uma semana, greves havidas em um ano, etc.), como tambm pode funcionar como uma
aproximao da distribuio binomial quando n for grande e p pequeno, com (n.p) 7.
Nesse caso, tem-se: = n.p.
3.2. Modelos de Distribuio Contnua

A representao matemtica da distribuio de uma varivel aleatria contnua
denominada funo densidade de probabilidades (FDP), cuja equao-geral e principais
caractersticas constam da Figura 3.6.
Figura 3.6: Funo Densidade de Probabilidades
Equao que define os

valores, X, e a FDP, f(X).
FDP
Propriedades:
(Valor, FDP)
f(X)
f ( X )dx = 1
a
(rea sob a curva)
f ( X ) 0, a X b
Valor
33
Quando um fenmeno contnuo (p. ex., altura, peso ou tempo) representado por
um modelo matemtico, a probabilidade de que os valores da varivel aleatria
correspondente pertenam a um dado intervalo pode ser calculada, como mostra a
Figura 3.7, porm a exata probabilidade de um valor especfico nula.
Figura 3.7: Probabilidade
Contnuas
f(X)
de
Variveis
Aleatrias
Probabilidade = rea sob a curva
P(c X d ) = f ( X ) dx
d
X
c
Os modelos de distribuio contnua mais importantes so: a normal e a

exponencial.
3.2.1. Distribuio Normal

Entre os modelos de distribuio contnua, a mais utilizada a distribuio
normal, uma vez que:
a) inmeros fenmenos contnuos parecem seguir essa distribuio;
b) essa distribuio pode funcionar como uma aproximao de vrias
distribuies discretas de probabilidade;
c) essa distribuio funciona como a base da inferncia estatstica clssica em
decorrncia da sua relao com o Teorema do Limite Central.
Essa distribuio possui as propriedades tericas indicadas a seguir, ilustradas
pela Figura 3.8:
a) o formato simtrico, semelhante a um sino;
b) as medidas de tendncia central (mdia, mediana, moda, meia amplitude e
meia amplitude semi-interquartlica) so iguais;
c) o intervalo semi-interquartlico, compreendendo a 50% das observaes,
corresponde ao intervalo .; + . ;
3
3
d) a
amplitude
da
varivel
{X X +}.
34
aleatria
representada
infinita
Figura 3.8: Distribuio Normal
Na forma de sino
e simtrica
Mdia, mediana,
moda so iguais
f(X)
Disperso Mdia
1,33.
Varivel aleatria
tem amplitude
infinita
X
Mdia
Mediana
Moda
Na prtica, a funo de distribuio de probabilidades de muitos fenmenos

observados apenas se assemelha distribuio normal. Isso ocorre quando a distribuio de
probabilidades da populao aproximadamente normal ou quando a amostra selecionada
no contm as caractersticas tericas esperadas. Dessa forma, freqentemente tem-se:
a) polgonos quase simtricos;
b) medidas de tendncia central ligeiramente diferentes;
c) intervalo semi-interquartlico ligeiramente diferente
do
intervalo
2
2
3 .; + 3 . ;
d) amplitude finita, geralmente correspondendo ao intervalo [ 3.; + 3.] .6

No presente contexto, a FDP definida pela seguinte equao:
Uma restrio comum a no observao de valores negativos.

35
f (X ) =
1
2.. 2
.e
1 X
.
Onde: = 3,14159;7
e = n de Euler;
X = varivel aleatria;
= mdia populacional;
= desvio-padro populacional.
=DIST.NORM(x;mdia;desv_padro;cumulativo) calcula a probabilidade de que sejam
observados valores menores do que X.
Onde: mdia = ;
desvio-padro = ;
VERDADEIRO = funo de distribui o cumulativa ;
FALSO = funo de distribui o de massa.
cumulativo =
=INV.NORM(probabilidade;mdia;desv_padro) calcula o valor X correspondente a uma

dada probabilidade acumulada.
Como e e so constantes matemticas, a FDP [f(X)] depende unicamente da
mdia e do desvio-padro populacionais ( e ). Cada combinao desses parmetros gera
uma distribuio de probabilidade distinta, como mostrado pela Figura 3.9.
Figura 3.9: Efeitos de Variaes em e (
A > B e
C > B)
f(X)
B
A
C
A = B
No intuito de tornar desnecessrio o uso da equao exposta acima e em face da

impossibilidade de que se elaborem infinitas tabelas de probabilidades, a varivel aleatria
(X) deve ser normalizada, ou seja, convertida em uma varivel aleatria normal
padronizada (Z) mediante a seguinte transformao, ilustrada pela Figura 3.10:
radianos = 180 graus.

36
7
Z=
X
.
USANDO MICROSOFT EXCEL: =PADRONIZAR(x;mdia;desv_padro).

Figura 3.10: Padronizao da Distribuio Normal
Z=
Distribuio
Normal
Distribuio Normal
Padronizada
=1
Uma tabela para CADA

combinao de e
= 0
Uma NICA tabela
A nova varivel tem mdia nula ( = 0), desvio-padro unitrio ( = 1) e FDP

definida pela seguinte equao:
f (Z ) =
1
2.
.e
1
.Z 2
2

=DIST.NORMP(z) calcula a probabilidade de que sejam observados valores menores do
que Z.
=INV.NORMP(z) calcula o valor Z correspondente a uma dada probabilidade
acumulada.
Portanto, todo conjunto de dados distribudos normalmente pode ser
transformado de tal modo que as probabilidades correspondentes podem ser obtidas a partir
da tabela da distribuio normal padronizada (vide Anexo II), como ilustrado pelas Figuras
3.11 e 3.12.
37
Figura 3.11: Obteno de Probabilidades [P(Z)] Dado um Valor Normal

Padronizado (Z)
Tabela da Distribuio
Normal Padro (Trecho)
Z
0,00
Qual o valor de P(Z)

dado Z = 0,1217?
=1
0,01 0,02
0,0478
0,0 0,0000 0,0040 0,0080
0,1 0,0398 0,0438 0,0478
= 0 0,12
.12 Z
0,2 0,0793 0,0832 0,0871

0,3 0,1179 0,1217 0,1255
Probabilidades
rea sombreada
superdimensionada
Figura 3.12: Obteno de um Valor Normal Padronizado (Z) Dada uma

Probabilidade [P(Z)]
Qual o valor de Z dado Tabela da Distribuio

Normal Padro (Trecho)
P(Z) = 0,1217?
0,1217
== 11
Z
0,00
0,01
0,2
0,0 0,0000 0,0040 0,0080

0,1 0,0398 0,0438 0,0478
.31
==00 0,31
rea sombreada
superdimensionada

38
0,2 0,0793 0,0832 0,0871
0,3 0,1179 0,1217 0,1255
Convm notar que o valor de uma observao selecionada aleatoriamente tem,

em toda distribuio normal, uma probabilidade de 68,26% de estar contido no intervalo
[ ; + ] e de 99,73% de estar contido no intervalo [ 3.; + 3.] .
3.2.2. Distribuio Exponencial

A distribuio exponencial amplamente utilizada em teoria das filas para
estimar o perodo de tempo entre dois sucessos (p. ex., chegadas, partidas,
atendimentos, etc.). O seu comportamento definido por um nico parmetro: a quantidade
mdia de sucessos por unidade de tempo (). A probabilidade de que o perodo de tempo
entre dois sucessos seja igual ou menor a um valor X dada pela seguinte equao:
P(intervalo entre " sucessos" X ) = 1 e . X .

=DISTEXPON(x;lambda;cumulativo).
Onde: lambda = ;
VERDADEIRO = funo de distribui o cumulativa ;

FALSO = funo de densidade de probabilid ade.
cumulativo =
O Exemplo 3.2 ilustra uma tpica aplicao da distribuio exponencial.
Exemplo 3.2: Aplicao da Distribuio Exponencial

Suponha-se um banco que atende, em mdia, 20 clientes por hora. Qual a probabilidade de que o
intervalo entre dois atendimentos seja, no mximo, de 6 minutos ou 0,1 hora?
Dados = 20 e X = 0,1, tem-se: P(intervalo entre " sucessos" 0,1) = 1 e 20.0,1 = 0,8647. Portanto,
h uma probabilidade de 86,47% de que o prximo atendimento ocorrer dentro de 6 minutos.
A Figura 3.13, por sua vez, mostra os efeitos do parmetro sobre o formato do
grfico da distribuio exponencial.
39
Figura 3.13: Distribuio Exponencial
Distribuio Exponencial
n
Descreve intervalos f(X)

de tempo ou
distncia entre
eventos
Funo Densidade
1
f (x) = e x
Parmetros
= , =
= 0,5
= 2,0
X
Probabilidades
P ( x a) = 1 e a
f(x
(x
a
40
) = ea
4. DISTRIBUIES AMOSTRAIS
As anlises de dados tm como um de seus principais objetivos o uso de

estatsticas como a mdia e a proporo amostrais para estimar os parmetros populacionais
correspondentes. Desse modo, uma pesquisa sobre inteno de voto tem nos resultados
amostrais apenas uma forma de obter estimativas acerca das intenes de todos os eleitores,
enquanto que uma auditoria financeira poder usar a mdia amostral para estimar o valor
total de todas as operaes constantes de um cadastro.
Do ponto de vista prtico, uma nica amostra com uma quantidade
predeterminada de observaes extrada da populao com o auxlio de um gerador de
nmeros aleatrios, que pode ser tanto uma tabela preparada previamente, como uma rotina
de computador.
OPO FERRAMENTAS/ANLISE DE DADOS... (FIGURAS A.1, A.9 & A.10,
ANEXO I) seleciona uma amostra aleatria simples com reposio;
=ALEATRIOENTRE(inferior;superior) gera um nmero entre os valores mnimo
(inferior) e mximo (superior) especificados, admitindo repeties;
=ALEATRIO gera um nmero distribudo uniformemente no intervalo [0; 1[.
Do ponto de vista terico, contudo, a estimao de parmetros populacionais por
meio de estatsticas amostrais deveria envolver o exame de todas as possveis amostras. Se
esse exame fosse efetivamente feito, a distribuio dos resultados obtidos corresponderia
distribuio amostral. Note-se que a quantidade de possveis amostras corresponde:
a) no caso de amostras com reposio, ao total de arranjos com repetio de N,
n a n: AR N , n = N n ;
b) no caso de amostras sem reposio, ao total de combinaes de N, n a n:
C N ,n =
N!
.
n!.(N n )!
USANDO MICROSOFT EXCEL: =COMBIN(nm;nm_escolhido).

Onde: nm = N;
nm_escolhido = n.
4.1. Distribuio de Probabilidades das Mdias Amostrais

A medida de tendncia central mais amplamente usada a mdia aritmtica. No
caso de populaes cuja distribuio de probabilidades seja normal, a mdia apresenta as
seguintes propriedades matemticas, ilustradas pelas Figuras 4.1, 4.2 e 4.3:
a) no-viesada: a mdia de todas as possveis mdias amostrais (
X
i =1
, onde m
dado por ARN,n, no caso de amostras com reposio, ou por CN,n, no caso de
amostras sem reposio) igual mdia populacional ();8
Figura 4.1: Medida No-Viesada
f( X)
No-Viesado Viesado
C
X
b) eficiente: comparando-se amostras, constata-se que a mdia a medida de

tendncia central mais estvel, proporcionando, em geral, as melhores
estimativas para a mdia populacional;
Figura 4.2: Medida Eficiente
f( X)
Distribuio da
Mdia Amostral
Distribuio da
Mediana Amostral
c) consistente: aumentando-se o tamanho da amostra, observa-se uma reduo

na variao das mdias amostrais em torno da mdia populacional.
Assim, ainda que no se conhea o quanto uma dada mdia amostral aproxima-se da mdia populacional, sabe-se, ao
menos, que a mdia de todas as possveis mdias amostrais igual mdia populacional.
42
DISTRIBUIES AMOSTRAIS
Figura 4.3: Medida Consistente
f( X)
Amostra de
Tamanho Grande
Amostra de
Tamanho Pequeno
A
X
Cabe frisar que a Lei dos Grandes Nmeros faz com que as mdias amostrais
apresentem uma menor varincia do que as observaes contidas na populao.
Efetivamente, os efeitos da eventual seleo de valores extremos para as amostras so
compensados pelo prprio clculo da mdia, como mostra a Figura 4.4.
Figura 4.4: Exemplo de Distribuio de Mdias Amostrais
Populao: {1; 2; 3; 4}
(amostra com reposio)
16 Amostras
16 Mdias Amostrais
1
Obs.
2 Observao
1
2
3
4
1
Obs.
2 Observao
1
2
3
4
1;1 1;2
1;3
1;4
1,0 1,5
2,0
2,5
2;1 2;2
2;3
2;4
1,5 2,0
2,5
3,0
3;1 3;2
3;3
3;4
2,0 2,5
3,0
3,5
4;1 4;2
4;3
4;4
2,5 3,0
3,5
4,0
Populao
0,30
Distribuio Amostral
P(X)
0,30
0,20
0,10
0,00
0,20
0,10
P( X)
1,0 1,5 2,0 2,5 3,0 3,5 4,0 X
0,00
1
= 2,5
= 1,12
x = 2,5
x = 0,79
Ressalte-se que quanto maior for o tamanho da amostra, menores so os efeitos

da seleo de valores extremos. Estatisticamente, esse fenmeno expresso pelo desviopadro da mdia amostral, denominado de erro-padro da mdia ( X ). Nas amostras com
reposio, o erro-padro definido pela seguinte equao:
43
X =
.
n
Portanto, o erro-padro da mdia ( X ) diminui medida que cresce o tamanho

da amostra (n), como mostrado pela Figura 4.5.
Figura 4.5: Exemplo do Impacto de n em Amostras Extradas de
Populaes Distribudas Normalmente
Distribuio Populacional
= 10
= 50
Tendncia Central:
x =
Disperso:
x =
Distribuies Amostrais
(amostragens com reposio)
n=4
X = 5
n =16
X = 2,5
X- = 50
Assim, nas amostras com reposio extradas de populaes normalmente

distribudas, com mdia e desvio-padro , tem-se que as distribuies de probabilidades
das mdias amostrais tambm so, para todo n, normais, com mdia X = e erro-padro
X . Alm do mais, quanto maior n, maior a concentrao das mdias amostrais ( X i ) em
torno da mdia populacional ().

O Exemplo 4.1 ilustra uma das possveis aplicaes da distribuio de
probabilidades das mdias amostrais.
44
Exemplo 4.1: Aplicao da Distribuio de Probabilidades das Mdias Amostrais

Suponha-se que uma mquina empacotadora de caixas de cereais tenha sido configurada de tal
modo que as quantidades depositadas nas caixas sejam normalmente distribudas, com mdia de
368 g e desvio-padro de 15 g. Caso seja selecionada uma amostra de 25 das milhares de caixas
empacotadas diariamente, qual a probabilidade de que a mdia amostral fique entre 365 e 368 g?
Como a populao normalmente distribuda, tem-se que:
Z=
X X
X
X 365 368
=
= 1,00 .
15
n
25
A rea sob a curva normal padronizada no intervalo [1; 0] igual a 0,3413. Portanto, 34,13% de
todas as possveis amostras de 25 caixas tm mdias amostrais de 365 a 368 g.
O percentual calculado acima no deve ser confundido com a probabilidade de que um item
qualquer da populao tenha de 365 a 368 g. Essa probabilidade deve ser obtida da seguinte
maneira:
Z=
X 365 368
=
= 0,20 .
15
A rea sob a curva normal padronizada no intervalo [0,2; 0] igual a 0,0793. Portanto, apenas
7,93% das caixas tm uma massa esperada de 365 a 368 g. Dessa forma, as mdias amostrais esto
mais concentradas em torno da mdia populacional do que as massas de cada caixa. Isso se deve ao
prprio mtodo de clculo da mdia, que atenua os efeitos dos valores extremos.
Quando no houver razes para crer que a populao examinada distribuda

normalmente, deve-se recorrer ao Teorema do Limite Central. Segundo esse teorema, como
mostram as Figuras 4.6 e 4.7, quando o tamanho da amostra suficientemente grande, a
distribuio das probabilidades das mdias amostrais aproxima-se de uma distribuio
normal. Isso ocorre independentemente da forma da distribuio da populao. Como regra
geral, tem-se que amostras com trinta ou mais elementos apresentam distribuies das
mdias amostrais que assemelham-se a distribuies normais. O teorema em questo,
contudo, pode ser usado em amostras ainda menores caso algumas caractersticas da
populao sejam conhecidas. No caso de populaes com distribuies quase simtricas, p.
ex., pode-se utilizar amostras com quinze elementos.
45
Figura 4.6: Teorema do Limite Central

medida que o
tamanho da
amostra se
torna suficientemente grande
(
30) ...
a distribuio
amostral
aproxima-se de
uma normal.
X
Figura 4.7: Aplicao do Teorema do Limite Central
Tendncia Central Distribuio Populacional

= 10
x =
Disperso
x =
l
= 50
Distribuio Amostral
Amostragem com n = 4
X = 5
reposio
n =30
X = 1,8
X- = 50
46
4.2. Distribuio de Probabilidades das Propores Amostrais

Nas variveis categricas compostas por itens que podem ser classificados como
tendo ou no uma dada caracterstica, os dois possveis resultados podem ser associados,
respectivamente, aos valores 1 e 0. Nesse caso, a mdia de uma amostra ( X ) de
tamanho n definida pela razo entre a soma dos valores 1s e 0s constantes da
amostra e o seu tamanho. Isso corresponde proporo dos elementos da amostra, ou
proporo amostral (ps), que contm a caracterstica examinada, tambm chamada de
sucesso, ou seja:
X ps =
qtde de sucessos
X
= .
tamanho da amostra n
Dessa forma, a proporo amostral (ps) est necessariamente contida no intervalo

[0, 1]. O erro-padro da proporo ( p ), por sua vez, definido pela seguinte equao:
s
ps =
p.(1 p )
.
n
A distribuio de probabilidades das propores amostrais, por fim, segue a

distribuio binomial. Essa distribuio, entretanto, aproxima-se de uma distribuio
normal quando (n.p) e [n.(1-p)] so superiores ou iguais a cinco.
Figura 4.8: Distribuio de Propores Amostrais
Aproximao por
uma distribuio
normal
l
l
np 5
n(1 - p) 5
Mdia:
P = p
Erro-padro:
P =
Distribuio Amostral
P(P s )
0,3
0,2
0,1
0,0
Ps
0,0 0,2 0,4 0,6 0,8 1,0
p (1 p ) , onde p = proporo populacional.

n

47
Exemplo 4.2: Aplicao da Distribuio de Probabilidades das Propores Amostrais

Suponha-se um banco no qual se saiba que 40% de todos os correntistas tm vrias contas. Caso
seja selecionada uma amostra de 200 correntistas, qual a probabilidade de que a proporo
amostral de correntistas com vrias contas fique entre 0,40 e 0,43?
Como (n.p) = (200.0,4) = 80 e [n.(1-p)] = [200.(1-0,40)] = 120, ento a distribuio de
probabilidades da proporo amostral semelhante a uma distribuio normal. Assim, tem-se que:
Z=
X X
X
X
Z =
ps p
p.(1 p )
n
0,43 0,40
= 0,87 .
0,40.(1 0,40)
200
A rea sob a curva normal padronizada no intervalo [0; 0,87] igual a 0,3078. Portanto, de
30,78% a probabilidade de que, em uma amostra com 200 correntistas, de 40 a 43% deles tenham
vrias contas.
4.3. Amostragem em Populaes Finitas

O Teorema do Limite Central e os erros-padro da mdia e da proporo
baseiam-se na premissa de que as amostras so selecionadas com reposio, porm, em
geral, as pesquisas no apenas so conduzidas sem reposio, como envolvem uma
porcentagem significativa da populao. Assim, quando
n
superior a 0,05, deve-se
N
usar um Fator de Correo para Populaes Finitas (CPF) no clculo dos errospadro da mdia e da proporo. Esse fator definido pela equao indicada a seguir:
CPF =
N n
.
N 1
Dessa forma, as equaes referentes aos erros-padro da mdia e da proporo

passam a ser, respectivamente:
X =
N n
.
e ps =
n N 1
p.(1 p ) N n
.
.
n
N 1
Como o fator em questo , em geral, inferior a 1, os erros-padro corrigidos so

menores do que os no-corrigidos, o que coerente com o fato de que a amostra abrange
uma frao significativa da populao.
48
5. ESTIMAO
Como ilustrado pela Figura 5.1, h dois tipos principais de estimativa: a pontual e
a do intervalo. A estimativa pontual eqivale a um nico valor, usado como estimativa do
parmetro populacional. A mdia e a varincia amostrais ( X e S2) so, respectivamente,
estimativas pontuais da mdia e da varincia populacionais ( e 2).
Como, contudo, as estatsticas amostrais variam de amostra para amostra,
importante que se leve em considerao a distribuio amostral de probabilidades, o que
feito mediante a estimativa do intervalo, que deve conter o parmetro populacional.
Ademais, associado ao intervalo estimado h uma probabilidade, ou nvel de confiana, de
que seja um dos intervalos que efetivamente contm o parmetro populacional.
Figura 5.1: Elementos de uma Estimativa Probabilstica
Probabilidade de que o Intervalo Estimado seja um

dos Intervalos que Contm o Parmetro
Populacional
Intervalo de
Confiana
Limite de
Confiana Inferior
Estatstica Amostral
(Estimativa pontual)
Limite de
Confiana Superior
A Figura 5.2 mostra como as estimativas dos intervalos de confiana

associadas s mdias amostrais variam conforme diferentes nveis de confiana, obtidos a
partir da tabela da distribuio normal padronizada.
Figura 5.2: Intervalos de Confiana das Mdias Amostrais
X = Z
x
x_
-2.58
x -1.65
x
-1.96
x
+1.65
x +2.58
x
+1.96
x
90% Amostras
95% Amostras
99% Amostras
5.1. Estimativa do Intervalo da Mdia com Conhecido

No captulo anterior, verificou-se que o percentual de mdias amostrais contidas
em qualquer intervalo centrado na mdia populacional pode ser obtido a partir do Teorema
do Limite Central ou de informaes disponveis acerca da distribuio da populao. O
presente item far o contrrio: com base nos resultados de uma nica amostra, sero
extradas concluses sobre a populao.
forma,
Do ponto de vista prtico, a mdia populacional () no conhecida. Dessa

quando o desvio-padro (
) sabido, em vez do intervalo

; + Z .
, tem-se o intervalo
Z .
n
n
mdias amostrais ( X m ), com o valor (1 )

; X + Z .
, com (1 )% das
X Z .
n
n
correspondendo ao dobro da rea sob a curva

da distribuio normal padronizada contida no intervalo [0; Z]9, a qual simtrica em
relao rea contida no intervalo [Z; 0].
Z = valor crtico da distribuio normal padronizada associado metade do complemento do nvel de confiana
(1 ) .
desejado, ou seja:
2
50
ESTIMAO
Considerando-se, para um dado n e um dado , todas as possveis mdias

amostrais e os respectivos intervalos de confiana, tem-se que (1 )% desses intervalos
contm a mdia populacional, como mostrado pela Figura 5.3.
Figura 5.3: Distribuio de Probabilidades das Mdias
Conhecendo-se o Desvio-Padro Populacional
Distribuio
da Mdia
/2
Amostral
1-
x_
/2
x =
Intervalos
estendem-se
de X - ZX
aX + ZX
Amostrais
_
X
(1 - )% dos
intervalos
contm .
% no
contm .
Grande Qtde de Intervalos

OPO FERRAMENTAS/ANLISE DE DADOS... (VIDE FIGURAS A.1, A11 &
A.12, ANEXO I ) gera estimativa do intervalo de confiana com conhecido.
Assim, um intervalo de confiana de 95% ( = 5% e Z = 1,96) significa que o
parmetro populacional est contido em 95% de todos os possveis intervalos, para um dado
n. Dessa forma, ainda que no se tenha certeza de que um dado intervalo de confiana,
obtido a partir de uma amostra especfica, contenha o parmetro desejado, sabe-se que essa
condio satisfeita por 95% de todas as amostras de tamanho n.
Destaque-se que, para um dado n, maior o nvel de confiana desejado, maior o
intervalo em torno da mdia amostral, tonando a estimativa obtida menos precisa e, por
extenso, menos til.
Uma possvel aplicao das estimativas em questo encontra-se ilustrada no
Exemplo 5.1.
51
Exemplo 5.1: Aplicao da Estimativa do Intervalo da Mdias com Conhecido

Suponha-se uma fbrica de folhas de papel, cuja produo normalmente distribuda, com
comprimento esperado de 28 cm e desvio-padro conhecido de 0,05 cm. Caso seja selecionada uma
amostra de 100 folhas e a mdia obtida tenha sido de 27,995 cm, qual a estimativa do intervalo da
mdia para um nvel de confiana de 95%?
Como a populao normalmente distribuda, tem-se que:
(1 0,95)
=
= 0,025 Z = 1,96 ;
2
2
0,05

= 27,995 0,01 27,985 28,005 .
= 27,995 1,96.
X Z .
100
n
Portanto, a amostra selecionada indica que o intervalo [27,985; 28,005] contm a mdia
populacional, com 95% de nvel de confiana de que esse seja um dos intervalos que efetivamente
contm o parmetro desejado.
Concluindo, como o comprimento esperado est contido no intervalo estimado, a hiptese de que a
fbrica est operando corretamente aceita. Esse procedimento corresponde a um Teste de
Hiptese, no qual a Hiptese Nula (H0) eqivale aceitao do valor esperado, enquanto que a
Hiptese Alternativa (H1) eqivale rejeio. Se, neste exemplo, o cumprimento esperado
estivesse aqum ou alm do intervalo estimado, aceitar-se-ia a hiptese alternativa, com risco de 5%
de que se estivesse rejeitando um processo de fabricao correto.10
5.2. Estimativa do Intervalo da Mdia com Desconhecido

Assim como a mdia populacional costuma ser desconhecida, o desvio-padro
tambm , em geral, no-conhecido. Dessa forma, o intervalo de confiana deve ser
estimado com base na mdia e no desvio-padro amostrais. Para tanto, deve-se recorrer no
distribuio normal, mas sim distribuio de t de Student (vide Anexo II).
No caso de populaes distribudas normalmente, as probabilidades da estatstica

S
seguem uma distribuio t de Student com (n-1) graus de liberdade (g.l.).
n
Aparentemente, a distribuio t de Student e a distribuio normal so

semelhantes ambas so simtricas e tm forma de sino. A rea definida pela primeira
curva, contudo, menor no centro e maior nas extremidades do que no caso da segunda.
10
H dois tipos de erro inerentes ao processo de teste de significncia. H um risco de que H0 seja julgada falsa ainda
que seja verdadeira. A probabilidade de que se cometa esse erro, conhecido como erro do Tipo I, igual ao nvel de
significncia do teste (i.e., ). Tambm h o risco de que H0 seja julgada verdadeira embora seja falsa. A
probabilidade de que se cometa esse erro, conhecido como erro do Tipo II, definido pelo smbolo .
52
ESTIMAO
medida que aumentam os graus de liberdade (g.l.) 11, porm essa diferena diminui, como
mostrado pela Figura 5.4.
Figura 5.4: Distribuio de Probabilidades das Mdias
Desconhecendo-se o Desvio-Padro Populacional
Distribuio
Distribuies t Normal
(curva do tipo
sino achatadas,
com caudas
simtricas)
Amostrais
t (g.l. = 13)
t (g.l. = 5)
Z
t
Como o grau de liberdade (g.l.) da estatstica desejada obtido a partir do

tamanho da amostra, tem-se que, para n superior ou igual a 120, as distribuies normal
e t de Student so eqivalentes.
Na prtica, como mostra a Figura 5.5, desde que a amostra seja numerosa o
suficiente e desde que a populao no seja muito viesada, a distribuio t de Student
pode ser usada na estimao do intervalo de confiana, bastando substituir a estatstica Z
pela estatstica tn-1, ou seja:
S
S 12
X t n 1 .
X + t n 1 .
.
n
n
UTILIZANDO O MICROSOFT EXCEL: VIDE TABELA A.2, ANEXO I, COLUNAS C

E D AT A LINHA 13.
11
Medida que exprime a quantidade de observaes independentes de uma varivel. Assim, dada uma amostra com n
observaes X1, X2, X3, ..., Xn e mdia X , somente (n-1) observaes podem assumir quaisquer valores sem que a
12
restrio definida por X seja violada.

tn-1 = valor crtico da distribuio t de Student com (n-1) graus de liberdade associado ao complemento do nvel de
confiana desejado.
53
Figura 5.5: Aplicao da Tabela t de Student
rea da Cauda
Direita
g.l. 0,25 0,10
0,05
/2
Assumindo-se:
n = 3;
g.l.= n - 1 = 2;
= 0,10;
/2 = 0,05.
1 1,000 3,078 6,314

2 0,817 1,886 2,920
0,05
3 0,765 1,638 2,353
0
Valores t
2,920
Nota: Diferentemente da distribuio t de Student exibida no Anexo II, a figura acima

refere-se a um teste unicaudal.
Uma possvel aplicao das estimativas em questo encontra-se ilustrada no

Exemplo 5.2.
Exemplo 5.2: Aplicao da Estimativa do Intervalo para Mdias com Desconhecido
No exemplo anterior, desconhecendo-se o desvio-padro populacional, qual o novo valor crtico?
Dados que a populao normalmente distribuda, o nvel de confiana desejado de 95% e a
amostra tem 100 observaes, e como o desvio-padro populacional desconhecido e
n < 120, tem-se que:
(n 1) = 100 1 = 99
13
t 99;0, 05 = 1,984 .
= 1 0,95 = 0,05
O novo valor crtico um pouco superior ao valor anterior: 1,984 em vez de 1,96. O uso da mesma
medida para o desvio-padro resultaria em um intervalo de confiana um pouco maior no presente
exemplo. Ou seja, a nova estimativa menos precisa que a anterior em decorrncia da menor
disponibilidade de informaes.
13

no anterior deve-se ao modo como os percentuais de cada tabela so
2
O uso de no presente exemplo e de
apresentados.
54
ESTIMAO
5.3. Estimativa do tipo Bootstrapping

Embora as estimativas de intervalos de confiana sejam amplamente utilizados
para fazer inferncias acerca dos parmetros populacionais, as hipteses subjacentes a essas
estimativas nem sempre correspondem realidade. Os intervalos calculados acima, p. ex.,
baseiam-se na hiptese de que as amostras so extradas de populaes normalmente
distribudas. Ainda que os intervalos de confiana no sejam muito sensveis a pequenos
relaxamentos dessa hiptese, a presena de um substancial nvel de no-normalidade na
populao, especialmente quando o tamanho da amostra pequeno, pode gerar intervalos
imprecisos para a mdia.
Um modo de contornar o problema citado acima a estimao do tipo
bootstrapping. Esse mtodo envolve a seleo sem reposio de uma amostra inicial de
tamanho n, a qual recombinada com reposio de 100 a 1.000 vezes, dependendo da
capacidade de processamento do computador empregado, para que seja obtida uma
distribuio das mdias amostrais sem que se recorra a hipteses acerca da distribuio
populacional.
Primeiro, forma-se com as mdias calculadas uma seqncia ordenada de
observaes. Em seguida, a seqncia segmentada conforme o nvel de confiana
desejado. Caso seja de 95%, p. ex., deve-se identificar as observaes que separam os
primeiros e os ltimos 2,5% das observaes dos 95% restantes, concentrados em torno da
mediana das mdias amostrais. Por fim, os valores associados s observaes identificadas
definem a estimativa do intervalo de confiana.
seleo de uma amostra de tamanho n sem reposio gerar uma amostra de tamanho
j > n com reposio (vide Figuras A.1, A.9 & A.10, Anexo I), aproveitando-se as nprimeiras observaes distintas;
seleo, a partir da amostra inicial, de 100 a 1.000 amostras de tamanho n com
reposio (vide Figuras A.1, A.9 & A.10, Anexo I);
calcular a mdia amostral de cada amostra =MDIA(nm1;nm2;...);
ordenar as mdias amostrais usar a opo DADOS/CLASSIFICAR;
identificar os percentis desejados ajustar as frmulas das clulas B4 e B5 e os
textos correspondentes da Tabela A.1, Anexo I.
5.4. Estimativa do Intervalo para Propores

A exemplo da mdia, tambm pode-se estimar um intervalo de confiana para a
proporo de um conjunto de observaes que satisfaz uma dada condio. Como visto
anteriormente, quando (n.p) e [n.(1 p)] so superiores ou iguais a 5, a distribuio
binomial assemelha-se distribuio normal. Nesse caso, o intervalo de confiana
definido da seguinte maneira:
55
ps Z.
p s .(1 p s )
p .(1 p s )
p ps + Z. s
;
n
n
Onde: ps = proporo amostral;

Z = valor crtico da distribuio normal padronizada associado metade do
complemento do nvel de confiana;
p = proporo populacional.
UTILIZANDO O MICROSOFT EXCEL: VIDE TABELA A.2, ANEXO I, COLUNAS E
E F AT A LINHA 13.
O Exemplo 5.3 ilustra uma das possveis aplicaes da estimativa de intervalos
de confiana para propores.
Exemplo 5.3: Aplicao da Estimativa do Intervalo para Propores

Suponha-se uma editora que deseje conhecer a proporo de revistas distribudas com defeito (p.
ex., pginas duplicadas ou suprimidas). Caso seja selecionada uma amostra de 200 revistas, 35 das
quais defeituosas (ps = 17,5%), qual a estimativa do intervalo da proporo para um nvel de
confiana de 90%?
Como (n.ps) = 35 e [n.(1 ps)] = 165, tem-se que:
(1 0,9 )
=
= 0,05 Z = 1,645 ;
2
2
ps Z.
p s .(1 p s )
0,175.0,825
= 0,175 1,645.
= 0,175 0,0442 0,1308 p 0, 2192 .
n
200
Portanto, a amostra selecionada indica que de 13,08% a 21,92% das revistas so distribudas com
defeito, com 90% de nvel de confiana de que o intervalo [0,1308; 0,2192] seja um dos intervalos
que efetivamente contm o parmetro desejado. Note-se que quanto menor o nvel de confiana,
menor o intervalo estimado. Dessa forma, a confiana e a preciso das estimativas variam
inversamente.
Para uma dada combinao de n e , os intervalos de confiana estimados para

propores, necessariamente envolvendo variveis categricas, costumam ser maiores,
ou menos precisos, do que os intervalos estimados para variveis contnuas. Enquanto
que no primeiro tipo de estimativa as observaes so agrupadas em uma quantidade finita
de categorias, no segundo, as observaes so mais variadas, agregando mais informao
estimativa.
56
ESTIMAO
5.5. Determinao do Tamanho da Amostra

Nos exemplos examinados anteriormente, o tamanho da amostra foi fixado
arbitrariamente, independentemente da extenso do intervalo de confiana. Na prtica, a
determinao do tamanho apropriado da amostra um procedimento complexo, envolvendo
restries quanto ao tempo, aos dados e aos recursos financeiros disponveis e quanto
facilidade de seleo das observaes. O acesso a dados coletados por pesquisas
anteriores ou por testes-piloto, em especial, permite uma melhor alocao dos recursos
disponveis.
Independentemente das restries existentes, todavia, as propriedades
matemticas dos estimadores continuam valendo. Dessa forma, o tamanho da amostra tido
como exeqvel pode no permitir inferncias to confiveis ou to precisas quanto se
deseja. Isso, porm, no necessariamente significa que a amostragem pretendida
irrelevante, pois os dados coletados podem fornecer tanto concluses preliminares, como
indicaes valiosas para futuras pesquisas.
5.5.1. Mdias
Do ponto de vista estritamente matemtico, o tamanho da amostra para estimar a
mdia obtido por meio da seguinte transformao:
Z=
Z 2 .S o2
X
n=
, com So = estimativa inicial do desvio-padro.
2
So
X
n
Definindo-se o erro amostral (e) como a diferena entre as mdias amostral e

populacional ( X ), tem-se, ainda:
n=
Z 2 .S o2
e2
, a ser aproximado para o valor inteiro imediatamente superior quando contiver

casas decimais.
UTILIZANDO O MICROSOFT EXCEL: VIDE TABELA A.3, ANEXO I, COLUNAS A

E B AT A LINHA 08.
Portanto, dados o nvel desejado de confiana, o erro amostral admitido14 e
uma estimativa inicial do desvio-padro, fixada a partir de pesquisas anteriores, de prtestes ou de consultas a especialistas15, obtm-se o tamanho apropriado da amostra.
Destaque-se que esses valores preliminares no devem ser confundidos com os resultados
da pesquisa amostral, pois as estimativas obtidas podem no ser referendadas pelos dados
coletados. Assim, as expectativas quanto ao nvel de confiana e ao erro amostral podem ser
14
O erro amostral admitido corresponde a maior diferena entre as mdias amostral e populacional tida como
insignificante em face do propsito da pesquisa que estiver sendo conduzida.
15
Alternativamente, caso haja razes para crer que a populao examinada normalmente distribuda, a estimativa
1
inicial do desvio-padro pode ser dada por da amplitude (At 6. nas populaes normalmente distribudas).
6
57
reformuladas, para melhor ou para pior, luz do desvio-padro amostral efetivamente

calculado.
5.5.2. Propores
A exemplo do que foi feito acima, na estimao de propores o tamanho da
amostra dado pela seguinte transformao:
Z=
ps p
p o .(1 p o )
n
n=
Z 2 . p o .(1 p o )
( p s p )2
, com po = estimativa inicial

sucessos.
da
proporo
de
Definindo-se o erro amostral (e) como a diferena entre as propores amostral

e populacional (ps p), tem-se, ainda:
n=
Z 2 . p o .(1 p o )
e2
, a ser aproximado para o valor inteiro imediatamente superior quando

contiver casas decimais.

E D AT A LINHA 08.
Geralmente, a estimativa inicial da proporo de sucessos fixada a partir de
dados coletados previamente. Caso, porm, no haja dados disponveis, pode-se recorrer ao
valor de p no qual ocorre o mximo da funo f(p) = p.(1 p).16 Consequentemente, a
estimativa mais conservadora para a proporo de sucessos 0,5. Esse valor define, para
cada nvel de confiana, a maior amostra exigida por pesquisas amostrais com apenas duas
categorias, como pode ser observado no Exemplo 5.5.
Exemplo 5.5: Clculo do Tamanho da Amostra para Estimar Duas Propores
Suponha-se uma campanha eleitoral com vrios candidatos. Qual deve ser o tamanho da amostra
para que se possa obter, com 95% de nvel de confiana e 3% de margem de erro, as intenes de
votos em um dos candidatos?
Com (1 ) = 0,95 e e = 0,03, fazendo-se po = 0,5 e agrupando-se os votos nulos e em branco e as
intenes de voto nos demais candidatos em uma nica categoria, tem-se:
Z 2 . p o .(1 p o ) 1,96 2 .0,5.(1 0,5)
(1 0,95)
= 0,025 Z = 1,96 n =
=
= 1.067,11 1.068 .
=
2
e2
0,03 2
2
Portanto, na ausncia de mais informaes, so necessrias 1.068 entrevistas para que seja obtida a
proporo desejada.
1
df ( p )
dp = 1 2. p* = 0 p* = 2 ;
16
f(p) = p.(1 p) = p p2 2
d f ( p ) = 2 p * um ponto mximo.
dp 2
58
ESTIMAO
A Tabela 5.1 sintetiza vrios tamanhos de amostra para estimar propores, dado
um nvel de confiana de 95% (Z = 1,96):
Tabela 5.1: Tamanho da Amostra para Vrios Erros Amostrais e
Propores de Sucesso (Z = 1,96)
(em %)
Erro Amostral Admitido (e)
Estimativa
Inicial de p (p0)
0,15
0,10
0,05
0,03
5
10
15
20
30
40
50
n.d.
n.d.
n.d.
28
36
41
43
n.d.
n.d.
49
62
81
93
97
n.d.
139
196
246
323
369
385
203
385
545
683
897
1.025
1.068
Nota: n.d. corresponde a no definido, pois (n.p) inferior a 5.
Nas amostragens com mais de duas categorias, os pesquisadores tero,

necessariamente, de definir estimativas iniciais para as k-propores desejadas, no havendo
uma hiptese mais conservadora para cada tipo de sucesso. Com base nas estimativas
iniciais, os pesquisadores devero calcular (k-1) tamanhos de amostra conforme mostrado
anteriormente, somando-os em seguida para obter o tamanho total. Esse procedimento achase ilustrado no Exemplo 5.6.
Exemplo 5.6: Clculo do Tamanho da Amostra para Estimar n-Propores
Suponha-se uma campanha eleitoral com trs candidatos. Qual deve ser o tamanho da amostra para
que se possa obter, com 95% de nvel de confiana e 3% de margem de erro, as intenes de votos
em cada candidato, bem como as propores de votos nulos e em branco? Com base nas pesquisas
realizadas anteriormente, as estimativas iniciais para as intenes de voto nos trs candidatos so
p1 = 0,40, p2 = 0,30 e p3 = 0,15, e que os votos nulos e em branco so, respectivamente, p4 = 0,10 e
p5 = 0,05.
Com (1 ) = 0,95, e = 0,03 e tratando-se os votos nulos como resduo, tem-se:
a)
b)
c)
d)
e)
p1 = 0,40 q1 = (p2 + p3 + p4 + p5) = 0,60 n1 = 1.025;

p2 = 0,30 q2 = (p1 + p3 + p4 + p5) = 0,70 n2 = 897;
p3 = 0,15 q1 = (p1 + p2 + p4 + p5) = 0,85 n3 = 545;
p5 = 0,05 q1 = (p1 + p2 + p3 + p4) = 0,95 n5 = 203;
n = n1 + n2 + n3 + n5 = 2.670.
Portanto, em princpio, so necessrias 2.670 entrevistas para que sejam obtidas as cinco propores
desejadas. Convm frisar que as propores obtidas podem ou no coincidir com as
estimativas definidas inicialmente. Dessa forma, fundamental que o nvel de confiana e os
amostrais sejam recalculados luz dos novos resultados. Isso poder ou no gerar estimativas
mais precisas e/ou confiveis do que aquelas pretendidas.
59
O mtodo ilustrado acima mais do que duplicou o tamanho original da amostra.

Um modo menos oneroso de obter resultados igualmente vlidos o uso da seguinte
simplificao (SOUZA, 1990, p. 43):
n=
Z ' 2 .0,25
, com Z' correspondendo ao valor crtico da distribuio normal padronizada
e2
associado metade do complemento do nvel de confiana desejado, ajustado

conforme a quantidade de categorias examinadas, ou seja:
1
(
)
1
k 1

Z', com k correspondendo quantidade de categorias.17
=
2
2
O Exemplo 5.7 ilustra a simplificao descrita acima.
Exemplo 5.7: Clculo Simplificado do Tamanho da Amostra para Estimar n-Propores

No exemplo anterior, utilizando-se a simplificao sugerida, qual deve ser o tamanho da amostra
para que se possa obter, com 95% de nvel de confiana e 3% de margem de erro, as intenes de
votos em cada candidato, bem como as propores de votos nulos e em branco?
Com (1 ) = 0,95, e = 0,03 e k = 5, tem-se:
1
(
)
1
1
k 1

=
=
2
2
n=
(
)
1
0
,
95
51
= 0,0065 z ' = 2,49 ;

2
Z ' 2 .0,25 2,49 2 .0, 25

=
= 1.722, 25 1.723 .
e2
0,03 2
Portanto, so necessrias 1.723 entrevistas para que sejam obtidas as cinco propores desejadas.
Pode-se, contudo, diminuir o tamanho da amostra por meio de tcnicas mais complexas (p. ex.,
amostragens estratificadas, por conglomerados ou com estimadores do tipo razo ou do tipo
regresso), as quais exigem uma maior quantidade de informaes acerca da populao.
5.6. Amostragem em Populaes Finitas

Nas amostragens sem reposio e com N inferior ou igual a (20.n), os
intervalos de confiana e os tamanhos apropriados das amostras devem ser ajustados pelo
CPF (vide Item 4.3).
Os intervalos de confiana ajustados so:
= para k = 2.
60
17
ESTIMAO
a) estimao da mdia:
com desvio-padro conhecido:
N n
N n
;
; X + Z .
.
.
X Z .
n N 1
n N 1
UTILIZANDO O MICROSOFT EXCEL: VIDE TABELA A.2, ANEXO I, COLUNAS A

E B A PARTIR DA LINHA 14.
com desvio-padro desconhecido:
S N n
S N n
; X + t n 1 .
;
.
.
X t n 1 .
1
N
1
N
n
n

E D A PARTIR DA LINHA 14.
b) estimao da proporo:
p .(1 p s ) N n
p .(1 p s ) N n
; ps + Z. s
.
ps Z. s
.
.
n
N
1
n
N
UTILIZANDO O MICROSOFT EXCEL: VIDE TABELA A.2, ANEXO I, COLUNAS E

E F A PARTIR DA LINHA 14.
J os tamanhos ajustados das amostras (nCPF), na estimao tanto de mdias,
como de propores, so:
nCPF =
n.N
, com n correspondendo ao tamanho no-ajustado.
n + (N 1)
UTILIZANDO O MICROSOFT EXCEL: VIDE TABELA A.3, ANEXO I, A PARTIR DA

LINHA 09.
5.7. Estimativa do Intervalo para Totais

O total (T) obtido multiplicando-se a mdia amostral pelo tamanho da
populao, ou seja:
T = N .X .
O respectivo intervalo de confiana, por sua vez, :
S N n
S N n
;
N
.
X
+
N
.
t
.
.
.
N . X N .t n 1 .
.
n
1
n N 1
n N 1
61

Uma das possveis aplicaes da presente modalidade de estimativa encontra-se
ilustrada no Exemplo 5.8.
Exemplo 5.8: Aplicao da Estimativa do Intervalo para Totais

Suponha-se um arquivo contendo 5.000 ordens bancrias, normalmente distribudas, mas cujos
montante e desvio-padro no so conhecidos. Uma amostra de 100 ordens gerou os seguintes
resultados: X = R$ 1.076,39 e S = R$ 273, 62. Qual o montante estimado das ordens e respectivo
intervalo, para um nvel de confiana de 95%?
Dado que N > (20.n) e n < 120, tem-se que:
T = N . X = (5.000).(1.076,39) = 5.381.950 .
(n 1) = 100 1 = 99
t 99;0, 05 = 1,984 .
= 1 0,95 = 0,05
273,62
S
N . X N .t n 1 .
. 1.076,39 ) (5.000)(
. 1,984 ).
= (5.381.950) ( 271.431,04)
= (5.000)(
100
n
5.110.518,96 T 5.653.381,04.
Portanto, a estimativa pontual para o montante de R$ 5.381.950,00, enquanto que o intervalo
estimado
para
o
nvel
de
confiana
desejado,
[R$
5.110.518,96;
R$ 5.653.381,04].
5.8. Estimativa do Intervalo para Diferenas

A estimao da diferena empregada quando se cr que os registros referentes a
um conjunto de itens contm erros, cujo montante deseja-se conhecer. Essa tcnica, comum
em trabalhos de auditoria, envolve os seguintes procedimentos:
a) seleo de uma amostra de tamanho apropriado;
b) clculo da diferena amostral mdia ( D ) entre o valor observado do item e o
valor constante do registro, ou seja:
n
D=
D
i =1
, com Di = (Xi, observado Xi, registrado);
c) clculo do desvio-padro (SD) amostral das diferenas, ou seja:

62
ESTIMAO
SD =
2
i
n. D
i =1
n 1
d) estimativa do intervalo de confiana da diferena total, ou seja:
S N n
SD N n
; N . D + N .t n 1 . d .
.
.
N .D N .t n 1 .
n N 1
n N 1

Uma aplicao possvel da estimativa do intervalo para diferenas encontra-se
ilustrada no Exemplo 5.9.
Exemplo 5.9: Aplicao da Estimativa do Intervalo para Diferenas
Suponha-se um cadastro contendo 5.000 ordens bancrias, normalmente distribudas, mas cujo
desvio-padro no conhecido. Uma amostra de 100 ordens identificou 14 ordens cujos valores
diferiam dos valores constantes do cadastro. Qual o montante estimado das diferenas e o
respectivo intervalo para um nvel de confiana de 95%?
A amostragem revelou as seguintes diferenas (Di): R$ 75,41, R$ 38,97, R$108,54, R$ 37,18, R$
62,75, R$ 118,32, R$ 88,84, R$ 127,74, R$ 55,42, R$ 39,03, R$ 29,41, R$ 47,99, R$ 28,73 e R$
84,05.
100
100
D=
Di
i =1
100
= 6,9034 e S D =
2
i
100.6,9034 2
i =1
100 1
= 27,23 .
Dado que N > (20.n) e n < 120, tem-se que:

N .D = 34.517 .
(n 1) = 100 1 = 99
t 99;0, 05 = 1,984 .
= 1 0,95 = 0,05
27,23
S
N .D N .t n 1 . D = (5.000).(6,9034 ) (5.000 )(
. 1,984 ).
= (34.517) ( 27.012,16)
100
n
7.504,84 N . D 61.529,16 .
Portanto, a estimativa pontual para o montante da diferena de R$ 34.517,00, enquanto que o
intervalo estimado, para o nvel de confiana desejado, [R$ 7.504,84;
R$ 61.529,16].
63
64
6. VARIANTES DA AMOSTRAGEM ALEATRIA SIMPLES
Os conceitos enunciados no captulo anterior referem-se s amostras aleatrias

simples (vide item 1.2.1.). Por conseguinte, essa modalidade de amostragem confunde-se
com os prprios fundamentos da inferncia estatstica. As demais modalidades representam
desenvolvimentos da amostragem aleatria simples destinados a capturar, com maior
preciso e menor custo, as caractersticas relevantes da populao. Os prximos itens
abordaro dois desses desenvolvimentos: as amostragens aleatrias estratificada (AAE) e
por conglomerados (AAC).18
6.1. Amostragem Aleatria Estratificada

Caso os membros da equipe de auditoria acreditem que haja uma estreita relao
entre o objeto do trabalho e uma dada caracterstica da populao ou julguem que um
subgrupo especfico da populao particularmente interessante para os propsitos da
investigao, convm recorrer amostragem estratificada, na qual a populao dividida
em k-estratos mutuamente excludentes e exaustivos, selecionando-se uma amostra aleatria
simples de cada estrato (vide item 1.2.2).
Note-se que se os k-estratos da populao contm N1, N2, ..., Nk elementos, ento:
N1 + N2 + ... + Nk = N
Da mesma forma, se as k-amostras tm tamanhos n1, n2, ..., nk, o tamanho total da
amostra (n) :
n1 + n2 + ... + nk = n
6.1.1. Estimao de Mdias, Totais e Propores na AAE

As mdias populacionais dos k-estratos so denotadas por meio dos smbolos 1,
2, ..., k, enquanto que os smbolos X 1 , X 2 , ..., X k correspondem s k-mdias amostrais.
Considerando-se o j-simo estrato, tem-se que X j , obtido a partir de uma amostra aleatria
simples, um estimador no-viesado de j.
A varincia do estimador da mdia amostral do estrato em questo ( S 2 ), por sua
Xj
vez, definida pela seguinte equao:

2
SX
18
S 2j N j n j
, com S 2j = estimativa da varincia populacional do j-simo estrato.
=
.
nj
Nj
As equaes expostas neste captulo e no captulo anterior esto sintetizadas no Anexo III.
Uma vez apuradas as k-mdias amostrais, a estimao da mdia populacional

geral ( X AE ) imediata:
X
AE
1 k
. N j . X j , com AE = amostragem estratificada.
N j =1
Considerando-se que as amostras selecionadas em cada estrato so mutuamente

independentes, tem-se que a estimativa no-viesada da varincia do estimador da mdia
populacional geral ( S 2 ) :
X AE
S2
X AE
1 k
. N 2j .S X2 j .
2
N j =1
Para n superior ou igual a 120, o intervalo de confiana da mdia populacional

geral verdadeira (), para Z dado pelo desejado, : X AE Z .S X .
AE
O Exemplo 6.1 ilustra algumas da principais propriedades da amostragem

estratificada.
Exemplo 6.1: Aplicao da Estimativa de Mdias na Amostragem Estratificada
O Ministrio do Trabalho e Emprego oferece cursos de requalificao profissional em 155 locais na
regio sul: 60 no Rio Grande do Sul, 50 no Paran e 45 em Santa Catarina. O ministrio cogita
acrescentar mais um curso ao rol j disponvel. No intuito de estimar quanto seria a demanda
mensal mdia por local pelo novo curso, procedeu-se ao acrscimo cogitado em 12 locais no Rio
Grande do Sul, 10 no Paran e 9 em Santa Catarina, selecionados aleatoriamente.
Ao longo de um ms, apurou-se, com base nas quantidades de pessoas que se inscreveram no novo
curso, os seguintes resultados amostrais (i.e., mdia e desvio-padro):
a)
X RS = 21,2 e
S RS = 12,8 ;
b)
X PR = 13,3 e
S PR = 11,4 ;
c)
X SC = 26,1 e
S SC = 9,2 .
Para que a demanda mensal mdia por local seja obtida, note-se, primeiramente, que:
a)
b)
c)
d)
NRS = 60
NPR = 50
NSC = 45
N = 155
e
e
e
e
nRS = 12;
nPR = 10;
nSC = 9;
n = 31.
A estimativa da mdia populacional :

X
AE
1 3
60.21,2 + 50.13.3 + 45.26,1
. N j . X j =
= 20,1 ; com j = RS, PR e SC.
155 j =1
155
Continua
66
VARIANTES DA AMOSTRAGEM ALEATRIA SIMPLES
Continuao
As varincias dos estimadores da mdia de cada estrato, por sua vez, so:
a)
S 2X =
RS
b)
c)
S X2
S X2
PR
SC
=
=
2
S RS
N nRS 12,82 (60 12)
. RS
=
.
= 10,923 ;
nRS
N RS
12
60
2
S PR
N nPR 11, 4 2 (50 10 )
. PR
=
.
= 10,397 ;
nPR
N PR
10
50
2
S SC
N nSC 9, 2 2 (45 9)
. SC
=
.
= 7,524 .
nSC
N SC
9
45
Com essas varincias, j se poderia definir os intervalos de confiana das mdias dos estratos. No
entanto, o intervalo desejado refere-se mdia geral. Para isso, preciso calcular S X AE , ou seja:
S X AE = S X
2
AE
1 3 2 2
60 2.10,923 + 50 2.10,397 + 45 2.7,524
. N j .S X j =
=
= 1,83 .
1552 j =1
1552
Ademais, para = 95% e n = 31 (n < 120), tem-se t30; 0,05 = 2,04. Assim, o intervalo de confiana da
mdia geral :
[20,10 2,04.1,83 < < 20,10 + 2.04.1,83] = [16,37 < < 23,83].
Dessa forma, pode-se afirmar, com um nvel de confiana de 95%, que a demanda mensal mdia
por local pelo novo curso est compreendida no intervalo [16,37; 23,83].
Como o valor total de uma populao dado pela multiplicao da quantidade de

elementos que a compem pelo seu valor mdio, bastam algumas transformaes para que
se obtenha o intervalo de confiana correspondente. A estimativa pontual, a varincia do
estimador e o intervalo desejado, para n superior ou igual a 120, so definidos pelas
seguintes equaes:
k
a)
N . X AE = N j . X j ;
j =1
b)
c)
N 2 .S 2
[N .X
X AE
AE
= N 2j .S X2 j ;
j =1
Z .N .S X AE .
No Exemplo 6.2, as novas equaes so aplicadas ao exemplo anterior.

Exemplo 6.2: Aplicao da Estimativa de Totais na Amostragem Estratificada
No exemplo anterior, a demanda total pelo novo curso geraria, para = 95% e n = 31
(t30; 0,05 = 2,04), o seguinte intervalo de confiana:
[155.20,10 2,04.155.1,83 < N. < 155.20,10 + 2.04.155.1,83] = [2536,85 < N. < 3694,15].
67
No que se refere estimao de intervalos para propores populacionais, a

estimativa pontual, a varincia do estimador e o intervalo de confiana correspondente, para
n superior ou igual a 120, so assim definidos:
^
a)
b)
p AE =
S 2^ =
p AE
c)
^
^
1 k
. N j . p j , com p j = proporo amostral de sucessos do j-simo estrato;
N j =1
1 k 2 2
. N j .S ^ , com S 2^
2
pj
pj
N j =1
^
^
p j .1 p j
(N j n j )
=
.
;
nj 1
Nj
p AE Z .S p^ AE .
6.1.2. Determinao do Tamanho da Amostra na AAE

Uma vez que a amostragem estratificada pode ser entendida como uma
combinao de amostras aleatrias simples, o clculo do tamanho da amostra de cada
estrato deve observar as equaes definidas no captulo anterior. Convm frisar, porm,
que as equipes de auditoria no precisam utilizar o mesmo nvel de confiana () e o
mesmo erro amostral (e) em todos os estratos. Esses parmetros podero variar
conforme a maior ou menor importncia de cada estrato para o trabalho proposto.
Assim, uma pesquisa que deseje apurar a opinio de toda populao sobre certo tema, mas
que esteja particularmente interessada na opinio de um grupo tnico ou profissional
especfico, poder atribuir a esse grupo um maior nvel de confiana e/ou um menor erro
amostral no momento do clculo do tamanho da amostra.
Importa notar, contudo, que a varincia do estimador da mdia amostral de cada
estrato sensvel ao tamanho da amostra. Dessa forma, supondo-se tudo mais constante,
quanto menor o tamanho da amostra, maior a varincia em questo, o que pode gerar
problemas na fase de agregao. Portanto, as equipes de auditoria devem tomar cuidado
para que os estratos menos importantes no fiquem demasiadamente
subrepresentados no estudo amostral, pois isso comprometeria a generalizao dos
resultados obtidos para toda a populao.
Alm dessas consideraes, o tamanho da amostra de cada estrato tambm pode
ser definido privilegiando-se os estratos com maior varincia. Esse procedimento,
denominado alocao tima, usado para estimar as mdias, totais e propores gerais,
sendo menos til quando se deseja obter estimativas para cada estrato. Ademais, pressupe
que a varincia dos estratos (j) seja conhecida.
Supondo-se uma amostra total com tamanho n, a alocao tima estipula que as
amostras de cada estrato devero ter os seguintes tamanhos:
a)
estimao de mdias: n j =
N j . j
k
N
j =1
68
. j
.n ;
b) estimao de propores: n j =
N j . p j .(1 p j )
k
N
j =1
. p j .(1 p j )
.n .
6.2. Amostragem Aleatria por Conglomerados

Confrontadas, p. ex., com a ausncia de um cadastro completo ou confivel, ou
com os altos custos associados realizao de entrevistas de contato direto, as equipes de
auditoria podem optar pela amostragem por conglomerados. Trata-se de um procedimento
recomendvel quando a populao pode ser subdividida em conglomerados menores, que
sejam geograficamente compactos (p. ex., bairros ou quarteires de uma cidade).
Nessa modalidade de amostragem, seleciona-se, primeiramente, uma amostra
aleatria simples de conglomerados. Em seguida, todos os seus membros so entrevistados.
Em outras palavras, a amostragem por conglomerados eqivale a uma amostra aleatria
simples seguida de um censo (vide item 1.2.3).
6.2.1. Estimao de Mdias, Totais e Propores na AAC

Suponha-se que a populao se divida em M conglomerados, que uma amostra
aleatria simples de m conglomerados tenha sido selecionada e que seus integrantes (N1, N2,
..., Nm) tenham sido entrevistados. Com base nas mdias e propores amostrais dos
^
conglomerados escolhidos ( X 1 , X 2 , ..., X m e p 1 , p 2 , ..., p m ), tem-se que as estimativas

^
pontuais da mdia e da proporo gerais ( X AC e p AC ), as varincias dos estimadores e os

intervalos de confiana correspondentes, para n superior ou igual a 120, so assim definidos:
m
a)
AC
N j .X
j =1
N
j =1
b)
S 2X
ou S 2
AC
^
p AC
c)
[X
AC
e p AC =
N
j =1
.pj
N
j =1
M m
m
N j
j =1
M.
m
m 1
, com AC = amostragem por conglomerados;

j
2
.S AC
,
N 2j . X j X AC
j =1
^
j
2
Onde: S AC
=
^
^
N 2j . p j p AC
j =1
m 1
m
ou
estimativa da varincia
populacional;
Z .S X AC < < X AC + Z .S X AC e p AC Z .S ^ < p < p AC + Z .S ^ .

p AC
p AC
Observe-se que, no presente contexto, as inferncias podem ser feitas com uma
quantidade relativamente pequena de informaes previamente disponveis acerca da
69
populao. Basta que a populao possa ser claramente dividida em conglomerados. Sequer
o total de elementos da populao precisa ser conhecido, devendo-se apenas determinar a
quantidade de elementos de cada conglomerado selecionado, o que uma conseqncia
necessria do censo requerido pelas verses mais simples da amostragem por
conglomerados.
O Exemplo 6.3 ilustra algumas propriedades da amostragem por conglomerados.
Exemplo 6.3: Aplicao da Estimativa de Mdias e Propores na Amostragem por
Conglomerados
Uma amostra aleatria simples com 20 quarteires selecionada de uma rea residencial com um
total de 1.000 quarteires. Cada uma das residncias dos quarteires selecionados foi visitada no
intuito de se apurar a renda familiar. A Tabela 6.1 discrimina a renda anual mdia ( X j ) e a
^
proporo de famlias com renda anual inferior a R$ 15.000,00 ( p j ) nos quarteires que
compuseram a amostra.
Tabela 6.1: Resumo dos Dados Coletados na Aplicao da Amostragem por
Conglomerados
Quarteiro
Selecionado (j)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
(em R$)
26.283,00
19.197,00
37.911,00
14.527,00
16.753,00
28.312,00
21.646,00
29.312,00
31.829,00
18.412,00
33.893,00
38.409,00
43.911,00
14.699,00
24.921,00
31.827,00
34.436,00
37.647,00
30.026,00
16.493,00
pj
0,1304
0,4516
0,1250
0,6585
0,5143
0,2692
0,3548
0,1563
0,1333
0,3846
0,0769
0,0476
0,0000
0,4375
0,1111
0,0909
0,0833
0,0400
0,1081
0,3659
Quantidade
de Domiclios (Nj)
23
31
24
41
35
26
31
32
30
39
26
21
20
32
36
33
24
25
37
41
Pede-se para que seja calculada a renda anual mdia e proporo de famlias com renda anual
inferior a R$ 15.000,00 de toda a rea.
Primeiramente, tem-se que: M = 1000 e m = 20.
20
A quantidade total de domiclios :
N
j =1
= (23 + 31 + ... + 41) = 607 .

Continua
70
Continuao
As estimativas pontuais da mdia e da proporo so:

20
a)
AC
N
j =1
.X
20
b)
p AC =
(23)(. 26283) + (31)(. 19197 ) + ... + (41)(. 16493) = 26109,00
(23)(. 0,1304 ) + (31)(. 0,4516 ) + ... + (41)(. 0,3659 ) = 0,2521
607
j =1
20
N j. p j
j =1
20
N
j =1
607
Ademais, tem-se que:

2
a)
20
N j
j=
2
1
= 607 = 18422,45 ;
20
20
2
^
^
2
N
.
p
p
j
j
AC
2
2
2
2
(
23) .(26283 26109 ) + ... + (41) .(16493 26109)
j =1
=
= 69270551000 ;
20 1
19
20
b)
^
^
2
N
.
p
p
j
j
AC
2
2
2
2
(
23) .(0,1304 0,2521) + ... + (41) .(0,3659 0,2521)
j =1
=
= 38,1547 .
20 1
19
20
c)
Com isso, os estimadores da mdia e da proporo gerais apresentam os seguintes desvios-padro:
N .(X
20
a)
S
X AC
= S2
X AC
1000 20
20
N j
j=
1000.
20
j =1
2
j
p AC
= S 2^
p AC
AC
(980)(. 69270551000) = 1920 ;

(1000)(. 18422,45)
^
^
N . p j p AC
1000 20
j =1
=
.
=
2
20 1
20
N j
j=
1000.
20
2
j
S^
20 1
20
b)
(980 )(. 38,1547 ) = 0,0451 .

(1000 )(. 18422,45)
Portanto, os intervalos de confiana da mdia e da proporo gerais, para = 95% e
20
N
j =1
= 607
(Z = 1,96), so:
a) [26109 1,96.1920 < < 26109 + 1,96. 1920] = [22346 < < 29872];
b) [0,2521 1,96.0,0451 < < 0,2521 + 1,96. 0,0451] = [0,164 < < 0,340].
71
6.2.2. Determinao do Tamanho da Amostra na AAC

Parece haver alguma semelhana entre as amostragens estratificada e por
conglomerado, pois ambas dividem a populao em subgrupos. Trata-se, todavia, de uma
semelhana superficial.
Na amostragem estratificada, seleciona-se uma amostra aleatria simples de cada
estrato para que a pesquisa contenha representantes de todos os segmentos relevantes da
populao.
J na amostragem por conglomerados, o objeto da amostra aleatria simples so
os prprios subgrupos. Dessa forma, somente alguns conglomerados estaro representados
no estudo amostral. Dependendo de como forem definidos os subgrupos, os seus
elementos podero, no que se refere s caractersticas relevantes para o trabalho, ser
muito heterogneos externamente (i.e., os conglomerados exibem perfis muito distintos) e
homogneos internamente (i.e., os elementos de cada conglomerado so muito parecidos).
Nesse caso, corre-se o risco de que segmentos importantes da populao sejam
subrepresentados na pesquisa.
Efetivamente, quanto mais os conglomerados forem parecidos com a populao
e, por extenso, entre si, menor ser a quantidade de subgrupos que precisar ser includa no
estudo amostral. Isso pode ser constatado no prprio clculo do tamanho da amostra (m),
o qual diretamente proporcional magnitude da varincia populacional dos
2
conglomerados ( 2AC ) ou da sua estimativa preliminar ( S AC
), como mostra a equao
exibida a seguir:
0
m=
2
M .S AC
0
2
N j
e 2 . j =1
2
S AC
.
2
M
Z
Convm ainda notar que essa equao requer no apenas uma estimativa de
qual seja a varincia populacional, mas tambm uma estimativa de qual seja o tamanho
j =1
da populao N j .
Conseqentemente, enquanto que os trabalhos de estimao expostos no
Exemplo 6.3 somente exigiram uma pequena quantidade de informaes prvias acerca da
populao, o clculo do tamanho da amostra requer muito mais dados ou pressuposies.
Isso refora a necessidade de que os estudos amostrais sejam precedidos por criteriosos
levantamentos de informaes, que devem originar planos amostrais detalhados, cujas
premissas e concluses preliminares devero ser conferidas luz dos dados
efetivamente coletados, devendo-se proceder, quando necessrio, as modificaes
requeridas quanto aos nveis de confiana esperados e aos erros amostrais admitidos.
72
7. AMOSTRAGEM POR UNIDADE MONETRIA
Os captulos 5 e 6 discorreram sobre as modalidades clssicas de amostragem de

variveis (i.e., estimao de mdias, totais e diferenas) e por atributo (i.e., estimao de
propores). Nas amostragens por atributo, porm, as tcnicas examinadas no so
aplicveis aos casos nos quais as probabilidades de seleo variam, como ocorre quando as
amostras so selecionadas sem reposio de populaes finitas. Nessas situaes, a
distribuio de probabilidades mais apropriada , em vez da binomial, a hipergeomtrica.
Essa distribuio empregada, p. ex., em controles de qualidade ou de aderncia a critrios
preestabelecidos, nos quais os desvios em relao ao critrio definido so tratados
igualmente, ainda que os valores envolvidos difiram entre si.
No controle de qualidade ou de aderncia, o tamanho da amostra, para
populaes com mais de quinhentos elementos, definido pela equao:
n=
C i ,
p
onde: Ci, = ndice de confiabilidade;

i = quantidade prevista de erros na amostra;
= nvel de confiana;
p = proporo mxima de erros admitidos na populao.
Geralmente, o ndice de confiabilidade (Ci,) obtido a partir de quadros como o

da Tabela 7.1.
Tabela 7.1: ndices de Confiabilidade para Vrias Quantidades Previstas de
Erros e Nveis de Confiana
Quantidade Prevista de Erros na Amostra (i)
Nvel de Confiana
()
0 (C0,)a
1 (C1,)b
2 (C2,)c
0,99
0,95
0,90
0,85
0,80
0,70
0,50
4,60
3,00
2,30
1,90
1,61
1,20
0,69
6,61
4,75
3,89
3,38
3,00
2,44
1,68
6,30
5,33
4,73
4,28
3,62
2,64
Fonte: Adams & Regal, 1995, p. 19.

Notas: (a) C0, = ln (1 ) aproximao obtida a partir de uma distribuio hipergeomtrica de
probabilidades;
(b) e (c) para amostras numerosas e populaes com pequenas taxas de erros, a distribuio
hipergeomtrica pode ser aproximada por meio de uma distribuio de Poisson, o que permite
obter Ci,, mediante interpolaes baseadas nas seguintes equaes: = e
=e
C2 ,
(C 2 , )2
.
+ C 2 , + 1 .
2
C1,
.(C1, + 1) e
Como mostrado pelo Exemplo 7.1 , imediata a generalizao do clculo de C0,

a partir de uma distribuio hipergeomtrica de probalidades ( Pi H ) .
Exemplo 7.1: Clculo do ndice de Confiabilidade

Qual o ndice de confiabilidade (Ci,) associado a uma populao (N) com 600 itens, 18 dos quais
contendo erros (p = 0,03), e a uma amostra (n) com 100, todos perfeitos (i = 0)?
A probabilidade (Pi H ) de que semelhante amostra seja extrada de uma populao com tais
caracterstica dada pela seguinte equao:
18 . 600 18
0 100 0 18!
483
582! 100!500! 582
=
. ... .
.
.
P0H =
=
0,97100 0,05 .
600
501
600
0!18! 100!482! 600!
100
Portanto, de aproximadamente 5% o risco de que uma amostra com 100 elementos perfeitos seja
proveniente de uma populao com uma taxa de erro de 3%. Em outras palavras, pode-se afirmar,
com um nvel de confiana de 95% (complemento da taxa de risco), que a populao examinada
apresenta um erro mximo de 3%.
Generalizando-se:
) [
Como n =
C0,
= 1 P0H = 1 (1 p ) n =
ln (1 )
.
ln (1 p )
e p ln(1 p), ento C0, = ln(1 ).
Utilizando-se a distribuio de Poisson ( Pi P ) , tem-se que o ndice de

confiabilidade (Ci,) corresponde ao produto do tamanho da amostra (n) pela taxa mxima
de erros na populao (p) que proporciona, para uma dada previso sobre a quantidade de
erros amostrais (i), o nvel de confiana desejado () na seguinte equao:
i
(n. p ) j .e (n. p ) = 1 i (C i, ) j .e (Ci , ) .

= 1 Pi P = 1

j!
j!
j = 0

j =0
Por interpolao, obtm-se Ci,, o qual, juntamente com p, define n.

Como esses clculos podem ser exaustivos, deve-se usar a Tabela 7.1, como
ilustrado pelo Exemplo 7.2.
74
AMOSTRAGEM POR UNIDADE MONETRIA
Exemplo 7.2: Aplicao da Tabela de ndices de Confiabilidade

Em uma auditoria, pretende-se realizar um teste de conformidade. A proporo mxima de erros
admitidos para que a populao examinada seja aprovada pelo teste 2%, com nvel de confiana
de 95%. Qual o tamanho da amostra?
Com p = 0,02 e = 0,95, e prevendo-se que:
C
3,0
=
= 150 ;
p 0,02
C 4,75
b) a amostra conter um nico erro (C1;0,95 = 4,75), tem-se: n = =
= 235 .
p 0,02
a) a amostra no conter erros (C0;0,95 = 3,0), tem-se: n =
Quando os resultados amostrais observados diferem dos resultados esperados,

especialmente quando a quantidade de erros observados na amostra superior quantidade
prevista, o ndice de confiabilidade (Ci,) deve ser ajustado com base na Tabela 7.2.
Tabela 7.2: ndice de Confiabilidade para Vrios Erros Observados na
Amostra
Quantidade de Erros Observados na Amostra
n
15
25
30
35
4550
70
80
105
45
67
>8
Reduzido
Reduzido
Moderado
Moderado
Elevado
Elevado
Elevado
Elevado
Nenhum
Reduzido
Reduzido
Reduzido
Moderado
Elevado
Elevado
Elevado
Nenhum
Nenhum
Nenhum
Reduzido
Reduzido
Moderado
Moderado
Elevado
Nenhum
Nenhum
Nenhum
Nenhum
Reduzido
Reduzido
Moderado
Moderado
Nenhum
Nenhum
Nenhum
Nenhum
Nenhum
Reduzido
Reduzido
Moderado
Nenhum
Nenhum
Nenhum
Nenhum
Nenhum
Nenhum
Reduzido
Reduzido
Nenhum
Nenhum
Nenhum
Nenhum
Nenhum
Nenhum
Nenhum
Reduzido
Fonte: Adams & Regal, 1995, p. 21.
7.1. Metodologia da Amostragem por Unidade Monetria

A Amostragem por Unidade Monetria (AUM) tambm uma amostragem
por atributo baseada na distribuio hipergeomtrica. Essa tcnica permite estimar o
montante monetrio de uma dada populao. Trata-se de uma tcnica geralmente
utilizada em auditorias financeiras, que tm por objetivo verificar se os registros contbeis
so fidedignos.
Diferentemente da amostragem por variveis, a AUM no exige o prvio
conhecimento da quantidade de elementos da populao e da varincia dos valores que
a compem. Essa tcnica baseia-se nas seguintes informaes: a proporo mxima de
erros admitidos na populao (p), previamente definida pela equipe de auditoria, o ndice
75
de confiabilidade (Ci,), obtido a partir de testes de conformidade, e o montante constante

dos registros contbeis (M), o qual define a populao da qual a amostra extrada.
Como os elementos da populao correspondem s unidades monetrias que
integram o montante, convm notar que a probabilidade de incluso na amostra de um
dado registro diminui quando o seu valor subestimado, sendo nula no caso de omisso.
Dessa forma, h na AUM um vis em favor dos registros superestimados ou repetidos. Outra
caracterstica da AUM que merece meno a premissa de que no h diferenas
superiores a 100% entre os valores registrados e observados.
O tamanho da amostra na AUM definido pela seguinte equao:
^
M
M E A AP O A
n=
, com p = R = A
;
M
M
p
C 0,
Onde: C0, = Fator de Preciso Bsica (ndice de confiabilidade supondo-se que a amostra
no contm erros);
MR = Materialidade Restrita ou Preciso Bsica (diferena mxima entre os
montantes registrado e estimado supondo-se que a amostra no contm erros);
M = montante registrado;
MA = Materialidade Ampla (diferena mxima entre os montantes registrado e
estimado que no implica a impugnao do conjunto de lanamentos
contbeis);
^
E A = Erro Amostral Previsto [estimativa da diferena que ser observada na
amostra entre os montantes registrado e estimado caso os membros da equipe

de auditoria antecipem a ocorrncia de erros (i > 0)];
^
AP = Estimativa da Ampliao do Intervalo de Preciso (margem de erro
OA
suplementar arbitrada quando se prev a ocorrncia de erros na amostra);

= outros ajustes arbitrados pelos membros da equipe de auditoria.
Dessa forma, os membros da equipe de auditoria devem definir, inicialmente, a

Materialidade Ampla (MA). Em seguida, deve-se arbitrar os ajustes julgados necessrios, os
quais devem ser subtrados da MA, definindo a Materialidade Restrita (MR). Convm notar
que MR e p so diretamente proporcionais. Dessa forma, quanto menor for a primeira, menor
ser a ltima, o que aumenta n. Consequentemente, os ajustes feitos ainda na fase de
planejamento devem permitir a obteno de resultados amostrais robustos ainda que
haja pequenos desvios em relao s premissas utilizadas originalmente.
O Exemplo 7.3 ilustra como o tamanho da amostra deve ser calculado na AUM.
76
Exemplo 7.3: Clculo do Tamanho da Amostra na AUM

Em uma auditoria, o conjunto de lanamentos contbeis examinados, totalizando R$ 2.000.000,00,
considerado fidedigno se a diferena entre os montantes estimado e registrado no for superior a
R$ 100.000,00. Para um nvel de confiana de 95%, qual o tamanho da amostra?
Desconsiderando-se a necessidade de ajustes, tem-se:
p=
100000
= 0,05 .
2000000
Com i = 0 e = 0,95 tem-se: C0;0,95 = 3,0 e n =
3,0
= 60 .
0,05
Definido o tamanho da amostra (n), procede-se seleo dos seus elementos.

Primeiro, calcula-se o intervalo amostral (IA):
IA =
M
.
n
Em seguida, escolhe-se aleatoriamente uma unidade monetria compreendida em

cada um dos sucessivos intervalos amostrais. Por fim, so selecionados para anlise os
registros contbeis correspondentes s unidades monetrias escolhidas,19 como mostrado no
Exemplo 7.4.
Exemplo 7.4: Seleo dos Elementos Amostrais na AUM

No exemplo tratado anteriormente, qual o intervalo amostral? Dado um conjunto hipottico de
lanamentos contbeis, como devem ser selecionados os elementos amostrais?
Supondo-se que o sistema de controle interno confivel e que, por conseguinte, pode-se prever que
a amostra no conter erros, tem-se n = 60. Dessa forma:
IA =
M 2000000
=
= 33333,33 .
n
60
Selecionando-se, aleatoriamente, o valor R$ 16.000,00 como o primeiro elemento amostral e

baseando-se no rol de lanamentos indicados abaixo, a amostra obtida da seguinte forma:
Continua
19
A probabilidade de seleo de cada registro diretamente proporcional ao seu valor.

77
Continuao
Tabela 7.3: Seleo dos Elementos Amostrais

(em R$)
Item
(a)
Valor Registrado
Valor Acumulado
10.000,00
10.000,00
2
3
18.500,00
20.000,00
4
5
6.000,00
6.500,00
6
7
8
46.000,00
9.600,00
16.400,00
28.500,00
48.500,00
54.500,00
61.000,00
107.000,00
116.600,00
133.000,00
Unidade Monetria Selecionada (b)
16.000,00
49.333,00
82.666,00
115.999,00
126.750,00
259.750,00
149.332 ,00
182.665,00
215.998,00
249.331,00
10
...
27.250,00
...
287.000,00
...
282.664,00
...
Notas: (a) Itens da populao.

(b) Neste exemplo, apenas o primeiro item da amostra foi selecionado aleatoriamente, enquanto que a
escolha dos demais ocorreu a intervalos regulares, pois isso permite uma melhor visualizao de
como a amostra deve se distribuir. Esse procedimento, contudo, pode gerar resultados viesados caso
os registros apresentem flutuaes cclicas. Por essa razo, recomenda-se a seleo aleatria de um
item em cada intervalo amostral.
Convm notar que os registros com valores iguais ou superiores ao intervalo amostral so
necessariamente selecionados para a amostra. O 9 item do rol mostrado acima, p. ex., consta quatro
vezes da amostra por ser 3,8 vezes superior ao intervalo. Nesses casos, a equipe de auditoria tem
duas alternativas:
a) diminuir o nvel de confiana () em decorrncia da reduo do tamanho efetivo da amostra (no

presente exemplo, supondo-se que os demais itens so inferiores a R$ 33.333,33, o tamanho
efetivo da amostra 57);
b) examinar separadamente os itens com valores elevados, considerando-os uma nica vez na
amostra e ajustando-se o intervalo amostral para os demais elementos.
A segunda alternativa a mais adequada por no implicar reduo no nvel de confiana.
Uma vez selecionada e examinada a amostra, deve-se estimar a diferena entre os

montantes registrado e estimado. Esse clculo envolve as seguintes etapas:
1) identificar os itens cujos valores observados diferem dos valores registrados;
2) calcular a diferena entre os valores observado e registrado;
3) agrupar as diferenas conforme sejam superiores a zero (registros
superestimados) ou inferiores a zero (registros subestimados);
78
4) separar as diferenas associadas a itens com valores superiores ao intervalo

amostral;
5) extrapolar as diferenas associadas a itens com valores inferiores ao
intervalo amostral para todo o intervalo;
6) colocar em ordem decrescente as diferenas associadas a itens com valores
inferiores ao intervalo amostral e obter a Ampliao do Intervalo de
Preciso (AP) quando a quantidade de erros superar as expectativas da
equipe de auditoria, de tal modo que as diferenas observadas sejam
ajustadas sem que o tamanho da amostra tenha de ser recalculado;
7) calcular o saldo lquido dos erros ajustados;
8) somar as diferenas associadas a itens com valores superiores ao saldo
lquido dos erros ajustados;
9) comparar as superestimaes e as subestimaes totais com a materialidade
preestabelecida, verificando se os demonstrativos examinados podem ou no
ser considerados fidedignos;
10) estudar que recomendaes devero ser feitas caso a Materialidade Ampla
(MA) preestabelecida no seja respeitada (p. ex.: determinar a correo dos
erros observados; reavaliar o nvel de confiana e o tamanho da amostra
empregados; determinar aumentos nas provises; apenas atestar a nofidedignidade dos demonstrativos examinados).
A Ampliao do Intervalo de Preciso (AP) obtida multiplicando-se o Fator de
Ampliao do Intervalo de Preciso ( FAPj ) pela extrapolao dos erros amostrais para o
intervalo amostral (IA):
j (valor registrado ) (valor observado )
A item
.
= FAP
P
. I A ;
valor registrado
Onde: ( FAPj ) = C(j+1), Cj, 1;

j = posio relativa dos erros amostrais dispostos em ordem decrescente de
grandeza;
C1, = C0, .
Os Fatores de Ampliao do Intervalo de Preciso ( FAPj ) constam da Tabela 7.4.
79
Tabela 7.4: Fatores de Ampliao do Intervalo de Preciso ( FAPj )

Erros
Observados
(j)
1
2
3
4
5
6
7
8
9
10
Nvel de Confiana ()
50%
60%
70%
80%
85%
90%
95%
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,11
0,08
0,07
0,06
0,06
0,05
0,04
0,04
0,04
0,04
0,24
0,18
0,15
0,13
0,12
0,11
0,10
0,09
0,09
0,08
0,38
0,28
0,24
0,21
0,19
0,17
0,16
0,15
0,14
0,13
0,48
0,35
0,29
0,25
0,23
0,21
0,19
0,18
0,17
0,16
0,59
0,43
0,36
0,31
0,28
0,26
0,24
0,22
0,21
0,20
0,75
0,55
0,46
0,40
0,36
0,33
0,31
0,29
0,27
0,26
Fonte: National Audit Office, s.d., p. 6.
Todas essas etapas esto contempladas nos formulrios que compem o Anexo
IV, elaborados no intuito de auxiliar as equipes de auditoria nos muitos clculos exigidos
pela AUM
7.2. Aplicao da Amostragem por Unidade Monetria

Verificar se um conjunto hipottico de registros contbeis so fidedignos. As
caractersticas gerais da pesquisa amostral so (vide Anexo V):
a)
b)
c)
d)
e)
f)
g)
h)
i)
montante registrado (M): R$ 2.000.000,00;

materialidade ampla (MA): R$ 100.000,00;
materialidade restrita (MR): R$ 95.000,00;
proporo mxima de erros admitida na populao (p): 0,0475;
quantidade prevista de erros na amostra (i): 0;
nvel de confiana (): 0,95;
ndice de confiabilidade (C0;0,95), dados os itens c e d: 3,00;
tamanho da amostra (n): 64, incluindo 5 itens examinados separadamente por
serem superiores ao intervalo amostral;
intervalo amostral (IA): R$ 31.250,00.
No decorrer da investigao, constatou-se entre os valores observados e

registrados as diferenas indicadas na Tabela 7.5.
80
Tabela 7.5: Diferenas Observadas na Amostra

Item # Valor Registrado Valor Observado Diferena
13
43.125,00
42.625,00
29
2.500,00
2.600,00
35
2.000,00
1.800,00
57
4.000,00
4.200,00
Observao
Item superestimado examinado
separadamente por ser superior ao
intervalo amostral.
500,00
Item subestimado examinado no

(100,00) contexto da amostra por ser inferior ao
intervalo amostral.
Item superestimado examinado no
contexto da amostra por ser inferior ao
intervalo amostral.
200,00
Item subestimado examinado no

(200,00) contexto da amostra por ser inferior ao
intervalo amostral.
Nota: (#) Itens da amostra.
Agrupando-se os itens superestimados e subestimados, extrapolando-se para o

intervalo amostral as diferenas referentes aos itens cujos valores so inferiores ao intervalo,
calculando-se os erros globais para maior e para menor e estimando-se a diferena lquida
entre os valores registrados e observados, tem-se:
a) itens com erros para maior: 13 e 35;
b) itens com erros para menor: 29 e 57.
c) extrapolao do erro referente ao item 35 (E35):
(valor registrado) (valor observado) .I

valor registrado
2000 1800
.31250 = 3125 ;
2000
d) extrapolao do erro referente ao item 29 (E29):

2500 2600
.31250 = 1250 ;
2500
e) extrapolao do erro referente ao item 57 (E57):

4000 4200
.31250 = 1562,5 ;
4000
f) impacto lquido dos erros extrapolados:

E29 + E35 + E57 = 312,5
Como h mais de um erro para menor referente a itens com valores inferiores ao
intervalo amostral, esses erros devem ser dispostos em ordem decrescente, cabendo a
primeira posio ao item 57 e a segunda ao item 29. Essa ordenao deve-se necessidade
de se multiplicar os erros por diferentes Fatores de Ampliao do Intervalo de Preciso
(FAPj ) . Para um nvel de confiana de 95% e uma previso inicial de que a amostra no
conteria erros, o que faz i igual a 0 para j igual a 1, tem-se:
1
a) FAP
= C1;0,95 C0;0,95 1= 4,75 3,00 1 = 0,75;
2
b) FAP = C2;0,95 C1;0,95 1= 6,30 4,75 1 = 0,55.
81
O Ampliao do Intervalo de Preciso (AP) obtido multiplicando-se os FAPj

pelas extrapolaes dos erros referentes a itens com valores inferiores ao intervalo
amostral20 e somando-se os valores referentes a cada tipo de erro:
a)
b)
c)
d)
1
AP35 = E35. FAP
= 3125.0,75 = 2343,75 (AP para os itens superestimados);
1
AP57 = E57. FAP
= 1562,5.0,75 = 1171,87;
29
2
AP = E29. FAP = 1250.0,55 = 687,50;
AP29 + AP57 = 1859,37 (AP para os itens subestimados).
Acumulando-se os erros amostrais, a materialidade restrita e a ampliao do

intervalo de preciso para erros superestimados e subestimados, tem-se:
a) erros para maior:
(E29 + E35 + E57) + E13 + MR + AP35 = 312,5 + 500 + 95000 + 2343,75 =
98156,25;
b) erros para menor:
[(E29 + E35 + E57 ) + M R + (AP29 + AP57 )] = 312,5 + 95000 + 1859,37=
96546,87.
Como a materialidade ampla superior aos dois valores calculados acima,
conclui-se que os lanamentos contbeis examinados so, com 95% de certeza, fidedignos,
no apresentando uma diferena superior a 5%.
Convm notar que o uso de uma materialidade restrita de R$ 95.000,00, ao
aumentar o tamanho da amostra de 60 para 64 elementos, permitiu a obteno de
estimativas robustas embora tenham sido observados 4 erros na amostra.
20
importante lembrar que os itens superestimados e subestimados devem ser tratadas separadamente. Dessa forma, os
erros para maior e para menor mais expressivos so multiplicados pela FAPI1.
82
8. TIPOS DE ERRO EM AMOSTRAGEM
Os mtodos de estimao apresentados anteriormente assumem que algum tipo

de amostragem probabilstica est sendo empregado e que os valores obtidos representam os
valores corretos de todos os elementos amostrais selecionados. Nesse caso, os erros de
estimao decorrem unicamente da variao randmica presente quando se examina, em vez
de toda populao N, um subconjunto n desta (i.e., erros amostrais aleatrios).
Esses pressupostos so respeitados por pesquisas de campo simples, com
instrumentos de medida precisos e execuo cuidadosa. As pesquisas complexas, porm,
especialmente aquelas que envolvem mensuraes de difcil obteno, esto sujeitas a mais
trs tipos de erro:
a) Erro na definio da populao: No incluso no cadastro de alguns
grupos de itens ou indivduos, introduzindo um vis seleo da amostra.
b) Erro de mensurao: Ambigidades presentes nas respostas coletadas em
decorrncia da formulao de perguntas imprecisas, da influncia do
entrevistador sobre o entrevistado ou da falta de rigor do respondente. Essas
deficincias podem ser minimizadas tomando-se cuidado na elaborao dos
formulrios, treinando-se adequadamente os entrevistadores, examinando-se
os dados atentamente, conferindo-se as respostas atpicas, e selecionando-se,
aleatoriamente, alguns respondente no intuito de atestar a validade das
respostas obtidas.
c) No-resposta: Falha na coleta de dados sobre todos os itens ou indivduos
selecionados para a amostra. Como os pesquisadores no podem assumir, em
geral, que os respondentes e os no-respondentes so semelhantes, esses
ltimos devem, aps algum tempo, ser novamente consultados no intuito de
obter respostas apropriadas. Aps relacionar os novos resultados com os
resultados obtidos originalmente, os pesquisadores procuraro gerar
estimativas vlidas sobre a populao.
A Figura 8.1 mostra como os quatro tipos de erro podem afetar a amostragem.
Figura 8.1: Tipos de Erro em Amostragem

Erro na Definio da
Populao
Erro Amostral
No-Resposta e Erro de Mensurao
Espao Amostral Amostra Planejada

Populao
(Ex.: estudantes (Ex.: estudantes
(Ex.: estudantes) na lista telefnica)
selecionados)
Amostra
Efetiva
Os erros na definio da populao e de mensurao, e os erros devidos a noresposta demandam modificaes na teoria padro de amostragem destinadas, que permitam
uma melhor alocao dos recursos disponveis, de modo que:
a) haja um equilbrio entre os esforos empreendidos em favor da reduo dos
erros amostrais aleatrios e da reduo dos demais tipos de erros;
b) sejam obtidos mtodos de clculo dos erros-padro e dos intervalos de
confiana que permaneam vlidos.
Os itens subseqentes trataro do problema da no-resposta por ser aquele que
melhor admite tratamento matemtico.
8.1. Efeitos da No-Resposta

No estudo da no-resposta, conveniente que a populao seja concebida como
pertencendo a dois estratos: o primeiro contendo todas os elementos que poderiam ser
medidos se fossem selecionados para a amostra; e o segundo contendo os demais elementos,
cuja medida no seria obtida.
O tamanho relativo dos dois estratos depende do mtodo de coleta de dados
empregado. Uma pesquisa de campo com at trs tentativas de contato de cada elemento
amostral, supervisionada por pessoas especialmente persuasivas, ter menos no-respostas
do que uma pesquisa com uma nica tentativa de contato.
Naturalmente, as amostras no proporcionam informaes sobre o estrato
composto pelas no-respostas. Isso no um problema quando se pode assumir que os dois
estratos apresentam as mesmas caractersticas. Freqentemente, porm, no esse o caso.
Dessa forma, as estimativas obtidas podem ser viesadas. Na mdia amostral, p. ex., o vis
definido pela seguinte equao:
84
TIPOS DE ERRO EM AMOSTRAGEM
Vis = X r X =
N nr
. X r X nr ,
N
Onde: X = mdia amostral correta mas no-conhecida;

X r = mdia dos elementos amostrais efetivamente medidos;
X nr = mdia dos elementos amostrais no-medidos;
N = tamanho da populao;
N nr = tamanho do estrato contendo elementos que no podem ser medidos.
Como X nr no pode ser estimada a partir dos elementos amostrais examinados, a
extenso do vis s pode ser definido mediante informaes obtidas em outras fontes.
Nas variveis contnuas, os limites que podem ser imputados com certeza aos
vieses so to amplos que no tm valor prtico. Portanto, no presente contexto, quando a
proporo de no-respondentes elevada, os intervalos de confiana no podem ser
estimados com preciso, a no ser por meio de aproximaes no-corroboradas pelos dados
disponveis.
J nas amostragens que visam estimar uma proporo, o problema anterior no
to crtico, pois no estrato composto pelas no-respostas a proporo desejada situa-se,
necessariamente, no intervalo [0; 1]. Conhecendo-se
N nr
a partir de pesquisas realizadas
N
anteriormente, os limites inferior (pinf) e superior (psup) do intervalo de confiana so:

Nr
p .(1 p r )
21
. p r Z . r
, com pnr = 0;
N
nr
N
p .(1 p r ) N r
, com pnr = 1.22
= r . p r + Z . r
+
N
nr
N
a)
p inf =
b)
p sup
Quanto maior o ndice de no-resposta
N nr
N
, maior a amplitude do intervalo
[pinf; psup], tornando cada vez mais imprecisa a estimativa. A Tabela 8.1 mostra os intervalos
de confiana, com um nvel de confiana de 95% (Z = 1,96) e uma amostra com mil
elementos (n = 1.000), para vrias propores de sucesso e ndices de no-resposta.
21
22
N
p .(1 p nr )
nr
. p nr Z . nr
= 0 .
n nr
N

pnr .(1 pnr )

p nr + Z .
= 1.
nnr
85
Tabela 8.1: Intervalos de Confiana para Vrias Propores de Sucesso e

ndices de No-Resposta (Z = 1,96 e n = 1.000)
(em %)
N nr
10
20
50
[3,6; 6,4]
[8,1; 11,9]
[17,5; 22,5]
[46,9; 53,1]
[3,4; 11,1]
[7,7; 16,3]
[16,6; 26,4]
[44,5; 55,5]
10
[3,2; 15,8]
[7,2; 20,8]
[15,6; 30,4]
[42,1; 57,9]
15
[3,0; 20,5]
[6,8; 25,2]
[14,7; 34,3]
[39,6; 60,4]
20
[2,9; 25,2]
[6,4; 29,7]
[13,9; 38,2]
[37,4; 62,8]
pr
Fonte: Cochrane, 1977, p. 362.
Para tornar mais claro o impacto do ndice de no-resposta sobre o intervalo de

confiana, convm calcular qual seria o tamanho da amostra para um dado intervalo
supondo-se um ndice nulo de no-resposta. O intervalo grifado em negrito na Tabela 8.1, p.
ex., corresponde a um erro amostral (e) igual a 0,055 (i.e., metade da extenso do intervalo
indicado). Com Z = 1,96 e p = 0,5, tem-se que a amostra poderia ser, na ausncia de noresposta:
2
1,96
n=
.0,5 .0,5 = 317 ,5 320 .
0,055
Portanto, um ndice de no-resposta de apenas 5% exigiu, para um dado intervalo

de confiana, uma amostra trs vezes superior a que seria idealmente necessria (i.e., uma
amostra com 320 elementos em vez dos 1.000 elementos retratados na Tabela 8.1). Isso
refora a idia de que uma parte substancial dos recursos empregados na amostragem deve
ter como objetivo a reduo do ndice de no-resposta.
Quando
N nr
N
no conhecido, como ocorre geralmente, um estimativa
conservadora do intervalo de confiana pode ser obtido da seguinte maneira:

a)
b)
p inf = p r Z .
p r .(1 p r )
, com pnr = 0;
n
p sup = p r + nr + Z .
n
n nr
pr +
n
n nr

. 1 p r +
n

, com pnr = 1 e nnr = qtde de
n
no-respostas na amostra.
Sabendo-se que a pesquisa de campo conter no-respostas, o tamanho
apropriado da amostra, dado p igual a 0,5 e
equao:
86
N nr
conhecido, definido pela seguinte
N
n' =
Z 2 .0, 25
23
1.
N N
e. e nr . r
N N
A Tabela 8.2 ilustra o efeito da no-resposta sobre o tamanho da amostra, para

um nvel de confiana de 95% (Z = 1,96) e uma proporo de sucessos de 50% (p = 0,5).
Tabela 8.2: Tamanho da Amostra para Vrios Erros Amostrais e ndices de
No-Resposta (Z = 1,96 e p = 0,5)
(em %)
N nr
20
15
10
24
42
96
384
27
50
122
653
31
60
166
2.000
36
75
255
n.d.
43
99
521
n.d.
10
53
142
n.d.
n.d.
15
112
n.d.
n.d.
n.d.
Erro Amostral Admitido (e)

Nota: n.d. corresponde a no definido, pois n < 0 ou n .
Percebe-se, mais uma vez, que altos ndices de no-resposta tornam invivel ou
extremamente onerosa a obteno de estimativas precisas.
8.2. Mtodos de Reduo da No-Resposta

No que tange no-resposta, h quatro tipos de elementos amostrais:
1) no-includos na amostra (p. ex., cadastro incompleto) ou no-visitados (p.
ex., dificuldade de acesso);
2) incapazes ou avessos a fornecer a informao desejada;
3) no-encontrados;
4) pertencentes ao ncleo rgido de pessoas avessas ou incapazes de fornecer
a informao desejada ou, ainda, que no possam ser encontradas,
independentemente dos esforos que sejam feitos nesse sentido.24
A identificao e subseqente reduo do primeiro grupo de no-respondentes
no simples. Sugere-se a comparao com os cadastros utilizados e os resultados gerados
por outras pesquisas, bem como a realizao de pesquisas amostrais destinadas a verificar
quo completos so os cadastros disponveis.
n' = (n 1) para Nnr = 0 a diferena entre ambos deve-se a aproximaes feitas durante a obteno da nova
equao. (Cochrane, 1977, p. 363)
24
O vis introduzido por essas elementos no pode ser reduzido
87
23
A diminuio do segundo grupo, por sua vez, envolve a cuidadosa elaborao do

questionrio, cujas perguntas no podem ser ambguas ou conter termos de difcil
compreenso. importante que o questionrio seja testado previamente junto populao
visada pela pesquisa para que os eventuais problemas seja identificados oportunamente.25
J a reduo do terceiro grupo exige o correto escalonamento das entrevistas,
bem como mais de uma tentativa de contato mediante call-backs ou subamostras.
8.2.1. Call-Backs
Nas pesquisas domiciliares que envolvam entrevistas com adultos especficos,
selecionados aleatoriamente, os solteiros ou chefes de famlia devem, p. ex., ser contatados
em dias ou horrios no-comerciais. Naturalmente, as pesquisas domiciliares cujas
perguntas podem ser respondidas por qualquer adulto presente so menos afetadas por esse
tipo de problema.
Quanto quantidade de call-backs, ela deve ser definida luz dos resultados
desejados, dos meios disponveis e das dificuldades enfrentadas por pesquisas similares.
Como indicao preliminar da eficcia de cada rodada de entrevistas, Cochrane prope o
seguinte quadro:
Tabela 8.3: Eficcia de Trs Tentativas de Contato
(em %)
Elementos Amostrais Contatados
Tipo de
Respondente
1 Tentativa
2 Tentativa
3 Tentativa
Adulto Qualquer
Adulto Especfico
70
37
17
32
8
23
No-Resposta
Total
5
8
100
100
ntida a diferena entre as pesquisas cujas questes podem ser respondidas por
qualquer adulto e as pesquisas que devem ser respondidas por adultos especficos,
selecionados aleatoriamente, cujos altos ndices de sucesso nas duas ltimas tentativas so
uma decorrncia das informaes obtidas na primeira tentativa acerca dos hbitos dos
respondentes visados.
Convm notar que, em termos relativos, as rodadas de entrevistas tornam-se,
progressivamente, mais onerosas com a queda na quantidade de locais que podem ser
visitados pelos entrevistadores por unidade de rea (p. ex., km2) ou de tempo (p. ex., h), o
que limita a quantidade de tentativas de contato que sero feitas.
25
Na formulao de perguntas embaraosas (p. ex., referentes prtica de atos ilegais) pode-se usar a tcnica de
respostas randmicas, na qual o entrevistado responde sim ou no a uma de duas perguntas, selecionada
aleatoriamente, sem que o entrevistador conhea a pergunta que est sendo respondida. Como, contudo, a distribuio
de probabilidades das perguntas apresentadas conhecida, a proporo dos entrevistados que apresentam a
caracterstica visada pela pesquisa pode ser estimada pelo entrevistador. (Cochrane, 1977, p. 392-5)
88
8.2.2. Subamostras
Ainda sobre os elementos amostrais no-encontrados, em vez de tentar contatar
todos os no-respondentes, os pesquisadores podem selecionar aleatoriamente uma
subamostra, extrapolando os resultados obtidos para todo grupo. O presente procedimento
eqivale a uma amostragem estratificada em dois estgios, sendo amplamente usado em
pesquisas pelo correio, nas quais alguns elementos amostrais que no devolveram o
questionrio so entrevistados pessoalmente. Em geral, a menor preciso dos resultados
amostrais obtidos nesse caso s se justificam quando os custos dos call-backs so muito
elevados.
A mdia amostral no-viesada quando todos os elementos da subamostra
respondem s perguntas feitas pelos entrevistadores. A mdia definida pela seguinte
equao:
nr , 2
nr , 1
X=
+ n nr ,1 .
i =1
X
j =1
nr , 2
Onde: X = mdia amostral;

nr,1 = quantidade de respondentes na primeira tentativa;
Xi = valores obtidos na primeira tentativa;
nnr,1 = quantidade de no-respondentes na primeira tentativa;
nr,2 = tamanho da subamostra (nr,2 nnr,1);
Xj = valores obtidos a partir da subamostra.
A varincia da mdia amostral, necessria para que se calcule o intervalo de
confiana, obtida como mostrado abaixo:
2
N n 2 (n nr ,1 n r , 2 ).N nr ,1 .S 2 26
S =
,
.S +
n.n r , 2 .N
n.N
2
X
Onde: S X2 = varincia da mdia amostral;

N = tamanho da populao;
S2 = varincia dos elementos amostrais;
Nnr,1 = tamanho do estrato contendo elementos que podem ser medidos na primeira
tentativa;
2
S 2 = varincia dos elementos da subamostra.
26
N nr ,1
pode ser aproximada por meio da razo
N
A razo
n nr ,1
.
n
89
Por fim, a determinao do tamanho apropriado da amostra no presente contexto

depende dos valores desejados para a varincia mdia amostral e a razo entre nnr,1 e nr,2:
N nr ,1 n nr ,1
N . S 2 + S 22 .
n
N
r , 2
n=
.
2
2
N .S X + S 2
O Exemplo 8.1 ilustra como o tamanho da amostra pode ser calculado na

presena de no-respostas.
Exemplo 8.1: Clculo da Quantidade de Questionrios

Uma pesquisa amostral feita pelo correio, estimando-se em 50% a taxa de resposta. A preciso
desejada eqivale quela que seria obtida por uma amostra aleatria simples de 1.000 questionrios
se no houvesse no-resposta e 1 dos no-respondentes devem ser entrevistados pessoalmente.
3
Pede-se a quantidade de questionrios que deve ser enviada.
Inicialmente, tem-se que:
a) a taxa estimada de no-resposta:
N nr ,1
= 0,5;
N
b) o tamanho da amostra quando no h no-resposta: n* = 1.000;
c) a razo entre a quantidade de no-respondentes e o tamanho da subamostra:

d) a varincia desejada: S X2 =
nnr ,1
nr ,2
= 3.
S2
S2
=
.
n * 1.000
Supondo-se que os elementos amostrais e da subamostra apresentam varincias idnticas e que a

populao muito numerosa, tem-se que:
N nr ,1 n nr ,1
1
S 2 .1 +
N n r , 2

= 1000.[1 + 0,5.(3 1)] = 2000 .

n=
2
SX
Consequentemente, 2.000 questionrios devero ser distribudos, estimando-se que 1.000 dos quais
no sero respondidos. Dessa forma, a subamostra envolver 334 entrevistas pessoais.
8.3. Mtodos de Compensao da No-Resposta

Ainda que os call-backs ou as subamostras sejam sucedidos, improvvel que a
no-resposta seja suprimida totalmente. Assim, comum que se recorra a alguns mtodos
que buscam compensar esse tipo de problema com base nas caractersticas conhecidas dos
respondentes e dos no-respondentes. Os principais mtodos so:
90
a) ps-estratificao: criao de estratos com base nas informaes coletadas

na pesquisa amostral, distribuindo-se os no-respondentes pelos estratos que
melhor reflitam as suas caractersticas conhecidas;
b) substituio da no-resposta: aps a ps-estratificao, as no-respostas
so substitudas por respostas selecionadas aleatria ou sistematicamente (p.
ex., pela resposta imediatamente anterior) no mbito do estrato
correspondente;
c) substituio dos no-respondentes: ao longo do trabalho de campo, os norespondentes so substitudos por elementos da populao tidos como
semelhantes;
d) utilizao de dados complementares: as no-respostas podem ser ajustadas
por meio de informaes coletadas em censos ou estudos amostrais
realizados anteriormente;
e) ponderao ou substituio baseada nos call-backs: as tentativas de callback podem permitir que se faam inferncias acerca das caractersticas dos
no-respondentes recalcitrantes;
Caso haja indcios de que os no-respondentes recalcitrantes e os respondentes
apresentam distribuies de freqncia similares (p. ex., os indcios proporcionados por uma
ou mais tentativas de call-back), as equipes de auditoria ainda tm a opo de no fazer
qualquer compensao.
sumamente importante que as equipes sejam bastante criteriosas no uso das
opes relacionadas acima, certificando-se de que as substituies ou ponderaes
efetuadas sejam efetivamente compatveis com as caractersticas conhecidas dos norespondentes. A no-observao desse princpio certamente introduzir vieses nas
estimativas que comprometero as concluses do trabalho. Dessa forma, os relatrios de
auditoria devero explicitar porque e como as eventuais compensaes (ou nocompensaes) foram feitas.
91
92
ANEXO I
ROTINAS DO MICROSOFT EXCEL
94
Figura A.1: Dados Hipotticos
Figura A.2: Gerao de Estatsticas Descritivas
Nota: referente aos dados constantes da Figura A.1.
95
Figura A.3: Estatsticas Descritivas Geradas
Observaes:
a) Erro-Padro: S X =
S
.
n

=(DESVPAD(nm1;nm2;...)/RAIZ(CONT.NM(nm1;nm2;...))).
b) Assimetria:
i. e > 0 curva de freqncia de um conjunto de n observaes X1, X2, X3, ..., Xn
assimtrica direita;
ii. e = 0 curva de freqncia de um conjunto de n observaes X1, X2, X3, ..., Xn
simtrica;
iii. e < 0 curva de freqncia de um conjunto de n observaes X1, X2, X3, ..., Xn
assimtrica esquerda.
UTILIZANDO O MICROSOFT EXCEL: =DISTORO(nm1;nm2;...).
96
c) Curtose:
i. k > 0 curva de freqncia de um conjunto de n observaes X1, X2, X3, ..., Xn
mais achatada do que a distribuio normal;
ii. k = 0 curva de freqncia de um conjunto de n observaes X1, X2, X3, ..., Xn to
achatada quanto a distribuio normal;
iii. k < 0 curva de freqncia de um conjunto de n observaes X1, X2, X3, ..., Xn
menos achatada quanto a distribuio normal.
UTILIZANDO O MICROSOFT EXCEL: =CURT(nm1;nm2;...).
Figura A.4: Agrupamento de Dados (Etapa 1 de 4)
97
Figura A.8: Dados Agrupados
98
Tabela A.1: Obteno da Amplitude Semi-Interquartlica e da Meia Amplitude

Semi-Interquartlica
A
CLCULO AUTOMTICO DA AMPLITUDE SEMI-INTERQUARTLICA

1
E DA MEIA AMPLITUDE SEMI-INTERQUARTLICA #
2
3
POSIO INICIAL
Primeiro Quartil:
=(CONT.NM(valor1;valor2;...)+1)/4
Terceiro Quartil:
=(3*(CONT.NM(valor1;valor2;...)+1))/4
6
7
8
9
10
11
PARA O PRIMEIRO QUARTIL

=SE(B4=INT(B4);"utilize a posio inicial:"; =SE(A8="utilize a posio inicial:"; ARREDMULTB(B4;1);
SE(B4=TETO(B4;0,5);"utilize as seguintes
ARRED(B4;0))
posies:"; "arredonde para a seguinte
=SE(A8="utilize a posio inicial:"; TETO(B4;1); "")
posio:"))
=MENOR(valor1;valor2;...;B8)
=SE(A8="utilize a posio inicial:"; "valores

das posies indicadas:"; "valor da posio
indicada:")
=SE(A8="utilize a posio inicial:";

MENOR(valor1;valor2;...); "")
12
13
14
15
16
17
PARA O TERCEIRO QUARTIL

=SE(B5=INT(B5);"utilize a posio inicial:";
SE(B5=TETO(B5;0,5);"utilize as seguintes
posies:"; "arredonde para a seguinte
posio:"))
"valores das posies indicadas:"; "valor da
posio indicada:")
=SE(A14="utilize a posio
inicial:";ARREDMULTB(B5;1);ARRED(B5;0))
=SE(A14="utilize a posio inicial:"; TETO(B5;1); "")
=MENOR(valor1;valor2;...;B14)
MENOR(valor1;valor2;...;""))
18
19
CONCLUSO
20
Primeiro Quartil:
=SE(A8="utilize a posio inicial:";(B10+B11)/2;B10)
21
Terceiro Quartil:
=SE(A14="utilize a posio inicial:";(B16+B17)/2;B16)
22
Amplitude Semi-Interquartlica
23
Meia Amplitude Semi-Interquartlica
=(B20+B21)
=(B22)/2
Nota: (#) os comandos do tipo valor# correspondem a valores extrados de outras planilhas ou inseridos pelos
pesquisadores.
99
Figura A.9: Seleo de Amostras Aleatrias

Simples com Reposio
Figura A.10: Amostra Aleatria Simples Selecionada
100
Figura A.11: Estimao do Intervalo de Confiana para

Mdias com Desvio-Padro Conhecido
Figura A.12: Intervalo de Confiana Estimado
Notas: (a) o valor obtido corresponde metade do intervalo de confiana estimado em torno
da mdia amostral;
(b) referente aos dados constantes da Figura A.1.
101
Tabela A.2: Estimao de Intervalos de Confiana

A
ESTIMAO DE INTERVALOS DE CONFIANA(a)
1
2
Mdia (com conhecido)
Mdia (com desconhecido)
Proporo
3 n
valor1
valor6
valor11
4 Mdia Amostral
valor2
Mdia Amostral
valor7
Sucessos
valor12
Desvio-Padro
5 Populacional
valor3
Desvio-Padro
Amostral
valor8
Fracassos
=F3-F4
Nvel de
6 Confiana(b)
valor4
Nvel de
Confiana
valor9
Nvel de
Confiana(b)
valor13
7
8 Erro-Padro
=B5/RAIZ(B3) Erro-Padro
9 Z
=INV.NORMP
(0,5+(B6/2)) g.l.
10
Proporo
=D5/RAIZ(D3) Amostral
=(D3-1)
=F4/F3
=INV.NORMP
(0,5+(F6/2))
=RAIZ
(F8*(1-F8)/F3)
=INVT
(1-D6;D9)
Erro-Padro
Meio Intervalo
11 de Confiana
=INT.CONFIANA
(1-B6;B5;B3)
Meio Intervalo
de Confiana
=D10*D8
Meio Intervalo
de Confiana
=F9*F10
12 Limite Inferior
=B4-B11
Limite Inferior
=D4-D11
Limite Inferior
=F8-F11
13 Limite Superior
=B4+B11
Limite Superior
=D4+D11
Limite Superior
=F8+F11
14
15 N
16 CPF
Ajuste para Populaes Finitas

valor5
=RAIZ
((B15-B3)/(B15-1))
N
CPF
valor10
=RAIZ
((D15-D3)/(D15-1))
N
CPF
valor14
=RAIZ
((F15-F3)/(F15-1))
Meio Inter. de
17 Conf. Ajustado
=B11*B16
Meio Inter. de
Conf. Ajustado
=D11*D16
Meio Inter. de
Conf. Ajustado
=F11*F16
Limite Inferior
18 Ajustado
=B4-B17
Limite Inferior
Ajustado
=D4-D17
Limite Inferior
Ajustado
=F8-F17
Limite Superior
19 Ajustado
=B4+B17
Limite Superior
Ajustado
=D4+D17
Limite Superior
Ajustado
=F8+F17
Notas: (a) os comandos do tipo valor# correspondem a valores extrados de outras planilhas ou inseridos pelos
pesquisadores;
(b) o nvel de confiana deve ser informado na sua forma decimal.
102
Tabela A.3: Determinao do Tamanho da Amostra

A
DETERMINAO DO TAMANHO DA AMOSTRA(a)
1
2
Mdia
Proporo
Nvel de Confiana
3 Desejado(b)
valor1
Nvel de Confiana
Desejado(b)
valor5
Estimativa Inicial do
4 Desvio-Padro
valor2
Estimativa Inicial do
Desvio-Padro
valor6
5 Erro Amostral Admitido
valor3
Erro Amostral Admitido
valor7
6 Z
7 Tamanho da Amostra
8 Amostra Requerida
=INV.NORMP
(0,5+(B3/2))
=((B6*B4)/B5)^2
=INV.NORMP
(0,5+(D3/2))
Tamanho da Amostra
=(D6^2*D4*(1D4))/D5^2
=ARREDONDAR.PARA.
Amostra Requerida
CIMA(B7;0)
Ajuste para Populaes Finitas
10 N
valor4
11 n
12
Amostra Requerida
Ajustada
=(B7*B10)/(B7+B10-1) n
=ARREDONDAR.PARA. Amostra Requerida
CIMA(B11;0)
Ajustada
=ARREDONDAR.PARA.
CIMA(D7;0)
valor8
=(D7*D10)/(D7+D10-1)
=ARREDONDAR.PARA.
CIMA(D11;0)
pesquisadores;
103
Tabela A.4: Estimao do Intervalo de Confiana para Totais

A
ESTIMAO DO INTERVALO DE CONFIANA PARA TOTAIS(a)
1
2
3
valor1
Mdia Amostral
valor2
Desvio-Padro Amostral
(b)
valor3
Nvel de Confiana
valor4
valor5
Total
=B7*B4
CPF
=RAIZ((B7-B3)/(B7-1))
10
Erro-Padro
=(B7*B5*B9)/RAIZ(B3)
11
g.l.
12
13
Meio Intervalo de Confiana Ajustado
14
Limite Inferior Ajustado
=B8-B13
15
Limite Superior Ajustado
=B8+B13
=B3-1
=INVT(1-B6;B11)
=B12*B10
pesquisadores;
104
Tabela A.5: Estimao do Intervalo de Confiana para Diferenas

A
ESTIMAO DO INTERVALO DE CONFIANA PARA DIFERENAS(a)
Quadrado dos
Desvios das Obs.
com Diferena
Diferenas(b)
Som. do Quad.
dos Desv. das
=(A3-$C$6)^2
Obs. com Dif.
valor1
Somatrio das
Diferenas
=SOMA
(A3:A16)
valor2
Contagem das
Diferenas
=CONT.VALORES
(A3:A16)
valor3
valor15
Somatrio dos
=(A5-$C$6)^2 Desvios
valor4
Diferena Mdia
=C3/C5
=(A6-$C$6)^2 g.l.
=C4-1
valor5
Qtde de Obs.
sem Diferena
=C5-C4
=(A7-$C$6)^2 Varincia
=F5/F6
valor6
=(A8-$C$6)^2 Desvio-Padro
valor7
=(A9-$C$6)^2
10
valor8
=(A10-$C$6)^2 Nvel de Conf.(c)
valor16
11
valor9
=(A11-$C$6)^2 N
valor 17
12
valor10
=(A12-$C$6)^2 Diferena Total
=F11*C6
13
valor11
=(A13-$C$6)^2 CPF
14
valor12
=(A14-$C$6)^2 Erro-Padro
15
valor13
=(A15-$C$6)^2 g.l.
16
valor14
=(A16-$C$6)^2 t
Produto da Dif.
Mdia pela Qtde.
=(A4-$C$6)^2
de Obs. sem Dif.
=SOMA
(D3:D16)
=C7*(C6)^2
=F3+F4
=RAIZ(F7)
=RAIZ
((F11-C5)/(F11-1))
=(F11*F8*F13)/
RAIZ(C5)
=C5-1
=INVT
(1-F10;F15)
17
Meio Intervalo
de Conf. Ajust.
=F16*F14
18
Limite Inferior
Ajustado
=F12-F17
19
Limite Superior
Ajustado
=F12+F17
pesquisadores;
(b) por hiptese, foram observadas catorze diferenas entre os valores constantes do cadastro e os valores observados;
(c) o nvel de confiana deve ser informado na sua forma decimal.
105
106
ANEXO II
DISTRIBUIES NORMAL PADRO &
t DE STUDENT
108
DISTRIBUIES NORMAL PADRO E t DE STUDENT
REAS DE UMA DISTRIBUIO NORMAL PADRO

USANDO MICROSOFT EXCEL: =DIST.NORMP(z).
1
Onde: DIST.NORMP(z) =
Z
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3643
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
0,4987
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982
0,4987
0,4991
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,4987
0,4991
0,4994
0,4995
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,4988
0,4991
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,4988
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,4989
0,4992
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
0,4990
0,4993
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,4999
0,5000
109
DISTRIBUIO t DE STUDENT BI-CAUDAL

USANDO MICROSOFT EXCEL: =INVT(probabilidade;graus de liberdade).
Onde: probabilidade de que se cometa o erro do Tipo I = ;
graus de liberdade = g.l.
g.l.
0,2000
0,1000
0,0500
0,0200
0,0100
0,0050
0,0020
0,0010
3,0777
6,3137
12,7062
31,8210
63,6559
127,3211
318,2888
636,5776
1,8856
2,9200
4,3027
6,9645
9,9250
14,0892
22,3285
31,5998
1,6377
2,3534
3,1824
4,5407
5,8408
7,4532
10,2143
12,9244
1,5332
2,1318
2,7765
3,7469
4,6041
5,5975
7,1729
8,6101
1,4759
2,0150
2,5706
3,3649
4,0321
4,7733
5,8935
6,8685
1,4398
1,9432
2,4469
3,1427
3,7074
4,3168
5,2075
5,9587
1,4149
1,8946
2,3646
2,9979
3,4995
4,0294
4,7853
5,4081
1,3968
1,8595
2,3060
2,8965
3,3554
3,8325
4,5008
5,0414
1,3830
1,8331
2,2622
2,8214
3,2498
3,6896
4,2969
4,7809
10
1,3722
1,8125
2,2281
2,7638
3,1693
3,5814
4,1437
4,5868
11
1,3634
1,7959
2,2010
2,7181
3,1058
3,4966
4,0248
4,4369
12
1,3562
1,7823
2,1788
2,6810
3,0545
3,4284
3,9296
4,3178
13
1,3502
1,7709
2,1604
2,6503
3,0123
3,3725
3,8520
4,2209
14
1,3450
1,7613
2,1448
2,6245
2,9768
3,3257
3,7874
4,1403
15
1,3406
1,7531
2,1315
2,6025
2,9467
3,2860
3,7329
4,0728
16
1,3368
1,7459
2,1199
2,5835
2,9208
3,2520
3,6861
4,0149
17
1,3334
1,7396
2,1098
2,5669
2,8982
3,2224
3,6458
3,9651
18
1,3304
1,7341
2,1009
2,5524
2,8784
3,1966
3,6105
3,9217
19
1,3277
1,7291
2,0930
2,5395
2,8609
3,1737
3,5793
3,8833
20
1,3253
1,7247
2,0860
2,5280
2,8453
3,1534
3,5518
3,8496
21
1,3232
1,7207
2,0796
2,5176
2,8314
3,1352
3,5271
3,8193
22
1,3212
1,7171
2,0739
2,5083
2,8188
3,1188
3,5050
3,7922
23
1,3195
1,7139
2,0687
2,4999
2,8073
3,1040
3,4850
3,7676
24
1,3178
1,7109
2,0639
2,4922
2,7970
3,0905
3,4668
3,7454
25
1,3163
1,7081
2,0595
2,4851
2,7874
3,0782
3,4502
3,7251
26
1,3150
1,7056
2,0555
2,4786
2,7787
3,0669
3,4350
3,7067
27
1,3137
1,7033
2,0518
2,4727
2,7707
3,0565
3,4210
3,6895
28
1,3125
1,7011
2,0484
2,4671
2,7633
3,0470
3,4082
3,6739
29
1,3114
1,6991
2,0452
2,4620
2,7564
3,0380
3,3963
3,6595
30
1,3104
1,6973
2,0423
2,4573
2,7500
3,0298
3,3852
3,6460
40
1,3031
1,6839
2,0211
2,4233
2,7045
2,9712
3,3069
3,5510
60
1,2958
1,6706
2,0003
2,3901
2,6603
2,9146
3,2317
3,4602
120
1,2886
1,6576
1,9799
2,3578
2,6174
2,8599
3,1595
3,3734
1,2816
1,6449
1,9600
2,3264
2,5758
2,8070
3,0902
3,2905
Nota: Para = 0,05, as estatsticas t de Student, com g.l. = +, e Z so iguais a 1,96.
110
ANEXO III
BREVIRIO DE FRMULAS
112
BREVIRIO DE FRMULAS
AMOSTRAGEM ALEATRIA SIMPLES

I.
Utilidade:
A populao forma um todo indissocivel em relao ao objeto da pesquisa e os custos
do trabalho de campo no so elevados p. ex., no caso de uma pesquisa que pretenda
estimar a proporo de beneficirios do crdito educativo que conseguem completar o
curso superior, cujos questionrios sejam remetidos pelo correio e cujo preenchimento
seja compulsrio (ou seja, a taxa de no-resposta assumida baixa), possvel que a
estratificao por curso, gnero ou localidade, entre outras possibilidades, no seja
relevante, pois os fatores determinantes do sucesso ou insucesso seriam comuns a todos
os possveis subconjuntos.
II. Estimativa do Intervalo:

da Mdia:
com conhecido e populao infinita:
vide item 5.1

; X + Z .
;
X Z .
n
n
com desconhecido e populao infinita:
vide item 5.2
S
S
; X + t n 1 .
;
X t n 1 .
n
n
com conhecido e populao finita:
vide item 5.6
N n
N n
; X + Z .
;
.
.
X Z .
1
N
1
n
n
com desconhecido e populao finita:
vide item 5.6
S N n
S N n
;
X
+
t
.
.
.
X t n 1 .
;
n
1
n N 1
n N 1
para Propores:
populao infinita:
vide item 5.4
p s .(1 p s )
p .(1 p s )
; ps + Z. s
ps Z.
;
n
n
113
populao finita:
vide item 5.6
p .(1 p s ) N n
p s .(1 p s ) N n
;
ps Z. s
+
.
.
; ps Z.
n
N
1
n
N
do Total (com desconhecido e populao finita):
vide item 5.7
S N n
S N n
; N . X + N .t n 1 .
;
.
.
N . X N .t n 1 .
n N 1
n N 1
para Diferenas (com desconhecido e populao finita):
vide item 5.8

n
S N n
SD N n
; N . D + N .t n 1 . d .
,
.
N .D N .t n 1 .
n N 1
n N 1
2
i
SD =
n. D
com
D=
D
i =1
i =1
n 1
III. Determinao do Tamanho da Amostra:

com Populao Infinita:
para mdias:
n=
e2
para duas propores:

n=
Z 2 .S o2
vide item 5.5.1
Z 2 . p o .(1 p o )
e2
vide item 5.5.2
para n-propores:
vide item 5.5.2
(
)
1
k 1
Z ' .0,25

;
n=
,
com
Z'
dado
por
=
2
e2
2
2
com Populao Finita:

nCPF =
114
n.N
.
n + (N 1)
vide item 5.6
BREVIRIO DE FRMULAS
AMOSTRAGEM ALEATRIA ESTRATIFICADA

I.
Utilidade:
A populao contm estratos que tm relao com o objeto da pesquisa p. ex., no
caso de uma pesquisa que pretenda estimar a remunerao mdia, cinco anos aps a
formatura, dos graduandos da Universidade de Braslia, provvel que a estratificao
por curso seja relevante, uma vez que alguns so mais demandados ou agregam mais
valor econmico do que outros; a presente modalidade de amostragem evitaria o risco
de que alguns cursos fossem sub ou super-representados, o que geraria estimativas
pontuais distantes do parmetro, ainda que o intervalo de confiana continuasse vlido.
vide item 6.1.1
da Mdia (com tn1 aproximado por Z):
[X
AE
Z .S X AE , com X
AE
S 2j N j n j
1 k
1 k
2
2
2
2
= . N j . X j , S
= 2 . N j .S X j e S X =
;
.
X AE
j
nj
Nj
N j =1
N j =1
para Propores:
^
p AE Z .S p^ AE ,
S 2^
pj
com
p AE =
^
1 k
. N j . p j ,
N j =1
S 2^ =
p AE
1 k 2 2
. N j .S ^
pj
N 2 j =1
^
^
p j .1 p j
. (N j n j ) ;
=
nj 1
Nj
do Total (com tn1 aproximado por Z):
[N .X
AE
Z .N .S X AE , com N . X AE = N j . X
j =1
e N 2 .S 2
X AE
= N 2j .S X2 j ;
j =1
III. Alocao tima por Estrato do Tamanho da Amostra:
vide item 6.1.2
Para Mdias (com j conhecido):

nj =
N j . j
k
N
j =1
.n ;
. j
Para Duas Propores (com pj conhecido):

nj =
N j . p j .(1 p j )
k
N
j =1
. p j .(1 p j )
.n .
115
AMOSTRAGEM ALEATRIA POR CONGLOMERADOS UM NICO ESTGIO

I.
Utilidade:
A populao formada por subconjuntos semelhantes e os custos do trabalho de campo
so elevados p. ex., no caso de uma pesquisa que pretenda estimar a produtividade
mdia dos assentamentos criados pelo Ministrio do Desenvolvimento Agrrio,
possvel que os assentamentos possam ser agrupados em conjuntos geograficamente
compactos, mas suficientemente diversificados internamente para que os conjuntos
examinados possam ser tratados, a um custo menor, como representativos de toda
populao.
vide item 6.2.1
da Mdia (com tn1 aproximado por Z):

m
[X
AC
Z .S X AC < < X AC + Z .S X AC , com X
AC
N
j =1
.X
N
j =1
N .(X
m
2
S AC
=
j =1
2
j
X AC
, S2
S 2^
X AC
M m
m
N j
j
=1
M.
m
2
.S AC
e
2
.S AC
e
m 1
para Propores:
m
^
^
Z
.
S
<
p
<
p
, com
^
AC + Z .S ^
AC
p AC
p AC
p AC =
N
j =1
^
j
.pj
N
j =1
p AC
M m
m
N j
j =1
M.
m
^
^
N
.
p
p
j
AC
j =1
;
=
m 1
m
2
j
2
S AC
III. Determinao da Quantidade de Conglomerados da Amostra:

m=
116
2
M .S AC
0
2
N j
e 2 . j =1
S2
.
AC
2
M
Z
vide item 6.2.2
ANEXO IV
FORMULRIOS PARA AMOSTRAGENS
POR UNIDADE MONETRIA
118
FORMULRIOS PARA AMOSTRAGENS POR UNIDADE MONETRIA


FORMULRIO 1
Objeto(s) da Auditoria:
UG:
TC:
Objeto da Amostragem:
Perodo de:
Abrangncia: __/__/____ - __/__/____.
Realizao: __/__/____ - __/__/____.
Plano Amostral
Preparado por:
Matrcula:
Data: __/__/____.
Revisto por:
Matrcula:
Data: __/__/____.
PRECISO AMOSTRAL E AJUSTES ESTIMADOS
Erro Tolervel/Materialidade Ampla:
Materialidade Restrita:
Ajustes Arbitrados:
Erro Amostral Previsto:

Estimativa da Ampliao do Intervalo de Preciso:
Outros Ajustes:
Ajuste Total:
Erro Mximo Admitido:
Notas (premissas, precedentes ou ressalvas pertinentes):
119


FORMULRIO 2A
UG:
TC:
Perodo de:
Abrangncia: __/__/____ - __/__/____.
Realizao: __/__/____ - __/__/____.
Plano Amostral
Preparado por:
Matrcula:
Data: __/__/____.
Revisto por:
Matrcula:
Data: __/__/____.
DETERMINAO DO TAMANHO DA AMOSTRA
Populao (compras, salrios,

estoques, etc.)
(1) Materialidade Restrita

(2) Montante Registrado
(3) ndice de Confiabilidade (R)
(4) Tamanho da Amostra
[(2).(3)/(1)]
(5) Intervalo Amostral
[(2)/(4)]
Notas (incluses e expurgos pertinentes):
120


FORMULRIO 2B
UG:
TC:
Perodo de:
Abrangncia: __/__/____ - __/__/____.
Realizao: __/__/____ - __/__/____.
Plano Amostral
Preparado por:
Matrcula:
Data: __/__/____.
Revisto por:
Matrcula:
Data: __/__/____.
Populao (compras, salrios, estoques, etc.)

(3) ndice de Confiabilidade no (R)
[(2).(3)/(1)]
[(2)/(4)]
121


FORMULRIO 3
UG:
TC:
Perodo de:
Abrangncia: __/__/____ - __/__/____.
Realizao: __/__/____ - __/__/____.
Plano Amostral
Preparado por:
Matrcula:
Data: __/__/____.
Revisto por:
Matrcula:
Data: __/__/____.
ESTIMATIVA DO ERRO AMOSTRAL MXIMO
Valor
Item Registrado
(A)
Registros
superestimados
referentes a itens com
valores inferiores ao
do intervalo amostral
Registros
subestimados
referentes a itens com
valores inferiores ao
do intervalo amostral
Erro Lquido Observado na Amostra
Erro Lquido Extrapolado para a Populao
122
Erro
Auditado
Valor
Proporo
Ordem
(B)
(C) = [(A)(B)]
(D)=[(C)/(A)]
(1, 2, etc.)
Projetado
[(Intervalo
Amostral).(D)]


FORMULRIO 4
UG:
TC:
Perodo de:
Abrangncia: __/__/____ - __/__/____.
Realizao: __/__/____ - __/__/____.
Plano Amostral
Preparado por:
Matrcula:
Data: __/__/____.
Revisto por:
Matrcula:
Data: __/__/____.
ITENS CRTICOS OU COM VALORES ELEVADOS
Valor
Item Registrado Auditado
(A)
(B)
Erro
(C) = [(A)(B)]
Itens crticos ou com valores superiores ao intervalo

amostral
A) Superestimados
B) Subestimados
(utilizar formulrios distintos para valores superestimados e
subestimados)
Erro Total
123


FORMULRIO 5
UG:
TC:
Perodo de:
Abrangncia: __/__/____ - __/__/____.
Realizao: __/__/____ - __/__/____.
Plano Amostral
Preparado por:
Matrcula:
Data: __/__/____.
Revisto por:
Matrcula:
Data: __/__/____.
AMPLIAO DO INTERVALO DE PRECISO AIP
Ordem
(1, 2, etc.)
Registros
C) Superestimados
D) Subestimados
(utilizar formulrios distintos para valores
superestimados e subestimados)
AIP Total
124
Fator AIP Proporo

(A)
(B)
AIP
[(Intervalo
Amostral.(A).(B)]


FORMULRIO 6
UG:
TC:
Perodo de:
Abrangncia: __/__/____ - __/__/____.
Realizao: __/__/____ - __/__/____.
Plano Amostral
Preparado por:
Matrcula:
Data: __/__/____.
Revisto por:
Matrcula:
Data: __/__/____.
ERRO E PRECISO TOTAIS
Superestimados
Subestimados
Erro Provvel
(Formulrios 3 & 4)
Materialidade Restrita
(Formulrio 2)
Ampliao do Intervalo de Preciso

(Formulrio 5)
Limite Superior dos Erros (1)
Materialidade Ampla (2)
Diferena [(2)-(1)]
Diferena Aceitvel?
Sim
No
Sim
No
125
126
ANEXO V
APLICAO DA AMOSTRAGEM
POR UNIDADE MONETRIA
128
APLICAO DA AMOSTRAGEM POR UNIDADE MONETRIA


FORMULRIO 1
Objeto(s) da Auditoria: XYZ
UG: ?????
TC: ???.???/1999-?
Objeto da Amostragem: CADASTRO DE COMPRAS
Perodo de:
Abrangncia: 01/01/1997 - 31/12/1998.
Realizao: 25/01/1999 - 01/03/1999.
Plano Amostral
Preparado por: UVW
Matrcula: ????-?
Data: 15/12/1998.
Revisto por: RST
Matrcula: ????-?
Data: 20/01/1999.
PRECISO AMOSTRAL E AJUSTES ESTIMADOS
100.000,00
Erro Tolervel/Materialidade Ampla:
95.000,00
Materialidade Restrita:
Ajustes Arbitrados:
Erro Amostral Previsto:
Estimativa da Ampliao do Intervalo de Preciso:
Outros Ajustes:
5.000,00
5.000,00
Ajuste Total:
Erro Mximo Admitido:
100.000,00
Notas (premissas, precedentes ou ressalvas pertinentes):

A) Materialidade Ampla: maior diferena entre os montantes registrado e estimado admitido pela
equipe de auditoria ou pelo rgo encarregado da auditoria;
B) Materialidade Restrita: diferena entre a materialidade ampla e os ajustes arbitrados pela
equipe de auditoria;
C) Ajustes Arbitrados: maior diferena entre os montantes registrado e estimado indicada pelos
resultados amostrais; seus componentes (erro amostral previsto, estimativa da ampliao do
intervalo de preciso e outros ajustes) so arbitrados pela equipe de auditoria com base em
trabalhos anteriores ou de propores fixadas pelo rgo encarregada da auditoria (no presente
exemplo: 0,25% do montante registrado).
129


FORMULRIO 2
UG: ?????
TC: ???.???/1999-?
Perodo de:
Abrangncia: 01/01/1997 - 31/12/1998.
Realizao: 25/01/1999 - 01/03/1999.
Plano Amostral
Preparado por: UVW
Matrcula: ????-?
Data: 15/12/1998.
Revisto por: RST
Matrcula: ????-?
Data: 20/01/1999.
Populao (compras, salrios, estoques, etc.)

(3) ndice de Confiabilidade
[(2).(3)/(1)]
[(2)/(4)]
COMPRAS
95.000,00
2.000.000,00
3,00
64
31.250,00

O montante registrado abrange 500 operaes de compra. Os valores de cinco delas so superiores
ao intervalo amostral.
130


FORMULRIO 3
UG: ?????
TC: ???.???/1999-?
Perodo de:
Abrangncia: 01/01/1997 - 31/12/1998.
Realizao: 25/01/1999 - 01/03/1999.
Plano Amostral
Preparado por: UVW
Matrcula: ????-?
Data: 15/12/1998.
Revisto por: RST
Matrcula: ????-?
Data: 20/01/1999.
ESTIMATIVA DO ERRO AMOSTRAL MXIMO
Valor
Item Registrado
Erro
Auditado
Valor
Proporo
Ordem
(B)
(C) = [(A)(B)]
(D)=[(C)/(A)]
(1, 2, etc.)
(A)
Extrapolao
[(Intervalo
Amostral).(D)]
Registros
superestimados
referentes a itens
com valores
inferiores ao do
intervalo amostral
35
2.000,00
1.800,00
200,00
0,10
3.125,00
Registros
subestimados
referentes a itens
com valores
inferiores ao do
intervalo amostral
29
2.500,00
2.600,00
(100,00)
0,04
(1.250,00)
57
4.000,00
4.200,00
(200,00)
0,05
(1.562,50)
Erro Lquido Observado na Amostra
Erro Lquido Extrapolado para a Populao
(100,00)
312,50
131


FORMULRIO 4
UG: ?????
TC: ???.???/1999-?
Perodo de:
Abrangncia: 01/01/1997 - 31/12/1998.
Realizao: 25/01/1999 - 01/03/1999.
Plano Amostral
Preparado por: UVW
Matrcula: ????-?
Data: 15/12/1998.
Revisto por: RST
Matrcula: ????-?
Data: 20/01/1999.
ITENS CRTICOS OU COM VALORES ELEVADOS
Valor
Item Registrado Auditado
(A)
Itens crticos ou com valores superiores ao intervalo

amostral
13
43.125,00
(B)
42.625,00
Erro
(C) = [(A)(B)]
500,00
E) Superestimados
F) Subestimados
(utilizar formulrios distintos para valores superestimados e
subestimados)
Erro Total
132
500,00


FORMULRIO 5
UG: ?????
TC: ???.???/1999-?
Perodo de:
Abrangncia: 01/01/1997 - 31/12/1998.
Realizao: 25/01/1999 - 01/03/1999.
Plano Amostral
Preparado por: UVW
Matrcula: ????-?
Data: 15/12/1998.
Revisto por: RST
Matrcula: ????-?
Data: 20/01/1999.
Ordem
(1, 2, etc.)
Registros
Fator AIP Proporo

(A)
0,75
(B)
0,10
AIP
[(Intervalo
Amostral.(A).(B)]
2.343,75
G) Superestimados
H) Subestimados
AIP Total
2.343,75
133


FORMULRIO 5
UG: ?????
TC: ???.???/1999-?
Perodo de:
Abrangncia: 01/01/1997 - 31/12/1998.
Realizao: 25/01/1999 - 01/03/1999.
Plano Amostral
Preparado por: UVW
Matrcula: ????-?
Data: 15/12/1998.
Revisto por: RST
Matrcula: ????-?
Data: 20/01/1999.
Ordem
(1, 2, etc.)
Registros
I)
Fator AIP Proporo

(A)
(B)
AIP
[(Intervalo
Amostral.(A).(B)]
0,75
0,05
(1.171,87)
0,55
0,04
(687,50)
Superestimados
J) Subestimados
AIP Total
134
(1.859,37)


FORMULRIO 6
UG: ?????
TC: ???.???/1999-?
Perodo de:
Abrangncia: 01/01/1997 - 31/12/1998.
Realizao: 25/01/1999 - 01/03/1999.
Plano Amostral
Preparado por: UVW
Matrcula: ????-?
Data: 15/12/1998.
Revisto por: RST
Matrcula: ????-?
Data: 20/01/1999.
ERRO E PRECISO TOTAIS
Superestimados
Subestimados
312,50
312,50
Erro Provvel
(Formulrios 3 & 4)
500,00
Materialidade Restrita
(Formulrio 2)
Ampliao do Intervalo de Preciso

(Formulrio 5)
Limite Superior dos Erros (1)
Materialidade Ampla (2)
Diferena [(2)-(1)]
Diferena Aceitvel?
Sim
95.000,00
(95.000,00)
2.343,75
(1.859,37)
98.156,25
(96.546,87)
100.000,00
(100.000,00)
1.843,75
(3.453,13)
No
Sim
No
135
136
GLOSSRIO
AMOSTRA: subconjunto de elementos da populao selecionado para anlise; a

quantidade de elementos da amostra (i. e., tamanho da amostra) usualmente denotada
como n, enquanto que a quantidade de elementos da populao geralmente denotada como
N.
AMOSTRA ALEATRIA: amostra cujos elementos so selecionados aleatoriamente,
podendo-se computar a probabilidade de que uma amostra em particular seja obtida; a
seleo pode ser com ou sem reposio, ou seja, os elementos podem ser selecionados
simultaneamente ou um por vez, devolvendo-se populao, aps cada seleo, o elemento
selecionado; no caso da seleo com reposio, elementos da populao podem integrar a
amostra mais de uma vez.
APROXIMAO PELA NORMAL: mensurao aproximada das reas sob um
histograma (i. e., plotagem da distribuio de freqncias relativas de uma varivel
aleatria) por meio das reas correspondentes definidas pela curva normal, aps a
transformao dos valores originais em unidades-padro; diversas distribuies de
probabilidades podem ser aproximadas por intermdio da distribuio normal (p. ex.: no
intervalo [9,5; 17,5], a rea definida pelo histograma de uma distribuio binomial com
n = 50 e p = 0,3 igual a 0,742; no caso da distribuio normal, esse intervalo corresponde a
(9,5 50.0,3) 50.0,3.(1 0,3) ; (17,5 50.0,3) 50.0,3.(1 0,3) = [ 1,697; 0,772] , ao qual est
associado uma rea igual a 0,735 apenas um pouco inferior ao valor correto, portanto;
convm notar que a aproximao ser to melhor quanto maior for n e mais prximo de 0,5
for p).
CORREO PARA POPULAES FINITAS: no caso de amostragens sem reposio,

os erros-padro dos totais e das mdias amostrais dependem da frao da populao includa
na amostra maior a frao, menor o erro-padro; o erro-padro nas amostragens sem
reposio inferior ao erro-padro nas amostragens com reposio, com a diferena
correspondendo ao fator de correo para populaes finitas (CPF), qual seja,
(N n ) (N 1) com n = 1, as duas modalidades de amostragem so equivalentes, o que
torna os erros-padro iguais (CPF = 1), enquanto que, com n = N, a amostra selecionada
sem reposio confunde-se com a prpria populao, de modo que as estimativas so iguais
aos parmetros, no havendo qualquer variao, ou seja, o erro-padro igual a zero
(CPF = 0).
DADOS: informaes numricas relevantes para a tomada de deciso em um contexto

especfico.
DEFINIO OPERACIONAL: atribuio de um significado a um conceito ou varivel
que possa ser entendido por todos.
DISTRIBUIO: modo como se distribuem as freqncias relativas dos valores
associados a um conjunto de observaes.
DISTRIBUIO ACUMULADA DE PROBABILIDADES: modo como se acumulam,

para cada possvel resultado xi da varivel aleatria X, as observaes cujos valores sejam
iguais ou inferiores [P(X xi)]; a distribuio igual a zero para valores suficientemente
baixos e igual a um para valores suficientemente altos; o grfico correspondente cresce
monotonicamente se x1 < x2, ento P(X x1) P(X x2).
DISTRIBUIO AMOSTRAL: distribuio das estimativas geradas por amostras
aleatrias.
DISTRIBUIO DE PROBABILIDADES: especificao da probabilidade de que uma
varivel aleatria X assuma cada um dos seus possveis resultados xi, no caso de variveis
discretas [P(X = xi)], ou de que esteja compreendida em qualquer intervalo [x1; x2] do
segmento de possveis resultados, no caso de variveis contnuas [P(x1 < X < x2)].
DISTRIBUIO DE PROBABILIDADES UNIFORME: todos os possveis resultados
da varivel aleatria tm a mesma probabilidade de ocorrer.
DISTRIBUIO NORMAL: uma varivel aleatria X, com mdia e desvio-padro ,
normalmente distribuda [X ~ N(, 2)] se P[x1 < ( X ) < x2 ] , para x1 < x2, corresponder
rea sob a curva normal compreendida no intervalo [x1; x2]; caso e sejam iguais a zero e
a um, respectivamente, tem-se que X apresenta uma distribuio normal padronizada, ou
seja, X ~ N(0, 1).
ELEMENTO: componente de um conjunto de dados.
ERRO ALEATRIO: erro que, ao contrrio do vis, afeta as estimativas de forma
diferente a cada medio; comporta-se como um nmero selecionado, aleatoriamente e com
reposio, de um conjunto de valores cuja mdia igual a zero.
ESPAO OU CADASTRO AMOSTRAL: conjunto de dados a partir do qual a amostra
selecionada; idealmente, o cadastro contm toda a populao acerca da qual se deseja fazer
inferncias.
ESPAO DOS POSSVEIS RESULTADOS: conjunto de todos os possveis resultados
de um experimento aleatrio (i.e., experimento cujo resultado, em uma nica tentativa, no
pode ser previsto com exatido, mas cujas freqncias relativas de longo prazo, para
sucessivas repeties, so previsveis).
ESTATSTICA: medida estimada a partir de uma amostra que exprime uma caracterstica
da populao.
ESTATSTICA DESCRITIVA: mtodos de coleta, apresentao e caracterizao de um
conjunto de dados que permitam descrever apropriadamente vrios dos seus aspectos.
ESTIMADOR: regra cujo objetivo seja gerar, a partir de amostras aleatrias, estimativas
acerca dos parmetros (p. ex., a mdia amostral x um estimador da mdia populacional
); uma varivel aleatria, pois seus resultados dependem das amostras que forem
selecionadas; idealmente, no deve ser viesado e a sua varincia deve ser pequena, podendose avali-lo por meio do erro-mdio quadrtico (EMQ)27, o qual igual ao valor esperado do
quadrado da diferena entre o estimador (p. ex., x ) e o parmetro (p. ex., ), ou seja,
27
Mean Square Error (MSE), na lngua inglesa.

138
EXEMPLO DA APLICAO DA AMOSTRAGEM POR UNIDADE MONETRIA
()
[(
EMQ x = x j
j =1
k , com k igual quantidade de estimativas (i.e., o EMQ uma
medida da acurcia do estimador e tambm pode ser expresso da seguinte maneira:

EMQ( x ) = [vis( x )]2 + [erro-padro( x )]2).
EVENTO: subconjunto do espao de possveis resultados que contenha resultados
efetivamente observados (p. ex., se A um subconjunto do espao de possveis resultados
de uma varivel aleatria, ento A um evento caso o resultado efetivamente observado
pertena a A).
FUNO DE DISTRIBUIO DE PROBABILIDADES: representao matemtica da
distribuio de uma varivel aleatria discreta.
FUNO DENSIDADE DE PROBABILIDADE: funo matemtica cuja rea sob a
curva correspondente define as probabilidades de que os resultados de uma varivel
aleatria contnua estejam compreendidos em intervalos do segmento de possveis
resultados para toda varivel aleatria X, h uma funo densidade de probabilidade f(X)
tal que P(x1 < X < x2), para x1 < x2, corresponda rea compreendida no intervalo [x1; x2].
INFERNCIA ESTATSTICA: mtodos que permitem estimar caractersticas de uma
populao ou tomar decises com base em resultados amostrais.
INTERVALO DE CONFIANA: intervalo aleatrio cuja probalidade de que contenha o
verdadeiro valor do parmetro conhecida.
LEI DOS GRANDES NMEROS: no caso de repeties sucessivas e independentes de
^
experimentos aleatrios, com igual probabilidade p de sucesso, a probabilidade amostral p

ser to mais prxima de p quanto maior for a quantidade de repeties; a probabilidade de
^
que a diferena entre p e p seja maior do que um valor positivo e converge para zero
medida que a quantidade de repeties tende ao infinito.
MODELO: representao estilizada de um fenmeno.
MODELO MATEMTICO: representao matemtica de um fenmeno.
NO-RESPOSTA: diferena entre a quantidade de consultas feitas (p. ex., questionrios
enviados, telefonemas feitos, etc.) e a quantidade de consultas respondidas (p. ex.,
questionrios devolvidos, telefonemas atendidos, etc.).
NVEL DE CONFIANA: probabilidade de que o intervalo de confiana contenha o
verdadeiro valor do parmetro.
PARMETRO: propriedade numrica de uma populao, como a sua mdia.
POPULAO OU UNIVERSO: conjunto de elementos visado por uma pesquisa, os quais
podem ser pocas, lugares, objetos, pessoas, procedimentos, etc.
TAXA DE NO-RESPOSTA: razo entre as quantidades de consultas no-respondidas e
de consultas feitas; caso essa taxa seja alta, a pesquisa conter um vis de no-resposta
elevado.
139
TIPOS DE AMOSTRAGEM: as tcnicas de amostragem podem ser classificadas de

vrias maneiras, quais sejam:
a)
b)
c)
d)
e)
quanto diviso em estratos: estratificada ou no-estratificada;

quanto quantidade de estgios: um estgio ou mais de um;
quanto unidade amostral: um elemento ou um conglomerado;
quanto ao processo de seleo das unidades amostrais: aleatria ou sistemtica;
quanto s probabilidades de seleo das unidades amostrais: probabilidades iguais ou
desiguais.
UNIDADE AMOSTRAL: unidade fundamental de uma amostra.

VALOR ESPERADO OU ESPERANA MATEMTICA: limite de longo prazo da
mdia dos resultados observados em repeties sucessivas e independentes de experimentos
aleatrios; no caso de variveis discretas, esse limite corresponde mdia dos possveis
resultados, ponderados pela respectiva freqncia relativa; o valor esperado de uma varivel
aleatria X denotado como E(X).
VARIVEL: valor ou categoria que possa diferir de observao para observao.
VARIVEL ALEATRIA: atribuio de valores aos possveis resultados de um
experimento aleatrio (p. ex., no arremesso de trs moedas, a quantidade de caras que
podem ser observadas uma varivel aleatria, atribuindo-se o valor 0 ao resultado
{coroa, coroa, coroa}, o valor 1 aos resultados {coroa, coroa, cara}, {coroa, cara, coroa} e
{cara, coroa, coroa}, o valor 2 aos resultados {coroa, cara, cara}, {cara, coroa, cara} e
{cara, cara, coroa} e o valor trs ao resultado {cara, cara, cara}).
VARIVEL ALEATRIA CONTNUA: varivel numrica cujo conjunto de possveis
resultados incontvel (p. ex., altura exata, idade exata, incluindo fraes de segundo,
temperatura, etc.).
VARIVEL ALEATRIA DISCRETA: varivel numrica cujo conjunto de possveis
resultados contvel (p. ex., variveis cujos possveis resultados so um subconjunto dos
nmeros inteiros, tais como: idades arredondadas para o valor inteiro mais prximo,
nmeros das cdulas de identidade, tamanhos das famlias, etc.).
VARIVEL CATEGRICA OU ATRIBUTO: varivel cujos resultados correspondam a
categorias, tais como: {alto, baixo}, {feminino, masculino}, {vermelho, verde, azul},
{Amazonas, Cear, Gois e So Paulo}, etc.
VIS: diferena sistemtica, deliberada ou no, entre as estimativas e o parmetro (p. ex.:
uma pessoa que sempre se pese estando vestida obter medidas sistematicamente superiores
ao seu peso correto, introduzindo um vis para cima nas estimativas).
VIS DA NO-RESPOSTA: vis decorrente de diferenas existentes entre os
respondentes e os no-respondentes em aspectos relevantes para a pesquisa (p. ex., uma
pesquisa por telefone que deseje estimar a durao mdia da jornada de trabalho poderia,
inadvertidamente, ignorar as pessoas que trabalham at mais tarde, o que introduziria um
vis para baixo nas estimativas).
140
BIBLIOGRAFIA
Principal
ADAMS, Roger; REGAL, Richard. TCU Auditing Seminar Programme. Braslia, 1995.
(Mimeo.)
BERNSTEIN, Peter. Against the Gods: the remarkable story of risk. Nova Iorque : John
Wiley & Sons, 1996.
BOLFARINE, Heleno; BUSSAB, Wilton O. Elementos de Amostragem. Belo Horizonte,
1994. (11 Simpsio Nacional de Probabilidade e Estatstica. Mimeo.)
BORRIES, George F. Estatstica Aplicada e Noes de Amostragem. Braslia, 1997.
(Mimeo.)
COCHRAN, William. Sampling Techniques. 3 ed. Nova Iorque : John Wiley & Sons,
1977. (Wiley Series in Probability and Mathematical Statistics).
DAMASCENO, Paula de B.; PACHECO, Mrcio E. Tcnica de Amostragem. In:
Auditoria Pblica. Rio de Janeiro, 1998, p. 54-70. (Curso de Ps-Graduao em
Contabilidade Pblica da Fundao Getlio Vargas - RJ. Mimeo.)
FONSECA, Jairo S. da; MARTINS, Gilberto de A. Curso de Estatstica. 3 ed. So Paulo :
Atlas, 1982.
LEVINE, David M.; BERENSON, Mark L.; STEPHAN, David. Statistics for Managers
Using Microsoft Excel. New Jersey : Prentice Hall, 1997.
MCGILL, John J. Statistics for Managers Using Microsoft Excel: Microsoft PowerPoint
slides. New Jersey : Prentice Hall, 1997. (Meio Magntico.)
NEWBOLD, Paul. Statistics for Business and Economics. 4 ed. New Jersey : Prentice
Hall, 1995.
PLATEK, R.; SINGH, M. P.; TREMBLAY, V. Adjustment for Nonresponse in Surveys.
In: NAMBOODIRI, N. Krishnan (Org.). Survey Sampling and Measurement. Nova
Iorque : Academic Press, 1978, p. 157-74.
SCHEAFFER, Richard; MENDENHALL, William; OTT, Lyman. Elementary Survey
Sampling. 4 ed. Belmont : Duxbury, 1990.
SOUZA, Jorge de. Pesquisa Eleitoral: crticas e tcnicas. Braslia, 1990.
SPIEGEL, Murray R. Estatstica. So Paulo : McGraw-Hill, 1976
STEVENSON, William. Estatstica Aplicada Administrao. So Paulo : Harbra, 1986.
TOLEDO, Geraldo L.; OVALLE, Ivo I. Estatstica Bsica. 2 ed. So Paulo : Atlas, 1985.
Complementar
ANDERSON, R. J.; TEITLEBAUM, A. Dollar Unit Sampling. CA Magazine, Abril/1973,
p. 30-9.
ARKIN, Herbert. Handbook of Sampling for Auditing and Accounting. 2 ed. Nova
Iorque : McGraw-Hill, 1974. (McGraw-Hill Accounting Series.)
COMMISSION on Audit. Comprehensive Audit Manual on COA Sampling-Card
Methodology: concepts and application guidelines. Manila, 1985.
EFRON, Bradley. The Jackknife, the Bootstrap and Other Resampling Plans.
Philadelphia : Society for Industrial and Applied Mathematics, 1982. (Regional
Conference Series in Applied Mathematics.)
GENERAL Accounting Office. Using Statistical Sampling. Washington, 1992.
GOVERNMENT Auditing Training Institute. Statistical Sampling Using Computer
Applications. Washington, 1995.
HORVITZ, D. G. Some Design Issues in Sample Surveys. In: NAMBOODIRI, N.
Krishnan (Org.). Survey Sampling and Measurement. Nova Iorque : Academic
Press, 1978, p. 3-11.
LANPHIER, C. Michael; BAILAR, Barbara A. A Survey of Surveys: some sampling
frame problems. In: NAMBOODIRI, N. Krishnan (Org.). Survey Sampling and
Measurement. Nova Iorque : Academic Press, 1978, p. 67-85.
LOYNES, R. A Critical Review of Monetary Sampling and the Stringer Bound.
Sheffield : University of Sheffield, 1994.
MURTHY, M. N. Use of Sample Surveys in National Planning in Developing Countries.
In: NAMBOODIRI, N. Krishnan (Org.). Survey Sampling and Measurement. Nova
MURTHY, M. N.; RAO, T. J. Systematic Sampling with Illustrative Examples. In:
KRISHNAIAH, P. R.; RAO, C. R. (Org.). Handbook of Statistics, v. 6. Amsterd :
Elsevier Science, 1988, p. 147-85.
NATIONAL Audit Office. Collecting, Analysing and Presenting Data: how software
can help. Londres, 1996.
__________. Financial Audit Planning. Londres, s.d. (Mimeo.)
RAO, Poduri S. R. S. Ratio and Regression Estimators. In: KRISHNAIAH, P. R.; RAO,
C. R. (Org.). Handbook of Statistics, v. 6. Amsterd : Elsevier Science, 1988, p. 44968.
SNELLING, J. Use of Sampling: value for money studies. Londres : National Audit
Office, 1992.
SUDMAN, Seymour. How Big Should a Sample Be?. In: Applied Sampling. Nova
TOWS, J.; SNELLING, J. Designing and Carrying out a Survey. Londres : National
Audit Office, 1991.
142
FOLHA DE SUGESTES
O TCU preocupa-se com o constante aperfeioamento da qualidade de seus

manuais e orientaes, buscando, para isso, ouvir a valiosa opinio do pblico-alvo dos
referidos trabalhos.
O questionrio a seguir refere-se especificamente s Tcnicas de Amostragem
para Auditorias, distribudas a partir de maro de 2002. Ser muito til para o TCU se o
leitor deste documento puder dispor de alguns minutos para responder s perguntas
constantes no referido questionrio e envi-lo pelos Correios (no preciso selar, pois o
porte ser pago pelo TCU).
Sugestes sobre este documento tambm podem ser enviadas das seguintes
formas:
E-mail: adfis@tcu.gov.br
Fax: (61) 316-7538
Fone: (61) 316-7311
Endereo: Tribunal de Contas da Unio TCU
ADFIS
Setor de Administrao Federal Sul Lote 01
CEP: 70042-900 Braslia-DF
144

QUESTIONRIO DE AVALIAO
FINALIDADE
Este questionrio de avaliao tem por objetivo obter a opinio dos leitores sobre as Tcnicas de Amostragem para Auditorias, com vistas ao
seu aperfeioamento.
Por favor, responda s questes abaixo assinalando com um X a alternativa mais adequada. Desde j agradecemos a sua colaborao.
1. Em que esfera do governo voc trabalha?
Federal
Estadual ou DF
Municipal
Poder Judicirio
Controle Interno
Outro [especificar] ________________
2. Em que rgo voc trabalha?

Poder Legislativo
Poder Executivo
3. Que partes das Tcnicas de Amostragem para Auditorias voc leu?

Todo
Captulos I e II [todo ou
parte]
Captulos III e IV [todo

ou parte]
Captulos V e VI [todo
ou parte]
Captulos VII e VIII

[todo ou parte]
4. Leia com ateno cada indicador e escolha o ponto da escala que melhor descreve a sua opinio sobre as Tcnicas de Amostragem para
Auditorias. Marque com um X a opo que melhor representa o seu julgamento.
Concorda integralmente
5
O manual :
Fcil de ser lido
Fcil de ser entendido
Lgico
Sucinto
Completo
til
Concorda
4
Indiferente
3
5
Discorda
2
3
Discorda integralmente
1
2
5. Como voc tomou conhecimento das Tcnicas de Amostragem para Auditorias?

Quando recebeu
Divulgao interna do TCU
Por mensagem do SIAFI
Pela Internet
Pela imprensa
Outros [especificar] _______________________
6. Como voc obteve das Tcnicas de Amostragem para Auditorias?

Solicitou diretamente ao TCU
Download pela Internet
Outros [especificar] ________________
7. Apresente, a seguir, comentrios e sugestes para o aprimoramento da qualidade das Tcnicas de Amostragem para Auditorias. No caso de
sugestes para alterao/supresso/aditamento de itens de verificao, favor preencher o quadro anexo.

QUADRO DE SUGESTES
FINALIDADE
Este quadro de sugestes tem por objetivo obter a opinio dos leitores sobre as Tcnicas de Amostragem para Auditorias, com vistas ao seu
aperfeioamento.
N do item
Proposta de alterao, supresso ou aditamento
Fundamentao
PTR/BSB
880/92
UP-AC/TCU
DR/BSB
CARTA - RESPOSTA
NO NECESSRIO SELAR
70099-999
O SELO SER PAGO POR

BRASLIA-DF
UNIDADES DA SECRETARIA DO TRIBUNAL DE CONTAS DA UNIO

Secretaria da Presidncia
Consultoria Jurdica
Instituto Serzedello Corra
Secretaria de Controle Interno
Secretaria de Planejamento e Gesto
Secretaria de Tecnologia da Informao
Assessoria de Cerimonial e Relaes Institucionais
Assessoria de Comunicao Social
Assessoria de Relaes Internacionais
Assessoria Parlamentar
Secretaria-Geral das Sesses
Secretaria do Plenrio
Secretaria-Geral de Administrao
Secretaria de Recursos Humanos
Secretaria de Oramento, Finanas e Contabilidade
Secretaria de Material, Pat. e Com. Administrativa
Secretaria de Engenharia e Servios Gerais
Secretaria-Adjunta de Contas
Secretaria de Fiscalizao de Desestatizao
Secretaria de Fiscalizao de Pessoal
Secretaria de Fiscalizao de Obras e Pat. da Unio
Secretaria de Fiscalizao e Aval. de Prog. de Governo
Secretaria de Macroavaliao Governamental
Secretaria de Recursos
1 Secretaria de Controle Externo
Secretaria de Controle Externo/AC
Secretaria de Controle Externo/AL
Secretaria de Controle Externo/AP
Secretaria de Controle Externo/AM
Secretaria de Controle Externo/BA
Secretaria de Controle Externo/CE
Secretaria de Controle Externo/ES
Secretaria de Controle Externo/GO
Secretaria de Controle Externo/MA
Secretaria de Controle Externo/MT
Secretaria de Controle Externo/MS
Secretaria de Controle Externo/MG
Secretaria de Controle Externo/PA
Secretaria de Controle Externo/PB
Secretaria de Controle Externo/PR
Secretaria de Controle Externo/PE
Secretaria de Controle Externo/PI
Secretaria de Controle Externo/RJ
Secretaria de Controle Externo/RN
Secretaria de Controle Externo/RS
Secretaria de Controle Externo/RO
Secretaria de Controle Externo/RR
Secretaria de Controle Externo/SC
Secretaria de Controle Externo/SP
Secretaria de Controle Externo/SE
Secretaria de Controle Externo/TO
Paulo Emlio Lustosa

Jos Moacir Cardoso da Costa
Salvatore Palumbo
Leila Fonseca dos Santos V. Ferreira
Mauro Giacobbo
Cludio Silva da Cruz
Erivan Carlos de Carvalho
Francisco Raul Flix de Souza Ramos
Ana Beatriz Pascal Kraft
Severino Lucena da Nbrega
Eugnio Lisboa Vilar de Melo
Elenir Teodoro Gonalves dos Santos
Antnio Jos Ferreira da Trindade
Cludia de Faria Castro
Pedro Martins de Sousa
Ary Fernando Beiro
Alfredo Henrique Bauchspiess
Ricardo de Mello Arajo
Cludio Souza Castello Branco
Jorge Pereira de Macedo
Antonio Jlio Ferreira
Cludio Sarian Altounian
Marlia Zinn Salvucci
Paulo Roberto Pinheiro Dias Pereira
Odilon Cavallari de Oliveira
Rosendo Severo dos Anjos Neto
Eduardo Duailibe Murici
Carlos Nivan Maia
Maria do P. Socorro Teixeira Rosa
Alexandre Valente Xavier
Ismar Barbosa Cruz
Joo Batista Diniz Capanema
Edimilson Monteiro Batista
Jorge Luiz Carvalho Lugo
Helena Montenegro Valente
Evilsio Magalhes Vieira
Paulo Nogueira de Medeiros
Raimundo Nonato Coutinho
Rosngela Paniago Curado Fleury
Jos Maria Arajo Lima
Luiz Guilherme da Boamorte Silveira
Mrio Jnior Bertuol
lsio Geov dos Santos
Octvio Jos Pessoa Ferreira
Raimundo Nonato Soares Arajo
Nazar do Socorro G. Rosrio Zuardi
Ild Ramos Rodrigues
Jos Ulisses Rodrigues Vasconcelos
Francisco Carlos Ribeiro de Almeida
Marcos Valrio de Arajo
Carlos Martins dos Santos
Fbio Arruda de Lima
Rainrio Rodrigues Leite
Rafael Blanco Muniz
Eloi Carnovali
Maria Salete Fraga Silva Palma
Dion Carvalho Gomes de S

Amostragem em Auditoria

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Amostragem em Auditoria

Enviado por

Direitos autorais:

Formatos disponíveis

TRIBUNAL DE CONTAS DA UNIO

Secretaria-Geral de Controle Externo

TRIBUNAL DE CONTAS DA UNIO

TRIBUNAL DE CONTAS DA UNIO

Braslia, maro de 2002.

Tribunal de Contas da Unio

Secretrio-Geral de Controle Externo:

Luciano Carlos Batista

Cludio Souza Castello Branco

Analistas de Finanas e Controle Externo - rea de Controle Externo:

Carlos Alexandre Amorim Rocha

Brasil. Tribunal de Contas da Unio.

Este documento complementa orientaes constantes do Manual de Auditoria de

Luciano Carlos Batista

TCNICAS DE AMOSTRAGEM PARA AUDITORIAS

LISTA DE FIGURAS...................................................................................................... vii

6. VARIANTES DA AMOSTRAGEM ALEATRIA SIMPLES..................................65

1.1. Amostragem Aleatria Simples....................................................................................16

3.1. Aplicaes da Distribuio Binomial ...........................................................................29

3.1. Aplicao da Distribuio de Poisson ..........................................................................32

cada vez mais comum o uso de tcnicas de amostragem pelos rgos

TCNICAS DE AMOSTRAGEM PARA AUDITORIAS

participao no TCU Auditing Seminar, ministrado, em novembro de 1995,

finalizao deste trabalho em setembro de 2001, incorporando-se quase todas

Inegavelmente, trata-se de um perodo de maturao longo. A publicao de um

Naturalmente, compete ao redator a responsabilidade pelas falhas remanescentes.

TCNICAS DE AMOSTRAGEM PARA AUDITORIAS

Em auditoria, as tcnicas de amostragem visam coletar e avaliar evidncias

1.1. Inferncia Estatstica

TCNICAS DE AMOSTRAGEM PARA AUDITORIAS

1.2. Principais Tipos de Amostragem Probabilstica

1.2.1. Introduo Amostragem Aleatria Simples

Fonte: McGill, 1997.

O elemento-chave de qualquer estratgia amostral a obteno e manuteno de

1.2.2. Introduo Amostragem Aleatria Estratificada

Fonte: McGill, 1997.

TCNICAS DE AMOSTRAGEM PARA AUDITORIAS

A amostragem estratificada apresenta as seguintes vantagens:

1.2.3. Introduo Amostragem Aleatria por Conglomerados

Selecionar conglomerados aleatoriamente.

Fonte: McGill, 1997.

Quando os conglomerados so compostos por uma grande quantidade de

1.3. Plano Amostral

TCNICAS DE AMOSTRAGEM PARA AUDITORIAS

2. PROPRIEDADES DOS DADOS NUMRICOS

Em geral, os pesquisadores procuram desenvolver instrumentos destinados a

Fonte: McGill, 1997.

2.1. Medidas de Tendncia Central

TCNICAS DE AMOSTRAGEM PARA AUDITORIAS

a) Mdia Aritmtica Populacional () e Amostral ( X ): dado um conjunto de n

UTILIZANDO O MICROSOFT EXCEL: =MDIA(nm1;nm2;...).

UTILIZANDO O MICROSOFT EXCEL:

PROPRIEDADES DOS DADOS NUMRICOS

sima posio da seqncia, o qual separa os primeiros 25% das

O terceiro quartil (Q3) definido pelo valor correspondente 3.

sima posio da seqncia, o qual separa os primeiros 75% das

geraro nmeros inteiros. Nesse caso, h trs possibilidades:

caso n seja mltiplo de 4, o quartil desejado ser dado pela posio

UTILIZANDO O MICROSOFT EXCEL: VIDE TABELA A.1, ANEXO I.

2.2. Medidas de Variao

TCNICAS DE AMOSTRAGEM PARA AUDITORIAS

quadrado da diferena entre cada observao e a mdia ( ou X ) dividido,

UTILIZANDO O MICROSOFT EXCEL: =VARP(nm1;nm2;...).