Renato Nogueirol Lobo

Probabilidade e
Estatística
Sumário
CAPÍTULO 1 – Como Planejar uma Pesquisa Estatística e Quais são Tipos de Amostragens?...05

Introdução.....................................................................................................................05

1.1 Introdução a Estatística..............................................................................................05

1.1.1 Desenvolvimento da Estatística...........................................................................06

1.1.2 Fundamentos básicos da estatística....................................................................08

1.2 Técnicas de Levantamento de dados............................................................................12

1.2.1 Os principais métodos......................................................................................12

1.3 Amostragem aleatória simples e aleatória estratificada..................................................15

1.3.1 Amostragem Aleatória Simples...........................................................................15

1.3.2 Amostragem aleatória estratificada.....................................................................16

1.4 Amostragem por conglomerado e amostragem não-probabilística .................................17

1.4.1 Amostragem por conglomerado.........................................................................17

1.4.2 Amostragem não-probabilística..........................................................................17

Síntese...........................................................................................................................20

Referências Bibliográficas.................................................................................................21

03
Capítulo 1 Como Planejar uma
Pesquisa Estatística e Quais
são Tipos de Amostragens?
Introdução
Você já parou para pensar em como é feita uma pesquisa eleitoral, na qual o resultado corres-
ponde ao percentual de votos de cada candidato? Quantos de nós já fomos entrevistados na rua
por conta de uma eleição ou de uma pesquisa de satisfação? Saiba que os entrevistados passam
a representar toda uma população, e para que o resultado seja representativo, existem técnicas
específicas de levantamento de dados.

Outra questão: você saberia dizer qual a proporção do número de mulheres em relação ao núme-
ro de homens no planeta? Para conseguirmos esta informação, utilizaremos a estatística, pois nin-
guém vai sair contando homens e mulheres por aí, não é verdade? Tal empreitada nunca teria fim.

Já no âmbito empresarial, referem-se à atividade de inspeção de produtos como controle de quali-

dade, pois trata-se de uma garantia única de qualidade. Saiba que o controle de qualidade abrange
não só a fiscalização, mas também o planejamento da qualidade, controles de processos, controle
de material de entrada, análise e ação de correção dos defeitos e relatórios de qualidade.

Mas qual seria a definição mais apropriada para controle de qualidade? Bem, podemos dizer
que se trata de um sistema para a verificação e manutenção de um nível desejado de qualidade
em um produto ou processo. Nesse sistema, deve haver um planejamento cuidadoso, utilização
do equipamento adequado, inspeção contínua e ações corretivas quando necessário.

Neste capítulo, você irá conhecer o desenvolvimento da estatística no decorrer do tempo e seus
fundamentos básicos, bem como as técnicas de levantamento de dados e os conceitos estatísticos
de amostragem. Você perceberá como a estatística está presente em nosso cotidiano. Vamos lá?
Temos muita coisa para aprender!

1.1 Introdução a Estatística

A estatística é usada para extrair o significado de dados selecionados de uma população, sendo
considerada uma ferramenta indispensável para a gestão da produção. Saiba que engenheiros
de produção utilizam a estatística no intuito de controlar seus processos e produtos. A estatística
envolve a coleta e interpretação de dados, o resumo de grandes quantidades de informações e
a execução de uma análise sofisticada.

Entenda que a análise estatística dos dados é importante para todo tipo de ciências: Biologia;
Medicina; Agricultura; Economia; Administração; Meteorologia; EngenhariaGHProdução etc. As
quantidades medidas em um estudo estatístico são chamadas de variáveis aleatórias e um re-
sultado particular é chamado de observação. Observações coletivas nos levam aos dados. Já a
coleção de todos os resultados possíveis é chamada de população.

05
 Diagnóstico e Consultoria Empresarial

1.1.1 Desenvolvimento da Estatística

Saiba que a história da estatística moderna começou volta de 1749. Neste período, seu signifi-
cado era restrito a informações sobre os Estados, por estudos de cálculos de impostos e censos
demográficos. Com o passar do tempo, o conceito de estatística passou a abarcar todos os con-
juntos de informações para a análise e interpretação desses dados.

No século XVIII, o termo “estatística” ainda era designado como o recolhimento sistemático de
dados demográficos e econômicos feito pelos Estados. Esses dados, em sua maioria, eram tabu-
lações de recursos humanos e materiais que podiam ser tributados ou alocados para uso militar.
Já no início do século XIX, o significado de “estatística” foi ampliado para incluir a disciplina, a
coleta, o resumo e a análise de dados.

Hoje os dados estatísticos são recolhidos, calculados e amplamente utilizados por governos,
organizações, na ciência e nos esportes, em passatempos e, como falado acima, também pela
área de produção para controle de processos e produtos. Você já deve saber que computadores
têm acelerado o desenvolvimento estatístico pela coleta e agregação de dados, certo?

Um analista de dados pode ter disponível um conjunto de dados com milhões de registros, cada
um com dezenas ou centenas de medições separadas, recolhidas ao longo do tempo, a partir da
bolsa de valores ou de sensores computadorizados, como os registros no ponto de venda, por
exemplo. Computadores também podem produzir resumos simples e precisos, permitindo uma
análise mais criteriosa e confiável dos dados, o que seria quase impossível de executar a mão. A
tecnologia nos permite desenvolver métodos estatísticos para uso intensivo de informações com
todas as permutações ou randomizações possíveis, no intuito de estimar respostas difíceis de
quantificar pela teoria.

Saiba que o termo “estatística matemática” designa as teorias matemáticas de probabilidade e

inferência estatística que são utilizadas na prática. A relação entre estatística e teoria da proba-
bilidade foi desenvolvida no final do século XVI. No século XVIII, a teoria da probabilidade já era
utilizada com frequência pela estatística, especialmente na análise de jogos de azar. No século
XIX, a astronomia também utilizava modelos de probabilidade e teorias estatísticas, particular-
mente o método dos mínimos quadrados.

VOCÊ SABIA?
Você já ouviu falar no método dos mínimos quadrados? Saiba que se trata de um
conjunto de equações no qual existem mais do que equações incógnitas. “Mínimos
quadrados” significa que a solução global minimiza a soma dos quadrados dos erros
nos resultados de cada equação única. Essa técnica estatística serve para determinar a
linha de melhor ajuste para um modelo. Este método é amplamente utilizado na análise
de regressão e de estimação.

O desenvolvimento do raciocínio estatístico estava intimamente associado ao desenvolvimento

da lógica indutiva e ao método científico, preocupações estas que movem os estatísticos até os
dias de hoje. Na década de 1970, Johnson e Kotz elaboraram um compêndio de quatro volumes
sobre estatística (primeira edição 1969-1972), que ainda é um recurso inestimável.

Entenda que Estatística Aplicada pode ser considerada como uma ciência matemática autônoma,
a exemplo de Ciências da Computação e Pesquisa Operacional. Com sua ênfase na aprendi-
zagem a partir de dados, para fazer melhores previsões, a estatística também foi moldada para
a pesquisa acadêmica, em áreas que incluem testes psicológicos, medicinais, epidemiológicos,
entre outros.

06 Laureate- International Universities

 Ano Evento

1532 Os primeiros dados semanais sobre as mortes em Londres

1539 Começo da recolha de dados sobre batismos, casamentos e mortes na França
1608 Registro paroquial na Suécia
Primeiro estudo demográfico publicado com base em listas de moradores de
1662
Londres
1693 Publicação de uma estimativa da mortalidade da cidade de Breslaw
1713 Publicação de J. Bernoulli
1714 Publicação do Libellus de Ratiocinus in Ludo Aleae
1714 Publicação da doutrina de Moivre
1735 Início da coleta de dados demográficos na Noruega
1763 Publicação do ensaio sobre resolver um problema na Doutrina das Chances
1809 Publicação da Theoria Motus Corporum Coelestium por Gauss
1812 Publicação da Théorie des analytique probabilitéss por Laplace
1834 Estabelecimento da Statiscal Society of London
1839 Estabelecimento da Associação Americana de Estatística em Boston
1889 Publicação da Herança Natural
1900 Desenvolvimento do teste de Pearson
1901 Publicação da primeira emissão de Biométrica
1903 Desenvolvimento da análise de dados coletados de forma aleatória
1908 Publicação da Probabilidade de erro de média (t de Student)
1910 Publicação da introdução à teoria da estatística
1933 Publicação da determinação empírica de uma distribuição de uma população
1935 Publicação do The Design of Experiments
1936 Publicação da relação entre dois conjuntos de variáveis
1972 Publicação dos modelos de regressão
1972 Publicação dos modelos lineares generalizados
1979 Publicação do método Bootstrap

Quadro 1 - Cronologia da Estatística. A Estatística teve início na Europa e foi fortemente motivada
pela necessidade de dar sentido à grande quantidade de dados coletados pelo Estado.
Fonte: Elaborado pelo autor com base em Devore (1995), 2015.

Enquanto isso, no Brasil, segundo o Instituto Brasileiro de Geografia e Estatística - IBGE (2006):

• No ano de 1872, houve o primeiro censo geral da população brasileira feito por José
Maria da Silva Paranhos, conhecido como Visconde do Rio Branco (1819-1880).

• Em 1936 temos a Criação do Instituto Brasileiro de Geografia e Estatística (IBGE).

07
 Diagnóstico e Consultoria Empresarial

• Em 1953 duas escolas iniciaram o Ensino de Estatística no Brasil: uma no Rio de Janeiro,
a Escola Nacional de Ciências Estatística (ENCE), e a outra conhecida como Escola de
Estatística da Bahia.

• Somente em 1972 o computador é usado no Brasil para fins estatísticos, o que ajudou a
dar um grande salto na estatística.

• A inclusão da Estatística no Ensino Fundamental e Médio apareceu a partir da determinação

dos Parâmetros Curriculares Nacionais (PCN’s) em 1997.

Hoje a estatística vem se mostrando cada vez mais próxima de nós com o avanço da tecnologia, seus
métodos cada vez mais utilizados. Na Engenharia de Produção, deve haver uma sequência de tarefas de
administração no fluxo do processo e criação do produto. Para que isso ocorra de maneira eficaz, são
utilizados métodos estatísticos, promovendo assim um trabalho construtivista de solução de problemas.

1.1.2 Fundamentos básicos da estatística

Saiba que a estatística é um tipo de análise matemática que envolve o uso de representações,
modelos e resumos quantificados para um determinado conjunto de dados empíricos ou obser-
vações do mundo real. A análise estatística envolve o processo de coleta e análise de dados e,
em seguida, resumo desses dados pela forma numérica.

Entenda “estatística” como um termo geral usado para resumir um processo que um analista, ma-
temático ou um estatístico usa para caracterizar um conjunto de dados. Se o conjunto de dados
baseia-se em uma amostra de uma população maior, o analista pode inferir hipóteses sobre ela
com base nos resultados obtidos.

Figura 1 - Qualquer atividade pode ser analisada pela estatística.

Fonte: Shutterstock, 2015.

08 Laureate- International Universities

A estatística é importante para o campo da engenharia porque fornece ferramentas para que o
engenheiro possa analisar os dados coletados, permitindo a tomada de decisões de forma acer-
tiva. Por exemplo, um engenheiro químico pode utilizar a estatística para analisar as medições
de temperatura a partir de um tanque de mistura. Métodos estatísticos podem ser usados para
determinar como as medições de temperatura variam dentro do conjunto de dados operacionais,
permitindo que futuras temperaturas no tanque possam ser previstas antecipadamente.

Na mente de um estatístico, o mundo é composto por populações e amostras. Um exemplo de

população é o conjunto dos alunos do ensino médio no Brasil, já um exemplo relacionado a
uma amostra seria um grupo desses alunos. Imagine que um administrador da área da educação
gostaria de saber a nota média em matemática dos alunos do ensino médio para compará-la
com a média de outros países. Sabemos que seria muito caro aferir as notas de matemática de
todos os alunos do ensino médio, então metodologias estatísticas podem ser usadas para estimar
a média usando apenas uma amostra (ou várias amostras).

Você saberia dizer o que é parâmetro? Trata-se de uma característica compartilhada por uma
população. Como ilustrado no exemplo acima, é impraticável medir certos parâmetros direta-
mente de toda a população. Podemos utilizar, portanto, uma amostra a partir da qual a estatística
é calculada, permitindo estimar o parâmetro da população.

As possíveis inferências que podem ser feitas a respeito de uma população exigem amostras ale-
atórias e que sejam reunidas de forma independente, no intuito de evitar falhas devido à grande
variação de valores, polarização, inconsistência e outros erros de amostragem. Isso nos obriga a
ter um olhar mais crítico e analítico.

Saiba que as variáveis podem

​​ ser classificadas como qualitativa ou categórica e quantitativa
ou numérica. As variáveis qualitativas
​​ assumem valores que são nomes ou rótulos. A cor de
uma bola (vermelho, verde, azul) ou a raça de um cão (collie, pastor, terrier) seriam exemplos de
variáveis qualitativas
​​ ou categóricas.

Já as variáveis quantitativas
​​ são numéricas. Elas representam uma quantidade mensurável. Quan-
do falamos da população de uma cidade, por exemplo, nós estamos falando sobre o número de
pessoas na cidade, portanto, um atributo mensurável, certo?

As variáveis quantitativas
​​ podem ser ainda classificadas como discretas ou contínuas. Se uma
variável assumir qualquer valor entre o seu valor mínimo e seu valor máximo, ela é chamada de
contínua, caso contrário, é chamada de discreta. Exemplos: imagine que todos os bombeiros
pesam entre 70 e 90kg. Este peso seria um exemplo de variável contínua, já que o peso de um
bombeiro poderia assumir qualquer valor entre 70 e 90kg. Agora pense em jogar uma moeda
e contar o número de caras. O número de caras pode ser qualquer valor inteiro entre 0 e mais
infinito, no entanto, não poderia ser qualquer número entre 0 e mais infinito. Você nunca obteria,
por exemplo, 2,3 caras. O número de caras, portanto, é uma variável discreta.

Os dados estatísticos são muitas vezes classificados de acordo com o número de variáveis ​​em
estudo. Quando conduzimos um estudo que utiliza apenas uma variável, podemos dizer que
estamos trabalhando com dados univariados. Ao realizarmos uma pesquisa para estimar o peso
médio dos estudantes do ensino médio, estamos trabalhando apenas com uma variável, o peso,
então temos dados univariados.

Ao conduzirmos um estudo que analisa a relação entre duas variáveis, temos então dados bivaria-
dos. Imagine um estudo para descobrir a relação entre a altura e o peso de estudantes do ensino
médio. Como estamos trabalhando com duas variáveis, ​​a altura e o peso, temos dados bivariados.

09
 Diagnóstico e Consultoria Empresarial

VOCÊ SABIA?
Será que todas as variáveis podem
​​ ser classificadas como variáveis quantitativas
​​ ou ca-
tegóricas? Sim, todas as variáveis ​​podem ser classificadas como variáveis quantitativas
​​
ou categóricas. Variáveis ​​discretas são, de fato, uma categoria de variáveis ​​quantitati-
vas. As variáveis ​​categóricas, no entanto, não são numéricas. Por isso, eles não podem
ser classificados como variáveis contínuas.
​​

Existem duas maneiras de classificar e analisar as amostras: a tendência central e a dispersão. A

tendência central refere-se à idéia de que existe um número que melhor resume todo o conjunto
de medidas, um número que é central para o conjunto de amostras. Já “dispersão” refere-se à
idéia de que há um segundo número que nos diz como os valores estão posicionados em relação
à medição do número central.

Ao realizar a análise estatística sobre um conjunto de dados devemos calcular os valores básicos
iniciais: média, mediana, moda e desvio-padrão. A média, mediana e moda são todas as
estimativas de onde o “meio” de um conjunto de dados está, sendo esses valores úteis quando
da criação de grupos de amostras, pois nos permitem organizar conjuntos maiores de dados. Já
o desvio padrão é a distância entre os dados reais e a média calculada.

Podemos obter a média dividindo a soma dos valores observados pelo número de observações. A
média é uma boa estimativa para prever os pontos dos dados subsequentes, e sua fórmula está
representada a seguir (Equação 1).

Equação 1

No entanto, esta equação só poderá ser utilizada quando o erro associado com cada medição é
o mesmo ou desconhecido. Caso contrário, a média ponderada, que incorpora o desvio-padrão,
deve ser calculada usando a equação descrita a seguir (Equação 2).

wixi
Xwav =
wi
Equação 2

Em que:

Xi é o valor dos dados

Quando a quantidade de valores da amostra for ímpar, a mediana será o valor médio do con-
junto de dados organizados de forma crescente. Exemplo: para os valores 2, 4, 6, 8 e 10 a
mediana será o valor 6. Ficou claro?

Já quando a quantidade de valores da amostra for par, a mediana será a média dos dois valores
médios do conjunto de dados. Exemplo: para os valores 2, 4, 6, 8, 10 e 12 a mediana será 7,
pois é a metade da soma de 6 e 8, os valores do meio. A mediana é especialmente útil quando se
deseja separar os dados em dois grupos de tamanhos iguais. A moda de um conjunto de dados,
por sua vez, é o valor que ocorre com mais frequência.

10 Laureate- International Universities

 Figura 2 - A estatística é apoiada nos seus conceitos primários.
Fonte: Shutterstock, 2015.

O desvio-padrão dá uma idéia do quão próximo todo o conjunto de dados está do valor médio.
Quando temos um conjunto de dados com um pequeno desvio-padrão significa que os valores
estão próximos um dos outros. Se o conjunto de dados tiver um desvio-padrão grande, os dados
estarão espalhados por uma vasta gama de valores.

Normalmente, estamos interessados ​​no desvio padrão de uma população, mas como muitas
vezes trabalhamos com dados de apenas uma amostra, podemos estimar o desvio-padrão da po-
pulação a partir do desvio-padrão da amostra. Saiba que estes dois desvios-padrão, da amostra
e da população, são calculados de forma diferente. Em estatística, normalmente calculamos os
desvios padrão da amostra, cuja fórmula é dada a seguir (Equação 3).

1 i=n
σ= (Xi - X)2
n-1
i=1
Equação 3

Em que:

n é o numero de amostras

Xi é o valor da amostra

X é a média das amostras

VOCÊ QUER VER?

Você já parou para pensar nas estatísticas de gênero da população brasileira? Em mé-
dia, quem ganha mais, o homem ou a mulher? Quem morre mais cedo? O vídeo do
IBGE explica todas essas questões com dados recentes, de maio de 2015. Disponível
em: <https://www.youtube.com/watch?v=xMIiMNI6iGU>.

O desvio-padrão ou a raiz quadrada da variância de uma amostra pode ser utilizado para estimar
a verdadeira variância de uma população. A equação que vimos anteriormente (Equação 3), nos dá

11
 Diagnóstico e Consultoria Empresarial

uma estimativa da variância da população. A equação exposta a seguir (Equação 3.1) é outro método
comum para calcular o desvio padrão da amostra, embora seja uma estimativa que possui polarização.

1 i=n
σn = (Xi - X)2
n
i=1

Equação 3.1

Imagine um gestor que deseja estimar o peso médio de um conjunto de peças produzidas em um
grande lote. O engenheiro mede o peso de n peças e calcula a média. Então, toma outra amos-
tra com n peças do lote e calcula a média, continuando assim até alcançar um número de pesos
amostrais médios. Nesse momento, o engenheiro gerou uma distribuição da amostra.

Uma distribuição da amostra é simplesmente uma distribuição de uma determinada estatística, isto
é, a média de n peças para uma determinada população. Neste exemplo, a estatística é o peso mé-
dio das peças e o tamanho da amostra é n. Se o engenheiro fosse traçar um histograma dos pesos
médios, ele veria uma distribuição em forma de sino, pois, como o tamanho da amostra tende ao
infinito, as distribuições de amostragem estatística se distribuem na forma de uma curva normal.

O desvio-padrão da amostra (σ), em que pegamos várias peças de um lote e calculamos seu
desvio, e o desvio-padrão da distribuição de amostragem, em que trabalhamos com a média dos
desvios-padrão de várias amostras retiradas do lote, têm a relação que é exposta na equação a
seguir (Equação 4):

σX
σ X=
N
Equação 4

1.2 Técnicas de Levantamento de dados

Você já foi abordado na rua por algum indivíduo para responder a um questionário sobre determina-
das questões? Bem, saiba que esta é uma das técnicas de coleta de dados e gestão da informação.
Neste tópico, abordaremos os principais métodos de levantamento de dados e suas características.

1.2.1 Os principais métodos

A escolha do método é influenciada pela estratégia de coleta de dados, o tipo de variável, a
precisão exigida, o ponto de coleta e a habilidade do coletor. Os principais métodos de coleta
de dados são:

• Registro: registros e licenças são particularmente valiosos para a enumeração completa,

mas estão limitados a variáveis ​​que mudam lentamente, como números de navios de
pesca e suas características.

• Questionários: formulários são preenchidos e devolvidos pelos entrevistados. Um método

de baixo custo que é útil quando as taxas de alfabetização são elevadas e os entrevistados
são colaborativos.

• Entrevistas: formulários que são preenchidos através de uma entrevista com os indivíduos
selecionados. É um método mais caro do que os questionários, porém melhor para questões
mais complexas, quando há baixa escolaridade ou entrevistados menos colaborativos.

12 Laureate- International Universities

 • Observações diretas: fazer medições diretas. É o método mais preciso para muitas
variáveis, tais como a captura de informações, mas geralmente é um processo caro.

• Relatórios: alternativa para fazer medições diretas é pedir que os entrevistados relatem
as suas atividades. Os relatórios requerem alfabetização e colaboração, e podem ser
apoiados por uma exigência legal e medições diretas.

As fontes das informações também são um fator importante para a escolha e concepção de mé-
todos. Além disso, a coleta de dados deve ser realizada em intervalos suficientemente frequentes
para garantirmos uma boa gestão das informações, contando com o auxilio dos entrevistados
que estão dispostos a fornecerem dados. Para dados menos frequentes, podemos usar recense-
adores (como censo Brasil ou censo IBGE, por exemplo) uma vez que os custos de recolha são
muito mais baixos.

Muitas variáveis podem

​​ ser recolhidas por mais de um método e em diferentes pontos de pes-
quisa. Sempre que possível, os dados devem ser coletados de várias fontes para cruzar possiveis
erros e, em muitos casos, variáveis diferentes
​​ podem ser coletadas simultaneamente causando a
redução dos custos. O programa de coleta de dados, portanto, deverá ser planejado antes de
ser executado. Existem fortes ligações entre tipos de dados que podem ser obtidos e os métodos
disponíveis para a coleta.

Figura 3 - Todo levantamento de dados é baseado em pesquisa.

Fonte: Shutterstock, 2015.

Se os participantes de um estudo são selecionados aleatoriamente em uma população grande,

podemos generalizar os resultados do estudo para uma população ainda maior. Mas grave
bem: isso só ocorre se a seleção for aleatória. A relação de causa e efeito pode ser provocada
quando as amostras são designadas aleatoriamente para os grupos de testes, portanto, controlar

13
 Diagnóstico e Consultoria Empresarial

alocação das amostras nos grupos permite investigar com mais precisão as relações causais. A
qualidade de uma amostra estatística, ou seja, sua exatidão, precisão e representatividade é
fortemente afetada pela maneira que as amostras são escolhidas.

VOCÊ SABIA?
Como pode ser feita uma pesquisa eleitoral? Bem, fique atento ao passo a passo ex-
posto a seguir:

1. Criar a pesquisa: crie uma pesquisa com uma questão Múltipla Escolha com o
nome dos candidatos, onde apenas uma única opção de resposta é permitida.

2. Coletar as informações: uma boa forma de coleta é o uso do email, uma vez
que esta ferramenta assegura que cada entrevistado vote apenas uma vez. Além
disso, você pode manter o controle de quem respondeu ou não, mantendo os
votos anônimos. Se você estiver usando outro tipo de coletor, tome cuidado para
ter apenas uma resposta por eleitor e fazer uma pesquisa anônima.

3. Analisar os resultados: a partir de um percentual de respostas, você será capaz

de ver qual candidato tem a maioria dos votos, podendo criar um gráfico
personalizado com a exibição dos resultados.

Existem duas categorias de métodos de amostragem:

• amostras probabilísticas, em que cada elemento da população tem a mesma chance de

ser escolhido para a amostra.

• amostras não-probabilísticas, em que não sabemos a probabilidade que cada elemento

da população tem de ser escolhido. Não podemos ter certeza de que cada elemento de
uma população terá a mesma chance de ser escolhido.

Saiba que os métodos de amostragem não-probabilística oferecem duas vantagens potenciais:

conveniência e custo. Porém, há também desvantagens! A principal delas é que esses métodos
não permitem estimar a extensão em que a estatística das amostras difere dos parâmetros po-
pulacionais. Dois dos principais métodos de amostragem não-probabilística são amostras de
voluntários e amostras de conveniência:

• a amostra voluntária é composta de pessoas que se auto-selecionam para análise e

que, muitas vezes, têm um forte interesse no tema principal da pesquisa;

• a amostra de conveniência é composta de pessoas que são fáceis de encontrar.

14 Laureate- International Universities

1.3 Amostragem aleatória simples e aleatória
estratificada
Veremos, neste tópico, os principais métodos de amostragem. Dentre eles, podemos citar: a
amostragem aleatória simples, a amostragem estratificada, a amostragem por conglomerados,
a amostragem de múltiplos estágios e a amostragem aleatória sistemática. Saiba que o principal
benefício destes métodos de amostragem é que eles garantem que a amostra escolhida é repre-
sentativa da população, o que assegura a validade das conclusões estatísticas.

Vamos lá?

1.3.1 Amostragem Aleatória Simples

Grave bem: uma amostra aleatória simples é produzida por um sistema que assegura que cada
um dos elementos da população de tamanho “n” tem uma probabilidade igual de ser escolhido
como amostra.

Figura 4 - Existem várias técnicas de separação de amostras.

Fonte: Shutterstock, 2015.

Como você já deve saber, na amostra aleatória simples todos os valores envolvidos têm uma
chance igual de serem escolhidos de forma aleatória, mas não mais de uma vez para evitar repe-
tição de valores que afetariam negativamente a validade do resultado.  Entenda que a amostra-
gem aleatória simples é o tipo de amostragem probabilística mais utilizada. O processo consiste
em selecionar um a amostra “n” a partir de uma população “N”.

15
 Diagnóstico e Consultoria Empresarial

Um benefício importante da amostragem aleatória simples é que ela permite que os pesquisadores
utilizem métodos estatísticos para analisar os resultados das amostras. Por exemplo, é possível utilizar
os métodos estatísticos para definir um intervalo de confiança em torno de uma média da amostra.

Saiba que há muitas maneiras de se obter uma amostra aleatória simples; uma delas seria o mé-
todo de loteria, em que para cada um dos membros da população “N” é atribuído um número
único. Os números são colocados numa vasilha e completamente misturados. O pesquisador
seleciona “n” números e separa suas respectivas amostras.

Vamos imaginar que uma universidade tem dez mil alunos. Estes indivíduos formam a população
(N), isto é, cada um desses dez mil é interpretado como uma unidade. A fim de selecionar uma
amostra (n) desta população, poderíamos optar por usar uma amostra aleatória simples, na qual
haveria uma chance igual de cada um dos dez mil estudantes serem selecionados.

O objetivo da amostra aleatória simples é reduzir o potencial de polarização na seleção dos ca-
sos, fornecendo uma amostra que é altamente representativa da população a ser estudada e per-
mitindo fazer relações estatísticas confiáveis. Tenha em mente, porém, que uma amostra aleatória
simples só pode ser realizada se a lista da população for acessível e completa. A obtenção de
uma lista completa da população, entretanto, em alguns casos pode ser difícil, cara e demorada.

1.3.2 Amostragem aleatória estratificada

Uma amostra aleatória estratificada divide a população em grupos, podendo haver diferentes
quantidades de amostras em cada grupo. Imagine a seguinte situação: em uma igreja há 600
mulheres e 400 homens assistindo a celebração. Uma maneira de obter uma amostra aleatória
estratificada de tamanho 30 é tomar uma amostra aleatória simples de 18 mulheres (de um total
de 600) e outra de 12 homens (de um total de 400).

A amostragem aleatória estratificada dá informações mais precisas do que a amostragem aleató-

ria simples, para uma determinada dimensão de amostra. Assim, se a informação sobre todos os
membros da população estiver disponível, a amostragem estratificada geralmente será utilizada.

A amostragem aleatória estratificada é um método de amostragem que envolve a divisão de uma

população em grupos menores conhecidos como estratos. Neste tipo de amostragem, os estratos são
formados com base em atributos ou características compartilhadas dos membros. Depois, uma amos-
tra aleatória é recolhida num número proporcional ao tamanho do estrato comparado à população.

Amostragem estratificada aleatória refere-se a um método de amostragem que tem as seguintes

propriedades: a população consiste de N elementos e é dividida em H grupos, chamados estra-
tos. Cada elemento da população pode ser atribuído a um estrato.

O número de elementos de cada estrato será proporcional à porcentagem de elementos com de-
terminada característica. A amostra estratificada pode proporcionar maior precisão do que uma
amostra aleatória simples do mesmo tamanho, pois requer uma amostra menor, econimizando
recursos. A principal desvantagem de uma amostra estratificada é que ela pode exigir mais es-
forço de obtenção e análise do que uma amostra aleatória simples.

VOCÊ QUER VER?

Você gostaria de saber um pouco mais sobre amostras aleatórias? Então veja o vídeo
da Universidade Virtual do Estado de São Paulo. Em vinte e sete minutos você irá apren-
der o conceito de amostragem, amostra e as técnicas de amostragem. Disponível em:
<https://www.youtube.com/watch?v=sWJlocN-bpc>.

16 Laureate- International Universities

 1.4 Amostragem por conglomerado e amostragem
não-probabilística
Existem várias formas alternativas de recolha de uma amostra, as quais podem ser agrupadas em
técnicas probabilisticas e técnicas não-probabilísticas. Na técnica probabilistica, um elemento
da população tem uma probabilidade não nula de seleção. A amostra aleatória simples é o me-
lhor exemplo de técnica probabilistica conhecida, em que os membros da população têm uma
probabilidade igual de serem selecionados.

Os projetos amostragem probabilística são usados quando a representatividade da amostra é impor-

tante para uma generalização mais ampla. Na amostragem não-probabilística, a probabilidade de
qualquer elemento específico da população ser escolhido é desconhecida. A seleção das unidades na
amostragem não-probabilística é bastante arbitrária e não existem técnicas estatísticas apropriadas de
medição de uma amostra aleatória se essa for não-probabilística. Existem, no entanto, ocasiões
em que as amostras não-probabilísticas são as mais adequadas para a pesquisa. Veremos tais
casos neste tópico!

1.4.1 Amostragem por conglomerado

Em situações em que a amostragem aleatória simples ou amostragem aleatória estratificada
não são possíveis, um dos métodos mais comuns de amostragem é a amostragem por conglo-
merados. A amostragem por conglomerados consiste na divisão de uma população em grupos
(conglomerados) segundo algumas características da população em estudo. A divisão ocorre de
modo que os elementos dentro de cada conglomerado sejam diferentes entre si, ou seja, cada
conglomerado deve ser uma representação da população como um todo.

A amostragem por conglomerados é apenas uma maneira de escolher aleatoriamente áreas geográ-
ficas cada vez menores até chegar a uma área pequena o suficiente que permita encontrar ou criar
uma lista das amostras agregadas, a fim de fazer a amostragem aleatória simples ou estratificada.

Pense no seguinte exemplo: você precisa analisar o status de uma população quanto à escolari-
dade dos eleitores. Você pode selecionar algumas cidades, porém as autoridades não têm
listas de todas as famílias e há muitas pessoas em cada cidade para que uma lista seja criada.
Neste caso, dentro das cidades selecionadas, você escolhe unidades geográficas menores,
como bair-ros, por exemplo, nas quais é possível ter acesso a listas prontas de pessoas ou
familias ou você pode elaborar uma nova lista.

1.4.2 Amostragem não-probabilística

Amostragem não-probabilística é uma técnica de amostragem em que os indivíduos na população
não têm chances iguais de serem selecionados. Em contraste com amostragem probabilística, esta
modalidade não é o produto de um processo de seleção randomizado, pois os elementos geralmen-
te são selecionados com base na facilidade de acesso ou pelo julgamento pessoal do pesquisador.

17
 Diagnóstico e Consultoria Empresarial

A desvantagem do método de amostragem não probabilistico é que uma proporção desconhe-

cida de toda a população não foi amostrada. Isto implica na possibilidade de não representa-
tividade da totalidade da população com precisão. Os resultados da pesquisa não podem ser
utilizados em generalizações relativas à totalidade da população.

Os tipos de amostragem não-probabilística são: amostragem por conveniência, amostragem

consecutiva, amostragem por quota, amostragem por julgamento e amostragem “bola de neve”.
A seguir, descreveremos cada uma das técnicas.

Amostragem de conveniência é provavelmente a mais comum de todas as técnicas de amostragem,

na qual as amostras são selecionadas porque são mais acessíveis ao pesquisador. Esta técnica é
considerada a mais fácil, mais barata e a que demanda menos tempo. Já a amostragem consecutiva
é muito semelhante à amostragem de conveniência, exceto que pelo fato de que procura não incluir
os assuntos acessíveis como parte da amostra. Esta técnica de amostragem não-probabilística pode
ser considerada como a melhor, pois dá à amostragem uma melhor representatividade.

Amostragem por quotas é uma técnica de amostragem não-probabilística em que o pesquisador

garante a igualdade de representação de proporção ou de indivíduos, dependendo de qual ca-
racterística é considerada como base de estudo. Amostragem por julgamento, por outro lado, é
mais comumente conhecida como amostragem intencional. Nesta modalidade, os indivíduos são
escolhidos para fazer parte da amostra com um propósito específico em mente. Com a amostra-
gem de julgamento, o pesquisador acredita que alguns indivíduos são mais aptos à pesquisa em
comparação com outros.

Amostragem “bola de neve” é normalmente feita quando a dimensão da população é muito pe-
quena. Nesse tipo de amostragem, o pesquisador pede a um sujeito inicial para identificar outro
indivíduo em potencial que também atende aos critérios da pesquisa. A desvantagem de usar
uma amostra de bola de neve é sua baixa representatividade.

A amostragem não-probabilistica pode ser utilizada quando existe uma característica em parti-
cular na população ou quando o investigador pretende fazer uma determinação qualitativa do
estudo. Também ocorre quando é impossível randomizar ou quando a pesquisa não tem como
objetivo criar generalizações referentes a toda população.

Figura 5 - A amostragem não probabilística é usada em casos especiais.

Fonte: Shutterstock, 2015.

18 Laureate- International Universities

CASO

Reclamações de bagagem: qualquer pessoa que viaja de avião sabe que problemas ocasionais
são inevitáveis. Os voos podem ser atrasados ​​ou cancelados devido às condições meteoroló-
gicas, problemas mecânicos ou greves trabalhistas, e a bagagem pode ser perdida, retardada,
danificada ou roubada.

Problemas com bagagens são particularmente irritantes e podem ter um sério impacto sobre
a lealdade do cliente, o que pode custar caro para as companhias aéreas. As transportadoras
aéreas relatam atrasos de voos, cancelamentos, sobrelotação, chegadas tardias, reclamações
de bagagem, e outras informações operacionais para o que governo possa compilar os dados e
informar ao público.

Mas será que algumas companhias aéreas fazem um trabalho de melhor manuseio de baga-
gem? Para obter esta informação, você pode fazer uma comparação das reclamações nas três
principais companhias aéreas: Gol, Tam e Azul. Qual a companhia aérea tem o melhor registro?
E o pior? As queixas estão melhorando ou piorando ao longo do tempo? Existem outros fatores,
tais como destinos, sazonalidade ou volume de viajantes, que afetam o desempenho do manu-
seio da bagagem? As variáveis ​​do conjunto de dados incluem:

• Bagagem: o número total de reclamações dos passageiros por roubo de conteúdo da

bagagem, bagagem perdida, danificada ou misturada para cada companhia aérea.

• Programação: o número total de voos previstos por essa companhia durante um período
pré-determinado.

• Cancelado: o número total de voos cancelados por essa companhia durante um período
pré-determinado.

• Embarcados: o número total de passageiros embarcados em um avião da companhia

aérea durante um período pré-determinado.

Para cada uma das variáveis, você deve escolher a técnica através a qual selecionaria as amostras.

Os resultados da pesquisa são geralmente sujeitos a algum tipo de erro. Os erros podem ser
classificados em: erros amostrais e erros não amostrais. O termo “erro”, aqui, inclui desvios sis-
temáticos, bem como enganos aleatórios.

Saiba que os erros de amostragem e preconceitos são induzidos pelo desenho da amostra. Eles
incluem o viés de seleção, quando as verdadeiras probabilidades de seleção diferem daquelas
assumidas no cálculo dos resultados, e a variação aleatória nos resultados devido à seleção
aleatória da amostra.

Os erros não amostrais também podem afetar as estimativas da pesquisa final, sendo causados
por problemas na seleção dos dados, no processamento, ou pelo tipo da amostra. Eles incluem:
a inclusão de dados a partir do exterior da população, a não inclusão de elementos da popula-
ção, erros na comunicação entre o entrevistador e o entrevistado, erros nos dados de codifi-
cação e na obtenção de dados incompletos dos indivíduos selecionados.

19
 Síntese Síntese
Concluímos este capítulo em que tivemos a oportunidade de conceituar Probabilidade e Esta-
tística. Agora, você já conhece as regras básicas para o desenvolvimento desta área e sabe da
importância do levantamento de amostragem. Neste capítulo, você teve a oportunidade de:

• conceituar estatística e conhecer sua importância no cotidiano de milhares de pessoas;

• discutir a evolução histórica da estatística;

• diferenciar as técnicas de levantamento de dados estatísticos;

• identificar quais técnicas são adequadas a determinados tipos de situação;

• conhecer os tipos de erros aos quais o resultado da pesquisa pode estar sujeito.

20 Laureate- International Universities

Referências Bibliográficas
ABRAMOWITZ, M.; STEGUN, I. A (eds). Handbook of Mathematical Functions, with For-
mulas, Graphs, and Mathematical Tables. Washington, D.C.: U.S. Government Printing
Office, 1972.

BOX, G. E.P.; HUNTER, W. G.; HUNTER, J. S. Statistics for Experimenters: An Introduction

to Design, Data Analysis, and Model Building. New York: John Wiley and Sons, 1978.

DEVORE, J. L. Probability and Statistics for Engineering and the Sciences. 4. ed. Wa-
dsworth Publishing, 1995.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Estatística do século XX. Rio de

Janeiro, 2006. Elaboração do arquivo PDF. Disponível em: <http://seculoxx.ibge.gov.br/images/
seculoxx/seculoxx.pdf>. Acesso em: 14 dez. 2015.

MCCALL, R. B. Fundamental Statistics for the Behavioral Sciences. 5. ed. New York: Har-
court Brace Jovanovich, 1990.

PRESS, W. H.; TEUKOLSKY, S. A.; VETTERLING, W. T.; FLANNERY, B. P. Numerical Recipes in C:

The Art of Scientific Computing. 2. ed. New York: Cambridge University Press, 1992.

SOKAL, R. R.; ROHLF, F. J. Biometry: The Principles and Practice of Statistics in Biological
Research. 2. ed. New York: W. H. Freeman, 1995.

21