E N G E N H A R I A

D A
Q U A L I D A D E

P R O F. J O S É
ROBERTO
A U L A 0 5 – C A P. 0 5
CAPÍTULO 5: AMOSTRAGEM
Introdução

A maneira de se obter a amostra é tão importante, e existem tantos

modos de fazê-la, que estes procedimentos constituem uma
especialidade dentro da Estatística, conhecida como Amostragem. Mas
esses vários procedimentos podem ser agrupados em dois grandes
grupos: os chamados planos probabilísticos e os planos não-
probabilísticos.
CAPÍTULO 5: AMOSTRAGEM
5.2 Amostragem Probabilística
Existem dois tipos de amostragem: a probabilística e a não
probabilística.

A amostragem será probabilística se todos os elementos da

população tiverem probabilidade conhecida e diferente de
zero, de pertencer à amostra; caso contrário será não
probabilística.

A amostragem probabilística implica em se ter a população

finita e totalmente acessível.
CAPÍTULO 5: AMOSTRAGEM
5.2.1 Amostragem Casual Simples
A tabela 5.1 apresenta um pequeno conjunto de números aleatórios, cuja
utilização pode ser exemplificada da seguinte maneira: ao se desejar selecionar
dez nomes de uma lista de 90 pessoas, deve-se começar numerando-os de 01, 02,
..., 90. Em seguida, escolhe-se uma coluna, por exemplo a primeira, e toma-se os
dez primeiros números; que no caso serão:
61, 94, 50, 51, 25, 63, 12, 38, 22, 07
No caso o 94 deve ser eliminado, pois não existe este número na população, e
o 61 deverá aparecer repetido, devendo ser substituído. Existem diversas tabelas
de números aleatórios, porém em alguns casos deve-se fazer uma correlação entre
os valores reais da população e os números da tabela de números aleatórios.
 Tabela 5.1 Números Aleatórios

CAPÍTULO 5: 61
94
50
09
47
40
26
40
50
29
99
55
85
93
79
11
82
00
95
13
58
77
22
17
79
40
26
04
33
30
57
19
38
00
72
11
91
65
54
29
69
89
59
82
04
83
16
13
53
94
69
87
21
17
02
66
35
02
39
48

AMOSTRAGEM 51
25
01
45
75
79
76
30
54
63
43
56
11
44
28
70
32
05
75
04
33
31
09
81
04
46
78
02
74
92
91
32
56
06
79
71
43
12
39
48

63 94 61 14 24 60 27 00 00 95 54 31 59 00 79 94 46 32 61 90
12 95 04 73 06 72 76 88 55 62 38 79 18 68 10 31 93 58 66 92
38 06 78 00 85 42 57 29 28 34 79 91 93 58 82 97 37 07 64 67
22 69 28 18 25 08 90 93 53 17 54 12 21 03 56 30 88 53 46 82
5.2.1 Amostragem 07 95 63 14 76 53 62 10 21 57 55 74 57 68 22 38 84 55 57 49

Casual Simples 61
97
41
16
81
71
16
92
97
40
55
28
19
33
65
36
08
23
62
32
26
76
38
36
74
18
32
98
30
41
44
10
64
50
64
93
91
75
80
95
39 81 34 84 33 83 42 77 36 00 51 42 82 63 30 47 01 08 96 73
58 36 04 52 06 81 24 32 74 63 28 82 43 36 01 73 36 47 05 76
52 85 30 59 37 00 49 88 07 43 08 04 00 48 36 23 31 88 80 88

41 92 93 01 94 13 33 63 32 35 38 91 18 89 71 67 46 73 42 47
88 51 22 59 99 51 20 74 13 55 30 41 25 99 10 26 01 33 24 13
11 12 32 28 26 67 22 97 11 23 66 24 09 23 47 12 93 44 60 47
33 02 06 80 29 39 78 49 81 21 42 00 99 80 44 56 33 83 46 16
03 67 08 29 16 04 92 31 62 03 94 53 02 60 65 72 46 68 25 93

41 54 93 90 86 52 14 58 90 34 83 00 73 38 14 50 77 58 08 94
18 84 83 61 42 96 82 86 02 30 40 16 65 55 63 20 40 24 79 80
06 15 93 11 72 17 32 31 84 89 53 66 01 99 53 75 79 92 20 61
12 74 92 15 60 93 84 37 29 62 24 96 78 93 28 34 41 69 04 51
79 13 36 81 55 51 46 66 68 85 07 73 35 42 52 61 29 21 02 34

01 78 33 32 06 16 45 94 09 18 40 14 73 03 61 80 69 79 52 95
90 73 28 21 38 57 38 36 24 33 31 99 64 86 19 61 55 50 65 14
44 10 20 96 70 32 41 46 22 97 08 22 02 42 43 57 16 61 81 77
52 47 00 27 41 43 70 17 52 44 51 26 94 73 17 72 16 51 81 77
23 03 84 44 29 43 57 05 46 59 89 00 65 01 20 27 32 66 34 56
 Tabela 5.1 Números Aleatórios

CAPÍTULO 5: 61
94
50
09
47
40
26
40
50
29
99
55
85
93
79
11
82
00
95
13
58
77
22
17
79
40
26
04
33
30
57
19
38
00
72
11
91
65
54
29
69
89
59
82
04
83
16
13
53
94
69
87
21
17
02
66
35
02
39
48

AMOSTRAGEM 51
25
01
45
75
79
76
30
54
63
43
56
11
44
28
70
32
05
75
04
33
31
09
81
04
46
78
02
74
92
91
32
56
06
79
71
43
12
39
48

63 94 61 14 24 60 27 00 00 95 54 31 59 00 79 94 46 32 61 90
12 95 04 73 06 72 76 88 55 62 38 79 18 68 10 31 93 58 66 92
38 06 78 00 85 42 57 29 28 34 79 91 93 58 82 97 37 07 64 67
22 69 28 18 25 08 90 93 53 17 54 12 21 03 56 30 88 53 46 82
5.2.1 Amostragem 07 95 63 14 76 53 62 10 21 57 55 74 57 68 22 38 84 55 57 49

Casual Simples 61
97
41
16
81
71
16
92
97
40
55
28
19
33
65
36
08
23
62
32
26
76
38
36
74
18
32
98
30
41
44
10
64
50
64
93
91
75
80
95
39 81 34 84 33 83 42 77 36 00 51 42 82 63 30 47 01 08 96 73
58 36 04 52 06 81 24 32 74 63 28 82 43 36 01 73 36 47 05 76
52 85 30 59 37 00 49 88 07 43 08 04 00 48 36 23 31 88 80 88

41 92 93 01 94 13 33 63 32 35 38 91 18 89 71 67 46 73 42 47
88 51 22 59 99 51 20 74 13 55 30 41 25 99 10 26 01 33 24 13
11 12 32 28 26 67 22 97 11 23 66 24 09 23 47 12 93 44 60 47
33 02 06 80 29 39 78 49 81 21 42 00 99 80 44 56 33 83 46 16
03 67 08 29 16 04 92 31 62 03 94 53 02 60 65 72 46 68 25 93

41 54 93 90 86 52 14 58 90 34 83 00 73 38 14 50 77 58 08 94
18 84 83 61 42 96 82 86 02 30 40 16 65 55 63 20 40 24 79 80
06 15 93 11 72 17 32 31 84 89 53 66 01 99 53 75 79 92 20 61
12 74 92 15 60 93 84 37 29 62 24 96 78 93 28 34 41 69 04 51
79 13 36 81 55 51 46 66 68 85 07 73 35 42 52 61 29 21 02 34

01 78 33 32 06 16 45 94 09 18 40 14 73 03 61 80 69 79 52 95
90 73 28 21 38 57 38 36 24 33 31 99 64 86 19 61 55 50 65 14
44 10 20 96 70 32 41 46 22 97 08 22 02 42 43 57 16 61 81 77
52 47 00 27 41 43 70 17 52 44 51 26 94 73 17 72 16 51 81 77
23 03 84 44 29 43 57 05 46 59 89 00 65 01 20 27 32 66 34 56
CAPÍTULO 5: AMOSTRAGEM

5.2.1 Amostragem Casual Simples

Um outro entendimento do significado da amostra casual simples é dado da seguinte
forma: consideremos a situação em que se levanta todas as possíveis amostras de tamanho
2, com reposição, da população [1, 3, 5, 5, 7}. Definida a variável X = valor assumido
pelo elemento na população, tem-se que a distribuição de X é dada na tabela 5.2:

Tabela 5.2: Distribuição de X = valor assumido pelo elemento da população

X 1 3 5 7
P(X = x) 1/5 1/5 2/5 1/5
 CAPÍTULO 5: AMOSTRAGEM
5.2.1 Amostragem Casual Simples
Indicando por X1 o número selecionado na primeira extração e por X2 o número extraído na segunda extração, vê-
se que é possível escrever a distribuição conjunta do par (X1, X2). As distribuições marginais de X1 e de X2, são
independentes e iguais à distribuição de X.
Assim, as 25 possíveis amostras de tamanho 2 que podemos extrair dessa população correspondem a observar
uma particular realização da variável aleatória (X1, X2), X1 e X2, independentes e tais que P(X1 = x) = P(X2 = x)
para todo x, como indicado na tabela 5.3.
Tabela 5.3: Distribuição de (X1, X2)
X1 1 3 5 7 Total
Uma amostra casual simples de
X2 tamanho n de uma variavél aleatória
1 1/25 1/25 2/25 1/25 1/5 X com uma dada distribuição é o
conjunto de n variáveis aleatórias
3 1/25 1/25 2/25 1/25 1/5 independentes X1, X2, ... , Xn, cada
5 2/25 2/25 4/25 2/25 2/5
uma com a mesma distribuição de X.
Ou seja, a amostra será a n-upla
7 1/25 1/25 2/25 1/25 1/5 ordenada (X1, X2, ..., Xn), onde Xi
indica a observação do i-ésimo
elemento sorteado.
Total 1/5 1/5 2/5 1/5 1
CAPÍTULO 5: AMOSTRAGEM

5.2.2 Amostragem Sistemática

Quando os elementos da população se apresentam ordenados e a
retirada dos elementos da amostra é feita periodicamente, tem-se a
chamada amostragem sistemática.

5.2.3 Amostragem por meio de conglomerados

É quando a população apresenta uma subdivisão em pequenos
grupos, chamados conglomerados e é possível e muitas vezes
conveniente, fazer-se a amostragem por meio desses conglomerados, a
qual consiste em sortear um número suficiente de conglomerados, cujos
elementos constituirão a amostra.
CAPÍTULO 5: AMOSTRAGEM
5.2.4 Amostragem Estratificada
Muitas vezes a população se divide em sub-populações ou estratos, sendo razoável
supor que, de estrato para estrato, a variável de interesse apresente um
comportamento substancialmente diverso, tendo, entretanto, comportamento
razoavelmente homogêneo dentro de cada estrato. A amostragem estratificada
consiste em especificar quantos elementos da amostra serão retirados de cada estrato.
É de costume considerar três tipos de amostragem estratificada: uniforme, proporcional
e ótima. Na amostragem estratificada uniforme, sorteia-se igual número de elementos
de cada estrato; na proporcional, o número de elementos sorteados em cada estrato é
proporcional ao número de elementos existentes no estrato; na ótima, por sua vez,
toma-se em cada estrato um número de elementos proporcional ao número de
elementos do estrato e também à variação da variável de interesse no estrato, medida
pelo seu desvio padrão.

5.2.5 Amostragem Múltipla

Neste caso a amostra é retirada em diversas etapas sucessivas. Dependendo dos
resultados observados, etapas suplementares podem ser dispensadas.
CAPÍTULO 5: AMOSTRAGEM
5.3 Amostragem Não-Probabilística
Amostras não-probabilísticas são também, muitas vezes empregadas
em trabalhos estatísticos, por simplicidade ou por impossibilidade de se
obter amostras probabilísticas. A seguir são apresentados alguns casos
deste tipo de amostragem.

5.3.1 Inacessibilidade a toda a população

Essa situação ocorre com muita frequência na prática, obrigando a
amostragem somente da parte acessível da população, definindo então
a distinção entre população-objeto e população-amostrada.

5.3.2 Amostragem a esmo ou sem norma

É quando o amostrador, para simplificar o processo, procura ser
aleatório sem, no entanto, realizar o sorteio usando algum dispositivo
aleatório confiável.
CAPÍTULO 5: AMOSTRAGEM
5.3.3 População formada por material contínuo
Neste caso é impossível realizar amostragem probabilística devido á
impraticabilidade de um sorteio rigoroso. Se a população for líquida ou gasosa, o que
costuma apresentar resultado satisfatório, é homogeneizá-la e retirar a amostra a
esmo; o que às vezes também pode ser feito com material sólido. Outro procedimento
a ser empregado nestes casos, especialmente quando a homogeneização não é
praticável, é a enquartação, a qual consiste em subdividir a amostra em diversas
partes (a origem do nome pressupõe a divisão em quatro partes), sorteando-se uma ou
mais delas para constituir a amostra ou para delas retirar a amostra.

5.3.4 Amostras Intencionais

É quando o amostrador, deliberadamente, escolhe certos elementos para pertencer
à amostra, por julgá-los bem representativos da população. O perigo desta
amostragem é grande pois o amostrador pode facilmente se equivocar em seu pré-
julgamento.
CAPÍTULO 5: AMOSTRAGEM
5.4 Estatísticas e Parâmetros

Os símbolos não-indexados passarão a ser usados para parâmetros populacionais, ao

passo que as informações correspondentes às distribuições amostrais conterão uma
indicação quanto à estatística à qual se referem. Os símbolos mais comuns são indicados
na tabela 5.4.

Tabela 5.4: Símbolos mais comuns

Estatística Parâmetro
Média x ou E(x) 
Variância S2 2
Nº de elementos N N
Proporção p̂ ou p’ p
CAPÍTULO 5: AMOSTRAGEM
5.5 Distribuições Amostrais
T = (X1, X2, ..., Xn).

População Amostras Distribuição Amostral

t1
X
1
x
t2
2
 .
t.k  t
k .
Figura 5.1: Distribuição Amostral de T
 CAPÍTULO 5: AMOSTRAGEM
5.5.1 Distribuição amostral de x
Determinam-se as principais características da distribuição amostral da estatística x ,
média de uma amostra de n elementos. Sendo a população infinita ou a amostragem feita
com reposição, resulta que os diversos valores da amostra podem ser considerados como
valores de variáveis aleatórias independentes, com a mesma distribuição de probabilidade
da população, portanto com a mesma média  e a mesma variância 2 da população. Da
teoria do cálculo de probabilidades, sabe-se que:

a) multiplicando-se os valores de uma variável aleatória por uma constante, a média fica
multiplicada por essa constante;

b) a média de uma soma de variáveis aleatórias é igual à soma das médias dessas
variáveis:
n

x i
x i 1

1
x1  x2  ...xn  (5.1)
n n

Ex   1
n
Ex1   Ex2   ...  Exn   1     ...     1 n.   
n n
(5.2)
 CAPÍTULO 5: AMOSTRAGEM
Portanto a média em torno da qual devem variar os possíveis valores da estatística x éa
própria média da população.

a) multiplicando-se os valores de uma variável aleatória por uma constante, a variância

fica multiplicada pelo quadrado dessa constante;

b) a variância de uma soma de variáveis aleatórias independentes é igual à soma das

variâncias:

     
2
 
2
s 2 x    s 2 x1   s 2 x2   ...  s 2 xn   2  2   2  ...   2  2 n 2 
1 1 1
n n n n
(5.3)
 CAPÍTULO 5: AMOSTRAGEM
Portanto a variância com que se dispersam os possíveis valores da estatística x é n
vêzes menor do que a variância da população de onde é retirada a amostra. Isto mostra
que há dentro da amostra uma natural compensação entre valores mais elevados e valores
mais baixos, produzindo valores de x que tendem a ser tanto mais próximos da média 
da população quanto maior for o tamanho da amostra n. Resulta imediatamente que:


s x  x 

(5.4)
n
No caso de amostragens sem reposição de populações finitas, em que a independência
entre os valores de xi não se verifica, demonstra-se que:


s2 x 
2 N n
.
n N 1
(5.5)
onde N é o número de elementos da população e o fator
N n
N 1
é chamado de fator de população finita. Note-se que este fator tende à unidade quando o tamanho da população tende ao infinito.
CAPÍTULO 5: AMOSTRAGEM
Na figura 5.2 é representado um caso genérico envolvendo a distribuição amostral de x ,
no caso de população normal.

Figura 5.2 Distribuição amostral de x - população normal

CAPÍTULO 5: AMOSTRAGEM
Na figura 5.3 é representado um caso genérico envolvendo a distribuição amostral de
x , no caso de uma distribuição populacional não-normal.

Figura 5.3 Distribuição amostral de x - população não-normal e amostra

suficientemente grande
CAPÍTULO 5: AMOSTRAGEM
5.5.2 Distribuições Amostrais de f e p’
A frequência f é uma estatística, pois é determinada em função dos elementos da
amostra. Para cada elemento da amostra pode-se considerar a ocorrência de um sucesso,
caso a característica desejada se verifique, e de um fracasso, caso contrário. Seja p a
probabilidade de ocorrência de sucesso para cada elemento da amostra. Se a população é
infinita ou amostragem é feita com reposição, p é constante para todos os elementos da
amostra, e os resultados observados para todos eles serão independentes. Nestas
condições a distribuição amostral de f será uma distribuição binomial com parâmetros n
e p, e pelas suas propriedades:
E f   np (5.6)

s 2  f   np1  p  (5.7)
CAPÍTULO 5: AMOSTRAGEM
A frequência relativa p’, por sua vez, sendo simplesmente o quociente de f pelo tamanho
da amostra n, terá média e variância que são obtidas por:
f 1
E  p'  E      f   np  p
1
(5.8)
n n n

f  1 2 p1  p 
s  p'  s    2   f   2 np1  p  
2 2 1
(5.9)
n n n n

O tipo de distribuição de p’ continua, para todos os efeitos, sendo uma distribuição binomial, porém cujos
possíveis valores foram comprimidos entre 0 e 1, com intervalos de 1/n, ao invés de variarem de 0 a n,
segundo os números naturais.
Sendo a amostra suficientemente grande, pode-se aproximar as distribuições de f e p’ por distribuições
normais de mesma média e mesmo desvio padrão. Em termos práticos, em geral, podemos considerar que a
amostra será suficientemente grande, para efeito dessa aproximação, se np  5 e n (1-p)  5.
CAPÍTULO 5: AMOSTRAGEM
5.5.3 Distribuição Amostral de s2 – Distribuição 2

5.5.3.1 Graus de Liberdade de uma Estatística

A variância de uma amostra é dada por:

s x  
2  
n
x  x
i 1 i
2

(5.10)
n 1
A razão pela qual se recomenda usar n-1 ao invés de n, no denominador dessa
expressão, está relacionada com o número de graus de liberdade dessa estatística. A
questão de graus de liberdade é, possivelmente, abstrata.
n n
Considere-se, por exemplo, as estatísticas x   xi / n e 
 i   2
x /n .
i 1 i 1
CAPÍTULO 5: AMOSTRAGEM
5.5.3.2 Distribuição Amostral de s2
Conforme já mencionado, a variância de uma amostra é calculada por:

s 2
x   
n
x  x
i 1 i
2

(5.11)
n 1
A distribuição amostral da estatística s 2 x  está relacionada com uma família de
distribuições de probabilidades, que são as distribuições tipo 2, que são dadas por:
 xi   
 2 
   
2
   zi
2
(5.12)
i 1    i 1
onde: xi = valores aleatórios independentes retirados de uma população normal
 = média dos valores aleatórios independentes retirados de uma população
normal
 = desvio padrão dos valores aleatórios
 = número de graus de liberdade da distribuição 2
CAPÍTULO 5: AMOSTRAGEM
Os valores zi são os correspondentes valores da variável normal reduzida. Portanto
pode-se considerar a distribuição da variável 2 com  graus de liberdade, como a soma
 
dos quadrados de  valores independentes da variável normal reduzida, na qual  z 2  1
, e donde pode-se tirar:
  2
       zi   zi2   
2
(5.13)
 i 1 
Pode-se também demonstrar que:
 
 2 2  2 , (5.14)

e que a moda da distribuição de 2 é  - 2, para   2.

Como a variável 2 resulta de uma soma de variáveis independentes e igualmente
distribuídas, segue-se pelo teorema do limite central que a família de distribuições do tipo
2 tende à distribuição normal quando o número de graus de liberdade aumenta.
 Uma outra propriedade das distribuições 2 é a da aditividade, que diz que a soma de
duas variáveis independentes com distribuições 2 com 1 e 2 graus de liberdade, terá
CAPÍTULO 5: também distribuição 2 com (1 + 2) graus de liberdade.
A figura 5.4 mostra algumas distribuições da família 2 e a tabela 5.5 fornece valores
das variáveis 2 , para  = 1, 2, ..., 30, em função de valores notáveis da probabilidade
AMOSTRAGEM correspondente à cauda à direita, determinada na respectiva distribuição.

Figura 5.4 Distribuições 2

 Tabela 5.6 Distribuições  2 - valores de 2, P , onde P  P2  2, P 

CAPÍTULO 5:
AMOSTRAGEM
 CAPÍTULO 5: AMOSTRAGEM
O conhecimento das distribuições 2 conduz à determinação da distribuição amostral da
estatística s2, conforme segue: A estatística

 x  x 
n 2
2
 xi  x  i

i 1     2
n i 1
(5.15)
 
tem distribuição do tipo 2 com (n-1) graus de liberdade. Logo:
 x  x  
n  1 i 1 xi  x  n  1s x2
n 2 n 2

  i 1
 2 
2 i
n 1 (5.16)
2  n 1 2
donde resulta:
2
s 
2
 n21 (5.17)
n 1
x

Verifica-se pois que a estatística s2 se distribui conforme uma distribuição do tipo 2

com (n-1) graus de liberdade.
Considerando a estatística acima e a expressão (5.16), obtém-se a média da mesma:
2 2
 s   2
  2
n 1   n  1 n  1   2
(5.18)
n 1
Considerando a expressão (5.13), tira-se a variância da estatística:
4 4 2 4
 s  
2 2
  n 1  
2 2
2n  1  (5.19)
n  12
n  12
n 1
 CAPÍTULO 5: AMOSTRAGEM
5.5.4 Distribuição t de Student
Supõe-se que para uma amostra de n valores retirados de uma população normal de
média  e desvio padrão , é definida a estatística:
x
z (5.20)
/ n
Como a distribuição amostral de x seria precisamente normal, com média  e desvio
padrão  / n , segue que essa estatística teria simplemente distribuição normal reduzida,
o que justifica o emprego de z na sua representação.
Porém se for utilizado na expressão o desvio padrão da amostra sx  / n  1 , obtém-
se uma estatística cuja distribuição não é mais normal. Assim Student (W.S. Gosset –
estatístico inglês) demonstrou que a estatística:
x
t (5.21)
sx  / n
distribui-se simetricamente, com média 0, porém não normalmente em torno da média.
Para grandes amostras, s(x) se aproxima de , e as correspondentes distribuições t se
aproximam da distribuição normal reduzida. Existe, portanto, uma família de
distribuições t cuja forma tende à da distribuição normal reduzida, quando n cresce. A
estatística indicada na expressão (5.21) tem (n-1) graus de liberdade, o que passa a ser
indicado por: tn-1.
CAPÍTULO 5: AMOSTRAGEM
A figura 5.5 mostra comparativamente uma distribuição t genérica e a distribuição
normal reduzida z, sendo que a primeira é mais alongada do que a segunda.

Figura 5.5 Distribuição t e distribuição normal reduzida

 A tabela 5.7 fornece valores de t em função de diversos valores do grau de liberdade
 e de probabilidades notáveis correspondentes à cauda direita da distribuição.
Tabela 5.7 Distribuições t de Student – valores de t,P, onde P = P(t  t,P)
CAPÍTULO 5:
AMOSTRAGEM

A expressão (5.21) pode ser escrita da seguinte maneira também:

x  
tn 1  z (5.22)
 / n sx  sx 
e considerando a expressão (5.16), obtém-se:
n 1
tn 1  z (5.23)
 n 1
2

que genéricamente é dada por:


t  z (5.24)
2
e que demonstra a relação existente entre as distribuições de t de Student e a de 2
CAPÍTULO 5: AMOSTRAGEM
5.5.5 Distribuição F de Snedecor
Conhecidas duas amostras independentes retiradas de populações normais com
variâncias amostrais s12 e s22 , uma distribuição amostral do quociente delas s12 / s22 será
denominada como distribuição F de Snedecor (G. Snedecor adaptou convenientemente
essas distribuições, anteriormente estudadas por Fisher, adotando F em sua denominação
como uma homenagem a este estatístico).
Define-se a variável F com 1 graus de liberdade no numerador e 2 graus de liberdade
no denominador, ou simplesmente, F 1 , 2 , por:
2 / 1
F 1 , 2  2 1
(5.25)
 / 2
2

onde, conforme a própria notação indica, 2i designa uma variável aleatória com
distribuição 2 com i graus de liberdade, sendo que estas devem ser independentes. Esta
definição geral engloba uma família de distribuições de probabilidades para cada par de
valores (1, 2) e a tabela 5.5 apresenta os valores da variável F que determinam caudas
à direita com probabilidades 0,5; 1; 2,5; 5 e 10%, fornecidos para diversos pares de
valores (1, 2).
CAPÍTULO 5: AMOSTRAGEM
Tabela 5.8 Distribuição F de Snedecor – valores de F 1 , 2 ,p, onde P = P ( F 1 , 2  F 1 , 2 ,p); P = 0,10
 CAPÍTULO 5: AMOSTRAGEM
A figura 5.6 mostra esquematicamente como se avalia a probabilidade de ocorrer um
valor acima de um dado aleatório:

Figura 5.6 Distribuição F de Snedecor

Considere-se que de duas populações normais com mesma variâcia 2 (ou o que seria
equivalente, de uma mesma população normal), sejam extraídas duas amostras
independentes com, respectivamente, n1 e n2 elementos e toma-se o quociente s12 / s22 das
variâncias dessas amostras. Utilizando a expressão (5.17), pode-se concluir que a
distribuição amostral desse quociente será uma distribuição Fn1  1, n2  1 , pois:
s12

 
 2 / n1  1  n21 1  n21 1 / n1  1
  Fn1 1, n2 1
 
s22  2 / n2  1  n22 1  n22 1 / n2  1
(5.26)
 CAPÍTULO 5: AMOSTRAGEM 1

5.3.5 Relações particulares entre as distribuições z, t, 2 e F

A família de distribuições t de Student converge para a distribuição normal padronizada
de z quando  cresce. Logo a distribuição z equivale à distribuição t.
A distribuição 2 surge de uma soma de  valores independentes de z2. Logo a distribuição
de 12 equivale à distribuição do quadrado de z.
Quanto à distribuição F, tem-se que:
2
F1, 2  12 (5.27)
2
2

Como 12  z 2 , tem-se que a distribuição F1,2 equivale à distribuição do quadrado de t2.
Por outro lado sabendo que:
 
 2   (5.28)
quando 2 tende ao infinito, a distribuição de F1,2 tende à de 21 / 1 :
2
F 1 ,   1
(5.29)
1
Em particular, a distribuição de F1, equivale à de 12 , ou de z2.
 Capítulo 5: AMOSTRAGEM

Dúvidas
Obrigado e bons estudos!!!
Os materiais e apostilas estão disponíveis no Google Drive
O convite / Link para aula é enviado através do email / Google Agenda