Índice

Distribuição Normal.......................................................................................................................2
Distribuição de probabilidade........................................................................................................4
A dois tipos de distribuição de probabilidade:...........................................................................4
Distribuições contínuas..............................................................................................................5
Teoria de Amostragem...................................................................................................................5
Tipo de Amostragem..................................................................................................................5
Amostragem Probabilística e Não-Probabilística......................................................................5
Amostragem Aleatória Sistemática:...............................................................................................6
Amostragem Aleatória Estratificada:.............................................................................................7
Dimensionamento da Amostra:......................................................................................................8
SELEÇÃO DOS ELEMENTOS DA AMOSTRA.........................................................................9
Principio de calculo de amostra......................................................................................................9
Tamanho da amostra e tamanho da população.........................................................................10
Tamanho da amostra e margem de erro (intervalo de confiança)............................................10
Tamanho da amostra e nível de confiança...............................................................................10
Tamanho da amostra e desvio padrão......................................................................................10
Intervalo de confiança..................................................................................................................11
TESTE DE HIPÓTESE................................................................................................................12
TIPOS DE TESTES DE HIPÓTESES: NATUREZA DOS TESTES.....................................12
Mecanismo de construção de:......................................................................................................13
Intervalo de confiança..............................................................................................................13
Teste de hipótese:.....................................................................................................................13
Conclusão.....................................................................................................................................14
Bibliografia...................................................................................................................................15

1
Introdução

Quando fazemos uma pesquisa, ou utilizamos algum mecanismo para obter

informações, um dos objetivos principais é coletar dados de uma pequena parte de um
grande grupo e aprender então alguma coisa sobre esse grupo maior

Ao longo do desenvolvimento do presente trabalho abordarei de uma forma simples e

clara para fazer perceber, como funciona a Distribuição normal e os seus componentes
e a teoria de amostragem

Objectivos

Objectivo geral

O objectivo central do presente trabalho e a Distribuição normal e a Teoria de

amostragem.

Objectivos específicos

Os Objectivos específicos são:

 Distribuição de probabilidade
 A dois tipos de distribuição de probabilidade:
 Tipo de Amostragem
 Dimensionamento da Amostra:
 Principio de calculo de amostra
 Intervalo de confiança
 As etapas do cálculo do Intervalo de Confiança
 Teste de hipótese
 Tipos de testes de hipóteses: natureza dos testes
 Mecanismo de construção

2
Distribuição Normal
É o modelo probabilístico utilizado para descrever de forma geral a freqüência
com que valores ocorrem num histograma. A distribuição normal ou Gaussiana é uma
das mais importantes distribuições teóricas e práticas. Ela é muito utilizada na
inferência estatística.

A distribuição normal é caracterizada por uma função de probabilidade, cujo

gráfico descreve uma curva em forma de sino,

A distribuição normal possui dois parâmetros, a média (μ)(μ), ou seja, onde está
centralizada e a variância (σ2>0) (σ2>0) que descreve o seu grau de dispersão. Ainda, é
comum se referir a dispersão em termos de unidades padrão, ou seja, desvio padrão (σ)
(σ). Cabe salientar que como qualquer outro modelo, dependendo dos parâmetros,
teremos diferentes distribuições normais.

É importante lembrar que a variável XX se distribui de forma contínua (variável

contínua) de e a área total sob a curva do modelo é unitária (ou seja 1).

Distribuição de probabilidade
Há muitas distribuições de probabilidade diferentes. Entre as distribuições de
probabilidade, a distribuição normal tem uma importância particular. De acordo com
o teorema central do limite, a distribuição normal aborda o comportamento assintótico
de várias distribuições de probabilidade.

Por exemplo, no lançamento de um dado cada face tem a mesma probabilidade

de ocorrência que é 1/6.

3
A dois tipos de distribuição de probabilidade:
Distribuição continuas: quando a variável que esta sendo medido e expressa em
uma escala continua, como no caso de uma característica dimensional.

Distribuição discreta: quando a variável esta sendo medido só pode assumir

certos valores, como por exemplo os valores internos: 1,2,3 etc.

Como os valores das distribuições de probabilidades são probabilidades, e como

as variáveis aleatórias devem tomar um de seus valores, temos as duas regras a seguir
que se aplicam a qualquer distribuição de probabilidades:

A soma de todos os valores de uma distribuição de probabilidades deve ser igual

a1

P(x) = 1, onde x toma todos os valores possíveis

A probabilidade de ocorrência de um evento deve ser

0 P (x)  1 para todo x

No exemplo do lançamento de um dado, como todas as faces têm a mesma

probabilidade de ocorrência que é 1/6, logo temos que P(x) = 1, ou seja:

P(x) = 1/6 + 1/6 + 1/6 + 1/6 + 1/6 + 1/6 = 1

Distribuições contínuas
A maioria das variáveis atmosféricas podem assumir valores contínuos.

Por exemplo: A temperatura, a precipitação, a altura geopotencial, e a

velocidade do vento.

Existem duas funções associadas a cada variável contínua X:

função densidade de probabilidade, f(X);

função cumulativa de probabilidade, ou

função de distribuição de probabilidade, F(X)

Logo a Função f(x) relaciona a probabilidade de ocorrência de um valor da

variável aleatória:

P(X = x) = f(x)

4
 Por exemplo no lançamento de dado:

P(X=3) = f(3) = 1/6

Teoria de Amostragem
Amostragem: É o processo de retirada de informações dos "n" elementos
amostrais, na qual deve seguir um método adequado (tipos de amostragem).

Tipo de Amostragem
Amostragem Probabilística e Não-Probabilística.
Amostragem PROBABILÍSTICA: Técnicas de amostragem em que a seleção é
aleatória de tal forma que cada elemento tem igual probabilidade de ser sorteado para a
amostra, e é selecionado independentemente de qualquer outro. Assim se conhece a
probabilidade de todas as combinações amostrais possíveis.

 Melhor recomendação que se deve fazer no sentido de se garantir a

representatividade da amostra, pois o acaso será o único responsável por
eventuais discrepâncias entre população e amostra.
 Permite Inferência Estatística.

Pode ser classificada em

 Amostragem Aleatória Simples

 Amostragem Aleatória Sistemática
 Amostragem Estratificada
 Amostragem por Conglomerados

Amostragem Aleatória Simples:

 Todos os elementos da população têm a mesma probabilidade de

ser selecionado;
 É o processo mais elementar e muito frequentemente utilizado;
 Vários meios podem ser usados, desde que ofereçam a mesma
probabilidade de seleção de um elemento da amostra.

Vantagens:

 Facilidade de compreensão;
 Resultados podem ser projetados para a população-alvo;

5
Desvantagens:

 Em geral, resulta em menor precisão com maiores erros do que

outras técnicas de amostragem probabilística;
 Pode não resultar em uma amostra representativa;

Amostragem Aleatória Sistemática:

Trata-se de uma variação da amostragem simples, conveniente quando a
população está ordenada segundo critério, como fichas de um fichário.

 K é o intervalo amostral e é obtido pela razão N (tamanho da

população) e n (tamanho da amostra);
 O primeiro elemento é retirado aleatoriamente (entre 1 e K) e os
de mais a partir de um intervalo K: o 1º elemento é o i=K, o 2º elemento é i+K,
o 3º elemento é i+2K e assim sucessivamente.

Exemplo: Em uma população de 100 (N), deseja-se uma obter uma amostra de
10 elementos (n), neste caso, o intervalo amostral é 100/10 = 10. Assim, escolhe-se um
n° aleatório entre 1 e 10. Imagine que 3 seja o número sorteado, a amostra consistirá
dos elementos 3, 13, 23, 33, 43, 53, 63, 73, 83, 93.

Amostragem Aleatória Estratificada:

Seu principal objetivo é aumentar a precisão sem elevar o custo.

 Amostragem Aleatória Estratificada: Seu principal objetivo é

aumentar a precisão sem elevar o custo.
 A amostragem estratificada consiste em especificar quantos itens
da amostra serão retirados de cada estrato;
 A seleção em cada estrato deve ser ALEATÓRIA;

Como a população se divide em subconjuntos, convém que o sorteio dos

elementos leve em consideração tais divisões, para que os elementos da amostra sejam
proporcionais ao número de elementos desses subconjuntos.

Amostragem por Conglomerados ou Agrupamentos: esta técnica é usada

quando a identificação dos elementos da população é extremamente difícil, porém pode
ser relativamente fácil dividir a população em conglomerados (subgrupos) heterogêneos
representativos da população global.

6
  Uma amostra aleatória simples desses conglomerados pode ser
escolhida, e uma contagem completa deve ser feita para o conglomerado
sorteado.
 São exemplos de conglomerados: quarteirões, famílias,
organizações, agências, edifícios, etc.

Amostragem Não-Probabilística: Não é possível generalizar os resultados

para a população, pois amostras não probabilísticas não garantem a
representatividade da população. Pode ser dividida em:

 Amostragem Acidental
 Amostragem por Julgamento
 Amostragem Intencional
 Amostragem por Quotas

Dimensionamento da Amostra:
O tamanho da amostra além de depender do nível de confiança estabelecido
para pesquisa é função direta do erro amostral, previamente fixado pelo pesquisador. O
erro amostral mais utilizado é de 5%, vindo a seguir o de 1%. No máximo esse erro
pode ser de 10%, para que se possa manter uma precisão razoável nos parâmetros
estimados pela pesquisa. Quanto menor o erro amostral maior o tamanho da amostra,
implicando em maior precisão nas estimativas populacionais e consequentemente maior
custo para execução da pesquisa. A fixação do erro amostral dependa essencialmente de
3 fatores:

 Grau de precisão requerido pela pesquisa

 Grau de variabilidade da variável pesquisada
 Recursos financeiros disponíveis para execução da pesquisa.

Se a variável escolhida for quantitativa contínua, podemos determinar o

tamanho da amostra, usando as fórmulas a seguirem:

2 2
z ∗δ
População infinita: n= 2
E

2 2
z ∗δ ∗N
População finita: n= 2
E (N – 1)+ z 2 . σ

7
 Se a variável escolhida for quantitativa discreta, podemos determinar o tamanho
da amostra, usando as fórmulas a seguir:

2
z ∗P∗q
População infinita: n= 2
E

z = Abscissa da curva normal, de acordo com o nível de confiança adotado.

σ2 = variância da população. Caso seja desconhecido e não existam estudos

semelhantes pode ser estimado a partir de uma amostra piloto em torno de 50
elementos, que geralmente é utilizada para testar o instrumento de pesquisa, bem como
avaliar o comportamento da variável pesquisada.

SELEÇÃO DOS ELEMENTOS DA AMOSTRA

Os dois melhores processos para seleção dos elementos da amostra são: os
números aleatórios e a seleção sistemática.

Números aleatórios: é constituída por conjuntos de números aleatórios,

dispostos em colunas, podendo ser utilizados da esquerda para direita, de baixo para
cima e vice-versa, desde que se mantenha uniformidade no método de seleção de cada
amostra. Para melhor utilização das tabelas aleatórias, devemos trabalhar com o mesmo
número de dígitos da população investigada. Para sua aplicação é preciso que todos os
elementos da população estejam cadastrados para que possam ser identificados quando
sorteados.

Seleção Sistemática – pode ser aplicada em qualquer população, mesmo que

seus elementos não estejam cadastrados. Consiste no cálculo do intervalo de
amostragem (I = N/n) de onde é selecionado, por qualquer processo, o primeiro
elemento da amostra. Os demais são escolhidos, em intervalos constantes e iguais ao
Intervalo de Amostragem, a partir do elemento anteriormente sorteado.

Principio de calculo de amostra

O cálculo de amostra é a ação de definir um grupo de indivíduos de uma
população com o intuito de estudar e caracterizar a população geral.

A ideia de cálculo de amostra parte do princípio que queremos estudar certas

particularidades de indivíduos e populações. Para isso, devemos buscar uma
racionalização de recursos, pois mesmo que seu objetivo seja conhecer a opinião das

8
pessoas de forma mais abrangente, estudar toda a população de uma cidade, país ou
região é algo inviável pois demandaria muito tempo, investimentos e, mesmo assim,
seria impossível garantir que toda a população tenha respondido seu questionário. Por
isso existe o cálculo de amostra, para conseguirmos selecionar uma amostra que consiga
representar nosso interesse.

Qual deve ser o valor final do cálculo de amostragem que eu preciso para
estudar um universo?

Tamanho da amostra e tamanho da população

De quantas pessoas estamos falando? Para descobrir isso, é importante saber
exatamente quem se encaixa e quem não se encaixa no seu grupo. Por exemplo, se você
quiser pesquisar tutores de cães, incluirá todas as pessoas que em algum momento
tiveram pelo menos um cão. (Dependendo do objetivo, pode ser interessante excluir
pessoas que não têm um cão no momento.) Se não for possível calcular o número exato,
tudo bem; é comum ter um número desconhecido ou uma faixa de estimativa.

Tamanho da amostra e margem de erro (intervalo de confiança)

Erros são inevitáveis. A questão aqui é quanto de erro será tolerado na pesquisa.
A margem de erro, também conhecida como intervalo de confiança, é expressa em
média e é possível definir quanta diferença você permitirá entre a média da sua
amostragem e a média da sua população. Se você já prestou atenção às pesquisas
eleitorais, certamente já viu uma representação da margem de erro. É mais ou menos
assim: “68% da população disse sim para a Proposição Z, com uma margem de erro de
+/- 5%.”

Tamanho da amostra e nível de confiança

Esse é um conceito diferente do “intervalo de confiança” que mencionamos na
etapa 2. A questão aqui é o quanto você quer estar confiante de que a média real está

9
dentro da sua margem de erro. Os intervalos de confiança mais comuns são 90% de
confiança, 95% de confiança e 99% de confiança.

Tamanho da amostra e desvio padrão

Nesta etapa, você deverá estimar o quanto as respostas que você receber
variarão umas das outras e da média. Um desvio padrão baixo significa que todos os
valores estarão próximos da média, e um desvio padrão alto significa que eles estarão
mais espalhados em uma faixa mais longa com números bem baixos e bem altos nas
extremidades. Como você ainda não fez a pesquisa, uma escolha mais segura é um
desvio padrão de 0,5, que vai ajudar a garantir que sua amostragem seja suficiente.

Intervalo de confiança
É uma estimativa de um intervalo utilizado na estatística, que contém um
parâmetro populacional. Esse parâmetro de população desconhecido é encontrado
através de um modelo de amostra calculado a partir dos dados recolhidos.

Exemplo: a média de uma amostra recolhida x̅ pode ou não coincidir com a

verdadeira média populacional μ. Para isso, é possível considerar um intervalo de
médias amostrais onde esta média populacional possa estar contida. Quanto maior este
intervalo, maior a probabilidade de isso ocorrer

As etapas do cálculo do Intervalo de Confiança

O intervalo é calculado usando as seguintes etapas:

 Reúna os dados da amostra: n;

 Calcule a média da amostra x̅ ;
 Determine se um desvio padrão populacional (σ) é conhecido ou desconhecido;
 Se um desvio padrão populacional for conhecido, pode-se usar um ponto z para
o nível de confiança correspondente;
 Se um desvio padrão populacional for desconhecido, podemos usar uma
estatística t para o nível de confiança correspondente;
 Assim, encontram-se os limites inferior e superior do intervalo de confiança
usando as seguintes fórmulas.

10
TESTE DE HIPÓTESE
É uma regra bem objetiva de decisão, que auxilia o pesquisador a aceitar ou
rejeitar uma hipótese estatística, com base nos dados (resultados) amostrais
(experimentais).

Podemos ainda afirmar que teste de hipótese ou de significância é o meio pelo

qual se obtém a probabilidade de que uma diferença maior ou igual do que a observada
tenha sido ocasionada pelo acaso, se realmente não houver diferença, isto é, se a
hipótese Ho for verdadeira. Sendo assim, um teste de hipótese ou teste estatístico ou de
significância é um processo estatístico objetivo que auxilia o pesquisador a utilizá-lo
para se tirar uma conclusão, tomar uma decisão do tipo sim ou não sobre uma ou mais
populações previamente definidas, a partir de uma ou mais amostras oriundas dessas
populações. Vale lembrar que todas as amostras devem aleatórias, casuais ou
estocásticas escolhidas mediante um mecanismo de sorteio aleatório com elementos
independentes e identicamente distribuídos (AAS-i.i.d.) a qual é a única forma de
garantir representatividade estatística dos elementos da população interesse de estudo.

Hipótese

É uma afirmação, mentalmente elaborada, sobre as possíveis causas ou natureza

de um problema, fato observacional ou fenômeno que se deseja investigar. Basicamente
consiste em supor conhecida a resposta ou solução para o problema.

Tipos de testes de hipóteses: natureza dos testes

Testes Paramétricos: São aqueles que formulamos Hipóteses com respeito ao(s)
valor(res) de um(uns) parâmetro(s) populacional(is). Exemplo: teste referente à média
populacional “µ”.

Testes Não Paramétricos ou de Distribuição Livre: São aqueles nos quais

formulamos Hipóteses em que não fazemos nenhuma menção a respeito de parâmetros
populacionais ou quando formulamos Hipóteses com respeito à natureza da distribuição
de probabilidades da população. Ou ainda, podemos dizer que é aquele teste cujo
modelo não especifica condições sobre os parâmetros da população da qual a amostra
foi obtida.

11
Mecanismo de construção de:
Intervalo de confiança
Para outros tipos de aplicações menos comuns, existem várias rotas que poderiam ser
tomadas para derivar uma regra para a construção do intervalo de confiança.
Normalmente uma regra para a construção de intervalos de confiança está intimamente
ligada a uma forma particular de encontrar uma estimativa pontual da quantidade a ser
considerada,

As etapas são:

 Estatísticas descritivas
 Teoria da probabilidade
 Estimação de equações
 Teste de significância

Teste de hipótese:
Nos testes de hipóteses utilizamos os conhecimentos de estimação de parâmetros e
probabilidade na tomada de decisão a favor de uma hipótese com base nas evidências
(amostra) que lançamos mão.

Para testar a hipótese de que o treinamento A faz com que a performance dos
atletas seja inferior daqueles que realizaram o treinamento B testaremos as seguintes
hipóteses:

Cabe notar que a hipótese alternativa poderia ser de que a performance média
dos atletas treinados com o A é superior ou ainda diferente…

Traduzindo isso em termos de parâmetros, temos:

Ho:μA=μBHo:μA=μB
H1:μA<μBH1:μA<μB

12
Conclusão
O modelo probabilístico utilizado para descrever de forma geral a frequência com que
valores ocorrem num histograma. A distribuição normal ou Gaussiana é uma das mais
importantes distribuições teóricas e práticas. Ela é muito utilizada na inferência
estatística

A dois tipos de distribuição de probabilidade Distribuição continuas: quando a variável

que esta sendo medido e expressa em uma escala continua, como no caso de uma
característica dimensional.
Distribuição discreta: quando a variável esta sendo medido só pode assumir
certos valores, como por exemplo os valores internos.

Amostragem: É o processo de retirada de informações dos "n" elementos

amostrais, na qual deve seguir um método adequado (tipos de amostragem).

E vi que a dois tipos de amostragem, amostragem probabilística e amostragem

não probabilística. Não só o cálculo de amostra é a ação de definir um grupo de
indivíduos de uma população com o intuito de estudar e caracterizar a população geral.

13
Referencias Bibliografia

TRIOLA M. F. – Introdução à Estatística e Probabilidade – Exercícios Resolvidos e

Propostos. Rio de Janeiro: LTC, 1999.

FONSECA, Jairo Simon da. Introdução a Estatística. Rio de Janeiro: LTC. 1993.

14