Escolar Documentos
Profissional Documentos
Cultura Documentos
3.1 População
População ou Universo é o conjunto 𝑼 de todas as unidades elementares
de interesse. É indicado por
𝑼 = {1, 2, . . . , N},
𝑌𝑖 , 𝑖 ∈ 𝐔,
ou, no caso multivariado,
𝑌𝑖 = (𝑌𝑖1 , … , 𝑌𝑖𝑝 ), 𝑖 ∈ 𝑼.
1
Função Paramétrica Populacional é uma característica numérica qualquer da
população, ou seja, uma expressão numérica que condensa funcionalmente os
𝑌𝑖 ’s (ou 𝒀𝑖 ), 𝑖 ∈ 𝑼.
Tal função numérica será denotada por 𝜃(𝑫).
2
e) renda média por trabalhador,
2) Média populacional,
ou, às vezes,
3) Covariância populacional,
ou, às vezes,
3
∑𝑁 𝑋
𝑖 ∑𝑁 𝑌
𝑖
onde 𝜇𝑋 = 𝑖=1 e 𝜇𝑌 = 𝑖=1 denotam as médias populacionais
𝑁 𝑁
correspondentes às variáveis X e Y , respectivamente.
Pode-se também ter interesse pela:
4) Correlação populacional,
5) Razão populacional,
onde 𝜏𝑋 = ∑𝑁 𝑁
𝑖=1 𝑋𝑖 e 𝜏𝑌 = ∑𝑖=1 𝑌𝑖 .
3.2 Amostras
Considere uma população fixa
𝑼 = {1, 2, . . . , N}.
𝒔 = (𝑘1 , … , 𝑘𝑛 )
tal que
𝑘𝑖 ∈ 𝑼.
Definição 3.2 Seja 𝑓𝑖 (𝑠) a variável que indica o número de vezes (frequência)
que a i-ésima unidade populacional aparece na amostra s. Seja 𝛿𝑖 (𝑠) a
variável binária que indica a presença ou não da i-ésima unidade na
amostra s, isto é,
.
4
Exemplo 3.3 Usando as amostras do Exemplo 3.2, tem-se para a variável
frequência f que 𝑓1 (𝒔1 ) = 1, 𝑓2 (𝒔1 ) = 1, 𝑓3 (𝒔1 ) = 0, 𝑓1 (𝒔5 ) = 1, 𝑓2 (𝒔5 ) = 3 e
𝑓3 (𝒔5 ) = 1. Com relação a variável presença, temos, por exemplo, que 𝛿1 (𝒔1 ) =
1, 𝛿2 (𝒔1 ) = 1, 𝛿3 (𝒔1 ) = 0, e 𝛿1 (𝒔5 ) = 1, 𝛿2 (𝒔5 ) = 1, 𝛿3 (𝒔5 ) = 1.
𝑆2 (𝐔) = {(1,1), (1,2), (1,3), (2,1), (2,2), (2,3), (3,1), (3,2), (3,3)}.
Definição 3.5 Uma função 𝑃(𝑠) definida em 𝑆(𝑼), satisfazendo 𝑃(𝑠) ≥ 0, para
qualquer 𝑠 ∈ 𝑆(𝑼) e tal que
∑{𝒔:𝒔∈𝑆} 𝑃(𝒔) = 1,
• Plano A:
• Plano B:
• Plano C:
P(2) = 1/3
P(12) = P(32) = 1/9
P(112) = P(132) = P(332) = P(312) = 1/27
P(111) = P(113) = P(131) = P(311) = 1/27
P(133) = P(313) = P(331) = P(333) = 1/27
P(s) = 0, para as demais 𝒔 ∈ 𝑆.
6
É fácil verificar que com esta descrição reproduz-se as probabilidades
consideradas naquele exemplo. Podem ser usados vários tipos de descritores
para representar as probabilidades associadas a cada amostra. Um deles muito
utilizado na abordagem clássica da amostragem é a descrição do planejamento
através das regras para o sorteio da amostra.
Observe que este é o mesmo plano amostral descrito no Exemplo 3.6, o plano
A. Incidentalmente, este plano amostral, um dos mais simples, é conhecido como
Amostragem Aleatória Simples, com reposição, e será estudado
detalhadamente nos próximos módulos.
7
3.4 Resultados Importantes (Estudar)
(3.3)
Prova. Basta desenvolver o produto notável ou usar o conceito de
covariância.
(3.4)
(∑ 𝑌𝑖 ) = (𝑁𝜇)2
𝑖=1
𝑁
∑ 𝑌𝑖2 + ∑ 𝑌𝑖 𝑌𝑗 = (𝑁𝜇)2
𝑖=1 𝑖≠𝑗
∑𝑁 2 2
𝑖=1 𝑌𝑖 = − ∑𝑖≠𝑗 𝑌𝑖 𝑌𝑗 + (𝑁𝜇) .
(3.5)
Assim, fixado um plano amostral A, o tamanho médio (ou esperado) e a variância
do tamanho da amostra será
8
(3.6)
(Prova. Linearidade da média.)
e
(3.7)
(3.8)
Para aqueles planos, que além da propriedade acima, possuem tamanho fixo,
tem-se também 𝑉𝑎𝑟𝐴 [𝑛] = 0, implicando em:
(3.9)
(Prova. Aplicar fórmula (3.7), considerando que há N(N-1) parcelas de
covariância e tamanho amostral fixo.)
Dentre os planos amostrais com a propriedade (3.9) (ou seja, simétricos e
fixos), destacam-se os planos AAS com e sem reposição. Para uma amostra s
considere a estatística t correspondente a soma dos valores observados na
amostra (total), isto é,
(3.10)
Correspondendo ao espaço amostral 𝑆𝐴 , tem-se associado a variável aleatória
9
onde as variáveis aleatórias 𝑦𝑖 estão dadas em (3.1). Usando a variável auxiliar
𝑓𝑖 , pode-se reescrever a expressão acima, como função de todas as
observações da população, ou seja,
(3.11)
Note que a variável aleatória 𝒕 definida acima pode ser escrita em termos das
variáveis aleatórias 𝑓𝑖 como
.
Para um plano amostral 𝐴, tem-se as propriedades:
(3.12)
(Prova. Basta aplicar o operador de esperança matemática sob o plano
amostral 𝐴.)
(3.13)
Para a classe dos planos amostrais simétricos e de tamanho fixo
considerados acima, tem-se que
(3.14)
(Prova. Basta considerar 𝑓𝑖 = 𝑓, tamanho fixo e o total populacional 𝜏 = ∑𝑁
𝑖=1 𝑌𝑖 .)
10
(3.15)
Dado que 𝑉𝑎𝑟𝐴 (𝑡) = 𝐸𝐴 [𝑡 2 ] − 𝐸𝐴2 [𝑡], pode-se tirar uma relação adicional muito
útil, ou
que no caso simples (n fixo e simetria), usando (3.14) e (3.15), passa a ser
(3.16)
(3.17)
(Prova. Basta escrever a soma em termos da variável auxiliar 𝑓𝑖 .)
Logo,
11
(3.18)
(Prova. Basta aplicar o operador de esperança sob o plano amostral A,
considerando plano simétrico e tamanho de amostra fixo e usando a fórmula
decomposição da variância populacional.).
(3.19)
(Prova. Sob o plano amostral A, basta aplicar o operador de esperança usando
a lei das expectativas iteradas, resultado de probabilidade.).
(3.20)
𝑖 ≠ 𝑗 = 1, … , 𝑁.
(Prova. Sob o plano amostral A, basta aplicar os operadores de esperança e
variância usando a lei das expectativas iteradas, resultado de probabilidade.).
Momentos:
𝐸(𝑋𝑖 ) = 𝑛𝑝𝑖 ,
𝑉𝑎𝑟(𝑋𝑖 ) = 𝑛𝑝𝑖 (1 − 𝑝𝑖 ),
𝐶𝑜𝑣(𝑋𝑖 , 𝑋𝑗 ) = −𝑛𝑝𝑖 𝑝𝑗 .
Exemplo: Lançamento de um dado honesto n vezes.
OBS.: É a generalização da distribuição binomial.
12
BIBLIOGRAFIA
13