Introdução:
A teoria da amostragem é um estudo das relações existentes entre uma população e as
amostras delas extraídas. É útil em: • estimação de parâmetros populacionais; •
determinação das causas de diferenças observadas entre amostras. Constitui o que
chamamos de estatística indutiva ou inferência estatística que consiste em inferir
conclusões importantes sobre uma população a partir da análise de resultados
observados em amostras aleatórias. Como toda conclusão deduzida a partir da
amostragem é acompanhada de um grau de incerteza ou risco, o problema fundamental
da inferência estatística é medir este grau de incerteza ou risco das generalizações.
Parâmetro: medida numérica que descreve uma população. Genericamente representado
por θ. Exemplos: média (µ), variância (2 σ ). Estatística ou estimador: medida numérica
que descreve uma amostra. Genericamente representado por θ ˆ. Exemplos: média (x),
variância (2 S). Estimativa: valor numérico de um estimador. Erro amostra: erro que
ocorre pelo uso da amostra. Denotado por ε e definido por: ε =θ −θ ˆ. Uma distribuição
amostra é a distribuição de probabilidade de um estimador (ou estatística) da amostra
formada quando amostras de tamanho n são colhidas várias vezes de uma população.
Por exemplo, se o estimador da amostra for a sua média, a distribuição será uma
distribuição amostra de médias das amostras.
A amostragem consiste em observar ou mensurar uma parte de uma população florestal
para obter estimativas representativas de todo o restante desta mesma população. É uma
forma de estimar, com confiança, parâmetros populacionais sem precisar mensurar toda
a população.
Teoria da Amostragem
A amostragem e em particular os processos de amostragem aplicam-se em variad
´ıssimas ´areas do conhecimento e constituem, muitas vezes, a ´unica forma de obter
informa¸c˜oes sobre uma determinada realidade que importa conhecer. A teoria da
amostragem ´e assim um dos instrumentos que possibilita esse conhecimentos cientifico
da realidade, onde outros processos ou m´etodos alternativos, por raz˜oes diversas, n˜ao
se mostram adequados ou at´e mesmo poss´ıveis. A teoria da amostragem estuda as
rela¸c˜oes existentes entre uma popula¸c˜ao e as amostras extra´ıdas dessa popula¸c˜ao.
E ´util para avalia¸c˜ao de grandezas ´ desconhecidas da popula¸c˜ao, ou para
determinar se as diferen¸cas observadas entre duas amostras s˜ao devidas ao acaso ou se
s˜ao verdadeiramente significativas. Amostragem ´e o processo de determina¸c˜ao de
uma amostra a ser pesquisada. A amostra ´e uma parte de elementos seleccionada de
uma popula¸c˜ao estat´ıstica. Enquanto que um senso envolve um exame a todos os
elementos de um dado grupo, a amostragem envolve um estudo de apenas uma parte
dos elementos. A amostragem consiste em seleccionar parte de uma popula¸c˜ao e
observ´a-la com vista a estimar uma ou mais caracter´ısticas para a totalidade da
popula¸c˜ao.
Consideremos o seguinte problema. Seja X o peso real de pacotes de café, enchidos
automaticamente por uma máquina. Sabe-se que a distribuição de X pode ser
representada por uma normal, com parâmetros 2 µ e σ . Suponhamos que a máquina
esteja regulada para encher os pacotes segundo uma distribuição normal com média 500
gramas e desvio padrão de 10 gramas, isto é, X ~ N(500,100). Sabemos que, às vezes, a
máquina desregula-se e quando isto acontece o único parâmetro que se altera é a média,
permanecendo a mesma variância. Para manter a produção sob controle iremos recolher
uma amostra de 100 pacotes e pesá-los. Como essa amostra nos ajudará a tomar uma
decisão? Usaremos a média x da amostra como informação pertinente para uma decisão.
Mesmo que a máquina esteja regulada, dificilmente x será igual a 500 gramas, dado que
os pacotes apresentam certa variabilidade de peso. Mas se x não se afastar muito de 500
gramas, não existirão razões para suspeitarmos da qualidade do procedimento de
produção. Só iremos pedir uma revisão se o erro amostral ( x – 500) for “muito grande”.
O problema que se apresenta agora é o de decidir o que é próximo ou distante de 500
gramas. Se o mesmo procedimento de colher a amostra de 100 pacotes fosse repetido
um número muito grande de vezes, sob a condição de a máquina estar regulada,
teríamos idéia do comportamento da variável x , e saberíamos dizer se aquele valor
observado é ou não um evento raro de ocorrer. Caso o seja, é mais fácil suspeitar da
regulagem da máquina do que do acaso. Portanto é importante conhecer as propriedades
da distribuição da variável x . As médias x das amostras de tamanho n retiradas de uma
população com média µ e desvio padrão σ formam a distribuição amostral com os
seguintes parâmetros: • O valor esperado ou média é igual à média populacional: E(x)=
µ(x)= µ . • A variância é igual à variância populacional dividida pelo tamanho da
amostra: ( ) n Var x x 2 2 ( ) σ =σ = . OBS: Se a população é finita e de tamanho N
conhecido, e se a amostragem é feita sem reposição, então ( ) 1 ( ) 2 2 − − = = ⋅ N N n n
Var x x σ σ . Temos, portanto, para desvio padrão das médias amostrais: • ( ) n x σ σ = ,
se a população é infinita, ou se a amostragem é feita com reposição; • ( ) −1 − = N N n n
x σ σ , se a população é finita, ou se a amostragem é feita sem reposição. Observemos
pelas fórmulas apresentadas que quanto maior o tamanho da amostra, menor será a
variância de x , ou seja, o estimador x será mais preciso à medida que o tamanho da
amostra aumentar.
