UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMTICA CADERNOS DE MATEMTICA E ESTATSTICA

SRIE B: TRABALHO DE APOIO DIDTICO

AMOSTRAGEM II
Elsa Cristina de Mundstock

SRIE B, N 53 Porto Alegre, agosto de 2006.

Amostragem II 2 ________________________________________________________________________________________

NDICE
1. AMOSTRAGEM SISTEMTICA.................................................................................................................. 4 1.1 DESCRIO, VANTAGENS E PROBLEMAS .......................................................................................... 4 DESCRIO................................................................................................................................................... 4 VANTAGENS DA AMOSTRAGEM SISTEMTICA........................................................................................ 4 PROBLEMAS DA AMOSTRAGEM SISTEMTICA ....................................................................................... 4 1.2 SELEO DA AMOSTRA .......................................................................................................................... 4 1.3 ESTIMADOR DE ..................................................................................................................................... 5 a) QUANDO N=nk.......................................................................................................................................... 5 Quando N=nk: ................................................................................................................................................ 6 b) QUANDO N=nk+r ..................................................................................................................................... 6 1.4 VARINCIA DA MDIA AMOSTRAL ..................................................................................................... 7 1.5 CORRELAO INTRACLASSE ................................................................................................................ 9 a) DEFINIO ............................................................................................................................................... 9 b) FRMULA ALTERNATIVA PARA O CLCULO DO COEFICIENTE DE CORRELAO INTRACLASSE.............................................................................................................................................. 12 c) RELAO ENTRE I e

2 Sis ................................................................................................................ 13 x

d) VALORES EXTREMOS QUE I PODE TOMAR ................................................................................... 13 1.6 ESTIMAO DA VARINCIA DA MDIA AMOSTRAL ..................................................................... 14 1.7 TIPOS DE POPULAO........................................................................................................................... 15 a) POPULAES EM ORDEM ALEATRIA ......................................................................................... 15 b) POPULAES COM TENDNCIA LINEAR .......................................................................................... 15 c) POPULAES COM VARIAES PERIDICAS.................................................................................. 16 1.8 EFICINCIA RELATIVA E EFEITO DO DELINEAMENTO.................................................................. 17 1.9 EFEITO DO DELINEAMENTO NA AMOSTRAGEM SISTEMTICA.................................................. 18 1.10 AMOSTRAGEM SISTEMTICA EM 2 DIMENSES .......................................................................... 19 1.11 CONSIDERAES GERAIS................................................................................................................... 21 1.12 RESUMO AMOSTRAGEM SISTEMTICA ..................................................................................... 22 2. AMOSTRAGEM POR CONGLOMERADOS ............................................................................................ 24 2.1 DESCRIO E EXEMPLOS ..................................................................................................................... 24 2.2 CONGLOMERADOS COM ETAPA NICA ............................................................................................ 25 a) PROBABILIDADE DE SELEO ........................................................................................................... 25 b) PARMETROS E ESTIMADORES........................................................................................................... 25 c) CONGLOMERADOS COM ETAPA NICA DO MESMO TAMANHO ( N i = N ) ................................ 29 2.3 SUB-AMOSTRAGEM (AMOSTRAGEM BIETPICA) .......................................................................... 30 a) ESTIMAO DO TOTAL POPULACIONAL........................................................................................... 30 b) ESTIMAO DA MDIA DA POPULAO........................................................................................... 31 c) CONGLOMERADOS DO MESMO TAMANHO E AMOSTRAS DO MESMO TAMANHO NOS CONGLOMERADOS ( N i = N e n i = n ) .............................................................................................. 33 2.4 EFICINCIA RELATIVA DA AMOSTRAGEM POR CONGLOMERADOS COMPARADA COM A AMOSTRAGEM ALEATRIA SIMPLES...................................................................................................... 34 2.5 COEFICENTE DE CORRELAO INTRACLASSE ............................................................................... 36 2.6 VARINCIA DA MDIA EM FUNO DE I ...................................................................................... 37 2.7 EFICINCIA EM FUNO DE I ........................................................................................................... 38 2.8 FUNO DE CUSTO ................................................................................................................................ 38 2.9 ASPECTOS IMPORTANTES DA AMOSTRAGEM POR CONGLOMERADOS................................... 40 2.10 RESUMO AMOSTRAGEM POR CONGLOMERADOS. .................................................................. 41

Amostragem II 3 ________________________________________________________________________________________ 3. AMOSTRAGEM COM PROBABILIDADES VARIVEIS ...................................................................... 43 3.1 PROCEDIMENTO PARA SELEO DE AMOSTRA ............................................................................ 43 3.2 AMOSTRAGEM ALEATRIA COM PROBABILIDADES VARIVEIS .............................................. 44 a) PROBABILIDADES DE SELEO ......................................................................................................... 44 b) ESTIMAO NA AMOSTRAGEM COM REPOSIO ........................................................................... 45 3.3 SELEO COM PROBABILIDADES VARIVEIS NA AMOSTRAGEM POR CONGLOMERADOS 48 a) AMOSTRAGEM POR CONGLOMERADOS COM ETAPA NICA ........................................................ 49 b) AMOSTRAGEM BI-ETPICA COM PROBABILIDADES VARIVEIS................................................... 50 c) AMOSTRAGEM BI-ETPICA COM PROBABILIDADE PROPORCIONAL AO TAMANHO (PPT)...... 51 3.4 COMPARAO DA SELEO COM PPT E SELEO COM PROBABILIDADES IGUAIS NA AMOSTRAGEM POR CONGLOMERADOS ................................................................................................. 53 3.5 RESUMO AMOSTRAGEM COM PROBABILIDADES VARIVEIS. .............................................. 56 4. BIBLIOGRAFIA............................................................................................................................................. 57

Amostragem II 4 ________________________________________________________________________________________

1. AMOSTRAGEM SISTEMTICA
1.1 DESCRIO, VANTAGENS E PROBLEMAS
DESCRIO Seja N o tamanho de uma populao, e n o tamanho da amostra. Seja k =
N o n

intervalo de amostragem. O mtodo de amostragem sistemtica consiste em selecionar, aleatoriamente, uma unidade amostral entre as k primeiras unidades da populao e, a partir da, selecionar as restantes a intervalos fixos cada k unidades. No caso em que N = nk, o intervalo k divide a populao em n grupos, cada grupo com k unidades. Pelo mtodo sistemtico, seleciona-se uma unidade de cada grupo e cada unidade selecionada tem a mesma localizao dentro do grupo. 24 Ex.: Seja N = 24 e n = 4. O intervalo de amostragem k = = 6 . A primeira ser 4 selecionada por amostragem aleatria simples entre as unidades 1 e 6 do cadastro. Supondo que tenha sido a 5a, ento as outras unidades so: 11, 17 e 23. A amostra sistemtica de utilidade em casos como a seleo de cada k-simo registro num arquivo, a seleo de uma em cada k cidades de uma lista, etc. A aplicao de amostragem sistemtica fcil e muito pouco sujeita a erros. Isto vantajoso quando o prprio entrevistador o encarregado de selecionar a unidade a campo. Ele pode ser instrudo a selecionar uma em cada k casas de uma rua, ou alunos de uma aula, ou pginas de um livro, ou fichas de um arquivo. VANTAGENS DA AMOSTRAGEM SISTEMTICA - Facilidade para selecionar a amostra. - Geralmente mais representativa por distribuir-se de uma maneira mais homognea sobre toda a populao. Este pode no ser o caso para populaes com certas caractersticas (tendncias, periodicidade, etc). - Sob certas condies, a amostragem sistemtica pode substituir a amostragem aleatria simples. - Pode proporcionar uma amostra estratificada proporcional, se a populao estiver arranjada em ordem em funo da varivel a ser estudada . PROBLEMAS DA AMOSTRAGEM SISTEMTICA Nos casos em que o tamanho da populao no mltiplo do intervalo de amostragem os estimadores so viesados, porm, o vcio em geral pequeno. No pode ser definido um estimador para a varincia dos estimadores baseado em uma nica amostra sistemtica.

1.2 SELEO DA AMOSTRA

Amostragem II 5 ________________________________________________________________________________________

Em geral, N no um mltiplo de k, portanto, diferentes amostras sistemticas selecionadas da mesma populao finita podem ter uma diferena de uma unidade no tamanho da amostra. Exemplo: Com N = 23, k = 5 as diferentes amostras sistemticas so:
Amostra

1 1 6 11 16 21

2 2 7 12 17 22

3 3 8 13 18 23

4 4 9 14 19

5 5 10 15 20

As primeiras 3 amostras so de tamanho n = 5 e as ltimas duas so de n = 4. Quando Nnk a seleo da amostra pode ser realizada de diferentes maneiras, por exemplo: a) Permitir que, dependendo do incio aleatrio, o tamanho da amostra seja n ou n+1. b) Considerar a lista circular de maneira que, aps o final do cadastro, volta-se primeira unidade da lista. c) Usar intervalos fracionrios com uma casa decimal. Por exemplo, suponha a seleo de uma amostra de n=100 unidades de uma populao de N=920. O intervalo de amostragem k=920/100=9,2. Selecione um nmero aleatrio entre 1 e 92 e some 92 sucessivamente at obter n=100, depois, arredonde esses nmeros truncando as casas decimais.

1.3 ESTIMADOR DE
a) QUANDO N=nk No caso em que N = nk as k amostras possveis so: Amostra j 1 2 3 . j . 1 1 1+k 1 + 2k . 1 + (j - 1)k . 2 ............... 2 2+k 2 + 2k . 2 + (j-1)k . I I i+k i + 2k . i + (j - 1)k . k k 2k 3k . jk .

Amostragem II 6 ________________________________________________________________________________________

1 + (n-1)k

2 + (n-1)k

i + (n-1)k

nk

Seja x ij a observao da unidade i+(j-1)k na populao (i = 1, 2,, k ; j = 1, 2, , n). Supondo que o numero aleatrio selecionado entre 1 e k i, ento a amostra selecionada consiste todas as unidades da coluna i . Quando N=nk: 1 n x i = x ij mdia da amostra i. n j =1

1 1 k n = xi j = k kn i j
ESPERANA DE X i

i=j

x i mdia populacional

A probabilidade de selecionar a coluna i na amostragem sistemtica Portanto,

1 . k

1 k E( x i ) = x i = k i =1

1 k n x ij = . nk i j

Ento, a mdia amostral X i um estimador no tendencioso de na amostragem sistemtica quando N = nk. b) QUANDO N=nk+r Se N = nk + r onde r < k, o tamanho de amostra varia, dependendo do numero selecionado inicialmente. As amostras possveis so:

Amostra j 1 2 3 . n n+1 1 1 1+k 1+2k . 1+(n-1)k 1+nk 2 ......... 2 2+k 2+2k . 2+(n-1)k 2+nk i........... i i+k i+2k . i+(n-1)k i+nk r r r+k r+2k . r+(n-1)k r+nk r +1............ r+1 r+1+k r+1+2k . r+1+(n-1)k k k 2k 3k . nk

Existem r amostras de tamanho n+1 e k-r amostras de tamanho n.

Amostragem II 7 ________________________________________________________________________________________

A mdia da populao :

k n 1 r n +1 x ij + x ij nk + r i =1 j=1 i = r +1 j=1
r k 1 (n + 1) x i + n x i nk + r i =1 i = r +1

A mdia amostra : 1 n +1 xi = x ij n + 1 j=1

se i r

1 = n

x
j =1

ij

se i > r

ESPERANA DE X i E ( x sis ) =

i =1

x i P ( i r) +
r k

i = r +1

x i P (i > r)

P(ir) = P(i>r) =

kr k

r E ( x sis ) = k

xi +
i =1

kr k xi k i =r+ 1

A mdia amostral um estimador tendencioso da mdia da populao quando N=nk+r.

1.4 VARINCIA DA MDIA AMOSTRAL

Seja N = nk. Existem k amostras possveis e cada uma tem probabilidade Segundo a frmula bsica da varincia, sabemos que:
2 = X 1 k
1 de ser selecionada. k

(x
i =1

Amostragem II 8 ________________________________________________________________________________________

Por transformaes algbricas pode-se chegar expresso:

2
_

X sis

N 1 2 1 = S N N

_ x ij x i i j

1
Sendo S2 = N 1 Mas,

(X
i j

ij

N 1 2 S = 2 N

2
_

= 2

X sis

1 N

_ x ij x i i j

Vemos que

2 (sis ) fica dividida em duas partes: x

O primeiro elemento a varincia da populao (2). 1 ( X ij X i ) 2 representa a varincia ponderada das k O segundo elemento, N i j amostras sistematicas. Quanto maior for a varincia dentro das amostras sistemticas, menor 2 ser x . Uma grande variao dentro de uma amostra sistemtica obtida quando a amostra heterognea. Portanto, quando as amostras possveis so heterogneas, a preciso da amostra sistemtica aumenta.

Exemplo de clculo de 2 Sis : x Seja a populao 1, 2, 3 | 4, 5, 6 | 7, 8, 9 k = 3, n = 3. As amostras possveis so: amostra 1 xij x1j2 1 1 4 16 7 49 ____ ____ 12 66 amostra 2 x2j x2j2 2 4 5 25 8 64 ____ ____ 15 93
2

amostra 3 x3j x3j2 3 9 6 36 9 81 ____ ____ 18 126

2
_

X sis

1 = N
2

_ x ij x i i j

Calculando o primeiro termo, a varincia da populao: 1 2 =5 2 = (xij )2 x ij = 285 N i j i j

Amostragem II 9 ________________________________________________________________________________________

2 =

1 N

1 60 2 x ij N 2 = [285 (9 25)] = 9 9 i j

O segundo termo :
1 (x ij x i )2 = 1 x ij2 N i j N i

( x )
ij

( 12 ) 2 ( 15 ) 2 ( 18 ) 2 1 = 66 + 93 + 126 9 3 3 3
= 1 (18 + 18 + 18) = 54 9 9

2 Substituindo em x sis .

x2 =
Sis

60 54 2 = 9 9 3

2 Na prtica, para calcular x sis necessrio conhecer todas as k amostras sistemticas.

Conseqentemente, no h possibilidade de estimar a varincia da mdia na amostragem

sistemtica tendo s uma amostra selecionada. Seria necessrio ter, pelo menos, duas amostras para poder estimar a varincia dentro de estratos. No entanto, conhecendo a frmula geral da varincia da mdia na amostragem sistemtica, podemos estabelecer quais os casos em que a amostragem sistemtica fornece maior preciso que a amostragem aleatria simples. Nesses casos pode ser utilizada uma seleo sistemtica ao invs de uma aleatria simples. Na amostragem estratificada pode-se utilizar amostragem sistemtica para selecionar as amostras dentro de estratos se as condies necessrias forem preenchidas.

1.5 CORRELAO INTRACLASSE

a) DEFINIO A influncia da variao dentro da amostra em 2 Sis pode ser vista atravs do x seguinte exemplo: Seja a populao: 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 =3 As unidades da populao apresentam periodicidade. Se k = 5 e a seleo aleatria do 10 elemento for, por exemplo 2, a amostra ser 2, 2, 2, que uma amostra homognea e 2 no representativa da populao. A variao dentro zero, e neste caso x ser grande. 2 x = 2 = 2.

Amostragem II 10 ________________________________________________________________________________________

Para obter uma medida da heterogeneidade de uma amostra sistemtica utiliza-se o coeficiente de correlao intraclasse.

I =

E ( x i j - )( x i j - ) E ( x i j - )2

];

j' j

A frmula para calcular I :

I =

2 n 1

i j< j'

( xi j ) ( x i j' )

1 1 N - 1 S2

N 1 n = tamanho da amostra
Exemplo 1: Seja a populao 1, 7, 2, 8, 3 e 9, dividida em duas amostras possveis (grupos). Calcular I. N=6 n=3 k=2 Existem duas amostras sistemticas possveis, de tamanho 3 Amostra 1 2 1 7 2 8 3 9 =
30 = 5 6 (7 5)2 + (8 5)2 + (9 5)2 + (1 5)2 + (2 5)2 + (3 5)2 2 S = 6 1 4 + 9 + 16 + 16 + 9 + 4 58 = S2 = 5 5

S2 =

( xi j )2
j

Para calcular

(x
i j< j'

ij

)(x ij' ) procede-se a formar os pares dentro de cada amostra

Amostra 1 (i = 1)

Amostra 2 (i = 2)

( x 1 j - ) ( x 1j ' - ) :
( 1 - 5 ) ( 2 - 5 ) = 12 (1 -5)(3-5) = 8 (2 -5)(3-5) = 6 ( x 1j ) ( x 1j' ) = 26
j< j'

( x 2 j - ) ( x 2j ' - ) :
( 7 - 5) ( 8 - 5 ) (7-5)(95) (8-5)(95) ( x 2 j ) ( x 2 j' )
j< j'

= 6 = 8 = 12 = 26

Amostragem II 11 ________________________________________________________________________________________

I =

2 1 1 'j (x ij )(x ij' ) N 1 S 2 n 1 i j< 2 1 5 52 ( 26 + 26 ) = = 0,896 3 -1 6 - 1 58 58

I =

A caracterstica do I que os desvios das unidades amostrais so calculados em funo da mdia da populao () e no das respectivas mdias amostrais. Observe que, no grupo 1, todas as unidades apresentam desvios com sinal negativo a respeito de , e os produtos de desvios so positivos ( x ij - ) ( x ij' - ) > 0 . Por outro lado todas as unidades do grupo 2 apresentam desvios positivos e os produtos sero sempre positivos. Podemos dizer que, para ambas as amostras, as unidades amostrais so homogneas em relao a . O valor de I = 0,896 uma medida desta homogeneidade. Exemplo 2: Uma populao de N = 9 dividida em 3 amostras possveis. Calcular I Amostra 1 2 3 1 2 3 4 5 6 7 8 9 Para esta populao, = 5 i=1

i < j'

(x

1j

- ) ( x 1 j ' ) = (1 - 5 ) (4 - 5) + (1 5)(7 - 5) + (4 - 5) (7 - 5) = -6
- ) ( x 2 j' ) = - 9

i=2

i < j'

(x

2j

i=3

i < j'

(x

3j

- ) ( x3 j' ) = - 6

S2 =

(1 - 5) 2 + (2 - 5) 2 + (3 - 5) 2 + (4 - 5) 2 + (5 - 5) 2 + (6 - 5) + (7 - 5) 2 + (8 - 5) 2 + (9 - 5) 2 9 -1
60 8

S2 = I =

2 1 1 21 (-6-9-6) = = - 0,35 60 3 -1 9 - 1 60/8 As amostras possveis so heterogneas, produzindo um

I negativo.

Amostragem II 12 ________________________________________________________________________________________

b) FRMULA ALTERNATIVA PARA O CLCULO DO COEFICIENTE DE CORRELAO INTRACLASSE Para o caso geral de k grupos com Ni unidades no grupo i, a frmula a seguir fornece um mtodo mais eficiente para calcular I sem precisar listar todos os pares de observaes.

N
I =
i =1 k

2 i

( i - V)
2

(x
ij

Ni

ij

- V) 2

i = 1 j =1

i =1

( N i 1 )

(x
j =1

Ni

V )2

onde: k = n de amostras possveis (grupos) Ni = n de unidades da amostra i

1 V= G
G=

i =1
i

( N i - 1)

j=i

Ni

xi j

N
i =1

( Ni -1 )

Exemplo: Calcular I para os dados do exemplo 1.1.2 x1 j 1 4 7 x2 j 2 5 8 15 5 x3 j 3 6 9 18 6

X
j=1

Nj

ij

12

i = 4

G = 3 (3 (2 )) = 18 1 1 V = (2x12+ 2x15+ 2x18) = 90= 5 18 18

( x1j-5)2 16 1 4 21 ( x2 j-5)2 9 0 9 18 ( x3 j-5)2 4 1 16 21

Amostragem II 13 ________________________________________________________________________________________

( x
( N
i j
i

ij

V ) 2 = 21 + 18 + 21 = 60
j

- 1 ) ( x ij V) 2 = 2 x 21 + 2 x 18 + 2 x 21 = 120

N ( i - V) 2 = 9 x 1 + 9 x 0 + 9 x 1 = 18
2 i

I =

18 - 60 - 42 - 21 = = = 0,35 120 120 60

c) RELAO ENTRE I e 2 Sis x Pode-se expressar 2 Sis em funo de i, da seguinte maneira: x

2 sis X

S2 N - 1 = [1 + (n - 1) i ] onde S 2 = i n N

( xi j )2
j

N 1

Nesta equao pode-se observar que: 2 a) quando I grande e positivo, x grande, 2 b) quando I pequeno e positivo ou negativo, x pequena, c) se I = 0, 2 Sis igual a varincia de x na a.a.s. x d) VALORES EXTREMOS QUE I PODE TOMAR Se amostra sistemtica homognea I ter o mximo valor. No caso extremo, todas as unidades da amostra terem igual valor. Ento, para I =

E ( x i j - ) ( x i j ' ) E (x i j ) 2

Teremos xij = xij e portanto i = 1 O mnimo valor de I ser obtido para 2 = 0 x Fazemos 0 =

S2 N - 1 1 + ( n - 1) I n N

E chegamos a: 1 I = n 1 1 Ento, I 1 n 1

Amostragem II 14 ________________________________________________________________________________________

Um coeficiente de correlao intraclasse grande positivo obtido quando as unidades na amostra sistemtica so homogneas; I ser pequeno e positivo, ou negativo, quando as unidades so heterogneas.

1.6 ESTIMAO DA VARINCIA DA MDIA AMOSTRAL

A varincia da mdia de uma amostra sistemtica no pode ser calculada em base a uma amostra s. No entanto, usam-se certas aproximaes na prtica para estimar a varincia. a) Uma aproximao consiste em tratar a amostra sistemtica como uma amostra aleatria simples de tamanho n e calcular a varincia usando a frmula.
2 1 1 2 N n s 2 x Sis = s = N n n nk 2 n 1 s2 = xj x n 1 j=1

O valor esperado deste estimador :

1 nk 1 2 1 $ E 2 = S ( 1 I ) Xsis n nk nk 1 ou seja, a nk - 1 menos que a amostra sistemtica seja equivalente amostra aleatria simples.

( )

Quer dizer, este estimador tendencioso, a menos que I = -

b) Outro estimador s vezes utilizado

) 1 1 2 Sis = x n nk

( x
j =1

n -1

i, j

- x i, j+1 ) 2
que tambm tendencioso.

2 ( n -1 )

c) Com duas ou mais amostras aleatrias sistemticas possvel estimar a varincia da mdia sem tendenciosidade. Seja x 1 , x 2 ,... x m , as mdias de m amostras sistemticas independentes, cada uma

1 m de tamanho n. O estimador x = x i um estimador no viciado da mdia da populao. m i =1

Um estimador no viciado da varincia da populao :
m

x 2 =

1 m ( m -1)

( x
i =1

x) 2

Amostragem II 15 ________________________________________________________________________________________

1.7 TIPOS DE POPULAO

No planejamento de uma amostragem sistemtica a questo se concentra em saber se as amostras possveis so homogneas ou no. Isto leva a perguntar sob quais condies a amostra sistemtica homognea ou heterognea. Para isso precisamos conhecer as caractersticas da populao. a) POPULAES EM ORDEM ALEATRIA A amostragem sistemtica utilizada, em certas ocasies, em populaes nas quais a ordenao das unidades aleatria. Isto vlido para listas, se a caracterstica a ser observada no est relacionada com a ordenao com a lista. Exemplo: Lista de estudantes em ordem alfabtica para observar peso destes estudantes. Supese que o peso e os nomes no esto relacionados e isto seria equivalente a que os pesos estivessem em ordem aleatria. Nesse caso, as unidades na amostra sistemtica tambm esto em ordem aleatria e a amostra sistemtica pode ser tratada como se fosse uma amostra aleatria simples. Esta amostra heterognea e o valor de I ser pequeno. Quando I pequeno, 2 Sis e 2 A.S. so aproximadamente iguais. x x

b) POPULAES COM TENDNCIA LINEAR

Exemplo: As fichas de clientes de credirio para casa prpria esto arranjadas de acordo com a data em que foi concedido o financiamento, durante os ltimos 15 anos. Existe certa tendncia para estes financiamentos aumentarem de valor porque o custo da construo aumenta. Para um estudo de valores de financiamentos, uma amostra sistemtica 1 em 100 produzir uma mdia cujo valor depende muito do valor aleatrio selecionado para iniciar a seleo. Se o valor selecionado baixo (1, 101,201,) a mdia amostral ser muito menor que se o valor for alto (100, 200, 300,). A tendncia monotnica induz variao entre as 100 mdias amostrais possveis. Considere a amostra sistemtica equivalente a uma amostra estratificada com uma unidade selecionada em cada estrato, tomando como estrato o intervalo de seleo. Se a populao mostra uma tendncia linear, como no grfico, as unidades selecionadas esto localizadas na mesma posio em cada estrato, ou seja, se no primeiro estrato a unidade da

Amostragem II 16 ________________________________________________________________________________________

amostra muito baixa tambm ser baixa em todos os estratos. J na estratificada a posio da unidade em cada estrato aleatria, dando uma chance para os erros dentro de estrato cancelarem. Nesse caso, 2 Sis pode ser maior que 2 . x x
Est

Para este tipo de populao, em geral a amostra aleatria simples e a amostra estratificada sero mais precisas que a sistemtica. Porm, a amostra sistemtica pode ser melhorada em populaes com tendncia linear usando uma amostra dos pontos centrais dos estratos (amostra centrada). Neste caso a amostra sistemtica superior. Outra maneira de melhorar a estimao baseada numa amostra sistemtica quando existe uma tendncia linear utilizar uma mdia ponderada para estimar utilizando como peso 1/n para todos os valores amostrais exceto o primeiro e o ultimo, que recebero pesos 1 2i - k - 1 1 2i - k -1 , + e n 2( n -1)k n 2 (n -1)k respectivamente, sendo i o n selecionado aleatoriamente de 1 a k. Neste caso a mdia ponderada da amostra sistemtica igual a , se N = nk. c) POPULAES COM VARIAES PERIDICAS. Quando existem variaes peridicas de perodo k na populao, um intervalo amostral de tamanho k ou mltiplo de k no deve ser utilizado. Se houverem condies de estudar a estrutura peridica da populao, pode ser planejada uma amostra sistemtica para tomar vantagem desta caracterstica. Caso contrrio prefervel uma amostra aleatria simples ou estratificada quando se desconfia de uma periodicidade, mas no se conhece a sua natureza. Em casos de periodicidade pode-se trocar a posio da unidade amostral cada vez. Seja a populao hipottica: 1, 2, 3, 4, 5, 1, 2, 3, 4, 5, 1, 2, 3, 4, 5 Selecionando uma amostra sistemtica, de k = 5, se a 1 unidade sorteada , por exemplo, 2, a amostra ser ( 2, 2, 2 ). Neste caso, os grupos formados so homogneos e I grande. Claro que este caso extremo, mas existem muitas situaes reais de periodicidade na populao. Exemplo 1: Edifcio com 6 apartamentos por andar, sendo 2 apartamentos de 2 quartos e 4 de um quarto. Selecionando uma amostra sistemtica com intervalo 6 uma amostra possvel seria 201, 301, etc., todos do mesmo no de quartos. Exemplo 2: As vendas dos supermercados so altas em sextas e sbados, e baixas nas segundas e teras-feiras, ou seja, tm periodicidade semanal. Para estimar uma mdia durante um certo perodo (1 ms, por exemplo), uma amostra sistemtica todas as quartas-feiras ou todos dias s 16h no conveniente. A estratgia distribuir a amostra ao longo da curva peridica, cuidando para que cada dia esteja representado.

Amostragem II 17 ________________________________________________________________________________________

Exemplo 3: Fluxo de carros num determinado ponto durante as 24 horas do dia. No caso da curva peridica, a eficincia da amostra sistemtica depende do valor de k. O caso mais desfavorvel acontece quando k igual ao perodo da curva, ou mltiplo inteiro dele.

Isto representado pela amostra A no grfico na qual, todas as observaes so iguais, portanto, uma amostra no mais precisa do que uma observao tomada aleatoriamente . O caso mais favorvel (amostra B) acontece quando k uma frao do perodo. Cada amostra sistemtica tem uma mdia igual a , pois desvios para mais e para menos se compensam x ( Sis ) = 0
2

nesse caso.

1.8 EFICINCIA RELATIVA E EFEITO DO DELINEAMENTO

EFICINCIA RELATIVA A eficincia relativa de um procedimento amostral B comparado com procedimento A dada por: 1/ 2 2 B ER = = A 1/ 2 2 A B Exemplo 1: 2 = 1875 A 2 = 622 B ER =
1875 = 3,01 622

Significa que o procedimento B reduziu a varincia a aproximadamente 1/3 do procedimento A, ou seja, o procedimento B mais eficiente. ER > 1 B mais eficiente que A ER < 1 B menos eficiente que A

Amostragem II 18 ________________________________________________________________________________________

Exemplo 2: Se B comparado com A tiver ER = 0,35, (A melhor que B) e C comparado com A tiver ER = 0,62, (A melhor que C)

2 A = 0,35 2 B

2 A = 0,62 2 C

2 B
2 C

0,62 = 1,77 0,35

Significa que C mais eficiente que B. EFEITO DO DELINEAMENTO O efeito do delineamento (deff) a razo entre a varincia do estimador em um plano amostral e a varincia de uma amostra aleatria simples do mesmo tamanho. Suponha, por exemplo, que uma amostra estratificada de tamanho n utilizada para estimar . Nesse caso,

x2
deff =

( est )

2 x( a . s )

1.9 EFEITO DO DELINEAMENTO NA AMOSTRAGEM SISTEMTICA

1 1 2 A .S. = - S 2 x n N

2 x Sis

kn 1 S 2 [1 + ( n - 1) I ] = kn n

deff =

2 Sis x 2 A .S . x

(nk - 1) [1 + (n - 1 ) I ]
n (k - 1)

sendo nk=N, ( N 1)[1 + (n 1) I ] deff = 1 + (n-1) I N n O efeito do delineamento depende do valor de I. Se I = preciso.
1 1 = , ento 2 Sis = 2 A .S. e ambos os mtodos do a mesma x x kn 1 N 1

Amostragem II 19 ________________________________________________________________________________________

1 , ento 2 Sis > 2 A .S. A amostragem sistemtica menos precisa que a x x kn 1 aleatria simples.

Se I > -

Prova: Seja I =

-1 + 1 + = , > 0 kn 1 kn 1 kn - 1

2 x Sis

2 x A .S.

(nk - 1) 1 + (n - 1)( 1)
kn 1 n (k - 1)

kn 1 + 1 - n + (n - 1) n (k 1) n (kn 1 ) + (n - 1) >1 n (k 1)

2 Sis > 2 A .S. x x

1 , 2 Sis < 2 A .S. a amostragem sistemtica melhor que a x x kn 1 amostragem aleatria simples. Em geral, difcil saber quais os valores que pode tomar I em populaes distribudas no espao ou no tempo, o que no permite tirar concluses sobre a eficincia da amostragem sistemtica em relao amostragem aleatria simples. Por outro lado, em populaes organizadas numa determinada ordem, por exemplo, alfabtica ou outra qualquer que no esteja relacionada com a varivel a observar, pode-se considerar que a amostragem sistemtica produz, em mdia, preciso equivalente amostragem aleatria simples.
No outro caso, se I <

1.10 AMOSTRAGEM SISTEMTICA EM 2 DIMENSES

Seja uma populao arranjada, na forma de ml linhas e nk colunas. Queremos selecionar uma amostra sistemtica de mn unidades. a) Amostra alinhada. O procedimento mais simples selecionar um par de nos aleatrios (i, j) tais que i 1 e j k determinam a posio da primeira unidade selecionada. A partir da, as linhas selecionadas so i, i + l, i + 2l,, i + ( m-1) l, enquanto que as colunas so j, j + k, j + 2k, , j + (n-1)k. Os pontos de interseo das linhas e colunas selecionadas so as coordenadas das unidades da amostra. Uma amostra assim selecionada chamada alinhada.

Amostragem II 20 ________________________________________________________________________________________

Exemplo: Seja uma populao com 9 linhas e 12 colunas e deseja-se selecionar uma amostra de tamanho 9 com m=3 linhas e n=3 colunas. Sendo ml=9 e nk=12, resulta l=3 e k=4. Seja i=2, j=2, os nmeros sorteados. A amostra est representada no grfico.

b) Amostra no alinhada. Um mtodo alternativo o seguinte: Selecionar independentemente n inteiros aleatrios i1 i2,... in l e m inteiros aleatrios j1, j2,...jm k. As unidades selecionadas na amostra tm as coordenadas: [is+ rl ; jr+1+(s-1)k] s=1,2,,n; r=0,1,,(m-1) Exemplo: Na populao anterior, seja i1 = 2, i 2 = 3 i 3 = 1, j1 = 2, j2 = 1 , j 3 = 3 os nmeros sorteados, m=3, n=3, l = 3 e k=4 .As coordenadas das unidades selecionadas ficam: s=1 r r r s=2 r = 0 i 1 + 0l, j1 = ( 2, 2 ) = 1 i1 + 1l, j2 = ( 5, 1 ) = 2 i 1 + 2l, j3 = ( 8, 3 )

= 0 i 2 + 0l, j1 + k = ( 3, 6 ) r = 1 i 2 + 1l, j 2 + k = ( 6, 5 ) r = 2 i 2 + 2l, j3 + k = ( 9, 7 )

s = 3 r = 0 i 3 + 0l, j1 + 2k = ( 1, 10 ) r = 1 i 3 + 1l, j 2 + 2k = ( 4, 9 ) r = 2 i 3 + 2l, j3 + 2k = ( 7, 11 ) A amostra no alinhada fica:

Amostragem II 21 ________________________________________________________________________________________

Estudos feitos tm mostrado que uma amostra no alinhada geralmente superior a uma amostra alinhada e tambm a uma amostra estratificada aleatria.

1.11 CONSIDERAES GERAIS

Amostras sistemticas so convenientes e fceis para selecionar. Na maioria dos casos, elas se comparam favoravelmente em preciso com amostras aleatrias estratificadas. As suas desvantagens so a de ser de pouca preciso quando existir periodicidade no detectada na populao e a de no se ter um mtodo para estimar

x 2 Sis a partir de uma amostra aleatria.

Quando N nk os estimadores passam a ser tendenciosos e este o caso mais comum

de acontecer na prtica. Dificilmente se tem N=nk num caso real. Os casos nos quais recomendada a amostragem sistemtica so: 1) Quando a ordenao da populao aleatria ou contm uma estratificao que no interfere com os objetivos do estudo. 2) Quando se utiliza uma estratificao com numerosos estratos e seleciona-se uma amostra independente para cada estrato. Os efeitos de qualquer periodicidade no conhecida tendem a cancelar. O estimador da mdia nesse caso
2 2 x = wh x2
Sis

x Sis. = w h x h e o
h

estimador da varincia da mdia

que tendencioso. Um

estimador no tendencioso do erro pode-se obter com duas amostras sistemticas independentes em cada estrato, com incios aleatrios independentes e intervalos de seleo 2k. 3) No caso de sub-amostragem (amostragem por conglomerados).

Amostragem II 22 ________________________________________________________________________________________

1.12 RESUMO AMOSTRAGEM SISTEMTICA

ESTIMAO DA MDIA.
Parmetro Estimador

N = nk N = nk +r

1 X ij kn i j 1 [(n + 1) X i + n X i ] = nk + r

Xi =
Xi =

1 X ij n j
1 n X ij n + 1 j=1 , se i r , se i > r

1 n +1 X i = X ij n j=1

CORRELAO INTRACLASSE.

I =

2 n 1

onde S 2 =

(x (x
i j< j'
ij i

ij

) ( x i j' )

1 1 ; n -1 S2

)2

N 1 n = tamanho dos grupos Frmula alternativa

I =
i =1

N i2 ( i - V) 2

i = 1 j =1 Ni

(x
ij

Ni

ij

- V) 2
;
2

i =1

( N i 1 )

(x
j =1

V)

Onde: k = n de amostras (grupos) Ni = n de unidades na amostra i

1 V= G
G=

i =1
i

( N i - 1)

j=i

Ni

xi j

N
i =1

( Ni -1 )

Amostragem II 23 ________________________________________________________________________________________

VARINCIA DA MDIA AMOSTRAL. Parmetro

2 = 2 X 1 2 (X ij X ) N i j

N = nk

Estimador a) Considerando amostra sistemtica como amostra aleatria simples: 1 1 2 X 2 = s n nk

1 1 j=1 X b) 2 = 2(n 1) n nk c) Com duas ou mais amostras sistemticas: m 1 1 m 2 X 2 = (X i X ) ; X = m X i m(m 1) i =1 i

(X

n 1

ij

X i , j+1 )

RELAO ENTRE I e

2 Sis x

2 sis = X

S n

N -1 [1 + (n - 1) i ] onde S 2 = i N

( xi j )2
j

N 1

EFEITO DO DELINEAMENTO deff =

( N 1)[1 + (n 1) I ] 1 + (n-1) I N n

Amostragem II 24 ________________________________________________________________________________________

2. AMOSTRAGEM POR CONGLOMERADOS

2.1 DESCRIO E EXEMPLOS
O mtodo de amostragem por conglomerados aplicado da seguinte maneira: A populao dividida em M grupos ou conglomerados que servem como unidades primrias de amostragem, de maneira que cada unidade da populao associada com um e somente um conglomerado. Cada conglomerado formado por Ni unidades, chamadas unidades secundrias. Das M unidades primrias (conglomerados) na populao selecionada uma amostra de tamanho m pelo mtodo aleatrio simples. Pode acontecer que: todas as unidades do conglomerado selecionado sejam includas na amostra. Este procedimento denomina-se amostragem com etapa nica. nos conglomerados selecionados so extradas amostras de ni unidades secundrias. Neste caso, temos sub-amostragem ou amostragem com duas etapas (bietpico). Este processo pode ser estendido a vrias etapas de amostragem (multietpico). Chama-se conglomerado final (conglomerado ltimo) o conjunto das n unidades selecionadas na amostra. Exemplo: Pesquisa para estimativa de safra na qual os municpios so os conglomerados (unidades primrias), lavouras dentro de municpio so as unidades da segunda etapa (unidades secundrias) e parcelas dentro da lavoura so as da terceira etapa.

EXEMPLOS DE FORMAO DE CONGLOMERADOS

Populao Moradias de uma cidade Habitantes de uma cidade Passageiros de um aeroporto Alunos de uma escola Conglomerados Blocos Moradias Avio (todos os passageiros de um vo) Turmas completas Elementos Unidades residenciais (casas, aptos., etc.) Pessoas Passageiros que embarcam Estudantes Adultos Automveis Registros dos assegurados Variveis a observar Caractersticas da moradia Despesas com roupas Informaes sobre viagem Renda familiar Atitudes sociais Origem e destino Dados referentes a atendimentos mdicos

Populao de um pas Cidades Veculos que trafegam Intervalo de 40 min numa ponte Pacientes de um seguro Grupos de 10 fichas mdico

Amostragem II 25 ________________________________________________________________________________________

2.2 CONGLOMERADOS COM ETAPA NICA

a) PROBABILIDADE DE SELEO Pode-se mostrar que, se os conglomerados selecionados so enumerados completamente, todas as unidades da populao tm igual probabilidade de serem includas na amostra. Exemplo: Estimar o nmero total de funcionrios nas lojas de um universo de M = 4 quarteires (unidades primrias) tomando uma amostra de m = 2 e enumerando os funcionrios de todas as lojas (unidades secundrias) nos dois quarteires selecionados. Sejam os quarteries: 1, 2, 3 e 4. As amostras possveis de 2 quarteires so: (1,2) (1,3) (1,4) ( 2,3) (2,4) (3,4) ou seja
M 4 = = 6 amostras possveis. m 2

Com amostragem aleatria simples, cada uma destas amostras ter a mesma probabilidade, (1/10), de ser selecionada. Cada quarteiro aparece em M 1 = 3 das 6 amostras possveis de tamanho 2, portanto, a probabilidade de um quarteiro entrar na amostra 0,5. A probabilidade de uma loja no quarteiro i ser includa na amostra , tambm, 0,5, mesmo sendo diferente o numero de lojas por quarteiro. Portanto, quando todos os elementos de um conglomerado so includos na amostra, a probabilidade de uma unidade secundria ser includa na amostra a mesma probabilidade do M 1 conglomerado ser includo. Essa probabilidade . M m

b) PARMETROS E ESTIMADORES O processo de seleo na amostragem por conglomerados com etapa nica equivale seleo de uma amostra aleatria simples. Na amostragem aleatria simples selecionada uma amostra de n unidades de uma populao de tamanho N; na amostragem por conglomerados com etapa nica selecionada uma amostra aleatria simples de m conglomerados de uma populao de tamanho M. A diferena est em que, na amostragem por conglomerados, a varivel observada o total do conglomerado (Ti). O processo de estimao dos parmetros (mdia, total, proporo) dever se basear, ento, na teoria da amostragem aleatria simples.

MEDIA E TOTAL POPULACIONAL 1 Ni i = X ij Mdia do conglomerado i Ni j Ti = N i i =

X
j

Ni

ij

Total do conglomerado i

Amostragem II 26 ________________________________________________________________________________________

1M N i
M i

Xij =
j
M i

Ni

1 N

N
i i
ij

Mdia geral

T =

Ti =

X
j

Ni

Total geral.

Exemplo: A Aeronutica de um determinado pas possui M=10 aeroportos com Ni avies cada um, sendo, em total, N=130 avies. So registradas as milhas de cada avio em um determinado perodo. Ti = Total de 1.000 milhas Aeroporto (i) Avies (Ni) 1 2 3 4 5 6 7 8 9 10 Total
10 15 15 15 10 15 15 10 10 15 N = 130
Ni j

(Ti = X ij )
40 75 75 60 60 90 75 70 40 90 T = 312,50

i
4 5 5 4 6 6 5 7 4 6 = 2,4

ESTIMADOR DE T Para estimar T, o Total de milhas nos 10 aeroportos, seleciona-se uma amostra aleatria simples de m = 4 aeroportos. A varivel observada nesta amostra aleatria simples Ti. A estimao feita calculando a mdia dos totais dos m conglomerados da amostra e multiplicando essa mdia pelo nmero M de conglomerados da populao.
m 1 T = Ti m T = MT

M T= m

Amostragem II 27 ________________________________________________________________________________________

Sejam os aeroportos 3, 6, 8 e 9 selecionados na amostra.

i 3 6 8 9 Ti 75 90 70 40

Ti = 275

275 = 68,75 T= 4 = (10)68,75 = 687,50 (1.000 milhas nos 10 aeroportos) T ESTIMADOR DA MDIA O estimador da mdia da populao baseia-se no estimador de T

1 T N

1 M N m

Ti =

1 M N m

Ni

ij

1 687,50 = 5,288 (1.000 milhas por avio) = 5288 milhas 130

VARINCIA POPULACIONAL Existem duas fontes de variao na amostragem por conglomerados: uma variao devida a amostragem das UP, chamada de variao entre UP ( 2 , S 2 ) e a outra a variao E E devida a seleo das amostras aleatrias nas UP, chamada variao dentro das UP. ( 2 , S 2 ) D D Definies: 2 = i2 = 1 M Ni (X ij - ) 2 varincia da populao N i j 1 Ni

(X
j

Ni

ij

- i ) 2 varincia das US dentro do conglomerado i.

2 = D

1 M N i i2 varincia ponderada dentro dos M conglomerados. N i

Amostragem II 28 ________________________________________________________________________________________

1 M N i ( i - ) 2 varincia entre os M conglomerados N i Pode-se provar que 2 = 2 + 2 . Ou seja, as duas fontes de variao so aditivas e D E compem a variao total. 2 = E

As varincias corrigidas so: Ni M 1 S2 = (X ij ) 2 N 1 i j Si2 =

S2 = D

1 Ni (X ij i ) 2 Ni 1 j
1 N M

( N i 1) Si2 =
i

M 1 N M i

Ni

(X ij i ) 2

S2 = E

1 M N i ( i ) 2 M 1 i 1 M (Ti T ) 2 M 1 i =1

2 ST =

VARINCIA DA MDIA A varincia da mdia obtida, tambm, aplicando a teoria da amostragem aleatria simples a uma amostra de m conglomerados, obtida de uma populao de M conglomerados.
2 = 2 1 M m ST M2 M m N2 M 1 2 ST = (Ti T ) 2 M 1

ESTIMADOR DA VARINCIA DA MDIA

2 =

2 M m ST 1 M2 M m N2 m 1 2 ST = (Ti T ) 2 m 1

m 1 T = Ti m

No exemplo:

Amostragem II 29 ________________________________________________________________________________________

2 M m ST 1 M2 M m N2 2 = 439,58 ST 1 (10 4) 439,58 2 = 0,390163 10 2 = 2 10 4 130 2 = 0,169502 2 =

= 0,62463 (1.000 milhas) = 625 milhas

c) CONGLOMERADOS COM ETAPA NICA DO MESMO TAMANHO ( N i = N ) MDIA DA POPULAO 1 Sabemos que = N i i N mas N = MN 1 M ento, = i quando N i = N M i ESTIMADOR DA MDIA 1 M m N 1 m = X ij = X i N m m

Xi =

1 N

ij

VARINCIA DA MDIA 2 M 2 M m S T2 1 M m ST 2 = 2 = 2 M m N M m N M 1 2 ST = (Ti T ) 2 M 1

ESTIMADOR DA VARINCIA DA MDIA 1 M m S T2 2 = 2 M m N

2 ST =

1 m (Ti T ) 2 m 1

Amostragem II 30 ________________________________________________________________________________________

2.3 SUB-AMOSTRAGEM (AMOSTRAGEM BIETPICA)

a) ESTIMAO DO TOTAL POPULACIONAL ESTIMADOR DE T A estimao do total ser realizada em duas etapas, da mesma maneira que a amostra selecionada em duas etapas. Primeiro, so estimados os totais dos m conglomerados da amostra, depois, usam-se estes m totais para estimar o total dos M conglomerados da populao. Para chegar na frmula do estimador de T usaremos um exemplo: Seja uma populao de M = 10 conjuntos residenciais (conglomerados ou UP), selecionam-se m = 2 conjuntos, sendo o numero de famlias (unidades ou US) dos conglomerados selecionados N1 = N2 = 40. Em cada conjunto foi selecionada uma amostra de n 1 = n 2 = 10 famlias para observar o nmero de pessoas. Os valores das mdias dos 2 conglomerados observados foram X 1 = 5 e X 2 = 7 pessoas por famlia. Os totais dos dois conglomerados so estimados assim: T1 = N 1 X 1 = 5 x 40 = 200 pessoas no conjunto 1 T = N X = 7 x 40 = 280 pessoas no conjunto 2
2 2 2

Pela amostragem aleatria simples sabe-se que Ti no viciado para estimar o total do conglomerado i. A mdia dos totais estimados :
T= Ti
i m

N X
i

m i

200 + 280 = 240 pessoas por conjunto 2

A estimativa do total dos M=10 conglomerados :

T = 10 x 240 = 2400 pessoas na populao,

ou seja,
T =MT A frmula completa de T fica:
m M m M m N ni M T = Ti = N i X i = m n i X ij m m i i j i Este procedimento est, na realidade, utilizando o esquema de amostragem aleatria simples para estimar o total duas vezes, uma vez utilizando as famlias (US) para estimar o total do conjunto residencial (UP) e, depois, os conjuntos residenciais para estimar o total da populao.

Amostragem II 31 ________________________________________________________________________________________

ESPERANA DE T Pode-se provar que T um estimador no viciado de T. VARINCIA DE T A varincia de T :

2 2 M - T ) 2 = M 2 M - m S T + M N i2 N i n i S i = Ei E j ( T m Ni ni M m
2 T

onde
2 ST =

1 M (Ti T ) 2 M 1

1 Ni 2 S = (X i j i ) Ni 1
2 i

ESTIMADOR DA VARINCIA DE T

Para estimar
2 ST =

2 $ T

necessrio utilizar estimadores de S 2 e S 2 . T i

1 m (Ti T ) 2 Tendencioso m 1

m 1 T = Ti m ni 2 = 1 Si (Xij Xi )2 ni 1 j

No tendencioso

ou seja,

=M
2 T

(M - m)
M

2 ST M m 2 N i n i Si2 + Ni N n m m i i

2 2 Pode-se mostrar que E T = T

( )

b) ESTIMAO DA MDIA DA POPULAO ESTIMADOR DA MDIA O estimador de mdia populacional por US :

X== T 1 M m Ni = N N m i ni

X
j

ni

ij

Notar que no a mdia amostral simples, o estimador da mdia da populao obtido dividindo o estimador do total pelo nmero de elementos na populao.

Amostragem II 32 ________________________________________________________________________________________

T T E( ) = E = = N N $ um estimador no viciado de , a mdia por US. Ou seja

VARINCIA DA MDIA
2 =

2 M N n i Si2 1 2 1 2 M - m ST M + N i2 i T = 2 M M m m i Ni ni N2 N

ESTIMADOR DA VARINCIA DA MDIA O estimador de 2 tambm obtido do estimador para o total $

1 2 N2 T 2 N n i Si2 1 2 M - m ST M m 2 + N i2 i = 2 M M m m i Ni n i N Este estimador, no entanto, no fcil de ser calculado, porque N geralmente desconhecido. Existem algumas maneiras de solucionar esta dificuldade. Uma supor todas as UP de igual tamanho e selecionar o mesmo nmero de US das UP amostradas. Outro mtodo usar uma aproximao, e o terceiro selecionar UP com probabilidade proporcional ao tamanho. 2 =
Exemplo: Suponha que, no exemplo da Aeronutica, em cada aeroporto selecionado na amostra so selecionados ni avies. Pretende-se estimar o Total de milhas na populao e a mdia de milhas por avio. Os dados da amostra esto a seguir.
ni j

i 3 6 8 9

Ni 15 15 10 10

ni 5 5 4 4

X
25 30 28 16

ij

Varincia da amostra ( Si2 )

1 1,5 2,5 0,625

Xi

Ti = N i X i
75 90 70 40

5 6 7 4
m

T = 275
i

Estimativa do total:

Amostragem II 33 ________________________________________________________________________________________
m m M T = M T = 10 275 = 687,50 (1.000 milhas) T= i i 4 m m Estimativa da mdia: T 687,50 = = 5,288 (1.000 milhas por avio) X == N 130

Estimativa da Varincia da mdia:

2 =

1 N2

m i
2 ST =

2 M-m M M 2 2 N i ni Si Ni Ni ni

2 N ni Si2 ST M m + N i2 i m m i Ni n i
= 121,875

1 m (Ti T ) 2 = 439,58 m 1

2 = 305,0777
Erro padro da mdia: = 17,466 (1.000 milhas, por avio)

c) CONGLOMERADOS DO MESMO TAMANHO E AMOSTRAS DO MESMO TAMANHO NOS CONGLOMERADOS ( N i = N e n i = n ) Supondo:

Ni = N =

N M n ni = n = m

MDIA DA POPULAO 1 = N i i , mas N = MN N 1 M ento, = i M i

Amostragem II 34 ________________________________________________________________________________________

ESTIMADOR DA MDIA 1 M m N n X == X ij NM m i n j
=

X ij mn i j 1 m = X i mdia simples das mdias da amostra m

Neste caso, no h necessidade de conhecer N para estimar a mdia da populao (). VARINCIA DE X A varincia de X para o caso geral era: 2 1 M m ST 1 M M 2 N i n i S i2 2 = 2 M 2 + 2 Ni N n M m N m N i i Substituindo N = M N fica:
2 2 M m 1 ST N n 1 M Si + = M m N2 N M i mn
2

quando N i = N e n i = n

ESTIMADOR DA VARINCIA DA MDIA 2 1 M m ST 1 N n 1 m 2 = 2 + Si M m Mm N n i N

2

quando N i = N e n i = n

2.4 EFICINCIA RELATIVA DA AMOSTRAGEM POR CONGLOMERADOS COMPARADA COM A AMOSTRAGEM ALEATRIA SIMPLES
Para simplicidade das frmulas comparar-se- o caso de conglomerados de igual tamanho com amostragem aleatria simples. Seja N = N i o tamanho dos conglomerados. Sabemos que: 1 m = X i = X um estimador no viciado da mdia da populao. m i 1 M S2 = N i ( i ) 2 E M 1 i

Amostragem II 35 ________________________________________________________________________________________
2 S T pode-se expressar assim

2 ST =

1 M Ti T M 1

M 1 = N i i M 1
2

Nii M
M

M N = ( i )2 = NS 2E M 1

A varincia da mdia quando ni = Ni = N : 2 1 M m ST 2 ( cong ) = 2 M m N 2 1 M - m SE = N M m Neste caso, tomou-se uma amostra de m conglomerados com N unidades em cada conglomerado. Quer dizer, o tamanho da amostra final foi n= m N . Se considerarmos uma amostra aleatria simples de m N elementos da populao M N , a varincia da mdia :
2 2 MN mN S M m S = = MN mN M mN A eficincia relativa do conglomerado como unidade de amostragem comparada com o elemento dada por: 2 Mm S 2 2 (a .s ) M mN = S = E.R. = 2 (cong ) 1 M m 1 2 S 2 E SE N M m Essa eficincia inversamente proporcional varincia entre conglomerados. Ou seja , a eficincia relativa da amostragem por conglomerados aumenta quando S 2 diminui. E Por outro lado, a relao 2 ( a.s )

(X
i j

ij

) = (X
2 i j

ij

i ) + N i ( i )
2 i

equivalente a (MN 1)S 2 = M(N 1)S 2D + (M 1)S 2E e 1 2 2 (M N 1) S 2 M (N 1) S D SE = M -1 Podemos ver que S 2 diminui com o aumento de S 2 ou seja, quanto maior a varincia D E dentro de conglomerados, menor a varincia entre conglomerados e maior a eficincia relativa da amostragem por conglomerados em relao amostragem aleatria simples.

Amostragem II 36 ________________________________________________________________________________________

Esses resultados indicam que, para a amostragem por conglomerados ser eficiente, os conglomerados devem ser formados de tal maneira que a variao ente mdias de conglomerados seja to pequena quanto possvel ( S 2 pequeno) enquanto que a variao E dentro de conglomerados seja to grande quanto possvel ( S 2 grande). D Se os conglomerados so formados agrupando amostras aleatrias de N elementos de uma populao de N M elementos, de esperar que os elementos de um mesmo conglomerados no sejam nem mais nem menos parecidos que os elementos em outro conglomerado. Conseqentemente, varincias entre e dentro de conglomerados sero da mesma magnitude, sendo ambas variveis aleatrias que estimam S 2 . Isto quer dizer que, se os conglomerados so formados de amostras aleatrias dos elementos da populao, eles sero, em mdia, to eficientes quanto s unidades individuais. Na prtica, um conglomerado no pode ser considerado como formado por uma amostra aleatria dos elementos da populao. Geralmente, elementos do mesmo conglomerado so mais similares entre si que elementos em conglomerados diferentes. Conseqentemente, a varincia de uma amostra por conglomerados geralmente ser superior da amostra aleatria simples. Se os conglomerados so de igual tamanho N , formados por amostras aleatrias da populao de NM elementos, temos: E (S 2 ) = S 2 e E E (S 2 ) = S 2 D Quando os conglomerados so formados por amostras aleatrias da populao, tanto a varincia entre conglomerados como a varincia dentro de conglomerados esto estimando a varincia total.

2.5 COEFICENTE DE CORRELAO INTRACLASSE

Considere-se duas maneiras de formar os conglomerados,no caso de etapa nica, em uma populao: 1) agrupando unidades adjacentes, 2) sorteando os elementos. No primeiro mtodo, os conglomerados tendero a ser mais homogneos que no segundo, pois unidades adjacentes em geral tendem a ser mais parecidas entre si. Na prtica, no sendo os conglomerados formados por amostras aleatrias da populao interessante observar o coeficiente de correlao intraclasse.

I =

E( X ij )(X i j ) E(X ij ) 2

Pode-se provar que: M 1 S2 1 E S2 D M N N I = NM 1 2 S NM

Amostragem II 37 ________________________________________________________________________________________

Quando os conglomerados so formados aleatoriamente: E (S 2 ) = S 2 E

2

E (S2 ) = S2 D

M 1 S 1 M 1 S2 -1 M 1 M = M = E ( I ) = M N N NM 1 NM 1 NM 1 2 S M NM 1 = NM 1

2.6 VARINCIA DA MDIA EM FUNO DE I

Partindo das equaes: M 1 S2 1 E S2 D (1) I = M N N NM 1 2 S NM

(2) (MN 1)S 2 = M(N - 1)S 2 + (M 1)S 2 D E Pode-se expressar 2$ em funo de I : X

2 X cong

M - m MN - 1 S 2 1 + ( N 1) I = M N(M - 1) mN

2 X cong

S2 [1 + ( N 1) I ] quando M suficientemente grande. mN

Sendo 2 =

NM - 1 2 S , a frmula para 2 fica: X NM

2 X cong =

M m 2 1 + N 1 I M 1 mN

[ (

) ]

Esta frmula para a varincia composta de 3 fatores:

O primeiro o fator de correo para populaes finitas

Mm ; M 1 O segundo fator, 2 / m N , a varincia da mdia baseada em mN elementos

selecionados aleatoriamente e com reposio; O terceiro fator, 1+ ( N -1) i , mede a contribuio da amostragem por conglomerados varincia da mdia.

Amostragem II 38 ________________________________________________________________________________________

2.7 EFICINCIA EM FUNO DE I

A eficincia relativa da amostragem por conglomerados em relao aleatria simples podese expressar: E.R =
=

S2 S2 E
1 M N 1 S2 1 + N 1 I (M 1) N S2

) [ (

) ]

N(M 1) 1 MN 1 1 + (N - 1) I

quando M suficientemente grande. 1 + N 1 I O efeito de delineamento na amostragem por conglomerados fica: deff = 1 + ( N 1) I Esta equao indica que, quando I positivo, como acontece geralmente na prtica, a amostragem por conglomerados menos eficiente que a amostragem aleatria simples. Para um valor fixo de I , o efeito do delineamento aumenta quando o tamanho do conglomerado aumenta.

E.R

2.8 FUNO DE CUSTO

necessrio identificar trs tipos de custos que entram numa pesquisa por conglomerados, em funo das vrias fases da pesquisa. a) Custos fixos que independem da maneira como a amostra selecionada e do tamanho da amostra. So os custos da administrao central, pessoal tcnico, espao fsico, equipamento, preparao de mapas e outros materiais, elaborao do questionrio, etc. Chamaremos Co esses custos fixos. b) Custos que variam em relao ao nmero de UP na amostra. Estes custos so ocasionados pela seleo das UP, deslocamento at o lugar e localizao da UP, preparao da lista das US. C1 o custo associado a cada UP. c) Custos em funo das US na amostra. Estes se referem ao levantamento dos dados (entrevista), reviso do formulrio e tabulao. Este custo varia em funo do nmero de US na amostra, e ser denominado C2.

Amostragem II 39 ________________________________________________________________________________________

O custo total da pesquisa ser dado pela funo: CT = CO + C1m + C2m n Sendo Co fixo, trabalharemos com CT - CO = C para achar a distribuio tima do tamanho da amostra, ou seja, achar m e n de maneira a minimizar a varincia dado um oramento fixo. A varincia para mdia :
2 M m 1 S T N n 1 M S i2 + M m N2 N M i mn S2 2 Chamando T2 = S1T N 1 M 2 e, sendo Si = S 2D M i a varincia fica: 2 M m S1T N n S 2 2 D = + M m N mn 2 =

a funo de custo : C = C1m + C2m n O problema consiste em minimizar 2 com a restrio C = C1m + C2m n . $ Isto resolvido pela tcnica dos multiplicadores de Lagrange que consiste em 2 estabelecer uma funo F = + (C1 m + C 2 mn C) A funo F derivada a respeito de m e n , as derivadas anuladas e com o sistema de equaes resultantes acham-se os valores timos para m e n . O valor obtido para n :
n= C1 C2 S2 D
2 S1E

S2 D N

2 onde S1E =

M 1 Ti T N(M 2 1) i

m obtido substituindo n na equao de custo: C m= C1 + C 2 n Em termos de coeficiente de correlao intraclasse,

n=

C1 1 - i C2 i

Amostragem II 40 ________________________________________________________________________________________

Pode-se observar, ento, que o tamanho timo da US para a amostra por conglomerados aumenta a medida que C1 aumenta em relao a C2 . Isto indica que, quanto maior o custo adicional de acrescentar uma U.P, comparado com o de acrescentar um U.S, menor o nmero de U.Ps devemos tomar e maior nmero de U.S por U.P, e vice-versa. Tambm, n timo varia em funo de (1 I ) / I ou seja, n diminui a medida que I aumenta e vice-versa. Se i pequeno , h pouca perda em incluir mais U.S por U.P. Um aspecto interessante a notar que o tamanho timo do conglomerado ( n ) no afetado pela quantidade de conglomerados (m). Se compararmos uma amostra por conglomerados com uma amostra aleatria simples encontramos que, em amostragem por conglomerados : a) O custo por unidade ltima mais baixo; b) A varincia da mdia geralmente maior, como resultado da homogeneidade dos conglomerados; c) Os custos e problemas da anlise estatstica so maiores. Estas vantagens e desvantagens tm de ser analisadas em conjunto para decidir a convenincia ou no de utilizar um ou outro mtodo de amostragem.

2.9 ASPECTOS IMPORTANTES CONGLOMERADOS

DA

AMOSTRAGEM

POR

a) Os conglomerados devem estar muito bem definidos. Cada elemento da populao deve pertencer a um e somente um conglomerado. b) O numero de elementos da populao de cada conglomerado deve ser conhecido, ou pelo menos haver uma estimativa confivel. c) O tamanho do conglomerado influencia a eficincia da amostra: Menor tamanho de conglomerados, maior preciso de estimao. d) O agrupamento das unidades da populao tende a aumentar o erro amostral. Os conglomerados devem ser selecionados de maneira a minimizar esse aumento do erro. e) Os conglomerados devem ser suficientemente pequenos de maneira a possibilitar a diminuio dos custos. Caso contrrio perde-se a finalidade do agrupamento. f) Os conglomerados podem ser definidos de maneira diferente dentro de uma mesma pesquisa. Por exemplo, na seleo de indivduos ou de moradias em reas urbanas, os conglomerados podem ser blocos ou grupos de blocos. J em reas rurais, na mesma pesquisa, os conglomerados podem ser segmentos geogrficos delimitados por estradas e/ou limites naturais, como rios, etc. g) Tambm no necessrio que todos os conglomerados sejam do mesmo tamanho. Em geral, conglomerados naturais podem variar muito em tamanho. Muita variao no tamanho do conglomerado ocasiona aumento no erro amostral, mas existem mtodos para controlar esta variao.

Amostragem II 41 ________________________________________________________________________________________

2.10 RESUMO AMOSTRAGEM POR CONGLOMERADOS.

I) CONGLOMERADOS COM ETAPA NICA a) Conglomerados de tamanho Ni Parmetro Estimador
1 T N 2 1 2 2 M m ST = 2 M M m N M 1 2 ST = (Ti T ) 2 M 1

M T= m
2

Ti

1 M N m

2 1 2 M m ST = 2M M m N m 1 2 ST = (Ti T ) 2 m 1
m 1 T = Ti m

b) Conglomerados de tamanho i = Parmetro Estimador M m 1 1 = i = Xi M i m 2 2 1 M m ST 1 M m ST 2 = 2 2 = 2 M m N M m N

II)

AMOSTRAGEM BIETPICA a) Conglomerados de tamanho Ni, amostras de tamanho ni no conglomerado Parmetro Estimador

T = N
2 T = M2

m Ni M T= m i ni

ni

X ij

M - m S2 M M 2 N i n i Si2 T + N M m m i Ni ni

2 T = M 2

(M - m)
M

2 ST M m N i n i Si2 + N2 i m m Ni ni

2 ST =

1 M (Ti T ) 2 M 1

2 ST =

1 m (Ti T ) 2 m 1

1 Ni 2 S = (X i j i ) Ni 1
2 i

m 1 T = Ti m

1 ni Si2 = (Xij Xi )2 ni 1 j

Amostragem II 42 ________________________________________________________________________________________

AMOSTRAGEM BIETPICA (continuao) Parmetro Estimador X= N 1 M ni N m i i

m

=
2 =

1 N

N
i

i i

X
j

ni

ij

1 N2

2 2 N ni S i2 1 M - m ST M m 2 M - m ST M M N n i Si2 2 + N i2 i = 2 M 2 + N i2 i M M m m i Ni ni N Ni n i M m m i

b) Conglomerados de tamanho N i = N , amostras de tamanho n i = n Parmetro Estimador m T = N M T = Xi m i M 1 1 m = i X = Xi M i m 2 2 2 M m 1 ST N n 1 M Si 1 M m ST 1 N n 1 m 2 2 + = 2 = 2 + Si M m N2 N M i mn M m Mm N n i N COEFICIENTE DE CORRELAO INTRACLASSE (quando N i = N = n i )
1 M N i ( i ) 2 M 1 i M 1 S2 = ( N i 1) Si2 D N M i S2 = E

III)

M 1 S2 1 E S2 D I = M N N NM 1 2 S NM

S2 = Si2 =
2 cong = X

1 N 1

i j Ni

Ni

(X ij ) 2

1 (X ij i ) 2 Ni 1 j

M - m MN - 1 S 2 1 + ( N 1) I M N(M - 1) mN

S2 [1 + ( N 1) I ] quando M suficientemente grande. mN

Amostragem II 43 ________________________________________________________________________________________

3. AMOSTRAGEM COM PROBABILIDADES VARIVEIS

Em alguns procedimentos amostrais algumas unidades da populao so mais importantes por terem uma contribuio maior no valor do parmetro. Nesses casos a amostra aleatria simples no leva em considerao a importncia diferenciada das unidades na populao. H vrias maneiras de utilizar esta informao para estimar os parmetros da populao com menor erro padro. Uma dessas maneiras estabelecer probabilidades desiguais de seleo s diferentes unidades da populao. Assim, quando as unidades variam em tamanho e a varivel em estudo est correlacionada com tamanho, as probabilidades de seleo podem ser estabelecidas em proporo ao tamanho da unidade. Por exemplo, municpios com maior rea geogrfica possivelmente tm maiores reas cultivadas; para estimar produo de alimentos pode ser interessante adotar um esquema de seleo no qual os municpios sejam selecionados com probabilidade proporcional rea geogrfica. Este procedimento amostral conhecido como amostragem com probabilidade proporcional ao tamanho (PPT). Em algumas aplicaes os tamanhos so conhecidos somente de maneira aproximada. Em outras, o "tamanho" no o n de unidades mas, simplesmente, uma medida de sua grandeza que se considera estar altamente correlacionada com a varivel (T). Por exemplo, o tamanho de um hospital pode ser medido pelo n total de camas ou pelo n mdio de camas ocupadas. Similarmente podem-se estabelecer critrios para medir o tamanho de um restaurante, um banco ou uma propriedade rural. Nesses casos, a amostragem feita em relao a um tamanho estimado.

3.1 PROCEDIMENTO PARA SELEO DE AMOSTRA

Para selecionar uma amostra com probabilidades variveis, a cada unidade associado um conjunto de nmeros naturais, sendo o tamanho do conjunto proporcional probabilidade desejada. Seleciona-se aleatoriamente um n entre 1 e o ltimo n natural dado s unidades. A unidade selecionada aquela qual est associado o n selecionado. Este processo repetido n vezes para obter uma amostra de tamanho n Exemplo: Um municpio tem N= 6 pomares com Ai= 150, 50, 80, 100, 200 e 160 rvores, respectivamente. Seja A= Ai= 740 rvores. Para estimar a produo queremos selecionar uma amostra de n= 4 pomares com reposio e com probabilidade proporcional ao nmero de rvores no pomar. A primeira etapa fazer os totais acumulados: N0 do pomar (i) Tamanho do pomar (Ai) Total acumulado Nmeros associados 1 150 150 1 a 150 2 50 200 151 a 200 3 80 280 201 a 280 4 100 380 281 a 380 5 200 580 381 a 580 6 160 740 581 a 740

Amostragem II 44 ________________________________________________________________________________________

Para selecionar um pomar extramos um numero entre 1 e 740 da tabela de nmeros aleatrios. Seja este n = 600, o 6 pomar selecionado. Selecionando outros 3 nmeros, por exemplo, 650, 130 e 300. Os pomares selecionados ento so os 6, 1 e 4, respectivamente. Vemos que o 6 pomar foi selecionado 2 vezes. Na seleo sem reposio, existe uma diferena bsica entre o mtodo aleatrio simples e o de amostragem com probabilidades variveis de seleo. No primeiro, a probabilidade de selecionar uma unidade em qualquer extrao dada a mesma. No segundo, essa probabilidade varia de uma extrao para outra. A teoria de amostragem com probabilidades variveis e sem reposio consequentemente mais complexa que a do mtodo aleatrio simples.

3.2 AMOSTRAGEM ALEATRIA COM PROBABILIDADES VARIVEIS

a) PROBABILIDADES DE SELEO AMOSTRAGEM SEM REPOSIO Quando as probabilidades de seleo so variveis (proporcional ao tamanho, por exemplo), a probabilidade de selecionar uma determinada unidade de populao em uma determinada extrao varia de acordo com a extrao. Seja uma populao com N unidades da qual se extrai uma amostra de tamanho n, sem reposio. Seja Pir a probabilidade de selecionar a unidade i na extrao r ( i = 1, ..., N ; r = 1, ... n); Ai = quantidade de nmeros associados unidade i; A j = quantidade de nmeros associados unidade j;
A = Ai ;
i =1 N

Pi = probabilidade inicial de selecionar a unidade i. Ou seja, Pi1 = Pi

P = 1
i

Pi 2 = P (i no ser selecionada na 1 extrao) P(i na 2/ i no foi selecionada na 1)

=
j ( i) = 1

P( j ( i) na 1a ) x P (i na 2a / j na 1a )
A

=
Ento,

j ( i )=1

Aj

Ai = A A Aj

j ( i )=1

Aj

Ai A A AJ A A

Pi 2 =

j ( i) = 1

Pi 1 Pj

Amostragem II 45 ________________________________________________________________________________________

Somando e diminuindo o termo em que j = i, temos: N P P PP i j Pi 2 = - i i 1 - Pi j=1 1 P j

N Pj P - i Pi = j =1 1 - P 1 - P j i

fcil ver que Pi2 no igual a Pi1 para i=1,...,N a menos que Pi=1/N. Portanto, o valor esperado da varivel muda de acordo com a extrao. Isto faz com que a teoria de amostragem com probabilidades variveis e sem reposio seja bastante complexa e de difcil aplicao. AMOSTRAGEM COM REPOSIO No caso de amostragem com reposio a probabilidade de seleo permanece igual de uma extrao para outra. Pi1 = Pi 2 = ........Pin Na amostragem com reposio as frmulas para a mdia e a varincia so mais simples. Tambm, quando n << N, como geralmente o caso, a probabilidade de selecionar repetidamente a mesma unidade da populao pequena, e a amostragem com reposio aproximadamente igual amostragem sem reposio. No restante deste material se supe amostragem com reposio.

b) ESTIMAO NA AMOSTRAGEM COM REPOSIO ESTIMADOR DA MDIA Seja uma populao de N unidades. Seja Pi (i=1,, N) a probabilidade de selecionar a i-sima unidade da populao em qualquer extrao (seleo com reposio). Ento,

P
i =1

=1

Seja a varivel x Zi = i ( i = 1, 2, ..., N) N Pi A mdia aritmtica de Z na amostra, 1 n 1 n xi Z = Zi = = n 1=1 nN i = 1 Pi um estimador no viciado de . Prova: Na amostragem com reposio, em cada extrao a probabilidade de selecionar a unidade Pi :

Amostragem II 46 ________________________________________________________________________________________

E( Z i ) = Pi Z i = Pi
i =1 i =1

xi 1 N = xi = NPi N i =1

Portanto, 1 n E( Z) = E ( Z i ) = n ESTIMADOR DO TOTAL Sabendo que T = N, um estimador no viciado de T :

x 1 T = NZ = i n i = 1 Pi
VARINCIA DA MDIA
2 2 = = E (Z 2 ) [E (Z)]2 Z
2

1 n = E Z i 2 N
Por transformaes algbricas e aplicao do conceito de Esperana chega-se expresso:

1 N = Pi Z i2 Z 2 N i =1
2 Z

=
2

2 1 N Pi ( Z i Z) 2 = Z N i =1 n
2 Z

1 N = = Pi N i =1

xi NP - i

No caso de amostragem com probabilidades iguais, 1 Pi = e Z=x N

2 = Z

2 1 1 N ( x i ) 2 = , n N i =1 n

que a varincia da mdia amostral na amostragem com reposio.

2 ESTIMADOR DE

Amostragem II 47 ________________________________________________________________________________________

Pode-se mostrar que: 1 n s2 = ( Z i Z) 2 Z n -1 um estimador no viciado de 2 Z Ento, um estimador no viciado de Z dado por:
2

Z 2

1 = n (n - 1)

xi T NP - N , i i =1
n

onde

x 1 T=NZ= i n i =1 Pi um estimador no viciado do total populacional T. Outra maneira de expressar essa varincia
n x 1 i = = n (n - 1)N 2 i =1 Pi
2 2 Z 2 nT 2

mais prtica do ponto de vista computacional. Exemplo: Uma amostra de 5 propriedades agrcolas foi selecionada de um total de 120 propriedades de um municpio, para estimar a rea cultivada com arroz. A amostra foi selecionada com reposio e com probabilidade proporcional rea total cultivada. A rea total cultivada no municpio foi de 58.000 ha. Estimar a rea cultivada com arroz no municpio, e seu erro padro. Propriedade 1 2 3 4 5 Ai=rea total cultivada (ha) 1232 327 1346 1285 428 Xi=rea com arroz (ha) 688 231 768 898 417

Para estimar a rea cultivada com arroz utiliza-se

n x 1 T= i n i =1 Pi

Mas Pi =

Ai 58.000

Amostragem II 48 ________________________________________________________________________________________
5 58.000 x i Ento, T = 5 i -1 A i

E para a varincia: n X i2 1 2 nT 2 2 T = n (n 1) i =1 Pi sendo: n 5 x i2 x2 = (58.000) 2 i2 P2 i =1 i =1 A i i Organizamos os dados na seguinte tabela: Propriedade 1 2 3 4 5

Ai 1232 327 1346 1258 428

xi 688 231 768 898 417

xi / Ai 0,558 0,706 0,570 0,698 0,974 3,508

x i2 / A i2 0,311 0,499 0,325 0,488 0,949 2,574

58.000 (3,508) $ T= 5 $ = 40.700 ha cultivadas com arroz no municpio. T

2 T =

1 ( 58.000 ) 2 (2,574) - 5(40.700) 2 (5)(4)

2 T = 18.970.605 ha2
e o erro padro:

T = 4355 ha

3.3 SELEO COM PROBABILIDADES VARIVEIS NA AMOSTRAGEM POR CONGLOMERADOS

A seleo com probabilidades variveis pode ser utilizada, na amostragem por conglomerados, para a seleo das unidades primrias. Aps as unidades primrias serem selecionadas com probabilidade proporcional ao tamanho e com reposio, as unidades secundrias podem ser selecionadas dentro das unidades primrias, seja com reposio ou seja sem reposio. No caso de amostragem com reposio, quando a mesma unidade primria for selecionada mais de uma vez , seleciona-se a 1a a amostra dentro da unidade primria, e para a seleo da segunda amostra entram novamente todas as unidades secundrias, mesmo as que entraram na 1a amostra. Desta

Amostragem II 49 ________________________________________________________________________________________

maneira as amostras so independentes. A probabilidade de seleo da unidade primria (Pi = Ni / N). a) AMOSTRAGEM POR CONGLOMERADOS COM ETAPA NICA ESTIMADOR DO TOTAL Para estimar o total, suponhamos um exemplo simples: suponha que Pi = pesa Ti = 200 g. O peso do bolo completo ento estimado em:
1 de bolo 4

Ti 200 = = 800g. Pi 1/4

Quer dizer, o estimador do total pode se expressar como:

T T = i , que no viciado. Pi
Prova:
M M T E(T) = Pi i = Ti = T Pi i i

Consideremos agora uma amostra de m = 2 unidades primrias, t1 e t2 os valores obtidos em cada unidade primria. T1/P1 e T2/P2 so respectivamente, estimadores de T podemos construir um estimador do total com a mdia destes estimadores: m T 1 T T 1 T = 1 + 2 = i P P m 2 1 i =1 Pi 2 Que tambm no viciado: 1 m T 1 m M T E(T) = E i = Pi i = T Pi m i Pi m i i VARINCIA DA MDIA Por definio, a varincia da mdia :
2 2 2 = E[ E( )] = E( ) Pode-se mostrar que a varincia da mdia fica: 1 M 2 2 = N i ( i ) mN

Amostragem II 50 ________________________________________________________________________________________

b) AMOSTRAGEM BI-ETPICA COM PROBABILIDADES VARIVEIS Consideremos agora a seleo de amostras dentro das unidades primrias. Na unidade primria i seleciona-se uma amostra ni, estas sub amostras so selecionadas por amostragem aleatria simples e sem reposio. Ento, pela teoria de amostragem aleatria simples, sabemos que: N Ti = i ni e que

x
j

ni

ij

E Ti = Ti Substituindo a expresso de Ti por Ti no estimador do total, m T 1 T= i m i Pi temos: m 1 N ni 1 T = i x ij m i =1 Pi n i j

m NX 1 T = i i ; frmula geral para estimar o total na amostragem por m i =1 Pi conglomerados bi-etpica com probabilidades variveis de seleo. $ T um estimador no viciado de T. ni m ) = E E 1 1 Ni x E (T i j ij m i Pi n i j

( )

= Ei

1 m 1 Ti m i Pi T 1 m M = Pi i = T m i i Pi

$ Obs.: A partir da frmula obtida para T podemos obter o estimador do total para amostragem aleatria simples e para amostragem com probabilidade proporcional ao tamanho como casos especiais. No caso de selecionar as unidades primrias com amostragem aleatria simples, Pi ni ni m M 1 = 1 1 Ni x = N i x = , ento, T ij ij M m i 1 ni j i ni j M que a frmula anteriormente obtida na amostragem por conglomerados com probabilidades iguais.

Amostragem II 51 ________________________________________________________________________________________

c) AMOSTRAGEM BI-ETPICA COM PROBABILIDADE PROPORCIONAL AO TAMANHO (PPT) N No caso de amostragem com probabilidade proporcional ao tamanho, temos Pi = i . N ESTIMADOR DO TOTAL m 1 N i ni 1 T= x ij m i Ni ni j N

xi N m 1 T= x ij = N i m m i ni (Estimador do total na amostragem bi-etpica por conglomerados com PPT)

x
Note-se que
i

a mdia das mdias amostrais.

ESTIMADOR DA MDIA Como estimador da mdia da populao obtemos: T = N 1 m 1 m 1 ni = x i = xij m i m i ni j Quer dizer que, no caso das unidades primrias serem de tamanho varivel, pode-se mostrar que quando a seleo feita com probabilidade proporcional ao tamanho (PPT), a mdia amostral simples (no ponderada) um estimador no viciado de , e tambm mais preciso. Este, claramente , um resultado muito til e conveniente, porque, mesmo variando os tamanhos dos conglomerados, precisamos s da mdia amostral simples como um estimador da mdia da populao. O tamanho do conglomerado entra unicamente como critrio na seleo da unidade primria. VARINCIA DA MDIA Considerando o caso em que a seleo das unidades primrias feita com PPT e em todas as unidades primrias so tomadas amostras do mesmo tamanho (n i = n ) , pode-se mostrar que
2 =

S2 1 M 1 M 2 (N i n ) i N i ( i ) + mN mN n

onde

Amostragem II 52 ________________________________________________________________________________________

S i2 =

1 Ni 2 (X ij i ) Ni 1

ESTIMADOR DA VARINCIA DA MDIA Uma das caractersticas importantes da amostragem com PPT que o estimador no 2 viciado de muito simples. Para uma amostra de m unidades primrias e n = N unidades secundrias em cada u.p., temos:
2 =
m 1 2 (X i X ) m(m 1)

X i = Mdia do conglomerado i.
1 m Xi m i =1 Observe que o estimador da varincia da mdia depende unicamente da variao entre conglomerados e no da variao dentro dos conglomerados. Ento, se tivermos conglomerados heterogneos melhor selecionar menos m e mais n . Exemplo 1: Os dados a seguir representam os valores obtidos em uma amostra por conglomerados selecionada com ppt, sendo m=2 e n =2. X=

A x1j x11 = 1 x12 = 2 x1 = 3

x ppt = 1 mn

C x2j x21 = 10 x22 = 11 x2 = 21

ij

1 (3 + 21) = 6 2 2

Sabemos tambm que x1 = 3 2 , x 2 = 21 2 , ento

s 2 ppt x
2 2 1 3 21 = 6 + 6 2 2 2

s x ppt = 4,5

1 81 81 = 2 2 4

Exemplo 2: Usando os dados abaixo, estimar s 2 ppt x

Amostragem II 53 ________________________________________________________________________________________

B x1j 3 5 4 5 3 20
41 = 4,1 10 Logo, x 1 = 20 5 = 4 e x 2 = 21 5 = 4,2

C x2j 4 6 4 4 3 21

Primeiro achamos x ppt =

s 2 ppt = x

1 (4 4,1)2 + (4,2 4,1)2 = 0,01 2(2 1)

s x ppt = 0,01 = 0,1

3.4 COMPARAO DA SELEO COM PPT E SELEO COM PROBABILIDADES IGUAIS NA AMOSTRAGEM POR CONGLOMERADOS
A razo principal em selecionar a unidade primria com probabilidade proporcional ao tamanho obter uma amostra mais representativa da populao e assim aumentar a preciso dos estimadores se comparados com amostragem aleatria simples. A diferena principal entre amostra por conglomerados simples e amostra por conglomerados com probabilidade proporcional ao tamanho consiste em que no primeiro mtodo tanto as unidades primrias quanto as unidades secundrias so selecionadas por amostra aleatria simples, enquanto que no segundo mtodo as unidades primrias so selecionadas com probabilidade proporcional ao tamanho, e as unidades secundrias so selecionadas por amostragem aleatria simples. Portanto, se existem diferena na preciso, essa diferena ser ocasionada pelos diferentes procedimentos de seleo da unidade primria. Ento, a comparao entre as varincias ser feita considerando somente a unidade primria.
2 (c) =

S2 M M ( N i n i ) S i2 1 M(M m ) T + N i2 m m i Ni Ni N2

2 ( ppt ) =

S2 1 M 1 M N i ( i ) 2 + (N i n ) i mN i mN i n

Para eliminar a influncia do 2o termo, fazemos N i = n i

2 (c)

2 M 2 M m ST 1 Mm 1 1 M = 2 = 2 (Ti T ) 2 M m N M m M -1 i N

Amostragem II 54 ________________________________________________________________________________________

e
2 ( ppt ) =

N 1 Ni + ( i - ) 2 m i
M 1 = M,
2 2

Se aproximar

Mm =1 e M

2 (c)

1 1 M Ti T 1 1 M T = N - N = m M Ni mM i i

Ti = N i i
ento
2 (c ) =

1 M ( N i i N ) N2 mM i

2 2 ( c ) e ( ppt ) podero ser agora comparadas $

2 2 (cong ) ( ppt ) =

1 mM

(N
M i i

N
2

1 M Ni 2 N ( i ) m i

=
Na expresso anterior: N a) Quando N i = N = M

1 M ( N i N) 2 2 1 1 NN i + m N (N i - N) ( i2 2 ) m i

2 2 (cong ) (ppt ) = 0

e ambos os procedimentos tm a mesma preciso. Neste caso, N Ni N M 1 = = = N N N M e a probabilidade de selecionar qualquer unidade primria com probalidade proporcional ao tamanho 1/M, igual a uma amostra aleatria simples. Portanto, razovel que as duas varincias sejam iguais. b) Quando Ni varia:

Amostragem II 55 ________________________________________________________________________________________

1 1 MN
e

(N

N) 2

NN

i > 0

1 1 ( N N ) ( i2 2 ) geralmente pequeno. m N i 2 ento, (cong ) (ppt ) > 0

Na maioria das vezes, a preciso da amostragem com PPT ser melhor que a amostragem por conglomerado simples.

Amostragem II 56 ________________________________________________________________________________________

3.5 RESUMO AMOSTRAGEM COM PROBABILIDADES VARIVEIS.

a) Seleo de unidades com probabilidades variveis. Parmetro Estimador n x 1 = Pi nN i = 1 i

Total

1 T= n

P
i =1

xi
i

1 N = Pi N i =1
2

xi NP - i

2 =

n x 2 1 i nT 2 2 P n (n - 1)N i =1 i

b) Seleo com probabilidades variveis na amostragem por conglomerados b.1) Com etapa nica Parmetro Estimador m Total T 1 T= i m i =1 Pi Mdia T = N b.2) Amostragem bi-etpica m Total NX 1 T= i i m i =1 Pi c) Seleo com PPT na amostragem bi-etpica Parmetro Estimador m N T = Xi Total m i T Mdia = N Quando n i = n : m 1 Si2 2 1 M 1 M 2 2 2 = N i ( i ) + mN (N i n ) n = m(m 1) (X i X ) mN
S i2 = 1 Ni 2 (X ij i ) Ni 1

X i = Mdia do conglomerado i. 1 m X = Xi m i =1

Amostragem II 57 ________________________________________________________________________________________

4. BIBLIOGRAFIA
1. 2. 3.

Bolfarine, H. e Bussab, W.O. Elementos de Amostragem. Ed. Edgard Blcher. 2005. Cochran, W. Sampling Techniques. Ed. John Wiley. 1977. Deming, W. E. Sampling Design in Business Research. Ed. John Wiley. 1960. 4. Hansen, M. H., Hurwitz, W.N.C. e Madow, W. G. Sample survey methods and theory. Volumes I & II. Ed. John Willey. 1953. 5. Kalton, G. Introduction to Survey Sampling. Ed. Sage. 1983. 6. Kish, L. Survey Sampling. Ed. John Wiley. 1965. 7. Lehtonen, R. e Pahkinen, E. Practical Methods for Design and Aalysis of Complex Surveys. Ed. John Wiley. 2004. 8. Levy P. S. e Lemeshow S. Sampling of Populations, Methods and Aplications. Ed. John Wiley. 1999. 9. Marconi, M. A. e Lakatos, E. M. Tcnicas de pesquisa. Editora Atlas, 1992 10. Pessoa, D. G. C. Anlise de Dados Amostrais Complexos. Associao Brasileira de Estatstica. 1998. 11. Silva, N. N. Amostragem Probabilstica. Edusp. 1998. 12. Stuart, A. Basic Ideas of Scientific Sampling. Ed. Hafner. 1962. 13. Sudman, S. Applied Sampling. Ed. Academic Press. 1976. 14. Sukhatme, P. V. Teoria de Encuestas por Muestreo com Aplicaciones. Ed. Fundo de Cultura Econmica. 1962. 15. Thompson, S. K. Sampling. Ed. John Wiley & Sons Inc., N.Y., 1992. 16. Yamane, T. Elementary Sampling Theory. Ed. Prentice Hall. 1967.