SlideShare uma empresa Scribd logo
1 de 13
Baixar para ler offline
concurseiro_estatistico@outlook.com
Preliminares
Seja uma população nita de tamanho N , digamos:
U = {1, 2, . . . , N}
Seja uma amostra de tamanho n :
s = {1, 2, . . . , n}
Considere o elemento i ∈ U , associamos ao elemento i a probabilidade πi de
inclusão na amostra :
πi = P(i ∈ s), i = 1, 2, 3, . . . , N
Preliminares
Seja δi a variável aleatória que indica a presença da unidade i na amostra s:
δi =
1, i ∈ s
0, i /∈ s
⇒
P(δi = 1) = πi
P(δi = 0) = 1 − πi
Se (i, j) ∈ U , associamos a probabilidade πi,j de segunda ordem :
πij = P(i ∈ s, j ∈ s)
Planejamento Amostral
Um dos trabalhos do estatístico é realizar procedimentos amostrais probabilísticos.
Pelo procedimento desenhado deve-se garantir que cada amostra possível de ocorrer
tenha associada a ela uma probabilidade de ocorrência.
Assim, no conjunto de todas as amostras possíveis
S(U), devemos ter P(S = s) ≥ 0, e
s∈S
P(S = s) = 1
Ao procedimento desenhado chamamos de
£
¢
 
¡PLANEJAMENTO AMOSTRAL.
Preliminares
Ao recolhermos a amostra, ca associado a cada elemento k da amostra
s = {1, 2, . . . , n}
o valor yk, 1 ≤ k ≤ n (a variável de interesse!).
Viés. Se quisermos estimar o total populacional: y =
i∈U
yi por uma amostra
s = {y1, y2, . . . , yn}, n  N. Intuitivamente podemos usar
y =
k∈s
yk ⇒ Estimador Enviesado!
Peso Amostral
Podemos usar uma combinação linear dos elementos da amostra :
y =
k∈s
ωkyk
Vamos reescrever este estimador da seguinte forma :
y =
i∈U
ωiyiδi
Probabilidade de Inclusão  AASs
Seja {U1, U2, . . . , Un} temos
N
n
amostras de tamanho n
⇒ p(s) =



1
N
n
, se s tem n elementos
0 , caso contrário
Um determinado elemento k aparece em
N − 1
n − 1
amostras. Sua probabilidade de
inclusão πk é
πi =
N − 1
n − 1
N
n
=
(N − 1)!
(n − 1)!(N − n)!
·
n!(N − n)!
N!
=
n
N
Peso Amostral
O peso amostral da unidade k de uma amostra probabilística é igual ao inverso
de sua probabilidade de inclusão nessa amostra.
Para a AAS (Sem Reposição)
πk = P(Uk ⊂ s) =
n
N
⇒ wk =
1
πk
=
N
n
= 400/800 = 2
Onde wi é o peso amostral.
Interpretação intuitiva: o peso amostral representa o número de unidades
da população representadas pela unidade Uk da amostra
PACOTE CESPE/CEBRASPE
MPU/2013;
STF/2013;
FUB/2013;
FUB/2015;
TCE/2016 - Fiscalização;
TCE/2016 - Administração.
TSE/2006.
Amostragem - Peso Amostral

Mais conteúdo relacionado

Mais procurados

Probability & probability distribution
Probability & probability distributionProbability & probability distribution
Probability & probability distribution
umar sheikh
 
Números índices
Números índicesNúmeros índices
Números índices
pso2510
 

Mais procurados (20)

Resolvidos bpnormal
Resolvidos bpnormalResolvidos bpnormal
Resolvidos bpnormal
 
Normal approximation to the poisson distribution
Normal approximation to the poisson distributionNormal approximation to the poisson distribution
Normal approximation to the poisson distribution
 
Using STATA in Survey Data Analysis - Niveen El Zayat
Using STATA in Survey Data Analysis - Niveen El ZayatUsing STATA in Survey Data Analysis - Niveen El Zayat
Using STATA in Survey Data Analysis - Niveen El Zayat
 
Probability & probability distribution
Probability & probability distributionProbability & probability distribution
Probability & probability distribution
 
Cap4 prt
Cap4 prtCap4 prt
Cap4 prt
 
Números índices
Números índicesNúmeros índices
Números índices
 
Poisson lecture
Poisson lecturePoisson lecture
Poisson lecture
 
Apresentacao series temporais
Apresentacao series temporaisApresentacao series temporais
Apresentacao series temporais
 
Bayesian statistics
Bayesian statisticsBayesian statistics
Bayesian statistics
 
Demonstração do binômio de Newton
Demonstração do binômio de NewtonDemonstração do binômio de Newton
Demonstração do binômio de Newton
 
Лекция №4 "Задача классификации"
Лекция №4 "Задача классификации"Лекция №4 "Задача классификации"
Лекция №4 "Задача классификации"
 
Mcqs (probability)
Mcqs (probability)Mcqs (probability)
Mcqs (probability)
 
Test for equal variances
Test for equal variancesTest for equal variances
Test for equal variances
 
Chapter 5 part2- Sampling Distributions for Counts and Proportions (Binomial ...
Chapter 5 part2- Sampling Distributions for Counts and Proportions (Binomial ...Chapter 5 part2- Sampling Distributions for Counts and Proportions (Binomial ...
Chapter 5 part2- Sampling Distributions for Counts and Proportions (Binomial ...
 
Distribuição Gama de Probabilidade - Resolução de Questão
Distribuição Gama de Probabilidade - Resolução de QuestãoDistribuição Gama de Probabilidade - Resolução de Questão
Distribuição Gama de Probabilidade - Resolução de Questão
 
7 cavalieri principle-x
7 cavalieri principle-x7 cavalieri principle-x
7 cavalieri principle-x
 
Theorems And Conditional Probability
Theorems And Conditional ProbabilityTheorems And Conditional Probability
Theorems And Conditional Probability
 
Gradient boosting in practice: a deep dive into xgboost
Gradient boosting in practice: a deep dive into xgboostGradient boosting in practice: a deep dive into xgboost
Gradient boosting in practice: a deep dive into xgboost
 
On p-values
On p-valuesOn p-values
On p-values
 
Descriptive Statistics and Data Visualization
Descriptive Statistics and Data VisualizationDescriptive Statistics and Data Visualization
Descriptive Statistics and Data Visualization
 

Semelhante a Amostragem - Peso Amostral (6)

Técnicas de Amostragem - Aula #1
Técnicas de Amostragem - Aula #1Técnicas de Amostragem - Aula #1
Técnicas de Amostragem - Aula #1
 
Técnicas de Amostragem - Aula #2 - Planejamento Amostral
Técnicas de Amostragem - Aula #2 - Planejamento AmostralTécnicas de Amostragem - Aula #2 - Planejamento Amostral
Técnicas de Amostragem - Aula #2 - Planejamento Amostral
 
Lista 1 - FUV - Resolução
Lista 1 - FUV - ResoluçãoLista 1 - FUV - Resolução
Lista 1 - FUV - Resolução
 
06 eac proj vest mat módulo 1 noções de probabilidade
06 eac proj vest mat módulo 1 noções de probabilidade06 eac proj vest mat módulo 1 noções de probabilidade
06 eac proj vest mat módulo 1 noções de probabilidade
 
A matemática do ensino médio vol 1
A matemática do ensino médio vol 1A matemática do ensino médio vol 1
A matemática do ensino médio vol 1
 
04 probabilidade
04 probabilidade04 probabilidade
04 probabilidade
 

Mais de Anselmo Alves de Sousa

Mais de Anselmo Alves de Sousa (20)

Medias moveis - Análise de Séries Temporais
Medias moveis - Análise de Séries TemporaisMedias moveis - Análise de Séries Temporais
Medias moveis - Análise de Séries Temporais
 
Tecnologia da Amostragem - Probabilidade de Inclusão em Amostragem - UFCA 2019
Tecnologia da Amostragem - Probabilidade de Inclusão em Amostragem - UFCA 2019Tecnologia da Amostragem - Probabilidade de Inclusão em Amostragem - UFCA 2019
Tecnologia da Amostragem - Probabilidade de Inclusão em Amostragem - UFCA 2019
 
ANPEC/2019 - Propriedades dos Estimadores de Mínimos Quadrados
ANPEC/2019 - Propriedades dos Estimadores de Mínimos QuadradosANPEC/2019 - Propriedades dos Estimadores de Mínimos Quadrados
ANPEC/2019 - Propriedades dos Estimadores de Mínimos Quadrados
 
Anpec - 2019 Estatística - Questão 1
Anpec - 2019 Estatística - Questão 1Anpec - 2019 Estatística - Questão 1
Anpec - 2019 Estatística - Questão 1
 
Pseudo-sigma
Pseudo-sigmaPseudo-sigma
Pseudo-sigma
 
Random walk - Passeio Aleatório
Random walk - Passeio AleatórioRandom walk - Passeio Aleatório
Random walk - Passeio Aleatório
 
Regressao Linear Simples - Pessupostos
Regressao Linear Simples - PessupostosRegressao Linear Simples - Pessupostos
Regressao Linear Simples - Pessupostos
 
Introdução à probabilidade - Probabilidade frequentista
Introdução à probabilidade - Probabilidade frequentistaIntrodução à probabilidade - Probabilidade frequentista
Introdução à probabilidade - Probabilidade frequentista
 
Aula 1 Probabilidade Introdução
Aula 1 Probabilidade IntroduçãoAula 1 Probabilidade Introdução
Aula 1 Probabilidade Introdução
 
Desigualdade de Markov - Resolução de Questão de Estatística
Desigualdade de Markov - Resolução de Questão de EstatísticaDesigualdade de Markov - Resolução de Questão de Estatística
Desigualdade de Markov - Resolução de Questão de Estatística
 
Teste do sinal - Estatística Não Paramétrica
Teste do sinal - Estatística Não ParamétricaTeste do sinal - Estatística Não Paramétrica
Teste do sinal - Estatística Não Paramétrica
 
Intervalo de Confiança para a Mediana amostral - Teste do Sinal
Intervalo de Confiança para a Mediana amostral - Teste do SinalIntervalo de Confiança para a Mediana amostral - Teste do Sinal
Intervalo de Confiança para a Mediana amostral - Teste do Sinal
 
Cadeias de Markov em Tempo Discreto
Cadeias de Markov em Tempo DiscretoCadeias de Markov em Tempo Discreto
Cadeias de Markov em Tempo Discreto
 
Modelo de Regressão nao-linear
Modelo de Regressão nao-linearModelo de Regressão nao-linear
Modelo de Regressão nao-linear
 
Entropia da Informação - Shannon
Entropia da Informação - ShannonEntropia da Informação - Shannon
Entropia da Informação - Shannon
 
Análise Espectral e Modelos ARIMA - Autocorrelação modelo ARIMA(2,1,0)
Análise Espectral e Modelos ARIMA - Autocorrelação modelo ARIMA(2,1,0)Análise Espectral e Modelos ARIMA - Autocorrelação modelo ARIMA(2,1,0)
Análise Espectral e Modelos ARIMA - Autocorrelação modelo ARIMA(2,1,0)
 
Função de Autocovariância Modelo AR(1) - Séries Temporais
Função de Autocovariância Modelo AR(1) - Séries TemporaisFunção de Autocovariância Modelo AR(1) - Séries Temporais
Função de Autocovariância Modelo AR(1) - Séries Temporais
 
Média e Variância da Distribuição Beta de Probabilidades
Média e Variância da Distribuição Beta de ProbabilidadesMédia e Variância da Distribuição Beta de Probabilidades
Média e Variância da Distribuição Beta de Probabilidades
 
Entropia da Distribuição Uniforme
Entropia da Distribuição UniformeEntropia da Distribuição Uniforme
Entropia da Distribuição Uniforme
 
Diferença entre Variáveis Aleatórias
Diferença entre Variáveis AleatóriasDiferença entre Variáveis Aleatórias
Diferença entre Variáveis Aleatórias
 

Amostragem - Peso Amostral

  • 2.
  • 3.
  • 4. Preliminares Seja uma população nita de tamanho N , digamos: U = {1, 2, . . . , N} Seja uma amostra de tamanho n : s = {1, 2, . . . , n} Considere o elemento i ∈ U , associamos ao elemento i a probabilidade πi de inclusão na amostra : πi = P(i ∈ s), i = 1, 2, 3, . . . , N
  • 5. Preliminares Seja δi a variável aleatória que indica a presença da unidade i na amostra s: δi = 1, i ∈ s 0, i /∈ s ⇒ P(δi = 1) = πi P(δi = 0) = 1 − πi Se (i, j) ∈ U , associamos a probabilidade πi,j de segunda ordem : πij = P(i ∈ s, j ∈ s)
  • 6. Planejamento Amostral Um dos trabalhos do estatístico é realizar procedimentos amostrais probabilísticos. Pelo procedimento desenhado deve-se garantir que cada amostra possível de ocorrer tenha associada a ela uma probabilidade de ocorrência. Assim, no conjunto de todas as amostras possíveis S(U), devemos ter P(S = s) ≥ 0, e s∈S P(S = s) = 1 Ao procedimento desenhado chamamos de £ ¢   ¡PLANEJAMENTO AMOSTRAL.
  • 7. Preliminares Ao recolhermos a amostra, ca associado a cada elemento k da amostra s = {1, 2, . . . , n} o valor yk, 1 ≤ k ≤ n (a variável de interesse!). Viés. Se quisermos estimar o total populacional: y = i∈U yi por uma amostra s = {y1, y2, . . . , yn}, n N. Intuitivamente podemos usar y = k∈s yk ⇒ Estimador Enviesado!
  • 8. Peso Amostral Podemos usar uma combinação linear dos elementos da amostra : y = k∈s ωkyk Vamos reescrever este estimador da seguinte forma : y = i∈U ωiyiδi
  • 9. Probabilidade de Inclusão AASs Seja {U1, U2, . . . , Un} temos N n amostras de tamanho n ⇒ p(s) =    1 N n , se s tem n elementos 0 , caso contrário Um determinado elemento k aparece em N − 1 n − 1 amostras. Sua probabilidade de inclusão πk é πi = N − 1 n − 1 N n = (N − 1)! (n − 1)!(N − n)! · n!(N − n)! N! = n N
  • 10. Peso Amostral O peso amostral da unidade k de uma amostra probabilística é igual ao inverso de sua probabilidade de inclusão nessa amostra. Para a AAS (Sem Reposição) πk = P(Uk ⊂ s) = n N ⇒ wk = 1 πk = N n = 400/800 = 2 Onde wi é o peso amostral. Interpretação intuitiva: o peso amostral representa o número de unidades da população representadas pela unidade Uk da amostra
  • 11.
  • 12. PACOTE CESPE/CEBRASPE MPU/2013; STF/2013; FUB/2013; FUB/2015; TCE/2016 - Fiscalização; TCE/2016 - Administração. TSE/2006.