Statistical models attempt to explain phenomena, natural or experimental. It is common to formulate more than one model to the same phenomenon and thus it is necessary to choose that one the best describes it. There are many criteria in the literature for comparison of models such as the Akaike information criterion (AIC), corrected Akaike criterion (AIC), Bayesian information criterion (BIC), among others, that try to minimize the loss of information in the modeling process. These criteria have asymptotic results. The L-measure is a measure for comparison of models concerned with the prediction values arising from the same or similar experiments using concepts such as predictive density in its definition, and thus, by comparing what is predicted to what is observed to make choice between models. In this work were calculated the rate of true positives (TP), false positives (FP), false negatives (FN) and true negatives (TN) for L-measure, as well as sensitivity to different sample sizes, smaller than 60. When considered predictive distributions quite close to the true predictive distribution, the results of the rates of TP and TN were low as well as the results for sensitivity. In other configurations considered for the study, with different predictive distributions from true predictive distribution, the results of the rates of TP and TN were high as well as the results for sensitivity. In general, the L-measure presented best performance than the AIC criteria, AIC and BIC for samples smaller than 60.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Os modelos estatísticos tentam explicar fenômenos naturais ou experimentais. É comum que mais de um modelo seja formulado para um mesmo fenômeno e, dessa forma, faz-se necessária a escolha entre eles daquele que melhor o descreve. Existem muitos critérios na literatura para a comparação de modelos, como os critérios de informação de Akaike (AIC), Akaike corrigido (AICc), de informação Bayesiano (BIC), entre outros, que tentam minimizar a perda de informação envolvida no processo de modelagem. Esses critérios tem resultados assintóticos. A Medida L é uma medida para comparação de modelos que se preocupa com a predição de valores advindos de um mesmo experimento ou de experimentos semelhantes usando conceitos como densidade preditiva em sua definição e, dessa forma, comparando o que é predito ao que é observado para fazer a escolha entre modelos. No presente trabalho foram calculadas as taxas de verdadeiro positivo (TP), falso positivo (FP), falso negativo (FN) e verdadeiro negativo (TN) para a Medida L, bem como a sensibilidade em relação aos diferentes tamanhos amostrais para modelos normais. Quando foi considerada uma distribuição preditiva bastante próxima à verdadeira distribuição preditiva, os resultados das taxas TP e TN se mostraram baixos assim como os resultados para a sensibilidade. Nas outras configurações consideradas para o estudo, com distribuições preditivas diferentes e distantes da distribuição preditiva verdadeira, os resultados das taxas TP e TN foram altos assim como os resultados para sensibilidade. De maneira geral, a Medida L é mais eficaz que os critérios AIC, AICc e BIC para amostras menores que 60 quando se compara modelos normais.