Baixe o app para aproveitar ainda mais
Prévia do material em texto
Distribuições de Probabilidades de Estatísticas Amostrais (Estimadores) ◦ 2.1 – A Distribuição da Média Amostral. ◦ 2.2 – O Teorema do Limite Central. ◦ 2.3 – A Distribuição da Proporção Amostral. ◦ 2.4 – Aplicações. O Teorema do Limite Central Como já visto, a capacidade de usar amostras para fazer inferências sobre parâmetros populacionais depende do conhecimento da distribuição amostral. Acabamos de ver como se determinam a média e o desvio padrão, mas precisamos ainda de outra informação: a forma da distribuição amostral. O Teorema do Limite Central Já dissemos antes que há uma tendência para as distribuições de médias e de proporções se apresentarem aproximadamente normais. No caso das médias amostrais, pode-se demonstrar matematicamente que, se uma população tem distribuição normal, a distribuição das médias amostrais extraídas da população também tem distribuição normal, para qualquer tamanho de amostra. O Teorema do Limite Central Além disso, mesmo no caso de uma distribuição não-normal, a distribuição das médias amostrais será aproximadamente normal, desde que a amostra seja grande. Este é um resultado notável, na verdade, pois nos diz que não é necessário conhecer a distribuição de uma população para podermos fazer inferências sobre ela a partir de dados amostrais. A única restrição é que o tamanho da amostra seja grande. Uma regra prática muito usada é que a amostra deve consistir de 30 ou mais observações. O Teorema do Limite Central População: distribuição: uniforme[39, 99] tamanho: N=5 O Teorema do Limite Central População: distribuição: uniforme[39, 99] tamanho: N=5000 O Teorema do Limite Central População: distribuição: N[69, sigma=8] tamanho: N=5 O Teorema do Limite Central População: distribuição: N[69, sigma=8] tamanho: N=5000 O Teorema do Limite Central Estes resultados são conhecidos como o Teorema do Limite Central e representam, talvez, o conceito mais importante na inferência estatística. O Teorema do Limite Central 1. Se a população sob amostragem tem distribuição normal, a distribuição das médias amostrais também será normal para todos os tamanhos de amostra. 2. Se a população básica é não-normal, a distribuição de médias amostrais será aproximadamente normal para grandes amostras. O Teorema do Limite Central Graficamente, o Teorema do Limite Central nos diz: DISTRIBUIÇÕES DE PROPORÇÕES AMOSTRAIS Uma distribuição de proporções amostrais indica quão provável é determinado conjunto de proporções amostrais, dados o tamanho da amostra e a proporção populacional. A média (proporção ou percentagem média) da distribuição amostral das proporções é sempre igual à proporção populacional. Isto é, DISTRIBUIÇÕES DE PROPORÇÕES AMOSTRAIS Quando a população é muito grande ou infinita, o desvio padrão da distribuição amostral das proporções é dado por: DISTRIBUIÇÕES DE PROPORÇÕES AMOSTRAIS Exemplo: Um varejista compra copos diretamente da fábrica em grandes lotes. Os copos vêm embrulhados individualmente. Periodicamente o varejista inspeciona os lotes para determinar a proporção de copos quebrados ou trincados. Se um grande lote contém 10% de quebrados ou trincados, qual a probabilidade de o varejista obter uma amostra de 100 copos com 17% ou mais defeituosos? AMOSTRAGEM DE UMA POPULAÇÃO FINITA A maior parte da amostragem se faz sem reposição, seja por motivos psicológicos, seja por razões de conveniência e custo. Enquanto o tamanho da amostra for pequeno em relação ao da população, a amostragem sem reposição dará entre as amostras essencialmente a mesma variabilidade da amostragem com reposição. AMOSTRAGEM DE UMA POPULAÇÃO FINITA Entretanto, se o tamanho da amostra representa percentagem apreciável da população (digamos, mais de 5%), já os resultados dos dois tipos de amostragem começam a diferir. Isto porque, na amostragem sem reposição, a probabilidade de extração de itens varia de uma para outra extração. Em tais condições, a distribuição adequada é a distribuição hipergeométrica. AMOSTRAGEM DE UMA POPULAÇÃO FINITA As fórmulas do desvio padrão das médias amostrais e do desvio padrão das proporções amostrais devem ser modificadas de modo a refletirem a probabilidade, se o tamanho da amostra é superior a 5% da população. Felizmente, a modificação hipergeométrica tem uma forma simples: AMOSTRAGEM DE UMA POPULAÇÃO FINITA Essa fórmula é designada como fator de correção finita, ou, às vezes, multiplicador de população finita, já que multiplica as expressões usuais do desvio padrão. O desvio padrão das médias amostrais se torna: e o desvio padrão das proporções amostrais fica: AMOSTRAGEM DE UMA POPULAÇÃO FINITA Exemplo: Uma máquina para recobrir cerejas com chocolate é regulada para produzir um revestimento de 3 mm de espessura. O processo tem distribuição normal, com desvio padrão de 1 mm. Se o processo funciona conforme o esperado (isto é, média de 3 mm e desvio padrão de 1 mm), qual seria a probabilidade de extrair uma amostra de 25 de um lote de 169 cerejas e encontrar uma média amostral superior a 3,4 mm? 1ª lista de exercícios (4ª bateria): ◦ Exercícios do livro texto: pg. 188: nº 1, 3 e 6. pg. 192: nº 1, 3 e 7.
Compartilhar