Escolar Documentos
Profissional Documentos
Cultura Documentos
Distribuicao Amostral
Distribuicao Amostral
Por exemplo:
Na determinação da vida média de uma lâmpada fluorescente
especificada pelo fabricante fazem parte:
Do controle de qualidade da empresa.
Se a vida média das lâmpadas fluorescentes de uma
amostra retirada de um lote de produção não atender à
especificação estabelecida, então o lote deverá ser
rejeitado.
Do órgão de defesa do consumidor.
Se a vida média das lâmpadas fluorescentes da amostra
retirada de diversos pontos de venda atender à
especificação do fabricante, então a reclamação dos
consumidores não deverá ser aceita.
Avaliação de um novo produto.
Antes de seu lançamento, em muitos casos, o novo
produto é distribuído a um grupo de consumidores
potenciais que respondem um questionário.
Se os resultados dos questionários mostrarem que o novo
produto foi bem aceito, então o grupo de marketing terá
suporte para defender o lançamento desse novo produto.
Previsão do tempo médio de espera dos clientes no caixa de um
banco.
Se o tempo médio de espera de uma amostra de clientes
for maior que o tempo médio afirmado pelo gerente da
agência, então será bastante provável que as reclamações
dos clientes tenham fundamento.
Um denominador comum nos três casos apresentados é que as
decisões que deverão ser tomadas serão apoiadas em
informações incompletas.
No dia-a-dia, estamos acostumados a tomar decisões com
informações incompletas baseadas na própria experiência ou em
amostras.
Por exemplo, o procedimento de degustar uma porção de
fruta ou queijo antes de comprar.
Ao aprovar a amostra degustada e comprar uma
quantidade da fruta ou do queijo, estamos aceitando
que o resto do lote de fruta ou peça de queijo tem a
mesma característica que apreciamos na amostra.
A experiência mostra que é mais fácil acertar no caso
do queijo que no da fruta, salvo que o pedaço de
queijo comprado seja de outra peça não amostrada.
Seja qual for a decisão tomada, estará sendo aplicada a
distribuição das médias das amostras.
Parâmetro é uma medida numérica que descreve
uma população.
σ
σX =
n
FORMA DA DISTRIBUIÇÃO AMOSTRAL
N ( µ, σ / n )
Se a distribuição da população não for normal, à medida que o
tamanho da amostra aumentar, a distribuição da média amostral
se aproximará da distribuição normal.
De acordo com o teorema central do limite, a distribuição das
médias de amostras de tamanho suficientemente grande poderá
ser considerada como normal,
seja qual for a forma da distribuição
da população.
N ( µ, σ / n )
O teorema central do limite é muito importante, pois permite
utilizar a distribuição normal para realizar inferências da média
amostral, seja qual for a forma da distribuição da população.
Como aplicação prática, podemos dizer que a soma de um
número de efeitos aleatórios, sem dominância de nenhum deles
sobre o resultado total, produz uma variável aleatória com
distribuição normal. Por exemplo:
Um cabo de aço trançado utilizado num elevador é formado por
muitos fios de aço que adequadamente entrelaçados conferem
uma forte resistência ao cabo, cuja capacidade é igual à soma
das capacidades individuais dos fios de aço.
Se o número de fios que formam o cabo for
adequadamente grande, mesmo que a distribuição da
capacidade dos fios de aço não seja normal, a distribuição
da capacidade do cabo será normal.
SIMULADOR
O teorema central do limite pode ser verificado na prática
realizando simulações repetidas de um experimento, como o
lançamento de um dado que tem seis resultados possíveis {1, 2,
3, 4, 5, 6} com a mesma probabilidade 1/6 de ocorrer.
O histograma desse experimento mostra que sua distribuição de
freqüências é discreta e uniforme com média igual a 3,50,
variância 2,917 e desvio padrão 1,71.
O simulador permite realizar simulações para três tamanhos de
amostra, n=15, 30 e 50 resultados aleatórios de um dado obtidos
com a fórmula =ARRED(ALEATÓRIO()*(6-1)+1;0) registrada em
cada célula da tabela de trinta lançamentos de um dado repetido
cinco mil vezes.
A última coluna da tabela registra a média de cada lançamento
de n=15, 30 e 50 dados. Cada vez que o botão Simulação é
pressionado, o modelo atualiza os seguintes resultados para o
tamanho n previamente definido:
Calcula a média e o desvio padrão das médias amostrais,
intervalo de células C10:F11.
Calcula a tabela de freqüências absolutas e apresenta o
histograma de 200, 500, 1.000 e 5.000 lançamentos de
n=15, 30 e 50 dados, como mostra o slide seguinte no
caso de n=30.
Os quatro histogramas mostram que, ao aumentar o número de
simulações, acentua-se a concentração das médias amostrais
ao redor da média da população.
Também se for aumentado o tamanho da amostra para n=50
essa concentração ao redor da média começa a perceber-se
com menos simulações, confirmando que à medida que n
aumenta têm-se mais informações, como mostra o slide
seguinte.
Repetindo o que já foi apresentado:
A soma de um número de efeitos aleatórios, sem
dominância de nenhum deles sobre o resultado
total, produz uma variável aleatória com distribuição
normal.
FATOR DE CORREÇÃO FINITA
As premissas incluídas nas expressões apresentadas
estabelecem que a população é suficientemente grande, os
valores da amostra são independentes e a amostragem é
realizada com reposição.
Se numa população pequena for realizada uma amostragem
sem reposição de tamanho maior que 5% do tamanho da
população, no cálculo do erro padrão deverá ser incluído o fator
de correção finita
N −n
N −1
A tabela seguinte mostra valores do coeficiente de correção
finita em função do tamanho n da amostra numa população
de tamanho N=1.000.
UTILIZAÇÃO
Quanto maior for o tamanho n da amostra, mais a média amostral
se aproximará da média da população, pois à medida que n
aumenta, o erro padrão diminui e no limite, quando n tender à
própria população, o erro padrão tenderá a zero.
As propriedades da distribuição amostral asseguram que a média
de uma amostra é uma boa estatística para inferir sobre a média
da população µ da qual foi extraída.
Ao mesmo tempo, o teorema central do limite estabelece que se
o tamanho da amostra n for suficientemente grande a distribuição
da média amostral será normal, qualquer que seja a forma da
distribuição da população.
Portanto, o teorema central do limite permite aplicar a distribuição
normal para obter respostas da média de uma amostra de
tamanho suficientemente grande retirada de uma população
qualquer.
Qual o significado da probabilidade 6,68%?
Tendo presente que a distribuição amostral fornece a distribuição
teórica de todas as possíveis amostras de tamanho nove, a
probabilidade 6,68% é a proporção de amostras de tamanho nove
que têm media menor ou igual a 149,75 centímetros cúbicos.
Qual o significado da probabilidade 0,62%?
Considerando que a distribuição amostral fornece a distribuição
teórica de todas as possíveis amostras de tamanho vinte e cinco,
a probabilidade 0,62% é a proporção de amostras de tamanho
nove que têm media menor ou igual a 149,75 centímetros
cúbicos.
A probabilidade 0,62% confirma que o volume de enchimento
realizado pela máquina automática é de 150 centímetros cúbicos?
Vejamos:
Se for retirado apenas um único frasco de detergente como
amostra, a probabilidade de o volume desse frasco ser
menor ou igual a 149,75 centímetros cúbicos é 30,85%,
resultado obtido com a fórmula
=DIST.NORM(149,75;150;0,5;VERDADEIRO). A
probabilidade 30,85% é bastante alta comparada às
probabilidades com a média de uma amostra dos exemplos
anteriores.
A probabilidade 6,68% da amostra do Exemplo 10.3 não é
suficiente para afirmar que a máquina esteja enchendo
realmente com média igual a 150, pois a proporção de
amostras de tamanho nove com media menor ou igual a
149,75 centímetros cúbicos não é pequena.
A probabilidade da amostra do Exemplo 10.4 é pequena, o
que nos leva a aceitar que o volume médio de enchimento
da máquina seja 150.
A aceitação do volume de enchimento da máquina automática
depende do tamanho da amostra n, pois quanto maior for n,
maior será a chance de aceitação.
Modelo Distribuição Amostral