1

UNIVERSIDADE DE FRANCA
CURSO: ENGENHARIA MECNICA

DISCIPLINA: PROBABILIDADE E ESTATSTICA

PROFESSOR: MAMORU YAMADA

AULA 09: DISTRIBUIO AMOSTRAL

9 Introduo
A Estatstica se interessa por concluses e predies originadas de resultados eventuais que
ocorrem em experimentos ou investigaes cuidadosamente planejados.
Esses resultados eventuais constituem um subconjunto ou amostra de medidas ou observaes
de um conjunto maior de valores, chamado populao. No entanto, nem todas as amostras prestam para
validar generalizaes a respeito de populaes, das quais foram obtidas.
Muitos dos mtodos de inferncia so baseados em amostragens aleatrias simples (AAS) com
reposio, ou seja, permitido que uma unidade possa ser sorteada mais de uma vez. Na AAS sem
reposio, a unidade sorteada removida da populao.
Amostrar sem reposio mais adequado, do ponto de vista da quantidade de informao contida
na amostra. Porm, a amostragem com reposio conduz a um tratamento terico mais simples, pois ela
implica que se tem independncia entre as unidades selecionadas, o que facilita o desenvolvimento das
propriedades dos estimadores que sero considerados nas aulas seguintes.

9.1 Amostragem aleatria simples com reposio

Veja o exemplo a seguir: vamos retirar uma AAS de cinco alturas (em cm) de uma populao de
mulheres cujas alturas X seguem a distribuio N (167; 25).
Usando-se um gerador de nmeros aleatrios, obtemos a seguinte amostra:
x1 = 165,

x2 = 161,

x3 = 168,

x4 = 173,

x5 = 173

Se formos gerar uma outra amostra de cinco alturas, poderemos obter valores diferentes da
amostra acima. Observe que o primeiro elemento a ser observado (que podemos indicar por X1) pode ser
qualquer valor da populao N (167; 25). Podemos, ento, concluir que X1 ~ N (167; 25). Como a gerao
do segundo nmero aleatrio feita independentemente do primeiro, temos que a v.a. X2 (valor observado
na segunda extrao), tambm segue uma distribuio N (167; 25), e assim sucessivamente.

Formalizando: uma amostra aleatria simples com reposio de tamanho n, de uma varivel aleatria
X com uma dada distribuio, o conjunto de n variveis aleatrias independentes X1, X2, ..., Xn, cada
uma com a mesma distribuio de X.

9.2 Estatstica e parmetro

Obtida uma amostra, muitas vezes desejamos us-la para produzir alguma caracterstica
especfica. Exemplo: podemos calcular a mdia de uma amostra.
Estatstica ou estimador qualquer funo de uma amostra aleatria (frmula ou expresso),
construda com o propsito de servir como instrumento para descrever alguma caracterstica da amostra e
para fazer inferncia a respeito da caracterstica na populao. As estatsticas mais comuns so:

2
n
Mdia da amostra: x = 1 x
i
n i=1
n
Varincia da amostra: s 2 = 1
(x i x )2

n 1 i=1
Proporo da amostra: p = x , onde:
n

(9.1)
(9.2)
(9.3)

x = nmero de elementos da amostra que apresentam uma caracterstica;

n = tamanho da amostra
Parmetro uma medida usada para descrever uma caracterstica da populao.
Parmetros so funes de valores populacionais, enquanto que estatsticas so funes de
valores amostrais. Os smbolos mais comuns esto representados na tabela 9.1.
Tabela 9.1 Smbolos mais comuns utilizados para representar valores de estatsticas e de parmetros
Estatstica

Parmetro

Mdia

Varincia

Nmero de elementos

Proporo

9.3 Distribuio amostral

Vamos retomar o exemplo dos gerentes da aula anterior. Neste exemplo, foram levantados todos
os valores de salrios anuais da populao de 2.500 gerentes. Foram calculados os seguintes parmetros:
= US$ 51.800,00; = US$ 4.000,00
Alm disso, foi levantada tambm a informao sobre a participao dos gerentes em um
treinamento gerencial. Este levantamento mostrou que 1.500 dos 2.500 gerentes participaram do
treinamento, ou seja:
p = 1.500 / 2.500 = 0,60.
Suponha, agora, que os dados dos 2.500 gerentes no esto disponveis, e o diretor da
corporao quer fazer uma anlise sobre os salrios dos gerentes. Assim, foi obtida uma AAS de 30
gerentes da corporao. Foram coletadas as seguintes variveis: valor do salrio anual e participao em
treinamento gerencial. Estas informaes esto relacionadas na tabela 9.2.
Esta amostra nos fornece as seguintes estatsticas:
x = 51.814,00; s = 3.347,72; p = 0,63.
Vamos supor, agora, que foi selecionada outra AAS de 30 gerentes da mesma corporao, sendo
que as estatsticas desta segunda amostra foram:
x = 52.669,70; s = 4.239,07; p = 0,70.
Os resultados da segunda amostra diferem dos da primeira. Em geral, isto deve ocorrer sempre
que uma nova amostra for obtida, pois cada AAS conter elementos diferentes da amostra anterior.
Suponha, ento, que repetimos o processo de amostragem aleatria simples para a populao de
2.500 gerentes, at obtermos 500 amostras de 30 gerentes, e os seus respectivos valores de x , s e p .
Parte destes resultados est representada na tabela 9.3.

Tabela 9.2 Amostra de 30 gerentes, com os salrios anuais e participao em treinamento gerencial
Elemento da amostra

Salrio anual (US$)

Programa de treinamento gerencial?

x1

49.094,30

Sim

x2

53.263,90

Sim

x3

49.643,50

Sim

x4

49.894,90

Sim

x5

47.621,60

No

x6

55.924,00

Sim

x7

49.092,30

Sim

x8

51.404,40

Sim

x9

50.957,70

Sim

x10

55.109,70

Sim

x11

45.922,60

Sim

x12

57.268,40

No

x13

55.688,80

Sim

x14

51.564,70

No

x15

56.188,20

No

x16

51.766,00

Sim

x17

52.541,30

No

x18

44.980,00

Sim

x19

51.932,60

Sim

x20

52.973,00

Sim

x21

45.120,90

Sim

x22

51.753,00

Sim

x23

54.391,80

No

x24

50.164,20

No

x25

52.973,60

No

x26

50.241,30

No

x27

52.793,90

No

x28

50.979,40

Sim

x29

55.860,90

Sim

x30

57.309,10

No

Tabela 9.3 Amostra de 30 gerentes, com os salrios anuais e participao em treinamento gerencial
Nmero da amostra Mdia da amostra ( x ) Desvio padro da amostra (s) Proporo da amostra ( p )
1

51.814,00

3.347,72

0,63

52.669,70

4.239,07

0,70

51.780,30

4.433,43

0,67

51.587,90

3.985,32

0,53

500

51.752,00

3.857,82

0,50

Recordando: uma varivel aleatria uma descrio numrica do resultado de um experimento.

Se considerarmos o processo de seleo de uma AAS como um experimento, a mdia da amostra x a
descrio numrica do resultado do experimento. Portanto, a mdia da amostra x uma v.a. Assim, x tem
uma mdia ou valor esperado, uma varincia e uma distribuio de probabilidade. Como os vrios valores
possveis de x so os resultados de diferentes AASs, a distribuio de probabilidade de x chamada de
distribuio amostral de x .
A partir da distribuio amostral de x e de suas propriedades, possvel fazer declaraes sobre
a distncia que x est da mdia da populao .
Voltando tabela 9.3, podemos construir uma tabela de distribuio de frequncia para a mdia
da amostra x (tabela 9.4), e o histograma da distribuio de frequncia relativa para os valores de x (figura
9.1).
Tabela 9.4 Distribuio de frequncia de x , a partir de 500 amostras de 300 gerentes
Salrio mdio anual (US$)

Frequncia absoluta ni

Frequncia relativa fi

49.500,00 | 49.999,99

0,004

50.000,00 | 50.499,99

16

0,032

50.500,00 | 50.999,99

52

0,104

51.000,00 | 51.499,99

101

0,202

51.500,00 | 51.999,99

133

0,266

52.000,00 | 52.499,99

110

0,220

52.500,00 | 52.999,99

54

0,108

53.000,00 | 53.499,99

26

0,052

53.500,00 | 53.999,99

0,012

500

1,000

Total

Frequncia
relativa
0,30
0,25
0,20
0,15
0,10
0,05

50.000

51.000

52.000

53.000

54.000

Figura 9.1 Histograma da distribuio de frequncia relativa de x , a partir de 500 amostras de 30 gerentes
O histograma dos 500 valores de x nos fornece uma aproximao da forma da distribuio
amostral. Ela se assemelha forma de sino de uma distribuio normal. Notamos uma maior concentrao
dos valores de x e da mdia dos 500 valores de x em torno da mdia da populao = 51.800,00. As
propriedades desta distribuio amostral sero detalhadas adiante.
As figuras 9.2 e 9.3 apresentam os histogramas das distribuies de frequncia dos 500 valores
do desvio padro da amostra e da proporo da amostra, respectivamente.

Frequncia
relativa
0,30
0,25
0,20
0,15
0,10
0,05

2.600 3.000 3.400 3.800 4.200 4.600 5.000 5.400

Figura 9.2 Histograma da distribuio de frequncia relativa de s, a partir de 500 amostras de 30 gerentes

Frequncia
relativa
0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05

0,32

0,40

0,48

0,56

0,64

0,72

0,80

0,88

Figura 9.3 Histograma da distribuio de frequncia relativa de p , a partir de 500 amostras de 30 gerentes
Como no caso de x , tanto s quanto p so variveis aleatrias que fornecem descries
numricas do resultado de uma AAS. Portanto, s e p tm uma mdia ou valor esperado, uma varincia e
uma distribuio amostral de probabilidade. Os histogramas das figuras 9.2 e 9.3 mostram uma
aproximao da forma dessas distribuies amostrais.

Formalizando: toda estatstica, sendo uma funo de uma amostra aleatria X1, X2, ..., Xn, tambm
uma v.a. e tem uma distribuio, pois, em relao a vrias amostras, a estatstica muda de valor de
acordo com a distribuio determinada a partir daquela que controla a amostra aleatria. Com isso, o
comportamento da estatstica pode ser descrito por alguma distribuio de probabilidade. Assim, cada
estatstica uma v.a. e sua distribuio de probabilidade chamada de distribuio amostral da
estatstica.

Esquematicamente, teramos o procedimento apresentado na Figura 9.4, onde o parmetro de

interesse na populao e h o valor da estatstica H para cada amostra.

Populao

Amostras
h1
1

Populao da estatstica H
h1, h2,..., hk

h2
2
.
.
.

hk
k

Figura 9.4 Procedimento para construo da distribuio amostral da estatstica H

9.3.1 Caractersticas da distribuio amostral de x

Podemos, ento, estudar algumas caractersticas de uma distribuio amostral. Vamos iniciar pela
distribuio amostral de x .
A distribuio amostral de x definida como a distribuio de probabilidade de todos os valores
possveis da mdia da amostra x .

9.3.1.1 Valor esperado de x

Pode-se provar que, se X1, X2, ..., Xn constitui uma AAS de uma populao, ento:
E(x) = , onde:

E(x ) = valor esperado de x ;

= mdia da populao.

(9.4)

Ou seja, com a AAS, o valor esperado ou mdia para x igual mdia da populao da qual a
amostra foi retirada.
No exemplo dos salrios dos gerentes:
Como: = 51.800 E(x ) = 51.800

9.3.1.2 Desvio padro de x

Pode-se provar que, se X1, X2, ..., Xn constitui uma AAS de uma populao e que:
x = desvio padro de x ;
= desvio padro da populao;
n = tamanho da amostra;
N = tamanho da populao.
Ento:
1. Se a populao finita: = N n
x
N 1 n

(9.5)

2. Se a populao infinita: =
x
n
A diferena entre as equaes 9.5 e 9.6 a existncia do fator

(9.6)
N n para populao finita. Este
N 1

fator chamado de fator de correo da populao finita. Em alguns casos prticos, apesar da populao
ser finita, o tamanho da amostra considerado pequeno em relao ao tamanho da populao (n << N).
Nestes casos, a populao pode ser considerada infinita. Assim, usa-se a equao 9.6 nas seguintes
situaes:
1. quando a populao infinita;
2. quando a populao finita e n 0,05 .
N
No exemplo dos salrios dos gerentes:
Como: = 4.000 e n = 30 = 0,012 0,05 , ento: = = 4.000 = 730,30 .
x
N 2.500
n
30
Finalmente, observando as equaes 9.5 e 9.6, conforme o tamanho da amostra n aumenta, o
desvio padro x tende a diminuir. Isto significa que quando n torna-se grande, pode-se esperar valores de
x mais prximos de , a quantidade que se pretende estimar. Em funo disso, o desvio padro x

chamado de erro padro da mdia. Ele til para determinar a distncia que a mdia da amostra pode
estar da mdia da populao, conforme veremos adiante.

9.4 Teorema do Limite Central

A distribuio amostral de x foi caracterizada quanto ao valor esperado e ao desvio padro. Resta
determinar a sua forma. Consideramos dois casos: um no qual a distribuio da populao distribuda
normalmente, e outra no qual a distribuio da populao desconhecida.
No primeiro caso, se x a mdia de uma AAS, de tamanho n, de uma populao com distribuio
normal, com mdia e varincia 2 , sua distribuio amostral tambm normal, com mdia e varincia
2 . Ou seja, a distribuio amostral de x uma 2 .

N ,
n
n
Para o segundo caso, contamos com um dos mais importantes teoremas em estatstica o
Teorema do Limite Central (TLC). O TLC pode ser anunciado da seguinte forma:

Formalizando: ao selecionar AASs de tamanho n a partir de uma populao, a distribuio amostral da

mdia da amostra x pode ser aproximada pela distribuio normal de probabilidade sempre que o
tamanho da amostra for grande. Para AASs, o tamanho da amostra considerado grande para n 30.

O TLC pode ser enunciado de outra forma:

Formalizando: em uma AAS de uma populao arbitrria, com mdia e desvio padro , a distribuio
de x , quando n grande, aproximadamente normal, com mdia e desvio padro . Em outras
n
x

palavras: z =
aproximadamente uma N (0,1).
/ n

A figura 9.5 ilustra graficamente o TLC. As populaes I, II e III possuem distribuies diversas.
Para n = 2, nenhuma das trs distribuies amostrais se aproxima de uma distribuio normal.

Figura 9.5 Ilustrao do Teorema do Limite Central para trs populaes

Para n = 5, as distribuies comeam a se aproximar da forma da distribuio normal. A
distribuio amostral da populao I j apresenta uma forma semelhante distribuio normal, enquanto
que as distribuies amostrais das populaes II e III apresentam formas de sino com uma certa assimetria.
Finalmente, para n = 30, as trs distribuies amostrais se aproximam bastante da forma da
distribuio normal.
Novamente: a distribuio amostral de x de qualquer populao, medida que o tamanho n da
amostra aumenta, vai se aproximando da distribuio normal.

Assim, voltando ao exemplo dos salrios dos gerentes, j havamos determinado que E(x) = 51.800
e x = 730,30 . Como a AAS de 30 gerentes, pelo TLC, a distribuio amostral de x aproximadamente
normal (figura 9.6).

x = 730,30

51.800

Figura 9.6 Distribuio amostral de x , para o salrio mdio anual de uma AAS de 30 gerentes

9.5 Utilizao prtica da distribuio amostral de x

Vamos exemplificar uma aplicao prtica da distribuio amostral de x com o exemplo dos
salrios dos gerentes. O diretor acredita que a mdia da amostra x ser uma estimativa aceitvel da mdia
da populao se x estiver dentro de US$500,00 de .
Isso, porm, no possvel de garantir com certeza absoluta. Reveja a tabela 9.3 para verificar
que algumas amostras apresentam diferenas de mais de US$2.000,00 de .
Por isso, a questo deve ser analisada em termos de probabilidade. A preocupao do diretor
pode ser definida de seguinte forma: qual a probabilidade de que a mdia da amostra de uma AAS de 30
gerentes esteja dentro de US$500,00 da mdia da populao?
Agora que caracterizamos a distribuio amostral de x , podemos responder questo acima. A
probabilidade questionada refere-se probabilidade de x estar entre US$51.300,00 e US$52.300,00 na
distribuio amostral de x (figura 9.7).

x = 730,30
rea = 0,25175

51.300

rea = 0,25175

51.800

52.300

Figura 9.7 Probabilidade da mdia da amostra estar dentro de US$500,00 da mdia da populao
Como a distribuio normal, com mdia de 51.800 e desvio padro de 730,30, podemos usar a
tabela da distribuio normal padro para encontrar a probabilidade desejada. Para x = 51.300, temos:
51.300 51.800
z=
= 0,68
730,30
Na tabela da distribuio normal padro:
Para z = 0,68 rea = 0,25175. Portanto, a probabilidade do valor de x estar entre 51.300 e
52.300 de 0,25175 + 0,25175 (por simetria) = 0,50350.
De outro modo: existe uma probabilidade de 1 0,50350 = 0,49650 de que x ficar fora da mdia
da populao por mais do que US$500,00.

10

Para melhorar a probabilidade de 0,50350, pode-se tomar uma amostra de tamanho maior. Esta
relao ser descrita a seguir.

9.6 Relao entre o tamanho da amostra e a distribuio amostral de x

Vamos supor que, ao invs de selecionarmos uma AAS de 30 gerentes, ns tenhamos
selecionado uma AAS de 100 gerentes. Vamos verificar de que forma o aumento no tamanho da amostra
(de 30 para 100) afeta a anlise realizada no item anterior.
Primeiramente, temos que E(x) = = 51.800 , independentemente do tamanho da amostra.
J o erro padro da mdia afetado pelo tamanho da amostra. O novo valor dado por:
4.000
x =
=
= 400 , ou seja, x diminuiu de 730,30 para 400.
n
100
A figura 9.8 traz as duas distribuies amostrais de x , com n = 30 e n = 100. Como a distribuio
amostral com n = 100 tem um erro padro menor, os valores de x tm menor variao e tendem a estar
mais prximos da mdia da populao do que os valores de x com n = 30.

n = 100
x = 400

n = 30
x = 730,30

51800

Figura 9.8 Comparao das distribuies amostrais de x para AASs de n = 30 e n = 100 gerentes
Com a definio da nova distribuio amostral de x com n = 100, podemos recalcular o valor de z
para x = 51.800. Assim:
51.300 51.800
z=
= 1,25
400
Na tabela da distribuio normal padro:
Para z = 1,25 rea = 0,39435. Portanto, a nova probabilidade do valor de x estar entre 51.300
e 52.300 de 0,39435 + 0,39435 (por simetria) = 0,78870.
Assim, aumentando o tamanho da amostra de 30 para 100 gerentes, aumentamos a probabilidade
de obter uma mdia de amostra dentro de US$500,00 da mdia da populao de 0,5035 para 0,7887.

9.7 Distribuio amostral de p

Vamos estudar, agora, algumas caractersticas de uma distribuio amostral da proporo p de
uma populao.
A distribuio amostral de p definida como a distribuio de probabilidade de todos os valores
possveis da proporo da amostra p .

11

9.7.1 Valor esperado de p

Seja X1, X2, ..., Xn constitui uma AAS de uma populao, que possui uma proporo p. Ento,
pode-se provar que:
E(p ) = p , onde:
E(p) = valor esperado de p ;

(9.7)

p = proporo da populao.
Ou seja, com a AAS, o valor esperado ou mdia para p igual proporo p da populao da
qual a amostra foi retirada.
No exemplo da proporo de gerentes que participaram do treinamento gerencial:
Como: p = 0,60 E(p) = 0,60

9.7.2 Desvio padro de p

Pode-se provar que, se X1, X2, ..., Xn constitui uma AAS de uma populao, que possui uma
proporo p e que:
p = desvio padro de p ;
p = proporo da populao;
n = tamanho da amostra;
N = tamanho da populao.

Ento:

1. Se a populao finita: = N n p (1 p)
p
N 1
n
2. Se a populao infinita: = p (1 p)
p
n
A diferena entre as equaes 9.8 e 9.9 a existncia do fator

(9.8)
(9.9)
N n para populao finita.
N 1

Como no caso da mdia amostral x , este fator chamado de fator de correo da populao finita. Em
alguns casos prticos, apesar da populao ser finita, o tamanho da amostra considerado pequeno em
relao ao tamanho da populao (n << N). Nestes casos, a populao pode ser considerada infinita.
Assim, usa-se a equao 9.9 nas seguintes situaes:
1. quando a populao infinita;
2. quando a populao finita e n 0,05 .
N
No exemplo da proporo de gerentes que participaram do treinamento gerencial:
Como: n = 30 = 0,012 0,05 , ento: = p (1 p) = 0,60 (1 0,60) = 0,0894.
p
N 2.500
n
30
Finalmente, observando as equaes 9.8 e 9.9, conforme o tamanho da amostra n aumenta, o
desvio padro p tende a diminuir. Isto significa que quando n torna-se grande, pode-se esperar valores de
p mais prximos de p, a quantidade que se pretende estimar. Em funo disso, o desvio padro p

chamado de erro padro da proporo. Ele til para determinar a distncia que a proporo da amostra
pode estar da proporo da populao, conforme veremos adiante.

12

9.7.3 Forma da distribuio amostral de p

A distribuio amostral de p foi caracterizada quanto ao valor esperado e ao desvio padro. Resta
determinar a sua forma. Para isso, podemos aplicar o TLC:
Ao selecionar AASs de tamanho n a partir de uma populao, a distribuio amostral da
proporo p pode ser aproximada pela distribuio normal de probabilidade sempre que o tamanho da
amostra for grande. Para AASs, o tamanho da amostra considerado grande para n 30.
O TLC para a proporo pode ser enunciado de outra forma:
Em uma AAS de uma populao arbitrria, com proporo p, a distribuio de p , quando n
grande, aproximadamente normal, com proporo p e desvio padro
z=

p p
p (1 p ) n

p (1 p ) . Em outras palavras:
n

aproximadamente uma N (0,1).

No exemplo da proporo de gerentes que participaram do treinamento gerencial:

J havamos determinado que E(p) = 0,60 e p = 0,0894 . Como a AAS de 30 gerentes, pelo TLC,
a distribuio amostral de p aproximadamente normal (figura 9.9).

p = 0,0894

0,60

Figura 9.9 Distribuio amostral de p , para a proporo de participao em treinamento gerencial de uma
AAS de 30 gerentes

9.7.4 Utilizao prtica da distribuio amostral de p

Vamos voltar ao exemplo da proporo de gerentes que participaram do treinamento gerencial. O
diretor acredita que a proporo da amostra p ser uma estimativa aceitvel da proporo da populao p
se p estiver dentro de 0,05 de p.
Esta questo deve ser analisada em termos de probabilidade. A preocupao do diretor pode ser
definida de seguinte forma: qual a probabilidade de que a proporo da amostra de uma AAS de 30
gerentes esteja dentro de 0,05 da proporo da populao?
Agora que caracterizamos a distribuio amostral de p , podemos responder questo acima. A
probabilidade questionada refere-se probabilidade de p estar entre 0,55 e 0,65 na distribuio amostral de
p (figura 9.10).

p = 0,0894
rea = 0,21226

rea = 0,21226

0,55

0,60

0,65

Figura 9.10 Probabilidade da proporo da amostra estar dentro de 0,05 da proporo da populao

13

Como a distribuio normal, com mdia de 0,60 e desvio padro de 0,0894, podemos usar a
tabela da distribuio normal padro para encontrar a probabilidade desejada. Para p = 0,55, temos:
0,55 0,60
z=
= 0,56
0,0894
Na tabela da distribuio normal padro:
Para z = 0,56 rea = 0,21226. Portanto, a probabilidade do valor de p estar entre 0,55 e 0,65
de 0,21226 + 0,21226 (por simetria) = 0,42452.
De outro modo: existe uma probabilidade de 1 0,42452 = 0,57548 de que p ficar fora da mdia
da populao por mais do que 0,05.
Para melhorar a probabilidade de 0,42452, pode-se tomar uma amostra de tamanho maior.
Suponha, ento, que, ao invs de selecionarmos uma AAS de 30 gerentes, ns tenhamos selecionado uma
AAS de 100 gerentes. Vamos verificar de que forma o aumento no tamanho da amostra (de 30 para 100)
afeta a anlise realizada anteriormente.
Primeiramente, temos que E(p) = p = 0,60 , independentemente do tamanho da amostra.
J o erro padro da proporo afetado pelo tamanho da amostra. O novo valor dado por:
p (1 p)
0,60 (1 0,60)
p =
=
= 0,0490 , ou seja, p diminuiu de 0,0894 para 0,0490.
n
10
Com a definio da nova distribuio amostral de p com n = 100, podemos recalcular o valor de z
para p = 0,55. Assim:
0,55 0,60
z=
= 1,02
0,0490
Na tabela da distribuio normal padro:
Para z = 1,02 rea = 0,34614. Portanto, a nova probabilidade do valor de p estar entre 0,55 e
0,65 de 0, 34614 + 0, 34614 (por simetria) = 0,69228.
Assim, aumentando o tamanho da amostra de 30 para 100 gerentes, aumentamos a probabilidade
de obter uma proporo de amostra dentro de 0,05 da proporo da populao de 0,42452 para 0,69228.