Aula 5 Distribuio amostral da mdia

Nesta aula voc ir aprofundar seus conhecimentos sobre a distribuio amostral da mdia amostral. Na
aula anterior analisamos, por meio de alguns exemplos, o comportamento da mdia amostral; mas naqueles
exemplos, a populao era pequena e foi possvel obter todas as amostras, ou seja, foi possvel obter a distribuio
amostral exata. Nesta aula, veremos resultados tericos sobre a distribuio amostral da mdia amostral, que nos
permitiro fazer anlises sem ter que listar todas as amostras.
Objetivos
Os principais resultados que estudaremos so:
mdia e varincia da distribuio amostral da mdia
distribuio amostral da mdia para populaes normais
Teorema Central do Limite
Mdia e varincia da distribuio amostral da mdia
Na aula anterior, vimos, por meio de exemplos, que a mdia amostral X um estimador no-viesado da
mdia populacional . Na verdade, temos o seguinte resultado geral.
Teorema 5.1
Seja X1,X2, . . . ,Xn uma amostra aleatria simples de tamanho n de uma populao representada pela
varivel aleatria X com mdia e varincia 2. Ento,

importante notar que esse resultado se refere a qualquer populao X. O que ele estabelece que as
mdias amostrais das diferentes amostras aleatrias simples de tamanho n tendem a acertar o alvo da mdia
populacional ; lembre-se da Figura 4.z, partes (a) e (b). Alm disso, medida que o tamanho amostral n aumenta,
a disperso em torno do alvo, medida por Var( X ), vai diminuindo e tende a zero quando n . O desvio padro
da distribuio amostral de qualquer estatstica usualmente chamado de erro padro.
Ento, o erro padro da mdia amostral
Distribuio amostral da mdia para populaes normais
Na prtica estatstica, vrias populaes podem ser descritas, aproximadamente, por uma distribuio
normal. Obviamente, o teorema anterior continua valendo no caso de uma populao normal, mas temos uma
caracterstica a mais da distribuio amostral da mdia: ela tambm normal.
Teorema 5.2
Seja X1,X2, . . . ,Xn uma amostra aleatria simples de tamanho n de uma populao normal, isto , uma
populao representada por uma varivel aleatria normal X com mdia e varincia 2. Ento, a distribuio
amostral da mdia amostral X normal com mdia e varincia 2/n, ou seja,

Na Figura 5.1 ilustra-se o comportamento da distribuio amostral da mdia amostral com base em
amostras de tamanho n = 3 para uma populao normal com mdia 2 e varincia 9. A ttulo de comparao,
apresenta-se a distribuio populacional. Podemos ver que ela mais dispersa que a distribuio amostral de X, mas
ambas esto centradas no verdadeiro valor populacional = 2.
Pgina 1 de 15

Figura 5.1: Distribuio amostral de X com base em aas de tamanho n = 2 de uma populao N(2; 9).
Exemplo 5.1
A capacidade mxima de um elevador de 500 kg. Se a distribuio dos pesos dos usurios N(70; 100),
qual a probabilidade de que 7 pessoas ultrapassem este limite? E de 6 pessoas?
Soluo
Podemos considerar os 7 passageiros como uma amostra aleatria simples da populao de todos os
usurios, representada pela v.a. X N(70; 100). Seja, ento, X1, . . . ,X7 uma aas de tamanho n = 7. Se o peso
mximo 500 kg, para que 7 pessoas ultrapassem o limite de segurana temos de ter

X 71, 429
Mas sabemos que

X 70 71, 429 70
Pr( Z 0, 38) 0, 352
Logo, Pr( X 71, 429) Pr

100
100

7
7

Com 6 pessoas teramos de ter

Podemos ver que existe uma probabilidade alta (0,35 ou 35% de chance) de 7 pessoas ultrapassarem o limite
de segurana. J com 6 pessoas, essa probabilidade bastante pequena. Assim, o nmero mximo de pessoas no
elevador deve ser estabelecido como 6 ou menos.
Exemplo 5.2
Uma v.a. X tem distribuio normal com mdia 100 e desvio padro 10.
1. Calcule Pr(90 < X < 110).
2. Se X a mdia de uma amostra aleatria simples de 16 elementos retirados dessa populao, calcule
Pr(90 < X < 110).
Pgina 2 de 15

3. Construa, em um nico sistema de coordenadas, os grficos das distribuies de X e X .

4. Que tamanho deveria ter a amostra para que Pr(90 < X < 110) = 0, 95?
Soluo
1.

2. Com n = 16, resulta que

Figura 5.2: Distribuio amostral de X com base em amostras de tamanho n = 16 de uma populao N(100; 100).
3. Veja a Figura 5.2. Como visto, a distribuio amostral com n = 16 menos dispersa que a distribuio populacional
e ento podemos ver que, entre 90 e 110, temos concentrada praticamente toda a distribuio de X .
4. Queremos que Pr(90 < X < 110) = 0, 95, ou seja

Pgina 3 de 15

A ttulo de ilustrao, apresentam-se na Figura 5.3 as distribuies amostrais de X para n = 16 e n = 4.

Figura 5.3: Distribuio amostral de X com base em amostras de tamanhos n = 16 e n = 4 de uma populao N(100;
100).
Exemplo 5.3
A mquina de empacotar um determinado produto o faz segundo uma distribuio normal, com mdia e
desvio padro 10g.
1. Em quanto deve ser regulado o peso mdio para que apenas 10% dos pacotes tenham menos do que 500g?
2. Com a mquina assim regulada, qual a probabilidade de que o peso total de 4 pacotes escolhidos ao acaso seja
inferior a 2kg?
Soluo
1. Seja X a varivel aleatria que representa o peso dos pacotes. Sabemos, ento, que X N(; 100). Queremos que

Ento, na densidade normal padro, esquerda da abscissa (500 ) / 10 temos que ter uma rea
(probabilidade) de 0,10. Logo, essa abscissa tem que ser negativa. Usando a simetria da densidade normal temos as
seguintes equivalncias:

Pgina 4 de 15

Veja a Figura 5.4 onde so ilustradas essas equivalncias.

Figura 5.4: Soluo do Exemplo 5.3.

2. Sejam X1, X2, X3, X4 os pesos dos 4 pacotes da amostra. Queremos que
Isso equivalente a

Logo,

Com a mquina regulada para 512,8g, h uma probabilidade de 0,00523 de que uma amostra de 4 pacotes
apresente peso mdio inferior a 500g. Note que com um pacote apenas, essa probabilidade de 10%. Por isso, as
inspees de controle de qualidade so sempre feitas com base em amostras de tamanho n > 1.

Pgina 5 de 15

Atividade 5.1
1. Os comprimentos das peas produzidas por determinada mquina tm distribuio normal com uma
mdia de 172 mm e desvio padro de 5 mm. Calcule a probabilidade de uma amostra aleatria simples de 16 peas
ter comprimento mdio:
(a) entre 169 mm e 175 mm; (b) maior que 178 mm; (c) menor que 165 mm.
2. Qual dever ser o tamanho de uma amostra aleatria simples a ser retirada de uma populao N(150; 132)
para que

= 0, 95?

Teorema Central do Limite

Os resultados vistos anteriormente so vlidos para populaes normais, isto , se uma populao normal
com mdia e varincia 2, ento a distribuio amostral de X tambm normal com mdia e varincia
2/n, onde n o tamanho da amostra. O Teorema Central do Limite que veremos a seguir nos fornece um resultado
anlogo para qualquer distribuio populacional, desde que o tamanho da amostra seja suficientemente grande.
Teorema Central do Limite: Seja X1, X2, . . . ,Xn uma amostra aleatria simples de uma populao X tal que
E(X) = e Var(X) = 2. Ento, a distribuio de X converge para a distribuio normal com mdia e varincia
2/n quando n . Equivalentemente,

A interpretao prtica do Teorema Central do Limite a seguinte: para amostras grandes de qualquer
populao, podemos aproximar a distribuio amostral de X por uma distribuio normal com a mesma mdia
populacional e varincia igual varincia populacional dividida pelo tamanho da amostra. Quo grande deve ser a
amostra para se obter uma boa aproximao depende das caractersticas da distribuio populacional. Se a
distribuio populacional no se afastar muito de uma distribuio normal, a aproximao ser boa, mesmo para
tamanhos pequenos de amostra. Na Figura 5.5 ilustra-se esse teorema para a distribuio exponencial, ou seja, para
uma populao distribuda segundo uma exponencial com parmetro = 1.
O grfico superior representa a distribuio populacional e os histogramas representam a distribuio
amostral de X ao longo de 5.000 amostras de tamanhos 10, 50, 100 e 250. Assim, podemos ver que, embora a
populao seja completamente diferente da normal, a distribuio amostral de X vai se tornando cada vez mais
prxima da normal medida que n aumenta.

Pgina 6 de 15

Figura 5.5: Ilustrao do Teorema Central do Limite para uma populao X exp(1).
Em termos prticos, esse teorema de extrema importncia, por isso chamado teorema central e, em
geral, amostras de tamanho n > 30 j fornecem uma aproximao razovel.
Exemplo 5.4
Uma moeda lanada 50 vezes, com o objetivo de se verificar sua honestidade. Se ocorrerem 36 caras nos
50 lanamentos, o que podemos concluir?
Neste caso, a populao pode ser representada por uma varivel de Bernoulli X com parmetro p, isto , X
assume o valor 1 com probabilidade p na ocorrncia de cara e assume o valor 0 com probabilidade 1 p na
ocorrncia de coroa. Para uma varivel de Bernoulli, temos que E(X) = p e Var(X) = p(1 p). Como so feitos 50
lanamentos, o tamanho da amostra 50 (n grande!) e, pelo Teorema Central do Limite, X aproximadamente
normal com mdia E ( X ) = p e varincia Var( X ) = p(1p)/50 .
Suponhamos que a moeda seja honesta, isto , que p = 1/2. Nessas condies, qual a probabilidade de
obtermos 36 caras em 50 lanamentos?
Com a hiptese de honestidade da moeda, o teorema central do limite nos diz que

A probabilidade de se obter 36 ou mais caras em 50 lanamentos equivalente probabilidade de X ser

maior ou igual a 36/50 = 0, 72 e essa probabilidade

Pgina 7 de 15

Note que essa probabilidade bastante pequena, ou seja, h uma pequena probabilidade de obtermos 36
ou mais caras em um lanamento de uma moeda honesta. Isso pode nos levar a suspeitar sobre a honestidade da
moeda!
Atividade 5.2
O fabricante de uma lmpada especial afirma que o seu produto tem vida mdia de 1.600 horas, com desvio
padro de 250 horas. O dono de uma empresa compra 100 lmpadas desse fabricante. Qual a probabilidade de
que a vida mdia dessas lmpadas ultrapasse 1.650 horas?
Resumo da Aula
Nesta aula, foram estudadas propriedades da mdia amostral X . Ao final, voc dever ser capaz de
compreender perfeitamente os seguintes resultados:
Dada uma aas (amostra aleatria simples com reposio) X1, X2, . . . ,Xn de uma populao X com mdia e
varincia 2, a mdia amostral X um estimador no-viesado de com varincia igual varincia
populacional dividida pelo tamanho amostral n, isto :

O desvio padro da distribuio amostral de qualquer estatstica usualmente chamado de erro padro.
Ento, o erro padro da mdia amostral

Nas condies anteriores e com a hiptese adicional de a populao X ser normal, a distribuio amostral de

X tambm normal, isto :

O teorema central do limite um dos mais importantes teoremas da teoria inferencial. Ele nos d
informaes sobre a distribuio amostral de X para amostras grandes de qualquer populao. Mais
precisamente, se X1, X2, . . . ,Xn uma amostra aleatria simples de uma populao X tal que E(X) = e
Var(X) = 2, ento a distribuio de X converge para a distribuio normal com mdia e varincia 2/n
quando n . Equivalentemente,

ou

Exerccios
1. Uma amostra de tamanho n = 18 extrada de uma populao normal com mdia 15 e desvio padro 2,5. Calcule
a probabilidade de que a mdia amostral (a) esteja entre 14,5 e 16,0; (b) seja maior que 16,1.

Pgina 8 de 15

2. Volte ao Exemplo 5.3. Depois de regulada a mquina, prepara-se uma carta de controle de qualidade. Uma
amostra de 4 pacotes ser sorteada a cada hora. Se a mdia da amostra for inferior a 497g ou superior a 520g, a
produo deve ser interrompida para ajuste da mquina, isto , ajuste do peso mdio.
(a) Qual a probabilidade de uma parada desnecessria?
(b) Se a mquina se desregulou para = 500g, qual a probabilidade de se continuar a produo fora dos padres
desejados?
3. Uma empresa produz parafusos em duas mquinas. O comprimento dos parafusos produzidos em ambas
aproximadamente normal com mdia de 20 mm na primeira mquina e 25 mm na segunda mquina e desvio padro
comum de 4 mm. Uma caixa com 16 parafusos, sem identificao, encontrada e o gerente de produo determina
que, se o comprimento mdio for maior que 23 mm, ento a caixa ser identificada como produzida pela mquina 2.
Especifique os possveis erros nessa deciso e calcule as suas probabilidades.
4. Definimos a varivel e = X como sendo o erro amostral da mdia, onde X a mdia de uma aas de tamanho
n de uma populao com mdia e desvio padro .
(a) Determine E(e) e Var(e).
(b) Se a populao normal com = 20, que proporo das amostras de tamanho 100 ter erro amostral absoluto
maior do que 2 unidades?
(c) Neste caso, qual deve ser o valor de para que Pr(| e | > ) = 0, 01?
(d) Qual deve ser o tamanho da amostra para que 95% dos erros amostrais absolutos sejam inferiores a 1 unidade?
5. Uma fbrica produz parafusos especiais, para atender um determinado cliente, que devem ter comprimento de
8,5cm. Como os parafusos grandes podem ser reaproveitados a um custo muito baixo, a fbrica precisa controlar
apenas a proporo de parafusos pequenos. Para que o processo de produo atinja o lucro mnimo desejvel,
necessrio que a proporo de parafusos pequenos seja no mximo de 5%.
(a) Supondo que a mquina que produz os parafusos o faa de modo que os comprimentos tenham distribuio
normal com mdia e desvio padro de 1,0cm, em quanto deve ser regulada a mquina para satisfazer as
condies de lucratividade da empresa?
(b) Para manter o processo sob controle, programada uma carta de qualidade. A cada hora ser sorteada uma
amostra de 4 parafusos e, se o comprimento mdio dessa amostra for menor que 9,0cm, o processo de produo
interrompido para uma nova regulagem da mquina. Qual a probabilidade de uma parada desnecessria?
(c) Se a mquina se desregulou de modo que o comprimento mdio passou a ser 9,5cm, qual a probabilidade de se
continuar o processo de produo fora dos padres desejados?
6. A diviso de inspeo do Departamento de Pesos e Medidas de uma determinada cidade est interessada em
calcular a real quantidade de refrigerante que colocada em garrafas de 2 litros, no setor de engarrafamento de
uma grande empresa de refrigerantes. O gerente do setor de engarrafamento informou diviso de inspeo que o
desvio padro para garrafas de 2 litros de 0,05 litro. Uma amostra aleatria de 100 garrafas de 2 litros, obtida
deste setor de engarrafamento, indica uma mdia de 1,985 litro. Qual a probabilidade de se obter uma mdia
amostral de 1,985 ou menos, caso a afirmativa do gerente esteja certa? O que se pode concluir?
Soluo das Atividades
Atividade 5.1
1. Seja X = comprimento das peas; ento X N(172; 25) e n = 16
(a)

Pgina 9 de 15

(b)

(c)

2. Temos que X N(150; 132) e queremos determinar n para que Pr( X )<6, 5) = 0, 95.

Atividade 5.2
1. Podemos aceitar que as 200 lmpadas compradas sejam uma amostra aleatria simples da populao referente s
lmpadas produzidas por esse fabricante. Como n = 100 um tamanho suficientemente grande de amostra,
podemos usar o Teorema Central do Limite, que nos diz que

. Logo

Pgina 10 de 15

Soluo dos Exerccios

1.

(a)

(b)

2. X N(512, 8; 100)
(a) Parada desnecessria: amostra indica que o processo est fora de controle ( X < 497 ou X > 520), quando, na
verdade, o processo est ajustado ( = 512, 8). Neste caso, podemos usar a notao de probabilidade condicional
para auxiliar na soluo do exerccio.
Queremos calcular

(b) Agora queremos

Pgina 11 de 15

Note que a probabilidade de uma parada desnecessria pequena, custa de alta probabilidade de se
operar fora de controle.
3. Os erros so:
E1 : estabelecer que so da mquina 1, quando na verdade foram produzidos pela mquina 2 ou
E2 : estabelecer que so da mquina 2, quando na verdade foram produzidos pela mquina 1.
A regra de deciso a seguinte:

X > 23 = mquina 2
X 23 = mquina 1
Na mquina 1 o comprimento N(20; 16) e na mquina 2, N(25; 16).

4. Note que e igual a X menos uma constante e sabemos que E( X ) = e Var( X ) = 2/n .
(a) Das propriedades da mdia e da varincia, resulta que
E(e) = E( X ) = = 0;

Var(e) = V ar( X ) =2/n

(b) X N(; 202) e n = 100. Queremos

Pgina 12 de 15

(c)

(d)

Pgina 13 de 15

5. Parafusos pequenos: X < 8, 5, onde X o comprimento do parafuso.

(a) X N(; 1). Como Pr(X < 8, 5) = 0, 05, resulta que 8,5 tem de ser menor que , ou seja, a abscissa 8, 5 tem
de estar no lado negativo da escala da normal padronizada.

(b) Parada desnecessria: amostra indica processo fora de controle ( X < 9), quando, na verdade, o processo est
sob controle ( = 10, 14).

(c) Mquina desregulada: X > 9; processo operando sem ajuste: X N (9, 5; 1)

Pgina 14 de 15

6. Afirmativa do gerente: = 2 e = 0, 05. Como n = 100, podemos usar o Teorema Central do Limite. Logo,

A probabilidade de se obter esse valor nas condies dadas pelo gerente muito pequena, o que pode nos
fazer suspeitar da veracidade das afirmativas. provvel que ou a mdia no seja 2 (e, sim, menor que 2), ou o
desvio padro no seja 0,05 (e, sim, maior que 0,05). Esboce grficos da normal para compreender melhor esse
comentrio!
Bibliografia
[1] ANDERSON, David R.; SWEENEY, Dennis J.; WILLIAMS, Thomas A. Estatstica Aplicada Administrao e
Economia. So Paulo: Pioneira Thomson Learning, 2002
[2] MOORE, David S.; McCabe, George P.; DUCKWORTH, William M.; SCLOVE, Stanley L. A Prtica da Estatstica
Empresarial Como Usar Dados para Tomar Decises. Rio de Janeiro: LTC Editora, 2006
[3] MORETTIN, Pedro Alberto; BUSSAB, Wilton de Oliveira. Estatstica Bsica, 5a Edio. So Paulo: Saraiva, 2006
[4] TRIOLA, Mario F. Introduo Estatstica, 9a. Edio. Rio de Janeiro: LTC Editora, 2005
[5] FARIAS, Ana M.; Mtodos Estatsticos I. Rio de Janeiro. Fundao CECIERJ, 2009.

Pgina 15 de 15