Estatísticas e Distribuições de Amostragem

1
Estatísticas e
Distribuições de
Amostragem
Inferência Estatística
Parâmetros e Estatísticas
Fonte da imagem:
https://newonlinecourses.science.psu.edu/stat200/sites/stat200/files/inli
ne-images/InferenceGraphicSU17.png
Distribuições de
Amostragem
Fonte da imagem:
https://www.safaribooksonline.com/library/view/practical-statistics-
for/9781491952955/assets/psds_0201.png
Simulação
5
Variação Amostral e
Distribuição Amostral
Exemplo
▪ Seja 𝜇 a verdadeira quantidade média de gordura contida

em hamburgers comercializados por uma cadeia de fast-
food nacional.
▪ Para saber algo sobre 𝜇, obtemos uma amostra de 𝑛 =
50 hamburgers e determinamos a quantidade de gordura
contida em cada um.
▪ Os dados dessa amostra dão uma média 𝑥 = 28,4𝑔.
Prof. Augusto C. Souza - 2018/2

Exemplo
Quão próxima é essa média amostral da verdadeira

média populacional, 𝜇?

Exemplo
▪ Suponha que tivéssemos selecionado uma outra

amostra de 50 hamburgers e tivéssemos calculado
a quantidade média de gordura. Este segundo
valor estaria próximo ao anterior ou seria muito
diferente?
▪ Estas questões podem ser respondidas com o
estudo da distribuição amostral de 𝑥.

Definição de Estatística
▪ Uma estatística é qualquer quantidade cujo valor possa
ser calculado a partir de dados amostrais.
▪ Antes de obter os dados, há incerteza quanto ao valor de
qualquer estatística em particular. Portanto, uma
estatística é uma variável aleatória!
▪ Exemplos:
▪ Média amostral, Mediana amostral, Variância amostral,
Proporção amostral (proporção de unidades na amostra que
possuem um propriedade particular.)

Estatística e Variabilidade Amostral
▪ Seria bom se o 𝑥 = 𝜇 fosse verdade, mas isto

seria uma ocorrência rara.
▪ Além disso, não só 𝑥 ≠ 𝜇, geralmente, mas
também, os valores de 𝑥 a partir de diferentes
amostras, tipicamente diferem uma da outra.

Variabilidade amostral
▪ O valor observado de uma estatística depende da

amostra selecionada a partir da população.
▪ Normalmente, ela varia de amostra para amostra.
▪ Esta variabilidade é chamada variabilidade
amostral.

Exemplo
▪ Considere uma pequena população composta

pelos 20 alunos matriculados em uma turma de
Estatística. A quantidade de dinheiro (em dólares)
que cada um dos 20 alunos gastaram em livros
didáticos para o semestre atual é mostrado na
tabela a seguir

Exemplo
Quant. Quant. Quant.
Estudante Estudante Estudante
(US$) (US$) (US$)
1 367 8 370 15 433
2 358 9 378 16 284
3 442 10 268 17 331
4 361 11 419 18 259
5 375 12 363 19 330
6 395 13 365 20 423
7 322 14 362
13
Exemplo
▪ Para esta população

367 + 358 + ⋯ + 423
𝜇= = 360,25
20
▪ Suponha que nós não sabemos o valor da média da
população.
▪ Desejamos estimar 𝜇 selecionando uma amostra
aleatória de cinco alunos e calcular a quantidade média
da amostra com gastos em livros didáticos.
14
Variabilidade Amostral: exemplo
▪ Isto é algo razoável de se fazer?
▪ A estimativa que resulta deste cálculo é provável de
estar próxima do valor de 𝜇, a média da população?
▪ Para responder a estas questões considere um
experimento simples que nos permite examinar o
comportamento da estatística quando amostras
aleatórias de tamanho 5 são repetidamente
selecionadas.
15
▪ Selecionamos uma AAS dos seguintes 5 alunos:
17, 20, 7, 11 e 9.
▪ Para esta amostra temos:
331 + 423 + 322 + 419 + 378

𝑥1 = = 374,60
5
▪ Essa diferença é normal ou é esta amostra em particular que

está extraordinariamente longe de 𝜇?
16
Amostra 2 Amostra 3 Amostra 4 Amostra 5

Estudante X Estudante X Estudante X Estudante X
4 361 15 433 20 423 18 259
15 433 12 363 16 284 8 370
12 363 3 442 19 330 9 378
1 367 7 322 1 367 7 322
18 259 18 259 8 370 14 362
𝒙𝟐 356,60 𝒙𝟑 363,80 𝒙𝟒 354,80 𝒙𝟓 338,20
17
▪ Porque 𝜇 = 360,25, podemos ver que

1. O valor de 𝑥 varia de uma amostra aleatória para outra
(variabilidade amostral);
2. Algumas amostras geram valores de 𝑥 maiores que m
(amostras 1 e 3), enquanto outras produzem valores menores
que 𝜇 (amostras 2, 4 e 5)
3. As amostras 2, 3 e 4 geraram valores de 𝑥 que estão muito
próximos à média populacional, mas a amostra 5 resultou em
um valor $22 abaixo da média populacional.
18
Amostra Média Amostral Amostra Média Amostral Amostra Média Amostral
6 374,6 21 355,0 36 353,4

7 356,6 22 407,2 37 379,6
8 363,8 23 380,0 38 352,6
9 354,8 24 377,4 39 342,2
10 338,2 25 341,2 40 362,6
11 375,6 26 316,0 41 315,4
12 379,2 27 370,0 42 366,2
13 341,6 28 401,0 43 361,4
14 355,4 29 347,0 44 375
15 363,8 30 373,8 45 401,4
16 339,6 31 382,8 46 337
17 348,2 32 320,4 47 387,4
18 430,8 33 313,6 48 349,2
19 388,8 34 387,6 49 336,8
20 352,8 35 314,8 50 364,6
19
Densidade
20
Média amostral
Distribuição de Amostragem
▪ A distribuição que seria formada ao considerar o valor de

uma estatística da amostra para cada possível diferente
amostra de um dado tamanho é chamada a sua
distribuição de amostragem.
21
Distribuição Amostral da
Média Amostral
22
Exemplo: Derivando a Distribuição de
Amostragem de uma Estatística
▪ Uma certa marca de MP3 player é vendida em três

configurações: com 2 GB de memória, custando US$80,
um modelo de 4 GB com preço de US$100 e uma versão
de 8 GB com preço de US$120. Se 20% de todos os
compradores escolherem o modelo de 2 GB, 30%
escolherem os 4 GB e 50% escolherem o modelo de 8
GB, então a distribuição de probabilidade do custo de
uma única compra de MP3 player selecionada
aleatoriamente é dada por:

𝒙 80 100 120
Pr(𝑋 = 𝑥) 0,2 0,3 0,5
𝜇 = 106
𝜎 2 = 244
▪ Suponha que apenas dois tocadores de MP3 sejam vendidos hoje.
▪ Seja 𝑋1 = o custo do primeiro tocador e 𝑋2 = o custo do segundo.
Suponha que 𝑋1 e 𝑋2 sejam independentes, cada um com a
distribuição de probabilidade mostrada de 𝑋, de modo que 𝑋1 e 𝑋2
constituam uma amostra aleatória da distribuição 𝑋.
▪ A Tabela a seguir lista possíveis pares (𝑥1 , 𝑥2 ), a probabilidade de
cada par usando com referência 𝑋 e a suposição de independência
e os valores resultantes 𝑥 e 𝑠 2 .
▪ Quando 𝑛 = 2, 𝑠 2 = 𝑥1 − 𝑥 2 𝑝 𝑥1 + 𝑥2 − 𝑥 2 𝑝 𝑥2

𝒙𝟏 𝒙𝟐 𝒑 𝒙𝟏 , 𝒙𝟐 𝒙 𝒔𝟐
80 80 (0,2)(0,2)=0,04 80 0
80 100 (0,2)(0,3)=0,06 90 200
80 120 (0,2)(0,5)=0,10 100 800
100 80 (0,3)(0,2)=0,06 90 200
100 100 (0,3)(0,3)=0,09 100 0
100 120 (0,3)(0,5)=0,15 110 200
120 80 (0,5)(0,2)=0,10 100 800
120 100 (0,5)(0,3)=0,15 110 200
120 120 (0,5)(0,5)=0,25 120 0
▪ Distribuição de probabilidade de 𝑋
𝑃 𝑋 = 100 = 0,10 + 0,09 + 0,10 = 0,29
𝒙 80 90 100 110 120

𝑃 𝑋=𝑥 0,04 0,12 0,29 0,30 0,5

▪ Distribuição de probabilidade de 𝑠 2
𝑃 𝑠 2 = 800 = 𝑃 𝑋1 = 80, 𝑋2 = 120 + 𝑃 𝑋1 = 120, 𝑋2 = 80

= 0,10 + 0,10 = 0,20
𝒔𝟐 0 200 800
𝑝𝑠 2 𝑠 2 0,38 0,42 0,20

Histograma de probabilidade para a distribuição

original de 𝑋 e a distribuição 𝑋

𝐸 𝑋 = 𝑥𝑝 𝑥 = 80 0,04 + ⋯ + 120 0,25 = 106 = 𝜇
𝑉 𝑋 = 𝑥 − 𝜇 2𝑝 𝑥 = 𝑥 − 106 2 𝑝 𝑥
2 2
= 80 − 106 0,04 + ⋯ + 120 − 106 0,25 = 122
244 𝜎2
Note que: 𝑉 𝑋 = 122 = =
2 𝑛
𝐸 𝑆2 = 𝑠 2 𝑝 𝑠 2 = 0 0,38 + 200 0,42 + 800 0,20 = 244 = 𝜎 2

▪ Se quatro MP3 players foram comprados...

▪𝑛=4
𝒙 80 85 90 95 100 105 110 115 120
𝑝(𝑥) ,0016 ,0096 ,0376 ,0936 ,1761 ,2340 ,2350 ,1500 0,625
𝐸 𝑋 = 106 = 𝜇
𝜎2 𝜎2
𝑉 𝑋 = 61 = =
4 𝑛

Distribuição Amostral da Média Amostral
▪ Se o objetivo de um estudo é fazer inferência

sobre a média populacional, qual estatística
devemos considerar?
▪ Média amostral (𝑥)
▪ Para entendermos porque procedimentos de
inferência para 𝜇 com base em 𝑥 funcionam,
precisamos estudar a variabilidade amostral de 𝑥.
▪ Distribuição amostral de 𝑥.
32
▪ Determinantes das propriedades da distribuição

amostral de 𝑥 :
▪ Tamanho da amostra (n);
▪ Características da população:
▪ Forma;
▪ Média (𝜇)
▪ Desvio Padrão (s)
33
▪ Exemplo 1:
▪ Tamanho das plaquetas sanguíneas:
Um artigo apresentou dados sugerindo que a distribuição do
tamanho das plaquetas para pacientes com dor no peito não
cardíaca é aproximadamente normal com média m = 8,25 e
desvio padrão s = 0,75.
34
▪ Exemplo 1 - Experimento:
1. Selecionar 500 amostras aleatórias da população.
▪ Tamanho de cada amostra: n = 5.
2. Calcular a média para cada amostra.
3. Fazer um histograma das 500 médias calculadas.
4. Repetir o procedimento para amostras de tamanhos: n = 10, n
= 20 e n = 30.
35
Obs.:
1. Forma
2. Centro
3. Dispersão
… 𝒙 baseada em
uma amostra de
tamanho grande
tende a estar mais
próxima de 𝝁 do que
𝒙 baseada em uma
amostra pequena …
36
▪ Exemplo 2: População não normal

▪ Duração de prorrogação
Dados sobre a duração da prorrogação para todos os jogos de
play-off da National Hockey League de 1970 a 1993 que foram
para a prorrogação.
m = 9,841
Mediana = 8,000
37
▪ Exemplo 2 - Experimento:
2. Calcular a média para cada amostra.
3. Fazer um histograma das 500 médias calculadas.
= 20 e n = 30.
38
Obs.:
1. Centro
2. Dispersão
3. Forma
39
Forma
A forma normal do
histograma para
𝑛 = 30 é o que é
previsto pelo
Teorema Central
Limite.
40
Teorema Central do Limite
Mesmo se a distribuição dos valores populacionais tem

nenhuma semelhança com uma curva normal, a
distribuição amostral da média amostral (𝑥) será
aproximadamente normal (em sua forma) quando o
tamanho da amostra n for razoavelmente grande.
41
Propriedades Gerais da Distribuição Amostral
de 𝑥.
Seja 𝑥 a média das observações de uma amostra aleatória

simples de uma população com média 𝜇 e desvio padrão
𝜎. Seja 𝜇𝑥 o valor da média da distribuição de 𝑥 e 𝜎𝑥 o
desvio padrão da distribuição de 𝑥. Então, as seguinte
regras valem:
42
de 𝑥.
Regra 1: 𝜇𝑥 = 𝜇
𝜎
Regra 2: 𝜎𝑥 = Esta regra é exata se a população é infinita e é
√𝑛
aproximadamente correta se a população é finita e não mais do que
10% da população está incluída na amostra.
Regra 3: Quando a distribuição da população é normal, a distribuição de
amostragem de também é normal para qualquer tamanho da amostra
n.
Regra 4: (Teorema Central do Limite) Quando n é suficientemente grande,
a distribuição amostral de 𝑥 é bem aproximada por uma curva normal,
mesmo quando a distribuição da população não é em si normal.
43
de 𝑥.
População População
44
de 𝑥.
▪ O Teorema do Limite Central (Regra 4) estabelece que,

quando n é suficientemente grande, a distribuição 𝑥 é
aproximadamente normal, não importa qual a forma da
distribuição da população.
▪ Este resultado permitiu à estatística desenvolver
procedimentos para a realização de inferências sobre
uma média populacional m usando uma grande amostra,
mesmo quando a forma da distribuição da população é
desconhecida.
45
de 𝑥.
▪ Recorde-se que uma variável é padronizada subtraindo o valor
médio e depois dividindo por seu desvio padrão. Usando as Regras
1 e 2 para padronizar 𝑥, obtemos duas importantes regras:
Se n é grande ou a distribuição populacional é normal, então, o valor

padronizado
𝑥 − 𝜇𝑥 𝑥 − 𝜇𝑥
𝑧= = 𝜎 ~𝑁 0,1
𝜎𝑥
𝑛
tem (pelo menos aproximadamente) uma distribuição normal padronizada (Z)
46
de 𝑥.
▪ Regra de ouro para decidir se n é realmente

suficientemente grande.
▪ Quão grande necessita ser o n para que a distribuição de 𝑥 se
aproxime de uma normal depende de quanto a distribuição da
população difere de uma distribuição normal.
▪ Quanto mais próxima de uma normal for a distribuição da
população, menor será o valor necessário de n para que a
aproximação pelo Teorema do Central Limite seja precisa.
47
de 𝑥.
▪ Regra de ouro para decidir se n é realmente

suficientemente grande.
▪ A literatura costuma recomendar a seguinte regra:
O Teorema do Limite Central pode

seguramente ser aplicado se n for superior a
30.
48
Exercício 1 – Duração do canto de Bluethroats
▪ Bluethroats masculinos têm um canto
complexo que parece ser usado para
atrair as fêmeas. Seja X a duração de
um canto selecionado aleatoriamente
(em segundos) para um Bluethroat do
sexo masculino.
▪ Suponha que o valor médio da
duração de um canto seja m = 13,8
seg. e que o desvio padrão da
duração do canto seja s = 11,8 seg.
▪ Estudos reportam que o conto não é
normalmente distribuído.
49
▪ Descreva a distribuição amostral da média amostral baseada em
uma amostra aleatória do tempo de n = 25 cantos.
1. Média da distribuição amostral da média amostral.
𝜇𝑥 = 13,8 𝑠𝑒𝑔.
2. Desvio Padrão da distribuição amostral da média amostral.
𝜎 11,8
𝜎𝑥 = = = 2,36
𝑛 25
3. Forma?
50
3. Forma
Porque a distribuição da população não é normal e porque

o tamanho da amostra não é maior do que 30, não
podemos assumir que a distribuição amostral de 𝒙 é
normal na sua forma.
51
Exercício 2 – Volumes de latas de refrigerantes
▪ Um fabricante de refrigerantes afirma que as suas latas

de refrigerante contêm , em média, 12 oz. Seja X o
volume real de refrigerante em uma lata selecionada
aleatoriamente. Suponha que X seja normalmente
distribuído com 𝜎 = 0,16 𝑜𝑧 . Dezesseis latas são
selecionados ao acaso e o volume de refrigerante será
determinado para cada uma. Seja 𝑥 a média amostral do
volume de refrigerante das 16 latas selecionadas.
52
▪ Como a distribuição de X é normal, a distribuição amostral de 𝑥
também é normal.
▪ Se a afirmação do fabricante está correta, a distribuição amostral
de 𝑥 tem um valor médio de
𝜇𝑥 = 𝜇 = 12
e um desvio padrão de
𝜎 0,16
𝜎𝑥 = = = 0,04
𝑛 16
53
▪ Qual é a probabilidade de que o volume amostral médio

de refrigerante esteja entre 11,96 oz e 12,08 oz?
▪ Para calcular uma probabilidade envolvendo 𝑥 , devemos

padronizar 𝑥 :
54
▪ Padronizando 𝑥:
11,96  12
Limite inferior : LI   10
0,04
12,08 - 12
Lmite Superior : LS   2,0
0,04
55
▪ Solução:
𝑃 11,96 ≤ 𝑥 ≤ 12,08 = 𝑃 −1,0 ≤ 𝑍 ≤ 2,0
= 1 − 𝑃 𝑍 > 2,0 − 𝑃 𝑍 > 1,0

𝑡𝑎𝑏𝑒𝑙𝑎 𝑡𝑎𝑏𝑒𝑙𝑎
= 1 − 0,0228 − 0,1587
= 0,8115
56
▪ Qual é a probabilidade de que o volume amostral médio de refrigerante seja no
máximo 11,9 oz.
 11,9  12 
Px  11,9  P z  
 0,04 
 Pz  2,5  Pz  2,5
 ,5
0 P0  z
 2,
5 
área acima área entre
da média (zero) 0 e 2,5
 0,5  0,4938  0,0062
57
▪ Se a distribuição X for como descrito pelo fabricante e a

afirmação sobre o volume médio estiver correta, uma
média amostral do volume de refrigerante com base em
16 observações é inferior a 11,9 oz em menos de 1% de
todas as referidas amostras. Assim, a observação de um
valor 𝑥 que seja menor do que 11,9 oz lançaria dúvidas
sobre a afirmação do fabricante de que o volume de
médio de latas de refrigerante é de 12 oz.
58
Exercício 3 - Teor de gordura em cachorro
quente
▪ Um fabricante de cachorro-quente afirma que uma de

suas marcas de cachorro-quente tem um teor médio de
gordura de m = 18g por cachorro-quente. Os
consumidores desta marca, provavelmente, não irão se
incomodar se a média for inferior a 18g, mas ficariam
insatisfeitos se fosse superior a 18g. Seja X o teor de
gordura de um cachorro-quente escolhido aleatoriamente
e suponha que s, o desvio-padrão da distribuição de X,
seja 1.
59
Exercício 3 - Teor de gordura em cachorro-
quente
▪ Uma organização que realiza testes independentes é

solicitada a analisar uma amostra aleatória de 36
cachorros-quentes. Seja 𝑥 o teor médio de gordura
para esta amostra. O tamanho da amostra, n = 36, é
grande o suficiente para aplicar o TCL ou TLC. Assim,
𝜎 1
𝜎𝑥 = = = 0,1667
𝑛 36
60
quente
▪ Se a afirmação do fabricante esta correta, sabemos que
𝜇𝑥 = 𝜇 = 18𝑔
▪ Suponha que a amostra resultou numa média de 18,4g.

Este resultado sugere que a afirmação do fabricante está
correta?
61
quente
▪ Podemos responder a esta pergunta olhando para a

distribuição amostral de 𝑥. Devido à variabilidade
amostral, mesmo com m = 18, sabemos que 𝑥,
geralmente, não será exatamente 18g.
▪ Mas é provável que veríamos uma média amostral pelos tão

grande quanto 18,4 quando a média da população é realmente
18g? Se a afirmação do fabricante está correta,
62
quente
 18,4  18 
Px  18,4  P z  
 0,1667 
 Pz  2,4  0,0082
63
64
Exercícios
1. Uma amostra aleatória simples é selecionada
de um população com média m = 100 e desvio
padrão s = 10. Determine a média e o desvio
padrão da distribuição amostral de 𝑥 para cada
tamanho de amostra a seguir:
a. n = 9 e. n = 50
b. n = 15 f. n = 100
c. n = 36 g. n = 400
d. n = 50
Exercício: Revisão
2. Para que tamanho de amostra do exercício anterior

seria razoável pensar que a distribuição amostral de 𝑥
tem uma forma aproximadamente normal?
3. Explique a diferença entre 𝜎 e 𝜎𝑥 e entre 𝜇 e 𝜇𝑥 .
65
Exercício 7: Revisão
▪ Suponha que uma amostra aleatória simples de

tamanho 64 é selecionada de uma população com
média 40 e desvio padrão 5.
a. Qual é a média e o desvio padrão da distribuição
amostral de 𝑥 ? Descreva a forma da distribuição de 𝑥.
b. Qual é, aproximadamente, a probabilidade de que 𝑥
estará afastada da média populacional no máximo 0,5?
c. Qual é, aproximadamente, a probabilidade de que 𝑥 irá diferir de 𝜇 por mais 0,7?
66
Distribuição Amostral da
proporção Amostral
67
Distribuição Amostral da Proporção Amostral
▪ O objetivo de muitas investigações estatísticas é fazer afirmações sobre a
proporção de indivíduos ou objetos em uma população que possuem
uma característica específica.
▪ Consumidores de café que consomem regularmente café descafeinado.
▪ Eleitores que têm intenção de votar em determinado candidato.
▪ S: indivíduo ou objeto que possui a propriedade de interesse (sucesso).

▪ F: indivíduo ou objeto que não possui a propriedade de interesse (falha).
𝑆
▪ p: proporção de sucessos da população. 𝜋 =
𝑆+𝐹
68
▪ Estatística p:
▪ Base para inferência sobre 𝜋.
número de sucessos na amostra #𝑆
𝑝= =
𝑛 𝑛
▪ Para fazer inferência sobre 𝜋, devemos, primeiramente, aprender
sobre as propriedades da distribuição amostral da estatística p.
▪ Por exemplo: quando 𝑛 = 5, os seis possíveis valores de p são: 0;
0,2 (de 1/5); 0,4; 0,6; 0,8 e 1.
▪ A distribuição de 𝑝 fornece a probabilidade de cada um dos seis
valores.

▪ Exemplo 1: Gênero de Estudantes Universitários

▪ Em 2004, havia 16.636 estudantes matriculados em uma
determinada universidade. Destes, 6.983 eram mulheres (42%).
Seja S a representação para um estudante do gênero feminino e
F um estudante masculino. A proporção de S na população é p =
0,42.
70
▪ Exemplo 1: Experimento
2. Calcular a proporção de S em cada amostra.
3. Fazer um histograma das 500 proporções p calculadas.
= 25 e n = 50.
71
Obs.:
1. Forma
2. Centro
3. Dispersão
… o valor de p
baseado em uma
grande amostra tende
a estar mais próximo
de p do que uma p
baseada em uma
amostra pequena…
72
▪ Exemplo 2: Contraindo hepatite de Transfusão de Sangue

▪ O desenvolvimento de hepatite viral após uma transfusão de
sangue pode levar a graves complicações para o paciente.
Pesquisas mostram que a hepatite ocorre em 7% dos pacientes
que recebem múltiplas transfusões de sangue durante uma
cirurgia cardíaca.
▪ Vamos simular a seleção de uma AAS da população de
receptores de sangue, com S denotando um destinatário que
contraiu hepatite, p = 0,07.
73
▪ Exemplo 2: Experimento
2. Calcular a proporção de S em cada amostra.
3. Fazer um histograma das 500 proporções p calculadas.
= 25 e n = 50.
74
Obs.:
1. Forma
2. Centro
3. Dispersão
* Somente com n =
100 a forma da
distribuição se
aproxima bem de
uma normal.
* A aproximação da
distribuição de p por
uma normal depende
de n e p… 75
Propriedades gerais da distribuição amotral de
p
▪ Seja p a proporção de sucessos em uma AAS de tamanho n de
uma população na qual a proporção de S é p. Seja o valor médio
de p denotado por 𝜇𝑝 e o desvio padrão de 𝜎𝑝 . Então as seguintes
regras valem:
▪ Regra 1: 𝜇𝑝 = 𝜋
𝜋 1−𝜋
▪ Regra 2: 𝜎𝑝 = . Esta regra é exata se a população é infinita e é
𝑛
aproximadamente correta se a população é finita e não mais que 10% da
população pertence à amostra.
▪ Regra 3: Quando n é grande e p não está muito próximo de 0 ou 1, a
distribuição de amostragem de p é aproximadamente normal.
76
Propriedades gerais da distribuição amostral de
p
▪ Quanto mais o valor de p se afasta de 0,5, maior deve ser o n para
que a aproximação da distribuição amostral de p pela normal seja
exata.
▪ Uma regra de ouro conservadora é que se ambos 𝑛𝜋10 e

𝑛 1 − 𝜋 10, então uma distribuição normal é uma aproximação
razoável para a distribuição amostral de p.
77
Propriedades gerais da distribuição amostral de
p
▪ Um tamanho de amostra de n=100 não é, por si só, suficiente para
justificar a utilização de uma aproximação normal.
▪ Se p = 0,01, a distribuição de p é extremamente assimétrica à direita, por
isso uma curva na forma de sino não dá uma boa aproximação.
▪ Do mesmo modo, se n = 100 e p = 0,99 (de modo que 𝑛 1 − 𝑝 = 1 <
10), a distribuição de p tem uma inclinação negativa substancial. As
condições 𝑛𝑝10 e 𝑛 1 − 𝑝 10 garantem que a distribuição amostral de
p não é muito assimétrica. Se p = 0,5, a aproximação normal pode ser
usada para n tão pequeno como 20, enquanto que para p = 0,05 ou 0,95,
n deve ser de pelo menos igual a 200.
78
Exemplos
▪ Transfusão de Sangue (continuação)

▪ A proporção de pacientes cardíacos que recebem transfusões de
sangue que contraem hepatite é 0,07.
▪ Suponha que um novo processo de triagem do sangue é testado
e acredita-se que ele reduza a taxa de incidência de hepatite.
Testes utilizando este procedimento é aplicado a n = 200
receptores de sangue. Apenas 6 dos 200 pacientes contraíram
hepatite. Isto parece ser um resultado favorável, uma vez que p =
6/200 = 0,03.
79
Exemplos

▪ A questão de interesse aqui é:
Será que este resultado indica que a verdadeira proporção dos

pacientes (longo prazo) que contraem hepatite quando o novo
procedimento de triagem é usado é inferior a 0,07, ou este
resultado poderia ser plausivelmente atribuído à variabilidade
amostral (isto é, o fato de que p é geralmente diferente da
proporção da população, p)?
80
Exemplos

▪ Se o novo procedimento de triagem do sangue é ineficiente e p =
0,07,
▪ 𝜇𝑝 = 𝜋 = 0,07
𝜋 1−𝜋 0,07 0,93

▪ 𝜎𝑝 = = = 0,018
200 200
81
Exemplos

▪ Porque,
𝑛𝜋 = 200 0,07 = 14 ≥ 10
e
𝑛 1 − 𝜋 = 200 0,93 = 186 ≥ 10
a distribuição amostral de p é aproximadamente normal
82
Exemplos

▪ Logo, se o procedimento de triagem é ineficiente,
0,03 − 0,07
𝑃 𝑝 < 0,03 = 𝑃 𝑧 <
0,108
= 𝑃 𝑧 < −2,22
= 0,0132
83
Exemplos

▪ Assim, é improvável que uma proporção amostral de 0,03 ou
menor fosse observada se o procedimento de triagem fosse
ineficaz. O procedimento de novo triagem aparece obter uma taxa
menor de incidência para a hepatite.
84

Estatísticas e Distribuições de Amostragem

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatísticas e Distribuições de Amostragem

Enviado por

Direitos autorais:

Formatos disponíveis

1

▪ Seja 𝜇 a verdadeira quantidade média de gordura contida

Prof. Augusto C. Souza - 2018/2

Quão próxima é essa média amostral da verdadeira

Prof. Augusto C. Souza - 2018/2

▪ Suponha que tivéssemos selecionado uma outra

Prof. Augusto C. Souza - 2018/2

Prof. Augusto C. Souza - 2018/2

▪ Seria bom se o 𝑥 = 𝜇 fosse verdade, mas isto

Prof. Augusto C. Souza - 2018/2

▪ O valor observado de uma estatística depende da

Prof. Augusto C. Souza - 2018/2

▪ Considere uma pequena população composta

Prof. Augusto C. Souza - 2018/2

▪ Para esta população

331 + 423 + 322 + 419 + 378

▪ Essa diferença é normal ou é esta amostra em particular que

Amostra 2 Amostra 3 Amostra 4 Amostra 5

▪ Porque 𝜇 = 360,25, podemos ver que

6 374,6 21 355,0 36 353,4

▪ A distribuição que seria formada ao considerar o valor de

▪ Uma certa marca de MP3 player é vendida em três

Prof. Augusto C. Souza - 2018/2

Prof. Augusto C. Souza - 2018/2

𝑃 𝑋 = 100 = 0,10 + 0,09 + 0,10 = 0,29

𝒙 80 90 100 110 120

Prof. Augusto C. Souza - 2018/2

𝑃 𝑠 2 = 800 = 𝑃 𝑋1 = 80, 𝑋2 = 120 + 𝑃 𝑋1 = 120, 𝑋2 = 80

Prof. Augusto C. Souza - 2018/2

Histograma de probabilidade para a distribuição

Prof. Augusto C. Souza - 2018/2

𝐸 𝑋 = 𝑥𝑝 𝑥 = 80 0,04 + ⋯ + 120 0,25 = 106 = 𝜇

Prof. Augusto C. Souza - 2018/2

▪ Se quatro MP3 players foram comprados...

Prof. Augusto C. Souza - 2018/2

▪ Se o objetivo de um estudo é fazer inferência

▪ Determinantes das propriedades da distribuição

▪ Exemplo 2: População não normal

Mesmo se a distribuição dos valores populacionais tem

Seja 𝑥 a média das observações de uma amostra aleatória

▪ O Teorema do Limite Central (Regra 4) estabelece que,

Se n é grande ou a distribuição populacional é normal, então, o valor

▪ Regra de ouro para decidir se n é realmente

▪ Regra de ouro para decidir se n é realmente

O Teorema do Limite Central pode

Porque a distribuição da população não é normal e porque

▪ Um fabricante de refrigerantes afirma que as suas latas

▪ Qual é a probabilidade de que o volume amostral médio

▪ Para calcular uma probabilidade envolvendo 𝑥 , devemos

𝑃 11,96 ≤ 𝑥 ≤ 12,08 = 𝑃 −1,0 ≤ 𝑍 ≤ 2,0

= 1 − 𝑃 𝑍 > 2,0 − 𝑃 𝑍 > 1,0

▪ Se a distribuição X for como descrito pelo fabricante e a

▪ Um fabricante de cachorro-quente afirma que uma de

▪ Uma organização que realiza testes independentes é

▪ Se a afirmação do fabricante esta correta, sabemos que

▪ Suponha que a amostra resultou numa média de 18,4g.

▪ Podemos responder a esta pergunta olhando para a

▪ Mas é provável que veríamos uma média amostral pelos tão

2. Para que tamanho de amostra do exercício anterior

3. Explique a diferença entre 𝜎 e 𝜎𝑥 e entre 𝜇 e 𝜇𝑥 .

▪ Suponha que uma amostra aleatória simples de

▪ S: indivíduo ou objeto que possui a propriedade de interesse (sucesso).

Prof. Augusto C. Souza - 2018/2