AE-I - Cap 3

CAPITULO III – DISTRIBUIÇÕES AMOSTRAIS
Fonte:M.E.G. Martins, DeptoEIO, Univ.Lisboa
Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

1

2
Distribuição da Média Amostral

3

4
Demonstração:
As duas primeiras propriedades decorrem imediatamente das propriedades do

valor esperado e da variância.
A terceira conclusão é fundamentada em dois teoremas:

Teorema das Combinações Lineares
Teorema do Limite Central
5
O Teorema das Combinações Lineares diz que:
“uma v.a obtida pela combinação linear de v.a´s normais independentes

tem também distribuição Normal”.
Assim, se a distribuição da variável aleatória básica (população) for

Normal,
fX(x) ~N(µ; 2)

então, a distribuição amostral da média também será Normal para
qualquer tamanho de amostra n.
f𝑋 ̅( ) ~N(µ; )

6
Por outro lado, se a distribuição da população não for Normal
Mas a amostra for suficientemente grande, temos o
Teorema do Limite Central
“sob condições bastante gerais uma v.a, resultante da soma de n v.a

independentes, tem distribuição Normal, no limite de n tendendo a infinito”
Assim, no caso de população infinita ou amostragem com reposição, a

distribuição amostral da média será aproximadamente Normal.
Sendo aproximada esta conclusão ela é também estendia para amostragem sem
reposição de população finita, porém razoavelmente grande
Na prática quanto mais simétrica for a distribuição da população ou quanto mais

próxima da normalidade ela estiver melhor será.

7

8
No caso de amostragem sem reposição e população finita, pode-se

demonstrar que:

9
Exemplo-1: Seja X uma população constituída dos seguintes elementos:

{2,3,4,5}.
Extrair todas as amostras de 2 elementos dessa população, com reposição, e

determinar:
(a) Média e Variância da população de X;
(b) Média e Variância da distribuição amostral de média das amostras de dois

elemento obtidas com reposição da população X.
SOLUÇÃO:
(a)

10
(b) Primeiro construímos a população de
Todas as amostras de dois elementos

retiradas da população X com reposição
Todos os possíveis valores de (sendo a

média de amostras de dois elementos
retiradas da população X com reposição)

11
(b) Primeiro construímos a população de (cont.)
Como temos a população de , podemos calcular seu valor esperado e

variância:
E[ ] = = 3,5
Var[ ] = = 0,625
Mas mesmo que não tivéssemos a população de , poderíamos calcular seu

valor esperado e variância utilizando o conhecimento, que agora temos, da
distribuição amostral de :
E[ ] = E[X]= 3,5
Var[ ] = = 1,25 / 2 = 0,625

12
Fazer o mesmo exercício considerando amostragem sem

reposição.
i. Construir a população de amostra de 2 elementos retiradas sem

reposição
ii. Construir a população de , médias de amostra de 2 elementos

retiradas sem reposição
iii. Calcular a média e variância da população construída no item ii.
iv. Calcular o valor esperado e a variância de utilizando o

conhecimento, que agora temos, da distribuição amostral de

13

14
E[Xbarra] = E[X]=p
Var[Xbarra] = Var[X]/n = p(1-p)/n

15
Distribuição Amostral de S2 (Variância

Amostral)

16
Distribuição Amostral de S2 (Variância)
Antes de entrarmos na distribuição amostral da variância, vamos abordar

dois conceitos importantes para a compreensão da distribuição amostral
da variância.
1. Graus de liberdade de uma estatística: Média da população X
Sejam as estatísticas:
Diz-se que elas tem n graus de liberdade, e tal fato pode ser entendido
como indicando haver n valores “livres” de xi que devem ser considerados
para se poder calcular o valor da estatística, isto é,
se qualquer dos valores de xi da amostra for desconhecido, o valor da

estatística não pode ser determinado, pois todos os valores da amostra são
livres e podem variar aleatoriamente.
17
Por outro lado, a estatística S²,

18
Se em lugar da estatística S2, usarmos a estatística S´2, definida como:
então S´2 terá também (n-1) graus de liberdade, pelo mesmo motivo de
S2 ter (n-1) graus de liberdade.
2. Distribuição Qui-Quadrado (²)
Define-se uma variável aleatória ², com  graus de liberdade, como

sendo a soma do quadrado de  variáveis normais padronizadas e
independentes, isto é:

19
Dependendo do número de graus de liberdade, a distribuição de ²

assume as seguintes formas:
0.30
0.30
0.25
CH(5)
0.25
CH(2)
0.20
0.20
0.15
fy
0.15
fy
0.10
0.10
0.05
0.05
0.0
0.0
0 5 10 15
y 0 5 10 15
y
0.30
0.25
CH(10)
0.20
0.15
fy
0.10
0.05
0.0
0 5 10 15
Análise Estatística I y
UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa
20
Tabela 2
Análise Estatística I UERJ-IME-Deptº.V Profª Fernanda S Costa

21
Propriedades mais importantes da distribuição Qui-Quadrado:

22
3- Distribuição da Variância amostral S² - Teorema de Fisher
Seja X uma população Normal de média  e variância ².
Logo,
é uma v.a normal padronizada N(0;1)
Então a soma dos zi2 é uma variável aleatória Qui-quadrado com (n-1)
graus de liberdade.
2n-1 definida como a

soma de N(0,1) ao
quadrado
Análise Estatística I UERJ-IME-Deptº.de

UERJ-IME-Deptº.V
Estatística e Atuária Profª Fernanda S Costa
23
multiplicando-se os dois lados

da equação anterior por 2
agora dividindo-se os dois

lados da equação anterior por
(n-1)
Análise Estatística I UERJ-IME-Deptº.de

UERJ-IME-Deptº.V
Estatística e Atuária Profª Fernanda S Costa
24

25
E[S’2] = 2

26
Var
Var[S’2] =

27
Suponhamos agora a estatística S2:
multiplicando-se os dois lados da

equação anterior por 2
agora dividindo-se os dois lados

da equação anterior por n

28
E[S2] = 2 -
Var[S2] =

29
Distribuição Amostral da Média quando

2 é desconhecido

30
Distribuição Amostral da Média quando 2 é
desconhecido
 desvio padrão da população X é

uma parâmetro da população e,
portanto uma constante
S desvio padrão de uma amostra

de X é uma estatística e, portanto
uma v.a.

31
desconhecido
duas va. que conhecemos as distribuições

32
desconhecido

33
desconhecido

34
desconhecido

35
desconhecido

36
desconhecido

37
desconhecido

38
desconhecido

39
Distribuição Amostral da Frequencia

40
Seja uma população finita onde p é a probabilidade de sucesso de um

certo evento e q = (1-p) a insucesso .
Suponha disponível uma amostra aleatória composta de n elementos

desta população.
Se o evento sucesso tiver ocorrido z vezes.
Então Z número de sucessos (frequência absoluta) é uma v.a. Binomial

com:
E[Z]=n.p Var[Z]=n.p.q onde Z~Bi(n,p)

41
Logo, frequência relativa f dada por Z/n também será Binomial, porém:
E[f] = E[Z/n] = (1/n).E[Z] = (1/n).n.p = p => E[f]=p
Var[f] = Var [Z/n] = (1/n²) Var (Z) = (1/n²).n.p.q = p.q /n => Var[f]=p.q/n
Se a amostra for suficientemente grande pode-se aproximar a Binomial

por uma Normal de mesma média e mesma variância.
Na prática uma amostra é considerada grande suficiente quando:
n.p ≥ 15 e n.p.q ≥ 15 ou ainda para p próximo de 0,5 e se n > 30

f p
Nestes casos: f ~ N [ p, p.q/n ] ou N(0,1)
pq
n
42
Se tivermos interessados na freqüência absoluta, Z, devemos lembrar que

E[z] = np e Var[z] = npq e Z ~Bi(np, npq), porém para n suficientemente
grande também podemos considerar Z aproximadamente N(np, npq).
Quando não conhecemos o valor de p, que é o parâmetro populacional,

podemos substituir p pela estatística f, pois veremos no capítulo 5 que f é
um estimador não tendencioso e consistente de p (recomenda-se nestes
casos utilizar n > 30).

43
Distribuição Amostral da Mediana

44
Distribuição Amostral da Mediana
Consideramos aqui que a população da v.a. X é normal e o tamanho da

amostra n é maior que 30, o que nos conduzirá aos resultados que serão
apresentados.
Seja X uma v.a. normalmente distribuída, então a mediana amostral

(Me) de X terá distribuição amostral Normal, com:

45
Distribuição Amostral do Coeficiente de

Variação

46
Distribuição Amostral do Coeficiente de Variação
Seja X uma v.a. normalmente distribuída, então a o coeficiente de

variação amostra de X terá distribuição amostral Normal, com:

47
Distribuição Amostral da Soma ou

Diferença entre:
Médias
Frequencias Relativas

48
Distribuição Amostral da Soma (ou Diferença)
1. Entre duas Médias Amostrais
Suponhamos que:
Assim, dos resultados já vistos temos :
Temos, então, que a distribuição amostral da diferença ou soma será

também uma distribuição normal, com:

UERJ-IME-Deptº.de Estatística e Atuária 49
1. Entre duas Médias Amostrais (cont.)
Sendo Z :
Então, Z~N(0,1)

50
2. Entre duas Frequências Relativas
Sejam f1 e f2 frequências relativas calculadas nas amostras de tamanho n1

e n2 :
válidos quando n>30. Então, a distribuição amostral da soma ou

diferença fr f1 e f2 será aproximadamente Normal com :

51
2. Entre duas Frequências Relativas (cont.)
Z~N(0,1)
Sendo: q1=1-p1 e q2=1-p2

52

AE-I - Cap 3

Enviado por

Dados do documento

Descrição original:

Título 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

AE-I - Cap 3

Enviado por

Direitos autorais:

Formatos disponíveis

CAPITULO III – DISTRIBUIÇÕES AMOSTRAIS

Fonte:M.E.G. Martins, DeptoEIO, Univ.Lisboa

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Distribuição da Média Amostral

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

As duas primeiras propriedades decorrem imediatamente das propriedades do

A terceira conclusão é fundamentada em dois teoremas:

O Teorema das Combinações Lineares diz que:

“uma v.a obtida pela combinação linear de v.a´s normais independentes

Assim, se a distribuição da variável aleatória básica (população) for

fX(x) ~N(µ; 2)

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Por outro lado, se a distribuição da população não for Normal

Mas a amostra for suficientemente grande, temos o

Teorema do Limite Central

“sob condições bastante gerais uma v.a, resultante da soma de n v.a

Assim, no caso de população infinita ou amostragem com reposição, a

Na prática quanto mais simétrica for a distribuição da população ou quanto mais

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

No caso de amostragem sem reposição e população finita, pode-se

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Exemplo-1: Seja X uma população constituída dos seguintes elementos:

Extrair todas as amostras de 2 elementos dessa população, com reposição, e

(a) Média e Variância da população de X;

(b) Média e Variância da distribuição amostral de média das amostras de dois

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Todas as amostras de dois elementos

Todos os possíveis valores de (sendo a

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Como temos a população de , podemos calcular seu valor esperado e

Mas mesmo que não tivéssemos a população de , poderíamos calcular seu

Var[ ] = = 1,25 / 2 = 0,625

Fazer o mesmo exercício considerando amostragem sem

i. Construir a população de amostra de 2 elementos retiradas sem

ii. Construir a população de , médias de amostra de 2 elementos

iii. Calcular a média e variância da população construída no item ii.

iv. Calcular o valor esperado e a variância de utilizando o

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Distribuição Amostral de S2 (Variância

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Antes de entrarmos na distribuição amostral da variância, vamos abordar

1. Graus de liberdade de uma estatística: Média da população X

se qualquer dos valores de xi da amostra for desconhecido, o valor da

Por outro lado, a estatística S²,

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Se em lugar da estatística S2, usarmos a estatística S´2, definida como:

2. Distribuição Qui-Quadrado (²)

Define-se uma variável aleatória ², com  graus de liberdade, como

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

Dependendo do número de graus de liberdade, a distribuição de ²

Análise Estatística I UERJ-IME-Deptº.V Profª Fernanda S Costa

Propriedades mais importantes da distribuição Qui-Quadrado:

Análise Estatística I UERJ-IME-Deptº.de Estatística e Atuária Profª Fernanda S Costa

3- Distribuição da Variância amostral S² - Teorema de Fisher

Seja X uma população Normal de média  e variância ².

é uma v.a normal padronizada N(0;1)

2n-1 definida como a