SlideShare uma empresa Scribd logo
DISTRIBUIÇÃO AMOSTRAL
Com a média de uma amostra extraída de uma população será estimada a média dessa população. Entretanto, de uma mesma população pode-se tomar muitas amostras diferentes do mesmo tamanho. A principal preocupação numa inferência estatística é obter conclusões sobre a população. 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. Estatística  é uma medida numérica que descreve uma amostra.
Exemplo A coordenadora   do ensino de primeiro grau   tem interesse em conhecer a estatura média dos alunos da primeira série da rede escolar. Se a variável  estatura  estivesse registrada no cadastro dos alunos seria fácil calcular a média das estaturas dos alunos da primeira série, entretanto, essa informação não está disponível.  Uma tentativa de alcançar o objetivo é estimar a média de todos os alunos utilizando a média de uma amostra dos alunos da primeira série, tendo presente que essa amostra será representativa da população; isto é, a amostra possuirá características similares às que seriam observadas na população se estivesse disponível.
Para testar a idéia, a coordenadora preparou dez funcionários com a tarefa individual de selecionar aleatoriamente trinta alunos da primeira série da escola designada, medir a estatura dos trinta alunos e finalmente calcular e registrar a média dessa amostra. Terminada a tarefa, a coordenadora   receberá as dez médias amostrais  que, em geral, serão diferentes entre si devido à  variabilidade amostral.  Além disso, essas dez médias deverão ser diferentes da média da população.
Analisemos o resultado da tarefa dos dez funcionários: O parâmetro  média  da população é um valor único e desconhecido. A estatística  média  da amostra é um valor conhecido, porém pode variar de amostra para amostra. Se os dez funcionários realizarem novas amostragens aleatórias do mesmo tamanho, as médias das novas amostras não deverão ser iguais às dez primeiras. Apesar de a média da população não ter mudado, a média da amostra dependerá de cada amostra.
Com as médias das amostras, é possível construir a distribuição de freqüências das médias das amostras, denominada  distribuição amostral,  cuja média denomina-se  média amostral  e seu desvio padrão,  erro padrão .  Embora os parâmetros média e desvio padrão da população não sejam conhecidos, para ajudar na compreensão da  distribuição amostra l, inicialmente, esses parâmetros serão considerados como conhecidos.
 
 
 
 
 
O desvio padrão é conhecido como  erro amostral .
 
O erro padrão da distribuição das médias amostrais  diminui quando aumenta o tamanho da amostra  n . Isso significa que à medida que  n  aumenta e mais informações são utilizadas, a média da amostra  se aproxima da média da população, como pode-se ver na expressão do erro padrão.
FORMA DA DISTRIBUIÇÃO AMOSTRAL Ao estudar as medidas estatísticas descritivas, foi observado que a forma da distribuição da variável é importante.  A distribuição amostral do Exemplo 10.1 é simétrica, embora a distribuição da população seja uniforme. De forma geral, a forma da distribuição amostral depende da forma da distribuição da população.  Se a distribuição da população for normal  N (  ,   ), a distribuição da média amostral também será normal,  seja qual for o tamanho  n  da amostra.
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.
 
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
 
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    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

Mais conteúdo relacionado

Mais procurados

Testes hipoteses introducao
Testes hipoteses introducaoTestes hipoteses introducao
Testes hipoteses introducao
Célia M. D. Sales
 
Distribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística IDistribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística I
Ricardo Bruno - Universidade Federal do Pará
 
Custos da qualidade
Custos da qualidadeCustos da qualidade
Custos da qualidade
Lucas Wendell
 
Aula 12 medidas de dispersão
Aula 12   medidas de dispersãoAula 12   medidas de dispersão
Distribuição normal
Distribuição normalDistribuição normal
Distribuição normal
joseagrosa
 
Cap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Cap4 - Parte 6 - Distribuições Discretas Exercicios ResolvidosCap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Cap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Regis Andrade
 
Correlação
CorrelaçãoCorrelação
Processo de Melhoria Contínua: PDCA
Processo de Melhoria Contínua: PDCAProcesso de Melhoria Contínua: PDCA
Processo de Melhoria Contínua: PDCA
Elaine Cecília Gatto
 
Cálculos trabalhistas
Cálculos trabalhistasCálculos trabalhistas
Cálculos trabalhistas
Andrea Guedes
 
Cap4 - Parte 3 - Distribuição Binomial
Cap4 - Parte 3 - Distribuição BinomialCap4 - Parte 3 - Distribuição Binomial
Cap4 - Parte 3 - Distribuição Binomial
Regis Andrade
 
6 treinamento gestao de pessoas
6 treinamento gestao de pessoas6 treinamento gestao de pessoas
6 treinamento gestao de pessoas
Afins Cosméticos
 
Distribuição Amostral da Média
Distribuição Amostral da MédiaDistribuição Amostral da Média
Distribuição Amostral da Média
Anderson Pinho
 
Tesouro Direto
Tesouro DiretoTesouro Direto
Estatistica aplicada exercicios resolvidos manual tecnico formando
Estatistica aplicada exercicios resolvidos manual tecnico formandoEstatistica aplicada exercicios resolvidos manual tecnico formando
Estatistica aplicada exercicios resolvidos manual tecnico formando
Antonio Mankumbani Chora
 
Distribuicao continua
Distribuicao continuaDistribuicao continua
Distribuicao continua
carneiro62
 
Variáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística IIVariáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística II
Ricardo Bruno - Universidade Federal do Pará
 
Aula 3 medidas resumo - parte 1
Aula 3   medidas resumo - parte 1Aula 3   medidas resumo - parte 1
Aula 3 medidas resumo - parte 1
Ariel Rennó Chaves
 
Cálculo do tamanho de uma Amostra
Cálculo do tamanho de uma AmostraCálculo do tamanho de uma Amostra
Cálculo do tamanho de uma Amostra
Flávia Salame
 
Conceitos Básicos de Estatística II
Conceitos Básicos de Estatística IIConceitos Básicos de Estatística II
Conceitos Básicos de Estatística II
Vitor Vieira Vasconcelos
 
ORÇAMENTO EMPRESARIAL
ORÇAMENTO EMPRESARIALORÇAMENTO EMPRESARIAL
ORÇAMENTO EMPRESARIAL
Juliane Aparecida Alves
 

Mais procurados (20)

Testes hipoteses introducao
Testes hipoteses introducaoTestes hipoteses introducao
Testes hipoteses introducao
 
Distribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística IDistribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística I
 
Custos da qualidade
Custos da qualidadeCustos da qualidade
Custos da qualidade
 
Aula 12 medidas de dispersão
Aula 12   medidas de dispersãoAula 12   medidas de dispersão
Aula 12 medidas de dispersão
 
Distribuição normal
Distribuição normalDistribuição normal
Distribuição normal
 
Cap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Cap4 - Parte 6 - Distribuições Discretas Exercicios ResolvidosCap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Cap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
 
Correlação
CorrelaçãoCorrelação
Correlação
 
Processo de Melhoria Contínua: PDCA
Processo de Melhoria Contínua: PDCAProcesso de Melhoria Contínua: PDCA
Processo de Melhoria Contínua: PDCA
 
Cálculos trabalhistas
Cálculos trabalhistasCálculos trabalhistas
Cálculos trabalhistas
 
Cap4 - Parte 3 - Distribuição Binomial
Cap4 - Parte 3 - Distribuição BinomialCap4 - Parte 3 - Distribuição Binomial
Cap4 - Parte 3 - Distribuição Binomial
 
6 treinamento gestao de pessoas
6 treinamento gestao de pessoas6 treinamento gestao de pessoas
6 treinamento gestao de pessoas
 
Distribuição Amostral da Média
Distribuição Amostral da MédiaDistribuição Amostral da Média
Distribuição Amostral da Média
 
Tesouro Direto
Tesouro DiretoTesouro Direto
Tesouro Direto
 
Estatistica aplicada exercicios resolvidos manual tecnico formando
Estatistica aplicada exercicios resolvidos manual tecnico formandoEstatistica aplicada exercicios resolvidos manual tecnico formando
Estatistica aplicada exercicios resolvidos manual tecnico formando
 
Distribuicao continua
Distribuicao continuaDistribuicao continua
Distribuicao continua
 
Variáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística IIVariáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística II
 
Aula 3 medidas resumo - parte 1
Aula 3   medidas resumo - parte 1Aula 3   medidas resumo - parte 1
Aula 3 medidas resumo - parte 1
 
Cálculo do tamanho de uma Amostra
Cálculo do tamanho de uma AmostraCálculo do tamanho de uma Amostra
Cálculo do tamanho de uma Amostra
 
Conceitos Básicos de Estatística II
Conceitos Básicos de Estatística IIConceitos Básicos de Estatística II
Conceitos Básicos de Estatística II
 
ORÇAMENTO EMPRESARIAL
ORÇAMENTO EMPRESARIALORÇAMENTO EMPRESARIAL
ORÇAMENTO EMPRESARIAL
 

Destaque

Aula distribuição amostral da média
Aula distribuição amostral da médiaAula distribuição amostral da média
Aula distribuição amostral da média
Giselle Onuki
 
Distribuições amostragem
Distribuições amostragemDistribuições amostragem
Distribuições amostragem
Antonio Simoes
 
Intervalos de confianã‡a
Intervalos de confianã‡aIntervalos de confianã‡a
Intervalos de confianã‡a
Nathália Mendonça
 
Tópico 2 Intervalo de Confiança
Tópico 2   Intervalo de ConfiançaTópico 2   Intervalo de Confiança
Tópico 2 Intervalo de Confiança
Ricardo Bruno - Universidade Federal do Pará
 
1. intervalo de confiança parte i
1. intervalo de confiança   parte i1. intervalo de confiança   parte i
1. intervalo de confiança parte i
Regional Jataí - Universidade Federal de Goiás
 
Cap6 - Amostragem
Cap6 - AmostragemCap6 - Amostragem
Cap6 - Amostragem
Regis Andrade
 

Destaque (6)

Aula distribuição amostral da média
Aula distribuição amostral da médiaAula distribuição amostral da média
Aula distribuição amostral da média
 
Distribuições amostragem
Distribuições amostragemDistribuições amostragem
Distribuições amostragem
 
Intervalos de confianã‡a
Intervalos de confianã‡aIntervalos de confianã‡a
Intervalos de confianã‡a
 
Tópico 2 Intervalo de Confiança
Tópico 2   Intervalo de ConfiançaTópico 2   Intervalo de Confiança
Tópico 2 Intervalo de Confiança
 
1. intervalo de confiança parte i
1. intervalo de confiança   parte i1. intervalo de confiança   parte i
1. intervalo de confiança parte i
 
Cap6 - Amostragem
Cap6 - AmostragemCap6 - Amostragem
Cap6 - Amostragem
 

Semelhante a Aula parte6 distribuicao_amostral

metodologia que apoiam na formulação de conclusões sobre as características ...
metodologia que apoiam na formulação de  conclusões sobre as características ...metodologia que apoiam na formulação de  conclusões sobre as características ...
metodologia que apoiam na formulação de conclusões sobre as características ...
BELLALIP
 
Hduudjudmmhdkkdjdyjyhyuyduusyjyusujjsuus
HduudjudmmhdkkdjdyjyhyuyduusyjyusujjsuusHduudjudmmhdkkdjdyjyhyuyduusyjyusujjsuus
Hduudjudmmhdkkdjdyjyhyuyduusyjyusujjsuus
AnbalAbduremane
 
Aula 2 Teoria Da Amostragem Daniel
Aula 2 Teoria Da Amostragem DanielAula 2 Teoria Da Amostragem Daniel
Aula 2 Teoria Da Amostragem Daniel
guest8af68839
 
amostragem.ppt
amostragem.pptamostragem.ppt
amostragem.ppt
wfkam
 
My arquivo Amostragem_slides alunos.ppt
My arquivo Amostragem_slides alunos.pptMy arquivo Amostragem_slides alunos.ppt
My arquivo Amostragem_slides alunos.ppt
ssuser9f513e
 
Amostragem - estatistica
Amostragem - estatisticaAmostragem - estatistica
Amostragem - estatistica
Gabriel Romão Zan Taquetti
 
Amostragem e estimacao
Amostragem e estimacaoAmostragem e estimacao
Amostragem e estimacao
Luciano Alves
 
Apresentação Testes parametricos para aplicação cientifica.pptx
Apresentação Testes parametricos para aplicação cientifica.pptxApresentação Testes parametricos para aplicação cientifica.pptx
Apresentação Testes parametricos para aplicação cientifica.pptx
EliseuGouveia2
 
Formas de amostragem
Formas de amostragemFormas de amostragem
Formas de amostragem
Paulo Diniz
 
Formas de amostragem inspeções
Formas de amostragem inspeçõesFormas de amostragem inspeções
Formas de amostragem inspeções
Paulo Diniz
 
formas-de-amostragem-metodologia-pesquisa
formas-de-amostragem-metodologia-pesquisaformas-de-amostragem-metodologia-pesquisa
formas-de-amostragem-metodologia-pesquisa
ssuser494bbd
 
Tópico 3 Testes de Hipóteses - 2 amostras
Tópico 3   Testes de Hipóteses - 2 amostrasTópico 3   Testes de Hipóteses - 2 amostras
Tópico 3 Testes de Hipóteses - 2 amostras
Ricardo Bruno - Universidade Federal do Pará
 
Cálculo Amostral
Cálculo AmostralCálculo Amostral
Cálculo Amostral
César William
 
ppt 16-intodução inf est.pptx matemática aplicada às ciências Sociais
ppt 16-intodução inf est.pptx matemática aplicada às ciências Sociaisppt 16-intodução inf est.pptx matemática aplicada às ciências Sociais
ppt 16-intodução inf est.pptx matemática aplicada às ciências Sociais
sandra soares
 
Cap5 - Parte 2 - Intervalo De Confiança 1
Cap5 - Parte 2 - Intervalo De Confiança 1Cap5 - Parte 2 - Intervalo De Confiança 1
Cap5 - Parte 2 - Intervalo De Confiança 1
Regis Andrade
 
Hipóteses e Estimativa do tamanho da amostra (aula 6)
Hipóteses e Estimativa do tamanho da amostra (aula 6)Hipóteses e Estimativa do tamanho da amostra (aula 6)
Hipóteses e Estimativa do tamanho da amostra (aula 6)
Sandra Lago Moraes
 
Amostragem
AmostragemAmostragem
Aula7
Aula7Aula7
Desvio padrao e erro padrao
Desvio padrao e erro padraoDesvio padrao e erro padrao
Desvio padrao e erro padrao
thayse cavalcante
 
Cap7 - Parte 3 - Teste De Uma Média
Cap7 - Parte 3 - Teste De Uma MédiaCap7 - Parte 3 - Teste De Uma Média
Cap7 - Parte 3 - Teste De Uma Média
Regis Andrade
 

Semelhante a Aula parte6 distribuicao_amostral (20)

metodologia que apoiam na formulação de conclusões sobre as características ...
metodologia que apoiam na formulação de  conclusões sobre as características ...metodologia que apoiam na formulação de  conclusões sobre as características ...
metodologia que apoiam na formulação de conclusões sobre as características ...
 
Hduudjudmmhdkkdjdyjyhyuyduusyjyusujjsuus
HduudjudmmhdkkdjdyjyhyuyduusyjyusujjsuusHduudjudmmhdkkdjdyjyhyuyduusyjyusujjsuus
Hduudjudmmhdkkdjdyjyhyuyduusyjyusujjsuus
 
Aula 2 Teoria Da Amostragem Daniel
Aula 2 Teoria Da Amostragem DanielAula 2 Teoria Da Amostragem Daniel
Aula 2 Teoria Da Amostragem Daniel
 
amostragem.ppt
amostragem.pptamostragem.ppt
amostragem.ppt
 
My arquivo Amostragem_slides alunos.ppt
My arquivo Amostragem_slides alunos.pptMy arquivo Amostragem_slides alunos.ppt
My arquivo Amostragem_slides alunos.ppt
 
Amostragem - estatistica
Amostragem - estatisticaAmostragem - estatistica
Amostragem - estatistica
 
Amostragem e estimacao
Amostragem e estimacaoAmostragem e estimacao
Amostragem e estimacao
 
Apresentação Testes parametricos para aplicação cientifica.pptx
Apresentação Testes parametricos para aplicação cientifica.pptxApresentação Testes parametricos para aplicação cientifica.pptx
Apresentação Testes parametricos para aplicação cientifica.pptx
 
Formas de amostragem
Formas de amostragemFormas de amostragem
Formas de amostragem
 
Formas de amostragem inspeções
Formas de amostragem inspeçõesFormas de amostragem inspeções
Formas de amostragem inspeções
 
formas-de-amostragem-metodologia-pesquisa
formas-de-amostragem-metodologia-pesquisaformas-de-amostragem-metodologia-pesquisa
formas-de-amostragem-metodologia-pesquisa
 
Tópico 3 Testes de Hipóteses - 2 amostras
Tópico 3   Testes de Hipóteses - 2 amostrasTópico 3   Testes de Hipóteses - 2 amostras
Tópico 3 Testes de Hipóteses - 2 amostras
 
Cálculo Amostral
Cálculo AmostralCálculo Amostral
Cálculo Amostral
 
ppt 16-intodução inf est.pptx matemática aplicada às ciências Sociais
ppt 16-intodução inf est.pptx matemática aplicada às ciências Sociaisppt 16-intodução inf est.pptx matemática aplicada às ciências Sociais
ppt 16-intodução inf est.pptx matemática aplicada às ciências Sociais
 
Cap5 - Parte 2 - Intervalo De Confiança 1
Cap5 - Parte 2 - Intervalo De Confiança 1Cap5 - Parte 2 - Intervalo De Confiança 1
Cap5 - Parte 2 - Intervalo De Confiança 1
 
Hipóteses e Estimativa do tamanho da amostra (aula 6)
Hipóteses e Estimativa do tamanho da amostra (aula 6)Hipóteses e Estimativa do tamanho da amostra (aula 6)
Hipóteses e Estimativa do tamanho da amostra (aula 6)
 
Amostragem
AmostragemAmostragem
Amostragem
 
Aula7
Aula7Aula7
Aula7
 
Desvio padrao e erro padrao
Desvio padrao e erro padraoDesvio padrao e erro padrao
Desvio padrao e erro padrao
 
Cap7 - Parte 3 - Teste De Uma Média
Cap7 - Parte 3 - Teste De Uma MédiaCap7 - Parte 3 - Teste De Uma Média
Cap7 - Parte 3 - Teste De Uma Média
 

Aula parte6 distribuicao_amostral

  • 2. Com a média de uma amostra extraída de uma população será estimada a média dessa população. Entretanto, de uma mesma população pode-se tomar muitas amostras diferentes do mesmo tamanho. A principal preocupação numa inferência estatística é obter conclusões sobre a população. Por exemplo:
  • 3. 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.
  • 4. 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.
  • 5. 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.
  • 6. 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 .
  • 7. Parâmetro é uma medida numérica que descreve uma população. Estatística é uma medida numérica que descreve uma amostra.
  • 8. Exemplo A coordenadora do ensino de primeiro grau tem interesse em conhecer a estatura média dos alunos da primeira série da rede escolar. Se a variável estatura estivesse registrada no cadastro dos alunos seria fácil calcular a média das estaturas dos alunos da primeira série, entretanto, essa informação não está disponível. Uma tentativa de alcançar o objetivo é estimar a média de todos os alunos utilizando a média de uma amostra dos alunos da primeira série, tendo presente que essa amostra será representativa da população; isto é, a amostra possuirá características similares às que seriam observadas na população se estivesse disponível.
  • 9. Para testar a idéia, a coordenadora preparou dez funcionários com a tarefa individual de selecionar aleatoriamente trinta alunos da primeira série da escola designada, medir a estatura dos trinta alunos e finalmente calcular e registrar a média dessa amostra. Terminada a tarefa, a coordenadora receberá as dez médias amostrais que, em geral, serão diferentes entre si devido à variabilidade amostral. Além disso, essas dez médias deverão ser diferentes da média da população.
  • 10. Analisemos o resultado da tarefa dos dez funcionários: O parâmetro média da população é um valor único e desconhecido. A estatística média da amostra é um valor conhecido, porém pode variar de amostra para amostra. Se os dez funcionários realizarem novas amostragens aleatórias do mesmo tamanho, as médias das novas amostras não deverão ser iguais às dez primeiras. Apesar de a média da população não ter mudado, a média da amostra dependerá de cada amostra.
  • 11. Com as médias das amostras, é possível construir a distribuição de freqüências das médias das amostras, denominada distribuição amostral, cuja média denomina-se média amostral e seu desvio padrão, erro padrão . Embora os parâmetros média e desvio padrão da população não sejam conhecidos, para ajudar na compreensão da distribuição amostra l, inicialmente, esses parâmetros serão considerados como conhecidos.
  • 12.  
  • 13.  
  • 14.  
  • 15.  
  • 16.  
  • 17. O desvio padrão é conhecido como erro amostral .
  • 18.  
  • 19. O erro padrão da distribuição das médias amostrais diminui quando aumenta o tamanho da amostra n . Isso significa que à medida que n aumenta e mais informações são utilizadas, a média da amostra se aproxima da média da população, como pode-se ver na expressão do erro padrão.
  • 20. FORMA DA DISTRIBUIÇÃO AMOSTRAL Ao estudar as medidas estatísticas descritivas, foi observado que a forma da distribuição da variável é importante. A distribuição amostral do Exemplo 10.1 é simétrica, embora a distribuição da população seja uniforme. De forma geral, a forma da distribuição amostral depende da forma da distribuição da população. Se a distribuição da população for normal N (  ,  ), a distribuição da média amostral também será normal, seja qual for o tamanho n da amostra.
  • 21. 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.
  • 22.  
  • 23. 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.
  • 24. 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.
  • 25. 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.
  • 26.  
  • 27. 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.
  • 28.  
  • 29. 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.
  • 30. 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
  • 31.  
  • 32. A tabela seguinte mostra valores do coeficiente de correção finita em função do tamanho n da amostra numa população de tamanho N =1.000.
  • 33. 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  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.
  • 34.  
  • 35.  
  • 36.  
  • 37.  
  • 38. 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.
  • 39.  
  • 40. 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.
  • 41. 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.
  • 42. 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.
  • 43.