Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 07 DistribuicaoAmostral LeituraExercicios

    Cargado por

    samuel Trigueiro Cavalcante
    14 vistas6 páginas
    inferencia estatistica

    Título original

    07_DistribuicaoAmostral_LeituraExercicios

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    inferencia estatistica

    Copyright:

    © All Rights Reserved
    Descargue como PDF o lea en línea desde Scribd
    Marcar por contenido inapropiado
    14 vistas6 páginas

    07 DistribuicaoAmostral LeituraExercicios

    Cargado por

    samuel Trigueiro Cavalcante
    inferencia estatistica

    Copyright:

    © All Rights Reserved
    Descargue como PDF o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 6
    m a 10.8 DISTRIBUIGAO AMOSTRAL DA MEDIA 10.8 Distribuicéo Amostral da Média ‘Vamos estudar agora a distribuigao amostral da estatistica X, a média da amostra, Con- sideremos uma populacao identificada pela varidvel X, cujos parimetros média populacional = E(X) e variancia populacional 0? = Var(X) sao supostos conhecidos. Vamos retirar todas as possiveis AAS de tamanho n dessa populagao, ¢ para cada uma calcular a média X. Em seguida, consideremos a distribuicdo amostral ¢ estudemos suas propriedades. Voltemos a considerar, a titulo de ilustragao, 0 Exemplo 10.7. Exemplo 10.10. A populagao {1, 3, 5, 5, 7} tem média pt = 4,2 e variancia 0? = 4,16. A distribuigdo amostral de X est na Tabela 10.3, da qual obtemos EX) =S% paix L 2 ol 6 5x “Xi Pi 35 +2 ag 3% og +4 35 19% 35 46x 47x L402. 25 25 De modo andlogo, encontramos Var(X) = 2,08. Verificamos, aqui, dois fatos: primeiro, a média das médias amostrais coincide com a média populacional; segundo, a varianeia de X é igual A variancia de X, dividida por n = 2. Estes dois fatos nio sao casos isolados. Na realidade, temos o seguinte resultado. Teorema 10.1. Seja X uma v.a. com média [1 e variancia 0°, € seja (X,, ..., X,) uma AAS de X. Entao, BG)=" © ValX)= =. Prova. Pelas propriedades vistas no Capitulo 8, temos: E(X) = (In) (E(X,) +... + EUX,)} = (Un) (ut M+. + HW) = nun =p. De modo anilogo, e pelo fato de X,, ..., X, serem independentes, temos. Var(X) = (1/n?) (Var(X,) +... + Var(X,)) = (In?) {07 +... + PP =non? = o'ln, Determinamos, entdo, a média e a variaincia agora, como obter informagao sobre a forma da dis amr CAPITULO 10 — INTRODUGAO A INFERENCIA ESTATISTICA a Exemplo 10.10. (continuacao) Para a populagao {1, 3, 5, 5, 7}, vamos construir o¢ histogramas das distribuigdes de X para n= 1, 2¢ 3. (Para n= 1, vemos que a distribuigdo de X coincide com a distribuigdo de X, com ER) = E(X) = 4,2 e Var(X) = Var(X) = 4,16 (Figura 10.4(a)). (ii) Para n = 2, baseados na Tabela 10.3, temos a distribui¢ao de X dada na Figura 10.4(b), com E(X) = 4,2 € Var(X) = 2,08. (ii) Finalmente, para n = 3, com os dados da Tabela 10.6, temos a distribuicdo de X na Figura 10.4 (c), com E(X) = 4,2 e Var(X) = 1,39. Figura 10.4: Distribuigdio de X para amostras de {1, 3, 5, 5,7}- 1234567 (b) Var(X)= 2,08, n= 2 1 3BR)S -7 x {c) Var(X)= 1,39, n=3 Observe que, conforme n vai aumentando, o histograma tende a se concentrar cada vez mais em torno de E(X) = E(X) = 4,2, j4 que a variancia vai diminuindo. Os casos extremos passam a ter pequena probabilidade de ocorréncia. Quando n for suficientemente grande. 0 histograma alisado aproxima-se de uma distribuigao normal. Essa aproximagio pode ser veriti- cada analisando-se os grificos da Figura 10.5, que mostram 0 comportamento do histogram? de X para varias formas da distribuigao da populagio e varios valores do tamanho da amostrat Esses exemplos sugerem que, quando o tamanho da ami iumenta, independent mente da forma da distribuic¢éo da populacao, a distribuigéo amostral de X aproxima-se cada vez mais de uma distribui¢ao normal. Esse resultado, fundamental na teoria da Inferénct Estatfstica, é conhecido como Teorema Limite Central (TLC). i0.8 : “i 0.8 DISTRIBUIGAO AMOSTRAL DA MEDIA 273 Histogramas ¢% orrespondentes as distribuics 7 de algumas popularses stribuigdes amostrais de X para amostras extraidas th. _athh. | oo F(t, llithn al bn ill. *y xy ‘Teorema 10.2. (TLC) Para amostras aleatorias simples (X,, ..., X,), retiradas de uma popu- lagio com média j1 e varidncia 6° finita, a distribuigdo amostral da média X aproxima-se, para n grande, de uma distribuigdo normal, com média j1€ varidncia o*/n. ‘A demonstragiio completa desse teorema exigiria recursos dos quais nio dispomos portanto no serd dada, mas o importante é sabermos como esse resultado pode ser usado. Observemos que, se a populagao for normal, entao X terd distribuigdo exara normal Esse resultado segue do fato de que a distribuigdo de uma combinagao linear de v.a.’s nor- mais independentes tem ainda distribuigao normal. No caso da X,a média e varidncia dessa normal serio dadas pelo Teorema 10.1. A prova dessa propriedade depende do conceito de funcdo geradora de momentos, que nao sera objeto deste livro. O leitor interessado pode consultar Meyer (1965), por exemplo. Exemplo 10.11. Voltemos ao Exemplo 10.4, onde uma méquins enchia pacotes cujos pesos seguiam uma distribuigao N(500, 100). Colhendo-se um amos den = 100 pacotes ¢ pe- sando-os, pelo que foi dito acima, X teré urha d {buigaio normal com media SOO € vartaneta 100/100 = 1. Logo, se a maquina estiver regulaca. probabilidade de encontrarmos ameédia de 100 pacotes diferindo de 500 g de menos de 2 gramas sera P(\X— 500] < 2) = P(498 < X < 502) = P(-2

    También podría gustarte