CAPTULO 2.

DISTRIBUIO AMOSTRAL DA MDIA

29

2000g. Isso equivalente a X < 500. Logo,

X 512, 8
500 512, 8
q
<
Pr(X < 500) = Pr q
100
4

=
=
=
=
=
=

100
4

Pr(Z < 2, 56)

Pr(Z > 2, 56)
0, 5 Pr(0 Z 2, 56)
0, 5 tab(2, 56)
0, 5 0, 49477
0, 00523

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.

2.3.1

Lista de Exerccios 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; 13 ) para que Pr( X < 6, 5) = 0, 95?

2.4

Teorema Limite Central

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 limite central que veremos a seguir nos fornece um resultado anlogo para qualquer distribuio populacional, desde que o tamanho da amostra seja suficientemente
grande.

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

32

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

probabilidade de X ser maior ou igual a 36
= 0, 72 e essa probabilidade
50

X 0, 5
0, 72 0, 5
q
Pr(X 0, 72) = Pr

1
200
200

= Pr(Z 3, 11) = 0, 5 Pr(0 Z < 3, 11) =

= 0, 5 tab(3, 11) = 0, 5 0, 49906 = 0, 00094

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!

2.4.1

Lista de Exerccios 2

1. O fabricante de uma lmpada especial afirma que o seu produto tem vida mdia
de 1600 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 1650 horas?

2.5

Distribuio amostral da varincia amostral

No captulo anterior, consideramos dois estimadores para a varincia: S 2 e

b2 . Atravs
2
de um exemplo, vimos que
b um estimador viciado. Vamos demonstrar agora que S 2
no viciado para estimar a varincia de uma populao qualquer.

Teorema 2.4 Seja X1 , X2 , . . . , Xn uma amostra aleatria simples extrada de uma populao com N elementos e varincia populacional
2 =

onde =

1
N

N
P

i=1

N
1 P
(Xi )2
N i=1

Xi a mdia (esperana) populacional. Ento S 2 =

um estimador no viesado para estimar 2 .

1
n1

n
P

(Xi X)2

i=1

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

33

Demonstrao
n
P

(Xi X)2 =

i=1

n
P

(Xi + X)2 =

2
P
(Xi ) X

i=1
n
P

(Xi )2 +

i=1
n
P

(Xi )2 + n X 2 X nX n

i=1
n
P

n
P

i=1

i=1

n
2

P
X 2 (Xi ) X
i=1

P
(Xi )2 + n X 2 X
(Xi )
=
i=1
i=1
n

P
P
2
=
(Xi ) + n X 2 X
Xi n

i=1
n
P
i=1

Da segue que

i=1

2
(Xi )2 n X

n
n

2
P
1
1 P
2
2
E(S ) = E
(Xi X) =
(Xi ) n X
E
n 1 i=1
n1
i=1

2
P
1
2
=
E (Xi ) nE X
n 1 i=1

2
Mas como = E(Xi ) = E(X) e E (Xi )2 = V ar(Xi ) = 2 e E X = V ar(X)
resulta que
n

P
1
2
E(S ) =
V ar(Xi ) nV ar(X)
n 1 i=1
n

P 2
1
2
=
n
n 1 i=1
n

1 2
=
n 2
n1
= 2
2

e isso completa a prova.

Teorema 2.5 Se X1 , X2 , . . . , Xn uma amostra aleatria simples extrada de uma populao X N(; 2 ) ento
2 4
V ar(S 2 ) =
n1

2.6

Resumo do Captulo

Neste captulo, foram estudadas propriedades da mdia amostral X e da varincia

amostral S 2 . Ao final, voc dever ser capaz de compreender perfeitamente os seguintes
resultados:

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

34

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 noviesado de com varincia igual varincia populacional dividida pelo tamanho
amostral n, isto :
E(X) =
2
V ar(X) =
n
e a varincia amostral S 2 um estimador no viesado para estimar 2 , isto
E(S 2 ) = 2
O desvio padro da distribuio amostral de qualquer estatstica usualmente
chamado de erro padro. Ento, o erro padro da mdia amostral EP (X) = n
Nas condies anteriores e com a hiptese adicional de a populao X ser normal,
a distribuio amostral de X tambm normal, isto :

2
2
X N ; = X N ;
n
e

V ar(S 2 ) =

2 4
n1

O teorema limite central um dos mais importantes teoremas da teoria inferencial.

Ele nos d informaes sobre a dsitribuio 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 V ar(X) = 2 , ento
a distribuio de X converge para a distribuio normal com mdia e varincia
2 /n quando n . Equivalentemente,
X

ou

2.7

N(0, 1)

X
N(0, 1)
n

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.

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

35

2. Volte ao Exemplo 17.3. 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
continuar-se 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 20mm na primeira
mquina e 25 mm na segunda mquina e desvio padro comum de 4mm. 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 V ar(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 8,5 cm. 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
1,0 cm, 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 9,0 cm, o processo de produo interrompido para uma nova regulagem da mquina. Qual a probabilidade de
uma parada desnecessria?

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

36

(c) Se a mquina se desregulou de modo que o comprimento mdio passou a ser

9,5 cm, 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?

2.8

Soluo das Listas de Exerccios

Lista de Exerccios 1
1. Seja X = comprimento das peas; ento X N(172; 25) e n = 16
(a)

Pr(169 X 175) = Pr

X 172
169 172
175 172
q
q
q
25
16

25
16

25
16

= Pr(2, 4 Z 2, 4) = 2 Pr(0 Z 2, 4)
= 2 tab(2, 4) = 2 0, 4918 = 0, 9836

(b)

Pr(X > 178) = Pr Z >

= Pr(Z > 4, 8) 0

178 172
q
25
16

(c)

Pr(X < 165) = Pr Z <

165 172
q

= Pr(Z < 5, 6) 0

25
16

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

37

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

Pr( X 150 < 6, 5) = 0, 95

Pr(6, 5 < X 150 < 6, 5) = 0, 95
!

6, 5
6, 5
X 150
= 0, 95
Pr 13 <
< 13
13

Pr(0, 5 n < Z < 0, 5 n) = 0, 95

2 Pr(0 < Z < 0, 5 n) = 0, 95

Pr(0 < Z < 0, 5 n) = 0, 475

tab(0, 5 n) = 0, 475

0, 5 n = 1, 96

1, 96
n=
= 3, 92
0, 5
n = (3, 92)2 16
Lista de Exerccios 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
podemos usar o teo
de amostra,
2502
rema limite central , que nos diz que X N 1600; 100 . Logo

=
=
=
=

2.9

X 1600 1650 1600

q
Pr(X > 1650) = Pr q
>

Pr(Z > 2, 0)
0, 5 Pr(0 Z 2)
0, 5 tab(2, 0)
0, 5 0, 47725 = 0, 02275

Soluo dos Exerccios

2
1. X N 15; 2,5
18

2502
100

2502
100

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

38

(a)

=
=
=
=

14, 5 15
16 15
Pr(14, 5 X 16) = Pr q
Z q
2,52
18

2,52
18

Pr(0, 85 Z 1, 70)
Pr(0, 85 Z 0) + Pr(0 < Z 1, 70)
Pr(0 Z 0, 85) + Pr(0 Z 1, 70)
tab(0, 85) + tab(1, 70) = 0, 75777

(b)

Pr(X > 16, 1) = Pr Z >

= Pr(Z > 1, 87)

= 0, 5 Pr(0 Z 1, 87)
= 0, 5 tab(1, 87) = 0, 03074

16, 1 15
q
2,52
18

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

=
Pr X < 497 X > 520 | X N 512, 8; 100
4

= Pr X < 497 | X N (512, 8; 25) + Pr X > 520 | X N (512, 8; 25)

497 512, 8
520 512, 8
= Pr Z <
+ Pr Z >
5
5
= Pr(Z < 3, 16) + Pr(Z > 1, 44)
= Pr(Z > 3, 16) + Pr(Z > 1, 44)
= [0, 5 Pr(0 Z 3, 16)] + [0, 5 Pr(0 Z 1, 44)]
= 0, 5 tab(3, 16) + 0, 5 tab(1, 44)
= 1, 0 0, 49921 0, 42507
= 0, 07572

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

39

(b) Agora queremos

=
=
=
=
=
=

Pr 497 X 520 | X N(500; 25) =

497 500
520 500
Pr
Z
5
5
Pr(0, 6 Z 4)
Pr(0, 6 Z < 0) + Pr(0 Z 4)
Pr(0 Z 0, 6) + Pr(0 Z 4)
tab(0, 6) + tab(4, 0)
0, 72572

Note que a probabilidade de uma parada desnecessria pequena, s custas

de uma 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).

Pr(E1 ) =
=
=
=
=
=
=

Pr(E2 ) =
=
=
=
=
=

16
Pr X 23|X N 25;
16

23 25
Pr Z
1
Pr(Z 2)
Pr(Z 2) =
0, 5 tab(2, 0)
0, 5 0, 47725
0, 02275

16
Pr X > 23|X N 20;
16

23 20
Pr Z >
1
Pr(Z > 3)
0, 5 tab(3, 0)
0, 5 0, 49865
0, 00135

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

40

4. Note que e igual a X menos uma constante e sabemos que E(X) = e V ar(X) =
2
.
n
(a) Das propriedades da mdia e da varincia, resulta que
E(e) = E(X) = = 0
2
V ar(e) = V ar(X) =
n
(b) X N(; 202 ) e n = 100. Queremos
Pr(|e| > 2) = Pr(e < 2) + Pr(e > 2)
= Pr(X < 2) + Pr(X > 2)

X
X
2
2
< 20 + Pr
> 20
= Pr
20
20
10

=
=
=
=
=

10

10

10

Pr(Z < 1) + Pr(Z > 1)

2 Pr(Z > 1)
2 [0, 5 Pr(0 Z 1)]
2 [0, 5 tab(1, 0)]
0, 31732

(c)
Pr(|e| > ) = 0, 01
Pr(e < ) + Pr(e > ) = 0, 01
Pr(X < ) + Pr(X > ) = 0, 01

X
X
< 20 + Pr
> 20 = 0, 01
Pr
20
20
10
10
10
10

Pr Z <
+ Pr Z >
= 0, 01
2
2

= 0, 01
2 Pr Z >
2

Pr Z >
= 0, 005
2

= 0, 005
0, 5 Pr 0 Z
2

Pr 0 Z
= 0, 495
2

tab
= 0, 495
2

= 2, 58 = 5, 16
2

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

41

(d)
Pr (|e| < 1) = 0, 95
Pr(1 < X < 1) = 0, 95

!
1
1
Pr 20 < Z < 20 = 0, 95

Pr

1
20

<Z<0

2 Pr 0 Z <

Pr 0 Z <

1
20

1
20

+ Pr 0 Z <

1
20

= 0, 95

= 0, 95

= 0, 475

n
= 1, 96
20

n = 39, 2 n 1537

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

8, 5
Pr Z <
= 0, 05
1

8, 5
Pr Z >
= 0, 05
1
Pr(0 Z 8, 5) = 0, 45
8, 5 = 1, 64
= 10, 14
(b) Parada desnecessria: amostra indica processo fora de controle (X < 9),

CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA

42

quando, na verdade, o processo est sob controle ( = 10, 14).

1
Pr X < 9 | X N 10, 14;
4

9 10, 14
= Pr Z <
0, 5
= Pr(Z < 2, 28)
= Pr(Z > 2, 28)
= 0, 5 Pr(0 Z 2, 28)
= 0, 5 tab(2, 28)
= 0, 5 0, 4887 = 0, 0113
(c) Mquina desregulada: X > 9; processo operando sem ajuste: X N (9, 5; 1)

1
Pr X > 9 | X N 9, 5;
4

9 9, 5
= Pr Z >
0, 5
= Pr(Z > 1)
= Pr(1 < Z < 0) + Pr(Z 0)
= Pr(0 < Z < 1) + Pr(Z 0)
= tab(1, 0) + 0, 5
= 0, 841314
6. Afirmativa do gerente: = 2 e = 0,05. Como n = 100, podemos usar o teorema
2
.
limite central . Logo, X N 2; 0,05
100

Pr(X 1, 985) = Pr Z
=
=
=
=

1, 985 2
0,05
10

Pr(Z 3, 0)
Pr(Z 3, 0)
0, 5 tab(3, 0)
0, 5 0, 49865 = 0, 00135

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!