6.13
Distribuição de Amostras
Dadas amostras aleatórias simples de tamanho n de uma determinada população com uma característica medida como média, proporção ou desvio padrão para…
Considere girar dez rodas seletoras e encontrar a média dos resultados. Esse processo é repetido, digamos, 20.000 vezes.
A média amostral obtida para cada repetição do processo é plotada, que se parece com um gráfico de distribuição normal.
Se o tamanho da amostra for grande, a distribuição se aproxima da distribuição normal e a média das médias da amostra se aproxima da média da população.
Essa distribuição de valores de uma estatística, como média, variância ou proporção amostral, é conhecida como distribuição amostral.
Assim como a média, pode-se obter a variância para cada amostra e traçar a distribuição de frequência, que aparece inclinada para a direita.
Mesmo nesse caso, se o tamanho da amostra for grande, a média das variâncias da amostra será próxima à variância da população.
Se considerarmos a proporção de números ímpares em cada amostra e traçarmos o gráfico, a distribuição segue aproximadamente um padrão de distribuição normal.
Semelhante à média e variância, se o tamanho da amostra for grande, a média das proporções da amostra será próxima à proporção da população.
View the full transcript and gain access to JoVE Core videos
Q1: What is a sampling distribution and how is it created?
A sampling distribution is the probability distribution of a statistic, such as the mean, variance, or proportion, calculated from multiple simple random samples of the same size from a population. It is created by repeatedly drawing samples, computing the statistic for each sample, and plotting the frequency distribution of those statistics.
Q2: How does sample size affect the shape of a sampling distribution?
As sample size increases, the sampling distribution approaches a normal distribution shape, regardless of the original population distribution. This convergence means that larger samples produce more reliable estimates, with the mean of sample statistics becoming increasingly close to the true population parameter.
Q3: What is sampling variability and how is it measured?
Sampling variability refers to how much a statistic varies from one sample to another. It is measured using the standard error, which is the standard deviation of the sampling distribution. The standard error of the mean is a common example that quantifies the variability of sample means around the population mean.
Q4: Why does the mean of sample means approach the population mean?
When sample size is large, the mean of sample means converges to the population mean due to the law of large numbers. This property holds for other statistics as well: the mean of sample variances approaches the population variance, and the mean of sample proportions approaches the population proportion.
Q5: Can sampling distributions be used for different types of statistics?
Yes, sampling distributions can be constructed for any statistic, including the mean, variance, and proportion. Each statistic has its own sampling distribution with distinct characteristics. For example, the distribution of sample proportions typically follows an approximately normal pattern when sample size is sufficiently large.
Q6: What role does standard error play in statistical inference?
Standard error measures the precision of a sample statistic as an estimate of the population parameter. A smaller standard error indicates that sample statistics cluster more tightly around the true population value, making the estimate more reliable for drawing conclusions about the population.
Q7: How do sampling distributions relate to probability distributions?
A sampling distribution is a specific type of probability distribution that describes the likelihood of different values for a sample statistic. While probability distributions characterize outcomes of random variables, sampling distributions characterize the behavior of statistics computed from repeated samples.