Calculadora de distribuição da média amostral
Calcule probabilidades para a média amostral usando o Teorema Central do Limite: erro padrão, escore z e probabilidade exata em segundos.
Informe a média populacional, o desvio padrão e o tamanho da amostra; depois escolha o tipo de probabilidade e forneça os valores da média amostral para obter um resultado imediato.
Calculadora de distribuição da média amostral
Calcule probabilidades para a média amostral usando o Teorema Central do Limite: erro padrão, escore z e probabilidade exata em segundos.
Calcula a probabilidade de a média amostral ser menor que um valor dado x₁.
Sobre a calculadora de distribuição da média amostral
A distribuição amostral da média descreve como a média de uma amostra aleatória varia de uma amostra para outra quando amostras repetidas do mesmo tamanho são retiradas da mesma população. É um dos conceitos mais importantes da estatística inferencial, pois é a base teórica para intervalos de confiança, testes de hipótese e gráficos de controle de qualidade em praticamente todas as disciplinas científicas e industriais.
O Teorema Central do Limite (TCL) é o mecanismo que torna essa distribuição útil. O TCL afirma que, independentemente do formato da distribuição populacional, a distribuição amostral da média se aproxima de uma distribuição normal à medida que o tamanho da amostra n aumenta. Na prática, um tamanho de amostra de 30 ou mais costuma ser suficiente para que a aproximação seja excelente. Para populações que já são normalmente distribuídas, o resultado vale para qualquer tamanho de amostra, por menor que seja.
O erro padrão da média (SE) quantifica a dispersão da distribuição amostral. Ele é igual ao desvio padrão populacional σ dividido pela raiz quadrada de n: SE = σ / √n. Um tamanho de amostra maior torna o SE menor, o que significa que amostras maiores produzem estimativas mais precisas da média populacional. Essa é a explicação matemática para o fato de que dobrar o tamanho da amostra reduz o erro padrão pela metade e para o motivo de pesquisadores investirem na coleta de mais dados para reduzir a incerteza.
Depois que o erro padrão é conhecido, qualquer média amostral x̄ pode ser convertida em um escore z usando z = (x̄ − μ) / SE. O escore z mede quantos erros padrão x̄ está distante da verdadeira média populacional μ. Como a distribuição amostral é aproximadamente normal, a tabela normal padrão — ou seu equivalente matemático Φ(z) — fornece a probabilidade exata de a média amostral ficar abaixo, acima ou entre valores especificados.
Esta calculadora aceita três tipos de probabilidade. O primeiro, P(X̄ < x), fornece a probabilidade de cauda esquerda de que uma amostra aleatória de tamanho n tenha média abaixo de x. O segundo, P(X̄ > x), fornece a probabilidade de cauda direita (superior). O terceiro, P(x₁ < X̄ < x₂), fornece a probabilidade de a média amostral ficar entre dois valores especificados, calculada como a diferença entre duas probabilidades normais acumuladas.
Os usos práticos abrangem todos os domínios. Um engenheiro de qualidade monitora se um lote de componentes tem uma dimensão média fora da tolerância. Um nutricionista verifica se a ingestão calórica média de um grupo amostrado plausivelmente vem de uma população com média conhecida. Um analista financeiro estima a probabilidade de o retorno diário médio ao longo de um trimestre exceder um limite. Um pesquisador clínico determina a probabilidade de a redução média da pressão arterial em uma amostra refletir um efeito populacional real. Em cada caso, esta calculadora fornece a resposta de probabilidade em um único cálculo.
Exemplos de distribuição amostral
Cenários do mundo real mostrando como aplicar a calculadora de distribuição amostral.
| Cenário | Probabilidade | Interpretação |
|---|---|---|
| μ=80, σ=10, n=30, P(X̄ < 78) | ≈ 13.6% | Notas de prova: cerca de 14% de chance de uma turma de 30 alunos ter média abaixo de 78 quando a média verdadeira é 80. |
| μ=1000, σ=50, n=40, P(X̄ > 1010) | ≈ 10.3% | Vida útil de lâmpadas: cerca de 10% de chance de um lote de 40 lâmpadas ter média superior a 1010 horas. |
| μ=3, σ=0.5, n=50, P(2.9 < X̄ < 3.1) | ≈ 84.3% | Xícaras de café: 84% de chance de a média amostral ficar dentro de 0.1 xícara da média populacional. |
| μ=0.05, σ=1, n=100, P(X̄ < 0) | ≈ 30.9% | Retornos de ações: 31% de chance de o retorno médio de 100 dias ser negativo quando a média verdadeira é 0.05%. |
Como usar a calculadora de distribuição amostral
- Informe a média populacional (μ), a média conhecida ou assumida de toda a população.
- Informe o desvio padrão populacional (σ), que deve ser um número positivo.
- Informe o tamanho da amostra (n), o número de observações em cada amostra (inteiro ≥ 2).
- Escolha o tipo de probabilidade: P(X̄ < x) para cauda esquerda, P(X̄ > x) para cauda direita ou P(x₁ < X̄ < x₂) para probabilidade de intervalo.
- Informe os valores da média amostral e clique em Calcular para ver o erro padrão, o escore z e a probabilidade exata.
Perguntas frequentes sobre distribuição amostral
O que é a distribuição amostral da média?
É a distribuição de probabilidade de todas as médias amostrais possíveis que poderiam ser obtidas ao retirar repetidamente amostras aleatórias de tamanho n de uma população. O Teorema Central do Limite garante que essa distribuição é aproximadamente normal para n grande, com média igual à média populacional μ e desvio padrão igual ao erro padrão SE = σ/√n.
O que é o erro padrão e como ele difere do desvio padrão?
O desvio padrão (σ) mede a dispersão dos pontos de dados individuais em torno da média populacional. O erro padrão (SE = σ/√n) mede a dispersão das médias amostrais em torno de μ. O SE diminui à medida que n cresce — amostras maiores produzem estimativas mais precisas da média.
Quando posso usar esta calculadora?
Você pode usá-la sempre que souber o desvio padrão populacional σ e o tamanho da amostra n for grande o suficiente para que o Teorema Central do Limite se aplique (geralmente n ≥ 30). Ela também é válida para qualquer n quando a população é normalmente distribuída. Se σ for desconhecido, use a distribuição t.
Como o escore z é calculado aqui?
O escore z é calculado como z = (x̄ − μ) / SE, em que x̄ é a média amostral que você fornece, μ é a média populacional e SE = σ/√n. Ele informa quantos erros padrão a média amostral alvo está distante da média populacional, permitindo que a tabela normal padrão converta essa distância em uma probabilidade.
Por que um tamanho de amostra maior gera uma dispersão de probabilidade menor?
Porque SE = σ/√n; dobrar n reduz o SE por um fator de √2 ≈ 1.41. Um SE menor significa que a distribuição amostral fica mais alta e estreita — as médias amostrais se agrupam mais perto de μ. Como resultado, médias amostrais extremas se tornam menos prováveis e intervalos de confiança ficam mais curtos, motivo pelo qual coletar mais dados melhora a precisão de qualquer estimativa.
O que o modo de probabilidade “entre” calcula?
O modo entre calcula P(x₁ < X̄ < x₂): a probabilidade de uma média amostral aleatória ficar estritamente entre x₁ e x₂. Ele é calculado como Φ(z₂) − Φ(z₁), em que z₁ e z₂ são os escores z de x₁ e x₂, respectivamente. Isso é útil quando você quer saber a probabilidade de a média amostral permanecer dentro de uma faixa aceitável em torno da média populacional.