Calculadora da distribuição amostral da média
Calcule probabilidades da média amostral usando o Teorema Central do Limite — encontre o erro padrão, o escore z e a probabilidade exata em segundos.
Digite a média populacional, o desvio-padrão e o tamanho da amostra, depois escolha um tipo de probabilidade e informe o(s) valor(es) da média amostral para obter o resultado instantaneamente.
Calculadora da distribuição amostral da média
Calcule probabilidades da média amostral usando o Teorema Central do Limite — encontre o erro padrão, o escore z e a probabilidade exata em segundos.
Calcula a probabilidade de a média amostral ser menor que um valor x₁ dado.
Sobre a calculadora da distribuição amostral da média
A distribuição amostral da média descreve como a média de uma amostra aleatória varia de uma amostra para outra quando amostras do mesmo tamanho são retiradas repetidamente da mesma população. É um dos conceitos mais importantes da estatística inferencial porque é a base teórica dos intervalos de confiança, testes de hipótese e cartas de controle de qualidade em praticamente todas as áreas científicas e industriais.
O Teorema Central do Limite (TCL) é o que torna essa distribuição útil. O TCL afirma que, independentemente da forma 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 geralmente é suficiente para uma excelente aproximação. Para populações já normalmente distribuídas, o resultado vale para qualquer tamanho de amostra, mesmo pequeno.
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 de por que dobrar o tamanho da amostra reduz o erro padrão por um fator de √2 e de por que pesquisadores investem em mais dados para reduzir a incerteza.
Depois de conhecer o erro padrão, qualquer média amostral x̄ pode ser convertida em um escore z usando z = (x̄ − μ) / SE. O escore z mede quantos erros padrão separam x̄ 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 oferece suporte a três tipos de probabilidade. O primeiro, P(X̄ < x), dá a probabilidade de cauda esquerda de que uma amostra aleatória de tamanho n tenha média abaixo de x. O segundo, P(X̄ > x), dá a probabilidade de cauda direita. O terceiro, P(x₁ < X̄ < x₂), dá a probabilidade de a média amostral ficar entre dois valores especificados, calculada como a diferença de duas probabilidades normais acumuladas.
Os usos práticos abrangem todas as áreas. Um engenheiro de qualidade monitora se a média de um lote de peças está fora da tolerância. Um nutricionista verifica se a ingestão calórica média de um grupo amostrado vem plausivelmente de uma população com média conhecida. Um analista financeiro estima a probabilidade de o retorno diário médio de um trimestre exceder um limite. Um pesquisador clínico determina se a redução média da pressão arterial em uma amostra reflete um efeito real da população. Em cada caso, esta calculadora fornece a resposta em uma única conta.
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: há cerca de 14% de chance de uma turma de 30 alunos ter média abaixo de 78 quando a média real 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 acima de 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 a 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 a média de 100 dias ser negativa quando a média real é 0.05%. |
Como usar a calculadora de distribuição amostral
- Digite a média populacional (μ) — a média conhecida ou assumida de toda a população.
- Digite o desvio-padrão populacional (σ) — ele deve ser um número positivo.
- Digite o tamanho da amostra (n) — o número de observações em cada amostra, como 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.
- Digite a(s) média(s) amostral(is) e clique em Calcular para ver o erro padrão, o escore z e a probabilidade exata.
FAQ da distribuição amostral
O que é a distribuição amostral da média?
É a distribuição de probabilidade de todas as médias amostrais possíveis que podem 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 erro padrão e como ele difere do desvio-padrão?
O desvio-padrão (σ) mede a dispersão dos 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 conforme n cresce — amostras maiores geram 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 n for grande o bastante para aplicar o Teorema Central do Limite (geralmente n ≥ 30). Ela também é válida para qualquer n quando a população já 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 fornecida, μ é a média populacional e SE = σ/√n. Ele indica quantos erros padrão separam a média alvo da média populacional, permitindo converter essa distância em probabilidade com a tabela normal padrão.
Por que uma amostra maior gera uma dispersão de probabilidade menor?
Porque SE = σ/√n; ao dobrar n, o SE cai por um fator de √2. Um SE menor significa que a distribuição amostral fica mais alta e mais estreita — as médias amostrais se agrupam mais perto de μ. Como resultado, médias extremas ficam menos prováveis e os intervalos de confiança ficam menores, o que explica por que coletar mais dados melhora a precisão de qualquer estimativa.
O que o modo de probabilidade 'between' calcula?
O modo between 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 se a média amostral permanece dentro de uma faixa aceitável em torno da média populacional.