Os limites de números inteiros e as probabilidades são validados rigorosamente; entradas inválidas não são alteradas silenciosamente.
Simulador de Distribuições Amostrais
Simule amostras repetidas para visualizar o erro padrão e o comportamento do Teorema Central do Limite.
Os resultados são calculados automaticamente conforme você informa os dados.
Erro padrão
▼ Veja explicações e dicas abaixo ▼
Calculadoras relacionadas
O que é uma distribuição amostral?
Uma distribuição amostral é a distribuição de uma estatística em muitas amostras repetidas do mesmo tamanho. Em vez de observar a distribuição dos valores individuais dos dados, uma distribuição amostral observa valores como médias amostrais ou proporções amostrais obtidos de amostras repetidas.
Por exemplo, imagine extrair muitas amostras de tamanho \(n\) da mesma população. Para cada amostra, você calcula a média amostral \(\bar{x}\). O conjunto de todas essas médias amostrais forma uma distribuição amostral da média amostral. Se, em vez disso, você calcular uma proporção amostral \(\hat{p}\) a cada vez, o conjunto dessas proporções formará uma distribuição amostral da proporção amostral.
Essa ideia é importante porque uma única estatística amostral pode variar apenas por acaso. Uma distribuição amostral ajuda a mostrar quanta variação esperar quando o processo de amostragem é repetido.
Por que as distribuições amostrais são importantes
As distribuições amostrais são uma das bases da inferência estatística. Elas explicam por que uma estimativa amostral pode estar próxima do valor populacional, enquanto outra pode estar mais distante.
Elas são úteis porque ajudam a responder a perguntas como:
- Quanto as médias amostrais devem variar de uma amostra para outra?
- Quanto as proporções amostrais devem variar de uma pesquisa para outra?
- O que acontece com a variabilidade amostral quando o tamanho da amostra aumenta?
- Quando uma aproximação normal é um modelo razoável para estatísticas amostrais?
- Por que o erro padrão é menor para amostras maiores?
Uma distribuição amostral também ajuda a separar duas ideias diferentes: a variabilidade dos valores individuais da população e a variabilidade das estatísticas amostrais. Uma população pode ser muito dispersa, enquanto a média amostral de uma amostra razoavelmente grande pode variar bem menos.
Termos importantes
- População: O grupo completo ou processo que está sendo estudado.
- Amostra: Um subconjunto de observações extraídas da população.
- Estatística: Um número calculado a partir de uma amostra, como uma média amostral ou uma proporção amostral.
- Parâmetro: Um número que descreve a população, como a média populacional \(\mu\), o desvio padrão populacional \(\sigma\) ou a proporção populacional \(p\).
- Distribuição amostral: A distribuição de uma estatística em amostras repetidas do mesmo tamanho.
- Erro padrão: O desvio padrão de uma distribuição amostral. Ele descreve a variabilidade amostral típica de uma estatística.
- Média amostral: A média dos valores de uma amostra, geralmente escrita como \(\bar{x}\).
- Proporção amostral: A fração de observações de uma amostra que apresenta um determinado resultado, geralmente escrita como \(\hat{p}\).
- Variável de Bernoulli: Uma variável 0/1 em que 1 representa sucesso e 0 representa fracasso.
- Teorema central do limite: Um resultado que explica por que as médias amostrais e muitas proporções amostrais, sob condições adequadas, tornam-se aproximadamente normais à medida que o tamanho da amostra aumenta.
Como funcionam as distribuições amostrais, o erro padrão e o teorema central do limite
O processo básico é simples:
- Extraia uma amostra de tamanho \(n\).
- Calcule uma estatística, como a média ou a proporção.
- Repita o processo de amostragem muitas vezes.
- Faça um gráfico ou resuma os valores repetidos da estatística.
Os valores repetidos da estatística geralmente se concentram em torno do valor populacional que estimam. Para médias amostrais, o centro fica próximo da média populacional. Para proporções amostrais, o centro fica próximo da proporção populacional. A dispersão da distribuição amostral é chamada de erro padrão.
Para uma média amostral, quando o desvio padrão populacional é \(\sigma\), o erro padrão teórico é:
$$
SE_{\bar{x}} = \frac{\sigma}{\sqrt{n}}
$$
Em que:
- \(SE_{\bar{x}}\) é o erro padrão da média amostral.
- \(\sigma\) é o desvio padrão populacional.
- \(n\) é o tamanho da amostra.
Para uma proporção amostral obtida de dados Bernoulli 0/1, o erro padrão teórico é:
$$
SE_{\hat{p}} = \sqrt{\frac{p(1 - p)}{n}}
$$
Em que:
- \(SE_{\hat{p}}\) é o erro padrão da proporção amostral.
- \(p\) é a proporção populacional ou probabilidade de sucesso.
- \(n\) é o tamanho da amostra.
As duas fórmulas mostram o mesmo padrão importante: aumentar \(n\) reduz o erro padrão. A redução não é proporcional, porque o tamanho da amostra aparece dentro de uma raiz quadrada. Para reduzir o erro padrão pela metade, o tamanho da amostra precisa ser aproximadamente quatro vezes maior, supondo que a dispersão ou a proporção populacional permaneça a mesma.
O teorema central do limite explica o formato de muitas distribuições amostrais. Quando as observações são independentes e o tamanho da amostra é grande o suficiente, a distribuição amostral da média amostral tende a se tornar aproximadamente normal, mesmo que a população original não seja normal. A aproximação pode ser menos confiável para amostras muito pequenas, populações muito assimétricas ou populações com valores atípicos extremos. Para proporções, a aproximação também depende de haver sucessos e fracassos esperados em quantidade suficiente.
Exemplos de distribuições amostrais na prática
Exemplo 1: erro padrão de uma média amostral
Suponha que uma população tenha média \(50\) e desvio padrão populacional \(12\). Se forem extraídas amostras repetidas de tamanho \(36\), o erro padrão da média amostral será:
$$
SE_{\bar{x}} = \frac{12}{\sqrt{36}}
$$
Como \(\sqrt{36} = 6\):
$$
SE_{\bar{x}} = \frac{12}{6} = 2
$$
Isso significa que as médias amostrais normalmente variariam em torno da média populacional com um desvio padrão de aproximadamente \(2\). Isso não significa que os valores individuais variem apenas \(2\); os valores individuais da população ainda têm um desvio padrão de \(12\).
Exemplo 2: erro padrão de uma proporção amostral
Suponha que a verdadeira proporção populacional seja \(p = 0.35\) e que cada amostra tenha tamanho \(100\). O erro padrão da proporção amostral será:
$$
SE_{\hat{p}} = \sqrt{\frac{0.35(1 - 0.35)}{100}}
$$
$$
SE_{\hat{p}} = \sqrt{\frac{0.35 \times 0.65}{100}}
$$
$$
SE_{\hat{p}} = \sqrt{0.002275} \approx 0.0477
$$
Assim, as proporções amostrais tenderiam a variar em torno de \(0.35\) com um erro padrão de aproximadamente \(0.0477\). Se o tamanho da amostra aumentasse para \(200\), o erro padrão passaria a ser:
$$
SE_{\hat{p}} = \sqrt{\frac{0.35(1 - 0.35)}{200}} \approx 0.0337
$$
A amostra maior produz uma distribuição amostral mais concentrada.
Exemplo 3: uma amostra pequena de uma população assimétrica
Uma população assimétrica pode produzir uma distribuição amostral que ainda pareça assimétrica quando o tamanho da amostra é pequeno. Se amostras de tamanho \(5\) forem extraídas repetidamente de uma população fortemente assimétrica à direita, algumas médias amostrais podem ser deslocadas para cima por valores excepcionalmente grandes.
À medida que \(n\) aumenta, a distribuição amostral da média geralmente se torna mais parecida com um sino e mais concentrada em torno da média populacional. No entanto, \(n = 30\) é apenas uma regra prática aproximada usada em contextos introdutórios, não uma garantia. Assimetria acentuada, valores atípicos ou dependência entre as observações podem exigir amostras maiores antes que uma aproximação normal seja útil.
Como interpretar o resultado
O erro padrão teórico é a dispersão esperada da distribuição amostral, determinada pela fórmula. Um erro padrão menor significa que a estatística amostral tende a variar menos de uma amostra para outra. Um erro padrão maior significa que a estatística amostral é mais variável.
Os valores teóricos vêm do modelo matemático selecionado, portanto alterar apenas a semente aleatória ou o número de repetições não os modifica. Esses controles afetam somente a amostra de Monte Carlo, o histograma simulado e os resumos simulados.
O desvio padrão simulado é a dispersão observada das estatísticas amostrais simuladas. Com muitas amostras repetidas, o desvio padrão simulado geralmente deve ficar próximo do erro padrão teórico, mas não precisa coincidir exatamente com ele. A aleatoriedade da simulação, o tamanho da amostra e o formato da população podem afetar essa correspondência.
A média simulada das estatísticas amostrais normalmente deve ficar próxima da média populacional ou da proporção populacional. Pequenas diferenças são esperadas porque uma simulação usa um número finito de amostras repetidas.
Para médias amostrais, a curva normal usa a mesma escala de densidade do histograma. Ela é exata para a população normal ideal e, nos demais casos, serve como referência do TCL. Para proporções de Bernoulli, o gráfico compara as massas de probabilidade simuladas com a distribuição binomial exata e mostra uma referência normal com correção de continuidade somente quando as condições de sucessos esperados e fracassos esperados são atendidas.
Para proporções, os resultados são mostrados como decimais, não como porcentagens. Uma proporção de \(0.35\) significa \(35\%\), e um erro padrão de \(0.0477\) corresponde a aproximadamente \(4.77\) pontos percentuais.
Erros comuns e equívocos
- Confundir desvio padrão populacional com erro padrão: O desvio padrão populacional descreve a dispersão dos valores individuais. O erro padrão descreve a dispersão das estatísticas amostrais.
- Achar que amostras repetidas alteram o erro padrão teórico: Mais repetições da simulação tornam o histograma mais estável, mas não alteram o erro padrão teórico para uma população e um tamanho de amostra fixos.
- Inserir porcentagens em vez de probabilidades decimais: Uma probabilidade de Bernoulli deve ser inserida como decimal, por exemplo \(0.35\), e não \(35\).
- Tratar a sobreposição normal como exata: A curva normal é um recurso de aproximação. Ela pode ser inadequada para amostras pequenas, distribuições muito assimétricas ou proporções próximas de 0 ou 1.
- Supor que \(n = 30\) seja uma regra universal: Um tamanho de amostra igual a 30 é uma regra prática comum em muitos exemplos introdutórios, mas o tamanho necessário depende do formato da população e da estatística.
- Esquecer que as amostras são extraídas com reposição: A amostragem com reposição não usa uma correção para população finita.
- Esperar o modo de proporção para dados não Bernoulli: Uma proporção amostral se baseia naturalmente em resultados 0/1, portanto o modo de proporção usa uma população de Bernoulli.
- Arredondar cedo demais: Arredondar valores intermediários pode tornar o erro padrão final ligeiramente diferente. Mantenha várias casas decimais durante os cálculos.
Quando usar distribuições amostrais
Use distribuições amostrais quando quiser entender como uma estatística se comporta em amostras repetidas. Elas são especialmente úteis para:
- Aprender por que as estimativas amostrais variam.
- Comparar a dispersão de médias amostrais e proporções amostrais.
- Perceber por que amostras maiores geralmente produzem estimativas mais precisas.
- Entender o erro padrão por trás de intervalos de confiança e testes de hipóteses.
- Explorar quando uma aproximação normal é razoável.
- Ensinar ou estudar o teorema central do limite por meio de simulação.
As distribuições amostrais também são úteis em pesquisas reais, mas a análise de dados reais exige atenção cuidadosa ao delineamento do estudo, à independência, à qualidade das medições e ao fato de a amostra representar ou não a população de interesse.
Limitações e pontos importantes
Esta calculadora extrai amostras diretamente de modelos matemáticos de população incorporados. As médias, os desvios padrão e os erros padrão teóricos vêm dos parâmetros desses modelos; a visualização independente da população é usada apenas para fins visuais. A calculadora não analisa conjuntos de dados informados pelo usuário, dados enviados ou distribuições personalizadas.
As amostras são extraídas com reposição. Isso significa que cada extração é feita como se a população fosse reposta antes da próxima extração. A amostragem sem reposição e a correção para população finita não estão incluídas.
Apenas a média amostral e a proporção amostral são compatíveis. Outras estatísticas, como mediana, variância, desvio padrão, quantis ou estatísticas personalizadas, não são calculadas.
O tamanho da amostra está limitado a inteiros de \(1\) a \(200\). O número de amostras repetidas está limitado a inteiros de \(100\) a \(20{,}000\). Entradas fracionárias, em branco ou fora do intervalo produzem erros de validação, em vez de serem truncadas ou limitadas aos extremos. São aceitas probabilidades de Bernoulli de \(0\) a \(1\), incluindo distribuições degeneradas nos extremos.
A maioria dos resultados numéricos exibidos é arredondada para um número limitado de casas decimais. O erro padrão teórico, os valores de resumo e os valores da tabela são exibidos com até oito casas decimais, enquanto o centro da população é exibido com até cinco casas decimais.
Os gráficos são ferramentas educacionais. O gráfico de proporções inclui uma referência binomial exata, enquanto as sobreposições da média amostral não normal continuam sendo referências do TCL. A calculadora não fornece intervalos de confiança, testes de hipóteses, valores de p nem aconselhamento estatístico profissional. Para decisões importantes, verifique as suposições de forma independente e consulte um profissional qualificado quando necessário.
Como usar esta calculadora
- Escolha a distribuição populacional que deseja simular.
- Escolha se deseja estudar a média amostral ou a proporção amostral.
- Para uma simulação de Bernoulli ou de proporção, insira a probabilidade \(p\) como um decimal entre \(0\) e \(1\).
- Insira o tamanho da amostra \(n\).
- Insira o número de amostras repetidas.
- Opcionalmente, altere a semente aleatória para reproduzir a mesma simulação ou gerar outra.
- Execute a simulação ou atualize as entradas para renderizar o resultado novamente.
- Compare o desvio padrão simulado com o erro padrão teórico.
- Use o gráfico para comparar a visualização da população, a amostra mais recente, a distribuição amostral simulada e a referência teórica na escala correta.
Perguntas frequentes
Qual é a diferença entre uma distribuição populacional e uma distribuição amostral?
Uma distribuição populacional mostra os valores das observações individuais da população. Uma distribuição amostral mostra os valores de uma estatística, como uma média amostral ou uma proporção amostral, em amostras repetidas. A distribuição amostral geralmente é mais estreita que a distribuição populacional para médias amostrais, porque calcular médias reduz a variabilidade.
O que significa erro padrão?
O erro padrão é o desvio padrão de uma distribuição amostral. Ele descreve quanto uma estatística amostral tende a variar de uma amostra para outra. Um erro padrão menor significa que a estatística costuma ser mais estável em amostras repetidas.
Por que aumentar o tamanho da amostra reduz o erro padrão?
Para médias amostrais, o erro padrão é \(\sigma / \sqrt{n}\). Para proporções amostrais, o erro padrão é \(\sqrt{p(1-p)/n}\). Nas duas fórmulas, aumentar \(n\) aumenta o denominador, o que torna o erro padrão menor.
Aumentar o número de amostras repetidas reduz o erro padrão teórico?
Não. O erro padrão teórico depende da dispersão ou da proporção populacional e do tamanho da amostra \(n\). Aumentar o número de repetições da simulação principalmente torna o histograma simulado e o desvio padrão simulado mais estáveis.
Por que a proporção amostral está relacionada a dados Bernoulli 0/1?
Uma proporção amostral pode ser vista como a média de valores 0/1, em que 1 significa sucesso e 0 significa fracasso. Por exemplo, se 35 de 100 observações forem sucessos, a média dos valores 0/1 será \(35/100 = 0.35\), que também é a proporção amostral.
O teorema central do limite é sempre confiável para \(n \ge 30\)?
Não. \(n \ge 30\) é uma regra prática introdutória útil, mas não é uma garantia universal. A qualidade de uma aproximação normal depende do formato da população, dos valores atípicos, da independência e, para proporções, de haver sucessos e fracassos esperados em quantidade suficiente.
O que a semente aleatória faz?
A semente aleatória controla a sequência pseudoaleatória usada na simulação. Usar a mesma semente com as mesmas entradas deve reproduzir o mesmo comportamento da simulação. Alterar a semente permite ver outro conjunto possível de amostras repetidas.
Fontes e referências
Livros
- Barbara Illowsky and Susan Dean. Introductory Statistics 2e. OpenStax, 2023. Chapter 7.1, “The Central Limit Theorem for Sample Means (Averages).” OpenStax section.
- Alexander Holmes, Barbara Illowsky, and Susan Dean. Introductory Business Statistics 2e. OpenStax, 2023. Section 7.3, “The Central Limit Theorem for Proportions.” OpenStax section.
- David Diez, Mine Çetinkaya-Rundel, and Christopher Barr. OpenIntro Statistics. 4th ed., OpenIntro, 2019. Sections on the central limit theorem, sampling variability, and sample proportions. OpenIntro book page and Section 5.1 PDF.
Fontes online e educacionais
- Penn State Eberly College of Science. “4.1 - Sampling Distributions.” STAT 200, accessed July 4, 2026. Course page.