Como a distribuição amostral é afetada quando a distribuição não é normal

Nas estatísticas, se uma população X tem qualquer distribuição que é não normal, ou se sua distribuição é desconhecida, você não pode dizer automaticamente a distribuição das médias amostrais

tem uma distribuição normal. Mas incrivelmente, você pode usar uma distribuição normal aproximado a distribuição de

- se o tamanho da amostra é grande o suficiente. Este resultado importante é devido a que os estatísticos conhecemos e amamos como o Teorema do Limite Central.

o Teorema do limite central (abreviado CLT) Diz que se X faz não têm uma distribuição normal (ou a sua distribuição é desconhecida e, portanto, não pode ser considerado normal), a forma da distribuição de amostragem

é aproximadamente normal, desde que o tamanho da amostra, N, é grande o suficiente. Ou seja, você ter uma aproximado distribuição normal para os meios de amostras de grandes dimensões, mesmo que a distribuição dos valores originais (X) é não normal.

A maioria dos estatísticos concordam que, se n é pelo menos 30, essa aproximação será razoavelmente perto na maioria dos casos, embora diferentes formas de distribuição para X têm diferentes valores de n que são necessários. Quanto menos “em forma de sino” ou “normal procurando” a distribuição dos valores originais de X são, quanto maior for o tamanho da amostra para os meios de amostragem terá de ser. O tamanho maior da amostra (n), A mais próxima da distribuição dos meios de amostra será a uma distribuição normal.


Publicações relacionadas