If you're seeing this message, it means we're having trouble loading external resources on our website.

Se você está atrás de um filtro da Web, certifique-se que os domínios *.kastatic.org e *.kasandbox.org estão desbloqueados.

Conteúdo principal

Exemplo trabalhado de identificação de estudo de amostragem

Exemplo trabalhado de identificação de estudo de amostragem.

Transcrição de vídeo

RKA10 – A loja de brinquedos do Roy recebeu um carregamento de 100.000 patinhos de borracha da fábrica. A fábrica não pôde prometer que todos os patinhos estariam em perfeita forma, mas prometeu que a porcentagem de defeitos não ultrapassará 5% deles. O Roy quis ter uma estimativa da porcentagem de brinquedos defeituosos e como ele não poderia examinar todos os 100.000 patinhos, ele tomou uma amostra de 10 patinhos. Ele verificou que 10% deles estavam defeituosos. Vamos ver o que temos aqui, o Roy tem um carregamento de 100.000 patinhos de borracha. Ele quer verificar qual porcentagem deles é defeituosa. Ele não pode examinar os 100.000 patinhos, isso não é nada prático. Então ele toma uma amostra de 10 patinhos: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10. E ele verifica que 1 desses 10 está com defeito, ou seja, 10% dos 10 patinhos. Então, antes de mais nada, este é claramente um estudo de amostra. Isso porque ele está fazendo uma amostragem em cima de uma população maior para verificar quantos patinhos realmente têm defeito. A questão agora é: que tipo de conclusão ele pode tomar? Como ele identificou 10% de patinhos defeituosos na amostra, o que ele pode decidir? Ele deve levantar os braços e dizer que a fábrica não cumpriu com o prometido? Já que a fábrica prometeu que não haveria mais de 5% dos patinhos com defeito e, ao pegar 10 patinhos, 1 estava defeituoso, portanto 10% teriam defeito? Essa é uma conclusão nem um pouco razoável porque ele tomou uma amostra muito pequena. Pense a respeito disso, ele poderia ter pegado uma amostra de 5 patinhos, e imagine se 1 deles estivesse com defeito, ele deveria concluir, portanto, que 20% dos patinhos que chegaram no carregamento teriam defeito. O que ele deveria realmente fazer é pegar uma amostra maior. Sempre que tomamos uma amostra, existe a probabilidade de que a estimativa que ela permite inferir não é definitivamente próxima ou exatamente o parâmetro para toda a população. Mas, quanto maior for a sua amostra, mais próximo você pode chegar do parâmetro válido para toda a população. E neste caso, apenas 10 patinhos é realmente uma amostra muito pequena. Em vídeos futuros, vou abordar como olhar para essas probabilidades e verificar se a sua amostra parece ser suficiente. Mas neste problema, pelo que o Roy fez, me parece que 10 patinhos realmente não são suficientes para uma conclusão. Se ele tivesse tomado uma amostra de 100 patinhos ou até mais do que isso e encontrasse 10% deles com defeito isso, sim, poderia parecer menos do que simplesmente um resultado devido à sorte. Nos próximos vídeos, faremos mais exemplos. Até lá!