Teorema Central do Limite

O Teorema Central do Limite (TCL) é um dos resultados mais importantes de toda a estatística. Ele explica por que tantos procedimentos estatísticos, testes t, intervalos de confiança, ANOVA, podem se apoiar em uma aproximação normal mesmo quando os dados originais não são normais, desde que você esteja observando uma soma ou uma média de muitas observações, e não as observações individuais em si.

O que o teorema realmente diz

Sejam \(X_1, X_2, \ldots, X_n\) variáveis aleatórias independentes e identicamente distribuídas, provenientes de qualquer população com média finita \(\mu\) e variância finita \(\sigma^2\). A própria população pode ter qualquer forma: assimétrica, bimodal, uniforme, o que for, desde que tenha média e variância finitas. Define-se a média amostral como:

\[\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i\]

Quando \(n \to \infty\):

Três afirmações distintas estão reunidas neste único teorema, e as três importam:

1. Forma: a distribuição amostral de \(\bar{X}_n\) se torna aproximadamente normal, independentemente da forma original da população.
2. Centro: ela fica centrada exatamente na média populacional \(\mu\) (sem viés).
3. Dispersão: sua dispersão diminui a uma taxa precisa e conhecida, o erro padrão \(\sigma/\sqrt{n}\), de modo que a precisão melhora proporcionalmente a \(\sqrt{n}\), não a \(n\) (quadruplicar o tamanho da amostra só reduz o erro padrão à metade).

Uma demonstração concreta: amostrando de uma população assimétrica

Para deixar a conclusão do teorema bem evidente, começamos com uma população deliberadamente no “pior caso”: a distribuição Exponencial com taxa \(1\). Ela tem média \(\mu = 1\), desvio padrão \(\sigma = 1\), e é fortemente assimétrica à direita, nada parecida com uma curva em forma de sino.

Agora extraímos repetidamente amostras de tamanho \(n\) dessa população, calculamos a média de cada amostra, e observamos a distribuição dessas médias, a distribuição amostral de \(\bar{X}_n\).

Distribuição amostral da média, n = 2, 5, 30, 100

Foram simuladas 20.000 médias amostrais replicadas para cada tamanho de amostra \(n\) a partir de uma Exponencial(taxa=1), com set.seed(123):

set.seed(123)
results <- sapply(c(2, 5, 30, 100), function(n) {
  means <- replicate(20000, mean(rexp(n, rate = 1)))
  c(mean = mean(means), sd = sd(means))
})

Tamanho da amostra \(n\)	Média de \(\bar{X}_n\) em 20.000 amostras simuladas	DP de \(\bar{X}_n\) (simulado)	EP teórico \(=\sigma/\sqrt{n}\)
2	1,002	0,702	0,707
5	0,993	0,445	0,447
30	1,001	0,182	0,183
100	1,000	0,0989	0,100

Duas coisas para notar. A média simulada de \(\bar{X}_n\) permanece essencialmente em \(\mu=1\) para todo \(n\) (afirmação 2, sem viés, mesmo com \(n=2\)), enquanto o DP simulado de \(\bar{X}_n\) diminui e corresponde quase exatamente à fórmula teórica \(\sigma/\sqrt{n}\) em cada um dos tamanhos (afirmação 3). O que muda com \(n\) é apenas a forma da distribuição (afirmação 1): com \(n=2\), a distribuição amostral de \(\bar{X}_2\) ainda é visivelmente assimétrica à direita, herdando a assimetria da população; com \(n=30\) já se parece bastante com uma curva simétrica em forma de sino; com \(n=100\) é praticamente indistinguível de uma normal.

Os histogramas azuis são as distribuições amostrais simuladas de \(\bar{X}_n\); a linha vermelha tracejada é a curva normal teórica \(N(\mu, \sigma^2/n)\) prevista pelo TCL. Com \(n=2\) o histograma ainda se inclina visivelmente para a direita, afastado da curva normal. Com \(n=30\) e \(n=100\), o histograma e a curva normal teórica ficam quase sobrepostos, mesmo que a população de onde vieram nunca tenha sido nem de longe normal.

Por que isso importa na prática

O TCL é a justificativa teórica por trás de uma enorme parte da estatística aplicada neste site:

• O teste z e o teste t para uma média de uma única amostra dependem da distribuição amostral de \(\bar{X}_n\) ser aproximadamente normal.
• Os intervalos de confiança para uma média são construídos diretamente a partir da aproximação normal (ou t) à distribuição amostral de \(\bar{X}_n\).
• A robustez da ANOVA a pequenos desvios de normalidade vem da mesma fonte: a estatística do teste é construída a partir de médias de grupo, e o TCL empurra essas médias em direção à normalidade mesmo quando os dados brutos não são normais.

Nenhum desses métodos exige que os dados originais sejam normais, apenas que a estatística relevante (tipicamente uma média ou uma soma) seja ela mesma aproximadamente normal, o que o TCL garante para um \(n\) suficientemente grande.

Executando a simulação em R

Isso reproduz toda a demonstração do zero: amostrar de uma população fortemente assimétrica e observar a distribuição amostral da média se estreitar e se normalizar conforme \(n\) cresce.

set.seed(123)

# População: Exponencial(taxa = 1), média = 1, dp = 1, fortemente assimétrica
hist(rexp(100000, rate = 1), breaks = 60, main = "Forma da população")

# Distribuições amostrais da média para n crescentes
for (n in c(2, 5, 30, 100)) {
  means <- replicate(20000, mean(rexp(n, rate = 1)))
  cat("n =", n,
      " média =", round(mean(means), 3),
      " dp =",    round(sd(means), 3),
      " EP teórico =", round(1/sqrt(n), 3), "\n")
}