Um engenheiro coleta dados de tempo de processamento de peças, e nota que a distribuição é assimétrica. Ainda assim, ele usa a distribuição normal para calcular probabilidades da média. Explique, com base no TCL, por que isso é aceitável (ou não), e a partir de que tamanho de amostra a aproximação costuma ser razoável.

Passo 1

O enunciado diz: um engenheiro mediu tempos de processamento das peças e viu que a distribuição dos tempos é assimétrica (isto é, “skewed”). Mesmo assim ele usa a distribuição normal para calcular probabilidades da média amostral. Precisa-se explicar, com base no Teorema Central do Limite (TCL), se isso é aceitável ou não, e indicar a partir de que tamanho de amostra a aproximação costuma ser razoável.
Informações relevantes que temos do enunciado:
  • A distribuição original dos tempos é assimétrica (não normal).
  • O engenheiro está calculando probabilidades da média amostral (ou seja, sobre \bar X).
  • Não foi dada informação sobre o tamanho da amostra nem sobre caudas pesadas ou variância infinita — portanto devemos tratar o caso “comum”: variância finita, amostras independentes.

Passo 2

Enunciado formal do TCL (versão usual, em linguagem acessível):
Considere observações \{X_1,\dots,X_n\} i.i.d. com média \mu=\mathbb{E}[X_i] e variância \sigma^2=\mathrm{Var}(X_i), ambas finitas. Defina a média amostral
\bar X_n = \frac{1}{n}\sum_{i=1}^{n} X_i.
O TCL afirma que a distribuição do valor padronizado
\frac{\sqrt{n}\,(\bar X_n-\mu)}{\sigma}
converge em distribuição para uma normal padrão N(0,1) quando n\to\infty. Em palavras: para n grande, \bar X_n é aproximadamente normal com média \mu e variância \sigma^2/n.
Explicando cada símbolo: \mu é a média verdadeira da população, \sigma^2 é a variância verdadeira, \bar X_n é a média das n observações, e “converge em distribuição” significa que as probabilidades calculadas para o padronizado se aproximam das probabilidades que teria um N(0,1).

Passo 3

Condições necessárias (em linguagem simples) e por que importam:
  • Independência (ou fraca dependência): as observações não devem estar fortemente correlacionadas; se houver dependência forte, o TCL clássico pode não valer.
  • Mesmo distribuição ou condições como Lindeberg: é suficiente que as observações tenham comportamento semelhante e que não exista uma observação com variância dominante.
  • Variância finita ( \sigma^2<\infty): se a variância for infinita (caso de algumas leis de potência pesadas), o TCL clássico não se aplica.
    Essas condições garantem que a soma (ou média) “agrega” muitos contributos pequenos e o comportamento global tende a uma forma simétrica (a normal), mesmo que cada X_i seja muito assimétrico.

Passo 4

Por que a assimetria da distribuição original não impede o uso do TCL:
O TCL diz justamente que a forma da distribuição original (simétrica ou assimétrica) se torna cada vez menos importante para a distribuição da média amostral quando n cresce — o que importa é que os termos sejam independentes (ou sob condições semelhantes) e tenham variância finita. Assimetria individual é “diluída” pela média. Logo, em princípio é aceitável usar a normal para aproximar a distribuição de \bar X_n, desde que n seja suficientemente grande e as condições acima se cumpram.

Passo 5

Qual é a velocidade dessa aproximação? (por que “suficientemente grande” é importante)
Existe um resultado quantitativo, o teorema de Berry–Esseen, que dá uma cota do erro da aproximação normal. Em linguagem simples a forma útil é:
\sup_x \left|F_n(x)-\Phi(x)\right| \le \frac{C\,\rho}{\sigma^3\sqrt{n}},
onde:
  • F_n é a função de distribuição do padronizado \frac{\sqrt{n}(\bar X_n-\mu)}{\sigma},
  • \Phi é a função de distribuição da N(0,1),
  • \rho=\mathbb{E}\big[|X_i-\mu|^3\big] é o terceiro momento absoluto (uma medida da assimetria/caudas),
  • C é uma constante universal (na prática C\approx 0{,}4 0{,}6).
    Interpretação prática: o erro da aproximação é da ordem de 1/\sqrt{n}, multiplicado por uma medida da assimetria/caudas. Quanto maior a assimetria (ou caudas mais pesadas), maior \rho e maior n será necessário para uma boa aproximação.

Passo 6

Regra prática e exemplo concreto (para você aplicar rápido na prova):
  • Regra clássica (e muito usada): n\ge 30 costuma ser suficiente para muitas distribuições moderadamente assimétricas. Isso é um “rule-of-thumb”, não um teorema.
  • Se a distribuição é muito assimétrica ou tem caudas pesadas (outliers prováveis), recomenda-se n bem maior: n\approx 50 100 ou mais.
    Exemplo concreto fácil de calcular mentalmente: para uma distribuição exponencial de média \mu (caso comum de assimetria), a assimetria populacional (skewness) é \gamma=2. A skewness da média amostral cai com n como
\text{skewness}(\bar X_n)=\frac{\gamma}{\sqrt{n}}.
Se \gamma=2, então para n=30 temos skewness \approx 2/\sqrt{30}\approx 0{,}365, já pequena; para n=100 é 0{,}2, bem próxima de simetria. Isso explica porque para exponencial a aproximação normal fica boa já entre 30 e 100.

Passo 7

O que fazer na prática (se você for o engenheiro nervoso antes da prova):
  • Se n for pequeno (por exemplo n<30) e a distribuição for claramente assimétrica, não confie cegamente na normal: use métodos não paramétricos (bootstrap), transforme os dados (log, por exemplo, se os tempos são multiplicativos), ou trabalhe com intervalos de confiança por bootstrap.
  • Se n for moderado/grande, você pode usar a normal com erro pequeno: calcular probabilidades usando \bar X_n\sim\mathcal{N}\big(\mu,\sigma^2/n\big) (no lugar de \sigma use o desvio padrão amostral s se \sigma for desconhecido). Para n grande, o uso de s em vez de \sigma não estraga a normalidade (o efeito é pequeno).
  • Se houver suspeita de variância infinita (dados de cauda muito pesada), o TCL clássico falha: aí bootstrap, transformações ou modelos robustos são necessários.

Passo 8

Resumo didático e orientação para a prova (curto, direto, o que precisa lembrar):
  • Motivo teórico: o TCL garante que a média amostral tende a uma normal independente da forma da distribuição original, desde que haja independência e variância finita.
  • Regra prática: normalmente n\ge30 é uma boa referência para distribuições moderadamente assimétricas; para assimetrias fortes ou caudas pesadas, prefira n\ge50 100 ou métodos alternativos.
  • Dica de prova: se o enunciado pede justificar o uso da normal para a média, cite o TCL e, se for relevante, mencione a dependência do erro em 1/\sqrt{n} (Berry–Esseen) e a necessidade de variância finita.

Resposta

O uso da normal para calcular probabilidades da média amostral é teoricamente justificado pelo Teorema Central do Limite: \frac{\sqrt{n}(\bar X_n-\mu)}{\sigma}\overset{d}{\to}N(0,1) quando as observações são (aprox.) independentes e têm variância finita, logo \bar X_n\approx N(\mu,\sigma^2/n) para n grande.
Como regra prática, a aproximação costuma ser razoável a partir de cerca de n\ge 30 para assimetrias moderadas; para distribuições muito assimétricas ou com caudas pesadas recomenda-se n maior (p.ex. 50 100) ou usar bootstrap/transformações quando n for pequeno ou a variância for suspeita de ser infinita.

Exercícios relacionados