Explique o enunciado do Teorema Central do Limite com suas palavras. Depois, descreva um exemplo real de engenharia em que o TCL permite usar a distribuição normal mesmo quando a variável original não é normal (por exemplo: tempo de produção, rugosidade superficial, volume de líquidos enchidos etc.).

Passo 1

O que o exercício pede:
  1. Explicar com minhas próprias palavras o enunciado do Teorema Central do Limite (TCL).
  2. Descrever um exemplo real de engenharia em que o TCL permite usar a distribuição normal mesmo quando a variável original não é normal (dar um exemplo concreto e mostrar como aplicar).
    Informações relevantes dadas pelo enunciado: preciso explicar o enunciado e dar um exemplo aplicado (por exemplo: tempo de produção, rugosidade, volume de enchimento). Nada mais foi fornecido; vou usar um exemplo numérico típico de enchimento de garrafas para tornar tudo concreto.

Passo 2

Enunciado formal e notação (curto e direto):
Considere variáveis aleatórias independentes X_1,X_2,\dots,X_n com média \mu=\mathbb{E}[X_i] finita e variância \sigma^2=\mathrm{Var}(X_i) finita. O Teorema Central do Limite diz que a soma padronizada converge em distribuição para a normal padrão:
\frac{\sum_{i=1}^{n}X_i - n\mu}{\sigma\sqrt{n}} \xrightarrow{d} \mathcal{N}(0,1)\quad\text{quando }n\to\infty.
Equivalente, a média amostral \bar{X}_n=\dfrac{1}{n}\sum_{i=1}^n X_i satisfaz
\frac{\bar{X}_n - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} \mathcal{N}(0,1)\quad\text{quando }n\to\infty.

Passo 3

Explicando palavra a palavra (intuição passo a passo):
  • Imagine que cada X_i é uma contribuição independente (pequena “peça” do todo), com média \mu e dispersão \sigma^2.
  • Quando somamos muitas dessas contribuições, os altos e baixos individuais tendem a se cancelar: a soma fica mais concentrada em torno de n\mu.
  • A padronização (subtrair a média e dividir pelo desvio típico \sigma\sqrt{n}) é feita para comparar a soma com uma escala independente de n.
  • O TCL diz: não importa muito a forma da distribuição de cada X_i (pode ser assimétrica, discreta, etc.), desde que tenham média e variância finitas e sejam “independentes o suficiente” — a distribuição da soma padronizada se aproxima cada vez mais de uma curva em forma de sino, a normal padrão \mathcal{N}(0,1).
  • Por isso, para médias de amostras grandes usamos \bar{X}_n\approx\mathcal{N}\!\left(\mu,\dfrac{\sigma^2}{n}\right) mesmo que os X_i não sejam normais.

Passo 4

O que cada símbolo significa e por que padronizamos:
  • \mu=\mathbb{E}[X_i] é o valor médio esperado de cada observação.
  • \sigma^2=\mathrm{Var}(X_i) é a variância de cada observação; \sigma é o desvio padrão.
  • A média da soma é n\mu e a variância da soma é n\sigma^2 (isso vem da independência).
  • Ao padronizar \dfrac{\sum X_i - n\mu}{\sigma\sqrt{n}} obtemos um objeto com média 0 e variância 1, propriamente comparável com \mathcal{N}(0,1).
  • Para a média amostral, a média é \mu e a variância é \dfrac{\sigma^2}{n}; o desvio padrão da média (erro padrão) é \dfrac{\sigma}{\sqrt{n}}.

Passo 5

Condições e limites práticos — quando debo confiar no TCL:
  • Condição essencial: variáveis com variância finita. Se a distribuição tiver caudas tão pesadas que a variância é infinita (ex.: Cauchy), o TCL padrão não vale.
  • Independência (ou condições de dependência fraca, como misturas ou condições de Lindeberg) é importante; sequências fortemente dependentes precisam de cuidado.
  • Regra prática: n\ge 30 costuma ser um limite de bolso para distribuições não muito assimétricas; se a distribuição for muito enviesada ou com caudas pesadas, pode precisar de n muito maior.
  • Se tiver dúvida, use simulação (bootstrap) ou aumente n.

Passo 6

Exemplo concreto de engenharia (enchimento de garrafas) — descrição do problema:
  • Situação: uma máquina enche garrafas com volumes X_i. Os volumes individuais X_i são um pouco assimétricos (por exemplo, distribuição lognormal ou parecida), logo não normais; porém são independentes entre si e têm média \mu e variância \sigma^2 finitas.
  • Objetivo: verificar a probabilidade de que a média de um lote de n garrafas fique abaixo de um limite de controle (por exemplo, meta de enchimento).

Passo 7

Aplicação numérica passo a passo (faça igual na prova):
  1. Situação numérica escolhida: suponha que a média real por garrafa é \mu=502 mL e o desvio padrão individual é \sigma=5 mL. A distribuição individual é assimétrica (não normal), mas assumimos independência. Pegamos n=25 garrafas e usamos a média amostral \bar{X}.
  2. Pelo TCL, para n=25 podemos aproximar
\bar{X}\approx \mathcal{N}\!\left(\mu,\dfrac{\sigma^2}{n}\right)=\mathcal{N}\!\left(502,\dfrac{5^2}{25}\right)=\mathcal{N}(502,1^2).
  1. Queremos a probabilidade da média ser menor que 500 mL:
P(\bar{X}<500)\approx P\!\left(Z<\frac{500-502}{1}\right)=P(Z<-2),
onde Z\sim\mathcal{N}(0,1).
4) Usando tabela da normal padrão, P(Z<-2)=\Phi(-2)\approx 0,0228. Em notação com vírgula: P(\bar{X}<500)\approx 0,0228 (ou 2,28\%).
5) Interpretação: mesmo que cada garrafa individual seja assimétrica, a média de 25 garrafas já é próxima de normal e podemos usar essa probabilidade para decidir se o processo está sob controle.

Passo 8

Comentários práticos e variações (dicas de prova e engenharia):
  • Fórmulas que você deve decorar para usar rápido: \mathbb{E}[\bar{X}_n]=\mu,\qquad \mathrm{Var}(\bar{X}_n)=\frac{\sigma^2}{n},\qquad \text{erro padrão}=\frac{\sigma}{\sqrt{n}}.ãPara testar P(\bar{X}_n\le a): calcule z=\dfrac{a-\mu}{\sigma/\sqrt{n}} e use a tabela da normal padrão.
  • Se \sigma for desconhecido, para amostras pequenas use a distribuição t de Student; para amostras grandes a substituição de \sigma por s (desvio amostral) ainda funciona pela aproximação normal.
  • Se houver forte dependência entre observações (por exemplo, processos com autocorrelação), o TCL clássico não o justifica — aí precisa modelar a dependência ou usar amostras espaçadas.
  • Se houver suspeita de caudas muito pesadas (variância possivelmente infinita), não confie no TCL; use métodos robustos ou bootstrap.

Passo 9

Resumo motivador (um empurrãozinho final):
  • Pense no TCL como a “mágica da média”: muitos erros pequenos e independentes somados viram um sino. Para provas: identifique média, variância, calcule erro padrão, padronize, consulte a tabela normal — e pronto, você tem probabilidade mesmo sem saber a forma original da distribuição.

Resposta

O Teorema Central do Limite afirma que, para variáveis independentes com média \mu e variância finita \sigma^2, a soma padronizada converge em distribuição para a normal padrão:
\frac{\sum_{i=1}^{n}X_i - n\mu}{\sigma\sqrt{n}} \xrightarrow{d} \mathcal{N}(0,1),
ou equivalentemente \dfrac{\bar{X}_n-\mu}{\sigma/\sqrt{n}}\xrightarrow{d}\mathcal{N}(0,1).
Exemplo de engenharia (enchimento de garrafas): se volumes individuais são assimétricos mas independentes com \mu=502 mL e \sigma=5 mL, para n=25 temos \bar{X}\approx\mathcal{N}(502,1^2); a probabilidade da média do lote ser menor que 500 mL é P(\bar{X}<500)=\Phi(-2)\approx 0,0228.

Exercícios relacionados