Um pesquisador possui uma amostra de apenas n=10 observações de uma população com forte assimetria à direita. Ele pretende construir um intervalo de confiança para a média utilizando a distribuição t de Student. Avalie se esta decisão é correta. O Teorema Central do Limite (TCL) o protege neste caso? Justifique.

Passo 1

O enunciado dá e pede o seguinte (vou listar exatamente o que foi informado e as perguntas que preciso responder):
  • Informação: a amostra tem tamanho n=10 observações.
  • Informação: a população apresenta forte assimetria à direita.
  • Decisão do pesquisador a avaliar: construir um intervalo de confiança para a média usando a distribuição t de Student (isto é, usar o intervalo baseado na média amostral e no t-quantil).
  • Perguntas que preciso responder:
    1. Essa decisão é correta (ou seja, é apropriado usar o intervalo t com n=10 e forte assimetria)?
    2. O Teorema Central do Limite (TCL) protege o pesquisador nesse caso? Justificar as respostas.

Passo 2

O que é o intervalo t para a média e que hipóteses ele pressupõe (explicação passo a passo).
  • Fórmula típica do intervalo t (nível de confiança 1-\alpha):
\bar X \pm t_{n-1,\,1-\alpha/2}\cdot\frac{s}{\sqrt{n}}.
Expliquei cada símbolo:
  • \bar X é a média amostral: \bar X = \dfrac{1}{n}\sum_{i=1}^n X_i.
  • s é o desvio-padrão amostral (estimador de \sigma): s=\sqrt{\dfrac{1}{n-1}\sum_{i=1}^n (X_i-\bar X)^2}.
  • t_{n-1,\,1-\alpha/2} é o quantil da distribuição t com n-1 graus de liberdade (valor crítico).
  • \dfrac{s}{\sqrt{n}} é o erro padrão da média amostral (estimado).
  • Pressupostos (o que precisa ser razoavelmente verdade para o intervalo funcionar bem):
    1. Observações independentes.
    2. A distribuição dos X_i é aproximadamente normal, ou então n é grande o suficiente para que a distribuição de \bar X seja aproximadamente normal (situação onde o uso do t fica justificado na prática).
    3. O uso do quantil t incorpora a incerteza do s e é projetado para funcionar bem quando a população é normal. Quando a população não é normal, o procedimento pode ser mais ou menos robusto dependendo do tamanho n e do tipo de não-normalidade (assimetria, caudas pesadas, etc.).

Passo 3

O que diz, de modo acessível, o Teorema Central do Limite (TCL) e suas limitações concretas para este caso.
  • Enunciado intuitivo do TCL: para X_1,\dots,X_n i.i.d. com média \mu e variância finita \sigma^2, a média amostral padronizada
\frac{\bar X - \mu}{\sigma/\sqrt{n}}
converge em distribuição para uma Normal padrão N(0,1) quando n\to\infty.
  • O ponto crucial: o TCL é um resultado assintótico — ele diz o que acontece quando n fica muito grande. Não diz como de perto a distribuição de \bar X se aproxima da normal para um n específico, como n=10.
  • Convergência e influência da assimetria: a velocidade de aproximação do TCL depende da “simetria” e das caudas da distribuição original. Se a população é fortemente assimétrica (assimetria à direita), a distribuição de \bar X para pequenos n conserva parte dessa assimetria e pode não ser bem aproximada por uma normal. Em termos mais técnicos, existe uma estimativa (desenvolvimento de Edgeworth / desigualdade de Berry–Esseen) que mostra que o erro entre a distribuição de \bar X e a normal padrão é da ordem de 1/\sqrt{n}, multiplicado por um fator que depende do terceiro momento absoluto \mathbb{E}|X-\mu|^3 (que aumenta com a assimetria). Isso significa que, para populações muito assimétricas, pode ser necessário um n bem maior do que 10 para a aproximação normal ser aceitável.

Passo 4

Aplicando o raciocínio ao caso prático n=10 e forte assimetria à direita — por que o t provavelmente falha.
  • Com n=10 a média amostral ainda carrega grande parte da assimetria da população se esta for fortemente enviesada para a direita. Isso causa duas consequências práticas para o intervalo t:
    1. O erro padrão estimado \dfrac{s}{\sqrt{n}} pode não refletir corretamente a distribuição real de \bar X, porque s é instável com poucas observações e com amostras vindas de uma população assimétrica.
    2. O uso do quantil simétrico t_{n-1,\,1-\alpha/2} constrói um intervalo simétrico em torno de \bar X. Se a distribuição de \bar X é assimétrica, um intervalo simétrico tende a cobrir o parâmetro com probabilidade diferente da nominal: normalmente ocorre undercoverage na cauda da direita (o intervalo é muito curto para capturar a variabilidade real), e a cobertura real do intervalo pode ficar bem menor do que o nível de confiança desejado.
  • Regra prática comum (heurística): quando a distribuição é próxima da normal, o t funciona bem mesmo com n pequeno. Quando há assimetria moderada a forte, costuma-se exigir n da ordem de 30 a 50 (ou mais) para que o TCL torne a aproximação aceitável — com “forte” assimetria pode pedir n muito maior. Logo, n=10 é geralmente insuficiente.

Passo 5

Um exemplo concreto para intuição (discutido qualitativamente): se a população fosse exponencial.
  • Para a exponencial (uma distribuição clássica com assimetria à direita), a soma de n exponenciais tem distribuição Gamma com assimetria (skewness) igual a \dfrac{2}{\sqrt{n}}. Assim:
    • Para n=10 a assimetria da soma (e da média) é \dfrac{2}{\sqrt{10}}\approx 0,63 — ainda uma assimetria visível.
    • Em simulações conhecidas, para expoencial e n entre 10 e 30 os intervalos t têm cobertura sensivelmente abaixo do nominal, mostrando que o TCL não “salva” a situação quando n é pequeno e a assimetria é forte.

Passo 6

Recomendações práticas e alternativas (como proceder na prova e no trabalho do pesquisador).
  • Conclusão prática imediata: não é recomendável confiar cegamente num intervalo t para a média quando n=10 e a distribuição é fortemente assimétrica.
  • Alternativas viáveis:
    1. Bootstrap (recomendado na prática):
      • Procedimento simples e poderoso: gerar muitas reamostragens com reposição da amostra original, calcular a média em cada reamostragem e usar os quantis empiricamente para formar um intervalo de confiança (intervalo percentil) ou usar o bootstrap‑t / BCa para corrigir vieses.
      • Vantagem: não assume normalidade e adapta-se à assimetria observada na amostra.
      • Passos básicos do bootstrap‑percentil para média:
        1. A partir da amostra original (tamanho n), tirar B reamostras com reposição (por exemplo B=5000).
        2. Em cada reamostra calcular a média \bar X^*_b, b=1,\dots,B.
        3. Ordenar as \bar X^*_b e tomar os quantis \alpha/2 e 1-\alpha/2 para formar um intervalo de confiança.
    2. Transformação (se fizer sentido): se a assimetria é multiplicativa, uma transformação logaritmica pode tornar a distribuição mais simétrica; construir intervalo para a média no espaço transformado e, se necessário, ajustar a interpretação (atenção: a média no log não é a média aritmética original).
    3. Estimadores robustos: se a média aritmética não é a melhor medida de centralidade por causa da assimetria, pode-se usar a mediana e construir um intervalo para a mediana (por métodos exatos ou bootstrap).
    4. Se possível: aumentar o tamanho amostral n (a solução mais simples, embora nem sempre prática).

Passo 7

Resumo pedagógico final (para levar para prova): como decidir rapidamente se usa t.
  • Verifique duas coisas simples:
    1. n grande? Se n é pequeno (por exemplo \le 30, e especialmente \le 10), fique desconfiado.
    2. A distribuição aparenta ser simétrica / sem caudas muito pesadas? Se houver forte assimetria, t não é uma boa escolha para pequenos n.
  • Se ambos falham (ou seja, n pequeno e forte assimetria), prefira bootstrap ou transformação, ou informe explicitamente que o intervalo t pode ser enganador.

Resposta

Não. Usar o intervalo baseado na distribuição t com n=10 e forte assimetria à direita não é aconselhável porque o procedimento pressupõe normalidade (ou n grande) e com n=10 a média amostral ainda apresenta assimetria relevante, levando a cobertura real do intervalo muito diferente da nominal.
Não. O Teorema Central do Limite não “protege” nesse caso prático: o TCL é assintótico (valido quando n\to\infty) e, para distribuições fortemente assimétricas, n=10 é geralmente insuficiente para que a distribuição de \bar X seja bem aproximada por uma normal. Recomenda-se usar bootstrap, transformação adequada, estimadores robustos ou aumentar n.

Exercícios relacionados