Um pesquisador possui uma amostra de apenas
observações de uma população com forte assimetria à direita. Ele pretende construir um intervalo de confiança para a média utilizando a distribuição
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
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
de Student (isto é, usar o intervalo baseado na média amostral e no -quantil). - Perguntas que preciso responder:
- Essa decisão é correta (ou seja, é apropriado usar o intervalo
com e forte assimetria)? - O Teorema Central do Limite (TCL) protege o pesquisador nesse caso? Justificar as respostas.
- Essa decisão é correta (ou seja, é apropriado usar o intervalo
Passo 2
O que é o intervalo
para a média e que hipóteses ele pressupõe (explicação passo a passo).
- Fórmula típica do intervalo
(nível de confiança ):
Expliquei cada símbolo:
-
é a média amostral: . -
é o desvio-padrão amostral (estimador de ): . -
é o quantil da distribuição com graus de liberdade (valor crítico). -
é o erro padrão da média amostral (estimado). -
Pressupostos (o que precisa ser razoavelmente verdade para o intervalo funcionar bem):
- Observações independentes.
- A distribuição dos
é aproximadamente normal, ou então é grande o suficiente para que a distribuição de seja aproximadamente normal (situação onde o uso do fica justificado na prática). - O uso do quantil
incorpora a incerteza do 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 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
i.i.d. com média e variância finita , a média amostral padronizada
converge em distribuição para uma Normal padrão
quando
.
-
O ponto crucial: o TCL é um resultado assintótico — ele diz o que acontece quando
fica muito grande. Não diz como de perto a distribuição de se aproxima da normal para um específico, como . -
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
para pequenos 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 e a normal padrão é da ordem de , multiplicado por um fator que depende do terceiro momento absoluto (que aumenta com a assimetria). Isso significa que, para populações muito assimétricas, pode ser necessário um bem maior do que para a aproximação normal ser aceitável.
Passo 4
Aplicando o raciocínio ao caso prático
e forte assimetria à direita — por que o
provavelmente falha.
-
Com
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 : - O erro padrão estimado
pode não refletir corretamente a distribuição real de , porque é instável com poucas observações e com amostras vindas de uma população assimétrica. - O uso do quantil simétrico
constrói um intervalo simétrico em torno de . Se a distribuição de 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.
- O erro padrão estimado
-
Regra prática comum (heurística): quando a distribuição é próxima da normal, o
funciona bem mesmo com pequeno. Quando há assimetria moderada a forte, costuma-se exigir da ordem de a (ou mais) para que o TCL torne a aproximação aceitável — com “forte” assimetria pode pedir muito maior. Logo, 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
exponenciais tem distribuição Gamma com assimetria (skewness) igual a . Assim: - Para
a assimetria da soma (e da média) é — ainda uma assimetria visível. - Em simulações conhecidas, para expoencial e
entre e os intervalos têm cobertura sensivelmente abaixo do nominal, mostrando que o TCL não “salva” a situação quando é pequeno e a assimetria é forte.
- Para
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
para a média quando e a distribuição é fortemente assimétrica. -
Alternativas viáveis:
- 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:
- A partir da amostra original (tamanho
), tirar reamostras com reposição (por exemplo ). - Em cada reamostra calcular a média
, . - Ordenar as
e tomar os quantis e para formar um intervalo de confiança.
- A partir da amostra original (tamanho
- 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).
- 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).
- Se possível: aumentar o tamanho amostral
(a solução mais simples, embora nem sempre prática).
- Bootstrap (recomendado na prática):
Passo 7
Resumo pedagógico final (para levar para prova): como decidir rapidamente se usa
.
- Verifique duas coisas simples:
-
grande? Se é pequeno (por exemplo , e especialmente ), fique desconfiado. - A distribuição aparenta ser simétrica / sem caudas muito pesadas? Se houver forte assimetria,
não é uma boa escolha para pequenos .
-
- Se ambos falham (ou seja,
pequeno e forte assimetria), prefira bootstrap ou transformação, ou informe explicitamente que o intervalo pode ser enganador.
Resposta
Não. Usar o intervalo baseado na distribuição
com
e forte assimetria à direita não é aconselhável porque o procedimento pressupõe normalidade (ou
grande) e com
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 ) e, para distribuições fortemente assimétricas,
é geralmente insuficiente para que a distribuição de
seja bem aproximada por uma normal. Recomenda-se usar bootstrap, transformação adequada, estimadores robustos ou aumentar
.
Não. O Teorema Central do Limite não “protege” nesse caso prático: o TCL é assintótico (valido quando