Com relação às distribuições amostrais, indique se a assertiva é verdadeira ou falsa.
Caso seja falsa, justifique a razão.
O Teorema do Limite Central afirma que \bar{X}=\frac{\sum_{i=1}^{n} X_{i}}{n} aproxima-se de uma Normal quando n tende para o infinito, e a rapidez dessa convergência independe da distribuição da população da qual a amostra é retirada.
Passo 1
O enunciado dá a seguinte afirmação composta, e pede para eu dizer se é verdadeira ou falsa (e justificar se for falsa):
Afirmação A: O Teorema do Limite Central diz que \bar{X}=\frac{\sum_{i=1}^{n} X_{i}}{n} aproxima-se de uma Normal quando n\to\infty.
Afirmação B: A rapidez dessa convergência independe da distribuição da população da qual a amostra é retirada.
Informações explícitas do enunciado: a variável de interesse é a média amostral \bar{X} definida acima; fala-se do Teorema do Limite Central (CLT) e da rapidez (taxa) de convergência ao normal quando n cresce.
Passo 2
Vou lembrar exatamente o que diz o Teorema do Limite Central (forma clássica, bem usada em prova). Suponha que X_1,\dots,X_n são variáveis aleatórias independentes e identicamente distribuídas (i.i.d.) com média \mu = \mathbb{E}(X_i) finita e variância \sigma^2=\mathrm{Var}(X_i) finita e positiva. Defina a média amostral \bar{X}=\frac{1}{n}\sum_{i=1}^n X_i. O CLT afirma que, ao padronizar, temos convergência em distribuição:
\xrightarrow{d} significa “convergência em distribuição” (as funções de distribuição da variável padronizada convergem ponto a ponto para a da normal padrão),
\mu é a média da população,
\sigma^2 é a variância da população.
Explicando de modo simples: sob essas condições (i.i.d., média e variância finitas), a distribuição da média amostral fica cada vez mais parecida com uma Normal quando n cresce, depois de centrar e escalonar corretamente.
Passo 3
Verifico a Afirmação A isoladamente: ela está essencialmente correta, desde que seja entendida com as hipóteses usuais do CLT (i.i.d. e variância finita). Observações importantes (que às vezes caem na prova como pegadinhas):
Se a população é Normal, então \bar{X} é exatamente Normal para todo n: \bar{X}\sim\mathcal{N}(\mu,\sigma^2/n). Logo não é só aproximação — é igualdade exata. Isso mostra um caso extremo onde a “convergência” é imediata.
Se a variância da população é infinita (por exemplo, distribuição de Cauchy), a hipótese do CLT clássico falha e a média amostral não converge para a Normal; por exemplo, a média de amostras de uma Cauchy tem a mesma distribuição Cauchy (não se aproxima da normal). Portanto a Afirmação A precisa implicitamente das hipóteses do CLT.
Passo 4
Agora examino a Afirmação B (a parte sobre a rapidez da convergência independer da distribuição). Vou explicar por que isso é falso, com fundamento teórico.
Existe um resultado que dá uma estimativa da velocidade de convergência do CLT: o Teorema de Berry–Esseen. Em uma forma útil, se X_1,\dots,X_n são i.i.d. com média \mu, variância \sigma^2>0 e terceiro momento absoluto finito \rho=\mathbb{E}\big(|X_1-\mu|^3\big)<\infty, então, para a função de distribuição F_n da variável padronizada \sqrt{n}(\bar{X}-\mu)/\sigma e para \Phi a função de distribuição da normal padrão,
onde C é uma constante universal (estimada numericamente, por exemplo C\approx 0{,}47 numa versão conhecida). Vou explicar o que isso quer dizer:
O lado esquerdo mede a máxima diferença entre as duas distribuições (a suprema norm dos CDFs).
O termo \frac{\rho}{\sigma^{3}\sqrt{n}} mostra que a taxa de convergência é da ordem de 1/\sqrt{n} quando o terceiro momento absoluto é finito, mas o multiplicador \rho/\sigma^3 depende da distribuição original (via \rho e \sigma). Portanto a constante na frente de 1/\sqrt{n} varia com a população.
Conclusão lógica: a velocidade (constante/coeficiente) com que F_n se aproxima de \Phi depende de momentos da distribuição da população (por exemplo \rho); não é universal e, portanto, não é independente da distribuição da população.
Passo 5
Dou exemplos concretos, para fixar a intuição:
Caso Normal: se X_i\sim\mathcal{N}(\mu,\sigma^2) então \bar{X}\sim\mathcal{N}(\mu,\sigma^2/n) para todo n. A diferença entre a distribuição da média padronizada e a normal padrão é exatamente zero para todo n. Ou seja, a “rapidez” é imediata — esse é um caso extremo que já contradiz a ideia de independência da taxa (se a taxa fosse independente, não poderia haver casos com convergência perfeita já para n=1).
Caso assimétrico/heavy-tailed: se a distribuição tem grande assimetria ou caudas pesadas, a constante \rho/\sigma^3 será grande (ou \rho pode ser infinita), fazendo com que a aproximação pela normal seja mais lenta ou mesmo que o CLT clássico não se aplique (se \sigma^2=\infty). Por exemplo, para uma distribuição de Cauchy (variância infinita) a média não converge para normal nenhuma — a afirmação sobre rapidez seria impossível de manter.
Esses exemplos mostram, de forma prática, que a rapidez depende da distribuição.
Passo 6
Resumo final do raciocínio (pra prova):
O CLT (com hipóteses usuais: i.i.d., média e variância finitas) garante que a média amostral, padronizada, converge em distribuição para a normal quando n\to\infty. Essa parte é verdadeira sob as hipóteses do teorema.
Entretanto, a afirmação de que a rapidez dessa convergência independe da distribuição é falsa: o Teorema de Berry–Esseen dá uma desigualdade que mostra explicitamente que a diferença entre a CDF da média padronizada e a CDF normal é limitada por uma constante que envolve momentos da população (por exemplo o terceiro momento absoluto). Além disso, há casos (como população normal) em que a convergência é exata para todo n, e casos (como Cauchy) em que a variância é infinita e o CLT clássico nem se aplica. Logo a taxa/constante de convergência depende da distribuição.