Teorema do Limite Central

Aumentando o tamanho da amostra observamos que o seu resultado tende ao valor da

média populacional em probabilidade. Isso é o que diz a Lei dos Grandes Números. O
valor Snn tende a concentrar-se em torno da média populacional µ, por outro lado, quando
recolhemos amostras sequenciadas de uma distribuição qualquer, podemos nos perguntar
para qual possı́vel forma distributiva os dados convergirão. Essa questão é a base do
Teorema do Limite Central.

Teorema TLC
Definition 1 Def. A soma parcial normalizada converge em distribuição para a distri-
buição normal-padrão N(0, 1)
Sn −E(Sn )
√
V arSn
→ N(0, 1)

Prova.
Função Caracterı́stica:ϕY (t) = E(eity )
Sn − E(Sn )
Variável Aleatória: Y = √
V arSn
p √
Condições: µ = 0 e V ar(Sn) = nσ
De fato,
v ! v
n
u n 2 2 n
u uX
p u X X
V ar(Sn) = var
t αi X i = t αi σi + 2 αi αi · COV (Xi , Xj )
i i i<j

se, e somente se
COV (Xi , Xj ) = 0, α=1
o que significa que não deve existir covariânica entre as variáveis aleatórias Xi por serem
independentes entre si. A soma da variância, neste caso, pode ser expressa por
v !
n
√
u
p u X √
V ar(Sn) = tvar Xi = nσ 2 = nσ 2
i
 
Neste caso, devemos reescrever a função caracterı́stica ϕn √t
nσ

ϕ S√n −E(Sn) (t) = ϕ √Sn (t)

V arSn 2
nσ Sn   
it √

iS t
n √nσ
 t
ϕ √Sn (t) = E e nσ 2
=E e = ϕ Sn √
nσ 2 nσ
  n    
t Y t t
ϕ Sn √ = ϕ √ = ϕn √ (1)
nσ i=1
nσ nσ
Expandindo a função encontrada em séries de Taylor, obtemos:

′ ′′ t2
ϕ(t) = ϕ(0) + ϕ(0) · t + ϕ(Θ(t)) ·
2
com
′′ ′′
lim ϕ(Θ(t)) → ϕ(0) desde que |Θ(t)| < 1
n→∞

Observe que a segunda derivada no ponto t = 0 não está incluı́da na soma

t2 2 2
 
′ ′′ ′′ t ′′ t
ϕ(t) = ϕ(0) + ϕ(0) · t + ϕ(Θ(t)) · + ϕ(0) − ϕ(0)
2 2 2
2 2 2
 
′ ′′ t ′′ t ′′ t
ϕ(t) = ϕ(0) + ϕ(0) · t + ϕ(0) · + ϕ(Θ(t)) − ϕ(0) (2)
2 2 2
As derivadas da função caracaterı́stica são

ϕ(0) = 1
′
ϕ(0) = iµ = 0
′′
ϕ(0) = i2 E(X 2 ) = −σ 2

Substituindo-os em (2),

t2 2 2
 
2 ′′ t ′′ t
ϕ(t) = 1 − σ · + ϕ(Θ(t)) − ϕ(0)
2 2 2
Dada a função anterior, vamos reescever a função caracaterı́stica (1) para t → √t
nσ
fazendo t → ∞

n
t2 t2 t2
   
tn 2 ′′ ′′
ϕ √ = 1−σ · + ϕ(Θ(t)) − ϕ(0)
nσ 2nσ 2 2nσ 2 2nσ 2
n
t2 t2 t2
    
n t ′′ ′′
ϕ √ = 1− + ϕ(Θ(t)) − ϕ(0)
nσ 2n 2nσ 2 2nσ 2
Passando ao limite quando n → ∞
n
t2 t2 t2
   
n t ′′ ′′
lim ϕ √ = lim 1 − + ϕ(Θ(t)) − ϕ(0)
n→∞ nσ n→∞ 2n 2nσ 2 2nσ 2
n
t2
 
= lim 1 −
n→∞ 2n
t2
= e− 2

Ou seja  
n t t2
lim ϕ √ = e− 2
n→∞ nσ
Finalmente, função caracaterı́stica da variável aleatória Y converge em distribuição para
a distribuição normal-padrão
  
n t t2
limn→∞ ϕ √ = e− 2 = ϕZ (t)
nσ

ou, de forma mais compacta

ϕY (t) → ϕZ (t)

provamos o teorema central do limite:

Sn − E(Sn )
√ → N(0, 1)
V arSn

Resultado
Como resultado encontrado podemos simular uma distribuição inicialmente exponencial
convergindo para uma distribuição normal de probabilidade.
n=1 n=2 n=3
0.4

0.4

0.4
0.3

0.3

0.3
Density

Density

Density
0.2

0.2

0.2
0.1

0.1

0.1
0.0

0.0

0.0

0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
n=4 n=5 n=6
0.4

0.4

0.4
0.3

0.3

0.3
Density

Density

Density
0.2

0.2

0.2
0.1

0.1

0.1
0.0

0.0

0.0

0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
n=10 n=15 n=20
0.6

0.6

0.6
0.4

0.4

0.4
Density

Density

Density
0.2

0.2

0.2
0.0

0.0

0.0

0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10

Figura 1 – Teorema Central do Limite ( n é o tamanho da amostra)