TEOREMA CENTRAL DO LIMITE (TCL)

Quando o tamanho da amostra aumenta, independentemente da sua da forma de distribuição da população, a distribuição amostral
da média amostral X́ aproxima-se cada vez mais de uma distribuição normal. Esse resultado é muito fundamental na
teoria da Inferência Estatística, é conhecido como Teorema Limite Central (TLC).

DISTRIBUIÇÃO AMOSTRAL DA MEDIA

Considere uma variável de uma população finita ( X ) , com media μ= E ( X ) e a variância Var ( X )=σ 2=E ( X −μ )2 . Tomada uma
amostra aleatória simples de n elementos dessa variável. Calcula-se a media amostral

1
X́ = X
n∑ i

Podem ser extraídas da população muitas amostras de tamanho n, e, cada amostra pode fornecer uma média diferente. Nestes
termos, X́ é uma variável aleatória que varia em função da amostra seleccionada.

Considerando que as observações X i da amostra são variáveis aleatórias com mesma distribuição que a da população, isto é,

E ( X 1 ) =E ( X 2 ) =E ( X 3 ) =…= E ( X n ) =E ( X )=μ

Var ( X 1 ) =Var ( X 2 )=Var ( X 3 ) =…=Var ( X n )=Var ( X )=σ 2

Neste contexto, a esperança de X́ é

1 nμ
E ( X́ ) = ∑ E ( X i )= =μ
n n

E, a variância de X́ é dada por

n
1 n σ2 σ 2
Var ( X́ ) =σ 2X = V X
∑ ( i ) n2 = n
=
n2 i=i

Por teorema central do limite, pode-se escrever duas premissas

 1. Para amostras aleatórias simples, retiradas de uma população com media μ, então a distribuição amostral da média X́
aproxima-se, para n grande (costuma-se considerar pelo menos 30 unidades), de uma distribuição normal com a mesma
média que a de população ( μ ) .
2. Para amostras aleatórias simples, retiradas de uma população com variância σ 2, então a distribuição amostral da média X́

σ2
aproxima-se, para n grande (costuma-se considerar pelo menos 30 unidades), de uma distribuição normal com a variância
n
.

A luz do teorema central do limite, fica claro que é indispensável o conhecimento da distribuição normal.

Por consequência, uma amostra aleatória simples da população com media μ e variância σ 2 finita, e X́ a media desta amostra, então

X́−μ
Z= N (0 , 1)
σ
√n
A outra consequência é que, a distribuição do erro amostral da média e= X́−μ aproxima-se a distribuição normal com media 0 e

σ2
variância , isto é,
n

e√n
N (0 , 1)
σ

Exercícios de consolidação

1. Uma v.a. X tem distribuição normal, com média 100 e desvio padrão 10
a) Qual a P ( 90< X <110 )?
b) Se X́ for a média de uma amostra de 16 elementos retirados dessa população, calcule P(90< X́ <110).
c) Que tamanho deveria ter a amostra para que P ( 90< X́ < 110 ) =95 %?

DISTRIBUIÇÃO AMOSTRAL DE UMA PROPORÇÃO

A distribuição amostral da proporção é facilmente explicada com a aproximação normal da distribuição binomial, em que a media
μ=np e a variância σ 2=p ( 1−p ) .
 p ( 1 – p)
Pelo TLC, ^p terá distribuição aproximadamente normal, com média p e variância , ou seja
n

p ( 1− p )
(
^p N p ,
n )
Em que ^p é a razão entre número de itens com a característica de interesse pelo total dos itens observados em uma amostra.

Exercícios de consolidação

1. Um procedimento de controle de qualidade foi planeado para garantir um máximo de 10% de itens defeituosos na produção.
A cada 6 horas sorteia-se uma amostra de 20 peças e, havendo mais de 15% de defeituosas, encerra-se a produção para
verificação do processo. Qual a probabilidade de uma parada desnecessária?

2. Supondo que a produção do exemplo anterior esteja sob controle, isto é, p = 10%, e que os itens sejam vendidos em caixas
com 100 unidades, qual a probabilidade de que uma caixa:
a) tenha mais do que 10% de defeituosos?
b) não tenha itens defeituosos?