Teorema Central Do Limite

Por que seu test-hípotese não está funcionando (e a culpa não é da sua conta)

Você coleta dados, vê uma distribuição que não parece nada normal, e mesmo assim decide fazer um teste t de Student como se nada tivesse acontecido. Isso funciona na maior parte das vezes, mas entender por que funciona é o que separa quem faz análise estatística por instinto de quem sabe o que está fazendo. O teorema central do limite diz que, à medida que você aumenta o tamanho da amostra, a distribuição das médias amostrais converge para uma normal — independentemente da forma da população original. Isso significa que você pode ter dados exponenciais, lognormais, uniformes ou qualquer coisa, mas se pegar abbastanza médias de amostras grandes, essas médias vão se comportar como uma gaussiana.

Entendendo o teorema central do limite na prática

O detalhe que ninguém enfatiza direito é que "grande" não é um número fixo. Para distribuições razoavelmente simétricas, n=30 já faz o trabalho. Para distribuições com caudas pesadas ou viés extremo, você pode precisar de n=100 ou mais. Eu trabalei em um projeto de controle de qualidade onde a variável era tempo até falha de um componente eletrônico — distribuição claramente exponencial com cauda direita muito pesada. Apliquei o TCL com n=30 e os intervalos de confiança ficaram completamente distorcidos. A correção foi usar bootstrap para construir os IC empiricamente, o que me deu resultados consistentes em cerca de 5 minutos de processamento. A forma funcional básica é simples: se X, X, ..., X são variáveis aleatórias independentes e identicamente distribuídas com média e variância ² finita, então a estatística Z = (X - ) / (/n) converge em distribuição para N(0,1) quando n tende ao infinito. O desvio padrão da distribuição amostral das médias — o erro padrão — é dividido pela raiz quadrada de n. Esse fator de redução é exatamente o que torna possível fazer inferência com amostras razoavelmente pequenas. Muita gente para por aí. Mas tem duas armadilhas que vejo repetidamente no dia a dia.

A primeira é a suposição de independência. O teorema exige que as observações sejam independentes. Em séries temporais, dados espaciais ou qualquer situação com autocorrelação, o TCL padrão não se aplica diretamente. Se você tem autocorrelação positiva, o erro padrão real é maior do que /n, e os intervalos de confiança ficam mais estreitos do que deveriam, levando a falsos positivos. A correção passa por estimar o efeito da correlação — seja usando a variância longa-run de Newey-West, seja dividindo a amostra em blocos e aplicando block bootstrap. A segunda é a variância infinita. O teorema exige variância finita. Distribuições como a de Cauchy não têm média nem variância definidas, e o TCL simplesmente não se aplica. Você pode coletar mil amostras e as médias não vão convergir para nenhuma normal. Isso acontece mais do que se imagina em dados financeiros com movimentos extremos, onde a cauda pesada chega a ponto de fazer a variância amostral instável mesmo com n grande. O que resolve na prática é reconhecer quando as premissas estão sendo violadas e ter alternativas na manga. Quando a independência é questionável, modelo mixto ou GEE costumam ser mais seguros do que insistir em tratamento clássico. Quando a distribuição é extremamente assimétrica mesmo com n moderado, transformação (log, Box-Cox) ou métodos não-paramétricos resolvem melhor do que forçar uma aproximação normal. E quando tudo mais falha, o bootstrap é amplamente válido e roda em qualquer estação de trabalho moderna.

No fim, o TCL é uma das ferramentas mais úteis que existem em estatística aplicada, mas ele não é uma bala de prata. Conhecer seus limites é tão importante quanto conhecer a fórmula. A maioria dos problemas que vejo em produção não vem do teorema em si, mas de aplicá-lo cegamente em dados que violam suas premissas fundamentais.