O que é o teorema do limite central?

O teorema do limite central (central limit theorem) é um dos pilares da teoria de probabilidade, com importantes implicações para a estatística inferencial. Por isso, compreender esse teorema é essencial para quem trabalha com análise quantitativa de dados.

Neste post, vamos falar sobre o teorema do limite central. Primeiramente, apresentaremos os conceitos de população, de amostra e de distribuição amostral. Em seguida, definiremos o teorema do limite central. Depois disso, apresentaremos algumas demonstrações do teorema com base em diferentes distribuições. Por fim, discutiremos erros comuns sobre o tema e explicaremos para que esse teorema serve na teoria estatística.

População, amostra e distribuição amostral

Antes de falarmos do teorema do limite central, é fundamental esclarecermos alguns conceitos básicos. Caso contrário, interpretações equivocadas podem surgir com facilidade.

Em primeiro lugar, chamamos de população o conjunto completo de elementos de interesse de um pesquisador. Por exemplo, no estudo sobre comportamento eleitoral, a população consistiria em todos os eleitores regulares do Brasil. Em um estudo sobre níveis de inteligência de estudantes de graduação da Universidade X, a população seria todos os estudantes regularmente matriculados na instituição (Figura 1, painel esquerdo).

Em contraste, uma amostra corresponde a um subconjunto dessa população. Pesquisadores selecionam amostras porque, na prática, observar toda a população costuma ser inviável. Ainda assim, uma boa amostra deve representar bem as características essenciais da população. Por exemplo, podemos selecionar 30 graduandos da Universidade X a fim de compreendermos algo sobre os níveis de inteligência dos universitários como um todo (Figura 1, painel central).

No entanto, o conceito mais importante para o teorema do limite central é a distribuição amostral. Essa distribuição não descreve os dados brutos da amostra, tampouco descreve a população. Em vez disso, ela descreve uma estatística calculada a partir de muitas amostras.

Por exemplo, imagine que extraímos milhares de amostras da população de estudantes da Universidade X, cada uma com 30 observações, e calculamos a inteligência média de cada amostra. Podemos plotar um histograma com essas médias, sendo que tal distribuição é chamada de distribuição amostral da média¹ (Figura 1, painel direito).

Na Figura 1, omitimos propositalmente a distribuição amostral da média. Qual é o seu formato? Bem, é justamente sobre as características dessa distribuição que o teorema do limite central se aplica.

Qual é a definição do teorema do limite central?

De forma simples, o teorema do limite central afirma que, dada uma população com média μ e variância σ², a distribuição amostral da média (ou da soma) tende a se aproximar de uma distribuição normal à medida que o tamanho da amostra aumenta.

De maneira mais precisa, quando extraímos amostras aleatórias de uma população com variância finita, a distribuição amostral da média se aproxima de uma normal.

Além disso, essa distribuição terá média igual à média populacional e desvio-padrão igual ao desvio-padrão populacional dividido pela raiz do tamanho da amostra (erro-padrão da média).

Uma maneira útil de entender a ideia é por meio de um exemplo. Suponha que temos uma população com média e desvio-padrão conhecidos (μ = 100, σ = 15), cuja distribuição é representada no painel superior da Figura 2.²

Suponha que retiramos milhares de amostras, cada uma com n = 30, dessa população. As três primeiras delas são representadas nos painéis centrais da Figura 2. Em cada uma, computamos e guardamos a média da amostra.

Note que as amostras dos painéis centrais da Figura 2 não necessariamente são normais (em particular, as Amostra 2 e 3 não se parecem com a distribuição normal). Não obstante, a mágica acontece quando plotamos um gráfico com as médias das milhares de amostras que coletamos (Figura 2, painel inferior): essa é a nossa distribuição amostral, cujo formato se aproxima da distribuição normal. Essa imagem sumariza a ideia por trás do teorema do limite central.

Demonstrações do teorema do limite central

Você talvez pense que o exemplo anterior não é tão convincente assim. Afinal de contas, embora as amostras não tenham distribuições normais, a população da qual os dados se originam tem distribuição normal. No entanto, como veremos a seguir, o teorema se mantém mesmo em situações em que a população se afasta da distribuição normal — contanto que ela tenha média e variância finitas.

Demonstração 1: população com distribuição uniforme

Considere uma população com distribuição uniforme no intervalo 0 (inclusive) e 1 (exclusive), com μ = 0,50, σ = 0,29 (Figura 3, painel superior). Mais uma vez, amostramos 30 observações repetidamente dessa população, computamos a média de cada amostra e as armazenamos (as três primeiras são mostradas na Figura 3, painéis centrais). Claramente, as distribuições de cada amostra não são normais.

Ainda assim, o teorema do limite central se manifesta de forma importante: quando plotamos a distribuição amostral das médias, obtemos uma bela distribuição normal (Figura 3, painel inferior).

Demonstração 2: população com distribuição em U

Agora, imagine uma população com distribuição em U. Para isso, modelaremos nossa população por meio da distribuição beta, com parâmetros α = 0,50 e β = 0,50. A consequência disso é obtermos dados mais frequentes nos extremos, e menos frequentes no centro da distribuição (Figura 4, painel superior).

Quando selecionamos amostras dessa população, dados nos extremos são mais prováveis, mas eles se cancelam, e as médias giram ao redor de 0,50, como nas Amostras 1, 2 e 3 (Ms = 0,57, 0,50 e 0,51, respectivamente; Figura 4, painéis centrais).

Novamente, quando plotamos a distribuição amostral das médias, obtemos uma distribuição que se aproxima da normal (Figura 4, painel inferior). Assim, mesmo partindo de uma distribuição em formato de U, o teorema do limite central entra em ação.

Demonstração 3: população com distribuição assimétrica

Nos três exemplos anteriores (normal, uniforme e beta), as distribuições eram, pelo menos, simétricas. Mas o que acontece quando a distribuição é bastante assimétrica?

A Figura 5, painel superior, representa uma população com distribuição exponencial (λ = 2), que tem uma forte assimetria positiva, onde valores mais altos são bem menos prováveis que valores mais baixos. Quando retiramos amostras de n = 30, aquelas que, por acaso, contêm valores mais altos (e.g., Amostras 1 e 2) geram médias mais altas que aquelas que não contêm valores extremos (e.g., Amostra 3; Figura 5, painéis centrais).

Mas o que acontece com a distribuição amostral da média? Apesar da assimetria da população, a distribuição das médias amostrais tende à normalidade (ainda com uma ligeira assimetria positiva, com n = 30). Consequentemente, o teorema do limite central mostra sua força mesmo em cenários “complexos”.

Erros comuns sobre o teorema do limite central

O teorema do limite central é frequentemente mal interpretado. Um erro comum é acreditar que ele transforma qualquer distribuição de dados em normal à medida que o tamanho da amostra aumenta.

Na realidade, o teorema se aplica às distribuições amostrais de certas estatísticas (como a média ou a soma), e não à distribuição dos dados individuais da amostra.

Outro equívoco frequente é pensar que o teorema se aplica apenas à média. Na verdade, ele também se aplica à soma de variáveis aleatórias independentes. Por exemplo, se somarmos o número de cachorros-quentes consumidos por pessoas em uma festa, a distribuição dessa soma tende à normal conforme o número de participantes aumenta.

Também é comum a ideia de que existe um “número mágico” (frequentemente n ≈ 30) a partir do qual a normalidade estaria garantida (e.g., Field, 2017; Triola, 2015). No entanto, a velocidade de convergência da distribuição amostral à normal depende fortemente da forma da distribuição populacional. Distribuições altamente assimétricas exigem amostras maiores para que a aproximação normal seja adequada.

Além disso, o teorema não garante normalidade perfeita para amostras pequenas. Ele descreve um comportamento assintótico: a aproximação melhora conforme o tamanho amostral aumenta. Por exemplo, a Figura 6 mostra três distribuições amostrais das médias, baseadas em amostras de 5, 30 e 100 casos. Note que a convergência para a normal aparece com n = 100, mas ainda há alguma assimetria com valores menores.

Por fim, o teorema não se aplica a distribuições com média ou variância indefinidas, como a distribuição de Cauchy. Assim, uma condição essencial para a validade do teorema do limite central é que a população tenha média e variância finitas.

Para que serve o teorema do limite central?

O teorema do limite central desempenha um papel fundamental na teoria estatística porque descreve a forma da distribuição amostral de certas estatísticas, especialmente da média, justificando o uso da distribuição normal em diversos procedimentos de inferência estatística.

Em particular, ele afirma que, para tamanhos amostrais suficientemente grandes, a distribuição amostral da média será aproximadamente normal, independentemente da forma da distribuição populacional, desde que esta tenha média e variância finitas.

Essa distribuição amostral será centrada na verdadeira média populacional (μ) e terá variância igual a σ²/n, onde σ² é a variância da população e n é o tamanho da amostra.

Nas Figuras 2 a 7, os histogramas verdes representam distribuições amostrais das médias, caracterizadas por $\mu_{\bar x}$ e $\sigma_{\bar x}$​, isto é, a média da distribuição amostral e o erro-padrão da média. Uma consequência direta do teorema do limite central é que, conforme o tamanho amostral aumenta, o erro-padrão diminui, tornando a distribuição amostral mais concentrada em torno de μ.

Essas propriedades são essenciais para a inferência estatística, pois é a partir da forma aproximadamente normal das distribuições amostrais que construímos intervalos de confiança, realizamos testes de hipóteses e desenvolvemos métodos de estimação.

Para concluir, é importante distinguirmos esse resultado da lei dos grandes números, que afirma que, conforme o tamanho da amostra tende ao infinito, a média amostral converge para a verdadeira média populacional (μ). Ou seja, a lei dos grandes números diz respeito à convergência de um estimador; o teorema do limite central diz respeito à distribuição desse estimador.

Referências

Field, A. (2017). Discovering statistics using IBM SPSS Statistics (5^th ed.). Sage.

Howell, D. C. (2013). Statistical methods for psychology (8^th ed.). Wadsworth Cengage Learning.

Triola, M. F. (2015). Essentials of statistics (5^th ed.). Pearson.

Zhang, X., Astivia, O. L. O., Kroc, E., & Zumbo, B. D. (2023). How to think clearly about the central limit theorem. Psychological Methods, 28(6), 1427–1445. https://doi.org/10.1037/met0000448

Como citar este post

Lima, M. (2026, 16 de fevereiro). O que é o teorema do limite central? Blog Psicometria Online. https://blog.psicometriaonline.com.br/o-que-e-o-teorema-do-limite-central

1. Na prática, o conceito de distribuição amostral se aplica a qualquer estatística (e.g., média, mediana, desvio-padrão), e não apenas à média. Em todos os casos, a distribuição amostral de qualquer estatística representa a distribuição de valores que esperaríamos obter para aquela estatística sob amostragem repetida da população, calculando uma estatística para cada amostra (Howell, 2013). Neste post, focamo-nos na distribuição amostral da média para fins de simplificação. ↩︎
2. Se σ = 15, σ² = 225. No entanto, é mais fácil (e típico) expressar a dispersão dos dados por meio do desvio-padrão, pois essa medida está na mesma unidade que a variável original. ↩︎