The Central Limit Theorem · O Teorema Central do Limite
| English | Português |
|---|---|
| Central Limit Theorem/ˈsentrəl ˈlɪmɪt ˈθɪərəm/ | Teorema do Limite Central |
| population distribution/ˌpɒpjʊˈleɪʃn ˌdɪstrɪˈbjuːʃn/ | distribuição populacional |
The most important theorem
- The Central Limit Theorem (CLT) 中心极限定理 is the engine behind most inference.
- It says: the sampling distribution of the sample mean $\bar{x}$ is approximately normal for a large sample.
- This holds no matter what the population's own shape is.
- A near-magical result — normality emerges from averaging.
O teorema mais importante
- O Teorema Central Limite (TCL) 中心极限定理 é o motor por trás da maioria das inferências.
- Ele diz: a distribuição amostral da média amostral $\bar{x}$ é aproximadamente normal para uma amostra grande.
- Isso vale independentemente da própria forma da população.
- Um resultado quase mágico — a normalidade emerge da média.
Works even for weird populations
- The population distribution 总体分布 can be skewed, bimodal, or bizarre.
- Yet the distribution of $\bar{x}$ over many samples still turns out roughly normal.
- Averaging "smooths out" the population's odd shape.
- Only a large enough sample is needed — not a normal population.
Funciona mesmo para populações estranhas
- A distribuição populacional 总体分布 pode ser assimétrica, bimodal ou bizarra.
- Yet a distribuição de $\bar{x}$ sobre muitas amostras ainda resulta aproximadamente normal.
- A "média" suaviza a forma irregular da população.
- É necessário apenas uma amostra suficientemente grande — não é exigida uma população normal.
The n ≥ 30 guideline
- A common rule of thumb: $n \ge 30$ is usually enough for the CLT to kick in.
- For a roughly symmetric population, smaller $n$ can already be fine.
- For a very skewed population, you may want $n$ even larger.
- The guideline is practical, not an exact law.
A regra n ≥ 30
- Uma regra prática comum: $n \ge 30$ geralmente é suficiente para o TCL entrar em ação.
- Para uma população aproximadamente simétrica, $n$ menor já pode ser suficiente.
- Para uma população muito assimétrica, você pode querer $n$ ainda maior.
- Esta regra é prática, não uma lei exata.
Bigger n, better normality
- The larger the sample size, the more nearly normal the sampling distribution of $\bar{x}$.
- Larger $n$ also makes the sampling distribution narrower (less spread).
- So big samples give estimates that are both more normal and more precise.
- This is why sample size matters so much in study design.
Quanto maior n, melhor a normalidade
- Quanto maior o tamanho da amostra, mais próxima de normal será a distribuição amostral de $\bar{x}$.
- $n$ maior também torna a distribuição amostral mais estreita (menos dispersa).
- Assim, grandes amostras fornecem estimativas que são tanto mais normais quanto mais precisas.
- É por isso que o tamanho da amostra é tão importante no planejamento de estudos.
The CLT is about the sampling distribution of $\bar{x}$, not the data itself. A large sample does not make the population or the raw data normal — it makes the distribution of the sample mean approximately normal. If the population is already normal, $\bar{x}$ is exactly normal for any $n$; the CLT only matters when it isn't.
O TCC é sobre a distribuição amostral de $\bar{x}$, não sobre os próprios dados. Uma amostra grande não torna a população ou os dados brutos normais — torna a distribuição da média amostral aproximadamente normal. Se a população já for normal, $\bar{x}$ é exatamente normal para qualquer $n$; o TCC só importa quando não é.
Incomes are strongly right-skewed (a few very high earners).
- One sample's incomes look skewed — the CLT says nothing about that.
- But average the incomes of $n = 50$ people, and repeat: those $\bar{x}$ values form a roughly normal distribution.
- So we can use a normal model for $\bar{x}$ even though incomes aren't normal.
Rendas são fortemente assimétricas à direita (poucos ganhos muito altos).
- As rendas de uma única amostra parecem assimétricas — o TCL não diz nada sobre isso.
- Mas tire a média das rendas de $n = 50$ pessoas e repita: esses $\bar{x}$ valores formam uma distribuição aproximadamente normal.
- Então podemos usar um modelo normal para $\bar{x}$ mesmo que as rendas não sejam normais.
The Central Limit Theorem says the sampling distribution of $\bar{x}$ is approximately normal for a large sample size, even when the population distribution isn't normal. A common guideline is $n \ge 30$; a larger sample makes the sampling distribution both more normal and narrower.
O Teorema Central do Limite diz que a distribuição amostral de $\bar{x}$ é aproximadamente normal para um tamanho de amostra grande, mesmo quando a distribuição populacional não é normal. Uma diretriz comum é $n \ge 30$; uma amostra maior torna a distribuição amostral mais normal e mais estreita.
Normality emerges from averaging · A normalidade emerge da média
For large n, x-bar is approximately normal even from a skewed population. · Para n grande, x-bar é aproximadamente normal mesmo de uma população assimétrica.
The Central Limit Theorem says that for a large sample, the sampling distribution of x-bar is... · O Teorema Central do Limite diz que, para uma amostra grande, a distribuição amostral de x-bar é...
The CLT delivers approximate normality of x-bar for large n. · O TCL entrega a normalidade aproximada de x-bar para n grande.
The CLT requires the population itself to be normal. · O TCL exige que a própria população seja normal.
It works even for skewed populations — that's the point. · Funciona mesmo para populações assimétricas — esse é o ponto.
What sample size is the common rule-of-thumb minimum for applying the CLT? · Qual tamanho de amostra é o mínimo comum recomendado para aplicar o TCL?
n ≥ 30 is the usual guideline. · n ≥ 30 é a diretriz usual.
As the sample size increases, the sampling distribution of x-bar becomes... · À medida que o tamanho da amostra aumenta, a distribuição amostral de x-bar torna-se...
Bigger n → more normal and less spread. · n maior → mais normal e menos dispersão.
The CLT makes the raw data values normal, not just the distribution of x-bar. · O TCL torna os valores dos dados brutos normais, não apenas a distribuição de x-bar.
It's about the sampling distribution of the mean, not the raw data. · Trata-se da distribuição amostral da média, não dos dados brutos.