# Demonstrador do Teorema do Limite Central

Veja o Teorema do Limite Central em ação: amostre de uma distribuição de origem não normal (uniforme, exponencial, Poisson ou Bernoulli), plote o histograma das médias amostrais e sobreponha a curva Normal prevista N(μ, σ²/n). Compare média e erro padrão empíricos vs teóricos e observe a convergência se intensificar conforme n cresce.

> Página canônica: https://test.elysiatools.com/pt/tools/central-limit-theorem-demonstrator

- **Categoria:** Data Visualization

- **Palavras-chave:** teorema do limite central, tlc, distribuição amostral, distribuição normal, gaussiana, estatística, probabilidade, média amostral, erro padrão, monte carlo, histograma, data science, ensino

## Visão geral

Uma ferramenta de ensino de estatística interativa para estudantes de intro / data science, instrutores de testes A/B e professores de AP Statistics:

1. **Distribuição de origem** — escolha uma população claramente não normal: Uniforme(0,1), Exponencial(λ=1), Poisson(λ=4) ou Bernoulli(p=0.3).
2. **Tamanho da amostra n** — quantos sorteios por média. Aumente para ver a distribuição estreitar (dispersão ∝ σ/√n) e assumir forma de sino.
3. **Número de amostras** — quantas médias gerar (resolução do histograma).
4. **Saída** — histograma das médias com a curva Normal teórica sobreposta, mais média e erro padrão empíricos vs teóricos e um rug plot dos dados brutos.

Usa um PRNG com semente (mulberry32), então cada execução com os mesmos parâmetros é reproduzível — ótimo para demonstrações onde todos veem a mesma imagem.

## Entradas

- **Distribuição de origem** (select)
- **Tamanho da amostra (n)** (number): Draws per sample mean. Larger n → narrower, more normal sampling distribution.
- **Número de amostras** (number): How many sample means to generate (histogram resolution).
- **Número de bins** (number): 40
- **Semente aleatória** (number): Same seed → identical results (reproducible demos).
- **Casas decimais** (number): 3

## Quando usar

- Ao lecionar ou estudar conceitos fundamentais de probabilidade e estatística, como a distribuição amostral e o erro padrão.
- Para ilustrar visualmente como o aumento do tamanho da amostra (n) estreita a dispersão dos dados e aproxima o histograma de uma curva de sino.
- Durante o planejamento de testes A/B ou análises de ciência de dados para compreender o comportamento de variáveis não normais sob amostragem repetida.

## Como funciona

- Selecione a distribuição de origem não normal (Uniforme, Exponencial, Poisson ou Bernoulli) para representar a população.
- Defina o tamanho da amostra (n) por média e o número total de repetições para gerar o conjunto de médias amostrais.
- Configure parâmetros visuais como o número de bins do histograma e insira uma semente aleatória opcional para garantir a reprodutibilidade.
- Gere o gráfico para visualizar o histograma das médias com a curva normal teórica sobreposta e compare os valores empíricos versus teóricos.

## Casos de uso

- Demonstrações visuais em tempo real para turmas de introdução à estatística e ciência de dados.
- Validação empírica do comportamento de taxas de conversão binárias (Bernoulli) sob diferentes tamanhos de amostra.
- Estudo autodidata de probabilidade para compreender a relação matemática entre o desvio padrão populacional e o erro padrão amostral.

## Perguntas frequentes

### O que é o Teorema do Limite Central?

É um teorema que afirma que a distribuição das médias amostrais se aproxima de uma distribuição normal à medida que o tamanho da amostra cresce, independentemente da distribuição da população original.

### Quais distribuições de origem posso simular nesta ferramenta?

Você pode escolher entre as distribuições Uniforme (0-1), Exponencial (λ=1), Poisson (λ=4) e Bernoulli (p=0.3).

### Para que serve a semente aleatória (seed)?

A semente garante a reprodutibilidade da simulação. Usar a mesma semente com os mesmos parâmetros gerará exatamente o mesmo gráfico e resultados estatísticos.

### Como o tamanho da amostra (n) afeta o resultado?

Quanto maior o valor de n, mais estreito será o histograma (menor erro padrão) e mais próxima a distribuição estará de uma curva normal perfeita.

### O que é exibido no resultado final?

Um histograma das médias amostrais com a curva normal teórica sobreposta, comparação de médias e erros padrões empíricos vs. teóricos, e um rug plot dos dados brutos.

## Ferramentas relacionadas

- [Avaliador de qualidade de chunks RAG](https://test.elysiatools.com/pt/tools/ai-rag-chunk-quality-scorer): Avalia esquemas candidatos de divisão em chunks RAG para um documento em quatro métricas — coerência (limites limpos de frase/parágrafo), cobertura (foco temático / concentração de termos-chave), saúde da sobreposição de contexto e consistência de tamanho — compara até três esquemas e recomenda o melhor. Heurísticas offline, sem chamadas de modelo.
- [Resolvedor de aliases de cabeçalho CSV](https://test.elysiatools.com/pt/tools/csv-header-alias-resolver): Mapeia cabeçalhos CSV bagunçados para um esquema destino limpo. Cole um CSV cuja primeira linha tenha nomes de coluna inconsistentes (Customer ID, user_id, customerId, CUST_ID…) junto ao seu esquema destino (uma coluna por linha) e um dicionário opcional "alias=alvo". Cada cabeçalho é resolvido em quatro passadas — exato, dicionário, normalizado (caso/acentos/separadores/camelCase) e distância de edição difusa — mostrado numa tabela com método e confiança, mais cobertura do destino e uma exportação CSV normalizada opcional.
- [Extrator de tokens de tema ECharts](https://test.elysiatools.com/pt/tools/echarts-theme-token-extractor): Extrai design tokens — cores, números, tamanhos de fonte e strings — de um JSON de tema ECharts e os exporta direto no seu design system. Cole um objeto de tema (o registrado e passado a echarts.init(dom, themeName)) e a ferramenta percorre cada folha, marcando cada cor (com normalização opcional nomeada/rgb → hex), número de espaçamento, tamanho de fonte e string, depois emite variáveis CSS limpas, um config theme.extend do Tailwind, tokens.json do Style Dictionary ou variáveis SCSS. Faz a ponte entre um tema de visualização ECharts e os tokens de design Figma/CSS/Tailwind sem copiar cada valor à mão.
- [Gerador de assinatura de e-mail HTML](https://test.elysiatools.com/pt/tools/email-signature-html-builder): Gera uma assinatura de e-mail HTML limpa e pronta para copiar-colar que renderiza corretamente no Gmail, Outlook e Apple Mail — com avatar/logo, ícones sociais (auto-detectados dos seus links), cor de destaque, tema claro/escuro/auto e um layout em tabela seguro para e-mail com estilos inline. Copie o HTML e cole no seu cliente de e-mail.
- [Propagador de órbita de elementos médios ao estilo ESA PB05 (Brouwer–Lyddane, J2–J6 + luni-solar)](https://test.elysiatools.com/pt/tools/esa-pb05-pce-pck-reddy-porter-keplerian-equation-averaged-element-propagator): Propaga órbitas próximas da Terra e da região GNSS com um modelo semianalítico de elementos médios na tradição Brouwer–Lyddane/PB05: deriva secular média orbital sob o campo zonal EGM96 J2–J6 (média numérica das equações de Gauss — o análogo numérico da normalização de Delaunay com as taxas fechadas J2 como contraprova integrada), reconstrução de curto período J2 de primeira ordem média↔osculante, análise de órbita congelada J3, quadrupolo luni-solar de dupla média, verificações de ressonância tesserral do traço terrestre, resolução da inclinação heliossíncrona e validação cruzada numérica RK4 dentro do relatório.
- [De paleta de imagem para design tokens](https://test.elysiatools.com/pt/tools/image-to-design-tokens): Extrai cores dominantes da imagem por k-means e exporta como variáveis CSS / SCSS / config Tailwind / tokens JSON, com nomes e escala de tons
- [Solucionador de luas galileanas, sobrevoo de Europa, estados de Cassini e ressonância de Júpiter](https://test.elysiatools.com/pt/tools/jovian-galilean-moons-europa-flyby-cassini-state-and-resonance-solver): Resolve posições dos satélites galileanos com as séries Meeus/Lieske E5, traça a libração da ressonância de Laplace, varre eventos mútuos, modela um sobrevoo estilo Europa Clipper com Δv de cônicas emendadas e resolve os estados de Cassini de Júpiter.
- [Solucionador de Órbita de Kepler](https://test.elysiatools.com/pt/tools/kepler-orbit-solver): Resolve numericamente a equação de Kepler E − e·sin(E) = M para a anomalia excêntrica E, anomalia verdadeira ν, raio orbital e velocidade relativa, com métodos de Newton/bissecção/ponto fixo, histórico de convergência e diagrama SVG

## Exemplos

- [Exemplos de Processamento de Imagem Web Python](https://test.elysiatools.com/pt/samples/web-image-processing-python): Exemplos de processamento de imagem Web Python usando PIL/Pillow incluindo leitura, salvamento, redimensionamento e conversão de formato
- [Exemplos de Processamento de Imagem Android Java](https://test.elysiatools.com/pt/samples/android-image-processing-java): Exemplos de processamento de imagem Android Java incluindo leitura/escrita, dimensionamento e conversão de formato
- [Exemplos de Processamento de Imagem Android Kotlin](https://test.elysiatools.com/pt/samples/android-image-processing-kotlin): Exemplos de processamento de imagem Android Kotlin incluindo leitura/escrita, dimensionamento e conversão de formato
- [Exemplos de Processamento de Imagem Web Rust](https://test.elysiatools.com/pt/samples/web-image-processing-rust): Exemplos de processamento de imagem Web Rust incluindo leitura/gravação, redimensionamento e conversão de formato
