Lei dos Grandes Números: a ideia
A Lei dos Grandes Números (LGN) diz que a média amostral \(\bar{X}_n\) se aproxima da média populacional \(\mu\) quando \(n\) cresce. Ela trata de convergência para um número, não de formato de distribuição. É a base da ideia de que mais dados geram estimativas mais estáveis.
Ao lançar um dado honesto milhares de vezes, a média das faces tende a 3,5.
LGN fraca versus forte
A lei fraca garante convergência em probabilidade: \(P(|\bar{X}_n-\mu|>\varepsilon)\to 0\) para todo \(\varepsilon>0\). A lei forte garante convergência quase certa: \(P(\lim \bar{X}_n=\mu)=1\). A forte implica a fraca, mas não o contrário. A versão via desigualdade de Chebyshev exige variância finita; as versões de Khintchine (fraca) e Kolmogorov (forte) para variáveis iid exigem apenas média finita.
Lei de Bernoulli: a frequência relativa de sucessos converge para a probabilidade \(p\).
Teorema Central do Limite
Se \(X_1,\dots,X_n\) são iid com média \(\mu\) e variância \(\sigma^2\) finita, então, para \(n\) grande, \(\bar{X}\approx N\left(\mu,\frac{\sigma^2}{n}\right)\). Isso vale qualquer que seja a forma da população. O TCL trata da distribuição da média, não do seu valor limite.
Tempos de atendimento com distribuição exponencial: a média de 50 tempos tem distribuição aproximadamente normal.
Na plataforma, cada ideia vem com uma pergunta de checagem, flashcards para revisar e questões da banca.