# 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://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://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://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://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://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. - [De paleta de imagem para design tokens](https://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 Órbita de Kepler](https://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 - [Calculadora de Massa Magra](https://elysiatools.com/pt/tools/lean-body-mass-calculator): Estima a massa magra (LBM) e o percentual de gordura corporal com as fórmulas de Boer, Hume e James conforme sexo, idade, peso e altura. Boer é o padrão clínico. - [Simulador de Competição Interespecífica de Lotka–Volterra](https://elysiatools.com/pt/tools/lotka-volterra-competition): Resolve e visualiza o sistema de competição de Lotka–Volterra: dN₁/dt = r₁N₁(1−(N₁+α₁₂N₂)/K₁), dN₂/dt = r₂N₂(1−(N₂+α₂₁N₁)/K₂). Integração RK4 (6000 passos) com curvas N(t) das duas espécies e plano de fase N₁–N₂ com isoclinas de crescimento nulo e trajetória. Classifica automaticamente os quatro desfechos clássicos pela geometria das isoclinas — coexistência estável (competição interespecífica menor que a intraespecífica nos dois sentidos), exclusão de uma ou outra espécie e efeito de prioridade bistável — e informa o equilíbrio de coexistência N₁*=(K₁−α₁₂K₂)/(1−α₁₂α₂₁), N₂*=(K₂−α₂₁K₁)/(1−α₁₂α₂₁), populações finais e extinções. Suporta casos-limite (uma espécie parte de 0). ## Exemplos - [Exemplos de Processamento de Imagem Web Python](https://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://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://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://elysiatools.com/pt/samples/web-image-processing-rust): Exemplos de processamento de imagem Web Rust incluindo leitura/gravação, redimensionamento e conversão de formato ## Conteúdo relacionado - [Ferramentas de codigo de barras, QR e etiquetas](https://elysiatools.com/pt/hubs/barcode-utility): Reune em um so hub ferramentas para gerar codigos de barras, criar e decodificar QR, validar UPC/EAN, compartilhar WiFi por QR e preparar etiquetas imprimiveis. - [Ferramentas de codificacao e conversao de audio](https://elysiatools.com/pt/hubs/audio-convert): Compare conversao de formatos de audio, ajustes de bitrate, conversao de taxa de amostragem, troca de codec e exportacao em um unico hub. - [Ferramentas de conversao de formatos de imagem e exportacao animada](https://elysiatools.com/pt/hubs/image-convert): Compare conversores de imagem para JPG, PNG, GIF, AVIF, WebP, TIFF, ICO, base64 e saidas voltadas para animacao em um unico hub. - [Ferramentas de intercambio JSON e traducao de formatos](https://elysiatools.com/pt/hubs/json-convert): Compare ferramentas de conversao JSON para CSV, YAML, TOML, GraphQL, XML, Markdown, Excel, BSON, EDN e outros formatos estruturados em um unico hub.