Lei dos Grandes Números versus Teorema do Limite Central
Compare a convergência de médias amostrais com a distribuição de suas flutuações, incluindo leis fraca e forte, escala, dependência, ergodicidade e interpretação financeira
Resposta direta
A Lei dos Grandes Números diz que uma média amostral se aproxima da média populacional sob condições adequadas. O Teorema do Limite Central descreve o erro aleatório escalado em torno desse limite e frequentemente fornece uma aproximação normal. A LGN identifica para onde a média vai; o TLC descreve como ela flutua no caminho
Os teoremas respondem a perguntas diferentes
Para observações X_1,…,X_n com média μ, a média amostral é X̄_n=n^(−1)Σ_iX_i
Uma LGN pergunta se X̄_n se aproxima de μ à medida que n cresce, enquanto um TLC pergunta sobre a distribuição limite de uma diferença escalada, como √n(X̄_n−μ)
Convergir para o valor correto não fornece, por si só, uma taxa de erro, um formato, um intervalo de confiança ou uma aproximação útil para amostra finita
A lei fraca usa convergência em probabilidade
A LGN fraca afirma P(|X̄_n−μ|>ε)→0 para todo ε>0 sob suas premissas declaradas
Ela diz que a probabilidade de um erro de tamanho fixo desaparece, não que toda trajetória realizada permanecerá próxima para sempre
Para observações iid, uma esperança finita basta para uma lei fraca ampla, enquanto demonstrações simples baseadas na variância frequentemente supõem variância finita
A lei forte é uma afirmação sobre trajetórias
A LGN forte afirma X̄_n→μ quase certamente, significando que a convergência ocorre para todos os resultados fora de um único conjunto de probabilidade zero
Convergência quase certa implica convergência em probabilidade, mas o inverso não é verdadeiro sem estrutura adicional
A lei forte continua sendo assintótica e não especifica quão grande n precisa ser para uma tolerância de decisão específica
O TLC amplia o erro restante
Para variáveis iid com variância positiva finita σ², √n(X̄_n−μ)/σ converge em distribuição para N(0,1)
O fator √n impede que o erro decrescente colapse para zero e revela sua forma limite não degenerada
A LGN pode valer quando o TLC clássico falha, inclusive em contextos de cauda pesada nos quais a média existe, mas a variância não
Dependência exige mais do que uma história longa
Processos estacionários ergódicos podem satisfazer uma LGN, enquanto um TLC também precisa de controle suficiente da dependência e das flutuações
Séries financeiras podem mudar média, variância, exposição, liquidez e regime, portanto um único registro longo não precisa se comportar como sorteios repetidos de uma lei
Mais observações do mesmo agrupamento de crise ou regime defasado podem acrescentar menos informação efetiva do que sua contagem de linhas sugere
Diversificação usa uma lógica relacionada, mas separada
O choque idiossincrático médio pode se estabilizar entre muitas posições suficientemente pouco dependentes, refletindo um efeito semelhante ao da LGN
Fatores comuns, dependência de cauda, pesos concentrados e inadimplências correlacionadas não desaparecem apenas porque a carteira possui muitos ativos
Da mesma forma, um retorno médio longo não garante revelar um retorno esperado permanente quando o próprio conjunto de oportunidades muda
Inferência prática precisa das duas diagnósticas
Faça gráficos das médias acumuladas e das estimativas de subamostras e depois examine dependência, quebras estruturais, momentos de cauda e tamanho efetivo da amostra
Use um erro padrão justificado pelo TLC relevante ou pelo esquema de reamostragem, em vez de tratar a convergência da média como uma estimativa de incerteza
Informe o estimando, as premissas de convergência, o horizonte, as bandas de erro e a sensibilidade a janelas ou regimes antes de invocar qualquer teorema
Perguntas frequentes
Qual é a principal diferença entre a LGN e o TLC?
A LGN trata da convergência de uma média a um alvo; o TLC trata da distribuição escalada dos desvios em torno desse alvo
A Lei dos Grandes Números exige dados normais?
Não. Ela se aplica muito além das distribuições normais sob suas condições de momentos e dependência
A LGN pode valer quando o TLC falha?
Sim. Uma média finita pode permitir a convergência da média mesmo quando a variância infinita impede o TLC normal clássico
Mais dados financeiros sempre tornam uma estimativa confiável?
Não. Dependência, mudança de regime, qualidade dos dados e um alvo instável podem manter a informação efetiva muito menor do que a contagem de observações