Amostragem, Vieses e a Distribuição Amostral

Toda a série, até aqui, descreveu dados que tínhamos em mãos: os oito salários da equipe, as contagens de linguagem, as correlações entre colunas. O sexto artigo fechou com uma advertência que agora vira programa: tudo o que calculamos vale para a amostra observada, e todo salto dela para a população que não vemos é um salto que exige justificativa. Este artigo abre a segunda metade da série, dedicada precisamente a esse salto. A pergunta muda de o que estes dados dizem? para o que a população diz, por meio destes dados?.

A inferência estatística é a arte de falar sobre o todo tendo visto apenas uma parte, e ela só funciona sob uma condição severa: a parte precisa ser honesta. Uma amostra enviesada não fica menos errada com mais dados; ela mente com precisão crescente. Começamos, então, formalizando o que é uma amostra honesta e catalogando os vieses que a corrompem. Em seguida, construímos o objeto central da inferência, a distribuição amostral de uma estatística, e o número que a mede, o erro padrão. Fechamos com o teorema central do limite, o resultado que faz a distribuição normal emergir de médias sob condições precisas e que sustenta grande parte da estatística clássica. Mantemos o combinado: exemplos em C++23, laboratório em Python no Colab e um experimento em JavaScript.

1. Amostragem aleatória

Uma população é o conjunto completo de unidades sobre o qual queremos concluir algo: todos os desenvolvedores do Brasil, todos os visitantes possíveis de um site, todas as peças que uma fábrica produzirá. Uma amostra é o subconjunto que de fato observamos. Para uma população finita de tamanho $N$, a amostragem aleatória simples sem reposição, abreviada AAS, sorteia cada um dos $\binom{N}{n}$ subconjuntos de tamanho $n$ com a mesma probabilidade. Como consequência, cada unidade tem probabilidade de inclusão $n/N$. A recíproca não vale: probabilidades marginais iguais não bastam para caracterizar AAS, porque um desenho pode dar a cada unidade a mesma chance e ainda favorecer certas combinações. Declarar o mecanismo completo é o que permite calcular a incerteza.

Há uma distinção técnica que muda as fórmulas. Na amostragem com reposição, uma unidade sorteada volta para a população e pode ser sorteada outra vez; os sorteios são independentes e identicamente distribuídos. Na amostragem sem reposição, a unidade sorteada sai da população, de modo que os sorteios são dependentes. Quando a fração amostral $f=n/N$ é pequena, essa dependência altera pouco a precisão. Quando $f$ é relevante, ignorá-la superestima o erro padrão, pois observar uma parcela grande da população deixa menos incerteza sobre o restante. A Seção 4 quantificará essa diferença com a correção para população finita.

Quando a população tem subgrupos conhecidos e heterogêneos, a amostragem estratificada divide a população em estratos, por exemplo por senioridade ou por região, e sorteia unidades dentro de cada estrato. Se as frações de amostragem diferirem, a estimativa final precisa de pesos. Já a amostragem por conglomerados sorteia grupos naturais, como turmas ou filiais, e observa todas ou algumas unidades de cada grupo selecionado. Ela pode reduzir o custo operacional, mas costuma aumentar a variância quando pessoas do mesmo conglomerado se parecem. Estratos devem ser internamente homogêneos para ganhar precisão; conglomerados funcionam melhor quando cada grupo reproduz a diversidade da população.

Nenhum sorteio conserta uma população-alvo mal definida ou um cadastro incompleto. O quadro amostral é a lista operacional da qual se sorteia. Se ele exclui trabalhadores informais, contas recém-criadas ou residências sem telefone, há erro de cobertura. Mesmo com um quadro adequado, a recusa dos selecionados produz não resposta, e respostas inexatas produzem erro de mensuração. A aleatorização controla a parte amostral da incerteza, mas a validade do estudo também depende de cobertura, participação e medição.

1.1 Exercícios da Seção 1

1. Defina população e amostra para o problema de estimar a satisfação dos usuários de um aplicativo.

Solução:

A população é o conjunto de todos os usuários do aplicativo sobre os quais se quer concluir, por exemplo todos os usuários ativos no mês. A amostra é o subconjunto que respondeu a uma pesquisa ou foi sorteado para ela. A inferência só é válida se a amostra for escolhida por um mecanismo aleatório da população-alvo, e não, por exemplo, apenas entre os que abriram um e-mail promocional.

2. Qual a diferença entre amostrar com e sem reposição, e quando a aproximação independente costuma ser aceitável?

Solução:

Com reposição, cada unidade pode ser sorteada mais de uma vez e os sorteios são independentes. Sem reposição, cada unidade sai após ser sorteada e os sorteios ficam dependentes. A aproximação independente costuma ser adequada quando a fração amostral $f=n/N$ é pequena. O limiar de $5\%$ é uma convenção prática, não uma fronteira matemática. Se a fração for grande, deve-se usar a correção para população finita.

3. Por que a amostragem estratificada pode reduzir a variância da estimativa?

Solução:

Ao amostrar dentro de cada estrato homogêneo, a estratificação elimina a variabilidade que viria de sortear, por azar, muitas unidades de um subgrupo e poucas de outro. A variância total da estimativa decompõe-se em variação dentro dos estratos e entre os estratos; a estratificação remove a segunda parcela do erro amostral, deixando apenas a primeira. O ganho é maior quanto mais os estratos diferirem entre si.

4. Uma amostra tem um milhão de respostas coletadas de um formulário voluntário no site. Ela é confiável por ser grande?

Solução:

Não. O tamanho não corrige viés. Um formulário voluntário sofre autoseleção: quem responde difere sistematicamente de quem não responde, tipicamente os mais insatisfeitos ou mais engajados. Com um milhão de respostas enviesadas, a estimativa é precisa em torno do valor errado. A aleatorização, não o volume, é o que legitima a inferência, tema que a Seção 2 desenvolve.

5. Distinga estratificação de amostragem por conglomerados e explique o efeito típico de cada uma sobre a precisão.

Solução:

Na estratificação, todos os estratos de interesse participam e sorteiam-se unidades dentro deles; isso costuma reduzir a variância quando cada estrato é homogêneo. Na amostragem por conglomerados, sorteiam-se grupos naturais e observa-se cada grupo escolhido; isso reduz custos, mas pode aumentar a variância quando unidades do mesmo grupo são semelhantes. Em ambos os casos, probabilidades de inclusão desiguais exigem pesos apropriados.

2. Vieses de amostra e de seleção

Um viés é um erro sistemático, que persiste e se acumula em vez de se cancelar com mais dados, e distingui-lo do erro aleatório é essencial. O erro aleatório espalha as estimativas simetricamente em torno do valor verdadeiro e encolhe com o tamanho da amostra; o viés desloca todas as estimativas na mesma direção e não encolhe. O viés de amostra (sample bias) ocorre quando a amostra não representa a população-alvo: medir a satisfação dos clientes perguntando apenas aos que ligaram para reclamar produz uma amostra sistematicamente insatisfeita, por mais gente que se pergunte.

O viés de seleção (selection bias) é o mecanismo mais geral por trás disso: o processo de entrar na amostra está correlacionado com a variável que se quer medir. Um caso célebre é o viés de sobrevivência (survivorship bias): analisar apenas as unidades que sobreviveram a um filtro e concluir sobre todas. O exemplo clássico é o dos aviões da Segunda Guerra que voltavam crivados de balas em certas partes; reforçar as partes atingidas seria o erro, porque a amostra continha apenas os aviões que voltaram. Os atingidos nas partes fatais não estavam ali para ser contados, e eram justamente essas partes que precisavam de reforço. O viés de sobrevivência é um viés de colisão, do sexto artigo: condicionar em sobreviveu correlaciona causas que eram independentes.

Um fenômeno vizinho, com que o viés se confunde, é a regressão à média (regression to the mean): quando uma medida tem componente aleatória, valores extremos tendem a ser seguidos por valores mais próximos da média, sem nenhuma causa além do acaso. O aluno que tirou a nota mais alta de uma prova provavelmente irá pior na próxima, não porque relaxou, mas porque a nota altíssima combinou habilidade com um dia de sorte que não se repete. Confundir regressão à média com efeito causal é um erro clássico: atribui-se a uma intervenção (uma bronca, um elogio, um remédio) a volta natural de um extremo ao centro. A defesa contra os três, viés de amostra, de seleção e a ilusão da regressão à média, é a mesma: um desenho amostral aleatório e, quando se quer concluir sobre causa, um grupo de controle, ferramenta que o nono artigo, sobre experimentos, vai formalizar.

2.1 Exercícios da Seção 2

1. Distinga erro aleatório de viés em uma frase e diga qual encolhe com o tamanho da amostra.

Solução:

O erro aleatório é a variação simétrica das estimativas em torno do valor verdadeiro, que encolhe como a amostra cresce; o viés é o deslocamento sistemático de todas as estimativas na mesma direção, que não encolhe. Aumentar a amostra reduz o erro aleatório e não toca no viés, razão pela qual uma amostra grande e enviesada é perigosa: é precisa e errada.

2. Um site mede a satisfação perguntando só a quem completou uma compra. Que viés é esse e para onde ele empurra a estimativa?

Solução:

É viés de seleção, na forma de viés de sobrevivência: só entram na amostra os que sobreviveram ao funil de compra. Quem desistiu por insatisfação com o próprio processo de compra não é ouvido. A estimativa é empurrada para cima, superestimando a satisfação, porque o mecanismo de entrada na amostra está correlacionado com estar satisfeito.

3. Explique o exemplo dos aviões e por que reforçar as partes atingidas seria o erro.

Solução:

A amostra continha apenas aviões que voltaram, isto é, que não foram atingidos em pontos fatais. As marcas de bala concentravam-se nas partes onde um avião pode ser atingido e ainda voltar; as partes sem marcas eram as que, atingidas, derrubavam o avião, que então não entrava na amostra. Reforçar as partes marcadas protegeria contra danos não fatais; o correto é reforçar as partes sem marcas, precisamente as ausentes da amostra por viés de sobrevivência.

4. Por que o aluno com a nota mais alta de uma prova tende a ir pior na seguinte, mesmo sem mudar nada?

Solução:

A decomposição permite comparar as duas provas:

A queda esperada decorre da parte aleatória que dificilmente se repete. É regressão à média, não perda de esforço.

5. Como um grupo de controle protege contra confundir regressão à média com efeito causal?

Solução:

Se tratarmos os alunos de nota extrema e observarmos melhora, não sabemos se foi o tratamento ou a regressão natural ao centro. Um grupo de controle, formado por alunos igualmente extremos que não recebem o tratamento, também regride à média; comparar os dois grupos isola o efeito do tratamento da regressão comum a ambos. A regressão afeta os dois igualmente e se cancela na comparação, deixando visível apenas o efeito causal, se houver.

3. A distribuição amostral de uma estatística

Aqui está a ideia que funda a inferência, e vale lê-la devagar. Uma estatística, como a média amostral $\bar{X}$, é calculada a partir de uma amostra aleatória; como a amostra é aleatória, a estatística é ela própria uma variável aleatória, no sentido preciso do quinto artigo. Se sorteássemos outra amostra, obteríamos outro valor de $\bar{X}$. A distribuição de todos os valores que a estatística assumiria sobre todas as amostras possíveis chama-se distribuição amostral (sampling distribution), e é ela, não a distribuição dos dados individuais, que a inferência usa. Confundir as duas é o erro conceitual mais comum da estatística iniciante, e evitá-lo é meio caminho andado.

Um exemplo pequeno e enumerável torna a ideia concreta. Tome a população ${1,3,5,7}$, com média $\mu=4$ e variância populacional $\sigma^2=5$. Sorteie amostras de tamanho $2$ com reposição: há $4^2=16$ amostras igualmente prováveis. A média amostral $\bar{X}$ assume valores de $1$ a $7$, e a sua distribuição amostral é triangular e simétrica: o valor $\bar{X}=4$ ocorre em $4$ das $16$ amostras, enquanto os extremos $\bar{X}=1$ e $\bar{X}=7$ ocorrem em $1$ cada. Contando, as frequências de $\bar{X}=1,2,3,4,5,6,7$ são $1,2,3,4,3,2,1$, somando $16$. A média dessa distribuição amostral é exatamente $4$, igual a $\mu$: a média amostral é um estimador não viesado da média populacional.

Esse resultado não é acidente do exemplo. Para qualquer amostra aleatória com observações de média marginal $\mu$, a linearidade da esperança dá $\operatorname{E}[\bar{X}]=\mu$, como o primeiro artigo já antecipara: em média sobre todas as amostras, a média amostral acerta o alvo. A distribuição amostral, porém, tem dispersão própria, menor que a dos dados: no exemplo, a sua variância é $2{,}5$, exatamente $\sigma^2/n=5/2$. A média das amostras varia menos que os dados individuais porque cada amostra já faz uma média interna que suaviza os extremos, e quantificar essa suavização é o assunto da próxima seção.

3.1 Exercícios da Seção 3

1. Enumere a distribuição amostral da média para amostras de tamanho $2$, com reposição, da população ${1,3,5,7}$.

Solução:

Há $16$ amostras ordenadas igualmente prováveis. As médias e suas frequências são: $\bar{X}=1$ (uma vez: $(1,1)$), $2$ (duas: $(1,3),(3,1)$), $3$ (três), $4$ (quatro), $5$ (três), $6$ (duas), $7$ (uma), totalizando $16$. A distribuição é triangular e simétrica em torno de $4$. A média das médias é $(1{\cdot}1+2{\cdot}2+3{\cdot}3+4{\cdot}4+5{\cdot}3+6{\cdot}2+7{\cdot}1)/16=64/16=4=\mu$.

2. Mostre que $\operatorname{E}[\bar{X}]=\mu$ para qualquer tamanho de amostra.

Solução:

Escreva $\bar{X}=\frac{1}{n}\sum_{i=1}^{n}X_i$, com cada $X_i$ de esperança $\mu$. Pela linearidade da esperança, $\operatorname{E}[\bar{X}]=\frac{1}{n}\sum_i\operatorname{E}[X_i]=\frac{1}{n}\,n\mu=\mu$. O resultado não depende de $n$ nem de independência, apenas de cada observação ter a média marginal correta, o que a amostragem aleatória garante. A média amostral é não viesada por construção.

3. Deduza que a variância da média amostral é $\sigma^2/n$ sob amostragem independente.

Solução:

Para observações independentes de variância $\sigma^2$, a variância da soma é a soma das variâncias, $\operatorname{Var}!\left(\sum_i X_i\right)=n\sigma^2$. Então $\operatorname{Var}(\bar{X})=\operatorname{Var}!\left(\frac{1}{n}\sum_i X_i\right)=\frac{1}{n^2}\,n\sigma^2=\frac{\sigma^2}{n}$, usando $\operatorname{Var}(aY)=a^2\operatorname{Var}(Y)$ do quinto artigo. No exemplo, $\sigma^2/n=5/2=2{,}5$, coincidindo com a variância enumerada da distribuição amostral.

4. Qual o efeito de dobrar $n$ sobre a dispersão da distribuição amostral da média?

Solução:

A variância cai pela metade, de $\sigma^2/n$ para $\sigma^2/(2n)$, e o desvio, que é a raiz, cai por um fator $\sqrt{2}\approx1{,}414$. Ou seja, para reduzir a dispersão da média à metade é preciso quadruplicar $n$, não dobrar. Essa relação $1/\sqrt{n}$, que a próxima seção nomeia erro padrão, governa todo o custo amostral da precisão.

5. Descreva a distribuição amostral da proporção para $p=0{,}4$ e $n=25$.

Solução:

A proporção amostral $\hat{p}$ é a média de indicadoras $0/1$ de média $p=0{,}4$ e variância $p(1-p)=0{,}24$. Sua distribuição amostral tem média $\operatorname{E}[\hat{p}]=p=0{,}4$ e desvio $\sqrt{p(1-p)/n}=\sqrt{0{,}24/25}\approx0{,}098$. Para $n=25$, ela já é aproximadamente normal, pelo teorema central do limite da Seção 5, o que permitirá construir intervalos e testes para proporções nos artigos seguintes.

4. Erro padrão

O desvio padrão da distribuição amostral de uma estatística tem nome próprio: erro padrão (standard error). Para a média amostral $\bar X$ sob amostragem independente, seja $\sigma$ o desvio padrão da população e $n$ o tamanho da amostra. O erro padrão, denotado por $\operatorname{EP}(\bar X)$, é a raiz da variância deduzida na seção anterior:

na qual $\sigma$ é o desvio padrão da população e $n$ o tamanho da amostra. A distinção entre o desvio padrão dos dados e o erro padrão da estatística é a fonte de metade da confusão da estatística aplicada, e vale fixá-la: $\sigma$ mede o quanto os indivíduos variam entre si; $\sigma/\sqrt{n}$ mede o quanto a média de uma amostra varia de amostra para amostra. O primeiro descreve a população; o segundo, a precisão da nossa estimativa. Se os salários de uma população têm desvio $\sigma=12$ mil reais e amostramos $n=36$ pessoas, o desvio dos salários individuais continua $12$, mas o erro padrão da média amostral é $12/\sqrt{36}=2$ mil reais: as médias de amostras de $36$ pessoas variam seis vezes menos que os salários individuais.

O fator $\sqrt{n}$ no denominador carrega uma lição econômica dura. Como o erro padrão cai com $1/\sqrt{n}$, e não com $1/n$, a precisão tem custo crescente: para dividir o erro padrão por dois, é preciso quadruplicar a amostra; para dividi-lo por dez, multiplicá-la por cem. Essa é a razão pela qual pesquisas de opinião ganham pouca precisão adicional depois de alguns milhares de respondentes, e por que o dobro do orçamento amostral não compra o dobro da precisão. A fórmula também se inverte para planejar: para atingir um erro padrão alvo, resolve-se $n=(\sigma/\operatorname{EP})^2$, que para $\sigma=12$ e erro padrão alvo $1{,}5$ dá $n=(12/1{,}5)^2=64$.

Na prática, quase nunca conhecemos $\sigma$, e o substituímos pelo desvio padrão amostral $s$, obtendo o erro padrão estimado $s/\sqrt{n}$. Essa substituição introduz incerteza adicional, sobretudo em amostras pequenas, e é exatamente a origem da distribuição $t$ de Student que o quinto artigo apresentou e que os intervalos de confiança do próximo artigo usarão. O erro padrão é, em suma, a moeda da inferência: quase toda afirmação sobre uma população virá acompanhada de um erro padrão que mede quanto confiar nela.

Para AAS sem reposição em uma população finita de tamanho $N$, a fórmula independente deve ser multiplicada pela correção para população finita:

O fator tende a $1$ quando $n/N$ é pequeno e tende a $0$ quando a amostra se aproxima de um censo. Se $N=400$, $n=100$ e $\sigma=12$, a fórmula independente daria $1{,}2$, enquanto a correção fornece $1{,}2\sqrt{300/399}\approx1{,}04$. O ganho de precisão não vem de observações independentes adicionais, mas do fato de que cada unidade observada elimina uma unidade possível do restante desconhecido.

4.1 Exercícios da Seção 4

1. Calcule o erro padrão da média para $\sigma=12$ e $n=36$.

Solução:

Diretamente, $\operatorname{EP}=\sigma/\sqrt{n}=12/\sqrt{36}=12/6=2$. As médias de amostras de $36$ observações variam com desvio $2$, seis vezes menor que o desvio $12$ dos indivíduos. O fator $6$ é exatamente $\sqrt{36}$.

2. Distinga, em um enunciado, o desvio padrão dos dados do erro padrão da média.

Solução:

Se os tempos de resposta de um serviço têm desvio padrão $\sigma=15$ ms, esse número descreve a variação entre requisições individuais. O erro padrão da média de $n=100$ requisições, $15/\sqrt{100}=1{,}5$ ms, descreve a variação da média amostral de amostra para amostra. O primeiro é uma propriedade da população; o segundo, da precisão da estimativa. Relatar um como o outro subestima ou superestima grosseiramente a incerteza.

3. Que tamanho de amostra atinge um erro padrão de $1{,}5$ quando $\sigma=12$?

Solução:

Invertendo a fórmula, $n=(\sigma/\operatorname{EP})^2=(12/1{,}5)^2=8^2=64$. São necessárias $64$ observações. Note a relação quadrática: reduzir o erro padrão alvo pela metade, para $0{,}75$, exigiria $n=(12/0{,}75)^2=256$, o quádruplo.

4. Como se estima o erro padrão quando $\sigma$ é desconhecido, e qual o custo em amostras pequenas?

Solução:

Substitui-se $\sigma$ pelo desvio amostral $s$, usando o erro padrão estimado $s/\sqrt{n}$. Em amostras pequenas, $s$ é ele próprio uma estimativa ruidosa de $\sigma$, o que injeta incerteza extra e faz a estatística padronizada seguir uma distribuição $t$ de Student, de caudas mais pesadas que a normal, e não a normal. Quanto menor $n$, mais pesadas as caudas e mais largo o intervalo de confiança resultante.

5. Uma AAS sem reposição seleciona $n=100$ unidades de uma população com $N=400$ e $\sigma=12$. Calcule o erro padrão com e sem a correção para população finita.

Solução:

Sem correção, $\operatorname{EP}=12/\sqrt{100}=1{,}2$. O fator de correção é $\sqrt{(400-100)/(400-1)}=\sqrt{300/399}\approx0{,}867$. Portanto, o erro padrão corrigido é $1{,}2\times0{,}867\approx1{,}04$. Ignorar a fração amostral superestimaria a incerteza em cerca de $15\%$ neste caso.

5. O teorema central do limite

Chegamos ao resultado que sustenta grande parte da estatística clássica. Na versão de Lindeberg e Lévy, o teorema central do limite (TCL, de Central Limit Theorem) afirma que, para variáveis $X_1,\ldots,X_n$ independentes e identicamente distribuídas, com média finita $\mu$ e variância finita e positiva $\sigma^2$, a variável padronizada

converge em distribuição para a normal padrão quando $n\to\infty$. Isso não afirma que os dados se tornam normais, nem que a média é exatamente normal em uma amostra finita. Afirma que probabilidades calculadas com a distribuição de $Z_n$ se aproximam das probabilidades da normal padrão. A população pode ser assimétrica, bimodal, discreta ou contínua, mas o tamanho necessário para uma boa aproximação depende de sua forma e de suas caudas.

O teorema explica por que a normal do quinto artigo é onipresente. Toda quantidade que é, no fundo, uma soma ou média de muitas contribuições independentes, um erro de medição, o ruído de um sensor, a média de uma pesquisa, herda a forma normal, não por acaso, mas por força do TCL. É por isso que a normal aparece onde nenhuma lei física a impõe: ela é a assinatura da agregação de muitos efeitos pequenos. A média amostral é o caso paradigmático, e é por ela que o teorema entra na inferência.

A velocidade de convergência depende da população. Não existe um limiar universal em $n=30$. Para distribuições simétricas e de caudas leves, a aproximação pode ser boa bem antes disso; para distribuições muito assimétricas, raras ou de caudas pesadas, pode continuar ruim com centenas de observações. Quando o terceiro momento absoluto $\operatorname{E}\vert X-\mu\vert^3$ é finito, o teorema de Berry e Esseen limita o erro máximo da aproximação por uma quantidade proporcional a $1/\sqrt{n}$, multiplicada por uma medida de peso das caudas. O resultado explica por que a taxa é comum, mas também por que a constante pode tornar a convergência lenta.

Variância infinita exige uma distinção cuidadosa entre o TCL e a Lei dos Grandes Números. Em uma Pareto com parâmetro de cauda $1<\alpha<2$, a média existe e a variância é infinita. A média amostral ainda converge para $\mu$ pela Lei dos Grandes Números, mas a padronização clássica por $\sqrt{n}$ não converge para a normal. Em uma Cauchy, nem a média populacional existe; a média de qualquer número de observações continua tendo distribuição Cauchy e não se concentra. Portanto, falhar o TCL clássico não implica automaticamente que a média amostral deixe de estabilizar. A conclusão depende de quais momentos existem e de qual teorema está sendo invocado.

5.1 Exercícios da Seção 5

1. Enuncie o teorema central do limite, com as suas hipóteses.

Solução:

Para observações independentes e identicamente distribuídas, com média finita $\mu$ e variância finita e positiva $\sigma^2$, a média padronizada $(\bar{X}_n-\mu)/(\sigma/\sqrt{n})$ converge em distribuição para a normal padrão quando $n\to\infty$. A forma da população não altera o limite, mas altera a qualidade da aproximação para um $n$ finito. O teorema não diz que os dados individuais se tornam normais.

2. Uma população tem $\mu=100$, $\sigma=15$. Para $n=25$, calcule $P(\bar{X}>106)$ pela aproximação normal.

Solução:

O erro padrão é $\sigma/\sqrt{n}=15/5=3$. Padronizando, $z=(106-100)/3=2$. Pela aproximação normal, $P(\bar{X}>106)\approx P(Z>2)=1-\Phi(2)\approx0{,}0228$. O cálculo está correto se a população for normal ou se houver evidência de que a aproximação já é adequada. Conhecer apenas $\mu$, $\sigma$ e $n=25$ não garante essa qualidade, pois uma população muito assimétrica ou de cauda pesada pode exigir uma amostra maior.

3. Por que uma população mais assimétrica exige $n$ maior para a média ser aproximadamente normal?

Solução:

A comparação entre os regimes será:

A assimetria da população se transmite à distribuição amostral da média e só desaparece gradualmente à medida que $n$ cresce; sua taxa de decaimento é da ordem de $1/\sqrt{n}$. Por isso, a regra $n\ge30$ falha para populações fortemente assimétricas ou com outliers.

4. Explique, sem fórmulas pesadas, por que a soma de muitas variáveis independentes tende à normal.

Solução:

Somar variáveis independentes combina repetidamente as suas distribuições e dilui irregularidades locais. Sob as hipóteses do teorema, nenhuma parcela domina a soma padronizada, enquanto assimetrias e outras características se reduzem com a agregação. A normal aparece como o limite universal das somas padronizadas com variância finita. Essa intuição ajuda, mas não substitui as hipóteses: dependência forte ou caudas sem variância finita podem levar a outros limites.

5. Dê um caso em que o TCL falha e explique por quê.

Solução:

Considere uma Pareto com $1<\alpha<2$. Ela tem média finita e variância infinita, portanto viola a hipótese de variância finita. A média amostral pode convergir para a média populacional pela Lei dos Grandes Números, mas não apresenta a flutuação normal de ordem $1/\sqrt{n}$ prevista pelo TCL clássico. Em uma Cauchy, a situação é ainda mais extrema: a média populacional não existe e a média amostral continua Cauchy para qualquer $n$. Esses exemplos mostram por que não se deve confundir estabilização da média com normalidade de seu erro.

6. Simulação de amostragem em C++

O teorema central do limite é uma afirmação sobre o limite, e a melhor forma de senti-lo é vê-lo emergir por simulação. O programa abaixo parte de uma população fortemente assimétrica, uma distribuição exponencial de média $1$, sorteia muitas amostras de tamanho $n$ e compara o desvio empírico das médias com o erro padrão teórico $\sigma/\sqrt{n}$. Para a exponencial de média $1$, o desvio populacional é $\sigma=1$. O resumo usa a recorrência de Welford, que atualiza média e variância em uma passagem, evita a subtração numericamente frágil entre somas de quadrados grandes e mantém espaço $O(1)$. Compile com g++ -std=c++23 -O2 -Wall -Wextra -Wconversion -Wshadow -pedantic amostragem.cpp -o amostragem.

#include <cmath>
#include <cstdint>
#include <iomanip>
#include <iostream>
#include <random>
#include <stdexcept>

class OnlineSummary {
public:
    void add(const double value) noexcept {
        ++count_;
        const double delta = value - mean_;
        mean_ += delta / static_cast<double>(count_);
        const double delta_after_update = value - mean_;
        m2_ += delta * delta_after_update;
    }

    [[nodiscard]] double mean() const noexcept {
        return mean_;
    }

    [[nodiscard]] double sample_standard_deviation() const {
        if (count_ < 2) {
            throw std::domain_error("sample standard deviation requires two values");
        }
        return std::sqrt(m2_ / static_cast<double>(count_ - 1));
    }

private:
    std::uint64_t count_{};
    double mean_{};
    double m2_{};
};

int main() {
    constexpr std::uint64_t n_samples = 100'000;
    constexpr std::size_t sample_size = 30;

    std::mt19937 generator(42);
    std::exponential_distribution<double> population(1.0);

    // Welford's recurrence avoids storing every simulated sample mean.
    OnlineSummary sample_means;
    for (std::uint64_t s = 0; s < n_samples; ++s) {
        double sum = 0.0;
        for (std::size_t i = 0; i < sample_size; ++i) {
            sum += population(generator);
        }
        sample_means.add(sum / static_cast<double>(sample_size));
    }

    const double theoretical_se =
        1.0 / std::sqrt(static_cast<double>(sample_size));

    std::cout << std::fixed << std::setprecision(4)
              << "media das medias      = " << sample_means.mean()
              << " (esperado 1.0000)\n"
              << "desvio das medias      = "
              << sample_means.sample_standard_deviation() << '\n'
              << "erro padrao teorico    = " << theoretical_se << '\n';
}

A saída, com a semente $42$, é

media das medias      = 1.0000 (esperado 1.0000)
desvio das medias      = 0.1827
erro padrao teorico    = 0.1826

A média das médias reproduz $\mu=1$, confirmando o não viés, e o desvio empírico da distribuição amostral, $0{,}1827$, coincide, até o ruído de simulação, com o erro padrão teórico $\sigma/\sqrt{n}=1/\sqrt{30}\approx0{,}1826$. Como no artigo anterior, os últimos dígitos dependem da implementação de std::exponential_distribution e não são portáveis entre bibliotecas; o que se mantém é a igualdade entre o desvio empírico e o teórico dentro do erro de Monte Carlo. Se o programa também desenhasse o histograma das médias, ele seria visivelmente mais simétrico e mais parecido com um sino que a exponencial de onde partiu: o TCL em ação, transformando uma população torta em uma média quase normal. No Colab, a mesma simulação é medias = rng.exponential(1, size=(100_000, 30)).mean(axis=1), e o histograma de medias com matplotlib mostra o sino emergir; o laboratório da próxima seção faz esse desenho interativo.

6.1 Exercícios da Seção 6

1. Por que sample_standard_deviation() usa divisor $n-1$?

Solução:

A coleção simulada de médias é tratada como uma amostra da distribuição amostral. Depois de estimar sua média com os mesmos valores, resta um grau de liberdade a menos, e dividir a soma dos desvios quadráticos por $n-1$ produz o estimador não viesado da variância. Com $100\,000$ replicações, a diferença para dividir por $n$ é mínima, mas a escolha deixa explícito o estimando.

2. Qual a complexidade de tempo e de espaço do programa?

Solução:

O tempo é $O(n_{\text{amostras}}\times n)$, pois cada uma das $100\,000$ amostras soma $30$ sorteios. O espaço adicional é $O(1)$: OnlineSummary guarda apenas contagem, média corrente e soma acumulada dos desvios quadráticos. Se o objetivo fosse desenhar um histograma exato depois da simulação, seria necessário guardar as médias ou atualizar classes de frequência durante a execução.

3. O desvio empírico deu $0{,}1826$ e o teórico $0{,}1826$. O que essa coincidência confirma?

Solução:

Confirma que o desvio padrão da distribuição amostral da média é de fato $\sigma/\sqrt{n}$, mesmo partindo de uma população exponencial fortemente assimétrica. A fórmula do erro padrão não depende da forma da população, apenas da sua variância finita; a simulação verifica isso empiricamente. A coincidência até a quarta casa decorre do grande número de amostras, que reduz o ruído de Monte Carlo.

4. Como modificar o programa para estudar o efeito de $n$ sobre a normalidade da média?

Solução:

Basta variar a constante n (por exemplo, $2$, $5$, $30$, $100$) e comparar os histogramas das médias. Para $n$ pequeno, o histograma herda a assimetria da exponencial; para $n$ crescente, ele se aproxima do sino normal, e o desvio segue $1/\sqrt{n}$. É a demonstração experimental do teorema central do limite e da sua velocidade de convergência.

5. Por que partir de uma exponencial, e não de uma normal, torna a demonstração mais convincente?

Solução:

Uma população normal produziria médias exatamente normais para qualquer $n$, sem nada a demonstrar: a normalidade da média seria herdada, não emergente. Partir de uma exponencial assimétrica mostra o efeito genuíno do teorema, a normalidade surgindo da agregação apesar de a população não ser normal. O contraste entre a população torta e a média quase simétrica é o que torna o TCL palpável.

7. Um laboratório para o teorema central do limite

O teorema central do limite é uma promessa sobre o que acontece quando $n$ cresce, e vê-la cumprir-se em tempo real é mais persuasivo que qualquer prova. O laboratório abaixo deixa a leitora escolher a forma da população, assimétrica, bimodal ou uniforme, e o tamanho da amostra $n$, e desenha simultaneamente a população escolhida e a distribuição amostral da média construída por simulação. Conforme $n$ aumenta, a distribuição amostral se estreita, à taxa $1/\sqrt{n}$, e se aproxima do sino normal, com o erro padrão anotado sobre o gráfico.

O que o laboratório torna tátil é que a média pode ter forma muito diferente da população de origem: uma população bimodal, que não tem nada de sino, gera médias cujo histograma se aproxima de um sino conforme $n$ cresce. O experimento também torna visível o custo da precisão: dobrar $n$ estreita a distribuição amostral por um fator $\sqrt{2}$, não $2$, de modo que ganhos de precisão exigem amostras cada vez maiores, exatamente a economia dura do erro padrão da Seção 4.

7.1 Exercícios da Seção 7

1. Escolha a população assimétrica e $n=1$. Por que a distribuição amostral tem a forma da própria população?

Solução:

Para $n=1$, a média de uma amostra é a única observação, então a distribuição amostral da média coincide com a distribuição da população. Não há agregação que simetrize nada. É o ponto de partida do teorema: sem somar observações, a média herda toda a assimetria da população, e o sino só começa a emergir quando $n$ passa de $1$.

2. Aumente $n$ de $1$ para $30$ na população assimétrica e descreva as duas mudanças no histograma da média.

Solução:

Primeiro, o histograma se torna mais simétrico e mais parecido com um sino, perdendo a assimetria da população: é o teorema central do limite atuando. Segundo, ele se estreita, concentrando-se em torno de $\mu$, porque o erro padrão $\sigma/\sqrt{n}$ diminui com $n$. As duas mudanças, simetrização e estreitamento, ocorrem juntas conforme $n$ cresce.

3. Selecione a população bimodal. O que o resultado ensina sobre a hipótese de forma no TCL?

Solução:

Mesmo partindo de uma população com dois picos, a distribuição amostral da média se aproxima de um sino conforme $n$ cresce. Isso ilustra que a versão apresentada do teorema não exige normalidade da população. Ela exige observações independentes e identicamente distribuídas, além de média e variância finitas. A bimodalidade torna especialmente visível a diferença entre a forma dos dados e a forma da estatística.

4. Compare a distribuição amostral em $n=10$ e $n=40$ e relacione a largura com a fórmula do erro padrão.

Solução:

A comparação direta será:

Isso ocorre porque $\sqrt{40}/\sqrt{10}=\sqrt{4}=2$. Quadruplicar $n$ reduz o desvio da média pela metade, e o laboratório permite confirmar numericamente essa razão.

5. Por que a média das médias permanece em $\mu$ para todos os valores de $n$?

Solução:

Porque a média amostral é não viesada: $\operatorname{E}[\bar{X}]=\mu$ para qualquer $n$, como a Seção 3 demonstrou. Mudar $n$ altera a dispersão da distribuição amostral, não o seu centro. O laboratório mostra o histograma estreitando em torno do mesmo ponto $\mu$, nunca deslizando para os lados, o que separa visualmente o conceito de viés (posição) do de precisão (dispersão).

8. Conclusão

Este artigo abriu a inferência estatística pela porta certa: a amostragem. Formalizamos a amostragem aleatória simples, distinguimos estratos de conglomerados e vimos por que quadro amostral, cobertura, não resposta e mensuração também condicionam a validade. Construímos a distribuição amostral de uma estatística e o erro padrão da média, incluindo a correção para população finita. Por fim, formulamos o teorema central do limite sem transformar $n=30$ em regra universal e separamos sua conclusão da Lei dos Grandes Números. Variância infinita pode invalidar a normalidade assintótica clássica sem impedir a convergência da média, enquanto uma média inexistente, como na Cauchy, impede até essa estabilização.

O fio a levar adiante é que a distribuição amostral é sempre uma construção teórica: na prática, temos uma única amostra, não todas as possíveis. Como, então, estimar o erro padrão de uma estatística sem conhecer $\sigma$, e sem uma fórmula fechada quando a estatística é a mediana ou um quantil? O próximo artigo responde com uma das ideias mais engenhosas da estatística computacional, o bootstrap: reamostrar os próprios dados para aproximar a distribuição amostral, e dela extrair o intervalo de confiança, o objeto que traduz a incerteza da estimativa em um intervalo com uma garantia declarada.

Acrônimos e Abreviações neste artigo

A seguir está a lista de todos os acrônimos e abreviações identificados no texto, organizados em ordem alfabética com o termo original em inglês e a tradução para o português:

Referências

ADHIKARI, A.; DENERO, J.; WAGNER, D. Computational and Inferential Thinking: The Foundations of Data Science. UC Berkeley Data 8. Disponível em: https://inferentialthinking.com/. Acesso em: 23 jul. 2026.

BRUCE, P.; BRUCE, A.; GEDECK, P. Practical Statistics for Data Scientists. 2. ed. Sebastopol: O’Reilly, 2020.

LARSON, R.; FARBER, B. Estatística aplicada. 6. ed. São Paulo: Pearson, 2015.

ORLOFF, J.; BLOOM, J. 18.05 Introduction to Probability and Statistics. MIT OpenCourseWare, 2022. Disponível em: https://ocw.mit.edu/courses/18-05-introduction-to-probability-and-statistics-spring-2022/. Acesso em: 23 jul. 2026.

WASSERMAN, L. All of Statistics: A Concise Course in Statistical Inference. New York: Springer, 2004.