Explique por que o desvio padrão da média amostral (erro padrão) diminui conforme o tamanho da amostra aumenta. Relacione esse conceito à precisão de medições em experimentos de engenharia.

Passo 1

O que o problema pede: explicar por que o desvio padrão da média amostral (chamado de erro padrão) diminui quando aumentamos o tamanho da amostra e relacionar isso à precisão em medições de engenharia.
O que temos de informação (implícito): vamos trabalhar com várias medições repetidas de uma mesma grandeza; essas medições têm uma variabilidade aleatória (ruído) caracterizada por um desvio padrão. Não vamos supor nada além do necessário para a demonstração básica (medidas independentes com mesma variância).

Passo 2

Definição das variáveis e do estimador que vamos estudar.
Suponha que fazemos n medições independentes da mesma grandeza e chamamos cada medição de X_i, com i=1,\dots,n.
Definimos a média amostral (estimador da verdadeira média) por
\bar X = \frac{1}{n}\sum_{i=1}^{n} X_i.
Expliquei cada símbolo: X_i = i-ésima medida (uma variável aleatória), n = número de medidas, \bar X = média das n medidas (o que usamos como estimativa do valor verdadeiro).

Passo 3

Hipóteses e significado de média e variância.
Assumimos que cada X_i tem esperança E[X_i]=\mu (o valor verdadeiro que queremos estimar) e variância \mathrm{Var}(X_i)=\sigma^2. Aqui: \mu = média verdadeira (número fixo), \sigma = desvio padrão das medições individuais (medida do ruído aleatório de cada medição). Também assumimos inicialmente que as medidas são independentes (essa hipótese será comentada depois).

Passo 4

Esperança da média amostral (mostrando que não há “magia” aqui).
Usamos linearidade da esperança:
E[\bar X] = E\!\left[\frac{1}{n}\sum_{i=1}^{n} X_i\right] = \frac{1}{n}\sum_{i=1}^{n} E[X_i] = \frac{1}{n}\cdot n\mu = \mu.
Interpretação: a média amostral é um estimador não viesado de \mu — em média, ela dá o valor correto.

Passo 5

Cálculo da variância da média amostral (a parte crucial).
Queremos \mathrm{Var}(\bar X). Primeiro escrevemos:
\mathrm{Var}(\bar X) = \mathrm{Var}\!\left(\frac{1}{n}\sum_{i=1}^{n} X_i\right).
Usamos duas propriedades: (i) fator constante sai quadrado fora da variância, (ii) se X_i são independentes, variância da soma é soma das variâncias. Assim:
\mathrm{Var}(\bar X) = \frac{1}{n^2}\sum_{i=1}^{n} \mathrm{Var}(X_i) = \frac{1}{n^2}\cdot n\sigma^2 = \frac{\sigma^2}{n}.
Expliquei cada passo: dividir por n dentro da média cria um fator 1/n^2 na variância; somando n variâncias iguais \sigma^2 n\sigma^2; o resultado simplifica para \sigma^2/n.

Passo 6

Definição do desvio padrão da média (erro padrão) e interpretação imediata.
O desvio padrão da média, que chamamos de erro padrão, é a raiz quadrada da variância da média:
\text{erro padrão} = \sigma_{\bar X} = \sqrt{\mathrm{Var}(\bar X)} = \sqrt{\frac{\sigma^2}{n}} = \frac{\sigma}{\sqrt{n}}.ã
Interpretação: se a dispersão de cada medida é \sigma, então a dispersão da média de n medidas é \sigma/\sqrt{n}. Portanto, à medida que n cresce, \sigma_{\bar X} diminui como 1/\sqrt{n}.

Passo 7

Consequência prática: diminuição do erro com aumento de n e retorno decrescente.
Da fórmula \sigma_{\bar X}=\sigma/\sqrt{n} seguem duas observações úteis:
  • Se você quadruplica n, o erro padrão cai pela metade (porque \sqrt{4}=2).
  • Para reduzir o erro padrão por um fator 2 você precisa multiplicar n por 4; para reduzir por um fator 10 precisa multiplicar n por 100.
    Isto mostra retorno decrescente: aumentar n sempre ajuda, mas cada aumento adicional precisa de muito mais medições para reduzir bastante o erro.

Passo 8

Exemplos numéricos simples (para fixar).
Suponha que o desvio padrão das medições individuais seja \sigma=2 unidades. Então:
\text{se } n=1,\\ \sigma_{\bar X}=\frac{2}{\sqrt{1}}=2.
\text{se } n=4,\\ \sigma_{\bar X}=\frac{2}{\sqrt{4}}=1.
\text{se } n=16,\\ \sigma_{\bar X}=\frac{2}{\sqrt{16}}=0,5.
Ou seja, 16 medições deram um erro padrão quatro vezes menor que 1 medição, mas note que de 4 para 16 medições o custo aumentou 4× para cortar o erro pela metade.

Passo 9

Como usar isso para planejar experimentos de engenharia.
  • Se você quer alcançar um erro padrão alvo \varepsilon, reescreva a fórmula e resolva para n:
n = \left(\frac{\sigma}{\varepsilon}\right)^2.
Exemplo: se \sigma=5 e você quer \varepsilon=1, então n=(5/1)^2=25.
  • Em engenharia, média de várias medições reduz o ruído aleatório — isso aumenta a precisão (menor variabilidade do estimador). Atenção: precisão refere-se à dispersão (repetibilidade); se houver viés sistemático (erro de calibração), a média não corrige isso.
  • Trade-off prático: aumentar n custa tempo/dinheiro. Às vezes é mais eficiente reduzir \sigma (melhor instrumento, melhor procedimento) do que aumentar muito n.

Passo 10

Advertências e limitações importantes (o realismo técnico).
  • Independência: a derivação usou independência entre medições. Se houver correlação (por exemplo medições sequenciais com deriva ou ruído autocorrelacionado), a variância da média é maior que \sigma^2/n; nesse caso a fórmula tem termos extras de covariância.
  • Identical distribution: se variâncias das medições não forem iguais, usa-se média ponderada ou calcula-se a variância da média a partir das variâncias individuais.
  • Estimação do \sigma: na prática \sigma é desconhecido; usamos o desvio padrão amostral s e o erro padrão estimado s/\sqrt{n}.
  • Outliers ou mudanças de regime (drifts) podem tornar a média enganosa; investigar dados antes de simplesmente aumentar n é crucial.

Resposta

O desvio padrão da média amostral (erro padrão) é \displaystyle \sigma_{\bar X}=\frac{\sigma}{\sqrt{n}}, onde \sigma é o desvio padrão das medições individuais e n é o número de medições; por isso o erro diminui com n como 1/\sqrt{n}. Em experimentos de engenharia isso significa que fazer várias medições e calcular a média reduz o ruído aleatório (aumenta a precisão), mas não corrige viés sistemático; além disso há retorno decrescente (para reduzir muito o erro é preciso aumentar muito n), e a relação pressupõe medições independentes e estáveis.

Exercícios relacionados