Lei dos Grandes Números

Por que o McDonald's sabe exatamente quantos hambúrgueres vai vender amanhã num restaurante específico — mas você não sabe o que vai querer almoçar. A diferença está em quantas repetições cada um tem.

🎲 Dado honesto — frequência do número 1

A chance teórica de sair 1 num dado é 1/6 ≈ 16,67%. Veja como a frequência real converge para esse valor conforme o número de lançamentos aumenta.

O que diz a lei

A Lei dos Grandes Números (abreviada como LGN) diz que, conforme o número de tentativas de um experimento aleatório aumenta, a frequência relativa observada se aproxima cada vez mais da probabilidade teórica do evento.

Em outras palavras: no curto prazo, a aleatoriedade domina e tudo parece caótico. No longo prazo, a média se estabiliza em torno do valor esperado com uma precisão que aumenta com o número de repetições.

📐 A lei em linguagem matemática

Se X₁, X₂, X₃, ... são variáveis aleatórias independentes e identicamente distribuídas com média μ (mi), então a média amostral:

X̄ₙ = (X₁ + X₂ + ... + Xₙ) / n

converge para μ conforme n → ∞. Em português simples: tire a média de muitas tentativas e ela vai se aproximar do valor esperado.

Por que o McDonald's sabe — e você não

Você, individualmente, é imprevisível. Às vezes quer pizza, às vezes salada, às vezes nem sabe. Seus hábitos alimentares têm variância alta — uma amostra de 1 (você hoje) não prevê nada com precisão.

O McDonald's atende milhões de pessoas por dia em cada restaurante. Com esse volume de repetições, a Lei dos Grandes Números trabalha a favor deles: eles sabem que, numa sexta à noite naquele bairro específico, vão vender aproximadamente X Big Macs, com variação de apenas alguns poucos por cento.

O mesmo princípio explica por que seguradoras conseguem precificar riscos. Ninguém sabe se você vai bater o carro este ano. Mas a seguradora sabe que, de uma frota de 100.000 veículos similares ao seu, aproximadamente 8% vão acionar o seguro — e cobra o prêmio com base nisso.

Dois exemplos do cotidiano

Pesquisa eleitoral: com uma amostra de 1.000 pessoas selecionadas aleatoriamente, a margem de erro típica é de ±3 pontos percentuais. Com 10.000 pessoas, cai para ±1%. A LGN garante que amostras maiores dão estimativas mais precisas da população total — mas o crescimento da precisão é proporcional à raiz quadrada do tamanho da amostra, não ao tamanho em si.

Controle de qualidade industrial: uma fábrica produz parafusos com tolerância de ±0,1mm. Nenhum parafuso é perfeito, mas a média de uma grande produção será muito próxima do valor nominal. A LGN garante que o processo é controlável estatisticamente, mesmo com variação individual.

⚠️ O erro mais comum: "compensação" não existe

A LGN não diz que desvios passados serão compensados. Se você jogar cara 10 vezes seguidas, os próximos lançamentos não vão "corrigir" esse desvio. O que a LGN diz é que esses 10 caras vão se tornar irrelevantes quando a amostra for grande o suficiente — não porque vieram coroas para compensar, mas porque foram diluídos no volume total.

Com 1.000 lançamentos, 10 caras extras representam apenas 1% de desvio. Com 100.000 lançamentos, representam 0,01%. O desvio some na proporção — não porque foi corrigido, mas porque foi engolido pelo tamanho da amostra.

LGN e frequências de loteria

O heatmap da Lotofácil mostra a frequência de cada dezena ao longo de mais de 3.700 concursos. Com esse histórico, a LGN garante que a distribuição de frequências está muito próxima da distribuição teórica uniforme (todas as 25 dezenas com aproximadamente a mesma probabilidade de 60% de aparecer em cada concurso).

Quando uma dezena parece "atrasada" — digamos, que não sai há 15 concursos — a LGN não está dizendo que ela vai sair agora. Está dizendo que, em 3.700 concursos, ela vai ter aparecido em torno de 60% deles, independente de quando esses sorteios específicos ocorreram.

A LGN é uma lei sobre o coletivo, não sobre o próximo evento. Ela descreve tendências de longo prazo, não previsões de curto prazo.

Quando a LGN falha — distribuições com variância infinita

A LGN funciona quando a distribuição tem média e variância finitas. Existem distribuições matemáticas (chamadas de distribuições de Cauchy, em homenagem ao matemático francês Augustin-Louis Cauchy) onde a média amostral não converge — ela fica oscilando para sempre, sem se estabilizar.

Na prática, isso significa que a LGN não pode ser aplicada cegamente a qualquer fenômeno. Em mercados financeiros, por exemplo, eventos extremos (quedas abruptas, crises) têm probabilidade maior do que uma distribuição normal prevê — e isso pode invalidar modelos que assumem que "a média vai se estabilizar".

Resumindo em 4 pontos

Com muitas repetições, a frequência observada converge para a probabilidade teórica.
Poucos eventos = caos. Muitos eventos = previsibilidade estatística.
A LGN não cancela desvios passados — ela os dilui no volume crescente de dados.
Empresas com milhões de transações usam a LGN para prever demanda; indivíduos são imprevisíveis.

← Voltar para Matemática sem mistério