Lei dos Grandes Números — Condições para a média amostral se aproximar da esperança

1. Introdução: Retorno esperado do cassino e flutuações

Jogadores podem ganhar grandes quantias no curto prazo. Em um modelo fixo, a média de muitas apostas independentes pode se aproximar de sua esperança. A lei dos grandes números apoia essa ideia, mas não garante lucro em um período finito nem o sucesso do negócio.

Neste artigo, explicamos de forma abrangente a “Lei dos Grandes Números”, o teorema mais fundamental e importante da teoria das probabilidades, desde o entendimento intuitivo até as definições matemáticas rigorosas. Além disso, aprofundamos nos mal-entendidos comuns e como isso é aplicado na sociedade.

2. O que é a Lei dos Grandes Números?

A lei dos grandes números (LLN) afirma que a média amostral de variáveis independentes e identicamente distribuídas converge para sua esperança quando \(E[|X_1|]<\infty\). Para indicadores zero–um de um evento, a frequência relativa observada se aproxima da probabilidade do evento. A probabilidade em si não muda com o acúmulo de ensaios.

Imagine jogar uma moeda. A probabilidade de dar cara é de \(1/2\) (\(50\%\)). No entanto, jogar a moeda apenas 10 vezes não garante que você obterá 5 caras e 5 coroas. Você pode obter 7 caras, ou apenas 2. Em lançamentos independentes de uma moeda equilibrada, a proporção de caras converge para 50% com probabilidade um. Isso não garante exatamente 50% após uma quantidade finita de lançamentos nem um erro que diminua a cada passo.

  graph TD
    A["Poucas tentativas"] -->|"Os resultados são amplamente dispersos"| B["Desvio do valor teórico"]
    C["Muitas tentativas"] -->|"Os resultados convergem"| D["Aproxima-se do valor teórico"]
    B --> E["Sorte a curto prazo (Perspectiva do apostador)"]
    D --> F["Estabilidade a longo prazo sob condições"]

Essa lacuna entre “volatilidade a curto prazo” e “estabilidade a longo prazo” é a própria essência da probabilidade, e também é o ponto onde os humanos costumam se confundir intuitivamente.

3. A vantagem da casa e o retorno médio

A vantagem da casa é seu lucro esperado como proporção do valor apostado. Considere uma roleta americana ideal com 38 casas equiprováveis: de 1 a 36, além de 0 e 00.

Se você apostar no “vermelho ou preto”, a probabilidade de ganhar é de \(18/38\) (cerca de \(47,37\%\)). O prêmio é dobrado, mas como a probabilidade de vitória é inferior a \(50\%\), o valor esperado de uma única aposta é negativo.

\[ \text{Valor Esperado} = \left( \frac{18}{38} \times 1 \right) + \left( \frac{20}{38} \times (-1) \right) = -\frac{1}{19} \approx -0{,}0526 \]

Em outras palavras, para cada dólar apostado, o jogador perde, em média, cerca de \(5,26\) centavos. Com giros independentes e a mesma quantia apostada no vermelho em cada giro, o lucro médio da casa por aposta converge quase certamente para \(1/19\approx5{,}26\%\) do valor apostado. Isso não é convergência do lucro total nem garantia de lucro após um número finito de apostas. Despesas, valores variáveis e restrições de capital precisam ser considerados separadamente.

  sequenceDiagram
    participant P as "Jogador"
    participant C as "Cassino"
    P->>C: "Aposta única (fator sorte é grande)"
    C-->>P: "Flutuação de vitórias e derrotas (curto prazo)"
    loop "Dezenas de milhares de tentativas"
        P->>C: "Apostas contínuas"
        C-->>C: "O lucro médio por aposta se aproxima da esperança"
    end
    C-->>C: "Pode haver perda em um período finito"

4. Definição matemática da Lei dos Grandes Números

Dependendo da força da convergência, a Lei dos Grandes Números se divide em dois tipos: a Lei Fraca dos Grandes Números (WLLN) e a Lei Forte dos Grandes Números (SLLN). Em termos estritamente matemáticos, isso é expresso da seguinte forma.

4.1. Lei Fraca dos Grandes Números (WLLN)

A lei fraca baseia-se no conceito de “convergência em probabilidade”. Sejam \(X_1,X_2,\dots\) independentes e identicamente distribuídas (i.i.d.), com \(E[|X_1|]<\infty\) e \(E[X_1]=\mu\). Para a média amostral \(\bar{X}_n=\frac{1}{n}\sum_{i=1}^n X_i\), vale o seguinte para todo \(\epsilon>0\).

\[ \lim_{n \to \infty} P(|\bar{X}_n - \mu| > \epsilon) = 0 \]

Isso significa que “à medida que o tamanho da amostra \(n\) aumenta, a probabilidade de que a média amostral se desvie do verdadeiro valor esperado por mais de \(\epsilon\) se aproxima de \(0\)”.

4.2. Lei Forte dos Grandes Números (SLLN)

A lei forte baseia-se no conceito mais rigoroso de “convergência quase certa (convergência com probabilidade 1)”.

\[ P\left(\lim_{n \to \infty} \bar{X}_n = \mu \right) = 1 \]

A lei fraca diz que, para cada n suficientemente grande, a probabilidade de exceder uma tolerância fixa de erro se torna pequena. Sob as mesmas condições de independência, distribuição idêntica e integrabilidade, a lei forte afirma que toda a sequência de médias converge para a esperança em um evento de probabilidade um. Exceções de probabilidade zero são possíveis. Nenhuma das leis garante igualdade exata após um número finito de ensaios nem lucros permanentemente positivos.

4.3. Prova da Lei Fraca usando a desigualdade de Chebyshev

Para esta prova, suponha adicionalmente variância finita, \(\sigma^2<\infty\), e aplique a desigualdade de Chebyshev. A lei fraca i.i.d. não exige, por si só, variância finita. Seja \(\mu_Y\) o valor esperado de uma variável aleatória \(Y\) e \(\sigma_Y^2\) sua variância, a desigualdade de Chebyshev é expressa da seguinte forma:

\[ P(|Y - \mu_Y| \ge \epsilon) \le \frac{\sigma_Y^2}{\epsilon^2} \]

Aqui, digamos que \(Y = \bar{X}_n\). Se a variância de cada \(X_i\) é \(\sigma^2\), a variância da média amostral \(\bar{X}_n\) será \(\sigma^2 / n\). Substituindo isso na desigualdade de Chebyshev:

\[ P(|\bar{X}_n - \mu| \ge \epsilon) \le \frac{\sigma^2}{n \epsilon^2} \]

Quando \(n \to \infty\), o lado direito se aproxima de \(0\). Portanto, a probabilidade no lado esquerdo também converge para \(0\), provando a lei fraca.

5. A falácia do apostador (Gambler’s Fallacy)

Um viés psicológico famoso nascido da má interpretação da Lei dos Grandes Números é a falácia do apostador.

Quando as pessoas veem o “vermelho” sair 10 vezes seguidas na roleta, muitos pensam “o preto deve estar prestes a sair”. Isso se baseia no raciocínio errôneo de que “uma vez que a Lei dos Grandes Números afirma que a proporção entre vermelho e preto deve convergir para \(50\%\), o preto se torna mais provável de aparecer para compensar o desequilíbrio anterior”.

Em uma roleta ideal de 38 casas com giros independentes, o próximo giro tem probabilidade \(18/38\) de vermelho e \(18/38\) de preto, independentemente dos resultados anteriores. Por causa de 0 e 00, nenhuma proporção limite é 50%. A lei não cria uma força que compense desequilíbrios passados nem muda as probabilidades do próximo resultado.

6. Simulação com Python

Vamos visualizar concretamente a Lei dos Grandes Números através da programação. Simularemos o lançamento de um dado e observaremos como a média dos resultados converge para o valor esperado de 3,5.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import numpy as np
import matplotlib.pyplot as plt

# Parâmetros da simulação
n_trials = 10000  # Número de tentativas
expected_value = 3.5  # Valor esperado da face do dado

# Gerar aleatoriamente números de 1 a 6
np.random.seed(42)
rolls = np.random.randint(1, 7, size=n_trials)

# Calcular a média cumulativa
cumulative_average = np.cumsum(rolls) / np.arange(1, n_trials + 1)

# Plotar os resultados
plt.figure(figsize=(10, 6))
plt.plot(cumulative_average, label=r"$\bar{X}_n$", color="blue", alpha=0.7)
plt.axhline(y=expected_value, color="red", linestyle="--", label=r"$E[X]=3.5$")
plt.title(r"$\bar{X}_n$")
plt.xlabel(r"n")
plt.ylabel(r"$\bar{X}_n$")
plt.legend()
plt.grid(True)
plt.show()

Este exemplo ilustra uma média cumulativa oscilando perto de 3,5. Uma simulação finita ajuda a intuição, mas não é uma prova. A média pode se afastar da esperança ao longo do caminho e não precisa ser exatamente 3,5 em nenhum momento.

7. Casos em que a Lei dos Grandes Números não se aplica: Distribuição de Cauchy

A Lei dos Grandes Números não é universal. Um pré-requisito é que “o valor esperado (média) deve ser finito”. A distribuição de Cauchy não tem esperança absoluta finita, e sua média é indefinida. Isso não significa que a média seja infinito positivo. Seu segundo momento é infinito, e ela não possui variância finita usual.

A média amostral de variáveis de Cauchy padrão independentes continua sendo Cauchy padrão para todo \(n\); portanto, não converge em probabilidade para uma constante. Em dados reais, caudas pesadas por si só não demonstram falha da lei: verifique integrabilidade, dependência e as demais condições do modelo.

8. Exemplos de aplicação no mundo real

A Lei dos Grandes Números é usada não apenas em cassinos, mas em vários sistemas que sustentam as bases de nossa sociedade.

8.1. O setor de seguros

Em seguros, calcular médias de perdas entre muitos contratos pode ajudar a prever o risco agregado. A quantidade de contratos por si só não garante alta precisão. Os modelos devem considerar catástrofes compartilhadas, perdas correlacionadas, diferenças entre grupos e mudanças nas distribuições das perdas ou nas condições das apólices.

8.2. Controle de qualidade estatístico

Na fabricação de produtos em fábricas, muitas vezes é impossível inspecionar todos os produtos do ponto de vista de custo e tempo. Portanto, inspeciona-se uma parcela dos produtos selecionada aleatoriamente (amostra), e a partir dos resultados estima-se a taxa de defeito geral. Aqui também, a Lei dos Grandes Números serve como um poderoso fundamento para inferir as propriedades de uma população a partir de uma amostra.

8.3. Aprendizado de Máquina (Machine Learning) e Big Data

No aprendizado de máquina, a lei pode justificar a convergência da perda média observada para a perda esperada de um modelo fixo, quando as perdas são i.i.d. e integráveis. A generalização após escolher um modelo com dados de treinamento exige argumentos adicionais. Mais dados, por si só, não eliminam viés de amostragem, mudança de distribuição nem especificação inadequada do modelo.

9. Conclusão

A Lei dos Grandes Números é uma ferramenta poderosa para entendermos um mundo altamente incerto e tomar decisões racionais. Da estrutura de lucros de um cassino aos seguros e à tecnologia de IA, esta lei atua de forma silenciosa e segura em todos os lugares da sociedade moderna.

Da próxima vez que você jogar uma moeda ou lançar um dado, por que não pensar nas grandes e belas leis matemáticas ocultas por trás de cada acaso? Em vez de ir da alegria à tristeza com a sorte a curto prazo, ter uma visão a longo prazo pode mudar um pouco a maneira como o mundo lhe parece.