Trinta observações é o número que circula em treinamento, apostila e resposta de fórum: com trinta dados, dizem, o teorema central do limite garante que você pode tratar tudo como normal. É a formulação mais difundida do teorema e está errada em três pontos ao mesmo tempo.
O teorema não diz nada sobre os seus dados. Ele não os torna normais, não corrige assimetria e não autoriza aplicar métodos que exigem normalidade sobre valores individuais. E o número 30 não é uma constante do teorema — é uma regra prática que funciona em alguns casos e falha claramente em outros.
O que o teorema afirma é uma coisa só, e sobre outro objeto: a distribuição das médias de amostras tende a se aproximar de uma normal conforme o tamanho da amostra cresce, mesmo quando a população de onde elas vêm não tem nada de normal. Os dados continuam sendo o que são. O que muda de comportamento é a média deles.
De onde vem o teorema
O problema que originou o resultado é antigo e prático: no século XVIII, astrônomos precisavam combinar medições repetidas do mesmo objeto celeste, feitas por instrumentos e observadores diferentes, cada uma com erro próprio. A pergunta era como se comportava a média dessas medições — não cada medição isolada.
De Moivre tratou o caso particular do lançamento de moedas, Laplace generalizou, e ao longo do século XIX o resultado ganhou a forma que usamos. A pergunta original é exatamente a que importa em qualquer processo: eu não controlo o erro de uma medição individual, mas se eu agregar várias, o que acontece com o agregado?
Acontece isto: a distribuição das médias fica mais simétrica que a distribuição original, e mais estreita — e o quanto ela estreita é calculável. O desvio padrão das médias amostrais é o desvio padrão da população dividido pela raiz do tamanho da amostra.
Um processo assimétrico, na prática
Tempos de atendimento raramente são simétricos. Existe um piso — nenhum atendimento dura menos que zero — e não existe teto, então a distribuição tem cauda longa à direita. Suponha um processo com média de 8,0 minutos e desvio padrão de 8,0 minutos, o formato típico desse tipo de variável. O histograma da população não lembra um sino em momento algum.
Agora observe o que acontece com as médias de subgrupos coletados desse mesmo processo:
- Subgrupos de 4 atendimentos: desvio padrão das médias de 4,0 minutos
- Subgrupos de 9: 2,67 minutos
- Subgrupos de 25: 1,6 minuto
- Subgrupos de 100: 0,8 minuto
Duas coisas acontecem ao mesmo tempo. A dispersão encolhe — e encolhe com a raiz, não com o tamanho: passar de 4 para 100 observações multiplica a amostra por 25 e reduz a dispersão por 5. E a forma se aproxima da normal, mesmo com a população assimétrica.
É isso que sustenta boa parte do ferramental estatístico aplicado a processos reais, que quase nunca são normais. A margem calculada em intervalo de confiança depende dessa aproximação, e é por ela que a fórmula funciona sem exigir que os dados brutos tenham formato de sino.
Onde a aproximação falha
O número 30 vem de uma boa intuição mal comunicada. Para distribuições quase simétricas, subgrupos de 4 ou 5 já produzem médias bem comportadas. Para distribuições fortemente assimétricas, 30 pode não bastar.
Um caso concreto de falha: controle de proporção de itens defeituosos com proporção real de 3%. Com subgrupos de 200 peças, o desvio padrão da proporção amostral é de 1,21 ponto percentual, e um limite calculado a três desvios daria de −0,62% a 6,62%. O limite inferior é negativo, o que é impossível — sinal claro de que a aproximação normal não vale ali. A regra prática que detecta isso é simples: o número esperado de defeituosos por subgrupo precisa ser confortavelmente maior que 5, e 200 × 3% dá exatamente 6.
Com subgrupos de 1.000 peças, o número esperado sobe para 30, o desvio padrão cai para 0,54 ponto percentual e os limites ficam entre 1,38% e 4,62% — todos possíveis. Mesmo processo, mesma proporção, conclusão diferente sobre a validade do método.
Teorema central do limite e lei dos grandes números
Os dois são confundidos com frequência porque ambos falam de amostras grandes, mas respondem a perguntas diferentes.
| Lei dos grandes números | Teorema central do limite | |
|---|---|---|
| Sobre o quê | O valor da média amostral | A forma da distribuição das médias |
| O que afirma | Converge para a média real da população | Aproxima-se de uma normal |
| Pergunta que responde | Minha estimativa está certa? | Quanto ela pode variar, e com que formato? |
| Sem ele | Amostrar não faria sentido | Não haveria como calcular margem nem limite |
Em uma frase: a lei dos grandes números garante que você chega perto do valor certo; o teorema central do limite descreve como você chega, e é isso que permite quantificar o erro.
Quando confiar na aproximação
A tabela abaixo é para consulta antes de aplicar qualquer método que suponha normalidade das médias.
Tabela de decisão — a aproximação normal vale no meu caso?
| Situação | O que verificar | Decisão |
|---|---|---|
| Dados contínuos, distribuição aproximadamente simétrica | Histograma sem cauda longa evidente | Subgrupos de 4 a 5 já bastam para a média |
| Dados contínuos, assimetria moderada | Cauda de um lado, sem valores extremos isolados | Use subgrupos de 10 ou mais |
| Dados contínuos, assimetria forte (tempos, custos, paradas) | Cauda longa; média bem maior que a mediana | 30 pode não bastar — verifique a forma das médias antes de confiar |
| Proporção de defeituosos | Número esperado de defeituosos por subgrupo (n × p) | Confortavelmente acima de 5; se der limite negativo, não vale |
| Contagem de ocorrências por unidade | Número médio de ocorrências por subgrupo | Acima de 5; abaixo disso, use o método próprio para contagem |
| Valores individuais, sem subgrupo | Não há média amostral envolvida | O teorema não se aplica — verifique a distribuição dos dados brutos |
Escola EDTI · escolaedti.com.br · Versão completa e exemplos: escolaedti.com.br/teorema-central-do-limite/
Use a impressão do navegador (Ctrl+P ou Cmd+P) para levar só esta tabela.
A última linha da tabela é a que mais custa caro
Cartas de controle de médias trabalham com subgrupos, e é justamente por isso que funcionam em processos assimétricos: os pontos plotados não são medições individuais, são médias, e o teorema garante o comportamento delas. É a razão pela qual cartas de controle são robustas em situações que fariam qualquer teste de normalidade reprovar os dados brutos.
Cartas de valores individuais não têm essa proteção. Cada ponto é uma observação, não uma média, e o teorema simplesmente não está em jogo. Aplicar limites a três desvios sobre dados fortemente assimétricos produz alarme falso constante de um lado e cegueira do outro — e o efeito prático é a equipe perder a confiança na carta em poucas semanas.
Vale notar o que essa distinção implica sobre a leitura de qualquer indicador: um valor isolado e uma média de subgrupo têm comportamentos estatísticos diferentes, e tratá-los da mesma forma é a origem de boa parte das reações a ruído. Distinguir oscilação normal de sinal real é assunto de variação estatística, e o formato da distribuição em si está em a distribuição normal.
Onde este assunto termina
O teorema central do limite explica por que é possível calcular margem e limite sobre processos que não são normais. Ele não diz quais subgrupos formar, com que frequência coletar, nem como interpretar um ponto fora dos limites — daqui em diante o problema é de controle estatístico de processo, e a ferramenta é a carta.
Também não diz se a mudança que você fez no processo funcionou. Ele descreve o comportamento da amostragem, não o do processo; separar efeito de mudança de oscilação natural exige método, com hipótese declarada antes e verificação ao longo do tempo. É esse encadeamento — entender a variação, medir com o instrumento certo, testar e verificar — que a formação Green Belt percorre inteiro, e você pode conhecer a lógica dele pela certificação White Belt gratuita da EDTI antes de decidir se quer se aprofundar.
Conteúdo revisado pelo Master Black Belt Marcelo Petenate, estatístico, formado pela Unicamp, mestre pela USP e especialista em Lean Six Sigma e melhoria contínua. Nesta revisão, o foco foi separar o que o teorema afirma sobre médias amostrais do que costuma ser atribuído a ele sobre os dados brutos.
Perguntas frequentes
O teorema central do limite torna meus dados normais?
Não. Os dados brutos continuam com a distribuição que sempre tiveram. O que se aproxima de uma normal é a distribuição das médias de amostras retiradas dessa população, e apenas ela. Confundir as duas coisas leva a aplicar métodos que exigem normalidade sobre valores individuais assimétricos.
De onde vem a regra dos 30?
É uma regra prática, não parte do teorema. Ela vem da observação de que, para muitas distribuições encontradas na prática, amostras de 30 já produzem médias razoavelmente normais. Para distribuições quase simétricas, 5 costuma bastar; para assimetria forte, 30 pode ser insuficiente.
Qual a diferença entre desvio padrão e erro padrão?
O desvio padrão descreve a dispersão dos dados individuais. O erro padrão descreve a dispersão das médias amostrais, e é igual ao desvio padrão dividido pela raiz do tamanho da amostra. É por isso que o erro padrão é sempre menor, e é ele que aparece nas fórmulas de margem e de limite.
Como sei se a aproximação vale no meu caso?
Para dados contínuos, olhe a forma da distribuição original: quanto mais assimétrica, maior o subgrupo necessário. Para proporções e contagens, verifique o número esperado de ocorrências por subgrupo, que precisa estar confortavelmente acima de 5. Limite de controle negativo em variável que não pode ser negativa é o sinal mais direto de que a aproximação falhou.
O teorema vale para qualquer distribuição?
Vale para distribuições com média e variância finitas, o que cobre praticamente tudo o que aparece em processos reais. Existem distribuições teóricas em que ele não se aplica, mas elas não são o seu caso no chão de fábrica ou no atendimento.
Onde o teorema central do limite entra na formação Lean Six Sigma?
Ele é o fundamento silencioso da fase de medição e de controle: sustenta o cálculo de intervalos, o dimensionamento de amostra e o funcionamento das cartas de médias em processos que não são normais. Nos cursos da Escola EDTI ele não é ensinado como fórmula a decorar, e sim como a razão pela qual é possível tomar decisão com amostra — que é o que um profissional precisa entender para não aplicar o método certo na situação errada.