Desvio Padrão É A Raiz Quadrada Da Variância

Entendendo desvio padrão e variância na prática

A maioria das pessoas aprende que desvio padrão é a raiz quadrada da variância, decora a fórmula e esquece disso até o próximo problema aparecer. Na prática, essa relação simples esconde decisões importantes que mudam completamente o resultado final.

desvio padrão é a raiz quadrada da variância

A variância mede o quão dispersos os dados estão em relação à média, mas como ela eleva tudo ao quadrado, o resultado fica numa unidade que não faz sentido no contexto original. Se você está medindo altura em centímetros, a variância fica em centímetros quadrados. Sem significado prático. É aí que o desvio padrão entra, trazendo tudo de volta à unidade original. O cálculo parte dos desvios de cada ponto em relação à média, eleva ao quadrado para eliminar sinais negativos, calcula a média desses quadrados e depois aplica a raiz quadrada. Quando se trata de uma amostra e não da população inteira, usa-se n-1 no denominador. Essa correção de Bessel evita o subestimador sistemático que aconteceria se dividíssemos por n. A diferença entre usar n ou n-1 não é teórica. Em amostras pequenas, como 10 ou 15 observações, ela pode separar um desvio padrão de 2,3 de um de 2,5. O mesmo conjunto de dados, resultados diferentes.

Eu trabalhei com dados de produção industrial onde a variância aparecia oscilando dentro de lotes específicos. A média era aparentemente estável, mas a variância dentro de cada lote variava de 4 a 18. Um desvio padrão geral mascarava completamente essa heterogeneidade. Apliquei uma análise de variância (ANOVA) de dois níveis para separar a variabilidade intra-lote da inter-lote, em vez de confiar no desvio padrão simples. Isso mostrou que o problema principal estava dentro dos lotes, não entre eles, e permitiu ajustar o processo de forma cirúrgica. A variância populacional se calcula somando os quadrados dos desvios e dividindo por N. A amostral se divide por n-1. Em planilhas, a função VAR.P assume população, e VAR.S assume amostra. Usar a função errada é um erro comum e difícil de detectar a olho nu, porque o resultado ainda parece plausível.

Quando usar cada versão

Se você tem acesso a todos os elementos do grupo que quer descrever, usa a fórmula populacional. Se está inferindo sobre uma população maior a partir de uma amostra, usa a amostral. A regra prática é quase sempre aplicar VAR.S. Na maioria dos casos reais, ninguém tem a população inteira. Outro ponto que poucos destacam: o desvio padrão pressupõe simetria ao redor da média para ter interpretação direta. Em distribuições assimétricas, como renda familiar ou tempo de resposta de servidores, a maior parte dos dados pode estar concentrada numa faixa estreita, mas uma cauda longa infla o desvio padrão de forma desproporcional. Nesse cenário, a amplitude interquartil ou o desvio absoluto mediano são mais informativos. Eu vi relatórios de SLA de infraestrutura usarem desvio padrão como se fosse métrica única, e o número ficava inflado por alguns outliers pontuais que distorciam a percepção de estabilidade do sistema.

A rigor, a interpretação clássica de que cerca de 68 dos dados ficam dentro de um desvio padrão da média só se aplica a distribuições normais. Fora dela, esse intervalo pode conter 40 ou 80 por cento dos valores. Se você calcular desvio padrão é a raiz quadrada da variância em dados não normais e aplicar a regra empírica sem verificar, pode cometer erros sérios de planejamento, especialmente em controle de qualidade e dimensionamento de capacidade.

Um problema recorrente com outliers

Uma vez, lidando com medições de temperatura de um equipamento que tinha vedações defeituosas ocasionais, o desvio padrão apontava para uma variabilidade aceitável, mas os testes de controle estatístico de processo mostravam pontos fora dos limites de controle. O desvio padrão é sensível a valores extremos porque trabalha com quadrados. Um único outlier de 15 graus acima da média contribui com 225 vezes mais para a variância do que um desvio de 1 grau. A solução foi identificar esses pontos primeiro com gráfico de boxplot ou teste de Grubb, decidir se eram erros de medição ou eventos reais, e só então recalcular. Quando eram erros, a substituição por Winsorização reduziu o desvio padrão em 40 por cento, alterando totalmente a conclusão sobre a estabilidade do processo. Se o objetivo é apenas descrever um conjunto fechado de dados, a população é suficiente. Se o objetivo é generalizar, usar a amostra com correção de Bessel é o padrão recomendado. E se os dados forem fortemente assimétricos ou contiverem outliers influentes, considere alternativas ou trate os dados antes de confiar no número final.