Exercício 6 Para cada cenário abaixo, indique se a distribuição binomial é um modelo razoável para a variável aleatória.
Seja X o número de acidentes nas rodovias de São Paulo durante um mês;

Passo 1

O enunciado dá: seja X o número de acidentes nas rodovias de São Paulo durante um mês. A pergunta é: para esse cenário, a distribuição binomial é um modelo razoável para a variável aleatória X?\n
Informações explícitas fornecidas:
  • A variável é um contador: conta acidentes ocorridos em um intervalo de tempo (um mês).
  • O intervalo de observação é fixo: um mês.
  • Não há dados numéricos (como taxa média) no enunciado.
  • Não há definição de “trial” (ensaio) no enunciado: precisamos avaliar se faz sentido definir ensaios bernoulliianos aqui.

Passo 2

O que é a distribuição binomial (aula rápida, calma — sem pânico):
  • A distribuição binomial descreve o número de sucessos em n ensaios independentes de Bernoulli, cada um com probabilidade de sucesso p fixa.
  • Formalmente, se X\sim\text{Binomial}(n,p) então
\Pr(X=k)=\binom{n}{k} p^{k}(1-p)^{\,n-k},\quad k=0,1,\dots,n.
  • Significado das variáveis:
    • n é o número fixo de ensaios (por exemplo, número de lançamentos de moeda).
    • p é a probabilidade de sucesso em cada ensaio (a mesma para todos).
    • Cada ensaio tem só duas possibilidades: “sucesso” ou “fracasso” (por exemplo, acidente ocorreu vs não ocorreu para aquele ensaio).
  • Condições essenciais para o modelo binomial ser apropriado:
    1. Existe um número fixo e conhecido de ensaios n.
    2. Cada ensaio tem exatamente duas saídas (sucesso/fracasso).
    3. Os ensaios são independentes.
    4. A probabilidade de sucesso p é a mesma em todos os ensaios.
  • Exemplo simples que a gente conhece: número de caras em n lançamentos de moeda justa ( p=1/2).

Passo 3

Agora vamos checar, item por item, se essas condições fazem sentido para “número de acidentes numa rodovia em um mês”:
  1. Número fixo de ensaios n:
    • Para usar binomial precisamos escolher um n claro (ex.: número de motoristas, número de viagens, número de segmentos-km, etc.). No enunciado não há um n natural e fixo.
    • Se eu escolher “motoristas” como ensaios, esse n varia com quem dirige, quantas viagens, etc.; não é um n fixo e bem definido na prática.
    • Conclusão: condição do n fixo é problemático aqui.
  2. Dois resultados por ensaio (sucesso/fracasso):
    • Poderíamos forçar isso: para cada motorista, “teve pelo menos um acidente no mês” (sucesso) vs “não teve” (fracasso). Mas isso ignora a possibilidade de um mesmo motorista ter múltiplos acidentes no mês.
    • O número total de acidentes pode ser maior que o número de motoristas que tiveram algum acidente (porque um motorista pode ter 2, 3, … acidentes). A binomial conta somente número de sucessos por ensaio, não múltiplos sucessos por mesmo ensaio.
    • Conclusão: a ideia de “duas saídas por ensaio” não captura bem a realidade quando múltiplos acidentes por unidade (motorista/viagem) são possíveis.
  3. Independência entre ensaios:
    • Acidentes não são totalmente independentes: condições climáticas, obras, engarrafamentos, um acidente pode causar outros, horários de pico influenciam risco, etc.
    • Esses fatores criam dependência e heterogeneidade temporal e espacial.
    • Conclusão: independência é duvidosa.
  4. Probabilidade constante p:
    • Risco de acidente varia com motorista, veículo, horário, trecho das rodovias, condições meteorológicas, dia da semana, campanhas de segurança etc.
    • Logo, assumir um p constante para todos os “ensaios” é muito forte e irrealista.
    • Conclusão: constante p é improvável.

Passo 4

Resumo do diagnóstico: vários requisitos da binomial são violados ou muito difíceis de garantir no cenário real:
  • Não há um n natural e fixo que represente os “ensaios” de forma adequada.
  • Motoristas/viagens podem gerar múltiplos acidentes (violando a ideia de no máximo 1 sucesso por ensaio).
  • Independência e probabilidade constante são condições fracas aqui por causa de fatores externos (tempo, tráfego, etc.).
Posso tentar “forçar” um modelo binomial? Sim — por exemplo, dividir o mês em muitos pequenos intervalos de tempo e definir um “ensaio” como “ocorre ao menos um acidente nesse micro-intervalo” — mas isso costuma ser artificial, gera dependências temporais e, no limite, quando os intervalos ficam muito pequenos com probabilidade por intervalo muito pequena, o modelo binomial (com n grande e p pequeno) aproxima-se de um modelo de Poisson. Então, mesmo ao forçar, a binomial não é a escolha natural nem prática.

Passo 5

Sugestão de modelo mais apropriado (breve aula sobre alternativa):
  • Para contagens de eventos que ocorrem ao longo do tempo/ espaço, quando:
    • os eventos são “raros” em pequenos intervalos,
    • a ocorrência (aproximadamente) tem taxa constante por unidade de tempo/área,
    • o número de eventos é não limitado (pode ser 0,1,2,3,…),
      então costuma-se usar o processo de Poisson e a distribuição de Poisson.
  • Se X\sim\text{Poisson}(\lambda), então
\Pr(X=k)=e^{-\lambda}\frac{\lambda^{k}}{k!},\quad k=0,1,2,\dots,
onde \lambda é a média (ou taxa multiplicada pelo período) — por exemplo, o número médio de acidentes por mês.
  • Por que o Poisson costuma ser melhor aqui?
    • Não precisa de um n fixo.
    • Permite múltiplos eventos (acidentes) em um mesmo “agente” ou período.
    • Suporta qualquer k\in\{0,1,2,\dots\}.
    • Em muitos contextos práticos de acidentes/órbitos/falhas por unidade de tempo, os dados se ajustam melhor ao Poisson (ou modelos relacionados, como Poisson com taxa variável — mistura de Poisson — se houver heterogeneidade).
  • Exemplo rápido: se a média histórica é \lambda=50 acidentes por mês, a probabilidade de exatamente k acidentes é dada pela fórmula acima; a média e variância do Poisson são ambas \lambda.

Passo 6

Conclusão final (meio abraço motivacional: você está indo bem — a pergunta era qualitativa):
  • A binomial exige n fixo, ensaios independentes, e probabilidade p constante por ensaio — condições que não são razoáveis para contar acidentes em rodovias ao longo de um mês.
  • Portanto, a distribuição binomial não é um modelo razoável para X. Em vez disso, modelos de contagem tipo Poisson (ou variações que permitem heterogeneidade) são normalmente mais apropriados.

Resposta

Não — a distribuição binomial não é um modelo razoável para X.

Exercícios relacionados