Em um projeto de monitoramento de produção, a equipe de engenharia precisa modelar a probabilidade de falhas. Considere os dois cenários abaixo e responda às questões:
Cenário A: Inspeção de Conexões Soldadas
Um robô inspeciona 150 conexões soldadas em uma estrutura. A taxa histórica de falha de uma única solda é de \mathrm{p}=0,008. O engenheiro precisa estimar a probabilidade de encontrar mais de 3 soldas com falha no lote.
Cenário B: Ocorrência de Curto-Circuitos
Em uma subestação elétrica, o número de curtos-circuitos por mês é registrado. Historicamente, ocorre uma média de \lambda=1,8 curtos-circuitos a cada 30 dias. O engenheiro precisa calcular a probabilidade de ocorrer exatamente 4 curtoscircuitos em um período de 45 dias.
a) Para cada cenário (A e B), identifique e justifique qual é a distribuição de probabilidade discreta mais adequada para modelar o problema (Binomial ou Poisson). Apresente os parâmetros necessários em cada caso.
b) Em relação ao Cenário A, justifique se seria adequado utilizar a Distribuição de Poisson como aproximação para a Distribuição Binomial. Cite os critérios matemáticos que suportam ou refutam essa aproximação e explique o benefício prático (ou a desvantagem) de usar a aproximação em vez do cálculo exato da Binomial.
c) No Cenário B, qual é o erro conceitual mais comum que um engenheiro inexperiente poderia cometer ao calcular a probabilidade para o período de 45 dias? Explique por que esse erro levaria a um resultado incorreto.

Passo 1

O enunciado traz dois cenários e pede três coisas (a, b, c). Vou listar claramente os dados e o que cada pergunta exige:
Cenário A (Inspeção de conexões soldadas)
  • Dados fornecidos: número de soldas inspecionadas n=150; taxa histórica de falha por solda p=0,008.
  • Pergunta associada: estimar a probabilidade de encontrar mais de 3 soldas com falha no lote (ou seja, calcular \Pr(X>3) onde X é o número de falhas entre as 150 soldas).
Cenário B (Ocorrência de curto-circuitos)
  • Dados fornecidos: média histórica \lambda=1,8 curtos em 30 dias.
  • Pergunta associada: calcular a probabilidade de ocorrer exatamente 4 curtos em 45 dias (ou seja, \Pr(Y=4) em 45 dias).
As perguntas pedem também:
a) identificar e justificar qual distribuição discreta é adequada (Binomial ou Poisson) e apresentar parâmetros;
b) para o Cenário A, justificar se é adequado usar Poisson como aproximação da Binomial (critérios matemáticos e vantagem/desvantagem prática);
c) para o Cenário B, indicar o erro conceitual mais comum ao calcular para 45 dias e explicar por que seria incorreto.
A partir do Passo 2 eu começo a resolver e ensinar passo a passo.

Passo 2

(Teoria + escolha para o Cenário A)
Por que a Distribuição Binomial descreve o Cenário A:
  • A Binomial modela o número de sucessos (aqui: falhas) em n tentativas independentes, quando cada tentativa tem mesma probabilidade p de “sucesso” (falha).
  • Requisitos verificados:
    1. número fixo de inspeções: n=150 — OK;
    2. cada solda tem probabilidade igual de falhar p=0,008 — OK;
    3. resultados são independentes (pressuposto típico em inspeção de itens distintos) — assumimos OK.
  • Portanto, X (número de soldas com falha) segue a Binomial:
X \sim \text{Binomial}\bigl(n=150,\; p=0,008\bigr).
Fórmula da probabilidade binomial (explicando cada símbolo):
\Pr(X=k)=\binom{n}{k}\,p^{k}\,(1-p)^{n-k},
onde \binom{n}{k}=\dfrac{n!}{k!(n-k)!} conta de quantas maneiras escolher as k falhas entre n itens, p^{k} é a probabilidade de termos exatamente k falhas e (1-p)^{n-k} a probabilidade das outras serem não-falhas. Aqui queremos \Pr(X>3)=1-\sum_{k=0}^{3}\Pr(X=k).

Passo 3

(Cálculo explícito — Binomial exata para Cenário A)
Vou calcular passo a passo as probabilidades \Pr(X=k) para k=0,1,2,3 e somar.
Primeiro defino q=1-p=1-0,008=0,992.
  1. k=0
\Pr(X=0)=q^{150}=0,992^{150}.
Cálculo (explicando): é mais prático calcular \ln(q^{150})=150\ln(0,992) e então exponenciar. Fazendo isso (mostrando somente o resultado numérico arredondado):
\Pr(X=0)\approx 0,299793.
  1. k=1
\Pr(X=1)=\binom{150}{1}p\,q^{149}=150\cdot 0,008\cdot 0,992^{149}.
Podemos usar 0,992^{149}=0,992^{150}/0,992. Calculando:
\Pr(X=1)\approx 0,362785.
  1. k=2
\Pr(X=2)=\binom{150}{2}p^{2}q^{148}=\frac{150\cdot149}{2}\cdot 0,008^{2}\cdot 0,992^{148}.
Cálculo explícito do coeficiente binomial e do produto:
\Pr(X=2)\approx 0,217844.
  1. k=3
\Pr(X=3)=\binom{150}{3}p^{3}q^{147}=\frac{150\cdot149\cdot148}{6}\cdot 0,008^{3}\cdot 0,992^{147}.
Cálculo:
\Pr(X=3)\approx 0,086648.
Agora somo as quatro probabilidades:
\sum_{k=0}^{3}\Pr(X=k)\approx 0,299793+0,362785+0,217844+0,086648=0,967070.
Logo a probabilidade buscada é
\Pr(X>3)=1-0,967070\approx 0,03293.
Interpretação: cerca de 3,293\% de chance de encontrar mais de 3 soldas com falha no lote de 150.

Passo 4

(Poisson como aproximação no Cenário A — cálculo aproximado)
Teoria rápida: a Distribuição de Poisson aparece como limite da Binomial quando n\to\infty, p\to 0 e n p \to \lambda fixo. A fórmula da Poisson:
\Pr(X=k)\approx e^{-\lambda}\frac{\lambda^{k}}{k!},
onde \lambda é a média esperada E[X]=np.
Aplicando ao nosso caso:
\lambda = n p = 150\cdot 0,008 = 1,2.
Calculo por Poisson (usando complemento como antes):
  • Primeiro calculo \Pr(X=k) para k=0,1,2,3 usando \lambda=1,2:
\Pr(X=0)=e^{-1,2}\frac{1,2^{0}}{0!}=e^{-1,2}\approx 0,301194.
\Pr(X=1)=e^{-1,2}\frac{1,2^{1}}{1!}\approx 0,361433.
\Pr(X=2)=e^{-1,2}\frac{1,2^{2}}{2!}\approx 0,216860.
\Pr(X=3)=e^{-1,2}\frac{1,2^{3}}{3!}\approx 0,086744.
Somando:
\sum_{k=0}^{3}\Pr(X=k)\approx 0,966231,
portanto
\Pr(X>3)\approx 1-0,966231=0,033769.
Comparação com o valor exato Binomial:
\text{Binomial exata: }\Pr(X>3)\approx 0,03293;\quad\text{Poisson: }\Pr(X>3)\approx 0,03377.
Erro absoluto ≈ 0,00084 (menos de 0,001), erro relativo cerca de 2,6\%. Conclusão prática: a aproximação é muito boa neste caso e facilita contas.

Passo 5

(Identificação e cálculo para o Cenário B)
Por que usar Poisson no Cenário B:
  • O número de curtos em um intervalo de tempo é tipicamente modelado por um processo Poisson quando:
    1. eventos são raros e ocorrem independentemente;
    2. a taxa média é constante por unidade de tempo;
    3. o número de eventos em intervalos disjuntos é independente.
  • Como foi dada uma média histórica \lambda=1,8 por 30 dias, para outro intervalo devemos escalar a taxa proporcionalmente ao comprimento do período.
Cálculo do parâmetro para 45 dias:
\lambda_{45}=\lambda_{30}\cdot\frac{45}{30}=1,8\cdot\frac{45}{30}=1,8\cdot 1,5=2,7.
Portanto, se Y é o número de curtos em 45 dias,
Y\sim\text{Poisson}\bigl(\lambda=2,7\bigr).
Queremos \Pr(Y=4). Usando a fórmula:
\Pr(Y=4)=e^{-2,7}\frac{2,7^{4}}{4!}.
Cálculo passo a passo:
  • e^{-2,7}\approx 0,0672055.
  • 2,7^{2}=7,29, 2,7^{4}=(2,7^{2})^{2}=7,29^{2}=53,1441.
  • 4!=24.
    Logo
\Pr(Y=4)\approx 0,0672055\cdot\frac{53,1441}{24}\approx 0,0672055\cdot 2,2143375\approx 0,14879.
Interpretação: cerca de 14,88\% de chance de exatamente 4 curtos em 45 dias.

Passo 6

(Resposta explícita à parte b — critérios e vantagem/desvantagem)
Critérios matemáticos para aproximar Binomial por Poisson:
  • Regra assintótica: se n\to\infty, p\to 0 e n p \to \lambda então \text{Binomial}(n,p)\to\text{Poisson}(\lambda).
  • Regras práticas (heurísticas) comuns que garantem boa aproximação:
    1. n “grande” (por exemplo n\ge 50);
    2. p “pequeno” (por exemplo p\le 0,05);
    3. np não muito grande (às vezes usam np\le 10 como guia).
      Aplicando aos dados: n=150 (grande), p=0,008 (muito pequeno) e np=1,2 (pequeno), então os critérios são satisfeitos e a aproximação é adequada.
Benefício prático: a Poisson simplifica muito os cálculos (não há combinações grandes), ideal para fazer contas rápidas à mão ou em calculadora básica.
Desvantagem: é uma aproximação — existe erro (aqui foi erro absoluto ≈ 0,00084, relativo ≈ 2{,}6\%). Em aplicações que exigem altíssima precisão (ex.: decisões industriais críticas com limites muito estreitos) pode ser preferível usar a Binomial exata.

Passo 7

(Resposta explícita à parte c — erro conceitual comum e demonstração)
Erro conceitual mais comum: não escalar a taxa para o novo período. Ou seja, usar \lambda=1,8 (a taxa por 30 dias) diretamente para 45 dias em vez de ajustar para \lambda_{45}=2,7.
Por que isso é errado:
  • Na Poisson a média \lambda é proporcional ao comprimento do intervalo. Se a taxa é 1,8 por 30 dias, em 45 dias espera-se 1,8\times(45/30)=2,7 eventos em média.
  • Usar \lambda=1,8 para 45 dias subestima a média e dará probabilidades incorretas.
Demonstração numérica do erro:
  • Correto (com \lambda=2,7): \Pr(Y=4)\approx 0,14879 (veja Passo 5).
  • Errado (usar \lambda=1,8 sem escala): \Pr(Y=4)=e^{-1,8}\dfrac{1,8^{4}}{4!}\approx 0,07233.
    Resultado errado é aproximadamente metade do correto; portanto o erro de não ajustar \lambda leva a um resultado quantitativamente muito diferente e potencialmente a decisões erradas.

Resposta

a) Cenário A: \text{Binomial}\bigl(n=150,\;p=0,008\bigr).
Cenário B: \text{Poisson}\bigl(\lambda_{45}=1,8\cdot\frac{45}{30}=2,7\bigr).
b) Sim: a aproximação Poisson é adequada porque n=150 (grande), p=0,008 (pequeno) e np=1,2 (pequeno). Benefício prático: cálculo mais simples. Valores numéricos: Binomial exata \Pr(X>3)\approx 0,03293; Poisson aproximada \Pr(X>3)\approx 0,03377 (erro absoluto ≈ 0,00084).
c) Erro comum: não escalar \lambda para 45 dias (usar \lambda=1,8 em vez de \lambda_{45}=2,7). Isso leva a um valor incorreto (ex.: \Pr(Y=4) errado ≈ 0,07233 versus correto ≈ 0,14879).

Exercícios relacionados