Um gestor de atendimento ao cliente recebe, em uma semana, 6 reclamações classificadas como graves — bem acima da média histórica de 2 por semana. A reação natural é tratar isso como uma crise: algo mudou, alguém precisa investigar urgente. Antes de reagir, vale a pergunta: com uma média de 2 reclamações graves por semana, qual é a chance de receber 6 ou mais só por variação normal, sem que nada tenha realmente mudado?
É esse tipo de pergunta que a distribuição de Poisson responde — e a resposta, neste caso específico, mostra que o alarme estava certo.
O que é distribuição de Poisson
Distribuição de Poisson é um modelo estatístico que descreve a probabilidade de um determinado número de eventos raros ocorrer dentro de um intervalo fixo de tempo ou espaço, quando esses eventos acontecem de forma independente e a uma taxa média conhecida. Diferente da distribuição binomial, não existe um número fixo de “tentativas” — o que existe é uma taxa média de ocorrência (chamada de lambda, λ) para o intervalo definido.
Quando a distribuição de Poisson se aplica
O modelo se encaixa quando os eventos são relativamente raros dentro do intervalo observado, ocorrem de forma independente uns dos outros, e existe uma taxa média conhecida e estável ao longo do tempo. Exemplos típicos incluem número de acidentes de trabalho por mês, número de falhas de equipamento por ano, número de chamados de suporte por hora, ou número de reclamações graves por semana.
Exemplo aplicado: quando 6 reclamações em uma semana é, de fato, um sinal
Voltando ao caso do gestor de atendimento: com uma taxa histórica média de 2 reclamações graves por semana (λ = 2), o modelo de Poisson permite calcular a probabilidade de receber 6 ou mais reclamações só por acaso, sem qualquer mudança real no processo. O resultado é aproximadamente 1,7% — uma chance baixa o suficiente para justificar investigação: isso aconteceria por acaso em menos de 1 a cada 50 semanas, mesmo com o processo completamente estável.
Compare com um cenário mais próximo da média: receber 3 reclamações numa semana, com a mesma taxa histórica de 2, tem uma probabilidade de cerca de 32% de ocorrer só por variação normal — bem dentro do esperado, sem justificar alarme. A diferença entre os dois cenários (3 vs. 6 reclamações) muda completamente a leitura: um é ruído comum; o outro é evidência estatística real de que algo no processo mudou.
Poisson não é a única opção para dados discretos
Quando o interesse é “quantos defeitos aparecem numa amostra de tamanho fixo” — como o número de peças defeituosas em um lote de 50 —, o modelo mais adequado costuma ser a distribuição binomial, não Poisson: a diferença está em existir (ou não) um número fixo de tentativas com probabilidade constante. Quando a variável é contínua — peso, tempo, dimensão física —, o modelo de referência é a distribuição normal.
Por que esse modelo importa na prática
Sem um modelo como Poisson, decisões sobre eventos raros costumam se basear em reação instintiva a qualquer número acima da média: “seis reclamações essa semana, algo está errado” ou “só uma essa semana, está tudo bem” — sem nenhuma base para saber se essas variações estão dentro do esperado ou fora dele. O modelo transforma essa intuição em número concreto, permitindo distinguir com precisão quando um pico exige investigação e quando é apenas o comportamento normal e esperado de eventos raros.
Conteúdo revisado pelo Master Black Belt Marcelo Petenate, estatístico, formado pela Unicamp, mestre pela USP e especialista em Lean Six Sigma e melhoria contínua.
Saber quando um número fora da média é ruído e quando é sinal real de mudança é uma das habilidades mais valiosas de quem trabalha com dado. A certificação White Belt gratuita ensina esse método com profundidade.
Perguntas frequentes
Qual a diferença entre distribuição de Poisson e distribuição binomial?
A binomial modela o número de sucessos em um número fixo de tentativas, com probabilidade constante por tentativa. A Poisson modela o número de eventos raros num intervalo de tempo ou espaço, sem um número fixo de “tentativas” — apenas uma taxa média conhecida.
O que significa o parâmetro lambda (λ) na distribuição de Poisson?
Lambda é a taxa média de ocorrência do evento no intervalo considerado — por exemplo, 2 reclamações graves por semana. É o único parâmetro necessário para calcular as probabilidades do modelo.
Distribuição de Poisson serve para qualquer tipo de evento raro?
Serve quando os eventos ocorrem de forma independente e a uma taxa média estável ao longo do tempo. Se os eventos tendem a ocorrer em grupos (um problema causando vários chamados relacionados de uma vez, por exemplo), a suposição de independência pode não se sustentar, e o modelo perde precisão.
Como saber se devo usar Poisson ou binomial para o meu problema?
A pergunta-chave é: existe um número fixo e conhecido de “tentativas” (como o tamanho de uma amostra)? Se sim, o modelo é binomial. Se o que existe é apenas uma taxa média de eventos por intervalo de tempo ou espaço, sem número fixo de tentativas, o modelo é Poisson.
Um único pico acima da média já indica um problema real?
Depende de quão distante da média o pico está. Como no exemplo das reclamações, um valor próximo da média (3 num histórico de 2) costuma ser variação normal; um valor bem mais distante (6 no mesmo histórico) tem probabilidade baixa o suficiente para justificar investigação.