Um inspetor tira uma amostra de 50 peças por turno e, num dia, encontra 4 defeituosas — mais que o normal, que costuma ser 1 ou 2. Antes de acionar o time de produção com um alarme de problema, vale uma pergunta simples: com uma taxa de defeito histórica de 3%, quantas peças defeituosas numa amostra de 50 seriam esperadas só por acaso, sem que nada tenha mudado no processo?
É exatamente esse tipo de pergunta que a distribuição binomial responde — e sem ela, é fácil confundir uma flutuação normal em uma amostra pequena com um sinal real de que o processo mudou.
O que é distribuição binomial
Distribuição binomial é um modelo estatístico que descreve o número de “sucessos” (ou, no contexto de qualidade, defeitos) em um número fixo de tentativas independentes, quando cada tentativa tem a mesma probabilidade de resultar em sucesso. Em controle de qualidade, o exemplo mais comum é: de uma amostra de tamanho fixo, quantos itens saem defeituosos, dado que cada item tem uma probabilidade conhecida de ser defeituoso.
Quando a distribuição binomial se aplica
Três condições precisam estar presentes para que a distribuição binomial seja o modelo correto: um número fixo de tentativas (o tamanho da amostra é definido antes), cada tentativa tem apenas dois resultados possíveis (defeituoso ou não, aprovado ou reprovado), e a probabilidade de sucesso é constante ao longo das tentativas (a taxa de defeito não muda entre um item e outro da amostra).
Exemplo aplicado: quando 4 defeitos em 50 não é um alarme
Voltando ao caso do inspetor: com uma taxa de defeito histórica de 3% e uma amostra de 50 peças, o número médio esperado de defeitos por amostra é 1,5 — por isso 4 parece alto à primeira vista. Mas a distribuição binomial permite calcular exatamente qual é a chance de encontrar 4 ou mais defeitos só por variação normal do processo, sem que nada tenha mudado: o resultado é aproximadamente 6,3%.
Em outras palavras, isso aconteceria por acaso em cerca de 1 a cada 16 amostras, mesmo com o processo perfeitamente sob controle. É uma chance baixa, mas não desprezível — não é o tipo de evidência isolada que justifica parar a linha e investigar imediatamente, mas também não deveria ser descartada sem mais atenção. A leitura correta é: registrar o resultado, observar a próxima amostra, e só tratar como sinal real se o padrão se repetir — não a partir de uma única observação.
Compare com um cenário diferente: se a mesma amostra de 50 peças aparecesse com 8 defeituosas em vez de 4, a probabilidade de isso ocorrer por acaso, com a mesma taxa histórica de 3%, cairia para menos de 0,1% — uma diferença que muda completamente a leitura prática, de “vale monitorar” para “quase certamente algo mudou no processo”.
Um segundo contexto: taxa de resposta em pesquisa de satisfação
O mesmo raciocínio se aplica fora do chão de fábrica. Uma equipe de atendimento envia pesquisas de satisfação após 40 chamados por semana, com uma taxa histórica de resposta de 25%. Numa semana específica, apenas 4 pessoas respondem — bem abaixo da média esperada de 10. Antes de concluir que algo mudou na forma como a pesquisa é enviada, a mesma lógica binomial se aplica: qual é a chance de obter 4 ou menos respostas em 40 envios, com taxa histórica de 25%, só por variação normal?
O princípio é idêntico ao do exemplo de inspeção — o que muda é o contexto, não o método: definir a taxa histórica, calcular a chance do resultado observado ocorrer por acaso, e só tratar como mudança real se o desvio for grande o suficiente ou se repetir ao longo de várias semanas.
Distribuição binomial não é a única opção para dados discretos
Quando o interesse não é “quantos defeitos numa amostra de tamanho fixo”, mas “quantos eventos raros ocorrem num intervalo de tempo ou espaço” — como o número de acidentes por mês ou de chamados de suporte por hora —, o modelo mais adequado costuma ser a distribuição de Poisson, não a binomial. E quando a variável medida é contínua — como peso, comprimento ou tempo, em vez de uma contagem —, o modelo de referência passa a ser a distribuição normal.
Por que esse modelo importa na prática
Sem um modelo probabilístico como a distribuição binomial, é fácil cair em um erro sistemático: tratar toda variação numa contagem de defeitos como um problema real que exige investigação imediata. Entender que uma parte dessa variação é esperada, mesmo com o processo sob controle, é o que permite distinguir ruído normal de um sinal genuíno de mudança — a mesma lógica que sustenta o uso de cartas de controle para atributos.
Conteúdo revisado pelo Master Black Belt Marcelo Petenate, estatístico, formado pela Unicamp, mestre pela USP e especialista em Lean Six Sigma e melhoria contínua.
Reagir a cada oscilação na contagem de defeitos como se fosse um problema real tem um custo — de tempo, de recursos e de credibilidade das análises futuras. A certificação White Belt gratuita ensina a distinguir variação normal de sinal real com método, não com intuição.
Perguntas frequentes
Qual a diferença entre distribuição binomial e distribuição de Poisson?
A binomial modela o número de sucessos (ou defeitos) em um número fixo de tentativas, com probabilidade constante. A Poisson modela o número de eventos raros que ocorrem em um intervalo de tempo ou espaço, sem um número fixo de “tentativas” definido — como número de falhas por mês.
Quando devo usar distribuição binomial em vez de distribuição normal?
Distribuição binomial se aplica a dados discretos e contáveis (número de itens defeituosos, número de sucessos), enquanto a distribuição normal se aplica a variáveis contínuas, como peso, tempo ou dimensão física.
Preciso calcular a distribuição binomial manualmente?
Não é necessário. Softwares estatísticos como o Minitab calculam a probabilidade automaticamente a partir do tamanho da amostra e da taxa esperada — o mais importante é entender o que o resultado indica sobre o processo, não a fórmula em si.
O que significa “tentativas independentes” na distribuição binomial?
Significa que o resultado de uma tentativa (um item ser defeituoso ou não) não influencia o resultado da próxima. Se houver dependência entre os itens da amostra — por exemplo, todos vindos do mesmo lote com um problema específico —, a distribuição binomial pode não ser o modelo mais adequado.
Um único resultado fora do esperado já indica um problema no processo?
Não necessariamente. A distribuição binomial mostra que alguma variação é esperada só por acaso, mesmo com o processo estável. Um padrão consistente ao longo de várias amostras é uma evidência mais forte de mudança real do que uma única observação isolada.