Como funciona a regra de aproximação na prática
A regra de aproximação serve para estimar valores sem fazer contas exatas. Em estatística, a mais usada é a de que dados com distribuição normal podem ser aproximados por uma normal padrão quando o tamanho da amostra é suficientemente grande — o famoso teorema do limite central. Mas na prática de campo, a coisa é menos elegante. Dependendo do seu setup, usar a aproximação correta em vez de cálculo exato economiza cerca de 80% do tempo de processamento. O problema é que todo mundo aplica o mesmo atalho sem verificar se as condições são satisfeitas.
Quando a regra de aproximação realmente funciona
Para binomiais aproximadas por normais, a condição clássica é np 5 e n(1-p) 5. Eu já vi engenheiros aplicarem isso com n=12 e p=0.03 porque "era só uma estimativa rápida". O erro relativo ficou em torno de 34% no meu teste. Não é um erro aceitável para nada que envolva tolerância de qualidade ou custo financeiro. O que pouca gente lembra é que a aproximação melhora rapidamente assim que np passa de 10. Com np=15, o erro típico cai para menos de 3%. Com np=30, entra na faixa de 1%. Se você está fazendo isso manualmente em folha de papel, pode pular diretamente para a tabela de normal padrão e corrigir com o fator de continuidade de 0.5. Essa correção faz diferença real em caudas distantes.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Também vale lembrar que a aproximação de Poisson por normal só é segura quando supera 20. Abaixo disso, a assimetria residual gera viés sistematicamente positivo nos quantis superiores. Eu passei duas semanas rastreando um desvio em dados de falhas de componente eletrônico que ninguém conseguia explicar até perceber que usávamos a aproximação normal para Poisson com entre 4 e 9. A correção foi usar Poisson exata via software para esses casos e só aplicar a aproximação para acima de 25.
Pegadinhas que ninguém conta
A aproximação de Bernoulli por normal ignora completamente a assimetria da distribuição original quando p é extremo. Isso significa que para p menor que 0.1 ou maior que 0.9, mesmo com n grande, você vai subestimar a probabilidade de cauda. O desvio é pequeno em valor absoluto mas devastador se estiver calculando risco ou NPS em amostras pequenas. Outro ponto: a regra de aproximação muitas vezes é ensinada como alternativa à tabela de Poisson ou binomial completa, mas tabelas completas existem em pacotes estatísticos e em planilhas. O verdadeiro uso dela é quando não há tabela disponível — em prova, em campo, ou em código embarcado com memória limitada. Fora desses casos, o ganho é apenas conveniência, não necessidade.
Se você está trabalhando com dados reais e a distribuição se afasta muito dos pressupostos, a aproximação simplesmente não se sustenta. Nesse cenário, simulação Monte Carlo com 10 mil iterações costuma ser mais rápida de rodar do que debater qual correção de continuidade aplicar, e o resultado é mais confiável. Leva cerca de 2 segundos em Python com numpy e 15 segundos em Excel com VBA.
