Universidade Católica de Moçambique

Faculdade de Educação e Comunicação

Licenciatura em Contabilidade e Auditoria

Estatística I

Distribuição Binomial e Distribuição Uniforme

Estudantes: Ana da Gloria Juma

Assma Suleiman Amarchande
Braimo Racide Abdul
Karina Amade
Laiza Júlia Dimaka Dakika
Lavínia da Teodora Elísio Vicente
Madina de Assunção Agostinho Nipavela
Saima Momade Aktar
Saleth Dior Lopes Barbosa
Yumna Anis Ibrahim
Zeferino Saraiva Henriques Júnior

Nampula, Maio de 2022

0
Universidade Católica de Moçambique

Faculdade de Educação e Comunicação

Licenciatura em Contabilidade e Auditoria

Estatística I

Distribuição Binomial e Distribuição Uniforme

Trabalho em grupo do 2ª Ano

diurno da cadeira de Estatística I,
lecionada pelo docente:

Abubacar Assumane - MA

Nampula, Maio de 2022

1
Índice
Introdução..........................................................................................................................3
Distribuição Binominal.....................................................................................................4
Distribuição Binomial Negativa........................................................................................5
Propriedades da Variável Binomial...................................................................................5
Propriedades da distribuição binomial..............................................................................6
Distribuição Uniforme.......................................................................................................6
Distribuição Normal Padrão..............................................................................................8
Conclusão........................................................................................................................10
Referencias Bibliográficas...............................................................................................11

2
Introdução

No presente trabalho em grupo de carácter avaliativo da cadeira de Estatística 1, iremos

debruçar sobre a Distribuição Binomial e Distribuição Uniforme, no que diz respeito ao seu
conceito, teoremas, gráficos exemplificando alguns problemas que nos darão uma visão mais
ampla e detalhada de como e feita tal distribuição.

O presente trabalho está organizado da seguinte forma:

 Capa;
 Contracapa;
 Índice;
 Introdução;
 Desenvolvimento;
 Conclusão; e
 Referências bibliográficas.

3
Distribuição Binominal

A distribuição binomial, anteriormente encontrada na solução de inúmeros problemas,

e uma das mais antigas que se conhecem, é o modelo probabilístico adequado para
descrever os processos em que se realizam repetidas provas de Bernoulli, i.e.,
sucessões de experiencias aleatórias independentes em cada uma das quais se observa
a realização ou não realização de determinado acontecimento A, de probabilidade
P(A) = p, constante de experiencia para experiencia. A realização de A diz-se um
«sucesso»; a realização do contrario Ā, que tem probabilidade P(Ā) = 1 – p = q, diz-se
um «insucesso» (Reis, Melo, Andrade & Calapez, 2011, p.300).

Segundo Morettin, 2016, ao referir ao ensino:

Consideremos n tentativas independente de um mesmo experimento aleatório. Cada

tentativa admite apenas dois resultados: fracasso com probabilidades q e sucesso com
probabilidade p, p + q = 1. As probabilidades de sucesso e fracasso são as mesmas
para cada tentativa.

Seja X número de sucessos em n tentativas.

Determinaremos a função de probabilidades das variável X, isto é, P(X = K).

Um resultado particular (RP):

{{
S F
k S F
S F

Logo, P ( RP ) = P( SSS … SFFF … F ) =

= { p ∙ p … p } ∙ {q ∙ q … q }= pᵏ qᶰ ⁻ᵏ .

Considerando todas as n-uplas com k sucessos, temos:

A variável X tem distribuição binomial, com parâmetros n e p, e a indicaremos pela

notação (p.99).

X: B(n, p)

Se a variável aleatória X tem função de probabilidade

f(n) = ( Nx )px (1 – p)ᴺ ¯ ᵡ , 0 < p < 1, x = 0, 1, 2, … , N,

4
diz-se que tem distribuição binomial, simbolicamente X ~ B(N ; p), para indicar que a
diferentes valores de N (inteiro e positivo) e de p (0 < p < 1) correspondem diferentes
distribuições da família, quer dizer, N e p são parâmetros da distribuição binomial.

As probabilidades de observar X igual a 0, 1, 2, … , N, são

(1 – p)ᴺ, No(1 – p)ᴺ¯ ¹, ( N2 ) p²(1 – p) ᴺ¯ ², …, pᴺ,

i.e, são os termos sucessivos de desenvolvimento do binómio,

[(1 – p) + p]ᴺ = 1,

Distribuição Binomial Negativa

Na presente secção o pano do fundo continua a ser as sucessões de provas independentes em

cada uma das quais se verifica a realização de um dado acontecimento A ou de seu contrario
Ā, com P(A) = p, P(Ā) = q = (1 – p), constantes. A insistência em provas de Bernoulli tem
duas razões:

 A frequência de casos em que há dicotomia: individuo fumador ou não fumador,

portador ou não portador do vírus da Sida, criança vacinada ou não vacinada, anilhado
ou não anilhado, posição de for axial ou terminal, peça defeituosa ou não defeituosa,
etc.;
 A população tem grandes dimensões ou as provas são feitas com reposição.

A perspectiva, no entanto, vai ser diferente: em vez de fixar o número de provas a contar o
número de «sucesso», vai fixar-se número de «sucessos» e contar o número de provas (Reis,
Melo, Andrade & Calapez, 2011, p.303).

Propriedades da Variável Binomial

A propriedade que apresentamos em primeiro lugar sob a forma de um teorema vai-nos

permitir construir qualquer variável binomial como soma de variáveis de Bernoulli
independentes.

Teorema 1: Sejam X∩B (n, p) e X ∩B (n, p) variáveis de Binomiais independentes e X = X +

X. Então X é uma variável Binomial com X ∩B (n + n, p).

Teorema 2: Seja X∩B (n, p). Entao Y = n – X é Binomial com Y∩B (n, 1 – p). Com o efeito
Y toma valores {0, 1, 2, …,n} e temos:

5
P(Y = i) = P(X = n – i) = (n−1
n
)pᴺ ¯ ¹ (i – p)¹ = (ni)(1 – p)¹ pᴺ ¯ ¹
Atendendo que

(n−1 ) ( 1) .
n =n

Para que uma variável aleatória seja considerada seguindo uma distribuição binomial, ela
deve atender às seguintes propriedades:

Propriedades da distribuição binomial

 Em cada tentativa, experimento ou teste, apenas dois resultados (sucesso ou fracasso)

são possíveis.
 A probabilidade de sucesso deve ser constante. Isso é representado pela letra p. A
probabilidade de cara de cara é 0,5 e isso é constante, uma vez que a moeda não muda
em cada experimento e as probabilidades de cara são constantes.
 A probabilidade de falha também deve ser constante. Isso é representado pela letra q =
1-p. É importante notar que por meio dessa equação, sabendo p ou sabendo q,
podemos obter aquele que está faltando.
 O resultado obtido em cada experimento é independente do anterior. Portanto, o que
acontece em cada experiência não afecta as seguintes.
 Os eventos são mutuamente exclusivos, ou seja, eles não podem ocorrer ao mesmo
tempo. Não é possível ser homem e mulher ao mesmo tempo ou que ao jogar uma
moeda saia cara e coroa ao mesmo tempo.
 Os eventos são colectivamente exaustivos, ou seja, pelo menos um dos 2 deve ocorrer.
Se você não é homem, é mulher e, se jogar uma moeda, se não der cara, deve ser
coroa.
 A variável aleatória que segue uma distribuição binomial é geralmente representada
como X ~ (n, p), onde n representa o número de tentativas ou experimentos ep a
probabilidade de sucesso.

Distribuição Uniforme

6
“Uma variável aleatória contínua tem uma distribuição uniforme se seus valores se
espalham uniformemente sobre a faixa de possibilidades. O gráfico de uma
distribuição uniforme resulta em uma forma rectangular” (Triola, 2005, p.177).

Com o estudo da distribuição uniforme inicia-se a exposição dos tipos mais correntes
de distribuições contínuas. Uma variável aleatória do tipo contínua X diz-se que tem
distribuição uniforme no intervalo (α , β ), β >α , simbolicamente X U (α
, β ), quando a função densidade é da forma,

{
1
f ( x )= β−α
0

α <x β
x ≤ α ou x ≥ β .

A correspondente função de distribuição é,

{
0
x−a
F ( x )=
β −a
1

x¿a

a≤x¿ β

x ≥ β.

A expressão geral dos momentos em relação em relação à origem foi referida no

Exemplo 3.8,

E{X} = ( βᴷ ⁺¹−aᴷ ⁺¹ ¿ ∕ (k +1 ¿ ( β−α ) ;

em particular,

E{X} = (α + β ) ∕ 2, V{X} = ( β−α )² ∕ 12.

A função geradora de momentos tem a forma

M(s) = E{e} = (e – e) ∕ s( β−α ¿,

Válida para s ≠ 0 [M(0) = 1]. Tem maior interesse o caso particular U(0, 1), obtido
fazendo α =0 , β=1 ; esse interesse advém, nomeadamente, do seguinte,

7
 Teorema 4.9 Se X é variável aleatória do tipo contínuo, com função de distribuição
F(x), então a variável aleatória Y = F(X) tem distribuição U(, 1).

Entre as distribuições de probabilidades contínuas, a distribuição uniforme é a mais simples

de todas. A figura seguinte mostra um exemplo de uma distribuição uniforme. Numa
distribuição uniforme, a área sob a curva é igual ao produto do comprimento pela altura do
rectângulo e igual a 1.

Distribuição Normal Padrão

A curva de densidade da distribuição uniforme é uma recta horizontal; assim, é fácil achar a
área de qualquer região rectangular: multiplique a largura pela altura. A curva de densidade de
uma distribuição normal tem a forma de sino mais complicada, exibida na figura 5-1, de modo
que é mais difícil achar áreas, mais o princípio básico é o mesmo: há uma correspondência
entre a área e probabilidade.

Da mesma forma que há muitas distribuições uniformes diferentes, há também muitas

distribuições normais diferentes, cada uma delas dependendo de dois parâmetros: a média
populacional, e o desvio padrão populacional. A figura 5-4 exibe curvas de densidade para
alturas de homens e mulheres. Como os homens têm altura media maior, o pico da curva de
densidade para os homens está mais à direita. Como as alturas dos homens tem um desvio
padrão um pouco maior, a curva de densidade para os homens é também um pouco mais
larga. A figura 5-4 mostra duas distribuições normais possíveis. Há outras infinitas
possibilidades, mas uma é de interesse especial.

8
Exemplo:

Exemplo: O peso de recém-nascidos é uma variável aleatória contínua. A Figura 31 e

Figura 32 abaixo mostram a distribuição de frequências relativas de 100 e 5000 pesos de
recém-nascidos com intervalos de classe de 500g e 125g, respectivamente.

Histograma de frequências relativas a 5000 pesos de recém-nascidos com intervalo de classe

de 125g.

9
Conclusão

Chegando ao fim do trabalho conclui-se que a distribuição binomial é um cálculo estatístico

utilizado para identificar a probabilidade de ocorrência de determinado evento dentro de um
sistema fechado e utilizando de uma sequência limitada de tentativas, Esta
importante distribuição é aplicada em casos de experimentos repetidos, onde existem dois
possíveis resultados: cara ou coroa, sucesso ou fracasso, item defeituoso ou item não
defeituoso, e muitos outros possíveis pares, pode ser usada para encontrar a probabilidade de
um número designado de sucessos em n tentativas, a distribuição de Poisson é usada para
encontrar a probabilidade de um número designado de sucessos por unidade de intervalo
(Tempo, Comprimento).

10
Referencias Bibliográficas

Triola, M, F. (2005). Introdução à Estatística (9ª. ed.). Rio de Janeiro, Brasil: LTC.

Morettin, L. G. (2010). Estática Básica. São Paulo, Brasil: Pearson.

Murteira, B & Antunes, M. (2012). Probabilidade e Estatística. Lisboa, Portugal:

Escolar Editora.

Reis, E., Melo, P., Andrade, R & C, A. (2011). Estatística Básica (5ª. ed.). Lisboa,
Portugal: Edições Silabo.

11