Índice

1. Introdução...........................................................................................................................2
2. Objectivos...........................................................................................................................2
3. Aproximações das Distribuições Binomial e Poisson pela Normal.................................3
4. Aproximação da Distribuição Binomial pela Distribuição Normal................................4
5. Aproximação da Distribuição Poisson pela Distribuição Normal...................................7
6. Aproximação da distribuição Binomial pela distribuição Normal...............................10
6.1. Objectivo...................................................................................................................10
6.2. Distribuição Binomial...............................................................................................10
7. Distribuição de Probabilidades de X ~ b(10 ; 0,5)..........................................................11
8. Distribuições binomiais (n, p)..........................................................................................11
9. Aproximação da binomial pela normal...........................................................................12
9.1. Observações:.............................................................................................................15
10. Conclusão......................................................................................................................21
11. Referências bibliográficas............................................................................................22

1
1. Introdução

2
2. Objectivos

3
 3. Aproximações das Distribuições Binomial e Poisson pela Normal

Em 1733 Abraham De Moivre representou um resultado extramente importante dentro

da teoria da probabilidade que era a distribuição das médias extraídas de uma população
tendem à uma distribuição normal, na medida em que mais réplicas desse experimento
forem ocorrendo. No mesmo sentido, De Moivre verificou que a distribuição normal
aproximava muito bem as probabilidades de uma variável aleatória binomial a medida
em que n aumentava.Tal aproximação se torna bastante útil na medida em que de
fato n tende a aumentar, o que faz com seja extremamente tedioso o cálculo de fatoriais
e combinações para tais casos. Dessa forma uma aproximação, ou forma simplificada de
cálculo das probabilidades se faz necessário. Imagine o caso em que se tenha n=500
repetições de um experimento, em que a probabilidade de sucesso é de p=0.50. Calcule
a probabilidade do valor de 350<X<478. Na actualidade faríamos uso de um
computador para tal cálculo.

Só para se ter uma ideia, o valor de uma combinação, de 350 sucessos em 500 tentativas

é de:

[1] 1.727989e+131

Agora imagine realizar tal tarefa, calcular essa combinação, em 1733… Bem, até
mesmo o cálculo do fatorial n! era complexo e demorado. Tanto que James Stirling
desenvolveu uma equação para aproximar o fatorial, chamada de fórmula de Stirling:
n!=

Diante disso, o cálculo das probabilidades de uma v.a. binomial pode ser aproximado
pela distribuição normal, no mesmo sentido outras distribuições discretas que
dependendo dos seus parâmetros resultarem em uma forma simétrica, podem também,
serem aproximadas por essa mesma distribuição. Para isso algumas restrições são
necessárias, para a aproximação seja feita de forma acurada.

4. Aproximação da Distribuição Binomial pela Distribuição Normal

A aproximação da distribuição binomial pela normal é realizada calculando os

parâmetros que descrevem uma variável aleatória, como valor esperado ou
média E[X] e variância V(X).

4
Assim temos que,

Valor Esperado e Variância de uma v.a.

Binomial

E[X]=μ=np

V(X)=σ2=np(1−p)

Observe o seguinte, onde temos uma v.a. binomial com n=10 e p=0.5

Como aproximação da normal temos,

E[X]=μ=np=5

5
V(X)=σ2=np(1−p)=1.58

Outras situações em que a aproximação resultante não é muito boa, exemplo:

n=10

p=0.1

n=10

p=0,9

6
 Situações em que a aproximação é boa
A aproximação será boa quando:
np>5

ou

n(1−p)>5

5. Aproximação da Distribuição Poisson pela Distribuição Normal

Da mesma forma que é possível aproximar a distribuição de Poisson pela distribuição

Normal, para isso os parâmetros da normal são,

Valor Esperado e Variância de uma v.a. Poisson

E[X]=μ=λ

V(X)=σ2=λ

7
No caso dessa aproximação é necessária outra restrição, no caso, a aproximação será
boa quando,

Situações em que a aproximação da Poisson pela normal é boa

A aproximação será boa quando:

λ>5

Exemplos:

λ=5

λ=8

8
Situação em que a aproximação não é boa,

λ=2

9
 6. Aproximação da distribuição Binomial pela distribuição Normal

6.1. Objectivo
Verificar como a distribuição normal pode ser utilizada para calcular, de forma
aproximada, probabilidades associadas a uma variável aleatória com distribuição
binomial

6.2. Distribuição Binomial

• n ensaios Bernoulli independentes

• P(S) = P(Sucesso) = p
X : número de sucessos observados nos n ensaios
X tem distribuição binomial com parâmetros n e p

Notação: X ~ b(n ; p)

Exemplo 1:
Uma moeda honesta é lançada n = 10 vezes em idênticas condições. Determinar a
probabilidade de ocorrer cara entre 40% e 70% das vezes, inclusive.

Seja X : número total de caras nos 10 lançamentos

“Sucesso” : ocorrência de cara
p = P(S) = 0,5 (moeda honesta)

X ~ b(10 ; 0,5)

Probabilidade a ser calculada: P(4≤ X ≤7 ¿

10
 7. Distribuição de Probabilidades de X ~ b(10 ; 0,5)

Distribuições → Distribuições Discretas→ Distribuição Binomial→Probabilidades

Binomiais →especificar n e p

P(4≤ X ≤7 ¿ = 0,2051 + 0,2461 + 0,2051 + 0,1172 = 0,7735

8. Distribuições binomiais (n, p)

Para p fixado, à medida que n cresce, os histogramas vão se tornando mais simétricos e
com a forma da curva Normal.

11
 9. Aproximação da binomial pela normal

Considere a binomial com n = 50 e p = 0,2, representada pelo histograma

P(Y = 13) é igual a área do retângulo de base unitária e altura igual a P(Y = 13);
similarmente, P(Y = 14), etc...

Logo, P(Y 13) é igual à soma das áreas dos retângulos correspondentes. A idéia é
aproximar tal área pela área sob uma curva normal, à direita de 13

12
X ~ b(n ; p) ❑
⇒ E(X) = np
Var(X) = np(1 – p)

Parece razoável considerar a normal com média e variância iguais às da binomial, ou

seja, aproximamos a distribuição de probabilidades de X pela distribuição de
probabilidades de uma variável aleatória Y, sendo

Y ~ N( µy ; δy 2 ) com µy = np e δ y2 = np(1 – p).

Portanto • P( a ≤ X ≤ b)≈ P(a ≤ Y ≤ b)

• P( X≥ a) ≈ P(Y≥ a)
• P( X ≤ b) ≈ P(Y ≤ b)

com Y ~ N(np; np(1 – p) ).

O cálculo da probabilidade aproximada é feito da forma usual para a distribuição

normal:
P(a≤ X≤ b) ) P(a≤ Y≤ b) com Y ~ N(np; np(1 – p)).
Y −np
Lembrando que Z= N(0;1),
√ np(1− p)
então

P(a≤ Y ≤ b ¿=¿P ( a−np

≤
Y −np
≤
b−np
√ np (1− p) √np (1− p) √ np (1− p) )
=P(
√ np(1− p) )
a−np b−np
≤Z ≤ .
√ np (1− p)

Exemplo2: X ~ b(225 ; 0,2) n = 225 e p = 0,2

E(X)= n p = 225 0,2 = 45 ❑ Y ~ N(45 ; 36)

⇒

Var(X)= n p (1 – p) = 225 0,2 0,8=36

a) P(39 ≤X≤ 48 ) P(39≤ Y≤ 48)

13
 (
=P 39−45 ≤
6
Y −45 48−45
6
≤
6 )
=P(-1,0≤ Z ≤ 0,5¿
=P(Z≤ 0,5 ¿−P(Z ≤ 1,0)
=P(Z≤ 0,5 ¿−[1−P(Z ≤ 1,0)]
=A(0,5)-[1-A(1,0)]
=0,6915-0,1587=0,5328

Probabilidade exata = 0,5853(usando a distribuição binomial)

(
b) P(X≥42≈ P ( y ≥ 42 ) =P Z ≥
42−45
6 )
=P(Z≥−0,5¿=P( Z ≤ 0,5)= A( 0,5)
=0,6915.
Probabilidade exata=07164 (distribuição binomial)

(
c) P(X≤ 57 ≈ P ( Y ≤57 )=P Z <
57−45
6 )
=P(Z≤ 2¿= A(2)=0,9773.
Probabilidade exata = 0,9791(dist.binomial)

14
 d) P(41¿ X <52 ¿=P (42 ≤ X ≤ 51)≈ P(42≤ Y ≤51)

=P(-0,5≤ Z ≤1 ¿=A (1)−(1−A (0,5))=0,5328.

Probabilidade exata=0,5765 (distr.binomial)

9.1. Observações:
1. A aproximação da distribuição binomial pela normal é boa quando np(1-p)≥ 3.
2. A demonstração da validade desta aproximação é feita utilizando-se o Teorema
Central do Limite (TCL).
3. A aproximação pode ser melhorada através do uso da "Correção de
Continuidade".

Exemplo 3:
Um sistema é formado por 100 componentes, cada um dos quais com confiabilidade
(probabilidade de funcionar adequadamente num certo período) igual a 0,9.
Se esses componentes funcionarem de forma independente um do outro e se o sistema
funcionar, adequadamente, enquanto pelo menos 87 componentes estiverem
funcionando, qual é a confiabilidade do sistema?

Usando a aproximação normal…

X : número de componentes que funcionam adequadamente

⇒
X ~ b(100; 0,9) ❑ E(X) = np = 100 0,9 = 90

15
n = 100 p = 0,9 Var(X) = np(1 – p) = 100 0,9 0,1 = 9
Confiabilidade do sistema: P(X ≥ 87)

P(X ≥87)≈ P(Y≥ 87), sendo Y ~ N(90; 9)

(
=P Y −90 ≥
3
87−90
3 )
=P(Z ≥−1)=P( Z ≤1)

=A(1)=0,8413

Assim, a confiabilidade do sistema é aproximadamente

igual a 0,8413.

Exemplo 4: Uma moeda honesta é lançada 100 vezes.

a) Calcular a probabilidade do número de caras estar entre 40% e 70% dos

lançamentos, inclusive

⇒
X: : número de caras em 100 lançamentos❑ X ~ b(100; 0,5)

E(X) = n p = 100 0,5 = 50 caras.

Var(X) = n p (1 – p) = 100 0,5 0,5 = 25.

P(40≤ X≤ 70 )≈ P(40≤ Y ≤70 ) (sendo Y ~ N(50 ; 25))

=P( 40−50
5
≤
5
≤
5 )
Y −50 70−50

=P(2≤ Z ≤ 4 ¿=0,9773.

Probabilidade exata =0,9824.

16
Intervalo simétrico em torno da média: (50 – a, 50 + a)

P(50 - a X 50 + a) = 0,8

P(50 - a X 50 + a) P(50 - a Y 50 + a) e Y ~ N(50 ; 25)

=P ( 50−a−50 ≤ Y −50 ≤ 50+a−50

5 5 5 )
=P (−a5 ≤ Z ≤ a5 )=0,8
b) Determinar um intervalo simétrico em torno do número

médio de caras, tal que a probabilidade de observar um

valor de X nesse intervalo é 80%.

Intervalo simétrico em torno da média: (50 – a, 50 + a)

P(50 - a X 50 + a) = 0,8

P(50 - a X 50 + a) P(50 - a Y 50 + a) e Y ~ N(50 ; 25)

(
=P 50−−50 ≤
5
Y −50 50+a−50
5
≤
5 )
( a
)
=P −a ≤ Z ≤ =0,8
5 5

a = ? , tal que

( a
P −a ≤ Z ≤ =0,8
5 5 )
17
⇒ a
()
❑A 5 =0,9

a
=1,28
5

a=6,4

Intervalo procurado: (50 - 6,4 ; 50 + 6,4) ( 43,6 ; 56,4 ).

A probabilidade de em 100 lançamentos termos entre

43 e 57 caras é aproximadamente 80%.

c) Um pesquisador, não conhecendo p = P(cara), decide lançar

a moeda 100 vezes e considerá-la desonesta se o número de

caras for maior que 59 ou menor que 41.

Qual é a probabilidade de considerar indevidamente a moeda

como desonesta?

X : número de caras nos 100 lançamentos

X ~b(100 ; p), com p desconhecido para o pesquisador

P(considerar indevidamente a moeda como desonesta) =

P( X > 59 ou X < 41, quando p = 0,5) =

18
P(X ≥60 ou X≤ 40, quando p = 0,5)≈ P(Y 60 ) + P( Y 40),

sendo Y ~ N(50 ; 25)

Esta probabilidade fica

P(Y ≥60) + P(Y≤ 40) =P y −50 ≥

5 5 (
60−50
+P Y −50 ≤
5
40−50
5 ) ( )
=P(Z≥ 2¿+ P (Z ≥−2)

=2(1-A(2))=0,0455

Exemplo 5:

Uma prova é constituída de 20 testes com quatro alternativas

cada. Um aluno não estudou a matéria e vai respondê-los ao

acaso. Qual é a probabilidade de acertar 50% ou mais das

questões?

X : número de acertos, dentre os 20 testes.

⇒
X ~ b(20 ; 0,25) ❑E(X) = np = 5 e Var(X) = np(1-p) = 3,75

P(X≥ 10)≈ P(Y≥ 10) Y ~ N(5 ; 3,75)

=P ( )
Y −5 ≥ 10−5 =P ( Z ≥2,59 )=0,0048.
1,93 1,93

Repetir para 40 testes com quatro alternativas.

⇒
X ~ b(40 ; 0,25) ❑ E(X) = n p = 10 Var(X) = n p(1-p) = 7,5

P(X ≥20)≈ P(Y 20) Y ~ N(10 ; 7,5)

(
= P y −10 ≥
2,75
20−10
2,75 )
=P ( Z ≥3,63 )=0,0001.

Para 40 testes com cinco alternativas

⇒
X ~ b(40 ; 0,20) ❑ E(X) = n p = 8

19
 Var(X) = n p (1 – p) = 6,4

P(X≥ 20 ¿ ≈ P(Y ≥ 20) y N (8 ;6,4)

(
=P Z ≥
20−8
2,53 )
=P( Z ≥ 4,74) ≈ 0,00

20
10. Conclusão

21
11. Referências bibliográficas

22