Andson Basílio

Frank Bartolomeu Mário Guidione

Guido Tito Pinto

Jaime Sadique

Momade Afai

Mussa Mário Jafar

Selemane Amuli

Suzana Diona Langa

Trindade João Matos

Distribuições de probabilidade (Binomial, Poisson e Normal)

(Licenciatura em Ensino de Matemática – 3o Ano)

Universidade Rovuma

Lichinga

2023
 Andson Basílio

Frank Bartolomeu Mário Guidione

Guido Tito Pinto

Jaime Sadique

Momade Afai

Mussa Mário Jafar

Selemane Amuli

Suzana Diona Langa

Trindade João Matos

Distribuições de probabilidade (Binomial, Poisson e Normal)

(Licenciatura em Ensino de Matemática – 3o Ano)

Trabalho de Estatística Matemática,

apresentado ao Departamento de Ciências,
Tecnológicas, Engenharia e Matemática,
Curso de Matemática, para fins
avaliativos, leccionado pelo docente: dr.
Chinai Básilio.

Universidade Rovuma

Lichinga

2023
Índice

Introdução ................................................................................................................................... 4

Distribuição Binomial ................................................................................................................ 5

Media .......................................................................................................................................... 5

Variância..................................................................................................................................... 6

Distribuição de Poisson .............................................................................................................. 8

Esperança e variância ................................................................................................................. 9

Distribuição normal de probabilidades ..................................................................................... 11

Esperança e variância ............................................................................................................... 12

Variável normal padrão ............................................................................................................ 13

Conclusão ................................................................................................................................. 15

Referências bibliográficas ........................................................................................................ 16

 4

Introdução
Neste presente trabalho iremos abordar acerca da Distribuição de probabilidade (Binomial,
Poisson e Normal), neste caso destacando suas definições, propriedades, fundamentos para o
cálculo, e a resolução de alguns exercícios.

O trabalho tem como objectivo geral conhecer as distribuições de probabilidades (Binomial,

Poisson e Normal). E os objectivos específicos:

 Caracterizar as distribuições de probabilidade (Binomial, Poisson e Normal);

 Identificar as propriedades das distribuições de probabilidade (Binomial, Poisson e

Normal);

 Dar exemplos de como demonstrar as propriedades dos modelos de distribuição

(Binomial, Poisson e Normal).

Metodologias
Para a realização do presente trabalho, recorreu-se a diversas obras literárias, consultas
bibliográficas que consistem na leitura e análise das informações do tema acima mencionado
e uso de internet.
 5

Distribuição Binomial
Em teoria da probabilidade e estatística, a distribuição binomial é a distribuição de
probabilidade discreta do número de sucessos numa sequência de tentativas tais que, cada
tentativa tem exclusivamente como resultado duas possibilidades, sucesso ou fracasso. E a
probabilidade de sucesso é constante de uma tentativa para outra e o número de sucessos
apresentados é um número inteiro entre . Isto é, trata-se de uma distribuição de
probabilidade adequada aos experimentos que apresentam apenas dois resultados (sucesso ou
fracasso) este modelo fundamenta-se nas seguintes hipóteses:

 n provas independentes e do mesmo tipo são realizadas;

 Cada prova admite dois resultados - sucesso ou fracasso;
 A probabilidade de sucesso em cada prova é e de fracasso é

Define-se a variável como o número de sucesso das n provas. Logo pode tomar os valores
.

Fazendo sucesso corresponder a e fracasso a , ou seja provas de Bernoulli tem-se:

Para uma sequência de n zeros: . Logo:

Para , uma sequência do tipo: ; seram sequencias,

cada um com único sucesso e fracassos:

Para , tem-se sucessos e ) Fracassos correspondendo as sequencias com

algarismos 1 e zeros. Cada sequencia tera probabilidade e como há ( )

sequências distintas, tem-se:

( )

Que é a expressão geral da distribuição Binomial

Media
De acordo com as hipóteses, vê-se que Y é a soma de n variáveis do tipo Bernoulli, dai:
 6

Variância
A variância de uma distribuição Binomial é dada pela fórmula:

Exemplo 1:
Uma moeda não viciada é lançada 8 vezes, encontre a probabilidade de:

a. Dar 5 caras;
b. Pelo menos uma cara;
c. No máximo 2 caras;
d. Calcular a media e a variância da distribuição.

Resolução

Sabe-se que: dado que é igual ao número de caras (sucesso)

a. ( ) ( ) ( )

A probabilidade de uma moeda não viciada dar cinco (5) caras ao ser lançada oito (8)
vezes é de 0,22 ou 22%.

b. ( )

A probabilidade de uma moeda não viciada dar pelo menos uma (1) cara ao ser
lançada oito (8) vezes é de 0,996 ou 99,6%.

c. ( ) ( ) ( ) ( )

( ) ( )

A probabilidade de uma moeda não viciada dar no máximo duas (2) caras ao ser
lançada oito (8) vezes é de 0,14 ou 14%.
d. Media:

Variância:
 7

Exemplo 2:
Foram avaliados oito (8) objectos de uma produção com objectivo de verificar se estavam
defeituosos. Sabendo que a probabilidade do objecto ser defeituoso é de 0,5. Determine,

a. A esperança da variável aleatória;

b. A variância do variável aleatório;
c. O desvio-padrão da variável aleatória;
d. A probabilidade de nenhum objecto estar defeituoso;
e. A probabilidade de pelo menos sete objectos estarem defeituosos;
f. A probabilidade de no máximo de dois objectos estarem defeituosos.

Dados

Sucesso = ser defeituoso =

Fracasso = não ser defeituoso =

Resolução

a.
b.
c. √
d. Nenhum estar defeituoso p (x=0)

( )

A probabilidade de nenhum objecto estar defeituoso é de 0,0039 ou 0,39%.

e. Pelo menos 7 estarem defeituosos

 8

A probabilidade de pelo menos 7 estarem defeituosos é de 0,0352 ou 3,52%

f. No máximo 2 estarem defeituosos

A probabilidade de no máximo dois objectos estarem defeituosos é de 0,1446 ou 14,46%

Distribuição de Poisson
A distribuição de Poisson (fala-se: "Poassom") é uma distribuição de probabilidade discreta
de uma variável aleatória que satisfaz às seguintes condições:

 O experimento consiste em calcular o número de vezes, , que um evento ocorre em

um dado intervalo. O intervalo pode ser de tempo, área, volume, etc.
 A probabilidade de o evento acontecer é a mesma para cada intervalo.
 O número de ocorrências em um intervalo é independente do número de ocorrências
em outro intervalo.

A distribuição de Poisson possui um parâmetro (le-se: "lâmbda") que chamamos de taxa de

ocorrência, que corresponde à frequência média ou esperada de ocorrências em um
determinado intervalo. Além disso, sempre temos que .

A probabilidade é calculada da seguinte forma:

Onde:
 9


 é o numero irracional que vale aproximadamente
 é a taxa de ocorrencia (que é igual a média da distribuição)

Esperança e variância
Sendo uma variável que segue o modelo Poisson com parâmetro , temos que

Esperança:

Variância:

Desvio Padrão:

Exemplo 1:
A emissão de partículas radioactivas tem sido modelada através de uma distribuição de
Poisson, com o valor do parâmetro dependendo da fonte utilizada. Suponha que o número de
partículas alfa, emitidas por minuto, seja uma variável aleatória seguindo o modelo Poisson
com parâmetro 5, isto é, a taxa média de ocorrências é de 5 emissões a cada minuto. Calcular
a probabilidade de haver mais de 2 emissões em um minuto.

Pelo enunciado temos que:

x: número de emissões em 1 minuto

: emissoes/minuto

Neste caso, queremos calcular , que é uma soma infinita de valores, pois podemos
ter Assim, devemos, obrigatoriamente, trabalhar com o complementar:

( )

Logo, há uma probabilidade de 87,5% de haver mais que 2 emissões ao longo de um minuto.
 10

Exemplo 2:

Sabendo que uma máquina produz em média cinco (5) objectos defeituosos por hora.

Determine.

a. A esperança da variável aleatória;

b. A variância da variável aleatória;
c. O desvio-padrão da variável aleatória;
d. A probabilidade de encontrar dois objectos defeituosos em uma hora seleccionada
aleatoriamente.

Dados

Sucesso = ser defeituoso

Média de elementos defeituosos por hora = 5

Resolução

a)

b),

c). √

d) 2 Objectos defeituosos P( x =2 )

No mínimo 2 defeituosos
 11

Distribuição normal de probabilidades

Gauss utilizou amplamente este modelo no tratamento de erros experimentais, embora não
tenha sido o seu “descobridor”.

Há casos em que há maior probabilidade de ocorrência de valores situados em intervalos

centrais da função densidade de probabilidades da variável aleatória contínua, e esta
probabilidade diminui à medida que os valores se afastam deste centro (para valores menores
ou maiores). O modelo probabilístico contínuo mais adequado talvez seja o modelo normal ou
gaussiano.

Definição:

Seja uma variável aleatória contínua tem distribuição Normal com parâmetros e ,-
e , se a sua função densidade de probabilidade é dada por:

( )
√

Sendo que suas principais características, são:

1. O gráfico de tem a forma igual a da figura seguinte:

 12

Figura 1: O gráfico de f(x) da distribuição normal de probabilidade.

2. é o ponto de máximo de ;
3. tende para zero quando x tende para mais ou menos infinito;
4. é simétrica ao redor de , isto é, para todo ;
5. Entre os pontos e , a área sob o gráfico de é igual a , ou
seja, entre estes pontos está praticamente toda área sob o gráfico de ;
6. Costuma-se escrever para expressar que a variável aleatória tem
distribuição normal com parâmetros e ;

Esperança e variância
Os parâmetros e da densidade normal definem a média e o desvio padrão da distribuição,
respectivamente:
 13

Variável normal padrão

Uma v.a.1 Z é dita normal padrão se , sendo uma v.a.1 normal com valor esperado

e variância . Assim, pode-se mostrar que tem distribuição normal com e

, ou seja,

As probabilidades sob a curva da normal padrão são encontradas em tabelas, que, no caso,
dão as áreas sob o gráfico da função densidade da normal padrão. Em geral, essas tabelas
fornecem a probabilidade de que a variável normal padrão esteja entre zero e um valor ,
isto é,
1. Para ilustrar o uso de uma tabela dessas (Tabela I do apêndice), vejamos os exemplos
seguintes.

Exemplo:

Supondo que uma v.a1 tem distribuição normal com média 3 e variância 9, qual será a

probabilidade de estar entre a ? Temos que Logo:

√

1
A denotação „„v.a‟‟ significa variável aleatória
 14

Figura 2: Cálculo de ,
 15

Conclusão
Tendo chegado ao fim do trabalho, pudemos perceber algumas abordagens citadas no
trabalho, que são a distribuição de probabilidade discreta (Binomial e de Poisson) e a
distribuição de probabilidade continua (Normal). Cujo a distribuição de probabilidade discreta
é uma função que associa a cada elemento de , em que é uma
variável aleatória discreta dada e é o espaço de amostragem, a probabilidade de que este
evento aconteça, ao passo que a distribuição de probabilidade continua é uma função
densidade probabilidade de uma v.a.1 X contínua quando existe uma função não negativa f, tal
que:

a)

b)

.
 16

Referências bibliográficas
Casella, G., & Berger, R. L. (n.d.). Inferencia Estatística. CENGAGE Learnig.

de Azevedo, P. R. (2016). Introdução à Estatística. Brasil: EDUFRN.