Quais são as condições necessárias para que um experimento possa ser modelado por uma distribuição:
a) Binomial
b) Poisson
c) Normal
a) Binomial
b) Poisson
c) Normal
Passo 1
O enunciado pede: listar as condições necessárias para que um experimento seja modelado por cada uma das distribuições abaixo:
a) Binomial
b) Poisson
c) Normal
a) Binomial
b) Poisson
c) Normal
Informações implícitas que vou usar (não foi dada nada mais pelo enunciado): as respostas devem explicar claramente quais hipóteses/condições do mundo real permitem usar cada modelo e o significado dos parâmetros de cada distribuição.
Passo 2
Binomial — definição e condições básicas (resumo inicial).
A distribuição binomial modela o número de sucessos em um conjunto de tentativas independentes, cada uma com só dois resultados possíveis (sucesso ou fracasso), quando a probabilidade de sucesso é a mesma em todas as tentativas. As condições formais são:
A distribuição binomial modela o número de sucessos em um conjunto de tentativas independentes, cada uma com só dois resultados possíveis (sucesso ou fracasso), quando a probabilidade de sucesso é a mesma em todas as tentativas. As condições formais são:
- Número fixo de tentativas
. - Cada tentativa tem apenas dois resultados mutuamente exclusivos: “sucesso” ou “fracasso”.
- As tentativas são independentes (o resultado de uma não influencia as outras).
- A probabilidade de sucesso em cada tentativa é constante e igual a
.
Explicando cada condição com calma:
- “Número fixo de tentativas
” significa que antes de começar o experimento sabe‑se quantas vezes será realizado (por exemplo, lançar uma moeda vezes). - “Dois resultados” quer dizer que cada tentativa é binária (sim/não, sucesso/fracasso). Se houver mais de dois possíveis resultados por tentativa, não é binomial.
- “Independência” é importante: se o resultado de uma tentativa altera a chance nas próximas (por exemplo, retirar bolas sem reposição de uma urna pequena), a independência falha. Nesses casos, se a população total é muito maior que
(regra prática: população ), pode aproximar por binomial; se não, usar hipergeométrica. - “Probabilidade constante
” significa que a chance de sucesso não muda de uma tentativa para outra.
Fórmula e o que significam os parâmetros:
Aqui
é o número de sucessos,
é o número de tentativas e
é a probabilidade de sucesso em cada tentativa. Esperança e variância:
Exemplo concreto: número de caras em
lançamentos de uma moeda justa (
) satisfaz as condições—fixo
, dois resultados, independência e
constante.
Passo 3
Poisson — definição e condições básicas (resumo inicial).
A distribuição de Poisson modela o número de ocorrências de um evento em um intervalo (tempo, área, volume) quando os eventos são raros, independentes e ocorrem com taxa constante. As condições formais típicas são:
A distribuição de Poisson modela o número de ocorrências de um evento em um intervalo (tempo, área, volume) quando os eventos são raros, independentes e ocorrem com taxa constante. As condições formais típicas são:
- Os eventos são contagens de ocorrências em um intervalo contínuo (por exemplo, número de chamadas por hora).
- Independência de incrementos: o número de eventos em intervalos disjuntos são independentes.
- Taxa média constante por unidade de intervalo (homogeneidade temporal/espacial): a expectativa de ocorrências é proporcional ao tamanho do intervalo. Se
é a média por unidade, então em intervalo de tamanho a média é . - Não‑ocorrência simultânea significativa: a probabilidade de dois ou mais eventos ocorrerem exatamente no mesmo instante (ou ponto) é negligenciável.
- Eventos “raros” por unidade pequena (essa condição geralmente surge quando a Poisson é derivada como limite do binomial).
Fórmula e parâmetros:
Aqui
é o número de ocorrências no intervalo considerado e
é a média (e também a variância) do número de ocorrências no intervalo. Ou seja,
Como checar na prática:
- Verificar se eventos em períodos disjuntos parecem independentes (ex.: contagens por hora em dias diferentes).
- Verificar se a média empírica é aproximadamente igual à variância empírica (uma pista, pois para Poisson média ≈ variância).
- Verificar homogeneidade: taxa não muda com o tempo/posição; se muda, pode usar Poisson não homogêneo com
.
Relação com binomial (intuição): Poisson surge como limite de
quando
,
e
(eventos raros, muitas tentativas).
Exemplo concreto: número de carros que passam por uma ponte em um minuto (se passar a homogeneidade e independência).
Passo 4
Quando usar Poisson em vez de binomial (regras práticas).
- Use binomial se há número fixo de tentativas
e cada tentativa é claramente binária. - Use Poisson quando estiver contando ocorrências em intervalos contínuos e a ideia de “n tentativas” não faz sentido, ou quando os eventos são raros e independentes.
- Regra prática de aproximação: se
é grande e é pequeno com moderado, então . Um critério simples: quando e (ou quando ) a aproximação costuma ser razoável. Sempre verifique com contexto.
Passo 5
Normal — definição, por que aparece e condições básicas.
A distribuição normal (gaussiana) é contínua, em forma de sino, e frequentemente aparece como aproximação de somas de muitas contribuições independentes pequenas (Teorema Central do Limite). Condições/hipóteses para modelar por normal:
A distribuição normal (gaussiana) é contínua, em forma de sino, e frequentemente aparece como aproximação de somas de muitas contribuições independentes pequenas (Teorema Central do Limite). Condições/hipóteses para modelar por normal:
- A variável de interesse é contínua (ou discretizada, mas com muitos valores possíveis).
- A variável é resultado de soma/efeito agregado de muitas causas independentes e pequenas, ou a amostra é grande suficiente para aplicar o Teorema Central do Limite (TCL). Em termos práticos, isso justifica normalidade mesmo se as causas individuais não forem normais.
- A distribuição não tem assimetria forte nem caudas extremamente pesadas; o TCL exige variância finita.
- Para usar normal como aproximação para uma distribuição discreta (ex.: binomial ou Poisson), aplicar condições numéricas: para binomial usar aproximação normal quando
e são ambos razoavelmente grandes (regra comum: e , ou mais conservador ). Para Poisson usar normal quando é grande (regra prática: ).
Fórmula e parâmetros:
A função densidade da normal é
A função densidade da normal é
onde
é a média (localização) e
é a variância (largura). A normal padrão tem
e
; usamos a padronização
para transformar qualquer normal em
.
Exemplos típicos: alturas humanas, erros de medição (quando muitos fatores pequenos se somam), média de amostras grandes de qualquer população com variância finita (TCL).
Passo 6
Aproximações entre distribuições (fórmulas práticas).
- Binomial
Poisson: quando grande, pequeno, . - Binomial
Normal: quando e grandes; usar correção de continuidade se quiser melhor precisão (por exemplo, aproximar por ). - Poisson
Normal: quando grande; aproximar por e, para contagens discretas, aplicar correção de continuidade.
Vou dar um exemplo numérico curto para fixar a ideia:
- Se
então . Aqui é pequeno e grande, então a Poisson com é uma boa aproximação: . - Se
, então é grande e a normal (isto é, média , desvio padrão ) costuma ser uma boa aproximação.
Passo 7
Checklist prático rápido (como decidir na prova)
- A variável é contagem em número fixo de tentativas binárias? Verifique: se sim e
constante → binomial. - A variável é contagem de ocorrências em tempo/área/volume (sem número fixo de tentativas)? Verifique independência e taxa constante → Poisson.
- A variável é contínua, ou é soma/ média de muitas observações/efeitos, ou a amostra é grande? Verifique ausência de fortes assimetrias/caudas pesadas → normal (ou usar TCL para médias).
- Se houver dúvida, compare média e variância empíricas: para Poisson média ≈ variância; para binomial variância
média (quando não muito pequeno), para normal não há essa relação fixa.
Passo 8
Dicas finais e incentivo (curto)
Se estiver na prova: identifique primeiro se o experimento tem um número fixo de tentativas binárias (pense “binomial”) ou se está contando eventos por unidade de tempo/área (pense “Poisson”). Se for soma/média de muitos efeitos ou amostra grande, pense “normal”. Dá pra treinar com exemplos pequenos para fixar — vai dar certo, respira e tenta aplicar o checklist.
Se estiver na prova: identifique primeiro se o experimento tem um número fixo de tentativas binárias (pense “binomial”) ou se está contando eventos por unidade de tempo/área (pense “Poisson”). Se for soma/média de muitos efeitos ou amostra grande, pense “normal”. Dá pra treinar com exemplos pequenos para fixar — vai dar certo, respira e tenta aplicar o checklist.
Resposta
a) Binomial: número fixo de tentativas
; cada tentativa tem só dois resultados (sucesso/fracasso); tentativas independentes; probabilidade de sucesso constante
em todas as tentativas.
b) Poisson: contar ocorrências em um intervalo contínuo; incrementos independentes (contagens em intervalos disjuntos independentes); taxa média constante (homogeneidade) com média proporcional ao tamanho do intervalo; probabilidade de ocorrências simultâneas é negligenciável (eventos raros). Parâmetro
= média no intervalo.
c) Normal: variável contínua (ou soma/média de muitas variáveis independentes pequenas) com distribuição resultante aproximadamente simétrica em forma de sino; aplicável quando o Teorema Central do Limite se justifica (amostra grande ou soma de muitos efeitos) e a variância é finita; para aproximar binomial/Poisson exigir
e
grandes (binomial) ou
grande (Poisson).