Quais são as condições necessárias para que um experimento possa ser modelado por uma distribuição:
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
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:
  1. Número fixo de tentativas n.
  2. Cada tentativa tem apenas dois resultados mutuamente exclusivos: “sucesso” ou “fracasso”.
  3. As tentativas são independentes (o resultado de uma não influencia as outras).
  4. A probabilidade de sucesso em cada tentativa é constante e igual a p.
Explicando cada condição com calma:
  • “Número fixo de tentativas \,n” significa que antes de começar o experimento sabe‑se quantas vezes será realizado (por exemplo, lançar uma moeda 10 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 n (regra prática: população \gg n), pode aproximar por binomial; se não, usar hipergeométrica.
  • “Probabilidade constante p” significa que a chance de sucesso não muda de uma tentativa para outra.
Fórmula e o que significam os parâmetros:
P(X=k)=\binom{n}{k} p^{k}(1-p)^{\,n-k},\quad k=0,1,\dots,n.
Aqui X é o número de sucessos, n é o número de tentativas e p é a probabilidade de sucesso em cada tentativa. Esperança e variância:
\mathbb{E}[X]=np,\qquad \operatorname{Var}(X)=np(1-p).
Exemplo concreto: número de caras em n=20 lançamentos de uma moeda justa ( p=0,5) satisfaz as condições—fixo n, dois resultados, independência e p 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:
  1. Os eventos são contagens de ocorrências em um intervalo contínuo (por exemplo, número de chamadas por hora).
  2. Independência de incrementos: o número de eventos em intervalos disjuntos são independentes.
  3. Taxa média constante por unidade de intervalo (homogeneidade temporal/espacial): a expectativa de ocorrências é proporcional ao tamanho do intervalo. Se \lambda é a média por unidade, então em intervalo de tamanho t a média é \lambda t.
  4. Não‑ocorrência simultânea significativa: a probabilidade de dois ou mais eventos ocorrerem exatamente no mesmo instante (ou ponto) é negligenciável.
  5. Eventos “raros” por unidade pequena (essa condição geralmente surge quando a Poisson é derivada como limite do binomial).
Fórmula e parâmetros:
P(X=k)=\frac{e^{-\lambda}\lambda^{k}}{k!},\quad k=0,1,2,\dots
Aqui X é o número de ocorrências no intervalo considerado e \lambda é a média (e também a variância) do número de ocorrências no intervalo. Ou seja,
\mathbb{E}[X]=\operatorname{Var}(X)=\lambda.
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 \lambda(t).
Relação com binomial (intuição): Poisson surge como limite de \text{Binomial}(n,p) quando n\to\infty, p\to0 e np\to\lambda (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 n 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 n é grande e p é pequeno com \,np=\lambda moderado, então \text{Binomial}(n,p)\approx\text{Poisson}(\lambda). Um critério simples: quando n\ge 50 e p\le 0,1 (ou quando np\le 5) 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:
  1. A variável de interesse é contínua (ou discretizada, mas com muitos valores possíveis).
  2. 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.
  3. A distribuição não tem assimetria forte nem caudas extremamente pesadas; o TCL exige variância finita.
  4. Para usar normal como aproximação para uma distribuição discreta (ex.: binomial ou Poisson), aplicar condições numéricas: para binomial usar aproximação normal quando np e n(1-p) são ambos razoavelmente grandes (regra comum: \,np\ge 5 e n(1-p)\ge 5, ou mais conservador \ge 10). Para Poisson usar normal quando \lambda é grande (regra prática: \lambda\ge 10).
Fórmula e parâmetros:
A função densidade da normal é
f(x)=\frac{1}{\sigma\sqrt{2\pi}}\exp\!\left(-\frac{(x-\mu)^{2}}{2\sigma^{2}}\right),
onde \mu é a média (localização) e \sigma^{2} é a variância (largura). A normal padrão tem \mu=0 e \sigma^{2}=1; usamos a padronização
Z=\frac{X-\mu}{\sigma}
para transformar qualquer normal em \text{Normal}(0,1).
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 \to Poisson: quando n grande, p pequeno, \lambda=np.
  • Binomial \to Normal: quando np e n(1-p) grandes; usar correção de continuidade se quiser melhor precisão (por exemplo, aproximar P(X\le k) por P\!\left(Z\le\frac{k+0,5-np}{\sqrt{np(1-p)}}\right)).
  • Poisson \to Normal: quando \lambda grande; aproximar por \text{Normal}(\mu=\lambda,\sigma^{2}=\lambda) e, para contagens discretas, aplicar correção de continuidade.
Vou dar um exemplo numérico curto para fixar a ideia:
  • Se X\sim\text{Binomial}(n=1000,p=0,002) então np=2. Aqui p é pequeno e n grande, então a Poisson com \lambda=2 é uma boa aproximação: X\approx\text{Poisson}(2).
  • Se X\sim\text{Poisson}(\lambda=50), então \lambda é grande e a normal \text{Normal}(50,50) (isto é, média 50, desvio padrão \sqrt{50}) costuma ser uma boa aproximação.

Passo 7

Checklist prático rápido (como decidir na prova)
  1. A variável é contagem em número fixo de tentativas binárias? Verifique: se sim e p constante → binomial.
  2. A variável é contagem de ocorrências em tempo/área/volume (sem número fixo de tentativas)? Verifique independência e taxa constante → Poisson.
  3. 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).
  4. Se houver dúvida, compare média e variância empíricas: para Poisson média ≈ variância; para binomial variância < média (quando p 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.

Resposta

a) Binomial: número fixo de tentativas n; cada tentativa tem só dois resultados (sucesso/fracasso); tentativas independentes; probabilidade de sucesso constante p 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 \lambda = 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 np e n(1-p) grandes (binomial) ou \lambda grande (Poisson).

Exercícios relacionados