Distribuição binomial: quando a probabilidade confirma que seu azar não é exceção, é um padrão repetido em série reiteradas.
Aquilo que você deveria já saber
Variável aleatória
Definição nada opcional: Uma variável aleatória é simplesmente uma função X que atribui um valor real a cada possível resultado de um experimento aleatório.
Se isso te parece místico demais, parabéns: estatística não é sobre adivinhação, mas sobre modelar a aleatoriedade com números — sim, aqueles que você passa a vida tentando evitar.
Exemplo:
Experimento: lançar um dado duas vezes e registrar se saiu par (P) ou ímpar (I).
Espaço amostral: {PP, PI, IP, II}
Definimos X como o número de vezes que saiu par. Resultado?
| Resultado (w) | X = n. de pares |
|---|---|
| II | 0 |
| PI ou IP | 1 |
| PP | 2 |
Simples, não?
Não há mistério aqui — só falta de atenção.
Tipos de variáveis aleatórias
Sim, elas vêm em dois sabores:
- Discreta: Assume valores contáveis, como número de filhos ou gols num jogo. Pode até ser infinito, mas você consegue listar (ou pelo menos contar) os valores.
- Contínua: Assume valores não enumeráveis — ou seja, infinitos até perder de vista. Exemplo: o tempo que uma lâmpada vive até morrer. Pode durar 1 hora, 1,001 hora, 1,0000001… Entendeu ou precisa de um cronômetro?
Exemplo para os distraídos:
Famílias com 3 filhos.
Cada filho pode ser menino (M) ou menina (F).
Espaço amostral W: {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM), (FFF)}
Definimos X como o número de meninos:
| Resultado (w) | X = meninos |
|---|---|
| MMM | 3 |
| MMF, MFM, FMM | 2 |
| MFF, FMF, FFM | 1 |
| FFF | 0 |
Logo, X ∈ {0, 1, 2, 3} → variável discreta. S
e isso não for claro para você, talvez devesse reler desde o começo.
E se eu definir Y como o número de meninas?
Mesma ideia, só que com o olhar virado pro lado rosa da força.
E sim, Y também é discreta.
Variável aleatória contínua
Agora, para quem ainda acha que a realidade é “binária”:
Experimento: medir o tempo de vida de uma lâmpada.
Definimos T como o tempo de vida, em horas.
T pode assumir qualquer valor real positivo (desde que a lâmpada acenda, claro).
Logo, T é uma variável contínua.
E se você tentar listar todos os valores possíveis… boa sorte tentando terminar isso nesta vida.
Função de probabilidade (para discretos, com amor)
A função de probabilidade de uma variável aleatória discreta X associa a cada valor possível xi a sua probabilidade P(X=xi).
Só duas condições precisam ser obedecidas:
- Toda probabilidade deve estar entre 0 e 1. Se não estiver, você não sabe o que está fazendo.
- A soma de todas as probabilidades possíveis deve dar 1. Sim, exato, não mais nem menos. Qualquer outra coisa e você quebrou as leis da matemática.
Exemplo 1: comissão de mulheres
Departamento: 35 professores, 21 homens e 14 mulheres.
Queremos a probabilidade de uma comissão de 3 professores ter pelo menos 2 mulheres.
Definimos X: número de mulheres na comissão. X ∈ {0, 1, 2, 3}
Probabilidades:
| X | P(X) |
|---|---|
| 0 | 0,203 |
| 1 | 0,450 |
| 2 | 0,291 |
| 3 | 0,056 |
Logo, P(X ≥ 2) = 0,291 + 0,056 = 0,347
Simples assim.
A menos que você complique.
Exemplo 2: Soma dos dados
Dois dados lançados.
Espaço amostral tem 36 pares possíveis — se você não sabe por quê, volte pro ensino fundamental.
Definimos X: soma dos dois dados.
| X | P(X=x) |
|---|---|
| 2 | 1/36 |
| 3 | 2/36 |
| 4 | 3/36 |
| 5 | 4/36 |
| … | … |
| 12 | 1/36 |
Pergunta: Qual a chance de a soma ser menor que 6?
Resposta: P(X < 6) = 1/36 + 2/36 + 3/36 + 4/36 = 10/36 = 0,278
Se você errar isso, não culpe o universo.
Outras variáveis aleatórias no mesmo experimento
- Y: maior valor entre os dois lançamentos
- Z: diferença entre os dados (2º – 1º)
Sim, a matemática permite que você crie quantas variáveis quiser — só não reclame se não souber interpretá-las.
Média e variância (o core da estatística)
Valor Esperado: É a média dos valores possíveis, ponderados pelas suas probabilidades.
Para dois dados lançados:
E(X) = 7
(Se você ainda não entendeu por quê, é só fazer a conta. Ou aceitar que a vida tem média.)
Variância: Mede o quanto os valores “se espalham” em torno da média.
Desvio padrão: Raiz da variância. Simples, mas poderoso.
Propriedades:
- Se X = constante → E(X) = a, Var(X) = 0
- Se Y = aX + b → E(Y) = aE(X) + b, Var(Y) = a²Var(X) (uma transformação linear não faz milagre)
Modelo de Bernoulli
Dois resultados.
Só dois.
Ou sim, ou não.
Exemplos:
- A peça está quebrada ou não?
- O paciente curou ou não?
- A resposta é certa ou errada?
Variável de Bernoulli:
X = 1 (sucesso) ou X = 0 (fracasso)
P(X=1) = p, P(X=0) = 1 – p
E(X) = p
Var(X) = p(1 – p)
Simples.
Modelo Binomial
Quando você repete um ensaio de Bernoulli n vezes, tem uma variável binomial.
Parâmetros:
- n: número de repetições
- p: probabilidade de sucesso em cada tentativa
X ~ B(n; p)
Média: E(X) = np
Variância: Var(X) = np(1 – p)
Exemplo de Binomial
Jogar um dado 3 vezes. Sucesso = sair “5”.
p = 1/6
Calcule P(X = 2) com a fórmula binomial.
Se você acha isso “complicado”, experimente explicar os juros compostos.
Exemplo prático (com R ou MINITAB, para quem programa)
Prova com 12 questões, 4 alternativas cada.
Aluno chuta tudo.
Qual a chance de acertar pelo menos 6?
X ~ B(12; 0,25)
Queremos P(X ≥ 6)
Use o R ou reze para conseguir somar as probabilidades da função binomial até 12.
Boa sorte.
Se isso ainda não foi suficiente para você entender o conceito de variável aleatória e distribuição binomial, o problema já não é mais da Estatística.
📊 Distribuição binomial: transformando azar em fórmula desde sempre
A distribuição binomial é a matemática oficial do sucesso ou fracasso.
Simples assim: ou você acerta, ou erra.
É o modelo que governa desde provas de múltipla escolha até aquele fatídico “cara ou coroa” que decide quem paga a pizza.
O mais divertido (ou triste): essa distribuição não serve só para estudar estatística.
Ela está embutida no seu cotidiano, mesmo quando você não percebe.
Do controle de qualidade de uma fábrica, às pesquisas eleitorais, passando por joguinhos de azar… sempre que há duas opções possíveis — sucesso/fracasso, certo/errado, vida/morte — lá está a binomial, rindo da sua cara.
Distribuição binomial…
O que é, sem enrolação?
A distribuição binomial responde:
👉 Qual a probabilidade de você obter x sucessos em n tentativas, quando cada tentativa é independente e com a mesma chance de sucesso.
Exemplo básico: jogar uma moeda 10 vezes.
Qual a chance de dar exatamente 6 caras?
A distribuição binomial te dá a resposta fria e sem dó.
As regras do jogo 🎲
Pra essa brincadeira da distribuição binomial ser válida, precisa seguir quatro mandamentos:
- Tentativas independentes (um chute errado não “contamina” o próximo, infelizmente).
- Só dois resultados possíveis: sucesso ou falha (sem “talvez”).
- A probabilidade de sucesso é sempre a mesma (a moeda não pode ficar de mau humor no meio).
- O número de tentativas é fixo (não dá pra ficar jogando até acertar).
A fórmula do caos
P(X = x) = C(n, x) · p^x · (1 – p)^(n – x)
Traduzindo do “estatistiquês”:
- P(X = x): chance de ter exatamente x sucessos.
- C(n, x): combinações possíveis (matemática combinatória, a.k.a. o inferno do aluno).
- p: chance de sucesso.
- 1 – p: chance de falha.
- n: total de tentativas.
É como pegar o seu azar, triturar em variáveis e devolver com matemática a distribuição binomial .
Exemplo: controle de qualidade (ou de azar)
Uma fábrica produz 100 peças e sabe que 5% saem defeituosas.
Qual a chance de exatamente 2 darem problema?
👉 Resposta: ~9,82%.
Ou seja, quase 1 em cada 10 lotes vem com dois pepinos.
Sorte de quem compra.
Distribuição binomial…
Softwares para preguiçosos
Calcular isso na unha?
Pode, mas você vai sofrer.
Ferramentas como Minitab fazem em segundos o que você levaria meia hora, café e uma crise existencial.
Basta colocar: número de tentativas, chance de sucesso, número de sucessos… e pronto.
Outras ferramentas…
R Project: pbinom(3,20,0.2) e pronto, sem drama.
Texas TI / Casio: um verdadeiro ritual de botões.
Basicamente: escolha BINOMIAL → digite n, p, x → reze para não errar o parêntese.
Onde essa praga da distribuição binomial aparece?
- Indústria: prever defeitos.
- Pesquisas: estimar respostas em amostras.
- Saúde: prever se um tratamento funciona em x pacientes.
- Educação: quantos acertos em provas de múltipla escolha.
- Jogos: sim, até o cassino usa para garantir que você perca.
Estendendo o desastre 🚗🔩
Imagine rodas de carro com 4 parafusos.
Se cada um tem 0,1% de chance de falhar, qual a probabilidade de 3 ou mais falharem?
👉 Pequena, mas se acontecer você descobre na marra como a distribuição binomial explica acidentes.
Distribuição binomial…
Moral da história
A distribuição binomial é aquela amiga cruel: joga a verdade na sua cara sem dó.
Ela mostra que o “azar” é só matemática vestida de preto.
Dominar esse modelo é aprender a:
- prever riscos,
- estimar comportamentos,
- justificar decisões (e erros) com lógica,
- e entender porque Murphy, no fundo, era estatístico.
Função de Massa de Probabilidade (FMP) — versão sem blablá acadêmico
A distribuição binomial responde à pergunta cruel: “Quantas vezes você vai acertar (ou errar) numa sequência de tentativas burramente iguais?”
No fim, a FMP é só um jeito pomposo de dizer: você vai repetir uma sequência de acertos e fracassos, e a fórmula calcula quão improvável é sua vida parecer um pouco melhor do que realmente é.
Exemplo rápido
Ou seja: 5,95% de chance de você sentir que o universo finalmente colaborou — e 94,05% de perceber que ele continua rindo da sua cara.
Função de Distribuição Cumulativa (FDC) — a versão sem anestesia
A FDC responde à pergunta existencial:
“Qual a probabilidade de eu ter, no máximo, esse tanto de sorte?”
Formalmente:
Tradução sem frescura:
- Você soma todas as chances de fracassar até chegar em k sucessos.
- É tipo fazer um inventário do azar: “qual a probabilidade de não passar de aqui?”.
Se quiser ser chique, também dá pra escrever em termos de função beta incompleta regularizada.
Mas na real, isso é só um nome sofisticado para: “você não vai calcular na mão nunca, vai jogar no R, Python ou até no Excel, e pronto”.
Distribuição binomial…
Exemplo rápido
Usando a mesma moeda viciada (p=0,3p = 0,3p=0,3, n=6n = 6n=6):
- Pergunta: qual a chance de conseguir até 4 caras?
O resultado (calculado pelo computador, porque você não é masoquista): ~97,3%.
Interpretação:
Você tem quase certeza de nunca passar de 4 sucessos.
Traduzindo: o teto da sua sorte é baixinho, e você já está batendo a cabeça nele.
Valor Esperado e variância: os caprichos da distribuição binomial
Esse resultado não caiu do céu: é a boa e velha linearidade da esperança matemática.
O que isso significa?
Que somar variáveis aleatórias é como somar números normais – e a esperança respeita essa propriedade.
Então, se X é a soma de nnn Bernoullis independentes com valor esperado p, então somar tudo nos dá… n⋅p.
Simples assim.
Sem mágica, sem truque de álgebra avançada — só matemática básica que você já deveria conhecer.
E quanto à variância?
Prepare-se para outro “choque”: Var(X)=np(1−p).
Porque claro, cada Bernoulli tem variância p(1−p), e se você somar ndelas (independentes, claro), a variância total é n vezes isso.
Surpreendente?
Nem um pouco…
Distribuição binomial…
Momentos centrais: quando a estatística vira rrama
Quer ir além?
A fórmula geral para o momento de ordem c envolve números de Stirling do segundo tipo, potências decrescentes de n, somatórios até perder de vista, e uma clara mensagem subliminar: “você realmente precisa disso tudo?”
Modo e mediana: quando a distribuição binomial finge ser bela
O modo da binomial, se você ainda se importa, é o maior valor de k tal que a função de massa de probabilidade atinge seu pico.
Ele é, em geral, o chão de (n+1)p, mas — porque claro, sempre tem um “mas” — se (n+1)p for um inteiro, a binomial tem dois modos.
Que educado dela, oferecendo opções!
Quanto à mediana, bem… não há uma fórmula mágica.
Que pena.
Mas sabemos que ela fica por volta de np, e que quando p=0,5 e n é par, a mediana é exatamente n/2.
Caso contrário, você estará preso em um intervalo e torcendo para que a matemática tenha piedade de você.
Distribuição binomial…
Inferência estatística e o pântano dos estimadores
Laplace, no século XVIII, já usava isso — ele te avisou, você ignorou.
Tem também o prior de Jeffreys, aquele chic da estatística bayesiana, que usa α=β=1/2.
Resultado? Um estimador que tenta ser imparcial até quando o mundo estatístico desaba.
Distribuição binomial…
Intervalos de confiança: entre o otimismo e o colapso
Se você ainda confia no velho método de Wald, é hora de reavaliar suas escolhas.
Ele usa a fórmula padrão:
…e te dá intervalos que funcionam mal até quando parecem certos.
É enviesado, impreciso e, sinceramente, preguiçoso.
Quer algo mais sério?
Use o intervalo de Wilson.
Ele corrige os erros do Wald e evita que seus intervalos fiquem fora de [0,1].
Ou o método de Agresti-Coull, que é uma gambiarra: adiciona sucessos e falhas fictícias, mas no fim das contas, funciona.
E se nada mais der certo, reze pela transformação arco seno — pois quando estatística vira trigonometria, você sabe que passou do ponto de retorno.
A distribuição binomial é o exemplo perfeito de como algo que parece simples (sucessos e fracassos) pode se transformar em um inferno simbólico recheado de funções de Stirling, momentos de ordem seis, intervalos esotéricos e estimadores que tentam consertar os próprios erros.
Você pode adorá-la, temê-la, ou ignorá-la.
Mas uma coisa é certa: ela nunca some.
📦 Soma de variáveis binomiais: o milagre da compatibilidade
A distribuição da soma pode até ser expressa com uma equação legal— e um tanto longa demais para quem sofre de pânico ao ver somatórios:
Tudo muito bonito — até alguém tentar somar binomiais com probabilidades diferentes.
Nesse caso, o glamour acaba: a variância da soma já não será a de uma binomial pura, e a simetria da matemática perfeita se desfaz.
O que era antes um casamento harmônico vira um caso de “cada um por si”.
Distribuição binomial…
🧪 Distribuição binomial de Poisson: o improviso matemático
Distribuição binomial de Poisson, para quem não sabe o que fazer com uma série de variáveis Bernoulli com probabilidades diferentes, essa é a gambiarra que resolve o problema.
Em vez de assumir p fixo, agora cada tentativa tem sua própria pi.
Impressionante?
Talvez.
Complicado?
Com certeza.
Útil?
Só se você tiver muito tempo livre.
⚖️ Comparando binomiais: um jogo de proporções
Prático?
Sim.
Intuitivo?
Só para quem vê matriz de covariância em sonhos.
Distribuição binomial…
🎯 Binomial condicional e uma cascata de probabilidades
⚙️ Bernoulli: o microchip da distribuição binomial
Para os esquecidos: a distribuição de Bernoulli é só uma binomial com n=1.
Simples assim.
E toda binomial nada mais é do que a soma de várias Bernoullis.
Se isso ainda parece novidade, talvez seja hora de rever a definição de “conceito básico”.
Distribuição binomial…
🧮 Aproximação normal: pois contar nos dedos é chato
💀 Aproximação de Poisson: quando o p desaparece
Se n→∞ e p→0 de forma que λ=np se mantenha fixo, temos… um novo herói: a distribuição de Poisson.
Afinal, se você repetir infinitamente muitos ensaios com chances quase nulas de sucesso, ainda assim algo interessante acontece.
Paradoxo?
Não.
Apenas estatística sendo estatística.
Aproximação aceitável quando:
- n≥20 e p≤0,05
- ou n>50 e p<0,1
- ou n≥100 e np≤10
Regra prática ou chute bem-colocado?
Você decide.
🧠 O teorema de Moivre–Laplace: estatística vintage
Antes dos computadores, calcular distribuições binomiais com n grande era um pesadelo.
A saída?
Usar a distribuição normal como aproximação, com direito a nome chique (teorema de Moivre–Laplace) e pedigree histórico (1738!).
E sim, hoje a gente sabe que isso tudo vem do teorema central do limite.
Mas sempre tem alguém querendo reinventar a roda.
🧬 Beta e binomial e os dois lados da mesma moeda
Se a distribuição binomial diz quantos sucessos você obteve, a distribuição beta pergunta: “Qual é a probabilidade de sucesso que gerou isso tudo?”.
São duas faces de um mesmo experimento Bernoulli repetido.
Se isso te lembra Bayes, parabéns: você não está completamente perdido.
🖥️ Simulação computacional: pois fazer na mão é coisa do século XVIII
Para gerar uma variável aleatória binomial?
Fácil.
Pegue um gerador de números pseudoaleatórios, use o algoritmo de inversão, calcule as probabilidades de P(X=k) para k=0,…,n, e mapeie.
Simples, direto… e completamente autoativável.
A menos, é claro, que você goste de sofrer.
Distribuição binomial…
📚 Um pouco de história (pois sempre tem um curioso para perguntar)
Você pode me seguir no Instagram e no YouTube para ver mais piadas toscas e deprimentes.
Siga também o grupo de comédia mais paia do mundo.
