UNIDADE 3 Estatística Descritiva

Prévia do material em texto

12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 1/12
Autoria: Joelma Iamac Nomura e Rafaela Rodrigues Oliveira
Amaro
Estatística Descritiva
UNIDADE 3 -
PROBABILIDADE I
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 2/12
No estudo da estatística, tivemos a oportunidade de observar que
as informações coletadas, mesmo em condições igualitárias de
experimentação, oscilam, ou seja, variam e, por consequência,
essa diversidade dificulta o prenúncio de resultados possíveis e
aceitáveis na matemática. Explicar tais fenômenos é factível por
intermédio da teoria que fundamenta a temática de probabilidade;
e aplicar esse conceito é mais comum do que imaginamos, pois
nos cercam constantemente.
Encontramos reportagens que declaram: “chance de ganhar na
loteria estadual é de um em quinhentos mil”; ou, “a probabilidade de
contrair dengue é 45% maior no verão, em comparação com outras estações do ano”; ou ainda, “a chance de realizar
uma cirurgia cardíaca com sucesso é de 86%”. Você se lembra de algum discurso semelhante? Com certeza a
resposta será sim, pois a probabilidade é parte integrante de toda situação em que se deseja encontrar a chance de
determinado fato ocorrer. Diante desse cenário, estudaremos que a linguagem da probabilidade é constantemente
usada na linguagem cotidiana, em contextos escritos e falados. Assim, no final desta unidade, você terá conhecimento
suficiente para responder as seguintes questões: o que se entende por uma situação experimental? É possível
combinar probabilidades e consequências? Qual o impacto da probabilidade frente às tomadas de decisões?
Nesse sentido, compreender os conceitos que constituem esta disciplina será a essência desta unidade.
Bons estudos!
Introdução
3.1
Probabilidade
Os estudos da probabilidade e da estatística estão intimamente ligados, pois, para compreender a inferência estatística, é
fundamental compreender os conceitos que fundamentam a teoria probabilística. Na estatística, analisamos o conjunto de dados
obtidos com as ferramentas pertencentes a tal ciência e encontramos conclusões acerca da avaliação da qualidade, da
mensuração da quantidade e de como tais dados se associam entre si. Na teoria da probabilidade, o objetivo é prever os
resultados de um experimento ou processo sistemático.
Vincular chances de determinado fenômeno acontecer a números é aplicar a probabilidade. Larson e Farber (2016) afirmam que
um experimento de probabilidade é uma ação, ou tentativa, pela qual respostas são encontradas, ou em outras palavras, são
encontradas as chances de um evento acontecer. Assim, para entender a dinâmica dessa ciência é fundamental compreender
dois conceitos. Conheça, a seguir.
Corresponde ao conjunto de todos os resultados possíveis em um experimento de probabilidade.
É um subgrupo do espaço amostral em que são escolhidas características específicas para defini-lo.
Espaço amostral (S)
Evento (E)
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 3/12
Freund e Simon (2009) relembram os três postulados relativos ao estudo da teoria de probabilidade que se aplicam a um
espaço amostral finito. Conheça esses postulados, a seguir.
I. As probabilidades obtidas são representadas por números reais ou zero. Assim, a probabilidade de um evento A deve ser um
número maior ou igual a zero, porém menor ou igual a um, essa afirmação é descrita por: ou, em porcentagem,
.
II. Qualquer espaço amostral S possui probabilidade equivalente a 1 que equivale a 100%, dessa maneira,
.
III. Se dois eventos, A e B, são mutuamente exclusivos (não existe intersecção entre os conjuntos), a probabilidade da união do
evento A com o evento B, ou vice-versa, equivale ao resultado da soma da probabilidade do evento A com a probabilidade de
ocorrência do evento B, ou seja, 
Vale ressaltar que o resultado provindo de um cálculo de probabilidade varia entre um e zero. Se a probabilidade for igual a 1
(um), isso significa dizer que esse evento acontece com 100% de chance, porém, se a probabilidade for igual a zero, o evento é
impossível, ou seja, não existem chances de acontecer.
Vamos a um exemplo prático, admita um dado comum de seis faces, esse será jogado determinadas vezes. Considerando esse
contexto, qual é seu espaço amostral? Agora se consideramos a possibilidade de um número par aparecer na face superior
desse mesmo dado, qual será o evento dessa outra situação hipotética? Ou ainda, qual a probabilidade de lançar esse dado e
encontrar um número primo na face superior? Lembrando que um número é primo se os seus divisores são apenas ele mesmo e
1 (um).
Respondendo ao primeiro questionamento é necessário determinar o espaço amostral, ou seja, identificarmos todos os casos
possíveis, logo, nessa situação específica é . O evento de sair um número par no lançamento de um dado é
encontrado, compreendendo que em um dado de seis faces há três números pares. Logo, esse conjunto representa
o evento: Finalmente, para determinar a solução da terceira indagação, vamos ter que realizar a divisão entre o
número que corresponde ao conjunto dos números primos contidos em um dado e o conjunto que se refere ao espaço
amostral , assim, a probabilidade requerida é dada por 
Agora, formalizando a maneira de calcular a probabilidade de um evento, a relação é dada por:
É importante salientar que o resultado obtido pelo cálculo de uma probabilidade pode ser apresentado em formato fracionário,
decimal ou percentual, todas essas configurações são matematicamente aceitáveis, sendo necessária apenas a percepção de
tal distinção, porém os resultados em porcentagens são mais comuns.
Vamos discutir a seguinte questão, clássica no estudo de probabilidade condicional: considere que, em uma urna há três bolas
brancas, cinco bolas vermelhas e sete bolas pretas, qual a probabilidade de se retirar ao acaso uma bola preta?
Bem, já foi informado que há sete bolas pretas, assim, esse é o evento, pois apresenta a quantidade de resultados possíveis
para a situação proposta. Agora é necessário determinar o espaço amostral, ou seja, todos os resultados possíveis, que será
obtido adicionando todas as bolas contidas na urna, independentemente da cor, logo: . Agora, podemos
encontrar a probabilidade, que será dada por: .
Como a fração resultante é irredutível, ou seja, não é possível simplificá-la ou reduzi-la, o resultado permanece o mesmo, isto é,
continua inalterado.
3.1.1 Probabilidade condicional
Para determinar a probabilidade de um evento, é necessário especificar o espaço amostral, caso contrário deparamos com
respostas distintas, porém válidas no contexto estabelecido. Dessa forma, haverá situações em que será condicionado um
evento em relação à ocorrência de outro, nesse cenário, Larson e Farber (2016) estabelecem que uma probabilidade
O treinador de beisebol Billy Beane ficou mundialmente famoso por
otimizar a performance do seu time por meio do uso da estatística e
análise de dados, sua história foi retratada no filme Moneyball, baseado
no livro Moneyball: The Art of Winning an Unfair Game, de Michael Lewis.
Seu maior desafio foi montar o time, em 2012, pois o clube enfrentava
dificuldades financeiras. Decidido a utilizar estatística e análise de dados
para basear as suas escolhas em dados reais, contratou um cientista para
analisar as porcentagens de acertos de seus jogadores.
Você sabia?
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 4/12
condicional é a probabilidade de um evento ocorrer, dado que outro evento já tenha ocorrido. Conforme os autores, a
probabilidade condicional de o evento B ocorrer, dado que o evento A tenha ocorrido, é denotada por P(B|A) e lê-se
“probabilidade de B dado A”.
Assim,a probabilidade condicional é expressa pela relação:
Para diferenciar e compreender esse novo conceito, considere que uma universidade coletou dados referentes a mil alunos
ingressantes em seus cursos de graduação no primeiro semestre do ano, esses números foram separados e classificados por
gênero e por cursos pertencentes às áreas de: exatas, humanas e biológicas. Esses números são apresentados na tabela a
seguir.
#PraCegoVer: tabela com três colunas e quatro linhas, distribuindo homens e mulheres que frequentam cursos nas áreas de
exatas, humanas e biológicas.
Nessas circunstâncias, qual seria a probabilidade de um aluno optar por um curso que pertença à área de exatas? E qual a
probabilidade de uma mulher ter escolhido estudar em um curso da área de humanas? E, por fim, qual a probabilidade de
estudar em curso da área de biológicas, sendo homem?
Para facilitar nossos cálculos e visualizar os totais referentes a cada categoria, será acrescentada à tabela anterior mais uma
coluna, com os resultados referentes aos somatórios de cada linha e adicionada outra linha, dispondo o resultado das somas
referentes aos gêneros, que estão dispostos em colunas. Agora, observe a tabela que segue, com as novas informações e as
modificações indicadas.
#PraCegoVer: tabela com quatro colunas e cinco linhas, distribuindo homens e mulheres que frequentam cursos nas áreas de
exatas, humanas e biológicas, além do total de homens, mulheres, homens e mulheres que frequentam as áreas de exatas,
humanas e biológicas.
O símbolo ∩ representa a intersecção entre conjuntos, dessa maneira, escrever 𝐴∩𝐵
(lê-se: A intersecção B) significa determinar os elementos que pertencem aos dois
conjuntos simultaneamente, ou seja, é comum ao conjunto A e ao conjunto B. Já em
um caso de intersecção de mais conjuntos, por exemplo, 𝐴∩𝐵∩𝐶 (lê-se: A intersecção
B intersecção C) significa determinar os elementos que pertencem aos três conjuntos
ao mesmo tempo.
Você sabia?
Tabela 1 - Área de estudo versus gênero
Fonte: Elaborada pela autora, 2020.
Tabela 2 - Área de estudo versus gênero com respectivos totais
Fonte: Elaborada pela autora, 2020.
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 5/12
Bem, agora será mais fácil responder aos questionamentos, lembrando que, para cada situação apresentada, é necessário
distinguir se ela se enquadra em uma probabilidade condicional ou um caso de probabilidade comum. Para descobrir a
probabilidade de um aluno escolher um curso da área de exatas, é simples, vamos pensar um pouco. Já que o sexo não foi
especificado, basta realizar a divisão entre o total de alunos que optaram por exatas e o total de alunos ingressantes no primeiro
semestre, logo, obtemos a seguinte razão:
, é perceptível que a probabilidade desse evento ocorrer não depende de outro, ou seja, não
está condicionado à existência de nenhum outro.
Qual a probabilidade de uma mulher estudar na área de humanas? Pois bem, perceba que foi condicionado ao evento de
estudar em um curso da área de humanas e ser mulher (lê-se: ser da área de humanas dado que é mulher), logo, é um caso que
devemos utilizar da definição de probabilidade condicional. Nessa situação, P(B) é a probabilidade de o evento ser da área de
humanas, P(A) é a probabilidade de o evento ser mulher e é a probabilidade de o evento ser da área de humanas e ser
mulher, assim teremos a relação: 
Quando é solicitada a probabilidade de estudar na área de biológicas, dada a condição de ser homem, também é uma situação
em que é necessário utilizar o conceito de probabilidade condicional, pois observe que a ocorrência de um evento possui uma
dependência com o acontecimento do outro. Adotaremos P(B): probabilidade de o evento ser da área de biológicas; P(A):
probabilidade de o evento ser homem; e : probabilidade de o evento ser da área de biológicas e ser homem. Assim:
.
É possível perceber que esses dois casos, em que o sexo foi definido, representariam uma probabilidade diferente caso não
fosse imposta essa condição. Qual é a probabilidade de um estudante ser de humanas? Note que esse evento é independente
de qualquer outro, logo, temos: . Esses são os eventos denominados independentes, nosso próximo
assunto.
3.1.2 Dependência e independência de eventos
Em alguns contextos que fundamentam eventos probabilísticos, encontramos problemas em que a chance de determinado evento
interfere ou não na ocorrência de outros. Larson e Farber (2016) definem, formalmente, como eventos independentes quando um
deles não interfere na probabilidade de ocorrência do outro, caso contrário, os eventos são ditos dependentes entre si. Nesse
contexto, os autores afirmam que dois eventos são independentes quando ou quando, . De acordo
com Castanheira (2013), um evento A é dito independente de um evento B se a probabilidade de A equivale a probabilidade
condicional de A, dado B, ou seja, 𝑃(𝐴)=𝑃(𝐴/𝐵) e, por consequência, se A é independente de B e B é independente de A, logo:
𝑃(𝐵)=𝑃(𝐵/𝐴). Em decorrência dessa conceituação estabelecida pela autora, identifica-se que a maior aplicação do conceito de
dependência e independência de eventos está na igualdade expressa por: (lê-se probabilidade de A
intersecção B é igual a probabilidade de A vezes a probabilidade de B), que reconhece que, sendo dois eventos independentes,
a intersecção entre eles é representada pelo produto entre a probabilidade do evento A pela probabilidade de ocorrência do
evento B.
Nesse momento, vamos praticar esse conceito, que é importantíssimo na probabilidade e permite a fácil resolução de problemas
que se adéquam a diversos casos. Considere as situações a seguir.
Para classificar tais acontecimentos e outros como eventos dependentes ou eventos independentes, devemos analisar se a
ocorrência de um vai interferir na ocorrência do outro.
Teste seus conhecimentos
(Atividade não pontuada)
Jogar um dado de seis lados e cair na face dois (A) e jogar uma moeda e sair cara (B).
Selecionar uma rainha em um baralho sem reposição (A) e tirar uma carta de ouros do baralho (B).
Tirar uma bola preta em uma urna que contém dez bolas pretas (A) e ganhar em um jogo de azar (B).
O evento A (tirar o número dois ao jogar um dado) não interfere na ocorrência do evento B (sair cara ao jogar uma moeda),
sendo eventos independentes por não possuírem qualquer relação.
Já o evento A (tirar uma rainha em um baralho) e o B (tirar uma carta de ouros no baralho) estão relacionados ao mesmo
conjunto de cartas. Logo, se retirar uma carta, no caso, uma rainha, esse acontecimento irá interferir no outro, pois teremos
uma carta a menos no espaço amostral, assim, são ditos eventos dependentes.
E, por último, retirar uma bola em uma urna, que representa o evento A, e apostar em um jogo de azar (evento B) são eventos
distintos e não ocasionam intervenção um no outro, logo, são classificados como eventos independentes.
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 6/12
3.1.3 Teorema de Bayes
O teorema de Bayes é fundamentado no conceito de probabilidade condicional, descrito e analisado anteriormente, pois
relaciona raciocínios contrários, assim, é necessário conhecer a base de um para compreender a dinâmica do outro.
A probabilidade condicional trabalha com a probabilidade de ocorrer um evento B sob a condição de ocorrer seu antecedente A;
enquanto o teorema de Bayes trata da probabilidade de ocorrer o evento A sob a condição de ocorrer o evento B que sucede A.
Freund e Simon (2009) descrevem que, formalmente, o teorema de Bayes é utilizado quando são eventos
mutuamente excludentes, dos quais um deve ocorrer, ou seja, a intersecção é nula, logo:
Para .
Ainda segundo Freund e Simon (2009), a expressão do denominador é na verdade P(A). Eles explicam que quando A é atingido
a partir de um entre vários passos intermediários, temos a regra da eliminaçãoou regra da probabilidade total.
Observe que os símbolos e podem ter aparência similar, mas há grande diferença no que eles representam e
em seu significado no contexto do exercício proposto, por isso, atenção para identificar e calcular seus valores.
Vamos colocar em prática esse importante e essencial conceito da teoria de probabilidades? Para isso, vamos resolver a
problemática sugerida a seguir, como exemplo de aplicação.
Assuma que a probabilidade de diagnosticar com sucesso a presença de determinada doença
rara no organismo foi identificada como sendo 0,75. Quando identificada essa patologia
corretamente, a probabilidade de cura é alterada para 0,85. Se não for detectada perfeitamente
essa doença, a probabilidade de cura é dada por 0,35. Considere que certo paciente com essa
doença é curado, assim qual é a probabilidade de que a doença tenha sido diagnosticada
corretamente?
Solução:
Temos os seguintes eventos:
: detectar de cura;
: diagnosticar com sucesso a doença;
: não diagnosticar com sucesso a doença;
De acordo com o teorema de Bayes, temos a seguinte relação:
Assim, de acordo com o resultado anterior, é possível inferir que, dentro das circunstâncias
apresentadas, aproximadamente 87,93% é a probabilidade de que a doença seja diagnosticada
corretamente.
Teste seus conhecimentos
(Atividade não pontuada)
Thomas Bayes (1701-1776) foi um reverendo presbiteriano que viveu na Inglaterra. Em 1778,
o filósofo Richard Price (1723-1791) apresentou à Royal Society um artigo que
aparentemente encontrou entre os papéis de Bayes, com o nome “An essay towards solving
a problem in the doctrine of chances” (Ensaio buscando resolver um problema na doutrina
das probabilidades). Nesse artigo constava a demonstração do famoso teorema de Bayes;
após sua publicação, o trabalho caiu no esquecimento e só foi resgatado pelo matemático
francês Pierre-Simon de Laplace (1749-1827), que o revelou ao mundo (PENA, 2009).
Você o conhece?
Caso
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 7/12
O teorema de Bayes é mais eficaz quando é utilizada uma série de dados históricos para fundamentar as previsões. Por isso, é
importante continuar fazendo o acompanhamento e corrigir os possíveis erros de estruturação do método aplicado, pois
pequenos erros podem se tornar grandes erros quando esse teorema é utilizado, uma vez que a determinação incorreta de uma
das probabilidades do teorema interfere no resultado final.
3.2 Variável aleatória contínua e
discreta
Montgomery e Runger (2016) definem variável aleatória discreta como uma função que confere um número real a cada resultado
no espaço amostral de um experimento aleatório, em outras palavras, quando uma variável apresenta uma quantidade
enumerável de valores. Também definem variável aleatória contínua como uma variável aleatória associada a um intervalo (finito
ou infinito) de números reais. Nesse caso, a variável pode assumir ou não infinitos valores sendo possível enumerar ou não a
quantidade de valores que essa variável pode assumir. Assim, caso a imagem da função de probabilidade seja finita ou contável,
tem-se uma variável aleatória discreta; mas se a imagem dessa função for o conjunto dos números reais, tem-se uma variável
aleatória contínua. Quando se lida com variáveis aleatórias discretas, é possível atribuir diretamente valores de probabilidade
aos valores numéricos estipulados.
São exemplos de variáveis aleatórias contínuas: corrente elétrica, peso, temperatura, tempo, altura, entre outros. Já os exemplos
de variável aleatória discreta são descritos por: número de moléculas em uma amostra de gás, quantidade de votos recebidos
em uma eleição, número de arranhões em uma determinada área, grau de queimaduras na pele, pontos obtidos em uma prova
de vestibular, número de pessoas em fila de espera, entre outros (MONTGOMERY; RUNGER, 2016).
3.2.1 Esperança matemática
No estudo da estatística e entre outros âmbitos da matemática, constantemente trabalhamos com o conceito de média
aritmética, agora, no contexto do estudo de probabilidade, seremos apresentados ao conceito de esperança matemática.
Ambas as definições são consideradas equivalentes, no entanto, são aplicadas em cenários diferentes.
Castanheira (2013) define esperança matemática como a média aritmética de uma variável aleatória, fenômeno ou experimento
aleatório. Esse conceito é importantíssimo em nossos estudos, pois representa a quantidade utilizada como resumo do
comportamento de uma variável aleatória. Nesse contexto a média de uma distribuição de probabilidade é a esperança de sua
variável aleatória e sua interpretação consiste em um parâmetro que viabiliza caracterizar distribuições de probabilidades.
O cálculo da esperança matemática é fácil de ser executado por meio da fórmula: , em que representa a
esperança matemática de acontecer o evento 𝑥, ou seja, o valor médio que esperaríamos se o experimento continuasse sendo
repetido várias vezes, 𝑛 identifica o número de tentativas a serem realizadas e 𝑝 a probabilidade de ocorrer o evento 𝑥 em uma
tentativa única.
Veremos agora um exemplo prático de como esse conceito é aplicado. Assuma que em um aquário existem 100 peixes
diferenciados pela cor predominante em seu corpo. Dessa maneira, há 20 peixes vermelhos, 30 peixes amarelos, 25 peixes
verdes e 25 peixes laranjas, assim, qual é a quantidade de peixes verdes ao final de 28 tentativas, levando em consideração que
a cada tentativa tira-se apenas um peixe?
Bem, para solucionar essa questão temos que determinar a esperança matemática, em que n equivale a 28 e p a probabilidade
de retirar do aquário um peixe verde, que é o número de casos favoráveis em que é retirado um peixe verde do número total de
possibilidades, logo: Esse resultado retrata que esperamos que nas 28 tentativas,
7 peixes sejam verdes.
3.2.2 Variância e desvio-padrão de variável aleatória discreta
De acordo com nossos estudos, a variância e desvio-padrão são medidas de dispersão que identificam como a média dispõe-
se no contexto dos dados. A variância é caracterizada por avaliar o grau de homogeneidade dos valores em torno da média
aritmética e o desvio-padrão identifica e quantifica o “erro” presente em um conjunto de dados, previamente determinado. Assim
como a esperança, a variância também tem importância significativa na caracterização de diversas distribuições de
No vídeo Estatística – Aula 08, ministrado pelo professor André Leme Fleury,
você poderá aprender mais sobre os conceitos aplicados às variáveis
aleatórias a partir de exercícios comentados.
Acesse (https://www.youtube.com/watch?v=rsbhyTtwHfg)
Você quer ver?
https://www.youtube.com/watch?v=rsbhyTtwHfg
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 8/12
probabilidade. Quando se identifica a esperança e a variância de um modelo, ele fica totalmente caracterizado, ou seja,
sabemos seu formato geral e suas particularidades. No atual cenário, a fórmula para obter tais medidas (variância e desvio-
padrão) é diferente, logo, considerando n como o número de tentativas em um experimento e x como o número de sucessos
obtidos, as fórmulas que permitem calcular a variância ( ) e o desvio-padrão (𝑠) são sinalizados respectivamente por:
. Vamos aplicar essas fórmulas e entender como tais relações se aplicam? Considerando o
mesmo enunciado do exercício do aquário, que resolvemos anteriormente, e baseando-se nas informações contidas nele, vamos
determinar a variância e o desvio-padrão. Bem, a variância é calculada por: 
 peixes ao quadrado e, como o desvio-padrão é caracterizado por ser a raiz quadrada da variância,
para encontrá-lo, basta calcular a raiz quadrada do resultado anterior, observe: peixes.
3.2.3 Distribuição de variável aleatória
Nessa seção discutiremos sobre a distribuição de probabilidade de populações. Distribuições de probabilidade podemser
contínuas ou discretas, dependendo se são definidas probabilidades para variáveis contínuas ou discretas. Montgomery e
Runger (2016) conceituam a distribuição de probabilidade de uma variável aleatória x como a descrição das probabilidades
associadas aos possíveis valores que a variável x assume. Existem muitas distribuições de probabilidade que também podem
ser chamadas de modelos probabilísticos, mas algumas merecem destaque por sua importância prática.
Os modelos de probabilidade são utilizados para descrever vários fenômenos ou situações que encontramos na natureza, ou
experimentos por nós elaborados. Esses modelos são expressos por uma família de distribuições de probabilidade que
depende de um ou vários parâmetros. O estereótipo deve necessariamente representar, na medida do possível, a complexidade
que envolve o mundo real da população em estudo. Nesse sentido, abordaremos o conceito de distribuição de probabilidade
discreta que retrata a probabilidade de ocorrência de cada valor de uma variável aleatória discreta, lembrando que esse tipo de
variável tem valores contábeis, como uma lista de inteiros não negativos, ou seja, somente valores positivos e enumeráveis. Entre
as distribuições de probabilidades discretas, encontramos a distribuição de Bernoulli e a distribuição Binomial, nossos próximos
assuntos de discussão.
3.3 Distribuição de
Bernoulli
A distribuição de Bernoulli é uma distribuição discreta que se relaciona com diversas outras distribuições de probabilidade,
como a distribuição binomial, e a distribuição geométrica. A distribuição de Bernoulli simboliza o resultado de um ensaio, dessa
maneira, as sequências de ensaios independentes de Bernoulli resultam em outras distribuições probabilísticas. Nesse contexto,
a distribuição binomial modela o número de sucessos em n ensaios, a distribuição geométrica modela o número de falhas que
antecedem o primeiro sucesso; assim, a distribuição de Bernoulli é incorporada e, consequentemente, relacionada a outras
distribuições (CASTANHEIRA, 2013).
São exemplos de utilização da distribuição de Bernoulli: o lançamento de uma moeda, em que existe a possibilidade de sucesso
e, também de fracasso de determinada face da moeda ser exibida; sexo de um bebê ou o resultado de um teste de germinação,
que pode obter um resultado de sucesso ou fracasso relacionado à realização de tal procedimento.
Outros exemplos são apontados por Morettin e Bussab (2010), sendo eles: uma peça é escolhida ao acaso em um lote contendo
500 peças, necessita-se saber se essa peça é defeituosa ou não; uma pessoa é escolhida ao acaso entre os moradores de uma
cidade de maneira a verificar quais pessoas são, ou não, favoráveis de determinado decreto municipal.
Em ambas as situações anteriores expostas pelos autores, estamos interessados na ocorrência de sucesso ou fracasso, sendo
essa terminologia (sucesso e fracasso) bastante utilizada. Nesse tipo de experimento, é definida uma variável aleatória X,
denominada de variável aleatória de Bernoulli, que assume apenas os valores 0 para fracasso e 1 para sucesso, sendo a
probabilidade de sucesso . Assim, temos que:
Jacques Bernoulli (ou Jakob Bernoulli) foi um matemático suíço que nasceu na Basileia, em
27 de dezembro de 1654, e faleceu na mesma cidade, em 16 de agosto de 1705, aos 50
anos. Estudou teologia apenas para atender ao desejo do pai, pois desde jovem
manifestava extraordinária vocação para a matemática. Foi o primeiro matemático a
desenvolver o cálculo infinitesimal para além do que fora feito por Newton e Leibniz,
aplicando-o a novos problemas (JACQUES, 2017).
Você o conhece?
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 9/12
Constantemente, os termos distribuição binomial e distribuição de Bernoulli são confundidos e mal interpretados, logo, para
impedir esse problema é importante estabelecer que testes de Bernoulli levam à uma distribuição binomial. Dessa maneira, a
distribuição binomial é uma soma de vários ensaios Bernoulli independentes e uniformemente distribuídos.
Castanheira (2013) informa que um ensaio de Bernoulli é um processo de amostragem, que possui as seguintes condições de
existência.
Agora, vamos estudar com mais detalhes a distribuição binomial e, consequentemente, a aplicação dos ensaios de Bernoulli,
uma vez que um conceito está relacionado a outro. Vamos lá?
Para cada tentativa, é possível dois resultados mutuamente exclusivos (não existe intersecção entre os eventos, ou seja,
intersecção nula), isto é, se um dado evento acontecer, exclui totalmente a ocorrência do outro.
As observações ou séries de tentativas são formadas por eventos independentes. 
O processo é estacionário, ou seja, a probabilidade de sucesso é contínua e constante em cada tentativa executada. 
3.4 Distribuição
binomial
Distribuição binomial pode ser definida como um modelo probabilístico de determinado número de sucessos quando submetidos
a n provas do mesmo tipo, logo, esse experimento deve ser repetido n vezes, sendo que cada um desses experimentos deve
admitir somente dois resultados possíveis: sucesso ou fracasso, uma vez que p deve representar o sucesso e q identifica o
fracasso, ambos resultados são definidos como constantes em cada um dos ensaios (MARTINS; DOMINGUES, 2017).
A fórmula para o cálculo da probabilidade de certo número de sucessos em n ensaios por intermédio de uma distribuição
binomial é dada pela relação descrita por:
Em que x representa o número de sucessos; p é a probabilidade de sucesso em cada prova, q é a probabilidade de fracasso de
cada prova, n é o número de repetições do mesmo experimento. Logo, é necessário identificar corretamente cada componente
do exercício a ser resolvido por esse modelo probabilístico, de modo a não cometer erros.
No trabalho "Algumas aplicações da distribuição binomial", Santos (2015)
apresenta a noção de probabilidade e algumas de suas propriedades e, em
particular, o Binômio de Newton aplicado a problemas das áreas de ciências
biológicas e ciências médicas.
Acesse
(https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalho
Conclusao/viewTrabalhoConclusao.jsf?
popup=true&id_trabalho=3982673)
Você quer ler?
Você sabia?
 
https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=3982673
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 10/12
São exemplos de experiências binomiais: a população de um município que foi vacinada ou não vacinada; gênero das crianças
em uma creche; escolher uma peça defeituosa ou não; respostas classificadas como verdadeiro ou falso em um questionário,
quantidade de fumantes e não fumantes em grupo de idosos em um asilo, número de caras no lançamento de trinta moedas,
número de meninos entre um conjunto de cinquenta bebês, número de sementes germinadas em duzentas sementes, entre
outros inúmeros exemplos. No geral podemos dizer que experiências binomiais são aquelas em que existem apenas duas
possibilidades de ocorrência ou não de determinado evento.
Martins e Domingues (2017) afirmam que uma distribuição binomial pode ser utilizada e manipulada algebricamente, se forem
atendidas as seguintes condições.
Durante o ano de 2017, na Bolsa de Valores de São Paulo, foi constatado que 60% de todas suas ações tiveram sua cotação
acrescida, ou seja, valorizadas no mercado financeiro; em contrapartida, 40% de todas as ações mantiveram-se constantes ou
diminuíram seu valor de mercado. Um serviço de assessoria financeira optou por avaliar dez ações desse conjunto de ações
administradas pela bolsa de valores, que foram singularmente recomendadas. Qual a probabilidade de que metade desse total
de ações escolhidas tenham suas cotações aumentadas? Vamos resolver esse problema referente à aplicação do conceito de
distribuição binomial?
Inicialmente, é precisoidentificar as informações, vamos lá? De acordo com o enunciado do problema foram selecionadas dez
ações ( ); é desejado que metade das dez ações, ou seja, cinco das ações ( ) tenham aumentado suas cotações, p
equivale ao sucesso do evento, logo e, por consequência e definição, o fracasso q é calculado por:
.
Assim, substituindo tais informações:
O resultado encontrado permite inferir que a chance de que metade das dez ações escolhidas tenham suas cotações valorizadas
é de 20%.
O símbolo ! (lê-se fatorial), que aparece na fórmula de distribuição
binomial, representa no âmbito da matemática o produto de todos os
números inteiros de n a 1, logo n! (lê-se n fatorial) equivale a realizar as
operações de multiplicação:
O número de ensaios é fixo e constante, ou seja, são realizadas n provas do
mesmo tipo.
Cada ensaio é independente dos outros ensaios.
Cada ensaio admite apenas dois resultados possíveis, um chamado fracasso e
outro como sucesso.
A probabilidade de um evento é a mesma para cada ensaio realizado.
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 11/12
No estudo dessa unidade, foi possível apresentar o panorama no qual se insere a teoria das
probabilidades, a partir de conceitos e definições básicas e fundamentais. Foram discutidas as
regras que moldam e sustentam a probabilidade condicional, bem como os princípios que a
caracterizam e diferenciam do teorema de Bayes; em relação a esse teorema foi discutido sua
fundamentação teórica e aplicabilidade. Também foram desenvolvidos diversos cálculos para
solucionar situações cotidianas que envolvem a aplicabilidade de tais conceitos de
probabilidade.
Foi explanado o conceito geral de distribuição de probabilidade de uma variável aleatória
discreta, bem como sua utilização no contexto estatístico e probabilístico. Também foi possível
definir e caracterizar a distribuição de Bernoulli e a distribuição binomial, dispondo de diversos
parâmetros próprios de cada distribuição e diferenciando cada experimento probabilístico por
intermédio da resolução de exercícios diversos.
Nesta unidade, você teve a oportunidade de:
Conclusão
compreender o conceito de probabilidade e aplicar sua funcionalidade na resolução de
exercícios;
conhecer a definição de probabilidade condicional e resolver exercícios associados ao
conceito de dependência;
conhecer a definição de dependência e independência de eventos e sua aplicabilidade em
probabilidade;
interpretar e analisar os cálculos dos parâmetros estatísticos diversos;
tomar decisões com base nas análises das representações e dos resultados analisados;
calcular a esperança matemática, variância e desvio-padrão e diferenciar tais conceitos no
contexto associado da variável aleatória discreta;
interpretar e analisar os cálculos dos parâmetros estatísticos: esperança matemática, variância
e desvio-padrão;
reconhecer e definir distribuição de Bernoulli;
resolver problemas utilizando as distribuições de variável aleatória: distribuição de Bernoulli e
distribuição binomial;
compreender a dinâmica das distribuições de variável aleatória;
reconhecer uma distribuição binomial;
resolver exercícios por intermédio de uma distribuição binomial.
CASTANHEIRA, N. P. Estatística aplicada a todos os níveis. Curitiba: Intersaberes,
2013. 
DEVORE, J. L. Probabilidade e estatística para engenharia e ciências. São Paulo:
Cengage, 2018.
ESTATÍSTICA – Aula 08. 2017. 1 vídeo (17 min.). Publicado no canal UNIVESP.
Disponível em: (https://www.youtube.com/watch?
v=rsbhyTtwHfg)https://www.youtube.com/watch?v=rsbhyTtwHfg (https://www.youtube.com/watch?
v=rsbhyTtwHfg). Acesso em: 30 dez. 2020.
FREUND, J. E.; SIMON, G. A. Estatística Aplicada: economia, administração e contabilidade. Porto Alegre: Bookman,
2009. 
JACQUES Bernoulli. Só Matemática, [s. l.] .Disponível em:
https://www.somatematica.com.br/biograf/bernoulliJacques.php
(https://www.somatematica.com.br/biograf/bernoulliJacques.php). Acesso em: 14 jan. 2021. 
Referências
https://www.youtube.com/watch?v=rsbhyTtwHfg
https://www.youtube.com/watch?v=rsbhyTtwHfg
https://www.somatematica.com.br/biograf/bernoulliJacques.php
12/12/2022 16:49 Estatística Descritiva
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/EDU_ESDESC_19/unidade_3/ebook/index.html 12/12
LARSON, R; FARBER, B. Estatística Aplicada. 6. ed. São Paulo: Pearson, 2016. 
MARTINS, G. A.; DOMINGUES, O. Estatística Geral e Aplicada. São Paulo: Atlas, 2017. 
MONTGOMERY, D. C; RUNGER, G. C. Estatística Básica e Probabilidade para Engenheiros. São Paulo: LTR,
2016. 
MORETTIN, P. A., BUSSAB, W.O. Estatística Básica, 8. ed. São Paulo: Saraiva, 2010.
PENA, S. D. Thomas Bayes: o cara! Ciência Hoje, Belo Horizonte, jul. 2009. Disponível em:
http://cienciahoje.org.br/artigo/thomas-bayes-o-cara/ (http://cienciahoje.org.br/artigo/thomas-bayes-o-cara/).
Acesso em: 30 dez. 2020.
SANTOS, F. N. Algumas aplicações da distribuição binomial. 2015. Dissertação (Mestrado Profissional) –
Universidade Federal Fluminense, Niterói, 2015. Disponível em:
(https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.js
f?
popup=true&id_trabalho=3982673)https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoCon
clusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=3982673
(https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.js
f?popup=true&id_trabalho=3982673). Acesso em: 15 dez. 2020.
http://cienciahoje.org.br/artigo/thomas-bayes-o-cara/
https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=3982673
https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=3982673