A distribuição binomial é um burro de carga estatístico. Ajuda a prever resultados em situações em que você tem um número fixo de tentativas e cada tentativa tem a mesma probabilidade de sucesso.
Pense nisso como a matemática por trás de “quais são as probabilidades?”
Este modelo se aplica a processos discretos. As regras são rígidas. Você precisa de um número fixo de tentativas. Cada tentativa deve ser independente. A chance de sucesso permanece constante. Se alguma dessas condições for quebrada, o modelo binomial para de funcionar.
Tudo começou em jogos de azar. Jakob Bernoulli formalizou-o em 1713. A sua prova surgiu depois da sua morte. Ele mostrou que a probabilidade de obter exatamente k sucessos em n tentativas corresponde ao k -ésimo termo na expansão de (p + q)^n. Aqui, p é a probabilidade de sucesso. q é a probabilidade de falha, que é simplesmente 1 – p.
É dessa expansão que vem o nome. Dois termos. Elevado a um poder. Binômio.
Vejamos um exemplo concreto. Você lança um dado 50 vezes. Você quer saber a chance de obter exatamente 10 seis.
A probabilidade de sair um seis é 1/6. A probabilidade de não rolar um seis é 5/6. Então p = 1/6 e q = 5/6. A fórmula analisa o 10º termo (contando a partir de zero) na expansão de (5/6 + 1/6)^50.
O resultado é aproximadamente 0,1156. Cerca de 11,5%. Não é raro, mas não é garantido.
Isso não é apenas teórico. É prático. Ele informa a probabilidade de resultados específicos em eventos repetidos.
A controvérsia de Mendel
Em 1936, Ronald Fisher usou esta ferramenta para desafiar um dos maiores nomes da ciência. Gregor Mendel publicou seus experimentos genéticos de ervilha em 1866. Eles se tornaram a base da genética moderna.
Fisher reanalisou os dados de Mendel usando a distribuição binomial. As leis de herança de Mendel previam que 3/4 dos descendentes de um determinado cruzamento seriam ervilhas amarelas.
Mendel contou 8.023 ervilhas em um experimento. O número médio de ervilhas amarelas deve ser cerca de 6.017. Mendel relatou 6.022 ervilhas amarelas.
Isso é incrivelmente próximo.
Fisher calculou a probabilidade de uma correspondência tão próxima. Aconteceu apenas cerca de 1 em cada 10 vezes. Isso é suspeitamente bom.
Mendel fez sete experimentos diferentes. Todos eles corresponderam quase perfeitamente aos valores binomiais esperados. Houve até um pequeno erro de cálculo de Mendel, mas o resultado final ainda se ajustava muito bem ao modelo.
Fisher publicou suas descobertas. Ele insinuou trapaça científica. Mendel ajustou seus dados para se adequarem à teoria? O debate continua. Ninguém provou definitivamente a fraude. Mas a anomalia estatística permanece.
Por que isso é importante para você
Compreender a distribuição binomial ajuda a identificar padrões. Ajuda você a separar sorte de habilidade. Ajuda você a entender quando os dados parecem “bons demais para ser verdade”.
Você o utiliza sempre que avalia o risco em eventos repetidos.
- Lançamentos de moedas : quantas caras em 100 lançamentos?
- Controle de qualidade : Quantos itens com defeito em um lote de 1.000?
- Marketing : quantos cliques em 1.000 impressões de anúncios?
A matemática permanece a mesma. O contexto muda.
A chave é saber quando aplicá-lo. Você precisa de independência. Você precisa de uma probabilidade fixa. Você precisa de um determinado número de tentativas.
Se existirem, o binômio
