Modelos Probabilı́sticos para

Variáveis Aleatórias Contı́nuas

Distribuição Normal (ou Gaussiana)

1 / 28
Distribuição Normal (ou Gaussiana)
A distribuição normal possui papel relevante tanto na probabilidade quanto na in-
ferência estatı́stica e suas aplicações se estendem pela Fı́sica, Economia, Pesquisa
Operacional, etc.
Definição 1
Seja X : Ω → RX uma variável aleatória contı́nua (v.a.c.) cujo conjunto de valores
possı́veis RX = R. Dizemos que X segue uma distribuição normal, com parâmetros
µ ∈ R e σ 2 > 0, se sua função densidade de probabilidade (f.d.p.) é dada por
1 2 2
f (x) = √ e−(x−µ) /2σ , x ∈ R.
2πσ 2

Notação: X ∼ N(µ; σ 2 ).
2 / 28
Gráfico
Na figura abaixo temos o gráfico da f.d.p. de uma v.a.c. X ∼ N(µ; σ 2 ),
sendo µ = 5 e σ 2 = 2.

3 / 28
 Propriedades de uma Distribuição Normal
(P1) Verifica-se que a função f apresentada na Definição 1 satisfaz às
seguintes condições: Z +∞
(i) f (x) > 0, ∀x e (ii) f (x)dx = 1,
−∞
sendo, de fato, uma função densidade de probabilidade (f.d.p.).

4 / 28
 Propriedades de uma Distribuição Normal
(P2) Se X ∼ N(µ; σ 2 ) então

E(X) = µ e Var(X) = σ 2 .

(P3) A f.d.p. de X atinge seu valor máximo em x = µ. Logo,

Moda(X) = µ.

5 / 28
 Propriedades de uma Distribuição Normal
(P4) O gráfico de f é simétrico em torno de x = µ. Isso significa que
f (µ − x) = f (µ + x) para todo x ∈ R, sendo a reta x = µ o eixo
de simetria do gráfico.

6 / 28
 Propriedades de uma Distribuição Normal
(P5) Usando o fato de que a função f é simétrica em torno de x = µ,
segue que P (X ≤ µ) = P (X > µ) = 0, 50. Consequentemente,
Mediana(X) = µ.

7 / 28
Propriedades de uma Distribuição Normal
(P6) Sobre a concavidade do gráfico da f.d.p. f de X ∼ N(µ; σ 2 ):
x = µ − σ e x = µ + σ são abscissas dos pontos de inflexão A e B do gráfico de f ;
se µ − σ < x < µ + σ, o gráfico de f possui concavidade voltada para baixo;
se x < µ − σ ou x > µ + σ, o gráfico de f possui concavidade voltada para cima.

8 / 28
 Propriedades de uma Distribuição Normal
(P7) Comparação de distribuições normais segundo os parâmetros µ e σ 2 .
X1 ∼ N(µ1 ; σ12 ) e X2 ∼ N(µ2 ; σ22 ), com µ1 = µ2 e σ12 > σ22 .

9 / 28
 Propriedades de uma Distribuição Normal
(P7) Comparação de distribuições normais segundo os parâmetros µ e σ 2 .
X1 ∼ N(µ1 ; σ12 ) e X2 ∼ N(µ2 ; σ22 ), com µ1 > µ2 e σ12 = σ22 .

10 / 28
 Propriedades de uma Distribuição Normal
(P7) Comparação de distribuições normais segundo os parâmetros µ e σ 2 .
X1 ∼ N(µ1 ; σ12 ) e X2 ∼ N(µ2 ; σ22 ), com µ1 > µ2 e σ12 > σ22 .

11 / 28
 Propriedades de uma Distribuição Normal
(P8) Seja X uma variável aleatória contı́nua tal que X ∼ N(µ; σ2 ). Se µ = 0 e
σ 2 = 1, dizemos que X possui distribuição normal padrão ou normal reduzida.
Comumente, usamos a letra Z para denotar uma v.a. possui tal caracterı́stica e
indicamos por Z ∼ N(0; 1). Sendo assim, se Z ∼ N(0; 1), então a f.d.p. de Z se
reduz a

1 2
f (z) = √ e−z /2 , z ∈ R.
2π

12 / 28
 Propriedades de uma Distribuição Normal
(P9) Se Z ∼ N(0; 1) e I = [a, b] é um intervalo da reta real, então
Z b
1 2
P (a ≤ Z ≤ b) = √ e−z /2 dz.
a 2π

13 / 28
Propriedades de uma Distribuição Normal
Rb 2
Fato importante: A integral a √12π e−z /2 dz está bem definida, pois
a função que figura no integrando é contı́nua. Porém, o seu cálculo
apresenta uma dificuldade operacional, pois a função real
1 2
f (z) = √ e−z /2
2π
não possui primitiva. Sendo assim, é necessário recorrer a métodos de in-
tegração numérica ou tabelas estatı́sticas quando tivermos por objetivo
obter probabilidades relacionadas à variáveis aleatórias que seguem uma
distribuição normal.
14 / 28
Tabela de uma v.a. normal padrão (livro texto)

15 / 28
 Propriedades de uma Distribuição Normal
(P10) Se X ∼ N(µ; σ 2 ), então a variável aleatória
X −µ
Z=
σ
possui distribuição normal padrão, ou seja,
X −µ
Z= ∼ N(0; 1).
σ

16 / 28
Exemplo 1
Seja Z uma variável aleatória contı́nua tal que Z ∼ N(0; 1), determine:

(a) P (0 < Z < 1, 73). (f) P (−1 < Z < 1).

17 / 28
Exemplo 1(a): Solução.
Consultando a Tabela III (livro texto) obtemos

P (0 < Z < 1, 73) ≃ 0, 45818.

18 / 28
Exemplo 1(b): Solução.
Sabendo que a área total é igual a 1 e que a curva da normal padrão é simétrica em
torno de 0, temos que

P (Z < 0) = 0, 5.

19 / 28
Exemplo 1(c): Solução.
Temos que

P (Z < 1, 73) = P (Z < 0) + P (0 < Z < 1, 73)

≃ 0, 5 + 0, 45818 = 0, 95818.

20 / 28
Exemplo 1(d): Solução.
Temos que

P (Z > 1, 73) = P (Z > 0) − P (0 < Z < 1, 73)

≃ 0, 5 − 0, 45818 = 0, 04182.

21 / 28
Exemplo 1(e): Solução.
Por simetria, temos que

P (−1 < Z < 0) = P (0 < Z < 1) ≃ 0, 34134.

22 / 28
Exemplo 1(f): Solução.
Por simetria, temos que

P (−1 < Z < 1) = 2 × P (0 < Z < 1)

≃ 2 × 0, 34134 = 0, 68268.

23 / 28
Exemplo 1(g): Solução.
Temos que

P (Z > −2, 50) = P (−2, 50 < Z < 0) + P (Z > 0)

= P (0 < Z < 2, 50) + P (Z > 0)

≃ 0, 49379 + 0, 5 = 0, 99379.

24 / 28
Exemplo 1(h): Solução.
Temos que

P (−2 < Z < 1, 06) = P (−2 < Z < 0) + P (0 < Z < 1, 06)

= P (0 < Z < 2) + P (0 < Z < 1, 06)

≃ 0, 47725 + 0, 35543 = 0, 83268.

25 / 28
Exemplo 1(i): Solução.
Temos que

P (0, 47 < Z < 1, 73) = P (0 < Z < 1, 73) − P (0 < Z < 0, 47)

≃ 0, 45818 − 0, 18082 = 0, 27736.

26 / 28
Exemplo 1(j): Solução.
Temos que

P (Z ≤ c) = 0, 9495 =⇒ 0, 5 + P (0 < Z < c) = 0, 9495

=⇒ P (0 < Z < c) = 0, 4495

=⇒ c = 1, 64.

27 / 28
Bibliografia
Estatı́stica Básica (7ª edição). Wilton O. Bussab e Pedro A. Morettin (2011).
Editora Saraiva.
Noções de Probabilidade e Estatı́stica (4ª edição). Marcos N. Magalhães e Antonio
C. P. de Lima. (2002). Edusp.
Probabilidade, Aplicações à Estatı́stica (2ª edição). Paul L. Meyer (1995). LTC.

Augusto Cury
Não há um normal que não seja anormal; e nenhum anormal que não seja passı́vel de
ser um mestre!

28 / 28