Curva Normal (ou Gaussiana)
Algumas variáveis contínuas exibem um
comportamento muito particular quando
visualizamos a distribuição de frequências de
seus valores.
▪ Concentração de valores em torno de um
valor central;
▪ Simetria em torno do valor central;
▪ Frequência pequena de valores muito
extremos.
1
A mais importante distribuição contínua de
probabilidade, também denominada Curva de
Gauss, é dada por:
1
1x −
2
f (x ) = exp− , para − x
2 2
Parâmetros da distribuição:
(média) e (desvio padrão).
Função de Densidade de Probabilidade Para a Variável
Aleatória Contínua X
Notação: X ~ N(,)
2
A f.d.p. do modelo Normal possui as seguintes
características:
❑ Tem forma de sino;
❑ É simétrica em torno de ;
❑ A área total sob a curva é 1 (100%);
❑ É completamente especificada por sua
média e seu desvio padrão ;
❑ A curva normal é assintótica ao eixo
horizontal em ambas as direções.
❑ O valor máximo de f(x) se dá para x = .
❑ E(X) = e Var(X) = 2.
𝑏 1
1x −
2
❑ 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫𝑎 exp− 𝑑𝑥,
2 2
que só pode ser resolvida de modo
aproximado, por métodos numéricos.
3
O parâmetro μ informa onde está centrada a
curva gaussiana
A forma do sino (mais “achatado” ou mais
“alongado”) é dada pelo valor do desvio-padrão σ
4
Para cada combinação de μ e σ, existe uma
curva gaussiana diferente
Propriedade da Distribuição Normal
5
Cálculo de Probabilidade na Curva Normal
Considere uma variável aleatória X com
distribuição Normal (μ,σ). Ou seja, X ~ N(μ,σ)
6
A Distribuição Normal Padrão
As probabilidades na curva Normal são
calculadas com o auxílio de uma tabela.
Como existem infinitas combinações dos
valores para μ e σ, seria inviável tabelar as
probabilidades de todas as distribuições
Normais possíveis.
Sendo assim, uma única variável Normal possui
suas probabilidades tabeladas: a variável Z com
média igual a 0 e desvio-padrão igual a 1.
Z ~ N(0,1).
7
Cálculo de probabilidades na distribuição
Normal Padrão
- Como Utilizar a Tabela -
Seja Z ~ N (0,1). Calcular:
(a) P (Z < 1,72)
(b) P (Z < -0,53)
(c) P (Z > 1,80)
(d) P (0,70 < Z < 1,35)
(e) P (-0,6 < Z < 1,30)
(f) P (Z < 2,33)
(g) P (Z < 1,96)
(h) P (Z < 1,64)
8
- Padronização: Considere X ~ N (µ, 𝜎)
𝑋− µ
𝑍=
𝜎
E(Z) = ?
𝑋− µ 1 1
𝐸 (𝑍) = 𝐸 ( ) = 𝐸 (𝑋 − µ) = [𝐸 (𝑋) − µ] = 0
𝜎 𝜎 𝜎
Var(Z)= ?
𝑋− µ 1
𝑉𝑎𝑟(𝑍) = 𝑉𝑎𝑟 ( ) = 2 𝑉𝑎𝑟(𝑋 − µ)
𝜎 𝜎
1
= 𝑉𝑎𝑟(𝑋) = 1
𝜎2
- Uso do Rcommander e da Tabela para o
cálculo de probabilidades do modelo Normal
9
Exemplo 1: Suponha que o nível de colesterol
(mg/dl) em pessoas sadias de uma população
tenha distribuição N(225; 37,5).
Normal Distribution: Mean=225, Standard deviation=37.5
0.010
0.008
0.006
Density
0.004
0.002
0.000
100 150 200 250 300 350
10
(a) Calcule a probabilidade de se encontrar uma
pessoa com nível de colesterol
(a.1) inferior a 300 mg/dl
X ~ N(225; 37,5)
Normal Distribution: Mean=225, Standard deviation=37.5
Region
0.010
0 to 300
0.008
0.006
Density
0.004
0.002
0.000
100 150 200 250 300 350
P(X < 300) = 0.9772499
11
(a.2) superior a 200 mg/dl
Normal Distribution: Mean=225, Standard deviation=37.5
Region
0.010
200 to 500
0.008
0.006
Density
0.004
0.002
0.000
100 150 200 250 300 350
P(X > 200) = 0.7475075
12
(a.3) entre 150 e 300 mg/dl
P(150 < X < 300) = P(X < 300) – P(X < 150)
= 0.97724987 - 0.02275013
= 0,9544
(b) Qual a taxa que deixa abaixo dela 95%
dos valores de nível de colesterol de
pessoas sadias?
P(X < t) = 0,95
t = 286.682
13
Exemplo 2: Animais sofrendo de certa moléstia
são submetidos a um tratamento intensivo cujo
tempo de cura foi modelado por uma distribuição
normal, com média 15 dias e desvio padrão 2
dias.
Normal Distribution: Mean=15, Standard deviation=2
0.20
0.15
Density
0.10
0.05
0.00
8 10 12 14 16 18 20 22
14
Determine:
(a) A proporção desses animais que demora mais
de 17 dias para se recuperar;
P(X > 17) = 0.1586553
(b) A probabilidade de um animal, escolhido ao
acaso, apresentar tempo de cura inferior a 20
dias;
P(X < 20) = 0.9937903
(c) O tempo máximo necessário para a
recuperação de 25% dos animais;
P(X < t) = 0,25
t = 13.65102
Aproximadamente 14 dias
(d) Considere que 100 animais são escolhidos ao
acaso. Qual o número esperado de animais
curados em menos de 11 dias?
P(X < 11) = 0.02275013
Em 100 animais, nxp = 2,28.
15
Propriedade Importante da Distribuição
Normal: Qualquer combinação linear de
variáveis Normais independentes terá
distribuição Normal.
Exemplo 3: Uma corretora negocia títulos na bolsa
de valores e utiliza um modelo probabilístico para
avaliar lucros. Suas aplicações financeiras de
compra e venda atingem três áreas: agricultura,
indústria e comércio. Admita que o seguinte
modelo represente o comportamento do lucro
diário da corretora (em milhares de reais):
L = 2LA + 5LI + 3LC,
Com LA, LI e LC representando, respectivamente,
os lucros diários nos setores de agricultura,
indústria e comércio. As distribuições de
probabilidade dessas variáveis aleatórias são
LA ~ N(3, 2), LI ~ N(6, 3) e LC ~ N(4, 4).
Supondo independência entre esses três setores,
qual será a probabilidade de um lucro diário acima
de 50 mil?
16
L = 2LA + 5LI + 3LC,
LA ~ N(3, 2), LI ~ N(6, 3) e LC ~ N(4, 4)
E(L) = E(2LA + 5LI + 3LC)
= 2E(LA) + 5E(LI) + 3E(LC)
= 2x3 + 5x6 + 3x4
= 48
Var(L) = Var(2LA + 5LI + 3LC)
= 4Var(LA) + 25 Var LI + 9Var(LC)
= 4x4 + 25x9 + 9x16
= 385
Logo, L ~ N(48; 19,62)
P(L > 50) = 0.4594034
17
A Normal como aproximação da Binomial e
Poisson
❑ Quando n é grande e p não está muito próximo
de 0 nem de 1, a distribuição Normal constitui
boa aproximação da Binomial;
❑ Podemos tratar um v.a Bin (n, p) como uma
v.a Normal com média np e variância np(1-p).
❑ A distribuição de Poisson, quando o
parâmetro λ cresce, aproxima-se da
distribuição Normal com média λ e variância λ.
Em geral, fazemos a aproximação quando λ é
maior ou igual a 25.
18