Modelos Probabilı́sticos para

Variáveis Aleatórias Contı́nuas

Distribuição Normal (ou Gaussiana)

1 / 30
Distribuição Normal (ou Gaussiana)
A distribuição Normal é talvez a mais importante das distribuições de
probabilidade. Erros de mensuração de fenômenos fı́sicos ou econômicos são
frequentemente modelados pela distribuição Normal, mas esta não é a única
aplicação desta densidade. Por exemplo, a distribuição dos pesos, alturas e QI’s
das pessoas numa população também já foram modelados com sucesso por esta
distribuição.
A distribuição Normal é também chamada de Gaussiana em homenagem ao
matemático Carl Friederich Gauss (1777 - 1855), que a utilizou pela primeira vez
na modelagem de erros de medida. A distribuição Normal também funciona
como uma boa aproximação para outras densidades/distribuições. Por exemplo,
sob algumas condições pode-se provar que a distribuição Binomial pode ser
aproximada pela Normal. 2 / 30
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 ).
3 / 30
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.

4 / 30
 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.).

5 / 30
 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.

6 / 30
 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.

7 / 30
 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.

8 / 30
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.

9 / 30
 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 / 30
 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 / 30
 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 .

12 / 30
 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

13 / 30
 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

14 / 30
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.
15 / 30
Tabela de uma v.a. normal padrão (livro texto)
Tabela - Normal Padrão de 0 a z 𝑷(𝟎 ≤ 𝒁 ≤ 𝒛)

Segunda casa decimal de Z

z
0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
Parte inteira e primeira casa decimal de Z

1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4,0 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
16 / 30
Tabela de uma v.a. normal padrão (zoom)

17 / 30
 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

18 / 30
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).

(b) P (Z < 0). (g) P (Z > −2, 50).
(c) P (Z < 1, 73). (h) P (−2 < Z < 1, 06).
(d) P (Z > 1, 73). (i) P (0, 47 < Z < 1, 73).
(e) P (−1 < Z < 0). (j) o número real c tal que P (Z ≤ c) = 0, 9495.

19 / 30
Exemplo 1(a): Solução.
Consultando a Tabela III (livro texto) obtemos

P (0 < Z < 1, 73) ≃ 0, 45818.

20 / 30
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.

21 / 30
Exemplo 1(c): Solução.
Temos que

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

≃ 0, 5 + 0, 45818 = 0, 95818.

22 / 30
Exemplo 1(d): Solução.
Temos que

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

≃ 0, 5 − 0, 45818 = 0, 04182.

23 / 30
Exemplo 1(e): Solução.
Por simetria, temos que

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

24 / 30
Exemplo 1(f): Solução.
Por simetria, temos que

P (−1 < Z < 1) = 2 × P (0 < Z < 1)

≃ 2 × 0, 34134 = 0, 68268.

25 / 30
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.

26 / 30
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.

27 / 30
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.

28 / 30
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.

29 / 30
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!

30 / 30