1

NOTAS DE AULA

Distribuição normal

Prof.: Idemauro Antonio Rodrigues de Lara

 2

Objetivo geral da aula

• Apresentar a distribuição normal de probabilidade, suas carac-

terı́sticas e aplicações .
Conteúdo
1. Distribuição Normal;
2. Caracterı́sticas;
3. Distribuição normal padrão e uso de tabelas;
4. Aplicações.

Pré-requisitos: Variável aleatória contı́nua. Função de densidade de probabi-

lidade. Esperança e Variância.
 3

Variável aleatória contı́nua

Uma variável aleatória X, assumindo quaisquer valores em um intervalo real,
é classificada como absolutamente contı́nua ⇔ FX (x) = P (X ≤ x) ∀x ∈ R é
absolutamente contı́nua e derivável por partes. Então deve existir uma função
f (x), chamada de função densidade de probabilidade satisfazendo:
dF (x)
• = f (x) ≥ 0 ∀x ∈ R
dx
∫ +∞ ∫ +∞
• dF (x) = f (x)dx = 1.
−∞ −∞
Esperança da v.a. X:
∫ +∞ ∫ +∞
E(X) = xdF (x) = xf (x)dx.
−∞ −∞

Variância da v.a. X:
∫ +∞
Var(X) = E[(X − E(X))2 ] = (x − E(X))2 f (x)dx.
−∞
 4

Distribuição Normal

Uma variável aleatória X tem distribuição normal de parâmetros µ ∈ R e

σ 2 > 0, se sua densidade for dada por:
[ ]
1 1
f (x) = √ exp − 2 (x − µ)2 I(x)(−∞,+∞) .
2πσ 2 2σ

0.05
0.04
função de densidade

0.03
0.02
0.01
0.00

70 80 90 100 110 120 130

Figura 1: Gráfico da distribuição normal

 5

Caracterı́sticas da Distribuição Normal

 6

1. f (x) é uma legı́tma função densidade de probabilidade, pois:

• f (x) ≥ 0 ∀ x ∈ R;
∫ +∞ [ ]
1 1
• √ exp − 2 (x − µ)2 = 1
−∞ 2πσ 2 2σ

2. Simetria em relação à µ
f (x) depende de x apenas em (x − µ)2 . Dessa forma, tem-se
• para x = µ − b ⇒ (µ − b − µ)2 = b
• para x = µ + b ⇒ (µ + b − µ)2 = b

3. Limites extremos do modelo normal.

[ ]
1 1
lim √ exp − (x − µ) 2
=0
x→−∞ 2πσ 2 2σ 2
e
[ ]
1 1
lim √ exp − (x − µ)2
=0
x→+∞ 2πσ 2 2σ 2
 7

4. Parâmetros que caracterizam o modelo: E(X) = µ e V ar(X) = σ 2 .

A esperança matemática é dada por:
∫ +∞ [ ]
1 1
E(X) = x√ exp − 2 (x − µ)2 = µ
−∞ 2πσ 2 2σ
e a variância:
∫ +∞ [ ]
1 1
Var(X) = (x − µ)
2
√ exp − 2 (x − µ)2 = σ 2
−∞ 2πσ 2 2σ
 8

5. Interpretação geométrica dos parâmetros µ e σ 2 .

médias diferentes e dp iguais médias iguais e dp diferentes

0.05

0.4
0.04

0.3
0.03
densidade

densidade

0.2
0.02

0.1
0.01
0.00

0.0
60 80 100 120 90 95 100 105 110

x x

Figura 2: Interpretação geométrica dos parâmetros do modelo

 9

6. Pontos de máximo e de inflexão da função normal.

Condição necessária: f ′ (x) = 0 ⇒ x = µ (ponto de máximo).
Condição necessária: f ′′ (x) = 0 ⇒ x1 = (µ − σ) e x2 = (µ + σ) (pontos de
inflexão)
Condições suficientes: estudo do sinal ou teste da derivada superior.
7. Considerações sobre assimetria e curtose.

E[(X − µ)3 ]
α3 = = 0 (simétrica)
σ3

E[(X − µ)4 ]
α4 =
σ4

α4 < 3 (platicúrtica) α4 = 3 (mesocúrtica) α4 > 3 (leptocúrtica)

 10

0.4
platicúrtica
mesocúrtica
0.3
leptocúrtica
densidade

0.2
0.1
0.0

90 95 100 105 110

Figura 3: Três curvas normais com graus de curtose diferentes

 11

8. Cálculo de probabilidades sob a curva normal. Caracterı́stica da função de

distribuição da normal. Modelo normal padrão.
Se X ∼ N(µ, σ 2 ):

∫ b [ ]
1 1
P(a ≤ X ≤ b) = √ exp − 2 (x − µ)2 = F (b) − F (a)
a 2πσ 2 2σ

Observa-se que a função de distribuição acumulada não tem forma analı́tica

fechada e tem que ser resolvida numericamente:

∫ x [ ]
1 1
F (x) = P(X ≤ x) = √ exp − 2 (t − µ)2 dt
−∞ 2πσ 2 2σ
 12

9. Teorema: Se X ∼ N(µ, σ 2 ) e, se Y = aX + b (a, b ∈ R), então Y ∼

N(aµ + b, a2 σ 2 ).

X −µ
10. Corolário: Se X ∼ N(µ, σ ) e, se Z =
2
, então Z ∼ N(0, 1).
σ
[ ]
1 1
f (z) = √ exp − z 2
2π 2

Eventos equivalentes implicam em igual probabilidade.

Dado que Z = X−µσ

P(a ≤ X ≤ b) = P(a ≤ σZ + µ ≤ b) = P(a − µ ≤ σZ ≤ b − µ)

a−µ b−µ
= P( ≤Z≤ ) (1)
σ σ
 13

(1) (2)

0.4

1.0
0.8
0.3

0.6
densidade

F(z)
0.2

0.4
0.1

0.2
0.0
0.0

−4 −2 0 2 4 −4 −2 0 2 4

z z

Figura 4: Distribuição normal padrão (1) e função de distribuição normal padrão (2)
 14

EXEMPLO 1

Estudos meteorológicos indicam que a precipitação pluviométrica mensal em

perı́odos de seca numa certa região pode ser considerada como seguindo a dis-
tribuição Normal de média 30mm e variância 16mm2 . a. Em um mês de seca
qual a probabilidade de que chova mais de 34mm? b. Qual seria o valor da
precipitação pluviométrica de modo que exista apenas 10% de probabilidade de
haver uma precipitação inferior a esse valor? c. Construa um intervalo central
em torno da média que contenha 80% dos possı́veis valores de precipitação plu-
viométrica. d. Admitindo esse modelo ser correto para os próximos 50 meses de
seca, em quantos deles esperarı́amos uma precipitação pluviométrica superior a
34mm?
Resp.: a.(0,1586) b.(24,8737) c.(24,87; 35,12) d. 8 meses aproximadamente.
 15

Códigos no R

par(mfrow=c(1,2))
plot(function(x) dnorm(x,30,4),15,45,col="blue",xlab="precipitaç~
ao",
ylab="densidade")
plot(function(x) pnorm(x,30,4),15,45,col="blue",xlab="precipitaç~
ao",
ylab="Funç~
ao de distribuiç~
ao" )
1-pnorm(34,30,4)
[1] 0.1586553
qnorm(0.10,30,4)
[1] 24.87379
qnorm(0.90,30,4)
[1] 35.12621
E(Y)<- 0.1586*50
E(Y)
[1] 7.93
 16

EXEMPLO 2

(Adaptado de Andrade e Ogliari, 2010) Suponha que diâmetros de Paepalanthus

sejam distribuı́dos segundo um modelo normal com média 12 cm e desvio padrão
5 cm. Um Paepalanthus é considerado pequeno se seu diâmetro for menor do
que 4 cm ou grande se seu diâmetro for maior do que 19 cm.
a. Encontre o percentual de Paepalanthus considerados pequenos e grandes.
b. Em uma amostra aleatória de 15 Paepalanthus qual é probabilidade de que
2 sejam considerados grandes?
Resp.: a. 0,05479 e 0,08075 b. 0,2291
 17

EXEMPLO 3

(Andrade e Ogliari, 2010) Uma máquina automática para encher sacos de semen-
tes de milho hı́brido está regulada para que o peso médio de sementes em cada
saco seja de 20 kg e o desvio padrão 0,2 kg. Pode-se admitir que a distribuição
desta variável seja normal.
a. Qual a porcentagem de sacos em que o peso de sementes não se desvia da
média em mais de dois desvios padrões? b. O que ocorrerá com a porcentagem
do item “a” se a máquina for regulada de forma que a média seja de 30 kg e o
desvio padrão 0,30 kg? c. Qual a probabilidade de encontrar um saco com mais
de 20,5 kg?
 18

Teorema Central do Limite

Sejam X1 , X2 , . . . , Xn variáveis aleatórias independentes, tal que E(Xi ) = µi e

V ar(Xi ) = σi2 . Para n suficientemente grande, tem-se que:
∑n ∑n
i=1 Xi − i=1 µi
√∑n −→ N (0, 1)
2
i=1 σi

Sejam X1 , . . . , Xn v.a.s i.i.d. com E(X) = µ e Var(X) = σ 2 então temos:

√
n(X̄ − µ) −→ N(0, σ 2 )
 19

X~U(10,30) X~Exp(1/2)

1.5
0.5
0.4

1.0
densidade

densidade
0.3
0.2

0.5
0.1
0.0

0.0
18 19 20 21 22 1.5 2.0 2.5 3.0

médias amostrais médias amostrais

X~Pois(8) X~Geo(0,3)
1.0

1.0
0.8

0.8
densidade

densidade
0.6

0.6
0.4

0.4
0.2

0.2
0.0

0.0
6.5 7.0 7.5 8.0 8.5 9.0 9.5 1.5 2.0 2.5 3.0 3.5

médias amostrais médias amostrais

Figura 5: Distribuição de X̄ para amostras aleatórias com n = 60.

 20

Aplicação: Aproximação da binomial pela normal

Teorema Central do Limite de De Moivre-Laplace

Sejam Xn , n ≥ 1 variáveis aleatórias independentes seguindo o modelo Bernoulli
∑n
com parâmetro π. Assim E(X) = π e V ar(X) = π(1 − π). Para Sn = i=1 Xi
temos:
S − nπ
√ n −→d N (0, 1)
nπ(1 − π)

Dado que Sn ∼ b(n, π), temos que:

( )
Sn − nπ
√ ≤b → Φ(b)
nπ(1 − π)
 21

Exemplo: Aproximação da binomial pela normal

Suponha que X ∼ b(200; 0, 25). Calcule P (X ≤ 55).

Solução:
m<-200*0.25
s<-sqrt(200*0.25*0.75)
pbinom(55,200,0.25) [1] 0.8161774 #prob. exata
p1<-pnorm((55-m)/s, 0,1) > p1 [1] 0.7928919 #sem correç~
ao
p2<-pnorm((55+0.5-m)/s, 0,1) > p2 [1] 0.8154462 #com correç~
ao
 22

Exercı́cios propostos

Capı́tulo 5, págs. 271-278, do livro Estatı́stica para as Ciências Agrárias e

Biológicas - com noções de experimentação. (Ver referência 1).
 23

REFERÊNCIAS BIBLIOGRÁFICAS

1. ANDRADE, D.F.; OGLIARI, P.J. Estatı́stica para as ciências agrárias

e biológicas com noções de experimentação. Editora da UFSC, Flo-
rianópolis, 2007.
2. BUSSAB, W.O. ; P.A. MORETIN, Estatı́stica Básica, 5a edição. Editora
Saraiva, 2002.
3. MAGALHÃES, M.N.; LIMA, A.C. P de. Noções de Probabilidade e
Estatı́stica. 6a ed. São Paulo: EDUSP, 2007.