DISTRIBUIÇÃO DE PROBABILIDADE NORMAL

A distribuição normal é uma distribuição contínua de probabilidade de uma variável aleatória x.

Seu gráfico é chamado de curva normal (Figura 1). A distribuição normal tem as seguintes
propriedades:
- A média, a mediana e a moda são iguais
- A curva normal tem formato de sino e é simétrica em torno da média
- A área total sob a curva normal é igual a 1
- A curva normal aproxima-se mais do eixo x à medida que se afasta da média em ambos os lados,
mas nunca toca o eixo
- Entre μ – σ e μ + σ (no centro da curva) o gráfico curva-se pra baixo. À esquerda de μ – σ e à direita
de μ + σ, o gráfico curva-se para cima. Os pontos nos quais a curva muda sua curvatura para cima ou
para baixo são chamados de pontos de inflexão.

Figura 1. Curva normal

Se x for uma variável aleatória contínua e tiver uma distribuição normal com média μ e desvio-padrão
σ, pode-se fazer o gráfico de uma curva normal usando a seguinte equação:
1 2 ⁄2𝜎𝜎 2
𝑓𝑓(𝑥𝑥) = 𝑒𝑒 −(𝑥𝑥−𝜇𝜇 )
𝜎𝜎√2𝜋𝜋

Para: (-∞ < x < + ∞)

Uma distribuição normal pode ter qualquer média e qualquer desvio-padrão. Esses dois parâmetros,
μ e σ, determinam completamente o aspecto da curva normal. A média dá a localização do eixo de
simetria e o desvio-padrão descreve quanto os dados se espalham em torno da média (Figura 2):

Figura 2. Curvas normais. Note que as curvas A e B têm a mesma média, enquanto as curvas B e C
têm o mesmo desvio-padrão.
REGRA EMPÍRICA: Numa distribuição normal com média μ e desvio-padrão σ, pode-se aproximar
áreas sob a curva normal da seguinte maneira, conforme ilustrado na Figura 3:
68% da área está entre μ – σ e μ + σ
95% da área está entre μ – 2σ e μ + 2σ
99,7% da área está entre μ – 3σ e μ + 3σ

Figura 3. Curva normal e probabilidades

Mais precisamente, para qualquer variável aleatória normal, temos que as probabilidades são:
P (μ – σ < X < μ + σ) = 0,6827
P (μ – 2σ < X < μ + 2σ) = 0,9545
P (μ – 3σ < X < μ + 3σ) = 0,9973
Da simetria de f (x), P (X > μ) = P (X < μ) = 0,5.
A DISTRIBUIÇÃO NORMAL PADRÃO
Existem infinitas distribuições normais, cada uma com sua própria média e desvio-padrão. A
distribuição com média zero e desvio-padrão 1 é chamada de distribuição normal padrão.
A escala horizontal do gráfico da distribuição normal padrão corresponde aos escores z. Um escore z
é uma medida de posição que indica o número de desvios-padrão de um valor a partir da média.
Para transformar um valor x em um escore z, usa-se a seguinte fórmula:
𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 − 𝑚𝑚é𝑑𝑑𝑑𝑑𝑑𝑑 𝑥𝑥 − 𝜇𝜇
𝑧𝑧 = =
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝ã𝑜𝑜 𝜎𝜎

A função de densidade probabilidade de z é dada pela equação:

1 2 ⁄2
𝑓𝑓(𝑧𝑧) = 𝑒𝑒 −𝑧𝑧
√2𝜋𝜋

Para: (-∞ < z < + ∞)

Utiliza-se então a notação X: N (μ, σ2) → Z: N (0, 1)
Exemplo:
Um fabricante de baterias sabe, por experiência passada, que as baterias de sua fabricação têm vida
média de 600 dias e desvio padrão de 100 dias, sendo que a duração tem aproximadamente
distribuição normal. Oferece uma garantia de 312 dias, isto é, troca as baterias que apresentarem
falhas nesse período. Fabrica 10.000 baterias mensalmente. Quantas deverá trocar pelo uso da
garantia, mensalmente?
Solução:

X: duração da bateria (µ = 600 dias; σ = 100 dias)

P (X ≤ 312) = P (Z ≤ -2,88) = 0,0020 (ver na Tabela)
Deverá substituir mensalmente: 10.000 × 0,0020 = 20 baterias
TEOREMA CENTRAL DO LIMITE
Retirando-se amostras de uma população que tenha uma distribuição desconhecida de probabilidades,
a distribuição amostral da média da amostra será aproximadamente normal, com média μ e variância
σ2/n, se o tamanho da amostra n for grande.
Este é um dos teoremas mais úteis em estatística, chamado de Teorema Central do Limite, e enunciado
como:
Se X1, X2, X3, ........, Xn for uma amostra aleatória de tamanho n, retirada de uma população com
média μ e variância σ2, e se for a média da amostra, então a forma limite da distribuição de
𝑋𝑋� − 𝜇𝜇
𝑍𝑍 = 𝜎𝜎
√𝑛𝑛

Quando n → ∞, é a distribuição normal

A aproximação normal para depende do tamanho n da amostra. A Figura 4(a) mostra a distribuição
obtida para o arremesso de um único dado, com seis faces. As probabilidades são iguais a (1/6) para
todos os valores obtidos, 1, 2, 3, 4, 5 ou 6. A Figura 4(b) mostra a distribuição das pontuações médias
obtidas quando se arremessam dois dados e as Figuras 4 (c), 4(d) e 4(e) mostram a distribuição das
pontuações médias obtidas quando se arremessam 3, 5 e 10 dados, respectivamente.
Nota-se que, embora a distribuição de 1 dado esteja relativamente longe da normal, a distribuição das
médias será aproximada razoavelmente bem pela distribuição normal para amostras de tamanho tão
pequeno quanto 5. Embora o teorema central do limite funcione bem para pequenas amostras na
maioria dos casos – particularmente onde a população seja contínua, unimodal e simétrica – amostras
maiores serão requeridas em outras situações, dependendo da forma da população.

Em muitos casos de interesse prático, se n ≥ 30, a aproximação normal será satisfatória,

independentemente da forma da população. Se n < 30, o teorema central do limite funcionará se a
distribuição da população não for muito diferente da normal.
Figura 4. Distribuições das pontuações médias do arremesso de dados
Exemplo:
Uma companhia eletrônica fabrica resistores que têm uma resistência média de 100 Ω e um desvio-
padrão de 10 Ω. Encontre a probabilidade de uma amostra aleatória de n = 25 resistores ter uma
resistência média menor que 95 Ω.
Solução:

Considere que a distribuição amostral de é aproximadamente normal, com média = 100 Ω e

um desvio padrão da média amostral de:
𝜎𝜎 10
𝜎𝜎𝑋𝑋� = = =2
√𝑛𝑛 √25

Padronizando-se o ponto = 95 Ω encontra-se:

 95 − 100
𝑍𝑍 = = −2,5
2

Desse modo, tem-se que a probabilidade desejada é:

P (𝑋𝑋� < 95) = P(Z < -2,5) = P(Z > 2,5) = 0,0062

Correção para populações finitas:

Se a população for finita e de tamanho N conhecido, e se a
amostra de tamanho n dela retirada for sem reposição, recomenda-
se a correção:

𝜎𝜎 𝑁𝑁 − 𝑛𝑛
𝜎𝜎𝑋𝑋� = �
√𝑛𝑛 𝑁𝑁 − 1

Exemplo:
Tem-se uma população de 5.000 alunos de uma faculdade.
Sabe-se que a altura média dos alunos é de 175 cm e o desvio
padrão, 5 cm. Retira-se uma amostra sem reposição de tamanho n
= 100. Quais serão os valores de 𝜎𝜎𝑋𝑋� com e sem a correção?
Usando o fator de correção:

𝜎𝜎 𝑁𝑁−𝑛𝑛 5 5.000−100
𝜎𝜎𝑋𝑋� = � = � = 0,495024
√𝑛𝑛 𝑁𝑁−1 √10 5.000−1

Sem a correção:
𝜎𝜎 5
𝜎𝜎𝑋𝑋� = = = 0,50
√𝑛𝑛 10
Quando se tira uma amostra grande de uma população de
tamanho muito maior que o da amostra, pelo menos o dobro, é
indiferente usar a correção para populações finitas, pois o erro será
muito pequeno, como o do exemplo acima.

Exercício:
Seja X: N(80,26). Dessa população retira-se uma amostra de
n = 25. Calcular:

a) P (𝑋𝑋� > 83)

b) P (𝑋𝑋� ≤ 82)
c) P (𝜇𝜇 − 2𝜎𝜎𝑥𝑥̅ ≤ 𝑋𝑋� ≤ 𝜇𝜇 + 2𝜎𝜎𝑥𝑥̅ )