Distribuição

Gaussiana

Modelo Probabilístico para

Variáveis Contínuas
 Distribuição de Frequências do Peso, em
gramas, de 10000 recém-nascidos
3500
3000
2500
2000
Frequencia

1500
1000
500
0

1000 2000 3000 4000 5000 frequência relativa

densidade =
Peso ao nascer tamanho da classe
 8e-04
Histograma de
Densidade
6e-04

àrea da barra =densidade x

largura da barra
Densidade

4e-04

àrea da barra =probabilidade de

X estar entre os limites da barra
2e-04
0e+00

1000 2000 3000 4000 5000

Peso ao nascer
soma das àreas das barras
P[2500 < X < 3500] =
entre 2500 e 3500 g.
 8e-04
Histograma de
Densidade
6e-04
Densidade

4e-04

àrea da barra =probabilidade de

X estar entre os limites da barra
2e-04
0e+00

1000 2000 3000 4000 5000

Peso ao nascer

P[X < 2125] = soma das àreas das barras entre 1000 e 2125
Muitas vezes, as barras do histograma podem
ser aproximadas por uma curva mais suave …

mais classes
 Essa curva suave é chamada
função de densidade de X, ou f(x)

f(x)
 Como calcular
probabilidades
usando f(x) ?

P[a < X < b ]

P[a < X < b ] é a área

abaixo da curva f(x) entre
aeb
a b
Propriedades de f(x)

1) f(x) ≥ 0

2) A área abaixo de toda a curva f(x) é igual a 1.

Como X é uma variável aleatória contínua, então

P[X=a] = 0
P[X < b] = P[X ≤ b]

 O Modelo Probabilístico Gaussiano
(ou Normal)
Algumas variáveis contínuas exibem um comportamento
muito particular quando visualizamos a distribuição de
frequências de seus valores.
Frequência

Valores
• Concentração de valores em torno de um valor central;
• Simetria em torno do valor central;
• Frequência pequena de valores muito extremos.
O Modelo Probabilístico Gaussiano
O matemático alemão Karl Gauss
popularizou um modelo proposto para a
distribuição de probabilidades de variáveis
do tipo descrito anteriormente.

A curva descrita por este modelo é

conhecida como Curva de Gauss (ou
também como Curva Normal)
O Modelo Probabilístico Gaussiano

x − µ 2
1 
− σ  
1 2  
f ( x) = e , −∞ < x < ∞
2πσ

A função de densidade de X só depende de dois valores:

a média µ e o desvio-padrão σ

π e e são constantes conhecidas (π ≈ 3,14159… e e ≈ 2.71828…)

O Modelo Probabilístico Gaussiano
A média µ de uma variável aleatória X que siga o modelo
Gaussiano pode assumir qualquer valor na reta real
−∞ < µ < ∞

O desvio-padrão σ de qualquer variável aleatória X só

pode assumir valores maiores do que zero
σ >0

µ e σ são os parâmetros do Modelo Gaussiano

Dizemos que X ~ Normal (µ,σ)
O Modelo Probabilístico Gaussiano
A curva gaussiana (ou curva Normal) é definida pela
média µ e pelo desvio-padrão σ.
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
Para cada combinação de µ e σ, existe uma
curva gaussiana diferente
A curva gaussiana tem a forma de um sino e é
simétrica em torno da média µ;

a a
3000 - a 3000 + a

P(X < 3000-a ) = P(X > 3000+a )

Simetria
Propriedades da Distribuição Normal

Área fixa entre intervalos simétricos

 Cálculo de Probabilidade na Curva Normal
Considere uma variável aleatória X com distribuição
Normal (µ,σ). Ou seja, X ~ Normal(µ,σ)

Probabilidade de X estar entre x1 e x2: P( x1 < X < x2 )

P( x1 < X < x2 )

Área sob a curva

Normal entre x1 e x2.
Cálculo de Probabilidade na Curva Normal

curvas Normais diferentes
áreas diferentes

P( x1 < X < x2 )
 Suponha que X é o peso de bebês ao nascer e que,
Exemplo: em certa população, X tem distribuição de
probabilidade que pode ser aproximada pela
Normal com µ = 3000g e σ = 1000g.
Qual é a porcentagem de bebês que nascem com
peso abaixo de 1500g ?
 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 ~ Normal (µ=0 ; σ=1)

 A variável aleatória Normal com
média µ=0 e desvio-padrão σ=1 é
chamada de

Variável Normal Padrão

a variável
aleatória Z Z ~ N(0,1)

Normal com
tem distribuição média=0 e
de probabilidade d.p.=1

P( Z < z )
 A Tabela Normal Padrão (Tabela Z)
Parte Negativa
Linha: Parte inteira e
primeira casa decimal de z
Coluna: Segunda
casa decimal de z
-2.9 0.0019 0.0018 0.0017 0.0017

-0.8 0.2119 0.2090 0.2061 0.2033

P( Z < -0.83 )

-0.83
 A Tabela Normal Padrão (Tabela Z)
Parte Positiva
Linha: Parte inteira e
primeira casa decimal de z
Coluna: Segunda
casa decimal de z

P( Z < 1.5 )
Exemplo: Seja Z uma v.a. normal padronizada. Calcule:
P( Z < -1.97) = ? P( Z > 1.84) = ?

P( Z < -1.97 ) = 0.0244, P( Z >1.84) = P( Z < -1.84) = 0.0329,

obtida direto da tabela. obtida direto da tabela
e por simetria.
P( -1.97 < Z < 0.86 ) = P( Z < 0.86 ) - P( Z < -1.97 )
= 0.8051 - 0.0244
= 0.7807

= -
Cálculo de percentis na curva Normal

Percentil de ordem 2.5

Que valor de Z na tabela Normal Padrão deixa uma área de

0.0250 abaixo dele ?

Ou seja, quem é a tal que P[Z < a ]=0.0250 ?

a é o percentil 2.5 da curva Normal Padrão

0.0250

a=-1.96
Cálculo de percentis na curva Normal

Percentil de ordem 97.5

Que valor de Z na tabela Normal Padrão deixa uma área de

0.9750 abaixo dele ?

Ou seja, quem é b tal que P[Z < b ]=0.9750 ?

b é o percentil 97.5 da curva Normal Padrão

b é o simétrico de a em relação 0.0250

à média da curva Normal 0.9750

b=1.96
Cálculo de percentis na curva Normal

Percentil de ordem 95

P[Z < b ]=0.9500

b é o percentil 95 da curva
Normal Padrão b=1.645

Na tabela Z:

z = 1.65
área abaixo = 0.9505

z = 1.64
área abaixo = 0.9495

Escolher o valor mais próximo da probabilidade desejada.

Cálculo de percentis na curva Normal
Percentil de ordem 1

P[Z < b ]=0.0100

b é o percentil 1 da curva Normal Padrão

0.9800
P[-b < Z < b ]=0.9800
0.0100 0.0100
P[Z< -b ] =0.0100

-b = ?
Na tabela Z:
z = -2.33
área abaixo = 0.0099
z = -2.32
área abaixo = 0.0102
-b=2.33 b=2.33
Usar o valor de z que
forneça a área mais próxima
do desejada (-2.33)
 Como usar a tabela Normal Padrão para
calcular probabilidades em uma curva
Normal qualquer?

Distribuição de Z ~ Normal (µ=0 ; σ=1)

Distribuição de
X ~ Normal (µ=10 ; σ=2)
Padronização de uma variável aleatória Normal

Podemos transformar uma variável aleatória

X ~ Normal ( µ , σ ) em uma variável aleatória
Z ~ Normal ( 0, 1) usando a expressão:

X −µ
Z=
σ
X ~ Normal( µ ,σ ) Z ~ Normal(0,1)

x1 − µ x2 − µ
z1 = z2 =
σ σ
Calculando probabilidades de X utilizando a tabela Z

 X −µ 9−µ  X − 10 9 − 10 
P[ X < 9] = P  <  = P <
 σ σ   2 2 
= P[ Z < −0.5] = 0.3085

X − 10 13 − 10
P[ X > 13] = P[ > ]= P[ Z > 1.5]
2 2
= P[ Z < −1.5] = 0.0668
 Exemplo 1: Se X tem distribuição Normal com µ = 40 e
σ = 6, encontre o valor de x tal que P[X < x] =0.45.

Se P[X < x] =0.45.

então P( Z < (x-40)/6 ) = 0.45.

Mas P( Z < -0.13 ) = 0.45 (da tabela);

Logo (x-40)/6 = -0.13

 x = 40 + (-0.13)6
= 40 - 0.78
= 39.22.
Ou seja, 39.22 é o percentil 45
da distribuição de X.
 Exemplo 2: Se X tem distribuição Normal com µ = 40 e
σ = 6, encontre o valor de x tal que P[X > x] =0.14.

Se P[X < x] = 0.86

então P( Z < (x-40)/6 ) = 0.86.

Mas P( Z > 1.08) = P( Z < -1.08)

= 0.14 (da tabela);

Logo (x-40)/6 = 1.08

 x = 40 + (1.08)6
= 46.48
Ou seja, 46.48 é o percentil 86 da
distribuição de X.
 Cálculo do Percentil de ordem 100α
da distribuição Normal

P100α = µ + z(1−α ) ⋅ σ

onde α é a ordem do percentil (0 < α < 1) e

z(1-α) é o valor na tabela Z que deixa uma área de (1-α) acima dele.

1-α
α

z(1-α)
 Cálculo do Percentil de ordem 100α da
distribuição Normal

Conferindo os dois exemplos anteriores, onde µ = 40 e σ = 6 :

α = 0.45 α = 0.86
P45 = 40 + z(1−0.4500) × 6 P86 = 40 + z(1−0.8600) × 6
= 40 + z(0.5500) × 6 = 40 + z(0.1400) × 6
= 40 − 0.13 × 6 = 40 + 1.08 × 6
 Suponha que X é o peso de bebês ao nascer e
Exemplo que, em certa população, X tem distribuição
Inicial: que pode ser aproximada pela Normal com
µ = 3000g e σ = 1000g.
Qual é a porcentagem de bebês que nascem com peso abaixo
de 1500g ?

 X − 3000 1500 − 3000 

P[ X < 1500] = P  <  0.68% dos bebês
 1000 1000  têm peso inferior
= P [ Z < −1.5] = 0.0068 a 1500g.
Qual é a porcentagem de bebês que nascem com peso acima
de 4000g ?

 4000 − 3000 
P[ X > 4000] = P  Z > 
 1000
= P [ Z > 1.0] = P [ Z < −1.0] = 0.1587
Qual é a porcentagem de
bebês que nascem com
peso entre 2500 e 3500g ?

38.30% dos bebês

P[2500 < X < 3500] = P[ X < 3500] − P[ X < 2500]

 3500 − 3000   2500 − 3000 
= P Z <  − P Z < 
 1000   1000 
= P [ Z < 0.5] − P [ Z < −0.5]
= 0.6915 − 0.3085 = 0.3830
Qual valor de peso dos bebês
separa os 10% mais leves?
0.10
1720 gramas
P10 3000

α = 0.10
P10 = 3000 + z(1−0.1000) ×1000
= 3000 + z(0.9000) × 1000
= 3000 + (−1.28) ×1000
= 3000 − 1280 = 1720
Qual valor de peso dos bebês
separa os 10% mais pesados?
0.10
4280 gramas
3000 P90

α = 0.90
P10 = 3000 + z(1−0.9000) ×1000
= 3000 + z(0.1000) ×1000
= 3000 + 1.28 × 1000
= 3000 + 1280 = 4280
Aplicações do Modelo Gaussiano:
Cálculo de Faixas de Referência

Faixas de Referência são formadas por dois percentis

Exemplo: uma faixa de referência de 90% é

formada pelos percentis 5 e 95

90%
5% 5%

P5 P95
Cálculo de Faixas de Referência utilizando o
modelo Gaussiano
Seja X a variável aleatória que representa a característica
para a qual queremos construir uma faixa de referência.
Exemplo: X é o peso de recém-nascidos

Se X ~ Normal (µ,σ), então uma faixa de referência

de (1-α)100% é formada pelos percentis

P(α/2)100 e P(1-α/2)100

Exemplo: uma faixa de referência de 90%

(α=0.10) é formada pelos percentis P5 e P95
Cálculo de Faixas de Referência utilizando o
modelo Gaussiano

No exemplo do peso dos recém-nascidos (X), se

pudermos supor que X ~ Normal (µ=3000 ; σ=1000),

uma faixa de referência de 80% seria dada pelos

percentis P10= 1720 e P90 = 4280 (já calculados
anteriormente)

Faixa de Referência de 80% para o peso

de recém-nascidos
1720 gramas a 4280 gramas
 Cálculo de Faixas de Referência utilizando o
modelo Gaussiano

Relembrando o cálculo de percentis com o modelo

gaussiano e a definição de faixa de referência,

uma faixa de referência de (1-α)100% é dada pela expressão

[ µ + z(1−α / 2) ⋅ σ ; µ + z(α / 2) ⋅ σ ]
z(1−α / 2) = − z(α / 2) (por simetria)

[ µ − z(α / 2) ⋅ σ ; µ + z(α / 2) ⋅ σ ]
Para aprender (I)…

Para o exemplo do peso dos recém-nascidos, calcule

as seguintes faixas de referência:

 90%
 95%

Antes de calcular essas faixas, responda:

qual delas você espera que seja a mais larga?
Justifique.
Para aprender (II)…

Exercícios da Seção 7 (Modelo Probabilístico

Gaussiano)