ACH2053 – Introdução à Estatı́stica

Aula 10: Distribuição Normal

Valdinei Freire

valdinei.freire@usp.br

http://www.each.usp.br/valdinei

Escola de Artes, Ciências e Humanidades - USP

2021

V. Freire (EACH-USP) ACH2053 2021 1 / 11

Distribuição Normal

A função de probabilidade
1 1 x−µ 2
f (x; µ, σ) = √ e− 2 ( σ )
2πσ
é chamada de distribuição normal ou gaussiana.

E(X) = µ
Var(X) = σ 2

V. Freire (EACH-USP) ACH2053 2021 2 / 11

Distribuição Normal Padrão
A distribuição normal com média 0 e variância 1 é chamada de
distribuição normal padrão. A p.d.f. da distribuição normal padrão é
denotada por φ e definida por:
1 x2
φ(x) = f (x; 0, 1) = √ e− 2
2π
e a c.d.f da distribuição normal padrão é denotada por Φ(x).

V. Freire (EACH-USP) ACH2053 2021 3 / 11

V. Freire (EACH-USP) ACH2053 2021 4 / 11
Distribuição Padrão

Para todo x e todo 0 < p < 1, Φ(−x) = 1 − Φ(x) e

Φ−1 (p) = −Φ−1 (1 − p).

Seja X uma distribuição normal com média µ e desvio padrão σ. Seja F a

c.d.f. de X. Então Z = X−µσ tem a distribuição normal padrão e para
todo x e todo 0 < p < 1
 
x−µ
F (x) = Φ
σ

F −1 (p) = µ + σΦ−1 (p)

V. Freire (EACH-USP) ACH2053 2021 5 / 11

Soma de Váriáveis Aleatórias

Se X tem a distribuição normal com média µ e desvio padrão σ e

Y = aX + b com a e b constantes, então Y tem distribuição normal com
média aµ + b e desvio padrão aσ.

Se X e Y são variáveis aleatórias independentes e tem distribuição normal

com médias µX e µY e desvios padrões σX e σY . Então Z = X + Y tem
distribuição normal com média µX + µY e variância σX2 + σ2 .
Y

V. Freire (EACH-USP) ACH2053 2021 6 / 11

Teorema do Limite Central

Se as variáveis aleatórias X1 , . . . , Xn formam uma amostra aleatória de

tamanho n de uma distribuição com média µ e desvio padrão σ
(0 < σ < ∞), então para cada x
 
Xn − µ
lim Pr √ ≤ x = Φ(x),
n→∞ σ/ n
e  Pn 
Xn
i=1√ − nµ
lim Pr ≤x = Φ(x),
n→∞ nσ
onde Φ(x) denota a c.d.f. da distribuição normal padrão.

V. Freire (EACH-USP) ACH2053 2021 7 / 11

Distribuição Uniforme

n=1 n=2 n=3

0.04 0.04 0.04

0.03 0.03 0.03

densidade

densidade

densidade
0.02 0.02 0.02

0.01 0.01 0.01

0 0 0
-2 -1 0 1 2 -4 -2 0 2 4 -4 -2 0 2 4
x x x

n = 10 n = 20 n = 30
0.04 0.04 0.04

0.03 0.03 0.03

densidade

densidade

densidade
0.02 0.02 0.02

0.01 0.01 0.01

0 0 0
-5 0 5 -5 0 5 -5 0 5
x x x

V. Freire (EACH-USP) ACH2053 2021 8 / 11

Distribuição Exponencial

n=1 n=2 n=3

0.06 0.06 0.06

0.05 0.05 0.05

0.04 0.04 0.04

densidade

densidade

densidade
0.03 0.03 0.03

0.02 0.02 0.02

0.01 0.01 0.01

0 0 0
-5 0 5 10 15 -5 0 5 10 15 -10 0 10 20
x x x

n = 10 n = 20 n = 30

0.06 0.06 0.06

0.05 0.05 0.05

0.04 0.04 0.04

densidade

densidade

densidade
0.03 0.03 0.03

0.02 0.02 0.02

0.01 0.01 0.01

0 0 0
-10 0 10 20 30 -20 0 20 40 -20 0 20 40
x x x
V. Freire (EACH-USP) ACH2053 2021 9 / 11
Exemplo

Exemplo 1: Suponha que a quantidade de minutos necessária para servir

um cliente no caixa de um supermercado tenha uma distribuição
exponencial com média 3. Usando o teorema do limite central, aproxime a
probabilidade que a quantidade total de tempo necessário para servir uma
amostra aleatória de 16 clientes exceda uma hora.

Exemplo 2: Suponha que um par de dados é lançado 120 vezes, e seja X

a quantidade de vezes que a soma dos dois dados é 7. Use o teorema do
limite central para determinar um valor de k tal que Pr(|X − 20| ≤ k) é
aproximadamente 0,95.

V. Freire (EACH-USP) ACH2053 2021 10 / 11

Correção de Aproximação

Definition
Seja X uma variável aleatória que recebe apenas valores inteiros. Suponha
que X possui aproximadamente a distribuição normal com média µ e
variância σ 2 . Seja a e b inteiros e suponha que se deseja aproximar
Pr(a ≤ X ≤ b). A correção da aproximação por distribuição normal para
continuidade é:
   
b + 1/2 − µ a − 1/2 − µ
Pr(a ≤ X ≤ b) ≈ Φ −Φ .
σ σ

Exemplo 3: Suponha que X tenha a distribuição de Poisson com média

10. Use o teorema do limite central com e sem correção para continuidade
e determine um valor aproximado para Pr(8 ≤ X ≤ 12).

V. Freire (EACH-USP) ACH2053 2021 11 / 11