Distribuição Normal

CGBEST/CCN015/DMC0001
Estatística para Ciências Biológicas

Bioestatística
Murilo Guimarães
Centro de Ciências da Natureza

Departamento de Biologia
UFPI
Estatística para Ciências Biológicas/Bioestatística
Aula 8:
Distribuição Normal
Aula 8:
Nesta aula:
- Distribuição Normal
- Distribuição Normal reduzida
- Transformação z
Variável aleatória
Variável cujo acaso exerce influência sobre seus valores.
Ao jogar uma moeda, podemos ter cara ou coroa;
Duas irmãs, filhas de mesma mãe/pai, podem ter olhos de cores diferentes;
Em uma saída de campo podemos encontrar uma espécie ou não.
Ou seja, a aleatoriedade influencia os resultados

Exemplo
O tempo gasto para ir de casa até a universidade, partindo do mesmo ponto, é
uma variável aleatória. Há fatores determinísticos, mas também há fatores
aleatórios que afetam esse tempo.
De toda forma, se anotarmos o tempo em que 50 pessoas percorrem a mesma

distância, perceberemos variabilidade nos valores obtidos, porque esse tempo
é uma variável aleatória.
Exemplo
O tempo gasto para ir de casa até a universidade, partindo do mesmo ponto, é
uma variável aleatória. Há fatores determinísticos, mas também há fatores
aleatórios que afetam esse tempo.
De toda forma, se anotarmos o tempo em que 50 pessoas percorrem a mesma

distância, perceberemos variabilidade nos valores obtidos, porque esse tempo
é uma variável aleatória.
Foi o matemático Adolphe Quetelet (1796-1874), quem

primeiro estudou a variabilidade de medidas biométricas.
Para isso, fez medições em 5.732 soldados escoceses.
Adaptado de Vieira 2015

As distribuições de frequências são baseadas em dados de uma amostra. Se a

variável é contínua – como diâmetro de árvores, pressão arterial, largura de
carapaças –, os histogramas se parecerão com a figura acima.
Ou seja, com uma distribuição normal, que consiste em uma distribuição teórica
como visto abaixo:
x
A distribuição normal, também chamada distribuição de Gauss ou gaussiana, tem

características conhecidas:
É uma curva simétrica, em forma de sino;
50% dos valores são iguais 50% dos valores são iguais
ou menores que a média ou maiores que a média


Média, mediana e moda coincidem no centro da distribuição;
Média, mediana e moda


Toda a população está sob a curva.


Toda a população está sob a curva.
É definida por dois parâmetros: a média, μ (mi), e o desvio padrão, σ (sigma).
σ σ
μ
Soma de elementos de uma variável aleatória independente
É necessário, para vários procedimentos em Estatística, pressupor que a variável

em análise tem distribuição normal ou aproximadamente normal. Essa
pressuposição encontra respaldo no teorema do limite central:
Teorema do Limite Central
Quando o tamanho da amostra aumenta, a distribuição amostral da média

aproxima-se cada vez mais de uma distribuição normal. Este resultado é
fundamental na teoria da inferência estatística.
Soma de elementos de uma variável aleatória independente
As medidas biológicas sofrem o efeito de variação aleatória independentes.
Essa variação afeta as medidas do que estamos estudando de alguma forma: as

vezes positiva, outras negativa.
O efeito da soma de toda variação aleatória sobre o que estamos medindo produz
uma distribuição normal.
Probabilidades associadas à distribuição Normal
Na natureza, as distribuições de dados não apresentam características idênticas

às da distribuição normal.
Porém, podemos assumir que uma variável possa se aproximar de uma normal,
e assim, considerarmos a regra empírica:

68% dos dados estarão a menos de um desvio padrão de distância da média μ;
95% dos dados estarão a menos de dois desvios padrões de distância da média μ;
99,7% dos dados estarão a menos de três desvios padrões de distância da média μ.
Mais exatamente, se a variável tem distribuição normal:
P{(μ – σ) < X < (μ + σ)} = 0,6827

P{(μ – 2σ) < X < (μ + 2σ)} = 0,9545
P{(μ – 3σ) < X < (μ + 3σ)} = 0,9973
P{(μ – σ) < X < (μ + σ)} = 0,6827

P{(μ – 2σ) < X < (μ + 2σ)} = 0,9545
P{(μ – 3σ) < X < (μ + 3σ)} = 0,9973
P{(μ – σ) < X < (μ + σ)} = 0,6827

P{(μ – 2σ) < X < (μ + 2σ)} = 0,9545
P{(μ – 3σ) < X < (μ + 3σ)} = 0,9973
Exemplo
De acordo com o teste de QI, o quociente de inteligência tem distribuição normal de

média μ = 100 e desvio padrão σ = 15.
Então, dadas as características da distribuição normal, de acordo com esse teste:
68% das pessoas têm quociente de inteligência entre 100 ± 15, (logo entre 85 e 115);
95% das pessoas têm quociente de inteligência entre 100 ± 2 x 15, (logo entre 70 e 130);
99,7% das pessoas têm quociente de inteligência entre 100 ± 3 x 15, (logo entre 55 e 145).
Nota 1: as probabilidades associadas às variáveis biológicas pela distribuição normal são aproximações.
Nota 2: o intervalo μ ± σ é assumido como “normal” . As unidades amostrais com valores fora do intervalo
μ + 2σ fogem do padrão de normalidade
Exemplo
Ao olhar novamente a tabela de frequência dos perímetros torácicos, calculamos a

média e o desvio padrão:
~ 40,85
X=
~ 4,2
σ² =
~ 2,7
σ=

Devido ao tamanho da amostra (n = 5732), assumimos a média e o

desvio padrão calculados como valores dos parâmetros μ e σ da
população. Então:
μ – σ = 40,85 – 2,07 = 38,78 =~ 39
μ + σ = 40,85 + 2,07 = 42,92 ~= 43
~ 37
μ – 2σ = 40,85 – 2*2,07 = 36,71 =
~ 45
μ + 2σ = 40,85 + 2*2,07 = 44,99 =
Conclusão:
- Considera-se que o “normal” entre soldados escoceses do século XIX
era ter perímetro torácico entre 39 e 43 polegadas.
- Medidas de perímetro torácico abaixo de 37 polegadas ou acima de 45
polegadas fugiam ao padrão.
Distribuição normal reduzida ou padronizada
É a distribuição normal com média μ = 0 e desvio padrão σ =1.
A variável com distribuição normal reduzida é comumente indicada

pela letra z (uma nova variável criada).
Para transformar um valor da variável X em z, fazemos:
xi - μ
z=
σ
Distribuição normal reduzida ou padronizada
A variável z é denominada reduzida ou padronizada e a transformação

de X em z é uma redução ou padronização da variável.
Na distribuição normal reduzida, valem as probabilidades que

correspondem às medidas das áreas sob a curva.

Exemplo
Calcule média e desvio padrão
Considere a seguinte população populacionais:
de dados: μ = 5,5 σ = 2,5884
Valores
4
5
2
9
8
5
Exemplo
de dados: μ = 5,5 σ = 2,5884
Valores z
4
5 Agora vamos PADRONIZAR os dados ao lado,
criando uma coluna z
2
9 xi - μ
8 z=
σ
5
Exemplo
de dados: μ = 5,5 σ = 2,5884
Valores z
4 -0,5795
5 Agora vamos PADRONIZAR os dados ao lado,
-0,1931
criando uma coluna z
2 -1,3521
9 1,3521 xi - μ
8 0,9658 z=
σ
5 -0,1931
Calcule média e desvio padrão de z:
μ =0 σ= 1
Então:
Partimos de uma variável original X;
Chegamos a uma variável padronizada z;
Essa variável padrão tem média zero e desvio um.
Em seguida:
Usamos uma tabela com todos os valores de probabilidades para cada valor de z;
Vejamos...
A Tabela mostra a probabilidade da variável assumir qualquer valor,

entre a média zero e um valor qualquer z.
Exemplo
A quantidade de colesterol em 100 mL de plasma sanguíneo humano

tem distribuição normal com média 200 mg e desvio padrão 20 mg.
Qual é a probabilidade de uma pessoa apresentar entre 200 e 225 mg
de colesterol por 100 mL de plasma?

Quantidade de colesterol em 100 mL de plasma sanguíneo humano, indicada

aqui por X, tem distribuição normal com média 200 mg e desvio padrão 20 mg.
xi - 200
z=
20
Nessa distribuição, a média é zero e o valor x = 225 corresponde ao seguinte z:
225 - 200
z= = 1,25
20
Para encontrar o valor de probabilidade que corresponde a z=1,25 na

tabela:
1- Na primeira coluna da tabela procure o valor 1,2;
2- Encontrado o valor 1,2, siga na linha que começa com esse valor até a coluna
que começa com 0,05;
3- No cruzamento de 1,2 com 0,05, você encontra 0,3944.
0,3944 é a probabilidade de z assumir um valor entre zero e 1,25.

Escrevemos:
P(0 < Z < 1,25) = 0,3944

Para encontrar um valor de probabilidade na tabela: P(0 < z < 1,25)
Na primeira coluna
da tabela procure o
valor 1,2
Na primeira coluna
da tabela procure o
valor 1,2
Encontrado o valor 1,2

siga na linha que
começa com esse
valor até a coluna que
começa com 0,05;
Na primeira coluna
da tabela procure o
valor 1,2
Encontrado o valor 1,2

siga na linha que
começa com esse
valor até a coluna que
começa com 0,05;
No cruzamento de
1,2 com 0,05, você
encontra 0,3944.
De acordo com a tabela, a probabilidade de z assumir valor entre a

média zero e z = 1,25 é 0,3944
P(0 < Z < 1,25) = 0,3944
Logo, a probabilidade de X assumir valor entre a média μ = 200 e 225 (que é igual
à probabilidade de z assumir valor entre a média zero e z = 1,25) é 0,3944.
P(200 < X < 225) = P ( 0 < z < 1,25) = 0,3944
Resposta: a probabilidade de uma pessoa apresentar entre 200 e 225 mg de colesterol por 100
ml de plasma é 0,3944.
Exemplo 2: um valor maior/menor que
Considere X como uma variável com distribuição normal de média 20 e desvio-

padrão 4. Determine a probabilidade de um dado valor ser menor que 24 P(X < 24):
0.6
0.4
0.2
8 12 16 20 24 28 32

xi - μ 24 - 20
z= z= z=1
σ 4
0.6
0.4
0.2
-3 -2 -1 0 1 2 3

xi - μ 24 - 20
z= z= z=1
σ 4
0.6
0.4
0.2
-3 -2 -1 0 1 2 3
Na normal (padronizada ou não), metade da distribuição

dos dados está acima e metade abaixo da média
P(Z = 1) = 0,3413 equivale a distância entre z=1 e a média (zero)

0.6
0.4
0.2 0,3413
-3 -2 -1 0 1 2 3
P(Z = 1) = 0,3413 equivale a distância entre z=1 e a média (zero).

0.6
0.4
0.2 0,3413
-3 -2 -1 0 1 2 3
mas ainda falta um pedaço, afinal a pergunta pedia P < 24.

0.6
0.4
0.2 ? 0,3413
-3 -2 -1 0 1 2 3
Logo...
Precisamos saber P(X < 24) = P(0 < Z < 1) + P(Z < 0)
P(X < 24) = 0,3413 + ? =
0.6
0.4
0.2 ? 0,3413
-3 -2 -1 0 1 2 3
Quanto temos em cada lado da curva?

Logo...
Precisamos saber P(X < 24) = P(0 < Z < 1) + P(Z < 0)
P(X < 24) = 0,3413 + 0,5 = 0,8413 ou 84,13%
0.6
0.4
0.2 0,5 0,3413
-3 -2 -1 0 1 2 3
0,8413
Resposta: a probabilidade de um valor ser menor do que 24 é de 0,8413

Aplicações na “vida real”
Em uma amostra de 180 pessoas, indivíduos queimaram em média 130

calorias em repouso (desvio padrão = 14,0), em alguns períodos do dia. Os
valores estimam a média μ e o desvio padrão σ, parâmetros da população da
qual essa amostra proveio. Por que essa informação é útil?
Primeiro, é razoável assumir que o gasto calórico em repouso tenha distribuição

normal. Em seguida, considere que:
a probabilidade de ocorrer valor de X no intervalo μ ± σ é 0,6826;

a probabilidade de ocorrer valor de X no intervalo μ ± 2σ é 0,9544.
No caso da amostra em discussão, temos que:
1 desvio padrão
x – s = 130 – 14,0 = 116
ou 68%
x + s = 130 + 14,0 = 144
x – 2s = 130 – 2*14,0 = 102

2 desvios padrão
ou 95% x + 2s = 130 + 2*14,0 = 158
Considerando a média e o desvio padrão obtidos da amostra como boas

estimativas de μ e σ, respectivamente, tem-se que:
a probabilidade de pessoas gastarem entre 116 e 144 calorias é de

aproximadamente (porque a distribuição é aproximadamente normal e os
parâmetros estão estimados) 68%;
Considerando a média e o desvio padrão obtidos da amostra como boas

estimativas de μ e σ, respectivamente, tem-se que:

parâmetros estão estimados) 68%;

parâmetros estão estimados) 95%.
Mais exemplos...
Exemplo: valor menor que

Sabendo que a quantidade de colesterol em 100 mL de plasma sanguíneo
humano tem distribuição normal com média 200 mg e desvio padrão 20 mg.
Qual é a probabilidade de uma pessoa apresentar menos do que 195 mg de

colesterol por 100 mL de plasma?
A probabilidade pedida se refere

à parte escurecida

Lembre-se: para tanto, pressupomos que a quantidade de colesterol em 100 mL de

plasma sanguíneo humano tenha distribuição aproximadamente normal com média
de 200 mg e desvio padrão de 20 mg.
xi - μ 195 - 200
z= z= z = - 0,25
σ 20
A probabilidade de z assumir valor menor do que -0,25 é igual à probabilidade

de z assumir valor maior do que 0,25
P( Z < - 0,25) = P(Z > 0,25)

A probabilidade de Z assumir valor entre 0 (a média) e -0,25, é 0,0987.

A probabilidade de Z assumir valor igual ou menor do que -0,25 é:
faixa entre
o lado todo média e -0,25
P ( Z < -0,25) = P ( Z > 0,25) = 0,5000 – 0,0987 = 0,4013

0,0987
Logo, a probabilidade de uma pessoa apresentar 195 mg de colesterol por 100 mL

de plasma ou menos é 0,4013 ou 40,13%.
Exemplo: valor maior ou igual (agora direto com o valor de z)
Qual é a probabilidade da variável z, que tem distribuição normal

reduzida, assumir um valor maior que 1,25?

Probabilidade de z assumir valor maior que a média zero é 0,50;

P( z > 0 = 0,50)
0.6
Toda área maior ou igual a 0

0.4
0.2
-3 -2 -1 0 1 2 3

P( z > 0 = 0,50)
Probabilidade de ocorrer valor entre zero e 1,25: área hachurada
Área entre 0 e 1,25


P( z > 0 = 0,50)
Probabilidade de ocorrer valor entre zero e 1,25: área hachurada

P (0 ≤ z ≤ 1,25) = 0,3944
Área entre 0 e 1,25

A probabilidade de ocorrer valor maior ou igual a 1,25: área escura
P( Z > 1,25) = 0,5000 – 0,3944 = 0,1056
Área entre 0 e 1,25 = 0,3944
Área maior que 1,25

Exercício
Uma espécie de arbusto apresenta altura média de 1300 mm, com desvio padrão de
10 mm. Admitindo que a distribuição da variável seja normal, e com base na Tabela de
z, qual a probabilidade de um indivíduo apresentar altura menor ou igual a 1310mm?
Exercício
z, qual a probabilidade de um indivíduo apresentar altura menor ou igual a 1310mm?
0,50 0,3413
xi - μ 1310 - 1300
z= z=
σ 10
z=1
0 1
Resposta: a probabilidade é de 0,8413

FIM
Exercício
z, qual a probabilidade de um indivíduo apresentar altura z = -0,34 e z = 0?
Exercício
Z, qual a probabilidade de um indivíduo apresentar altura entre z = - 0,34 e z = 0?
P ( Z = -0,34) = 0,1331
P ( Z = 0) = 0,000
P (-0,34 < Z < 0) = 0,0 + 0,1331
R. A probabilidade é de 0,1331
Exercício
Z, qual a probabilidade de um indivíduo apresentar altura maior ou igual 1477 mm?
Exercício
Z, qual a probabilidade de um indivíduo apresentar altura maior ou igual 1477 mm?
xi - μ 1477 - 1300
z= z= = 2,16
σ 82
P = 0,50 – 0,4846 = 0,0154

Exemplo 8.7 Probabilidade de Z assumir valor menor do que

-0,51
Qual é a probabilidade de a variável Z, que tem distribuição normal reduzida,
assumir valor menor do que -0,51?
Para resolver o problema, pense assim:

a probabilidade pedida é a área escurecida da Figura 8.9;
como a curva é simétrica, a probabilidade de ocorrer valor igual ou menor do que
-0,51 é igual à probabilidade de ocorrer valor igual ou maior que 0,51
P( Z < -0,51) = P(Z > 0,51)
a probabilidade de ocorrer valor entre zero e 0,51 é dada na Tabela 8.2; encontre a
linha que começa com 0,5 e a siga, até achar a coluna que tem 0,01 no cabeçalho. No
cruzamento da linha que começa com 0,5 e da coluna que começa com 0,01, está
0,1950, que corresponde à área com hachuras na Figura 8.9. Escrevemos
P( 0 < Z = 0,51) = P(-0,51 < Z < 0) = 0,1950
a probabilidade de ocorrer valor menor ou igual a zero (a média) é 0,5000:
P( Z < 0 = 0,500)
então,
P( Z < -0,51) = 0,500 – 0,1950 = 0,3050

Mas você pode estar se perguntando: qual é o interesse em estudar a distribuição

normal reduzida – um tipo particular de distribuição? A razão é simples: para encontrar
a probabilidade de uma variável com distribuição normal assumir valor em
determinado intervalo, você
reduz a variável;
acha as probabilidades associadas à distribuição normal reduzida, como aprendeu
aqui;
“volta” à variável original.
A distribuição normal tem ainda outro uso importante em Estatística. Sabemos que cada
amostra difere entre si, mesmo com dados da mesma população.
No exemplo anterior, se fossem obtidas outras cinquenta amostras dessa mesma

população, as médias de massa de presas variariam. Qual seria a distribuição dessas
médias?
As médias de diferentes amostras têm distribuição normal ou aproximadamente

normal, de acordo com um teorema da Estatística (o teorema do limite central). A
grande aplicação dessa informação – o intervalo de confiança para uma média – será
vista no Capítulo 9.
Veja o caso de exames clínicos feitos em humanos:
Com base em grandes amostras, estimam-se μ e σ;
Em seguida, com base na distribuição normal, definem-se critérios de normalidade

e não normalidade;
Por exemplo, para densidade mineral óssea (BMD, em inglês bone mineral
density), que é medida em gramas por centímetro ao quadrado, a Organização
Mundial de Saúde considera:
normal: de qualquer valor mais alto que μ - σ;

osteopenia ou osteoporose pré-clínica: valores entre μ - σ e μ - 2,5σ;
osteoporose: valores abaixo de μ - 2,5σ.
Características
A distribuição Normal é a mais familiar das distribuições de probabilidade e

também uma das mais importantes em estatística. Esta distribuição tem uma forma
de sino.
Toda distribuição normal poderá ser obtida conhecendo-se apenas 2 parâmetros:

média e desvio padrão
A média poderá ser um valor positiva, zero ou negativo.
O ponto máximo da curva normal está na média, que também é mediana e moda
da distribuição
Características
A distribuição normal é simétrica. Extremos tendem ao infinito.
Desvio padrão define o quanto uma curva é achatada ou larga. Valores maiores:
curvas mais largas e achatadas (maior variabilidade)
As probabilidades da variável aleatória normal são dadas pelas áreas sob a curva.
Área total = 1. Área à esquerda da média é igual a área à direita (ambas = 0,5)
Características
A estatística Z - standard score, baseia-se na curva normal. Ela mede

quanto um determinado resultado (valor) afasta-se da média em
unidades de desvio-padrão.
Um resultado cujo valor coincide com a média tem escore Z = O; observa-se

também que a variação desta estatística ocorre freqüentemente no intervalo
entre -3 e +3, visto que três desvios-padrão para mais e para menos incluem
99 ,7 4 % (praticamente 100%) da amostra estudada

Distribuição Normal

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Distribuição Normal

Enviado por

Direitos autorais:

Formatos disponíveis

CGBEST/CCN015/DMC0001

Estatística para Ciências Biológicas

Centro de Ciências da Natureza

Variável cujo acaso exerce influência sobre seus valores.

Ao jogar uma moeda, podemos ter cara ou coroa;

Em uma saída de campo podemos encontrar uma espécie ou não.

Ou seja, a aleatoriedade influencia os resultados

De toda forma, se anotarmos o tempo em que 50 pessoas percorrem a mesma

De toda forma, se anotarmos o tempo em que 50 pessoas percorrem a mesma

Foi o matemático Adolphe Quetelet (1796-1874), quem

Adaptado de Vieira 2015

As distribuições de frequências são baseadas em dados de uma amostra. Se a

A distribuição normal, também chamada distribuição de Gauss ou gaussiana, tem

É uma curva simétrica, em forma de sino;

Adaptado de Vieira 2015

A distribuição normal, também chamada distribuição de Gauss ou gaussiana, tem

É uma curva simétrica, em forma de sino;

Média, mediana e moda coincidem no centro da distribuição;

Média, mediana e moda

A distribuição normal, também chamada distribuição de Gauss ou gaussiana, tem

É uma curva simétrica, em forma de sino;

Média, mediana e moda coincidem no centro da distribuição;

Toda a população está sob a curva.

Adaptado de Vieira 2015

A distribuição normal, também chamada distribuição de Gauss ou gaussiana, tem

É uma curva simétrica, em forma de sino;

Média, mediana e moda coincidem no centro da distribuição;

Toda a população está sob a curva.

É definida por dois parâmetros: a média, μ (mi), e o desvio padrão, σ (sigma).

Soma de elementos de uma variável aleatória independente

É necessário, para vários procedimentos em Estatística, pressupor que a variável

Teorema do Limite Central

Quando o tamanho da amostra aumenta, a distribuição amostral da média

Soma de elementos de uma variável aleatória independente

As medidas biológicas sofrem o efeito de variação aleatória independentes.

Essa variação afeta as medidas do que estamos estudando de alguma forma: as

Probabilidades associadas à distribuição Normal

Na natureza, as distribuições de dados não apresentam características idênticas

Adaptado de Vieira 2015

68% dos dados estarão a menos de um desvio padrão de distância da média μ;

Mais exatamente, se a variável tem distribuição normal:

P{(μ – σ) < X < (μ + σ)} = 0,6827

68% dos dados estarão a menos de um desvio padrão de distância da média μ;

Mais exatamente, se a variável tem distribuição normal:

P{(μ – σ) < X < (μ + σ)} = 0,6827

68% dos dados estarão a menos de um desvio padrão de distância da média μ;

Mais exatamente, se a variável tem distribuição normal:

P{(μ – σ) < X < (μ + σ)} = 0,6827

De acordo com o teste de QI, o quociente de inteligência tem distribuição normal de

Então, dadas as características da distribuição normal, de acordo com esse teste:

Ao olhar novamente a tabela de frequência dos perímetros torácicos, calculamos a

Adaptado de Vieira 2015

Devido ao tamanho da amostra (n = 5732), assumimos a média e o

μ + σ = 40,85 + 2,07 = 42,92 ~= 43

Distribuição normal reduzida ou padronizada

É a distribuição normal com média μ = 0 e desvio padrão σ =1.

A variável com distribuição normal reduzida é comumente indicada

Para transformar um valor da variável X em z, fazemos:

Distribuição normal reduzida ou padronizada

A variável z é denominada reduzida ou padronizada e a transformação

Na distribuição normal reduzida, valem as probabilidades que

Adaptado de Vieira 2015

Calcule média e desvio padrão de z: