Exercício 02: Para compreender e caracterizar os principais modelos contínuos de probabilidade, descreva de forma clara e objetiva:
Distribuição Normal;

Passo 1

O enunciado pede que eu descreva, de forma clara e objetiva, a distribuição Normal. Informação dada: apenas o nome do modelo contínuo a ser caracterizado. Portanto vou apresentar definição, fórmula da densidade, significado dos parâmetros, propriedades importantes (médias, variância, simetria, padronização), como calcular probabilidades na prova, exemplos numéricos e observações práticas.

Passo 2

Definição e fórmula da densidade. A distribuição Normal (ou Gaussiana) com média \mu e variância \sigma^{2}>0 é a distribuição contínua cuja função densidade de probabilidade (f.d.p.) é
f_X(x)=\frac{1}{\sigma\sqrt{2\pi}}\exp\!\Big(-\frac{(x-\mu)^{2}}{2\sigma^{2}}\Big),\qquad x\in\mathbb{R}.
Aqui:
  • \mu é o parâmetro de posição (média),
  • \sigma é o desvio-padrão ( \sigma>0),
  • \sigma^{2} é a variância,
  • o fator \frac{1}{\sigma\sqrt{2\pi}} normaliza a área da curva para 1.
Vou explicar cada parte: o expoente -\frac{(x-\mu)^{2}}{2\sigma^{2}} faz a curva ser “campanulada” centrada em \mu e a largura depende de \sigma. Maior \sigma = curva mais espalhada; menor \sigma = curva mais concentrada.

Passo 3

Forma, simetria e pontos centrais. A Normal tem as seguintes características visuais e imediatas:
  • É simétrica em torno de x=\mu. Isso implica que a moda, a mediana e a média coincidem: moda = mediana = média = \mu.
  • É unimodal (um único pico) exatamente no ponto x=\mu.
  • A cauda vai para zero quando x\to\pm\infty, mas nunca é exatamente zero (curvas leves nas caudas).
Essas propriedades vêm da forma do quadrado no expoente: (x-\mu)^{2}.

Passo 4

Média e variância (argumento prático para prova). Em vez de integrar a densidade completa, usamos a propriedade de linearidade por padronização. Se X\sim N(\mu,\sigma^{2}), defina a variável padronizada
Z=\frac{X-\mu}{\sigma}.
Então Z tem distribuição Normal padrão, que chamamos de Z\sim N(0,1). Por simetria da f.d.p. de Z em torno de zero, E[Z]=0. Pela transformação linear, E[X]=E[\mu+\sigma Z]=\mu+\sigma E[Z]=\mu. Para a variância:
\operatorname{Var}(X)=\operatorname{Var}(\mu+\sigma Z)=\sigma^{2}\operatorname{Var}(Z)=\sigma^{2}\cdot 1=\sigma^{2},
pois \operatorname{Var}(Z)=1 para a Normal padrão. (A igualdade \operatorname{Var}(Z)=1 pode ser demonstrada a partir da integral \int z^{2}\varphi(z)\,dz=1, onde \varphi é a f.d.p. padrão; na prova basta usar que a Normal padrão tem média zero e variância 1.)

Passo 5

Função distribuição acumulada (CDF) e padronização para calcular probabilidades. A CDF da Normal não tem forma elementar fechada, então definimos a função
\Phi(t)=\int_{-\infty}^{t}\frac{1}{\sqrt{2\pi}}e^{-u^{2}/2}\,du,
que é a CDF da Normal padrão N(0,1). Para calcular probabilidades com X\sim N(\mu,\sigma^{2}) usamos padronização:
P(a<X<b)=\Phi\!\Big(\frac{b-\mu}{\sigma}\Big)-\Phi\!\Big(\frac{a-\mu}{\sigma}\Big).
Na prática de prova: calcule z-scores z=(x-\mu)/\sigma e consulte a tabela da Normal padrão (ou use calculadora). Use simetria: \Phi(-z)=1-\Phi(z) e P(|X-\mu|\le k\sigma)=2\Phi(k)-1.

Passo 6

Regra empírica (fórmula prática muito usada em provas). Para a Normal:
P(|X-\mu|\le 1\sigma)\approx0{,}6827,\qquad P(|X-\mu|\le 2\sigma)\approx0{,}9545,\qquad P(|X-\mu|\le 3\sigma)\approx0{,}9973.
Isto quer dizer: cerca de 68\% dos dados ficam em \mu\pm\sigma, 95\% em \mu\pm2\sigma e 99{,}7\% em \mu\pm3\sigma. No exame, se pedirem porcentagens aproximadas, cite esses números.

Passo 7

Propriedades importantes e úteis em prova
  • Linearidade: se X\sim N(\mu,\sigma^{2}) então aX+b\sim N(a\mu+b,a^{2}\sigma^{2}) para a\neq0.
  • Soma de Normais independentes: se X_{1}\sim N(\mu_{1},\sigma_{1}^{2}) e X_{2}\sim N(\mu_{2},\sigma_{2}^{2}) independentes, então X_{1}+X_{2}\sim N(\mu_{1}+\mu_{2},\sigma_{1}^{2}+\sigma_{2}^{2}).
  • MGF (Geradora de momentos): para X\sim N(\mu,\sigma^{2}),
M_X(t)=\exp\!\Big(\mu t+\tfrac{1}{2}\sigma^{2}t^{2}\Big),
útil para encontrar momentos por derivação.
  • A densidade é totalmente determinada por \mu e \sigma^{2}; é um modelo paramétrico simples e muito usado.

Passo 8

Exemplo prático passo a passo (como fazer na prova). Suponha X\sim N(100,4^{2}). Calcule P(X\le 108).
  1. Padronize: z=\dfrac{108-100}{4}=2.
  2. Use tabela: \Phi(2)\approx0{,}97725.
  3. Conclusão: P(X\le 108)\approx0{,}97725.
Faça sempre esses passos: padronizar, consultar \Phi, usar simetria quando conveniente.

Passo 9

Estimativa de parâmetros (prova teórica rápida). Dados x_{1},\dots,x_{n} i.i.d. de uma Normal, o estimador de máxima verossimilhança (MLE) para \mu é a média amostral
\hat{\mu}=\overline{X}=\frac{1}{n}\sum_{i=1}^{n}x_{i},
e o MLE para \sigma^{2} é \hat{\sigma}^{2}=\frac{1}{n}\sum_{i=1}^{n}(x_{i}-\overline{X})^{2}. (Observação: o estimador insesgado usual para a variância usa divisor n-1.)

Passo 10

Quando usar a Normal e cuidados. Use a Normal quando a variável for resultado de muitos efeitos independentes pequenos (justificação via Teorema Central do Limite). Para aproximar binomial por Normal, verifique regra de continuidade e condições (np e n(1-p) grandes). Tenha cuidado com assimetria ou caudas pesadas: a Normal pode falhar nesses casos.

Resposta

A distribuição Normal (ou Gaussiana) com média \mu e variância \sigma^{2} tem f.d.p.
f_X(x)=\frac{1}{\sigma\sqrt{2\pi}}\exp\!\Big(-\frac{(x-\mu)^{2}}{2\sigma^{2}}\Big),\quad x\in\mathbb{R},
é simétrica em \mu (média = mediana = moda = \mu), tem \operatorname{Var}(X)=\sigma^{2}, a padronização Z=(X-\mu)/\sigma leva à Normal padrão N(0,1) com CDF \Phi, e probabilidades se calculam por
P(a<X<b)=\Phi\!\Big(\frac{b-\mu}{\sigma}\Big)-\Phi\!\Big(\frac{a-\mu}{\sigma}\Big).
Propriedades úteis: linearidade ( aX+b é Normal), soma de Normais independentes é Normal, MGF M_X(t)=\exp(\mu t+\tfrac{1}{2}\sigma^{2}t^{2}), e a regra prática 68\%\!-\!95\%\!-\!99{,}7\% para \pm1\sigma,\pm2\sigma,\pm3\sigma.

Exercícios relacionados