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
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:
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
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:
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}),
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).
Padronize: z=\dfrac{108-100}{4}=2.
Use tabela: \Phi(2)\approx0{,}97725.
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
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.
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
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.