Distribuição normal

Origem: Wikipédia, a enciclopédia livre.
Ir para: navegação, pesquisa
Distribuição Normal
Normal Distribution PDF.svg
Densidade de probabilidade
A cor vermelha representa a função de densidade de probabilidade da distribuição normal padrão ~ N(0,1)

Normal Distribution CDF.svg
Função de distribuição acumulada
A cor vermelha representa a função de distribuição acumulada da distribuição normal padrão ~ N(0,1)

Parâmetros , média;
, variância
Suporte
f.d.p.
f.d.a.
Média
Mediana
Moda
Variância
Obliquidade 0
Curtose 0
Entropia
Função Geradora de Momentos
Função Característica


Em probabilidade e estatística, a distribuição normal é uma das distribuições de probabilidade mais adequadas para modelar fenômenos naturais. Ligada a vários conceitos matemáticos como movimento browniano, ruído branco, entre outras distribuições de probabilidade, a distribuição normal também é chamada distribuição gaussiana, distribuição de Gauss ou distribuição de Laplace–Gauss, em referência aos matemáticos, físicos e astrônomos francês Pierre–Simon Laplace (1749 – 1827) e alemão Carl Friedrich Gauss (1777 – 1855).

Em termos mais formais, a distribuição normal é uma distribuição de probabilidade absolutamente contínua que depende da esperança (número real observado ) e do desvio padrão (número real positivo ). A densidade de probabilidade da distribuição normal é denotada como A curva de densidade é chamada de curva de Gauss ou de curva de sino.

A distribuição normal é a representação mais conhecida da distribuição de probabilidade. A distribuição normal com média nula e desvio padrão unitário é chamada de distribuição normal centrada e reduzida ou de distribuição normal padrão.

Quando uma variável aleatória segue uma distribuição normal, ela é chamada de gaussiana ou de normal. Comumente é usada a notação com a variância

Índice

Definição informal[editar | editar código-fonte]

As distribuições de probabilidade permitem descrever teoricamente a característica aleatória de uma experiência que é considerada aleatória. A distribuição normal é um caso particular. A maneira histórica de aborda–la é por aproximação.[1]

Quando o resultado de uma determinada experiência é um valor discreto como a soma do lançamento de dois dados 2, 3, ... , 12, a distribuição discreta modela a experiência. As probabilidades de ocorrência de cada valor podem ser representadas por gráficos de barras ou histogramas.

Uma questão que surgiu entre vários cientistas é a realização de um grande número de experiências e o interesse no comportamento da distribuição de probabilidade associada. Parece que a frequência de ocorrência de valores possíveis são cada vez mais suavizadas.[2] Existe uma certa distribuição em torno de um valor central, então estas probabilidades podem ser representadas por uma curva de Gauss ou uma curva de sino obtida por meio de cálculos ou de experiências.[3] Esta curva é a densidade de probabilidade da distribuição normal, ou seja, a área sob a curva é 1. O papel central da distribuição normal decorre do fato de ser o limite de um grande número de distribuições de probabilidade como mostra a teoria central do limite.

O tabuleiro de Galton é outra maneira de visualizar esta curva. Bolas são lançadas em cima do tabuleiro, sendo que em cada andar há duas opções – ir para a direita ou para a esquerda, après plusieurs étages elles ont donc eu plusieurs choix aléatoires. Quando o número de bolas é grande, a distribuição delas de acordo com suas posições é aproximadamente uma distribuição normal.

Então, as medições sobre uma grande população fornecerão valores distribuídos de acordo com a distribuição normal. Por exemplo, a quantidade de mulheres adultas em uma população[4] ou o peso de sementes de ervilhas doces[3].

A distribuição normal tornou–se uma distribuição de probabilidade com várias definições equivalentes existentes como a densidade de probabilidade (curva de Gauss), a função de distribuição, a função característica. A distribuição normal depende da média ou do valor central dos valores possíveis[5] (por exemplo, o valor 7 da soma de dois dados) e da dispersão dos valores em torno do valor central.[5] Muitas grandezas físicas são representadas por estes dois parâmetros,[6] que são mais baixos que o valor central com forte probabilidade de ocorrer.

Em um estudo estatístico, um valor observado pode ser considerado aleatório com distribuição normal. A média da distribuição normal é considerada o valor real do valor observado. A dispersão da distribuição informa o erro da observação.[7] Isto é, é possível calcular o valor aproximado da probabilidade de uma variável de acordo com uma distribuição normal em um intervalo em torno da média . Eles são capazes de obter a aproximação do valor da experiência observada, considerando erros dos instrumentos de medidas, entre outros.[2]

Histórico[editar | editar código-fonte]

page de couverture de l'essai de Laplace
p90 de l'essai de Laplace
Le théorème central limite, «Essai sur la philosophie des probabilités». 1840 

Uma das primeiras aparições da distribuição normal ocorreu em 1733 com Abraham de Moivre[a 1] com o aprofundamento do estudo de fatorial quando considerado um jogo de cara ou coroa. Em 1756, ele publicou A Doutrina das Chances, em que a distribuição normal aparece como o limite de uma distribuição binomial, o que originaria o teorema central do limite.[a 2] Em 1777, Pierre–Simon Laplace retomou o trabalho e obteve uma boa aproximação do erro entre a distribuição normal e a distribuição binomial em razão da função gama de Euler.[a 1] Em seu livro publicado em 1781, Laplace publica uma primeira tabela da distribuição normal. Em 1809, Carl Friedrich Gauss assimila os erros da observação na astronomia à curva, erros da densidade da distribuição normal.[a 2]

A distribuição normal é totalmente definida quando o primeiro teorema central do limite (chamado então teorema de Laplace) é elaborado por Laplace em 1821.[a 1] O nome normal é dado por Henri Poincaré no fim do século XIX.[8] A distribuição normal também pode ser chamada de distribuição de Gauss ou distribuição de Laplace–Gauss[9], de acordo com sua autoria. A denominação segunda distribuição de Laplace também é usada ocasionalmente.[10]

A distribuição normal é estudada frequentemente. Por exemplo, novas tabelas digitais foram publicadas por Egon Sharpe Pearson em 1948, pelo National Bureau of Standards[11] em 1952 e por Greenwood e Hartley[12] em 1958.

Distribuição normal padrão[editar | editar código-fonte]

A distribuição normal é uma distribuição de probabilidade (uma medida , de massa total unitária[a 3]) unidimensional (com suporte real ). É uma distribuição absolutamente contínua (a medida é absolutamente contínua em relação à medida de Lebesgue). Em outras palavras, existe uma densidade de probabilidade muitas vezes denotada como para a distribuição normal padrão tal como . É generalizada para a distribuição normal multivariada. A distribuição normal também pode ser chamada de distribuição normal centrada reduzida.[13]

Definição pela função densidade[editar | editar código-fonte]

A distribuição normal padrão é uma distribuição absolutamente contínua, cuja densidade de probabilidade é dada pela função definida por[14] , para todo . Esta distribuição é chamada centrada porque o valor do seu momento de ordem 1 (esperança) é 0 e reduzida porque o valor do seu momento de ordem 2 (variância) é 1, assim como o seu desvio padrão. O gráfico da densidade é chamado função gaussiana, curva de Gauss ou curva em sino. A distribuição normal é denotada pela letra . Uma variável aleatória que segue uma distribuição normal padrão é denotada como .

Seguem algumas propriedades sobre a função densidade:

  • O cálculo da integral de Gauss permite demonstrar que a função é uma densidade de probabilidade pela fórmula .
  • É contínua, uniformemente limitada e par.[15]
  • O máximo da função é atingido na média 0 e de valor[15] .
  • Verifica .
  • A densidade é infinitamente derivável. Uma indução matemática permite obter a fórmula[16] , em que é o –ésimo polinômio de Hermite.
  • A densidade possui[a 3] dois pontos de inflexão, em 1 e em –1. Estes são os pontos em que a segunda derivada se anula e muda de sinal. Os dois pontos são aproximadamente três quintos da altura total.

Definição pela função distribuição[editar | editar código-fonte]

Historicamente a distribuição normal aparece como a distribuição limite no teorema central do limite, usando a função de distribuição. A distribuição normal é a distribuição de probabilidade, em que a função de distribuição é dada pela função definida por[17] , para todo . Ela fornece a probabilidade de uma variável aleatória de distribuição normal pertencer a um intervalo , .

Seguem algumas propriedades sobre a função de distribuição:

  • Não existe uma expressão analítica para a função de distribuição . Isto é, não é expressa a partir de funções usuais, mas torna–se uma função usual.[18]
  • É expressa em função da função erro por meio das seguintes fórmulas equivalentes[a 4] e .
  • É infinitamente derivável e verifica . A fórmula equivalente permite definir a integral de Lebesgue–Stieltjes com relação à distribuição normal.
  • É absolutamente contínua e estritamente crescente, sendo uma bijeção[a 5] de em . O recíproco é chamado de função inversa da função distribuição acumulada da distribuição normal. Esta função é utilizada pelo modelo probit.[19]
  • Pela paridade da distribuição, . Portanto, . Isto mostra[a 5] que a mediana da distribuição normal padrão é 0.
  • Para a definição da função de distribuição, quando a variável aleatória segue a distribuição normal padrão . Para obter os valores desta probabilidade, é preciso aproximar esta função de outras funções usuais e existe a tabela de valores.

Definição pela função característica[editar | editar código-fonte]

A caracterização da distribuição normal pela função característica tem o objetivo de demonstrar certas propriedades como a estabilidade da soma e o teorema central do limite. A distribuição normal é a distribuição de probabilidade, em que a função característica é dada por e definida por [20][21], para todo .

Esta função característica é igual a densidade de probabilidade da distribuição. Diz–se que a função característica de uma função de Gauss é gaussiana.[a 3] Ela permite demonstrar certas propriedades como a estabilidade por adição e o teorema central do limite.

Seguem algumas propriedades sobre a função de distribuição:

  • A função característica da distribuição normal pode ser obtida a partir da função densidade pelas igualdades[17] .
  • Se uma variável aleatória segue uma distribuição normal padrão da função característica definida acima, então[22] a transformação linear admite a função característica . É uma variável aleatória com distribuição normal de média e variância .

Definição pela função geradora de momentos[editar | editar código-fonte]

Uma outra maneira de definir a distribuição normal é pela utilização da função geradora de momentos. É a distribuição de probabilidade, em que a função geradora de momentos é dada por e definida por[23] , para todo . O objetivo é calcular os momentos da distribuição normal.[24]

Seguem algumas propriedades sobre a função de distribuição:

  • A função geradora de momentos da distribuição normal pode ser obtida a partir da função densidade[23] .
  • Se uma variável aleatória segue uma distribuição normal padrão da função geradora de momentos , então a transformação linear admite a função geradora de momentos . É uma variável aleatória com distribuição normal[24] de média e variância .

Distribuição normal geral[editar | editar código-fonte]

Definição[editar | editar código-fonte]

Mais geralmente que a distribuição normal padrão, a distribuição normal não centrada e não reduzida é a distribuição de probabilidade absolutamente contínua, na qual um dos quatros pontos seguintes podem ser verificados.

  • A densidade de probabilidade é dada pela função definida por[14] , para todo .
  • A função de distribuição é dada pela função definida por , para todo .
  • A função característica é dada por definida por[20] , para todo .
  • A função geradora de momentos é dada por definida por[25] , para todo ou e .

Para , as funções de densidade e de distribuição não são definidas. Este caso corresponde a um comportamento degenerado da distribuição normal, às vezes chamada de distribuição normal imprópria.[20] Isto é a medida de Dirac no ponto .

O valor é a média da distribuição, é o desvio padrão e é a variância. Esta distribuição é denotada pela , uma variável aleatória que segue a distribuição normal padrão é denotada de duas maneiras diferentes[26][13], ou . Esta última tem o objetivo de notar a estabilidade pela adição de maneira simples.[a 5]

Propriedades[editar | editar código-fonte]

  • Se a variável aleatória segue uma distribuição normal padrão , então a variável aleatória segue uma distribuição normal de média e de variância . Reciprocamente, se segue uma distribuição normal , então segue uma distribuição centrada reduzida.[27] Em outras palavras, toda distribuição normal pode ser obtida pela translação e pela dilatação de uma distribuição centrada reduzida. Esta primeira propriedade permite obter a fórmula[28] . Então, é possível deduzir as propriedades da distribuição normal a partir da distribuição normal centrada reduzida e vice–versa. A variável às vezes[29] é chamada de standardização de ou de variável centrada reduzida.
  • A densidade é simétrica em relação à .[15]
  • O máximo da função é atingido em , com valor[15] .
  • A redução da densidade à direita e à esquerda de é surexponentielle.[15]
  • Desde que a distribuição normal seja uma distribuição de probabilidade absolutamente contínua, o evento é insifgnificante. Isto é, quase certamente uma variável aleatória com distribuição normal nunca é igual a um valor fixo . Isto é expresso matematicamente por .
  • A largura à meia altura (largura da curva à metade da altura total) fornece um valor da amplitude da distribuição. Esta largura à meia altura da distribuição normal é proporcional ao desvio padrão[a 6] . O fator 2 vem da propriedade de simetria da distribuição normal.
  • A densidade tem[a 3] dois pontos de inflexão, em e em . Eles são os pontos, nos quais a segunda derivada anula–se e muda de sinal. Os dois pontos situam–se aproximadamente três quintos da altura total.
  • A distribuição normal é uma distribuição da família exponencial. Isto é, a sua densidade é escrita como ou como[30] , com , , e .

Propriedades[editar | editar código-fonte]

Outras caracterizações[editar | editar código-fonte]

Em adição à densidade de probabilidade, à função de distribuição, à função característica e à função geradora de momentos, existem outras caracterizações da distribuição normal.

  • Caracterização segundo Georges Darmois e Sergeï Bernstein[a 2] – se duas variáveis aleatórias e são independentes e igualmente distribuídas e se duas variáveis aleatórias e também são independentes, então a distribuição comum e é a distribuição normal.
  • Caracterização segundo Charles Stein[a 3] – a distribuição normal é a única distribuição de probabilidade (medida de probabilidade) tal qual, para qualquer função de classe C¹ (derivável ou derivada contínua),

Momentos[editar | editar código-fonte]

O momento de ordem 1 é chamado média () e é dado como parâmetro da distribuição normal . O momento de ordem 2 é o desvio padrão (). Isto é, a raiz quadrada da variância, que é, por definição, a média dos quadrados dos desvios da média. Então, os momentos centrais da distribuição normal são dados por[24], para e uma variável aleatória com distribuição normal . O momento central de ordem pode ser obtido a partir de uma função de momentos de ordem inferior à e o momento de ordem pode ser obtido a partir de momentos de ordem inferior à – 1 e do momento central de ordem . Então, os primeiros momentos da distribuição normal são[31]: .

Cálculo[editar | editar código-fonte]

Com a simetria em torno de da função densidade da distribuição normal, os momentos centrais de ordem ímpar são todos zero.[24] os momentos de ordem par da distribuição normal padrão pode ser obtido pela relação de recorrência , que vem da integração por partes seguinte, para ,.

É deduzida a fórmula dos momentos centrais reduzidos[17] , assim a fórmula dos momentos centrais .

Função geradora de momentos[editar | editar código-fonte]

Os momentos centrais de uma distribuição podem ser obtidos a partir da função geradora de momentos centrados. Para a distribuição , a mudança da variável permite obter as fórmulas[24] de uma parte e de outra parte.

Para a identificação dos coeficientes das duas séries, isto implica que os momentos de ordem ímpar são zero e fornece uma fórmula para os momentos de ordem par .

Assimetria e curtosis

A assimetria , a curtose e a curtose normalizada são obtidas a partir das fórmulas dos momentos[32] .

A distribuição normal é um ponto de referência para comparação das espessuras de caudas longas. Se uma distribuição possui uma curtose normalizada , então a distribuição possui uma cauda longa mais grossa que a distribuição normal e é chamada leptocúrtica. Se , a distribuição possui uma cauda longa mais fina que a distribuição normal e é chamada platicúrtica. Se a distribuição possui uma com curtose normalizada nula, então a distribuição possui uma cauda longa comparável à distribuição normal e é chamada mesocúrtica.

Cumulantes

A função característica permite obter a função geradora de cumulantes pela fórmula e permite obter os cumulantes[33] , e , para .

Teoremas da convergência[editar | editar código-fonte]

A primeira versão do teorema central do limite (teorema de Moivre–Laplace) foi estabelecido para as variáveis aleatórias da distribuição de Bernoulli. De maneira mais geral, se são variáveis aleatórias independentes e identicamente distribuídas com variância finita e se a soma é denotada como , então[18] , para todo , em que é a densidade de probabilidade da distribuição normal padrão.

Este teorema significa que tudo que pode ser considerado a soma de um grande número de pequenos valores aleatórios independentes aproxima–se de uma distribuição normal.[4] Isto mostra a característica central da distribuição normal, em teoria da probabilidade. Uma enunciação do teorema pode ser formulada como[34]: se uma grandeza física submetida à influência de um número importante de fatores independentes e se a influência de cada fator separadamente é pequena, então a distribuição desta grandeza é uma distribuição gaussiana.

O teorema central do limite é válido para toda distribuição de probabilidade com variáveis independentes e identicamente distribuídas que, com desvio padrão finito, permite obter uma boa aproximação da soma . Por exemplo[35],

  • se as variáveis seguem a distribuição de Bernoulli , então segue aproximadamente uma distribuição normal . Esta aproximação é satisfatória quando ;
  • se as variáveis seguem a distribuição qui–quadrado , então segue aproximadamente uma distribuição normal ;
  • se as variáveis seguem a distribuição exponencial , então segue aproximadamente uma distribuição normal .

Existe versões mais gerais deste teorema. Por exemplo, variáveis aleatórias independentes sem distribuição, mas com pequenas variâncias em relação às suas médias.[36] Um teorema de Gnedenko e Kolmogorov (1954) estipula que uma variável aleatória normal é a soma de um grande número de variáveis aleatórias indenpendentes pequenas , sendo que nenhuma delas é predominante.

Teorema Seja uma série de variáveis aleatórias , sendo que cada uma é a soma de um número finito de variáveis aleatórias com . Para todo , introduz–se a variável aleatória truncada e supõe–se

  1. (em probabilidade) .
  2. Para todo , e .

Então, a distribuição de converge para a distribuição normal .

Estabilidade e família normal[editar | editar código-fonte]

Estabilidade pela adição (propriedade de conservação[a 2])

A distribuição normal é estável pela adição. Isto é, a soma de duas variáveis aleatórias independentes com distribuição normal é em si uma variável aleatória com distribuição normal. Mais explicitamente, se , e e são independentes, então a variável aleatória segue a distribuição normal .

Esta propriedade é generalizada por variáveis. isto é, se para todo as variáveis aleatórias seguem a distribuição normal e são independentes, então[37] a soma segue a distribuição normal .

Esta propriedade é demonstrada diretamente por meio de funções características. A densidade de probabilidade da soma de duas variáveis aleatórias independentes da distribuição normal é dada pela convolução de duas densidades. Isto é traduzido pelas fórmulas de convolução de funções ou de convolução de medições normais denotadas como : e .

Não deve ser confundida com a distribuição, cuja densidade é a soma da densidade da distribuição normal.

Família normal[editar | editar código-fonte]

O conjunto de funções forma a chamada família normal. A família normal também é o nome do conjunto de distribuições normais[38] . A família de funções está fechada para convolução no sentido que a função gera a família. Se a convolução de duas densidades pertence à família, então as duas funções pertencem à família. Toda densidade que convolui um número suficientemente grande de vezes e adequadamente renormalizada está próxima de uma função de uma família normal. Os seguintes teoremas dão mais detalhes matemáticos:

  • Se para uma função de densidade de média 0 e desvio padrão 1 existe e , satisfazendo , então é a densidade da distribuição normal padrão.[39]
  • De acordo com o teorema de Lévy–Cramér (1936), conjecturado por Paul Lévy, em 1935[40][a 2], se duas funções de densidade e verificam , então e com e . Em outras palavras, se a soma de duas variáveis aleatórias independentes é normal, então as duas variáveis aleatórias seguem a distribuição normal.
  • Se é a densidade comum de variáveis aleatórias independentes de média 0 e desvio padrão 1, então a convolução vezes de converge uniformemente em : (este teorema é equivalente ao teorema central do limite). Esta família normal não deve ser confundida com a família normal de funções holomorfas.

Estabilidade por linearidade[editar | editar código-fonte]

A distribuição normal é estável por linearidade. Se e são reais e , então[41] a variável aleatória segue a distribuição normal . Com a estabilidade por adição e por linearidade, a distribuição normal é um caso particular de distribuição estável[a 7] com parâmetro de estabilidade . Entre as distribuições estáveis, a distribuição normal, a distribuição de Lévy () e a distribuição de Cauchy () são as únicas com expressão analítica para a função densidade.

Estabilidade pela média[editar | editar código-fonte]

A distribuição normal é estável pela média. Se são variáveis aleatórias independentes seguindo as distribuições normais , então a média segue a distribuição

Convexidade[editar | editar código-fonte]

A distribuição normal não é convexa.[42] Isto é, a desigualdade , para todo e borelianos, não é satisfeita quando a medida é normal. Entretanto, quando a desigualdade é normalizada com o inverso da função de distribuição da distribuição normal padrão, obtém–se o teorema (desigualdade de Ehrhard) , para a medida padrão normal , todos os intervalos e e todo .

Entropia e quantidade de informação[editar | editar código-fonte]

Entropia de Shannon[editar | editar código-fonte]

A entropia de Shannon de uma distribuição de probabilidade absolutamente contínua de densidade dada por para medir a quantidade de informação é definida por No conjuntos das distribuições absolutamente contínuas de variância fixa, as distribuições normais são entropia máxima.[a 8] Então, a entropia máxima para uma distribuição normal são dadas por . De acordo com a teoria de maximização da entropia, mesmo que não seja a melhor distribuição adaptada aos valores, a distribuição normal ajustada aos valores é adequada para tomar decisões.

Há também uma ligação entre a convergência de sequências de distribuições de probabilidade com distribuição normal e o aumento da entropia, tornando–se uma ferramenta importante na teoria da informação.[a 2]

Quantidade de informação de Fisher[editar | editar código-fonte]

A informação de Fisher de uma densidade de probabilidade é outro conceito de quantidade de informação. Para uma densidade , a informação de Fisher é dada por Para toda densidade suficientemente regular de uma distribuição centrada reduzida, a informação verificada é . A distribuição normal distingui–se de outras densidades desde que a desigualdade anterior seja uma igualdade e se e somente se a densidade for uma distribuição normal padrão.[a 2]

Distancia entre distribuições[editar | editar código-fonte]

A divergência de Kullback–Leibler permite medir a distância entre duas distribuições ou a perda de informação entre as duas distribuições. A divergência de Kullback–Leibler entre as duas distribuições normais e é . Esta divergência é nula para e , mas aumenta quando também aumenta.[a 9]

Aproximação da função de distribuição[editar | editar código-fonte]

Não existe expressão analítica para a função de distribuição da distribuição normal padrão. Isto é, não existe uma fórmula simples entre a função de distribuição e as funções convencionais como as funções polinomiais, exponenciais, logarítmicas, trigonométricas, entre outras. Entretanto, a função de distribuição é aplicada a vários resultados e é importante compreende–la melhor. Diferentes notações como séries ou frações contínuas generalizadas são possíveis.[43]

Para , a função de distribuição da distribuição normal padrão é escrita na forma[a 10] ou na forma

Para , a função de distribuição da distribuição normal padrão é escrita na forma[43][a 10] , com .

De maneira mais numérica e facilmente calculável, as aproximações seguintes fornecem valores da função de distribuição da distribuição normal padrão com:

  • Erro da ordem de[44] : para , ou .
  • Erro de ordem de[44] : para , .
  • Erro da ordem de[a 10] : .

Em um exemplo de algoritmo[a 4] para a linguagem C, uma outra notação da função de distribuição da distribuição normal padrão utiliza uma fração contínua generalizada[a 4]: .

Tabelas numéricas e cálculos[editar | editar código-fonte]

De acordo com a seção anterior, é útil saber a função de distribuição para aplicações numéricas. Então, tabelas de valores foram calculadas para a função de distribuição e também para o inverso da função de distribuição, que permitem obter os quantis e os intervalos de confiança para um limiar de tolerância fixo.

Tabela de valores da função de distribuição
A tabela seguinte fornece os valores da função de distribuição , quando segue a distribuição normal padrão.

Os valores da primeira linha fornecem a primeira parte da variável. Os valores da primeira coluna fornecem a segunda parte da variável. Então, a célula na segunda linha e na terceira coluna fornece .

0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99992 0,99992 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997
Tabela de valores dos quantis
As duas tabelas seguintes fornecem [45] os valores dos quantis da distribuição normal padrão , definida por .

Os valores da primeira linha fornecem a primeira parte da variável. Os valores da primeira coluna fornecem a segunda parte da variável. Então, a célula na segunda linha e na terceira coluna fornece .

0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,50 0,0000 0,0251 0,0502 0,0753 0,1004 0,1257 0,1510 0,1764 0,2019 0,2275
0,60 0,2533 0,2793 0,3055 0,3319 0,3585 0,3853 0,4125 0,4399 0,4677 0,4959
0,70 0,5244 0,5534 0,5828 0,6128 0,6433 0,6745 0,7063 0,7388 0,7722 0,8064
0,80 0,8416 0,8779 0,9154 0,9542 0,9945 1,036 1,080 1,126 1,175 1,227
0,90 1,282 1,341 1,405 1,476 1,555 1,645 1,751 1,881 2,054 2,326

Esta tabela fornece os valores dos quantis para os valores maiores de .

p 0,975 0,995 0,999 0,9995 0,9999 0,99995 0,99999 0,999995
1,9600 2,5758 3,0902 3,2905 3,7190 3,8906 4,2649 4,4172

As tabelas são dadas pelos valores positivos da distribuição normal padrão. Com a formulação da função de distribuição, é possível obter outros valores.

Os valores negativos da função de distribuição são dados pela fórmula[12] . Por exemplo, , para .

Os valores da função de distribuição da distribuição geral é obtido pela fórmula[46] . Por exemplo[47], , para .

A tabela de valores também permite obter a probabilidade de uma variável aleatória com distribuição normal pertencer a um intervalo pela fórmula . Por exemplo, , para , e , para .

Intervalos normais e intervalos de confiança[editar | editar código-fonte]

Uma das vantagens para calcular probabilidades de intervalos é a utilização de intervalos de confiança para testes estatísticos. A distribuição normal é definida para dois valores, a média e o desvio padrão . É útil olhar para os intervalos[48] do tipo . pour .

Tabela de valores dos intervalos de confiança

A tabela seguinte é obtida a partir das tabelas anteriores[48] e fornecem as probabilidades para

r 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5
0,00 0,3829 0,6827 0,8664 0,9545 0,9876 0,9973 0,9995

A tabela de valores dos valores de confiança permite obter os intervalos de normalidade para um determinado nível de confiança. Para , a tabela fornece[7]:

  • , em que é o intervalo de normalidade para o nível de confiança de 68%.
  • , em que é o intervalo de normalidade para o nível de confiança de 76% e é a largura à meia altura.
  • , em que é o intervalo de normalidade para o nível de confiança de 95%.
  • , em que é o intervalo de normalidade para o nível de confiança de 99%.

Inversamente, quando o valor da probabilidade é fixo, existe[a 5] um único valor , tal que . O intervalo é chamado de intervalo de normalidade ou intervalo de confiança para o nível de confiança . Para uma distribuição normal e um limiar , o método para encontrar o valor de consiste[49] em utilizar a tabela de valores dos quantis, tal que . Então, o intervalo de confiança é .

Por exemplo, o intervalo de normalidade para o nível de confiança de 95% de uma distribuição normal é o intervalo , em que verifica ou . Então, o intervalo de confiança é após o arredondamento.

Ligações com outra distribuições[editar | editar código-fonte]

Com papel central entre as distribuições de probabilidade e suas aplicações, a distribuição normal tem muitas ligações com outras distribuições. Certas distribuições ainda são formadas a partir da distribuição normal para melhor corresponder às suas aplicações.

Distribuições usuais[editar | editar código-fonte]

Diferentes distribuições qui e qui–quadrado
Distribuição em função de variáveis com distribuição normal
Distribuição qui–quadrado
Distribuição qui–quadrado não central
Distribuição qui
Distribuição qui não central

Distribuições unidimensionais[editar | editar código-fonte]

  • Se uma variável aleatória segue uma distribuição normal , então[50] a variável aleatória segue uma distribuição log–normal.
  • Se e são duas variáveis aleatórias independentes com distribuição uniforme , então as duas variáveis aleatórias e são distribuições normais padrões.[46] e são independentes. Estas duas fórmulas são utilizadas para simular a distribuição normal.
  • Se as variáveis são independentes com distribuição comum , então[51] a soma dos seus quadrados segue uma distribuição qui–quadrado com grais de liberdade . A formula estende–se para variáveis normal não centradas e não reduzidas. O mesmo tipo de ligação existe com a distribuição qui–quadrado não central, a distribuição qui e a distribuição qui não central.
  • Se a variável segue uma distribuição normal padrão , se segue uma distribuição qui–quadrado com grais de liberdade e se e são independentes, então[51] a variável segue uma distribuição de Student com grais de liberdade .
  • Se é uma variável aleatória com distribuição normal padrão e é uma variável aleatória com distribuição uniforme em , então é uma distribuição de Slash.[a 11]
  • Para uma variável aleatória com distribuição normal padrão , a variável é um distribuição normal com potência . Para , esta variável é uma distribuição normal padrão.[a 11]
  • Se e são duas variáveis aleatórias independentes com distribuição normal padrão, então[52] o quociente segue a distribuição de Cauchy de parâmetro 0 e 1 . No caso de e serem duas gaussianas quaisquer (não centradas e não reduzidas), o quociente segue uma distribuição complexa, em que a densidade é expressa em função dos polinômios de Hermite (a expressão exata é dada por Pham–Gia em 2006[a 12]).

Distribuições multidimensionais[editar | editar código-fonte]

  • Há uma versão multidimensional da distribuição normal, chamada distribuição normal multidimensional, distribuição multinormal ou distribuição de Gauss multivariada. Se são variáveis aleatórias com distribuições normais, então a distribuição de probabilidade do vetor aleatório é uma distribuição normal multidimensional. A densidade de probabilidade assume a mesma forma que a densidade da distribuição normal, porém escrita em forma de matriz. Se o vetor aleatório tem distribuição normal unidimensional , em que é o vetor das médias e é a matriz de variância–covariância, então a distribuição condicional de , sabendo que é a distribuição normal[53]  : se , então com e
  • A distribuição normal de um vetor, cujas coordenas são independentes e com distribuições normais padrão, é a distribuição de Rayleigh.[a 2]

Nota–se que a distribuição gaussiana inversa e a distribuição gaussiana inversa generalizada não têm ligação com uma fórmula simplesmente criada a partir de variáveis da distribuição normal, mas tem relação com o movimento browniano.

Distribuições normais generalizadas[editar | editar código-fonte]

Várias generalizações da distribuição normal foram introduzidas para mudar sua forma, sua assimetria, seu suporte etc.

Um novo parâmetro de forma foi introduzido à distribuição normal para obter uma distribuição normal generalizada. Esta família de distribuição contém a distribuição normal como é o caso para e também para a distribuição de Laplace para . A nova densidade de probabilidade é dada por[a 13] Existe uma maneira de mudar a assimetria da distribuição normal a fim de obter a chamada distribuição normal assimétrica (distribuição normal distorcida).[a 14] A introdução de um parâmetro permite obter a distribuição normal quando , uma assimetria à direita quando e uma assimetria à esquerda quando . A densidade desta distribuição é dada por .

Para mudar o suporte e, especialmente, para tornar a distribuição normal limitada, uma modificação possível é a distribuição truncada. Então, ela muda de escala para que as partes cortadas distribuam–se entre todos os valores guardados (ao contrário da distribuição dobrada). A distribuição normal padrão truncada em e em para suportar o intervalo e sua função densidade definida por[a 15]

Também é possível truncar a distribuição normal de um lado. Então, ela é chamada distribuição normal corrigida. Se uma variável aleatória segue uma distribuição normal , então segue a distribuição normal corrigida.[a 16]

Uma outra maneira de mudar o suporte da distribuição normal é dobrar a densidade a partir de uma valor, a distribuição obtida é a distribuição normal dobrada. Os valores retirados, por exemplo, são então distribuídos perto do valor da dobra, aqui, 0 (ao contrário da distribuição truncada). A densidade de probabilidade da distribuição normal dobrada em 0 é dada por[a 17]

Uma versão generalizada da distribuição log–normal permite obter uma família com distribuição, incluindo a distribuição normal como um caso particular.[54] A família é definida a partir de três parâmetros: um parâmetro de posição , um parâmetro de escala e um parâmetro de forma . Quando , esta distribuição log–normal generalizada é a distribuição normal. A densidade é dada por , em que .

Construções a partir da distribuição normal[editar | editar código-fonte]

Misturando as distribuições[editar | editar código-fonte]

Uma mistura gaussiana é uma distribuição de probabilidade, cuja densidade é definida por uma combinação linear de duas densidades de distribuições normais. Se nota–se a densidade de e a densidade de , então é a densidade de uma distribuição de probabilidade chamada de mistura gaussiana.[55]

Não se pode confundir a combinação linear de duas variáveis aleatórias independentes com distribuição normal, que continua a ser uma variável gaussiana, e a combinação linear de duas densidades, que permite obter uma distribuição que não é a distribuição normal.

Os modos das duas distribuições normais são dados por e , então a combinação gaussiana é uma distribuição bimodal. Se os máximos locais são valores próximos e não iguais[55] aos valores e .

Generalidades[editar | editar código-fonte]

É possível construir outras densidades de probabilidade com a densidade da distribuição normal padrão. Harald Cramér estabeleceu em 1926 um resultado geral: se uma densidade de probabilidade é duas vezes diferenciável, se a integral é convergente e se , então a função pode ser desenvolvida em uma série absolutamente e uniformemente convergente em função das derivadas das densidades da distribuição normal padrão e dos polinômios de Hermite

Utilizações[editar | editar código-fonte]

Historicamente a distribuição normal é introduzida em estudos sobre os corpos celestes ou em jogos de azar. Ela é estudada, generalizada matematicamente e usada em muitas aplicações em matemática, em outras ciências exatas, em outras ciências mais aplicadas ou em ciências humanas e sociais. Segue uma seleção de exemplos.

Balística[editar | editar código-fonte]

No século XIX, para melhorar a precisão da artilharia de fogo muitos tiros de canhão eram disparados. Observou–se que a direção e o alcance eram semelhantes às distribuições normais.[a 18] Esta compreensão permitiu melhor treinar os servos para ajustar os disparos. Esta distribuição normal proveniente de diferentes fatores como as condições climáticas e também o uso do equipamento militar. A dispersão dos pontos de impacto e, portanto, da distribuição, fornece informações sobre o estado do material e sobre o possível número de disparos anormais. O ajuste à distribuição normal é feito pelo teste de Lhoste em uma série de 200 tiros. O matemático Jules Haag aplica o método para 2680 tiros de diferentes escopos e diferentes direções.[a 18]

Quociente de inteligência[editar | editar código-fonte]

O quociente de inteligência (QI) visa dar um valor numérico à inteligência humana. Em 1939, David Wechsler deu uma definição estatística ao quociente de inteligência. 100 pontos são dados à média dos valores obtidos de uma população com idade similar e 15 pontos são deduzidos de um intervalo igual ao desvio padrão obtidos a partir dos valores da população testada.[56] Por esta razão, a curva de distribuição do QI é modelada a curva em sino da distribuição normal centrada em 100 e com desvio padrão 15 . Entretanto, este modelo é questionado por alguns cientistas. Em efeito, os resultados dos testes são dependentes das classes sociais da população, a população deixaria de ser homogênea. Isto é, a propriedade de independência dos indivíduos não seria verificada.[a 19] Então, o QI seria apenas uma medida de aproximação da inteligência humana com erro desconhecido.

Anatomia humana[editar | editar código-fonte]

Uma característica observável e mensurável de uma população de indivíduos comparáveis muitas vezes tem uma frequência modelada por uma distribuição normal. É o exemplo da altura humana em uma determinada idade (separados entre homens e mulheres)[57] ou o tamanho do bico de uma população de aves como os pássaros estudados por Charles Darwin[58]. Mais precisamente, uma característica mensurável de uma população pode ser modelada por uma distribuição normal se ela for codificada geneticamente por vários alelos ou por vários locus[58] ou se a característica depende de um grande número de efeitos do meio ambiente.[59]

As curvas de crescimento apresentadas pela Organização Mundial da Saúde (OMS), presentes em cadernetas de saúde, por exemplo, são derivadas de modelagem pela distribuição normal. Por meio de um estudo detalhado dos percentis medidos em uma população com idade fixa e por meio de testes estatísticos de adequação, as distribuições dos pesos e das alturas por faixa etária foram modeladas por distribuições de probabilidade. Estas distribuições incluem a distribuição normal, a distribuição normal de Box–Cox (generalização da distribuição normal), a distribuição Student de Box–Cox (generalização da distribuição normal de Box–Cox) e ainda a distribuição exponencial com potência Box–Cox.[a 20] Graficamente, para cada idade ou para cada eixo vertical, a mediana é representada (linha central) e os dois valores de e , em que é o desvio padrão, dão as curvas e, assim, representam a evolução de um intervalo de confiança.

Sinais e medições físicas[editar | editar código-fonte]

Quando um sinal é transmitido, ocorre uma perda de informação devido aos meios de transmissão ou à decodificação do sinal. Quando uma medição física é efetuada, uma incerteza no resultado pode ser proveniente de uma imprecisão do aparelho de medida ou de uma incapacidade de obter o valor teórico. Um método para modelar tais fenômenos é considerar um modelo determinista (não aleatório) para o sinal ou para a medição e adicionar ou multiplicar um termo aleatório que represente a perturbação aleatória, às vezes chamadas de erro ou de ruído. Em muitos casos, este erro é assumido como distribuição normal ou como distribuição log–normal em casos de multiplicação.[60] É o caso, por exemplo, da transmissão de um sinal através de um cabo elétrico.[29] Quando o processo depende do tempo, o sinal ou a medição é modelada por um ruído branco.[61] Então, a suaviação de imagem com um filtro gaussiano é utilizada.

Economia[editar | editar código-fonte]

Os preços de algumas commodities são determinadas por uma bolsa de valores, como é o caso do trigo, do algodão e do ouro. No tempo , o preço evolui até o momento , aumentando . Em 1900, Louis Bachelier postulou que este aumento segue uma distribuição normal de média nula, cuja variância depende de em . Entretanto, este modelo satisfaz apenas ao mercado financeiro. Então, outros matemáticos propuseram melhorar este modelo, assumindo que é o aumento que segue a distribuição normal[a 7], o que quer dizer que o aumento dos preços segue uma distribuição log–normal. Esta hipótese é a base do modelo e da fórmula de Black–Scholes utilizado massivamente pela indústria financeira.

Este modelo ainda foi melhorado por Benoît Mandelbrot especialmente, assumindo que o aumento segue uma distribuição estável (a distribuição normal é um caso particular da distribuição estável). Então, parece que o movimento browniano, cujo crescimento é uma distribuição normal, e o processo de Levy, cujo crescimento estável modela as curvas do mercado.[a 7]

Matemática[editar | editar código-fonte]

A distribuição normal é utilizada em muitas áreas da matemática. O ruído branco gaussiano é um processo estocástico de tal modo que em qualquer ponto o processo é uma variável aleatória com distribuição normal independente do processo de outros pontos.[62] O movimento browniano é um processo estocáticos, cujos aumentos são independentes, estacionários e com distribuição normal.[a 7] Incluindo um valor fixo, a variável aleatória segue a distribuição normal . Este processo aleatório tem muitas aplicações. Ele faz uma ligação entre a equação do calor e a distribuição normal.[a 3] Quando a extremidade de uma haste de metal é aquecida em um curto espaço de tempo, o calor se propaga ao longo da barra na forma de uma curva em sino.

A distribuição normal também é aplicada em áreas da matemática não aleatórias como na teoria dos números. Todo número inteiro pode ser escrito como a multiplicação de potências de números primos. Seja o número de números primos diferentes nesta decomposição. Por exemplo, para , . O teorema de Erdős–Kac assegura[a 3] que esta função para está relacionada com a densidade da distribuição normal . Isto é, para um grande número da ordem de , existe uma alta probabilidade que o número de divisores primos seja 3 para .

Testes e estimativas[editar | editar código-fonte]

Critérios de normalidade[editar | editar código-fonte]

É importante saber se os valores são distribuídos de acordo com a distribuição normal. Quatro critérios podem ser estudados antes de realizar um teste estatístico.

O primeiro critério (o critério mais simples) consiste em traçar um diagrama em barras da distribuição e verificar visualmente se o diagrama é em forma de sino. Entretanto, este critério subjetivo permite eliminar uma parte das distribuições quando consideradas não gaussianas.

De maneira mais precisa, a utilização das faixas de normalidade permite comparar com as frequências observadas facilmente calculáveis. O critério consiste em utilizar as faixas de normalidade ou os intervalos de confiança. Quando os valores são normalmente distribuídos, 68% deles estão no intervalo , 95% deles estão no intervalo e 99,7% deles estão no intervalo .

Se não for o caso, a escolha de modelar a distribuição dos valores observados pela distribuição normal não é aconselhável.

O gráfico de probabilidade normal permite ajustar os valores observados com uma distribuição normal. Isto é, representando o gráfico de probabilidade normal, é possível fazer um diagnóstico sobre a natureza normal da distribuição e, se ela for susceptível a ser normal, é possível determinar a média e o desvio padrão. Os valores são observados e representados pela função de distribuição empírica . Elas são gaussianas se os pontos representados no papier gausso-arithmétique estão alinhados em uma reta chamada Henri.[63] Um papier gausso-arithmétique é formado por um eixo artimético das abscissa e é calculada pelo inverso da função de distribuição da distribuição normal centrada reduzida de ordem .[64]

Estes critérios são necessários, mas não são suficientes. Entretanto, não são suficientes para satisfazer o critério para afirmar que os valores são normalmente distribuídos.

Testes de normalidade[editar | editar código-fonte]

Com seu papel no teorema central do limite, a distribuição normal é encontrada em muitos dos testes estatísticos chamados gaussianos ou assintoticamente gaussianos. O pressuposto de normalidade é feito sobre uma distribuição a priori em um teste de aderência para indicar que esta distribuição segue aproximadamente uma distribuição normal.[a 18]Existem vários testes de normalidade.

  • O teste qui–quadrado de aderência para a distribuição normal permite testar se uma série de valores observados segue uma distribuição normal.[65] Neste tipo de teste, a hipótese nula é: distribuição observada pode ser aproximada pela distribuição normal. Tendo agrupado os valores observados, calcular as probabilidade de uma variável aleatória de distribuição normal pertencer a uma classe em estimativa dos parâmetros da distribuição devidos aos valores observados. Estas probabilidades podem ser obtidas com as tabelas numéricas da distribuição normal. Se a hipótese nula for verdadeira, a estatística qui–quadrado calculada a partir dos valores observados e das probabilidades anteriores seguem uma distribuição qui–quadrado. O número do grau de liberdade é se a média e o desvio padrão são conhecidos, se um dos dois parâmetros é desconhecido ou se os dois parâmetros são desconhecidos. A hipótese nula é rejeitada se a estatística qui–quadrado é superior ao valor obtido por meio da tabela do limiar da distribuição qui–quadrado .
  • O teste de Lilliefors é baseado na comparação entre a função de distribuição da distribuição normal e a função de distribuição empírica. É uma adaptação do teste de Kolmogorov–Smirnov. As opiniões sobre o poder do teste são divididas. Ele é eficiente em torno da média, mas nem tanto para a comparação das caudas de distribuição.[a 21] Os valores observados são dispostos em ordem crescente . Os valores são as frequências teóricas da distribuição normal centrada reduzida associada com os valores normalizados. Se a estatística for superior a um valor crítico calculado pelo limiar e ao tamanho da amostra, então o pressuposto de normalidade é rejeitado no limiar .
  • O teste de Anderson–Darling é outra versão do teste de Kolmogorov–Smirnov mais adequada ao estudo das caudas de distribuição.[a 21] Usando a mesma notação que o teste de Lilliefors, se a estatística for superior a uma valor crítico calculado pelo limiar e ao tamanho da amostra, então o pressuposto de normalidade é rejeitado no limiar .
  • O teste D'Agostino é baseado nos coeficientes de simetria e de curtose. É particularmente eficaz a partir de valores observados.[a 21] Embora a ideia do teste seja simples, as fórmulas são mais complicadas. A ideia é construir modificações dos coeficientes de simetria e de curtose para obter as variáveis e da distribuição normal padrão. Então, é realizado um teste qui–quadrado com estatística .
  • O teste Jarque–Bera também é baseadi nos coeficientes de simetria e de curtose. O teste somente é interessante para um número elevado de valores observados.[a 21] Considerando os dois estimadores e , deve–se realizar um teste qui–quadrado com estatística .
  • O teste de Shapiro–Wilk proposto em 1965 é eficaz para pequenas amostras com menos de 50 valores.[a 21] Os valore sobservados são dispostos em ordem crescente e os coeficientes são calculados a partir do quantil, da média, da variância e da covariância de uma distribuição normal. Se a estatística for inferior a um valor crítico calculado pelo limiar e ao tamanho da amostra, então o pressuposto de normalidade é rejeitado no limiar .

Estimativa dos parâmetros[editar | editar código-fonte]

Quando um fenômeno aleatório é observado e considera–se que ele pode ser modelado por uma distribuição normal, uma das perguntas que podem ser feitas é quanto valem os parâmetros e da distribuição normal ? Então, é realizada uma estimativa. As observações coletadas durante a observação do fenômenos são notadas para as variáveis aleatórias . As notações da média aritmética e da média quadrada também são úteis[66]: e .

Estes dois valores são respectivamente estimadores da média e do desvio padrão que são calculados a partir dos valores observados. Como variáveis tem distribuição normal, então tem distribuição e tem distribuição qui–quadrado .[66]

Estimativa da média quando o desvio padrão é conhecido[editar | editar código-fonte]

Um método consiste em procurar um limiar de um intervalo de confiança em torno da média teórica . Usando os quantis de ordem e , a fórmula que define os quantis permite obter[66] .

Com os valores observados e as tabelas da distribuição normal padrão, então é possível fornecer os valores numéricos de intervalo de limiar .

Estimativa da média quando o desvio padrão não é conhecido[editar | editar código-fonte]

Um método consiste em usar uma variável intermediária que pode ser escrita com as novas variáveis aleatórias de distribuição : tem distribuição de Student . Usando os quantis de ordem e , a fórmula que define os quantis permite obter[67] .

Com os valores observados e as tabelas da distribuição normal padrão, então é possível fornecer os valores numéricos de intervalo PARA limiar .

Estimativa do desvio padrão quando a média é desconhecida[editar | editar código-fonte]

É o mesmo método que o anterior. A introdução da variável aleatória de distribuição qui–quadrado para grais de liberdade permite obter[68] , em que e são quantis de distribuição qui–quadrado para grais de liberdade que poder obtido pela tabela do qui–quadrado. O intervalo é o intervalo de confiança para o limiar .

Simulação[editar | editar código-fonte]

Para estudar um fenômeno aleatório que envolve uma variável normal, cujos parâmetros são conhecidos ou estimados, uma abordagem analítica muitas vezes é muito complexa para ser desenvolvida. Neste caso, é possível utilizar um método de simulação. Particularmente, o método de Monte Carlo que consiste em gerar uma amostra artificial de valores independentes de uma variável com um computador. Geralmente softwares ou linguagens de programação tem um gerador de números pseudoaleatórios com uma distribuição uniforme em . Então, transforma–se esta variável de distribuição em uma variável (adaptação de outros valores dos parâmetros não representa qualquer problema).

Abordagens para evitar[editar | editar código-fonte]

  • De maneira geral, pode–se utilizar a função inversa da função de distribuição: neste caso, a variável aleatória segue a distribuição normal padrão. Entretanto, este método não é conveniente por falta de expressões simples de funções e . Além disso, os resultados são numericamente insatisfatórios.
  • Se são doze variáveis independentes de distribuição uniforme em , então a variável tem média nula e desvio padrão unitário. Portanto, o devido ao teorema central do limite, esta variável segue aproximadamente a distribuição normal padrão.[a 22] Esta é uma maneira simples de gerar uma distribuição normal, porém a aproximação permanece imprecisa.

Abordagens eficientes[editar | editar código-fonte]

  • Um melhor algoritmo é o método de Box–Muller, que utiliza uma representação polar de duas coordenadas uniformes dadas pelas fórmulas seguintes. Se , então , em que as duas variáveis resultantes são independentes. Este algoritmo é simples de ser realizado, mas o cálculo de um logaritmo, de uma raiz quadrada e de uma função trigonométrica retarda o processo.[a 22]
  • Uma melhoria foi proposta por Marsaglia e Bray em 1964[a 23], que substitui os cosenos e os senos pelas variáveis e ou e independentes de distribuição e quando (são rejeitados os pares que não verificarem a última condição). Portanto, Este algoritmo não é mais pesado para ser implementado e a simulação tem ganhado velocidade.[a 22]
  • Para um grande número de tirages aleatórias, o método Ziggourat é mais rápido, mas a implementação é mais complexa.

Implementação em software de computação[editar | editar código-fonte]

A distribuição normal foi incorporada em vários softwares de computação.

Planilhas[editar | editar código-fonte]

As planilhas em Microsoft Excel, OpenOffice.org Calc e LibreOffice Calc fornecem as seguintes funções:

  • LOI.NORMALE(x ; mu ; sigma ; cumulative) (em inglês, NORMDIST) : dá
    • se cumulative for booleano FAUX, a densidade de probabilidade da distribuição normal de esperança mu e desvio padrão sigma em x.
    • se cumulative for booleano VRAI, a função de distribuição da distribuição normal de esperança mu e desvio padrão sigma em x.
  • PHI(x) : dá a densidade de probabilidade da distribuição normal padrão φ em x.
  • LOI.NORMALE.STANDARD(x) (NORMSDIST) : dá a função de distribuição da distribuição normal padrão Φ em x.
  • LOI.NORMALE.INVERSE(p ; mu ; sigma) (NORMINV) dá o quantil q de uma distribuição normal para uma probabilidade p.
  • LOI.NORMALE.STANDARD.INVERSE(p) (NORMSINV)
  • CENTREE.REDUITE(x ; mu ; sigma) (STANDARDIZE) retorna (x – mu) / sigma.

Linguagem de programação estatística S[editar | editar código-fonte]

A linguagem S, implementada no software R e S–PLUS fornece as seguintes funções:

  • dnorm() : densidade de probabilidade da distribuição normal
    • dnorm(x) : para uma distribuição normal padrão em x ; dnorm(x, log=TRUE) dá o logaritmo natural do valor.
    • dnorm(x, mu, sigma) ou dnorm(x, mean = mu, sd = sigma) : para uma distribuição normal de esperança mu e desvio padrão sigma em x ; pode ser adicionado log = TRUE,
  • pnorm() : função de distribuição de uma distribuição normal
    • pnorm(q) : para uma distribuição normal padrão; lower.tail = FALSE dá o adicional 1 – Φ, log.p = TRUE dá o logaritmo natural do valor
    • pnorm(q, mu, sigma) ou pnorm(q, mean = mu, sd = sigma) : idem para uma distribuição normal de esperança mu e desvio padrão sigma em x
  • qnorm() : dá os quantis de uma distribuição normal
    • qnorm(p) : para uma distribuição normal padrão; lower.tail = FALSE dá o quantil do adicional 1 – Φ, log.p = TRUE da o logaritmo natural do valor
    • qnorm(p, mu, sigma) ou qnorm(p, mean = mu, sd = sigma) : idem para uma distribuição normal de esperança mu e desvio padrão sigma
  • rnorm() : gerador de números aleatórios de acordo com uma distribuição normal
    • rnorm(n) : gerador de n números aleatórios em uma distribuição normal padrão
    • rnorm(n, mu, sigma) ou rnorm(n, mean = mu, sd = sigma) : idem para uma distribuição normal de esperança mu e desvio padrão sigma
  • ks.test(A, "dnorm") : teste de normalidade de Kolmogorov–Smirnov

Matlab / Octave[editar | editar código-fonte]

O Matlab oferece os seguintes comandos:

  • randn(n) : gerador de n números aleatórios em uma distribuição normal padrão
    randn(m, n) : gerador de n números aleatórios em uma matriz mxn
  • normcdf(x, mu, sigma), cdf('norm', x, mu, sigma) e cdf('Normal', x, mu, sigma) : função de distribuição em x da distribuição normal de esperança mu e desvio padrão sigma (função de distribuição cumulativa)
  • normpdf(x, mu, sigma), pdf('norm', x, mu, sigma) e pdf('Normal', x, mu, sigma) : densidade de probabilidade em x da distribuição normal de esperan;ca mu e desvio padrão sigma (função de distribuição de probabilidade)
  • [mu, sigma] = normfit(X) : determina a esperança e o desvio padrão de um conjunto de dados X de regressão

Scilab[editar | editar código-fonte]

O Scilab (libre et gratuit) oferece os seguintes comandos:
  • rand(m, n, "normal") : matriz mxn de números aleatórios de distribuição normal padrão; rand(A, "normal") dá uma matriz de mesma dimensão que a matriz A
  • grand(m, n, "nor", mu, sigma) : matriz mxn de números aleatórios de distribuição normal de esperança mu e desvio padrão sigma
  • cdfnor("PQ", x, mu, sigma) : valor p da função de distribuição (função de distribuiçào cumulativa) em x para uma distribuição normal de esperança mu e desvio padrão sigma
  • cdfnor("X", mu, sigma, p, 1 - p) : valor do quantil q para uma probabilidade p
  • cdfnor("Mean", sigma, p, 1 - p, x) : esperança de uma distribuição normal com desvio padrão sigma e probabilidade cumulada em x para p
  • cdfnor("Std", p, 1 - p, x, mu) : desvio padrão de uma distribuição normal com probabilidade cumulada em x para p e esperança mu
As opções "Mean" e "Std" executam regressão se x e p são vetores.
A extensão Atoms CASCI fornecem outras funções que tem uma escrita mais simples.
  • cdfnormal(x) : função de distribuição Φ da distribuição normal padrão
    cdfnormal(x, mu, sigma) : função de distribuição de uma distribuição normal de esperança mu e desvio padrão sigma
  • idfnormal(p) : quantil Φ-1 da distribuição normal padrão (função de distribuição cumulativa inversa)
    idfnormal(p, mu, sigma) : idem para uma distribuição de esperança mu e desvio padrão sigma
  • pdfnormal(x) : densidade de probabilidade φ da distribuição normal padrão (função de distribuição de probabilidade)
    pdfnormal(x, mu, sigma) : idem para uma distribuição de esperança mu e desvio padrão sigma
  • rndnormal(n) : gerador de n números aleatórios em uma distribuição normal padrão; rndnormal(m, n) gera uma matriz mxn
    rndnormal(n, mu, sigma), rndnormal(m, n, mu, sigma) : idem para uma distribuição de esperança mu e desvio padrão sigma

Homenagem[editar | editar código-fonte]

Por sua ampla utilização nas ciências, a distribuição normal, muitas vezes pela utilização da curva em sino, é destacada em diferentes contextos e é utilizada para representar a universalidade da uma distribuição estatística, entre outros.

Francis Galton menciona a distribuição normal em seu trabalho Natural Inheritence de 1889[a 2]:

En 1989, foi feita uma homenagem à Carl Friedrich Gauss com a impressão de um bilhete com seu rosto e a curva em sino (pedras suportam a curva de sino, e o caso de alguns matemáticos).

O estatístico William Youden escreveu[69] em 1962 uma explicação sobre a finalidade e a posição da distribuição normal nas ciências. Ele apresentou o caligrama em formato de sino.

THE
NORMAL
LAW OF ERROR
STANDS OUT IN THE
EXPERIENCE OF MANKIND
AS ONE OF THE BROADEST
GENERALIZATIONS OF NATURAL
PHILOSOPHY ♦ IT SERVES AS THE
GUIDING INSTRUMENT IN RESEARCHES
IN THE PHYSICAL AND SOCIAL SCIENCES AND
IN MEDICINE AGRICULTURE AND ENGINEERING ♦
IT IS AN INDISPENSABLE TOOL FOR THE ANALYSIS AND THE
INTERPRETATION OF THE BASIC DATA OBTAINED BY OBSERVATION AND EXPERIMENT

Em português, a lei normal do erro destaca-se na experiência da humanidade como uma das mais amplas generalizações de filosofia natural. Ela serve como instrumentos guias em pesquisas nas ciências físicas e sociais, na medicina, na agricultura e na engenharia. Ela é uma ferramenta essencial para a análise e a interpretação dos dados básicos obtidos pela observação e experimentação.

Referências

  1. Dodge, Yadolah. Statistique – Dictionnaire Encyclopédique. [S.l.]: Springer – Verlag, 2004.
  2. a b Quinio Benamo, 2005, p. 36.
  3. a b Grinstead y Snell, 1997, p. 351.
  4. a b Grinstead y Snell, 1997, p. 345.
  5. a b Grinstead y Snell, 1997, p. 212.
  6. Protassov, 2002, p. 30.
  7. a b Protassov, 2002, p. 29.
  8. Stigler, 1999, p. 407.
  9. Stigler, 1999, p. 406.
  10. Voir par exemple «Théorie de l'addition des variables aléatoires». 1937  ou, plus récemment, «Analyse statistique des données spatiales». 2006 .
  11. NBS, 1952.
  12. a b Dodge, 2004, p. 502.
  13. a b Lifshits, 1995, p. 1.
  14. a b Dodge, 2004, p. 309.
  15. a b c d e Lifshits, 1995, p. 2.
  16. Tassi y Legait, 1990, p. 128.
  17. a b c Cramér, 1970, p. 50.
  18. a b Grinstead y Snell, 1997, p. 330.
  19. Droesbeke, Lejeune y Saporta, 2005, p. 104.
  20. a b c Cramér, 1970, p. 51.
  21. Bogaert, 2006, p. 122.
  22. Bogaert, 2006, p. 123.
  23. a b Protassov, 2002, p. 27.
  24. a b c d e Protassov, 2002, p. 28.
  25. Ross, 2007, p. 408.
  26. Quinio Benamo, 2005, p. 1699.
  27. Dodge, 2004, p. 310.
  28. Bogaert, 2006, p. 116.
  29. a b Ross, 2007, p. 239.
  30. Droesbeke, Lejeune y Saporta, 2005, p. 85.
  31. Bogaert, 2006, p. 120.
  32. Bogaert, 2006, p. 119.
  33. Abramowitz y Stegun, 1972, p. 930.
  34. Protassov, 2002, p. 44.
  35. Bogaert, 2006, p. 223.
  36. Yger y Weil, 2009, p. 651.
  37. Ross, 2007, p. 299.
  38. Lifshits, 1995, p. 4.
  39. Cramér, 1970, p. 52.
  40. Cramér, 1970, p. 53.
  41. Ross, 2007, p. 235.
  42. Lifshits, 1995, p. 125.
  43. a b Abramowitz y Stegun, 1972, p. 932.
  44. a b Tassi y Legait, 1990, p. 126.
  45. Bogaert, 2006, p. 354.
  46. a b Grinstead y Snell, 1997, p. 213.
  47. Grinstead y Snell, 1997, p. 214.
  48. a b Protassov, 2002, p. 72.
  49. Bogaert, 2006, p. 90.
  50. Ross, 2007, p. 301.
  51. a b Yger y Weil, 2009, p. 703.
  52. Bogaert, 2006, p. 330.
  53. Bogaert, 2006, p. 341.
  54. Hosking y Wallis, 1997, p. 197.
  55. a b Bogaert, 2006, p. 86.
  56. Bogaert, 2006, p. 68.
  57. Ridley, 2004, p. 76.
  58. a b Ridley, 2004, p. 226.
  59. Ridley, 2004, p. 252.
  60. Hosking y Wallis, 1997, p. 157.
  61. Dodge, 2004, p. 354.
  62. Yger y Weil, 2009, p. 573.
  63. Tassi y Legait, 1990, p. 144.
  64. Dodge, 2004, p. 228.
  65. Dodge, 2004, p. 519.
  66. a b c Yger y Weil, 2009, p. 715.
  67. Yger y Weil, 2009, p. 716.
  68. Yger y Weil, 2009, p. 717.
  69. Stigler, 1999, p. 415.


Erro de citação: Existem elementos <ref> para um grupo chamado "a", mas não foi encontrado nenhum <references group="a"/> correspondente (ou falta um elemento de fecho </ref>)