Calculadora de Distribuição Normal

O que a calculadora de distribuição normal resolve

A distribuição normal, também chamada de distribuição gaussiana ou curva em sino, é um modelo contínuo usado para descrever variáveis que tendem a se concentrar perto de um valor central e se tornam menos frequentes à medida que se afastam dele. Esta calculadora encontra a área sob essa curva, isto é, a probabilidade associada a um valor ou a uma faixa de valores.

Na prática, a ferramenta responde perguntas como: qual é a chance de uma medida ser menor que determinado limite? Qual parcela das observações fica acima de uma meta? Qual proporção é esperada entre dois valores? Ela também informa a densidade no ponto escolhido. A densidade é a altura da curva naquele ponto; por ser uma distribuição contínua, não deve ser interpretada como a probabilidade de ocorrer exatamente aquele único valor.

O cálculo é aplicável quando a variável de interesse pode ser adequadamente representada por uma normal com média μ e desvio padrão σ conhecidos ou estimados. Exemplos recorrentes incluem erros de medição, resultados padronizados, características físicas em grupos definidos e aproximações estatísticas. A ferramenta não testa se os dados reais seguem uma normalidade: ela calcula as probabilidades assumindo que esse modelo seja apropriado.

Como usar a ferramenta, campo a campo

Tipo de cálculo

Selecione menor ou igual a x para obter P(X ≤ x), a área à esquerda do valor. Selecione maior ou igual a x para P(X ≥ x), a área à direita. Em entre a e b, a calculadora encontra P(a ≤ X ≤ b), isto é, a faixa compreendida pelos dois limites. A opção densidade em x calcula f(x), útil para estudar o formato da curva, mas não representa uma probabilidade isolada.

Média (μ)

A média é o centro da distribuição e deve ser informada na mesma unidade da variável. Se uma prova tem média de 70 pontos, por exemplo, use 70. Ela pode ser negativa, nula ou positiva. Alterar a média desloca toda a curva para a esquerda ou para a direita, sem mudar sua dispersão.

Desvio padrão (σ)

O desvio padrão mede a dispersão em torno da média e precisa ser estritamente maior que zero. Um desvio padrão pequeno produz uma curva mais concentrada e alta; um valor maior espalha a distribuição. Não informe variância neste campo: se você dispõe da variância, extraia antes a raiz quadrada para obter σ.

Valor x e limites a e b

Para cálculos unilaterais e para a densidade, preencha o valor x. Para intervalo, informe a como limite inferior e b como limite superior, com a menor ou igual a b. Todos os valores precisam usar a mesma escala da média e do desvio padrão. Por exemplo, não combine uma média em quilogramas com um limite em gramas sem fazer a conversão.

Fórmula da distribuição normal e passo a passo

Se X segue uma distribuição normal com média μ e desvio padrão σ, escreve-se X ~ N(μ, σ²). A densidade de probabilidade é dada por:

f(x) = [1 / (σ√(2π))] × e^{−(1/2)[(x − μ)/σ]²}.

Para obter probabilidades acumuladas, o passo central é padronizar o valor na escala da normal padrão. Essa transformação produz o escore z:

z = (x − μ) / σ.

A normal padrão tem média 0 e desvio padrão 1. Sua função de distribuição acumulada, indicada por Φ(z), fornece P(Z ≤ z). Assim, P(X ≤ x) = Φ((x − μ)/σ). Para a cauda direita, usa-se P(X ≥ x) = 1 − Φ(z). Em um intervalo, a probabilidade resulta da diferença entre as acumuladas: P(a ≤ X ≤ b) = Φ((b − μ)/σ) − Φ((a − μ)/σ).

A calculadora usa uma aproximação numérica da função erro para avaliar a função acumulada, em vez de exigir consulta manual a uma tabela z. Os resultados são exibidos em percentual e em probabilidade decimal. Pequenas diferenças de arredondamento em relação a tabelas impressas podem ocorrer, sobretudo se a tabela tiver apenas duas casas decimais de z.

Referência rápida da curva normal

Essa regra 68–95–99,7 é uma referência útil, mas não substitui o cálculo com limites específicos. Ela vale para uma distribuição normal e para intervalos simétricos centrados na média. Quando o intervalo é assimétrico, quando começa na média ou quando está apenas em uma cauda, a probabilidade deve ser calculada diretamente.

A simetria é uma propriedade essencial: Φ(−z) = 1 − Φ(z). Portanto, valores igualmente distantes da média em lados opostos têm probabilidades de cauda correspondentes. Isso ajuda a conferir resultados. Por exemplo, se um limite está um desvio padrão acima da média, a área à esquerda será aproximadamente 84,13%; um limite um desvio padrão abaixo terá aproximadamente 15,87% à esquerda.

Exemplos resolvidos

Exemplo 1: probabilidade abaixo de um limite

Suponha que notas sejam modeladas por uma normal com média μ = 70 e desvio padrão σ = 10. Para saber a probabilidade de nota menor ou igual a 85, calcule z = (85 − 70) / 10 = 1,5. A acumulada Φ(1,5) é aproximadamente 0,9332. Logo, a probabilidade é 93,32%. Na calculadora, selecione “menor ou igual a x”, informe média 70, desvio 10 e x igual a 85.

Exemplo 2: probabilidade em um intervalo

Considere uma variável com média de 100 e desvio padrão de 15. Queremos a probabilidade de ficar entre 85 e 115. Os escores são z_a = (85 − 100) / 15 = −1 e z_b = (115 − 100) / 15 = 1. A diferença Φ(1) − Φ(−1) é aproximadamente 0,6827. Portanto, cerca de 68,27% das observações ficam nesse intervalo, que corresponde a uma distância de um desvio padrão para cada lado da média.

Exemplo 3: probabilidade acima de uma meta

Imagine tempos de atendimento com média de 12 minutos e desvio padrão de 3 minutos, sob a hipótese de normalidade. A chance de o tempo ser maior ou igual a 18 minutos é calculada com z = (18 − 12) / 3 = 2. A acumulada até z = 2 é aproximadamente 97,72%. A área à direita é 1 − 0,9772 = 0,0228, ou 2,28%. Selecione “maior ou igual a x” para que a ferramenta faça essa subtração automaticamente.

Base técnica e interpretação estatística

A distribuição normal é um dos modelos fundamentais da probabilidade e da estatística. Sua função densidade integra exatamente 1 em toda a reta real, e as probabilidades são áreas sob a curva, não alturas isoladas. Em variáveis contínuas, P(X = x) é igual a zero para qualquer ponto específico; por isso, faz sentido calcular probabilidades de intervalos, inclusive intervalos que terminam ou começam em x.

O uso da normal costuma ser justificado pelo mecanismo gerador dos dados, por evidência empírica ou como aproximação apoiada pelo teorema central do limite em determinadas condições. Esse teorema trata do comportamento de médias ou somas de muitas observações, não é uma afirmação de que qualquer conjunto de dados individuais tenha distribuição normal. Antes de usar o resultado para decisão técnica, convém avaliar gráficos, assimetria, valores extremos e o contexto da coleta.

Em aplicações de inferência, a normal padrão aparece em escores z, intervalos de confiança e testes estatísticos quando suas premissas são atendidas. A escolha entre normal, t de Student, binomial, Poisson ou outro modelo depende da natureza da variável, do tamanho amostral, dos parâmetros conhecidos e da pergunta formulada. Esta página calcula exclusivamente probabilidades da normal contínua parametrizada por média e desvio padrão.

Erros comuns ao calcular probabilidades normais

• Informar a variância no campo de desvio padrão, o que altera completamente a escala da curva.
• Usar dados em unidades diferentes, como média em metros e limites em centímetros.
• Digitar desvio padrão igual a zero ou negativo; uma normal não degenerada exige σ positivo.
• Inverter os limites do intervalo, colocando o maior valor como limite inferior.
• Confundir densidade com probabilidade de um valor exato.
• Aplicar a normal automaticamente a dados muito assimétricos, truncados ou compostos por grupos distintos.
• Interpretar uma probabilidade teórica como frequência garantida em uma amostra pequena.

Limites do resultado

O resultado depende integralmente dos valores informados e da hipótese de normalidade. Média e desvio padrão estimados a partir de amostras carregam incerteza; além disso, uma média pode não representar bem uma população heterogênea. A calculadora não analisa dados brutos, não estima parâmetros, não verifica independência entre observações e não executa teste de normalidade.

Em distribuições com limites físicos, caudas muito pesadas, forte assimetria ou grande número de valores repetidos, o modelo normal pode fornecer probabilidades pouco realistas. Probabilidades muito próximas de 0% ou 100% também merecem leitura cuidadosa, principalmente se os parâmetros tiverem sido arredondados. Para relatórios, pesquisas, controle de qualidade, saúde, finanças ou decisões com impacto relevante, registre a fonte dos parâmetros e avalie o modelo estatístico com o procedimento adequado.