Calculadora de distribuição normal

O Teorema do Limite Central (CLT) afirma que a soma ou média de muitas variáveis aleatórias independentes tende a uma distribuição normal, independentemente da distribuição subjacente de cada variável individual - mesmo que as variáveis individuais sejam distribuídas uniformemente, distribuídas exponencialmente ou altamente distorcidas. Este fenômeno matemático explica por que alturas, pontuações de testes, medições de QI, erros de medição e muitas características biológicas e físicas se aproximam de uma curva em forma de sino: cada medição reflete a soma de muitos pequenos efeitos independentes (genes, ambiente, ruído) e sua combinação converge para a forma normal.

A distribuição normal é a distribuição de probabilidade mais importante nas estatísticas porque é matematicamente tratável (integrais, derivadas e transformações têm soluções de forma fechada) e empiricamente onipresente (dados do mundo real aproximam-se do normal). mais frequentemente do que qualquer outra forma). Essa combinação a torna a suposição padrão para inúmeras técnicas estatísticas: testes t, ANOVA, análise de regressão, gráficos de controle de qualidade e a maioria dos cálculos de intervalo de confiança. Quando os dados não parecem normais, os estatísticos os transformam (log, raiz quadrada) para forçar a normalidade aproximada ou mudam para métodos não paramétricos que não assumem uma forma de distribuição específica. Compreender quando a suposição normal se mantém ou não é uma das habilidades mais importantes em estatística aplicada.

Qualquer distribuição normal pode ser transformada no normal padrão (média 0, desvio padrão 1) subtraindo a média e dividindo pelo desvio padrão — um processo chamado padronização que produz um escore z. Esta pontuação z permite a comparação direta entre diferentes escalas e unidades: uma pontuação z de 2,0 sempre significa que o valor está dois desvios padrão acima da média, independentemente de a medição original ter sido altura em polegadas, temperatura em Celsius ou resultados de testes em qualquer escala. Uma pontuação z de -1,5 significa 1,5 desvios padrão abaixo da média e assim por diante.

A regra 68-95-99,7 (também chamada de regra empírica) informa que, em uma distribuição normal, aproximadamente 68% dos valores estão dentro de ±1 desvio padrão da média, 95% estão dentro de ±2 desvios padrão e 99,7% estão dentro de ±3 desvios padrão. Esta regra torna os escores z imediatamente interpretáveis: um escore z entre -1 e +1 está na faixa média típica de 68%, entre -2 e +2 está na faixa comum de 95% e qualquer coisa além de ±3 é incomumente extremo. O controle de qualidade na fabricação usa pontuações z (frequentemente chamadas de "níveis sigma") para descrever as taxas de defeitos - os processos Seis Sigma visam taxas de defeitos abaixo de 3,4 por milhão, correspondendo a cerca de ±4,5σ limites de controle.

A fórmula central para a função de densidade de probabilidade normal é f(x) = (1/(σ√(2π))) × e^(−(x−μ)²/(2σ²)), onde μ é a média, σ é o desvio padrão e e é o número de Euler (≈2,71828). Esta fórmula produz a curva em sino característica, com altura de pico na média e caudas simétricas que decaem exponencialmente em ambos os lados. A calculadora usa este PDF para calcular probabilidades de pontos e integra-o numericamente para calcular probabilidades cumulativas (a área sob a curva entre dois valores, que representa a probabilidade de um resultado aleatório cair nesse intervalo).

Para cálculos de probabilidade, a calculadora calcula P(X ≤ a) usando a função de distribuição cumulativa Φ(z), que não tem expressão de forma fechada, mas é calculada por meio de aproximações racionais com pelo menos 7 casas decimais de precisão. Você pode fazer três tipos de perguntas: probabilidade pontual em um valor específico (raro na prática porque distribuições contínuas têm probabilidade zero em qualquer ponto exato), probabilidade cumulativa abaixo de um limite (P(X ≤ a)) ou probabilidade entre dois valores (P(a ≤ X ≤ b)) que é igual a Φ(b) − Φ(a). Verifique novamente as entradas de média e desvio padrão antes de confiar no resultado. Parâmetros errados produzem probabilidades erradas que parecem confiáveis, mas não têm sentido.