Você provavelmente já viu isso antes. Aquele formato de sino suave e simétrico que aparece em tudo, desde resultados de testes padronizados até relatórios de controle de qualidade. É a distribuição normal. Também conhecida como distribuição gaussiana. É a forma mais comum de comportamento de variáveis aleatórias independentes.
A curva é definida por dois números principais. A média fica no topo. É a média. O gráfico se espelha perfeitamente em torno deste ponto central. Então você tem o desvio padrão. Este número decide quão larga ou estreita a curva fica. Um pequeno desvio padrão cria um gráfico alto e íngreme. Um grande o torna plano e largo.
A matemática por trás disso depende de uma função exponencial. A fórmula usa e, que é aproximadamente 2,718. Ele também usa sua média (μ ) e o desvio padrão (σ ). A área total sob esta curva é sempre igual a um. Isto não é uma coincidência. É intencional. Como a área é normalizada para a unidade, você pode ler as probabilidades diretamente do espaço abaixo da linha. Uma área de 0,5 significa 50% de chance.
Historicamente, o cálculo dessas áreas exigia cálculos pesados. A maioria das pessoas não tinha tempo para isso. Assim, no século XIX, os estatísticos fizeram tabelas. Estes eram para a distribuição normal padrão. É aí que a média é zero e o desvio padrão é um. Se seus dados não correspondessem a esses números, você teria que redimensioná-los. Você subtrai a média. Em seguida, divida pelo desvio padrão. A fórmula é semelhante a esta: (x – μ ) / σ.
As calculadoras mataram principalmente aquelas mesas de papel. Você digita seus números e obtém a resposta instantaneamente. Mas o conceito continua vital para a compreensão da teoria das probabilidades.
O nome “Gaussiano” vem de Carl Friedrich Gauss. Ele era um matemático alemão. Em 1809, ele desenvolveu a função exponencial de dois parâmetros. Ele estava tentando entender os erros nas observações astronômicas. Este trabalho o ajudou a criar a lei do erro observacional. Também avançou o método de aproximação de mínimos quadrados.
Outro usuário inicial foi James Clerk Maxwell. Ele era um físico britânico. Em 1859, ele usou esta distribuição para descrever velocidades moleculares. Seu trabalho mais tarde tornou-se a lei de distribuição de Maxwell-Boltmann.
Muito antes de Gauss, Abraham de Moivre deu o pontapé inicial. Em seu livro de 1718, Doutrina das Chances, ele notou algo interessante. As probabilidades de eventos discretos – como lançar moedas ou lançar dados – podem ser aproximadas por uma curva exponencial. Pierre-Simon Laplace foi ainda mais longe. Na sua obra de 1812 Théorie analytique des probabilités, ele generalizou a ideia de de Moivre. Ele criou o que hoje chamamos de teorema do limite central.
Este teorema é poderoso. Provou que quase todas as variáveis aleatórias independentes convergem para uma distribuição normal à medida que o tamanho da amostra aumenta. A convergência acontece rapidamente. Esta descoberta permitiu aos matemáticos resolver problemas de cálculo que antes eram impossíveis. Transformou problemas discretos em problemas contínuos. Tornou questões intratáveis gerenciáveis.
Então, por que isso é importante para você? Se você estiver fazendo aulas de estatística, usará isso todos os dias. Se você é um pesquisador, seus dados provavelmente seguem esse padrão, a menos que isso não aconteça. Está em todo lugar. É a suposição padrão para muitos testes estatísticos.
A beleza da distribuição normal é a sua universalidade. Não importa o que você está medindo. Só importa que você esteja medindo variáveis independentes. O teorema do limite central garante que, mesmo que seus dados brutos sejam confusos, as médias serão suavizadas em uma curva em forma de sino. É por isso que podemos fazer previsões sobre grandes grupos com base em amostras menores.
Há uma razão pela qual esta curva é tão familiar. Não é apenas uma curiosidade matemática. É uma propriedade fundamental da aleatoriedade. Quando um número suficiente de factores independentes se juntam, o resultado tende para esta forma. É um pouco como entropia. A desordem leva a um padrão previsível.
Seus dados se ajustam à curva? Essa é a primeira pergunta que você deve fazer. Se isso acontecer, você terá ferramentas para analisá-lo com facilidade. Caso contrário, você precisará de métodos diferentes. A distribuição normal não é uma lei da natureza. É um modelo. Muito útil. Mas às vezes a realidade se recusa a encaixar o sino.
Contamos com esses modelos para dar sentido ao caos. O teorema do limite central nos deu esse poder. Transformou a incerteza em algo calculável. Gauss e Maxwell não pretendiam criar uma ferramenta estatística universal. Eles só queriam entender as estrelas e as moléculas de gás. Mas o seu trabalho revelou uma verdade mais profunda sobre como o mundo agrega eventos aleatórios.
Da próxima vez que você vir uma curva em forma de sino, lembre-se da história. Lembre-se das moedas de Moivre e dos teoremas de Laplace. Não é apenas uma forma. É o resultado de séculos de tentativas de encontrar ordem na aleatoriedade. A curva simplifica o complexo. Isso nos permite prever o imprevisível.
Mas tenha em mente. Os dados reais raramente são perfeitamente normais. Existem assimetria e curtose. As caudas costumam ser mais pesadas do que o modelo prevê. A distribuição normal é uma aproximação. Um poderoso. Mas mesmo assim é uma aproximação. Compreender seus limites é tão importante quanto compreender sua aplicação. É aí que reside o verdadeiro insight.
