Distribuição gaussiana (em inglês: normal distribution / Gaussian distribution)
Distribuição Normal
A curva em forma de sino que governa altura humana, QI, erros de medição, notas de prova e até as somas das dezenas sorteadas na Lotofácil. Entender essa curva é entender uma grande parte do mundo ao redor.
🔔 Curva em sino — distribuição normal
Por que a natureza ama essa curva?
A distribuição normal (também chamada de distribuição gaussiana, em homenagem ao matemático alemão Carl Friedrich Gauss, que a estudou extensamente no século XIX) aparece sempre que um resultado é determinado pela soma de muitas influências pequenas e independentes.
A altura humana depende de centenas de genes diferentes, da nutrição, de hormônios, de sono, de doenças na infância. Cada fator contribui com um pequeno empurrão para cima ou para baixo em relação à média. O resultado? Uma curva em sino, com a maioria das pessoas próximas da média e poucas nos extremos — exatamente a distribuição normal.
O mesmo padrão aparece em notas de vestibular (muitos alunos médios, poucos muito abaixo ou muito acima), em erros de medição de instrumentos industriais, em retornos diários de ações, e em dezenas de outros fenômenos.
📐 A fórmula da curva normal
A função de densidade de probabilidade da distribuição normal é:
f(x) = (1 ÷ σ√(2π)) × e^(−(x−μ)² ÷ 2σ²)
Onde μ (mi) é a média e σ (sigma) é o desvio padrão. Parece complexa, mas a ideia é simples: o pico da curva fica na média, e a largura da curva é controlada pelo desvio padrão. Um σ pequeno = curva estreita e alta. Um σ grande = curva larga e baixa.
O Teorema Central do Limite — o motivo matemático
O motivo pelo qual a distribuição normal aparece em tantos lugares não é coincidência — é o Teorema Central do Limite (em inglês: Central Limit Theorem, ou CLT), considerado um dos resultados mais importantes de toda a estatística.
O teorema diz: a soma (ou média) de muitas variáveis aleatórias independentes, com qualquer distribuição individual, converge para uma distribuição normal conforme o número de variáveis aumenta.
Isso é extraordinário. Não importa se cada variável tem distribuição uniforme, binomial, exponencial ou qualquer outra — a soma de muitas delas vai parecer normal. Por isso a natureza "ama" a distribuição normal: ela é o resultado inevitável de muitos efeitos somados.
A regra 68-95-99,7 na prática
Para qualquer distribuição normal com média μ e desvio padrão σ, a seguinte regra se aplica com precisão:
📊 Interpretando os intervalos
| Intervalo | % dos dados | Exemplo (altura, μ=170, σ=10) |
|---|---|---|
| μ ± 1σ | 68,3% | 160 a 180 cm |
| μ ± 2σ | 95,4% | 150 a 190 cm |
| μ ± 3σ | 99,7% | 140 a 200 cm |
| μ ± 4σ | 99,994% | 130 a 210 cm (extremamente raro) |
Na indústria, "6 sigma" (6σ) é um nível de qualidade extremamente rigoroso — significa apenas 3,4 defeitos por milhão de itens produzidos. O programa de qualidade "Seis Sigma" (em inglês: Six Sigma), popularizado pela Motorola nos anos 1980, deriva diretamente dessa propriedade da distribuição normal.
Distribuição normal na loteria
A soma das 15 dezenas sorteadas na Lotofácil é a soma de 15 variáveis aleatórias (cada dezena tem valor de 1 a 25). Pelo Teorema Central do Limite, essa soma segue aproximadamente uma distribuição normal.
Média esperada: 15 × (1+25)/2 = 15 × 13 = 195. Na prática, a média observada nos 3.700+ concursos é muito próxima de 195. O histograma de somas na tabela de soma da Lotofácil mostra exatamente essa curva em sino.
Isso tem uma implicação prática: somas muito extremas (abaixo de 150 ou acima de 240) são raras não por superstição, mas por matemática. Um jogo com soma de 120 ou 270 está a mais de 3σ da média — probabilidade menor que 0,3%.
Quando a distribuição normal falha
A distribuição normal é poderosa, mas não universal. Ela falha em contextos onde eventos extremos são muito mais comuns do que ela prevê — o que os estatísticos chamam de caudas pesadas (em inglês: fat tails).
Retornos de ações têm distribuição com caudas mais pesadas que a normal: crises e altas abruptas acontecem com frequência muito maior do que uma distribuição normal preveria. A crise financeira de 2008 foi um evento que modelos baseados em distribuição normal consideravam praticamente impossível — mas aconteceu.
Nassim Nicholas Taleb, em seu livro "A Lógica do Cisne Negro" (em inglês: The Black Swan), critica exatamente esse uso inadequado da distribuição normal em contextos onde ela não se aplica.
Resumindo em 4 pontos
- Distribuição normal aparece quando muitos fatores independentes se somam — é o resultado do CLT.
- Controlada por dois parâmetros: μ (centro da curva) e σ (largura da curva).
- Regra 68-95-99,7: quase todos os dados ficam a menos de 3σ da média.
- Não se aplica a fenômenos com caudas pesadas — crises financeiras, terremotos, pandemias.