Exemplos de Distribuição Normal
10 exemplos de distribuição normal resolvidos passo a passo — com média, desvio padrão, escore z e probabilidade exata — incluindo o ENEM e situações do dia a dia.
Estes exemplos de distribuição normal mostram a curva de sino na vida real: cada um traz média, desvio padrão, escore z e a probabilidade exata. Você vai ver alturas, notas do ENEM, QI, pressão arterial, parafusos de fábrica e vendas — todos resolvidos passo a passo, com a interpretação em linguagem simples.
A distribuição normal aparece em quase tudo que varia em torno de um valor típico: alturas, notas de prova, pressão arterial, peças de fábrica e vendas diárias. A curva de sino é sempre a mesma — o que muda são a média e o desvio padrão.
Abaixo estão 10 exemplos de distribuição normal resolvidos passo a passo, cada um com média, desvio padrão, escore z e probabilidade exata — incluindo o ENEM. Se você ainda não domina o método, comece pelo passo a passo abaixo; todas as ferramentas citadas estão gratuitas nas Calculadoras em Português.
Como resolver problemas de distribuição normal
Todo problema de distribuição normal se resolve do mesmo jeito, em 4 passos. Decore o método uma vez e aplique nos 10 exemplos abaixo — o raciocínio é sempre o mesmo, só mudam os números.
- Encontre a média (μ) e o desvio padrão (σ) dos dados — ou calcule os dois na calculadora da regra empírica.
- Converta o valor em escore z: z = (x − μ) / σ. O escore z diz a quantos desvios padrão da média o valor está; para converter qualquer valor, use a calculadora de escore z.
- Consulte a probabilidade: use a tabela z ou a calculadora de distribuição normal para encontrar Φ(z), a área à esquerda de z. A área à direita é 1 − Φ(z).
- Interprete o resultado como porcentagem e em uma frase simples: “cerca de 16 em cada 100 participantes ficam acima de 600”.
Teste rápido 68–95–99,7: antes de confiar no resultado, confira se ele combina com a regra empírica — cerca de 68,27% dos dados ficam a até 1 desvio padrão da média. Se o seu resultado ficar muito longe disso, confira as contas.
Os valores exatos usados nos exemplos — 68,27%, 95,45%, 99,73% e os percentis da tabela z — estão documentados em nossa metodologia.
Exemplos de distribuição normal
Exemplo 1 — Altura de homens brasileiros
μ = 1,75 m e σ = 0,10 m. Para o intervalo de 1 desvio padrão, z = ±1,00: P(1,65 < X < 1,85) = 68,27%. Para a cauda acima de 1,95 m: z = (1,95 − 1,75) / 0,10 = +2,00; P(X > 1,95) = 1 − Φ(2,00) = 1 − 0,9772 = 0,0228, ou seja, 2,28% — cerca de 2 em cada 100 homens medem mais de 1,95 m.
Exemplo 2 — ENEM (Matemática)
μ = 500 e σ = 100 (escala TRI). Para a nota 600: z = (600 − 500) / 100 = +1,00; P(X > 600) = 1 − Φ(1) = 1 − 0,8413 = 0,1587, ou seja, 15,87% — cerca de 16 em cada 100 participantes. Para o intervalo central: z = ±1,00, então P(400 < X < 600) = 68,27%.
Exemplo 3 — QI
μ = 100 e σ = 15. Intervalo de 1 desvio padrão (z = ±1,00): P(85 < X < 115) = 68,27%. Acima de 130: z = (130 − 100) / 15 = +2,00; P(X > 130) = 1 − 0,9772 = 0,0228, ou seja, 2,28% — cerca de 2 em cada 100 pessoas têm QI acima de 130.
Exemplo 4 — Simulado
μ = 60 e σ = 5. Nota 70: z = (70 − 60) / 5 = +2,00, ou seja, percentil 97,72 — melhor que cerca de 98 em cada 100 alunos. Nota 52: z = (52 − 60) / 5 = −1,60; Φ(−1,60) = 0,0548, ou seja, percentil 5,48 — melhor que apenas 5 em cada 100 alunos.
Exemplo 5 — Pressão arterial sistólica
μ = 120 mmHg e σ = 12 mmHg. Acima de 132: z = (132 − 120) / 12 = +1,00; P(X > 132) = 1 − 0,8413 = 0,1587, ou seja, 15,87%. Intervalo de 1 desvio padrão (z = ±1,00): P(108 < X < 132) = 68,27% — cerca de 68 em cada 100 adultos têm pressão sistólica entre 108 e 132 mmHg.
Exemplo 6 — Diâmetro de parafusos
μ = 10,00 mm e σ = 0,05 mm. Intervalo de 2 desvios padrão (z = ±2,00): P(9,90 < X < 10,10) = 95,45% — cerca de 95 em cada 100 parafusos ficam dentro da tolerância. Acima de 10,05 mm: z = (10,05 − 10,00) / 0,05 = +1,00; P(X > 10,05) = 1 − 0,8413 = 0,1587, ou seja, 15,87%.
Exemplo 7 — Peso ao nascer
No exemplo original, em libras: μ = 7,5 lb e σ = 1,0 lb. Convertendo (1 lb ≈ 0,45 kg): cerca de μ = 3,40 kg e σ = 0,45 kg. Intervalo de 1 desvio padrão (z = ±1,00): P(2,95 < X < 3,85) = 68,27% — os valores em kg são aproximados, por causa da conversão.
Exemplo 8 — Vendas diárias de um mercado
μ = R$ 5.000 e σ = R$ 2.000. Acima de R$ 7.000: z = (7.000 − 5.000) / 2.000 = +1,00; P(X > 7.000) = 1 − 0,8413 = 0,1587, ou seja, 15,87% — cerca de 16 em cada 100 dias vendem mais de R$ 7.000. Intervalo de 1 desvio padrão (z = ±1,00): P(3.000 < X < 7.000) = 68,27%.
Exemplo 9 — Tempo entre pedidos
μ = 10 semanas e variância 5, logo σ = √5 = 2,24 semanas. Para P(X < 12): z = (12 − 10) / 2,24 = +0,89; Φ(0,89) = 0,8144, ou seja, 81,44% — em cerca de 81 em cada 100 intervalos, o próximo pedido chega em menos de 12 semanas.
Exemplo 10 — Altura inversa (percentil → valor)
μ = 152,9 cm e σ = 8,5 cm. Para o percentil 73, o escore z correspondente é z ≈ +0,61. O valor é x = μ + zσ = 152,9 + 0,61 × 8,5 = 158,1 cm. Ou seja, uma pessoa com 158,1 cm é mais alta que cerca de 73 em cada 100 pessoas do grupo. Para converter qualquer percentil em valor, use a calculadora de distribuição normal inversa.
Quando os dados NÃO seguem a distribuição normal
Nem tudo é curva de sino. Desconfie da distribuição normal quando os dados são assimétricos (como a renda, com uma cauda longa para a direita), limitados (como porcentagens entre 0 e 100), bimodais (dois grupos misturados, com dois picos) ou vêm de amostras pequenas. Nesses casos, as probabilidades da tabela z não valem — e a regra 68–95–99,7 também não.
Antes de calcular qualquer probabilidade, plote os dados: gere um conjunto de dados de exemplo com o gerador de distribuição normal e compare o histograma com a curva teórica. Se o histograma não tiver forma de sino, procure outro modelo — ou use o teorema de Chebyshev, que não exige normalidade.
A distribuição normal no dia a dia
A curva de sino aparece no tempo de deslocamento ao trabalho, no peso das maçãs de uma colheita, na quantidade de café servida por dia e nas notas de uma prova de turma. O motivo é o teorema central do limite: quando um resultado é a soma de muitos efeitos pequenos e independentes, a sua distribuição tende à normal — por isso tantos fenômenos diferentes desenham a mesma curva.
Quais são os exemplos mais comuns de distribuição normal?
Altura, peso, notas de provas padronizadas, pressão arterial e erros de medição são os exemplos mais comuns: todos variam em torno de um valor típico, com a maioria dos casos perto da média e poucos casos nos extremos.
Como encontrar a probabilidade em uma distribuição normal?
Encontre a média e o desvio padrão, converta o valor em escore z com z = (x − μ) / σ e consulte a probabilidade — na tabela z ou na calculadora de distribuição normal. A área à esquerda de z é Φ(z); a área à direita é 1 − Φ(z).
Perguntas frequentes
Neste artigo: 10 exemplos resolvidos passo a passo, cada um com média, desvio padrão, escore z e probabilidade exata.
A altura de adultos: com média 1,75 m e desvio padrão 0,10 m, cerca de 68,27% dos homens brasileiros medem entre 1,65 m e 1,85 m.
Em 4 passos: encontre μ e σ; converta o valor em escore z; consulte a probabilidade; interprete o resultado como porcentagem e em uma frase simples.
68,27% — é a regra empírica: P(μ − σ < X < μ + σ) = 0,6827.
Não, por definição: na distribuição normal, a média, a mediana e a moda são iguais e a curva é simétrica.
Por causa do teorema central do limite: somas e médias de muitos efeitos pequenos e independentes tendem a uma distribuição normal.
As notas do ENEM usam a escala TRI (média 500, desvio padrão 100): uma nota 600 está a 1 desvio padrão acima da média e só 15,87% dos participantes ficam acima dela.
Não use a regra 68–95–99,7: plote os dados, considere transformar a variável ou use métodos que não exigem normalidade, como o teorema de Chebyshev.
Fontes: NIST/SEMATECH e-Handbook of Statistical Methods, seção 1.3.6.6.1 — Distribuição Normal. Escala TRI do ENEM: Inep, Entenda a sua nota no Enem: guia do participante (2021). Os exemplos do ENEM são aplicações hipotéticas da escala TRI verificada (média 500, desvio padrão 100).
Por Afan Shafiq — BS AI student