1) Definição da Distribuição Normal
A distribuição Normal também é conhecida como distribuição Gaussiana. Dado o Teorema do Limite Central (TLC), a Distribuição Normal ganhou grande destaque na estatística. Destacam-se a convergência em distribiução para a Normal de certas funções e alguns fenômenos empíricos apresentarem uma distribuição semelhante à Normal. Assim, defini-se a função de densidade da Distribuição Normal por:
2) Calculando a Normal pela Integral de n retângulos
Variáveis
a- limite inferior dos retângulos
b - limite superior dos retângulos
mi - média
s - desvio padrão
n - número de retângulos a serem somados
2.1) Definindo a função
int_norm <- function(a,b,mi,s,n){
x <- seq(a,b,length.out=n)
base <- (b-a)/n
z <- ((x-mi))/s
altura <- 1/(sqrt(2*pi)*s)*exp(-0.5*z^2)
area <- (base*altura)
fx <- sum(area)
return(fx)
}
3) Testando as duas metodologias de cálculo
3.1)
i)Soma de 10000 retângulos
a <- -3
b <- 3
mi <- 0
s <- 1
n <- 10000
int_norm(a,b,mi,s,n)
## [1] 0.9972031
a <- -3
b <- 3
mi <- 0
s <- 1
pnorm(b,mi,s,T)-pnorm(a,mi,s,T)
## [1] 0.9973002
3.2)
a <- 35
b <- 72
mi <- 100
s <- 30
n <- 1000
int_norm(a,b,mi,s,n)
## [1] 0.1602163
a <- 35
b <- 72
mi <- 100
s <- 30
n <- 10000
pnorm(b,mi,s,T)-pnorm(a,mi,s,T)
## [1] 0.1601938
3.3) i)
a <- -10000
b <- 10
mi <- 100
s <- 30
n <- 100000000
int_norm(a,b,mi,s,n)
## [1] 0.001349905
a <- -10000
b <- 10
mi <- 100
s <- 30
n <- 100000000
pnorm(b,mi,s,T)-pnorm(a,mi,s,T)
## [1] 0.001349898
3.4)
a <- 200
b <- 100000000
mi <- 100
s <- 30
n <- 100000000
int_norm(a,b,mi,s,n)
## [1] 0.0004552409
a <- 200
b <- 100000000
mi <- 100
s <- 30
n <- 100000000
pnorm(b,mi,s,T)-pnorm(a,mi,s,T)
## [1] 0.0004290603
4) Conclusão
Conclui-se que a aproximação pela soma de n retângulos é eficaz quando não necessita-se de grande precisão, pois a partir da 4 casa decimal os resultados começam a divergir. Dessa forma, sugere-se que ajuste-se o polígono para um trapézio.