Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Distribuição Gaussiana | Distribuições Contínuas Comumente Utilizadas
Fundamentos da Teoria das Probabilidades
course content

Conteúdo do Curso

Fundamentos da Teoria das Probabilidades

Fundamentos da Teoria das Probabilidades

1. Conceitos Básicos da Teoria das Probabilidades
2. Probabilidade de Eventos Complexos
3. Distribuições Discretas Comumente Utilizadas
4. Distribuições Contínuas Comumente Utilizadas
5. Covariância e Correlação

book
Distribuição Gaussiana

A distribuição Gaussiana, também conhecida como distribuição normal, é uma distribuição de probabilidade contínua amplamente utilizada em estatística e teoria das probabilidades.

Aplicações da distribuição Gaussiana

Podemos usar essa distribuição para descrever os seguintes valores:

  1. Medições físicas: Muitas medições físicas, como altura, peso, pressão arterial e temperatura corporal, podem ser razoavelmente aproximadas por uma distribuição Gaussiana. Por exemplo, a altura de homens ou mulheres adultos em uma população geralmente segue uma distribuição Gaussiana;

  2. Erros e resíduos: Em análise estatística ou modelagem de regressão, erros ou resíduos (a diferença entre valores observados e previstos) geralmente são assumidos como normalmente distribuídos;

  3. Notas de testes: Notas de testes padronizados, como SAT ou ACT, frequentemente são modeladas usando uma distribuição Gaussiana em avaliações educacionais;

  4. Medições ambientais: Uma distribuição Gaussiana pode frequentemente descrever variáveis como poluição do ar, níveis de ruído e medições de qualidade da água.

Implementação em Python

Também podemos usar o método .cdf() da classe scipy.stats.norm para trabalhar com a distribuição Gaussiana em Python. Ela possui dois parâmetros principais: loc determina o valor médio do resultado do experimento e scale determina o desvio médio em relação à média.

Exemplo

Calcule a probabilidade de que a altura de um homem escolhido aleatoriamente seja menor que 160 ou maior que 190. Considere que o valor médio da altura dos homens é 170, e o desvio médio é 20.

12345678
from scipy.stats import norm # Calculate probability that man has height between 160 and 190 proba_160_190 = norm.cdf(190, loc=170, scale=20) - norm.cdf(160, loc=170, scale=20) # Calculate the probability of complemented event prob_not_160_190 = 1 - proba_160_190 print(f'Result probability is {prob_not_160_190:.4f}')
copy

A distribuição Gaussiana é uma das distribuições mais populares e amplamente utilizadas. Suas propriedades são discutidas em mais detalhes no curso Probability Theory Mastering.

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 4. Capítulo 4

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

course content

Conteúdo do Curso

Fundamentos da Teoria das Probabilidades

Fundamentos da Teoria das Probabilidades

1. Conceitos Básicos da Teoria das Probabilidades
2. Probabilidade de Eventos Complexos
3. Distribuições Discretas Comumente Utilizadas
4. Distribuições Contínuas Comumente Utilizadas
5. Covariância e Correlação

book
Distribuição Gaussiana

A distribuição Gaussiana, também conhecida como distribuição normal, é uma distribuição de probabilidade contínua amplamente utilizada em estatística e teoria das probabilidades.

Aplicações da distribuição Gaussiana

Podemos usar essa distribuição para descrever os seguintes valores:

  1. Medições físicas: Muitas medições físicas, como altura, peso, pressão arterial e temperatura corporal, podem ser razoavelmente aproximadas por uma distribuição Gaussiana. Por exemplo, a altura de homens ou mulheres adultos em uma população geralmente segue uma distribuição Gaussiana;

  2. Erros e resíduos: Em análise estatística ou modelagem de regressão, erros ou resíduos (a diferença entre valores observados e previstos) geralmente são assumidos como normalmente distribuídos;

  3. Notas de testes: Notas de testes padronizados, como SAT ou ACT, frequentemente são modeladas usando uma distribuição Gaussiana em avaliações educacionais;

  4. Medições ambientais: Uma distribuição Gaussiana pode frequentemente descrever variáveis como poluição do ar, níveis de ruído e medições de qualidade da água.

Implementação em Python

Também podemos usar o método .cdf() da classe scipy.stats.norm para trabalhar com a distribuição Gaussiana em Python. Ela possui dois parâmetros principais: loc determina o valor médio do resultado do experimento e scale determina o desvio médio em relação à média.

Exemplo

Calcule a probabilidade de que a altura de um homem escolhido aleatoriamente seja menor que 160 ou maior que 190. Considere que o valor médio da altura dos homens é 170, e o desvio médio é 20.

12345678
from scipy.stats import norm # Calculate probability that man has height between 160 and 190 proba_160_190 = norm.cdf(190, loc=170, scale=20) - norm.cdf(160, loc=170, scale=20) # Calculate the probability of complemented event prob_not_160_190 = 1 - proba_160_190 print(f'Result probability is {prob_not_160_190:.4f}')
copy

A distribuição Gaussiana é uma das distribuições mais populares e amplamente utilizadas. Suas propriedades são discutidas em mais detalhes no curso Probability Theory Mastering.

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 4. Capítulo 4
some-alt