Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Distribuição Uniforme Contínua | 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 Uniforme Contínua

Distribuição contínua descreve o experimento estocástico com infinitos resultados possíveis.

Distribuição uniforme contínua

A distribuição uniforme contínua descreve um experimento em que todos os resultados dentro do intervalo têm probabilidade igual de ocorrer.
Se a variável é uniformemente distribuída, podemos usar uma abordagem geométrica para calcular probabilidades.

Exemplo

Considere um segmento de reta com comprimento 10 unidades. Qual é a probabilidade de selecionar aleatoriamente um ponto no segmento de reta de modo que a distância do ponto inicial até esse ponto esteja entre 3 and 7 unidades?

Assim, a posição ou o ponto está uniformemente distribuído na reta de comprimento 10.
Podemos simplesmente dividir o comprimento do intervalo desejado pelo comprimento total do segmento.
Também podemos usar o método .cdf() da classe scipy.stats.uniform para calcular a probabilidade correspondente:

12345678910111213141516
from scipy.stats import uniform # Parameters of an experiment whole_length = 10 range_start = 3 range_end = 7 # Geometrical approach desired_length = range_end - range_start geom_proba = desired_length / whole_length print(f'Geometrical probability is {geom_proba:.4f}') # Using `.cdf()` method upper_cdf = uniform.cdf(range_end, loc=0, scale=whole_length) lower_cdf = uniform.cdf(range_start, loc=0, scale=whole_length) cdf_proba = upper_cdf - lower_cdf print(f'Probability using .cdf() is {cdf_proba:.4f}')
copy

O primeiro parâmetro do método .cdf() determina o ponto em que calculamos a probabilidade; o parâmetro loc determina o início do segmento, e scale determina o comprimento do segmento.

O método .cdf() calcula a probabilidade de que o resultado de um experimento caia em um determinado intervalo: .cdf(interval_end) - .cdf(interval_start).
Analisaremos este método com mais detalhes no curso Probability Theory Mastering.

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 4. Capítulo 1

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 Uniforme Contínua

Distribuição contínua descreve o experimento estocástico com infinitos resultados possíveis.

Distribuição uniforme contínua

A distribuição uniforme contínua descreve um experimento em que todos os resultados dentro do intervalo têm probabilidade igual de ocorrer.
Se a variável é uniformemente distribuída, podemos usar uma abordagem geométrica para calcular probabilidades.

Exemplo

Considere um segmento de reta com comprimento 10 unidades. Qual é a probabilidade de selecionar aleatoriamente um ponto no segmento de reta de modo que a distância do ponto inicial até esse ponto esteja entre 3 and 7 unidades?

Assim, a posição ou o ponto está uniformemente distribuído na reta de comprimento 10.
Podemos simplesmente dividir o comprimento do intervalo desejado pelo comprimento total do segmento.
Também podemos usar o método .cdf() da classe scipy.stats.uniform para calcular a probabilidade correspondente:

12345678910111213141516
from scipy.stats import uniform # Parameters of an experiment whole_length = 10 range_start = 3 range_end = 7 # Geometrical approach desired_length = range_end - range_start geom_proba = desired_length / whole_length print(f'Geometrical probability is {geom_proba:.4f}') # Using `.cdf()` method upper_cdf = uniform.cdf(range_end, loc=0, scale=whole_length) lower_cdf = uniform.cdf(range_start, loc=0, scale=whole_length) cdf_proba = upper_cdf - lower_cdf print(f'Probability using .cdf() is {cdf_proba:.4f}')
copy

O primeiro parâmetro do método .cdf() determina o ponto em que calculamos a probabilidade; o parâmetro loc determina o início do segmento, e scale determina o comprimento do segmento.

O método .cdf() calcula a probabilidade de que o resultado de um experimento caia em um determinado intervalo: .cdf(interval_end) - .cdf(interval_start).
Analisaremos este método com mais detalhes no curso Probability Theory Mastering.

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 4. Capítulo 1
some-alt