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

bookDistribuição 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

Awesome!

Completion rate improved to 3.85

bookDistribuição Uniforme Contínua

Deslize para mostrar o menu

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