Distribuição de probabilidade
Uma distribuição de probabilidade é uma ferramenta fundamental na teoria da probabilidade e estatística, usada para descrever o comportamento de fenômenos aleatórios. Sua origem remonta ao estudo de jogos de azar, como dados e sorteios, que motivaram a compreensão e previsão de experimentos com resultados incertos. Inicialmente focada em fenômenos discretos (com resultados finitos ou contáveis), a teoria evoluiu para abranger distribuições com infinitos resultados não contáveis, como a aproximação da distribuição normal no lançamento de moedas infinitas.
Pontos-chave
- Distribuições de probabilidade descrevem fenômenos aleatórios.
- O estudo começou com jogos de azar e fenômenos discretos.
- Existem distribuições discretas e contínuas, com infinitos resultados.
- A definição matemática envolve medidas e axiomas de probabilidade.
- Diversas características e funções definem e analisam distribuições.
Teoricamente, uma distribuição de probabilidade descreve a natureza aleatória de um experimento. O conceito de experimento aleatório surgiu para modelar processos reais onde o acaso dita resultados bem definidos. Por exemplo, um dado não viciado apresenta resultados de 1 a 6 com igual probabilidade (1/6 para cada), conforme sua distribuição. Historicamente, o estudo dessas distribuições foi impulsionado por jogos de azar. Quando os resultados possíveis são números contáveis, a distribuição é chamada discreta. Apresentar uma distribuição significa listar seus valores possíveis e suas probabilidades associadas, seja por fórmula, tabela, árvore ou funções específicas.
O uso do acaso é antigo, presente em jogos, apostas e cálculos de rendas. Uma das primeiras referências conhecidas para cálculos de probabilidade data do século XV, com análises da Divina Comédia. Os primeiros tratados, focados em probabilidades combinatórias, abordaram a duração de jogos de cartas. Pierre Rémond de Montmort, em seu livro 'Essay d'analyse sur les jeux de hazard', estudou a probabilidade de uma variável (duração do jogo) ser menor que um valor específico, antecipando a função de distribuição. Nicolau Bernoulli, em 1711, introduziu a distribuição uniforme. Posteriormente, surgiram as distribuições binomial e normal, embora com abordagens nem sempre rigorosas; Abraham de Moivre desenvolveu a distribuição normal com uma aproximação numérica. No século XVIII, Jean le Rond D'Alembert explorou a expectativa de variáveis aleatórias discretas e Thomas Bayes, as probabilidades condicionais. Joseph-Louis Lagrange, em 1770, apresentou distribuições contínuas.
Em teoria da probabilidade, uma distribuição de probabilidade é uma medida com massa total igual a 1, satisfazendo os três axiomas de probabilidade. Para um espaço mensurável (Ω, A), P é uma distribuição de probabilidade se (Ω, A, P) forma um espaço de probabilidade. Frequentemente, o termo 'distribuição' refere-se à distribuição de probabilidade de uma variável aleatória X em um espaço de probabilidade. Se X é uma variável aleatória real em (Ω, A, P), sua distribuição de probabilidade Pₓ é uma medida de probabilidade em (ℝ, B(ℝ)), definida por Pₓ(B) = P(X⁻¹(B)) = P(X ∈ B) para qualquer conjunto de Borel B em ℝ. Essencialmente, Pₓ é a medida de imagem de P por X.
Distribuição Multidimensional
Uma distribuição é chamada multidimensional ou n-dimensional quando descreve múltiplos valores (aleatórios) de um fenômeno. Por exemplo, ao lançar dois dados, a distribuição de probabilidade dos dois resultados é bidimensional. A característica multidimensional surge da transferência de uma variável aleatória de um espaço de probabilidade (Ω, A) para um espaço numérico Eⁿ de dimensão n. No caso de dois dados, n=2 e o espaço é {1,...,6} × {1,...,6}. Essa distribuição também é conhecida como distribuição conjunta.
Distribuição Condicional
A distribuição de probabilidade condicional permite descrever o comportamento de um fenômeno aleatório quando parte da informação sobre o processo é conhecida. Ela avalia o grau de dependência estocástica entre eventos. Por exemplo, no lançamento de dois dados, a distribuição condicional pode informar a soma dos resultados sabendo que um dos dados mostrou pelo menos quatro. A probabilidade condicional é definida para eventos pela probabilidade P(⋅|B), representando a probabilidade de um evento A dado que um evento B ocorreu (com P(B) ≠ 0).
Distribuição em Espaço de Banach
Como ℝ é um espaço de Banach, as distribuições de valores em um espaço de Banach generalizam as distribuições de valores reais. A definição é similar: para uma variável aleatória X em um espaço de probabilidade (Ω, A, P) com valores em um espaço de Banach E (com σ-álgebra B gerada por conjuntos abertos), a distribuição de probabilidade Pₓ é a medida de probabilidade definida em (E, B) por Pₓ(B) = P(X⁻¹(B)) = P(X ∈ B) para todo B em B.
Espaço de Distribuições
Uma distribuição de probabilidade é uma medida com massa total unitária, sendo um subespaço do espaço de medidas finitas. Esse espaço é frequentemente denotado como P(ℝ) ou M₁(ℝ) para distribuições reais. É possível dotar este espaço de uma topologia, a topologia fraca, que define a convergência fraca: uma sequência de distribuições (Pₙ) converge fracamente para P se...
As distribuições de probabilidade podem ser agrupadas em famílias paramétricas com base em propriedades de suas densidades ou funções massa, definidas pelo número de parâmetros. Parâmetros de posição afetam a tendência central (esperança, mediana, moda), enquanto parâmetros de escalonamento influenciam a dispersão (variância, desvio padrão).
Parâmetros e Famílias
Certas distribuições são agrupadas em famílias devido a propriedades comuns de suas densidades ou funções massa, classificadas pelo número de parâmetros que as definem. Os parâmetros de posição influenciam a tendência central da distribuição (valor ou valores em torno dos quais a distribuição se concentra, como esperança, mediana, moda, quantis e decils). Já os parâmetros de escalonamento afetam a dispersão ou achatamento da distribuição, como a variância (momento de segunda ordem), o desvio padrão e o intervalo interquartil.
Momentos
O n-ésimo momento de uma distribuição de probabilidade P, se existir, é definido como mₙ = ∫Ω ωⁿ P(dω), ou, para uma variável aleatória X, mₙ = E[Xⁿ]. O primeiro momento (m₁) é a esperança; se m₁=0, a distribuição é centrada. O segundo momento (m₂) é a variância; se m₂=1, a distribuição é reduzida.
Entropia
A entropia de Shannon, introduzida na termodinâmica para quantificar a desordem molecular, mede a falta de informação em uma lei de probabilidade. Definida inicialmente para distribuições discretas, foi estendida para distribuições contínuas. Para uma distribuição discreta P₁ = ∑ᵢ pᵢδₓᵢ e uma distribuição contínua P₂ com densidade f, a entropia H é definida como...
As distribuições de probabilidade mais comuns são as discretas e as absolutamente contínuas. No entanto, existem distribuições que não se encaixam nessas categorias, sendo chamadas de singulares ou mistas.
Distribuições Discretas
Uma distribuição de probabilidade P é concentrada em um conjunto A (com P(A)=1) se A for finito ou contável. O elemento ω é um átomo de P se P({ω}) ≠ 0. O conjunto de átomos de uma distribuição discreta é finito ou contável. Para distribuições de probabilidade reais, o conjunto de átomos coincide com os pontos de descontinuidade de sua função de distribuição.
Distribuição Absolutamente Contínua
Uma distribuição de probabilidade real P é absolutamente contínua em relação à medida de Lebesgue se possuir uma densidade de probabilidade f (uma função mensurável positiva) tal que P(A) = ∫A f(x) dx para qualquer conjunto de Borel A. Essa densidade nem sempre tem uma expressão analítica simples.
Distribuições Singulares
Uma distribuição de probabilidade P é contínua ou difusa se não possuir átomos. As distribuições absolutamente contínuas são contínuas, mas o inverso não é verdadeiro. Uma distribuição é singular se for contínua, mas não absolutamente contínua, ou seja, não possui átomos nem densidade em relação à medida de Lebesgue. Uma variável aleatória é contínua ou singular se sua distribuição associada o for.
Outros Casos (Leis Mistas)
Existem distribuições que não são nem discretas, nem absolutamente contínuas, nem singulares, conhecidas como leis mistas. Toda distribuição de probabilidade P pode ser decomposta em uma combinação linear de uma distribuição contínua P<0xE2><0x82><0x9C> e uma discreta P<0xE2><0x82><0x91>. Pela decomposição de Lebesgue, P<0xE2><0x82><0x9C> se decompõe em uma absolutamente contínua P<0xE2><0x82><0x90> e uma singular P<0xE2><0x82><0x9B>. Assim, P = αP<0xE2><0x82><0x91> + βP<0xE2><0x82><0x90> + γP<0xE2><0x82><0x9B>, onde α, β, γ ∈ [0,1] e α + β + γ = 1.
Diversas funções determinam univocamente as distribuições de probabilidade, permitindo deduzir propriedades como momentos e convergência. As principais são a função de distribuição, a função característica e a função geradora de momentos.
Função de Distribuição (FD)
A função de distribuição F de uma distribuição de probabilidade real P, definida em (ℝ, B(ℝ)), é dada por F(x) = P(]-∞, x]) para todo x ∈ ℝ. Os conjuntos da forma ]-∞, x] geram a álgebra de Borel B(ℝ), sendo suficientes para definir a distribuição.
Função Característica (FC)
A função característica Φ de uma distribuição de probabilidade P é a transformada de Fourier de P: Φ(t) = ∫Ω e^(itω) P(dω). Ela determina a distribuição de forma única: duas distribuições são iguais se e somente se suas funções características forem iguais.
Função Geradora de Momentos (FGM)
A função geradora de momentos M de uma distribuição de probabilidade P é a transformada de Laplace de P: M(t) = ∫Ω e^(tω) P(dω). Ela determina a distribuição unicamente, desde que exista em um intervalo contendo a origem.
Outras Características (Função Quantil)
A função quantil Q de uma distribuição de probabilidade real P é definida como Q(p) = inf{u ∈ ℝ | F(u) ≥ p} para todo p ∈ ]0,1[, onde F é a função de distribuição. Q(p) representa o valor tal que a proporção de valores possíveis menores ou iguais a ele é p. Q(1/4), Q(1/2) e Q(3/4) são, respectivamente, o primeiro quartil, a mediana e o terceiro quartil.
A distribuição estatística de uma variável em uma população frequentemente se refere a modelos matemáticos de distribuição de probabilidade. O estudo de fenômenos aleatórios é crucial por razões práticas e teóricas. A seleção aleatória de valores ou indivíduos permite modelar o fenômeno através de variáveis aleatórias e suas distribuições.
Simulação de Distribuições
Simular distribuições de probabilidade, especialmente com computadores, é essencial para seu estudo. Geralmente, utiliza-se a função quantil e uma variável aleatória com distribuição uniforme. O processo envolve gerar valores pseudoaleatórios uniformes e inverter a função de distribuição. Quando a inversão é complexa, outros métodos são empregados. Computadores geram valores pseudoaleatórios uniformes, que são determinísticos, mas se aproximam de um comportamento aleatório ideal.
Aproximação de Distribuições
Técnicas de aproximação são comuns em casos práticos. Coleta-se dados para construir objetos empíricos como a função de distribuição empírica. Testes estatísticos, como o de Kolmogorov-Smirnov, e teoremas limites ajudam a identificar a distribuição de probabilidade que melhor modela o fenômeno. A convergência das funções de distribuição permite aproximar distribuições contínuas por séries de distribuições discretas.
Exemplos de Modelagem
As distribuições de probabilidade modelam fenômenos observados. Uma distribuição a priori é assumida para modelar dados, e testes estatísticos verificam sua concordância. Em diversas áreas, métodos e distribuições foram desenvolvidos para resolver problemas específicos. Exemplos concretos de modelagem incluem:
