Pesquisa · Mapa mental

Função de densidade de probabilidade

A Função de Densidade de Probabilidade (FDP) é uma ferramenta essencial na teoria das probabilidades e estatística, usada para descrever a probabilidade de uma variável aleatória contínua assumir um valor específico. Diferente das variáveis discretas, onde a probabilidade de um ponto exato pode ser zero, a FDP nos informa sobre a 'densidade' de probabilidade em torno de um valor. A probabilidade de uma variável cair em um determinado intervalo é calculada pela área sob a curva da FDP nesse intervalo. Uma FDP é sempre não negativa e sua integral sobre todo o espaço de valores possíveis é igual a um. Ela pode ser obtida derivando a Função de Distribuição Acumulada.

Fonte: Wikipédia (pt)Texto didático por IAAtualizado em 29/10/2026

Pontos-chave

  • A FDP descreve a verossimilhança de uma variável aleatória contínua assumir um valor.
  • A probabilidade de um evento é a área sob a curva da FDP em um dado intervalo.
  • A FDP é sempre não negativa e sua integral total é igual a um.
  • Pode ser obtida pela derivação da Função de Distribuição Acumulada.
  • Diferente das funções de probabilidade para variáveis discretas, a FDP pode assumir valores maiores que um.
01

Entendendo a FDP: Exemplo Prático

Imagine uma bactéria que vive entre 4 e 6 horas. Qual a chance de ela viver 'exatamente' 5 horas? A resposta é 0%, pois há infinitas possibilidades de tempo (5.000000... horas). No entanto, podemos perguntar sobre a probabilidade de ela morrer em um pequeno intervalo, como entre 5 e 5,01 horas. Se essa probabilidade for 0,02 (2%), e para um intervalo dez vezes menor (5 a 5,001 horas) for 0,002, percebemos uma relação constante: (probabilidade / duração do intervalo). Neste caso, 2 horas⁻¹. Essa taxa é a densidade de probabilidade para a morte em torno de 5 horas.

02

FDP vs. Função de Probabilidade: Qual a Diferença?

A 'função densidade de probabilidade' é para variáveis aleatórias contínuas, enquanto a 'função de probabilidade' (ou função massa de probabilidade) é para variáveis discretas. Variáveis discretas têm um número finito ou contável de resultados (ex: resultado de um dado, com 6 valores possíveis, cada um com probabilidade 1/6). Já as variáveis contínuas têm um número infinito de resultados possíveis (ex: idade de um funcionário, que pode ser 18,1 anos, 18,23 anos, etc.). Para variáveis contínuas, a probabilidade de um valor exato P(X=x) é zero, por isso usamos a FDP para descrever a densidade de probabilidade em um intervalo.

Funções de Distribuição de Probabilidade

Quando temos uma variável aleatória X, podemos nos perguntar sobre a probabilidade de X ser maior que um certo valor (ex: P(X > 2)). A coleta de todas essas probabilidades para diferentes amplitudes de X gera a 'distribuição de probabilidade' de X. Essa distribuição 'esquece' os detalhes do espaço de probabilidade original e foca apenas nas probabilidades dos valores de X. Ela pode ser sempre representada por sua Função de Distribuição Acumulada.

03

Distribuições Univariadas Absolutamente Contínuas

A Função de Densidade de Probabilidade (FDP) é mais frequentemente associada a distribuições univariadas que são 'absolutamente contínuas'. Uma variável aleatória X possui uma densidade fX se fX é uma função integral de Lebesgue não-negativa. Isso significa que a probabilidade de X cair em um intervalo infinitesimal [x, x + dx] pode ser pensada como fX(x) dx. Se FX é a Função de Distribuição Acumulada de X, então a FDP fX pode ser obtida derivando FX.

04

Definição Formal da FDP

Formalmente, para uma variável aleatória X com valores em um espaço mensurável (X, A), sua distribuição de probabilidade é uma medida X*P. A densidade de X em relação a uma medida de referência μ no espaço (X, A) é a derivada de Radon–Nikodym. Isso significa que f é uma função mensurável tal que, para qualquer conjunto mensurável A ∈ A, a probabilidade de X pertencer a A é dada pela integral de f sobre A.

Discussão sobre Medidas de Referência

No caso univariado contínuo, a medida de referência é a medida de Lebesgue (que mede o 'comprimento' dos intervalos). Para variáveis aleatórias discretas, a função massa de probabilidade é a densidade em relação à medida contável (que 'conta' os pontos discretos). É importante notar que não se pode definir uma densidade em relação a uma medida arbitrária para qualquer tipo de variável. Quando existe, a densidade é única em quase todos os lugares.

05

Características e Limitações da FDP

Ao contrário de uma probabilidade, uma Função de Densidade de Probabilidade (FDP) pode assumir valores maiores que um. Por exemplo, uma distribuição uniforme contínua no intervalo [0, ½] tem uma densidade de probabilidade f(x) = 2 para 0 ≤ x ≤ ½. Se uma variável aleatória X tem uma FDP f, seu valor esperado (se existir) é calculado pela integral de x * f(x) sobre todo o domínio. Nem todas as distribuições de probabilidade possuem uma FDP; distribuições de variáveis discretas e a distribuição de Cantor são exemplos. Uma distribuição tem uma FDP se, e somente se, sua Função de Distribuição Acumulada F(x) for absolutamente contínua. Nesse caso, F é diferenciável em quase toda parte, e sua derivada pode ser usada como a FDP.

06

Função de Densidade de Probabilidade Conjunta

Para um vetor aleatório bivariado contínuo (X,Y), podemos definir uma 'função de densidade de probabilidade conjunta' f(x,y). Esta função, que mapeia de R² para R, descreve a densidade de probabilidade de X e Y ocorrerem simultaneamente. Para qualquer conjunto A ⊂ R², a probabilidade de (X,Y) cair em A é dada pela integral dupla de f(x,y) sobre A. A FDP conjunta é usada de forma análoga à univariada, mas com integrais em múltiplas dimensões.

07

Unificando Distribuições Discretas e Contínuas

É possível representar variáveis aleatórias discretas (e até mistas) usando uma função de densidade de probabilidade generalizada, que incorpora a função delta de Dirac. Por exemplo, para uma variável discreta binária que assume valores -1 ou 1 com probabilidade ½ cada, sua densidade de probabilidade associada é ½δ(x+1) + ½δ(x-1). Mais genericamente, se uma variável discreta pode assumir n valores (x₁, ..., xn) com probabilidades (p₁, ..., pn), sua FDP é Σ pᵢδ(x-xᵢ). Essa abordagem unifica o tratamento de distribuições discretas e contínuas, permitindo, por exemplo, calcular a média e variância de uma variável discreta usando fórmulas de distribuições contínuas.

08

Famílias de Densidades Parametrizadas

É comum que as Funções de Densidade de Probabilidade (e funções massa de probabilidade) sejam parametrizadas, ou seja, caracterizadas por parâmetros que não são especificados. A distribuição normal, por exemplo, é parametrizada pela média (μ) e variância (σ²), resultando em uma família de densidades. É crucial distinguir o domínio da família de densidades dos parâmetros da família. Diferentes valores dos parâmetros definem diferentes distribuições para variáveis aleatórias no mesmo espaço amostral. Um conjunto específico de parâmetros descreve uma única distribuição dentro da família. Os parâmetros são constantes para uma dada distribuição e contribuem para o fator de normalização, que garante que a área sob a densidade seja igual a 1.

09

Densidades Associadas a Múltiplas Variáveis

Para um conjunto de variáveis aleatórias contínuas X₁, ..., Xn, podemos definir uma 'função de densidade de probabilidade conjunta'. Esta função é definida para as n variáveis de modo que, para qualquer domínio D no espaço n-dimensional dos valores das variáveis, a probabilidade de uma realização das variáveis cair em D é dada pela integral da função conjunta sobre D. Se F(x₁, ..., xn) é a função de distribuição acumulada do vetor (X₁, ..., Xn), a FDP conjunta pode ser calculada como uma derivada parcial de F em relação a todas as variáveis.

Densidades Marginais

Para cada variável Xi individualmente (i=1, ..., n), sua função de densidade de probabilidade é chamada de 'densidade marginal'. Ela pode ser obtida a partir da densidade de probabilidade conjunta das n variáveis, integrando-se sobre todos os valores das outras n-1 variáveis.

Independência de Variáveis

Variáveis aleatórias contínuas X₁, ..., Xn são consideradas independentes entre si se, e somente se, sua função de densidade de probabilidade conjunta puder ser fatorada como o produto das suas densidades marginais individuais.

Corolário da Independência

Se a função de densidade de probabilidade conjunta de um vetor de n variáveis aleatórias pode ser fatorada como um produto de n funções de uma única variável (onde cada função fᵢ não é necessariamente uma densidade), então as n variáveis são independentes entre si. A função de densidade de probabilidade marginal de cada uma delas é então dada por essa função fᵢ normalizada.

Exemplo de FDP Multidimensional

Consideremos um vetor aleatório bidimensional R = (X, Y). A probabilidade de R cair no quadrante do plano com x e y positivos é dada pela integral dupla da função de densidade de probabilidade conjunta f(x,y) sobre a região onde x > 0 e y > 0.

10

Variáveis Dependentes e Mudança de Variáveis

Se conhecemos a FDP de uma variável aleatória X, fX(x), podemos calcular a FDP de uma nova variável Y = g(X). Esse processo é conhecido como 'mudança de variável' e é útil para gerar variáveis aleatórias com distribuições específicas a partir de geradores de números aleatórios conhecidos (como o uniforme). Se a função g é monotônica, a FDP resultante para Y é dada por fY(y) = fX(g⁻¹(y)) |dg⁻¹(y)/dy|. Isso ocorre porque a probabilidade em um intervalo diferencial deve ser invariante sob a mudança de variáveis. Para funções g que não são monotônicas, a fórmula envolve a soma das contribuições de todas as soluções x para g(x) = y. Embora seja possível calcular E(g(X)) encontrando primeiro a FDP de Y=g(X), muitas vezes é mais direto usar a fórmula E(g(X)) = ∫ g(x)fX(x) dx.

Generalização para Múltiplas Variáveis

A fórmula de mudança de variáveis pode ser estendida para quando Y depende de múltiplas variáveis (x₁, ..., xn), ou seja, Y = g(x₁, ..., xn). Se f(x₁, ..., xn) é a FDP conjunta das variáveis originais e H é uma função bijetiva e diferenciável, então a FDP de Y, g(y), é dada por f(H⁻¹(y)) |det(J_H⁻¹(y))|, onde J_H⁻¹(y) é o Jacobiano da transformação inversa. Intuitivamente, a FDP resultante é calculada integrando sobre a superfície (n-1)-dimensional definida por g(x₁, ..., xn) = y.

Vídeos recomendados

Fontes consultadas

Continue pesquisando