Pesquisa · Mapa mental

Função de densidade de probabilidade

Em teoria das probabilidades e estatística, a função densidade de probabilidade (FDP), ou densidade de uma variável aleatória contínua, é uma função que descreve a verossimilhança de uma variável aleatória tomar um valor dado. A probabilidade da variável aleatória cair em uma faixa particular é dada pela integral da densidade dessa variável sobre tal faixa - isto é, é dada pela área abaixo da função densidade mas acima do eixo horizontal e entre o menor e o maior valor dessa faixa. A função densidade de probabilidade é não negativa sempre, e sua integral sobre todo o espaço é igual a um. A função densidade pode ser obtida a partir da função distribuição acumulada a partir da operação de derivação.

Fonte: Wikipédia (pt)Atualizado em 31/10/2026
01

Exemplo

Suponhamos que uma espécie de bactérias normalmente vive por 4 a 6 horas. Qual é a probabilidade de que uma bactéria viva exatamente 5 horas? A resposta é de 0%. Muitas bactérias vivem por aproximadamente 5 horas, mas não há nenhuma chance de que qualquer bactéria morra em exatamente 5.000000000 horas. Em vez disso, poderíamos perguntar: qual é a probabilidade de que a bactéria morra entre 5 horas e 5,01 horas? Vamos dizer que a resposta é de 0,02 (ou seja, 2%). A seguir: qual é a probabilidade de que a bactéria morra entre 5 horas e 5.001 horas? A resposta é provavelmente em torno de 0,002, uma vez que este é um décimo do intervalo anterior. A probabilidade de que a bactéria morre entre 5 horas e 5.0001 horas é provavelmente cerca de 0,0002, e assim por diante. Nestes três exemplos, a relação (probabilidade de morrer durante um intervalo)/(período de duração do intervalo) é aproximadamente constante, e igual a 2 por hora (ou 2 horas-1). Por exemplo, há uma probabilidade de 0,02 de morte no intervalo de 0,01 horas entre 5 e 5,01 horas, e (0,02 de probabilidade / 0,01 horas) = ​​2 horas-1. Esta quantidade de 2 horas-1 é chamada de densidade de probabilidade para a morte em cerca de 5 horas.

02

Diferença entre "função de probabilidade" e "função densidade de probabilidade"

O conceito de "função densidade de probabilidade" é muito semelhante ao conceito de "função de probabilidade", que serve para o caso de variáveis aleatórias discretas. No entanto, é preciso entender bem a diferença entre eles. Uma variável aleatória discreta tem um número definido de possíveis ocorrências. Por exemplo, a variável aleatória "resultado de um dado" tem apenas 6 possíveis ocorrências: 1,2,3,4,5 e 6. Por isso, a função de probabilidade a ela associada também só pode assumir 6 valores (1/6 cada uma, se o dado não for viciado), que necessariamente somarão 1. Uma variável aleatória contínua, ao contrário, tem um número infinito de ocorrências. Por exemplo, a variável aleatória "idade de cada empregado de uma empresa" pode assumir infinitos valores, por exemplo 18,1 anos, 18,23 anos, 20,341 anos, 30,3167 anos etc. Por isso, se simplesmente tentarmos calcular P ( X = x ) {\displaystyle P\left(X=x\right)} como faz uma função de probabilidade para uma variável aleatória discreta, chegaremos ao seguinte:

Funções distribuição de probabilidade

Se uma variável aleatória X : Ω → R {\displaystyle X:\Omega \to \mathbb {R} } definida no espaço probabilidade ( Ω , P ) {\displaystyle (\Omega ,P)} é dada, podemos fazer questões como "Qual a probabilidade de que o valor de X {\displaystyle X} é maior do que 2?". Isto é o mesmo que a probabilidade do evento { ω ∈ Ω : X ( ω ) > 2 } {\displaystyle \{\omega \in \Omega :X(\omega )>2\}} que normalmente se escreve como P ( X > 2 ) {\displaystyle P(X>2)} por abreviação. Registrando todas estas probabilidades de amplitudes totais da variável aleatória real X gera a distribuição de probabilidade de X. A distribuição de probabilidade "esquece" o espaço probabilidade particular usado para definir X e regista apenas as probabilidades de vários valores de X. Tal distribuição de probabilidade pode ser sempre capturada pela sua função distribuição acumulada

03

Distribuições univariadas absolutamente contínuas

A função densidade de probabilidade é mais comumente associado com distribuições univariadas absolutamente contínuas. Uma variável aleatória X'’ tem densidade fX, onde fX é uma função integral de Lebesgue não-negativa, se: Portanto, se FX é a função distribuição acumulada de ‘’X, então: Intuitivamente, se pode pensar em fX(x) dx como sendo a probabilidade de X cair em um intervalo infinitesimal [x, x + dx].

04

Definição formal

(Essa definição pode se estender a qualquer distribuição de probabilidade usando a definição teórico-mensuravél de probabilidade.) Uma variável aleatória X com valores em um espaço mensurável ( X , A ) {\displaystyle ({\mathcal {X}},{\mathcal {A}})} (normalmente Rn com conjuntos de Borel como subconjuntos mensuráveis) tem como distribuição de probabilidade a medida X∗P’’ com ( X , A ) {\displaystyle ({\mathcal {X}},{\mathcal {A}})} : a densidade de X a respeito de uma medida de referência μ em ( X , A ) {\displaystyle ({\mathcal {X}},{\mathcal {A}})} é uma derivada de Radon–Nikodym: Isto é, f é qualquer função mensurável com a propriedade: para qualquer conjunto mensurável A ∈ A {\displaystyle A\in {\mathcal {A}}} .

Discussão

No caso univariado contínuo acima, a medida de referência é a medida de Lebesgue. A função massa de probabilidade de uma variável aleatória discreta é a densidade no que diz respeito à medida contável sobre o espaço da amostra (normalmente o conjunto de números inteiros, ou um subconjunto dos mesmos). Note-se que não é possível definir uma densidade referindo a uma medida arbitrária (por exemplo, não se pode escolher a medida contável como uma referência para uma variável aleatória contínua). Além disso, quando ela existe, a densidade é em quase todos os lugares únicas.

05

Mais detalhes

Ao contrário de uma probabilidade, uma função de densidade de probabilidade pode assumir valores maiores do que um. Por exemplo, a distribuição uniforme contínua no intervalo [0, ½] tem densidade de probabilidade f(x) = 2 para 0 ≤ x ≤ ½ e f (x) = 0 nos outros trechos. A distribuição normal padrão tem densidade de probabilidade Se uma variável aleatória X é dada e sua distribuição admite uma função densidade de probabilidade f, então o valor esperado de X (se o valor esperado exista) pode ser calculado como Nem toda distribuição de probabilidade tem uma função densidade: as distribuições de variáveis aleatórias discretas não possuem; nem a distribuição de Cantor, mesmo ela não tendo qualquer componente discreto, isto é, não atribui probabilidade positiva para qualquer ponto individual. Uma distribuição tem uma função densidade, se e somente se a sua função distribuição acumulada F (x) é absolutamente contínua. Neste caso: F é diferenciável em quase toda parte, e a sua derivada pode ser usada como densidade de probabilidade:

06

Função densidade de probabilidade conjunta

Uma função f ( x , y ) {\displaystyle f\left(x,y\right)} de R r {\displaystyle \mathbb {R} ^{r}} em R r {\displaystyle \mathbb {R} ^{r}} é uma função densidade de probabilidade conjunta, ou fdp conjunta do vetor aleatório bivariado contínuo (X,Y) se, para cada conjunto A ⊂ R r {\displaystyle A\subset \mathbb {R} ^{r}} , Uma FDP conjunta é utilizada exatamente como uma univariada, exceto que agora as integrais são duplas nos conjuntos do plano.

07

Ligação entre distribuições discretas e contínuas

É possível representar certas variáveis aleatórias discretas, bem como variáveis aleatórias que envolvem tanto uma parte contínua e uma parte discreta com uma função densidade de probabilidade generalizada, usando a função delta de Dirac. Por exemplo, considere uma variável aleatória discreta binária tendo uma distribuição de Rademacher – isto é, assumindo valores −1 ou 1, com probabilidade ½ cada. A densidade de probabilidade associada com esta variável é: De modo mais geral, se uma variável discreta pode tomar n valores diferentes entre os números reais, então a função densidade de probabilidade associada é: onde x1, …, xn são os valores discretos acessíveis para a variável e p1, …, pn são as probabilidades associadas com estes valores. Isso unifica substancialmente o tratamento de distribuições de probabilidade discretas e contínuas. Por exemplo, a expressão acima permite determinar características estatísticas de uma variável discreta (tais como a sua média e variância), a partir das fórmulas dadas para uma distribuição contínua da probabilidade.

08

Famílias de densidades

É comum para funções densidade de probabilidade (e funções massa de probabilidade) serem parametrizadas, isto é, serem caracterizadas por parâmetros não especificados. Por exemplo, a distribuição normal é parametrizada em termos da média e da variância, denotada por μ {\displaystyle \mu } e σ 2 {\displaystyle \sigma ^{2}} respectivamente, dando à família de densidades É importante ter em mente a diferença entre o domínio de uma família de densidades e os parâmetros da família. Diferentes valores dos parâmetros descrevem diferentes distribuições de diferentes variáveis aleatórias no mesmo espaço de amostra (o mesmo conjunto de todos os valores possíveis da variável); este espaço de amostra é o domínio da família de variáveis aleatórias que esta família de distribuições descreve. Um determinado conjunto de parâmetros descreve uma única distribuição dentro da família compartilhando a forma funcional da densidade. Do ponto de vista de uma dada distribuição, os parâmetros são constantes e termos de uma função densidade que contêm apenas os parâmetros, mas não variáveis, são partes do fator de normalização de uma distribuição (o fator multiplicativo que garante que a área sob a densidade - a probabilidade de algo no domínio ocorrer - é igual a 1). Este fator de normalização é fora do kernel da distribuição.

09

Densidades associadas com múltiplas variáveis

Para variáveis aleatórias contínuas X1, …, Xn também é possível definir uma função densidade de probabilidade associada ao conjunto como um todo, muitas vezes chamada de função densidade de probabilidade conjunta. Essa função densidade é definida como uma função das n variáveis, de tal modo que, para todo o domínio D no espaço n-dimensional de valores de variáveis X1, …, Xn, a probabilidade de que uma realização das variáveis definidas caia dentro do domínio D é de SeF(x1, …, xn) = Pr(X1 ≤ x1, …, Xn ≤ xn) é a função distribuição acumulada do vetor (X1, …, Xn), então a função densidade de probabilidade conjunta pode ser computada como uma derivada parcial

Densidades marginais

Para i=1, 2, …,n, seja fXi(xi) a função densidade de probabilidade associada com a variável Xi somente. Esta é a chamada função de densidade de "marginal", e pode ser deduzida a partir da densidade da probabilidade associadas com as variáveis aleatórias X1, …, Xn integrando todos os valores das outras n − 1 variáveis:

Independência

Variáveis aleatórias contínuas X1, …, Xn admitindo uma densidade conjunta são todas independentes entre si se e somente se

Corolário

Se a função densidade de probabilidade conjunta de um vetor de n variáveis aleatórias pode ser fatorada em um produto de n funções de uma variável (onde cada fi não é necessariamente uma densidade) então as n variáveis no conjunto são independentes entre si, e a função densidade de probabilidade marginal de cada uma delas é dada por

Exemplo

Este exemplo ilustra a definição acima de funções densidade de probabilidade multidimensionais no caso mais simples de uma função de um conjunto de duas variáveis. Chamemos de R → {\displaystyle {\vec {R}}} um vetor aleatório de 2 dimensões com coordenadas (X, Y): a probabilidade de obter R → {\displaystyle {\vec {R}}} no quadrante do plano com x e y positivos é

10

Variáveis dependentes e mudança de variáveis

Se a função densidade de probabilidade de uma variável aleatória X é dada como fX(x), é possível (mas muitas vezes não necessário; ver abaixo) calcular a função densidade de probabilidade de uma variável Y = g(X). Isto é também chamado de "mudança de variável" e, na prática, é utilizado para gerar uma variável aleatória de forma arbitrária fg(X) = fY usando um gerador de números aleatórios conhecido (por exemplo uniforme). Se a função g é monotônica, então a função densidade resultante é Esta situação resulta do fato de que a probabilidade contida numa zona diferencial deve ser invariante sob mudança de variáveis. Isto é, Para funções que não são monotônicas, a função de densidade de probabilidade para y é onde n(y) é o número de soluções em x para a equação g(x) = y, e g−1k(y) são a solução. Pode-se pensar que, para encontrar o valor esperado E(g(X)) é preciso primeiro encontrar a densidade de probabilidade fg(X) da nova variável aleatória Y = g(X). No entanto, ao invés de computar

Variáveis múltiplas

A formula acima pode ser generalizada para variáveis (que chamaremos de y) dependendo de mais de uma outra variável. f(x1, …, xn) denota a função densidade de probabilidade das variáveis que y depende, e a dependência é y = g(x1, …, xn). Então, a função densidade resultante é onde a integral está sobre toda a solução (n-1)-dimensional da equação subscrita e o dV “simbólico deve ser substituída por uma parametrização desta solução para um cálculo particular; as variáveis x1, …, xn são, então, de funções decorrer desta parametrização. Isso deriva da seguinte representação, talvez uma representação mais intuitiva: Supondo que x é uma variável aleatória n-dimensional com densidade conjunta f. Se y = H(x), onde H é uma função bijetiva, diferenciável, então y tem densidade g:

Vídeos recomendados

Fontes consultadas

Continue pesquisando