Diferenças entre edições de "Distribuição normal"
m ({{Contribuiram}}) |
|||
Linha 5: | Linha 5: | ||
A [[função densidade de probabilidade]] da '''distribuição normal''' com [[média]] <tex>\mu</tex> e [[variância]] <tex>\sigma^2</tex> (de forma equivalente, [[desvio padrão]] <tex>\sigma</tex>) é assim definida, | A [[função densidade de probabilidade]] da '''distribuição normal''' com [[média]] <tex>\mu</tex> e [[variância]] <tex>\sigma^2</tex> (de forma equivalente, [[desvio padrão]] <tex>\sigma</tex>) é assim definida, | ||
− | <tex> | + | |
− | f(x;\mu,\sigma) | + | :<tex>f(x;\mu,\sigma)=\frac{1}{\sigma\sqrt{2\pi}} \, \exp \left( -\frac{(x- \mu)^2}{2\sigma^2} \right).</tex> |
− | = | + | |
− | \frac{1}{\sigma\sqrt{2\pi}} \, \exp \left( -\frac{(x- \mu)^2}{2\sigma^2} \right).</tex> | + | |
Se a [[variável aleatória]] <tex>X</tex> segue esta distribuição escreve-se: | Se a [[variável aleatória]] <tex>X</tex> segue esta distribuição escreve-se: | ||
− | <tex>X</tex> ~ <tex>N(\mu, \sigma^2)</tex>. | + | |
+ | :<tex>X</tex> ~ <tex>N(\mu, \sigma^2)</tex>. | ||
+ | |||
Se <tex>\mu = 0</tex> e <tex>\sigma = 1</tex>, a distribuição é chamada de '''distribuição normal padrão''' e a função de densidade de probabilidade reduz-se a, | Se <tex>\mu = 0</tex> e <tex>\sigma = 1</tex>, a distribuição é chamada de '''distribuição normal padrão''' e a função de densidade de probabilidade reduz-se a, | ||
+ | |||
:<tex>f(x) = \frac{1}{\sqrt{2\pi}} \, \exp\left(-\frac{x^2}{2} \right).</tex> | :<tex>f(x) = \frac{1}{\sqrt{2\pi}} \, \exp\left(-\frac{x^2}{2} \right).</tex> | ||
Linha 24: | Linha 26: | ||
* A soma de uma grande quantidade de variáveis aleatórias (com algumas restrições) tende a uma distribuição normal - o significado mais preciso disto é o [[Teorema do Limite Central]]. | * A soma de uma grande quantidade de variáveis aleatórias (com algumas restrições) tende a uma distribuição normal - o significado mais preciso disto é o [[Teorema do Limite Central]]. | ||
* A distribuição normal é [[infinitamente divisível (probabilidade)|infinitamente divisível]], no seguinte sentido: se ''X'' é uma variável aleatória que segue uma distribuição normal e ''n'' é um número natural, então existem ''n'' variáveis aletórias <tex>X_1, X_2, \ldots X_n\,</tex>, [[independentes e identicamente distribuídas]], tal que | * A distribuição normal é [[infinitamente divisível (probabilidade)|infinitamente divisível]], no seguinte sentido: se ''X'' é uma variável aleatória que segue uma distribuição normal e ''n'' é um número natural, então existem ''n'' variáveis aletórias <tex>X_1, X_2, \ldots X_n\,</tex>, [[independentes e identicamente distribuídas]], tal que | ||
− | : <tex>X = X_1 + X_2 + \ldots + X_n\,</tex> | + | |
+ | :<tex>X = X_1 + X_2 + \ldots + X_n\,</tex> | ||
Linha 38: | Linha 41: | ||
==Simulação== | ==Simulação== | ||
Implementações computacionais do [[Método de Monte Carlo]] normalmente precisam simular várias variáveis aleatórias normais. Muitos programas e pacotes não conseguem simular diretamente a normal, mas tem simuladores da [[distribuição uniforme]]. Uma forma rápida e prática de gerar normais a partir da uniforme é a [[transformação de Box-Muller]]: sejam <tex>U_1</tex> e <tex>U_2</tex> valores independentes gerados pela distribuição uniforme entre 0 e 1. Então: | Implementações computacionais do [[Método de Monte Carlo]] normalmente precisam simular várias variáveis aleatórias normais. Muitos programas e pacotes não conseguem simular diretamente a normal, mas tem simuladores da [[distribuição uniforme]]. Uma forma rápida e prática de gerar normais a partir da uniforme é a [[transformação de Box-Muller]]: sejam <tex>U_1</tex> e <tex>U_2</tex> valores independentes gerados pela distribuição uniforme entre 0 e 1. Então: | ||
+ | |||
:<tex>Z_1 = \sqrt{-2 \ln U_1} \cos(2 \pi U_2)\,</tex> | :<tex>Z_1 = \sqrt{-2 \ln U_1} \cos(2 \pi U_2)\,</tex> | ||
+ | |||
e | e | ||
+ | |||
:<tex>Z_2 = \sqrt{-2 \ln U_1} \sin(2 \pi U_2).\,</tex> | :<tex>Z_2 = \sqrt{-2 \ln U_1} \sin(2 \pi U_2).\,</tex> | ||
+ | |||
são normais padronizadas independentes. | são normais padronizadas independentes. | ||
− | |||
Revisão das 15h50min de 6 de outubro de 2008
A distribuição normal é a distribuição de probabilidade mais frequente em estatística. Foi desenvolvida pelo matemático francês Abraham de Moivre. As suas características fundamentais são a média e o desvio padrão.
Índice
Função de densidade de probabilidade
A função densidade de probabilidade da distribuição normal com média e variância (de forma equivalente, desvio padrão ) é assim definida,
Se a variável aleatória segue esta distribuição escreve-se:
- ~ .
Se e , a distribuição é chamada de distribuição normal padrão e a função de densidade de probabilidade reduz-se a,
Propriedades
- Se X segue uma distribuição normal, então a X + b também segue.
- Se X e Y são distribuições normais, então sua soma U = X + Y e diferença V = X - Y também são distribuições normais.
- Se X e Y são independentes, então U e V também serão independentes.
- A soma de uma grande quantidade de variáveis aleatórias (com algumas restrições) tende a uma distribuição normal - o significado mais preciso disto é o Teorema do Limite Central.
- A distribuição normal é infinitamente divisível, no seguinte sentido: se X é uma variável aleatória que segue uma distribuição normal e n é um número natural, então existem n variáveis aletórias , independentes e identicamente distribuídas, tal que
Distribuições relacionadas
- é a distribuição de Rayleigh se onde e são duas distribuições normais independentes.
- é a distribuição Chi-quadrado com graus de liberdade se em que para são distribuições normais padrão independentes.
- é a distribuição de Cauchy se para e são duas distribuições normais padrão independentes.
- é a distribuição log-normal se e .
- Relação com Lévy skew alpha-stable distribution: se então .
- Distribuição normal truncada: Se então, truncando para valores entre e temos uma variável aleatória contínua com média , em que , e , sendo a função densidade de probabilidade e a função de probabilidade acumulada de uma distribuição normal padrão.
Simulação
Implementações computacionais do Método de Monte Carlo normalmente precisam simular várias variáveis aleatórias normais. Muitos programas e pacotes não conseguem simular diretamente a normal, mas tem simuladores da distribuição uniforme. Uma forma rápida e prática de gerar normais a partir da uniforme é a transformação de Box-Muller: sejam e valores independentes gerados pela distribuição uniforme entre 0 e 1. Então:
e
são normais padronizadas independentes.
Esta página usa conteúdo da Wikipedia. O artigo original estava em Distribuição_normal. Tal como o Think Finance neste artigo, o texto da Wikipedia está disponível segundo a GNU Free Documentation License. |