Uma distribui\u00e7\u00e3o de probabilidade<\/strong> \u00e9 uma fun\u00e7\u00e3o que define a probabilidade de ocorr\u00eancia de cada valor de uma vari\u00e1vel aleat\u00f3ria<\/a> . Simplificando, uma distribui\u00e7\u00e3o de probabilidade \u00e9 uma fun\u00e7\u00e3o matem\u00e1tica que descreve as probabilidades de todos os resultados poss\u00edveis de um experimento aleat\u00f3rio.<\/p>\n Por exemplo, deixe<\/p>\n Portanto, as distribui\u00e7\u00f5es de probabilidade s\u00e3o frequentemente utilizadas na teoria das probabilidades e na estat\u00edstica, pois s\u00e3o utilizadas para calcular as probabilidades de diferentes eventos em um espa\u00e7o amostral<\/a> . <\/p>\n As distribui\u00e7\u00f5es de probabilidade podem ser divididas em dois grandes tipos: distribui\u00e7\u00f5es discretas e distribui\u00e7\u00f5es cont\u00ednuas.<\/p>\n Uma distribui\u00e7\u00e3o de probabilidade discreta<\/strong> \u00e9 a distribui\u00e7\u00e3o que define as probabilidades de uma vari\u00e1vel aleat\u00f3ria discreta. Portanto, uma distribui\u00e7\u00e3o de probabilidade discreta s\u00f3 pode assumir um n\u00famero finito de valores (geralmente valores inteiros). <\/p>\n Distribui\u00e7\u00e3o uniforme discreta<\/strong> \u00e9 uma distribui\u00e7\u00e3o de probabilidade discreta em que todos os valores s\u00e3o equiprov\u00e1veis, ou seja, em uma distribui\u00e7\u00e3o uniforme discreta, todos os valores t\u00eam a mesma probabilidade de ocorrer.<\/p>\n Por exemplo, o lan\u00e7amento de um dado pode ser definido com uma distribui\u00e7\u00e3o discreta e uniforme, uma vez que todos os resultados poss\u00edveis (1, 2, 3, 4, 5 ou 6) t\u00eam a mesma probabilidade de ocorr\u00eancia.<\/p>\n Em geral, uma distribui\u00e7\u00e3o discreta uniforme possui dois par\u00e2metros caracter\u00edsticos, a<\/em> e b<\/em> , que definem a faixa de valores poss\u00edveis que a distribui\u00e7\u00e3o pode assumir. Assim, quando uma vari\u00e1vel \u00e9 definida por uma distribui\u00e7\u00e3o uniforme discreta, ela \u00e9 escrita Uniform(a,b)<\/em> .<\/p>\n<\/p>\n A distribui\u00e7\u00e3o uniforme discreta pode ser usada para descrever experimentos aleat\u00f3rios porque se todos os resultados tiverem a mesma probabilidade, isso significa que o experimento \u00e9 aleat\u00f3rio. <\/p>\n A distribui\u00e7\u00e3o de Bernoulli<\/strong> , tamb\u00e9m conhecida como distribui\u00e7\u00e3o dicot\u00f4mica<\/strong> , \u00e9 uma distribui\u00e7\u00e3o de probabilidade que representa uma vari\u00e1vel discreta que s\u00f3 pode ter dois resultados: \u201csucesso\u201d ou \u201cfracasso\u201d.<\/p>\n Na distribui\u00e7\u00e3o de Bernoulli, \u201csucesso\u201d \u00e9 o resultado que esperamos e tem o valor 1, enquanto o resultado de \u201cfracasso\u201d \u00e9 um resultado diferente do esperado e tem o valor 0. Portanto, se a probabilidade do resultado de \u201c sucesso\u201d \u00e9 p<\/em> , a probabilidade do resultado de \u201cfracasso\u201d \u00e9 q=1-p<\/em> .<\/p>\n<\/p>\n A distribui\u00e7\u00e3o de Bernoulli recebeu o nome do estat\u00edstico su\u00ed\u00e7o Jacob Bernoulli.<\/p>\n Em estat\u00edstica, a distribui\u00e7\u00e3o de Bernoulli tem principalmente uma aplica\u00e7\u00e3o: definir as probabilidades de experi\u00eancias nas quais existem apenas dois resultados poss\u00edveis: sucesso e fracasso. Portanto, um experimento que usa a distribui\u00e7\u00e3o de Bernoulli \u00e9 chamado de teste de Bernoulli ou experimento de Bernoulli. <\/p>\n A distribui\u00e7\u00e3o binomial<\/strong> , tamb\u00e9m chamada de distribui\u00e7\u00e3o binomial<\/strong> , \u00e9 uma distribui\u00e7\u00e3o de probabilidade que conta o n\u00famero de sucessos ao realizar uma s\u00e9rie de experimentos independentes e dicot\u00f4micos com probabilidade constante de sucesso. Em outras palavras, a distribui\u00e7\u00e3o binomial \u00e9 uma distribui\u00e7\u00e3o que descreve o n\u00famero de resultados bem-sucedidos de uma sequ\u00eancia de tentativas de Bernoulli.<\/p>\n Por exemplo, o n\u00famero de vezes que “cara” aparece ao lan\u00e7ar uma moeda 25 vezes \u00e9 uma distribui\u00e7\u00e3o binomial.<\/p>\n Em geral, o n\u00famero total de experimentos realizados \u00e9 definido com o par\u00e2metro n<\/em> , enquanto p<\/em> \u00e9 a probabilidade de sucesso de cada experimento. Assim, uma vari\u00e1vel aleat\u00f3ria que segue uma distribui\u00e7\u00e3o binomial \u00e9 escrita da seguinte forma:<\/p>\n<\/p>\n Observe que em uma distribui\u00e7\u00e3o binomial, exatamente o mesmo experimento \u00e9 repetido n<\/em> vezes e os experimentos s\u00e3o independentes um do outro, portanto a probabilidade de sucesso de cada experimento \u00e9 a mesma (p)<\/em> . <\/p>\n A distribui\u00e7\u00e3o de Poisson<\/strong> \u00e9 uma distribui\u00e7\u00e3o de probabilidade que define a probabilidade de um determinado n\u00famero de eventos ocorrer durante um per\u00edodo de tempo. Em outras palavras, a distribui\u00e7\u00e3o de Poisson \u00e9 usada para modelar vari\u00e1veis aleat\u00f3rias que descrevem o n\u00famero de vezes que um fen\u00f4meno se repete em um intervalo de tempo.<\/p>\n Por exemplo, o n\u00famero de chamadas que uma central telef\u00f4nica recebe por minuto \u00e9 uma vari\u00e1vel aleat\u00f3ria discreta que pode ser definida usando a distribui\u00e7\u00e3o de Poisson.<\/p>\n A distribui\u00e7\u00e3o de Poisson possui um par\u00e2metro caracter\u00edstico, representado pela letra grega \u03bb e indica o n\u00famero de vezes que se espera que o evento estudado ocorra durante um determinado intervalo. <\/p>\n<\/p>\n A distribui\u00e7\u00e3o multinomial<\/strong> (ou distribui\u00e7\u00e3o multinomial<\/strong> ) \u00e9 uma distribui\u00e7\u00e3o de probabilidade que descreve a probabilidade de v\u00e1rios eventos mutuamente exclusivos ocorrerem um determinado n\u00famero de vezes ap\u00f3s v\u00e1rias tentativas.<\/p>\n Ou seja, se um experimento aleat\u00f3rio pode resultar em tr\u00eas ou mais eventos exclusivos e a probabilidade de cada evento ocorrer separadamente \u00e9 conhecida, a distribui\u00e7\u00e3o multinomial \u00e9 usada para calcular a probabilidade de que, quando v\u00e1rios experimentos s\u00e3o realizados, um certo n\u00famero de eventos ocorra. vez, todas as vezes.<\/p>\n A distribui\u00e7\u00e3o multinomial \u00e9, portanto, uma generaliza\u00e7\u00e3o da distribui\u00e7\u00e3o binomial. <\/p>\n A distribui\u00e7\u00e3o geom\u00e9trica<\/strong> \u00e9 uma distribui\u00e7\u00e3o de probabilidade que define o n\u00famero de tentativas de Bernoulli necess\u00e1rias para obter o primeiro resultado bem-sucedido. Ou seja, uma distribui\u00e7\u00e3o geom\u00e9trica modela processos nos quais os experimentos de Bernoulli s\u00e3o repetidos at\u00e9 que um deles obtenha resultado positivo.<\/p>\n Por exemplo, o n\u00famero de carros que passam em uma rodovia at\u00e9 verem um carro amarelo \u00e9 uma distribui\u00e7\u00e3o geom\u00e9trica.<\/p>\n Lembre-se de que um teste de Bernoulli \u00e9 um experimento que tem dois resultados poss\u00edveis: \u201csucesso\u201d e \u201cfracasso\u201d. Portanto, se a probabilidade de \u201csucesso\u201d for p<\/em> , a probabilidade de \u201cfracasso\u201d \u00e9 q=1-p<\/em> .<\/p>\n A distribui\u00e7\u00e3o geom\u00e9trica depende portanto do par\u00e2metro p<\/em> , que \u00e9 a probabilidade de sucesso de todos os experimentos realizados. Al\u00e9m disso, a probabilidade p<\/em> \u00e9 a mesma para todos os experimentos. <\/p>\n<\/p>\n A distribui\u00e7\u00e3o binomial negativa<\/strong> \u00e9 uma distribui\u00e7\u00e3o de probabilidade que descreve o n\u00famero de tentativas de Bernoulli necess\u00e1rias para obter um determinado n\u00famero de resultados positivos.<\/p>\n Portanto, uma distribui\u00e7\u00e3o binomial negativa tem dois par\u00e2metros caracter\u00edsticos: r<\/em> \u00e9 o n\u00famero de resultados desejados e p<\/em> \u00e9 a probabilidade de sucesso para cada experimento de Bernoulli realizado.<\/p>\n<\/p>\n Assim, uma distribui\u00e7\u00e3o binomial negativa define um processo no qual s\u00e3o realizadas quantas tentativas de Bernoulli forem necess\u00e1rias para obter resultados<\/em> positivos. Al\u00e9m disso, todos estes ensaios de Bernoulli s\u00e3o independentes e t\u00eam uma probabilidade constante de sucesso<\/em> .<\/p>\n Por exemplo, uma vari\u00e1vel aleat\u00f3ria que segue uma distribui\u00e7\u00e3o binomial negativa \u00e9 o n\u00famero de vezes que um dado deve ser lan\u00e7ado at\u00e9 que o n\u00famero 6 seja lan\u00e7ado tr\u00eas vezes. <\/p>\n A distribui\u00e7\u00e3o hipergeom\u00e9trica<\/strong> \u00e9 uma distribui\u00e7\u00e3o de probabilidade que descreve o n\u00famero de casos de sucesso em uma extra\u00e7\u00e3o aleat\u00f3ria sem substitui\u00e7\u00e3o de n<\/em> elementos de uma popula\u00e7\u00e3o.<\/p>\n Ou seja, a distribui\u00e7\u00e3o hipergeom\u00e9trica \u00e9 utilizada para calcular a probabilidade de obter x<\/em> sucessos ao extrair n<\/em> elementos de uma popula\u00e7\u00e3o sem substituir nenhum deles.<\/p>\n Portanto, a distribui\u00e7\u00e3o hipergeom\u00e9trica possui tr\u00eas par\u00e2metros:<\/p>\n Uma distribui\u00e7\u00e3o de probabilidade cont\u00ednua<\/strong> \u00e9 aquela que pode assumir qualquer valor em um intervalo, incluindo valores decimais. Portanto, uma distribui\u00e7\u00e3o de probabilidade cont\u00ednua define as probabilidades de uma vari\u00e1vel aleat\u00f3ria cont\u00ednua. <\/p>\n A distribui\u00e7\u00e3o uniforme cont\u00ednua<\/strong> , tamb\u00e9m chamada de distribui\u00e7\u00e3o retangular<\/strong> , \u00e9 um tipo de distribui\u00e7\u00e3o de probabilidade cont\u00ednua em que todos os valores t\u00eam a mesma probabilidade de aparecer. Em outras palavras, a distribui\u00e7\u00e3o uniforme cont\u00ednua \u00e9 uma distribui\u00e7\u00e3o em que a probabilidade \u00e9 distribu\u00edda uniformemente ao longo de um intervalo.<\/p>\n A distribui\u00e7\u00e3o uniforme cont\u00ednua \u00e9 usada para descrever vari\u00e1veis cont\u00ednuas que t\u00eam probabilidade constante. Da mesma forma, a distribui\u00e7\u00e3o uniforme cont\u00ednua \u00e9 usada para definir processos aleat\u00f3rios, porque se todos os resultados tiverem a mesma probabilidade, significa que h\u00e1 aleatoriedade no resultado.<\/p>\n A distribui\u00e7\u00e3o uniforme cont\u00ednua possui dois par\u00e2metros caracter\u00edsticos, aeb<\/em> , que definem o intervalo de<\/em> equiprobabilidade. Assim, o s\u00edmbolo para a distribui\u00e7\u00e3o uniforme cont\u00ednua \u00e9 U(a,b)<\/em> , onde a<\/em> e b<\/em> s\u00e3o os valores caracter\u00edsticos da distribui\u00e7\u00e3o.<\/p>\n<\/p>\n Por exemplo, se o resultado de um experimento aleat\u00f3rio pode assumir qualquer valor entre 5 e 9 e todos os resultados poss\u00edveis t\u00eam a mesma probabilidade de ocorrer, o experimento pode ser simulado com uma distribui\u00e7\u00e3o uniforme cont\u00ednua U(5.9). <\/p>\n A distribui\u00e7\u00e3o normal<\/strong> \u00e9 uma distribui\u00e7\u00e3o de probabilidade cont\u00ednua cujo gr\u00e1fico tem forma de sino e \u00e9 sim\u00e9trico em rela\u00e7\u00e3o \u00e0 sua m\u00e9dia. Nas estat\u00edsticas, a distribui\u00e7\u00e3o normal \u00e9 utilizada para modelar fen\u00f4menos com caracter\u00edsticas muito diferentes, por isso essa distribui\u00e7\u00e3o \u00e9 t\u00e3o importante.<\/p>\n Na verdade, em estat\u00edstica, a distribui\u00e7\u00e3o normal \u00e9 considerada de longe a distribui\u00e7\u00e3o mais importante de todas as distribui\u00e7\u00f5es de probabilidade, porque n\u00e3o s\u00f3 pode modelar um grande n\u00famero de fen\u00f3menos do mundo real, mas a distribui\u00e7\u00e3o normal tamb\u00e9m pode ser usada para aproximar outros tipos de fen\u00f3menos. distribui\u00e7\u00f5es. sob certas condi\u00e7\u00f5es.<\/p>\n O s\u00edmbolo da distribui\u00e7\u00e3o normal \u00e9 a letra N mai\u00fascula. Assim, para indicar que uma vari\u00e1vel segue uma distribui\u00e7\u00e3o normal, ela \u00e9 indicada pela letra N e os valores de sua m\u00e9dia aritm\u00e9tica e desvio padr\u00e3o s\u00e3o somados entre par\u00eanteses.<\/p>\n<\/p>\n A distribui\u00e7\u00e3o normal tem muitos nomes diferentes, incluindo distribui\u00e7\u00e3o Gaussiana<\/strong> , distribui\u00e7\u00e3o Gaussiana<\/strong> e distribui\u00e7\u00e3o Laplace-Gauss<\/strong> . <\/p>\n A distribui\u00e7\u00e3o lognormal<\/strong> , ou distribui\u00e7\u00e3o lognormal<\/strong> , \u00e9 uma distribui\u00e7\u00e3o de probabilidade que define uma vari\u00e1vel aleat\u00f3ria cujo logaritmo segue uma distribui\u00e7\u00e3o normal.<\/p>\n Portanto, se a vari\u00e1vel X tem distribui\u00e7\u00e3o normal, ent\u00e3o a fun\u00e7\u00e3o exponencial e x<\/sup> tem distribui\u00e7\u00e3o lognormal.<\/p>\n<\/p>\n Observe que a distribui\u00e7\u00e3o lognormal s\u00f3 pode ser utilizada quando os valores da vari\u00e1vel s\u00e3o positivos, pois o logaritmo \u00e9 uma fun\u00e7\u00e3o que aceita apenas um argumento positivo.<\/p>\n Entre as diferentes aplica\u00e7\u00f5es da distribui\u00e7\u00e3o lognormal em estat\u00edstica, destacamos a utiliza\u00e7\u00e3o desta distribui\u00e7\u00e3o para analisar investimentos financeiros e realizar an\u00e1lises de confiabilidade.<\/p>\n A distribui\u00e7\u00e3o lognormal tamb\u00e9m \u00e9 conhecida como distribui\u00e7\u00e3o Tinaut<\/strong> , \u00e0s vezes tamb\u00e9m escrita como distribui\u00e7\u00e3o lognormal<\/strong> ou distribui\u00e7\u00e3o log-normal<\/strong> . <\/p>\n A distribui\u00e7\u00e3o Qui-quadrado<\/strong> \u00e9 uma distribui\u00e7\u00e3o de probabilidade cujo s\u00edmbolo \u00e9 \u03c7\u00b2. Mais precisamente, a distribui\u00e7\u00e3o qui-quadrado \u00e9 a soma do quadrado de k<\/em> vari\u00e1veis aleat\u00f3rias independentes com distribui\u00e7\u00e3o normal.<\/p>\n Assim, a distribui\u00e7\u00e3o Qui-quadrado possui k<\/em> graus de liberdade. Portanto, uma distribui\u00e7\u00e3o Qui-quadrado tem tantos graus de liberdade quanto a soma dos quadrados das vari\u00e1veis normalmente distribu\u00eddas que ela representa.<\/p>\n<\/p>\n A distribui\u00e7\u00e3o qui-quadrado tamb\u00e9m \u00e9 conhecida como distribui\u00e7\u00e3o de Pearson<\/strong> .<\/p>\n A distribui\u00e7\u00e3o qui-quadrado \u00e9 amplamente utilizada em infer\u00eancia estat\u00edstica, por exemplo, em testes de hip\u00f3teses e intervalos de confian\u00e7a. Veremos a seguir quais s\u00e3o as aplica\u00e7\u00f5es desse tipo de distribui\u00e7\u00e3o de probabilidade. <\/p>\n A distribui\u00e7\u00e3o t de Student<\/strong> \u00e9 uma distribui\u00e7\u00e3o de probabilidade amplamente utilizada em estat\u00edstica. Especificamente, a distribui\u00e7\u00e3o t de Student \u00e9 utilizada no teste t de Student para determinar a diferen\u00e7a entre as m\u00e9dias de duas amostras e estabelecer intervalos de confian\u00e7a.<\/p>\n A distribui\u00e7\u00e3o t de Student foi desenvolvida pelo estat\u00edstico William Sealy Gosset em 1908 sob o pseud\u00f4nimo de “Student”.<\/p>\n A distribui\u00e7\u00e3o t de Student \u00e9 definida pelo seu n\u00famero de graus de liberdade, obtido subtraindo uma unidade do n\u00famero total de observa\u00e7\u00f5es. Portanto, a f\u00f3rmula para determinar os graus de liberdade de uma distribui\u00e7\u00e3o t de Student \u00e9 \u03bd=n-1<\/em> . <\/p>\n<\/p>\n A distribui\u00e7\u00e3o F de Snedecor<\/strong> , tamb\u00e9m chamada de distribui\u00e7\u00e3o F de Fisher-Snedecor<\/strong> ou simplesmente distribui\u00e7\u00e3o F<\/strong> , \u00e9 uma distribui\u00e7\u00e3o de probabilidade cont\u00ednua usada em infer\u00eancia estat\u00edstica, particularmente em an\u00e1lise de vari\u00e2ncia.<\/p>\n Uma das propriedades da distribui\u00e7\u00e3o Snedecor F \u00e9 que ela \u00e9 definida pelo valor de dois par\u00e2metros reais, m<\/em> e n<\/em> , que indicam seus graus de liberdade. Assim, o s\u00edmbolo para a distribui\u00e7\u00e3o Snedecor F \u00e9 F m,n<\/sub><\/em> , onde m<\/em> e n<\/em> s\u00e3o os par\u00e2metros que definem a distribui\u00e7\u00e3o.<\/p>\n<\/p>\n Matematicamente, a distribui\u00e7\u00e3o Snedecor F \u00e9 igual ao quociente entre uma distribui\u00e7\u00e3o qui-quadrado e seus graus de liberdade dividido pelo quociente entre outra distribui\u00e7\u00e3o qui-quadrado e seus graus de liberdade. Assim, a f\u00f3rmula que define a distribui\u00e7\u00e3o Snedecor F \u00e9 a seguinte:<\/p>\n<\/p>\n A distribui\u00e7\u00e3o Fisher-Snedecor F deve seu nome ao estat\u00edstico ingl\u00eas Ronald Fisher e ao estat\u00edstico americano George Snedecor.<\/p>\n Em estat\u00edstica, a distribui\u00e7\u00e3o Fisher-Snedecor F tem diferentes aplica\u00e7\u00f5es. Por exemplo, a distribui\u00e7\u00e3o Fisher-Snedecor F \u00e9 usada para comparar diferentes modelos de regress\u00e3o linear, e esta distribui\u00e7\u00e3o de probabilidade \u00e9 usada na an\u00e1lise de vari\u00e2ncia (ANOVA). <\/p>\n A distribui\u00e7\u00e3o exponencial<\/strong> \u00e9 uma distribui\u00e7\u00e3o de probabilidade cont\u00ednua usada para modelar o tempo de espera para a ocorr\u00eancia de um fen\u00f4meno aleat\u00f3rio.<\/p>\n Mais precisamente, a distribui\u00e7\u00e3o exponencial permite descrever o tempo de espera entre dois fen\u00f3menos que segue uma distribui\u00e7\u00e3o de Poisson. Portanto, a distribui\u00e7\u00e3o exponencial est\u00e1 intimamente relacionada com a distribui\u00e7\u00e3o de Poisson.<\/p>\n A distribui\u00e7\u00e3o exponencial possui um par\u00e2metro caracter\u00edstico, representado pela letra grega \u03bb e indica o n\u00famero de vezes que se espera que o evento estudado ocorra durante um determinado per\u00edodo de tempo.<\/p>\n<\/p>\n Da mesma forma, a distribui\u00e7\u00e3o exponencial tamb\u00e9m \u00e9 usada para modelar o tempo at\u00e9 que ocorra uma falha. A distribui\u00e7\u00e3o exponencial, portanto, tem diversas aplica\u00e7\u00f5es na teoria da confiabilidade e da sobreviv\u00eancia. <\/p>\n<\/span> Tipos de distribui\u00e7\u00f5es de probabilidade<\/span><\/h2>\n
\n
<\/span> Distribui\u00e7\u00f5es de probabilidade discretas<\/span><\/h3>\n
<\/span> Distribui\u00e7\u00e3o uniforme discreta<\/span><\/h4>\n
![\"X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-9977cf21c766a3d0ee2d79c8210dc598_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> Distribui\u00e7\u00e3o Bernoulli<\/span><\/h4>\n
![\"\\begin{array}{c}X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-384fd7d96d4d6584739b04a6e331b251_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> Distribui\u00e7\u00e3o binomial<\/span><\/h4>\n
![\"X\\sim\\text{Bin}(n,p)\"](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-2f2b2be5bfe6c63bd13c552f4c893f59_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span>Distribui\u00e7\u00e3o de peixes<\/span><\/h4>\n
![\"X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-be6e10a2b0137ec81fc7d366f237d1b2_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> distribui\u00e7\u00e3o multinomial<\/span><\/h4>\n
<\/span>distribui\u00e7\u00e3o geom\u00e9trica<\/span><\/h4>\n
![\"X\\sim\\text{Geom\\'etrica}(p)\"](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-22fef9b6ab8e3b351598caf9925c2b3f_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> distribui\u00e7\u00e3o binomial negativa<\/span><\/h4>\n
![\"X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-171122de529a1c006bc46e8d89176016_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> distribui\u00e7\u00e3o hipergeom\u00e9trica<\/span><\/h4>\n
\n
![\"X](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-bd43d7c14739c66e63b224abf6cc20b3_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> Distribui\u00e7\u00f5es de probabilidade cont\u00ednuas<\/span><\/h3>\n
<\/span> distribui\u00e7\u00e3o uniforme e cont\u00ednua<\/span><\/h4>\n
![\"X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-339036da3788f71282d3936dd092730c_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span>Distribui\u00e7\u00e3o normal<\/span><\/h4>\n
![\"X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-9e682e473c45274794b6fece4d7683f0_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> Distribui\u00e7\u00e3o lognormal<\/span><\/h4>\n
![\"X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-216d8f120f09a37cd8f797bb3b115a40_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> Distribui\u00e7\u00e3o qui-quadrado<\/span><\/h4>\n
![\"\\displaystyle](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-9ea0bf7a87071883ceae5e419bae9e71_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> Distribui\u00e7\u00e3o t de estudante<\/span><\/h4>\n
![\"\\begin{array}{c}\\nu=n-1\\\\[2ex]X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-1c805dc2d6ca050feb70dad99de53402_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> Snedecor F Distribui\u00e7\u00e3o<\/span><\/h4>\n
![\"F_{m,n}\\qquad](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-b6126a79c671267450b6523ca16b4a92_l3.png\")
0″ title=”Rendered by QuickLaTeX.com” height=”18″ width=”139″ style=”vertical-align: -6px;”><\/p>\n<\/p>\n![\"\\left.\\begin{array}{c}](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-d407869e61ca4357ffbcb40df3bd83ab_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n<\/span> distribui\u00e7\u00e3o exponencial<\/span><\/h4>\n
![\"X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-05fa833356caeb193384f780ae4edac1_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n
![\"\\begin{array}{c}X\\sim](\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-ee1d0d8a1624a017b8ef9ce8a67c694e_l3.png\" "\\"Rendered")
<\/p>\n<\/p>\n