Se você trabalha com ciência de dados, machine learning ou estatística aplicada e ainda sente que as distribuições de probabilidade são um território nebuloso, este livro foi escrito para você — e para quem já tem base sólida e quer ir mais fundo.
Esta obra reúne em mais de 800 páginas o que há de mais completo em teoria e prática probabilística para a ciência de dados moderna. São 53 capítulos densos e 30 apêndices detalhados que levam o leitor dos axiomas de Kolmogorov até os métodos MCMC contemporâneos, passando pelas grandes famílias de distribuições discretas e contínuas, pelos processos estocásticos, pela inferência bayesiana e pelas aplicações em deep learning.
O diferencial desta obra está na sua abordagem em três dimensões simultâneas: teoria matemática com demonstrações completas, implementação em Python com bibliotecas como SciPy, NumPy e Matplotlib, e análise equivalente em R com ggplot2 e fitdistrplus. Cada conceito é apresentado do jeito certo — com rigor e com código pronto para executar.
Entre os tópicos cobertos estão as distribuições discretas fundamentais (Bernoulli, Binomial, Poisson, Geométrica), as distribuições contínuas clássicas (Normal, Exponencial, Gama, Beta, Log-Normal, Weibull, Pareto), a teoria dos valores extremos, as cópulas e modelagem de dependência, os processos estocásticos e séries temporais.
| Número de páginas | 832 |
| Edição | 2 (2026) |
| Idioma | Português |
Tem algo a reclamar sobre este livro? Envie um email para [email protected]
Faça o login deixe o seu comentário sobre o livro.