Distribuição binomial e distribuição normal

O Tether é uma stablecoin (criptomoeda lastrada em um ativo) lançada em 2014 que tem feito muito sucesso no mercado de moedas digitais, por ser atrelada a uma das moedas mais fortes do mercado: o dólar. Sua lógica é baseada na paridade com o dólar, ou seja, para cada 1 tether emitido é necessário haver 1 dólar equivalente em caixa.

Através de sua estabilidade de preço, o Tether se tornou uma das melhores opções para executar transferências entre diferentes sistemas e ser uma ótima ferramenta de intermediação entre o setor financeiro tradicional e o mercado digital. Além disso, a criptomoeda tem sido uma opção muito procurada para facilitar transações entre empresas, e tornar mais acessível a negociação de dólar por varejistas. Através disso, os usuários podem evitar o risco de mercado de outros ativos.

Segundo dados do CoinMarketCap, o USDT possui valor de mercado de US$ 24,806,071,586, ficando somente atrás do ether e do bitcoin.

Litecoin (LTC)

O Litecoin (LTC) foi lançado em 2011 por um ex-engenheiro do Google e da exchange norte-americana Coinbase como uma alternativa ao bitcoin, com o objetivo de atender uma forte demanda por compra de criptomoedas que o bitcoin tinha dificuldades de atender em meados de 2010.

O ativo é usado, principalmente, como reserva de valor, dado suas características não-inflacionárias, e também para conversões e envios rápidos, seguros e baratos.

Uma das maiores diferenças entre o BTC e o LTC é a geração mais frequente dos blocos, dando à rede mais liquidez e menores taxas. Além disso, o algoritmo de criptografia utilizado no litecoin permite uma mineração mais simples em relação ao bitcoin.

Segundo a CoinMarketCap, o LTC possui atualmente um valor de mercado de US$ 8,800,865,673, ficando na 7º posição na lista.

Distribuição normal distribuição de probabilidade Língua Descarregar PDF Vigiar Editar Em probabilidade e estatística, a distribuição normal é uma das distribuições de probabilidade mais utilizadas para modelar fenômenos naturais. Isso se deve ao fato de que um grande número de fenômenos naturais apresenta sua distribuição de probabilidade tão proximamente normal, que a ela pode ser com sucesso referida, e, portanto, com adequado acerto por ela representada como se normal fosse[1]. A distribuição normal é ligada a vários conceitos matemáticos como movimento browniano,[2] ruído branco,[3] entre outros. A distribuição normal também é chamada distribuição gaussiana, distribuição de Gauss ou distribuição de Laplace–Gauss, em referência aos matemáticos, físicos e astrônomos francês Pierre–Simon Laplace (1749 – 1827) e alemão Carl Friedrich Gauss (1777 – 1855).[4]

Em termos mais formais, a distribuição normal é uma distribuição de probabilidade absolutamente contínua parametrizada pela sua esperança matemática (número real {\displaystyle \mu }\mu ) e desvio padrão (número real positivo {\displaystyle \sigma }\sigma). A densidade de probabilidade da distribuição normal é denotada como

{\displaystyle f(x)={\frac {1}{\sigma {\sqrt {2\pi }}}}\;\;\mathrm {e} ^{-{\frac {1}{2}}\left({\frac {x-\mu }{\sigma }}\right)^{2}}}{\displaystyle f(x)={\frac {1}{\sigma {\sqrt {2\pi }}}}\;\;\mathrm {e} ^{-{\frac {1}{2}}\left({\frac {x-\mu }{\sigma }}\right)^{2}}}. A distribuição normal com média nula e desvio padrão unitário é chamada de distribuição normal centrada e reduzida ou de distribuição normal padrão. Quando uma variável aleatória {\displaystyle X}X segue uma distribuição normal, ela é chamada de gaussiana ou de normal. Comumente é usada a notação com a variância {\displaystyle \sigma ^{2}}\sigma ^{2} quando {\displaystyle X\sim {N}(\mu ,\sigma ^{2}).}{\displaystyle X\sim {N}(\mu ,\sigma ^{2}).} A curva de densidade é chamada de curva de Gauss ou de curva em forma de sino.[5]

O papel central da distribuição normal decorre do fato de ser o limite de um grande número de distribuições de probabilidade como mostra o teorema central do limite, o qual permite estudar probabilisticamente a média das variáveis independentes de uma amostra aleatória simples de tamanho grande {\displaystyle n}n.[6] A distribuição normal corresponde ao comportamento do efeito agregado de experiências aleatórias independentes e semelhantes em certas circunstâncias quando o número de experiências é muito alto.[7] Com esta propriedade, a distribuição normal pode aproximar–se da distribuição de efeito agregado de outras distribuições e modelar vários estudos científicos como erros de medição ou testes estatísticos com as tabelas de distribuição normal.[8]