Conteúdo do Curso

Fundamentos da Teoria das Probabilidades

1. Conceitos Básicos da Teoria das Probabilidades

Experimento Estocástico e Evento Aleatório Probabilidade e Suas Propriedades Probabilidade Geométrica Desafio: Resolução da Tarefa Utilizando Probabilidade Geométrica Independência e Incompatibilidade de Eventos Aleatórios Probabilidade Condicional

2. Probabilidade de Eventos Complexos

Princípio da Inclusão-Exclusão Desafio: Resolução da Tarefa Utilizando o Princípio da Inclusão-Exclusão A Regra da Multiplicação da Probabilidade Lei da Probabilidade Total Teorema de Bayes Desafio: Resolvendo a Tarefa Usando o Teorema de Bayes

3. Distribuições Discretas Comumente Utilizadas

Distribuição Binomial Desafio: Resolução de Tarefa Utilizando Distribuição Binomial Distribuição Multinomial Distribuição Geométrica Distribuição de Poisson Desafio: Resolução de Tarefa Utilizando Distribuição de Poisson

4. Distribuições Contínuas Comumente Utilizadas

Distribuição Uniforme Contínua Distribuição Exponencial Desafio: Resolução de Tarefa Utilizando Distribuição Exponencial Distribuição Gaussiana Desafio: Resolvendo Tarefa Usando Distribuição Gaussiana

5. Covariância e Correlação

O Que É Covariância?O Que É Correlação?Desafio: Resolvendo a Tarefa Usando Correlação

Distribuição Geométrica

A distribuição geométrica é uma distribuição de probabilidade que modela o número de experimentos até obtermos o primeiro resultado de sucesso em uma sequência de ensaios de Bernoulli independentes.

Nota

Admita que distribuição geométrica e probabilidade geométrica são dois conceitos diferentes.
A primeira é a distribuição que descreve o número de ordem do primeiro experimento bem-sucedido no processo de Bernoulli. A segunda é a extensão da regra clássica para determinação de probabilidades para o caso de um número incontável de possíveis resultados de um experimento.

Cada ensaio possui dois possíveis resultados na distribuição geométrica: sucesso (com probabilidade p) ou fracasso (com probabilidade q = 1 - p). A distribuição é caracterizada por um único parâmetro, p, que representa a probabilidade de sucesso em cada ensaio.

Suponha que você acerte o alvo com probabilidade de 0.4. Calcule a probabilidade de que seu quarto disparo seja o primeiro bem-sucedido.


              123456789
            
from scipy.stats import geom

# Probability of success (correct answer)
proba = 0.4

# Calculate probability that 4'th shot will be the first successful
pmf = geom.pmf(4, p=proba)
# Print the results
print(f'Corresponding probability equals {pmf:.4f}')

No código acima, utilizamos o método .pmf() com o parâmetro p (probabilidade de sucesso) para calcular a probabilidade correspondente no ponto 4.

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 3. Capítulo 4

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo