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 Binomial

Distribuição discreta descreve o experimento com um número finito de resultados possíveis.

Imagine um experimento estocástico com apenas dois resultados possíveis: sucesso e fracasso.
Um resultado de sucesso para nós ocorre com probabilidade p, respectivamente, e um resultado de fracasso ocorre com probabilidade de 1-p.
Tal experimento é chamado de ensaio de Bernoulli. Uma sequência de vários ensaios de Bernoulli independentes é chamada de processo de Bernoulli.
Suponha que estamos lançando uma moeda e queremos obter coroa. Tal lançamento será um ensaio de Bernoulli. Se lançarmos a moeda 2 ou mais vezes, será o processo de Bernoulli.

Podemos realizar o processo de Bernoulli em Python usando o método .rvs() da classe scipy.stats.bernoulli.
Suponha que temos uma moeda assimétrica na qual as probabilidades de obter cara e coroa são desiguais. Podemos simular 10 lançamentos dessa moeda usando o seguinte código:


              12345678
            
from scipy.stats import bernoulli

# Define the probability of success (getting a head for example)
probability = 0.3

# Generate Bermoulli process
random_samples = bernoulli.rvs(size=10, p=probability)
print(f'Bernoulli process: {random_samples}')

No método .rvs() acima, especificamos os parâmetros size e p. O primeiro parâmetro é utilizado para definir a quantidade de valores a serem gerados e o segundo para definir a probabilidade de sucesso.

A distribuição binomial é uma distribuição de probabilidade discreta que descreve o número de sucessos (k) em um processo de Bernoulli com um número fixo de tentativas (n).

Veja o exemplo a seguir:


              12345678910
            
from scipy.stats import binom

# Parameters
n_samples = 10  # Number of trials
proba = 0.5  # Probability of success

# Calculate the probability that there are k successes
k = 3  # Number of successes
pmf = binom.pmf(k, n=n_samples, p=proba)
print(f'Probability of getting {k} successes: {pmf:.4f}')

Utilizamos o método .pmf() da classe scipy.stats.binom com os parâmetros n (número de tentativas) e p (probabilidade de sucesso) para calcular a probabilidade de obter exatamente 3 (primeiro argumento do método .pmf()) sucessos em 10 tentativas de Bernoulli. Analisaremos o método .pmf() em mais detalhes no curso Probability Theory Mastering.

Nota

É importante compreender a diferença – o ensaio de Bernoulli é um experimento estocástico com certas propriedades, enquanto a distribuição binomial é a regra pela qual podemos calcular as probabilidades de ocorrência de eventos no processo de Bernoulli.

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 3. Capítulo 1

Pergunte à IA

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