Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Distribuição Multinomial | Distribuições Discretas Comumente Utilizadas
Fundamentos da Teoria das Probabilidades
course content

Conteúdo do Curso

Fundamentos da Teoria das Probabilidades

Fundamentos da Teoria das Probabilidades

1. Conceitos Básicos da Teoria das Probabilidades
2. Probabilidade de Eventos Complexos
3. Distribuições Discretas Comumente Utilizadas
4. Distribuições Contínuas Comumente Utilizadas
5. Covariância e Correlação

book
Distribuição Multinomial

O esquema multinomial estende o ensaio de Bernoulli para casos com mais de dois resultados. Um esquema multinomial refere-se a uma situação em que há múltiplas categorias ou resultados e o interesse está em estudar as probabilidades de ocorrência de cada resultado. Uma distribuição de probabilidade que modela o número de sucessos em um número fixo de ensaios independentes com múltiplas categorias é chamada de distribuição multinomial.

Exemplo

Uma empresa está realizando uma pesquisa para coletar feedback de seus clientes.
A pesquisa possui três possíveis respostas: "Satisfeito", "Neutro" e "Insatisfeito". A empresa seleciona aleatoriamente 50 clientes e registra suas respostas.
Assuma que cada cliente está satisfeito com probabilidade 0.3, neutro com probabilidade 0.4 e insatisfeito com probabilidade 0.3.
Calcule a probabilidade de haver 25 respostas "Satisfeito", 15 "Neutro" e 10 "Insatisfeito".

Para resolver essa tarefa, utiliza-se a distribuição multinomial:

123456789101112
import numpy as np from scipy.stats import multinomial # Define the probabilities of each response category probabilities = [0.3, 0.4, 0.3] # Satisfied, Neutral, Dissatisfied # Specify the number of responses for which we calculate probability response = [25, 15, 10] # 25 satisfied, 15 neutral, 10 dissatisfied responses out of 50 total responses # Calculate the probability mass function (pmf) using multinomial distribution pmf = multinomial.pmf(response, n=50, p=probabilities) print(f'Probability of {response}: {pmf:.4f}')
copy

No código acima, utilizamos o método .pmf() da classe scipy.stats.multinomial com os parâmetros n (número de tentativas) e p (probabilidades de cada resultado) para calcular a probabilidade de obter uma determinada response (o primeiro argumento do método .pmf()).

question mark

O que é a distribuição multinomial?

Select the correct answer

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 3. Capítulo 3

Pergunte à IA

expand

Pergunte à IA

ChatGPT

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

course content

Conteúdo do Curso

Fundamentos da Teoria das Probabilidades

Fundamentos da Teoria das Probabilidades

1. Conceitos Básicos da Teoria das Probabilidades
2. Probabilidade de Eventos Complexos
3. Distribuições Discretas Comumente Utilizadas
4. Distribuições Contínuas Comumente Utilizadas
5. Covariância e Correlação

book
Distribuição Multinomial

O esquema multinomial estende o ensaio de Bernoulli para casos com mais de dois resultados. Um esquema multinomial refere-se a uma situação em que há múltiplas categorias ou resultados e o interesse está em estudar as probabilidades de ocorrência de cada resultado. Uma distribuição de probabilidade que modela o número de sucessos em um número fixo de ensaios independentes com múltiplas categorias é chamada de distribuição multinomial.

Exemplo

Uma empresa está realizando uma pesquisa para coletar feedback de seus clientes.
A pesquisa possui três possíveis respostas: "Satisfeito", "Neutro" e "Insatisfeito". A empresa seleciona aleatoriamente 50 clientes e registra suas respostas.
Assuma que cada cliente está satisfeito com probabilidade 0.3, neutro com probabilidade 0.4 e insatisfeito com probabilidade 0.3.
Calcule a probabilidade de haver 25 respostas "Satisfeito", 15 "Neutro" e 10 "Insatisfeito".

Para resolver essa tarefa, utiliza-se a distribuição multinomial:

123456789101112
import numpy as np from scipy.stats import multinomial # Define the probabilities of each response category probabilities = [0.3, 0.4, 0.3] # Satisfied, Neutral, Dissatisfied # Specify the number of responses for which we calculate probability response = [25, 15, 10] # 25 satisfied, 15 neutral, 10 dissatisfied responses out of 50 total responses # Calculate the probability mass function (pmf) using multinomial distribution pmf = multinomial.pmf(response, n=50, p=probabilities) print(f'Probability of {response}: {pmf:.4f}')
copy

No código acima, utilizamos o método .pmf() da classe scipy.stats.multinomial com os parâmetros n (número de tentativas) e p (probabilidades de cada resultado) para calcular a probabilidade de obter uma determinada response (o primeiro argumento do método .pmf()).

question mark

O que é a distribuição multinomial?

Select the correct answer

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 3. Capítulo 3
some-alt