Conteúdo do Curso
Fundamentos da Teoria das Probabilidades
Fundamentos da Teoria das Probabilidades
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:
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}')
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()
).
Obrigado pelo seu feedback!