Grundlagen der Wahrscheinlichkeit in Python

Der Münzwurf ist das klassische Beispiel für ein Zufallsexperiment. Die möglichen Ergebnisse sind Kopf oder Zahl. Dieser Typ von Experiment, bekannt als Bernoulli- oder Binomialversuch, erlaubt es uns, Probleme mit zwei möglichen Ausgängen zu untersuchen, etwa „ja“ oder „nein“ sowie „Stimme“ oder „keine Stimme“. Dieses Kapitel führt in Bernoulli-Experimente ein, in Binomialverteilungen zur Modellierung mehrerer Bernoulli-Versuche und in Wahrscheinlichkeits­simulationen mit der Bibliothek scipy.

In diesem Kapitel lernst du, verschiedene Arten von Wahrscheinlichkeiten zu berechnen, zum Beispiel die Wahrscheinlichkeit des Schnitts zweier Ereignisse und die Summe der Wahrscheinlichkeiten zweier Ereignisse, und diese Situationen zu simulieren. Du lernst auch die bedingte Wahrscheinlichkeit kennen und wie man die Regel von Bayes anwendet.

Bisher haben wir mit Binomialverteilungen gearbeitet, aber es gibt viele Wahrscheinlichkeitsverteilungen, die eine Zufallsvariable annehmen kann. In diesem Kapitel stellen wir drei weitere vor, die mit der Binomialverteilung verwandt sind: die Normal-, Poisson- und geometrische Verteilung.

Jetzt, da du Wahrscheinlichkeiten und wichtige Eigenschaften von Wahrscheinlichkeitsverteilungen berechnen kannst, stellen wir zwei zentrale Resultate vor: das Gesetz der großen Zahlen und den zentralen Grenzwertsatz. Dadurch verstehst du besser, wie sich der Stichprobenmittelwert dem Populationsmittelwert annähert, je mehr Daten vorliegen, und wie sich die Summe von Zufallsvariablen unter bestimmten Bedingungen verhält.Außerdem betrachten wir Verbindungen zwischen linearer und logistischer Regression als Anwendungen von Wahrscheinlichkeit und Statistik in der Data Science.