Fundamentos de Probabilidade em Python

Lançar uma moeda é o exemplo clássico de experimento aleatório. Os possíveis resultados são cara ou coroa. Esse tipo de experimento, conhecido como ensaio de Bernoulli ou binomial, permite estudar problemas com dois possíveis desfechos, como “sim” ou “não” e “votar” ou “não votar”. Este capítulo apresenta experimentos de Bernoulli, distribuições binomiais para modelar múltiplos ensaios de Bernoulli e simulações de probabilidade com a biblioteca scipy.

Neste capítulo, você vai aprender a calcular vários tipos de probabilidades, como a probabilidade da interseção de dois eventos e a soma das probabilidades de dois eventos, e a simular essas situações. Você também vai aprender sobre probabilidade condicional e como aplicar a regra de Bayes.

Até agora, trabalhamos com distribuições binomiais, mas há muitas distribuições de probabilidade que uma variável aleatória pode assumir. Neste capítulo, vamos apresentar mais três que são relacionadas à distribuição binomial: as distribuições normal, de Poisson e geométrica.

Agora que você sabe calcular probabilidades e propriedades importantes de distribuições de probabilidade, vamos apresentar dois resultados essenciais: a lei dos grandes números e o teorema central do limite. Isso vai ampliar seu entendimento sobre como a média amostral converge para a média populacional à medida que mais dados ficam disponíveis e como a soma de variáveis aleatórias se comporta sob certas condições.Também vamos explorar conexões entre regressões linear e logística como aplicações de probabilidade e estatística em data science.