Calculando o valor esperado e a variância

Como calcular o valor esperado e a variância de uma distribuição binomial com parâmetros n=10 e p=0.25?

Este exercicio faz parte do curso

Fundamentos de Probabilidade em Python

Ver curso

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Fundamentos de Probabilidade em Python

IntermediárioNível de habilidade

4.8+

201 reviews

Comece o curso gratuitamente

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.

Exercise 1: Vamos jogar uma moeda em Python Exercise 2: Lançando moedas Exercise 3: Usando binom para jogar ainda mais moedas Exercise 4: Funções de massa de probabilidade e de distribuição Exercise 5: Prevendo a probabilidade de defeitos Exercise 6: Prevendo a situação de emprego Exercise 7: Prevendo a taxa de condenação por furto Exercise 8: Valor esperado, média e variância Exercise 9: Calculando o valor esperado e a variância

Exercicio Atual

Exercise 10: Calculando a média amostral Exercise 11: Conferindo o resultado Exercise 12: Calculando a média e a variância de uma amostra

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.

Exercise 1: Calculando probabilidades de dois eventos Exercise 2: Alguma interseção?Exercise 3: Medindo uma amostra Exercise 4: Probabilidades conjuntas Exercise 5: Baralho de cartas Exercise 6: Probabilidades condicionais Exercise 7: Voos atrasados Exercise 8: Tabela de contingência Exercise 9: Mais cartas Exercise 10: Lei da probabilidade total Exercise 11: Motores de Fórmula 1 Exercise 12: Eleitores Exercise 13: Regra de Bayes Exercise 14: Condicionamento Exercise 15: Fábricas e peças Exercise 16: Exame de sangue para gripe suína

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.

Exercise 1: Distribuições normais Exercise 2: Faixa de valores Exercise 3: Plotando distribuições normais Exercise 4: Dentro de três desvios-padrão Exercise 5: Probabilidades na normal Exercise 6: Exemplo de gastos em restaurante Exercise 7: Exemplo de bateria de smartphone Exercise 8: Exemplo de alturas de adultos Exercise 9: Distribuições de Poisson Exercise 10: Exemplo do caixa eletrônico Exercise 11: Exemplo de acidentes em rodovia Exercise 12: Gerando e plotando distribuições de Poisson Exercise 13: Distribuições geométricas Exercise 14: Exemplo de captura de salmões Exercise 15: Exemplo de lance livre Exercise 16: Gerando e plotando distribuições geométricas

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.

Exercise 1: Da média amostral à média populacional Exercise 2: Gerando uma amostra Exercise 3: Calculando a média amostral Exercise 4: Plotando a média amostral Exercise 5: Somando variáveis aleatórias Exercise 6: Médias amostrais Exercise 7: Médias amostrais seguem uma distribuição normal Exercise 8: Somando resultados de dados Exercise 9: Regressão linear Exercise 10: Ajustando um modelo Exercise 11: Prevendo notas de prova Exercise 12: Estudando os resíduos Exercise 13: Regressão logística Exercise 14: Ajustando um modelo logístico Exercise 15: Prevendo se estudantes vão passar Exercise 16: Passando em dois testes Exercise 17: Para concluir