Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Desafio 1: Probabilidades e Distribuições | Estatísticas
Desafio de Entrevista em Ciência de Dados
course content

Conteúdo do Curso

Desafio de Entrevista em Ciência de Dados

Desafio de Entrevista em Ciência de Dados

1. Python
IntroduçãoDesafio 1: Compreensão de ListaDesafio 2: Manipulação de StringsDesafio 3: Manipulação de DicionárioDesafio 4: Laços AninhadosDesafio 5: ClassesPerguntas Teóricas
2. NumPy
Desafio 1: Criação de ArrayDesafio 2: Manipulação de ArrayDesafio 3: Insights EstatísticosDesafio 4: Tratamento de Valores AusentesDesafio 5: Ordenação de SubarranjoQuestões Teóricas
3. Pandas
Desafio 1: Criação de DataFrameDesafio 2: Agrupamento de DadosDesafio 3: Indexação e MultiIndexaçãoDesafio 4: Alterando DataFrameDesafio 5: Iterando Sobre DadosQuestões Teóricas
4. Matplotlib
Desafio 1: Fundamentos da Construção de GráficosDesafio 2: Outros Tipos de GráficosDesafio 3: SubtramasDesafio 4: Personalizando GráficosDesafio 5: Adicionando Texto aos GráficosQuestões Teóricas
5. Seaborn
Desafio 1: Visualizando DistribuiçõesDesafio 2: Explorando Dados CategóricosDesafio 3: Gráficos RelacionaisDesafio 4: Gráficos de RegressãoDesafio 5: Gráficos de MatrizQuestões Teóricas
6. Estatísticas
Desafio 1: Probabilidades e DistribuiçõesDesafio 2: Teorema de BayesDesafio 3: Teste de HipótesesDesafio 4: Intervalos de ConfiançaDesafio 5: CorrelaçãoQuestões Teóricas
7. Scikit-learn
Desafio 1: Escalonamento de DadosDesafio 2: Criação de Modelo BásicoDesafio 3: PipelinesDesafio 4: Validação CruzadaDesafio 5: Ajuste de HiperparâmetrosQuestões Teóricas

bookDesafio 1: Probabilidades e Distribuições

Na vasta extensão da estatística, dois conceitos fundamentais reinam suprema: probabilidades e distribuições. Esses dois pilares servem como a base sobre a qual grande parte da teoria e aplicação estatística são construídas.

Probabilidade é uma medida de incerteza. Ela quantifica a probabilidade de um evento ou resultado ocorrer, sempre dentro do intervalo de 0 a 1.

Distribuições, por outro lado, fornecem uma visão holística de todos os possíveis resultados de uma variável aleatória e as probabilidades associadas a cada resultado. Elas mapeiam o comportamento dos dados, seja na forma de uma série de lançamentos de moedas, alturas de indivíduos em uma população, ou o tempo que leva para um ônibus chegar. Existem duas categorias principais de distribuições:

  1. Distribuições Discretas: Estas retratam cenários onde o conjunto de possíveis resultados é distinto e finito. Um exemplo é a distribuição Binomial, que poderia representar o número de caras obtidas em um determinado número de lançamentos de moeda.
  2. Distribuições Contínuas: Aqui, os resultados podem assumir qualquer valor dentro de um intervalo dado. A distribuição Normal ou Gaussiana é um exemplo clássico, representando dados que se agrupam em torno de um valor médio ou central.

Aqui está o conjunto de dados que usaremos neste capítulo. Sinta-se à vontade para mergulhar e explorá-lo antes de abordar a tarefa.


              
12345678910111213

            
import matplotlib.pyplot as plt
import seaborn as sns

# Load the dataset
data = sns.load_dataset('tips')

# Sample of data
display(data.head())

# Visualize the distribution of 'total_bill'
sns.displot(data['total_bill'])
plt.title('Distribution of Total Bill')
plt.show()
copy

Tarefa

Utilizando o conjunto de dados tips do Seaborn, você irá:

  1. Extrair as principais métricas estatísticas para a coluna total_bill para entender suas tendências centrais e dispersão.
  2. Utilizar um gráfico Q-Q para visualizar como os dados do total_bill se conformam a uma distribuição normal.
  3. Empregar o teste de Shapiro-Wilk para avaliar estatisticamente a normalidade da distribuição do total_bill.
  4. Determinar a probabilidade de que uma conta selecionada aleatoriamente do conjunto de dados seja mais de $20.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 6. Capítulo 1
toggle bottom row

bookDesafio 1: Probabilidades e Distribuições

Na vasta extensão da estatística, dois conceitos fundamentais reinam suprema: probabilidades e distribuições. Esses dois pilares servem como a base sobre a qual grande parte da teoria e aplicação estatística são construídas.

Probabilidade é uma medida de incerteza. Ela quantifica a probabilidade de um evento ou resultado ocorrer, sempre dentro do intervalo de 0 a 1.

Distribuições, por outro lado, fornecem uma visão holística de todos os possíveis resultados de uma variável aleatória e as probabilidades associadas a cada resultado. Elas mapeiam o comportamento dos dados, seja na forma de uma série de lançamentos de moedas, alturas de indivíduos em uma população, ou o tempo que leva para um ônibus chegar. Existem duas categorias principais de distribuições:

  1. Distribuições Discretas: Estas retratam cenários onde o conjunto de possíveis resultados é distinto e finito. Um exemplo é a distribuição Binomial, que poderia representar o número de caras obtidas em um determinado número de lançamentos de moeda.
  2. Distribuições Contínuas: Aqui, os resultados podem assumir qualquer valor dentro de um intervalo dado. A distribuição Normal ou Gaussiana é um exemplo clássico, representando dados que se agrupam em torno de um valor médio ou central.

Aqui está o conjunto de dados que usaremos neste capítulo. Sinta-se à vontade para mergulhar e explorá-lo antes de abordar a tarefa.


              
12345678910111213

            
import matplotlib.pyplot as plt
import seaborn as sns

# Load the dataset
data = sns.load_dataset('tips')

# Sample of data
display(data.head())

# Visualize the distribution of 'total_bill'
sns.displot(data['total_bill'])
plt.title('Distribution of Total Bill')
plt.show()
copy

Tarefa

Utilizando o conjunto de dados tips do Seaborn, você irá:

  1. Extrair as principais métricas estatísticas para a coluna total_bill para entender suas tendências centrais e dispersão.
  2. Utilizar um gráfico Q-Q para visualizar como os dados do total_bill se conformam a uma distribuição normal.
  3. Empregar o teste de Shapiro-Wilk para avaliar estatisticamente a normalidade da distribuição do total_bill.
  4. Determinar a probabilidade de que uma conta selecionada aleatoriamente do conjunto de dados seja mais de $20.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 6. Capítulo 1
toggle bottom row

bookDesafio 1: Probabilidades e Distribuições

Na vasta extensão da estatística, dois conceitos fundamentais reinam suprema: probabilidades e distribuições. Esses dois pilares servem como a base sobre a qual grande parte da teoria e aplicação estatística são construídas.

Probabilidade é uma medida de incerteza. Ela quantifica a probabilidade de um evento ou resultado ocorrer, sempre dentro do intervalo de 0 a 1.

Distribuições, por outro lado, fornecem uma visão holística de todos os possíveis resultados de uma variável aleatória e as probabilidades associadas a cada resultado. Elas mapeiam o comportamento dos dados, seja na forma de uma série de lançamentos de moedas, alturas de indivíduos em uma população, ou o tempo que leva para um ônibus chegar. Existem duas categorias principais de distribuições:

  1. Distribuições Discretas: Estas retratam cenários onde o conjunto de possíveis resultados é distinto e finito. Um exemplo é a distribuição Binomial, que poderia representar o número de caras obtidas em um determinado número de lançamentos de moeda.
  2. Distribuições Contínuas: Aqui, os resultados podem assumir qualquer valor dentro de um intervalo dado. A distribuição Normal ou Gaussiana é um exemplo clássico, representando dados que se agrupam em torno de um valor médio ou central.

Aqui está o conjunto de dados que usaremos neste capítulo. Sinta-se à vontade para mergulhar e explorá-lo antes de abordar a tarefa.


              
12345678910111213

            
import matplotlib.pyplot as plt
import seaborn as sns

# Load the dataset
data = sns.load_dataset('tips')

# Sample of data
display(data.head())

# Visualize the distribution of 'total_bill'
sns.displot(data['total_bill'])
plt.title('Distribution of Total Bill')
plt.show()
copy

Tarefa

Utilizando o conjunto de dados tips do Seaborn, você irá:

  1. Extrair as principais métricas estatísticas para a coluna total_bill para entender suas tendências centrais e dispersão.
  2. Utilizar um gráfico Q-Q para visualizar como os dados do total_bill se conformam a uma distribuição normal.
  3. Empregar o teste de Shapiro-Wilk para avaliar estatisticamente a normalidade da distribuição do total_bill.
  4. Determinar a probabilidade de que uma conta selecionada aleatoriamente do conjunto de dados seja mais de $20.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Na vasta extensão da estatística, dois conceitos fundamentais reinam suprema: probabilidades e distribuições. Esses dois pilares servem como a base sobre a qual grande parte da teoria e aplicação estatística são construídas.

Probabilidade é uma medida de incerteza. Ela quantifica a probabilidade de um evento ou resultado ocorrer, sempre dentro do intervalo de 0 a 1.

Distribuições, por outro lado, fornecem uma visão holística de todos os possíveis resultados de uma variável aleatória e as probabilidades associadas a cada resultado. Elas mapeiam o comportamento dos dados, seja na forma de uma série de lançamentos de moedas, alturas de indivíduos em uma população, ou o tempo que leva para um ônibus chegar. Existem duas categorias principais de distribuições:

  1. Distribuições Discretas: Estas retratam cenários onde o conjunto de possíveis resultados é distinto e finito. Um exemplo é a distribuição Binomial, que poderia representar o número de caras obtidas em um determinado número de lançamentos de moeda.
  2. Distribuições Contínuas: Aqui, os resultados podem assumir qualquer valor dentro de um intervalo dado. A distribuição Normal ou Gaussiana é um exemplo clássico, representando dados que se agrupam em torno de um valor médio ou central.

Aqui está o conjunto de dados que usaremos neste capítulo. Sinta-se à vontade para mergulhar e explorá-lo antes de abordar a tarefa.


              
12345678910111213

            
import matplotlib.pyplot as plt
import seaborn as sns

# Load the dataset
data = sns.load_dataset('tips')

# Sample of data
display(data.head())

# Visualize the distribution of 'total_bill'
sns.displot(data['total_bill'])
plt.title('Distribution of Total Bill')
plt.show()
copy

Tarefa

Utilizando o conjunto de dados tips do Seaborn, você irá:

  1. Extrair as principais métricas estatísticas para a coluna total_bill para entender suas tendências centrais e dispersão.
  2. Utilizar um gráfico Q-Q para visualizar como os dados do total_bill se conformam a uma distribuição normal.
  3. Empregar o teste de Shapiro-Wilk para avaliar estatisticamente a normalidade da distribuição do total_bill.
  4. Determinar a probabilidade de que uma conta selecionada aleatoriamente do conjunto de dados seja mais de $20.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Seção 6. Capítulo 1
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
some-alt