Contenido del Curso

Fundamentos de la Teoría de la Probabilidad

1. Conceptos Básicos de la Teoría de la Probabilidad

Experimento Estocástico y Suceso Aleatorio Probabilidad y Sus Propiedades Probabilidad Geométrica Desafío: Resolución de la Tarea Utilizando Probabilidad Geométrica Independencia e Incompatibilidad de Sucesos Aleatorios Probabilidad Condicional

2. Probabilidad de Eventos Complejos

Principio de Inclusión-Exclusión Desafío: Resolución de la Tarea Utilizando el Principio de Inclusión-Exclusión La Regla de Multiplicación de la Probabilidad Ley de la Probabilidad Total Teorema de Bayes Desafío: Resolución de la Tarea Utilizando el Teorema de Bayes

3. Distribuciones Discretas Comúnmente Utilizadas

Distribución Binomial Desafío: Resolución de Tareas Utilizando la Distribución Binomial Distribución Multinomial Distribución Geométrica Distribución de Poisson Desafío: Resolución de Tareas Utilizando la Distribución de Poisson

4. Distribuciones Continuas Comúnmente Utilizadas

Distribución Uniforme Continua Distribución Exponencial Desafío: Resolución de Tarea Utilizando la Distribución Exponencial Distribución Gaussiana Desafío: Resolución de Tareas Utilizando la Distribución Gaussiana

5. Covarianza y Correlación

¿Qué es la covarianza?¿Qué es la Correlación?Desafío: Resolución de la Tarea Utilizando Correlación

¿Qué es la Correlación?

Correlación es una medida estadística que cuantifica la relación entre dos variables. Se determina como la covariación escalada y, debido a esta escala, podemos determinar la magnitud de las dependencias además de su dirección.
La correlación varía entre -1 y 1, donde:

Si la correlación es +1, entonces los valores tienen una relación lineal positiva perfecta. A medida que una variable aumenta, la otra variable aumenta proporcionalmente;
Si la correlación es -1, entonces los valores tienen una relación lineal negativa perfecta. A medida que una variable aumenta, la otra variable disminuye proporcionalmente;
Si el coeficiente de correlación está cerca de 0, entonces no existe relación lineal entre las variables.

Para calcular la correlación, se pueden seguir los mismos pasos que para calcular la covarianza y utilizar np.corrcoef(x, y)[0, 1].


              123456789101112131415161718192021222324252627
            
import matplotlib.pyplot as plt
import numpy as np

# Create a figure with three subplots
fig, axes = plt.subplots(1, 3)
fig.set_size_inches(10, 5)

# Positive linear dependence
x = np.random.rand(100) * 10  # Generate random x values
y = x + np.random.randn(100)  # Generate y values with added noise
axes[0].scatter(x, y)  # Scatter plot of x and y
axes[0].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) ))  # Set title with correlation coefficient

# Negative linear dependence
x = np.random.rand(100) * 10  # Generate random x values
y = -x + np.random.randn(100)  # Generate y values with added noise
axes[1].scatter(x, y)  # Scatter plot of x and y
axes[1].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) ))  # Set title with correlation coefficient

# Independent
np.random.seed(0)  # Set random seed for reproducibility
x = np.random.rand(200)  # Generate random x values
y = np.random.rand(200)  # Generate random y values
axes[2].scatter(x, y)  # Scatter plot of x and y
axes[2].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) ))  # Set title with correlation coefficient

plt.show()  # Display the plot

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 5. Capítulo 2

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla