Conteúdo do Curso

Fundamentos da Teoria das Probabilidades

1. Conceitos Básicos da Teoria das Probabilidades

Experimento Estocástico e Evento Aleatório Probabilidade e Suas Propriedades Probabilidade Geométrica Desafio: Resolução da Tarefa Utilizando Probabilidade Geométrica Independência e Incompatibilidade de Eventos Aleatórios Probabilidade Condicional

2. Probabilidade de Eventos Complexos

Princípio da Inclusão-Exclusão Desafio: Resolução da Tarefa Utilizando o Princípio da Inclusão-Exclusão A Regra da Multiplicação da Probabilidade Lei da Probabilidade Total Teorema de Bayes Desafio: Resolvendo a Tarefa Usando o Teorema de Bayes

3. Distribuições Discretas Comumente Utilizadas

Distribuição Binomial Desafio: Resolução de Tarefa Utilizando Distribuição Binomial Distribuição Multinomial Distribuição Geométrica Distribuição de Poisson Desafio: Resolução de Tarefa Utilizando Distribuição de Poisson

4. Distribuições Contínuas Comumente Utilizadas

Distribuição Uniforme Contínua Distribuição Exponencial Desafio: Resolução de Tarefa Utilizando Distribuição Exponencial Distribuição Gaussiana Desafio: Resolvendo Tarefa Usando Distribuição Gaussiana

5. Covariância e Correlação

O Que É Covariância?O Que É Correlação?Desafio: Resolvendo a Tarefa Usando Correlação

O Que É Correlação?

Correlação é uma medida estatística que quantifica a relação entre duas variáveis. Ela é determinada como a covariação escalada e, devido a essa escala, podemos determinar a intensidade das dependências além de sua direção.
A correlação varia entre -1 e 1, onde:

Se a correlação é +1, então os valores possuem uma relação linear positiva perfeita. À medida que uma variável aumenta, a outra variável aumenta proporcionalmente;
Se a correlação é -1, então os valores possuem uma relação linear negativa perfeita. À medida que uma variável aumenta, a outra variável diminui proporcionalmente;
Se o coeficiente de correlação está próximo de 0, então não há relação linear entre as variáveis.

Para calcular a correlação, podemos seguir os mesmos passos do cálculo da covariância e usar 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

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 5. Capítulo 2

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo