Contenu du cours

Les Bases de la Théorie des Probabilités

1. Concepts de Base de la Théorie des Probabilités

Expérience Stochastique et Événement Aléatoire Probabilité et Ses Propriétés Probabilité Géométrique Défi : Résoudre la Tâche en Utilisant la Probabilité Géométrique Indépendance et Incompatibilité des Événements Aléatoires Probabilité Conditionnelle

2. Probabilité des Événements Complexes

Principe d'Inclusion-Exclusion Défi : Résoudre la Tâche en Utilisant le Principe d'Inclusion-Exclusion La Règle de Multiplication des Probabilités Loi de la Probabilité Totale Théorème de Bayes Défi : Résoudre la Tâche en Utilisant le Théorème de Bayes

3. Distributions Discrètes Couramment Utilisées

Distribution Binomiale Défi : Résoudre une Tâche en Utilisant la Distribution Binomiale Distribution Multinomiale Distribution Géométrique Distribution de Poisson Défi : Résoudre une Tâche en Utilisant la Distribution de Poisson

4. Distributions Continues Couramment Utilisées

Distribution Uniforme Continue Distribution Exponentielle Défi : Résoudre une Tâche en Utilisant la Distribution Exponentielle Distribution Gaussienne Défi : Résoudre une Tâche en Utilisant la Distribution Gaussienne

5. Covariance et Corrélation

Qu'est-ce Que la Covariance ?Qu'est-ce Que la Corrélation ?Défi : Résoudre la Tâche en Utilisant la Corrélation

Qu'est-ce Que la Corrélation ?

Corrélation est une mesure statistique qui quantifie la relation entre deux variables. Elle est déterminée comme la covariation échelonnée et, grâce à cette échelle, nous pouvons déterminer la mesure des dépendances en plus de leur direction.
La corrélation varie entre -1 et 1, où:

Si la corrélation est +1, alors les valeurs présentent une relation linéaire positive parfaite. Lorsqu'une variable augmente, l'autre augmente proportionnellement;
Si la corrélation est -1, alors les valeurs présentent une relation linéaire négative parfaite. Lorsqu'une variable augmente, l'autre diminue proportionnellement;
Si le coefficient de corrélation est proche de 0, alors il n'y a aucune relation linéaire entre les variables.

Pour calculer la corrélation, nous pouvons suivre les mêmes étapes que pour calculer la covariance et utiliser 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

Tout était clair ?

Merci pour vos commentaires !

Section 5. Chapitre 2