Hajonnan Toteuttaminen Pythonissa
Määrittele aineisto
Tässä määritellään taulukko muuttujaan data, jotta kaikissa laskelmissa käytetään yhtenäistä aineistoa.
import numpy as np
# Create a numpy array of daily sales
data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16])
Laske populaatiotilastot
Tämä funktio ottaa taulukon syötteenä ja palauttaa kaikkien alkioiden keskiarvon, joka kuvaa aineiston keskittymää.
mean_val = np.mean(data) # Mean
variance_val = np.var(data) # Population variance (ddof=0 by default)
std_dev_val = np.std(data) # Population standard deviation
np.mean(data)laskee aritmeettisen keskiarvon;np.var(data)laskee populaatiovarianssin (jakajana n);np.std(data)laskee populaation keskihajonnan (varianssin neliöjuuri).
123456789101112import numpy as np # Create a numpy array of daily sales data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16]) mean_val = np.mean(data) # Mean variance_val = np.var(data) # Population variance (ddof=0 by default) std_dev_val = np.std(data) # Population standard deviation print(f"Mean: {mean_val}") print(f"Variance (Population): {variance_val}") print(f"Standard Deviation (Population): {std_dev_val}")
Laske otostilastot
Saadaksesi harhattomat estimaatit otoksesta, käytä ddof=1.
Tämä soveltaa Besselin korjausta, jolloin varianssi jaetaan $(n-1)$:llä eikä $n$:llä.
sample_variance_val = np.var(data, ddof=1)
sample_std_dev_val = np.std(data, ddof=1)
np.var(data, ddof=1)– otosvarianssi;np.std(data, ddof=1)– otoskeskihajonta.
12345678910import numpy as np # Create a numpy array of daily sales data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16]) sample_variance_val = np.var(data, ddof=1) sample_std_dev_val = np.std(data, ddof=1) print(f"Variance (Sample): {sample_variance_val}") print(f"Standard Deviation (Sample): {sample_std_dev_val}")
Keskihajonta on varianssin neliöjuuri, ja se antaa hajonnan samoissa yksiköissä kuin alkuperäinen data, mikä helpottaa tulkintaa.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain the difference between population and sample statistics again?
Why do we use Bessel's correction (ddof=1) for sample statistics?
How do these statistics help in real business scenarios?
Awesome!
Completion rate improved to 1.96Hajonnan Toteuttaminen Pythonissa
Pyyhkäise näyttääksesi valikon
Määrittele aineisto
Tässä määritellään taulukko muuttujaan data, jotta kaikissa laskelmissa käytetään yhtenäistä aineistoa.
import numpy as np
# Create a numpy array of daily sales
data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16])
Laske populaatiotilastot
Tämä funktio ottaa taulukon syötteenä ja palauttaa kaikkien alkioiden keskiarvon, joka kuvaa aineiston keskittymää.
mean_val = np.mean(data) # Mean
variance_val = np.var(data) # Population variance (ddof=0 by default)
std_dev_val = np.std(data) # Population standard deviation
np.mean(data)laskee aritmeettisen keskiarvon;np.var(data)laskee populaatiovarianssin (jakajana n);np.std(data)laskee populaation keskihajonnan (varianssin neliöjuuri).
123456789101112import numpy as np # Create a numpy array of daily sales data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16]) mean_val = np.mean(data) # Mean variance_val = np.var(data) # Population variance (ddof=0 by default) std_dev_val = np.std(data) # Population standard deviation print(f"Mean: {mean_val}") print(f"Variance (Population): {variance_val}") print(f"Standard Deviation (Population): {std_dev_val}")
Laske otostilastot
Saadaksesi harhattomat estimaatit otoksesta, käytä ddof=1.
Tämä soveltaa Besselin korjausta, jolloin varianssi jaetaan $(n-1)$:llä eikä $n$:llä.
sample_variance_val = np.var(data, ddof=1)
sample_std_dev_val = np.std(data, ddof=1)
np.var(data, ddof=1)– otosvarianssi;np.std(data, ddof=1)– otoskeskihajonta.
12345678910import numpy as np # Create a numpy array of daily sales data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16]) sample_variance_val = np.var(data, ddof=1) sample_std_dev_val = np.std(data, ddof=1) print(f"Variance (Sample): {sample_variance_val}") print(f"Standard Deviation (Sample): {sample_std_dev_val}")
Keskihajonta on varianssin neliöjuuri, ja se antaa hajonnan samoissa yksiköissä kuin alkuperäinen data, mikä helpottaa tulkintaa.
Kiitos palautteestasi!
