Implementazione della Dispersione in Python
Definizione del Dataset
In questo esempio, assegniamo un array alla variabile data per garantire un dataset coerente su cui effettuare tutti i calcoli.
import numpy as np
# Create a numpy array of daily sales
data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16])
Calcolo delle Statistiche della Popolazione
Questa funzione prende l'array come input e restituisce il valore medio di tutti gli elementi, che riassume la tendenza centrale del dataset.
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)calcola la media aritmetica;np.var(data)calcola la varianza della popolazione (divide per n);np.std(data)calcola la deviazione standard della popolazione (radice quadrata della varianza).
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}")
Calcolare le Statistiche Campionarie
Per ottenere stime non distorte da un campione, si utilizza ddof=1.
Questo applica la correzione di Bessel, dividendo la varianza per $(n-1)$ invece che per $n$.
sample_variance_val = np.var(data, ddof=1)
sample_std_dev_val = np.std(data, ddof=1)
np.var(data, ddof=1)- varianza campionaria;np.std(data, ddof=1)- deviazione standard campionaria.
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}")
La deviazione standard è la radice quadrata della varianza e fornisce una misura della dispersione negli stessi unità dei dati originali, rendendola più facile da interpretare.
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Awesome!
Completion rate improved to 1.96Implementazione della Dispersione in Python
Scorri per mostrare il menu
Definizione del Dataset
In questo esempio, assegniamo un array alla variabile data per garantire un dataset coerente su cui effettuare tutti i calcoli.
import numpy as np
# Create a numpy array of daily sales
data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16])
Calcolo delle Statistiche della Popolazione
Questa funzione prende l'array come input e restituisce il valore medio di tutti gli elementi, che riassume la tendenza centrale del dataset.
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)calcola la media aritmetica;np.var(data)calcola la varianza della popolazione (divide per n);np.std(data)calcola la deviazione standard della popolazione (radice quadrata della varianza).
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}")
Calcolare le Statistiche Campionarie
Per ottenere stime non distorte da un campione, si utilizza ddof=1.
Questo applica la correzione di Bessel, dividendo la varianza per $(n-1)$ invece che per $n$.
sample_variance_val = np.var(data, ddof=1)
sample_std_dev_val = np.std(data, ddof=1)
np.var(data, ddof=1)- varianza campionaria;np.std(data, ddof=1)- deviazione standard campionaria.
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}")
La deviazione standard è la radice quadrata della varianza e fornisce una misura della dispersione negli stessi unità dei dati originali, rendendola più facile da interpretare.
Grazie per i tuoi commenti!
