Summary  
This chapter explains how to compute the covariance between two numerical sequences in Python using NumPy’s np.cov function and how to interpret whether variables move together or oppositely.  

General domain of usage  
Statistical data analysis

**Kovarians** er et mål på den felles variasjonen mellom to tilfeldige variabler.



Formlene for **utvalgskovarians** og **populasjonskovarians** er forskjellige, men vil ikke bli gjennomgått i detalj her. Dette kapittelet fokuserer på kovariansene i følgende datasett:

- `Store_ID`: the unique id of the store;
- `Store_Area`: the area of the store;
- `Items_Available`: the number of items that are available in the store;
- `Daily_Customer_Count`: the daily number of customers in the store;
- `Store_Sales`: the number of sales in the store.

### Beregning av kovarians med Python

For å beregne kovarians i Python, bruk funksjonen `np.cov()` fra **NumPy**-biblioteket. Den tar to parametere: dataseriene du ønsker å beregne kovariansen for.

Resultatet finnes på indeks `[0,1]`. Dette kurset dekker ikke de andre verdiene i utdataene, se eksempelet:

import pandas as pd 
import numpy as np

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/update/Stores.csv')

# Calculating covariance 
cov = np.cov(df['Store_Area'], df['Items_Available'])[0,1]

print(round(cov, 2))

Dette indikerer at verdiene beveger seg i samme retning. Dette er logisk fordi et større butikkområde tilsvarer et større antall varer. En betydelig ulempe med kovarians er at verdien kan være uendelig.

Dette kurset gir deg grunnleggende kunnskap om statistikk. Det er ment for studenter med grunnleggende kjennskap til Python-syntaks, da de vil arbeide med NumPy- og pandas-modulene. I løpet av kurset vil du bli kjent med de grunnleggende konseptene og deretter gradvis gå videre til mer komplekse begreper og oppgaver.

Denne delen vil hjelpe oss med å håndtere det første reelle statistiske tilfellet: å finne konfidensintervaller. Det krever kunnskap om NumPy, pandas, Matplotlib og Seaborn-biblioteket for å beregne matematiske formler og lage visualiseringer. For å motivere deg til å gjennomføre denne delen, vil jeg påpeke at du vil møte en liten mengde teori, men en betydelig mengde praksis!

En uatskillelig del av en dataanalytikers hverdag er å gjennomføre hypotesetesting. Etter å ha fullført denne delen vil du forstå ideen bak testing i statistikk og kunne utføre en t-test ved hjelp av Python.

Kovarians

Beregning av kovarians med Python

Awesome!

Kovarians

Beregning av kovarians med Python