Aan de slagBegin gratis

Covariantie vs correlatie

Covariantie is een maat voor de vraag of twee variabelen samen veranderen ("variëren"). Je berekent dit door punt voor punt het product te nemen van de afwijkingen uit de vorige oefening, dx[n]*dy[n], en vervolgens het gemiddelde te nemen van al die producten.

Correlatie is in essentie de genormaliseerde covariantie. In deze oefening krijg je twee gegevensarrays die sterk correleren. Je gaat zowel de covariance als de correlation visualiseren en berekenen.

Deze oefening maakt deel uit van de cursus

Introductie tot lineaire modellering in Python

Bekijk cursus

Oefeninstructies

  • Bereken de afwijkingen, dx en dy, door het gemiddelde af te trekken met np.mean(), en bereken covariance als het gemiddelde van hun product dx*dy.
  • Bereken de genormaliseerde afwijkingen, zx en zy, door te delen door de standaarddeviatie met np.std(), en bereken de correlation als het gemiddelde van hun product, zx*zy.
  • Gebruik plot_normalized_deviations(zx, zy) om het product van de genormaliseerde afwijkingen te plotten en controleer dit visueel ten opzichte van de correlatiewaarde.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Compute the covariance from the deviations.
dx = x - np.____(x)
dy = y - np.____(y)
covariance = np.____(____ * ____)
print("Covariance: ", covariance)

# Compute the correlation from the normalized deviations.
zx = dx / np.____(x)
zy = dy / np.____(y)
correlation = np.____(____ * ____)
print("Correlation: ", correlation)

# Plot the normalized deviations for visual inspection. 
fig = plot_normalized_deviations(zx, zy)
Code bewerken en uitvoeren