Kowariancja a korelacja

Kowariancja mierzy to, czy dwie zmienne zmieniają się razem. Oblicza się ją, wyznaczając iloczyny odchyleń dla każdej pary punktów – dx[n]*dy[n] – a następnie obliczając średnią tych iloczynów.

Korelacja to w istocie znormalizowana kowariancja. W tym ćwiczeniu otrzymujesz dwie tablice danych o wysokiej korelacji. Zwizualizujesz je i obliczysz zarówno covariance, jak i correlation.

To ćwiczenie jest częścią kursu

Wprowadzenie do modelowania liniowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Oblicz odchylenia dx i dy, odejmując średnią za pomocą np.mean(), a następnie oblicz covariance jako średnią ich iloczynu dx*dy.
Oblicz znormalizowane odchylenia zx i zy, dzieląc przez odchylenie standardowe za pomocą np.std(), a następnie oblicz correlation jako średnią ich iloczynu zx*zy.
Użyj plot_normalized_deviations(zx, zy), aby zwizualizować iloczyn znormalizowanych odchyleń i porównać go wzrokowo z wartością korelacji.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)

Edytuj i uruchom kod