Covariância vs Correlação

Covariância é uma medida de se duas variáveis mudam ("variam") juntas. Ela é calculada computando, ponto a ponto, os produtos dos desvios vistos no exercício anterior, dx[n]*dy[n], e depois encontrando a média de todos esses produtos.

Correlação é, essencialmente, a covariância normalizada. Neste exercício, você recebe duas arrays de dados, que são altamente correlacionadas, e vai visualizar e calcular tanto a covariance quanto a correlation.

Este exercicio faz parte do curso

Introdução à Modelagem Linear em Python

Ver curso

Instruções do exercicio

Calcule os desvios, dx e dy, subtraindo a média com np.mean(), e calcule a covariance como a média do produto dx*dy.
Calcule os desvios normalizados, zx e zy, dividindo pelo desvio padrão com np.std(), e calcule a correlation como a média do produto zx*zy.
Use plot_normalized_deviations(zx, zy) para traçar o produto dos desvios normalizados e verificar visualmente em relação ao valor da correlação.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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)

Editar e Executar Código