NumPy: вычислить среднее значение, стандартное отклонение и дисперсию данного массива вдоль второй оси
Статистика NumPy: упражнение 7 с решением
Напишите программу NumPy для вычисления среднего значения, стандартного отклонения и дисперсии данного массива вдоль второй оси.
Из Википедии: Есть несколько видов средств в различных областях математики (особенно статистика).
Для набора данных среднее арифметическое, также называемое математическим ожиданием или средним значением, является центральным значением дискретного набора чисел: в частности, сумма значений, деленная на количество значений. Среднее арифметическое набора чисел обычно обозначается произносится " бар ". Если набор данных был основан на серии наблюдений, полученных путем выборки из статистической совокупности, среднее арифметическое представляет собой среднее значение выборки (обозначается ) чтобы отличить его от среднего значения основного распределения.
В вероятности и статистике среднее или ожидаемое значение популяции является мерой центральной тенденции либо распределения вероятности, либо случайной величины, характеризуемой этим распределением. В случае дискретного распределения вероятностей случайной величины среднее значение равно сумме по каждому возможному значению, взвешенному по вероятности этого значения; то есть он рассчитывается путем взятия произведения каждого возможного значения из и его вероятность , а затем сложить все эти продукты вместе, давая , Аналогичная формула применима к случаю непрерывного распределения вероятностей. Не каждое распределение вероятностей имеет определенное среднее; см. распределение Коши для примера. Более того, для некоторых распределений среднее бесконечно.
Напишите программу NumPy для вычисления среднего значения, стандартного отклонения и дисперсии данного массива вдоль второй оси.
Пример решения : -
Код Python:
import numpy as np
x = np.arange(6)
print("\nOriginal array:")
print(x)
r1 = np.mean(x)
r2 = np.average(x)
assert np.allclose(r1, r2)
print("\nMean: ", r1)
r1 = np.std(x)
r2 = np.sqrt(np.mean((x - np.mean(x)) ** 2 ))
assert np.allclose(r1, r2)
print("\nstd: ", 1)
r1= np.var(x)
r2 = np.mean((x - np.mean(x)) ** 2 )
assert np.allclose(r1, r2)
print("\nvariance: ", r1)
Пример вывода:
Исходный массив: [0 1 2 3 4 5] Среднее значение 2,5 стандартный: 1 Дисперсия: 2.9166666666666665
Редактор кода Python:
Есть другой способ решить это решение? Внесите свой код (и комментарии) через Disqus.
Предыдущий: Напишите программу NumPy для вычисления веса данного массива.
Далее: Напишите программу NumPy для вычисления ковариационной матрицы двух заданных массивов.
Каков уровень сложности этого упражнения?
Новый контент: Composer: менеджер зависимостей для PHP , R программирования