python 方差_使用NumPy介绍期望值，方差和协方差

基础统计是应用机器学习中的有力工具，它可以更好地理解数据。而且，它也为更先进的线性代数运算和机器学习方法奠定了基础的工具，例如分别协方差矩阵和主成分分析(PCA)。因此，掌握线性代数中基础的统计非常重要。

在本教程中，你会了解基础的统计操作及其原理，和如何使用NumPy实现线性代数的符号和术语。

完成本教程后，你将知道：

期望值，平均数(average)和平均值(mean)是什么，以及如何计算它们。

方差和标准差是多少以及如何计算它们。

协方差，相关性和协方差矩阵是什么以及如何计算它们。

让我们开始吧。

本教程分为4个部分; 他们是：

期望值

方差

协方差

协方差矩阵

期望值

概率论中，随机变量X的平均值称为期望值(expected value 或 expectation)。

期望值使用符号E，变量的名称用方括号括起；例如：

E[X]

它通过计算的概率权重值的和得出。

E[X] = sum(x1 * p1, x2 * p2, x3 * p3, ..., xn * pn)

在一些简单的情况下，例如掷硬币或掷骰子，每个事件的概率都是一样的。这时，期望值为所有值的总和乘以数值个数的倒数。

E[X] = sum(x1, x2, x3, ..., xn) . 1/n

在统计学中，平均值或者说，算术平均值或样本平均值可以通过从域中抽取的实例样本进行估计。这也许会让人感到迷惑，因为平均值(mean)，平均值(average)和期望值(expected)可以互换使用。

平均值(mean)由小写的希腊字母mu表示，并且使用观察样本计算得出，而不是使用所有可能的值计算。

mu = sum(x1, x2, x3, …, xn) . 1/n

或者，缩写为：

mu = sum(x . P(x))

其中x是观测值的矢量，P(x)是每个值的估计概率。

当为特定变量(如x)计算时，平均值用上面一行的小写变量名表示，称为x-bar。

_

x = sum from 1 to n (xi) . 1/n

可以通过使用mean()函数为NumPy中的矢量或矩阵计算算术平均数。

下面的例子定义了一个6个元素的矢量并计算平均值。

from numpy import array

from numpy import mean

v = array([1,2,3,4,5,6]