cov_standart.py

# Даны значения величины заработной платы заемщиков банка (zp) и значения их поведенческого кредитного скоринга (ks): 
# zp = [35, 45, 190, 200, 40, 70, 54, 150, 120, 110], ks = [401, 574, 874, 919, 459, 739, 653, 902, 746, 832]. 
# Найдите ковариацию этих двух величин с помощью элементарных действий, а затем с помощью функции cov из numpy 
# Полученные значения должны быть равны. Найдите коэффициент корреляции Пирсона с помощью ковариации 
# и среднеквадратичных отклонений двух признаков, а затем с использованием функций из библиотек numpy и pandas.

# Задаем значения величины заработной платы и поведенческого кредитного скоринга
zp = [35, 45, 190, 200, 40, 70, 54, 150, 120, 110]
ks = [401, 574, 874, 919, 459, 739, 653, 902, 746, 832]

# Находим среднее значение каждой величины
mean_zp = sum(zp) / len(zp)
mean_ks = sum(ks) / len(ks)

# Вычисляем ковариацию
covariance = sum((x - mean_zp) * (y - mean_ks) for x, y in zip(zp, ks)) / len(zp)

print("Ковариация (элементарные действия):", covariance)

# Находим среднеквадратичное отклонение каждой величины
std_zp = (sum((x - mean_zp) ** 2 for x in zp) / len(zp)) ** 0.5
std_ks = (sum((y - mean_ks) ** 2 for y in ks) / len(ks)) ** 0.5

# Вычисляем коэффициент корреляции Пирсона
correlation = covariance / (std_zp * std_ks)

print("Коэффициент корреляции Пирсона (элементарные действия):", correlation)