Summary
This chapter demonstrates how to compute measures of spread—mean, population and sample variance (using ddof=1 for Bessel’s correction), and standard deviation—using NumPy functions, and how to visualize the data distribution with a histogram and overlay lines for mean ± standard deviation.

General domain of usage
Data analysis

## データセットの定義

ここでは、すべての計算で一貫したデータセットを使用できるよう、配列を変数 `data` に代入します。

```python
import numpy as np

# Create a numpy array of daily sales
data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16])
```

## 母集団統計量の計算

この関数は配列を入力として受け取り、すべての要素の平均値を返します。これはデータセットの中心傾向を要約します。

```python
mean_val = np.mean(data)       # Mean
variance_val = np.var(data)    # Population variance (ddof=0 by default)
std_dev_val = np.std(data)     # Population standard deviation
```

* `np.mean(data)` は算術平均（平均値）を計算；
* `np.var(data)` は**母分散**（$$n$$ で割る）を計算；
* `np.std(data)` は**母標準偏差**（分散の平方根）を計算。

import numpy as np

# Create a numpy array of daily sales
data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16])

mean_val = np.mean(data)       # Mean
variance_val = np.var(data)    # Population variance (ddof=0 by default)
std_dev_val = np.std(data)     # Population standard deviation

print(f"Mean: {mean_val}")
print(f"Variance (Population): {variance_val}")
print(f"Standard Deviation (Population): {std_dev_val}")

## サンプル統計量の計算

**不偏推定量**をサンプルから得るためには、`ddof=1` を使用。
これは **ベッセル補正** を適用し、分散を $n$ ではなく $(n-1)$ で割る。

```python
sample_variance_val = np.var(data, ddof=1)
sample_std_dev_val = np.std(data, ddof=1)
```

* `np.var(data, ddof=1)` - サンプル分散;
* `np.std(data, ddof=1)` - サンプル標準偏差。

import numpy as np

# Create a numpy array of daily sales
data = np.array([10, 15, 12, 18, 20, 22, 14, 17, 11, 16])

sample_variance_val = np.var(data, ddof=1)
sample_std_dev_val = np.std(data, ddof=1)

print(f"Variance (Sample): {sample_variance_val}")
print(f"Standard Deviation (Sample): {sample_std_dev_val}")

標準偏差は分散の平方根であり、**元のデータと同じ単位**で散らばりの度合いを示すため、解釈しやすい指標。

ノート

`numpy`ライブラリで標準偏差を計算する方法は？

データサイエンスに不可欠な数学的基礎を習得します。関数、微積分、線形代数、確率、次元削減の主要な概念を探求します。理論的理解と実践的なコーディング経験の両方を構築し、データ分析、複雑なシステムのモデリング、機械学習における高度な手法の適用能力を強化します。

数学関数の基礎を探求します。さまざまな種類の代数関数および超越関数、その性質、およびそれらをPythonで実装して実世界の問題を解決する方法について学びます。

集合と級数の概念を基礎的な操作から実践的な応用まで習得します。Pythonで集合演算を実装し、等差数列および等比数列を扱う実践的な経験を得られます。

極限、導関数、積分、偏導関数についての確かな理解を身につけます。これらの概念をPythonで実装し、勾配降下法による最適化への応用を通じて理論と実践を結びつけます。

ベクトル、行列、変換に関する強固な知識の構築。分解法および固有値解析の学習。Pythonによるコーディング課題や実践的なデータサイエンス応用を通じた概念の強化。

確率論と統計学を深く学びます。条件付き確率、ベイズの定理、統計的指標を学習します。Pythonで主要な概念を実装し、分布をシミュレーションし、課題やクイズを通じてスキルを強化します。

Pythonでの散布の実装

データセットの定義

母集団統計量の計算

サンプル統計量の計算