import numpy as np

oleksiy = np.array([8, 7, 9, 8, 8, 7, 9, 8, 8, 8])
borys = np.array([2, 5, 15, 12, 3, 18, 1, 10, 4, 10])

print(f"Олексій - середня відстань: {oleksiy.mean():.1f} см")
print(f"Борис   - середня відстань: {borys.mean():.1f} см")

import numpy as np

oleksiy = np.array([8, 7, 9, 8, 8, 7, 9, 8, 8, 8])
borys = np.array([2, 5, 15, 12, 3, 18, 1, 10, 4, 10])

range_oleksiy = oleksiy.max() - oleksiy.min()
range_borys = borys.max() - borys.min()

print("Олексій:")
print(f"  Мінімум: {oleksiy.min()} см")
print(f"  Максимум: {oleksiy.max()} см")
print(f"  Розмах: {range_oleksiy} см")

print("\nБорис:")
print(f"  Мінімум: {borys.min()} см")
print(f"  Максимум: {borys.max()} см")
print(f"  Розмах: {range_borys} см")

import numpy as np

# Оцінки студентів (за 100-бальною шкалою)
grades_normal = np.array([82, 85, 88, 84, 86, 87, 83, 85, 86, 84])
grades_with_outlier = np.array([82, 85, 88, 84, 86, 87, 83, 85, 86, 15])  # один студент списав і отримав 15

range_normal = grades_normal.max() - grades_normal.min()
range_with_outlier = grades_with_outlier.max() - grades_with_outlier.min()

print(f"Розмах БЕЗ аутлайера: {range_normal} балів")
print(f"Розмах З аутлайером:  {range_with_outlier} балів")
print(f"Зміна: {range_with_outlier - range_normal} балів ({(range_with_outlier - range_normal) / range_normal * 100:.0f}% збільшення)")

import numpy as np
import pandas as pd

oleksiy = np.array([8, 7, 9, 8, 8, 7, 9, 8, 8, 8])

# Крок 1: Обчислюємо середнє
mean = oleksiy.mean()
print(f"Крок 1. Середнє: {mean:.1f}")

# Крок 2: Відхилення від середнього
deviations = oleksiy - mean
print(f"\nКрок 2. Відхилення від середнього:")
print(deviations)

# Крок 3: Квадрати відхилень
squared_deviations = (oleksiy - mean) ** 2
print(f"\nКрок 3. Квадрати відхилень:")
print(squared_deviations)

# Крок 4: Середнє квадратів = дисперсія
variance = squared_deviations.mean()
print(f"\nКрок 4. Дисперсія (середнє квадратів): {variance:.2f}")

# Перевірка за допомогою NumPy
variance_numpy = np.var(oleksiy, ddof=0)
print(f"Перевірка (NumPy): {variance_numpy:.2f}")

# Порівняємо дисперсію для обох стрільців
borys = np.array([2, 5, 15, 12, 3, 18, 1, 10, 4, 10])

var_oleksiy = np.var(oleksiy, ddof=0)
var_borys = np.var(borys, ddof=0)

print(f"Дисперсія Олексія: {var_oleksiy:.2f} см²")
print(f"Дисперсія Бориса:  {var_borys:.2f} см²")
print(f"\nБорис має дисперсію в {var_borys / var_oleksiy:.1f} разів більшу!")

import numpy as np

data = np.array([2, 4, 6, 8, 10])
mean = data.mean()

# Спроба 1: Просто сума відхилень (не працює!)
simple_deviations = data - mean
print(f"Відхилення від середнього: {simple_deviations}")
print(f"Сума відхилень: {simple_deviations.sum():.10f}")
print("→ Завжди дорівнює нулю! (позитивні та негативні анулюються)\n")

# Спроба 2: Абсолютні відхилення (працює, але математично незручно)
abs_deviations = np.abs(data - mean)
print(f"Абсолютні відхилення: {abs_deviations}")
print(f"Середнє абсолютне відхилення (MAD): {abs_deviations.mean():.2f}\n")

# Спроба 3: Квадрати відхилень (ідеально!)
squared_deviations = (data - mean) ** 2
print(f"Квадрати відхилень: {squared_deviations}")
print(f"Дисперсія (середній квадрат): {squared_deviations.mean():.2f}")

import numpy as np

oleksiy = np.array([8, 7, 9, 8, 8, 7, 9, 8, 8, 8])
borys = np.array([2, 5, 15, 12, 3, 18, 1, 10, 4, 10])

# Дисперсія (variance)
var_oleksiy = np.var(oleksiy, ddof=0)
var_borys = np.var(borys, ddof=0)

# Стандартне відхилення (standard deviation)
std_oleksiy = np.std(oleksiy, ddof=0)
std_borys = np.std(borys, ddof=0)

print("Олексій:")
print(f"  Дисперсія:           {var_oleksiy:.2f} см²")
print(f"  Стандартне відхилення: {std_oleksiy:.2f} см")
print(f"  Перевірка (√дисперсія): {np.sqrt(var_oleksiy):.2f} см")

print("\nБорис:")
print(f"  Дисперсія:           {var_borys:.2f} см²")
print(f"  Стандартне відхилення: {std_borys:.2f} см")
print(f"  Перевірка (√дисперсія): {np.sqrt(var_borys):.2f} см")

import numpy as np

# Три випадки з однаковим середнім, але різною варіацією
low_var = np.array([50, 49, 51, 50, 50, 49, 51, 50, 50, 50])
medium_var = np.array([45, 48, 52, 47, 53, 46, 54, 48, 52, 50])
high_var = np.array([30, 40, 60, 35, 65, 45, 55, 50, 60, 55])

datasets = [
    ("Низька варіація", low_var),
    ("Середня варіація", medium_var),
    ("Висока варіація", high_var)
]

for name, data in datasets:
    mean = data.mean()
    std = data.std(ddof=0)
    print(f"{name}:")
    print(f"  Дані: {data}")
    print(f"  Середнє: {mean:.1f}")
    print(f"  Стандартне відхилення: {std:.2f}")
    print(f"  Діапазон (Mean ± 1×Std): [{mean - std:.1f}, {mean + std:.1f}]\n")

import numpy as np

# Зарплати (тис. грн)
salaries = np.array([25, 28, 30, 32, 35, 30, 28, 33, 31, 29])
mean_salary = salaries.mean()
std_salary = salaries.std(ddof=0)
cv_salary = (std_salary / mean_salary) * 100

# Ціни на автомобілі (тис. грн)
cars = np.array([400, 450, 500, 550, 600, 500, 480, 520, 510, 490])
mean_car = cars.mean()
std_car = cars.std(ddof=0)
cv_car = (std_car / mean_car) * 100

print("Зарплати:")
print(f"  Середнє: {mean_salary:.1f} тис. грн")
print(f"  Стандартне відхилення: {std_salary:.2f} тис. грн")
print(f"  Коефіцієнт варіації: {cv_salary:.1f}%")

print("\nЦіни на автомобілі:")
print(f"  Середнє: {mean_car:.1f} тис. грн")
print(f"  Стандартне відхилення: {std_car:.2f} тис. грн")
print(f"  Коефіцієнт варіації: {cv_car:.1f}%")

print(f"\nВисновок:")
if cv_salary > cv_car:
    print(f"  Зарплати більш мінливі відносно їхнього середнього ({cv_salary:.1f}% vs {cv_car:.1f}%)")
else:
    print(f"  Ціни на авто більш мінливі відносно їхнього середнього ({cv_car:.1f}% vs {cv_salary:.1f}%)")

import numpy as np

# Оцінки 20 студентів (за 100-бальною шкалою)
grades = np.array([62, 65, 68, 70, 72, 74, 76, 78, 80, 82, 
                   84, 85, 86, 88, 90, 91, 92, 94, 96, 98])

# Обчислення квартилів
q1 = np.percentile(grades, 25)
q2 = np.percentile(grades, 50)  # медіана
q3 = np.percentile(grades, 75)

minimum = grades.min()
maximum = grades.max()

print("П'ятичисловий підсумок (Five-Number Summary):")
print(f"  Мінімум:  {minimum}")
print(f"  Q1 (25%): {q1}")
print(f"  Q2 (50%): {q2} ← Медіана")
print(f"  Q3 (75%): {q3}")
print(f"  Максимум: {maximum}")

print("\nІнтерпретація:")
print(f"  25% студентів отримали менше {q1:.0f} балів")
print(f"  50% студентів отримали менше {q2:.0f} балів (медіана)")
print(f"  75% студентів отримали менше {q3:.0f} балів")

# Pandas автоматично обчислює квартилі в методі describe()
import pandas as pd

grades_series = pd.Series(grades)
print("Статистика pandas (з квартилями):")
print(grades_series.describe())

import numpy as np

# Дані без аутлайерів
data_clean = np.array([10, 12, 13, 14, 15, 16, 17, 18, 20])

# Дані з аутлайером
data_outlier = np.array([10, 12, 13, 14, 15, 16, 17, 18, 100])

def analyze_spread(data, name):
    q1 = np.percentile(data, 25)
    q3 = np.percentile(data, 75)
    iqr = q3 - q1
    range_val = data.max() - data.min()
    
    print(f"{name}:")
    print(f"  Range (max - min): {range_val:.0f}")
    print(f"  IQR (Q3 - Q1):     {iqr:.1f}")
    print()

analyze_spread(data_clean, "Без аутлайера")
analyze_spread(data_outlier, "З аутлайером (100)")

# Порівняння зміни
range_clean = data_clean.max() - data_clean.min()
range_outlier = data_outlier.max() - data_outlier.min()
iqr_clean = np.percentile(data_clean, 75) - np.percentile(data_clean, 25)
iqr_outlier = np.percentile(data_outlier, 75) - np.percentile(data_outlier, 25)

print(f"Вплив аутлайера:")
print(f"  Range змінився на {range_outlier - range_clean:.0f} ({(range_outlier/range_clean - 1)*100:.0f}% збільшення)")
print(f"  IQR змінився на {iqr_outlier - iqr_clean:.1f} ({abs(iqr_outlier/iqr_clean - 1)*100:.0f}% зміна)")

import numpy as np

# Дані про вартість квартир (млн грн)
prices = np.array([1.2, 1.5, 1.8, 2.0, 2.2, 2.5, 2.8, 3.0, 3.2, 8.5])

# Обчислюємо квартилі та IQR
q1 = np.percentile(prices, 25)
q3 = np.percentile(prices, 75)
iqr = q3 - q1

# Межі для аутлайерів
lower_fence = q1 - 1.5 * iqr
upper_fence = q3 + 1.5 * iqr

print(f"Q1:  {q1:.2f} млн грн")
print(f"Q3:  {q3:.2f} млн грн")
print(f"IQR: {iqr:.2f} млн грн")
print(f"\nМежі для нормальних значень:")
print(f"  Нижня межа: {lower_fence:.2f} млн грн")
print(f"  Верхня межа: {upper_fence:.2f} млн грн")

# Виявлення аутлайерів
outliers = prices[(prices < lower_fence) | (prices > upper_fence)]
normal = prices[(prices >= lower_fence) & (prices <= upper_fence)]

print(f"\nАутлайери: {outliers}")
print(f"Нормальні значення: {normal}")
print(f"\nЗнайдено {len(outliers)} аутлайерів із {len(prices)} значень")

# Функція для виявлення аутлайерів (багаторазове використання)
def detect_outliers_iqr(data):
    q1 = np.percentile(data, 25)
    q3 = np.percentile(data, 75)
    iqr = q3 - q1
    
    lower_fence = q1 - 1.5 * iqr
    upper_fence = q3 + 1.5 * iqr
    
    outliers_mask = (data < lower_fence) | (data > upper_fence)
    
    return {
        'outliers': data[outliers_mask],
        'outliers_indices': np.where(outliers_mask)[0],
        'normal': data[~outliers_mask],
        'lower_fence': lower_fence,
        'upper_fence': upper_fence
    }

# Тестуємо на даних про зарплати
salaries = np.array([25, 28, 30, 32, 35, 30, 28, 33, 31, 200])
result = detect_outliers_iqr(salaries)

print("Аналіз зарплат:")
print(f"  Виявлено аутлайерів: {len(result['outliers'])}")
print(f"  Аутлайери: {result['outliers']} тис. грн")
print(f"  Індекси аутлайерів: {result['outliers_indices']}")