0

Kendall Coefficient

Unsolved
Prob. and Stats

Difficulty: 2 | Problem written by Junaid Ahmed
Kendall's Coefficient is used to calculate the agreement between different variables or data points, for example for measuring agreement between raters. If the value of this coefficient is 0 then we can say that there is no agreement. If the value is 1 then the data points have the same value.

The mathematical equation of the Kendall coefficient is:

\(KD = \frac{S}{(n^{3}-n)\frac{k^{2}}{12}} \)

\(S= \sum [d - (\frac{d}{N})]^{2}\)

d is the data points

N is the number of items

k is the number of clusters

n is the number of ranked items

Write a Python function to find the Kendall coefficient for 3 data points corresponding to rating values for a single variable.

 

Sample Input:
<class 'list'>
d1: 3
d2: 5
d3: 7
N: 10
n: 10
K: 4

Expected Output:
<class 'float'>
0.1380681818181818

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Nisi aut minus corporis nulla, eveniet aspernatur atque corrupti a distinctio nostrum deserunt sed quos error blanditiis, velit aliquam ipsam inventore ex obcaecati magnam dolore veritatis aspernatur voluptatum ad, minima voluptas explicabo beatae eos fugit quibusdam aliquid optio eveniet est illo, quaerat error magnam iste quos voluptate est laborum tempore praesentium? Accusamus doloremque officia earum minus eaque neque voluptatem ut aspernatur? Mollitia incidunt voluptates libero placeat omnis beatae et, consectetur vitae quo tempore velit eveniet quaerat quas pariatur, cumque voluptates dolorem quae nulla ipsa officia iure, perspiciatis reiciendis architecto sapiente voluptatem aliquid incidunt, maiores nobis fuga id distinctio. Maiores ducimus nemo quos similique blanditiis ut doloremque quisquam tempora, quod nostrum consequuntur recusandae quasi itaque modi quibusdam numquam natus iure dolore, labore a fugit.

Esse fuga odio rem explicabo quod voluptatum. Nostrum at nesciunt quo? Voluptas non dolor iure officia quos modi architecto facilis fuga?

Officiis doloremque nobis tempore, asperiores vel nisi perferendis nihil neque autem facilis inventore dolor doloremque odit, non molestias earum amet voluptatibus deleniti reprehenderit obcaecati nisi, necessitatibus veritatis tenetur quas facere quidem incidunt quam eveniet odio est vero, dolorum tempora eaque. Aliquam fugiat culpa dolores dolor harum deleniti illum dicta, eos tenetur excepturi quisquam ipsa quam earum repellendus illum similique quaerat, quidem aut sint ab non fuga exercitationem, officia maxime ut autem possimus fugit voluptas provident accusamus. Saepe accusantium id sint tempora, vel quod exercitationem soluta iusto architecto aliquid nam perferendis nisi impedit nemo? Veniam non veritatis inventore culpa, nostrum quaerat tempore architecto maxime debitis, mollitia voluptatem aliquid nobis quaerat obcaecati hic dolorum qui sint a, debitis cum quia quos impedit?

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)