Середнє квадратичне відхилення

Дисперсія та середньоквадратичне або стандартне відхилення - важливі показники, що використовуються в математиці та статистиці для знаходження значення з великого набору даних. Різні формули для дисперсії та середньоквадратичного відхилення широко використовуються в математиці для визначення тенденцій різних величин у математиці. Дисперсія це міра того, як точки даних змінюються в залежності від середнього значення, а стандартне відхилення міра центральної тенденції розподілу даних.

Основна відмінність полягає в одиницях виміру. Стандартне відхилення вимірюється в одиницях, аналогічних одиницям середнього значення даних, тоді як дисперсія вимірюється у одиницях квадратних.

Дисперсія визначається як міра того, як сильно набір даних відхиляється від свого середнього значення. Дисперсія позначається символом σ2. Інакше кажучи, можна сказати, що дисперсія — це середнє квадратичне відхилення від середнього значення.

Обережно! Якщо викладач виявить плагіат у роботі, не уникнути великих проблем (аж до відрахування). Якщо немає можливості написати самому, замовте тут.

Різні властивості дисперсії групи даних такі:

1. Оскільки кожен член у формулі дисперсії спочатку зводиться у квадрат, а потім перебуває його середнє значення, воно завжди є негативним, т.е. е. середня може бути як позитивною, так і нульовою, але ніколи не може бути негативною.
2. Дисперсія завжди вимірюється у квадратних одиницях. Наприклад, якщо нам потрібно знайти дисперсію зростання учня в класі, і якщо зростання учня задане в см, то дисперсія обчислюється в см2.

Те, як сильно наш набір даних відрізняється від середнього значення, вимірюється стандартним відхиленням.Отже, визначаємо його як розкид статистичних даних від середнього значення чи середнього становища. Позначається символом σ.

Стандартне відхилення корисне при порівнянні розкиду двох окремих наборів даних, що мають приблизно однакове середнє значення. Набір даних з меншим стандартним відхиленням має вужчий розкид вимірювань навколо середнього значення і, отже, зазвичай має порівняно менше високих та низьких значень. Елемент, вибраний навмання з набору даних з низьким стандартним відхиленням, має більше шансів виявитися поблизу середнього значення, ніж елемент набору даних з вищим стандартним відхиленням. Однак стандартне відхилення впливають екстремальні значення. Одне екстремальне значення може сильно вплинути стандартне відхилення.

Стандартне відхилення може бути важко інтерпретувати з погляду того, наскільки великим воно має бути, якщо вважати, що дані широко розкидані. Величина середнього значення набору даних впливає інтерпретацію його стандартного відхилення. Коли ви вимірюєте щось у мільйонному масштабі, показники, близькі до середнього значення, не мають того ж значення, що при вимірі чогось у сотному масштабі. Наприклад, вимір двох великих компаній з різницею в річному доході 10 000 доларів вважається досить близьким, тоді як вимір двох людей з різницею у вазі 30 кілограмів вважається далеким. Ось чому у більшості ситуацій корисно оцінювати розмір стандартного відхилення щодо середнього значення.

При використанні стандартного відхилення слід пам'ятати про такі властивості:

1. Стандартне відхилення чутливе до екстремальних значень.Одне дуже екстремальне значення може збільшити стандартне відхилення та спотворити дисперсію.
2. Для двох наборів даних з однаковими середніми значеннями більше стандартне відхилення має той набір, у якому дані розкидані від центру.
3. Стандартне відхилення дорівнює 0, якщо всі значення дорівнюють (бо тоді всі значення дорівнюють середньому).

Застосування

Стандартне відхилення широко використовується в експериментальних та промислових умовах для перевірки моделей на реальних даних. Прикладом такого застосування промисловості є контроль якості деяких продуктів. Стандартне відхилення може бути використане для розрахунку мінімального та максимального значення, в межах якого повинен бути певний аспект продукту у великому відсотку випадків. У випадках, коли значення виходять за межі розрахованого діапазону, може знадобитися внести зміни до виробничого процесу для забезпечення контролю якості.

Середньоквадратичне відхилення також використовується у погоді для визначення відмінностей у регіональному кліматі. Наприклад, два міста, одне на узбережжі, а інше у глибині материка, в яких середня температура становить 22°C. Хоча це може наштовхнути на думку, що температура цих двох містах практично однакова, реальність може бути замаскована, якщо розглядати тільки середнє значення, а стандартне відхилення ігнорувати.

Прибережні міста, як правило, мають більш стабільну температуру через регулювання великими водоймами, оскільки вода має більшу теплоємність, ніж суша; по суті, це робить воду набагато менш сприйнятливою до змін температури, і прибережні райони залишаються теплішими взимку та прохолоднішими влітку через кількість енергії, необхідної для зміни температури води. Таким чином, у той час як у прибережному місті температура може коливатися від 14 до 30°C протягом певного періоду часу, внаслідок чого середня температура становитиме 22°C, у внутрішньому місті температура може коливатися від -2 до 42°C, що призведе до тієї ж середньої температури.

Ще одна область, в якій середньоквадратичне відхилення знаходить широке застосування, — це фінанси, де воно часто використовується для вимірювання ризику, пов'язаного з коливаннями цін на будь-який актив чи портфель активів. Використання стандартного відхилення у разі дозволяє оцінити невизначеність майбутніх доходів від конкретної інвестиції. Наприклад, якщо порівнювати акції A із середньою прибутковістю 7% і стандартним відхиленням 10% з акціями B, що мають таку ж середню прибутковість, але стандартне відхилення 50%, то перша акція явно буде більш безпечним варіантом, оскільки стандартне відхилення акцій B значно більше такої ж прибутковості. Але це не означає, що акція А однозначно є найкращим варіантом інвестицій у цьому сценарії, оскільки стандартне відхилення може спотворити середнє значення у будь-який бік. У той час як акції А мають більш високу ймовірність середньої прибутковості близької до 7% акції Б потенційно можуть забезпечити значно більшу прибутковість (або збиток).

Як розрахувати, формула

Формула стандартного середньоквадратичного для популяції виглядає так:

σ2=1NN∑i=1(xi−μ)2 σ 2 = 1 N ∑ i = 1 N ( x i − μ ) 2.

σ = стандартне відхилення популяції;

N = кількість спостережень у популяції;

Xi = i-е спостереження;

μ = середнє значення популяції.

Аналогічно, формула вибіркового стандартного відхилення має вигляд:

s = ∑ ( X − X ¯ ) 2 n − 1

У формулі середньоквадратичного відхилення використовують три змінні. даних, віднесених до змінної n. арифметичного.

Для розрахунку середнього значення необхідно скласти значення елементів даних і розділити отриману суму на кількість елементів даних, що брали участь у дослідженні.

Стандартне відхилення, що позначається символом σ, є квадратним коренем із середнього квадрата всіх значень ряду, отриманих із середнього арифметичного, яке також називається середньоквадратичним відхиленням 0 — найменше значення стандартного відхилення, оскільки воно не може бути від'ємним від середнього. значення, то стандартне відхилення також велике.

Статистичний інструмент стандартного відхилення – це міра дисперсії, яка обчислює нестійкість розкиду даних. Наприклад, середнє значення, медіана та мода – це показники центральної тенденції.Заходи дисперсії, які згадуються безпосередньо з них, є середні відхилення від середніх значень, тому їх називають середніми другого порядку.

Приклади розв'язання задач

Стандартне відхилення набору чисел дорівнює 6,2. Дисперсія визначається так:

З огляду на стандартне відхилення σ = 6,2.

Отже, дисперсія = σ2 = 6,22 = 38,44.

Отже, варіант (3) є відповіддю.

Обчислимо дисперсію наступного набору даних: 2, 7, 3, 12, 9.

Першим кроком буде обчислення середнього значення. Сума дорівнює 33, а точок даних 5. Отже, середнє значення дорівнює 33 ÷ 5 = 6,6. Потім візьміть кожне значення з набору даних, відніміть середнє та зведіть різницю у квадрат. Наприклад, для першого значення:

Зведені квадрат різниці для всіх значень складаються:

21.16 + 0.16 + 12.96 + 29.16 + 5.76 = 69.20

Потім сума поділяється на кількість точок даних:

Дисперсія дорівнює 13,84. Щоб отримати стандартне відхилення, потрібно обчислити квадратний корінь дисперсії, який дорівнює 3,72.

Обчисліть дисперсію із стандартного відхилення набору даних: 18, 22, 19, 25, 12.

Нехай xi: = 18, 22, 19, 25, 12;

Середнє (x) = (18 + 22 + 19 + 25 + 12) / 5 = 96/5 = 19.2

Обчислимо величину відхилень, тобто (xi - x).

(xi - x) = (18 - 19,2), (22 - 19,2), (19 - 19,2), (25 - 19,2), (12 - 19,2) = -1.2, 2.8 , -0.2, 5.8, -7.2

Тепер зведемо відхилення у квадрат.

(xi - x̄)2 = (-1,2)2, (2,8)2, (-0,2)2, (5,8)2, (-7,2)2 = 1.44, 7.84, 0.04 , 33.64, 51.84

∑(xi - x̄)2 = 1,44 + 7,84 + 0,04 + 33,64 + 51,84 = 94.80

(1/n-1)∑(xi - x̄)2 = 94,80/4 = 23,7.

Знайдіть дисперсію та стандартне відхилення всіх парних чисел, менших за 10.

Парні числа менше 10 - це.

Цей набір даних має п'ять значень (n) = 5

Перед тим, як знайти дисперсію, потрібно знайти середнє значення набору даних.

Середнє, x = (0 +2 +4 +6 +8) / 5 = 4

Ми можемо підставити значення даних і середнє у формулу, щоб отримати;

⇒ σ2 = [(0-4)2 + (2-4)2 + (4-4)2 + (6-4)2 + (8-4)2]/5

⇒ σ2 = (16 + 4 + 0 + 4 + 16)/5 = 40/5

Тепер стандартне відхилення (σ) = √ (σ2)

⇒ Стандартне відхилення (σ) = √(8);

⇒ Стандартне відхилення (σ) = 2,828.

Знайдіть дисперсію та стандартне відхилення всіх можливостей кинути кубик.

Усі можливі результати кидання кубика рівні.

Цей набір даних має шість значень (n) = 6

Перед тим, як знайти дисперсію, необхідно знайти середнє значення набору даних.

Середнє, x = (1 +2 +3 +4 +5 +6) / 6 = 3,5

Ми можемо підставити значення даних і середнє у формулу, щоб отримати;

⇒ σ2 = [(1-3.5)2 + (2-3.5)2 + (3-3.5)2 + (4-3.5)2 + (5-3.5)2 + (6-3.5)2]/6;

Дисперсія (σ2) = 2,917.

Стандартне відхилення (σ) = √ (σ2);

⇒ Стандартне відхилення (σ) = √(2.917);

⇒ Стандартне відхилення (σ) = 1,708.

3.2.6. Середнє квадратичне відхилення

Або середньоквадратичне відхилення. Або стандартне відхилення. Це синоніми. Воно позначається грецькою літерою «сигма», і якщо у нас вибіркова сукупність, то додаємо відповідний підрядковий індекс:

- Вибіркове середнє квадратичне відхилення.

Чим менше стандартне відхилення (і дисперсія), тим менше варіація – тим більше варіант знаходиться поблизу вибіркової середньої. Але в нас, як неважко «прикинути на око», розкид досить великий – значна кількість вкладів розташована далеко від середнього значення, і тому стандартне відхилення вийшло чималим.

Наступна частина завдання полягає у тому, щоб коректно оцінити генеральну дисперсію і генеральне середнє квадратичне відхилення .

Нещодавно я розповів про те, що вибіркова дисперсія є зміщену оцінку генеральної дисперсії Це означає, що якщо ми проводитимемо неодноразові вибірки з тієї ж генеральної сукупності, то отримані значення будуть систематично занижено оцінювати. Звертаю вашу увагу, що це не означає, що завжди буде менше, ніж .

І тому вибіркову дисперсію, як натякає умова, потрібно виправити:

– виправлена ​​вибіркова дисперсія

чи 240,30 грошових одиниць – виправлене середнє квадратичне відхилення.

і – це вже незміщені оцінки генеральної дисперсії та генерального стандартного відхилення відповідно.

Зважаючи на великий обсяг вибірки (100 варіант) цієї поправки можна знехтувати, але ми все ж таки не будемо «розкидатися» 30 «копійками».

Відповідь:; як оцінку відповідних генеральних показників приймаємо та .

Розглянуті вище показники (розмах варіації, середнє лінійне відхилення, дисперсія, стандартне відхилення) входять до групи абсолютних показників варіації, які мають низку незручностей.

Так, якщо у вирішеній задачі не зменшувати варіанти в 1000 разів, то дисперсія вийде в мільйон разів більше! Так-так, не, а. І виникає природне бажання привести результати до єдиного стандарту.

Для цього існують показники відносні, і найвідоміший з них –

Середньоквадратичне відхилення (Mean square deviation)

Середньоквадратичне відхилення - статистична характеристика розподілу випадкової величини, що показує середній рівень розкиду значень величини щодо математичного очікування. Позначається грецькою σ (сигма) або літерою S .

p align="justify"> Середньоквадратичне відхилення вимірюється в одиницях самої випадкової величини і використовується при розрахунку стандартної помилки середнього арифметичного, при побудові довірчих інтервалів, при статистичній перевірці гіпотез, при вимірі лінійного взаємозв'язку між випадковими величинами.

Визначається як квадратний корінь із дисперсії випадкової величини. Стандартне відхилення на підставі зміщеної оцінки дисперсії (іноді званої просто вибірковою дисперсією):

S = √ 1 n n ∑ i = 1 ( x i − x ) 2 .

Стандартне відхилення на підставі незміщеної оцінки дисперсії:

S 0 = √ n n − 1 S 2 = √ 1 n − 1 n ∑ i = 1 ( x i − ¯ x ) 2 ,

де S 2 - Вибіркова дисперсія; x i - i-й елемент вибірки; n - обсяг вибірки; x — середнє арифметичне вибірки (вибіркове середнє):

x = 1 n n ∑ i = 1 x i = 1 n (x 1 + … + x n).

Більше значення середньоквадратичного відхилення показує більший розкид значень ознаки щодо середнього; менше значення, відповідно, показує, що величини у множині згруповані навколо середнього.

Поряд з дисперсією середньоквадратичне відхилення є одним із параметрів нормального розподілу. Чим вона вища, тим довша «хвости» розподілу.

В аналізі даних середньоквадратичне відхилення може використовуватися як міра мінливості значень ознак, ступеня відхилення бажаних показників від спостережуваних, а також для виявлення викидів та аномальних значень даних за допомогою правила трьох сигм.