Как найти отклонение от моды

Для
расчёта средней арифметической, среднего
квадратического отклонения, коэффициента
вариации применяем формулы во взвешенной
форме, так как данные сгруппированы и
представлены в виде интервального

№ группы	Группы предприятий по среднегодовой стоимости материальных оборотных фондов, млн.руб.	Число предприятий (f)	Середина интервала (х)	х* f	х-х	(х-х)2* f
1 группа	10-14	5	12	60	-11	605
2 группа	14-18	5	16	80	-7	245
3 группа	18-22	8	20	160	-3	72
4 группа	22-26	8	24	192	1	8
5 группа	26-30	7	28	196	5	175
Итого:		33		688		1105

ряда.

Для
расчета указанных величин нам понадобятся
некоторые промежуточные данные,
представленные в таблице 1.3

Таблица
1.3

1. Построение графика полученного ряда распределения: гистограммы и кумуляты

Для
расчёта средней арифметической
воспользуемся следующей формулой:

х = ∑ хf / ∑ f = 688/30
= приблизительно 23 (млн. руб.),

где х – значение
признака;

f
– частота повторения признака;

∑хf
– сумма произведений величины признаков
на их частоты;

∑f
– общая численность единиц совокупности.

Для вычисления
дисперсии воспользуемся следующей
формулой:

σ2 = ∑(х-х)2 f / ∑ f =
830 / 30 = 36,83 (млн. руб.)

Среднее квадратическое
отклонение для вариационного ряда
вычисляется по формуле:

σ==6,068
(млн. руб.)

Для вычисления
коэффициента корреляции воспользуемся
формулой:

V
= (σ
/х)*100 =26,38%

Таким
образом, колеблемость количества
предприятий от среднего значения
составляет 26,38 %, это значительный
коэффициент вариации и следовательно,
совокупность устойчива и средняя
величина является типичной для всей
совокупности.

Таблица
1.4

№ п/п	Показатель	Значение
1	Средняя арифметическая, млн. руб.	23 млн. руб.
2	Дисперсия, млн. руб.	36,83 млн. руб.
3	Среднее квадратическое отклонение, млн. руб.	6,068 млн. руб.
4	Коэффициент вариации, %	26,38%

Теперь вычислим
среднюю арифметическую, расчёт будем
производить по формуле для
среднеарифметической простой:

х = ∑ х / n
= 630 / 30 = 21 (млн. руб.),

где х – значение
вариант (индивидуальное значение
признака у отдельных единиц совокупности);

n
– число единиц совокупности.

Полученный результат
отличен от приведённого выше, так как
в данном случае расчет проводился для
несгруппированных значений признака,
представленных в виде дискретного ряда.

Мода
(Мо) – представляет собой значение
изучаемого признака, повторяющегося с
наибольшей частотой.

Первоначально
по наибольшей частоте определим модальный
интервал. Наибольшее число предприятий
– 8 – имеет среднегодовую стоимость
материальных оборотных фондов в интервале
18-22 млн. руб., который и является модальным.

Мода среднегодовой
стоимости материальных оборотных
фондов:

f2
– f1 8– 5

Mо
= x0 + I ——————— = 18 + 4————— = 20 (млн.
руб.)

( f2
– f1
) + (f2
— f3
) (8 – 5) + (8 — 5)

где
х0-нижняя граница модального интервала;

i-величина
модального интервала;

f2-частота
модального интервала;

f1-частота
интервала, предшествующего модальному;

f3-частота
интервала, следующего за модальным.

Значит,
наиболее часто встречаемая среднегодовая
стоимость материальных оборотных фондов
20млн. руб.

Медиана
(Ме) называется вариант, расположенный
в середине упорядоченного вариационного
ряда, делящий его на две равные части.

Прежде
всего найдем медианный интервал. Таким
интервалом очевидно будет интервал
среднегодовой стоимости материальных
оборотных фондов предприятий — 18-22 млн.
руб.

Половина
суммы Всех частот=33/2=16,5

Нижняя
граница интервала 18 млн. руб., его частота
8; частота накопленная до него, равна
10.

Медиана среднегодовой
стоимости материальных оборотных
фондов:

(∑f)
/2 – Sme 33 : 2 -10

Me = xме
+ iме
—————— = 20 + 4 ————— = 23,25(млн.
руб.)

fMe
8

где хме-нижняя
граница медианного интервала;

Iме-величина
медианного интервала;

∑f-сумма
частот ряда;

SMe-1
–сумма накопленных частот ряда,
предшествующих медианному.

Полученный результат
говорит о том, что из 30 предприятий 50%
имеют среднегодовую стоимость материальных
оборотных фондов более 23,25 млн. руб., а
50% предприятий менее 23,25 млн. руб.

Задание №2

Решение:

Для
изучения связи между явлениями и их
признаками строят корреляционную
таблицу и аналитическую группировку.

Сначала
установим связь между указанными
признаками методом аналитической
группировки. В качестве факторного
признака будет выступать среднегодовая
стоимость материальных оборотных
фондов, а в качестве результативного –
выпуск продукции. Строим рабочую таблицу.

Результаты
группировки отражены в таблице 5.

Таблица
5.

Зависимость
выпуска продукции от среднегодовой
стоимости материальных оборотных фондов

№ группы	Группировка предприятий по среднегодовой стоимости материальных оборотных фондов, млн.руб.	№ предприятия	Среднегодовая стоимость материальных оборотных фондов, млн. руб.	Выпуск продукции млн.руб.
I	10-15	7	15,0	30
11	13,0	35
12	12,0	21
28	10,0	24
29	14,0	36
30	11,0	19
Итого:	6	75	165
II	15-20	2	19,8	35
3	18,3	34
6	19,0	38
14	17,0	41
15	17,0	30
22	19,9	45
26	18,0	35
Итого:	7	129	258
III	20-25	1	24,7	39
5	24,9	50
9	22,8	46
10	20,7	38
13	23,5	27
16	21,3	47
17	21,7	42
21	23,7	48
23	22,9	43
27	23,8	40
Итого:	10	230	420
IV	25-30	4	28,0	61
8	27,0	51
18	26,0	34
19	27,0	57
20	30,0	46
24	29,0	48
25	29,0	60
Итого:	7	196	357

Для
установления наличия и характера связи
между среднегодовой стоимостью
материальных оборотных фондов и выпуском
продукции по данным рабочей таблицы 6
строим итоговую аналитическую таблицу.

Таблица
6

Зависимость
среднегодовой стоимости материальных
оборотных фондов от выпуска продукции

Группировка предприятий по среднегодовой стоимости материальных оборотных фондов, млн. руб.	Число пред-прия-тий	Среднегодовая стоимость материальных оборотных фондов, млн. руб.	Выпуск продукции, млн. руб.
Всего	В среднем на одно пр-тие	Всего	В среднем на одно пр-тие
10-15	6	75	12,5	165	27,5
15-20	7	129	18,43	258	36,86
20-25	10	230	2,3	420	42
25-30	7	196	28	357	51
Итого:	30	630	81,93	1200	157,36

По данным
аналитической таблицы мы видим, что с
ростом среднегодовой стоимости
материальных оборотных фондов, выпуск
продукции в среднем на одно предприятие
возрастает. Значит, между исследуемыми
признаками существует прямая корреляционная
зависимость.

Материалоотдача
характеризует стоимость продукции на
один рубль материальных оборотных
фондов.

Мо = В/Мз
,

Мо = 1200/630 =1,91 руб.

Материалоёмкость
отражает величину материальных затрат
приходящихся на 1 рубль выпущенной
продукции.

Ме= Мз/В = 630/1200 =
0,53 руб.

2). Для того чтобы
определить тесноту взаимосвязи между
факторным и результативным признаком
необходимо вычислить эмпирическое
корреляционное отношение —
.

Корреляционное
отношение вычисляется как корень
квадратный из отношения межгрупповой
дисперсии к общей дисперсии.

η=√δ2/σ2

Для этого необходимо
вычислить:

1. Среднюю из
   внутригрупповых дисперсий;

2. Межгрупповую
   дисперсию;

3. Общую дисперсию.

Рассчитаем среднюю
из внутригрупповых дисперсий по формуле:

Она отражает
вариацию выработки, обусловленную всеми
факторами.

Расчет произведем
в таблице 7, данные для которой возьмем
на основании табл.6.

Таблица 7

№ п/п	Выпуск продукции в среднем на одно предприятие (f)	Среднегодовая стоимость материальных оборотных фондов в среднем на одно предприятие (хi)	х* f	х-х	(х-х)2* f	σ2
1	27,5	12,5	343,75	-8	1760	11,2
2	36,86	18,43	679,33	-2,07	157,94	1
3	42	23	966	2,5	262,5	1,67
4	51	28	1428	7,5	2868,75	18,23
Итого:	157,36	81,93	3417,08		4907,19	32,1

(млн.руб.)

Вычислим межгрупповую
дисперсию по формуле:

,
где:

— среднее значение
результативного признака внутри j-той
группы,

— количество
предприятий в j-той
группе,

— среднее значение
признака среди исследуемой совокупности.

Межгрупповая
дисперсия характеризует систематическую
вариацию результативного порядка,
обусловленную влиянием признака,
фактора, положенного в основание
группировки. Она равна среднему квадрату
отклонений групповых (частных) средних
хi
и общей средней х.

(млн.руб.)

Суммирование
средней из внутригрупповых дисперсий
и межгрупповой дает общую дисперсию:

σ2 = δ2 + σ2

Общая дисперсия
отражает суммарное влияние всех возможных
факторов на общую вариацию.

σ2 = 31,2+8,57=39,74 (млн.
руб.)

Очевидно, чем
больше доля межгрупповой дисперсии в
общей дисперсии, тем сильнее влияние
группировочного признака (среднегодовой
стоимости материальных оборотных
фондов) на изучаемый признак (выпуск
продукции).

В статистическом
анализе широко используется эмпирический
коэффициент детерминации (η2) – показатель,
представляющий собой долю межгрупповой
дисперсии результативного признака и
характеризующий силу влияния
группировочного признака на образование
общей вариации:

η2 =

δ²

σ²

Эмпирический
коэффициент детерминации показывает
долю вариации результативного признака
f
под влиянием факторного признака х
(остальная часть общей вариации f
обуславливается вариацией прочих
факторов). При отсутствии связи
эмпирический коэффициент детерминации
равен нулю, а при функциональной связи
– единице.

31,2

η2 = =0,78 или 78%

39,74

Он показывает, что
среднегодовая стоимость материальных
оборотных фондов зависит от выпуска
продукции и 22% — влияние прочих факторов.

Эмпирическое
корреляционное отношение – это корень
квадратный из эмпирического коэффициента
детерминации.

Оно показывает
тесноту связи между группировочным и
результативным признаком.

Из соотношения
Чэддока видим, что связь между признаками
«тесная», так как

(0,7-0,9).

В корреляционной
таблице представим группировку по двум
взаимосвязанным признакам: факторному
(среднегодовая стоимость материальных
оборотных фондов) и результативному
(выпуск продукции).

Построим
корреляционную таблицу, образовав 4
группы с равными интервалами по обоим
признакам, полученные данные представим
в таблице 8:

Таблица 8

Распределение
предприятий по среднегодовой стоимости
материальных оборотных фондов и выпуску
продукции

Среднегодовая стоимость материальных оборотных фондов, млн. руб.	Выпуск продукции, млн. руб.	Итого:
19-30	30-41	41-52	52-63
10-15	4	2	—	—	6
15-20	1	5	1	—	7
20-25	1	3	6	—	10
25-30	—	1	3	3	7
Итого:	6	11	10	3	30

Как
видно из данных таблицы 8 распределение
числа предприятий произошло вдоль
диагонали, проведенной из левого верхнего
угла в правый нижний угол таблицы, т.е.
увеличение признака “среднегодовая
стоимость материальных оборотных
фондов” сопровождалось увеличением
признака “выпуск продукции”.

Характер
концентрации частот по диагонали
корреляционной таблицы свидетельствует
о наличии прямой тесной корреляционной
связи между изучаемыми признаками.

Выводы:
по результатам выполнения задания №2
можно сделать следующие выводы:

1. из
   таблицы 6. видно, что с ростом величины
   среднегодовой стоимости материальных
   оборотных фондов от группы к группе,
   увеличивается и величина выпуска
   продукции. Следовательно, связь между
   рассматриваемыми признаками прямая
   корреляционная;

2. выводы,
   сделанные в п.1) подтверждаются и
   корреляционной таблицей, где присутствует
   ярко выраженное распределение предприятий
   вдоль диагонали (таблица 8);

3. корреляционное
   отношение (0,88, т.е. близко к единице)
   свидетельствует, что на величину выпуска
   продукции существенно влияет величина
   среднегодовой стоимости материальных
   оборотных фондов.

Задание
№4

Относительная
величина динамики составляет 103,5 %, план
выполнен на 104,0 %. Определите относительную
величину планового задания.

Относительная
величина планового задания рассчитывается
как отношение уровня, запланированного
на предстоящий период, к уровню, фактически
сложившемуся в текущем периоде.

Задание
№5

Известны данные
о выпуске продукции предприятием, тыс.
руб.:

2009 г.	2010 г.	2011 г.	2012 г.
128,4	131,6	135,1	132,6

Определите
базисные и цепные показатели динамики:

а)
абсолютный прирост;

б)
темп роста;

в)
темп прироста.

Период	Продажи, млн.руб.	Абсолютный прирост	Темпы роста	Темп прироста
Цепные	базисные	Цепные	базисные	Цепные	базисные
2009	128,4	—	—	100	100	—	—
2010	131,6	3,2	3,2	102	102	2	2
2011	135,1	3,5	6,7	103	105	1	5
2012	132,6	-2,5	4,2	98	103	-5	3

1. Рассчитываем
   абсолютный прирост по формуле

1. Рассчитываем
   темпы роста по формуле:

1. Рассчитываем
   темпы прироста по формуле:

Список использованной
литературы

1. Статистика:
учебник для студентов средних проф.учебных
заведений. В.С. Мхитарян, Дубров Т.А.,
Минашкин В.Г. и др. – М.: Академия, 2007. –
272 с.

2. Статистика:
учебник/под ред. И.И. Елисеевой. — М.:
Высшее образование, 2007. – 566 с.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

• #
• #
• #
• #
• #
• #
• #
• #
• #
• #
• #

По имеющимся данным о ценах товара в различных магазинах города определить:

1) среднюю цену,

2) моду и медиану,

3) размах вариации,

4) среднее линейное отклонение,

5) дисперсию,

6) среднее квадратическое отклонение,

7) коэффициент осцилляции,

коэффициент вариации.

Решение:

1) Расчёт средней цены произведём по формуле средней арифметической простой:

  ден. ед.

2) Найдём моду и медиану.

Мода — это величина признака наиболее часто встречающегося в совокупности.

В данной задаче все цены индивидуальны, и нельзя сказать какая из цен встречается наиболее часто. Поэтому мода в данном ряду распределения отсутствует.

Для нахождения медианы варианты дискретного ряда ранжируем, например, по возрастанию и выберем вариант, стоящий в середине полученного ряда.

18,14
26,92
39,32
39,36
42,13
44,72
44,87
50,38
52,75
58,27
62,51
64,46
65,85
69,68
70,05
70,48
73,24
73,95
79,25
90,71

Так как ряд распределения состоит из чётного числа вариантов, середина приходится на среднее значение 10-го и 11-го варианта.

3) Размах вариации определяется как разность между наибольшим и наименьшим значением признака:

ден. ед.

4) Среднее линейное отклонение вычиляется как средняя арифметическая из абсолютных значений отклонений вариант х_i от среднего значения. Для удобства вычислений воспользуемся таблицей:

Варианты цен отклоняются от их средней величины  в среднем на 15,3078 ден. ед.

5) Расчёт дисперсии произведём по формуле:

6) Извлекая из дисперсии корень второй степени получаем среднее квадратическое отклонение.

Значения цен в ряду распределения могут отличаться от среднего значения на 18,0005 ден. ед.

7) Коэффициент осцилляции отражает относительную колеблемость крайних значений признака вокруг средней и определяется по формуле:

Коэффициент вариации рассчитывается по формуле

Поскольку  V < 33%, следовательно, вариация умеренная, а совокупность однородна.

Рассмотрим инструмент Описательная статистика, входящий в надстройку Пакет Анализа. Рассчитаем показатели выборки: среднее, медиана, мода, дисперсия, стандартное отклонение и др.

Задача

описательной статистики

(descriptive statistics) заключается в том, чтобы с использованием математических инструментов свести сотни значений

выборки

к нескольким итоговым показателям, которые дают представление о

выборке

.В качестве таких статистических показателей используются:

среднее

,

медиана

,

мода

,

дисперсия, стандартное отклонение

и др.

Опишем набор числовых данных с помощью определенных показателей. Для чего нужны эти показатели? Эти показатели позволят сделать определенные

статистические выводы о распределении

, из которого была взята

выборка

. Например, если у нас есть

выборка

значений толщины трубы, которая изготавливается на определенном оборудовании, то на основании анализа этой

выборки

мы сможем сделать, с некой определенной вероятностью, заключение о состоянии процесса изготовления.

Содержание статьи:

• Надстройка Пакет анализа;
• Среднее выборки

  ;

• Медиана выборки

  ;

• Мода выборки

  ;

• Мода и среднее значение

  ;

• Дисперсия выборки

  ;

• Стандартное отклонение выборки

  ;

• Стандартная ошибка

  ;

• Ассиметричность

  ;

• Эксцесс выборки

  ;

• Уровень надежности

  .

Надстройка Пакет анализа

Для вычисления статистических показателей одномерных

выборок

, используем

надстройку Пакет анализа

. Затем, все показатели рассчитанные надстройкой, вычислим с помощью встроенных функций MS EXCEL.

СОВЕТ

: Подробнее о других инструментах надстройки

Пакет анализа

и ее подключении – читайте в статье

Надстройка Пакет анализа MS EXCEL

.

Выборку

разместим на

листе

Пример

в файле примера

в диапазоне

А6:А55

(50 значений).

Примечание

: Для удобства написания формул для диапазона

А6:А55

создан

Именованный диапазон

Выборка.

В диалоговом окне

Анализ данных

выберите инструмент

Описательная статистика

.

После нажатия кнопки

ОК

будет выведено другое диалоговое окно,

в котором нужно указать:

• 
  входной интервал
  
  (Input Range) – это диапазон ячеек, в котором содержится массив данных. Если в указанный диапазон входит текстовый заголовок набора данных, то нужно поставить галочку в поле
  
  Метки в первой строке (
  
  Labels
  
  in
  
  first
  
  row
  
  ).
  
  В этом случае заголовок будет выведен в
  
  Выходном интервале.
  
  Пустые ячейки будут проигнорированы, поэтому нулевые значения необходимо обязательно указывать в ячейках, а не оставлять их пустыми;
• 
  выходной интервал
  
  (Output Range). Здесь укажите адрес верхней левой ячейки диапазона, в который будут выведены статистические показатели;
• 
  Итоговая статистика (
  
  Summary
  
  Statistics
  
  )
  
  . Поставьте галочку напротив этого поля – будут выведены основные показатели выборки:
  
  среднее, медиана, мода, стандартное отклонение
  
  и др.;
• Также можно поставить галочки напротив полей
  
  Уровень надежности (
  
  Confidence
  
  Level
  
  for
  
  Mean
  
  )
  
  ,
  
  К-й наименьший
  
  (Kth Largest) и
  
  К-й наибольший
  
  (Kth Smallest).

В результате будут выведены следующие статистические показатели:

Все показатели выведены в виде значений, а не формул. Если массив данных изменился, то необходимо перезапустить расчет.

Если во

входном интервале

указать ссылку на несколько столбцов данных, то будет рассчитано соответствующее количество наборов показателей. Такой подход позволяет сравнить несколько наборов данных. При сравнении нескольких наборов данных используйте заголовки (включите их во

Входной интервал

и установите галочку в поле

Метки в первой строке

). Если наборы данных разной длины, то это не проблема — пустые ячейки будут проигнорированы.

Зеленым цветом на картинке выше и в

файле примера

выделены показатели, которые не требуют особого пояснения. Для большинства из них имеется специализированная функция:

• 
  Интервал
  
  (Range) — разница между максимальным и минимальным  значениями;
• 
  Минимум
  
  (Minimum) – минимальное значение в диапазоне ячеек, указанном во
  
  Входном интервале
  
  (см.

  статью про функцию
  
  МИН()
  
  );

• 
  Максимум
  
  (Maximum)– максимальное значение (см.

  статью про функцию
  
  МАКС()
  
  );

• 
  Сумма
  
  (Sum) – сумма всех значений (см.

  статью про функцию
  
  СУММ()
  
  );

• 
  Счет
  
  (Count) – количество значений во
  
  Входном интервале
  
  (пустые ячейки игнорируются, см.

  статью про функцию
  
  СЧЁТ()
  
  );

• 
  Наибольший
  
  (Kth Largest) – выводится К-й наибольший. Например, 1-й наибольший – это максимальное значение (см.

  статью про функцию
  
  НАИБОЛЬШИЙ()
  
  );

• 
  Наименьший
  
  (Kth Smallest) – выводится К-й наименьший. Например, 1-й наименьший – это минимальное значение (см.

  статью про функцию
  
  НАИМЕНЬШИЙ()
  
  ).

Ниже даны подробные описания остальных показателей.

Среднее выборки

Среднее

(mean, average) или

выборочное среднее

или

среднее выборки

(sample average) представляет собой

арифметическое среднее

всех значений массива. В MS EXCEL для вычисления среднего выборки используется функция

СРЗНАЧ()

.

Выборочное среднее

является «хорошей» (несмещенной и эффективной) оценкой

математического ожидания

случайной величины (подробнее см. статью

Среднее и Математическое ожидание в MS EXCEL

).

Медиана выборки

Медиана

(Median) – это число, которое является серединой множества чисел (в данном случае выборки): половина чисел множества больше, чем

медиана

, а половина чисел меньше, чем

медиана

. Для определения

медианы

необходимо сначала

отсортировать множество чисел

. Например,

медианой

для чисел 2, 3, 3,

4

, 5, 7, 10 будет 4.

Если множество содержит четное количество чисел, то вычисляется

среднее

для двух чисел, находящихся в середине множества. Например,

медианой

для чисел 2, 3,

3

,

5

, 7, 10 будет 4, т.к. (3+5)/2.

Если имеется длинный хвост распределения, то

Медиана

лучше, чем

среднее значение

, отражает «типичное» или «центральное» значение. Например, рассмотрим несправедливое распределение зарплат в компании, в которой руководство получает существенно больше, чем основная масса сотрудников.

Очевидно, что средняя зарплата (71 тыс. руб.) не отражает тот факт, что 86% сотрудников получает не более 30 тыс. руб. (т.е. 86% сотрудников получает зарплату в более, чем в 2 раза меньше средней!). В то же время медиана (15 тыс. руб.) показывает, что

как минимум

у 50% сотрудников зарплата меньше или равна 15 тыс. руб.

Для определения

медианы

в MS EXCEL существует одноименная функция

МЕДИАНА()

, английский вариант — MEDIAN().

Медиану

также можно вычислить с помощью формул

=КВАРТИЛЬ.ВКЛ(Выборка;2) =ПРОЦЕНТИЛЬ.ВКЛ(Выборка;0,5).

Подробнее о

медиане

см. специальную статью

Медиана в MS EXCEL

.

СОВЕТ

: Подробнее про

квартили

см. статью, про

перцентили (процентили)

см. статью.

Мода выборки

Мода

(Mode) – это наиболее часто встречающееся (повторяющееся) значение в

выборке

. Например, в массиве (1; 1;

2

;

2

;

2

; 3; 4; 5) число 2 встречается чаще всего – 3 раза. Значит, число 2 – это

мода

. Для вычисления

моды

используется функция

МОДА()

, английский вариант MODE().

Примечание

: Если в массиве нет повторяющихся значений, то функция вернет значение ошибки #Н/Д. Это свойство использовано в статье

Есть ли повторы в списке?

Начиная с

MS EXCEL 2010

вместо функции

МОДА()

рекомендуется использовать функцию

МОДА.ОДН()

, которая является ее полным аналогом. Кроме того, в MS EXCEL 2010 появилась новая функция

МОДА.НСК()

, которая возвращает несколько наиболее часто повторяющихся значений (если количество их повторов совпадает). НСК – это сокращение от слова НеСКолько.

Например, в массиве (1; 1;

2

;

2

;

2

; 3;

4

;

4

;

4

; 5) числа 2 и 4 встречаются наиболее часто – по 3 раза. Значит, оба числа являются

модами

. Функции

МОДА.ОДН()

и

МОДА()

вернут значение 2, т.к. 2 встречается первым, среди наиболее повторяющихся значений (см.

файл примера

, лист

Мода

).

Чтобы исправить эту несправедливость и была введена функция

МОДА.НСК()

, которая выводит все

моды

. Для этого ее нужно ввести как

формулу массива

.

Как видно из картинки выше, функция

МОДА.НСК()

вернула все три

моды

из массива чисел в диапазоне

A2:A11

: 1; 3 и 7. Для этого, выделите диапазон

C6:C9

, в

Строку формул

введите формулу

=МОДА.НСК(A2:A11)

и нажмите

CTRL+SHIFT+ENTER

. Диапазон

C

6:

C

9

охватывает 4 ячейки, т.е. количество выделяемых ячеек должно быть больше или равно количеству

мод

. Если ячеек больше чем м

о

д, то избыточные ячейки будут заполнены значениями ошибки #Н/Д. Если

мода

только одна, то все выделенные ячейки будут заполнены значением этой

моды

.

Теперь вспомним, что мы определили

моду

для выборки, т.е. для конечного множества значений, взятых из

генеральной совокупности

. Для

непрерывных случайных величин

вполне может оказаться, что выборка состоит из массива на подобие этого (0,935; 1,211; 2,430; 3,668; 3,874; …), в котором может не оказаться повторов и функция

МОДА()

вернет ошибку.

Даже в нашем массиве с

модой

, которая была определена с помощью

надстройки Пакет анализа

, творится, что-то не то. Действительно,

модой

нашего массива значений является число 477, т.к. оно встречается 2 раза, остальные значения не повторяются. Но, если мы посмотрим на

гистограмму распределения

, построенную для нашего массива, то увидим, что 477 не принадлежит интервалу наиболее часто встречающихся значений (от 150 до 250).

Проблема в том, что мы определили

моду

как наиболее часто встречающееся значение, а не как наиболее вероятное. Поэтому,

моду

в учебниках статистики часто определяют не для выборки (массива), а для функции распределения. Например, для

логнормального распределения

мода

(наиболее вероятное значение непрерывной случайной величины х), вычисляется как

exp

(

m

—

s

²

)

, где m и s параметры этого распределения.

Понятно, что для нашего массива число 477, хотя и является наиболее часто повторяющимся значением, но все же является плохой оценкой для

моды

распределения, из которого взята

выборка

(наиболее вероятного значения или для которого плотность вероятности распределения максимальна).

Для того, чтобы получить оценку

моды

распределения, из

генеральной совокупности

которого взята

выборка

, можно, например, построить

гистограмму

. Оценкой для

моды

может служить интервал наиболее часто встречающихся значений (самого высокого столбца). Как было сказано выше, в нашем случае это интервал от 150 до 250.

Вывод

: Значение

моды

для

выборки

, рассчитанное с помощью функции

МОДА()

, может ввести в заблуждение, особенно для небольших выборок. Эта функция эффективна, когда случайная величина может принимать лишь несколько дискретных значений, а размер

выборки

существенно превышает количество этих значений.

Например, в рассмотренном примере о распределении заработных плат (см. раздел статьи выше, о Медиане),

модой

является число 15 (17 значений из 51, т.е. 33%). В этом случае функция

МОДА()

дает хорошую оценку «наиболее вероятного» значения зарплаты.

Примечание

: Строго говоря, в примере с зарплатой мы имеем дело скорее с

генеральной совокупностью

, чем с

выборкой

. Т.к. других зарплат в компании просто нет.

О вычислении

моды

для распределения

непрерывной случайной величины

читайте статью

Мода в MS EXCEL

.

Мода и среднее значение

Не смотря на то, что

мода

– это наиболее вероятное значение случайной величины (вероятность выбрать это значение из

Генеральной совокупности

максимальна), не следует ожидать, что

среднее значение

обязательно будет близко к

моде

.

Примечание

:

Мода

и

среднее

симметричных распределений совпадает (имеется ввиду симметричность

плотности распределения

).

Представим, что мы бросаем некий «неправильный» кубик, у которого на гранях имеются значения (1; 2; 3; 4; 6; 6), т.е. значения 5 нет, а есть вторая 6.

Модой

является 6, а среднее значение – 3,6666.

Другой пример. Для

Логнормального распределения

LnN(0;1)

мода

равна =EXP(m-s2)= EXP(0-1*1)=0,368, а

среднее значение

1,649.

Дисперсия выборки

Дисперсия выборки

или

выборочная дисперсия (

sample

variance

) характеризует разброс значений в массиве, отклонение от

среднего

.

Из формулы №1 видно, что

дисперсия выборки

это сумма квадратов отклонений каждого значения в массиве

от среднего

, деленная на размер выборки минус 1.

В MS EXCEL 2007 и более ранних версиях для вычисления

дисперсии выборки

используется функция

ДИСП()

. С версии MS EXCEL 2010 рекомендуется использовать ее аналог — функцию

ДИСП.В()

.

Дисперсию

можно также вычислить непосредственно по нижеуказанным формулам (см.

файл примера

):

=КВАДРОТКЛ(Выборка)/(СЧЁТ(Выборка)-1) =(СУММКВ(Выборка)-СЧЁТ(Выборка)*СРЗНАЧ(Выборка)^2)/ (СЧЁТ(Выборка)-1)

– обычная формула

=СУММ((Выборка -СРЗНАЧ(Выборка))^2)/ (СЧЁТ(Выборка)-1)

–

формула массива

Дисперсия выборки

равна 0, только в том случае, если все значения равны между собой и, соответственно, равны

среднему значению

.

Чем больше величина

дисперсии

, тем больше разброс значений в массиве относительно

среднего

.

Размерность

дисперсии

соответствует квадрату единицы измерения исходных значений. Например, если значения в выборке представляют собой измерения веса детали (в кг), то размерность

дисперсии

будет кг

²

. Это бывает сложно интерпретировать, поэтому для характеристики разброса значений чаще используют величину равную квадратному корню из

дисперсии – стандартное отклонение

.

Подробнее о

дисперсии

см. статью

Дисперсия и стандартное отклонение в MS EXCEL

.

Стандартное отклонение выборки

Стандартное отклонение выборки

(Standard Deviation), как и

дисперсия

, — это мера того, насколько широко разбросаны значения в выборке

относительно их среднего

.

По определению,

стандартное отклонение

равно квадратному корню из

дисперсии

:

Стандартное отклонение

не учитывает величину значений в

выборке

, а только степень рассеивания значений вокруг их

среднего

. Чтобы проиллюстрировать это приведем пример.

Вычислим стандартное отклонение для 2-х

выборок

: (1; 5; 9) и (1001; 1005; 1009). В обоих случаях, s=4. Очевидно, что отношение величины стандартного отклонения к значениям массива у

выборок

существенно отличается.

В MS EXCEL 2007 и более ранних версиях для вычисления

Стандартного отклонения выборки

используется функция

СТАНДОТКЛОН()

. С версии MS EXCEL 2010 рекомендуется использовать ее аналог

СТАНДОТКЛОН.В()

.

Стандартное отклонение

можно также вычислить непосредственно по нижеуказанным формулам (см.

файл примера

):

=КОРЕНЬ(КВАДРОТКЛ(Выборка)/(СЧЁТ(Выборка)-1)) =КОРЕНЬ((СУММКВ(Выборка)-СЧЁТ(Выборка)*СРЗНАЧ(Выборка)^2)/(СЧЁТ(Выборка)-1))

Подробнее о

стандартном отклонении

см. статью

Дисперсия и стандартное отклонение в MS EXCEL

.

Стандартная ошибка

В

Пакете анализа

под термином

стандартная ошибка

имеется ввиду

Стандартная ошибка среднего

(Standard Error of the Mean, SEM).

Стандартная ошибка среднего

— это оценка

стандартного отклонения

распределения

выборочного среднего

.

Примечание

: Чтобы разобраться с понятием

Стандартная ошибка среднего

необходимо прочитать о

выборочном распределении

(см. статью

Статистики, их выборочные распределения и точечные оценки параметров распределений в MS EXCEL

) и статью про

Центральную предельную теорему

.

Стандартное отклонение распределения выборочного среднего

вычисляется по формуле σ/√n, где n — объём

выборки, σ — стандартное отклонение исходного

распределения, из которого взята

выборка

. Т.к. обычно

стандартное отклонение

исходного распределения неизвестно, то в расчетах вместо

σ

используют ее оценку

s

—

стандартное отклонение выборки

. А соответствующая величина s/√n имеет специальное название —

Стандартная ошибка среднего.

Именно эта величина вычисляется в

Пакете анализа.

В MS EXCEL

стандартную ошибку среднего

можно также вычислить по формуле

=СТАНДОТКЛОН.В(Выборка)/ КОРЕНЬ(СЧЁТ(Выборка))

Асимметричность

Асимметричность

или

коэффициент асимметрии

(skewness) характеризует степень несимметричности распределения (

плотности распределения

) относительно его

среднего

.

Положительное значение

коэффициента асимметрии

указывает, что размер правого «хвоста» распределения больше, чем левого (относительно среднего). Отрицательная асимметрия, наоборот, указывает на то, что левый хвост распределения больше правого.

Коэффициент асимметрии

идеально симметричного распределения или выборки равно 0.

Примечание

:

Асимметрия выборки

может отличаться расчетного значения асимметрии теоретического распределения. Например,

Нормальное распределение

является симметричным распределением (

плотность его распределения

симметрична относительно

среднего

) и, поэтому имеет асимметрию равную 0. Понятно, что при этом значения в

выборке

из соответствующей

генеральной совокупности

не обязательно должны располагаться совершенно симметрично относительно

среднего

. Поэтому,

асимметрия выборки

, являющейся оценкой

асимметрии распределения

, может отличаться от 0.

Функция

СКОС()

, английский вариант SKEW(), возвращает коэффициент

асимметрии выборки

, являющейся оценкой

асимметрии

соответствующего распределения, и определяется следующим образом:

где n – размер

выборки

, s –

стандартное отклонение выборки

.

В

файле примера на листе СКОС

приведен расчет коэффициента

асимметрии

на примере случайной выборки из

распределения Вейбулла

, которое имеет значительную положительную

асимметрию

при параметрах распределения W(1,5; 1).

Эксцесс выборки

Эксцесс

показывает относительный вес «хвостов» распределения относительно его центральной части.

Для того чтобы определить, что относится к хвостам распределения, а что к его центральной части, можно использовать границы μ +/-

σ

.

Примечание

: Не смотря на старания профессиональных статистиков, в литературе еще попадается определение

Эксцесса

как меры «остроконечности» (peakedness) или сглаженности распределения. Но, на самом деле, значение

Эксцесса

ничего не говорит о форме пика распределения.

Согласно определения,

Эксцесс

равен четвертому

стандартизированному моменту:

Для

нормального распределения

четвертый момент равен 3*σ

⁴

, следовательно,

Эксцесс

равен 3. Многие компьютерные программы используют для расчетов не сам

Эксцесс

, а так называемый Kurtosis excess, который меньше на 3. Т.е. для

нормального распределения

Kurtosis excess равен 0. Необходимо быть внимательным, т.к. часто не очевидно, какая формула лежит в основе расчетов.

Примечание

: Еще большую путаницу вносит перевод этих терминов на русский язык. Термин Kurtosis происходит от греческого слова «изогнутый», «имеющий арку». Так сложилось, что на русский язык оба термина Kurtosis и Kurtosis excess переводятся как

Эксцесс

(от англ. excess — «излишек»). Например, функция MS EXCEL

ЭКСЦЕСС()

на самом деле вычисляет Kurtosis excess.

Функция

ЭКСЦЕСС()

, английский вариант KURT(), вычисляет на основе значений выборки несмещенную оценку

эксцесса распределения

случайной величины и определяется следующим образом:

Как видно из формулы MS EXCEL использует именно Kurtosis excess, т.е. для выборки из

нормального распределения

формула вернет близкое к 0 значение.

Если задано менее четырех точек данных, то функция

ЭКСЦЕСС()

возвращает значение ошибки #ДЕЛ/0!

Вернемся к

распределениям случайной величины

.

Эксцесс

(Kurtosis excess) для

нормального распределения

всегда равен 0, т.е. не зависит от параметров распределения μ и σ. Для большинства других распределений

Эксцесс

зависит от параметров распределения: см., например,

распределение Вейбулла

или

распределение Пуассона

, для котрого

Эксцесс

= 1/λ.

Уровень надежности

Уровень

надежности

— означает вероятность того, что

доверительный интервал

содержит истинное значение оцениваемого параметра распределения.

Вместо термина

Уровень

надежности

часто используется термин

Уровень доверия

. Про

Уровень надежности

(Confidence Level for Mean) читайте статью

Уровень значимости и уровень надежности в MS EXCEL

.

Задав значение

Уровня

надежности

в окне

надстройки Пакет анализа

, MS EXCEL вычислит половину ширины

доверительного интервала для оценки среднего (дисперсия неизвестна)

.

Тот же результат можно получить по формуле (см.

файл примера

):

=ДОВЕРИТ.СТЬЮДЕНТ(1-0,95;s;n)

s —

стандартное отклонение выборки

, n – объем

выборки

.

Подробнее см. статью про

построение доверительного интервала для оценки среднего (дисперсия неизвестна)

.

Содержание:

В результате статистической обработки материалов, полученных при измерении величины явления, можно подсчитать число единиц, обладающих конкретным значением того или иного признака.

Допустим, что в качестве изучаемого признака взят вес детали. Будем обозначать этот признак X. Измерения веса, например, 50 деталей дали следующие результаты (в г): 83, 85, 81, 82, 84, 82, 79, 84, 80, 81, 82, 82, 80, 82, 80, 82, 83, 84, 79, 79, 83, 82, 83, 85, 82, 82, 81, 80, 82, 82, .83,80, 82, 85, 81, 83, 81, 81, 83, 82, 81, 85, 83, 79, 81, 85, 81, 84, 81, 82.

Условились каждое отдельное значение признака обозначать

Если мы расположим отдельные значения признака (варианты) в возрастающем или убывающем порядке и укажем относительно каждого варианта, как часто он встречался в данной совокупности, то получим распределение признака, или вариационный ряд.

Вариационные ряды и их характеристики

Построим вариационный ряд для приведенного выше примера. Для этого находим наименьший вариант, равный 79 г, и, располагая варианты в возрастающем порядке, подсчитываем их частоту. Так, вариант 79 г встречается 4 раза, вариант 80 г — 5 раз и т. д. Расположим полученные варианты следующим образом (см. табл. 1).

Такой ряд называется вариационным рядом; он характеризует изменение (варьирование) какого-нибудь количественного признака (в нашем примере варьирование веса деталей). Следовательно, вариационный ряд представляет собой две строки (или колонки). В одной из них приводятся варианты, а в другой частоты.

Виды вариации

Вариация признака может быть дискретной и непрерывной. Дискретной вариацией признака называется такая, при которой отдельные значения признака (варианты) отличаются друг от друга на некоторую конечную величину (обычно целое число), т. е. даны в виде прерывных чисел. Непрерывной называется вариация, при которой значения признака могут отличаться одно от другого на сколь угодно малую величину. В качестве примера можно привести: для дискретной вариации признака — число станков, обслуживаемых одним рабочим, число семян в 1 кг и т. д.; для непрерывной вариации признака— процент выполнения рабочим нормы выработки, вес одного семени и т. д.

При непрерывной вариации распределение признака называется интервальным. Частоты относятся не к отдельному значению признака, как это бывает при дискретной вариации, а ко всему интервалу. Часто за значение интервала принимают его середину, т. е. центральное значение. В качестве примера можно привести интервальный вариационный ряд по проценту выполнения норм выработки.

Пример 1.

Распределение рабочих по проценту выполнения норм выработки.

Частость

Нередко вместо абсолютных значений. частот используют относительные величины. Для этой цели можно использовать долю частоты того или иного варианта (а также интервала) в сумме всех частот. Такая величина называется частостью и обозначается

Мы имеем частоты

Для получения суммы всех частот их нужно сложить

В математике используется знак (греческая буква сигма заглавная), означающий суммирование.

Следовательно, можно записать:

где значки 1=1 и i=n под и над  показывают, что суммированию подлежат все  при условии, что i принимает все целые значения от 1 до n.

В дальнейшем в подобных случаях (т. е. при суммировании по подстрочному номеру i) мы не будем записывать значения, принимаемые i, но будем помнить смысл записи (уже без указания значений, принимаемых i).

Для получения частости каждого варианта или интервала-нужно его частоту разделить на
   и т.д.,
где — частость первого варианта или интервала, — второго и т. д.

Вычислим частости, используя данные табл. 1:

Сумма всех частостей равна 1:

В нашем примере
0,08+0,1+0,2+0,28+0,16+0,08+0,1 = 1,00.
Частости можно выражать и в процентах (тогда сумма всех частостей равна 100%).

Границы интервалов

В интервальном вариационном ряду в каждом интервале различают нижнюю и верхнюю границы интервала:

При построении интервальных вариационных рядов в каждый интервал включаются варианты, числовые значения которых больше нижней границы и меньше или равны верхней грани це. Так, в табл.12 в интервал 95—100% попадают все рабочие, выполнившие нормы выработки от 95 до 100% включительно. Рабочие, выполнившие план на 100,01%, попадают в следующий интервал. Разумеется надо стремиться строить интервалы так, чтобы избегать попадания значительного числа случаев на границы интервалов.

Интервальные вариационные ряды бывают с одинаковыми и неодинаковыми интервалами. В последнем случае чаще всего встречаются интервалы последовательно увеличивающиеся.

Пример 2.

Вариационный ряд с равными интервалами:

Пример 2а.

Вариационный ряд с последовательно увеличивающимися интервалами:

Свойства сумм

Как видно (и из дальнейшего изучения материала), нам приходится иметь дело с суммами. Рассмотрим некоторые свойства сумм.

1)    Сумма ограниченного числа слагаемых, имеющих одну и ту же величину (сумма постоянной), равна произведению величины слагаемых на их число:

2)    Постоянный множитель может быть вынесен из-под знака суммы и введен под знак суммы:

3)    Сумма алгебраической суммы нескольких переменных равна алгебраической сумме сумм каждой переменной:

(легко обобщается на большее число слагаемых).

Величина интервала

Для выбора оптимальной величины интервала, т. е. такой величины интервала, при которой вариационный ряд не будет очень громоздким и в нем не исчезнут особенности явления, можно рекомендовать формулу:

где n — число единиц в совокупности.

Так, если в совокупности 200 единиц наибольший вариант равен 49,961, а наименьший — 49,918, то

Следовательно, в данном случае оптимальной величиной интервала может служить величина 0,005.

Плотность распределения

В качестве характеристики ряда распределения применяют плотность распределения, которую вычисляют как отношение-частот или частостей к величине интервала.  

Различают абсолютную плотность распределения:

и относительную плотность распределения:

где -— плотности распределения, абсолютная (со значком А) и относительная (со значком О).

Пример 3.

По данным примера 2 вычислим относительную плотность распределения. Для первого интервала

для второго интервала

Расщепление интервалов

Часто возникает необходимость в расщеплении интервалов. Для этой цели можно воспользоваться следующим методом для интервальных вариационных рядов с равными интервалами.

Расщепление производится при предположении, что плотность вариационного ряда изменяется по параболе второго порядка. Имеется в виду, что весь интервал разбивается на две части: первую, составляющую долю  в величине интервала, и вторую 1—. Соответственно частость расщепляемого интервала F распадается на В этом случае:

где А —    частость интервала, предшествующего расщепляемому;

В —    частость расщепляемого интервала;

С —    частость интервала, последующего за расщепляемым;

—    приращение частости интервала, предшествующего расщепляемому ();

 —    второе приращение частостей — (В—А)=С—2В+А].

Пример 4.

По данным примера 2 произведем расщепление интервала 100—125% на две части, выделим часть интервала 100—120% и определим удельный вес рабочих, выполняющих норму выработки от 100 до 120%.

Имеем:

Получаем частость по соответствующей формуле:

В случае неравных интервалов вычисление усложняется.

Графические методы изображения вариационных рядов

Большое значение для наглядного представления вариационного ряда имеют графические методы его изображения. Вариационный ряд графически может быть изображен в виде полигона, гистограммы, кумуляты и огивы.

Полигон распределения (Дословно — многоугольник распределения) строится в прямоугольной системе координат. Величина признака откладывается на оси абсцисс, частоты или частости (точнее — плотности распределения) — по оси ординат.

На оси абсцисс отмечаются точки, соответствующие, величине вариантов, и из них восстанавливаются ординаты (перпендикуляры), длина которых соответствует численности этих вариантов. Вершины ординат соединяются прямыми линиями. Чаще всего полигоны применяются для изображения дискретных вариационных рядов, но могут быть применены и для интервальных рядов. В этом случае ординаты, пропорциональные частоте или частости интервала, восстанавливаются перпендикулярно оси абсцисс в точке, соответствующей середине данного интервала. Для замыкания крайние ординаты соединяются с •серединой интервалов, в которых частоты или частости равны нулю.

Пример 5.

По данным примера 1 строим полигон.

 

Гистограмма распределения строится аналогично полигону в прямоугольной системе координат. В отличие от полигона при построении гистограммы на оси абсцисс берутся не точки, а отрезки, изображающие интервал, а вместо ординат, соответствующих частотам или частостям отдельных вариантов, строят прямоугольники с высотой, пропорциональной частотам или частостям интервала.

В случае неравенства интервалов гистограмма распределения строится не по частотам или частостям, а по плотности интервалов (абсолютной или относительной). При этом общая площадь гистограммы равна численности совокупности, если построение производится по абсолютной плотности, или единице, если гистограмма построена по относительной плотности.

Если соединить прямыми линиями середины верхних сторон прямоугольников, то получим полигоны распределения.

Разбивая интервалы на несколько частей и исходя из того, что вся площадь гистограммы должна остаться при этом неизменной, можно получить мелкоступенчатую гистограмму, которая в пределе (за счет уменьшения величины интервала) перейдет в плавную кривую, называемую кривой распределения.

Пример 6.

Имеются данные о диаметре 200 валиков (см. табл. 4).

Чтобы по этим данным построить вариационный ряд с равными интервалами, изобразить его с помощью гистограммы, а затем превратить ее в мелкоступенчатую, производим следующие действия:

а) Выбираем наименьший вариант, а затем наибольший и находим между ними разность. Делим полученную разность на число проектируемых интервалов и получаем величину каждого интервала.

Так, наименьший интервал 49,918, наибольший — 49,961. Разность 49,961—49,918=0,043.

Допустим, мы хотим получить пять интервалов, тогда величина каждого интервала равна

Следовательно, будем иметь такие интервалы:

49,918—49,928; 49,928—49,938 и т. д.

Строим рабочую таблицу, в которой подсчитываем численность каждого интервала путём . разноски данных из табл. 4 в рабочую табл. 5 и проставления черточек, соответствующих единице счета. По мере накопления четырех черточек перечеркиваем их одной чертой и ведем счет пятками (см. табл. 5).

На основании рабочей таблицы получаем следующий вариационный ряд (см. табл. 6).

б) По полученному вариационному ряду строим гистограмму распределения: на оси абсцисс откладываем диаметры валиков, начиная с 49,918 до 49,968, а на оси ординат проставляем масштаб; далее строим прямоугольники с высотой, пропорциональной количеству валиков в каждом интервале.

Соединяем прямыми линиями середины верхних сторон прямоугольников и получаем полигон (см. график 2).

Для получения мелкоступенчатой гистограммы разбиваем интервалы на две равные части и получаем:

Если построить гистограмму по новому вариационному ряду, с уменьшенными интервалами, то получим гистограмму с более мелкими ступенями. Учет требования о неизменности площади гистограммы приводит к необходимости увеличить масштаб оси ординат вдвое.

Можно продолжить процесс расчленения интервалов и дальше, получая все более и более мелкоступенчатую гистограмму.

Кумулятивная кривая (кривая сумм — кумулята) получается при изображении вариационного ряда с накопленными частотами или частостями в прямоугольной системе координат. При построении кумуляты дискретного признака на ось абсцисс наносятся значения признака (варианты). Ординатами служат вертикальные отрезки, длина которых пропорциональна накопленной частоте или частости того или иного варианта. Соединением вершин ординат прямыми линиями получаем ломаную (кривую) кумуляту.

Пример 7.

По данным табл. 4 построить кумуляту.

Составляем дискретный вариационный ряд с накопленными частотами (при наличии частостей можно для построения кумуляты пользоваться ими; см. табл. 8).

Накопленная частота определенного варианта получается суммированием всех частот вариантов, предшествующих данному, с частотой этого варианта.

Используя накопленные частоты, строим кумуляту.

При построении кумуляты- интервального вариационного ряда нижней границе первого интервала соответствует частота, равная нулю, а верхней границе — вся частота интервала. Верхней границе второго интервала соответствует накопленная частота первых двух интервалов (т. е. сумма частот этих интервалов) и т. д. Верхней границе последнего (максимального) интервала соответствует накопленная частота, равная сумме всех частот.

Пример 8.

По данным табл. 7 построить кумуляту.

Составляем интервальный вариационный ряд с накопленными частотами (см. табл. 9). По полученным накопленным частотам строим кумуляту (см. график 5).

Огива строится аналогично кумуляте с той лишь разницей, что на ось абсцисс наносят накопленные частоты, а на ось ординат — значения признака. Если лист бумаги, на котором изображена кумулята, повернуть на 90° и посмотреть на него с обратной стороны на свет, то можно увидеть огиву.

График 5. Кумулята интервального вариационного ряда

Пример 9. По данным табл. 9 построим огиву (см. график 6)-

Накопленные частоты можно получать не только в восходящем порядке, но и в нисходящем, тогда частоты вариантов суммируются снизу вверх.

Пример 10.

По данным табл. 7. вычислить накопленные частоты в нисходящем порядке.

Средние величины

В качестве одной из важнейших характеристик вариационного ряда применяют среднюю величину. Математическая статистика различает ряд типов средних величин: арифметическую, геометрическую, гармоническую, квадратическую, кубическую и др. Все перечисленные типы средних могут быть исчислены для случаев, когда каждый из вариантов вариационного ряда встречается только один раз, — тогда средняя называется простой или невзвешенной, — и для случаев, когда варианты или интервалы повторяются различное число раз. При этом число повторений вариантов или интервалов называют частотой или статистическим весом, а среднюю, вычисленную с учетом статистического веса, —взвешенной средней.

Выбор одного из перечисленных типов средних для характеристики вариационного ряда производится не произвольно, а в зависимости от особенностей изучаемого явления и цели, для которой средняя исчисляется.

Практически при выборе того или другого типа средней следует исходить из принципа осмысленности результата при суммировании или при взвешивании. Только тогда средняя применена правильно, когда в результате взвешивания или суммирования получаются величины, имеющие реальный смысл.

Обычно затруднения при выборе типа средней возникают лишь в использовании средней арифметической или гармонической. Что же касается геометрической и квадратической средних, то их применение ограничено особыми случаями (см. далее).

Следует иметь в виду, что средняя только в том случае является обобщающей характеристикой, если она применяется к однородной совокупности., В случае использования средней для неоднородных совокупностей можно прийти к неверным выводам. Научной — основой статистического анализа является метод статистических группировок, т. е. расчленения совокупности на качественно однородные группы.

Степенная средняя

Все указанные типы средних величин могут быть получены из формул степенной средней. Если имеются варианты то средняя из вариант тов может быть исчислена по формуле простой невзвешенной степенной средней порядка z

При наличии соответствующих частот  средняя исчисляется по формуле взвешенной степенной средней

где  — степенная средняя;

z — показатель степени, определяющий тип средней;

х — варианты;

m — частоты или статистические веса вариантов.

Средняя арифметическая получается из формулы степенной средней при подстановке z=1

средняя арифметическая невзвешенная и

средняя арифметическая взвешенная.

Пример 11.

Измерения 20 единиц продукции дали следующие результаты (колонки 1 и 2):

Вычислить средний размер единицы продукции.

Находим среднюю арифметическую. Для этого исчисляем в табл. 11 колонку 3

Здесь умножение значения признака на вес и суммирование этих произведений дает общий размер продукции, т. е. имеет реальный смысл.

Средняя гармоническая получается при подстановке в формулу степенной средней значения z =—1.

Средняя гармоническая простая

Средняя гармоническая взвешенная

Средняя гармоническая вычисляется в тех случаях, когда средняя предназначается для расчета сумм слагаемых, обратно пропорциональных величине данного признака, т. е. когда суммированию подлежат не сами варианты, а обратные им величины

или

Пример 12.

По следующим данным о работе 22 рабочих в течение 6 часов вычислить среднюю гармоническую взвешенную.

В данном случае взвешивание состоит в делении по каждой группе количества рабочих (m) на затраты времени по изготовлению одной детали (х). Для проверки правильности выбора типа средней осмыслим результат взвешивания. Исходя из того, что все рабочие работали по 6 часов, количество рабочих можно рассматривать как величину, определяющую общие затраты времени. Тогда результат деления представит вполне осмысленную величину:

Таким образом, средняя гармоническая в данном примере применена правильно. При использовании средней гармонической для упрощения расчетов целесообразно пользоваться таблицами обратных чисел (см. приложение VIII).

Средняя квадратическая получается из формулы степенной средней при подстановке z=2    

    

средняя квадратическая невзвешенная и 

средняя квадратическая взвешенная.

Средняя квадратическая используется только в тех случаях, когда варианты представляют собой отклонения фактических величин от их средней арифметической или от заданной нормы.

Пример 13.

Имеются результаты измерения отклонений фактической длины изделий от заданной нормы.

Вычислим среднюю величину отклонений.

Находим среднюю квадратическую взвешенную; для этого исчисляем в табл. 13 колонки 3 и 4:

Значит, средняя величина отклонений фактической длины изделий от заданной нормы составляет 1,08 мм. В данном случае средняя арифметическая была бы непригодна, так как в результате мы получили бы нуль

Средняя геометрическая получается из формулы степенной средней при подстановке z=0:

Для раскрытия неопределенности этого вида прологарифмируем обе части равенства:

Теперь при подстановке z в правую часть равенства получаем неопределенность вида Используя правило Лопиталя и дифференцируя отдельно числитель и знаменатель по переменной z, получаем:

Таким образом:
   
Потенцируя, находим среднюю:

Это и есть формула средней геометрической невзвешенной, которая записывается сокращенно так:

где П — знак произведения;

n — число вариантов.

Если использовать частоты (m), то средняя геометрическая взвешенная примет следующий вид:

Вычисления средней геометрической в значительной мере упрощаются применением логарифмирования. Для невзвешенной средней геометрической  получаем:

Для взвешенной средней геометрической:

Таким образом, логарифм средней геометрической есть средняя арифметическая, из логарифмов вариантов (см. формулы средней арифметической).

Средняя геометрическая используется главным образом при изучении динамики (см. раздел II).

Расчет средних коэффициентов и темпов. роста производится по формулам средней геометрической.

Пример 14.

Выпуск промышленной продукции производился предприятием в следующих размерах:

Чтобы найти средний месячный коэффициент и темп роста промышленной продукции, определяем помесячные коэффициенты роста , которые в данном случае и являются вариантами:

Из найденных трех помесячных коэффициентов роста (вариантов) определяем средний месячный коэффициент роста по формуле средней геометрической. Для этого найденные коэффициенты роста перемножаются и из произведения извлекается корень третьей степени

Из разобранного примера можно сделать два вывода: во-первых, что произведение трех найденных коэффициентов роста можно получить без их предварительного исчисления путем деления апрельского объема продукции (12,0) на январский объем (10,2):

и, во-вторых, что показатель степени корня, равный трем (число коэффициентов роста), можно получить вычитанием единицы из числа приведенных в примере месяцев (четыре).

Таким образом, наиболее удобной для исчисления среднего коэффициента роста следует считать формулу:

  

где n — число приведенных дат или периодов;

— последний член ряда;

— первый член ряда.

Математические свойства средней арифметической

Из вышеуказанных средних наиболее часто применяется средняя арифметическая. Знание свойств средней арифметической позволяет упрощенно ее вычислять.

Математические свойства средней арифметической:

1) Средняя постоянной величины равна этой же постоянной

величине.

2) Сумма отклонений от средней, умноженных на веса (частоты), равна нулю:

(если все веса равны единице)
или    

Докажем это свойство для средней взвешенной.

Имеем: варианты

частоты

 откуда 

и 

Подводя под общий знак суммы, получаем:

Следовательно,

Пример 15.

Вычислить среднюю (по колонкам 1 и 2) и убедиться в правильности выведенной формулы.

3)    Если у всех вариантов х частоты m равны друг другу, то средняя арифметическая взвешенная равна средней арифметической невзвешенной. 

Имеем

Тогда:

4)    Если из всех вариантов (х) вычесть постоянную величину и из результатов вычитания, т. е. из отклонений вариантов от этой постоянной величины вычислить среднюю  то она окажется меньше искомой средней на эту постоянную величину Поэтому, чтобы получить среднюю из вариантов нужно к найденной средней прибавить ту же постоянную величину:

если

Доказательство.

Имеем отклонения от постоянной величины обозначенные

    
Находим среднюю из         

Откуда

Пример 16.

Вычислить среднюю путем вычитания 1000 из всех вариантов по следующим данным (колонки 1 и 2).
.

Пример 17.

Используя данные прёдыдущего примера, можно убедиться, что если за взять не 1000, а 1004, то величина средней не изменится.

5) Если все варианты (х) уменьшить в одно и то же число раз, т. е. разделить на постоянную величину (k), и из частных  вычислить среднюю, то онa окажется уменьшенной в такое же число раз, а поэтому, чтобы получить среднюю из вариантов нужно найденную среднюю умножить на ту же постоянную величину (k):

Доказательство.

Имеем частные от деления вариантов х на постоянную величину k, обозначенные х’:

Находим среднюю из 

откуда

Пример 18.

Вычислить среднюю путем деления всех вариантов на 100 по следующим данным (колонки 1 и 2):

6) При вычислении средней вместо абсолютных значений весов (m) можно использовать относительные величины структуры (частости), т. е. удельные веса отдельных частот в общей сумме всех частот (см. § 4), или относительные величины координации, которые получаются путем отношения частот всех вариантов к одной из частот, принятой за единицу

Если же удельные веса частот выражены в процентах, то

где — частость, т. е. доля частоты варианта в общей сумме частот.

Доказательство.

Значит

Пример 19.

Вычислить средний размер детали по следующим данным (колонки 1 и 2):

Предварительно найдем относительные величины структуры (колонка 3), а затем вычислим средний размер детали, используя их в качестве весов:

Если теперь вычислить средний размер детали, используя в качестве весов частоты, то получим:

что согласуется с результатом, полученным ранее.

Для вычисления средней можно было использовать колонку 4 :  

7) Если в частотах (m) имеется общий множитель (A), то его можно при вычислении средней не принимать во внимание т. е. взвешивание производить по сокращенным частотам  Численное значение средней от замены частот (m) на сокращенные частоты не изменится

Доказательство.

Имеем:

Разделим частоты на общий множитель А, содержащийся в них:

Тогда

Пример 20.

Вычислить среднюю по данным табл. 20 (колонки 1 и 2), произведя взвешивание вариантов по сокращенным весам.

Вычисляем среднюю по указанной формуле, предварительно сократив веса и заполнив колонки 3 и 4.

Общая средняя равна-.-взвешенной средней из частных средних: 

где — частные средние, т. е. средние для отдельных групп совокупности;

— средняя из вариантов первой группы; 

— средняя из вариантов второй группы и т. д.;

 —    частоты отдельных групп;

 —    частота первой группы;

— частота второй группы и т. д.

Доказательство.

Пусть имеются частные средние:

Найдем среднюю для всей совокупности:

Пример 21.

В трех, партиях продукции численностью 1000, 2000 и 500 единиц найден средний вес детали (в кг): 3,3; 3,1; 3,7. Вычислить средний вес детали во всех трех партиях

9) Сумма квадратов отклонений от средней меньше суммы квадратов отклонений от произвольной величины (В) на величину поправки С, равной произведению объема совокупности на квадрат разности между средней и данной произвольной величиной:

для случая невзвешенной средней или

для случая взвешенной средней.

Доказательство для случая невзвешенной средней.

Имеем:

Пользуясь свойствами сумм (см. стр. 11), производим преобразования:

На основании второго свойства средней арифметической  а поэтому

откуда

Пример 22.

По данным табл. 21 (колонки 1 и 2) убедиться в правильности указанных соотношений.

Вычисляем колонки 3, 4, 5, 6, 7, 8, 9 и находим:

Подставляя полученные результаты в формулу

 имеем:

Метод отсчета от условного нуля

Упрощенное вычисление средней, состоящее в использовании ряда ее свойств, называется методом отсчета от условного нуля и предполагает:

1. вычитание из всех вариантов начала отсчета или «ложного нуля»
2. деление всех вариантов или отклонений вариантов от начала отсчета на общий множитель, содержащийся в них (k);
3. условное принятие центра интервала за значение признака всех единиц в данном интервале.

Кроме того, в качестве весов используют сокращенные частоты или относительные величины (структуры или координации).

Формула исчисления средней методом отсчета от условного нуля:

где , т. е. отклонение от начала отсчета делится на общий множитель, а исчисление средней из в зависимости от того, какими весами мы располагаем, производится по одной из следующих формул:

где — относительные величины координации (см. табл. 19).

Пример 23.

Вычислить средний вес зерен (на ) по данным колонок 1 и 2 табл. 22 (см. стр. 38), используя метод отсчета от условного нуля.

Используем формулу предварительно заполнив колонки 3, 4, 5 и 6 табл. 22:

Метод стандартизации средних

Часто сравниваемые совокупности неоднородны по своему составу, и выводы при использовании средних для подобных сравнений могут оказаться неправильными. Чтобы .этого избежать, используют метод стандартизации.

Метод стандартизации средних наиболее разработан в статистике населения (демографической) и медицинской статистике, когда производится сравнение совокупностей с различными Структурами. Стандартизация достигается элиминированием (устранением) влияния различия в структурах совокупностей. Результат сравнения характеризует различие в средних при условии, что структура сравниваемых совокупностей одинакова.

Рассмотрим применение метода стандартизации на примере из медицинской статистики. Имеются данные о двух больницах А и Б по отделениям и в целом.

Получается парадоксальное положение, при котором по больнице Б итоговая (общая) летальность (8,4%) ниже, чем в больнице А (9,2%), хотя по всем отделениям летальность в больнице Б выше (см. последние две колонки).

Причиной этого парадокса является отличие удельных весов разных отделений в больницах. Доля терапевтического отделения (по числу больных) с самой высокой летальностью составляет в больнице А 60%„ а в больнице Б — 20%, а доля хирургического отделения, с самой низкой летальностью, в больнице А — 20%, а в больнице Б — 60%.

Устраним влияние различия в структурах и стандартизуем распределение больных по отделениям. В качестве стандарта можно взять распределение больных по отделениям в любой больнице или привлечь данные о распределении больных нескольких других больниц. Возьмем за стандарт распределение больных в больнице А. Тогда по больнице А общая летальность (9,2%) останется без изменения. По больнице Б произведем пересчет.

Находим среднюю стандартизованную летальность больных больницы Б:

Таким образом, после стандартизации летальность в больнице Б оказалась значительно выше,, чем в больнице А:

Следует иметь в виду, что полученное значение стандартизованной средней может служить только для сравнительных целей, абсолютное же ее значение принимать во внимание не следует.

Если за стандарт принять распределение больных в больнице Б, то получим следующую стандартизованную летальность для больницы А:

а отношение стандартизованных средних почти не изменится:

Мажорантность средних

Если вычислить различные типы средних для одного и того же вариационного ряда, то численные их значения будут отличаться друг от друга. При этом средние по своей величине расположатся в определенном порядке. Наименьшей из перечисленных средних окажется средняя гармоническая, затем геометрическая и т. д., наибольшей — средняя квадратическая. Порядок возрастания средних при этом определяется показателем степени z в формуле степенной средней и вытекает из «правила мажорантности».

Так,
при z= —1 получаем среднюю гармоническую,

при z= 0    »»    геометрическую,

при z= 1    »»    арифметическую,

при z= 2    »»    квадратическую:

Подробное выяснение общего условия мажорантности впервые было произведено А. Я. Боярским, доказавшим, что если две средние должны удовлетворять соответственно уравнениям

и    

то первая из них мажорантна в отношении если при любом значении аргумента

Для степенной средней порядка z имеем:

Это отношение для положительных значений с показателем x растет вместе с показателем z.

Пример 24.

Вычислить различные типы средних,по следующим данным (колонки 1 и 2) и убедиться в правильности порядка возрастания средних:

Заполняем колонки с 3-й по 8-ю и по соответствующим формулам исчисляем средние взвешенные:

Порядок средних определился в соответствии с правилом мажорантности:

17,41 < 18,14 < 18,8< 19,37.

Медиана

В качестве характеристики вариационного ряда применяется медиана (), т. е. такое значение варьирующего признака, которое приходится на середину упорядоченного вариационного ряда. Если в вариационном ряде 2m + 1 случаев, то значение признака у случая m + 1 будет медианным. Если в ряду четное число 2m случаев, то медиана равна средней арифметической из двух срединных значений.

Формулы для исчисления медианы при нечетном и четном числе вариантов:

Пример 25.

Дано девять вариантов признака х, расположенных в возрастающем порядке:

Вычислить медиану.

Имеем нёчетное число вариантов:

Находим медиану

Пример 26.

Дано 12 вариантов признака х, расположенных в возрастающем порядке:    

Ищем медиану.

Имеем четное число вариантов:

При исчислении медианы интервального вариационного ряда сначала находят интервал, содержащий медиану, путем использования накопленных частот или частостей. Медианному интервалу соответствует первая из накопленных частот или частостей, превышающая половину всего объема совокупности.

Для нахождения медианы при постоянстве плотности внутри интервала, содержащего медиану, используют следующую формулу:

где —нижняя граница медианного интервала;

k — интервальная разность;

— накопленная частота интервала, предшествующего медианному;

— частота медианного интервала.

Пример 27.

По данным табл. 7 вычислить медиану.

Используем табл. 9, в которой дана колонка накопленных частот. Так как вариационный ряд содержит 200 единиц, то медиана будет 100-й единицей, входящей в интервал 49,938— 49,943 (определяется из колонки 3 табл. 9 по накопленной частоте 121, первой из накопленных частот, которая превышает половину всего объема вариационного ряда). Следовательно:

Вычислим медиану:

Медиана может быть определена и графически по кумуляте или огиве. Для определения медианы по кумуляте последнюю ординату, пропорциональную сумме всех частот или частостей, делят пополам. Из полученной точки восстанавливают перпендикуляр до пересечения с кумулятой. Абсцисса точки пересечения и дает значение медианы.

П р и м е р 28. По графику 5 определить медиану.

Последняя ордината, как видно из графика, равна 200. Деление этой ординаты пополам дает точку А (100). Перпендикуляр из точки А до пересечения с кумулятой дает точку В. Абсцисса точки В, равная 49,941, и будет медианой.

Медиана обладает тем свойством, что сумма абсолютных величин отклонений вариантов от медианы меньше, чем от любой другой величины (в том числе и от средней арифметической).

Доказательство. Допустим, что в упорядоченном вариационном ряду, состоящем из n вариантов, в качестве начала отсчета отклонений взят вариант, расположенный так, что число вариантов меньше его m, а больше n—m.

Найденную сумму абсолютных величин отклонений от этого варианта обозначим

Если теперь передвинуть начало отсчета на один вариант вверх так, чтобы вариантов, величина которых меньше начала отсчета, было m—1, а больше n—m+1, то при этом сумма абсолютных величин отклонений вариантов меньших, чем начало отсчета, от начала отсчета уменьшится на m • с, где с — разность между старым и новым началами отсчета.

В то же время сумма абсолютных величин отклонений больших вариантов от нового начала отсчета отклонений увеличится на (n—m) • с. Новая сумма абсолютных отклонений окажется равной

Следовательно, при таком передвижении начала отсчета вверх новая сумма абсолютных отклонений будет уменьшаться до тех пор, пока   т. е. пока m больше половины n.

При сумма абсолютных отклонений будет, следовательно, наименьшей, а затем при дальнейшем передвижении начала отсчета начнет увеличиваться.

Теперь следует учесть, что n-й вариант, расположенный в середине вариационного ряда, и есть медиана.

Таким образом, минимальное свойство медианы будет доказано.

Это свойство медианы может быть использовано при проектировке расположения трамвайных и троллейбусных остановок, бензоколонок, ссыпных пунктов и т. д.

Например, на шоссе длиной 100 км имеется 10 гаражей. Для проектирования строительства бензоколонки были собраны данные о числе предполагаемых ездок на заправку с каждого гаража. Результаты обследования представлены в табл, на стр. 45.

Нужно поставить бензоколонку так, чтобы общий пробег автомашин на заправку был наименьшим.

Решение: Вариант 1. Если бензоколонку поставить на середине шоссе, т. е. на 50-м километре, то пробеги с учетом числа ездок составят:

а)    в одном направлении: 43 • 10 + 24 • 15 + 22 • 5 + 13 • 20 +

+ 10-5 + 4-25 = 1310 км;

б)    в противоположном направлении: 10-15 + 28-30 + 36-10 +

+ 42-65 = 4080 км.

Общий пробег в оба направления окажется равным 5390 км.

Вариант 2. Уменьшения пробега можно достигнуть, если бензоколонку поставить на 63,85-м километре (средний участок шоссе с учетом числа ездок).

В этом случае пробеги составят:

а)    в одном направлении: 56,85-10 + 37,85-15 + 35,85-5 + 26,85 -20 + 23,85-5+17,85 • 25 + 3,85 -15 = 2475,75 км;

б)    в противоположном направлении: 14,15-30 + 22,15-10 + 28,15-65 = 2475,75 км.

Общий пробег в оба направления составит 4951,5 км и окажется меньше, чем при первом варианте, на 438,5 км.

Вариант 3. Наилучший результат, т. е. минимальный общий пробег, будет получен в том случае, если мы поставим бензоколонку на 78-м километре, что будет соответствовать медиане.

Тогда пробеги составят:

а) в одном направлении: 71 • 10 + 52 • 15 + 50 • 5 + 41 • 20 + 38-5 + 32-25+ 18-15 = 3820 км;

б) в противоположном направлении: 8 • 10+14 • 65 = 990 км.

Общий пробег равен 4810 км, т. е. он оказался меньше общих пробегов, рассчитанных по предыдущим вариантам.

Мода

Модой () называется вариант, наиболее часто, встречающийся в данном вариационном ряду. Для дискретного ряда мода, являющаяся характеристикой вариационного ряда, определяется по частотам вариантов и соответствует варианту  с наибольшей частотой.

         В случае интервального распределения с равными интервалами модальный интервал (т. е. содержащий моду) определяется пр наибольшей частоте, а при неравных интервалах — по наибольшей плотности.

Вычисление моды производится по следующей формуле:

где
— нижняя граница модального интервала;

k—интервальная разность;

— частота модального интервала;

— частота интервала, предшествующего модальному;

— частота интервала, последующего за модальным.

Пример 29.

По данным табл. 7 находим моду.

Наибольшая частота, равная 49 (колонка 2, табл. 7), соответствует интервалу 49,938—49,943, который и будет модальным.

Следовательно:

Подставляя в формулу найденные значения, вычислим моду

Как видно из разобранного примера и примера 27, для данного вариационного ряда мода и медиана очень близки друг к другу.

Симметричные вариационные ряды

Вариационные ряды, в которых частоты вариантов, равно отстоящих от средней, равны между собой, называются симметричными. Особенностью симметричных вариационных рядов является равенство трех характеристик: средней арифметической, моды и медианы:

Этим пользуются для распознания симметричности вариации в тех случаях, когда она затушевана тем, что средняя приходится не на середину интервала и не на границу между двумя интервалами, т. е. в результате сдвига интервалов группировки ряд частот как таковых оказывается не вполне симметричным.

Пример 30.

По данным табл. 7 определить среднюю и сопоставить с модой и медианой, вычисленными по этим же данным в примерах 27 и 29.

Вычисляем среднюю (см. табл. 26):

Найденную среднюю сопоставляем с модой и медианой, вычисленными ранее:
(из примера 27);

(из примера 29);

Полученные характеристики по своей величине близки друг к другу, что дает нам основание считать данный вариационный ряд не очень отклоняющимся от симметричного.

Асимметричные вариационные ряды

Вариационные ряды, в которых расположение вариантов вокруг средней неодинаково, т. е. частоты по обе стороны от средней изменяются по-разному, называются асимметричными или скошенными. Различают левостороннюю и правостороннюю асимметрию.

Меры колеблемости (вариации) признака

Средние величины, характеризуя вариационный ряд одним числом, не учитывают вариацию признака, между тем эта вариация существует. Для измерения вариации признака математическая статистика применяет ряд способов.

Вариационный размах (R) (или широта распределения) есть разность между экстремальными (крайними) значениями вариационного ряда. Он представляет собой величину неустойчивую, чрезвычайно зависящую от случайных обстоятельств; применяется в качестве приблизительной оценки вариации.

В последнее время вариационный размах стал применяться в ряде отраслей промышленности при статистическом изучении качества продукции.

где — наибольший вариант вариационного ряда;

— наименьший вариант вариационного ряда.

Среднее линейное отклонение или простое среднее отклонение (р —ро) представляет собой среднюю арифметическую из абсолютных значений отклонений вариантов от средней.

В зависимости от отсутствия или наличия частот вычисляют среднее линейное отклонение невзвешенное или взвешенное:

где прямые скобки, в которых заключены разности между вариантами и средней, показывают, что непосредственное суммирование и суммирование после взвешивания производится без учета знаков.

Средний квадрат отклонения — дисперсия (обычно обозначаемый или ) наиболее часто применяется и в теории и на практике в качестве меры колеблемости признака. Если дисперсию вычисляют для всей совокупности, то ее обозначают а и называют общей дисперсией:

Дисперсия невзвешенная

Дисперсия взвешенная

Таким образом, общая дисперсия есть средняя арифметическая из квадратов отклонений вариантов от их средней арифметической.

Среднее квадратическое отклонение ( или ) представляет собой квадратный корень из дисперсии:

Среднее квадратическое отклонение невзвешенное

Среднее квадратическое отклонение взвешенное

Достоинством этого показателя по сравнению со средним линейным отклонением () является то, что при его вычислении никакого условного допущения о необходимости суммирования отклонений вариантов от средней без учета их знаков мы не делаем, а используем формулу средней квадратической (см. формулу на стр. 25), по которой при возведении отклонений в квадрат их знак безразличен.

Учитывая, что среднее линейное отклонение и среднее квадратическое отклонение представляют собой абсолютные величины, выраженные в тех же единицах измерения, что и варианты, для характеристики колеблемости признака используют относительные показатели — коэффициенты вариации (V), представляющие собой отношение среднего линейного отклонения или среднего квадратического отклонения к средней, выраженное в процентах (или в долях единицы):

Коэффициент вариации по среднему линейному отклонению

Коэффициент вариации по среднему квадратическому отклонению
Видоизмененный показатель коэффициента вариации по среднему линейному отклонению () представляет собой показатель неровноты (Н). Он применяется в текстильной промышленности в. качестве меры колеблемости при изучении неровноты пряжи (по толщине, весу и другим показателям)

Показатель неровноты невзвешенный

Показатель неровноты взвешенный

— общая средняя;

 — количество вариантов, величина которых меньше, чем общая средняя;

n — объем вариационного ряда;

—средняя из вариантов меньших, чем общая средняя;

— сумма частот вариантов, меньших общей средней;

—сумма частот всех вариантов.

 Доказательство (для показателя неровноты невзвешенного) .

Подставляя в формулу вместо его значение  

получаем:

 (без умножения на 100).

Разделим весь вариационный ряд на две части. Пусть в первую часть включены варианты меньшие, чем общая средняя, а во вторую — большие, чем общая средняя.

Тогда

где

—сумма отклонений вариантов, больших, чем общая средняя, от общей средней дает положительную величину;

— сумма отклонений вариантов меньших, чем общая средняя, от общей средней дает отрицательную величину.

Но так как представляет сумму абсолютных значений отклонений, перед вторым слагаемым ставим знак минус. Наос-новании свойства средней арифметической о том, что 0, делаем вывод, что и следовательно,

Учитывая, что под знаком суммы слагаемых будет выносим из-под знака суммы:

Делим и умножаем числитель на 

Пример 31.

По данным табл. 27 о крепости одиночной нити (в г) вычислим показатели вариации признака: вариационный размах, показатель неровноты, коэффициенты вариации по среднему линейному отклонению и среднему квадратическому отклонению.

Вычисляем R:

Находим среднюю: 

Находим Н. Интервал 190—200 расчленяем на две части: 190—192,16 и 192,16—200.
Аналогично поступаем с частотами: так как вся частота данного интервала равна 69, то, предполагая равномерное распределение признака внутри интервала, получим, что на величину, равную единице интервала, приходится 6,9 единицы частот (абсолютная плотность); на новый интервал (190—192,16), в котором интервальная разность равна 2,16, придется 6,9*2,16 = 14,9 единицы частот. Для простоты возьмем 15. Суммируя частоты вариантов, меньших общей средней, получим 255 (см. колонку 5 табл. 27). Суммируя произведения х

Вычисляем и .

Учитывая одно из свойств средней, а именно, что сумма отклонений от средней, соответствующим образом взвешенных, равна нулю, практически поступают следующим образом. В колонке 7 табл. 27, несмотря на знак прямых скобок, указывающих на абсолютную величину отклонений, для отрицательных отклонений от средней знак минус оставляют и ведут вычисление только до перемены знака на плюс. Взвешивают отрицательные отклонения от средней (колонка 8 табл. 27) и, так как сумма взвешенных положительных отклонений от средней должна быть равна сумме взвешенных отрицательных отклонений от средней, для определения общей суммы взвешенных отклонений найденную сумму удваивают.

Получаем:

Вычисляем

Между средним квадратическим отклонением  и средним линейным отклонением существует определенное соотношение (такое же соотношение, как между и ). По свойству мажорантности всегда больше

Если объем совокупности достаточно большой и распределение признака в вариационном ряде близко к нормальному (см. раздел IV), то связь между  и определяется по формуле:  

Отклонения от 125 в обе стороны зависят от близости распределения к нормальному.

Пример 32.

По данным примера 31. найти соотношение между  и

Имеем:

Это отношение не намного отличается от теоретического (1,25), что косвенно свидетельствует о близости взятого распределения к нормальному.

Свойства дисперсии

Средний квадрат отклонения — дисперсия — обладает рядом свойств, которые позволяют упростить вычисления.

1) Дисперсия постоянной величины равна нулю:

где с — постоянная величина;

— дисперсия постоянной величины.

2) Если все значения вариантов признака х уменьшить на постоянную величину, то дисперсия не изменится. Это позволяет вычислить дисперсию вариационного ряда путем вычитания из вариантов начала отсчета

где — дисперсия вариантов х;

—дисперсия вариантов, уменьшенных вычитанием
 

Доказательство для невзвешенной дисперсии

Имеем: со средней со средней

Тогда 

3)    Дисперсия алгебраической суммы независимых случайных величин (см. стр. 115 и далее) равна сумме их дисперсий:

4)    Если все значения вариантов х уменьшить в k раз, то дисперсия уменьшится в раз:

где —дисперсия из частных, полученных в результате деления вариантов на постоянную величину k.
 

Доказательство для невзвешенной дисперсии

Имеем: со средней со средней  Тогда:
  
Отсюда:    

5) Дисперсия суммы двух случайных величин, связанных корреляционной зависимостью, равна сумме их дисперсий плюс удвоенное произведение среднеквадратических отклонений на коэффициент корреляции между этими случайными величинами

где  — коэффициент корреляции между величинами у и х, определяемый по формуле

(Значение его как меры тесноты связи см. раздел «Корреляция».)

Пример 33.

Даны случайные величины у и х, связанные корреляционной зависимостью так, что  =0,5.

Найти дисперсию суммы этих случайных величин (для простоты дан пример без взвешивания).

Находим средние:

Определяем дисперсии:

Используя рассматриваемую формулу, имеем:

Убедимся, что если х + у = z, то получаем три значения z: 4, 8 и 9.
Находим: среднюю

дисперсию

т. е.

Результаты вычисления, произведенные по непосредственным данным и суммированным, совпадают. 

6) Дисперсия суммы двух случайных величин, связанных Линейной функциональной зависимостью (см. раздел «Корреляция»), равна сумме их дисперсий плюс или минус удвоенное произведение среднеквадратических отклонений:

В данной формуле знак плюс или минус определяется характером связи. При прямолинейной связи у с х знак, о котором идет речь, совпадает со знаком Если то в формуле берем знак плюс, если то берем знак минус.

Пример 34.

Даны две случайные величины х и у, связанные уравнением у=2+Зх.

Найти дисперсию суммы этих случайных величин. Находим средние:

Определяем дисперсии по формуле:

Используем рассматриваемую формулу. В данном случае берем знак плюс:

Убеждаемся, что если х + у = z, то получаем три значения z: 6, 14 и 22.

Находим: среднюю

дисперсию

т. е.

Вычисление дисперсии методом отсчета от условного нуля

Практически расчет дисперсии производят по формуле, упрощающей вычисления. Эта формула получена с учетом свойств дисперсии, а расчет по ней называется отсчетом от условного нуля:

Доказательство. Возьмем выражение     произведем некоторые преобразования и получим:

Так как второе слагаемое в фигурной скобке равно нулю:  то,  продолжая преобразования, получаем:

Отсюда:

и

Пример 35.

По данным табл. 27 (колонки 2 и 3) рассчитать дисперсию, используя формулу, упрощающую вычисления. Располагаем данные, необходимые для ее вычисления, в таблице (см. табл. 30).

Величина дисперсии совпадает с величиной, полученной в примере 31, но в данном случае вычисления в значительной мере упрощены.

Из формулы вытекает еще одна формула дисперсии.

При получаем:

или

где — средняя из квадратов вариантов.

— квадрат средней

Так, если вычислить дисперсию по данным табл. 27, пользуясь этой формулой, то получим:

Результат совпадает с дисперсией, полученной по этим данным в примере 31.

Частные дисперсии

Для каждой группы вариантов вариационного ряда может быть исчислена наряду с частной средней и дисперсия, которая называется частной дисперсией или внутригрупповой,

(невзвешенная);

 (взвешенная),

Где  — частная средняя i-й группы;

—частная дисперсия i-й группы.

( означает суммирование по i-й части совокупности).

Средняя из частных дисперсий

Из частных, т. е.

внутригрупповых, дисперсий может быть найдена средняя, которая обозначается

Средняя из частных дисперсий служит для характеристики среднего рассеяния признака внутри групп.

Межгрупповая дисперсия

Частные средние по группам могут не совпадать с общей средней Мерой колеблемости частных средних вокруг общей средней является меж-
групповая дисперсия — дельта квадрат в среднем

Правило сложения вариаций

Между общей дисперсией, средней из частных дисперсий и межгрупповой дисперсией «существует такая связь:    

Это — правило сложения вариации (или дисперсий).

Доказательство.

Пусть общая совокупность состоит из t групп численностью и

Частные средние общая средняя  и дисперсия

Частные дисперсии можно записать следующим образом.

откуда

Суммируя для всей совокупности, получаем:

Умножим обе части этого равенства на  тогда

Вычитая из обеих частей равенства  получим:

Левая часть равенства представляет собой общую дисперсию, т. е. . В правой части первое слагаемое есть средняя из частных дисперсий, т. е. а разность двух последних выражений— межгрупповая дисперсия Тогда:

Пример 36.

Используя данные табл. 27 и расчленяя вариационный ряд на две группы (1-я группа с интервала 120—130 до интервала 190—200 включительно, а 2-я группа с •интервала 200—210 до интервала 260—270), исчислить частные дисперсии, среднюю из частных дисперсий и межгрупповую дисперсию.

Начинаем расчет с 1-й группы (см. табл. 33):

= 195; k= 10;

Для 2-й группы получаем (по тем же формулам):

Вычисляем среднюю из частных дисперсий:

Находим межгрупповую дисперсию, используя общую среднюю для всего вариационного ряда, найденную в примере 31 и равную 192,16

Для получения общей дисперсии используем правило сложения вариации:

Результат совпадает с дисперсией, вычисленной в примере 31 по табл. 27 без расчленения вариационного ряда на две группы.

Вариация альтернативного признака

Наряду с количественной вариацией признака может иметь место и качественная вариация. Если, имеются два взаимно исключающих друг друга варианта, то вариация признака называется альтернативной.

Так, например, рассмотрение выпущенной продукции с точки зрения ее качества, т. е. пригодности к дальнейшему использованию, дает альтернативный признак. Обозначая наличие признака 1, а отсутствие — 0 и долю вариантов, обладающих данным признаком, — р, а долю вариантов, не обладающий им, — q

и замечая, что p + q=1, получаем сначала среднюю:

, а затем дисперсию альтернативного признака:

Следовательно,

§ 35. Из дисперсии альтернативного признака извлечением корня находится среднее квадратическое отклонение:

Пример 37.

Совокупность состоит из 10000 электрических, лампочек, включающих в свой состав 20 бракованных. Найти дисперсию признака и среднее квадратическое отклонение.

Находим долю брака и долю доброкачественных лампочек:

По формуле вычислим дисперсию:

а затем среднее квадратическое отклонение:

Попытки измерить колеблемость признака путем нахождения средней арифметической из квадратов разностей вариантов во всех возможных их попарных сочетаниях не вносят-ничего принципиально нового.

Можно доказать, что этот показатель представляет собой дисперсию, умноженную на 2, т. е.

Пусть, например, имеются варианты:

1; 3; 5; 6; 10.

Исчислим среднюю и дисперсию:

Вычислим абсолютные разности всех возможных попарных сочетаний, включая и сочетания каждого варианта с ним же:

1)    Разности попарных сочетаний с первым вариантом

1 — 1=0; 3—1=2; 5—1=4; 6—1 = 5; 10—1=9.

2)    Разности попарных сочетаний со вторым вариантом

3 — 3 = 0; 3—1 =2; 3 —5 = 2; 3 — 6 = 3; 3—10 = 7

и далее:

5    —5 = 0; 5—1 =4; 5 —3 = 2; 5 —6= 1; 5—10 = 5;

6    — 6 = 0; 6—1 =5; 6 — 3 = 3; 6 — 5= 1; 6—10 = 4;

10 — 10 = 0; 10 — 1 = 9; 10 —3 = 7; 10 —5 = 5; 10 —6 = 4.

Находим сумму квадратов 25 разностей и делением на 25 — среднюю арифметическую из квадратов разностей:

Замечаем, что этот же результат можно получить умножением дисперсии () на 2:

9,2*2=18,4.

Квартили и децили

Как уже было показано, медиана — это вариант, который делит упорядоченный вариационный ряд на две равные по объему группы. В каждой группе аналогично можно найти также вариант, делящий ее на две подгруппы. Такие варианты называются квартилями.

Различают нижний и верхний квартили. Иногда вычисляют и децили, т.е. такие варианты, которые делят вариационный ряд на 10 равных по объему групп.

При отношении объема двух подгрупп, как  к  имеем нижний квартиль при отношении объемов подгрупп к  верхний квартиль а при отношениях объемов групп  к    к  и т.д. —децили.
Формулы для расчетов в интервальном ряду:

нижнего квартиля

верхнего квартиля

где — минимальная граница интервала, содержащего нижний квартиль (определяется по накопленным частотам);

—то же, для верхнего квартиля;

k — интервальная разность;

 —накопленная частота интервала, предшествующего интервалу, содержащему нижний квартиль;

—то же, для верхнего квартиля;

—частота интервала, содержащего нижний квартиль;

—то же, для верхнего квартиля.

Вычисление децилей ничем принципиально не отличается от вычисления медианы и квартилей. Так, первый и второй децили могут быть вычислены по формулам:

и т.д.

Пример 38.

По данным табл. 7 вычислить нижний и верхний квартили (рекомендуется предварительно вспомнить вычисление медианы).

Используем табл. 9, в которой дана колонка накопленных частот. Нижний квартиль рассчитывается по соответствующей формуле Из итога колонки 2 табл. 9 видно, что численность совокупности для этого ряда равна 200 единицам. Следовательно, нижний квартиль соответствует 50-й единице. По колонке накопленных частот (3) видим, что нижний квартиль содержится в интервале 49,933—49,938, потому что первая из накопленных частот, превышающих 50, — это накопленная частота данного интервала.

Следовательно:

Находим нижний квартиль:

Верхний квартиль отвечает 150-й единице и содержится в интервале 49,943-49,948 (так как первая из накопленных частот, превышающая 150, равна 164 и соответствует данному интервалу).

Находим верхний квартиль:

Квартиль

В качестве характеристики колеблемости вариационного ряда применяется относительный показатель, подобный коэффициенту вариации, но для вычисления которого используются нижний и верхний квартили и медиана. Этот показатель называют квартилем без добавления слова нижний или верхний. Он исчисляется по формуле:

где — половина межквартильного расстояния.

Пример 39.

По результатам исчисления медианы, а также нижнего и верхнего квартилей по табл. 7 (см. примеры 27 и 38) найти квартиль.

Имеем:

Интересно, что величина коэффициента вариации, по данным табл. 7, довольно близка к полученной величине квартиля:

Моменты распределения

Обобщающими характеристиками вариационных рядов являются моменты распределения. Характер распределения может быть определен с помощью небольшого числа моментов. Способ моментов был разработан русским математиком П. Л. Чебышевым и успешно применен А. А. Марковым для рассмотрения возможностей использования закона нормального распределения при изучении сумм: большого, но конечного числа независимых случайных величин.

Средняя из k-x степеней-отклонений вариантов х от некоторой постоянной величины А называется моментом k-гo порядка:

При исчислении средней в качестве весов могут быть использованы частоты, частости или вероятности (см. раздел II). При использовании в качестве весов частот или частостей моменты называются эмпирическими, а при использовании вероятностей — теоретическими.

Порядок момента определяется величиной k. Эмпирический момент k-гo порядка находится как отношение суммы произведений k-x степеней отклонений вариантов от постоянной величины А на частоты к сумме частот:

В зависимости от выбора постоянной величины А различают следующие моменты:

1) Если постоянная величина А равна нулю (А=0), то моменты называются начальными. Приводим формулу всех начальных моментов:

Тогда:

при k = 0 получаем 

при k=1

при k=2

при k = 3

при k = 4

и т. д. Практически используют моменты первых четырех порядков.

Пример 40.

Вычислить начальные моменты первых четырех порядков, если варианты х имеют как отрицательные, так и положительные значения.

Располагаем все расчеты в таблицу:

Вычисляем моменты:

2) Если А не равно нулю, а некоторой произвольной величине (начало отсчета), то моменты называются начальными относительно и обозначаются

При подстановке различных значений k получаем начальные моменты относительно
при k=0

при k=1

при k=2

при k=3

при k=4

и т.д.

Из формулы момента первого порядка вытекает, что  т. е. средняя арифметическая равна началу отсчета плюс начальный момент первого порядка относительно начала отсчета. Если отклонения х от имеют общий множитель С, то на него можно разделить отклонения, а по окончании вычислений полученный момент умножить на этот множитель в соответствующей степени, т. е.

Отсюда следует, что 

При сравнении с вычислением средней методом отсчета от условного нуля видно, что (см. стр. 37) и тождественны. Поэтому вычисление средней методом отсчета от условного нуля иногда называют методом моментов.

Пример 41.

Вычислить начальные моменты относительно = 20 первых четырех порядков по данным колонок 1 и 2 табл. 35.

Располагаем все расчеты в таблицу:
Таблица 35

Возьмем в качестве вариант, равный 20, вычислим колонку 3, разделим все отклонения от начала отсчета на общий множитель С, равный 2, и получим значения в колонке 4, для которых начальные моменты вычислены в примере 40.

Для получения нужно найденные в примере 40 начальные моменты умножить на С, равное 2, в соответствующей степени:

Практически при нахождении начальных моментов относительно поступают следующим образом:

из всех вариантов вычитают начало отсчета и находят отклонения
делят эти отклонения на общий множитель 
находят начальные моменты для

путем умножения найденных начальных моментов на получают начальные моменты относительно
3) Если за постоянную величину А взять среднюю  то моменты называются центральными и обозначаются 

Тогда:

при k = 0

центральный момент нулевого порядка равен единице
при k=1

центральный момент первого порядка равен нулю
при k = 2

центральный момент второго порядка равен дисперсии и служит мерой колеблемости признака

при k = 3

центральный момент третьего порядка служит мерой асимметрии распределения признака. Если распределение симметрично, то
При k = 4

центральный момент четвертого порядка

Пример 42.

Вычислим центральные,моменты первых четырех порядков по данным табл. 36 (колонки 1, 2).

Располагаем все расчеты в таблицу (см. табл. 36). Получаем:

§ 40. Существует связь между начальными моментами первых четырех порядков вариантов  и начальным моментом 4-го порядка вариантов для случая, когда варианты меньше вариантов на единицу:

где — четвертый начальный момент вариантов

В правой части формулы все начальные моменты (от нулевого порядка до четвертого порядка) вариантов .

Практически данная формула используется для проверки

вычисления начальных моментов первых четырех порядков вариантов путем вычисления начального момента 4-го порядка новых вариантов  полученных прибавлением к вариантам единицы.

Если исчисления непосредственно из данных по формуле

и по формуле связи между моментами дают тождественные результаты, то это свидетельствует о правильности всех начальных моментов первых четырех порядков, вычисленных для вариантов

Пример 43.

Проверим правильность начальных моментов первых четырех порядков, вычисленных в примере 40.

Располагаем все расчеты в таблицу:

В колонке 3 записываем новые варианты путем прибавления к старым вариантам единицы.

Получаем по формуле:

Для расчетов по формуле связи между моментами привлекаем данные из примера 40:

Получаем:

Результаты совпадают, следовательно, начальные моменты первых четырех порядков в примере 40 вычислены правильно.

Вычисление центральных моментов, привлекаемых в качестве характеристик вариационного ряда, по формуле

 с точки зрения вычислительной техники довольно громоздко. Поэтому сначала вычисляют начальные моменты-относительно а для нахождения центральных моментов используют формулу перехода от начальных моментов, вычисленных относительно к центральным:

Знаки в формуле чередуются.

и т. д. обозначают числа сочетаний из: k по 1; k по 2; k по 3 и т. д.

Полагая в этой формуле k равным 0, 1, 2, 3, 4 и т. д., можем получить центральные моменты различных порядков:

Для вычисления центральных моментов высших порядков по найденным центральным моментам низших порядков и начальным моментам относительно подставляем в формулу третьего центрального момента величину найденную из формулы второго центрального момента:

т. е.

Пример 44.

Используя данные примера 41, где вычислены начальные моменты относительно  = 20, вычислим центральные моменты первых четырех порядков по соответствующим формулам и сверим полученные результаты с центральными моментами, вычисленными в примере 42.

Из примера 41 имеем:

По формулам центральных моментов получаем, используя начальные моменты:

Сравнивая центральные моменты первых четырех порядков, вычисленные по указанным формулам, с центральными моментами, вычисленными в примере 42 непосредственно по формуле убеждаемся в сравнительной простоте исчисления центральных моментов по приведенным в этом параграфе формулам.

Аналогично используются и формулы центральных моментов высших порядков по центральным моментам низших порядков.

Вычислим третий центральный момент по второму центральному моменту и начальным относительно моментам:

Вычислим и четвертый центральный момент по третьему и второму центральным моментам и начальным относительно моментам:

Исчисление центральных моментов сводится к:

1. нахождению начальных моментов и их проверке:
2. нахождению начальных моментов относительно произвольно выбранного начала отсчета
3. использованию формул перехода от начальных моментов относительно произвольно выбранного начала отсчета к центральным моментам

Пример 45.

По данным табл. 38 (колонки 1, 2 и 3) вычислить центральные моменты первых четырех порядков:

Начнем с вычисления начальных моментов. Для этого выбираем = 44,5, находим отклонения вариантов х от и делим эти отклонения на общий множитель с=3.

Все действия производим в табл. 38 и получаем колонку (колонка 4). Далее, произведя расчеты по формуле   находим начальные моменты. Для этого рассчитываем колонки 5, 6, 7 и 8.

Для простоты расчета числа колонки 5 получают перемножением чисел, расположенных в колонках 2 и 4, числа колонки 6 получают перемножением чисел колонок 4 и 5, числа колонки 7— перемножением чисел колонок 4 и 6 и т. д.

Проверяем вычисление начальных моментов первых четырех порядков. Для этого вычисляем колонки 9 и 10.

Числа колонки 9 получают прибавлением к числам колонки 4 единицы. Числа колонки 10 (а можно и получают, используя таблицу, имеющую следующий вид:

В колонке 1 таблицы указаны частоты (m) от 1 до 50, а в верхнем заголовке — числа х’ или х». Произведения  или находятся на пересечении соответствующей строки и столбца.

Так, если

если

и т. д. (см. приложение VII).

Используя формулу получаем:

Исчисляя  непосредственно по формуле  получаем:

Результаты вычисления по двум формулам совпадают, что свидетельствует о правильности расчета первых четырех начальных моментов.

Находим начальные моменты первых четырех порядков относительно выбранного начала отсчета 44,5 по формуле

Находим центральные моменты, используя формулы перехода от начальных моментов, вычисленных относительно

Вычисление моментов способом сумм

Вычисление моментов при равно отстоящих значениях признака может производиться двумя способами: 1) способом произведений, использованным нами ранее во всех случаях вычислений моментов, и 2) способом сумм, являющимся более упрощенным.

Таблица, в которой производятся все подготовительные расчеты для вычисления начальных четырех моментов, включает в себя колонки х и m и, кроме этого, 4 нумерованные колонки.

Рассмотрим пример вычисления начальных моментов способом сумм по данным табл. 38 (см. табл. 40).

Вся таблица делится на две части чертой, проведенной против частости, соответствующей В каждой части таблицы суммирование частот производится отдельно. Для верхней части таблицы в колонке 1 идут накопленные частоты начиная сверху, а для нижней части таблицы — начиная снизу. В остальных колонках накопление производится так же и заканчивается на одну клетку раньше, чем в предыдущей колонке.

Для получения ( —) суммируются числа верхней части таблицы, а для ( + ) —нижней части таблицы.

Величины S и D получаются сложением и вычитанием(—) и  ( + ). Так: S =(-) + ( + ), a D = (—) — ( + ).

Для вычисления начальных моментов по способу сумм используют следующие формулы:

Как видим, результаты вычислений по способу сумм совпадают с результатами примера 45.

Нормированные моменты

Второй центральный момент равен дисперсии, т. е.  Если среднее квадратическое отклонение  т. е. корень из дисперсии, иначе говоря, корень из второго центрального момента принять за стандарт, то отношение центрального момента k-гo порядка к стандарту в k-й степени сбудет называться нормированным моментом и обозначаться

Пример 46. По найденным в примере 45 центральным моментам найти нормированные моменты первых четырех порядков.

Из примера 45 имеем:

Находим сначала стандарт:

а затем нормированные моменты:

Использование нормированных моментов

Нормированные моменты используются при изучении вариационных рядов. Третий нормированный момент  называется мерой или. косости вариационного ряда.Знак перед указывает на направление асимметрии ряда. Если то вариационный ряд будет с левосторонней скошенностью, а если  — с правосторонней скошенностью. В симметричном ряде

Четвертый нормированный момент называется мерой крутости.

Если то распределение высоковершинное, если то распределение низковершинное, если то распределение близко к нормальному (см. раздел IV).

По результатам вычисления нормированных моментов в примере 46 видно, что отрицателен (—0,81), т. е. распределение с незначительной правосторонней скошенностью, а больше 3. Это указывает на высоковершинность данного распределения. В целом данное распределение не очень сильно отличается от нормального.

Коэффициент асимметрии

В качестве показателя отклонения вариационного ряда от симметрии применяется простой эмпирический коэффициент асимметрии представляющий собой отношение разности между средней арифметической и модой к среднему квадратическому отклонению:

Если то скошенность левосторонняя;

если то скошенность правосторонняя;

если то вариационный ряд симметричен.

Пример 47.

По данным примера 31 (табл. 27) вычислим коэффициент асимметрии.

Имеем:

Вычислим моду по формуле

В данном случае асимметрия небольшая и скошенность левосторонняя.