Как найти отклонение от среднеарифметического - Исправление недочетов и поиск решений вместе с Examum.ru

Алгебра 7 класс. Что такое отклонение? например: 2,7,3,5,11,15

Дисперсией числового ряда называется среднее арифметическое квадратов отклонений от среднего арифметического.
Пусть есть некий ряд (значения некоторой случайной величины — скажем, возраст детей в семье): 2,7,3,5,11,15.

1) находим среднее арифметическое: (2+7+3+5+11+15) / 6= 7,17
2) находим среднее арифметическое квадратов отклонений:
(2-7,17)^2+(7-7,17)^2+(3-7,17)^2+(5-7,17)^2+(11-7,17)^2+(15-7,17)^2/6=

Дисперсия характеризует разброс — чем больше дисперсия, тем сильнее «разбросан» (варьируется) признак относительно центрального значения.

Как посчитать среднее значение, квадратическое отклонение и погрешность

wikiHow работает по принципу вики, а это значит, что многие наши статьи написаны несколькими авторами. При создании этой статьи над ее редактированием и улучшением работали, в том числе анонимно, 24 человек(а).

Количество просмотров этой статьи: 62 795.

После сбора данных их нужно проанализировать. Обычно нужно найти среднее значение, квадратичное отклонение и погрешность. Мы расскажем вам, как это сделать.

Например, 5 школьникам был предложен письменный тест. Их результаты (в баллах по 100 бальной системе): 12, 55, 74, 79 и 90 баллов.

Среднее значение (μ) = Σ/N, где Σ сумма всех числовых значений, а N количество значений.

Для вышеуказанного примера это квадратный корень из [((12-62)^2 + (55-62)^2 + (74-62)^2 + (79-62)^2 + (90-62)^2)/(5)] = 27,4. (Обратите внимание, что если это выборочное среднеквадратическое отклонение, то делить нужно на N-1, где N количество значений.)

Если в нашем примере 5 школьников, а всего в классе 50 школьников, и среднее отклонение, посчитанное для 50 школьников равно 17 (σ = 21), средняя погрешность = 17/кв. корень(5) = 7.6.

Метод вычисления отклонений каждого значения от среднего арифметического

Для вычисления отклонений всех чисел выполним следующие действия:

. Находим среднее арифметическое;

2. Для вычисления отклонение из данного набора чисел вычитаем среднее арифметическое.

Среднее арифметическое нескольких величин — это отношение суммы величин к их количеству.

Среднее арифметическое находится по формуле

(2)

(3)

Найти отклонений всех чисел от среднего арифметического.

Сумма чисел в массиве (2):

Вычисление отклонения (3):

Блок схема 2 — Вычисление отклонений каждого значения от среднего арифметического

Описание методов создания, уничтожения и синхронизации потоков, примененных в программе

Создание потоков

Для создания многопоточных приложений в C++Builder реализован абстрактный класс TThread.- абстрактный класс, который допускает создание отдельных потоков выполняющихся в приложении.

Создайте потомка класса TThread, чтобы представить выполняемый поток в многопоточном приложении.

Каждый новый экземпляр потомка TThread — новый поток выполнения.

Множество экземпляров, полученные от класса TThread, делает C++Builder многопоточным приложением.

__fastcall TMyThread:: TMyThread (bool CreateSuspended)

// B метод объекта Execute (), вставьте код, который должен выполняться, когда поток выполняется.

void __fastcall TMyThread:: Execute ()

// — — Place thread code here — —

Для получения безопасного доступа куправлению свойствами и методами VCL-объектов в потоке предусмотрен метод Synchronize ()

ResetEvent (FMain->g_BusyEvent [1]); // запрещаем переформирование массива(FMain->g_BusyEvent [0]); // запрещаем переформирование массива

>++;(Terminated) break; // прекратить извне поток

Synchronize (&Mon); // блокирует одновременный доступ к компоненту нескольких потоков

SetEvent (FMain->g_BusyEvent [0]); // разрешаем параллельную обработку(FMain->g_BusyEvent [1]); // разрешаем параллельную обработку

Синхронизация потоков

Синхронизации потоков основывается на использовании событий (event). Объект типа событие может принимать одно из двух состояний: активное или пассивное. Когда событие находится в активном состоянии, его видят многие потоки одновременно. В результате такой объект можно использовать для управления работой сразу многих потоков. В библиотеке VCL события представлены классом TEvent.

Метод CreatEvents (): Создает объект класса TEvent, представляющий объект события.

Метод ResetEvent (): Переводит объект события в пассивное состояние.

Метод SetEvent (): Переводит объект события в активное состояние.

WaitForSingleObject (): Заставляет ждать, пока другой поток или процесс не пошлют сигнал об активизации объекта событие.

Завершение потоков

Потоки могут быть запущены и остановлены сколько угодно раз в процессе их выполнения. Для временной остановки запущенного потока можно обратиться к методу потока suspend. Для продолжения выполнения приостановленного потока вызовите метод потока Resume. Вы можете использовать вложенные вызовы вышеперечисленных методов, т.к. метод Suspend увеличивает внутренний счетчик потока, a Resume уменьшает. Поток не будет выполняться до тех пор, пока счетчик не обратиться в ноль, т.е., если вы вызвали пять раз метод Suspend, а затем четыре раза Resume, вам понадобится еще один (пятый) вызов метода Resume для продолжения выполнения потока.

Выполнение потока автоматически завершается после завершения функции Execute () или закрытии приложения.

Чтобы занятая потоком память освобождалась при завершении потока надо установить FreeOnTerminate=false.

Источник

В данной статье я расскажу о том, как найти среднеквадратическое отклонение. Этот материал крайне важен для полноценного понимания математики, поэтому репетитор по математике должен посвятить его изучению отдельный урок или даже несколько. В этой статье вы найдёте ссылку на подробный и понятный видеоурок, в котором рассказано о том, что такое среднеквадратическое отклонение и как его найти.

Среднеквадратическое отклонение дает возможность оценить разброс значений, полученных в результате измерения какого-то параметра. Обозначается символом (греческая буква «сигма»).

Формула для расчета довольно проста. Чтобы найти среднеквадратическое отклонение, нужно взять квадратный корень из дисперсии. Так что теперь вы должны спросить: “А что же такое дисперсия?”

Что такое дисперсия

Определение дисперсии звучит так. Дисперсия — это среднее арифметическое от квадратов отклонений значений от среднего.

Чтобы найти дисперсию последовательно проведите следующие вычисления:

Определите среднее (простое среднее арифметическое ряда значений).
Затем от каждого из значений отнимите среднее и возведите полученную разность в квадрат (получили квадрат разности).
Следующим шагом будет вычисление среднего арифметического полученных квадратов разностей (Почему именно квадратов вы сможете узнать ниже).

Рассмотрим на примере. Допустим, вы с друзьями решили измерить рост ваших собак (в миллиметрах). В результате измерений вы получили следующие данные измерений роста (в холке): 600 мм, 470 мм, 170 мм, 430 мм и 300 мм.

Порода собаки	Рост в миллиметрах
Ротвейлер	600
Бульдог	470
Такса	170
Пудель	430
Мопс	300

Вычислим среднее значение, дисперсию и среднеквадратическое отклонение.

Сперва найдём среднее значение. Как вы уже знаете, для этого нужно сложить все измеренные значения и поделить на количество измерений. Ход вычислений:

Среднее $=frac{600+470+170+430+300}{5} = 394$ мм.

Итак, среднее (среднеарифметическое) составляет 394 мм.

Теперь нужно определить отклонение роста каждой из собак от среднего:

$[ begin{array}{l} 1: 600-394 = 206 \ 2: 470-394 = 76 \ 3: 170-394 = -224\ 4: 430-394 = 36\ 5: 300-394 = -94 end{array} ]$

Наконец, чтобы вычислить дисперсию, каждую из полученных разностей возводим в квадрат, а затем находим среднее арифметическое от полученных результатов:

Дисперсия $= frac{206^2+76^2+(-224)^2+36^2+(-94)^2}{5} = 21704$ мм².

Таким образом, дисперсия составляет 21704 мм².

Как найти среднеквадратическое отклонение

Так как же теперь вычислить среднеквадратическое отклонение, зная дисперсию? Как мы помним, взять из нее квадратный корень. То есть среднеквадратическое отклонение равно:

мм (округлено до ближайшего целого значения в мм).

Применив данный метод, мы выяснили, что некоторые собаки (например, ротвейлеры) – очень большие собаки. Но есть и очень маленькие собаки (например, таксы, только говорить им этого не стоит).

Самое интересное, что среднеквадратическое отклонение несет в себе полезную информацию. Теперь мы можем показать, какие из полученных результатов измерения роста находятся в пределах интервала, который мы получим, если отложим от среднего (в обе стороны от него) среднеквадратическое отклонение.

То есть с помощью среднеквадратического отклонения мы получаем “стандартный” метод, который позволяет узнать, какое из значений является нормальным (среднестатистическим), а какое экстраординарно большим или, наоборот, малым.

Что такое стандартное отклонение

Но… все будет немного иначе, если мы будем анализировать выборку данных. В нашем примере мы рассматривали генеральную совокупность. То есть наши 5 собак были единственными в мире собаками, которые нас интересовали.

Но если данные являются выборкой (значениями, которые выбрали из большой генеральной совокупности), тогда вычисления нужно вести иначе.

Если есть значений, то:

Все остальные расчеты производятся аналогично, в том числе и определение среднего.

Например, если наших пять собак – только выборка из генеральной совокупности собак (всех собак на планете), мы должны делить на 4, а не на 5, а именно:

Дисперсия выборки = $frac{108520}{4}=27130$ мм².

При этом стандартное отклонение по выборке равно мм (округлено до ближайшего целого значения).

Можно сказать, что мы произвели некоторую “коррекцию” в случае, когда наши значения являются всего лишь небольшой выборкой.

Примечание. Почему именно квадраты разностей?

Но почему при вычислении дисперсии мы берём именно квадраты разностей? Допустим при измерении какого-то параметра, вы получили следующий набор значений: 4; 4; -4; -4. Если мы просто сложим абсолютные отклонения от среднего (разности) между собой … отрицательные значения взаимно уничтожатся с положительными:

$frac{4+4-4-4}{4}=0$ .

Получается, этот вариант бесполезен. Тогда, может, стоит попробовать абсолютные значения отклонений (то есть модули этих значений)?

$frac{4+4+|-4|+|-4|}{4} = frac{4+4+4+4}{4}=4$ .

На первый взгляд получается неплохо (полученная величина, кстати, называется средним абсолютным отклонением), но не во всех случаях. Попробуем другой пример. Пусть в результате измерения получился следующий набор значений: 7; 1; -6; -2. Тогда среднее абсолютное отклонение равно:

$frac{7+1+|-6|+|-2|}{4} = frac{7+1+6+2}{4}=4$ .

Вот это да! Снова получили результат 4, хотя разности имеют гораздо больший разброс.

А теперь посмотрим, что получится, если возвести разности в квадрат (и взять потом квадратный корень из их суммы).

Для первого примера получится:

$sqrt{frac{4^2+4^2+(-4)^2+(-4)^2}{4}}=4$ .

Для второго примера получится:

$sqrt{frac{7^2+1^2+(-6)^2+(-2)^2}{4}}=4.74$ .

Теперь – совсем другое дело! Среднеквадратическое отклонение получается тем большим, чем больший разброс имеют разности … к чему мы и стремились.

Фактически в данном методе использована та же идея, что и при вычислении расстояния между точками, только примененная иным способом.

И с математической точки зрения использование квадратов и квадратных корней дает больше пользы, чем мы могли бы получить на основании абсолютных значений отклонений, благодаря чему среднеквадратическое отклонение применимо и для других математических задач.

О том, как найти среднеквадратическое отклонение, вам рассказал репетитор по математике в Москве, Сергей Валерьевич

Источник

Сущность средней арифметической, среднего квадратического отклонения, дисперсии и методы их расчета.

Средняя величина — это обобщающая
характеристика размера изучаемого
признака. Она позволяет одним числом
количественно охарактеризовать
качественно однородную совокупность.

Применение средних величин

для
оценки состояния здоровья — например,
параметров физического развития
(средний рост, средняя масса тела,
среднее значение жизненной емкости
легких и др.), соматических показателей
(средний уровень сахара в крови, средняя
величина пульса, средняя СОЭ и др.);
для
оценки организации работы
лечебно-профилактических и
санитарно-противоэпидемических
учреждений, а также деятельности
отдельных врачей и других медицинских
работников (средняя длительность
пребывания больного на койке, среднее
число посещений на 1 ч приема в поликлинике
и др.);
для
оценки состояния окружающей среды.

Методика расчета простой средней
арифметической

Суммировать
варианты: V1+V2+V3+…+Vn = Σ V;
Сумму
вариант разделить на общее число
наблюдений: М = Σ V / n

Методика расчета взвешенной средней
арифметической

Получить
произведение каждой варианты на ее
частоту — Vp
Найти
сумму произведений вариант на частоты:
V1p1 + V2p2+ V3p3 +…+ Vnpn = Σ Vp
Полученную
сумму разделить на общее число наблюдений:
М = Σ Vp / n

Среднее
квадратичное отклонение определяется
как обобщающая характеристика размеров
вариации признака в совокупности. Оно
равно квадратному корню из среднего
квадрата отклонений отдельных значений
признака от средней арифметической,
т.е. корень из дисперсии и
может быть найдена так:

1.
Для первичного ряда:

2.
Для вариационного ряда:

Преобразование
формулы среднего квадратичного отклонени
приводит ее к виду, более удобному для
практических расчетов:

Среднее
квадратичное отклонение определяет
на сколько в среднем отклоняются
конкретные варианты от их среднего
значения, и к тому же является абсолютной
мерой колеблемости признака и выражается
в тех же единицах, что и варианты, и
поэтому хорошо интерпретируется.

Методика расчета среднеквадратического
отклонения

Найти
отклонение (разность) каждой варианты
от среднеарифметической величины ряда
(d = V — М);
Возвести
каждое из этих отклонений в квадрат
(d2);
Получить
произведение квадрата каждого отклонения
на частоту (d2р);
Найти
сумму этих отклонений: d21p1 + d22p2 + d23p3
+…+ d2npn = Σ d2р;
Полученную
сумму разделить на общее число наблюдений
(при n < 30 в знаменателе n-1): Σ d2р / n
Извлечь
квадратный корень: σ = √Σ d2р / n
при n <
30 σ = √Σ d2р / n-1

Применение среднеквадратического
отклонения

для
суждения о колеблемости вариационных
рядов и сравнительной оценки типичности
(представительности) средних
арифметических величин. Это необходимо
в дифференциальной диагностике при
определении устойчивости признаков;
для
реконструкции вариационного ряда,
т.е. восстановления его частотной
характеристики на основе правила «трех
сигм». В интервале М±3σ находится
99,7% всех вариант ряда, в интервале М±2σ
— 95,5% и в интервале М±1σ — 68,3% вариант
ряда;
для
выявления «выскакивающих» вариантов
(при сопоставлении реального и
реконструированного вариационных
рядов);
для
определения параметров нормы и патологии
с помощью сигмальных оценок;
для
расчета коэффициента вариации;
для
расчета средней ошибки средней
арифметической величины.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

Источник

Стандартное отклонение (англ. Standard Deviation) — простыми словами это мера того, насколько разбросан набор данных.

Вычисляя его, можно узнать, являются ли числа близкими к среднему значению или далеки от него. Если точки данных находятся далеко от среднего значения, то в наборе данных имеется большое отклонение; таким образом, чем больше разброс данных, тем выше стандартное отклонение.

Стандартное отклонение обозначается буквой σ (греческая буква сигма).

Стандартное отклонение также называется:

среднеквадратическое отклонение,
среднее квадратическое отклонение,
среднеквадратичное отклонение,
квадратичное отклонение,
стандартный разброс.

Использование и интерпретация величины среднеквадратического отклонения

Стандартное отклонение используется:

в финансах в качестве меры волатильности,
в социологии в опросах общественного мнения — оно помогает в расчёте погрешности.

Пример:

Рассмотрим два малых предприятия, у нас есть данные о запасе какого-то товара на их складах.

	День 1	День 2	День 3	День 4
Пред.А	19	21	19	21
Пред.Б	15	26	15	24

В обеих компаниях среднее количество товара составляет 20 единиц:

А -> (19 + 21 + 19+ 21) / 4 = 20
Б -> (15 + 26 + 15+ 24) / 4 = 20

Однако, глядя на цифры, можно заметить:

в компании A количество товара всех четырёх дней очень близко находится к этому среднему значению 20 (колеблется лишь между 19 ед. и 21 ед.),
в компании Б существует большая разница со средним количеством товара (колеблется между 15 ед. и 26 ед.).

Если рассчитать стандартное отклонение каждой компании, оно покажет, что

стандартное отклонение компании A = 1,
стандартное отклонение компании Б ≈ 5.

Стандартное отклонение показывает эту волатильность данных — то, с каким размахом они меняются; т.е. как сильно этот запас товара на складах компаний колеблется (поднимается и опускается).

Расчет среднеквадратичного (стандартного) отклонения

Формулы вычисления стандартного отклонения

Где:
σ — стандартное отклонение,
xi — величина отдельного значения выборки,
μ — среднее арифметическое выборки,
n — размер выборки.
Эта формула применяется, когда анализируются все значения выборки.

стандартное отклонение формула, среднее квадратичное отклонение формула, среднеквадратическое отклонение формула, среднее квадратическое отклонение формула

Где:
S — стандартное отклонение,
n — размер выборки,
xi — величина отдельного значения выборки,
xср — среднее арифметическое выборки.
Эта формула применяется, когда присутствует очень большой размер выборки, поэтому на анализ обычно берётся только её часть.
Единственная разница с предыдущей формулой: “n — 1” вместо “n”, и обозначение «xср» вместо «μ».

Разница между формулами S и σ («n» и «n–1»)

Состоит в том, что мы анализируем — всю выборку или только её часть:

только её часть – используется формула S (с «n–1»),
полностью все данные – используется формула σ (с «n»).

Как рассчитать стандартное отклонение?

Пример 1 (с σ)

Рассмотрим данные о запасе какого-то товара на складах Предприятия Б.

	День 1	День 2	День 3	День 4
Пред.Б	15	26	15	24

Если значений выборки немного (небольшое n, здесь он равен 4) и анализируются все значения, то применяется эта формула:

Применяем эти шаги:

1. Найти среднее арифметическое выборки:

μ = (15 + 26 + 15+ 24) / 4 = 20

2. От каждого значения выборки отнять среднее арифметическое:

x1 — μ = 15 — 20 = -5

x2 — μ = 26 — 20 = 6

x3 — μ = 15 — 20 = -5

x4 — μ = 24 — 20 = 4

3. Каждую полученную разницу возвести в квадрат:

(x1 — μ)² = (-5)² = 25

(x2 — μ)² = 6² = 36

(x3 — μ)² = (-5)² = 25

(x4 — μ)² = 4² = 16

4. Сделать сумму полученных значений:

Σ (xi — μ)² = 25 + 36+ 25+ 16 = 102

5. Поделить на размер выборки (т.е. на n):

(Σ (xi — μ)²)/n = 102 / 4 = 25,5

6. Найти квадратный корень:

√((Σ (xi — μ)²)/n) = √ 25,5 ≈ 5,0498

Пример 2 (с S)

Задача усложняется, когда существуют сотни, тысячи или даже миллионы данных. В этом случае берётся только часть этих данных и анализируется методом выборки.

У Андрея 20 яблонь, но он посчитал яблоки только на 6 из них.

Популяция — это все 20 яблонь, а выборка — 6 яблонь, это деревья, которые Андрей посчитал.

Яблоня 1	Яблоня 2	Яблоня 3	Яблоня 4	Яблоня 5	Яблоня 6
9	2	5	4	12	7

Так как мы используем только выборку в качестве оценки всей популяции, то нужно применить эту формулу:

Математически она отличается от предыдущей формулы только тем, что от n нужно будет вычесть 1. Формально нужно будет также вместо μ (среднее арифметическое) написать X ср.

Применяем практически те же шаги:

1. Найти среднее арифметическое выборки:

Xср = (9 + 2 + 5 + 4 + 12 + 7) / 6 = 39 / 6 = 6,5

2. От каждого значения выборки отнять среднее арифметическое:

X1 – Xср = 9 – 6,5 = 2,5

X2 – Xср = 2 – 6,5 = –4,5

X3 – Xср = 5 – 6,5 = –1,5

X4 – Xср = 4 – 6,5 = –2,5

X5 – Xср = 12 – 6,5 = 5,5

X6 – Xср = 7 – 6,5 = 0,5

3. Каждую полученную разницу возвести в квадрат:

(X1 – Xср)² = (2,5)² = 6,25

(X2 – Xср)² = (–4,5)² = 20,25

(X3 – Xср)² = (–1,5)² = 2,25

(X4 – Xср)² = (–2,5)² = 6,25

(X5 – Xср)² = 5,5² = 30,25

(X6 – Xср)² = 0,5² = 0,25

4. Сделать сумму полученных значений:

Σ (Xi – Xср)² = 6,25 + 20,25+ 2,25+ 6,25 + 30,25 + 0,25 = 65,5

5. Поделить на размер выборки, вычитав перед этим 1 (т.е. на n–1):

(Σ (Xi – Xср)²)/(n-1) = 65,5 / (6 – 1) = 13,1

6. Найти квадратный корень:

S = √((Σ (Xi – Xср)²)/(n–1)) = √ 13,1 ≈ 3,6193

Дисперсия и стандартное отклонение

Стандартное отклонение равно квадратному корню из дисперсии (S = √D). То есть, если у вас уже есть стандартное отклонение и нужно рассчитать дисперсию, нужно лишь возвести стандартное отклонение в квадрат (S² = D).

Дисперсия — в статистике это «среднее квадратов отклонений от среднего». Чтобы её вычислить нужно:

Вычесть среднее значение из каждого числа
Возвести каждый результат в квадрат (так получатся квадраты разностей)
Найти среднее значение квадратов разностей.

Ещё расчёт дисперсии можно сделать по этой формуле:

Дисперсия и стандартное отклонение расчёт дисперсии формула

Где:
S² — выборочная дисперсия,
Xi — величина отдельного значения выборки,
Xср (может появляться как X̅) — среднее арифметическое выборки,
n — размер выборки.

Правило трёх сигм

Это правило гласит: вероятность того, что случайная величина отклонится от своего математического ожидания более чем на три стандартных отклонения (на три сигмы), почти равна нулю.

Глядя на рисунок нормального распределения случайной величины, можно понять, что в пределах:

одного среднеквадратического отклонения заключаются 68,26% значений (Xср ± 1σ или μ ± 1σ),
двух стандартных отклонений — 95,44% (Xср ± 2σ или μ ± 2σ),
трёх стандартных отклонений — 99,72% (Xср ± 3σ или μ ± 3σ).

Это означает, что за пределами остаются лишь 0,28% — это вероятность того, что случайная величина примет значение, которое отклоняется от среднего более чем на 3 сигмы.

Стандартное отклонение в excel

Вычисление стандартного отклонения с «n – 1» в знаменателе (случай выборки из генеральной совокупности):

1. Занесите все данные в документ Excel.

2. Выберите поле, в котором вы хотите отобразить результат.

3. Введите в этом поле «=СТАНДОТКЛОНА(«

4. Выделите поля, где находятся данные, потом закройте скобки.

5. Нажмите Ввод (Enter).

В случае если данные представляют всю генеральную совокупность (n в знаменателе), то нужно использовать функцию СТАНДОТКЛОНПА.

Коэффициент вариации

Коэффициент вариации — отношение стандартного отклонения к среднему значению, т.е. Cv = (S/μ) × 100% или V = (σ/X̅) × 100%.

Стандартное отклонение делится на среднее и умножается на 100%.

Можно классифицировать вариабельность выборки по коэффициенту вариации:

при <10% выборка слабо вариабельна,
при 10% – 20 % — средне вариабельна,
при >20 % — выборка сильно вариабельна.

Узнайте также про:

Корреляции,
Метод Крамера,
Метод наименьших квадратов,
Теорию вероятностей
Интегралы.

Источник

Среднее квадратичное отклонение двух, трех, четырех и более чисел. Оно же стандартное отклонение, среднеквадратическое отклонение, среднеквадратичное отклонение, средняя квадратическая, стандартный разброс — показатель рассеивания значений случайной величины относительно её математического ожидания в теории вероятностей и статистике.

Как правило перечисленные термины равны квадратному корню дисперсии.

Пример вычисления стандартного отклонения по следующим формулам:
Вычислим среднюю оценку ученика: 2; 4; 5; 6; 8.

Cредняя оценка будет равна:

Вычисляем квадраты отклонений оценок от их средней оценки:

Вычислим среднее арифметическое (дисперсию) этих значений:

Стандартное отклонение равно квадратному корню дисперсии:

Эта формула справедлива только если эти пять значений и являются генеральной совокупностью. Если бы эти данные были случайной выборкой из какой-то большой совокупности (например, оценки пяти случайно выбранных учеников большого города), то в знаменателе формулы для вычисления дисперсии вместо n = 5 нужно было бы поставить n − 1 = 4:

Тогда стандартное отклонение будет равняться:

Этот результат называется стандартным отклонением на основании несмещённой оценки дисперсии. Деление на n − 1 вместо n даёт неискажённую оценку дисперсии для больших генеральных совокупностей.