Как найти среднее квадратичное отклонение по таблице - Исправление недочетов и поиск решений вместе с Examum.ru

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

Загрузить PDF

Вычислив среднеквадратическое отклонение, вы найдете разброс значений в выборке данных.^[1] Но сначала вам придется вычислить некоторые величины: среднее значение и дисперсию выборки. Дисперсия – мера разброса данных вокруг среднего значения.^[2] Среднеквадратическое отклонение равно квадратному корню из дисперсии выборки. Эта статья расскажет вам, как найти среднее значение, дисперсию и среднеквадратическое отклонение.

1
Возьмите наборе данных. Среднее значение – это важная величина в статистических расчетах.^[3]
- Определите количество чисел в наборе данных.
- Числа в наборе сильно отличаются друг от друга или они очень близки (отличаются на дробные доли)?
- Что представляют числа в наборе данных? Тестовые оценки, показания пульса, роста, веса и так далее.
- Например, набор тестовых оценок: 10, 8, 10, 8, 8, 4.
2
Для вычисления среднего значения понадобятся все числа данного набора данных.^[4]
- Среднее значение – это усредненное значение всех чисел в наборе данных.
- Для вычисления среднего значения сложите все числа вашего набора данных и разделите полученное значение на общее количество чисел в наборе (n).
- В нашем примере (10, 8, 10, 8, 8, 4) n = 6.
3
Сложите все числа вашего набора данных.^[5]
- В нашем примере даны числа: 10, 8, 10, 8, 8 и 4.
- 10 + 8 + 10 + 8 + 8 + 4 = 48. Это сумма всех чисел в наборе данных.
- Сложите числа еще раз, чтобы проверить ответ.
4
Разделите сумму чисел на количество чисел (n) в выборке. Вы найдете среднее значение.^[6]
- В нашем примере (10, 8, 10, 8, 8 и 4) n = 6.
- В нашем примере сумма чисел равна 48. Таким образом, разделите 48 на n.
- 48/6 = 8
- Среднее значение данной выборки равно 8.
Реклама

1
Вычислите дисперсию. Это мера разброса данных вокруг среднего значения.^[7]
- Эта величина даст вам представление о том, как разбросаны данные выборки.
- Выборка с малой дисперсией включает данные, которые ненамного отличаются от среднего значения.
- Выборка с высокой дисперсией включает данные, которые сильно отличаются от среднего значения.
- Дисперсию часто используют для того, чтобы сравнить распределение двух наборов данных.
2
Вычтите среднее значение из каждого числа в наборе данных. Вы узнаете, насколько каждая величина в наборе данных отличается от среднего значения.^[8]
- В нашем примере (10, 8, 10, 8, 8, 4) среднее значение равно 8.
- 10 — 8 = 2; 8 — 8 = 0, 10 — 2 = 8, 8 — 8 = 0, 8 — 8 = 0, и 4 — 8 = -4.
- Проделайте вычитания еще раз, чтобы проверить каждый ответ. Это очень важно, так как полученные значения понадобятся при вычислениях других величин.
3
Возведите в квадрат каждое значение, полученное вами в предыдущем шаге.^[9]
- При вычитании среднего значения (8) из каждого числа данной выборки (10, 8, 10, 8, 8 и 4) вы получили следующие значения: 2, 0, 2, 0, 0 и -4.
- Возведите эти значения в квадрат: 2², 0², 2², 0², 0², и (-4)² = 4, 0, 4, 0, 0, и 16.
- Проверьте ответы, прежде чем приступить к следующему шагу.
4
Сложите квадраты значений, то есть найдите сумму квадратов.^[10]
- В нашем примере квадраты значений: 4, 0, 4, 0, 0 и 16.
- Напомним, что значения получены путем вычитания среднего значения из каждого числа выборки: (10-8)^2 + (8-8)^2 + (10-2)^2 + (8-8)^2 + (8-8)^2 + (4-8)^2
- 4 + 0 + 4 + 0 + 0 + 16 = 24.
- Сумма квадратов равна 24.
5
Разделите сумму квадратов на (n-1). Помните, что n – это количество данных (чисел) в вашей выборке. Таким образом, вы получите дисперсию.^[11]
- В нашем примере (10, 8, 10, 8, 8, 4) n = 6.
- n-1 = 5.
- В нашем примере сумма квадратов равна 24.
- 24/5 = 4,8
- Дисперсия данной выборки равна 4,8.
Реклама

1
Найдите дисперсию, чтобы вычислить среднеквадратическое отклонение.^[12]
- Помните, что дисперсия – это мера разброса данных вокруг среднего значения.
- Среднеквадратическое отклонение – это аналогичная величина, описывающая характер распределения данных в выборке.
- В нашем примере дисперсия равна 4,8.
2
Извлеките квадратный корень из дисперсии, чтобы найти среднеквадратическое отклонение.^[13]
- Как правило, 68% всех данных расположены в пределах одного среднеквадратического отклонения от среднего значения.
- В нашем примере дисперсия равна 4,8.
- √4,8 = 2,19. Среднеквадратическое отклонение данной выборки равно 2,19.
- 5 из 6 чисел (83%) данной выборки (10, 8, 10, 8, 8, 4) находится в пределах одного среднеквадратического отклонения (2,19) от среднего значения (8).
3
Проверьте правильность вычисления среднего значения, дисперсии и среднеквадратического отклонения. Это позволит вам проверить ваш ответ.^[14]
- Обязательно записывайте вычисления.
- Если в процессе проверки вычислений вы получили другое значение, проверьте все вычисления с самого начала.
- Если вы не можете найти, где сделали ошибку, проделайте вычисления с самого начала.
Реклама

Об этой статье

Эту страницу просматривали 64 743 раза.

Была ли эта статья полезной?

Источник

Расчет дисперсии и среднего квадратического отклонения по индивидуальным данным и в рядах распределения.

Основными
обобщающими показателями вариации в
статистике являются дисперсии и среднее
квадратическое отклонение.

Дисперсия
— это средняя арифметическая квадратов
отклонений каждого значения признака
от общей средней. Дисперсия обычно
называется средним квадратом отклонений
и обозначается
.
В зависимости от исходных данных
дисперсия может вычисляться по средней
арифметической простой или взвешенной:

—дисперсия
невзвешенная (простая);

—дисперсия
взвешенная.

Среднее
квадратическое отклонение представляет
собой корень квадратный из дисперсии
и обозначается S:

—среднее
квадратическое отклонение невзвешенное;

—среднее
квадратическое отклонение взвешенное.

Среднее
квадратическое отклонение
— это обобщающая характеристика абсолютных
размеров вариации признака в совокупности.
Выражается оно в тех же единицах
измерения, что и признак (в метрах,
тоннах, процентах, гектарах и т.д.).

Среднее
квадратическое отклонение является
мерилом надежности средней. Чем меньше
среднее квадратическое отклонение, тем
лучше средняя арифметическая отражает
собой всю представляемую совокупность.

Вычислению
среднего квадратического отклонения
предшествует расчет дисперсии.

Порядок
расчета дисперсии взвешенную:

1)
определяют среднюю арифметическую
взвешенную

;

2)
определяются отклонения вариант от
средней
;

3)
возводят в квадрат отклонение каждой
варианты от средней
;

4)
умножают квадраты отклонений на веса
(частоты)
;

5)
суммируют полученные произведения

;

6)
Полученную сумму делят на сумму весов

Пример
3.

Таблица
6.3.

Произведено продукции одним рабочим, шт. ( варианта)	Число рабочих,
8	7	56	-2	4	28
9	10	90	-1	1	10
10	15	150	0	0	0
11	12	132	1	1	12
12	6	72	2	4	24
ИТОГО	50	500			74

Исчислим
среднюю арифметическую взвешенную:

шт.

Значения
отклонений от средней и их квадратов
представлены в таблице 6.3. Определим
дисперсию:

=1,48

Среднее
квадратическое отклонение будет равно:

шт.

Если
исходные данные представлены в виде
интервального ряда распределения, то
сначала надо определить дискретное
значение признака, а далее применить
тот же метод, что изложен выше.

Пример
4.

Покажем
расчет дисперсии для интервального
ряда на данных о распределении посевной
площади колхоза по урожайности пшеницы:

Таблица
6.4

Урожайность пшеницы, ц/га	Посевная площадь, га
14 — 16	100	15	1500	-3,4	11,56	1156
16 — 18	300	17	5100	-1,4	1,96	588
18 — 20	400	19	7600	0,6	0,36	144
20 — 22	200	21	4200	2,6	6,76	1352
ИТОГО	1000		18400			3240

Средняя
арифметическая равна:

ц с
1га.

Исчислим
дисперсию:

Расчет дисперсии по формуле по индивидуальным данным и в рядах распределения.

Техника
вычисления дисперсии сложна, а при
больших значениях вариант и частот
может быть громоздкой. Расчеты можно
упростить, используя свойства дисперсии.

Свойства
дисперсии.

Уменьшение
или увеличение весов (частот) варьирующего
признака в определенное число раз
дисперсии не изменяет.
Уменьшение
или увеличение каждого значения признака
на одну и ту же постоянную величину А
дисперсии не изменяет.
Уменьшение
или увеличение каждого значения признака
в какое-то число раз к соответственно
уменьшает или увеличивает дисперсию
в

раз, а среднее квадратическое отклонение
— в к раз.
Дисперсия
признака относительно произвольной
величины всегда больше дисперсии
относительно средней арифметической
на квадрат разности между средней и
произвольной величиной:
.
Если А равна нулю, то приходим к
следующему равенству:
,
т.е. дисперсия признака равна разности
между средним квадратом значений
признака и квадратом средней.

Каждое
свойство при расчете дисперсии может
быть применено самостоятельно или в
сочетании с другими.

Порядок
расчета дисперсии простой:

1)
определяют среднюю арифметическую
;

2)
возводят в квадрат среднюю арифметическую;

3)
возводят в квадрат каждую варианту ряда

;

4)
находим сумму квадратов вариант
;

5)
делят сумму квадратов вариант на их
число, т.е. определяют средний квадрат

;

6)
определяют разность между средним
квадратом признака и квадратом средней

Пример
5.

Имеются
следующие данные о производительности
труда рабочих:

Таблица
6.4

Табельный номер рабочего	Произведено продукции, шт.
1	8	64
2	9	81
3	10	100
4	11	121
5	12	144
ИТОГО	50	510

Произведем
следующие расчеты:

шт.

Пример
6.

Определить
дисперсию в дискретном ряду распределения,
используя табл. 6.5.

Таблица
6.5.

Произведено продукции 1 рабочим, шт. (х)	Число рабочих, n
8	7	56	64	448
9	10	90	81	810
10	15	150	100	1500
11	12	132	121	1452
12	6	72	144	864
ИТОГО	50	500	510	5074

Получим
тот же результат, что в табл. 6.3.

Рассмотрим
расчет дисперсии в интервальном ряду
распределения.

Порядок
расчета дисперсии взвешенной (по формуле

):

определяют
среднюю арифметическую
;
возводят
в квадрат полученную среднюю
;
возводят
в квадрат каждую варианту ряда
;
умножают
квадраты вариант на частоты
;
суммируют
полученные произведения
;
делят
полученную сумму на сумму весов и
получают средний квадрат признака
;
определяют
разность между средним значением
квадратов и квадратом средней
арифметической, т.е. дисперсию
.

Пример
7.

Имеются
следующие данные о распределении
посевной площади колхоза по урожайности
пшеницы:

Таблица
6.6

Урожайность пшеницы, ц/га	Посевная площадь, га
14 — 16	100	15	1500	225	22500
16 — 18	300	17	5100	289	36700
18 — 20	400	19	7600	361	144400
20 — 22	200	21	4200	441	88200
ИТОГО	1000		18400		341200

В
подобных примерах прежде всего
определяется дискретное значение
признака в каждом интервале, а затем
применяется метод расчета, указанный
выше:

Средняя
величина отражает тенденцию развития,
т.е. действие главных причин. Среднее
квадратическое отклонение измеряет
силу воздействия прочих факторов.

Соседние файлы в папке statistica

Источник

Из предыдущей статьи мы узнали о таких показателях, как размах вариации, межквартильный размах и среднее линейное отклонение. В этой статье изучим дисперсию, среднеквадратичное отклонение и коэффициент вариации.

Дисперсия

Дисперсия случайной величины – это один из основных показателей в статистике. Он отражает меру разброса данных вокруг средней арифметической.

Сейчас небольшой экскурс в теорию вероятностей, которая лежит в основе математической статистики. Как и матожидание, дисперсия является важной характеристикой случайной величины. Если матожидание отражает центр случайной величины, то дисперсия дает характеристику разброса данных вокруг центра.

Формула дисперсии в теории вероятностей имеет вид:

То есть дисперсия — это математическое ожидание отклонений от математического ожидания.

На практике при анализе выборок математическое ожидание, как правило, не известно. Поэтому вместо него используют оценку – среднее арифметическое. Расчет дисперсии производят по формуле:

где

s² – выборочная дисперсия, рассчитанная по данным наблюдений,

X – отдельные значения,

X̅– среднее арифметическое по выборке.

Стоит отметить, что у такого расчета дисперсии есть недостаток – она получается смещенной, т.е. ее математическое ожидание не равно истинному значению дисперсии. Подробней об этом здесь. Однако при увеличении объема выборки она все-таки приближается к своему теоретическому аналогу, т.е. является асимптотически не смещенной.

Простыми словами дисперсия – это средний квадрат отклонений. То есть вначале рассчитывается среднее значение, затем берется разница между каждым исходным и средним значением, возводится в квадрат, складывается и затем делится на количество значений в данной совокупности. Разница между отдельным значением и средней отражает меру отклонения. В квадрат возводится для того, чтобы все отклонения стали исключительно положительными числами и чтобы избежать взаимоуничтожения положительных и отрицательных отклонений при их суммировании. Затем, имея квадраты отклонений, просто рассчитываем среднюю арифметическую. Средний – квадрат – отклонений. Отклонения возводятся в квадрат, и считается средняя. Теперь вы знаете, как найти дисперсию.

Генеральную и выборочную дисперсии легко рассчитать в Excel. Есть специальные функции: ДИСП.Г и ДИСП.В соответственно.

В чистом виде дисперсия не используется. Это вспомогательный показатель, который нужен в других расчетах. Например, в проверке статистических гипотез или расчете коэффициентов корреляции. Отсюда неплохо бы знать математические свойства дисперсии.

Свойства дисперсии

Свойство 1. Дисперсия постоянной величины A равна 0 (нулю).

D(A) = 0

Свойство 2. Если случайную величину умножить на постоянную А, то дисперсия этой случайной величины увеличится в А² раз. Другими словами, постоянный множитель можно вынести за знак дисперсии, возведя его в квадрат.

D(AX) = А² D(X)

Свойство 3. Если к случайной величине добавить (или отнять) постоянную А, то дисперсия останется неизменной.

D(A + X) = D(X)

Свойство 4. Если случайные величины X и Y независимы, то дисперсия их суммы равна сумме их дисперсий.

D(X+Y) = D(X) + D(Y)

Свойство 5. Если случайные величины X и Y независимы, то дисперсия их разницы также равна сумме дисперсий.

D(X-Y) = D(X) + D(Y)

Среднеквадратичное (стандартное) отклонение

Если из дисперсии извлечь квадратный корень, получится среднеквадратичное (стандартное) отклонение (сокращенно СКО). Встречается название среднее квадратичное отклонение и сигма (от названия греческой буквы). Общая формула стандартного отклонения в математике следующая:

На практике формула стандартного отклонения следующая:

Как и с дисперсией, есть и немного другой вариант расчета. Но с ростом выборки разница исчезает.

Расчет cреднеквадратичного (стандартного) отклонения в Excel

Для расчета стандартного отклонения достаточно из дисперсии извлечь квадратный корень. Но в Excel есть и готовые функции: СТАНДОТКЛОН.Г и СТАНДОТКЛОН.В (по генеральной и выборочной совокупности соответственно).

Среднеквадратичное отклонение имеет те же единицы измерения, что и анализируемый показатель, поэтому является сопоставимым с исходными данными.

Коэффициент вариации

Значение стандартного отклонения зависит от масштаба самих данных, что не позволяет сравнивать вариабельность разных выборках. Чтобы устранить влияние масштаба, необходимо рассчитать коэффициент вариации по формуле:

По нему можно сравнивать однородность явлений даже с разным масштабом данных. В статистике принято, что, если значение коэффициента вариации менее 33%, то совокупность считается однородной, если больше 33%, то – неоднородной. В реальности, если коэффициент вариации превышает 33%, то специально ничего делать по этому поводу не нужно. Это информация для общего представления. В общем коэффициент вариации используют для оценки относительного разброса данных в выборке.

Расчет коэффициента вариации в Excel

Расчет коэффициента вариации в Excel также производится делением стандартного отклонения на среднее арифметическое:

=СТАНДОТКЛОН.В()/СРЗНАЧ()

Коэффициент вариации обычно выражается в процентах, поэтому ячейке с формулой можно присвоить процентный формат:

Коэффициент осцилляции

Еще один показатель разброса данных на сегодня – коэффициент осцилляции. Это соотношение размаха вариации (разницы между максимальным и минимальным значением) к средней. Готовой формулы Excel нет, поэтому придется скомпоновать три функции: МАКС, МИН, СРЗНАЧ.

Коэффициент осцилляции показывает степень размаха вариации относительно средней, что также можно использовать для сравнения различных наборов данных.

Таким образом, в статистическом анализе существует система показателей, отражающих разброс или однородность данных.

Ниже видео о том, как посчитать коэффициент вариации, дисперсию, стандартное (среднеквадратичное) отклонение и другие показатели вариации в Excel.

Поделиться в социальных сетях:

Источник

В статистике под вариацией понимают количественные
изменения величины исследуемого признака в пределах однородной совокупности,
обусловленные взаимодействием различных факторов. Причины, порождающие вариацию социально-экономических
явлений, очень сложны и многообразны. Они лежат в коренных особенностях
исследуемого явления, в его сущности, а также в методологии сбора исходной
информации. Социально-экономические явления, как правило, обладают большой
вариацией. Если исследуются результаты целенаправленной человеческой
деятельности, то вариация будет выражать вмешательство многочисленных факторов,
природу которых не всегда можно установить. Однако, в большинстве теоретических
исследований и практических применений статистики необходимы наряду со средней
показатели вариации, характеризующие группировку значений признака вокруг
средней, т. е. степень упорядоченности
статистической совокупности.

В соответствии с определением вариация измеряется
степенью колеблемости вариантов признака от уровня их
средней величины. Именно на этом и основано большинство показателей,
применяемых в статистике для измерения вариации значений признака в
совокупности. К показателям вариации относятся: размах вариации, среднее
линейное отклонение, дисперсия, среднее квадратическое
отклонение, коэффициент вариации.

Простейшим показателем вариации является размах вариации, определяемый как разность между максимальным и минимальным значениями
признака:

Размах вариации выражается в тех же единицах
измерений, что в варианты ряда. По величине его можно определить, например,
передовое и отстающее в достижении какой-либо цели. Величина вариации служит
также и для характеристики средней. Размах вариации имеет и самостоятельное
значение. Например, в промышленности для измерения точности изделий
устанавливают определенные пределы, соответствующие иногда величине размаха
вариации их признаков.

Однако показатель размаха вариации не может в полной
мере охарактеризовать колеблемость ряда, поскольку он
не учитывает промежуточных значений вариантов внутри этих пределов, а по этому
не отражает колеблемость ряда в целом, кроме того, он
полностью зависит от максимального и минимального значений, которые могут
оказаться не достаточно характерными.

Таким образом, размах вариации отражает иногда
случайную, а не типичную для данного ряда величину колеблемости.
По этому необходимы другие показатели вариации, основанные на всех значениях
признака в данной совокупности, а именно: среднее линейное отклонение,
дисперсия и среднее квадратическое отклонение.

Среднее линейное отклонение представляет среднюю
арифметическую из абсолютных значений отклонений отдельных вариантов от их
среднего значения.

Для данных, где частота каждого варианта равна
единице, среднее линейное отклонение определяется по формуле:

Для вариационных рядов

определяется с учетом частот по формуле:

Среднее линейное отклонение по сравнению с размахом
вариации дает более полную характеристику колеблемости
признака в совокупности.

Средний квадрат отклонений вариантов от их средней
величины называют дисперсией

.
Дисперсия рассчитывается по формуле:

Для негруппированных
данных, где частота каждого варианта равна единице, дисперсия рассчитывается по
формуле простой средней:

Среднее квадратическое отклонение представляет собой корень квадратный из дисперсии:

либо при равенстве весов:

Среднее квадратическое
отклонение является также обобщающим показателем колеблемости
признака и характеризует средний показатель отклонения вариантов ряда от их
общей средней. Выражается s в тех же именованных числах, в которых выражены
варианты совокупности и средняя величина.

Дисперсия и среднее квадратическое отклонение — наиболее широко применяемые
показатели вариации. Объясняется это тем, что они входят в большинство теорем
теории вероятностей, служащих фундаментом математической статистики. Кроме
того, дисперсия может быть разложена на составные элементы, позволяющие оценить
влияние различных факторов, обусловливающих вариацию признака. Порядок расчета
среднего квадратического отклонения следующий:

1) Определяется средняя
величина:

2) Рассчитывается
отклонения вариантов от средней:

3) Отклонение каждого
варианта от средней возводится в квадрат:

4) Квадрат отклонений
взвешивается по частотам:

5) Взвешенные по
частотам квадраты отклонений суммируются:

6) Полученная сумма
делится на сумму частот, и из нее извлекается квадратный корень.

Среднее квадратическое
отклонение можно вычислить, составив следующую расчетную таблицу:

№ п/п

Линейные отклонения от средней

Квадрат линейных отклонений

Взвешенные квадраты

…

Итого

Среднее квадратическое
отклонение можно вычислить на основании математических преобразований значений
варьирующего признака, применяя способ условных моментов:

где первый условный
момент:

второй условный момент:

Среднее квадратическое
отклонение по способу условных моментов определяется по формуле:

Система условных
моментов различных порядков, в частности, третьего

и
четвертого

используется при расчете различных
статистических характеристик (например, коэффициентов асимметрии и эксцесса).

Чем больше σ, тем разнообразнее состав
совокупности по величине изучаемого признака, и, наоборот, чем меньше σ, тем
состав совокупности по величине изучаемого признака более одинаков. Однако
оценка величины σ
как качественной характеристики ряда в конечном итоге определяется сущностью
изучаемых явлений. Среднее квадратическое отклонение
используется для сопоставления вариации по однородным совокупностям, а также
для одной совокупности за разные годы. Среднее квадратическое
отклонение является критерием надежности средней. Чем меньше оно, тем лучше
средняя арифметическая отражает всю представляемую совокупность.

Коэффициент осцилляции – процентное отношение размаха
вариации к средней

Линейный
коэффициент вариации (относительное линейное отклонение) измеряют через
соотношение среднего линейного отклонения и средней:

Коэффициент вариации представляет собой отношение
среднего квадратического отклонения к средней
арифметической:

Характеризуя степень колеблемости
признака, коэффициент вариации позволяет давать сравнительную характеристику
этой колеблемости одного и того же признака в
различных совокупностях.

Коэффициент вариации используется также, если
сравнивается степень вариации одного и того же признака в двух совокупностях,
имеющих разные по величине средние. Как относительные величины коэффициенты
вариации могут сопоставляться не только для одинаковых одноименных показателей,
но и для различных показателей, выраженных в разных единицах измерения. Таким
образом, коэффициент вариации в отличие от среднего квадратического
отклонения позволяет сопоставить глубину вариации неоднородных совокупностей.

Источник