Как найти среднее отклонение массы - Сайт, где вы сможете решить свои вопросы

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

Для определения
степени колеблемости признаков
используется среднее квадратическое
отклонение, широко применяемое в
экономических расчетах.

Среднее квадратическое
отклонение бывает простое и взвешенное.
Оно обозначается буквой σ.

—простое квадратическое
отклонение;
—взвешенное
квадратическое отклонение.

Рассмотрим порядок
вычисления взвешенного среднего
квадратического отклонения.

Вычисляют СА
взвешенную величину из ряда
.

Определяют
отклонения отдельных вариантов от
средней.

Полученные
отклонения возводят в квадрат.
Квадраты отклонений
делят на увеличивают на число случаев
в этих отклонениях, то есть на частоты
.
Затем полученные отклонения суммируют.
Сумму квадратов
отклонений сумму всех чисел членов
ряда:

Таким
образом, получается дисперсия, или
средний квадрат отклонений.

Из величины,
выражающей дисперсию, извлекают
квадратный корень:

Пример. Произведем
вычисление простого и взвешенного
среднеквадратического отклонения. В
табл. 12 показано распределение кип
шерсти по массе при отгрузке.

Таблица
.12

Распределение кип шерсти при отгрузке

Масса одной кипы (), кг	Количество отгруженных кип (f), шт
86	10
90	20
94	10
96	30
100	15
110	15
ИТОГО	100

Требуется определить
СА простую и взвешенную, среднее
квадратическое отклонение простое и
взвешенное.

Определяем средний
вес одной кипы, для чего используем
формулу средней арифметической простой:

Подставим значения:

2. Среднее
квадратическое простое отклонение (не
взвешенное) определяем по формуле:

Для расчета
квадратического отклонения построим
расчетную таблицу(таб. .13).
Таблица .13

Данные для расчета квадратического отклонения

Масса кипы шерсти, кг	Отклонение от средней (= 96 кг)	Квадраты отклонений (х-х_а)²
86	-10(86-96)	100
90	-6	36
94	-2	4
96	0	0
100	+4	16
110	+14	196
ИТОГО

Что характеризует
полученное квадратическое отклонение?

Масса отдельных
кип шерсти отклоняется от средней (96
кг) в одних случаях на большую величину,
в других— на меньшую. В среднем это
отклонение от средней составляет ±7,7
кг. Из этих данных видно и другое: простое
среднее квадратическое отклонение
выражается в тех же именованных числах,
что и средняя величина. Поэтому оно
составляет так называемое абсолютное
отклонение от средней величины. По
данным примера рассчитаем также среднее
квадратическое отклонение (взвешенное)
для характеристики ряда распределения
с неравными частотами. Для этого примем
во внимание количество отгруженных
кип, которые будут составлять частоты(f).

Расчет производим
по формуле:

Построим расчетную
таблицу (табл. .14).

Сначала определяем
среднюю арифметическую взвешенную:

Рассчитаем среднее
квадратическое отклонение (взвешенное):

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

#
18.12.2018130.46 Кб297.docx
#
#
#
#
#
#
#
#
#
#

Источник

Вычисление среднего отклонения может быть эффективным способом анализа изменчивости в наборе данных. Независимо от точного характера собранных данных, знание их среднего отклонения может помочь вам в их интерпретации. Знание того, как рассчитать среднее отклонение – ценный навык, но он требует изучения и практики. В этой статье мы обсудим, что такое среднее отклонение, как его рассчитать, а также различия между абсолютным и средним отклонением, средним средним и средним отклонением от среднего и стандартным отклонением в сравнении со средним отклонением.

Что такое среднее отклонение?

Среднее отклонение набора данных – это среднее значение всех отклонений от заданной центральной точки. Это статистический инструмент для измерения расстояния от среднего значения или медианы, где среднее значение – это среднее значение всех чисел в наборе данных, а медиана – это точное среднее число, когда мы упорядочиваем набор данных от самого низкого до самого высокого числа. Среднее отклонение набора данных также называется средним абсолютным отклонением (MAD) или средним абсолютным отклонением.

Хотя при работе с относительно небольшими наборами данных вы можете рассчитать среднее отклонение вручную, для больших наборов данных обычно требуется специальное программное обеспечение, которое выполняет расчеты за вас после ввода исходных данных.

Как рассчитать среднее отклонение

Рассмотрим эти шаги при расчете среднего отклонения набора данных:

1. Рассчитать среднюю медиану

Первый шаг – вычисление среднего значения. Вы можете сделать это, сложив все значения в наборе данных и разделив полученную сумму на общее количество значений.

Также можно вычислить медиану, если вы хотите использовать ее вместо среднего значения. Расположите все числа в числовом порядке и подсчитайте, сколько их всего. Затем, если общее число нечетное, разделите его на два и округлите, чтобы найти положение медианы. Если общее число четное, разделите его на два и сделайте среднее между числом в этой позиции и числом в следующей более высокой позиции.

2. Рассчитайте отклонение от среднего значения

После расчета среднего значения можно рассчитать отклонение от среднего для каждого значения в наборе данных. Вычислите разницу между ранее рассчитанным средним и каждым значением в наборе данных и запишите абсолютное значение получившихся чисел. Абсолютное значение числа – это его модуль или неотрицательное значение. Поскольку направление каждого отклонения не имеет значения при расчете среднего отклонения, все результирующие числа положительны.

3. Вычислите сумму всех отклонений

После вычисления отклонения от среднего значения для каждого значения в наборе данных необходимо сложить их вместе. Поскольку это операция с абсолютным значением, каждое значение должно быть положительным числом.

4. Вычислить среднее отклонение

Наконец, рассчитайте среднее отклонение вашего набора данных, разделив ранее рассчитанную сумму всех отклонений на общее количество отклонений, которые вы сложили вместе. Полученное число – это среднее отклонение от среднего.

Пример

Рассмотрите этот пример при расчете среднего отклонения от среднего значения.

Баскетболист сыграл 5 игр в этом сезоне. Числа очков в каждой игре: 23, 30, 31, 15 и 46.

Первый шаг – вычисление среднего значения. Вы делаете это, складывая очки и деля результат на пять игр.

23+30+31+15+46=145

1455=29

Теперь, когда вы определили, что игрок набирал в среднем 29 очков за игру, вам нужно рассчитать отклонение от среднего значения для каждой игры.

23-29=6

30-29=1

31-29=2

15-29=14

46-29=17

Далее необходимо вычислить сумму всех вариаций.

6+1+2+14+17=40

Среднее отклонение – это сумма всех отклонений, деленная на общее количество записей.

Среднее отклонение=405=8

Среднее отклонение от среднего значения по очкам, набранным в первых пяти играх сезона, составляет 8.

Абсолютное отклонение vs. среднее отклонение

Вычисление абсолютного отклонения является важным шагом для определения среднего отклонения. Абсолютное отклонение – это разница между средним значением набора данных и каждым значением в соответствующем наборе данных. Название абсолютного отклонения происходит от того, что все полученные числа записываются как абсолютные числа. Мера выражает расстояние между средним и каждым значением, поэтому отрицательное или положительное число не имеет значения.

После расчета абсолютного отклонения для каждого значения в наборе данных можно рассчитать среднее отклонение, сложив их все вместе и разделив на общее количество значений в наборе данных.

Среднее значение против. среднее отклонение от среднего

Вычисление среднего значения также является важным шагом для определения среднего отклонения от среднего значения. Среднее среднее – это просто сумма всех значений, включенных в набор данных, деленная на общее количество значений. Вычисление среднего значения помогает определить отклонение от среднего путем вычисления разницы между средним и каждым значением. Далее разделите сумму всех ранее рассчитанных значений на количество отклонений, сложенных вместе, и в результате получите среднее отклонение от среднего.

Стандартное отклонение против. среднее отклонение

Стандартное отклонение также является мерой изменчивости в наборе данных, так как оно показывает размер отклонения между всеми значениями в наборе данных. Основное различие между ними заключается в том, что значения, полученные в результате вычитания среднего из значения каждой точки данных, записываются как абсолютные только при вычислении среднего отклонения. Чтобы рассчитать стандартное отклонение, полученные значения записываются не в абсолютных величинах, а в квадрате. Затем необходимо вычислить среднее арифметическое всех квадратных значений. Квадратный корень из этого среднего значения является стандартным средним значением.

Стандартное отклонение чаще всего используется для измерения изменчивости, являясь очень популярным инструментом для расчета волатильности финансовых инструментов и потенциальной инвестиционной доходности. Более высокая волатильность обычно означает, что существует повышенный риск того, что инвестиции принесут убытки. Это означает, что инвестор, который берет на себя риск высоковолатильной ценной бумаги, обычно ожидает от нее высокой доходности. Среднее отклонение также используется в качестве финансового инструмента, но, как правило, реже, чем стандартное отклонение.

Источник

Среднеквадратическое отклонение (Mean square deviation)

Среднеквадратическое отклонение — статистическая характеристика распределения случайной величины, показывающая среднюю степень разброса значений величины относительно математического ожидания. Обозначается греческой σ (сигма) или буквой S .

Среднеквадратическое отклонение измеряется в единицах самой случайной величины и используется при расчёте стандартной ошибки среднего арифметического, при построении доверительных интервалов, при статистической проверке гипотез, при измерении линейной взаимосвязи между случайными величинами.

Определяется как квадратный корень из дисперсии случайной величины. Стандартное отклонение на основании смещённой оценки дисперсии (иногда называемой просто выборочной дисперсией):

S = √ 1 n n ∑ i = 1 ( x i − ¯ x ) 2 .

Стандартное отклонение на основании несмещённой оценки дисперсии:

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

где S 2 — выборочная дисперсия; x i — i-й элемент выборки; n — объём выборки; ¯ x — среднее арифметическое выборки (выборочное среднее):

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

Большее значение среднеквадратического отклонения показывает больший разброс наблюдаемых значений признака относительно среднего; меньшее значение, соответственно, показывает, что величины в множестве сгруппированы вокруг среднего.

Наряду с дисперсией среднеквадратическое отклонение является одним из параметров нормального распределения. Чем оно выше, тем длиннее «хвосты» распределения.

В анализе данных среднеквадратическое отклонение может использоваться в качестве меры изменчивости значений признаков, степени отклонения желаемых показателей от наблюдаемых, а также для обнаружения выбросов и аномальных значений в данных c помощью правила трёх сигм.

Как найти среднеквадратическое отклонение

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:

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

Дисперсия мм 2 .

Таким образом, дисперсия составляет 21704 мм 2 .

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 = $frac{108520}{4}=27130$ мм 2 .

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

Что такое «сигма»?

Сигмой (σ) в статистическом анализе обозначают стандартное отклонение. Опуская тонкости, которые будут обсуждены ниже, можно сказать, что стандартное отклонение — это та погрешность, то «± сколько-то», которым обязательно сопровождают измерение величины. Если вы измерили массу предмета и получили результат 100 ± 5 грамм, то величина «110 грамм» отличается от измеренного результата на два стандартных отклонения (то есть на 2 сигмы), величина «50 грамм» отличается на 10 стандартных отклонений (на 10 сигм).

Зачем всё это нужно: сигмы и вероятности

При обсуждении погрешностей мы уже говорили, что фраза «измеренная масса равна 100 ± 5 грамм» вовсе не означает, что истинная масса гарантированно лежит в интервале от 95 до 105 грамм. Она может оказаться и за пределами этого интервала «± 1σ», но, как правило, недалеко. В небольшом проценте случаев может даже случиться, что она выходит за пределы интервала «± 2σ», и уж совсем редко она оказывается за пределами «± 3σ». В общем, тенденция ясна: количество сигм связано с вероятностью того, что истинное значение будет настолько отличаться от измеренного.

Вероятность того, что истинное значение попадет в определенный интервал около измеренного среднего значения при нормальном распределении ошибок. Изображение с сайта en.wikipedia.org

Пропустим все математические подробности и покажем результат для самого простого и распространенного случая, который называется «нормальное распределение» (см. рисунок). Вероятность попасть в интервал ± 1σ — примерно 68%, в интервал ± 2σ — примерно 95%, в интервал ± 3σ — примерно 99,8%, и т. д. Итак, можно сформулировать некую договоренность:

Использовать эту договоренность можно разными способами. Если вы просто сообщаете результат измерения (100 ± 5 грамм) и уверены в том, что нормальное распределение применимо, то вы можете сказать, что истинное значение массы с вероятностью 68% лежит в этом интервале, с вероятностью 95% лежит в интервале от 90 до 110 грамм, и т. д.

Если отличие составляет меньше 1σ, то вероятность того, что два числа согласуются друг с другом, больше 32%. В таком случае просто говорят, что два результата совпадают в пределах погрешностей.
Если отличие составляет меньше 3σ, то вероятность того, что два числа согласуются друг с другом, больше 0,2%. В физике элементарных частиц такой вероятности недостаточно для каких-либо серьезных выводов, и принято говорить: различие между двумя результатами не является статистически значимым.
Если отличие от 3σ до 5σ, то это повод подозревать что-то серьезное. Впрочем, даже в этом случае физики говорят осторожно: данные указывают на существование различия между двумя результатами.
И только если два результата отличаются на 5σ или больше, физики четко заявляют: два результата отличаются друг от друга.

Эти выражения особенно стандартны, когда речь идет о поиске новой частицы. Вы сравниваете экспериментальные данные с теоретическим предсказанием, сделанным без новой частицы, и, если видите отличие от 3 до 5 сигм, вы говорите: получено указание на существование новой частицы (по-английски, evidence). Если же отличие превышает 5 сигм, вы говорите: мы открыли новую частицу (discovery).

Пример 1

Предположим, что вы изучаете какой-то редкий распад мезона и сравниваете его с теоретическим предсказанием в рамках Стандартной модели. Для удобства записи вы выразили результат измерения в виде такой величины:

μ = (измеренная вероятность распада) / (теоретически предсказанная вероятность распада)

и получили ответ: μ = 1,25 ± 0,25. Что вы можете сказать про этот результат?

Во-первых, он отличается от нуля на пять сигм. Значит, он уже классифицируется как открытие, и поэтому вы можете смело заявлять: мы открыли искомый распад мезона (если, конечно, это уже не сделал кто-то до вас; тогда вам придется довольствоваться скромным «подтверждением открытия»). Во-вторых, он отличается от единицы на одну сигму. Такое отклонение «неинтересно», оно не позволяет вам сказать, что вы обнаружили какое-то статистически значимое отличие от теоретических расчетов. Поэтому вы добавляете: измеренное значение согласуется с предсказаниями Стандартной модели.

Предположим далее, что вы набрали в 25 раз больше статистики, перемеряли эту вероятность и получили уточненное значение: μ = 1,20 ± 0,05. Отличие от нуля составляет уже 24 сигмы, так что сомнений в реальности эффекта больше не остается. Отличие от единицы составляет теперь 4 сигмы. Этого еще недостаточно для того, чтобы заявить, что вы открыли Новую физику. Но вы можете четко сказать, что ваши данные расходятся с теоретическими предсказаниями на уровне 4 сигм и указывают на существование эффекта вне Стандартной модели.

Пример 2

Вы изучаете рождение мюонов и антимюонов в каком-то процессе и хотите узнать, можно ли сделать вывод о том, что они рождаются с разной вероятностью. Для мюонов (μ – ) вы получили вероятность рождения x_– = 0,18 ± 0,03, а для антимюонов (μ + ) – x₊ = 0,30 ± 0,04. Разница получается 0,12, но насколько значимым является это различие?

Если для обеих погрешностей справедливы нормальные распределения, а также если эти погрешности полностью независимы (между ними нет корреляций), то общая погрешность величины x₊ – x_– вычисляется по формуле суммирования квадратов. Поэтому результат измерения x₊ – x_– = 0,12 ± 0,05. Отличие составляет 2,4 сигмы, и этого еще недостаточно для каких-либо серьезных выводов.

«Уверенность» против «статистической значимости»

Заметьте, что в приведенных выше примерах нас интересовали вопросы, на которые можно ответить «да» или «нет». Проступает ли в полученных данных какая-то новая частица? Согласуется ли распределение по импульсу с теоретическими расчетами? Зависит ли сечение процесса от энергии столкновений? Совпадает ли масса у частицы и ее античастицы? Попытка ответить на эти вопросы с помощью данных называется на научном языке проверкой гипотез. Вопросы, которые требуют развернутого ответа (подсчитать что-то, объяснить что-то и т. п.), гипотезами не называются.

В простейшем приближении результат экспериментальной проверки гипотезы выглядит так: ответ «да» с вероятностью p и ответ «нет» с вероятностью 1 – p. Эти вероятности очень важны для сообщения результата; физики обычно избегают абсолютных утверждений («мы открыли» или «мы опровергли») без указания вероятностей.

Но тут сразу же надо сделать важное уточнение. Если его четко осознать, то станет понятным, почему такие стандартные для научно-популярных новостей фразы, как «Ученые на 99% уверены, что открыли что-то новое», — обманчивы.

Точная формулировка, которую обычно используют ученые, такова:

При проверке гипотезы получен ответ «да» на уровне статистической значимости p.

При этом величина p часто выражается в виде количества сигм. В англоязычной литературе используется словосочетание confidence level, CL (доверительный уровень). В русскоязычной еще иногда говорят «статистическая достоверность», но такое выражение может привести к путанице в понимании.

Отличие «популярной» фразы от истинного утверждения вот в чём. Во всяком измерении есть не только статистические, но и систематические погрешности. Описанные выше правила связи вероятностей и количества сигм работают только для статистических погрешностей — и то если к ним применимо нормальное распределение. Если статистические погрешности всегда можно обсчитать аккуратно, то систематические погрешности — это немножко искусство. Более того, из многолетнего опыта известно, что сильные систематические отклонения уж точно не описываются нормальным распределением, и потому для них эти правила пересчета не справедливы. Так что даже если экспериментаторы всё перепроверили много раз и указали систематическую погрешность, всегда остается риск, что они что-то упустили из виду. Корректно оценить этот риск невозможно, поэтому вы на самом деле не знаете, с какой истинной вероятностью ваш ответ верен.

Конечно, по умолчанию систематическим погрешностям стоит доверять, особенно если они исходят от опытных экспериментальных групп. Но вековой опыт изучения элементарных частиц показывает, что несмотря на все предосторожности регулярно случаются проколы. Бывает, что коллаборация получает результат, сильно противоречащий какой-то гипотезе, перепроверяет анализ много раз и никаких ошибок у себя не находит. Однако этот результат затем не подтверждается другими — порой намного более точными! — экспериментами. Почему первый эксперимент дал такой странный результат, что в нём было не то, где там ошибка или неучтенная погрешность — всё это зачастую так и остается непонятым (впрочем, иногда источник ошибки быстро вскрывается, как это случилось со «сверхсветовыми» нейтрино в эксперименте OPERA).

Физики к таким оборотам событий уже привыкли, поэтому каждый экспериментальный результат, сильно отличающийся от всей сложившейся к тому времени картины, вызывает оправданный скепсис. Физики так консервативны в своем отношении вовсе не потому, что они ретрограды и намертво уверовали в какую-то одну теорию, как это хотят представить опровергатели физики. Они просто научены всем предыдущим опытом в физике частиц и знают, чем это обычно кончается. Поэтому без независимого подтверждения другими экспериментами подобные сенсации они не поддерживают.

ФЭЧ в сравнении с другими науками

Надо сказать, что сформулированные выше жесткие критерии статистической достоверности характерны именно для физики элементарных частиц и некоторых смежных разделов. Во многих других разделах физики, а тем более в других дисциплинах (в особенности, в биомедицинских науках) критерии намного слабее.

Предположим, вы измерили некие данные и хотите узнать, какова вероятность того, что они «вписываются в норму». Вы проводите статистический тест, который дает вам вероятность того, что «нормальная ситуация» без какого-либо реального отклонения только за счет статистической флуктуации даст вот такое или еще более сильное отклонение. Эта вероятность называется p-значение. В биологии пороговое p-значение, ниже которого уже уверенно говорят про реальное отличие, составляет один или даже несколько процентов. В физике элементарных частиц такое отличие вообще не считают значимым, тут нет даже «указания на существование» какого-то отличия! Ответственное заявление об отличии звучит в ФЭЧ только для p-значений меньше одной двухмиллионной (то есть отклонение больше 5σ). Такой жесткий подход к достоверности утверждений выработался в ФЭЧ примерно полвека назад, в эпоху, когда экспериментаторы видели много отклонений со значимостью в районе 3σ и смело заявляли об открытии новых частиц, хотя потом эти «открытия» не подтверждались. Подробный рассказ об истоках этого критерия см. в постах Tommaso Dorigo (часть 1, часть 2).

Источник

Что такое дисперсия

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).

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

Вычислим среднее значение, дисперсию и среднеквадратическое отклонение.

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:

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

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

мм (округлено до ближайшего целого значения в мм).

Что такое стандартное отклонение

Если есть значений, то:

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

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

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

Примечание. Почему именно квадраты разностей?

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

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

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

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

Для первого примера получится:

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

Для второго примера получится:

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

Источник

Использование и интерпретация величины среднеквадратического отклонения

Расчет среднеквадратичного (стандартного) отклонения

Формулы вычисления стандартного отклонения

Разница между формулами S и σ (“n” и “n–1”)

Как рассчитать стандартное отклонение?

Пример 1 (с σ)

Пример 2 (с S)

Дисперсия и стандартное отклонение

Правило трёх сигм

Стандартное отклонение в excel

Коэффициент вариации

Распределение кип шерсти при отгрузке

Данные для расчета квадратического отклонения

Что такое среднее отклонение?

Как рассчитать среднее отклонение

1. Рассчитать среднюю медиану

2. Рассчитайте отклонение от среднего значения

3. Вычислите сумму всех отклонений

4. Вычислить среднее отклонение

Пример

Абсолютное отклонение vs. среднее отклонение

Среднее значение против. среднее отклонение от среднего

Стандартное отклонение против. среднее отклонение

Среднеквадратическое отклонение (Mean square deviation)

Как найти среднеквадратическое отклонение

Что такое дисперсия

Что такое стандартное отклонение

Примечание. Почему именно квадраты разностей?

Что такое «сигма»?

Зачем всё это нужно: сигмы и вероятности

Пример 1

Пример 2

«Уверенность» против «статистической значимости»

ФЭЧ в сравнении с другими науками

Что такое дисперсия

Что такое стандартное отклонение

Примечание. Почему именно квадраты разностей?

Вам также может понравиться

Как найти механическое напряжение в тросе

Как найти автора песни по названию

Как найти побочный фокус линзы

Добавить комментарий Отменить ответ