สูตรการกระจายตัวของตัวแปรสุ่ม ความแปรปรวนและค่าเบี่ยงเบนมาตรฐานใน MS EXCEL
อย่างไรก็ตาม คุณลักษณะนี้เพียงอย่างเดียวไม่เพียงพอที่จะศึกษา ตัวแปรสุ่ม. ลองนึกภาพมือปืนสองคนที่กำลังยิงไปที่เป้าหมาย คนหนึ่งยิงแม่นและยิงใกล้จุดศูนย์กลาง และอีกคนหนึ่ง ... แค่สนุกและไม่ได้เล็ง แต่ที่ตลกคือ เฉลี่ยผลลัพธ์จะเหมือนกับการยิงครั้งแรก! สถานการณ์นี้แสดงให้เห็นตามเงื่อนไขโดยตัวแปรสุ่มต่อไปนี้:
"สไนเปอร์" มูลค่าที่คาดหวังเท่ากันอย่างไรก็ตามและ บุคลิกที่น่าสนใจ»: - มันก็เป็นศูนย์เช่นกัน!
จึงต้องคำนวณว่าไกลแค่ไหน กระจัดกระจายสัญลักษณ์แสดงหัวข้อย่อย (ค่าของตัวแปรสุ่ม) เทียบกับจุดศูนย์กลางของเป้าหมาย (ความคาดหวัง) ดีและ กระเจิงแปลจากภาษาละตินเท่านั้นเป็น การกระจายตัว .
เรามาดูกันว่าคุณลักษณะเชิงตัวเลขนี้ถูกกำหนดอย่างไรในตัวอย่างหนึ่งของบทเรียนที่ 1:
ที่นั่นเราพบความคาดหวังทางคณิตศาสตร์ที่น่าผิดหวังสำหรับเกมนี้ และตอนนี้เราต้องคำนวณความแปรปรวนของมัน ซึ่ง หมายถึงผ่าน .
มาดูกันว่าการชนะ/แพ้นั้น "กระจัดกระจาย" มากเพียงใดเมื่อเทียบกับค่าเฉลี่ย แน่นอน สำหรับสิ่งนี้เราต้องคำนวณ ความแตกต่างระหว่าง ค่าของตัวแปรสุ่มและเธอ ความคาดหวังทางคณิตศาสตร์:
–5 – (–0,5) = –4,5
2,5 – (–0,5) = 3
10 – (–0,5) = 10,5
ตอนนี้ดูเหมือนว่าจะจำเป็นต้องสรุปผลลัพธ์ แต่วิธีนี้ไม่ดี - เพราะการแกว่งไปทางซ้ายจะตัดกันโดยมีการแกว่งไปทางขวา ตัวอย่างเช่น มือปืน "มือสมัครเล่น" (ตัวอย่างด้านบน)ความแตกต่างจะเป็น และเมื่อเพิ่มเข้าไป พวกเขาจะให้ศูนย์ ดังนั้นเราจะไม่ได้ค่าประมาณการกระเจิงของการยิงของเขา
เพื่อขจัดความรำคาญนี้ ให้พิจารณา โมดูลความแตกต่าง แต่ด้วยเหตุผลทางเทคนิค วิธีการได้หยั่งรากเมื่อถูกยกกำลังสอง สะดวกกว่าในการจัดเรียงโซลูชันในตาราง:
และนี่ก็ขอให้คำนวณ ค่าเฉลี่ยถ่วงน้ำหนักค่าของส่วนเบี่ยงเบนกำลังสอง มันคืออะไร? มันเป็นของพวกเขา มูลค่าที่คาดหวังซึ่งเป็นการวัดการกระเจิง:
– คำนิยามการกระจายตัว เป็นที่ชัดเจนทันทีจากคำจำกัดความที่ว่า ความแปรปรวนไม่สามารถเป็นลบได้- รับทราบเพื่อการปฏิบัติ!
มาจำกันว่าจะหาความคาดหวังได้อย่างไร คูณผลต่างกำลังสองด้วยความน่าจะเป็นที่สอดคล้องกัน (ต่อตาราง):
- เปรียบเปรย นี่คือ "แรงฉุด"
และสรุปผล:
คุณไม่คิดหรือว่าเมื่อเทียบกับเบื้องหลังของการชนะ ผลลัพธ์กลับกลายเป็นว่าใหญ่เกินไป? ถูกต้อง - เรากำลังยกกำลังสอง และเพื่อกลับไปยังมิติของเกม เราต้องหาสแควร์รูท ค่านี้เรียกว่า ส่วนเบี่ยงเบนมาตรฐาน
และเขียนแทนด้วยอักษรกรีก "ซิกมา":
บางครั้งความหมายนี้เรียกว่า ส่วนเบี่ยงเบนมาตรฐาน .
ความหมายของมันคืออะไร? หากเราเบี่ยงเบนจากการคาดหมายทางคณิตศาสตร์ไปทางซ้ายและทางขวาโดยค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน:
– จากนั้นค่าที่น่าจะเป็นไปได้มากที่สุดของตัวแปรสุ่มจะถูก "เข้มข้น" ในช่วงเวลานี้ สิ่งที่เราเห็นจริง:
อย่างไรก็ตาม มันเกิดขึ้นที่ในการวิเคราะห์การกระเจิงมักจะดำเนินการกับแนวคิดของการกระจายตัว เรามาดูกันว่ามันหมายถึงอะไรเกี่ยวกับเกม หากในกรณีของนักแม่นปืน เรากำลังพูดถึง "ความแม่นยำ" ของการยิงที่สัมพันธ์กับจุดศูนย์กลางของเป้าหมาย การกระจายตัวมีลักษณะสองประการดังนี้:
ประการแรก เห็นได้ชัดว่าเมื่ออัตราเพิ่มขึ้น ความแปรปรวนก็เพิ่มขึ้นเช่นกัน ตัวอย่างเช่น หากเราเพิ่มขึ้น 10 เท่า ความคาดหมายทางคณิตศาสตร์จะเพิ่มขึ้น 10 เท่า และความแปรปรวนจะเพิ่มขึ้น 100 เท่า (ทันทีที่มันเป็นค่ากำลังสอง). แต่โปรดทราบว่ากฎของเกมไม่เปลี่ยนแปลง! เฉพาะอัตราที่มีการเปลี่ยนแปลง พูดคร่าวๆ เราเคยเดิมพัน 10 รูเบิล ตอนนี้ 100
ประการที่สอง มากกว่า จุดที่น่าสนใจคือความแปรปรวนเป็นตัวกำหนดลักษณะของเกม จิตใจแก้ไขอัตราเกม ในระดับหนึ่งและดูว่ามีอะไรอยู่ที่นี่:
เกมที่มีความแปรปรวนต่ำเป็นเกมที่ระมัดระวัง ผู้เล่นมักจะเลือกแผนการที่น่าเชื่อถือที่สุด โดยที่เขาจะไม่แพ้/ชนะมากเกินไปในคราวเดียว ตัวอย่างเช่น ระบบสีแดง/ดำในรูเล็ต (ดูตัวอย่างที่ 4 ของบทความ ตัวแปรสุ่ม) .
เกมที่มีความแปรปรวนสูง เธอมักจะถูกเรียกว่า การกระจายตัวเกม. นี่คือรูปแบบการเล่นที่ท้าทายหรือดุดัน โดยผู้เล่นเลือกรูปแบบ "อะดรีนาลีน" อย่างน้อยก็จำไว้ "มาร์ติงเกล"ซึ่งผลรวมที่เดิมพันเป็นลำดับความสำคัญมากกว่าเกม "เงียบ" ของย่อหน้าก่อนหน้า
สถานการณ์ในโป๊กเกอร์เป็นสิ่งบ่งชี้: มีสิ่งที่เรียกว่า แน่นผู้เล่นที่มักจะระมัดระวังและ "สั่น" กับเงินในเกม (แบ๊งค์). ไม่น่าแปลกใจเลยที่เงินทุนของพวกเขาไม่ผันผวนมากนัก (ความแปรปรวนต่ำ) ในทางกลับกัน หากผู้เล่นมีความแปรปรวนสูงก็จะเป็นผู้รุกราน เขามักจะเสี่ยง วางเดิมพันขนาดใหญ่ และสามารถทำลายธนาคารขนาดใหญ่และพังทลายได้
สิ่งเดียวกันนี้เกิดขึ้นใน Forex และอื่นๆ - มีตัวอย่างมากมาย
ยิ่งกว่านั้นในทุกกรณี ไม่สำคัญว่าเกมจะจ่ายเพนนีหรือหลายพันดอลลาร์ ทุกระดับมีผู้เล่นที่มีความแปรปรวนต่ำและสูง สำหรับการชนะโดยเฉลี่ยอย่างที่เราจำได้ "รับผิดชอบ" มูลค่าที่คาดหวัง.
คุณอาจสังเกตเห็นว่าการค้นหาความแปรปรวนเป็นกระบวนการที่ยาวนานและต้องใช้ความอุตสาหะ แต่คณิตศาสตร์นั้นใจกว้าง:
สูตรการหาความแปรปรวน
สูตรนี้ได้มาจากคำจำกัดความของความแปรปรวนโดยตรง และเรานำมันเข้าสู่การหมุนเวียนทันที ฉันจะคัดลอกจานกับเกมของเราจากด้านบน:
และความคาดหวังที่พบ
เราคำนวณความแปรปรวนด้วยวิธีที่สอง อันดับแรก หาการคาดหมายทางคณิตศาสตร์ - กำลังสองของตัวแปรสุ่ม โดย คำจำกัดความของความคาดหวังทางคณิตศาสตร์:
ที่ กรณีนี้:
ดังนั้นตามสูตร:
อย่างที่พวกเขาพูด รู้สึกถึงความแตกต่าง และในทางปฏิบัติจะดีกว่าถ้าใช้สูตร (เว้นแต่เงื่อนไขจะเป็นอย่างอื่น)
เราเชี่ยวชาญเทคนิคการแก้ปัญหาและการออกแบบ:
ตัวอย่างที่ 6
หาค่าความคาดหมาย ความแปรปรวน และค่าเบี่ยงเบนมาตรฐานทางคณิตศาสตร์
งานนี้พบได้ทุกที่และตามกฎแล้วไปโดยไม่มีความหมายที่มีความหมาย
คุณสามารถจินตนาการถึงหลอดไฟหลายดวงที่มีตัวเลขที่ส่องสว่างในบ้านบ้าที่มีความเป็นไปได้บางอย่าง :)
วิธีการแก้: สะดวกในการสรุปการคำนวณหลักในตาราง ขั้นแรก เราเขียนข้อมูลเริ่มต้นในสองบรรทัดบน จากนั้นเราคำนวณผลิตภัณฑ์ จากนั้นจึงรวมผลรวมในคอลัมน์ด้านขวา:
อันที่จริงเกือบทุกอย่างพร้อมแล้ว ในบรรทัดที่สาม มีการวาดความคาดหวังทางคณิตศาสตร์สำเร็จรูป: .
การกระจายตัวคำนวณโดยสูตร:
และสุดท้าย ค่าเบี่ยงเบนมาตรฐาน:
- โดยส่วนตัวแล้ว ฉันมักจะปัดเศษทศนิยม 2 ตำแหน่ง
การคำนวณทั้งหมดสามารถทำได้โดยใช้เครื่องคิดเลข และดียิ่งขึ้นไปอีก - ใน Excel:
มันยากที่จะผิดพลาดที่นี่ :)
ตอบ:
ผู้ที่ต้องการสามารถทำให้ชีวิตของพวกเขาง่ายขึ้นและใช้ประโยชน์จากของฉัน เครื่องคิดเลข (การสาธิต)ซึ่งไม่เพียงแค่แก้ได้ทันที งานนี้แต่ยังสร้าง กราฟิกเฉพาะเรื่อง (มาเร็ว ๆ นี้). โปรแกรมสามารถ ดาวน์โหลดในห้องสมุด– หากคุณได้ดาวน์โหลดอย่างน้อยหนึ่ง สื่อการศึกษาหรือได้รับ อีกทางหนึ่ง. ขอบคุณสำหรับการสนับสนุนโครงการ!
งานสองสามอย่างสำหรับ โซลูชันอิสระ:
ตัวอย่าง 7
คำนวณความแปรปรวนของตัวแปรสุ่มของตัวอย่างก่อนหน้าตามคำจำกัดความ
และตัวอย่างที่คล้ายกัน:
ตัวอย่างที่ 8
ตัวแปรสุ่มแบบไม่ต่อเนื่องกำหนดโดยกฎการแจกแจงของมันเอง:
ใช่ ค่าของตัวแปรสุ่มอาจมีขนาดใหญ่มาก (ตัวอย่างจาก งานจริง) และที่นี่ ถ้าเป็นไปได้ ให้ใช้ Excel อีกอย่างในตัวอย่างที่ 7 มันเร็วกว่า น่าเชื่อถือกว่า และน่าพอใจมากกว่า
คำตอบและคำตอบที่ด้านล่างของหน้า
ในตอนท้ายของบทเรียนส่วนที่ 2 เราจะวิเคราะห์อีกครั้งหนึ่ง งานทั่วไปบางคนอาจพูดว่า rebus เล็ก ๆ :
ตัวอย่างที่ 9
ตัวแปรสุ่มแบบไม่ต่อเนื่องสามารถรับได้เพียงสองค่าเท่านั้น: และ , และ ทราบความน่าจะเป็น ความคาดหวังทางคณิตศาสตร์ และความแปรปรวน
วิธีการแก้: เริ่มจากความน่าจะเป็นที่ไม่รู้จักกันก่อน เนื่องจากตัวแปรสุ่มสามารถรับค่าได้เพียงสองค่า ดังนั้นผลรวมของความน่าจะเป็นของเหตุการณ์ที่เกี่ยวข้องกัน:
และตั้งแต่นั้นเป็นต้นมา
มันยังคงค้นหา ... พูดง่าย :) แต่เอาล่ะมันเริ่มแล้ว ตามคำจำกัดความของความคาดหวังทางคณิตศาสตร์:
- แทนที่ค่าที่รู้จัก:
- และไม่มีอะไรมากไปจากสมการนี้ ยกเว้นว่าคุณสามารถเขียนมันใหม่ในทิศทางปกติ:
หรือ:
อู๋ ขั้นตอนถัดไปฉันคิดว่าคุณสามารถเดาได้ มาสร้างและแก้ไขระบบกันเถอะ:
ทศนิยม- แน่นอนว่านี่เป็นความอัปยศอย่างสมบูรณ์ คูณสมการทั้งสองด้วย 10:
และหารด้วย 2:
นั่นดีกว่ามาก จากสมการที่ 1 เราแสดง:
(วิธีนี้ง่ายกว่า)- แทนที่ในสมการที่ 2:
เรากำลังสร้าง กำลังสองและทำให้เข้าใจง่าย:
เราคูณด้วย:
ผลที่ตามมา, สมการกำลังสอง, ค้นหาการเลือกปฏิบัติ:
- สมบูรณ์แบบ!
และเราได้รับสองวิธีแก้ไข:
1) ถ้า , แล้ว ;
2) ถ้า , แล้ว .
ค่าคู่แรกเป็นไปตามเงื่อนไข ด้วยความน่าจะเป็นสูง ทุกอย่างถูกต้อง แต่ถึงกระนั้น เราเขียนกฎการแจกจ่าย:
และดำเนินการตรวจสอบ กล่าวคือ ค้นหาความคาดหวัง:
ในหลายกรณี จำเป็นต้องแนะนำอีกเรื่องหนึ่ง ลักษณะเชิงตัวเลขเพื่อวัดระดับ กระจาย กระจายค่า, นำมาเป็นตัวแปรสุ่ม ξ รอบความคาดหวังทางคณิตศาสตร์
คำนิยาม.ความแปรปรวนของตัวแปรสุ่ม ξ เรียกว่าหมายเลข
ดี= M(ξ-M ξ) 2 . (1)
กล่าวอีกนัยหนึ่งการกระจายตัวคือความคาดหวังทางคณิตศาสตร์ของการเบี่ยงเบนกำลังสองของค่าตัวแปรสุ่มจากค่าเฉลี่ย
เรียกว่า ตารางการเบี่ยงเบน
ปริมาณ ξ .
ถ้าลักษณะการกระจายตัว ขนาดเฉลี่ยส่วนเบี่ยงเบนกำลังสอง ξ จาก Mξ,แล้วนับได้เป็นบางตัว ลักษณะเฉลี่ยค่าเบี่ยงเบนเองอย่างแม่นยำมากขึ้นขนาดของ | ξ-Mξ |.
คำจำกัดความ (1) หมายถึงคุณสมบัติสองประการต่อไปนี้ของการกระจายตัว
1. การกระจายตัว ค่าคงที่เท่ากับศูนย์ ซึ่งค่อนข้างสอดคล้องกับความหมายทางสายตาของการกระจายตัว เป็น "การวัดการแพร่กระจาย"
แท้จริงแล้วถ้า
ξ \u003d C,แล้ว Mξ = Cและนั่นก็หมายความว่า Dξ = M(C-C) 2 = เอ็ม 0 = 0.
2. เมื่อคูณตัวแปรสุ่ม ξ บน ค่าคงที่ด้วยความแปรปรวนของมันคูณด้วย C 2
D(Cξ .)) = ค 2 ดี . (3)
จริงๆ
D(Cξ) = M(C .)
= ม(C .
3. มีสูตรคำนวณความแปรปรวนดังต่อไปนี้:
. (4)
การพิสูจน์สูตรนี้สืบเนื่องมาจากคุณสมบัติของการคาดหมายทางคณิตศาสตร์
เรามี:
4. ถ้าค่า ξ 1 และ ξ 2 เป็นอิสระ จากนั้นความแปรปรวนของผลรวมจะเท่ากับผลรวมของความแปรปรวน:
การพิสูจน์ . ในการพิสูจน์ เราใช้คุณสมบัติของการคาดหมายทางคณิตศาสตร์ อนุญาต Mξ 1 = ม 1 , Mξ 2 = ม 2 แล้ว.
สูตร (5) ได้รับการพิสูจน์แล้ว
เนื่องจากความแปรปรวนของตัวแปรสุ่ม โดยนิยาม การคาดหมายทางคณิตศาสตร์ของค่า ( ξ-m) 2 , โดยที่ ม = Mξ ,จากนั้นในการคำนวณความแปรปรวน คุณสามารถใช้สูตรที่ได้รับในส่วนที่ 7 บทที่ II
ดังนั้นถ้า ξ มี DSV ที่มีกฎหมายการจัดจำหน่าย
x 1 | x 2 | ... |
พี 1 | พี 2 | ... |
แล้วเราจะได้:
. (7)
ถ้า ξ ตัวแปรสุ่มต่อเนื่องที่มีความหนาแน่นการกระจาย พี(x)จากนั้นเราได้รับ:
ดี= . (8)
หากใช้สูตร (4) ในการคำนวณความแปรปรวน ก็สามารถหาสูตรอื่นๆ ได้ กล่าวคือ:
, (9)
ถ้าค่า ξ ไม่ต่อเนื่องและ
ดี= , (10)
ถ้า ξ กระจายอย่างหนาแน่น พี(x).
ตัวอย่างที่ 1 . ให้ค่า ξ มีการกระจายอย่างสม่ำเสมอบนเซ็กเมนต์ [ a,b]. ใช้สูตร (10) เราได้รับ:
สามารถแสดงว่าความแปรปรวนของตัวแปรสุ่มกระจายตามกฎปกติที่มีความหนาแน่น
พี(x)= , (11)
เท่ากับ σ 2
อธิบายความหมายของพารามิเตอร์ σ ที่รวมอยู่ในนิพจน์ความหนาแน่น (11) for กฎหมายปกติ; σ มีค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐานปริมาณ ξ.
ตัวอย่างที่ 2 . ค้นหาความแปรปรวนของตัวแปรสุ่ม ξ กระจายตามกฎทวินาม
วิธีการแก้ . การใช้แทน ξ ในรูปแบบ
ξ = ξ 1 + ξ 2 + น(ดูตัวอย่างที่ 2 §7 ch. II) และนำสูตรมาบวกความแปรปรวนของ ตัวแปรอิสระ, เราได้รับ
ดξ = ด 1 + ด 2 + เหนียง .
การกระจายของปริมาณใด ๆ ξi (ผม= 1,2, น) คำนวณโดยตรง:
Dξi = M(ξi .)) 2 - (ฉัน) 2 = 0 2 q+ 1 2 พี- พี 2 = พี(1-พี) = pq.
ในที่สุดเราก็ได้
ดี= npq, ที่ไหน q = 1 -p.
สำหรับข้อมูลที่จัดกลุ่ม การกระจายตัวของสารตกค้าง - ค่าเฉลี่ยของ ความแปรปรวนภายในกลุ่ม:โดยที่ σ 2 j คือความแปรปรวนภายในกลุ่มของกลุ่ม j -th
สำหรับข้อมูลที่ไม่ได้จัดกลุ่ม การกระจายตัวของสารตกค้างเป็นการวัดความแม่นยําโดยประมาณ กล่าวคือ การประมาณเส้นการถดถอยกับข้อมูลเดิม:
โดยที่ y(t) คือการคาดการณ์ตามสมการแนวโน้ม y เสื้อ – ชุดเริ่มต้นของไดนามิก; n คือจำนวนคะแนน p คือจำนวนสัมประสิทธิ์ของสมการถดถอย (จำนวนตัวแปรอธิบาย)
ในตัวอย่างนี้เรียกว่า ค่าประมาณความแปรปรวนที่ไม่เอนเอียง.
ตัวอย่าง # 1 การกระจายคนงานของสามองค์กรของหนึ่งสมาคมตามหมวดหมู่ภาษีมีลักษณะตามข้อมูลต่อไปนี้:
หมวดหมู่ค่าจ้างแรงงาน | จำนวนคนงานในสถานประกอบการ | ||
องค์กร 1 | องค์กร 2 | องค์กร 3 | |
1 | 50 | 20 | 40 |
2 | 100 | 80 | 60 |
3 | 150 | 150 | 200 |
4 | 350 | 300 | 400 |
5 | 200 | 150 | 250 |
6 | 150 | 100 | 150 |
กำหนด:
1. การกระจายตัวสำหรับแต่ละองค์กร (การกระจายภายในกลุ่ม);
2. ค่าเฉลี่ยของการกระจายภายในกลุ่ม
3. การกระจายตัวระหว่างกลุ่ม
4. ผลต่างทั้งหมด.
วิธีการแก้.
ก่อนดำเนินการแก้ไขปัญหา คุณจำเป็นต้องค้นหาว่าคุณลักษณะใดมีประสิทธิภาพและคุณลักษณะใดเป็นแฟกทอเรียล ในตัวอย่างที่พิจารณา คุณลักษณะที่มีผลคือ "หมวดหมู่ภาษี" และคุณลักษณะปัจจัยคือ "หมายเลข (ชื่อ) ขององค์กร"
จากนั้นเรามีสามกลุ่ม (องค์กร) ซึ่งจำเป็นต้องคำนวณค่าเฉลี่ยของกลุ่มและความแปรปรวนภายในกลุ่ม:
บริษัท | ค่าเฉลี่ยของกลุ่ม | ความแปรปรวนภายในกลุ่ม |
1 | 4 | 1,8 |
ค่าเฉลี่ยของความแปรปรวนภายในกลุ่ม ( การกระจายตัวของสารตกค้าง) คำนวณโดยสูตร:
ที่คุณสามารถคำนวณ:
หรือ:
แล้ว:
การกระจายทั้งหมดจะเท่ากับ: s 2 \u003d 1.6 + 0 \u003d 1.6
ค่าความแปรปรวนรวมสามารถคำนวณได้โดยใช้หนึ่งในสองสูตรต่อไปนี้:
เมื่อแก้ปัญหาในทางปฏิบัติ เรามักจะต้องจัดการกับเครื่องหมายที่ใช้ค่าทางเลือกเพียงสองค่าเท่านั้น ในกรณีนี้ พวกเขาไม่ได้พูดถึงน้ำหนักของค่าเฉพาะของจุดสนใจ แต่เกี่ยวกับส่วนแบ่งโดยรวม หากสัดส่วนของหน่วยประชากรที่มีลักษณะภายใต้การศึกษาแสดงด้วย " R"และไม่ครอบครอง - ผ่าน" q” จากนั้นสามารถคำนวณการกระจายโดยสูตร:
s 2 = p×q
ตัวอย่าง # 2 ตามข้อมูลการพัฒนาคนงานหกคนในกองพลน้อย ให้กำหนดความแปรปรวนระหว่างกลุ่มและประเมินผลกระทบของกะการทำงานที่มีต่อผลิตภาพแรงงานของพวกเขา หากความแปรปรวนทั้งหมดเท่ากับ 12.2
จำนวนกองพลทำงาน | ผลงานชิ้น | |
ในกะแรก | ในกะที่ 2 | |
1 | 18 | 13 |
2 | 19 | 14 |
3 | 22 | 15 |
4 | 20 | 17 |
5 | 24 | 16 |
6 | 23 | 15 |
วิธีการแก้. ข้อมูลเบื้องต้น
X | f1 | f2 | ฉ 3 | f4 | f5 | f6 | ทั้งหมด |
1 | 18 | 19 | 22 | 20 | 24 | 23 | 126 |
2 | 13 | 14 | 15 | 17 | 16 | 15 | 90 |
ทั้งหมด | 31 | 33 | 37 | 37 | 40 | 38 |
จากนั้นเรามี 6 กลุ่มซึ่งจำเป็นต้องคำนวณค่าเฉลี่ยของกลุ่มและความแปรปรวนภายในกลุ่ม
1. หาค่าเฉลี่ยของแต่ละกลุ่ม.
2. หาค่าเฉลี่ยกำลังสองของแต่ละกลุ่ม.
เราสรุปผลการคำนวณในตาราง:
หมายเลขกลุ่ม | ค่าเฉลี่ยของกลุ่ม | ความแปรปรวนภายในกลุ่ม |
1 | 1.42 | 0.24 |
2 | 1.42 | 0.24 |
3 | 1.41 | 0.24 |
4 | 1.46 | 0.25 |
5 | 1.4 | 0.24 |
6 | 1.39 | 0.24 |
3. ความแปรปรวนภายในกลุ่มกำหนดลักษณะการเปลี่ยนแปลง (การเปลี่ยนแปลง) ของลักษณะที่ศึกษา (ผลลัพธ์) ภายในกลุ่มภายใต้อิทธิพลของปัจจัยทั้งหมด ยกเว้นปัจจัยที่อยู่ภายใต้การจัดกลุ่ม:
เราคำนวณค่าเฉลี่ยของการกระจายภายในกลุ่มโดยใช้สูตร:
4. ความแปรปรวนระหว่างกลุ่มแสดงลักษณะการเปลี่ยนแปลง (ความแปรผัน) ของลักษณะที่ศึกษา (ผลลัพธ์) ภายใต้อิทธิพลของปัจจัย (ลักษณะแฟกทอเรียล) ที่อยู่ภายใต้การจัดกลุ่ม
การกระจายตัวระหว่างกลุ่มถูกกำหนดเป็น:
ที่ไหน
แล้ว
ผลต่างทั้งหมดแสดงลักษณะการเปลี่ยนแปลง (การเปลี่ยนแปลง) ของลักษณะที่ศึกษา (ผลลัพธ์) ภายใต้อิทธิพลของปัจจัยทั้งหมด (ลักษณะแฟกทอเรียล) โดยไม่มีข้อยกเว้น โดยเงื่อนไขของปัญหาจะเท่ากับ 12.2
ความสัมพันธ์เชิงประจักษ์วัดว่าความผันผวนทั้งหมดของแอตทริบิวต์ที่เป็นผลลัพธ์นั้นเกิดจากปัจจัยที่ศึกษามากเพียงใด นี่คืออัตราส่วนของความแปรปรวนแฟกทอเรียลต่อความแปรปรวนทั้งหมด:
เรากำหนดความสัมพันธ์เชิงประจักษ์:
ความสัมพันธ์ระหว่างจุดสนใจอาจอ่อนแอหรือแข็งแกร่ง (ใกล้เคียง) เกณฑ์ของพวกเขาได้รับการประเมินในระดับแชดด็อค:
0.1 0.3 0.5 0.7 0.9 ในตัวอย่างของเรา ความสัมพันธ์ระหว่างคุณลักษณะ Y ปัจจัย X นั้นอ่อนแอ
สัมประสิทธิ์ความมุ่งมั่น
มากำหนดสัมประสิทธิ์ของการกำหนด:
ดังนั้น 0.67% ของความผันแปรเกิดจากความแตกต่างระหว่างคุณลักษณะ และ 99.37% เกิดจากปัจจัยอื่นๆ
บทสรุป: ในกรณีนี้ ผลลัพธ์ของคนงานไม่ได้ขึ้นอยู่กับงานในกะเฉพาะ เช่น อิทธิพลของกะการทำงานที่มีต่อผลิตภาพแรงงานไม่มีนัยสำคัญและเกิดจากปัจจัยอื่นๆ
ตัวอย่าง #3 อิงจากค่าเฉลี่ย ค่าจ้างและค่าเบี่ยงเบนยกกำลังสองจากค่าของมันสำหรับคนทำงานสองกลุ่ม ให้หาค่าความแปรปรวนทั้งหมดโดยใช้กฎสำหรับการบวกความแปรปรวน:
วิธีการแก้:ค่าเฉลี่ยของผลต่างภายในกลุ่ม
การกระจายตัวระหว่างกลุ่มถูกกำหนดเป็น:
ความแปรปรวนทั้งหมดจะเป็น: 480 + 13824 = 14304
ตัวบ่งชี้ทั่วไปหลักของการเปลี่ยนแปลงในสถิติคือการกระจายตัวและส่วนเบี่ยงเบนมาตรฐาน
การกระจายตัว มัน เลขคณิต ส่วนเบี่ยงเบนกำลังสองของค่าคุณลักษณะแต่ละค่าจากค่าเฉลี่ยทั้งหมด ความแปรปรวนมักจะเรียกว่ากำลังสองเฉลี่ยของส่วนเบี่ยงเบนและแสดงแทน 2 . ขึ้นอยู่กับข้อมูลเริ่มต้น ความแปรปรวนสามารถคำนวณได้จากค่าเฉลี่ยเลขคณิต แบบง่าย หรือแบบถ่วงน้ำหนัก:
การกระจายตัวแบบไม่ถ่วงน้ำหนัก (แบบง่าย)
ความแปรปรวนถ่วงน้ำหนัก
ส่วนเบี่ยงเบนมาตรฐาน เป็นลักษณะทั่วไปของมิติสัมบูรณ์ รูปแบบต่างๆ ลักษณะโดยรวม มันถูกแสดงในหน่วยเดียวกับเครื่องหมาย (เป็นเมตร, ตัน, เปอร์เซ็นต์, เฮกตาร์, ฯลฯ )
ค่าเบี่ยงเบนมาตรฐานคือรากที่สองของความแปรปรวนและเขียนแทนด้วย :
ส่วนเบี่ยงเบนมาตรฐานไม่ถ่วงน้ำหนัก
ค่าเบี่ยงเบนมาตรฐานถ่วงน้ำหนัก
ค่าเบี่ยงเบนมาตรฐานเป็นตัววัดความน่าเชื่อถือของค่าเฉลี่ย ยิ่งค่าเบี่ยงเบนมาตรฐานน้อยกว่า ค่าเฉลี่ยเลขคณิตจะสะท้อนประชากรทั้งหมดได้ดีกว่า
การคำนวณค่าเบี่ยงเบนมาตรฐานนำหน้าด้วยการคำนวณค่าความแปรปรวน
ขั้นตอนการคำนวณความแปรปรวนถ่วงน้ำหนักมีดังนี้:
1) กำหนดค่าเฉลี่ยถ่วงน้ำหนักเลขคณิต:
2) คำนวณค่าเบี่ยงเบนของตัวเลือกจากค่าเฉลี่ย:
3) ยกกำลังส่วนเบี่ยงเบนของแต่ละตัวเลือกจากค่าเฉลี่ย:
4) คูณค่าเบี่ยงเบนกำลังสองด้วยน้ำหนัก (ความถี่):
5) สรุปผลงานที่ได้รับ:
6) จำนวนผลลัพธ์หารด้วยผลรวมของน้ำหนัก:
ตัวอย่าง 2.1
คำนวณค่าเฉลี่ยถ่วงน้ำหนักเลขคณิต:
ค่าเบี่ยงเบนจากค่าเฉลี่ยและกำลังสองแสดงในตาราง มานิยามความแปรปรวนกัน:
ส่วนเบี่ยงเบนมาตรฐานจะเท่ากับ:
หากข้อมูลต้นทางถูกนำเสนอเป็นช่วงเวลา ชุดจำหน่าย จากนั้นคุณต้องกำหนดค่าที่ไม่ต่อเนื่องของคุณลักษณะ จากนั้นใช้วิธีที่อธิบายไว้
ตัวอย่าง 2.2
ให้เราแสดงการคำนวณความแปรปรวนสำหรับชุดช่วงเวลาเกี่ยวกับข้อมูลเกี่ยวกับการกระจายพื้นที่หว่านของฟาร์มส่วนรวมด้วยผลผลิตข้าวสาลี
ค่าเฉลี่ยเลขคณิตคือ:
ลองคำนวณความแปรปรวน:
6.3. การคำนวณการกระจายตามสูตรสำหรับข้อมูลแต่ละส่วน
เทคนิคการคำนวณ การกระจายตัว ซับซ้อนและ คุณค่ามหาศาลตัวเลือกและความถี่อาจยุ่งยาก การคำนวณสามารถทำให้ง่ายขึ้นได้โดยใช้คุณสมบัติการกระจาย
การกระจายมีคุณสมบัติดังต่อไปนี้
1. การลดลงหรือเพิ่มขึ้นในน้ำหนัก (ความถี่) ของคุณลักษณะตัวแปรตามจำนวนครั้งที่กำหนดจะไม่เปลี่ยนการกระจาย
2. ลดหรือเพิ่มค่าคุณลักษณะแต่ละค่าด้วยค่าคงที่เท่ากัน แต่การกระจายตัวไม่เปลี่ยนแปลง
3. ลดหรือเพิ่มค่าคุณสมบัติแต่ละค่าตามจำนวนครั้งที่กำหนด kลดหรือเพิ่มความแปรปรวนตามลำดับใน k 2 ครั้ง ส่วนเบี่ยงเบนมาตรฐาน ใน kครั้งหนึ่ง.
4. ความแปรปรวนของจุดสนใจที่สัมพันธ์กับค่าที่กำหนดเองมักจะมากกว่าความแปรปรวนที่สัมพันธ์กับค่าเฉลี่ยเลขคณิตด้วยกำลังสองของผลต่างระหว่างค่าเฉลี่ยและค่าที่กำหนดเอง:
ถ้า แต่ 0 แล้วเราก็มาถึงความเท่าเทียมกันดังต่อไปนี้:
กล่าวคือ ความแปรปรวนของจุดสนใจเท่ากับผลต่างระหว่างค่าเฉลี่ยกำลังสองของค่าคุณลักษณะและกำลังสองของค่าเฉลี่ย
แต่ละคุณสมบัติสามารถใช้เดี่ยวๆ หรือใช้ร่วมกับคุณสมบัติอื่นๆ เมื่อคำนวณความแปรปรวน
ขั้นตอนการคำนวณความแปรปรวนนั้นง่าย:
1) กำหนด เลขคณิต :
2) ยกกำลังสองค่าเฉลี่ยเลขคณิต:
3) ยกกำลังส่วนเบี่ยงเบนของแต่ละตัวแปรในซีรีส์:
X ผม 2 .
4) ค้นหาผลรวมของตัวเลือกกำลังสอง:
5) หารผลรวมของกำลังสองของตัวเลือกด้วยจำนวนของมัน นั่นคือ กำหนดกำลังสองเฉลี่ย:
6) กำหนดความแตกต่างระหว่างกำลังสองเฉลี่ยของจุดสนใจและกำลังสองของค่าเฉลี่ย:
ตัวอย่าง 3.1เรามีข้อมูลต่อไปนี้เกี่ยวกับประสิทธิภาพการทำงานของพนักงาน:
มาทำการคำนวณต่อไปนี้:
การกระจายตัวของตัวแปรสุ่มคือการวัดการแพร่กระจายของค่าของตัวแปรนี้ ความแปรปรวนเล็กน้อยหมายความว่าค่าต่างๆ ถูกจัดกลุ่มอยู่ใกล้กัน ความแปรปรวนขนาดใหญ่บ่งบอกถึงค่าที่กระจัดกระจายอย่างมาก แนวคิดของการกระจายตัวของตัวแปรสุ่มถูกใช้ในสถิติ ตัวอย่างเช่น หากคุณเปรียบเทียบความแปรปรวนของค่าของสองปริมาณ (เช่น ผลการสังเกตของผู้ป่วยชายและหญิง) คุณสามารถทดสอบความสำคัญของตัวแปรบางตัวได้ ความแปรปรวนยังใช้ในการสร้าง แบบจำลองทางสถิติเนื่องจากความแปรปรวนเล็กน้อยอาจเป็นสัญญาณว่าคุณมีค่ามากเกินไปขั้นตอน
การคำนวณความแปรปรวนตัวอย่าง
-
บันทึกค่าตัวอย่างในกรณีส่วนใหญ่ นักสถิติจะมีเฉพาะกลุ่มตัวอย่างบางกลุ่มเท่านั้น ตัวอย่างเช่นตามกฎแล้วนักสถิติจะไม่วิเคราะห์ค่าใช้จ่ายในการบำรุงรักษารถยนต์ทุกคันในรัสเซีย - พวกเขาวิเคราะห์ สุ่มตัวอย่างจากรถหลายพันคัน ตัวอย่างดังกล่าวจะช่วยกำหนดต้นทุนเฉลี่ยต่อคัน แต่ส่วนใหญ่แล้วมูลค่าที่ได้จะห่างไกลจากของจริง
- ตัวอย่างเช่น ลองวิเคราะห์จำนวนขนมปังที่ขายในร้านกาแฟใน 6 วัน โดยสุ่มลำดับ ตัวอย่างมี มุมมองถัดไป: 17, 15, 23, 7, 9, 13 นี่เป็นตัวอย่าง ไม่ใช่ประชากร เพราะเราไม่มีข้อมูลขนมปังที่ขายในแต่ละวันที่เปิดร้านกาแฟ
- หากคุณได้รับประชากรและไม่ใช่ตัวอย่างค่า ให้ข้ามไปยังส่วนถัดไป
-
เขียนสูตรคำนวณความแปรปรวนตัวอย่างการกระจายตัวคือการวัดการแพร่กระจายของค่าของปริมาณบางอย่าง ยิ่งค่าการกระจายตัวเป็นศูนย์มากเท่าใด ค่าต่างๆ จะถูกจัดกลุ่มไว้ใกล้กันมากขึ้นเท่านั้น เมื่อทำงานกับตัวอย่างค่า ให้ใช้สูตรต่อไปนี้เพื่อคำนวณความแปรปรวน:
- s 2 (\displaystyle s^(2)) = ∑[(x ฉัน (\displaystyle x_(i))-x̅) 2 (\displaystyle ^(2))] / (n - 1)
- s 2 (\displaystyle s^(2))คือการกระจายตัว การกระจายตัววัดเป็น ตารางหน่วยการวัด
- x ฉัน (\displaystyle x_(i))- แต่ละค่าในตัวอย่าง
- x ฉัน (\displaystyle x_(i))คุณต้องลบ x̅ ยกกำลังสอง แล้วบวกผลลัพธ์
- x̅ – ค่าเฉลี่ยตัวอย่าง (ค่าเฉลี่ยตัวอย่าง)
- n คือจำนวนค่าในกลุ่มตัวอย่าง
-
คำนวณค่าเฉลี่ยตัวอย่างมันแสดงเป็น x̅ ค่าเฉลี่ยตัวอย่างคำนวณเหมือนค่าเฉลี่ยเลขคณิตปกติ: บวกค่าทั้งหมดในตัวอย่างแล้วหารผลลัพธ์ด้วยจำนวนค่าในกลุ่มตัวอย่าง
- ในตัวอย่างของเรา เพิ่มค่าในตัวอย่าง: 15 + 17 + 23 + 7 + 9 + 13 = 84
ตอนนี้หารผลลัพธ์ด้วยจำนวนค่าในกลุ่มตัวอย่าง (ในตัวอย่างของเราคือ 6): 84 ÷ 6 = 14
ค่าเฉลี่ยตัวอย่าง x̅ = 14 - ค่าเฉลี่ยตัวอย่างคือค่ากลางที่มีการกระจายค่าในกลุ่มตัวอย่าง หากค่าในกลุ่มตัวอย่างรอบค่าเฉลี่ยตัวอย่าง ความแปรปรวนจะมีน้อย มิฉะนั้นการกระจายตัวจะมีขนาดใหญ่
- ในตัวอย่างของเรา เพิ่มค่าในตัวอย่าง: 15 + 17 + 23 + 7 + 9 + 13 = 84
-
ลบค่าเฉลี่ยตัวอย่างออกจากแต่ละค่าในกลุ่มตัวอย่างตอนนี้คำนวณส่วนต่าง x ฉัน (\displaystyle x_(i))- x̅ โดยที่ x ฉัน (\displaystyle x_(i))- แต่ละค่าในตัวอย่าง ผลลัพธ์แต่ละรายการที่ได้รับจะระบุขอบเขตที่ค่าใดค่าหนึ่งเบี่ยงเบนไปจากค่าเฉลี่ยตัวอย่าง นั่นคือ ค่านี้อยู่ห่างจากค่าเฉลี่ยตัวอย่างมากเพียงใด
- ในตัวอย่างของเรา:
x 1 (\displaystyle x_(1))- x̅ = 17 - 14 = 3
x 2 (\displaystyle x_(2))- x̅ = 15 - 14 = 1
x 3 (\displaystyle x_(3))- x̅ = 23 - 14 = 9
x 4 (\displaystyle x_(4))- x̅ = 7 - 14 = -7
x 5 (\displaystyle x_(5))- x̅ = 9 - 14 = -5
x 6 (\displaystyle x_(6))- x̅ = 13 - 14 = -1 - ความถูกต้องของผลลัพธ์ที่ได้นั้นง่ายต่อการตรวจสอบ เนื่องจากผลรวมต้องเท่ากับศูนย์ สิ่งนี้เกี่ยวข้องกับคำจำกัดความของค่าเฉลี่ยเนื่องจาก ค่าลบ(ระยะทางจากค่าเฉลี่ยถึงค่าที่น้อยกว่า) ได้รับการชดเชยอย่างเต็มที่ ค่าบวก(ระยะทางจากค่าเฉลี่ยไปจนถึงค่ามาก)
- ในตัวอย่างของเรา:
-
ตามที่ระบุไว้ข้างต้น ผลรวมของความแตกต่าง x ฉัน (\displaystyle x_(i))- x̅ ต้องเท่ากับศูนย์ หมายความว่า ความแปรปรวนเฉลี่ยมีค่าเท่ากับศูนย์เสมอซึ่งไม่ได้ให้ความคิดใด ๆ เกี่ยวกับการแพร่กระจายของค่าของปริมาณที่แน่นอน เพื่อแก้ปัญหานี้ ยกกำลังสองส่วนต่างออก x ฉัน (\displaystyle x_(i))- x̅. ซึ่งจะส่งผลให้คุณได้รับเพียง ตัวเลขบวกซึ่งเมื่อเพิ่มแล้วจะไม่ให้ 0
- ในตัวอย่างของเรา:
(x 1 (\displaystyle x_(1))-x̅) 2 = 3 2 = 9 (\displaystyle ^(2)=3^(2)=9)
(x 2 (\displaystyle (x_(2))-x̅) 2 = 1 2 = 1 (\displaystyle ^(2)=1^(2)=1)
9 2 = 81
(-7) 2 = 49
(-5) 2 = 25
(-1) 2 = 1 - คุณพบกำลังสองของความแตกต่างแล้ว - x̅) 2 (\displaystyle ^(2))สำหรับแต่ละค่าในตัวอย่าง
- ในตัวอย่างของเรา:
-
คำนวณผลรวมของผลต่างกำลังสองนั่นคือ หาส่วนของสูตรที่เขียนดังนี้ ∑[( x ฉัน (\displaystyle x_(i))-x̅) 2 (\displaystyle ^(2))]. ในที่นี้เครื่องหมาย Σ หมายถึงผลรวมของผลต่างกำลังสองสำหรับแต่ละค่า x ฉัน (\displaystyle x_(i))ในตัวอย่าง คุณได้พบความแตกต่างกำลังสองแล้ว (x ฉัน (\displaystyle (x_(i))-x̅) 2 (\displaystyle ^(2))สำหรับแต่ละค่า x ฉัน (\displaystyle x_(i))ในตัวอย่าง; ตอนนี้เพียงแค่เพิ่มสี่เหลี่ยมเหล่านี้
- ในตัวอย่างของเรา: 9 + 1 + 81 + 49 + 25 + 1 = 166 .
-
หารผลลัพธ์ด้วย n - 1 โดยที่ n คือจำนวนค่าในกลุ่มตัวอย่างเมื่อไม่นานมานี้ ในการคำนวณความแปรปรวนตัวอย่าง นักสถิติเพียงหารผลลัพธ์ด้วย n; ในกรณีนี้ คุณจะได้ค่าเฉลี่ยของความแปรปรวนกำลังสอง ซึ่งเหมาะสำหรับการอธิบายความแปรปรวนของกลุ่มตัวอย่างที่กำหนด แต่จำไว้ว่าตัวอย่างใด ๆ เป็นเพียงส่วนเล็ก ๆ ประชากรค่า หากคุณใช้ตัวอย่างอื่นและทำการคำนวณแบบเดียวกัน คุณจะได้ผลลัพธ์ที่ต่างออกไป เมื่อมันปรากฏออกมา การหารด้วย n - 1 (ไม่ใช่แค่ n) ให้มากกว่า ประมาณการที่แม่นยำความแปรปรวนของประชากร ซึ่งเป็นสิ่งที่คุณสนใจ การหารด้วย n - 1 กลายเป็นเรื่องธรรมดา ดังนั้นจึงรวมอยู่ในสูตรสำหรับคำนวณความแปรปรวนของตัวอย่าง
- ในตัวอย่างของเรา ตัวอย่างประกอบด้วย 6 ค่า นั่นคือ n = 6
ความแปรปรวนตัวอย่าง = s 2 = 166 6 − 1 = (\displaystyle s^(2)=(\frac (166)(6-1))=) 33,2
- ในตัวอย่างของเรา ตัวอย่างประกอบด้วย 6 ค่า นั่นคือ n = 6
-
ความแตกต่างระหว่างความแปรปรวนและค่าเบี่ยงเบนมาตรฐานโปรดทราบว่าสูตรประกอบด้วยเลขชี้กำลัง ดังนั้นความแปรปรวนจะถูกวัดเป็นหน่วยกำลังสองของค่าที่วิเคราะห์ บางครั้งค่าดังกล่าวค่อนข้างยากที่จะดำเนินการ ในกรณีเช่นนี้ ให้ใช้ค่าเบี่ยงเบนมาตรฐานซึ่งเท่ากับ รากที่สองจากการกระจายตัว นั่นคือเหตุผลที่ความแปรปรวนตัวอย่างแสดงเป็น s 2 (\displaystyle s^(2)), แ ส่วนเบี่ยงเบนมาตรฐานตัวอย่าง - อย่างไร s (\displaystyle s).
- ในตัวอย่างของเรา ค่าเบี่ยงเบนมาตรฐานของตัวอย่างคือ: s = √33.2 = 5.76
การคำนวณความแปรปรวนของประชากร
-
วิเคราะห์ชุดค่าบางชุดชุดประกอบด้วยค่าทั้งหมดของปริมาณที่พิจารณา ตัวอย่างเช่น ถ้าคุณศึกษาอายุของผู้อยู่อาศัย ภูมิภาคเลนินกราดจากนั้นประชากรจะรวมถึงอายุของผู้อยู่อาศัยในพื้นที่นี้ทั้งหมด ในกรณีที่ทำงานกับการรวม ขอแนะนำให้สร้างตารางและป้อนค่าของการรวมลงในตาราง พิจารณาตัวอย่างต่อไปนี้:
- มีพิพิธภัณฑ์สัตว์น้ำ 6 แห่งในห้องหนึ่ง พิพิธภัณฑ์สัตว์น้ำแต่ละแห่งมีปลาจำนวนดังต่อไปนี้:
x 1 = 5 (\displaystyle x_(1)=5)
x 2 = 5 (\displaystyle x_(2)=5)
x 3 = 8 (\displaystyle x_(3)=8)
x 4 = 12 (\displaystyle x_(4)=12)
x 5 = 15 (\displaystyle x_(5)=15)
x 6 = 18 (\displaystyle x_(6)=18)
- มีพิพิธภัณฑ์สัตว์น้ำ 6 แห่งในห้องหนึ่ง พิพิธภัณฑ์สัตว์น้ำแต่ละแห่งมีปลาจำนวนดังต่อไปนี้:
-
เขียนสูตรคำนวณความแปรปรวนของประชากรเนื่องจากประชากรมีค่าทั้งหมดของปริมาณที่แน่นอน สูตรต่อไปนี้จึงช่วยให้คุณได้ค่าที่แน่นอนของความแปรปรวนของประชากร ในการแยกแยะความแปรปรวนของประชากรออกจากความแปรปรวนตัวอย่าง (ซึ่งเป็นเพียงการประมาณการ) นักสถิติใช้ตัวแปรต่างๆ:
- σ 2 (\displaystyle ^(2)) = (∑(x ฉัน (\displaystyle x_(i)) - μ) 2 (\displaystyle ^(2))) / น
- σ 2 (\displaystyle ^(2))- ความแปรปรวนของประชากร (อ่านว่า "ซิกมากำลังสอง") การกระจายตัววัดเป็นหน่วยตารางหน่วย
- x ฉัน (\displaystyle x_(i))- แต่ละค่าในการรวม
- Σ เป็นเครื่องหมายของผลรวม นั่นคือสำหรับแต่ละค่า x ฉัน (\displaystyle x_(i))ลบ μ ยกกำลังสอง แล้วบวกผลลัพธ์
- μ คือค่าเฉลี่ยประชากร
- n คือจำนวนค่าในประชากรทั่วไป
-
คำนวณค่าเฉลี่ยประชากรเมื่อทำงานกับประชากรทั่วไป ค่าเฉลี่ยจะแสดงเป็น μ (mu) ค่าเฉลี่ยประชากรคำนวณเป็นค่าเฉลี่ยเลขคณิต: รวมค่าทั้งหมดในประชากรแล้วหารผลลัพธ์ด้วยจำนวนค่าในประชากร
- โปรดทราบว่าค่าเฉลี่ยไม่ได้คำนวณเป็นค่าเฉลี่ยเลขคณิตเสมอไป
- ในตัวอย่างของเรา ค่าเฉลี่ยประชากร: μ = 5 + 5 + 8 + 12 + 15 + 18 6 (\displaystyle (\frac (5+5+8+12+15+18)(6))) = 10,5
-
ลบค่าเฉลี่ยประชากรออกจากแต่ละค่าในประชากรยิ่งค่าผลต่างเข้าใกล้ศูนย์มากเท่าใด ค่าเฉพาะก็จะยิ่งใกล้ค่าเฉลี่ยประชากรมากขึ้นเท่านั้น ค้นหาความแตกต่างระหว่างแต่ละค่าในประชากรและค่าเฉลี่ย แล้วคุณจะได้ดูการกระจายของค่านั้นก่อน
- ในตัวอย่างของเรา:
x 1 (\displaystyle x_(1))- μ = 5 - 10.5 = -5.5
x 2 (\displaystyle x_(2))- μ = 5 - 10.5 = -5.5
x 3 (\displaystyle x_(3))- μ = 8 - 10.5 = -2.5
x 4 (\displaystyle x_(4))- μ = 12 - 10.5 = 1.5
x 5 (\displaystyle x_(5))- μ = 15 - 10.5 = 4.5
x 6 (\displaystyle x_(6))- μ = 18 - 10.5 = 7.5
- ในตัวอย่างของเรา:
-
ยกกำลังสองผลลัพธ์ที่คุณได้รับค่าความแตกต่างจะเป็นทั้งค่าบวกและค่าลบ หากคุณใส่ค่าเหล่านี้บนเส้นจำนวน ค่าเหล่านี้จะอยู่ทางขวาและซ้ายของค่าเฉลี่ยประชากร ไม่เหมาะสำหรับการคำนวณความแปรปรวนเนื่องจากเป็นบวกและ ตัวเลขติดลบชดเชยซึ่งกันและกัน ดังนั้น ยกกำลังสองส่วนต่างเพื่อให้ได้จำนวนบวกโดยเฉพาะ
- ในตัวอย่างของเรา:
(x ฉัน (\displaystyle x_(i)) - μ) 2 (\displaystyle ^(2))สำหรับแต่ละค่าประชากร (จาก i = 1 ถึง i = 6):
(-5,5)2 (\displaystyle ^(2)) = 30,25
(-5,5)2 (\displaystyle ^(2)), ที่ไหน x n (\displaystyle x_(n)) – ค่าสุดท้ายในประชากรทั่วไป - ในการคำนวณค่าเฉลี่ยของผลลัพธ์ที่ได้ คุณต้องหาผลรวมแล้วหารด้วย n: (( x 1 (\displaystyle x_(1)) - μ) 2 (\displaystyle ^(2)) + (x 2 (\displaystyle x_(2)) - μ) 2 (\displaystyle ^(2)) + ... + (x n (\displaystyle x_(n)) - μ) 2 (\displaystyle ^(2))) / น
- ตอนนี้เรามาเขียนคำอธิบายข้างต้นโดยใช้ตัวแปร: (∑( x ฉัน (\displaystyle x_(i)) - μ) 2 (\displaystyle ^(2))) / n และรับสูตรการคำนวณความแปรปรวนของประชากร
- ในตัวอย่างของเรา: