Среднее квадратическое значение применяется для расчета

Средняя геометрическая в статистике

Среднее квадратическое значение применяется для расчета

Средняя геометрическая применяется в тех случаях, когда индивидуальные значения признака представляют собой относительные величины динамики, построенные в виде цепных величин, как отношение к предыдущему уровню каждого уровня в ряду динамики, т. е. характеризует средний коэффициент роста.

В контрольных по статистике она исчисляется извлечением корня степени n из произведений отдельных значений — вариантов признака Х по формуле:

где П — оператор умножения, знак произведения;
n — число вариантов.

Средняя геометрическая в частности рассчитывается тогда, когда данные даны в процентах.

Рассчитаем среднюю величину инфляции

Исходные данные взяты из справочника «Краткосрочные экономические показатели Российской Федерации за 2012 г.». Сайт www.gks.ru

годкварталИндекс потребительских цен, y
20081104,8
2103,8
3101,7
4102,5
20091105,4
2101,9
3100,6
4100,7
20101103,2
2101,2
3101,8
4102,4
20111103,8
2101,1
399,7
4101,4

Среднемесячный индекс потребительских цен определяется по формуле средней геометрической, т.к. в основе расчета лежит индекс. Перемножим данные и разделим на число кварталов за 4 года:

Вывод: в период с 2008 по 2011 года средний квартальный прирост инфляции составил 2,24%

Средняя гармоническая

Определяющее свойство средней гармонической заключается в том, чтобы при осреднении оставалась неизменной сумма величин, обратных осредняемым.

Формула средней геометрической взвешенной применяется в тех случаях, когда статистическая информация не содержит частот f по отдельным вариантам х совокупности и представлена как их произведение xf. Для того чтобы исчислить среднюю геометрическую, необходимо обозначить: xf = w, откуда f = w/x.

Преобразуем формулу средней арифметической так, чтобы по имеющимся данным х и w можно было вычислить среднюю. В формулу средней арифметической взвешенной вместо xn подставим w, а вместо n — отношение w/x и таким образом получим формулу средней гармонической взвешенной:

Средняя гармоническая простая применяется в тогда, когда вес каждого варианта равен единице. Она вычисляется по формуле:

где 1/x — отдельные варианты обратного признака, встречающиеся по одному разу;

n — число вариантов.

Средняя квадратичная

Средняя квадратичная применяется, например, для вычисления средней величины сторон n квадратных участков, средних диаметров стволов, труб и т. д. Она подразделяется на два вида.

Средняя квадратичная простая. Если при замене индивидуальных величин признака на среднюю величину необходимо сохранить неизменной сумму квадратов исходных величин, то средняя будет являться квадратичной средней величиной.

Она является квадратным корнем из частного от деления суммы квадратов отдельных значений признака на их число:

Средняя квадратичная взвешенная вычисляется по формуле:

где f — признак веса.

Средняя кубическая

Средняя кубическая применяется, например, при определении средней длины стороны и кубов. Она подразделяется на два вида.
Средняя кубическая простая:

Средняя кубическая взвешенная:

Средняя квадратическая и средняя кубическая имеют неширокое применение в практической статистике. Часто в статистике используют среднюю квадратическую, но не из самих факторов х, и из их отклонений от средней при расчете показателей вариации.

Средняя может быть рассчитана не для всей, а для какой-либо части данных совокупности. Примером может быть средняя прогрессивная как одна из частных средних, рассчитанная не для всех, а только для «лучших» (например, для показателей выше или ниже средних индивидуальных).

Структурные средние

Для характеристики центральной тенденции в статистических распределениях рационально вместе со средней арифметической использовать некое значение признака X, которое в силу определенных особенностей расположения в ряду распределения может характеризовать его уровень.

Это особенно важно тогда, когда в ряду распределения крайние значения признака имеют нечеткие границы. В связи с этим точное определение средней арифметической, как правило, невозможно, либо очень сложно. В таких случаях средний уровень можно определить, взяв, например, значение признака, которое расположено в середине ряда частот или которое чаще всего встречается в текущем ряду.

Такие значения зависят только от характера частот т. е. от структуры распределения.

Они типичны по месту расположения в ряду частот, поэтому такие значения рассматриваются в качестве характеристик центра распределения и поэтому получили определение структурных средних.

Они применяются для изучения внутреннего строения и структуры рядов распределения значений признака. К таким показателям относятся мода и медиана.

Мода и медиана очень часто рассчитывают в задачах статистики и они являются дополнительными к средней характеристиками совокупности и используются в математической статистике для анализа типа рядов распределения, которое может нормальным, асимметричным, симметричным и т.д.

Также как и медиану вычисляются значения признака, делящего совокупность на четыре равные части — квартели, на пять частей — квинтели, на десять равных частей — децели, на сто равных частей — перцентели. Использование при анализе вариационных рядов распределения рассмотренных характеристик в статистике позволяет более глубоко и детально охарактеризовать изучаемую совокупность.

Источник: Балинова B.C. Статистика в вопросах и ответах: Учеб. пособие. — М.: ТК. Велби, Изд-во Проспект, 2004. — 344 с.

Источник: http://univer-nn.ru/statistika/srednyaya-geometricheskaya/

Задача №6. Расчёт показателей вариации

Среднее квадратическое значение применяется для расчета

По данным выборочного обследования произведена группировка вкладчиков по размеру вклада в Сбербанке города:

Размер вклада, руб.

Число вкладчиков

До 400400 – 600600 – 800800 – 1000Свыше 1000
325612010488

Определите:

1) размах вариации;

2) средний размер вклада;

3) среднее линейное отклонение;

4) дисперсию;

5) среднее квадратическое отклонение;

6) коэффициент вариации вкладов.

Решение:

Данный ряд распределения содержит открытые интервалы. В таких рядах условно принимается величина интервала первой группы равна величине интервала последующей, а величина интервала последней группы равна величине интервала предыдущей.

Величина интервала второй группы равна 200, следовательно, и величина первой группы также равна 200. Величина интервала предпоследней группы равна 200, значит и последний интервал будет иметь величину, равную 200.

Размер вклада, руб.

Число вкладчиков

200 – 400400 – 600600 – 800800 – 10001000 – 1200
325612010488

1) Определим размах вариации как разность между наибольшим и наименьшим значением признака:

Размах вариации размера вклада равен 1000 рублей.

2) Средний размер вклада определим по формуле средней арифметической взвешенной.

Предварительно определим дискретную величину признака в каждом интервале. Для этого по формуле средней арифметической простой найдём середины интервалов.

Среднее значение первого интервала будет равно:

второго – 500 и т. д.

Занесём результаты вычислений в таблицу:

Размер вклада, руб.Число вкладчиков, fСередина интервала, хxf
200-400323009600
400-6005650028000
600-80012070084000
800-100010490093600
1000-120088110096800
Итого400312000

Средний размер вклада в Сбербанке города будет равен 780 рублей:

3) Среднее линейное отклонение есть средняя арифметическая из абсолютных отклонений отдельных значений признака от общей средней:

Порядок расчёта среднего линейонго отклонения в интервальном ряду распределения следующий:

1. Вычисляется средняя арифметическая взвешенная, как показано в п. 2).

2. Определяются абсолютные отклонения вариант от средней:

3. Полученные отклонения умножаются на частоты:

4. Находится сумма взвешенных отклонений без учёта знака:

5. Сумма взвешенных отклонений делится на сумму частот:

Удобно пользоваться таблицей расчётных данных:

Размер вклада, руб.Число вкладчиков, fСередина интервала, х 
200-40032300-48048015360
400-60056500-28028015680
600-800120700-80809600
800-100010490012012012480
1000-120088110032032028160
Итого40081280

Среднее линейное отклонение размера вклада клиентов Сбербанка составляет 203,2 рубля.

4) Дисперсия – это средняя арифметическая квадратов отклонений каждого значения признака от средней арифметической.

Расчёт дисперсии в интервальных рядах распределения производится по формуле:

Порядок расчёта дисперсии в этом случае следующий:

1. Определяют среднюю арифметическую взвешенную, как показано в п. 2).

2. Находят отклонения вариант от средней:

3. Возводят в квадрат отклонения каждой варианты от средней:

4. Умножают квадраты отклонений на веса (частоты):

5. Суммируют полученные произведения:

6. Полученная сумма делится на сумму весов (частот):

Расчёты оформим в таблицу:

Размер вклада, руб.Число вкладчиков, fСередина интервала, х
200-40032300-4802304007372800
400-60056500-280784004390400
600-800120700-806400768000
800-1000104900120144001497600
1000-12008811003201024009011200
Итого40023040000

5) Среднее квадратическое отклонение размера вклада определяется как корень квадратный из дисперсии:

6) Коэффициент вариации – это отношение среднего квадратического отклонения к средней арифметической:

По величине коэффициента вариации можно судить о степени вариации признаков совокупности. Чем больше его величина, тем больше разброс значений признаков вокруг средней, тем менее однородна совокупность по своему составу и тем менее представительна средняя.

Источник: http://ecson.ru/economics/averages-and-measures-of-variation/zadacha-6.raschyot-pokazateley-variatsii.html

Среднеквадратичное значение

Среднее квадратическое значение применяется для расчета

В зарубежной терминологии применяется аббревиатура RMS (rms) – root mean square.
В математике для набора чисел x1, x2, …, xn количеством n среднеквадратичное значение (rms) определяется выражением:

Например, для чисел 2,3 и 6 среднеквадратичным значением будет квадратный корень из (2²+3²+6²)/3. √(49/3) = 4.04

Среднеквадратичным значением двух или нескольких чисел является квадратный корень из среднеарифметического значения квадратов этих чисел.

Для любой непрерывной функции в интервале T1 – T2 среднеквадратичное значение можно рассчитать по формуле:

Среднеквадратичное значение применяется в расчётах, где существует пропорциональная зависимость не самих переменных значений, а их квадратов.

Действующее значение напряжения и тока

В качестве примера можно рассмотреть квадратичную зависимость мощности или работы электрического тока от значений тока или напряжения.

P = I²R;    A = I²Rt;    P = U²/R;    A = U²t/R

Величина постоянного напряжения или тока является его среднеквадратичным значением.

Среднеквадратичное значение переменного тока равно величине постоянного тока, действие которого произведёт такую же работу в активной (резистивной) нагрузке за время периода.

Определяющим фактором здесь является среднее (среднеарифметическое) значение мощности Pavg или работы Aavg, пропорциональное квадрату значения тока.

Так же среднеквадратичное значение переменного напряжения за период равносильно по своему воздействию на активную нагрузку такому же значению постоянного напряжения.

P = UI = Pavg = UrmsIrms

Среднеквадратичное значение переменного напряжения или тока часто называют действующим или эффективным.

Величину переменного напряжения или тока, в большинстве случаев, выражают его среднеквадратичным значением и измеряют приборами электромагнитного типа или специальными среднеквадратичными измерителями – True RMS.

Примечание:Электромагнитные приборы используют для измерения переменного тока и напряжения в промышленных установках. Усилие, создаваемое измерительной катушкой в электромагнитном приборе, пропорционально квадрату тока, поэтому не меняется по направлению.

Угол отклонения стрелки определится некоторым средним усилием F, которое будет пропорционально среднеквадратичному значению тока.

Расчёт действующего значения

В качестве примера рассчитаем среднеквадратичное значение синусоидального напряжения.

Запишем выражение Urms с применением интеграла функции U = Uampsin(t) для одного периода 2π :
Показать расчёт Скрыть расчёт

Вынесем Uamp из под знака радикала.Воспользуемся табличным интегралом , перепишем и решим последнее выражение с применением формулы Ньютона-Лейбница:

Так как sin(2π), sin(4π) и sin(0) равны нулю, вычисляем RMS синусоиды следующим образом:

В результате решения в итоге получим:

Расчёт RMS для напряжения или тока треугольной и пилообразной формы можно рассмотреть на примере одного периода T для функции , представленной на рисунке:

Выразим Urms искомой функции с помощью определённого интеграла:

Показать расчёт
Скрыть расчёт

Используя табличный интеграл и формулу Ньютона-Лейбница, получаем:

В итоге преобразований получим:

Ток или напряжение любой сложной формы можно рассмотреть, как набор функций в пределах периода. Тогда значением RMS будет квадратный корень из среднеарифметического значения интегралов для квадрата каждой функции, ограниченной её интервалом времени в периоде.

Например, для множества функций F1(t) , F2(t) , … , Fn(t) в соответствующих им интервалах времени (0 – T1), (T1 – T2), …

, (TnT), составляющих период T, действующее напряжение (RMS) определится выражением:

Для вариантов однополярного или двуполярного напряжения пилообразной и треугольной формы в периоде 2T или 4T, представленных на рисунке ниже, T и U amp имеют те же расчётные величины, что и в рассмотренном случае c функцией ,а интегралы, определённые в интервалах, равных T, для квадратов используемых функций , будут иметь одно и то же значение

Следовательно, вышеуказанные варианты однополярного или двуполярного напряжения пилообразной и треугольной формы будут иметь среднеквадратичное значение .

В заключении рассмотрим пример вычисления действующего значения положительных прямоугольных импульсов длительностью Ti .

Выразим Urms одного периода T, как квадратный корень из среднеарифметического значения интегралов, определённых в интервалах 0 – Ti и TiT для квадратов всех значений периода.

В результате получаем значение RMS, равное произведению амплитуды импульсов Uamp на квадратный корень из коэффициента заполнения (Ti / T).

В качестве дополнительного материала предлагаем рассмотреть расчёт средеквадратичного значения напряжения накала кинескопа цветного телевизора, исходя из амплитуды и формы напряжения.

Замечания и предложения принимаются и приветствуются!

Источник: https://tel-spb.ru/rms.html

Дисперсия, среднеквадратичное (стандартное) отклонение, коэффициент вариации

Среднее квадратическое значение применяется для расчета

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.

Напомню, что среднее линейное отклонение отражает среднее из абсолютных отклонений от средней величины. Чтобы избежать взаимопогашения положительных и отрицательных значений, каждое отклонение берется по модулю. Та же идея используется в расчете другого показателя, только отклонения возводятся в квадрат. Квадрат любого числа, как известно, всегда будет положительным.

Дисперсия

Речь идет о дисперсии случайной величины. Это очень важный показатель, который часто используется в различных методах статистического анализа (проверка гипотез, анализ причинно-следственных связей и др.). Как и среднее линейное отклонение, дисперсия также отражает меру разброса данных вокруг средней величины.

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.

где

s2 – выборочная дисперсия, рассчитанная по данным наблюдений,

X – отдельные значения,

X̅– среднее арифметическое по выборке.

Примечание. Для расчета дисперсии в Excel предусмотрена специальная функция.

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.

В то же время не все так плохо. При увеличении объема выборки она все-таки приближается к своему теоретическому аналогу, т.е. является асимптотически не смещенной.

Поэтому при работе с большими размерами выборок можно использовать формулу выше.

Язык знаков полезно перевести на язык слов. Получится, что 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.

Разгадка заключается всего в трех словах.

Однако в чистом виде, как, например, средняя арифметическая, или индекс, дисперсия не используется. Это скорее вспомогательный и промежуточный показатель, который необходим для других видов статистического анализа. У нее даже единицы измерения нормальной нет. Судя по формуле, это квадрат единицы измерения исходных данных. Без бутылки, как говорится, не разберешься.

Среднеквадратичное отклонение

Дабы вернуть дисперсию в реальность, то есть использовать в более приземленных целях, из нее извлекают квадратный корень. Получается так называемое среднеквадратичное отклонение (СКО). Встречаются названия «стандартное отклонение» или «сигма» (от названия греческой буквы). Формула стандартного отклонения имеет вид:

Для расчета стандартного отклонения из выборки используют формулу:

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

Среднеквадратичное отклонение, очевидно, также характеризует меру рассеяния данных, но теперь (в отличие от дисперсии) его можно сравнивать с исходными данными, так как единицы измерения у них одинаковые (это явствует из формулы расчета).

Но и этот показатель в чистом виде не очень информативен, так как в нем заложено слишком много промежуточных расчетов, которые сбивают с толку (отклонение, в квадрат, сумма, среднее, корень). Тем не менее, со среднеквадратичным отклонением уже можно работать непосредственно, потому что свойства данного показателя хорошо изучены и известны.

К примеру, есть такое правило трех сигм, которое гласит, что у нормально распределенных данных 997 значений из 1000 находятся в пределах ±3 сигмы от средней арифметической. Среднеквадратичное отклонение, как мера неопределенности, также участвует во многих статистических расчетах. С ее помощью устанавливают степень точности различных оценок и прогнозов.

Если вариация очень большая, то стандартное отклонение тоже получится большим, следовательно, и прогноз будет неточным, что выразится в очень широких доверительных интервалах.

Коэффициент вариации

Среднее квадратичное отклонение дает абсолютную оценку меры разброса. Поэтому чтобы понять, насколько разброс велик относительно самих значений (т.е. независимо от их масштаба), требуется относительный показатель. Такой показатель называется коэффициентом вариации и рассчитывается по следующей формуле:

Коэффициент вариации измеряется в процентах (если умножить на 100%). По этому показателю можно сравнивать однородность самых разных явлений независимо от их масштаба и единиц измерения. Данный факт и делает коэффициент вариации столь популярным.

В статистике принято, что, если значение коэффициента вариации менее 33%, то совокупность считается однородной, если больше 33%, то – неоднородной. Не знаю, кто и почему так определил, но это считается аксиомой.

Чувствую, что я увлекся сухой теорией и нужно привести что-то наглядное и образное. С другой стороны все показатели вариации описывают примерно одно и то же, только рассчитываются по-разному. Отличаться могут лишь значения показателей, но не их суть. Вот и сравним, как отличаются значения различных показателей вариации для одной и той же совокупности данных:

Соответствующая диаграмма.

Рассчитаем различные показатели вариации.

Среднее значение – это обычная средняя арифметическая.

Размах вариации – разница между максимальным и минимальным значениями:

Среднее линейное отклонение считается по формуле:

Дисперсия:

Стандартное отклонение:

Расчет сведем в табличку.

Как видно, среднее линейное и среднеквадратичное отклонение дают похожие значения степени вариации данных. Дисперсия – это сигма в квадрате, поэтому она всегда будет относительно большим числом, что, собственно, ни о чем не говорит. Размах вариации – это разница между крайними значениями и может говорить о многом.

Подведем некоторые итоги.

Вариация показателя отражает изменчивость процесса или явления. Ее степень может измеряться с помощью нескольких показателей.

1. Размах вариации – разница между крайними значениями. Отражает диапазон возможных значений.2. Среднее линейное отклонение – отражает среднее из абсолютных (по модулю) отклонений всех значений анализируемой совокупности от их средней величины.3. Дисперсия – средний квадрат отклонений.4. Среднеквадратичное отклонение – корень из дисперсии (среднего квадрата отклонений).

5. Коэффициент вариации – наиболее универсальный показатель, отражающий степень разброса значений независимо от их масштаба и единиц измерения. Коэффициент вариации измеряется в процентах и может быть использован для сравнения вариации различных процессов и явлений.

Источник: https://statanaliz.info/statistica/opisanie-dannyx/dispersiya-standartnoe-otklonenie-koeffitsient-variatsii/

Как найти среднеквадратическое отклонение

Среднее квадратическое значение применяется для расчета

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 собакиРост в миллиметрах
Ротвейлер600
Бульдог470
Такса170
Пудель430
Мопс300

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   мм.

Итак, среднее (среднеарифметическое) составляет 394 мм.

Теперь нужно определить отклонение роста каждой из собак от среднего:

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

Дисперсия 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:

  • Когда мы имеем дело с генеральной совокупностью при вычислении дисперсии, мы делим на  (как и было сделано в рассмотренном нами примере).
  • Когда мы имеем дело с выборкой, при вычислении дисперсии делим на .

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 =  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:

.

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

.

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:

.

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:

.

Для второго примера получится:

.

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: https://yourtutor.info/%D1%81%D1%80%D0%B5%D0%B4%D0%BD%D0%B5%D0%BA%D0%B2%D0%B0%D0%B4%D1%80%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B5-%D0%BE%D1%82%D0%BA%D0%BB%D0%BE%D0%BD%D0%B5%D0%BD%D0%B8%D0%B5

Поделиться:
Нет комментариев

    Добавить комментарий

    Ваш e-mail не будет опубликован. Все поля обязательны для заполнения.