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
σ — стандартное отклонение,
xi — величина отдельного значения выборки,
μ — среднее арифметическое выборки,
n — размер выборки.
Эта формула применяется, когда анализируются все значения выборки.
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:
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.
-
1
Look at your data set. This is a crucial step in any type of statistical calculation, even if it is a simple figure like the mean or median.[2]
- Know how many numbers are in your sample.
- Do the numbers vary across a large range? Or are the differences between the numbers small, such as just a few decimal places?
- Know what type of data you are looking at. What do your numbers in your sample represent? this could be something like test scores, heart rate readings, height, weight etc.
- For example, a set of test scores is 10, 8, 10, 8, 8, and 4.
-
2
Gather all of your data. You will need every number in your sample to calculate the mean.[3]
- The mean is the average of all your data points.
- This is calculated by adding all of the numbers in your sample, then dividing this figure by the how many numbers there are in your sample (n).
- In the sample of test scores (10, 8, 10, 8, 8, 4) there are 6 numbers in the sample. Therefore n = 6.
Advertisement
-
3
Add the numbers in your sample together. This is the first part of calculating a mathematical average or mean.[4]
- For example, use the data set of quiz scores: 10, 8, 10, 8, 8, and 4.
- 10 + 8 + 10 + 8 + 8 + 4 = 48. This is the sum of all the numbers in the data set or sample.
- Add the numbers a second time to check your answer.
-
4
Divide the sum by how many numbers there are in your sample (n). This will provide the average or mean of the data.[5]
- In the sample of test scores (10, 8, 10, 8, 8, and 4) there are six numbers, so n = 6.
- The sum of the test scores in the example was 48. So you would divide 48 by n to figure out the mean.
- 48 / 6 = 8
- The mean test score in the sample is 8.
Advertisement
-
1
Find the variance. The variance is a figure that represents how far the data in your sample is clustered around the mean.[6]
- This figure will give you an idea of how far your data is spread out.
- Samples with low variance have data that is clustered closely about the mean.
- Samples with high variance have data that is clustered far from the mean.
- Variance is often used to compare the distribution of two data sets.
-
2
Subtract the mean from each of your numbers in your sample. This will give you a figure of how much each data point differs from the mean.[7]
- For example, in our sample of test scores (10, 8, 10, 8, 8, and 4) the mean or mathematical average was 8.
- 10 — 8 = 2; 8 — 8 = 0, 10 — 8 = 2, 8 — 8 = 0, 8 — 8 = 0, and 4 — 8 = -4.
- Do this procedure again to check each answer. It is very important you have each of these figures correct as you will need them for the next step.
-
3
Square all of the numbers from each of the subtractions you just did. You will need each of these figures to find out the variance in your sample.[8]
- Remember, in our sample we subtracted the mean (8) from each of the numbers in the sample (10, 8, 10, 8, 8, and 4) and came up with the following: 2, 0, 2, 0, 0 and -4.
- To do the next calculation in figuring out variance you would perform the following: 22, 02, 22, 02, 02, and (-4)2 = 4, 0, 4, 0, 0, and 16.
- Check your answers before proceeding to the next step.
-
4
Add the squared numbers together. This figure is called the sum of squares.[9]
- In our example of test scores, the squares were as follows: 4, 0, 4, 0, 0, and 16.
- Remember, in the example of test scores we started by subtracting the mean from each of the scores and squaring these figures: (10-8)^2 + (8-8)^2 + (10-8)^2 + (8-8)^2 + (8-8)^2 + (4-8)^2
- 4 + 0 + 4 + 0 + 0 + 16 = 24.
- The sum of squares is 24.
-
5
Divide the sum of squares by (n-1). Remember, n is how many numbers are in your sample. Doing this step will provide the variance. The reason to use n-1 is to have sample variance and population variance unbiased. [10]
- In our sample of test scores (10, 8, 10, 8, 8, and 4) there are 6 numbers. Therefore, n = 6.
- n-1 = 5.
- Remember the sum of squares for this sample was 24.
- 24 / 5 = 4.8
- The variance in this sample is thus 4.8.
Advertisement
-
1
Find your variance figure. You will need this to find the standard deviation for your sample.[11]
- Remember, variance is how spread out your data is from the mean or mathematical average.
- Standard deviation is a similar figure, which represents how spread out your data is in your sample.
- In our example sample of test scores, the variance was 4.8.
-
2
Take the square root of the variance. This figure is the standard deviation.[12]
- Usually, at least 68% of all the samples will fall inside one standard deviation from the mean.
- Remember in our sample of test scores, the variance was 4.8.
- √4.8 = 2.19. The standard deviation in our sample of test scores is therefore 2.19.
- 5 out of 6 (83%) of our sample of test scores (10, 8, 10, 8, 8, and 4) is within one standard deviation (2.19) from the mean (8).
-
3
Go through finding the mean, variance and standard deviation again. This will allow you to check your answer.[13]
- It is important that you write down all steps to your problem when you are doing calculations by hand or with a calculator.
- If you come up with a different figure the second time around, check your work.
- If you cannot find where you made a mistake, start over a third time to compare your work.
Advertisement
Practice Problems and Answers
Add New Question
-
Question
What is the standard deviation of 10 samples with a mean of 29.05?
Depends on the 10 samples of data. If all ten numbers were 29.05 then the standard deviation would be zero. Standard deviation is a measure of how much the data deviates from the mean.
-
Question
How do I calculate the standard deviation of 5 samples with the mean of 26?
You take the average of 26 and 5, divide by b squared and multiply by deviation equation constant.
-
Question
How do I find the standard deviation of 10 samples with a mean of 29.05?
Take each sample and subract the mean. Next, square each result, getting rid of the negative. Add the 10 results and divide the sun by 10 — 1 or 9. That is the standard deviation.
See more answers
Ask a Question
200 characters left
Include your email address to get a message when this question is answered.
Submit
Advertisement
Video
Thanks for submitting a tip for review!
References
About This Article
Article SummaryX
To calculate standard deviation, start by calculating the mean, or average, of your data set. Then, subtract the mean from all of the numbers in your data set, and square each of the differences. Next, add all the squared numbers together, and divide the sum by n minus 1, where n equals how many numbers are in your data set. Finally, take the square root of that number to find the standard deviation. To learn how to find standard deviation with the help of example problems, keep reading!
Did this summary help you?
Thanks to all authors for creating a page that has been read 2,561,041 times.
Reader Success Stories
-
«This article was the best statistics instructor I have ever been taught by. I have learned more from this little…» more
Did this article help you?
Среднеквадратическое отклонение случайной величины (или СКО случайной величины ) показывает, на сколько в среднем отклоняются конкретные варианты от их среднего значения.
Обозначение: σ(X), σ
В регрессионном анализе СКО характеризует достоверность линии тренда для прогнозирования.
Среднеквадратическое отклонение связано с дисперсией случайной величины X и эта связь выражается в виде формулы для определения среднего квадратического отклонения:
Ряд распределения задан в виде таблицы 1
Найти дисперсию и среднее квадратическое отклонение:
Решение
D(X) = M(X2) — M2(X)
Вычисляем математическое ожидание
М(Х)=3·0,2+4·0,5+5·0,3=
=0,6+2,0+1,5=4,1
Представим закон распределения дискретной случайной величины для X2 в виде таблицы 2:
Найдем М(Х2) исходя из таблицы 2:
М(Х2)=9·0,2+16·0,5 +25·0,3=
=1,8+8+7,5=17,3
Дисперсия СВ равна:
D(X) = M(X2)-M2(X)=
=17,3-(4,1)2 =0,49
Извлекая корень квадратный из дисперсии, найдём среднеквадратическое отклонение случайной величины:
17590
Статистические данные
Слово статистика образовано от латинского status, которое обозначает состояние. От этого корня произошли слова stato (государство), statistica (сумма знаний о государстве). Математическая статистика — наука, которая изучает методы сбора и обработки информации, представленной в численном виде. Эта информация появляется как результат экспериментов. Во многом математическая статистика опирается на теорию вероятностей, которая позволяет оценить точность и надёжность заключений, сделанных на основании изучения ограниченных статистических данных.
Метод не исследует сущность процессов, а формулирует и описывает их количественную сторону. Термином генеральная совокупность обозначается общность всех объектов, относительно которых необходимо сделать выводы при изучении научной проблемы. Выборочная совокупность или выборка — множество объектов, отобранных из генеральной совокупности для исследования. Основные цели математической статистики:
- указание способов сбора и систематизации статистических данных;
- определение закона распределения случайной величины;
- поиск неопределённых параметров;
- проверка подлинности выдвинутых гипотез.
Главный метод математической статистики — выборочный метод, состоящий в исследовании представительной выборочной совокупности для получения достоверной характеристики генеральной. Отбор объектов в выборку производится случайно, а исследуемое свойство должно обладать статистической устойчивостью, то есть иметь высокую частоту повторений при многократных испытаниях.
Выборочный метод сокращает время и трудоёмкость исследований, так как изучение всей совокупности оказывается более тяжёлым или невозможным. Математическая статистика выявляет закономерности массовых явлений и предсказывает появление внешних влияний.
Размах вариации
Вариация — это различия значений признака у единиц исследуемой совокупности. Она образуется из-за того, что индивидуальные значения формируются при различных условиях. Выборка должна быть представительной, чтобы по результатам её исследований можно было сделать правильные выводы о характеристиках всей совокупности.
Количественная репрезентативность достигается при использовании достаточного числа наблюдений в выборке, которое может обеспечить получение достоверных результатов. Качественная репрезентативность заключается в одинаковой структуре выборочной и генеральной совокупностей по признакам, имеющим влияние на получение конечного результата. К абсолютным показателям вариации относятся:
- размах, R;
- среднее линейное отклонение, a;
- среднеквадратичное отклонение, σ (сигма);
- дисперсия, D.
Размах вариации показывает абсолютную разницу между максимумом и минимумом значений признака:
R = x max — x min, где x — значения признака.
Основным недостатком показателя R можно назвать то обстоятельство, что колебания значений признака могут вызываться случайными причинами и искажать характерный для исследуемой совокупности размах.
Показатели отклонения
Существуют показатели вариации, учитывающие все значения величин, а не только наибольшие или наименьшие. Одним из них можно назвать среднее линейное отклонение — показатель, характеризующий меру разброса значений. Сначала требуется определить точку отсчёта разброса. Как правило, ею становится среднее арифметическое значение, входящее в исследование величин. Потом необходимо измерить, отклонение от среднего для каждого значения. Все отклонения вычисляются по модулю и определяется среднее значение уже среди них. Формула для расчёта отклонения:
a = Σ n i=1 (x — x̅) / n, где:
- a — среднее линейное отклонение;
- n — количество значений в исследуемой совокупности;
- x — анализируемый показатель;
- x̅ — среднее значение показателя.
СКО характеризует разброс значений относительно среднего математического ожидания. Оно измеряется в единицах измерения само́й величины. Существует правило, согласно которому для нормально распределённых данных диапазон разброса 997 значений из 1 тыс. составляет три сигмы от средней арифметической, [x̅ — 3σ; x̅ + 3σ].
Коэффициент вариации
Квадратичное отклонение — это абсолютная оценка меры разброса. Для того чтобы сравнить величину разброса с самими значениями величины, необходимо применить относительный показатель — коэффициент вариации:
V = σ / x̅, где σ — стандартное отклонение из выборки, x̅ — среднее арифметическое.
Коэффициент вариации измеряется в процентах. Показатель полезен для сравнивания однородности разных процессов.
Математическое ожидание — среднее значение случайной величины. Для дискретной выборки оно определяется по формуле:
M (X)= Σ ni=1 xi ⋅ pi, где xi — случайные значения, pi — их вероятность.
Дисперсией называется среднее значение квадрата отклонения случайной величины от её математического ожидания:
D (X) = M (X2) — (M (X))2
Для дискретной случайной величины формула приобретает вид:
D (X) = Σ ni=1 xi2 ⋅ pi — M (X)2.
Среднеквадратическое отклонение или стандартный разброс — это корень квадратный из дисперсии, формула которого имеет вид:
σ(X) = √ D (X).
Дисперсия и стандартный разброс — взаимозависимые характеристики. Стандартная ошибка среднего — величина, которая характеризует квадратическое отклонение выборочного среднего, рассчитанного по выборке размера из генеральной совокупности. Величина ошибки SDx̅ зависит от дисперсии генеральной совокупности и объёма выборки и рассчитывается по формуле:
SDx̅ = σ / √ n, где σ — величина стандартного разброса генеральной совокупности, а n — объём выборки.
Статистическая закономерность — это количественная форма проявления причинной связи. Она возникает как результат воздействия большого числа причин, действующих либо постоянно, либо только временами. Существует ряд статистических критериев, которые позволяют сравнивать экспериментально полученное распределение с нормальным, полученным в теории. Погрешность измерения — отклонение измеренного значения величины от действительного, являющиеся характеристикой точности измерения. Вместе с полученным результатом должна указываться погрешность измерений.
Пример расчёта
Пример расчёта по формулам для среднеквадратичного отклонения и дисперсии при решении следующей задачи по теории вероятностей: для выполнения ремонтных работ рабочему необходима краска определённого цвета. В городе имеется четыре строительных магазина, в каждом из которых эта краска может находиться в продаже с вероятностью 0,41. Записать закон распределения количества посещаемых магазинов. Рассчитать дисперсию и среднеквадратичное отклонение случайной величины. Обход заканчивается после того, как необходимая краска будет куплена или после посещения всех четырёх магазинов.
x = 1 — краска куплена в первом магазине.
p (1) = 0,41.
x = 2 — краски не нашлось в первом магазине, но она была во втором.
p (2) = (1 — 0,41) · 0,41 = 0,59 · 0,41 = 0,242.
x = 3 — краски не нашлось в двух первых магазинах, но она была в третьем.
p (3) = (1 — 0,41)2 · 0,41 = 0,592 · 0,41 = 0,143.
x = 4 — краски не было в первых трёх магазинах, рабочий зашёл в четвёртый магазин, купил краску или просто закончил обход.
p (4) = 0,593 · 0,41 + 0,594 = 0,205.
Закон распределения:
xi | 1 | 2 | 3 | 4 |
p (X) | 0,41 | 0,242 | 0,143 | 0.205 |
Математическое ожидание: M (X) = 1 · 0,41 + 2 · 0.242 + 3 · 0,143 + 4 · 0,205 = 2,143.
Дисперсия: D (X) = Σ ni=1 xi2 ⋅ pi — M (X)2 = 12 · 0,41 + 22 · 0,242 + 32 · 0,143 + 42 · 0,205 — 2,1432 = 1,353.
Стандартное отклонение: σ(X) = √ D (X) = √1,353 = 1,163.
Ответ: Дисперсия 1,353; квадратическое отклонение 1,163.
Для вычисления среднеквадратичного отклонения в онлайн-калькуляторе достаточно внести в таблицу значения случайной величины xi и их количество.
Среднеквадратичное отклонение применяется для определения погрешности при проведении последовательных измерений. Эта характеристика играет важную роль для сравнения изучаемого процесса с теоретически предсказанным. Если СКО велико, то полученные результаты или метод их получения нужно проверить.
Числовые характеристики дискретной случайной величины
В этом разделе:
- Основная информация
- Онлайн калькулятор
- Полезные ссылки
Лучшее спасибо — порекомендовать эту страницу
Основная информация
Числовые характеристики дискретной случайной величины $X$, которые обычно требуется находить в учебных задачах по теории вероятностей, это математическое ожидание $M(X)$, дисперсия $D(X)$ и среднее квадратическое отклонение $sigma(X)$.
$$
M(X)=sum_{i=1}^{n}{x_i cdot p_i}.
$$
$$
D(X)=sum_{i=1}^{n}{x_i^2 cdot p_i}-left(sum_{i=1}^{n}{x_i cdot p_i} right)^2.
$$
$$
sigma(X) = sqrt{D(X)}.
$$
Подробные формулы и примеры расчета вы найдете по ссылкам в предыдущем абзаце, в этом же разделе вы сможете автоматически и бесплатно рассчитать эти значения с помощью онлайн-калькулятора, который даст не только ответ, но и продемонстрирует процесс вычисления.
Подробно решим ваши задачи по теории вероятностей
Калькулятор: числовые характеристики случайной величины
- Введите число значений случайной величины К.
- Появится форма ввода для значений $x_i$ и соответствующих вероятностей $p_i$ (десятичные дроби вводятся с разделителем точкой, например: -1.5 или 10.558). Введите нужные значения (убедитесь, что сумма вероятностей равна единице, то есть закон распределения задан верно).
- Нажмите на кнопку «Вычислить».
- Калькулятор покажет процесс вычисления математического ожидания $M(X)$, дисперсии $D(X)$ и СКО $sigma(X)$.
- Нужны еще расчеты? Вводите новые числа и нажимайте на кнопку.
Видео. Полезные ссылки
Видеоролики об СКО
На закуску для продвинутых — какие формулы вычисления СКО для выборок бывают и для чего подходят.
Лучшее спасибо — порекомендовать эту страницу
Полезные ссылки
- Калькуляторы по теории вероятнстей
- Онлайн учебник по ТВ
- Примеры решений по теории вероятностей
- Контрольные по теории вероятностей на заказ
А если у вас есть задачи, которые надо срочно сделать, а времени нет? Можете поискать готовые решения в решебнике или заказать в МатБюро: