Абсолютные показатели вариации кратко

Обновлено: 08.07.2024

1. Второй большой класс средних величин – структурные средние, используемые для определения структуры совокупности. К ним относятся мода и медиана. В отличие от степенных средних, рассчитывающихся на основе использования всех вариантов значений признака, медиана и мода характеризуют величину варианта, занимающего определенное среднее положение.

Для определения понятий моды и медианы требуется определение вариационного ряда. Построение ряда – процесс упорядочения количественного распределения элементов совокупности по значениям признака с последующим подсчетом числа элементов совокупности с этими значениями.

Выделяют следующие основные виды вариационного ряда по количественному признаку:

Ранжированный ряд – распределение отдельных элементов совокупности в порядке возрастания или убывания исследуемого признака. Дискретный ряд – распределение, основу которого составляют признаки с прерывным изменением, так называемые дискретные признаки – признаки, принимающие только конечное число определенных значений. Интервальный вариационный ряд – распределение признаков, имеющих непрерывное изменение, которые в определенных границах могут принимать любые значения.

Медиана (Ме) – величина, соответствующая находящемуся в середине ранжированного ряда варианту.

Для нахождения медианы необходимо определить ее положение в ранжированном ряду.

Положение медианы (N_Ме) в ранжированном ряду определяется:

где n – число единиц в совокупности.

В медианном интервале сумма накопленных частот превышает половину наблюдений от общего числа всех наблюдений. Численное значение медианы:

где х₀ – нижняя граница интервала;

h – величина интервала;

n – число членов ряда;

Σ(m – 1) – сумма накопленных членов ряда, предшествующих медианному;

n_Ме – частота медианного интервала.

Мода (Мо) – значение признака, наиболее часто встречающегося у единиц совокупности.

В дискретном ряду модой будет вариант с наибольшей частотой. Для определения моды сначала определяют модальный интервал, т. е. интервал, имеющий наибольшую частоту.

Значение моды определяется по формуле:

где x₀ – нижняя граница модального интервала;

h – величина модального интервала;

n_m – частота модального интервала;

n_m—₁ – частота интервала, предшествующего модальному;

n_m₊₁ – частота интервала, следующего за модальным.

2. Вариация – одна из важнейших категорий, применяемых в статистической науке, поскольку явления неизменные в статистике не рассматриваются. Также под вариацией понимают изменчивость только явлений, на которые оказывают влияние внешние факторы.

Вариация (лат. variatio – различие, изменение, колеблемость) – числовые значения признаков единиц совокупности, отличающиеся друг от друга.

Исследование вариации позволяет определить уровень зависимости изучаемого явления от прочих факторов (оценить степень устойчивости явления к внешним воздействиям); определить уровень однородности изучаемого явления; изучить явления, протекающие в обществе, характерные высоким уровнем их изменчивости.

3. В статистике принято различать следующие основные виды вариации:

☞ альтернативная – признак может принять только одно из двух, противоположных по своей сути, значений;

☞ систематическая – изменение признака в определенном направлении, не обусловленное внутренними законами развития исследуемого явления;

☞ случайная – изменчивость признака непредсказуема.

Показатели вариации бывают относительными и абсолютными (непосредственно характеризующими изменчивость исследуемой совокупности).

Выделяют несколько основных групп абсолютных показателей вариации.

Размах вариации (R), или амплитуда вариации, показывает пределы изменчивости признака; это разность между максимальной величиной признака (x_max) и минимальной величиной признака (x_min):

К группе средних величин (групповых и общих) относятся: степенные средние величины (средняя арифметическая, средняя гармоническая, средняя геометрическая, средняя квадратическая и т. д.); структурные средние величины (мода и медиана).

Среднее линейное отклонение () учитывает различия всех единиц исследуемой совокупности. Определяется как средняя арифметическая из абсолютных значений отклонений, взятых по модулю, от средней. Различают простое (невзвешенное) и взвешенное среднее линейные отклонения.

Среднее линейное отклонение невзвешенное:

где x_i – величины совокупности;

n – частота (повторяемость индивидуальных значений признака).

Среднее линейное отклонение взвешенное:

Недостаток среднего линейного отклонения заключается в том, что приходится иметь дело не только с положительными, но и с отрицательными величинами.

Также выделяют дисперсии (групповые, межгрупповые, общие) и среднее квадратическое отклонение.

4. Информативность показателей вариации повышается, если они рассчитываются для целей сравнительного анализа. Показатели, рассчитанные по одной совокупности, сопоставляются с показателями, рассчитанными по другой аналогичной совокупности или по той же самой, но относящейся к другому периоду времени. Например, исследуется динамика вариации курса доллара по недельным или месячным данным.

Показатели вариации можно использовать не только в анализе колеблемости или изменчивости изучаемого признака, но и для оценки степени воздействия одного признака на вариацию другого признака, т. е. в анализе взаимосвязей между показателями.

Для измерения вариации признака используют абсолютные и относительные показатели.

Абсолютные показатели вариации – размах вариации, среднее линейное отклонение, среднее квадратическое отклонение, дисперсия.

Относительные показатели вариации (коэффициент осцилляции, линейный коэффициент вариации, относительное линейное отклонение и др.) – результат сопоставления абсолютных показателей. Их суть состоит в соотнесении абсолютных показателей вариации со значением средней величины как характеристики центра распределения.

5. Различают следующие относительные показатели вариации: коэффициент осцилляции, коэффициенты вариации.

где R – размах вариации;

– средняя. Обычно имеет значение больше единицы, поскольку размах вариации в основном бывает больше средней величины.

Линейный коэффициент вариации () показывает, какую часть в размере средней величины (или в объеме медианы) составляет размер среднего линейного отклонения:

где – среднее линейное отклонение;

Коэффициент вариации (V_σ) определяет удельный вес среднего квадратического отклонения в размере средней величины и служит мерой однородности совокупности:

где σ – среднее квадратическое отклонение. Совокупность считается однородной, если значение данного показателя не превышает 33 %.

Эмпирический коэффициент детерминации (η 2 ) отражает определенную изменением признака-фактора долю вариации результативного признака:

где δ 2 – межгрупповая дисперсия;

δ 2 _общ – общая дисперсия.

Эмпирическое корреляционное отношение (η) определяет тесноту связи между изменением признака-фактора и последующим изменением признака-результата – корень из коэффициента детерминации:

Чем ближе к единице значение эмпирического корреляционного отношения, тем теснее связь между изменением признака-фактора и признака-результата.

Аннотация: В процессе статистического анализа может сложиться ситуация, когда значения средних величин совпадают, а совокупности, на основе которых они рассчитаны, состоят из единиц, значения признака у которых достаточно резко различаются между собой. Возьмем, например, данные о количестве договоров, заключенных в двух филиалах страховой компании. Предположим, что в каждом из филиалов работает по два агента. В первом филиале один агент заключил 5 договоров, а второй - 25; во втором филиале каждый агент заключил по 15 договоров. Как видим, среднее число договоров, заключенных одним агентом в каждом филиале совпадает (15 договоров), в то же время очевидно, что первая и вторая совокупности качественно неоднородны, т.д. вариация значений признака внутри них различна. Данная глава посвящена рассмотрению показателей, с помощью которых можно оценить и измерить вариацию признака.

7.1. Абсолютные и относительные показатели вариации

Рассмотрим две совокупности сотрудников рекламных агентств.

Распределение сотрудников первого агентства по уровню месячной заработной платы представлено в табл. 7.1.

Распределение сотрудников второго агентства по уровню месячной заработной платы представлено в табл. 7.2.

Рассчитаем средний уровень заработной платы:

Как видим, средние в двух совокупностях практически совпадают между собой (с разницей в 1 руб.). Однако если вы вдруг случайно встретите сотрудников этих агентств и поинтересуетесь уровнем оплаты их труда, то вас заверят, что платят у них вовсе не одинаково! Почему?! Оказывается, что разброс значений вокруг средней в этих совокупностях абсолютно разный. Значит, такой характеристики, как средняя, вовсе не достаточно, чтобы делать выводы о совокупности. Для этого используют показатели вариации.

Вариацией называется изменчивость значений признака у единиц статистической совокупности. Для измерения величины вариации используются абсолютные и относительные показатели вариации.

К абсолютным показателям вариации относятся размах вариации, среднее линейное отклонение, дисперсия , среднее квадратическое отклонение.

Размах вариации (R) вычисляется как разность между максимальным и минимальным значениями признака

( 7.1)

Среднее линейное отклонение (d) представляет собой среднюю арифметическую величину из абсолютных значений отклонений отдельных значений признака от их средней. Если данные не сгруппированы, то рассчитывается невзвешенное среднее линейное отклонение

$\overline<d>_=\frac )> n$

( 7.2)

Для сгруппированных данных, представленных в виде вариационного ряда, используется взвешенное среднее линейное отклонение, где весами выступают частоты соответствующих вариант:

$\overline<d>_=\frac )f_i>$

( 7.3)

$\sigma^<2></p> <p>Дисперсией ($
) называется средняя арифметическая величина, полученная из квадратов отклонений значений признака от их средней

$\sigma_<прост.>^2=\frac )^2> n$

( 7.4)

$\sigma_<взвеш.>^2=\frac )^2 f_i>$

( 7.5)

Квадратный корень из дисперсии называется средним квадратическим отклонением (его называют также стандартным отклонением):

$\sigma_<прост.>=\sqrt)^2> n>$

( 7.6)

$\sigma_<взвеш.>=\sqrt)^2 f_i> >$

( 7.7)

Абсолютные показатели вариации, за исключением дисперсии, имеют те же единицы измерения, что и исследуемый показатель вариационного ряда. Поэтому, если экономическая интерпретация , например, среднего линейного отклонения, проста и понятна физически, то в случае с дисперсией она затруднена. Однако дисперсия рассчитывается в статистическом анализе гораздо чаще, чем другие показатели вариации. Связано это с тем, что дисперсия широко используется в таких видах статистического анализа, как корреляционный, регрессионный, дисперсионный, при оценках результатов выборочного наблюдения. Кроме того, именно с помощью дисперсии можно оценить влияние случайных и систематических факторов на формирование значений случайной величины.

Для сравнения вариации одного и того же показателя в разных совокупностях (например, заработной платы двух рекламных агентств) или вариации разных показателей в одной совокупности (например, вариации заработной платы и возраста в одном рекламном агентстве) используют относительные показатели вариации. К ним относят:

$V_R=\frac R <\overline <x>> \cdot 100%$

( 7.8)

$V_<\overline <d>>=\frac <\overline <d>> <\overline <x>> \cdot 100%$

( 7.9)

$V_<\sigma>=\frac \sigma <\overline <x>> \cdot 100%$

( 7.9)

$V_<\sigma></p> <p>Принято считать, что если значение$
&> 33%, то совокупность неоднородна, и для дальнейшего статистического анализа следует либо исключить крайние значения признака, либо разбить совокупность на однородные группы (требование однородности данных присутствует практически во всех видах статистического анализа).

Рассчитаем показатели вариации для приведенных в табл. 7.1 и 7.2 вариационных рядов (табл. 7.3 и 7.4).

По первому агентству получим следующие данные.

R = x_max - x_min = 18 000 - 4000 = 14 000 (руб.).

Среднее линейное отклонение (так как ряд сгруппирован и частоты не равны между собой) рассчитываем как взвешенную величину:

Вариация – различие в значениях какого-либо признака у разных единиц данной совокупности в один и тот же период или момент времени.

К показателям вариации относятся:

I группа — абсолютные показатели вариации

· среднее линейное отклонение

· среднее квадратическое отклонение

II группа — относительные показатели вариации

· относительное линейное отклонение

Среднее линейное отклонение — средняя арифметическая абсолютных значений отклонений (модуль отклонений) отдельных вариантов от их средней арифметической:

1. для несгруппированных данных (простое)

2. для сгруппированных данных (взвешенное)

Дисперсияпризнака — средний квадрат отклонений вариантов от их средней величины, она вычисляется по формулам простой и взвешенной дисперсий:

1. Простая дисперсия для несгруппированных данных

2. Взвешенная дисперсия для вариационного ряда

Cвойства дисперсии:

1. если все значения признака уменьшить или увеличить на одну и ту же постоянную величину А- дисперсия не изменится;

2. если все значения признака уменьшить или увеличить в одно и то же число раз (kраз), то дисперсия уменьшится или увеличится в k 2 раз.

Используя второе свойство дисперсии, можно получить формулу вычисления дисперсии в вариационных рядах с равными интервалами по способу моментов:

где i – величина интервала, X₁ — новые (преобразованные) значения вариантов (А – условное начало, в качестве которого удобно использовать середину интервала или величину признака, обладающего наибольшей частотой.

1. Момент второго порядка

2. Квадрат момента первого порядка

Среднее квадратическое отклонениеравно корню квадратному из дисперсии:

1. для несгруппированных данных (простое)

2. для вариационного ряда по сгруппированным данным (взвешенное)

Среднее квадратическое отклонение показывает, на сколько в среднем отклоняются отдельные варианты от ихсреднего значения.

Среднее значение альтернативного признака и его дисперсия:

1. Среднее значение альтернативного признака

2. Дисперсия альтернативного признака

3. 1. Коэффициент осцилляции отражает относительную колеблемость крайних значений признака вокруг общей средней.

5. 2. Относительное линейное отклонение характеризует долю усредненного значения абсолютных отклонений (модуль отклонений) от средней величины.

7. 3. Коэффициент вариации - отношение среднего квадратического отклонения к средней арифметической, применяется для сравнения вариаций различных признаков, используется как характеристика однородности совокупности. Совокупность считается однородной, если коэффициент вариации не превышает 33%.

К показателям вариации относятся:

I группа — абсолютные показатели вариации

· среднее линейное отклонение

· среднее квадратическое отклонение

II группа — относительные показатели вариации

· относительное линейное отклонение

1. для несгруппированных данных (простое)

2. для сгруппированных данных (взвешенное)

1. Простая дисперсия для несгруппированных данных

2. Взвешенная дисперсия для вариационного ряда

Cвойства дисперсии:

1. Момент второго порядка

2. Квадрат момента первого порядка

Среднее квадратическое отклонениеравно корню квадратному из дисперсии:

1. для несгруппированных данных (простое)

2. для вариационного ряда по сгруппированным данным (взвешенное)

Среднее значение альтернативного признака и его дисперсия:

1. Среднее значение альтернативного признака

2. Дисперсия альтернативного признака

Вариация это количественная мера изменения определённых данных, которая помогает исследовать её случайные изменения. Для их анализа применяют различные статистические методы.

О них будет более подробно рассказано в этой статье.

Онлайн-калькулятор показателей вариации

Показатели вариации в статистике

Статистика широко применяется в самых различных областях. Она доказала свою пользу не только в естественных науках, но и в изучении различных социологических явлений, изменений цен, а также в других ситуациях.

Эта наука имеет дело со случайными величинами, изменение которых требует для своего описания использования специальных характеристик. Наиболее известной из них является средняя. Однако, хотя она и включает в себя некоторый объём информации, тем не менее не даёт возможности найти информацию о разбросе случайных данных, а также дать понятие о динамике изменения и наиболее вероятных тенденциях в дальнейшем.

Математический аппарат для изучения вариационных процессов использует характеристики, способы расчёта которых можно разделить на три группы.

В их число входят:

Показатели размаха.
Цифры, дающие понятие о величине отклонения.
Относительные показатели, которые относятся к вариации.

Показатели размаха изменений говорят о том, какова разница между максимальными отклонениями исследуемых чисел:

вариационный размах,
децильный размах,
квартильный размах.

Данные, относящиеся ко второй категории, можно считать так:

среднее линейное отклонение,
среднее квадратическое,
дисперсия.

Для расчёта относительных показателей применяется:

относительный квартильный размах,
линейный коэффициент,
коэффициент вариации.

Далее будет рассказано о наиболее часто применяемых математических характеристиках рассматриваемого понятия.

При проведении статистических вычислениях удобно пользоваться электронными таблицами Excel.

Абсолютные показатели вариации

Когда говорят об абсолютных показателях вариации, имеют в виду следующие методы для проведения статистического анализа:

Размах вариации.
Среднее линейное отклонение.
Среднее квадратичное отклонение.
Дисперсия.

Размах вариации

При рассмотрении изменения исследуемых данных, одной из важных характеристик является размах вариации.

Он равен разности между максимальной и минимальной границами. Посмотрим, как это характеристика исчисляется.

Формула выглядит так:

РВар = ЗнМакс — ЗнМин,

РВар — представляет собой искомую характеристику,
ЗнМакс — это максимальная цифра за рассматриваемый период,
ЗнМин — величина, равная минимальному значению за этот же период.

Пример.

Эта формула может быть применена, например, в следующей ситуации. Предположим, рассматривается рост отобранных случайным образом людей. В этой совокупности десять человек и рост их равен: 165, 172, 179, 190, 182, 171, 191, 183, 177 и 178 сантиметров. Эти цифры составляют совокупность значений случайных данных.

Как можно увидеть в рассматриваемом случае, минимальный рост в этой группе людей составляет 165 см, а максимальный — 191 см. Разница между ними составляет 191 — 165 = 26 см. Таким образом, рассматриваемое значение для определённой таким образом совокупности данных показывает 26 см.

Отклонение вариации

Здесь рассматривается отклонение изучаемой случайной величины. Для того, чтобы его вычислить, необходимо сначала определить её среднее значение.

Чтобы посчитать, необходимо просуммировать все значения случайных данных и затем разделить на их количество. Получившаяся величина представляет собой нужный результат.

В некоторых формулах используются значения весов, придаваемых каждому значению. Кратко говоря, они назначаются в соответствии с целями проведения статистического исследования. Веса обычно подбираются таким образом, чтобы их сумма была равна единице.

Среднее линейное простое

Оценка величины отклонения рассчитывается так:

Сначала нужно определить для каждого случайного значения разницу со средним и взять от неё абсолютную величину.
Затем все эти цифры суммируют и делят полученный результат на количество значений величины, которая изменяется.

Формула выглядит таким образом:

СЛП = (|x(1) – x0| + |x(2) – x0| + … + |x(n) – x(0)|) / n,

СЛП — искомая величина,
x(i) – i-е значение случайной величины,
x0 – среднее значение,
n – количество имеющихся цифр.

Вертикальные чёрточки используются для того, чтобы показать, что здесь вычисляется абсолютная разность.

Среднее линейное взвешенное

Для этого потребуется формула:

СЛВ = (|x(1) – x0|*f(1) + |x(2) – x0|*f(2) + … + |x(n) – x(0)|*f(n)) / n,

СЛВ — искомая величина,
f(i) — вес, который придаётся каждому из значений случайной величины.

Остальные обозначения рассмотрены ранее.

Среднее квадратическое отклонение

В этом случае результат определяется по другому правилу, чем в прежних случаях:

СКО = SQRT(((x(1) – x0)**2 + (x(2) – x0)**2 + … + (x(n) – x(0))**2) / n),

СКО представляет собой квадратическое отклонение,
x**2 представляет собой возведение в квадрат,
SQRT() это операция взятия квадратного корня.

Дисперсия (простая, взвешенная)

Простая дисперсия равна СКО, возведённому в квадрат.

Взвешенная называется так потому, что каждое слагаемое умножается на свой вес.

Здесь применяется формула:

ДВ = (f(1)*(x(1) – x0)**2 + f(2)*(x(2) – x0)**2 + … + f(n)*(x(n) – x(0))**2) / n*(f(1) + f(2) + … + f(n)),

где: ДВ представляет собой дисперсию взвешенную.

Вариация альтернативного признака

Это понятие характеризует те ситуации, когда часть предметов выборки обладает определённым свойством, а другая — нет:

СРЕД = ((1-p) + (0-p)) / (p+q) = p,

ВАР = (q*(1-p)**2+ q*(0-p)**2) / (p+q) = pq.

Здесь СРЕД обозначает среднее, а p и q представляют собой положительные числа, в сумме дающие единицу.

ВАР обозначает искомую величину.

Относительные показатели вариации

В данном случае рассматриваются отношение отклонения и среднего конкретной выборки. Для различных характеристик используются различные способы определения среднего отклонения.

Чем меньше полученный коэффициент, тем более сгруппированы данные. Этот коэффициент не имеет единиц измерения.

Коэффициент осцилляции

Эта величина равна частному от деления размаха вариации на среднее случайной величины.

Коэффициент вариации

Такой коэффициент можно рассчитать путём деления линейного отклонения на такой же знаменатель, как в предыдущем случае.

Относительное линейное отклонение

В данном случае искомое значение рассчитывается как результат деления среднего квадратического на этот же знаменатель.

Примеры расчетов

Здесь будет приведены примеры расчётов. Рассматривается ситуация, когда пять человек устраиваются на новую работу. В данной специальности они проработали различное количество лет: 2, 3, 4, 7 и 9 лет.

X(0) = (2 + 3 + 4 + 7 + 9) / 5 = 25 / 5 = 5.

СЛП = (|x(1) – x0| + |x(2) – x0| + … + |x(n) – x(0)|)/n = (|2 5| + |3 5| + |4 5| + |7 5| + |9 – 5|) / 5 = (3 + 2 + 1 + 2 + 4) / 5 = 12 / 5 = 2,4 года.

СКО = SQRT(((x(1) – x0)**2 + (x(2) – x0)**2 + … + (x(n) – x(0))**2)/n) = SQRT(((2 – 5)**2 + (3 – 5)**2 + (4 – 5)**2 + (7 – 5)**2 + (9 – 5)**2) / 5) = SQRT((3**2 + 2**2 + 1**2 + 2**2 + 4**2)/5) = SQRT ((9 + 4 + 1 + 4 + 16) / 5) = SQRT(34 / 5) = SQRT(6,80) = 2,61 года (приблизительное значение).

Последнее значение равно СКО, возведённому в квадрат.

В большинстве случаев расчет представляет собой гораздо более сложную задачу, чем показано в приведённом примере. Для облегчения процесса вычислений можно использовать онлайн калькулятор.

Заключение

Изучение случайных процессов играет важную роль в науке, экономике и общественной жизни. Для того, чтобы получить максимальное количество информации при их изучении, нужно активно использовать статистические методы, в том числе те, которые связаны с вариацией.

Вариация - это количественная мера изменения определённых данных, которая помогает исследовать её случайные изменения. Для их анализа применяют различные статистические методы.

О них будет более подробно рассказано в этой статье.

Онлайн-калькулятор показателей вариации

Показатели вариации в статистике

В их число входят:

Показатели размаха.
Цифры, дающие понятие о величине отклонения.
Относительные показатели, которые относятся к вариации.

вариационный размах;
децильный размах;
квартильный размах.

Данные, относящиеся ко второй категории, можно считать так:

среднее линейное отклонение;
среднее квадратическое;
дисперсия.

Для расчёта относительных показателей применяется:

относительный квартильный размах;
линейный коэффициент;
коэффициент вариации.

При проведении статистических вычислениях удобно пользоваться электронными таблицами Excel.

Абсолютные показатели вариации

Размах вариации.
Среднее линейное отклонение.
Среднее квадратичное отклонение.
Дисперсия.

Размах вариации

При рассмотрении изменения исследуемых данных, одной из важных характеристик является размах вариации.

Формула выглядит так:

РВар = ЗнМакс — ЗнМин,

РВар — представляет собой искомую характеристику;
ЗнМакс — это максимальная цифра за рассматриваемый период;
ЗнМин — величина, равная минимальному значению за этот же период.

Пример.

Отклонение вариации

Среднее линейное простое

Оценка величины отклонения рассчитывается так:

Сначала нужно определить для каждого случайного значения разницу со средним и взять от неё абсолютную величину.
Затем все эти цифры суммируют и делят полученный результат на количество значений величины, которая изменяется.

Формула выглядит таким образом:

СЛП = (|x(1) – x0| + |x(2) – x0| + … + |x(n) – x(0)|) / n,

СЛП — искомая величина;
x(i) – i-е значение случайной величины;
x0 – среднее значение;
n – количество имеющихся цифр.

Вертикальные чёрточки используются для того, чтобы показать, что здесь вычисляется абсолютная разность.

Среднее линейное взвешенное

Для этого потребуется формула:

СЛВ = (|x(1) – x0|*f(1) + |x(2) – x0|*f(2) + … + |x(n) – x(0)|*f(n)) / n,

СЛВ — искомая величина;
f(i) — вес, который придаётся каждому из значений случайной величины.

Остальные обозначения рассмотрены ранее.

Среднее квадратическое отклонение

В этом случае результат определяется по другому правилу, чем в прежних случаях:

СКО = SQRT(((x(1) – x0)**2 + (x(2) – x0)**2 + … + (x(n) – x(0))**2) / n),

СКО представляет собой квадратическое отклонение;
x**2 представляет собой возведение в квадрат;
SQRT() - это операция взятия квадратного корня.

Дисперсия (простая, взвешенная)

Простая дисперсия равна СКО, возведённому в квадрат.

Взвешенная называется так потому, что каждое слагаемое умножается на свой вес.

Здесь применяется формула:

ДВ = (f(1)*(x(1) – x0)**2 + f(2)*(x(2) – x0)**2 + … + f(n)*(x(n) – x(0))**2) / n*(f(1) + f(2) + … + f(n)),

где: ДВ представляет собой дисперсию взвешенную.

Вариация альтернативного признака

СРЕД = ((1-p) + (0-p)) / (p+q) = p;

ВАР = (q*(1-p)**2+ q*(0-p)**2) / (p+q) = pq.

Здесь СРЕД обозначает среднее, а p и q представляют собой положительные числа, в сумме дающие единицу.

ВАР обозначает искомую величину.

Относительные показатели вариации

Коэффициент осцилляции

Эта величина равна частному от деления размаха вариации на среднее случайной величины.

Коэффициент вариации

Относительное линейное отклонение

Примеры расчетов

X(0) = (2 + 3 + 4 + 7 + 9) / 5 = 25 / 5 = 5.

СЛП = (|x(1) – x0| + |x(2) – x0| + … + |x(n) – x(0)|)/n = (|2 - 5| + |3 - 5| + |4 - 5| + |7 - 5| + |9 – 5|) / 5 = (3 + 2 + 1 + 2 + 4) / 5 = 12 / 5 = 2,4 года.

Последнее значение равно СКО, возведённому в квадрат.

Заключение

Читайте также: