„Python“ statistikos modulis suteikia funkciją, žinomą kaip stdev() , pagal kurį galima apskaičiuoti standartinį nuokrypį. Funkcija stdev() apskaičiuoja tik standartinį nuokrypį nuo duomenų imties, o ne nuo visos populiacijos.
Norint apskaičiuoti visos populiacijos standartinį nuokrypį, naudojama kita funkcija, žinoma kaip pstdev () yra naudojamas.
Standartinis nuokrypis yra statistikos sklaidos matas. Jis naudojamas kiekybiškai įvertinti sklaidos matą, duomenų reikšmių rinkinio kitimą. Jis labai panašus į dispersiją, nurodo nuokrypio matą, o dispersija – kvadratinę vertę.
Mažas standartinio nuokrypio matas rodo, kad duomenys yra mažiau paskirstyti, o didelė standartinio nuokrypio reikšmė rodo, kad rinkinio duomenys yra paskirstyti atskirai nuo vidutinių vidutinių verčių. Naudinga standartinio nuokrypio savybė yra ta, kad, skirtingai nei dispersija, jis išreiškiamas tais pačiais vienetais kaip ir duomenys.
Standard Deviation is calculated by : where x1, x2, x3.....xn are observed values in sample data, is the mean value of observations andN is the number of sample observations.>
Sintaksė: stdev ([duomenų rinkinys], xbar)
Parametrai:
[duomenys]: Iteruojama su realios vertės skaičiais.
xbar (neprivaloma) : Kaip vertę laiko faktinį duomenų rinkinio vidurkį.
Grąžinimo tipas: Grąžina faktinį standartinį reikšmių nuokrypį, perduotą kaip parametrą.
Išimtys:
Statistikos klaida yra padidintas duomenų rinkiniui, kurio parametras perduotas mažiau nei 2 reikšmės.
Neįmanomos/netikslios vertės kai pateikiama vertė kaip xbar neatitinka tikrojo duomenų rinkinio vidurkio.
Kodas #1:
Python3
# Python code to demonstrate stdev() function> # importing Statistics module> import> statistics> # creating a simple data - set> sample>=> [>1>,>2>,>3>,>4>,>5>]> # Prints standard deviation> # xbar is set to default value of 1> print>(>'Standard Deviation of sample is % s '> >%> (statistics.stdev(sample)))> |
>
>
Išvestis:
Standard Deviation of the sample is 1.5811388300841898>
Kodas #2: Parodykite stdev() įvairiuose duomenų tipų rinkiniuose
Python3
# Python code to demonstrate stdev()> # function on various range of datasets> # importing the statistics module> from> statistics>import> stdev> # importing fractions as parameter values> from> fractions>import> Fraction as fr> # creating a varying range of sample sets> # numbers are spread apart but not very much> sample1>=> (>1>,>2>,>5>,>4>,>8>,>9>,>12>)> # tuple of a set of negative integers> sample2>=> (>->2>,>->4>,>->3>,>->1>,>->5>,>->6>)> # tuple of a set of positive and negative numbers> # data-points are spread apart considerably> sample3>=> (>->9>,>->1>,>->0>,>2>,>1>,>3>,>4>,>19>)> # tuple of a set of floating point values> sample4>=> (>1.23>,>1.45>,>2.1>,>2.2>,>1.9>)> # Print the standard deviation of> # following sample sets of observations> print>(>'The Standard Deviation of Sample1 is % s'> >%>(stdev(sample1)))> > print>(>'The Standard Deviation of Sample2 is % s'> >%>(stdev(sample2)))> > print>(>'The Standard Deviation of Sample3 is % s'> >%>(stdev(sample3)))> > > print>(>'The Standard Deviation of Sample4 is % s'> >%>(stdev(sample4)))> |
>
>
Išvestis:
The Standard Deviation of Sample1 is 3.9761191895520196 The Standard Deviation of Sample2 is 1.8708286933869707 The Standard Deviation of Sample3 is 7.8182478855559445 The Standard Deviation of Sample4 is 0.41967844833872525>
Kodas #3: Parodykite skirtumą tarp variance() ir stdev() rezultatų
Python3
# Python code to demonstrate difference> # in results of stdev() and variance()> # importing Statistics module> import> statistics> # creating a simple data-set> sample>=> [>1>,>2>,>3>,>4>,>5>]> # Printing standard deviation> # xbar is set to default value of 1> print>(>'Standard Deviation of the sample is % s '> >%>(statistics.stdev(sample)))> # variance is approximately the> # squared result of what stdev is> print>(>'Variance of the sample is % s'> >%>(statistics.variance(sample)))> |
>
>
Išvestis:
Standard Deviation of the sample is 1.5811388300841898 Variance of the sample is 2.5>
Kodas #4: Parodykite naudojimą xbar parametras
Python3
# Python code to demonstrate use of xbar> # parameter while using stdev() function> # Importing statistics module> import> statistics> # creating a sample list> sample>=> (>1>,>1.3>,>1.2>,>1.9>,>2.5>,>2.2>)> # calculating the mean of sample set> m>=> statistics.mean(sample)> # xbar is nothing but stores> # the mean of the sample set> # calculating the variance of sample set> print>(>'Standard Deviation of Sample set is % s'> >%>(statistics.stdev(sample, xbar>=> m)))> |
>
>
Išvestis:
Standard Deviation of Sample set is 0.6047037842337906>
Kodas #5: Rodo Statistics Error
Python3
# Python code to demonstrate StatisticsError> # importing the statistics module> import> statistics> # creating a data-set with one element> sample>=> [>1>]> # will raise StatisticsError> print>(statistics.stdev(sample))> |
>
>
Išvestis:
Traceback (most recent call last): File '/home/f921f9269b061f1cc4e5fc74abf6ce10.py', line 12, in print(statistics.stdev(sample)) File '/usr/lib/python3.5/statistics.py', line 617, in stdev var = variance(data, xbar) File '/usr/lib/python3.5/statistics.py', line 555, in variance raise StatisticsError('variance requires at least two data points') statistics.StatisticsError: variance requires at least two data points> Programos :
- Standartinis nuokrypis yra labai svarbus statistinės matematikos ir statistinių tyrimų srityje. Jis dažniausiai naudojamas statistinių skaičiavimų patikimumui matuoti. Pavyzdžiui, egzamino balų skaičiavimo paklaida nustatoma apskaičiuojant numatomą standartinį rezultatų nuokrypį, jei tas pats egzaminas būtų kartojamas kelis kartus.
- Tai labai naudinga finansų studijų srityje, taip pat padeda nustatyti pelno ir nuostolių maržą. Standartinis nuokrypis taip pat svarbus, kai standartinis investicijos grąžos normos nuokrypis yra investicijos nepastovumo matas.