Python statistikas modulis nodrošina funkciju, kas pazīstama kā stdev() , ko var izmantot, lai aprēķinātu standarta novirzi. Funkcija stdev() aprēķina standarta novirzi tikai no datu izlases, nevis no visas kopas.
Lai aprēķinātu visas populācijas standarta novirzi, cita funkcija, kas pazīstama kā pstdev() tiek izmantots.
Standarta novirze ir izplatības mērs statistikā. To izmanto, lai kvantitatīvi noteiktu izplatības mēru, datu vērtību kopas variācijas. Tas ir ļoti līdzīgs dispersijai, norāda novirzes mērījumu, turpretī dispersija nodrošina vērtību kvadrātā.
Zems standartnovirzes rādītājs norāda, ka dati ir mazāk izkliedēti, savukārt liela standarta novirzes vērtība parāda, ka kopas dati ir sadalīti atsevišķi no to vidējām vērtībām. Standartnovirzes noderīga īpašība ir tāda, ka atšķirībā no dispersijas tā ir izteikta tajās pašās vienībās kā dati.
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.>
Sintakse : stdev( [datu kopa], xbar )
Parametri:
[dati]: Atkārtojams ar reālās vērtības skaitļiem.
xbar (Neobligāti) : Kā vērtību izmanto datu kopas faktisko vidējo.
Atgriešanas veids: Atgriež faktisko standartnovirzi vērtībām, kas nodotas kā parametrs.
Izņēmumi:
Statistikas kļūda tiek paaugstināts, ja datu kopa ir mazāka par 2 vērtībām, kas nodotas kā parametrs.
Neiespējamas/mazprecizitātes vērtības kad norādītā vērtība kā xbar neatbilst datu kopas faktiskajam vidējam.
Kods #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)))> |
>
>
Izvade:
Standard Deviation of the sample is 1.5811388300841898>
Kods #2: Demonstrējiet stdev() dažādu datu tipu kopai
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)))> |
>
>
Izvade:
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>
Kods #3: Parādiet atšķirību starp variance() un stdev() rezultātiem
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)))> |
>
>
Izvade:
Standard Deviation of the sample is 1.5811388300841898 Variance of the sample is 2.5>
Kods #4: Demonstrējiet lietošanu xbar parametrs
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)))> |
>
>
Izvade:
Standard Deviation of Sample set is 0.6047037842337906>
Kods #5: Parāda StatisticsError
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))> |
>
>
Izvade:
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> Lietojumprogrammas:
- Standarta novirze ir ļoti svarīga statistikas matemātikas un statistikas pētījumu jomā. To parasti izmanto, lai noteiktu statistisko aprēķinu ticamību. Piemēram, kļūdas robežu, aprēķinot eksāmena atzīmes, nosaka, aprēķinot sagaidāmo rezultātu standartnovirzi, ja viens un tas pats eksāmens būtu jākārto vairākas reizes.
- Tas ir ļoti noderīgs finanšu studiju jomā, kā arī palīdz noteikt peļņas un zaudējumu normu. Standarta novirze ir arī svarīga, ja ieguldījumu atdeves likmes standarta novirze ir ieguldījuma nepastāvības mērs.