WikiDer > Стандартное отклонение

Сюжет нормальное распределение (или колоколообразная кривая), где каждая полоса имеет ширину 1 стандартное отклонение - см. также: 68–95–99.7 правило.

Кумулятивная вероятность нормального распределения с ожидаемым значением 0 и стандартным отклонением 1

В статистика, то стандартное отклонение является мерой степени вариации или разброс набора значений.^[1] Низкое стандартное отклонение указывает на то, что значения, как правило, близки к иметь в виду (также называемый ожидаемое значение) набора, а высокое стандартное отклонение указывает на то, что значения разбросаны в более широком диапазоне.

Стандартное отклонение может быть сокращено SD, и чаще всего представляется в математических текстах и ​​уравнениях в нижнем регистре Греческая буква сигма σ, для стандартного отклонения генеральной совокупности или Латинская буква s, для стандартного отклонения выборки.^[2]

(О других вариантах использования символа σ в науке и математике см. Сигма § Наука и математика.)

Стандартное отклонение случайная переменная, статистическая совокупность, набор данных, или же распределение вероятностей это квадратный корень своего отклонение. это алгебраически проще, хотя на практике меньше крепкий, чем среднее абсолютное отклонение.^[3][4] Полезное свойство стандартного отклонения заключается в том, что в отличие от дисперсии оно выражается в тех же единицах, что и данные.

Помимо выражения изменчивости популяции, стандартное отклонение обычно используется для измерения достоверности статистических выводов. Например, погрешность в опрос данные определяются путем вычисления ожидаемого стандартного отклонения результатов, если один и тот же опрос должен был проводиться несколько раз. Такой вывод стандартного отклонения часто называют "стандартная ошибка оценки », или« стандартная ошибка среднего », когда речь идет о среднем значении. Оно вычисляется как стандартное отклонение всех средних значений, которые были бы вычислены для этой совокупности, если бесконечное число образцы были составлены и вычислены средние значения для каждого образца.

Стандартное отклонение генеральной совокупности и стандартная ошибка статистики, полученной из этой совокупности (например, среднего), совершенно разные, но взаимосвязаны (а именно, обратной величиной квадратного корня из числа наблюдений). Сообщаемая погрешность опроса рассчитывается из стандартной ошибки среднего (или, альтернативно, из произведения стандартного отклонения генеральной совокупности и обратной величины квадратного корня из размера выборки), и обычно примерно вдвое больше стандартное отклонение - полуширина 95% доверительный интервал.

В науке многие исследователи сообщают о стандартном отклонении экспериментальных данных, и по соглашению учитываются только эффекты, отклоняющиеся более чем на два стандартных отклонения от нулевого ожидания. статистически значимый, с помощью которого обычная случайная ошибка или вариация в измерениях таким образом отличаются от вероятных реальных эффектов или ассоциаций.

Когда только образец данных по населению, термин стандартное отклонение выборки или же стандартное отклонение выборки может относиться либо к вышеупомянутой величине применительно к этим данным, либо к измененной величине, которая является объективной оценкой стандартное отклонение населения (стандартное отклонение для всего населения).

Основные примеры

Выборочное стандартное отклонение скорости метаболизма северных глупышей

Логан^[5] дает следующий пример. Фернесс и Брайант^[6] измерил отдыхающий скорость метаболизма на 8 кобелей и 6 сук северные глупыши. В таблице показан набор данных Фернесс.

График показывает скорость метаболизма у мужчин и женщин. При визуальном осмотре выясняется, что вариабельность скорости метаболизма у мужчин больше, чем у женщин.

Стандартное отклонение скорости метаболизма самок глупышей рассчитывается следующим образом. Формула для стандартного отклонения выборки:

${displaystyle s = {sqrt {{frac {1} {N-1}} sum _ {i = 1} ^ {N} left (x_ {i} - {ar {x}} ight) ^ {2}}} ,}$^[2][7]

куда ${displaystyle extstyle {x_ {1} ,, x_ {2} ,, ldots ,, x_ {N}}}$ наблюдаемые значения элементов выборки, ${displaystyle extstyle {ar {x}}}$ - среднее значение этих наблюдений, аN - количество наблюдений в выборке.

В формуле стандартного отклонения выборки для этого примера числитель представляет собой сумму квадратов отклонения скорости метаболизма каждого отдельного животного от средней скорости метаболизма. В таблице ниже показан расчет этой суммы квадратов отклонений для самок глупышей. Для женщин сумма квадратов отклонений составляет 886047,09, как показано в таблице.

Знаменатель в формуле стандартного отклонения выборки равен N - 1, где N это количество животных. В этом примере есть N = 6 самок, поэтому знаменатель равен 6 - 1 = 5. Стандартное отклонение выборки для самок глупышей, следовательно, составляет

${displaystyle s = {sqrt {frac {sum _ {i = 1} ^ {N} left (x_ {i} - {ar {x}} ight) ^ {2}} {N-1}}} = {sqrt {frac {886047.09} {5}}} = 420.96.}$

Для самцов глупышей аналогичный расчет дает выборочное стандартное отклонение 894,37, что примерно вдвое превышает стандартное отклонение для самок. На графике показаны данные о скорости метаболизма, средние значения (красные точки) и стандартные отклонения (красные линии) для женщин и мужчин.

Использование стандартного отклонения выборки подразумевает, что эти 14 гульмаров являются выборкой из более крупной популяции гульмаров. Если бы эти 14 глупышей составляли всю популяцию (возможно, последние 14 выживших глупышей), то вместо стандартного отклонения выборки при расчете использовалось бы стандартное отклонение популяции. В формуле стандартного отклонения генеральной совокупности знаменатель N вместо N - 1. В редких случаях измерения можно проводить для всей популяции, поэтому по умолчанию компьютерные программы рассчитать стандартное отклонение выборки. Точно так же в журнальных статьях указывается стандартное отклонение выборки, если не указано иное.

Стандартное отклонение оценок восьми учащихся

Предположим, что вся интересующая нас совокупность состоит из восьми учеников определенного класса. Для конечного набора чисел стандартное отклонение совокупности находится путем взятия квадратный корень из средний квадратов отклонений значений, вычтенных из их среднего значения. Оценки класса из восьми учеников (то есть статистическая совокупность) следующие восемь значений:

${displaystyle 2, 4, 4, 4, 5, 5, 7, 9.}$

Эти восемь точек данных имеют среднее (среднее) 5:

${displaystyle mu = {frac {2 + 4 + 4 + 4 + 5 + 5 + 7 + 9} {8}} = 5.}$

Сначала вычислите отклонения каждой точки данных от среднего, и квадрат результат каждого:

${displaystyle {egin {array} {lll} (2-5) ^ {2} = (- 3) ^ {2} = 9 && (5-5) ^ {2} = 0 ^ {2} = 0 (4 -5) ^ {2} = (- 1) ^ {2} = 1 && (5-5) ^ {2} = 0 ^ {2} = 0 (4-5) ^ {2} = (- 1) ^ {2} = 1 && (7-5) ^ {2} = 2 ^ {2} = 4 (4-5) ^ {2} = (- 1) ^ {2} = 1 && (9-5) ^ {2} = 4 ^ {2} = 16. End {array}}}$

В отклонение является средним из этих значений:

${displaystyle sigma ^ {2} = {frac {9 + 1 + 1 + 1 + 0 + 0 + 4 + 16} {8}} = 4.}$

и численность населения стандартное отклонение равно квадратному корню из дисперсии:

${displaystyle sigma = {sqrt {4}} = 2.}$

Эта формула действительна только в том случае, если восемь значений, с которых мы начали, образуют полную генеральную совокупность. Если бы вместо этого значения были случайной выборкой, взятой из некоторой большой родительской популяции (например, это были 8 учеников, случайно и независимо выбранных из 2-миллионного класса), то часто делят на 7 (что п − 1) вместо 8 (что п) в знаменателе последней формулы. В этом случае результат исходной формулы будет называться образец стандартное отклонение. Деление на п - 1, а не п дает объективную оценку дисперсии более крупной родительской популяции. Это известно как Поправка Бесселя.^[8][9]

Стандартное отклонение среднего роста для взрослых мужчин

Если интересующая популяция приблизительно нормально распределена, стандартное отклонение дает информацию о доле наблюдений выше или ниже определенных значений. Например, средний рост для взрослых мужчин в Соединенные Штаты составляет около 70 дюймов (177,8 см) со стандартным отклонением около 3 дюймов (7,62 см). Это означает, что большинство мужчин (около 68%, если предположить, что нормальное распределение) имеют рост в пределах 3 дюймов (7,62 см) от среднего (67–73 дюймов (170,18–185,42 см)) - одно стандартное отклонение - и почти все мужчины (около 95%) имеют рост в пределах 6 дюймов (15,24 см). среднего (64–76 дюймов (162,56–193,04 см)) - два стандартных отклонения. Если бы стандартное отклонение было равно нулю, то все мужчины были бы ростом ровно 70 дюймов (177,8 см). Если бы стандартное отклонение составляло 20 дюймов (50,8 см), тогда у мужчин было бы гораздо больше переменного роста с типичным диапазоном около 50–90 дюймов (127–228,6 см). Три стандартных отклонения составляют 99,7% исследуемой выборки, если предположить, что распределение нормальный или в форме колокола (см. 68-95-99.7 правило, или эмпирическое правило, для дополнительной информации).

Определение ценностей населения

Позволять Икс быть случайная переменная со средним значением μ:

${displaystyle operatorname {E} [X] = mu.,!}$

Здесь оператор E обозначает среднее или ожидаемое значение из Икс. Тогда стандартное отклонение Икс это количество

${displaystyle {egin {align} sigma & = {sqrt {operatorname {E} left [(X-mu) ^ {2} ight]}}} & = {sqrt {operatorname {E} left [X ^ {2} ight » ] + имя оператора {E} [-2mu X] + имя оператора {E} left [mu ^ {2} ight]}} & = {sqrt {имя оператора {E} left [X ^ {2} ight] -2mu имя оператора { E} [X] + mu ^ {2}}} & = {sqrt {имя оператора {E} left [X ^ {2} ight] -2mu ^ {2} + mu ^ {2}}} & = { sqrt {имя оператора {E} left [X ^ {2} ight] -mu ^ {2}}} & = {sqrt {имя оператора {E} left [X ^ {2} ight] - (имя оператора {E} [X ]) ^ {2}}} конец {выровнено}}}$

(получено с использованием свойства ожидаемой стоимости).

Другими словами, стандартное отклонение σ (сигма) - квадратный корень из отклонение из Икс; т.е. это квадратный корень из среднего значения (Икс − μ)².

Стандартное отклонение a (одномерный) распределение вероятностей такое же, как и у случайной величины, имеющей это распределение. Не все случайные величины имеют стандартное отклонение, поскольку эти ожидаемые значения могут не существовать. Например, стандартное отклонение случайной величины, следующей за Распределение Коши не определено, потому что его ожидаемое значение μ не определено.

Дискретная случайная величина

В случае, когда Икс принимает случайные значения из конечного набора данных Икс₁, Икс₂, ..., Икс_N, где каждое значение имеет одинаковую вероятность, стандартное отклонение равно

${displaystyle sigma = {sqrt {{frac {1} {N}} left [(x_ {1} -mu) ^ {2} + (x_ {2} -mu) ^ {2} + cdots + (x_ {N } -mu) ^ {2} ight]}}, {ext {where}} mu = {frac {1} {N}} (x_ {1} + cdots + x_ {N}),}$

или, используя суммирование обозначение

${displaystyle sigma = {sqrt {{frac {1} {N}} sum _ {i = 1} ^ {N} (x_ {i} -mu) ^ {2}}}, {ext {where}} mu = {frac {1} {N}} sum _ {i = 1} ^ {N} x_ {i}.}$

Если вместо того, чтобы иметь равные вероятности, значения имеют разные вероятности, пусть Икс₁ иметь вероятность п₁, Икс₂ иметь вероятность п₂, ..., Икс_N иметь вероятность п_N. В этом случае стандартное отклонение будет

${displaystyle sigma = {sqrt {sum _ {i = 1} ^ {N} p_ {i} (x_ {i} -mu) ^ {2}}}, {ext {where}} mu = sum _ {i = 1} ^ {N} p_ {i} x_ {i}.}$

Непрерывная случайная величина

Стандартное отклонение непрерывная случайная величина с действительным знаком Икс с функция плотности вероятности п(Икс) является

${displaystyle sigma = {sqrt {int _ {mathbf {X}} (x-mu) ^ {2}, p (x), {m {d}} x}}, {ext {where}} mu = int _ {mathbf {X}} x, p (x), {m {d}} x,}$

и где интегралы равны определенные интегралы принято для Икс ранжирование по множеству возможных значений случайной величиныИкс.

В случае параметрическое семейство распределений, стандартное отклонение может быть выражено через параметры. Например, в случае логнормальное распределение с параметрами μ и σ², стандартное отклонение равно

${displaystyle {sqrt {left (e ^ {sigma ^ {2}} - 1ight) e ^ {2mu + sigma ^ {2}}}}.}.}$

Оценка

Можно найти стандартное отклонение для всей генеральной совокупности в случаях (например, стандартизированное тестирование), где отбирается выборка для каждого члена генеральной совокупности. В тех случаях, когда это невозможно сделать, стандартное отклонение σ оценивается путем изучения случайной выборки, взятой из совокупности, и вычисления статистика выборки, которая используется в качестве оценки стандартного отклонения генеральной совокупности. Такая статистика называется оценщик, а оценщик (или значение оценщика, а именно оценка) называется стандартным отклонением выборки и обозначается s (возможно с модификаторами).

В отличие от случая оценки среднего населения, для которого выборочное среднее - простая оценка со многими желательными свойствами (беспристрастный, эффективный, максимальная вероятность) не существует единой оценки стандартного отклонения со всеми этими свойствами, и объективная оценка стандартного отклонения это технически сложная проблема. Чаще всего стандартное отклонение оценивается с помощью исправленное стандартное отклонение выборки (с помощью N - 1), определенный ниже, и это часто называется «стандартным отклонением выборки» без квалификаторов. Однако другие оценки лучше в других отношениях: нескорректированная оценка (с использованием N) дает более низкую среднеквадратичную ошибку, при использовании N - 1,5 (для нормального распределения) практически полностью исключает смещение.

Неисправленное стандартное отклонение выборки

Формула для численность населения Стандартное отклонение (конечной совокупности) может быть применено к выборке, используя размер выборки как размер генеральной совокупности (хотя фактический размер совокупности, из которой выбирается выборка, может быть намного больше). Эта оценка, обозначаемая s_N, известен как нескорректированное стандартное отклонение выборки, или иногда стандартное отклонение выборки (рассматривается как вся совокупность) и определяется следующим образом:^[7]

${displaystyle s_ {N} = {sqrt {{frac {1} {N}} sum _ {i = 1} ^ {N} left (x_ {i} - {ar {x}} ight) ^ {2}} },}$

куда ${displaystyle extstyle {x_ {1} ,, x_ {2} ,, ldots ,, x_ {N}}}$ наблюдаемые значения элементов выборки, и ${displaystyle extstyle {ar {x}}}$ - среднее значение этих наблюдений, а знаменательN обозначает размер выборки: это квадратный корень из дисперсии выборки, которая является средним значением квадратичные отклонения об образце среднего.

Это согласованная оценка (он сходится по вероятности к значению совокупности по мере того, как число выборок стремится к бесконечности), и является оценка максимального правдоподобия при нормальном распределении населения.^{[нужна цитата]} Однако это предвзятый оценщик, так как оценки обычно занижены. Смещение уменьшается по мере увеличения размера выборки, уменьшаясь как 1 /N, и, таким образом, наиболее значима для выборки небольшого или среднего размера; за ${displaystyle N> 75}$ смещение ниже 1%. Таким образом, для очень больших размеров выборки обычно приемлемо нескорректированное стандартное отклонение выборки. Эта оценка также имеет равномерно меньшее среднеквадратичная ошибка чем исправленное стандартное отклонение выборки.

Скорректированное стандартное отклонение выборки

Если пристрастный выборочная дисперсия (второй центральный момент выборки, которая представляет собой оценку дисперсии генеральной совокупности с понижением), используется для вычисления оценки стандартного отклонения совокупности, результат

${displaystyle s_ {N} = {sqrt {{frac {1} {N}} sum _ {i = 1} ^ {N} left (x_ {i} - {ar {x}} ight) ^ {2}} }.}$

Здесь извлечение квадратного корня приводит к дальнейшему смещению в сторону понижения: Неравенство Дженсена, поскольку квадратный корень вогнутая функция. Смещение дисперсии легко исправить, но смещение квадратного корня исправить труднее, и оно зависит от рассматриваемого распределения.

Беспристрастная оценка отклонение дается путем применения Поправка Бесселя, с помощью N - 1 вместо N дать объективная дисперсия выборки, обозначенный s²:

${displaystyle s ^ {2} = {frac {1} {N-1}} sum _ {i = 1} ^ {N} left (x_ {i} - {ar {x}} ight) ^ {2}. }$

Этот оценщик является несмещенным, если существует дисперсия и выборочные значения строятся независимо с заменой. N - 1 соответствует количеству степени свободы в векторе отклонений от среднего, ${displaystyle extstyle (x_ {1} - {ar {x}} ,; точки,; x_ {n} - {ar {x}}).}$

Извлечение квадратного корня снова приводит к смещению (поскольку квадратный корень - нелинейная функция, которая не ездить с ожиданием), давая скорректированное стандартное отклонение выборки, обозначается s:^[2]

${displaystyle s = {sqrt {{frac {1} {N-1}} sum _ {i = 1} ^ {N} left (x_ {i} - {ar {x}} ight) ^ {2}}} .}$

Как объяснялось выше, в то время как s² - несмещенная оценка дисперсии совокупности, s по-прежнему является смещенной оценкой стандартного отклонения совокупности, хотя заметно менее смещенной, чем нескорректированное стандартное отклонение выборки. Эта оценка обычно используется и известна просто как «стандартное отклонение выборки». Смещение может быть большим для небольших выборок (N менее 10). По мере увеличения размера выборки величина смещения уменьшается. Получаем больше информации и разницу между ${displaystyle {frac {1} {N}}}$ и ${displaystyle {frac {1} {N-1}}}$ становится меньше.

Беспристрастное стандартное отклонение выборки

За объективная оценка стандартного отклонения, не существует формулы, которая работает для всех распределений, в отличие от среднего и дисперсии. Вместо, s используется в качестве основы и масштабируется с помощью поправочного коэффициента для получения несмещенной оценки. Для нормального распределения несмещенная оценка дается выражением s/c₄, где поправочный коэффициент (зависящий от N) дается через Гамма-функция, и равно:

${displaystyle c_ {4} (N), =, {sqrt {frac {2} {N-1}}} ,,, {frac {Gamma left ({frac {N} {2}} ight)} {Gamma left ({frac {N-1} {2}} ight)}}.}$

Это происходит потому, что выборочное распределение стандартного отклонения выборки следует (масштабировано) распределение ци, а поправочный коэффициент - это среднее значение распределения хи.

Приближение можно дать, заменив N - 1 с N - 1,5, что дает:

${displaystyle {hat {sigma}} = {sqrt {{frac {1} {N-1.5}} sum _ {i = 1} ^ {N} left (x_ {i} - {ar {x}} ight) ^ {2}}},}$

Ошибка в этом приближении квадратично убывает (как 1 /N²), и он подходит для всех образцов, кроме самых маленьких или наивысшей точности: для N = 3 смещение равно 1,3%, а при N = 9 смещение уже меньше 0,1%.

Более точное приближение - заменить ${displaystyle N-1.5}$ выше с ${displaystyle N-1.5 + 1 / (8 (N-1))}$.^[10]

Для других распределений правильная формула зависит от распределения, но практическое правило заключается в использовании дальнейшего уточнения приближения:

${displaystyle {hat {sigma}} = {sqrt {{frac {1} {N-1.5- {frac {1} {4}} gamma _ {2}}} sum _ {i = 1} ^ {N} left (x_ {i} - {ar {x}} ight) ^ {2}}},}$

куда γ₂ обозначает население избыточный эксцесс. Избыточный эксцесс для определенных распределений может быть известен заранее или рассчитан на основе данных.^{[нужна цитата]}

Доверительный интервал выборочного стандартного отклонения

Стандартное отклонение, которое мы получаем путем выборки распределения, само по себе не является абсолютно точным как по математическим причинам (здесь объясняется доверительным интервалом), так и по практическим причинам измерения (ошибка измерения). Математический эффект можно описать как доверительный интервал или CI.

Чтобы показать, как большая выборка сужает доверительный интервал, рассмотрим следующие примеры: Небольшая совокупность N = 2 имеет только 1 степень свободы для оценки стандартного отклонения. В результате 95% доверительный интервал SD изменяется от 0,45 × SD до 31,9 × SD; факторы здесь следующие:

${displaystyle Pr left (q_ {frac {alpha} {2}}$

куда ${displaystyle q_ {p}}$ это п-й квантиль распределения хи-квадрат с k степени свободы и ${displaystyle 1-alpha}$ уровень уверенности. Это эквивалентно следующему:

${displaystyle Pr left (k {frac {s ^ {2}} {q_ {1- {frac {alpha} {2}}}}}$

С k = 1, ${displaystyle q_ {0,025} = 0,000982}$ и ${displaystyle q_ {0,975} = 5,024}$. Обратные квадратные корни этих двух чисел дают нам множители 0,45 и 31,9, указанные выше.

Большая популяция N = 10 имеет 9 степеней свободы для оценки стандартного отклонения. Те же вычисления, что и выше, дают нам в этом случае 95% доверительный интервал от 0,69 × SD до 1,83 × SD. Таким образом, даже при выборке в 10 человек фактическое стандартное отклонение может быть почти в 2 раза выше, чем стандартное отклонение для выборки. Для выборки N = 100 это составляет от 0,88 × SD до 1,16 × SD. Чтобы быть более уверенным в том, что SD сэмплирования близко к фактическому SD, нам нужно отобрать большое количество точек.

Эти же формулы можно использовать для получения доверительных интервалов дисперсии остатков от наименьших квадратов соответствуют стандартной нормальной теории, где k теперь количество степени свободы на ошибку.

Границы стандартного отклонения

Для набора N > 4 данных, охватывающих диапазон значений р, верхняя граница стандартного отклонения s дан кем-то s = 0,6R.^[11] Оценка стандартного отклонения для N > 100 данных, считающихся приблизительно нормальными, следует из эвристики, согласно которой 95% площади под нормальной кривой лежит примерно на два стандартных отклонения в обе стороны от среднего, так что с вероятностью 95% весь диапазон значений р представляет четыре стандартных отклонения, так что s ≈ R / 4. Это так называемое правило диапазона полезно в размер образца оценка, поскольку диапазон возможных значений легче оценить, чем стандартное отклонение. Другие делители К (Н) диапазона такой, что s ≈ R / K (Н) доступны для других значений N и для ненормальных распределений.^[12]

Тождества и математические свойства

Стандартное отклонение инвариантно при изменении место расположения, и масштабируется непосредственно с шкала случайной величины. Таким образом, для постоянного c и случайные величины Икс и Y:

${displaystyle {egin {align} sigma (c) & = 0 sigma (X + c) & = sigma (X), sigma (cX) & = | c | sigma (X) .end {выравнивается}}}$

Стандартное отклонение суммы двух случайных величин может быть связано с их индивидуальными стандартными отклонениями и ковариация между ними:

${displaystyle sigma (X + Y) = {sqrt {operatorname {var} (X) + operatorname {var} (Y) + 2, operatorname {cov} (X, Y)}}.,}$

куда ${displaystyle extstyle operatorname {var}, =, sigma ^ {2}}$ и ${displaystyle extstyle operatorname {cov}}$ стоять за отклонение и ковариация, соответственно.

Вычисление суммы квадратов отклонений можно связать с моменты рассчитывается непосредственно из данных. В следующей формуле буква E интерпретируется как ожидаемое значение, то есть среднее значение.

${displaystyle sigma (X) = {sqrt {operatorname {E} left [(X-operatorname {E} [X]) ^ {2} ight]}} = {sqrt {operatorname {E} left] [X ^ {2} ight] - (имя оператора {E} [X]) ^ {2}}}.}$

Стандартное отклонение выборки можно рассчитать как:

${displaystyle s (X) = {sqrt {frac {N} {N-1}}} {sqrt {operatorname {E} left [(X-operatorname {E} [X]) ^ {2} ight]}}. }$

Для конечной совокупности с равными вероятностями во всех точках имеем

${displaystyle {sqrt {{frac {1} {N}} sum _ {i = 1} ^ {N} left (x_ {i} - {ar {x}} ight) ^ {2}}} = {sqrt { {frac {1} {N}} left (sum _ {i = 1} ^ {N} x_ {i} ^ {2} ight) - {ar {x}} ^ {2}}} = {sqrt {left ({frac {1} {N}} sum _ {i = 1} ^ {N} x_ {i} ^ {2} ight) -left ({frac {1} {N}} sum _ {i = 1} ^ {N} x_ {i} ight) ^ {2}}},}$

что означает, что стандартное отклонение равно квадратному корню из разницы между средним квадратом значений и квадратом среднего значения.

См. Расчетную формулу для дисперсии для доказательства и аналогичный результат для стандартного отклонения выборки.

Толкование и применение

Пример образцов из двух популяций с одинаковым средним, но разными стандартными отклонениями. Красное население имеет среднее значение 100 и стандартное отклонение 10; синяя популяция имеет среднее значение 100 и SD 50.

Большое стандартное отклонение указывает на то, что точки данных могут далеко отличаться от среднего, а небольшое стандартное отклонение указывает, что они сгруппированы близко к среднему.

Например, каждая из трех популяций {0, 0, 14, 14}, {0, 6, 8, 14} и {6, 6, 8, 8} имеет среднее значение 7. Их стандартные отклонения равны 7, 5. , и 1 соответственно. Третья совокупность имеет гораздо меньшее стандартное отклонение, чем две другие, потому что все ее значения близки к 7. Эти стандартные отклонения имеют те же единицы, что и сами точки данных. Если, например, набор данных {0, 6, 8, 14} представляет возраст населения из четырех братьев и сестер в годах, стандартное отклонение составляет 5 лет. В качестве другого примера популяция {1000, 1006, 1008, 1014} может представлять расстояния, пройденные четырьмя спортсменами, измеренные в метрах. Среднее значение составляет 1007 метров, а стандартное отклонение - 5 метров.

Стандартное отклонение может служить мерой неопределенности. В физической науке, например, стандартное отклонение группы повторных измерения дает точность этих измерений. При принятии решения о том, согласуются ли измерения с теоретическим прогнозом, стандартное отклонение этих измерений имеет решающее значение: если среднее значение измерений слишком далеко от прогноза (с расстоянием, измеренным в стандартных отклонениях), тогда теория, вероятно, проверяется. нуждается в доработке. Это имеет смысл, поскольку они выходят за пределы диапазона значений, которые можно было бы разумно ожидать, если бы прогноз был правильным и стандартное отклонение было должным образом определено количественно. Видеть интервал прогноза.

Хотя стандартное отклонение действительно показывает, насколько типичные значения обычно отличаются от среднего, доступны и другие меры. Примером может служить среднее абсолютное отклонение, что можно считать более прямым измерением среднего расстояния по сравнению с среднеквадратичное расстояние присущее стандартному отклонению.

Примеры применения

Практическая ценность понимания стандартного отклонения набора значений состоит в том, чтобы понять, насколько велико отклонение от среднего (среднего).

Экспериментальная, производственная и проверка гипотез

Стандартное отклонение часто используется для сравнения реальных данных с моделью для проверки модели. Например, в промышленных приложениях вес продуктов, сходящих с производственной линии, может потребовать соответствия юридически требуемому значению. Взвешивая некоторую долю продуктов, можно определить средний вес, который всегда будет немного отличаться от долгосрочного среднего. Используя стандартные отклонения, можно рассчитать минимальное и максимальное значение, при котором усредненный вес будет находиться в пределах некоторого очень высокого процента времени (99,9% или более). Если он выходит за пределы допустимого диапазона, возможно, необходимо скорректировать производственный процесс. Подобные статистические тесты особенно важны, когда тестирование относительно дорогое. Например, если продукт нужно открыть, слить и взвесить, или если продукт был израсходован во время теста.

В экспериментальной науке используется теоретическая модель реальности. Физика элементарных частиц обычно для объявления открытия используется стандарт «5 сигм».^[13] Уровень пяти сигм означает один шанс из 3,5 миллиона, что случайное колебание даст результат. Такой уровень уверенности требовался для того, чтобы утверждать, что частица соответствует бозон Хиггса был обнаружен в двух независимых экспериментах на ЦЕРН,^[14] и это также был уровень значимости, ведущий к объявлению первое наблюдение гравитационных волн.^[15]

Погода

В качестве простого примера рассмотрим среднесуточные максимальные температуры в двух городах, одном на суше и на побережье. Полезно понимать, что диапазон суточных максимальных температур для прибрежных городов меньше, чем для городов внутри страны. Таким образом, хотя каждый из этих двух городов может иметь одинаковую среднюю максимальную температуру, стандартное отклонение суточной максимальной температуры для прибрежного города будет меньше, чем для внутреннего города, так как в любой конкретный день фактическая максимальная температура более вероятна. быть дальше от средней максимальной температуры для внутреннего города, чем для прибрежного.

Финансы

В финансах стандартное отклонение часто используется как мера рисковать связанные с колебаниями цен на данный актив (акции, облигации, имущество и т. д.), или риск портфеля активов^[16] (активно управляемые паевые инвестиционные фонды, индексные паевые инвестиционные фонды или ETF). Риск является важным фактором при определении того, как эффективно управлять инвестиционным портфелем, поскольку он определяет вариацию доходности актива и / или портфеля и дает инвесторам математическую основу для принятия инвестиционных решений (известную как оптимизация среднего отклонения). Фундаментальная концепция риска заключается в том, что по мере его увеличения ожидаемая доходность инвестиций также должна увеличиваться, что называется премией за риск. Другими словами, инвесторы должны ожидать более высокой отдачи от инвестиций, если они связаны с более высоким уровнем риска или неопределенности. При оценке инвестиций инвесторы должны оценить как ожидаемую доходность, так и неопределенность будущей доходности. Стандартное отклонение обеспечивает количественную оценку неопределенности будущих доходов.

Например, предположим, что инвестору пришлось выбирать между двумя акциями. Акция А за последние 20 лет имела среднюю доходность 10 процентов со стандартным отклонением 20. процентные пункты (pp) и Акция B за тот же период имели среднюю доходность 12 процентов, но более высокое стандартное отклонение - 30 п.п. На основе риска и доходности инвестор может решить, что Акция A является более безопасным выбором, поскольку Акция B дополнительные два процентных пункта доходности не стоят дополнительных 10 п.п. стандартного отклонения (больший риск или неопределенность ожидаемой доходности). Акция B, вероятно, будет меньше первоначальных вложений (но также превысит первоначальные вложения) чаще, чем Акция A при тех же обстоятельствах, и, по оценкам, приносит в среднем лишь на два процента больше. В этом примере ожидается, что Акция A принесет около 10 процентов плюс-минус 20 п.п. (диапазон от 30 процентов до −10 процентов), что составляет около двух третей прибыли в будущем году. При рассмотрении более экстремальных возможных доходов или результатов в будущем инвестор должен ожидать результатов в размере до 10 процентов плюс-минус 60 п.п. или в диапазоне от 70 до -50 процентов, который включает результаты для трех стандартных отклонений от средней доходности. (около 99,7 процента вероятной доходности).

Вычисление среднего (или среднего арифметического) доходности ценной бумаги за определенный период даст ожидаемую доходность актива. Для каждого периода вычитание ожидаемой прибыли из фактической приводит к разнице от среднего. Возведение разницы в квадрат за каждый период и взятие среднего дает общую дисперсию доходности актива. Чем больше разница, тем больший риск несет безопасность. Нахождение квадратного корня из этой дисперсии даст стандартное отклонение рассматриваемого инвестиционного инструмента.

Стандартное отклонение совокупности используется для установки ширины Полосы Боллинджера, широко распространенный технический анализ инструмент. Например, верхняя полоса Боллинджера имеет вид ${displaystyle extstyle {ar {x}} + nsigma _ {x}.}$ Наиболее часто используемое значение для п равно 2; вероятность выхода на улицу составляет около пяти процентов при нормальном распределении доходов.

Финансовые временные ряды известны как нестационарные ряды, тогда как приведенные выше статистические расчеты, такие как стандартное отклонение, применяются только к стационарным рядам. Чтобы применить вышеупомянутые статистические инструменты к нестационарным рядам, ряды сначала должны быть преобразованы в стационарные ряды, что позволит использовать статистические инструменты, которые теперь имеют действительную основу для работы.

Геометрическая интерпретация

Чтобы получить некоторые геометрические представления и пояснения, мы начнем с совокупности трех значений: Икс₁, Икс₂, Икс₃. Это определяет точку п = (Икс₁, Икс₂, Икс₃) в р³. Рассмотрим линию L = {(р, р, р) : р ∈ р}. Это «главная диагональ», проходящая через начало координат. Если бы все наши три заданные значения были равны, то стандартное отклонение было бы равно нулю и п будет лежать на L. Таким образом, вполне разумно предположить, что стандартное отклонение связано с расстояние из п к L. Это действительно так. Чтобы двигаться ортогонально от L к точке п, начинается с точки:

${displaystyle M = left ({ar {x}}, {ar {x}}, {ar {x}} ight)}$

чьи координаты являются средними значениями, с которых мы начали.

Вывод ${displaystyle M = left ({ar {x}}, {ar {x}}, {ar {x}} ight)}$

${displaystyle M}$ на ${displaystyle L}$ следовательно ${displaystyle M = (ell, ell, ell)}$ для некоторых ${displaystyle ell in mathbb {R}}$. Линия ${displaystyle L}$ должен быть ортогонален вектору из ${displaystyle M}$ к ${displaystyle P}$. Следовательно: ${displaystyle {egin {выравнивается} Lcdot (PM) & = 0 [4pt] (r, r, r) cdot (x_ {1} -ell, x_ {2} -ell, x_ {3} -ell) & = 0 [4pt] r (x_ {1} -ell + x_ {2} -ell + x_ {3} -ell) & = 0 [4pt] rleft (сумма _ {i} x_ {i} -3ell ight) & = 0 [4pt] sum _ {i} x_ {i} -3ell & = 0 [4pt] {frac {1} {3}} sum _ {i} x_ {i} & = ell [4pt] {ar {x}} & = ell end {align}}}$

Немного алгебры показывает, что расстояние между п и M (равное ортогональному расстоянию между п и линия L) ${displaystyle {sqrt {sum limits _ {i} left (x_ {i} - {ar {x}} ight) ^ {2}}}}$ равно стандартному отклонению вектора (Икс₁, Икс₂, Икс₃), умноженный на квадратный корень из числа размерностей вектора (в данном случае 3).

Неравенство Чебышева

Наблюдение редко отличается от среднего значения более чем на несколько стандартных отклонений. Неравенство Чебышева гарантирует, что для всех распределений, для которых определено стандартное отклонение, количество данных в пределах ряда стандартных отклонений среднего будет не меньше, чем указано в следующей таблице.

Расстояние от среднего	Минимальное население
${displaystyle {sqrt {2}}, sigma}$	50%
2σ	75%
3σ	89%
4σ	94%
5σ	96%
6σ	97%
${displaystyle ksigma}$	${displaystyle 1- {гидроразрыв {1} {k ^ {2}}}}$[17]
${displaystyle {frac {1} {sqrt {1-ell}}}, sigma}$	${displaystyle ell}$

Правила для нормально распределенных данных

Темно-синий - одно стандартное отклонение по обе стороны от среднего. Для нормального распределения это составляет 68,27% от набора; в то время как два стандартных отклонения от среднего (средний и темно-синий) составляют 95,45%; три стандартных отклонения (светлый, средний и темно-синий) составляют 99,73%; и четыре стандартных отклонения составляют 99,994 процента. Две точки кривой, которые находятся на одно стандартное отклонение от среднего, также являются точки перегиба.

В Центральная предельная теорема утверждает, что распределение среднего многих независимых одинаково распределенных случайных величин стремится к знаменитому колоколообразному нормальному распределению с функция плотности вероятности из

${displaystyle fleft (x; mu, sigma ^ {2} ight) = {frac {1} {sigma {sqrt {2pi}}}} e ^ {- {frac {1} {2}} left ({frac {x -mu} {сигма}} ight) ^ {2}}}$

куда μ это ожидаемое значение случайных величин, σ равно стандартному отклонению их распределения, деленному на п^1/2, и п - количество случайных величин. Таким образом, стандартное отклонение - это просто масштабирующая переменная, которая регулирует ширину кривой, хотя она также отображается в нормализующая константа.

Если распределение данных приблизительно нормальное, то доля значений данных в пределах z Стандартные отклонения среднего значения определяются:

${displaystyle {ext {Proportion}} = operatorname {erf} left ({frac {z} {sqrt {2}}} ight)}$

куда ${displaystyle extstyle operatorname {erf}}$ это функция ошибки. Пропорция, которая меньше или равна числу, Икс, дается кумулятивная функция распределения:

${displaystyle {ext {Proportion}} leq x = {frac {1} {2}} left [1 + operatorname {erf} left ({frac {x-mu} {sigma {sqrt {2}}}} ight) ight) ] = {frac {1} {2}} left [1 + operatorname {erf} left ({frac {z} {sqrt {2}}} ight) ight]}$.^[18]

Если распределение данных приблизительно нормальное, то около 68 процентов значений данных находятся в пределах одного стандартного отклонения от среднего (математически, μ ± σ, куда μ - среднее арифметическое), около 95 процентов находятся в пределах двух стандартных отклонений (μ ± 2σ), и около 99,7% находятся в пределах трех стандартных отклонений (μ ± 3σ). Это известно как 68-95-99.7 правило, или же эмпирическое правило.

Для различных значений z, процент значений, которые, как ожидается, будут находиться в симметричном интервале и за его пределами, CI = (-zσ, zσ), являются следующими:

Процент в пределах (z)

z(Процент внутри)

Связь между стандартным отклонением и средним значением

Среднее значение и стандартное отклонение набора данных: описательная статистика обычно сообщают вместе. В определенном смысле стандартное отклонение - это «естественная» мера статистическая дисперсия если центр данных измеряется относительно среднего значения. Это потому, что стандартное отклонение от среднего меньше, чем от любой другой точки. Точное утверждение следующее: предположим Икс₁, ..., Икс_п являются действительными числами и определяют функцию:

${displaystyle sigma (r) = {sqrt {{frac {1} {N-1}} sum _ {i = 1} ^ {N} left (x_ {i} -right) ^ {2}}}.}$

С помощью исчисление или по завершение квадрата, можно показать, что σ(р) имеет единственный минимум в среднем:

${displaystyle r = {ar {x}}.,}$

Вариабельность также можно измерить коэффициент вариации, которое представляет собой отношение стандартного отклонения к среднему. Это безразмерное число.

Стандартное отклонение среднего

Часто нам нужна некоторая информация о точности полученного среднего значения. Мы можем получить это, определив стандартное отклонение выборочного среднего. Предполагая статистическую независимость значений в выборке, стандартное отклонение среднего связано со стандартным отклонением распределения следующим образом:

${displaystyle sigma _ {ext {mean}} = {frac {1} {sqrt {N}}} sigma}$

куда N - количество наблюдений в выборке, использованное для оценки среднего значения. Это легко проверить с помощью (см. основные свойства дисперсии):

${displaystyle {egin {выровнено} имя оператора {var} (X) и эквивалентная сигма _ {X} ^ {2} operatorname {var} (X_ {1} + X_ {2}) и эквивалент имя оператора {var} (X_ {1} ) + имя оператора {var} (X_ {2}) end {align}}}$

(Предполагается статистическая независимость.)

${displaystyle имя оператора {var} (cX_ {1}) эквивалент c ^ {2}, имя оператора {var} (X_ {1})}$

следовательно

${displaystyle {egin {align} operatorname {var} ({ext {mean}}) & = operatorname {var} left ({frac {1} {N}} sum _ {i = 1} ^ {N} X_ {i } ight) = {frac {1} {N ^ {2}}} имя оператора {var} left (sum _ {i = 1} ^ {N} X_ {i} ight) & = {frac {1} {N ^ {2}}} сумма _ {i = 1} ^ {N} имя оператора {var} (X_ {i}) = {frac {N} {N ^ {2}}} имя оператора {var} (X) = { frac {1} {N}} имя оператора {var} (X) .end {выровнено}}}$

В результате чего:

${displaystyle sigma _ {ext {mean}} = {frac {sigma} {sqrt {N}}}.}$

Чтобы оценить стандартное отклонение среднего ${displaystyle sigma _ {ext {mean}}}$ необходимо знать стандартное отклонение всего населения ${displaystyle sigma}$ заранее. Однако в большинстве приложений этот параметр неизвестен. Например, если в лаборатории выполняется серия из 10 измерений ранее неизвестной величины, можно вычислить результирующее среднее значение выборки и стандартное отклонение выборки, но невозможно вычислить стандартное отклонение среднего.

Методы быстрого расчета

Следующие две формулы могут представлять текущее (многократно обновляемое) стандартное отклонение. Набор из двух степенных сумм s₁ и s₂ вычисляются по набору N ценности Икс, обозначенный как Икс₁, ..., Икс_N:

${displaystyle s_ {j} = sum _ {k = 1} ^ {N} {x_ {k} ^ {j}}.}$

Учитывая результаты этих текущих суммирований, значения N, s₁, s₂ можно использовать в любое время для вычисления Текущий значение текущего стандартного отклонения:

${displaystyle sigma = {frac {sqrt {Ns_ {2} -s_ {1} ^ {2}}} {N}}}$

Где N, как упоминалось выше, является размером набора значений (или также может рассматриваться как s₀).

Аналогично для стандартного отклонения выборки,

${displaystyle s = {sqrt {frac {Ns_ {2} -s_ {1} ^ {2}} {N (N-1)}}}.}$

В компьютерной реализации как три s_j суммы становятся большими, нужно учитывать ошибка округления, арифметическое переполнение, и арифметическое истощение. Приведенный ниже метод вычисляет метод промежуточных сумм с уменьшенными ошибками округления.^[19] Это "однопроходный" алгоритм вычисления дисперсии п образцы без необходимости сохранять предыдущие данные во время расчета. Применение этого метода к временному ряду приведет к последовательным значениям стандартного отклонения, соответствующим п точки данных как п увеличивается с каждой новой выборкой, а не при вычислении скользящего окна постоянной ширины.

За k = 1, ..., п:

${displaystyle {egin {align} A_ {0} & = 0 A_ {k} & = A_ {k-1} + {frac {x_ {k} -A_ {k-1}} {k}} конец {выровнено }}}$

где A - среднее значение.

${displaystyle {egin {align} Q_ {0} & = 0 Q_ {k} & = Q_ {k-1} + {frac {k-1} {k}} left (x_ {k} -A_ {k- 1} ight) ^ {2} = Q_ {k-1} + left (x_ {k} -A_ {k-1} ight) left (x_ {k} -A_ {k} ight) end {выровнено}}}$

Примечание: ${displaystyle Q_ {1} = 0}$ поскольку ${displaystyle k-1 = 0}$ или же ${displaystyle x_ {1} = A_ {1}}$

Выборочная дисперсия:

${displaystyle s_ {n} ^ {2} = {гидроразрыв {Q_ {n}} {n-1}}}$

Дисперсия населения:

${displaystyle sigma _ {n} ^ {2} = {frac {Q_ {n}} {n}}}$

Взвешенный расчет

Когда ценности Икс_я имеют неравные веса ш_я, сумма мощности s₀, s₁, s₂ каждый вычисляется как:

${displaystyle s_ {j} = sum _ {k = 1} ^ {N} w_ {k} x_ {k} ^ {j}.,}$

И уравнения стандартного отклонения остаются неизменными. s₀ теперь сумма весов, а не количество образцов N.

Также может применяться инкрементный метод с уменьшенными ошибками округления, но с некоторой дополнительной сложностью.

Текущая сумма весов должна быть вычислена для каждого k от 1 до п:

${Displaystyle {эгин {выровнено} W_ {0} & = 0 W_ {k} & = W_ {k-1} + w_ {k} конец {выровнено}}}$

и места, где 1 /п используется выше, необходимо заменить на ш_я/W_п:

${displaystyle {egin {align} A_ {0} & = 0 A_ {k} & = A_ {k-1} + {frac {w_ {k}} {W_ {k}}} влево (x_ {k} - A_ {k-1} ight) Q_ {0} & = 0 Q_ {k} & = Q_ {k-1} + {frac {w_ {k} W_ {k-1}} {W_ {k}} } left (x_ {k} -A_ {k-1} ight) ^ {2} = Q_ {k-1} + w_ {k} left (x_ {k} -A_ {k-1} ight) left (x_ {k} -A_ {k} ight) конец {выровнено}}}$

В финальном дивизионе

${displaystyle sigma _ {n} ^ {2} = {frac {Q_ {n}} {W_ {n}}},}$

и

${displaystyle s_ {n} ^ {2} = {frac {Q_ {n}} {W_ {n} -1}},}$

или же

${displaystyle s_ {n} ^ {2} = {frac {n '} {n'-1}} sigma _ {n} ^ {2},}$

куда п - общее количество элементов, а п ' - количество элементов с ненулевым весом.

Приведенные выше формулы становятся равными приведенным выше более простым формулам, если веса приняты равными единице.

История

Период, термин стандартное отклонение впервые был использован в письменной форме Карл Пирсон в 1894 году, после того, как он использовал его в лекциях.^[20][21] Это было заменой более ранних альтернативных названий той же идеи: например, Гаусс использовал средняя ошибка.^[22]

Высшие измерения

В двух измерениях стандартное отклонение можно проиллюстрировать эллипсом стандартного отклонения, см. Многомерное нормальное распределение § Геометрическая интерпретация.

Эллипс стандартного отклонения (зеленый) двумерного нормального распределения.

Смотрите также

Рекомендации

внешняя ссылка

Викискладе есть медиафайлы по теме Стандартное отклонение.

• «Квадратичное отклонение», Энциклопедия математики, EMS Press, 2001 [1994]
• Простой способ понять стандартное отклонение
• Стандартное отклонение - объяснение без математики