Характеристики положения и рассеяния статистического распределения. Числовые характеристики рассеяния случайной величины

К основным статистическим характеристикам ряда измерений (вариацион­ного ряда) относятся характеристики положения (средние характе­ристики, или центральная тенденция выборки ); характеристики рассеяния (ва­риации, или колеблемости ) и характеристики формы распределения.

К характеристикам положения относятся среднее арифметическое значе­ние (среднее значение ), мода и медиана.

К характеристикам рассеяния (вариации, или колеблемости ) относятся: размах вариации , дисперсия , среднее квадратическое (стандартное ) отклонение , ошибка средней арифметической (ошибка средней ), коэффициент вариации и др.

К характеристикам формы относятся коэффициент асимметрии, мера ско­шенности и эксцесс.

Характеристики положения

Среднее арифметическое значение – одна из основных характеристик вы­борки.

Она, как и другие числовые характеристики выборки, может вычисляться как по необработанным первичным данным, так и по результатам группировки этих данных.

Точность вычисления по необработанным данным выше, но процесс вычисления оказывается трудоёмким при большом объёме выборки.

Для несгруппированных данных среднее арифметическое определяется по формуле:

где n - объем выборки, х 1 , х 2 , ... х n - результаты измерений.

Для сгруппированных данных:

где n - объем выборки, k – число интервалов группировки, n i – частоты интервалов, x i – срединные значения интервалов.

Мода

Определение 1. Мода - наиболее часто встречающаяся величина в данных вы­борки. Обозначается Мо и определяетсяпо формуле:

где - нижняя граница модального интервала, - ширина интервала группи­ровки, - частота модального интервала, - частота интервала, предшествую­щего модальному, - частота интервала, последующего за модаль­ным.

Определение 2. Модой Мо дискретной случайной величины называется наиболее вероятное её значение.

Геометрически моду можно интерпретировать как абсциссу точки максимума кривой распределения. Бывают двухмодальные и многомодальные распределения. Встречаются распределения, которые имеют минимум, но не имеют максимума. Такие распределения называются антимодальными .

Определение. Модальным интервалом называется интервал группировки с наибольшей частотой.

Медиана

Определение . Медиана - результат измерения, который находится в сере­дине ранжированного ряда, иначе говоря, медианой называется значение признака Х , когда одна половина значений экспериментальных данных меньше её, а вторая половина – больше, обозначается Ме .

Когда объем выборки n - четное число, т. е. результатов измерений четное количество, то для определения медианы рассчитывается среднее значение двух показателей выборки, находящихся в середине ранжированного ряда.

Для данных, сгруппированных в интервалы, медиану определяют по фор­муле:

,

где - нижняя граница медианного интервала; ширина интервала группи­ровки, 0,5n – половина объёма выборки, - частота медианного интервала, - накопленная частота интервала, предшествующего медианному.

Определение. Медианным интервалом называется тот интервал, в котором накопленная частота впервые окажется больше половины объёма выборки (n/ 2) или накопленная частость окажется больше 0,5.

Численные значения среднего, моды и медианы отличаются, когда имеет место несимметричная форма эмпирического распределения.

Характеристики рассеяния результатов измерений

Для математико-статистического анализа результатов выборки знать только характеристики положения недостаточно. Одна и та же величина среднего значе­ния может характеризовать совершенно различные выборки.

Поэтому кроме них в статистике рассматривают также характеристики рассеяния (вариации, или колеблемости ) результатов .

Размах вариации

Определение. Размахом вариации называется разница между наибольшим и наименьшим результатами выборки, обозначается R и определяется

R =X max - X min .

Информативность этого показателя невелика, хотя при малых объёмах вы­борки по размаху легко оценить разницу между лучшим и худшим результатами спортсменов.

Дисперсия

Определение. Дисперсией называется средний квадрат отклонения значений признака от среднего арифметического.

Для несгруппированных данных дисперсия определяется по формуле

s 2 = , (1)

где Х i – значение признака, - среднее арифметическое.

Для данных, сгруппированных в интервалы, дисперсия определяется по формуле

,

где х i – среднее значение i интервала группировки, n i – частоты интервалов.

Для упрощения расчётов и во избежание погрешностей вычисления при округ­лении результатов (особенно при увеличении объёма выборки) используются также другие формулы для определения дисперсии. Если среднее арифметическое уже вычислено, то для несгруппированных данных используется следующая фор­мула:

для сгруппированных данных:

.

Эти формулы получаются из предыдущих раскрытием квадрата разности под знаком суммы.

Рассеивание случайной величины характеризует её разброс относительно точки математического ожидания. Так как разброс элементов спектра случайной величины происходит по обе стороны от центра рассеивания, то для его учета используют либо четные степени центральных моментов, либо абсолютные центральные моменты. Достаточно рассмотреть центральный момент второго порядка m 2 и абсолютный центральный момент первого порядка t 1 . Первый из них называется дисперсией , а второй – средним отклонением . Изучим их подробнее.

Дисперсия случайной величины Х имеет несколько обозначений:

– ДСВ ;

D(X ) = = m 2 = E ( 2) = (59)

– НСВ ,

Оператор дисперсии D обладает следующими свойствами:

1) D (C ) = 0

2) D (CX ) = C 2 ·D (X ) . (60)

3) D (C +X ) = D (X )

Ситуация с доказательством свойств оператора дисперсии аналогична той, которая была отмечена для оператора математического ожидания. Остановимся на физическом смысле этих свойств.

Первое свойство говорит, что постоянная величина не имеет разброса. Комментарий не требуется.

При изменении масштаба по оси абсцисс (второе свойство ), новое значение дисперсии получается из старого путем умножения последнего на величину квадрата масштабного коэффициента.

Третье свойство дисперсии заключается в том, что при переносе начала координат на величину C по оси абсцисс дисперсия случайной величины не меняется, так как центрирование компенсирует перенос.

Объединение этих свойств выражается реакцию оператора дисперсии на линейное преобразование случайной величины X :

D(C 1 + C 2 ∙ X ) = C 2 2 ∙ D (X ) . (61)

Из определения дисперсии следует, что ее размерность равна квадрату размерности случайной величины, которую она характеризует. Это не всегда удобно для восприятия. Например, если сказать, что некоторое расстояние S = 567,89 м , а его дисперсия D (S ) = 9∙10 -4 м 2 , то сопоставление этих величин, имеющих отличающиеся размерности , не дает представления о точности измерений. Этот факт способствовал использованию дополнительно в качестве характеристики рассеивания другого показателя – стандарта .

Стандарт или среднее квадратическое отклонение (СКО) представляет собой положительное значение квадратного корня из дисперсии и характеризует разброс СВ относительно ее центра рассеивания в тех же единицах, в каких выражена и сама случайная величина:

(62)

Свойства стандарта определяются свойствами дисперсии:

1) s C = 0

2) s CX = C ·s X (63)

3) s C + X = s X

Если теперь мы охарактеризуем ранее приведенное расстояние S=567,89 м стандартом s S =3*10 -2 м , то наше представление о точности этого расстояния будет адекватным.

Среднее отклонение – это абсолютный центральный момент первого порядка для случайной величиныХ , обозначаемый буквой ϑ X и вычисляемый по определению (58) при r = 1 :

– ДСВ ;

ϑ X = τ 1 = E (| |)= (64)

– НСВ .

Свойства среднего отклонения аналогичны свойствам стандарта (убедитесь в этом в качестве Упражнения 2.1 ):

1) ϑ X = 0

2)ϑ CX = |C |·ϑ X (65)

3) ϑ C + X = ϑ X

2.2.6 Примеры одномерных распределений .

Рассмотрим законы распределений некоторых дискретных и непрерывных случайных величин, играющих важную роль в теории и практике.

Индикатор события.

Индикатор события I A представляет собой частный случай испытаний Бернулли. Это дискретная случайная величина, принимающая только два возможных значения 0 и 1 с вероятностями (1 – p ) и p соответственно. Здесь p = P (A ) – вероятность наступления события A , описанного на некотором пространстве W . Рассмотрим все введенные выше характеристики для этой случайной величины в качестве примера и с целью их использования при изучении более сложных законов.

Дано :X = I A = {x 1 = 0; x 2 = 1} ; P (x 1) = P (Ā ) = 1 – p =q ; P (x 2) = P (A ) = p .

Найти : 1) F (I A ) – ? 2) E (I A ) – ? 3) D (I A ) – ? 4) s I – ?

Решение :

1)Функцию распределения разместим в расширенной таблице ряда распределения, как это предложено в (44):

Числовые характеристики определим по формулам (51), (59) и (62):

2)E (I A ) = 0∙q + 1∙p = p ;

3)D (I A ) = =a 2 - = 0 2 ∙q +1 2 ∙p – p 2 = p ∙(1 – p ) = pq ;

4) = .

Индикатор событий используется при изучении повторных испытаний и решении других задач как вспомогательная случайная величина.

2.2.6.2 Равномерное распределение .

В качестве иллюстрации, поясняющей материал раздела 2.2 для непрерывных случайных величин, исследуем непрерывное равномерное распределение на некотором отрезке [a ; b ]. Распределение называется равномерным на отрезке, если его плотность вероятности постоянна на этом отрезке и равна нулю за его пределами. Представим изучение данного распределения в виде решения задачи.

Дано : f (x ) = c , [a ; b ] ; f (x ) = 0 вне этого отрезка.

Найти : 1 ) постоянную плотность распределения c – ?, 2 ) F (x ) – ?, 3 )E (X ) – ?, 4 ) Mo(X ) – ?, 5 ) Me(X ) – ?, 6 ) D (X ) – ?, 7 ) s X – ?, 8 ) ϑ X – ?, 9 )P (x 1 <X <x 2) – ?

Решение : Выполнить самостоятельно в качестве Упражнения 2.2 .

Ответы : 1 ) c = 1 / (b – a ) ; 2 ) F (x ) = (x – a ) / (b – a ) ; 3 ) E (X ) = (a + b )/2 ;

4 ) Mo(X ) – не определена; 5 ) Me(X ) = E (X ) ; 6 ) D (X ) = (b – a ) 2 / 12 ;

7 ) s x = (b – a ) /() ;8 ) ϑ X = (b – a ) / 4 ; 9 ) P (x 1 < X < x 2) = (x 2 – x 1)/(b – a ) , когда ]x 1 ; x 2 [ [a ;b ] .

Графики плотности и функции равномерного распределения представлены на следующих рисунках (Рис.19 и 20 ).

f (x ) F (x )

c

S =1 c =1/

0 a E (X ) b X 0 a E (X ) b X

Рис. 2.19 Плотность равномерного Рис. 2.20 Функция равномерного

Характеристики положения дают усредненное представление о характерных значениях, принимаемых случайными величинами. Информации в этих характеристиках тем больше, чем меньшие отклонения от них могут наблюдаться в реальном эксперименте. Показатели, описывающие возможные отклонения значений случайной величины от «средних», называются характеристиками рассеяния. К ним относятся дисперсия, среднеквадратичное отклонение, срединное отклонение, коэффициент вариации и некоторые другие. 2.1. Дисперсия и ее свойства Важнейшей из них является дисперсия. Дисперсией случайной величины £ (обозначение #[£]) называется математическое ожидание квадрата отклонения случайной величины (от своего среднего Отметим некоторые свойства дисперсии. используя свойства математического ожидания, получаем Отметим, что если случайные величины - независимы, то из свойства 3 математического ожидания следует, что и указанное свойство выглядит так: 6. Если д^(х) - обобщенная плотность распределения случайной величины f, то £>[£] может быть вычислена из соотношения Характеристики рассеяния Дисперсия и ее свойства Неравенство Чебышёва в частности, если £ - непрерывная случайная величина с плотностью ж), то если же £ - дискретная случайная величина с рядом распределения Пример t (дисперсия бернуллиевой случайной величины). Пусть (- беонуллиева случайная величина, . В соответствие с соотношением (4), получаем (М= р) Пример 2 (дисперсия биномиальной случайной величины). Если £ - биномиальная с параметрами (п, р), то, как было отмечено выше, (представима в виде где - независимые одинаково распределенные бернуллиевы с параметром р случайные величины. Поэтому (свойство дисперсии 5) Одновременно доказано комбинаторное тождество Пример 3 (дисперсия равномерной на (и, случайной величины). Пусто Имеем Характеристикой рассеяния, тесно связанной с дисперсией, является среднее ква-дратическое отклонение случайной величины". Обладая тем же качественным наполнением (содержа в себе ту же информацию), что и дисперсия, среднее квадратическое отклонение имеет то преимущество, что измеряется в тех же единицах, что и рассматриваемая случайная величина. Отметим, что из свойств дисперсии с очевидностью следует: если только - независимы. В заключение заметим, что если у случайной величины £ существуют то можно построить случайную величину £, обладающую теми же свойствами, что и £, но имеющую стандартные числовые характеристики: М = 0 и D = 1. Достаточно положить Переход от (к £ - т носит название центрирование случайной величины а переход от- нормирование. Таким образом, соотношение (6) описывает процедуру нормирования и центрирования случайной величины Очевидно, что центрирование) не меняет дисперсии, в то время как нормирование, носящее характер масштабного преобразования, изменяет математическое ожидание в о раз. 2.2. Неравенство Чебышёва Из определения дисперсии (1) ясно, что она призвана качественно описывать рассеяние значений случайной величины относительно математического ожидания. Точный вероятностный смысл этого описания дается неравенством Чебышёва, которое мы здесь рассмотрим. Теорема. Пусть случайная величина £ обладает математическим ожиданием А/(£| = т и дисперсией /?(£) = а2. Тогда каково бы ни было е > О Рассмотрим вспомогательную случайную величину г/, заданную соотношением Заметим, что и потому По теореме о математическом ожидании функции от случайной величины получаем откуда или чем и завершается доказательство. Отметим, что неравенство (7) часто используется в эквивалентной форме получающейся из (7) применением очевидного соотношения Неравенство Чебышёва показывает, что чем меньше дисперсия, тем реже значения случайной величины £ «сильно» (больше чем на е) отклоняются от среднего т. При фиксированной дисперсии вероятности отклонений на величину, большую, чем е,тем меньше, чем больше е. Неравенство (7) универсально. Оно не предъявляет никаких требований к характеру распределения случайной величины f - достаточно существования т и а. В силу своей универсальности оно малоинформативно количественно - для разумных значений е оценки вероятностей крайне фубы. Пример. Для нормальной случайной величины с параметрами (0, 1) имеем Характеристики рассеяния Дисперсия и ее свойства Неравенство Чебышёва в то время как неравенство Чебышёва дает что верно, но тривиально. Для этой же случайной величины при е = 3 точное значение вероятности, а соотношение (8) приводит к оценке которая уже значительно лучше предыдущей. Несмотря на достаточно грубый характер оценок (7)-(8), без дополнительных предположений о характере распределения случайной величины неравенство Чебышёва, как показывает следующий пример, улучшить нельзя - оно точное1*. Пример. Пусть (-дискретная случайная величина, принимающая значения вероятностями соответственно. Легко видеть, что. Положим е = I и найдем значение вероятности Имеем Неравенство (7) в этой ситуации дает оценку которая совпадает с точным значением оцениваемой вероятности. 2.3. Другие характеристики рассеяния Из других характеристик рассеяния, часто используемых в приложениях, отметим коэффициент вариации и срединное отклонение (среднее арифметическое отклонение). Пусть у случайной величины £ существует А/[£) = m и = о2. Коэффициентом вариации случайной величины £ называется величина Из (9) легко усмотреть, что описывает рассеяние случайной величины £ в долях по отношению к среднему. Как абсолютный показатель рассеяния коэффициент вариации не очень удобен, однако для совместно центрированных случайных величин (т.е. имеющих одинаковые математические ожидания) он позволяет эффективно сравнивать диапазоны изменения. Пусть у случайной величины £ существует Срединным отклонением Срединное отклонение (/[£] качественно имеет тот же смысл, что и среднеква-дратическос отклонение - чем больше срединное отклонение, тем больше рассеяние, чем меньше срединное отклонение - тем меньше рассеяние. В том смысле, что существует случайная величина для которой в неравенствах (7)-(8) при некотором е достигается знак равенства. Для конкретных классов распределений связь между этими показателями может быть установлена, однако в общем случае удобных для использования на практике соотношений между U и а нет. Пример 1. Пусть (- нормально распределенная случайная величина. Тогда В этом случае Пример 2. Пусть { = Л[-о, о| - равномерно распределенная случайная величина. Тогда U = а/2. Характеристики рассеяния Дисперсия и ее свойства Неравенство Чебышёва Отметим, что и в этом случае Замеченное свойство U неслучайно -оно имеет место для любых случайных величин (конечно, обладающих дисперсией). Теорема. Если у случайной величины £ существует D£ = а2, то М В неравенстве Коши-Буняковского (свойство 6 математического ожидания) положим Ь Тогда откуда

Для выборки можно определить ряд числовых характеристик, которые аналогичны основным числовым характеристикам случайных величин в теории вероятностей (математическое ожидание, дисперсия, среднее квадратическое отклонение, мода, медиана) и являются в некотором смысле (который будет ясен дальше) их приближенным значением.

Пусть дано статистическое распределение выборки объема n для частот и относительных частот:

Если внести множитель под знак суммы, то получим формулу для выборочного среднего через относительные частоты:

.

Отметим, что в случае интервального ряда выборочное среднее вычисляется по тем же формулам, если в качестве чисел х 1 , … , х k взять середины интервалов: , … ,.

Выборочной дисперсией называется среднее арифметическое квадратов отклонений значений выборки от их выборочного среднего:

Снова внося множитель под знак суммы, получим формулу для выборочной дисперсии через относительные частоты:

Несложные преобразования приводят к более удобной формуле для вычисления выборочной дисперсии

,

где есть выборочное среднее квадрата изучаемой случайной величины, т.е.

Если выборка представлена интервальным статистическим рядом, то формулы для выборочной дисперсии остаются те ми же, где, как обычно, в качестве чисел х 1 , … , х k берутся середины интервалов: , … ,.

Выборочным средним квадратическим отклонением называется квадратный корень из выборочной дисперсии

.

Размахом вариации R называется разность между максимальным и минимальным значением в выборке. Если варианты в выборке ранжированы (размещены в возрастающем порядке), то

.

Коэффициент вариации определяется по формуле

.

Модой М о вариационного ряда называется вариант, имеющий наибольшую частоту (или относительную частоту).

Медианой М е вариационного ряда называется число, являющееся его серединой. Для дискретного ряда с нечетным числом вариант медиана равна его серединному варианту. Если же число вариант четно, то Медина равна среднему (т.е. полусумме) двух серединных вариант.

К основным статистическим характеристикам ряда измерений (вариацион­ного ряда) относятся характеристики положения(средние характе­ристики, или центральная тенденция выборки); характеристики рассеяния(ва­риации, или колеблемости) и характеристики формыраспределения.

К характеристикам положения относятся среднее арифметическое значе­ние (среднее значение), мода и медиана.

К характеристикам рассеяния (вариации, или колеблемости) относятся: размах вариации, дисперсия, среднее квадратическое (стандартное) отклонение, ошибка средней арифметической (ошибка средней), коэффициент вариации и др.

К характеристикам формы относятся коэффициент асимметрии, мера ско­шенности и эксцесс.

51. Оценка параметров генеральной совокупности. Точечная и интервальная оценка. Доверительный интервал. Уровень значимости

Оценка параметров генеральной совокупности

Существуют точечные и интервальные оценки генеральных параметров.

Точечной одним числом . К таким оценкам относятся, например,

Для того чтобы статистические оценки давали «хорошие» приближения оцениваемых параметров, они должны быть:

несмещенными;

эффективными;

состоятельными.

Оценка называется несмещенной, если математическое ожидание ее выборочного распределения совпадает со значением генерального параметра.

Точечная оценка называется эффективной, если она имеет наименьшую дисперсию выборочного распределения по сравнению с другими аналогичными оценками, т.е. обнаруживает наименьшую случайную вариацию.

Точечная оценка называется состоятельной, если при увеличении объема выборочной совокупности она стремиться к величине генерального параметра.

Например, выборочная средняя есть состоятельная, несмещённая оценка генеральной средней. Для выборки из нормальной генеральной совокупности эта оценка является также и эффективной.

При выборке малого объема точечная оценка может значительно отличаться от оцениваемого параметра, т.е. приводить к грубым ошибкам. По этой причине при небольшом объеме выборки следует пользоваться интервальными оценками.

Интервальной называют оценку, которая определяется двумя числами – концами интервала – доверительного интервала .

Интервальные оценки позволяют установить точность и надежность оценок.

Для оценки генерального параметра с помощью доверительного интервала необходимы три величины:

Например, доверительный интервал для генеральной средней находится по формуле:при уровне значимости.

Доверительный интервал - термин, используемый в математической статистике при интервальной оценке статистических параметров, более предпочтительной при небольшом объёме выборки, чем точечная.

Уровень значимости - это вероятность того, что мы сочли различия существенными, а они на самом деле случайны.

Когда мы указываем, что различия достоверны на 5%-ом уровне значимости, или при р < 0,05 , то мы имеем виду, что вероятность того, что они все-таки недостоверны, составляет 0,05.

Когда мы указываем, что различия достоверны на 1%-ом уровне значимости, или при р < 0,01 , то мы имеем в виду, что вероятность того, что они все-таки недостоверны, составляет 0,01.

Если перевести все это на более формализованный язык, то уровень значимости - это вероятность отклонения нулевой гипотезы, в то время как она верна.

Ошибка, состоящая в той, что мы отклонили нулевую гипотезу, в то время как она верна, называется ошибкой 1 рода. (См. Табл. 1)

Табл. 1. Нулевая и альтернативные гипотезы и возможные состояния проверки.

Вероятность такой ошибки обычно обозначается как α. В сущности, мы должны были бы указывать в скобках не р< 0,05 или р< 0,01, а α< 0,05 или α< 0,01.

Если вероятность ошибки - это α , то вероятность правильного решения: 1-α. Чем меньше α, тем больше вероятность правильного решения.

Исторически сложилось так, что в психологии принято считать низшим уровнем статистической значимости 5%-ый уровень (р≤0,05): достаточным – 1%-ый уровень (р≤0,01) и высшим 0,1%-ый уровень (р≤0,001), поэтому в таблицах критических значений обычно приводятся значения критериев, соответствующих уровням статистической значимости р≤0,05 и р≤0,01, иногда - р≤0,001. Для некоторых критериев в таблицах указан точный уровень значимости их разных эмпирических значений. Например, для φ*=1,56 р=О,06.

До тех пор, однако, пока уровень статистической значимости не достигнет р=0,05, мы еще не имеем права отклонить нулевую гипотезу. Мы будем придерживаться следующего правила отклонения гипотезы об отсутствии различий (Но) и принятия гипотезы о статистической достоверности различий (Н 1).

	Одна из причин проведения статистического анализа заключается в необходимости учитывать влияние на исследуемый показатель случайных факторов (возмущений), которые приводят к разбросу (рассеянию) данных. Решение задач, в которых присутствует разброс данных, связано с риском, поскольку даже при использовании всей доступной информации нельзя точно предугадать, что же произойдет в будущем. Для адекватной работы в таких ситуациях целесообразно понимать природу риска и уметь определять степень рассеяния набора данных. Существуют три числовые характеристики, описывающие меру рассеяния: стандартное отклонение, размах и коэффициент вариации (изменчивости). В отличие от типических показателей (среднее, медиана, мода), характеризующих центр, характеристики рассеяния показывают, насколько близко к этому центру располагаются отдельные значения набора данных
Определение стандартного отклонения	Стандартное отклонение (среднее квадратическое отклонение) является мерой случайных отклонений значений данных от среднего. В реальной жизни большинство данных характеризуется рассеянием, т.е. отдельные значения располагаются на некотором расстоянии от среднего.
	Использовать стандартное отклонение как обобщающую характеристику рассеяния, просто усреднив отклонения данных нельзя, потому что часть отклонений окажется положительной, а другая часть – отрицательной, и, вследствие этого, результат усреднения может оказаться равным нулю. Чтобы избавиться от отрицательного знака, применяют стандартный прием: сначала вычисляют дисперсию как сумму квадратов отклонений, поделенную на (n –1), а затем из полученного значения извлекают квадратный корень. Формула для вычисления стандартного отклонения выглядит следующим образом: Замечание 1. Дисперсия не несет никакой дополнительной информации по сравнению со стандартным отклонением, однако ее сложнее интерпретировать, т. к. она выражается в «единицах в квадрате», в то время как стандартное отклонение выражено в привычных для нас единицах (например, в долларах). Замечание 2. Приведенная выше формула предназначена для расчета стандартного отклонения по выборке и более точно называется выборочное стандартное отклонение . При расчете стандартного отклонения генеральной совокупности (обозначается символом s) производят деление на n . Величина выборочного стандартного отклонения получается несколько больше (т. к. делят на n –1), что обеспечивает поправку на случайность самой выборки. В случае, когда набор данных имеет нормальное распределение, стандартное отклонение приобретает особый смысл. На рисунке, представленном ниже, по обе стороны от среднего сделаны отметки на расстоянии одного, двух и трех стандартных отклонений соответственно. Из рисунка видно, что примерно 66,7% (две трети) всех значений находятся в пределах одного стандартного отклонения по обе стороны от среднего значения, 95% значений окажутся в пределах двух стандартных отклонений от среднего и почти все данные (99,7%) будут находиться в пределах трех стандартных отклонений от среднего значения. 66,7% Это свойство стандартного отклонения для нормально распределенных данных называется «правилом двух третей». В некоторых ситуациях, например при анализе контроля качества продукции, часто устанавливают такие пределы, чтобы в качестве заслуживающей внимание проблемы рассматривались те результаты наблюдений (0,3%), которые отстоят от среднего на расстоянии большем, чем три стандартных отклонения. К сожалению, если данные не подчиняются нормальному распределению, то описанное выше правило применять нельзя. В настоящее время существует ограничение, называемое правилом Чебышева, которое можно применять к ассиметричным (скошенным) распределениям.
Сформировать исходные данные Совокупность СВ	В таблице 1 представлена динамика изменений дневной прибыли на бирже, зафиксированной в рабочие дни за период от 31 июля по 9 октября 1987 года. Таблица 1. Динамика изменения дневной прибыли на бирже Дата Дневная прибыль Дата Дневная прибыль Дата Дневная прибыль -0,006 0,009 0,012 -0,004 -0,015 -0,004 0,008 -0,006 0,002 0,011 0,002 -0,008 -0,001 0,011 -0,010 0,017 0,013 -0,013 0,017 0,002 0,009 -0,004 -0,018 -0,020 0,008 -0,014 -0,003 -0,002 -0,001 -0,001 0,006 -0,001 0,017 -0,017 -0,013 0,001 0,004 0,030 -0,000 0,015 0,007 -0,035 0,001 -0,007 0,001 -0,005 0,001 -0,014
Запустить Excel
Создать файл	Щелкните на кнопке Сохранить на панели инструментов Стандартная. откройте В появившемся диалоговом окне папку Статистика и задайте имя файлу Характеристики рассеяния.xls.
Задать метку	6. На Листе1 в ячейке A1 задайте метку Дневная прибыль, 7. а в диапазон A2:A49 введите данные из Таблицы 1.
Задать функцию СРЕДНЕЕ ЗНАЧЕНИЕ	8. В ячейку D1 введите метку Среднее. В ячейке D2 вычислите среднее, используя статистическую функцию СРЗНАЧ.
Задать функцию СТАНДОТКЛОН	В ячейку D4 введите метку Стандартное отклонение. В ячейке D5 вычислите стандартное отклонение, используя статистическую функцию СТАНДОТКЛОН
Уменьшите разрядность полученного результата до четвертого знака после запятой.
Интерпретация результатов	Снижение дневной прибыли в среднем составило 0,04% (значение средней дневной прибыли получилось равным –0,0004). Это означает, что средняя дневная прибыль за рассматриваемый период времени была приблизительно равна нулю, т.е. на рынке держался средний курс. Стандартное отклонение получилось равным 0,0118. Это означает, что вложенный в фондовый рынок один доллар ($1) за сутки изменялся в среднем на $0,0118, т.е. его вложение могло привести к прибыли или потере в размере $0,0118.
Проверим, соответствуют ли приведенные в Таблице 1 значения дневной прибыли правилам нормального распределения	1. Рассчитайте интервал, соответствующий одному стандартному отклонению по обе стороны от среднего. 2. В ячейках D7, D8 и F8 задайте соответственно метки: Одно стандартное отклонение, Нижняя граница, Верхняя граница. 3. В ячейку D9 введите формулу = -0,0004 – 0,0118, а в ячейку F9 введите формулу = -0,0004 + 0,0118. 4. Получите результат с точностью до четвертого знака после запятой.

5. Определите число значений дневной прибыли, находящихся в пределах одного стандартного отклонения. Сначала отфильтруйте данные, оставив значения дневной прибыли в интервале [-0,0121, 0,0114]. Для этого выделите любую ячейку в столбце A со значениями дневной прибыли и выполните команду:

Данные®Фильтр®Автофильтр

Откройте меню, щелкнув на стрелке в заголовке Дневная прибыль , и выберите (Условие…). В диалоговом окне Пользовательский автофильтр установите параметры как показано ниже. Щелкните на кнопке ОК.

Чтобы подсчитать число отфильтрованных данных, выделите диапазон значений дневной прибыли, щелкните правой кнопкой на свободном месте в строке состояния и в контекстном меню выберите команду Количество значений. Прочтите результат. Теперь отобразите все исходные данные, выполнив команду: Данные®Фильтр®Отобразить все и выключите автофильтр с помощью команды: Данные®Фильтр®Автофильтр.

6. Вычислите процент значений дневной прибыли, удаленных от среднего на расстоянии одного стандартного отклонения. Для этого в ячейку H8 занесите метку Процент , а в ячейке H9 запрограммируйте формулу вычисления процента и получите результат с точностью до одного знака после запятой.

7. Рассчитайте интервал значений дневной прибыли в пределах двух стандартных отклонений от среднего. В ячейках D11, D12 и F12 задайте соответственно метки: Два стандартных отклонения , Нижняя граница , Верхняя граница . В ячейки D13 и F13 введите расчетные формулы и получите результат с точностью до четвертого знака после запятой.

8. Определите число значений дневной прибыли, находящихся в пределах двух стандартных отклонений, предварительно отфильтровав данные.

9. Вычислите процент значений дневной прибыли, удаленных от среднего на расстоянии двух стандартных отклонений. Для этого в ячейку H12 занесите метку Процент , а в ячейке H13 запрограммируйте формулу вычисления процента и получите результат с точностью до одного знака после запятой.

10. Рассчитайте интервал значений дневной прибыли в пределах трех стандартных отклонений от среднего. В ячейках D15, D16 и F16 задайте соответственно метки: Три стандартных отклонения , Нижняя граница , Верхняя граница . В ячейки D17 и F17 введите расчетные формулы и получите результат с точностью до четвертого знака после запятой.

11. Определите число значений дневной прибыли, находящихся в пределах трех стандартных отклонений, предварительно отфильтровав данные. Вычислите процент значений дневной прибыли. Для этого в ячейку H16 занесите метку Процент , а в ячейке H17 запрограммируйте формулу вычисления процента и получите результат с точностью до одного знака после запятой.

13. Постройте гистограмму дневной прибыли акций на бирже и поместите ее вместе с таблицей распределения частот в области J1:S20. Покажите на гистограмме приблизительно среднее значение и интервалы, соответствующие одному, двум и трем стандартным отклонениям от среднего соответственно.