No Image

Стандартное отклонение случайной величины это

СОДЕРЖАНИЕ
2 просмотров
10 марта 2020

Наиболее совершенной характеристикой вариации является среднее квадратическое откложение, которое называют стандартом (или стандартным отклонение). Среднее квадратическое отклонение ( ) равно квадратному корню из среднего квадрата отклонений отдельных значений признака от средней арифметической:

Среднее квадратическое отклонение простое:

Среднее квадратическое отклонение взвешенное применяется для сгруппированных данных:

Между средним квадратическим и средним линейным отклонениями в условиях нормального распределения имеет место следующее соотношение:

Среднее квадратическое отклонение, являясь основной абсолютной мерой вариации, используется при определении значений ординат кривой нормального распределения, в расчетах, связанных с организацией выборочного наблюдения и установлением точности выборочных характеристик, а также при оценке границ вариации признака в однородной совокупности.

Дисперсия, ее виды, среднеквадратическое отклонение.

Дисперсия случайной величины — мера разброса данной случайной величины, т. е. её отклонения отматематического ожидания. В статистике часто употребляется обозначение или . Квадратный корень из дисперсии называется среднеквадратичным отклонением, стандартным отклонением или стандартным разбросом.

Общая дисперсия (σ 2 ) измеряет вариацию признака во всей совокупности под влиянием всех факторов, обусловивших эту вариацию. Вместе с тем, благодаря методу группировок можно выделить и измерить вариацию, обусловленную группировочным признаком, и вариацию, возникающую под влиянием неучтенных факторов.

Межгрупповая дисперсия (σ 2 м.гр) характеризует систематическую вариацию, т. е. различия в величине изучаемого признака, возникающие под влиянием признака – фактора, положенного в основание группировки.

Среднеквадратическое отклонение (синонимы: среднее квадратическое отклонение, среднеквадратичное отклонение, квадратичное отклонение; близкие термины: стандартное отклонение, стандартный разброс) — в теории вероятностей и статистике наиболее распространённый показатель рассеивания значений случайной величиныотносительно её математического ожидания. При ограниченных массивах выборок значений вместо математического ожидания используется среднее арифметическоесовокупности выборок.

Среднеквадратическое отклонение измеряется в единицах измерения самой случайной величины и используется при расчёте стандартной ошибки среднего арифметического, при построении доверительных интервалов, при статистической проверке гипотез, при измерении линейной взаимосвязи между случайными величинами. Определяется какквадратный корень из дисперсии случайной величины.

Среднеквадратическое отклонение:

Стандартное отклонение (оценка среднеквадратического отклонения случайной величины x относительно её математического ожидания на основе несмещённой оценки её дисперсии):

где — дисперсия; i-й элемент выборки; — объём выборки; — среднее арифметическое выборки:

Следует отметить, что обе оценки являются смещёнными. В общем случае несмещённую оценку построить невозможно. Однако оценка на основе оценки несмещённой дисперсии является состоятельной.

Сущность, область применения и порядок определения моды и медианы.

Кроме степенных средних в статистике для относительной характеристики величины варьирующего признака и внутреннего строения рядов распределения пользуются структурными средними, которые представлены ,в основном, модой и медианой.

Мода — это наиболее часто встречающийся вариант ряда. Мода применяется, например, при определении размера одежды, обуви, пользующейся наибольшим спросом у покупателей. Модой для дискретного ряда является варианта, обладающая наибольшей частотой. При вычислении моды для интервального вариационного ряда необходимо сначала определить модальный интервал (по максимальной частоте), а затем — значение модальной величины признака по формуле:

где:

— значение моды

— нижняя граница модального интервала

— величина интервала

— частота модального интервала

— частота интервала, предшествующего модальному

— частота интервала, следующего за модальным

Медиана — это значение признака, которое лежит в основе ранжированного ряда и делит этот ряд на две равные по численности части.

Для определения медианы в дискретном ряду при наличии частот сначала вычисляют полусумму частот , а затем определяют, какое значение варианта приходится на нее. (Если отсортированный ряд содержит нечетное число признаков, то номер медианы вычисляют по формуле:

Ме = (n(число признаков в совокупности) + 1)/2,

в случае четного числа признаков медиана будет равна средней из двух признаков находящихся в середине ряда).

При вычислении медианы для интервального вариационного ряда сначала определяют медианный интервал, в пределах которого находится медиана, а затем — значение медианы по формуле:

где:

— искомая медиана

— нижняя граница интервала, который содержит медиану

— величина интервала

— сумма частот или число членов ряда

— сумма накопленных частот интервалов, предшествующих медианному

— частота медианного интервала

Пример. Найти моду и медиану.

Возрастные группы Число студентов Сумма накопленных частот ΣS
До 20 лет
20 — 25
25 — 30
30 — 35
35 — 40
40 — 45
45 лет и более
Итого

Решение:
В данном примере модальный интервал находится в пределах возрастной группы 25-30 лет, так как на этот интервал приходится наибольшая частота (1054).

Рассчитаем величину моды:

Это значит что модальный возраст студентов равен 27 годам.

Вычислим медиану. Медианный интервал находится в возрастной группе 25-30 лет, так как в пределах этого интервала расположена варианта, которая делит совокупность на две равные части (Σfi/2 = 3462/2 = 1731). Далее подставляем в формулу необходимые числовые данные и получаем значение медианы:

Это значит что одна половина студентов имеет возраст до 27,4 года, а другая свыше 27,4 года.

Кроме моды и медианы могут быть использованы такие показатели, как квартили, делящие ранжированный ряд на 4 равные части, децили — 10 частей и перцентили — на 100 частей.

Понятие выборочного наблюдения и область его применения.

Выборочное наблюдение применяется, когда применение сплошного наблюдения физически невозможно из-за большого массива данных или экономически нецелесообразно. Физическая невозможность имеет место, например, при изучении пассажиропотоков, рыночных цен, семейных бюджетов. Экономическая нецелесообразность имеет место при оценке качества товаров, связанной с их уничтожением, например, дегустация, испытание кирпичей на прочность и т.п.

Статистические единицы, отобранные для наблюдения, составляют выборочную совокупность или выборку, а весь их массив — генеральную совокупность (ГС). При этом числоединиц ввыборке обозначают n, а во всей ГС — N. Отношение n/N называется относительныйразмер или долявыборки.

Качество результатов выборочного наблюдения зависит от репрезентативности выборки, то есть от того, насколько она представительна в ГС. Для обеспечения репрезентативности выборки необходимо соблюдать принцип случайности отбора единиц, который предполагает, что на включение единицы ГС в выборку не может повлиять какой-либо иной фактор кроме случая.

Существует 4 способа случайного отбора в выборку:

  1. Собственно случайный отбор или «метод лото», когда статистическим величинам присваиваются порядковые номера, заносимые на определенные предметы (например, бочонки), которые затем перемешиваются в некоторой емкости (например, в мешке) и выбираются наугад. На практике этот способ осуществляют с помощью генератора случайных чисел или математических таблиц случайных чисел.
  2. Механический отбор, согласно которому отбирается каждая (N/n)-я величина генеральной совокупности. Например, если она содержит 100 000 величин, а требуется выбрать 1 000, то в выборку попадет каждая 100 000 / 1000 = 100-я величина. Причем, если они не ранжированы, то первая выбирается наугад из первой сотни, а номера других будут на сотню больше. Например, если первой оказалась единица № 19, то следующей должна быть № 119, затем № 219, затем № 319 и т.д. Если единицы генеральной совокупности ранжированы, то первой выбирается № 50, затем № 150, затем № 250 и так далее.
  3. Отбор величин из неоднородного массива данных ведется стратифицированным (расслоенным) способом, когда генеральная совокупность предварительно разбивается на однородные группы, к которым применяется случайный или механический отбор.
  4. Особый способ составления выборки представляет собой серийный отбор, при котором случайно или механически выбирают не отдельные величины, а их серии (последовательности с какого-то номера по какой-то подряд), внутри которых ведут сплошное наблюдение.
Читайте также:  Чайник xiaomi smart kettle bluetooth отзывы

Качество выборочных наблюдений зависит и от типа выборки: повторная или бесповторная.

При повторном отборе попавшие в выборку статистические величины или их серии после использования возвращаются в генеральную совокупность, имея шанс попасть в новую выборку. При этом у всех величин генеральной совокупности одинаковая вероятность включения в выборку.

Бесповторный отбор означает, что попавшие в выборку статистические величины или их серии после использования не возвращаются в генеральную совокупность, а потому для остальных величин последней повышается вероятность попадания в следующую выборку.

Бесповторный отбор дает более точные результаты, поэтому применяется чаще. Но есть ситуации, когда его применить нельзя (изучение пассажиропотоков, потребительского спроса и т.п.) и тогда ведется повторный отбор.

Предельная ошибка выборки наблюдения, средняя ошибка выборки, порядок их расчета.

Рассмотрим подробно перечисленные выше способы формирования выборочной совокупности и возникающие при этом ошибки репрезентативности.
Собственно-случайная выборка основывается на отборе единиц из генеральной совокупности наугад без каких-либо элементов системности. Технически собственно-случайный отбор проводят методом жеребьевки (например, розыгрыши лотерей) или по таблице случайных чисел.

Собственно-случайный отбор «в чистом виде» в практике выборочного наблюдения применяется редко, но он является исходным среди других видов отбора, в нем реализуются основные принципы выборочного наблюдения. Рассмотрим некоторые вопросы теории выборочного метода и формулы ошибок для простой случайной выборки.

Ошибка выборочного наблюдения – это разность между величиной параметра в генеральной совокупности, и его величиной, вычисленной по результатам выборочного наблюдения. Для средней количественного признака ошибка выборки определяется


Показатель называется предельной ошибкой выборки.
Выборочная средняя является случайной величиной, которая может принимать различные значения в зависимости от того, какие единицы попали в выборку. Следовательно, ошибки выборки также являются случайными величинами и могут принимать различные значения. Поэтому определяют среднюю из возможных ошибок – среднюю ошибку выборки , которая зависит от:

— объема выборки: чем больше численность, тем меньше величина средней ошибки;

— степени изменения изучаемого признака: чем меньше вариация признака, а, следовательно, и дисперсия, тем меньше средняя ошибка выборки.

При случайном повторном отборе средняя ошибка рассчитывается:
.
Практически генеральная дисперсия точно не известна, но в теории вероятности доказано, что
.
Так как величина при достаточно больших n близка к 1, можно считать, что . Тогда средняя ошибка выборки может быть рассчитана:
.
Но в случаях малой выборки (при n 0 или равномерное падение при b1 1 или замедляющееся падение при b1

Гипербола Замедляющееся падение при b1 > 0 или замедляющийся рост при b1

Не нашли то, что искали? Воспользуйтесь поиском:

Лучшие изречения: Да какие ж вы математики, если запаролиться нормально не можете. 8556 — | 7410 — или читать все.

Из предыдущей статьи мы узнали о таких показателях, как размах вариации, межквартильный размах и среднее линейное отклонение. В этой статье изучим дисперсию, среднеквадратичное отклонение и коэффициент вариации.

Дисперсия

Дисперсия случайной величины – это один из основных показателей в статистике. Он отражает меру разброса данных вокруг средней арифметической.

Сейчас небольшой экскурс в теорию вероятностей, которая лежит в основе математической статистики. Как и матожидание, дисперсия является важной характеристикой случайной величины. Если матожидание отражает центр случайной величины, то дисперсия дает характеристику разброса данных вокруг центра.

Формула дисперсии в теории вероятностей имеет вид:

То есть дисперсия — это математическое ожидание отклонений от математического ожидания.

На практике при анализе выборок математическое ожидание, как правило, не известно. Поэтому вместо него используют оценку – среднее арифметическое. Расчет дисперсии производят по формуле:

s 2 – выборочная дисперсия, рассчитанная по данным наблюдений,

X – отдельные значения,

– среднее арифметическое по выборке.

Стоит отметить, что у такого расчета дисперсии есть недостаток – она получается смещенной, т.е. ее математическое ожидание не равно истинному значению дисперсии. Подробней об этом здесь. Однако при увеличении объема выборки она все-таки приближается к своему теоретическому аналогу, т.е. является асимптотически не смещенной.

Простыми словами дисперсия – это средний квадрат отклонений. То есть вначале рассчитывается среднее значение, затем берется разница между каждым исходным и средним значением, возводится в квадрат, складывается и затем делится на количество значений в данной совокупности. Разница между отдельным значением и средней отражает меру отклонения. В квадрат возводится для того, чтобы все отклонения стали исключительно положительными числами и чтобы избежать взаимоуничтожения положительных и отрицательных отклонений при их суммировании. Затем, имея квадраты отклонений, просто рассчитываем среднюю арифметическую. Средний – квадрат – отклонений. Отклонения возводятся в квадрат, и считается средняя. Теперь вы знаете, как найти дисперсию.

Расчет дисперсии в Excel

Генеральную и выборочную дисперсии легко рассчитать в Excel. Есть специальные функции: ДИСП.Г и ДИСП.В соответственно.

В чистом виде дисперсия не используется. Это вспомогательный показатель, который нужен в других расчетах. Например, в проверке статистических гипотез или расчете коэффициентов корреляции. Отсюда неплохо бы знать математические свойства дисперсии.

Свойства дисперсии

Свойство 1. Дисперсия постоянной величины A равна (нулю).

Свойство 2. Если случайную величину умножить на постоянную А, то дисперсия этой случайной величины увеличится в А 2 раз. Другими словами, постоянный множитель можно вынести за знак дисперсии, возведя его в квадрат.

Читайте также:  Как вернуть неиспользованный билет ржд

Свойство 3. Если к случайной величине добавить (или отнять) постоянную А, то дисперсия останется неизменной.

Свойство 4. Если случайные величины X и Y независимы, то дисперсия их суммы равна сумме их дисперсий.

Свойство 5. Если случайные величины X и Y независимы, то дисперсия их разницы также равна сумме дисперсий.

Среднеквадратичное (стандартное) отклонение

Если из дисперсии извлечь квадратный корень, получится среднеквадратичное (стандартное) отклонение (сокращенно СКО). Встречается название среднее квадратичное отклонение и сигма (от названия греческой буквы). Общая формула стандартного отклонения в математике следующая:

На практике формула стандартного отклонения следующая:

Как и с дисперсией, есть и немного другой вариант расчета. Но с ростом выборки разница исчезает.

Расчет cреднеквадратичного (стандартного) отклонения в Excel

Для расчета стандартного отклонения достаточно из дисперсии извлечь квадратный корень. Но в Excel есть и готовые функции: СТАНДОТКЛОН.Г и СТАНДОТКЛОН.В (по генеральной и выборочной совокупности соответственно).

Среднеквадратичное отклонение имеет те же единицы измерения, что и анализируемый показатель, поэтому является сопоставимым с исходными данными.

Коэффициент вариации

Значение стандартного отклонения зависит от масштаба самих данных, что не позволяет сравнивать вариабельность разных выборках. Чтобы устранить влияние масштаба, необходимо рассчитать коэффициент вариации по формуле:

По нему можно сравнивать однородность явлений даже с разным масштабом данных. В статистике принято, что, если значение коэффициента вариации менее 33%, то совокупность считается однородной, если больше 33%, то – неоднородной. В реальности, если коэффициент вариации превышает 33%, то специально ничего делать по этому поводу не нужно. Это информация для общего представления. В общем коэффициент вариации используют для оценки относительного разброса данных в выборке.

Расчет коэффициента вариации в Excel

Расчет коэффициента вариации в Excel также производится делением стандартного отклонения на среднее арифметическое:

Коэффициент вариации обычно выражается в процентах, поэтому ячейке с формулой можно присвоить процентный формат:

Коэффициент осцилляции

Еще один показатель разброса данных на сегодня – коэффициент осцилляции. Это соотношение размаха вариации (разницы между максимальным и минимальным значением) к средней. Готовой формулы Excel нет, поэтому придется скомпоновать три функции: МАКС, МИН, СРЗНАЧ.

Коэффициент осцилляции показывает степень размаха вариации относительно средней, что также можно использовать для сравнения различных наборов данных.

Таким образом, в статистическом анализе существует система показателей, отражающих разброс или однородность данных.

Ниже видео о том, как посчитать коэффициент вариации, дисперсию, стандартное (среднеквадратичное) отклонение и другие показатели вариации в Excel.

Стандартное отклонение случайной величины

Математическое ожидание, дисперсия и стандартное отклонение случайной величины х, подчиняющейся закону логнормального распределения, вычисляется по следующей формуле [c.198]

Например, если альфа равняется 1,5 и бета — 0,8, то с помощью равенства (17.8) величина случайной ошибки е вычисляется для всех 16 кварталов. С помощью этих 16 значений можно вычислить стандартное отклонение случайной ошибки, просуммировав их квадраты и разделив сумму на 14 (16—2). Стандартное отклонение случайной ошибки будет равно квадратному корню из этого числа. Однако полученный результат будет больше, чем 6,67%, что составляет стандартное отклонение случайной ошибки для прямой наилучшего приближения, т.е. прямой, для которой альфа равна 0,79, а бета — 0,63. [c.512]

Стандартное отключение случайной величины о — мера разброса случайной величины вокруг среднего значения, имеющая размерность данной случайной величины Если случайная величина измеряется в , то величина а измеряет ее разброс вокруг среднего также в Стандартное отклонение — это среднее квадратическое разброса случайной величины, или квадратный корень из ее дисперсии [c.264]

Иными словами, дисперсия — это усредненное отклонение случайной величины от ее математического ожидания. Стандартное отклонение показывает меру отклонения измеряемой величины от своего среднего значения в тех же единицах, что и она сама (не в квадратах, как дисперсия). [c.7]

Функции случайных величин — это функции, значениями которых являются случайные величины. Для оценки ожидаемых результатов и рисков достаточно определить их числовые характеристики как математическое ожидание, дисперсию, стандартное квадратичное отклонение и коэффициент вариации. Если функция не является случайной и может быть задана аналитически или иным путем, например в форме таблиц, то ее числовые характеристики могут быть легко определены по значениям числовых характеристик входящих в ее состав случайных величин. [c.45]

Второй аспект финансового риска — относительный разброс дохода держателей обыкновенных акций. Допустим, оценки ожидаемого дохода от основной деятельности на ближайшие 5 лет для фирм А и В есть субъективные случайные величины, ожидаемое значение распределения вероятностей будет 80 000 дол. для каждой, а стандартные отклонения равно 40 000 дол. Как и в предыдущем примере, предположим, что фирма А не имеет задолженности, а фирма В выпустила на 200 000 дол. 15-процентных облигаций. Если для простоты пренебречь федеральными налогами, то ожидаемый доход акционеров фирмы А составит 80 000 дол., а фирмы В — 50 000 дол. Поскольку величина стандартного отклонения одинакова для обеих фирм, относительная дисперсия ожидаемых доходов фирмы В больше, чем фирмы А. Коэффициент вариации для фирмы А есть стандартное отклонение, деленное на ожидаемую величину дохода [c.450]

Количественную сравнительную оценку риска нескольких проектов (или нескольких вариантов одного проекта) можно провести с использованием показателей дисперсии и среднеквадратичного (стандартного) отклонения. Если проекты имеют несколько возможных исходов, то дисперсия характеризует степень рассеянности случайной величины (например, чистой текущей стоимости) вокруг своего среднего значения (математического ожидания). [c.275]

Средним квадратическим отклонением (стандартным отклонением или стандартом) ах случайной величины X называется арифметическое значение корня квадратного из ее дисперсии [c.28]

Необходимо а) найти математическое ожидание М(Х), дисперсию D(X) и среднее квадратическое (стандартное) отклонение ст случайной величины X 6) определить функцию распределения Дх) и построить ее график. [c.48]

В результате анализа, проведенного методом Монте-Карло, эксперт получает значение ожидаемой чистой приведенной стоимости проекта и плотность распределения этой случайной величины. Однако этих данных недостаточно для того, чтобы аналитик установил, действительно ли прибыльность проекта настолько велика, что компенсирует риск по проекту, оцененный стандартным отклонением и коэффициентом вариации. Ряд исследователей избегает использования данного метода ввиду сложности построения вероятностной модели и множества вычислений, однако при корректности модели метод дает весьма надежные результаты, позволяющие судить как о доходности проекта, так и о его устойчивости (чувствительности). [c.252]

Читайте также:  Почему не могу отправить смс с айфона

Например, мы знаем, что центрированная нормально распределенная случайная величина с вероятностью 0,9772 не превышает двух стандартных отклонений, а с вероятностью 0,9986 — трех стандартных отклонений. Если один из сценариев спектра состоит в том, что нормально распределенная случайная величина попадает в пределы от +2 до +3 стандартных отклонений, то мы знаем, что вероятность этого сценария равна 0,0214 (0,9986 -0,9772). Значит, мы можем определять совместные вероятности для непрерывных распределений. Кроме того, мы можем сделать сценарий таким маленьким, как нам нужно. В упомянутом ранее примере мы можем использовать сценарий, который состоит в том, что нормально распределенная случайная величина попадает в пределы от +2 до +2,1 стандартных отклонений, или между +2 и +2,000001 стандартных отклонений. [c.164]

При построении данного индикатора рассчитывается не только среднее, но и стандартное отклонение этой же последовательности цен закрытия. Стандартное отклонение — мера разброса случайных величин от среднего значения, которая равна квадратному корню из дисперсии. Затем проводятся три линии среднее и две границы, которые отстоят от него на величину стандартного отклонения или удвоенного значения стандартного отклонения (см. рис. 7—4). [c.149]

Напомним, кроме того, что стандартное отклонение величины, которая включает детерминированную и случайную составляющую, определяется с помощью регрессионного анализа как среднеквадратичное отклонение от ожидаемого значения. [c.120]

Предположим, что пополнение запасов производится регулярно. Интервал между двумя последовательными поставками примем за единицу времени. Потребность в ресурсах в единицу времени будем считать случайной величиной, принимающей значения ос + р и а—р с равной вероятностью 0,5. Очевидно, что ос есть средняя потребность в ресурсах за единицу времени, а р — стандартное отклонение потребности за тот же период времени. Размер поставки считаем равным средней потребности а. Через г обозначим страховой запас. Принимаем 0 р дефицит отсутствует). Использование запасов в обоих случаях показано на рис. 18.7. Очевидно,что [c.441]

Точность анализа характеризуется величиной его случайной ошибки (стандартным отклонением результатов в серии повторных определений). [c.63]

В качестве методов передачи информации о размере единиц (ю названия заключаются в овальные рамки на схеме, показанной на рис. 56) используются методы непосредственного сличения (т. е. сличения меры с мерой или показаний двух приборов без применения специальных технических средств), сличения с помощью компаратора и т. п. Результат сличения является случайной величиной. Для того, чтобы после определения поправки рассеянием результата сличения можно было пренебречь, его стандартное отклонение, согласно критерию (10), должно быть как минимум в три раза меньше стандартного отклонения, характеризующего точность средства, находящегося в нижнем поле на рис. 56. Запас по точности эталона в 10. .. 30 раз позволяет иметь две ступени передачи, запас в 30. .. 100 раз — три ступени и т. д. При определении числа ступеней, необходимого количества рабочих эталонов и других средств передачи информации о размере единиц учитываются номенклатура, численность и размещение средств измерений в стране, производительность эталонов и средств передачи информации о размере единиц, организационные, производственные, экономические возможности и много другое, так что на практике указанные соотношения не играют определяющей роли. [c.142]

Мера риска. Стандартное отклонение случайной величины характеризует ее изменчивость и служит для построения характеристик, распределяющих меру риска принятия решений, основанных на информации о случайных величинах. Относительная мера риска оценивается коэффициентом вариации10 [c.44]

Ожидаемым значением случайной переменной является, по существу ее среднее значение. Таким образом, ожидаемое значение доходности портфеля может быть представлено как его ожидаемая или средняя доходность. Стандартное отклонение случайной величины является мерой разброса возможных значений, которые может принимать случайная величина. Соответственно стандартное отклонение портфеля является мерой разброса возможной доходности, которая может быть получена от портфеля. Иногда вместо стандартного отклонения используют дисперсию как меру разброса (varian e). Однако поскольку дисперсией случайной переменной является просто значение ее стандартного отклонения, возведенное в квадрат, различие здесь не является важным. Далее эта концепция будет рассмотрена более детально. [c.192]

По размеру единицы, воспроизводимому государственным эталоном, устанавливаются значения физических величин, воспроизводимые вторичными эталонами. Среди вторичных эталонов различают эталоны-свидетели, предназначенные для проверки сохранности государственного эталона и и замены его в случае порчи или утраты эталоны сравнения, применяемые для сличения эталонов, которые по тем или иным причинам не могут быть непосредственно сличимы друг с другом, и эталоны-копии, используемые для передачи информации о размере единицы рабочим эталонам (рабочим называется эталон, от которого непосредственно получают информацию о размере единицы нижестоящие по схеме технические средства). Наименования эталонов с указанием стандартного отклонения случайного результата воспроизведения ими единицы физической величины, заключенные в прямоугольные рамки, размещаются в верхней части схемы, в так называемом поле эталонов. [c.141]

Использование показателей дисперсии и среднего квадратиче-ского (стандартного) отклонения позволяет количественно оценить риск нескольких проектов (или нескольких вариантов одного проекта). В тех случаях, когда проекты имеют несколько возможных исходов, дисперсия характеризует степень рассеивания случайной величины (например, чистого дисконтированного дохода) вокруг своего среднего значения (математического ожидания). [c.207]

По теории вероятностей если от среднего значения отложить в обе стороны отрезки величиной со стандартное отклонение, то в этот промежуток попадет не менее 68.26% значений случайной величины. Если же отложить от среднего отрезки величиной в два стандартных отклонения, то в такой промежуток попадет не менее 95.44% значений. Если же отложить отрезки величиной в три стандартных отклонения, то в такой промежуток попадет более 99.73% значений. Эти утверждения верны для совокупности случайных величин, которые близки по своему характеру к нормальному распределению. Ценовые колебания на FOREX, по-видимому, можно рассматривать как подчиненные закону распределения близкого к нормальному (см. 2.6). Вернемся к границам Боллингера. Так как по статистике в построенную полосу должна попасть большая часть цен. легко придать смысл эгим границам. [c.149]

Standard Deviation — стандартное отклонение. Величина отклонения возможных исходов от ожидаемого значения случайной величины. [c.993]

КОЭФФИЦИЕНТ ВАРИАЦИИ СЛУЧАЙНОЙ ВЕЛИЧИНЫ [variation oeffi ient] — мера относительного разброса случайной величины показывает, какую долю среднего значения этой величины составляет ее средний разброс. Вычисляется по формуле квадратный корень из дисперсии случайной величины (стандартное отклонение), деленный на ее математическое ожидание [c.157]

Комментировать
2 просмотров
Комментариев нет, будьте первым кто его оставит

Это интересно
Adblock detector