Statistikmodul i Python giver en funktion kendt som stdev() , som kan bruges til at beregne standardafvigelsen. Funktionen stdev() beregner kun standardafvigelse fra en stikprøve af data, snarere end en hel population.
For at beregne standardafvigelsen for en hel population, en anden funktion kendt som pstdev() anvendes.
Standardafvigelse er et mål for spredning i Statistik. Det bruges til at kvantificere målet for spredning, variation af et sæt dataværdier. Det minder meget om varians, giver mål for afvigelse, mens varians giver den kvadrerede værdi.
Et lavt mål for standardafvigelse indikerer, at dataene er mindre spredte, hvorimod en høj værdi af standardafvigelse viser, at dataene i et sæt er spredt ud over deres middelgennemsnitsværdier. En nyttig egenskab ved standardafvigelsen er, at den i modsætning til variansen udtrykkes i de samme enheder som dataene.
Standard Deviation is calculated by : where x1, x2, x3.....xn are observed values in sample data, is the mean value of observations andN is the number of sample observations.>
Syntaks: stdev( [datasæt], xbar )
Parametre:
[data] : En iterabel med reelle værdier.
xbar (Valgfri) : Tager det faktiske gennemsnit af datasæt som værdi.
Returtype: Returnerer den faktiske standardafvigelse for de værdier, der sendes som parameter.
Undtagelser:
Statistikfejl hæves for datasæt, der er mindre end 2 værdier, der sendes som parameter.
Umulige/præcisionsløse værdier når værdien angivet som xbar stemmer ikke overens med det faktiske gennemsnit af datasættet.
Kode #1:
Python3
# Python code to demonstrate stdev() function> # importing Statistics module> import> statistics> # creating a simple data - set> sample>=> [>1>,>2>,>3>,>4>,>5>]> # Prints standard deviation> # xbar is set to default value of 1> print>(>'Standard Deviation of sample is % s '> >%> (statistics.stdev(sample)))> |
>
>
Output:
Standard Deviation of the sample is 1.5811388300841898>
Kode #2: Demonstrer stdev() på et varierende sæt datatyper
Python3
# Python code to demonstrate stdev()> # function on various range of datasets> # importing the statistics module> from> statistics>import> stdev> # importing fractions as parameter values> from> fractions>import> Fraction as fr> # creating a varying range of sample sets> # numbers are spread apart but not very much> sample1>=> (>1>,>2>,>5>,>4>,>8>,>9>,>12>)> # tuple of a set of negative integers> sample2>=> (>->2>,>->4>,>->3>,>->1>,>->5>,>->6>)> # tuple of a set of positive and negative numbers> # data-points are spread apart considerably> sample3>=> (>->9>,>->1>,>->0>,>2>,>1>,>3>,>4>,>19>)> # tuple of a set of floating point values> sample4>=> (>1.23>,>1.45>,>2.1>,>2.2>,>1.9>)> # Print the standard deviation of> # following sample sets of observations> print>(>'The Standard Deviation of Sample1 is % s'> >%>(stdev(sample1)))> > print>(>'The Standard Deviation of Sample2 is % s'> >%>(stdev(sample2)))> > print>(>'The Standard Deviation of Sample3 is % s'> >%>(stdev(sample3)))> > > print>(>'The Standard Deviation of Sample4 is % s'> >%>(stdev(sample4)))> |
>
>
Output:
The Standard Deviation of Sample1 is 3.9761191895520196 The Standard Deviation of Sample2 is 1.8708286933869707 The Standard Deviation of Sample3 is 7.8182478855559445 The Standard Deviation of Sample4 is 0.41967844833872525>
Kode #3: Demonstrer forskellen mellem resultater af varians() og stdev()
Python3
# Python code to demonstrate difference> # in results of stdev() and variance()> # importing Statistics module> import> statistics> # creating a simple data-set> sample>=> [>1>,>2>,>3>,>4>,>5>]> # Printing standard deviation> # xbar is set to default value of 1> print>(>'Standard Deviation of the sample is % s '> >%>(statistics.stdev(sample)))> # variance is approximately the> # squared result of what stdev is> print>(>'Variance of the sample is % s'> >%>(statistics.variance(sample)))> |
>
>
Output:
Standard Deviation of the sample is 1.5811388300841898 Variance of the sample is 2.5>
Kode #4: Demonstrere brugen af xbar parameter
Python3
# Python code to demonstrate use of xbar> # parameter while using stdev() function> # Importing statistics module> import> statistics> # creating a sample list> sample>=> (>1>,>1.3>,>1.2>,>1.9>,>2.5>,>2.2>)> # calculating the mean of sample set> m>=> statistics.mean(sample)> # xbar is nothing but stores> # the mean of the sample set> # calculating the variance of sample set> print>(>'Standard Deviation of Sample set is % s'> >%>(statistics.stdev(sample, xbar>=> m)))> |
>
>
Output:
Standard Deviation of Sample set is 0.6047037842337906>
Kode #5: Demonstrerer StatisticsError
Python3
# Python code to demonstrate StatisticsError> # importing the statistics module> import> statistics> # creating a data-set with one element> sample>=> [>1>]> # will raise StatisticsError> print>(statistics.stdev(sample))> |
>
>
Output:
Traceback (most recent call last): File '/home/f921f9269b061f1cc4e5fc74abf6ce10.py', line 12, in print(statistics.stdev(sample)) File '/usr/lib/python3.5/statistics.py', line 617, in stdev var = variance(data, xbar) File '/usr/lib/python3.5/statistics.py', line 555, in variance raise StatisticsError('variance requires at least two data points') statistics.StatisticsError: variance requires at least two data points> Ansøgninger:
- Standardafvigelse er yderst vigtigt inden for statistisk matematik og statistisk undersøgelse. Det bruges almindeligvis til at måle tillid i statistiske beregninger. For eksempel bestemmes fejlmarginen ved beregning af karakterer for en eksamen ved at beregne den forventede standardafvigelse i resultaterne, hvis den samme eksamen skulle gennemføres flere gange.
- Det er meget nyttigt inden for finansielle undersøgelser, såvel som det hjælper med at bestemme overskuds- og tabsmarginen. Standardafvigelsen er også vigtig, hvor standardafvigelsen på afkastet af en investering er et mål for investeringens volatilitet.