Statistični modul v Pythonu nudi funkcijo, znano kot stdev() , ki se lahko uporabi za izračun standardnega odklona. Funkcija stdev() izračuna samo standardni odklon iz vzorca podatkov in ne celotne populacije.
Za izračun standardnega odklona celotne populacije je druga funkcija znana kot pstdev() se uporablja.
Standardni odklon je merilo širjenja v statistiki. Uporablja se za količinsko opredelitev mere širjenja, variacije nabora vrednosti podatkov. Je zelo podobna varianci, podaja mero odstopanja, medtem ko varianca zagotavlja kvadratno vrednost.
Nizka mera standardnega odklona kaže, da so podatki manj razpršeni, medtem ko visoka vrednost standardnega odklona kaže, da so podatki v nizu razpršeni od svojih srednjih povprečnih vrednosti. Uporabna lastnost standardne deviacije je, da je za razliko od variance izražena v istih enotah kot podatki.
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.>
Sintaksa: stdev([nabor podatkov], xbar)
Parametri:
[podatki] : Iterable z realnimi števili.
xbar (Neobvezno) : Za vrednost vzame dejansko povprečje nabora podatkov.
Vrsta vrnitve: Vrne dejansko standardno odstopanje vrednosti, posredovanih kot parameter.
Izjeme:
StatisticsError se dvigne za nabor podatkov, ki imata manj kot 2 vrednosti, podani kot parameter.
Nemogoče/nenatančne vrednosti ko je navedena vrednost kot xbar se ne ujema z dejanskim povprečjem nabora podatkov.
Koda #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)))> |
>
>
Izhod:
Standard Deviation of the sample is 1.5811388300841898>
Koda #2: Predstavite stdev() na različnih vrstah podatkov
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)))> |
>
>
Izhod:
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>
Koda #3: Pokažite razliko med rezultati variance() in 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)))> |
>
>
Izhod:
Standard Deviation of the sample is 1.5811388300841898 Variance of the sample is 2.5>
Koda #4: Pokažite uporabo 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)))> |
>
>
Izhod:
Standard Deviation of Sample set is 0.6047037842337906>
Koda #5: Prikazuje 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))> |
>
>
Izhod:
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> Aplikacije:
- Standardni odklon je zelo pomemben na področju statistične matematike in statističnih študij. Običajno se uporablja za merjenje zaupanja v statistične izračune. Na primer, meja napake pri izračunu ocen izpita se določi z izračunom pričakovanega standardnega odklona v rezultatih, če bi se isti izpit izvajal večkrat.
- Zelo uporaben je na področju finančnih študij, pomaga pa tudi pri določanju stopnje dobička in izgube. Pomemben je tudi standardni odklon, kjer je standardni odklon stopnje donosa naložbe merilo nestanovitnosti naložbe.