Каждый человек в современном мире, планируя взять кредит или делая запасы овощей на зиму, периодически сталкивает с таким понятием, как «средняя величина». Давайте узнаем: что это такое, какие ее виды и классы существуют и зачем она применяется в статистике и других дисциплинах.
Средняя величина - это что такое?
Подобное название (СВ) носит обобщенная характеристика совокупности однородных явлений, определяемая по какому-либо одному количественному варьируемому признаку.
Однако люди далекие, от столь заумных определений, понимают это понятие, как среднее количество чего-то. Например, прежде чем взять кредит, сотрудник банка обязательно попросит потенциального клиента предоставить данные о среднем доходе за год, то есть общую сумму зарабатываемых человеком средств. Она вычисляется путем суммирования заработанного за весь год и разделения на количество месяцев. Таким образом, банк сможет определить, сумеет ли его клиент отдать долг в срок.
Зачем она используется?
Как правило, средние величины широко применяются для того, чтобы дать итоговую характеристику определенных общественных явлений, носящих массовый характер. Также они могут быть использованы для менее масштабных расчетов, как в случае с кредитом, в приведенном выше примере.
Однако чаще всего средние величины все же применяются для глобальных целей. В качестве примера одного из них можно привести вычисление количества потребляемой гражданами электроэнергии на протяжении одного календарного месяца. На основе полученных данных в дальнейшем устанавливаются максимальные нормы для категорий населения, пользующихся льготами от государства.
Также с помощью средних величин разрабатывается гарантийный срок службы тех или иных бытовых приборов, автомобилей, зданий и т. п. На основе собранных таким способом данных когда-то были разработаны современные нормы труда и отдыха.
Фактически любое явление современной жизни, носящее массовый характер, тем или иным образом обязательно связано с рассматриваемым понятием.
Сферы применения
Данное явление широко применяется практически во всех точных науках, особенно носящих экспериментальный характер.
Поиск среднего имеет огромное значение в медицине, инженерных дисциплинах, кулинарии, экономике, политике и т. п.
Основываясь на данных, полученных от подобных обобщений, разрабатывают лечебные препараты, учебные программы, устанавливают минимальные прожиточные минимумы и зарплаты, строят учебные графики, производят мебель, одежду и обувь, предметы гигиены и многое другое.
В математике данный термин именуется «средним значением» и применяется для осуществления решений различных примеров и задач. Наиболее простыми из них являются сложение и вычитание с обычными дробями. Ведь, как известно, для решения подобных примеров необходимо привести обе дроби к общему знаменателю.
Также в царице точных наук часто применяется близкий по смыслу термин «значение среднее случайной величины». Большинству он более знаком как «математическое ожидание», чаще рассматриваемое в теории вероятности. Стоит отметить, что подобное явление также применяется и при произведении статистических вычислений.
Средняя величина в статистике
Однако чаще всего изучаемое понятие используется в статистике. Как известно, эта наука сама по себе специализируется на вычислении и анализе количественной характеристики массовых общественных явлений. Поэтому средняя величина в статистике используется в качестве специализированного метода достижения ее основных задач - сбора и анализа информации.
Суть данного статистического метода заключается в замене индивидуальных уникальных значений рассматриваемого признака определенной уравновешенной средней величиной.
В качестве примера можно привести знаменитую шутку о еде. Итак, на неком заводе по вторникам на обед его начальство обычно ест мясную запеканку, а простые рабочие - тушеную капусту. На основе этих данных можно сделать вывод, что в среднем коллектив завода по вторникам обедает голубцами.
Хотя данный пример слегка утрирован, однако он иллюстрирует главный недостаток метода поиска средней величины - нивелирование индивидуальных особенностей предметов или личностей.
В средних величин применяются не только для анализа собранной информации, но и для планирования и прогнозирования дальнейших действий.
Также с его помощью производится оценка достигнутых результатов (например, выполнение плана по выращиванию и сбору урожая пшеницы за весенне-летний сезон).
Как правильно рассчитать
Хотя в зависимости от вида СВ существуют разные формулы ее вычисления, в общей теории статистики, как правило, применяется всего один способ расчета средней величины признака. Для этого нужно сначала сложить вместе значения всех явлений, а затем разделить получившуюся сумму на их количество.
При произведении подобных вычислений стоит помнить, что средняя величина всегда имеет ту же размерность (или единицы измерения), что и отдельная единица совокупности.
Условия правильного вычисления
Рассмотренная выше формула весьма проста и универсальна, так что ошибиться в ней практически невозможно. Однако всегда стоит учитывать два аспекта, иначе полученные данные не будут отражать реальную ситуацию.
Классы СВ
Найдя ответы на основные вопросы: "Средняя величина - это что такое?", "Где применяется она?" и "Как можно вычислить ее?", стоит узнать, какие классы и виды СВ существуют.
Прежде всего это явление делится на 2 класса. Это структурные и степенные средние величины.
Виды степенных СВ
Каждый из вышеперечисленных классов, в свою очередь, делится на виды. У степенного класса их четыре.
- Средняя арифметическая величина - это наиболее распространенный вид СВ. Она являет собою среднее слагаемое, при определении коего общий объем рассматриваемого признака в совокупности данных поровну распределяется между всеми единицами данной совокупности.
Этот вид делится на подвиды: простая и взвешенная арифметическая СВ.
- Средняя гармоническая величина - это показатель, обратный средней арифметической простой, вычисляемый из обратных значений рассматриваемого признака.
Она применяется в тех случаях, когда известны индивидуальные значения признака и произведение, а данные частоты - нет.
- Средняя геометрическая величина чаще всего применима при анализе темпов роста экономических явлений. Она дает возможность сохранять в неизменном виде произведение индивидуальных значений данной величины, а не сумму.
Также бывает простой и взвешенной.
- Средняя квадратическая величина используется при расчете отдельных показателе показателей, таких как коэффициент вариации, характеризующего ритмичность выпуска продукции и т. п.
Также с ее помощью вычисляются средние диаметры труб, колес, средние стороны квадрата и подобных фигур.
Как и все остальные виды средних СВ, среднеквадратическая бывает простой и взвешенной.
Виды структурных величин
Помимо средних СВ, в статистике довольно часто используются структурные виды. Они лучше подходят для расчета относительных характеристик величин варьирующего признака и внутреннего строения рядов распределения.
Таких видов существует два.
В большинстве случаев данные концентрируются вокруг некоей центральной точки. Таким образом, чтобы описать любой набор данных, достаточно указать средне значение. Рассмотрим последовательно три числовые характеристики, которые используются для оценки среднего значения распределения: среднее арифметическое, медиана и мода.
Среднее арифметическое
Среднее арифметическое (часто называемое просто средним) - наиболее распространенная оценка среднего значения распределения. Она является результатом деления суммы всех наблюдаемых числовых величин на их количество. Для выборки, состоящей из чисел Х 1 , Х 2 , …, Х n , выборочное среднее (обозначаемое символом ) равно = (Х 1 + Х 2 + … + Х n ) / n , или
где - выборочное среднее, n - объем выборки, X i – i-й элемент выборки.
Скачать заметку в формате или , примеры в формате
Рассмотрим вычисление среднего арифметического значения пятилетней среднегодовой доходности 15 взаимных фондов с очень высоким уровнем риска (рис. 1).
Рис. 1. Среднегодовая доходность 15 взаимных фондов с очень высоким уровнем риска
Выборочное среднее вычисляется следующим образом:
Это хороший доход, особенно по сравнению с 3–4% дохода, который получили вкладчики банков или кредитных союзов за тот же период времени. Если упорядочить значения доходности, то легко заметить, что восемь фондов имеют доходность выше, а семь - ниже среднего значения. Среднее арифметическое играет роль точки равновесия, так что фонды с низкими доходами уравновешивают фонды с высокими доходами. В вычислении среднего задействованы все элементы выборки. Ни одна из других оценок среднего значения распределения не обладает этим свойством.
Когда следует вычислять среднее арифметическое. Поскольку среднее арифметическое зависит от всех элементов выборки, наличие экстремальных значений значительно влияет на результат. В таких ситуациях среднее арифметическое может исказить смысл числовых данных. Следовательно, описывая набор данных, содержащий экстремальные значения, необходимо указывать медиану либо среднее арифметическое и медиану. Например, если удалить из выборки доходность фонда RS Emerging Growth, выборочное среднее доходности 14 фондов уменьшится почти на 1% и составит 5,19%.
Медиана
Медиана представляет собой срединное значение упорядоченного массива чисел. Если массив не содержит повторяющихся чисел, то половина его элементов окажется меньше, а половина - больше медианы. Если выборка содержит экстремальные значения, для оценки среднего значения лучше использовать не среднее арифметическое, а медиану. Чтобы вычислить медиану выборки, ее сначала необходимо упорядочить.
Эта формула неоднозначна. Ее результат зависит от четности или нечетности числа n :
- Если выборка содержит нечетное количество элементов, медиана равна (n+1)/2 -му элементу.
- Если выборка содержит четное количество элементов, медиана лежит между двумя средними элементами выборки и равна среднему арифметическому, вычисленному по этим двум элементам.
Чтобы вычислить медиану выборки, содержащей данные о доходности 15 взаимных фондов с очень высокий уровнем риска, сначала необходимо упорядочить исходные данные (рис. 2). Тогда медиана будет напротив номера среднего элемента выборки; в нашем примере №8. В Excel есть специальная функция =МЕДИАНА(), которая работает и с неупорядоченными массивами тоже.
Рис. 2. Медиана 15 фондов
Таким образом, медиана равна 6,5. Это означает, что доходность одной половины фондов с очень высоким уровнем риска не превышает 6,5, а доходность второй половины - превышает ее. Обратите внимание на то, что медиана, равная 6,5, ненамного больше среднего значения, равного 6,08.
Если удалить из выборки доходность фонда RS Emerging Growth, то медиана оставшихся 14 фондов уменьшится до 6,2%, то есть не так значительно, как среднее арифметическое (рис. 3).
Рис. 3. Медиана 14 фондов
Мода
Термин был впервые введен Пирсоном в 1894 г. Мода - это число, которое чаще других встречается в выборке (наиболее модное). Мода хорошо описывает, например, типичную реакцию водителей на сигнал светофора о прекращении движения. Классический пример использования моды - выбор размера выпускаемой партии обуви или цвета обоев. Если распределение имеет несколько мод, то говорят, что оно мультимодально или многомодально (имеет два или более «пика»). Мультимодальность распределения дает важную информацию о природе исследуемой переменной. Например, в социологических опросах, если переменная представляет собой предпочтение или отношение к чему-то, то мультимодальность может означать, что существуют несколько определенно различных мнений. Мультимодальность также служит индикатором того, что выборка не является однородной и наблюдения, возможно, порождены двумя или более «наложенными» распределениями. В отличие от среднего арифметического, выбросы на моду не влияют. Для непрерывно распределенных случайных величин, например, для показателей среднегодовой доходности взаимных фондов, мода иногда вообще не существует (или не имеет смысла). Поскольку эти показатели могут принимать самые разные значения, повторяющиеся величины встречаются крайне редко.
Квартили
Квартили - это показатели, которые чаще всего используются для оценки распределения данных при описании свойств больших числовых выборок. В то время как медиана разделяет упорядоченный массив пополам (50% элементов массива меньше медианы и 50% - больше), квартили разбивают упорядоченный набор данных на четыре части. Величины Q 1 , медиана и Q 3 являются 25-м, 50-м и 75-м перцентилем соответственно. Первый квартиль Q 1 - это число, разделяющее выборку на две части: 25% элементов меньше, а 75% - больше первого квартиля.
Третий квартиль Q 3 - это число, разделяющее выборку также на две части: 75% элементов меньше, а 25% - больше третьего квартиля.
Для расчета квартилей в версиях Excel до 2007 г. использовалась функция =КВАРТИЛЬ(массив;часть). Начиная с версии Excel2010 применяются две функции:
- =КВАРТИЛЬ.ВКЛ(массив;часть)
- =КВАРТИЛЬ.ИСКЛ(массив;часть)
Эти две функции дают немного различные значения (рис. 4). Например, при вычислении квартилей выборки, содержащей данные о среднегодовой доходности 15 взаимных фондов с очень высоким уровнем риска Q 1 = 1,8 или –0,7 для КВАРТИЛЬ.ВКЛ и КВАРТИЛЬ.ИСКЛ, соответственно. Кстати функция КВАРТИЛЬ, использовавшаяся ранее соответствует современной функции КВАРТИЛЬ.ВКЛ. Для расчета квартилей в Excel с помощью вышеприведенных формул массив данных можно не упорядочивать.
Рис. 4. Вычисление квартилей в Excel
Подчеркнем еще раз. Excel умеет рассчитывать квартили для одномерного дискретного ряда , содержащего значения случайной величины. Расчет квартилей для распределения на основе частот приведен ниже в разделе .
Среднее геометрическое
В отличие от среднего арифметического среднее геометрическое позволяет оценить степень изменения переменной с течением времени. Среднее геометрическое - это корень n -й степени из произведения n величин (в Excel используется функция =СРГЕОМ):
G = (X 1 * X 2 * … * X n) 1/n
Похожий параметр – среднее геометрическое значение нормы прибыли – определяется формулой:
G = [(1 + R 1) * (1 + R 2) * … * (1 + R n)] 1/n – 1,
где R i – норма прибыли за i -й период времени.
Например, предположим, что объем вложенных средств в исходный момент времени равен 100 000 долл. К концу первого года он падает до уровня 50 000 долл., а к концу второго года восстанавливается до исходной отметки 100 000 долл. Норма прибыли этой инвестиции за двухлетний период равна 0, поскольку первоначальный и финальный объем средств равны между собой. Однако среднее арифметическое годовых норм прибыли равно = (–0,5 + 1) / 2 = 0,25 или 25%, поскольку норма прибыли в первый год R 1 = (50 000 – 100 000) / 100 000 = –0,5, а во второй R 2 = (100 000 – 50 000) / 50 000 = 1. В то же время, среднее геометрическое значение нормы прибыли за два года равно: G = [(1–0,5) * (1+1)] 1/2 – 1 = ½ – 1 = 1 – 1 = 0. Таким образом, среднее геометрическое точнее отражает изменение (точнее, отсутствие изменений) объема инвестиций за двухлетний период, чем среднее арифметическое.
Интересные факты. Во-первых, среднее геометрическое всегда будет меньше среднего арифметического тех же чисел. За исключением случая, когда все взятые числа равны друг другу. Во-вторых, рассмотрев свойства прямоугольного треугольника, можно понять, почему среднее называется геометрическим. Высота прямоугольного треугольника, опущенная на гипотенузу, есть среднее пропорциональное между проекциями катетов на гипотенузу, а каждый катет есть среднее пропорциональное между гипотенузой и его проекцией на гипотенузу (рис. 5). Это даёт геометрический способ построения среднего геометрического двух (длин) отрезков: нужно построить окружность на сумме этих двух отрезков как на диаметре, тогда высота, восставленная из точки их соединения до пересечения с окружностью, даст искомую величину:
Рис. 5. Геометрическая природа среднего геометрического (рисунок из Википедии)
Второе важное свойство числовых данных - их вариация , характеризующая степень дисперсии данных. Две разные выборки могут отличаться как средними значениями, так и вариациями. Однако, как показано на рис. 6 и 7, две выборки могут иметь одинаковые вариации, но разные средние значения, либо одинаковые средние значения и совершенно разные вариации. Данные, которым соответствует полигон В на рис. 7, изменяются намного меньше, чем данные, по которым построен полигон А.
Рис. 6. Два симметричных распределения колоколообразной формы с одинаковым разбросом и разными средними значениями
Рис. 7. Два симметричных распределения колоколообразной формы с одинаковыми средними значениями и разным разбросом
Существует пять оценок вариации данных:
- размах,
- межквартильный размах,
- дисперсия,
- стандартное отклонение,
- коэффициент вариации.
Размах
Размахом называется разность между наибольшим и наименьшим элементами выборки:
Размах = Х Max – Х Min
Размах выборки, содержащей данные о среднегодовой доходности 15 взаимных фондов с очень высоким уровнем риска, можно вычислить, используя упорядоченный массив (см. рис. 4): Размах = 18,5 – (–6,1) = 24,6. Это значит, что разница между наибольшей и наименьшей среднегодовой доходностью фондов с очень высоким уровнем риска равна 24,6% .
Размах позволяет измерить общий разброс данных. Хотя размах выборки является весьма простой оценкой общего разброса данных, его слабость заключается в том, что он никак не учитывает, как именно распределены данные между минимальным и максимальным элементами. Этот эффект хорошо прослеживается на рис. 8, который иллюстрирует выборки, имеющие одинаковый размах. Шкала В демонстрирует, что если выборка содержит хотя бы одно экстремальное значение, размах выборки оказывается весьма неточной оценкой разброса данных.
Рис. 8. Сравнение трех выборок, имеющих одинаковый размах; треугольник символизирует опору весов, и его расположение соответствует среднему значению выборки
Межквартильный размах
Межквартильный, или средний, размах - это разность между третьим и первым квартилями выборки:
Межквартильный размах = Q 3 – Q 1
Эта величина позволяет оценить разброс 50% элементов и не учитывать влияние экстремальных элементов. Межквартильный размах выборки, содержащей данные о среднегодовой доходности 15 взаимных фондов с очень высоким уровнем риска, можно вычислить, используя данные на рис. 4 (например, для функции КВАРТИЛЬ.ИСКЛ): Межквартильный размах = 9,8 – (–0,7) = 10,5. Интервал, ограниченный числами 9,8 и –0,7, часто называют средней половиной.
Следует отметить, что величины Q 1 и Q 3 , а значит, и межквартильный размах, не зависят от наличия выбросов, поскольку при их вычислении не учитывается ни одна величина, которая была бы меньше Q 1 или больше Q 3 . Суммарные количественные характеристики, такие как медиана, первый и третий квартили, а также межквартильный размах, на которые не влияют выбросы, называются устойчивыми показателями.
Хотя размах и межквартильный размах позволяют оценить общий и средний разброс выборки соответственно, ни одна из этих оценок не учитывает, как именно распределены данные. Дисперсия и стандартное отклонение лишены этого недостатка. Эти показатели позволяют оценить степень колебания данных вокруг среднего значения. Выборочная дисперсия является приближением среднего арифметического, вычисленного на основе квадратов разностей между каждым элементом выборки и выборочным средним. Для выборки Х 1 , Х 2 , … Х n выборочная дисперсия (обозначаемая символом S 2 задается следующей формулой:
В общем случае выборочная дисперсия - это сумма квадратов разностей между элементами выборки и выборочным средним, деленная на величину, равную объему выборки минус один:
где - арифметическое среднее, n - объем выборки, X i - i -й элемент выборки X . В Excel до версии 2007 для расчета выборочной дисперсии использовалась функция =ДИСП(), с версии 2010 используется функция =ДИСП.В().
Наиболее практичной и широко распространенной оценкой разброса данных является стандартное выборочное отклонение . Этот показатель обозначается символом S и равен квадратному корню из выборочной дисперсии:
В Excel до версии 2007 для расчета стандартного выборочного отклонения использовалась функция =СТАНДОТКЛОН(), с версии 2010 используется функция =СТАНДОТКЛОН.В(). Для расчета этих функций массив данных может быть неупорядоченным.
Ни выборочная дисперсия, ни стандартное выборочное отклонение не могут быть отрицательными. Единственная ситуация, в которой показатели S 2 и S могут быть нулевыми, - если все элементы выборки равны между собой. В этом совершенно невероятном случае размах и межквартильный размах также равны нулю.
Числовые данные по своей природе изменчивы. Любая переменная может принимать множество разных значений. Например, разные взаимные фонды имеют разные показатели доходности и убытков. Вследствие изменчивости числовых данных очень важно изучать не только оценки среднего значения, которые по своей природе являются суммарными, но и оценки дисперсии, характеризующие разброс данных.
Дисперсия и стандартное отклонение позволяют оценить разброс данных вокруг среднего значения, иначе говоря, определить, сколько элементов выборки меньше среднего, а сколько - больше. Дисперсия обладает некоторыми ценными математическими свойствами. Однако ее величина представляет собой квадрат единицы измерения - квадратный процент, квадратный доллар, квадратный дюйм и т.п. Следовательно, естественной оценкой дисперсии является стандартное отклонение, которое выражается в обычных единицах измерений - процентах дохода, долларах или дюймах.
Стандартное отклонение позволяет оценить величину колебаний элементов выборки вокруг среднего значения. Практически во всех ситуациях основное количество наблюдаемых величин лежит в интервале плюс-минус одно стандартное отклонение от среднего значения. Следовательно, зная среднее арифметическое элементов выборки и стандартное выборочное отклонение, можно определить интервал, которому принадлежит основная масса данных.
Стандартное отклонение доходности 15 взаимных фондов с очень высоким уровнем риска равно 6,6 (рис. 9). Это значит, что доходность основной массы фондов отличается от среднего значения не более чем на 6,6% (т.е. колеблется в интервале от – S = 6,2 – 6,6 = –0,4 до + S = 12,8). Фактически в этом интервале лежит пятилетняя среднегодовая доходность 53,3% (8 из 15) фондов.
Рис. 9. Стандартное выборочное отклонение
Обратите внимание на то, что в процессе суммирования квадратов разностей элементы выборки, лежащие дальше от среднего значения, приобретают больший вес, чем элементы, лежащие ближе. Это свойство является основной причиной того, что для оценки среднего значения распределения чаще всего используется среднее арифметическое значение.
Коэффициент вариации
В отличие от предыдущих оценок разброса, коэффициент вариации является относительной оценкой. Он всегда измеряется в процентах, а не в единицах измерения исходных данных. Коэффициент вариации, обозначаемый символами CV, измеряет рассеивание данных относительно среднего значения. Коэффициент вариации равен стандартному отклонению, деленному на среднее арифметическое и умноженному на 100%:
где S - стандартное выборочное отклонение, - выборочное среднее.
Коэффициент вариации позволяет сравнить две выборки, элементы которых выражаются в разных единицах измерения. Например, управляющий службы доставки корреспонденции намеревается обновить парк грузовиков. При погрузке пакетов следует учитывать два вида ограничений: вес (в фунтах) и объем (в кубических футах) каждого пакета. Предположим, что в выборке, содержащей 200 пакетов, средний вес равен 26,0 фунтов, стандартное отклонение веса 3,9 фунтов, средний объем пакета 8,8 кубических футов, а стандартное отклонение объема 2,2 кубических фута. Как сравнить разброс веса и объема пакетов?
Поскольку единицы измерения веса и объема отличаются друг от друга, управляющий должен сравнить относительный разброс этих величин. Коэффициент вариации веса равен CV W = 3,9 / 26,0 * 100% = 15%, а коэффициент вариации объема CV V = 2,2 / 8,8 * 100% = 25% . Таким образом, относительный разброс объема пакетов намного больше относительного разброса их веса.
Форма распределения
Третье важное свойство выборки - форма ее распределения. Это распределение может быть симметричным или асимметричным. Чтобы описать форму распределения, необходимо вычислить его среднее значение и медиану. Если эти два показателя совпадают, переменная считается симметрично распределенной. Если среднее значение переменной больше медианы, ее распределение имеет положительную асимметрию (рис. 10). Если медиана больше среднего значения, распределение переменной имеет отрицательную асимметрию. Положительная асимметрия возникает, когда среднее значение увеличивается до необычайно высоких значений. Отрицательная асимметрия возникает, когда среднее значение уменьшается до необычайно малых значений. Переменная является симметрично распределенной, если она не принимает никаких экстремальных значений ни в одном из направлений, так что большие и малые значения переменной уравновешивают друг друга.
Рис. 10. Три вида распределений
Данные, изображенные на шкале А, имеют отрицательную асимметрию. На этом рисунке виден длинный хвост и перекос влево, вызванные наличием необычно малых значений. Эти крайне малые величины смещают среднее значение влево, и оно становится меньше медианы. Данные, изображенные на шкале Б, распределены симметрично. Левая и правая половины распределения являются своими зеркальными отражениями. Большие и малые величины уравновешивают друг друга, а среднее значение и медиана равны между собой. Данные, изображенные на шкале В, имеют положительную асимметрию. На этом рисунке виден длинный хвост и перекос вправо, вызванные наличием необычайно высоких значений. Эти слишком большие величины смещают среднее значение вправо, и оно становится больше медианы.
В Excel описательные статистики можно получить с помощью надстройки Пакет анализа . Пройдите по меню Данные → Анализ данных , в открывшемся окне выберите строку Описательная статистика и кликните Ok . В окне Описательная статистика обязательно укажите Входной интервал (рис. 11). Если вы хотите увидеть описательные статистики на том же листе, что и исходные данные, выберите переключатель Выходной интервал и укажите ячейку, куда следует поместить левый верхний угол выводимых статистик (в нашем примере $C$1). Если вы хотите вывести данные на новый лист или в новую книгу, достаточно просто выбрать соответствующий переключатель. Поставьте галочку напротив Итоговая статистика . По желанию также можно выбрать Уровень сложности, k-й наименьший и k-й наибольший .
Если на вкладе Данные в области Анализ у вас не отображается пиктограмма Анализ данных , нужно предварительно установить надстройку Пакет анализа (см., например, ).
Рис. 11. Описательные статистики пятилетней среднегодовой доходности фондов с очень высоким уровнями риска, вычисленные с помощью надстройки Анализ данных программы Excel
Excel вычисляет целый ряд статистик, рассмотренных выше: среднее, медиану, моду, стандартное отклонение, дисперсию, размах (интервал ), минимум, максимум и объем выборки (счет ). Кроме того, Excel вычисляет некоторые новые для нас статистики: стандартную ошибку, эксцесс и асимметричность. Стандартная ошибка равна стандартному отклонению, деленному на квадратный корень объема выборки. Асимметричность характеризует отклонение от симметричности распределения и является функцией, зависящей от куба разностей между элементами выборки и средним значением. Эксцесс представляет собой меру относительной концентрации данных вокруг среднего значения по сравнению с хвостами распределения и зависит от разностей между элементами выборки и средним значением, возведенных в четвертую степень.
Вычисление описательных статистик для генеральной совокупности
Среднее значение, разброс и форма распределения, рассмотренные выше, представляют собой характеристики, определяемые по выборке. Однако, если набор данных содержит числовые измерения всей генеральной совокупности, можно вычислить ее параметры. К числу таких параметров относятся математическое ожидание, дисперсия и стандартное отклонение генеральной совокупности.
Математическое ожидание равно сумме всех значений генеральной совокупности, деленной на объем генеральной совокупности:
где µ - математическое ожидание, X i - i -е наблюдение переменной X , N - объем генеральной совокупности. В Excel для вычисления математического ожидания используется та же функция, что и для среднего арифметического: =СРЗНАЧ().
Дисперсия генеральной совокупности равна сумме квадратов разностей между элементами генеральной совокупности и мат. ожиданием, деленной на объем генеральной совокупности:
где σ 2 – дисперсия генеральной совокупности. В Excel до версии 2007 для вычисления дисперсии генеральной совокупности используется функция =ДИСПР(), начиная с версии 2010 =ДИСП.Г().
Стандартное отклонение генеральной совокупности равно квадратному корню, извлеченному из дисперсии генеральной совокупности:
В Excel до версии 2007 для вычисления стандартного отклонения генеральной совокупности используется функция =СТАНДОТКЛОНП(), начиная с версии 2010 =СТАНДОТКЛОН.Г(). Обратите внимание на то, что формулы для дисперсии и стандартного отклонения генеральной совокупности отличаются от формул для вычисления выборочной дисперсии и стандартного отклонения. При вычислении выборочных статистик S 2 и S знаменатель дроби равен n – 1 , а при вычислении параметров σ 2 и σ - объему генеральной совокупности N .
Эмпирическое правило
В большинстве ситуаций крупная доля наблюдений концентрируется вокруг медианы, образуя кластер. В наборах данных, имеющих положительную асимметрию, этот кластер расположен левее (т.е. ниже) математического ожидания, а в наборах, имеющих отрицательную асимметрию, этот кластер расположен правее (т.е. выше) математического ожидания. У симметричных данных математическое ожидание и медиана совпадают, а наблюдения концентрируются вокруг математического ожидания, формируя колоколообразное распределение. Если распределение не имеет ярко выраженной асимметрии, а данные концентрируются вокруг некоего центра тяжести, для оценки изменчивости можно применять эмпирическое правило, которое гласит: если данные имеют колоколообразное распределение, то приблизительно 68% наблюдений отстоят от математического ожидания не более чем на одно стандартное отклонение, приблизительно 95% наблюдений отстоят от математического ожидания не более чем на два стандартных отклонения и 99,7% наблюдений отстоят от математического ожидания не более чем на три стандартных отклонения.
Таким образом, стандартное отклонение, представляющее собой оценку среднего колебания вокруг математического ожидания, помогает понять, как распределены наблюдения, и идентифицировать выбросы. Из эмпирического правила следует, что для колоколообразных распределений лишь одно значение из двадцати отличается от математического ожидания больше, чем на два стандартных отклонения. Следовательно, значения, лежащие за пределами интервала µ ± 2σ , можно считать выбросами. Кроме того, только три из 1000 наблюдений отличаются от математического ожидания больше чем на три стандартных отклонения. Таким образом, значения, лежащие за пределами интервала µ ± 3σ практически всегда являются выбросами. Для распределений, имеющих сильную асимметрию или не имеющих колоколообразной формы, можно применять эмпирическое правило Бьенамэ-Чебышева.
Более ста лет назад математики Бьенамэ и Чебышев независимо друг от друга открыли полезное свойство стандартного отклонения. Они обнаружили, что для любого набора данных, независимо от формы распределения, процент наблюдений, лежащих на расстоянии не превышающем k стандартных отклонений от математического ожидания, не меньше (1 – 1/ k 2)*100% .
Например, если k = 2, правило Бьенамэ-Чебышева гласит, что как минимум (1 – (1/2) 2) х 100% = 75% наблюдений должно лежать в интервале µ ± 2σ . Это правило справедливо для любого k , превышающего единицу. Правило Бьенамэ-Чебышева носит весьма общий характер и справедливо для распределений любого вида. Оно указывает минимальное количество наблюдений, расстояние от которых до математического ожидания не превышает заданной величины. Однако, если распределение имеет колоколообразную форму, эмпирическое правило более точно оценивает концентрацию данных вокруг математического ожидания.
Вычисление описательных статистик для распределения на основе частот
Если исходные данные недоступны, единственным источником информации становится распределение частот. В таких ситуациях можно вычислить приближенные значения количественных показателей распределения, таких как среднее арифметическое, стандартное отклонение, квартили.
Если выборочные данные представлены в виде распределения частот, приближенное значение среднего арифметического можно вычислить, предполагая, что все значения внутри каждого класса сосредоточены в средней точке класса:
где - выборочное среднее, n - количество наблюдений, или объем выборки, с - количество классов в распределении частот, m j - средняя точка j -гo класса, f j - частота, соответствующая j -му классу.
Для вычисления стандартного отклонения по распределению частот также предполагается, что все значения внутри каждого класса сосредоточены в средней точке класса.
Чтобы понять, как определяются квартили ряда на основе частот, рассмотрим расчет нижнего квартиля на основе данных за 2013 г. о распределении населения России по величине среднедушевых денежных доходов (рис. 12).
Рис. 12. Доля населения России со среднедушевыми денежными доходами в среднем за месяц, рублей
Для расчета первого квартиля интервального вариационного ряда можно воспользоваться формулой:
где Q1 – величина первого квартиля, хQ1 – нижняя граница интервала, содержащего первый квартиль (интервал определяется по накопленной частоте, первой превышающей 25%); i – величина интервала; Σf – сумма частот всей выборки; наверное, всегда равна 100%; SQ1–1 – накопленная частота интервала, предшествующего интервалу, содержащему нижний квартиль; fQ1 – частота интервала, содержащего нижний квартиль. Формула для третьего квартиля отличается тем, что во всех местах вместо Q1 нужно использовать Q3, а вместо ¼ подставить ¾.
В нашем примере (рис. 12) нижний квартиль находится в интервале 7000,1 – 10 000, накопленная частота которого равна 26,4%. Нижняя граница этого интервала – 7000 руб., величина интервала – 3000 руб., накопленная частота интервала, предшествующего интервалу, содержащему нижний квартиль – 13,4%, частота интервала, содержащего нижний квартиль – 13,0%. Таким образом: Q1 = 7000 + 3000 * (¼ * 100 – 13,4) / 13 = 9677 руб.
Ловушки, связанные с описательными статистиками
В этой заметке мы рассмотрели, как описать набор данных с помощью различных статистик, оценивающих его среднее значение, разброс и вид распределения. Следующим этапом является анализ и интерпретация данных. До сих пор мы изучали объективные свойства данных, а теперь переходим к их субъективной трактовке. Исследователя подстерегают две ошибки: неверно выбранный предмет анализа и неправильная интерпретация результатов.
Анализ доходности 15 взаимных фондов с очень высоким уровнем риска является вполне беспристрастным. Он привел к совершенно объективным выводам: все взаимные фонды имеют разную доходность, разброс доходности фондов колеблется от –6,1 до 18,5, а средняя доходность равна 6,08. Объективность анализа данных обеспечивается правильным выбором суммарных количественных показателей распределения. Было рассмотрено несколько способов оценки среднего значения и разброса данных, указаны их преимущества и недостатки. Как же выбрать правильную статистику, обеспечивающую объективный и беспристрастный анализ? Если распределение данных имеет небольшую асимметрию, следует ли выбирать медиану, а не среднее арифметическое? Какой показатель более точно характеризует разброс данных: стандартное отклонение или размах? Следует ли указывать на положительную асимметрию распределения?
С другой стороны, интерпретация данных является субъективным процессом. Разные люди приходят к разным выводам, истолковывая одни и те же результаты. У каждого своя точка зрения. Кто-то считает суммарные показатели среднегодовой доходности 15 фондов с очень высоким уровнем риска хорошими и вполне доволен полученным доходом. Другим может показаться, что эти фонды имеют слишком низкую доходность. Таким образом, субъективность следует компенсировать честностью, нейтральностью и ясностью выводов.
Этические проблемы
Анализ данных неразрывно связан с этическими вопросами. Следует критически относиться к информации, распространяемой газетами, радио, телевидением и Интерентом. Со временем вы научитесь скептически относиться не только к результатам, но и к целям, предмету и объективности исследований. Лучше всего об этом сказал известный британский политик Бенджамин Дизраэли: «Существуют три вида лжи: ложь, наглая ложь и статистика».
Как было отмечено в заметке этические проблемы возникают при выборе результатов, которые следует привести в отчете. Следует публиковать как положительные, так и отрицательные результаты. Кроме того, делая доклад или письменный отчет, результаты необходимо излагать честно, нейтрально и объективно. Следует различать неудачную и нечестную презентации. Для этого необходимо определить, каковы были намерения докладчика. Иногда важную информацию докладчик пропускает по невежеству, а иногда - умышленно (например, если он применяет среднее арифметическое для оценки среднего значения явно асимметричных данных, чтобы получить желаемый результат). Нечестно также замалчивать результаты, которые не соответствуют точке зрения исследователя.
Используются материалы книги Левин и др. Статистика для менеджеров. – М.: Вильямс, 2004. – с. 178–209
Функция КВАРТИЛЬ оставлена для совмещения с более ранними версиями Excel
Что такое среднее арифметическое
Средним арифметическим нескольких величин является отношение суммы этих величин к их количеству.
Среднее арифметическое определенного ряда чисел называется сумма всех этих чисел, поделенная на количество слагаемых. Таким образом, среднее арифметическое является средним значением числового ряда.
Чему равно среднее арифметическое нескольких чисел? А равно они сумме этих чисел, которая поделена на количество слагаемых в этой сумме.
Как найти среднее арифметическое число
В вычислении или нахождении среднего арифметического нескольких чисел, нет ничего сложного, достаточно сложить все представленные числа, а полученную сумму разделить на количество слагаемых. Полученный результат и будет средним арифметическим этих чисел.
Рассмотрим этот процесс более подробно. Что же нам нужно сделать для вычисления среднего арифметического и получения конечного результата этого числа.
Во-первых, для его вычисления нужно определить набор чисел или их количество. В этот набор могут входить большие и маленькие числа, и их количество может быть каким угодно.
Во-вторых, все эти числа нужно сложить и получить их сумму. Естественно, если числа несложные и их небольшое количество, то вычисления можно произвести, записав от руки. А если же набор чисел впечатляющий, то лучше воспользоваться калькулятором или электронной таблицей.
И, в-четвертых, полученную от сложения сумму необходимо разделить на количество чисел. В итоге мы получим результат, который и будет средним арифметическим числом этого ряда.
Для чего нужно среднее арифметическое
Среднее арифметическое может пригодиться не только для решения примеров и задач на уроках математики, но для других целей, необходимых в повседневной жизни человека. Такими целями может служить подсчет среднего арифметического для расчета среднего расхода финансов в месяц, или для подсчета времени, которое вы тратите на дорогу, также для того чтобы узнать посещаемость, производительность, скорость движения, урожайность и много другого.
Так, например, давайте попробуем рассчитать, сколько времени вы тратите на дорогу в школу. Идя в школу или возвращаясь, домой вы каждый раз тратите на дорогу разное время, так как когда вы спешите, то вы идете быстрее, и поэтому дорога занимает меньше времени. А вот, возвращаясь, домой вы можете идти не спеша, общаясь с одноклассниками, любуясь природой и поэтому времени на дорогу займет больше.
Поэтому, точно определить время, затраченное на дорогу у вас не получиться, но благодаря среднему арифметическому вы сможете приблизительно узнать время, которое вы тратите на дорогу.
Припустим, что в первый день после выходных, вы потратили на путь от дома до школу пятнадцать минут, на второй день ваш путь занял двадцать минут, в среду вы прошли расстояние за двадцать пять минут, за такое же время составил ваш путь и в четверг, а в пятницу вы никуда не торопились и возвращались целых пол часа.
Давайте найдем среднее арифметическое, прибавив время, за все пять дней. Итак,
15 + 20 + 25 + 25 + 30 = 115
Теперь разделим эту сумму на количество дней
Благодаря такому способу вы узнали, что путь от дома до школы вы приблизительно тратите двадцать три минуты своего времени.
Домашнее задание
1.Путем нехитрых вычислений найдите среднее арифметическое число посещаемости учеников вашего класса за неделю.
2. Найдите среднее арифметическое:
3. Решите задачу:
Тема среднего арифметического и среднего геометрического входит в программу математики 6-7 классов. Так как параграф довольно прост для понимания, его быстро проходят, и к завершению учебного года школьники его забывают. Но знания в базовой статистике нужны для сдачи ЕГЭ, а также для международных экзаменов SAT. Да и для повседневной жизни развитое аналитическое мышление никогда не помешает.
Как вычислить среднее арифметическое и среднее геометрическое чисел
Допустим, имеется ряд чисел: 11, 4, и 3. Средним арифметическим называется сумма всех чисел, поделенная на количество данных чисел. То есть в случае чисел 11, 4, 3, ответ будет 6. Как образом получается 6?
Решение: (11 + 4 + 3) / 3 = 6
В знаменателе должно стоять число, равное количеству чисел, среднее которых нужно найти. Сумма делится на 3, так как слагаемых три.
Теперь надо разобраться со средним геометрическим. Допустим, есть ряд чисел: 4, 2 и 8.
Средним геометрическим чисел называется произведение всех данных чисел, находящееся под корнем со степенью, равной количеству данных чисел.То есть в случае чисел 4, 2 и 8 ответом будет 4. Вот каким образом это получилось:
Решение: ∛(4 × 2 × 8) = 4
В обоих вариантах получились целые ответы, так как для примера были взяты специальные числа. Так происходит отнюдь не всегда. В большинстве случаев ответ приходится округлять или оставлять под корнем. Например, для чисел 11, 7 и 20 среднее арифметическое ≈ 12,67, а среднее геометрическое - ∛1540. А для чисел 6 и 5 ответы, соответственно, будут 5,5 и √30.
Может ли так произойти, что среднее арифметическое станет равным среднему геометрическому?
Конечно, может. Но только в двух случаях. Если имеется ряд чисел, состоящий только либо из единиц, либо из нулей. Примечательно также то, что ответ не зависит от их количества.
Доказательство с единицами: (1 + 1 + 1) / 3 = 3 / 3 = 1 (среднее арифметическое).
∛(1 × 1 × 1) = ∛1 = 1(среднее геометрическое).
Доказательство с нулями: (0 + 0) / 2=0 (среднее арифметическое).
√(0 × 0) = 0 (среднее геометрическое).
Другого варианта нет и быть не может.
Больше всего в эк. практике приходится употреблять среднюю арифметическую, которая может быть исчислена как средняя арифметическая простая и взвешенная.
Средняя арифметическая (СА) -н аиболее распространенный вид средних. Она применяется в тех случаях, когда объем варьирующего признака для всей совокупности является суммой значений признаков отдельных ее единиц. Для общественных явлений характерна аддитивность (суммарность) объемов варьирующего признака, этим определяется область применения СА и объясняется ее распространенность как обобщающего показателя, напр: общий фонд з/ п – это сумма з/п всех работников.
Чтобы исчислить СА, нужно сумму всех значений признаков разделить на их число. СА примен-ся в 2 формах.
Рассмотрим сначала простую арифметическую среднюю.
1-СА простая (исходная, определяющая форма) равна простой сумме отдельных значений осредняемого признака, деленной на общее число этих значений (применяется когда имеются несгруппированные инд. значения признака):
Произведенные вычисления могут быть обобщены в следующую формулу:
(1)
где
- среднее значение варьирующего
признака, т. е. средняя арифметическая
простая;
означает суммирование,
т. е. сложение отдельных признаков;
x - отдельные значения варьирующего признака, которые называются вариантами;
n - число единиц совокупности
Пример1, требуется найти среднюю выработку одного рабочего (слесаря), если известно, сколько деталей изготовил каждый из 15 рабочих, т.е. дан ряд инд. значений признака, шт.: 21; 20; 20; 19; 21; 19; 18; 22; 19; 20; 21; 20; 18; 19; 20.
СА простая рассчитывается по формуле(1),шт.:
Пример2 . Рассчитаем СА на основании условных данных по 20 магазинам, входящим в торговую фирму (табл. 1). Таблица.1
Распределение магазинов торговой фирмы "Весна" по торговой площади, кв. М
|
№ магазина |
№ магазина | ||
Для вычисления
средней площади магазина (
)
необходимо сложить площади всех магазинов
и полученный результат разделить на
число магазинов:
Т.о., средняя площадь магазина по этой группе торговых предприятий составляет 71 кв.м.
Следовательно, чтобы определить СА простую, нужно сумму всех значений данного признака разделить на число единиц, обладающих этим признаком .
2
где
f
1
,
f
2
,
… ,f
n
–
веса
(частоты повторения одинаковых
признаков); – сумма произведений
величины признаков на их частоты; – общая численность
единиц совокупности.
(2)
Где х - варианты;
f - частота (вес).
СА взвешенная есть частное от деления суммы произведений вариантов и соответствующих им частот на сумму всех частот. Частоты (f ) фигурирующие в формуле СА, принято называть весами , вследствие чего СА, вычисленная с учетом весов, и получила название взвешенной.
Технику вычисления СА взвешенной проиллюстрируем на рассмотренном выше примере 1. Для этого сгруппируем исходные данные и поместим их в табл.
Средняя из сгруппированных данных определяется следующим образом: сначала перемножают варианты на частоты, затем складывают произведения и полученную сумму делят на сумму частот.
По формуле (2) СА
взвешенная равна, шт.:
П
Распределение магазинов фирмы "Весна" по торговой площади, кв. м
Т.о., результат получился тот же самый. Однако это уже будет величина средняя арифметическая взвешенная.
В предыдущем примере мы вычисляли арифметическую среднюю при условии, что известны абсолютные частоты (численность магазинов). Однако в ряде случаев абсолютные частоты отсутствуют, а известны относительные частоты, или, как принято их называть, частости, которые показывают долю или удельный вес частот во всей совокупности.
При расчетах СА взвешенной использование частот позволяет упрощать расчеты, когда частота выражена большими, многозначными числами. Расчет производится тем же способом, однако, так как средняя величина оказывается увеличенной в 100 раз, полученный результат следует разделить на 100.
Тогда формула средней арифметической взвешенной будет иметь вид:
где d – частость , т.е. доля каждой частоты в общей сумме всех частот.
(3)В нашем примере 2
сначала определяют удельный вес магазинов
по группам в общей численности магазинов
фирмы "Весна". Так, для первой группы
удельный вес соответствует 10%
.
Получаем следующие данныеТаблица3
