Калькулятор стандартного отклонения
Вычислите среднее, дисперсию, стандартное отклонение, медиану и моду. Поддержка формул для генеральной совокупности и выборки.
Об этом инструменте
Стандартное отклонение измеряет, насколько ваши данные рассеяны вокруг среднего значения, являясь одной из наиболее важных концепций в статистике. Если среднее значение показывает центральную тенденцию, то стандартное отклонение раскрывает вариативность—на сколько отдельные значения типично отклоняются от этого центра. Эта метрика критична для понимания консистентности данных, выявления рисков в финансовых портфелях, оценки точности измерений в контроле качества и научных исследованиях.
Чтобы использовать калькулятор, просто введите ваши значения данных (разделённые запятыми или разрывами строк). Выберите, анализируете ли вы полную совокупность или выборку из большей совокупности—это изменяет формулу, поскольку выборки обычно показывают меньшую вариацию, чем полная совокупность. Инструмент мгновенно вычисляет среднее значение, дисперсию, стандартное отклонение, медиану и моду, давая вам полный статистический снимок. Это невероятно ценно для исследователей, проверяющих результаты экспериментов, компаний, контролирующих консистентность, педагогов, выставляющих оценки, и аналитиков, интерпретирующих реальные наборы данных.
Понимание различия между стандартным отклонением совокупности и выборки критично: SD совокупности делится на N, а SD выборки делится на N-1 (поправка Бесселя) для учёта смещения выборки. Калькулятор также отображает медиану и моду, которые вместе со средним значением дают надёжное представление о форме и центральном расположении ваших данных. Независимо от того, анализируете ли вы научные измерения, сравниваете качество продукции между партиями или изучаете вариацию результатов тестов, этот инструмент преобразует необработанные числа в значимые статистические выводы.
Часто задаваемые вопросы
Реализация кода
import statistics
def full_stats(data, population=True):
"""Calculate comprehensive statistics for a dataset."""
n = len(data)
total = sum(data)
mean = total / n
if population:
variance = sum((x - mean) ** 2 for x in data) / n
else:
variance = sum((x - mean) ** 2 for x in data) / (n - 1)
std_dev = variance ** 0.5
sorted_data = sorted(data)
mid = n // 2
median = (sorted_data[mid - 1] + sorted_data[mid]) / 2 if n % 2 == 0 else sorted_data[mid]
# Mode
from collections import Counter
freq = Counter(data)
max_freq = max(freq.values())
mode = [k for k, v in freq.items() if v == max_freq] if max_freq > 1 else []
cv = (std_dev / abs(mean)) * 100 if mean != 0 else 0
return {
"count": n, "sum": total, "mean": mean,
"variance": variance, "std_dev": std_dev,
"min": sorted_data[0], "max": sorted_data[-1],
"range": sorted_data[-1] - sorted_data[0],
"median": median, "mode": mode,
"cv_pct": cv,
}
data = [4, 8, 15, 16, 23, 42]
result = full_stats(data, population=True)
for k, v in result.items():
print(f"{k:12}: {v}")Comments & Feedback
Comments are powered by Giscus. Sign in with GitHub to leave a comment.