Standart Sapma Hesaplayıcı
Ortalama, varyans, standart sapma, medyan ve modu hesaplayın. Kitle ve örneklem formüllerini destekler.
Bu araç hakkında
Standart sapma, verilerinizin ortalamadan ne kadar yayıldığını ölçer ve istatistikte en önemli kavramlardan biridir. Ortalama merkezi eğilimi size söylerken, standart sapma değişkenliği ortaya çıkarır—bireysel değerler tipik olarak o merkezden ne kadar saptığını gösterir. Bu metrik, veri tutarlılığını anlamak, finansal portföyler içinde riski belirlemek, kalite kontrol ve bilimsel araştırmada ölçüm hassasiyetini değerlendirmek için kritiktir.
Hesap makinesini kullanmak için basitçe veri değerlerinizi girin (virgül veya satır sonu ile ayrılmış). Tam bir popülasyonu mı yoksa daha büyük bir popülasyondan bir örneği mı analiz ettiğinizi seçin—bu formülü değiştirir çünkü örnekler tam popülasyondan daha az değişim gösterme eğilimindedir. Araç anında ortalama, varyans, standart sapma, medyan ve modu hesaplar ve size eksiksiz bir istatistiksel anlık görüntü sağlar. Bu, deneysel sonuçları doğrulayan araştırmacılar, tutarlılığı izleyen işletmeler, değerlendirmeleri derecelendiren eğitimciler ve gerçek dünya veri setlerini yorumlayan analistler için çok değerlidir.
Popülasyon ve örnek standart sapması arasındaki farkı anlamak anahtardır: popülasyon SD, N'ye bölünür, örnek SD ise örnek alım sapmasını hesaba katmak için N-1'e (Bessel düzeltmesi) bölünür. Hesap makinesi ayrıca medyan ve modu görüntüler; bunlar ortalama ile birlikte verilerinizin şekli ve merkezi konumu hakkında güçlü bir görüş sağlar. Bilimsel ölçümleri analiz ettiğiniz, ürün kalitesini partiler arasında karşılaştırdığınız veya test puanlarındaki değişimi incelediğiniz olsun, bu araç ham sayıları anlamlı istatistiksel bulgulara dönüştürür.
Sıkça Sorulan Sorular
Kod Uygulaması
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.