离差,标准差和 方差

#一日一词#

离差:指单项数值和平均值的差,正负可以作为方向。用来反映某一数值与平均值的偏离程度(距离)。

离差平方和,就是每个数据与平均数差的平方的和。

通常呢,离差都是用来求标准差和方差的。

标准差(sd):用来反映样本数据离散程度的指标。多用来反映样本是否“稳重”。比如一学生整个学期的数学成绩作为样本,计算其标准差,标准差小代表该学生的成绩比较稳定。当然没有固定的标准,多用来比较多组数据的“靠谱性”。

​公式:

 

其中,n为样本的大小(样本自由度,样本频数),u为样本平均数。

在有的计算方法中,分母n用的是n-1,一般规则是计算总体是用n做分母,计算样本时用n-1做分母。(所以对于我们的计算,更多应该用n-1?)

方差就是将标准差平方后的值。一样的作用。

至于什么方差分析,用于检验不同样本数据的差异显著性的指标,后面再说。

转载于:https://www.cnblogs.com/rhongp/p/6383833.html

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
离差是指一组数据中,每个数据与数据的平均值之差的绝对值。离差可以用来衡量数据的分散程度,离差越大,说明数据的分散程度越大。 指标权重确定方法之标准离差法(均方差法)就是使用离差来确定指标的权重。具体步骤如下: 1. 对每个指标进行归一化处理,使得各个指标的取值范围相同。 2. 计算每个指标的标准差,即离差的平均值。 3. 计算每个指标的标准离差,即离差除以标准差。 4. 计算每个指标的权重,即标准离差的平均值除以每个指标的标准离差。 5. 将每个指标的权重进行归一化处理,使得各个指标的权重之和为1。 下面是 Python 代码实现: ```python import numpy as np # 数据 data = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) # 归一化 data_norm = (data - data.min(axis=0)) / (data.max(axis=0) - data.min(axis=0)) # 标准差 std = np.std(data_norm, axis=0) # 标准离差 std_diff = np.abs(data_norm - np.mean(data_norm, axis=0)) / std # 权重 weights = np.mean(std_diff, axis=0) / std_diff # 归一化权重 weights_norm = weights / np.sum(weights) print(weights_norm) ``` 以上代码中,我们使用 numpy 库来进行数值计算,并且假设我们的数据集是一个3行4列的矩阵,每一行代表一个样本,每一列代表一个指标。我们首先对每列数据进行归一化处理,然后计算标准差和标准离差,最后计算每个指标的权重并归一化。最终输出的是一个长度为4的一维数组,表示每个指标的权重。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值