Statistikmodulen i Python tillhandahåller en funktion som kallas stdev() , som kan användas för att beräkna standardavvikelsen. Funktionen stdev() beräknar bara standardavvikelsen från ett urval av data, snarare än en hel population.
För att beräkna standardavvikelsen för en hel population, en annan funktion som kallas pstdev() är använd.
Standardavvikelse är ett mått på spridning i statistik. Den används för att kvantifiera måttet på spridning, variation av en uppsättning datavärden. Det är mycket likt varians, ger måttet på avvikelsen medan variansen ger det kvadratiska värdet.
Ett lågt mått på standardavvikelse indikerar att data är mindre spridda, medan ett högt värde på standardavvikelse visar att data i en uppsättning är spridda från sina medelmedelvärden. En användbar egenskap hos standardavvikelsen är att den, till skillnad från variansen, uttrycks i samma enheter som data.
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.>
Syntax : stdev( [datauppsättning], xbar )
Parametrar:
[data] : En iterabel med reellt värderade siffror.
xbar (Frivillig) : Tar det faktiska medelvärdet av datamängden som värde.
Returtyp: Returnerar den faktiska standardavvikelsen för de värden som skickats som parameter.
Undantag:
Statistikfel höjs för datauppsättning mindre än 2 värden som skickas som parameter.
Omöjliga/precisionslösa värden när värdet anges som xbar matchar inte det faktiska medelvärdet för datamängden.
Kod #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)))> |
>
>
Utgång:
Standard Deviation of the sample is 1.5811388300841898>
Kod #2: Demonstrera stdev() på en varierande uppsättning datatyper
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)))> |
>
>
Utgång:
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>
Kod #3: Demonstrera skillnaden mellan resultaten av varians() och 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)))> |
>
>
Utgång:
Standard Deviation of the sample is 1.5811388300841898 Variance of the sample is 2.5>
Kod #4: Demonstrera användningen av 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)))> |
>
>
Utgång:
Standard Deviation of Sample set is 0.6047037842337906>
Kod #5: Visar 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))> |
>
>
Utgång:
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> Applikationer:
- Standardavvikelse är mycket viktigt inom området statistisk matematik och statistiska studier. Det används ofta för att mäta tillförlitlighet i statistiska beräkningar. Till exempel bestäms felmarginalen vid beräkning av betyg för en tentamen genom att beräkna den förväntade standardavvikelsen i resultaten om samma tentamen skulle genomföras flera gånger.
- Det är mycket användbart inom området för finansiella studier, liksom det hjälper till att bestämma vinst- och förlustmarginalen. Standardavvikelsen är också viktig, där standardavvikelsen på avkastningen på en investering är ett mått på investeringens volatilitet.