Esimerkkikysymyksiä ja keskustelua: Yksittäisten tietojen varianssi ja keskihajonta
Tilastotiede on matematiikan haara, joka käsittelee datan keräämistä, analysointia, tulkintaa, esittämistä ja järjestämistä. Kaksi tärkeää käsitettä tilastotieteessä ovat varianssi ja keskihajonta. Tässä artikkelissa käsitellään yksityiskohtaisesti, miten yksittäisen datajoukon varianssi ja keskihajonta lasketaan useiden esimerkkiongelmien avulla.
Varianssin ja keskihajonnan ymmärtäminen
Varianssi on mittari, joka mittaa, kuinka paljon datajoukon luvut poikkeavat keskiarvosta tai keskiarvosta. Varianssi ilmaistaan alkuperäisen datan neliöyksiköinä, mikä tekee sen tulkinnasta usein vaikeaa.
Keskihajonta on varianssin neliöjuuri. Se tarjoaa intuitiivisemman mittarin sille, kuinka paljon data yleensä poikkeaa keskiarvosta, koska sen yksiköt ovat samat kuin datan alkuperäiset yksiköt.
Yleinen kaava
Yksittäisille tiedoille populaation varianssin \( \sigma^2 \) ja keskihajonnan \( \sigma \) kaava on seuraava:
1. Varianssi (σ²):
\(\sigma^2 = \frac{1}{N} \sum_{i=1}^{N} (x_i – \mu)^2 \)
2. Keskihajonta (σ):
\(\sigma = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (x_i – \mu)^2} \)
Di mana:
– \(N \) on populaation datamäärä.
– \(x_i \) on i:s data-arvo.
– \( \mu \) on datan keskiarvo.
Jos laskemme otoksen varianssin ja keskihajonnan, yllä olevaa kaavaa muutetaan hieman:
1. Otoksen varianssi (s²):
\(s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i – \bar{x})^2 \)
2. Näytteen keskihajonta (keskihajonta):
\(s = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (x_i – \bar{x})^2} \)
Di mana:
– \(n \) on otoksen datamäärä.
– \( \bar{x} \) on otoksen keskiarvo.
Katso myös Soal ja Pembahasan
Esimerkkikysymys 1:
Seuraavat tiedot huomioon ottaen:
8, 10, 10, 10, 12, 14
Laske datan varianssi ja keskihajonta!
Ratkaisun vaiheet:
1. Keskiarvon (Mean) laskeminen \( \mu \):
\[
\mu = \frac{8 + 10 + 10 + 10 + 12 + 14}{6} = \frac{64}{6} = 10.67
\]
2. Laske datan ja keskiarvon välinen ero ja korota sitten neliö:
\[
(8 – 10.67)^2 = 7.1289
\]
\[
(10 – 10.67)^2 = 0.4489
\]
\[
(10 – 10.67)^2 = 0.4489
\]
\[
(10 – 10.67)^2 = 0.4489
\]
\[
(12 – 10.67)^2 = 1.7689
\]
\[
(14 – 10.67)^2 = 11.1089
\]
3. Kaikkien neliöityjen tulosten yhteenlasku:
\[
\summa (x_i – \mu)^2 = 7.1289 + 0.4489 + 0.4489 + 0.4489 + 1.7689 + 11.1089 = 21.3534
\]
4. Populaatiodatan varianssin (σ²) laskeminen:
\[
ηρ² = ηρ² = 3.559
\]
Huomautus: Koska tämä data on esitetty väestötietona, jaamme sen 6:lla.
5. Keskihajonnan (σ) laskeminen:
\[
Σ = Σ3.559 ∫qrt = noin 1.886
\]
Datan varianssi on siis 3.559 ja keskihajonta on 1.886.
Esimerkkikysymys 2:
Seuraavat esimerkkitiedot otetaan huomioon:
5, 6, 8, 9, 10, 11
Laske otoksen varianssi ja keskihajonta!
Ratkaisun vaiheet:
1. Keskiarvon (Mean) laskeminen \( \bar{x} \):
\[
\bar{x} = \frac{5 + 6 + 8 + 9 + 10 + 11}{6} = \frac{49}{6} = 8.167
\]
2. Laske datan ja keskiarvon välinen ero ja korota sitten neliö:
\[
(5 – 8.167)^2 = 10.035
\]
\[
(6 – 8.167)^2 = 4.694
\]
\[
(8 – 8.167)^2 = 0.028
\]
\[
(9 – 8.167)^2 = 0.694
\]
\[
(10 – 8.167)^2 = 3.361
\]
\[
(11 – 8.167)^2 = 7.945
\]
3. Kaikkien neliöityjen tulosten yhteenlasku:
\[
\sum(x_i – \bar{x})^2 = 10.035 + 4.694 + 0.028 + 0.694 + 3.361 + 7.945 = 26.757
\]
4. Otoksen varianssin (s²) laskeminen:
\[
s^2 = ∫\frac{26.757}{5} = 5.351
\]
Huomautus: Koska kyseessä on näytedata, jaamme sen 5:llä (n-1).
5. Keskihajonnan (s) laskeminen:
\[
s = ∫qrt{5.351} ∫noin 2.313
\]
Joten otosdatan varianssi on 5.351 ja keskihajonta on 2.313.
Johtopäätös
Varianssin ja keskihajonnan laskeminen on olennaista sen ymmärtämiseksi, miten data hajaantuu tietyssä joukossa. Varianssi antaa teoreettisen mitan hajannalle alkuperäisten yksiköiden neliöinä, kun taas keskihajonta tulkitsee hajonnan mitan alkuperäisten datayksiköiden suhteen, mikä helpottaa sen ymmärtämistä. Data-analyysissä näitä kahta mittaria käytetään usein datan vaihtelun arviointiin ja tilastollisten päätösten tekemiseen.
Ymmärtämällä tarvittavat vaiheet ja kaavat voimme helposti laskea varianssin ja keskihajonnan erilaisissa tilanteissa, joita kohtaamme jokapäiväisessä tiedonkeruussa ja -analyysissä. Toivottavasti tämä artikkeli tarjoaa syvemmän ymmärryksen varianssin ja keskihajonnan käsitteistä yksittäisissä tietojoukoissa.
