Analysis Distributionis Datorum Deviatione Standardi Adhibita
In statisticis, simpliciter "centrum" copiarum datorum intellegere non sufficit. Duae copiae datorum eandem mediam habere possunt, sed earum proprietates propter gradum dispersionis significanter differunt. Hic notio dispersionis datorum magni momenti fit. Una ex popularissimis, robustissimis, et frequentissime adhibitis mensuris dispersionis in variis campis — ab educatione et oeconomia ad salutem et scientiam datorum — est deviatio standardis. Hic articulus notionem, calculum, interpretationem, et usum deviationis standardis ad analysandum quomodo dispersae sunt datae a valore suo centrali tractat.
1. Cur distributio datorum analyzanda est?
Finge duas classes cum media nota in examine mathematico octoginta. In classe A, fere omnes discipuli inter septuaginta octo et octoginta duos puncta adepti sunt. In classe B, quidam discipuli quinquaginta, quidam centum puncta adepti sunt. Mediae notae eaedem sunt, sed condiciones in duabus classibus distincte differunt. Classis A constantem actionem ostendit, dum classis B disparitatem significantem ostendit.
Distributione perscrutata, possumus:
– Consistentiam vel variationem phaenomeni aestimare.
– Mensura periculi (e.g. variatio in reditu pecuniarum collocatarum).
– Comparatio stabilitatis processus (e.g. qualitatis productionis).
– Anomalias potentiales vel data extrema detegere.
Deviatio standardis instrumentum primarium ad hoc propositum est, quia metitur quam longe data a media dispersa sint.
2. Definitio Deviationis Standardis
Deviatio standardis est radix quadrata variantiae. Dum variantia mediam quadratorum differentiarum inter data et mediam metitur, deviatio standardis unitates mensurae ad scalam originalem (e.g., eventus probationum, chiliogrammata, rupiae, etc.) reducit. Hoc deviationem standardis faciliorem reddit ad interpretandum.
Intuitive:
– Parva deviatio standard → data collecta proxima sunt medio (uniformiora).
– Magna deviatio standard → data longe a medio dispersa sunt (magis diversa).
3. Formula Deviationis Standardis: Populatio contra Exemplum
In statisticis, distinguimus inter calculationem deviationis standardis pro populationibus et exemplaribus.
a) Deviatio Standard Populationis (σ)
Si data quae analysantur omnes membra populationis sunt, formula est:
\[
∫sigma = ∫sqrt{\frac{\summa (x_i – μ)^2}{N}}
\]
Information:
– \(x_i\) = i-imum valorem datorum
– μ = media populationis
– \(N\) = numerus datorum populationis
b) Deviatio Standard Exempli (vel Deviationes Standardis)
Si data quae analysantur tantum pars populationis (exempli) sunt, formula est:
\[
s = \sqrt{\frac{\summa (x_i – \bar{x})^2}{n-1}}
\]
Information:
– \(\bar{x}\) = media exemplaris
– \(n\) = numerus datorum exemplarium
– \(n-1\) gradus libertatis appellatur (correctio Besseliana), ita adhibita ut aestimatio variantiae/deviationis standardis sine praejudicio sit.
In usu quotidiano, data quae habemus plerumque in forma exemplorum sunt, ita formula \(n-1\) saepissime adhibetur.
4. Gradus ad Deviationem Standardem Calculandam
Ad processum intelligendum, hic sunt gradus generales ad deviationem standardem exempli calculandam:
1. Mediam (\(\bar{x}\)) computa.
2. Differentiam inter singula data et mediam (\(x_i – \bar{x}\)) computa.
3. Differentiam quadratam adde ((x_i – x)^2).
4. Omnia quadrata adde.
5. Divide per \(n-1\) ut variantiam exempli obtineas.
6. Radicem quadratam ex resultato extrahe ut deviationem standardem (s) obtineas.
Exemplum Simplex
Ponamus valores datorum esse: 70, 75, 80, 85, 90 (n = 5)
– Media: (\bar{x} = (70+75+80+85+90)/5 = 80)
– Differentia: -10, -5, 0, 5, 10
– Differentia quadrata: 100, 25, 0, 25, 100
– Numerus quadratorum: 250
– Variatio exempli: \(250/(5-1)=62,5\)
– Deviatio standard: s = 62,5 circiter 7,91)
Interpretatio simplex: valores a media 80 circiter 7,91 punctis aberrant.
5. Interpretatio Deviationis Standardis in Analysi Datorum
Deviatio standardis non per se stat; significatio eius a contextu pendet. Attamen, quaedam normae generales utiles esse possunt:
Si deviatio standardis prope 0 est, data circa mediam valde concentrata sunt.
– Si deviatio standard magna est, data variabiliora sunt, quod discrepantiam indicat.
Deviatio standardis etiam saepe adhibetur ad:
– Comparatio duorum gregum: exempli gratia duarum classerum cum eadem media, sed diversis deviationibus normalibus.
– Aestimatio stabilitatis processus: productio officinalis cum parva deviatione standard magnitudinis producti significat qualitatem constantiorem.
– Volatilitas mensuranda: in re pecuniaria, deviatio standard redituum actionum saepe ut index periculi adhibetur.
6. Relatio inter Deviationem Standardem et Distributionem Normalem
In datis quae distributionem normalem sequuntur, deviatio standard interpretationem valde validam per regulam empiricam habet:
– Circa 68% datorum in spatio \(\bar{x} \pm 1s\) sunt.
– Circa 95% datorum in spatio \(\bar{x} \pm 2s\) sunt.
– Circa 99,7% datorum in spatio \(\bar{x} \pm 3s\) sunt.
Haec regula utilis est ad aestimandum quantum datorum "normale" sit circa medium et faciliorem reddit detectionem valorum extremorum. Attamen, interest meminisse hanc regulam accuratam esse tantum si data revera prope normale sint.
7. Deviatio Standardis contra Alias Mensuras Dispersionis
Quamquam deviatio standardis valde popularis est, aliae mensurae dispersionis etiam magni momenti sunt:
– Ambitus: differentia inter valores maximos et minimos. Simplex sed ad valores aberrantes valde sensibilis.
– IQR (amplitudo interquartilis): amplitudo inter quartile primum et quartile tertium. Resistentior valoribus aberrantibus quam deviatione standardi.
– MAD (deviatio absoluta mediana): mensura robusta in mediana condita, apta datis cum multis valoribus aberrantibus.
Deviatio standardis superior est cum data relative "pura" sunt et distributio non nimis caudata est. Si data multas exceptiones continent, deviatio standardis maior et minus repraesentativa maioris partis datorum fieri potest.
8. Commoda et Limitationes Deviationis Standardis
Excessus
Omnibus datis utitur (non solum valoribus extremis).
– Fundamentum theoreticum firmum habet et saepe in multis methodis statisticis provectis adhibetur.
– Facile interpretatur quia unitates eaedem sunt ac data originalia.
Limitationes
– Valde sensibilis ad valores aberrantes quia quadratum differentiae implicat.
– Interpretatio "magni" vel "parvi" a scala et contextu pendet.
In distributionibus valde anormalibus, deviatio standard minus repraesentativa esse potest.
9. Conclusio
Dispersio datorum analysanda est gradus maximi momenti ad intellegendas proprietates copiarum datorum. Deviatio standard mensuram perspicuam praebet quantum data a media discedunt, nobis adiuvans ad constantiam, periculum, et qualitatem processus vel phaenomeni aestimandam. Intellegendo quomodo eam computare et interpretari, decisiones certiores facere possumus, sive in investigatione academica, sive in aestimatione effectuum, sive in moderatione qualitatis, sive in analysi negotiorum.
Denique, deviatio standardis non solum numerus est, sed potius summarium magni momenti incertitudinis et variationis in datis inhaerentis. Ad analysin robustiorem, deviatio standardis una cum aliis mensuris — ut mediana, IQR, vel visualisatione datorum — adhibenda est ut imago plenior et accuratior distributionis praebeatur.
