محاسبه انحراف معیار در متلب
انحراف معیار از شاخصهای اساسی علم آمار است که برای اندازهگیری میزان پراکندگی دادهها حول میانگین استفاده میشود. در نرم افزار متلب، محاسبه انحراف معیار با استفاده از توابع آماده قابل انجام است.
در این مقاله انحراف معیار و فرمول آن را توضیح داده و نحوه محاسبه انواع مختلف انحراف معیار را با کد و نمایش خروجی به صورت متن و تصویر آورده ایم. مطالعه این محتوا به شما در درک عمیق استفاده از انحراف معیار و نحوه استفاده از آن در انجام پروژه ها کمک میکند. شاید برایتان مفید باشد بگوییم یکی از خدمات ما در پروژستان انجام پروژه متلب شماست. بنابراین شما میتوانید علاوه بر مطالعه محتواهای رایگان ما در این حوزه، از خدمات ما در این زمینه هم بهره ببرید.
انحراف معیار یا sigma (δ) معیاری است که توزیع دادهها را حول میانگین نشان میدهد. به عبارت دیگر، این پارامتر اندازهگیری میکند که دادهها به طور میانگین چقدر از میانگین فاصله دارند. فرمول محاسبه انحراف معیار برای دادههای نمونه به صورت زیر است:
که در آن:
|
انحراف معیار |
δ |
|
تعداد دادهها |
N |
|
مقادیر دادهها |
xi |
|
میانگین دادهها |
در متلب، توابع مختلفی برای محاسبه انحراف معیار وجود دارد که میزان پراکندگی دادهها حول میانگین را اندازهگیری میکند. مهمترین این توابع std است. تابع std برای محاسبه انحراف معیار استفاده میشود. این تابع میتواند برای دادههای نمونهای و همچنین برای دادههای جمعیتی استفاده شود. همچنین، تابع std میتواند با پارامترهای اضافی برای تغییر رفتار تابع استفاده شود و به عنوان مثال بجای محاسبه انحراف معیار برای داده نمونه، برای داده جمعیت استفاده شود. تابع std به سادگی و با انعطافپذیری بالا امکان محاسبه انحراف معیار برای دادههای نمونهای و جمعیتی را فراهم میآورد. همچنین، با استفاده از متلب میتوان دادهها را تحلیل و مصورسازی کرد تا بهتر بتوان پراکندگی دادهها را درک کرد. در متلب، تابع std برای محاسبه انحراف معیار استفاده میشود. این تابع میتواند به دو صورت اصلی به کار رود:
1. انحراف معیار نمونهای
2. انحراف معیار جمعیتی
گاهی اوقات دادهها به صورت گروهی (بخشبندی شده) موجود است. در این حالت، میتوان انحراف معیار را برای هر گروه به طور جداگانه محاسبه کرد.
همچنین تابع var در متلب برای محاسبه واریانس دادهها استفاده میشود. واریانس، مربع انحراف معیار است و از این رو، با استفاده از آن میتوان انحراف معیار را نیز به دست آورد. تابع iqr هم برای محاسبه محدوده بین چارکی (Interquartile Range) استفاده میشود که نشاندهنده پراکندگی دادهها است، ولی به صورت مستقیم انحراف معیار را محاسبه نمیکند.
مثال1- نحوه استفاده از تابع std
clc; clear; close all;
% تعریف دادهها
data = [10, 12, 23, 23, 16, 23, 21, 16];
% محاسبه انحراف معیار
std_dev = std(data);
disp([‘std_dev= ‘, num2str(std_dev)]);
خروجی:
std_dev= 5.2372
توضیح: در مثال فوق data،آرایهای از دادههای ورودی، std(data) برای محاسبه انحراف معیار دادهها و دستور disp()نمایش نتیجه است.
مثال 2: محاسبه انحراف معیار برای دادههای جمعیتی
clc; clear; close all;
% تعریف دادهها
data = [10, 12, 23, 23, 16, 23, 21, 16];
% محاسبه انحراف معیار برای دادههای جمعیتی
std_dev_pop = std(data, 1);
disp([‘انحراف معیار (جمعیت): ‘, num2str(std_dev_pop)]);
خروجی:
std_dev_pop = 4.899
توضیح: دستور std(data, 1) محاسبه انحراف معیار با فرض اینکه دادهها به عنوان یک جمعیت در نظر گرفته شدهاند. یعنی در فرمول انحراف معیار بجای تقسیم بر N-1 عبارت بر N تقسیم شود.
مثال3: مصورسازی با نمودار
clc; clear; close all;
% تعریف دادهها
data = [10, 12, 23, 23, 16, 23, 21, 16];
% محاسبه میانگین و انحراف معیار
mean_data = mean(data);
std_dev = std(data);
% ایجاد نمودار
figure;
errorbar(1:length(data), data, std_dev*ones(size(data)), ‘o’);
xlabel(‘Index’);
ylabel(‘Value’);
title(‘std dev Plot’);
خروجی:
توضیح: برای درک بهتر پراکندگی دادهها، میتوانیم دادهها را به همراه انحراف معیار مصورسازی کنیم.
mean(data): .محاسبه میانگین دادهها
errorbar(): .ایجاد نمودار با خطای استاندارد
std_dev*ones(size(data)):. تعریف مقادیر انحراف معیار برای نمایش در نمودار
مثال 4- محاسبه واریانس با تابع var و انحراف معیار
clc; clear; close all;
% تعریف دادهها
data = [10, 12, 23, 23, 16, 23, 21, 16];
% محاسبه واریانس
variance = var(data);
disp([‘variance = ‘, num2str(variance)]);
% محاسبه انحراف معیار از واریانس
std_dev_from_var = sqrt(variance);
disp([‘std_dev_from_var = ‘, num2str(std_dev_from_var)]);
خروجی:
variance = 27.4286
std_dev_from_var = 5.2372
توضیح: دستور var(data) برای محاسبه واریانس دادهها و دستور sqrt(variance) برای محاسبه انحراف معیار از واریانس استفاده شده است.
مثال 5: محاسبه محدوده بین چارکی با تابع iqr
clc; clear; close all;
% تعریف دادهها
data = [10, 12, 23, 23, 16, 23, 21, 16];
% محاسبه محدوده بین چارکی
iqr_value = iqr(data);
disp([‘iqr_value = ‘, num2str(iqr_value)]);
خروجی:
iqr_value = 9
توضیح: دستور iqr(data) محاسبه محدوده بین چارکی که نشاندهنده پراکندگی دادهها است.
مثال 6: محاسبه انحراف معیار برای گروههای مختلف
clc; clear; close all;
% تعریف دادههای گروهی
data_group1 = [10, 12, 15, 18];
data_group2 = [22, 25, 27, 30];
% محاسبه انحراف معیار برای هر گروه
std_dev_group1 = std(data_group1);
std_dev_group2 = std(data_group2);
disp([‘std_dev_group1 = ‘, num2str(std_dev_group1)]);
disp([‘std_dev_group2 = ‘, num2str(std_dev_group2)]);
خروجی:
std_dev_group1 = 3.5
std_dev_group2 = 3.3665
توضیح: محاسبه انحراف معیار برای هر گروه به طور جداگانه انجام شده است.
