Учебное пособие управляющего типа Агарков В. И., Бутева Л. В. Грищенко С. В. Донецк Донгму, 2006. 277 с
 Скачать 3.03 Mb.
|
|
Последовательность расчета δ по способу моментов: Найти условную среднюю А (А=6). Определить условные отклонения (a) каждой варианты (графа 3) от условной средней (a =V – А). Получить произведения (ар), а затем их просуммировать (графа 4). В нашем примере Σар=23. Рассчитать истинную среднюю арифметическую по формуле  . В нашем примере М=6,7 дней.Получить произведения а2р по всем строкам вариационного ряда и просуммировать их (графа 5). В нашем примере Σа2р=210. Рассчитать δ по способу моментов по формуле:  =2,4 дня.Более упрощенный метод определения среднего квадратического отклонения – по амплитуде ряда, применяется, если отсутствуют необходимые данные для вычисления среднего квадратического отклонения обычным путем или нет необходимости в получении высокой точности показателя колеблемости вариационного ряда:  ,где: К – коэффициент, определяемый по таблице С.И. Ермолаева в зависимости от числа наблюдений (табл. 15). Рассчитав этим способом среднее квадратическое отклонение для предыдущего примера, получим следующее значение δ:  дня.Среднее квадратическое отклонение, вычисленное по амплитуде, может несколько отличаться от вычисленного обычным способом, причем различие это увеличивается с увеличением числа наблюдений. Так, δ, рассчитанная обычным способом, в нашем примере равна 2,4 дня, а по амплитуде – 2,6 дня. Таблица 15 Значения коэффициента К для расчета среднего квадратического отклонения по амплитуде вариационного ряда (таблица С.М. Ермолаева)
Среднее квадратическое отклонение для относительной величины (Р) рассчитывается по формуле:  , где:Р – величина относительного показателя, выраженного в % или ‰ и т.д.; q – величина альтернативы (обратная величина Р), т.е. q=100 – Р или q=1000 – Р. В статистической практике, прежде чем проводить соответствующую обработку и анализ результатов, полученных при конкретных наблюдениях, необходимо ясно представить себе, с каким законом распределения мы имеем дело. Вот почему одним из обязательных этапов методики статистической обработки вариационных рядов является графическое изображение вариационного ряда, которое позволяет определить, какому закону распределения подчиняется данное явление. Чаще всего встречается нормальное распределение, подчиняющееся закону Гаусса-Лапласа. Для нормального распределения характерна симметричность, т.е. крайние варианты (наибольшие и наименьшие) встречаются редко. Чем ближе значения варьирующего признака к величине средней арифметической, тем чаще они встречаются. Наиболее точным показателем, характеризующим симметричность распределения, является коэффициент асимметрии, который рассчитывается по формуле:  Коэффициент асимметрии – величина относительная, колеблется от 0 до 1. Если As равен 0, ряд симметричен, при As≤0,2 мы условно считаем ряд симметричным, а распределение нормальным. Коэффициент асимметрии оценивается по специальной таблице (табл. 16). Таблица 16 Критические значения коэффициента асимметрии As (Р+=0,95)
Если рассчитанный As≤As0,95 (табличного), отвергается предположение о наличии асимметрии, т.е. распределение можно считать нормальным. При As≥As0,95 распределение асимметрично. Знак As указывает направление асимметрии («–» – левосторонняя, «+» – правостороння). В этом случае применяется другая методика статистической обработки вариационных рядов. Нормальное распределение имеет место, если изменчивость значений наблюдаемого явления обусловлена воздействием большого числа различных независимых факторов. Нормальное распределение представляет собой очень простой тип распределения, поскольку оно всегда принимает одну и ту же форму. Ее можно описать, выбрав в качестве меры колеблемости показатель среднеквадратического отклонения. При этом распределении максимальные и минимальные значения варьирующего признака практически не удаляются от среднего значения больше, чем на 3δ, а весь вариационный ряд (его амплитуда) практически находится в пределах 6δ. Изобразим графически количественные характеристики нормального распределения (рис. 2). Обращает на себя внимание, что на форму кривой существенное влияние оказывает среднее квадратическое отклонение. Чем больше δ, тем шире основание и ниже максимальная высота вариационной кривой (больше разнообразие варьирующего признака). Чем меньше значение δ, тем вариационная кривая уже и выше (совокупность более однородна). При этом площадь, ограничиваемая кривой и осью абсцисс, во всех случаях одинакова и условно может быть принята за единицу. Если на оси абсцисс отложить вправо и влево от М величину 1δ (М±δ) и восстановить из этих точек перпендикуляры, то по теории вероятности (теория вероятности изучает законы поведения случайных величин) ограниченная площадь составит не менее 0,683 (68,3%) от всей площади, ограниченной вариационной кривой и осью абсцисс. Отсюда следует, что в пределах М±δ находится не менее 68,3% всех вариант вариационного ряда (все варианты ряда находятся в пределах М±δ с вероятностью безошибочного прогноза 68,3%).  Рис. 2 Нормальное распределение признака (М=12, δ=4) По закону симметричности, отрезки М – δ и М + δ равны в вероятностном отношении и составляют не менее 34,1%. Аналогичным образом находим, что в пределах М±2δ находится не менее 95,5% всех вариант вариационного ряда, а в пределах М±3δ – 97,7%. Таким образом, при нормальном распределении при различных значениях средней и среднеквадратического отклонения, всегда 68,3% наблюдений находятся в пределах ±1δ; 95,5% наблюдений находятся в пределах ±2δ; 99,7% – в пределах ±3δ. И только 0,3% (3 случая на 1000) наблюдений имеют значения, отличные от среднего больше чем на 3δ. Среднее квадратическое отклонение имеет совершенно исключительное значение в статистике и используется в качестве абсолютной меры разнообразия, а также эта величина положена в основу почти всех характеристик изменчивости, распределения, корреляции, регрессии и дисперсионного анализа. При помощи δ определяют типичность средней величины и меру ее точности. Если 95% всех вариант находятся в пределах М±2δ, то средняя является характерной для данного ряда, и не требуется увеличивать число наблюдений в выборочной совокупности. В медицине с величиной М±δ связано понятие нормы и патологии, отклонения от средней (в любую сторону) больше, чем на ±δ, но меньше, чем на ±2δ, считается субнормальным (выше или ниже нормы). При отклонении от средней больше, чем на ±2δ, варианты (показатели) считаются значительно отличающимися от нормы, т.е. патологическими. Практическое значение среднего квадратического отклонения заключается в том, что зная М и δ, можно построить вариационные ряды. Правило 3δ применяется в народном хозяйстве при определении стандартов (для массового пошива одежды, обуви, производства мебели и т.д.). В медицинской статистике правило 3δ применяется при изучении физического развития человека, оценке деятельности учреждений здравоохранения, комплексной оценке здоровья населения и т.д. Среднее квадратическое отклонение является основной абсолютной мерой вариабельности варьирующих признаков, однако, при сравнении разнообразия двух или более совокупностей среднее квадратическое отклонение применяется при соблюдении двух условий: Сравниваются только однородные совокупности (одноименные) или признаки. Средние уровни сравниваемых признаков значительно отличаются друг от друга. При несоблюдении этих условий δ не может быть использована для сравнения разнообразия и в этом случае в качестве относительной меры вариабельности применяется коэффициент вариации. Коэффициент вариации рассчитывается по формуле:  Коэффициент вариации в известной мере является критерием надежности средней арифметической. Если СV≥40%, то средняя арифметическая неустойчива и ненадежна. Оценка степени колеблемости изучаемых признаков по коэффициенту вариации может быть произведена по следующей схеме:
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||