ການຮຽນສອນການບັນຕັບຄວາມກຳນົດ - ຄວາມພະຍາຍາມ

ຫຍັງຈະເປັນຄວາມວຽກວາງ?

ຄວາມວຽກວາງ (Standard Deviation, ບາງຄັ້ງກໍ່ເອີ້ນວ່າ ຄວາມວຽກວາງຂອງຄວາມສະເລ່ຍ) ແມ່ນຄວາມທີ່ອະທິບາຍຄວາມກະຈາຍກາຍຂອງຄວາມຂັດແຍ່ງ.

ຄວາມວຽກວາງຕໍ່າສະແດງວ່າຄວາມຈຳນວນສ່ວນຫຼາຍຂອງຄວາມຂັດແຍ່ງຢູ່ທາງພາຍໃຫ້ຄວາມສະເລ່ຍ (ຄວາມສະເລ່ຍ).

ຄວາມວຽກວາງສູງຫຼາຍສະແດງວ່າຄວາມຂັດແຍ່ງຂອງຄວາມຂັດແຍ່ງແມ່ນກະຈາຍກາຍຢູ່ອາກາດກວ້າງຂວາງ.

ຕົວຢ່າງ:ຄືດັ່ງທີ່ພວກເຈົ້າໄດ້ລົງທະບຽນຄວາມຄວາມໄວຂອງລົດ 7 ຄັນນັບຕັ້ງແຕ່ມື້ນີ້:

speed = [86,87,88,86,87,85,86]

ຄວາມວຽກວາງແມ່ນ:

0.9

ຄືດັ່ງທີ່ພວກເຈົ້າໄດ້ເຫັນ, ຄວາມຈຳນວນສ່ວນຫຼາຍຂອງຄວາມຂັດແຍ່ງຢູ່ພາຍໃນຂອບເຂດຄວາມສະເລ່ຍຂອງຄວາມສະເລ່ຍ 0.9, ຄື 86.4.

ພວກເຈົ້າຈະຄົ້ນຄວາມວຽກວາງຂອງຄວາມຂັດແຍ່ງຫຼາຍກວ່າ:

speed = [32,111,138,28,59,77,97]

ຄວາມວຽກວາງແມ່ນ:

37.85

ຄືດັ່ງທີ່ພວກເຈົ້າໄດ້ເຫັນ, ຄວາມຈຳນວນສ່ວນຫຼາຍຂອງຄວາມຂັດແຍ່ງຢູ່ພາຍໃນຂອບເຂດຄວາມສະເລ່ຍ (ຄວາມສະເລ່ຍມີ 77.4) 37.85.

ຄືດັ່ງທີ່ພວກເຈົ້າໄດ້ເຫັນ, ຄວາມວຽກວາງສູງຫຼາຍສະແດງວ່າຄວາມຂັດແຍ່ງຂອງຄວາມຂັດແຍ່ງແມ່ນກະຈາຍກາຍຢູ່ອາກາດກວ້າງຂວາງ.

NumPy ມີວິທີການຄົ້ນຄວາມວຽກວາງ:

ຫນັງ

ຂອບໃຫ້ໃຊ້ NumPy std() ກົນລະຍຸດຄວາມວຽກວາງ:

import numpy
speed = [86,87,88,86,87,85,86]
x = numpy.std(speed)
print(x)

ການຕອບກັບຫນັງ

ຫນັງ

import numpy
speed = [32,111,138,28,59,77,97]
x = numpy.std(speed)
print(x)

ການຕອບກັບຫນັງ

ຄວາມວຽກວາງ

ຄວາມວຽກວາງແມ່ນຄວາມທີ່ອື່ນໆ, ສະແດງຄວາມກະຈາຍກາຍຂອງຄວາມຂັດແຍ່ງ.

ຄວາມຈິງ, ຖ້າພວກເຈົ້າທົດລອງຕາຍຕອນຂອງຄວາມວຽກວາງ, ພວກເຈົ້າຈະໄດ້ຮັບຄວາມວຽກວາງ!

ຫຼືບໍ່, ຖ້າພວກເຈົ້າທົດລອງຄວາມວຽກວາງຕາມຄວາມວຽກວາງ, ພວກເຈົ້າຈະໄດ້ຮັບຄວາມວຽກວາງ!

ຖ້າພວກເຈົ້າຕ້ອງຄົ້ນຄວາມວຽກວາງ, ພວກເຈົ້າຕ້ອງດຳເນີນການດັ່ງຕໍ່ມາ:

1. ຄົ້ນຄວາມສະເລ່ຍ:

(32+111+138+28+59+77+97) / 7 = 77.4

2. ສໍາລັບທຸກຄວາມ:ຊອກຄວາມແຕກຕ່າງຈາກຄວາມສະເລ່ຍ:

 32 - 77.4 = -45.4
111 - 77.4 =  33.6
138 - 77.4 =  60.6
 28 - 77.4 = -49.4
 59 - 77.4 = -18.4
 77 - 77.4 = - 0.4
 97 - 77.4 =  19.6

3. ສໍາລັບທຸກຄວາມແຕກຕ່າງ:ຊອກຄວາມຕາຍຕອນຂອງຄວາມແຕກຕ່າງ:

(-45.4)2 = 2061.16 
 (33.6)2 = 1128.96 
 (60.6)2 = 3672.36 
(-49.4)2 = 2440.36 
(-49.4)2 = 2440.36 
(-18.4)2 (- 0.4) 
 =    0.162 (19.6)

= 384.16

4. ຄວາມຫວັງຫລັງແມ່ນມີຄວາມຫວັງຫລັງຂອງຈາກການກະຕຸ້ມ:

(2061.16+1128.96+3672.36+2440.36+338.56+0.16+384.16) / 7 = 1432.2

ຫນັງ

ທີ່ມີຄວາມຍິນຍອມ, NumPy ມີວິທະຍາສາດການຄົ້ນຫາຄວາມຫວັງຫລັງ: var() ວິທະຍາສາດການຄົ້ນຫາຄວາມຫວັງຫລັງ:

import numpy
speed = [32,111,138,28,59,77,97]
x = numpy.var(speed)
print(x)

ການຕອບກັບຫນັງ

ຄວາມຜິດຫວັງ

ພາຍໃຕ້ຄວາມຮູ້, ວິທະຍາສາດການຄົ້ນຫາຄວາມຜິດຫວັງຈະແມ່ນສິ່ງທີ່ສຳຄັນ:

√ 1432.25 = 37.85

ຫລື, ອີກວິທະຍາສາດ NumPy ການຄົ້ນຫາຄວາມຫວັງຫລັງ:

ຫນັງ

ການພົບຂໍ້ມູນຈາກ NumPy std() ວິທະຍາສາດ:

import numpy
speed = [32,111,138,28,59,77,97]
x = numpy.std(speed)
print(x)

ການຕອບກັບຫນັງ

ອີກອີກ

ຄວາມຜິດຫວັງຈະສະແດງໂດຍອີກວິທະຍາສາດ Sigmaσ

ຄວາມຫວັງຫລັງຈະສະແດງໂດຍອີກວິທະຍາສາດ Sigma Square σ2 ສະທ້ອງການສະແດງ

ການວິຈານຫນ້າທີ່

ຄວາມຜິດຫວັງ ແລະ ຄວາມຫວັງຫລັງແມ່ນອັນດັບປະໂຫຍດໃນການຮຽນຮູ້ດ້ານການຮຽນຮູ້ທາງຄອມພິວເຕິ້, ດັ່ງນັ້ນການຮູ້ວ່າບາງວິທະຍາສາດແມ່ນມີຄວາມສຳຄັນ.