WedX - журнал о программировании и компьютерных науках

Формула 2 и 3 стандартного отклонения

Я пытаюсь получить 2 и 3 стандартных отклонения по обе стороны от среднего.

Я могу использовать формулу СТАНДОТКЛОН, чтобы получить стандартное отклонение:

STDEV.P(Sheet1[Residual])

Однако как я могу получить 2 или 3 стандартных отклонения? Я немного смущен, как это сделать, поскольку он умножает общее количество дважды, а не стандартное отклонение.

STDEV.P(Sheet1[Residual])*2

Ответы:


1

Касательно

Я немного смущен, как это сделать, поскольку он умножает общее количество дважды, а не стандартное отклонение.

Должен сказать, я тоже немного запутался. Это можно легко сделать с помощью простейших мер, но я могу как-то упустить вашу мысль. Возможно, вы действительно ищете среднее значение +/- 1 и 2 стандартных отклонения для скользящего периода? Если нет, вы можете сделать то, о чем просите, с помощью простых мер, например:

1. mean = AVERAGE(Sheet1[Residual])

2. sigma = STDEV.P(Sheet1[Residual])

3. mean + 2 sigma = [mean] + [sigma]*2

4. mean + 1 sigma = [mean] + [sigma]

5. mean - 1 sigma = [mean] - [sigma]

6. mean - 2 sigma = [mean] - [sigma]*2

Итак, с таким набором данных:

Date,Residual
26.09.2018,15
27.09.2018,17
28.09.2018,14
29.09.2018,14
30.09.2018,20
01.10.2018,11
02.10.2018,19
03.10.2018,19
04.10.2018,18

Вы можете настроить таблицу следующим образом:

введите здесь описание изображения

И добавьте многострочную карточку с такими точными показателями, как эта:

введите здесь описание изображения

04.10.2018
Новые материалы

Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..


Для любых предложений по сайту: [email protected]