




 
   

 
 



Υπάρχουν μέτρα (αριθμητικά μεγέθη), που μας δίνουν

α) τη θέση του “κέντρου” των παρατηρήσεων στον οριζόντιο άξονα και
β) τη διασπορά των παρατηρήσεων, δηλαδή πόσο αυτές εκτείνονται γύρω από το “κέντρο” τους.
Τα πρώτα τα καλούμε μέτρα θέσης της κατανομής (location measures), ενώ τα δεύτερα μέτρα διασποράς ή μέτρα
μεταβλητότητας (measures of variability).
Εκτός από τα μέτρα θέσης και διασποράς μιας κατανομής πολλές φορές είναι απαραίτητος και ο προσδιορισμός
κάποιων άλλων μέτρων, που καθορίζουν τη μορφή της κατανομής. Κατά πόσο δηλαδή η αντίστοιχη καμπύλη
συχνοτήτων είναι συμμετρική ή όχι ως προς την ευθεία x = x0 , για δεδομένο σημείο x0 του άξονα 0x . Τα μέτρα
αυτά, που συνήθως εκφράζονται σε συνάρτηση με τα μέτρα θέσης και διασποράς,
καλούνται μέτρα ασυμμετρίας (measures of skewness) . A
Υπολογίζοντας από ένα σύνολο δεδομένων κάποια από τα ανωτέρω μέτρα,
μπορούμε να έχουμε μια σύντομη περιγραφή της μορφής της καμπύλης
Γ
συχνοτήτων. Στο διπλανό σχήμα οι καμπύλες συχνοτήτων Α και Β είναι συμμετρικές
B Δ
με το ίδιο “κέντρο” x0 , αλλά η Β έχει μεγαλύτερη μεταβλητότητα από την Α. Οι
καμπύλες Γ και Δ είναι ασύμμετρες, με τη Γ όπως λέμε να παρουσιάζει θετική
ασυμμετρία και τη Δ αρνητική ασυμμετρία. Το “κέντρο” της Γ είναι αριστερότερα
του x 0 , ενώ της Δ είναι δεξιότερα του x0 . Η Δ παρουσιάζει μεγαλύτερη
x0 x
μεταβλητότητα από τη Γ.

Μέτρα Θέσης
Τα πιο συνηθισμένα μέτρα που χρησιμοποιούνται για την περιγραφή της θέσης ενός συνόλου δεδομένων πάνω στον
οριζόντιο άξονα Οχ, εκφράζοντας την “κατά μέσο όρο” απόστασή τους από την αρχή των αξόνων, είναι ο αριθμητικός
μέσος ή μέση τιμή (arithmetic mean or average) και η διάμεσος (median).
α) Μέση Τιμή ( x )
Η μέση τιμή ενός συνόλου ν παρατηρήσεων ορίζεται ως το άθροισμα των παρατηρήσεων διά του πλήθους των
παρατηρήσεων.
Όταν σε ένα δείγμα μεγέθους ν οι παρατηρήσεις μιας μεταβλητής Χ είναι t1, t 2 ,..., t v , τότε η μέση τιμή συμβολίζεται
με x και δίνεται από τη σχέση:

t + t + ... + t ν
∑t i
1
ν
x= 1 2
ν
= i =1
ν
=
ν ∑t
i =1
i

ν
όπου το σύμβολο ∑t
i =1
i παριστάνει μια συντομογραφία του αθροίσματος t1 + t2 + ... + t v και διαβάζεται

“άθροισμα των t i από i = 1 έως ν”. Συχνά, όταν δεν υπάρχει πρόβλημα σύγχυσης, συμβολίζεται και ως ∑t i .
Παράδειγμα 1: Έστω ότι έχουμε τις παρακάτω 8 παρατηρήσεις : 2, 5, 7, 1, 0, 3, 4, 1018. Τότε η μέση τιμή θα
2 + 5 + 7 + 1 + 0 + 3 + 4 + 14 36
είναι: x = = = 4,5
8 8
Προσέξτε ότι η μέση τιμή ΔΕΝ είναι υποχρεωτικά μία από τις παρατηρήσεις αλλά θα t1 + t 2 + ... + t ν
πρέπει να ανήκει στο διάστημα [tmin,tmax], όπου tmin και tmax η μικρότερη και
x =
ν
μεγαλύτερη παρατήρηση του δείγματος.

1
Σε μια κατανομή συχνοτήτων, αν x1, x 2 ,..., x κ είναι οι τιμές της μεταβλητής Χ με συχνότητες v1, v 2 ,..., v κ
αντίστοιχα, η μέση τιμή ορίζεται ισοδύναμα από τη σχέση:

x ν + x 2 ν 2 + ... + xκ νκ
∑x ν i i
1
κ
x= 1 1
ν1 + ν 2 + ... + ν κ
= i=1
κ
=
ν ∑x ν i i

∑ν i=1
i
i=1

Η παραπάνω σχέση ισοδύναμα γράφεται:

κ κ
νi
x= ∑x
i =1
i
ν
= ∑x f
i =1
i i

όπου fi οι σχετικές συχνότητες.

Παράδειγμα 2: Έστω ότι έχουμε το παρακάτω δείγμα δοσμένο με πίνακα (απόλυτων) συχνοτήτων:
Χi νi
1 5
2 8 δηλαδή αναπτυγμένα το δείγμα θα ήταν : 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3, 3, 3
3 12 3, 3, 3, 4, 4, 4, 4, 4
4 5
1 ⋅ 5 + 2 ⋅ 8 + 3 ⋅ 12 + 4 ⋅ 5 5 + 16 + 36 + 20 77 χ1⋅ ν 1 + χ 2 ⋅ ν 2 + ... + χ κ ⋅ ν κ
Η μέση τιμή θα είναι : x = = = = 2,88 x =
25 25 25 ν 1 + ν 2 + ... + ν κ

Παράδειγμα 3: Έστω ότι έχουμε το παρακάτω δείγμα δοσμένο με πίνακα σχετικών συχνοτήτων:
Χi fi
1 0,2
2 0,1 x = χ 1 ⋅ f1 + x 2 ⋅ f2 + ... + x κ ⋅ fκ
3 0,4
4 0,3
Σε αυτή την περίπτωση η μέση τιμή θα είναι: x = 1 ⋅ 0,2 + 2 ⋅ 0,1 + 3 ⋅ 0,4 + 4 ⋅ 0,3 = 0,2 + 0,2 + 1,2 + 1,2 = 2,8

Παράδειγμα 4: Έστω ότι έχουμε τις παρακάτω ομαδοποιημένες παρατηρήσεις:

Κλάσεις Χi νi
[0,4) 2 12 κεντρική τιμή
↑
[4,8) 6 8
χ 1 ⋅ ν 1 + χ 2 ⋅ ν 2 + ... + χ κ ⋅ ν κ
[8,12) 10 10 x=
[12,16) 14 7 ν 1 + ν 2 + ... + ν κ
[16,20) 18 13
2 ⋅ 12 + 6 ⋅ 8 + 10 ⋅ 10 + 14 ⋅ 7 + 18 ⋅ 13 24 + 48 + 100 + 98 + 234 504
Η μέση τιμή θα είναι: x = = = = 10,08 .
50 50 50
Προσέξτε ότι στον παρανομαστή βάζουμε το μέγεθος του δείγματος και όχι τον αριθμό των κλάσεων.

β) Σταθμικός Μέσος
Στις περιπτώσεις που δίνεται διαφορετική βαρύτητα (έμφαση) στις τιμές x1, x2 ,..., xν ενός συνόλου δεδομένων, τότε
αντί του αριθμητικού μέσου χρησιμοποιούμε τον σταθμισμένο αριθμητικό μέσο ή σταθμικό μέσο (weighted mean).
Εάν σε κάθε τιμή x1, x 2 ,..., x ν δώσουμε διαφορετική βαρύτητα, που εκφράζεται με τους λεγόμενους συντελεστές
στάθμισης (βαρύτητας) w1, w 2 ,..., w ν , τότε ο σταθμικός μέσος βρίσκεται από τον τύπο:

x w + x 2 w 2 + ... + x ν w ν
∑x w
i =1
i i
x= 1 1 = ν .
w1 + w 2 + ... + w ν
∑w
i =1
i

2
Παράδειγμα 5: Μας δίνονται οι παρατηρήσεις 12, 15, 18, 16 με συντελεστές στάθμισης 1, 2, 2 και 5 αντίστοιχα. Ο
12 ⋅ 1 + 15 ⋅ 2 + 18 ⋅ 2 + 16 ⋅ 5 12 + 30 + 36 + 80 158
σταθμικός μέσος είναι : x = = = = 15,8
1+ 2 + 2 + 5 10 10

γ) Διάμεσος (δ)
Οι χρόνοι (σε λεπτά) που χρειάστηκαν 9 μαθητές, για να λύσουν ένα πρόβλημα είναι: 3, 5, 5, 36, 6, 7, 4, 7, 8 με μέση
τιμή x = 9 . Παρατηρούμε όμως ότι οι οκτώ από τις εννέα παρατηρήσεις είναι μικρότερες του 9 και μία (ακραία τιμή), η
οποία επηρεάζει και τη μέση τιμή είναι, αρκετά μεγαλύτερη του 9. Αυτό σημαίνει ότι η μέση τιμή δεν ενδείκνυται ως
μέτρο θέσης (“κέντρο”) των παρατηρήσεων αυτών. Αντίθετα, ένα άλλο μέτρο θέσης που δεν επηρεάζεται από
ακραίες παρατηρήσεις είναι η διάμεσος (median), η οποία ορίζεται ως εξής:

Διάμεσος (δ) ενός δείγματος ν παρατηρήσεων οι οποίες έχουν διαταχθεί σε αύξουσα σειρά ορίζεται ως η μεσαία
παρατήρηση, όταν το ν είναι περιττός αριθμός, ή ο μέσος όρος (ημιάθροισμα) των δύο μεσαίων παρατηρήσεων όταν
το ν είναι άρτιος αριθμός.

Παράδειγμα 6: Μας δίνονται οι τιμές 2, 1, 0, 2, 2 3, 5, 2, 1 ενός δείγματος. Για να βρούμε την διάμεσο πρέπει
πρώτα να διάταξουμε σε αύξουσα σειρά τις παρατηρήσεις : 0, 1, 1, 2, 2, 2, 2, 3, 5 και επειδή το
ν +1
πλήθος είναι περιττό η διάμεσος είναι η παρατήρηση που βρίσκεται στην θέση = 5 , δηλαδή δ=2.
2
Παράδειγμα 7: Μας δίνονται οι τιμές 1, 1, 0, 2, 5, 2, 3, 5, 1, 1 ενός δείγματος. Για να βρούμε την διάμεσο πρέπει
πρώτα να διάταξουμε σε αύξουσα σειρά τις παρατηρήσεις : 0, 1, 1, 1, 1, 2, 2, 3, 5, 5 και επειδή το
πλήθος είναι άρτιο η διάμεσος είναι το ημιάθροισμα των παρατήρησεων που βρίσκονται στις θέσεις
ν ν
και + 1 , δηλαδή στις θέσεις 5 και 6 οπότε δ=1,5 .
2 2
Προσέξτε ότι στην περίπτωση που το μέγεθος του δείγματος είναι ΠΕΡΙΤΤΟ τότε η διάμεσος
είναι οπωσδήποτε ΜΙΑ από τις παρατηρήσεις, ενώ στην περίπτωση που το πλήθος είναι ΑΡΤΙΟ,
αυτό δεν είναι απαραίτητο.
Παράδειγμα 8: Δίνονται οι τιμές των 80 παρατηρήσεων ενός δείγματος με την μορφή του πίνακα (απόλυτων)
συχνοτήτων :
Χi νi
1 15
2 30
3 25
4 10
40 41

δηλαδή αναπτυγμένα το δείγμα θα ήταν 111
 ...
1 22
  ..
22
.2 33
 ...3 44
 ...4 και η διάμεσος (το μέγεθος του
15 φορ ές 30 φορ ές 25 φορ ές 10 φορ ές

tν + tν
δείγματος είναι άρτιο) θα είναι 2 2
+1 t 40 + t 41 2 + 2
δ= = = =2
2 2 2
Παράδειγμα 9: Δίνονται οι τιμές των 101 παρατηρήσεων ενός δείγματος με την μορφή του πίνακα (απόλυτων)
συχνοτήτων :
Χi νi
1 25
2 25
3 30
4 21
51

δηλαδή αναπτυγμένα το δείγμα θα ήταν 111
 ...
1 22
 ...2 
3 3
...3 44
 ...4 και η διάμεσος (το μέγεθος του
25 φορ ές 25 φορ ές 30 φορ ές 21 φορ ές

δ = t ν +1 = t 51 = 3
δείγματος είναι περιττό) θα είναι
2
Παράδειγμα 10: Δίνονται οι τιμές των παρατηρήσεων ενός δείγματος με την μορφή του πίνακα σχετικών
συχνοτήτων :
Χi fi
1 0,3
2 0,4
3 0,2
3
4 0,1
50%
δηλαδή αναπτυγμένα το δείγμα θα ήταν 111
...
1 22
  ..
2 ...2 33
 ...3 44
 ...4 ,και επειδή Θελουμε την παρατήρηση
30% 40% 20% 10%
που έχει τιμή μικρότερη από το 50% των παρατηρήσεων και μεγαλύτερη από το 50% των παρατηρήσεων, οπότε
δ=2

Παρατηρούμε ότι, η διάμεσος είναι η τιμή που χωρίζει ένα σύνολο παρατηρήσεων σε δύο ίσα μέρη όταν οι
παρατηρήσεις αυτές τοποθετηθούν με σειρά τάξης μεγέθους. Ακριβέστερα, η διάμεσος είναι η τιμή για την οποία το
πολύ 50% των παρατηρήσεων είναι μικρότερες από αυτήν και το πολύ 50% των παρατηρήσεων είναι μεγαλύτερες
από την τιμή αυτήν.

Διάμεσος σε Ομαδοποιημένα Δεδομένα

Η διάμεσος, όπως ορίστηκε, αντιστοιχεί στην τιμή x = δ της μεταβλητής Χ (στον οριζόντιο άξονα), έτσι ώστε το 50%
των παρατηρήσεων να είναι μικρότερες ή ίσες του δ. Δηλαδή, η διάμεσος θα έχει αθροιστική σχετική συχνότητα
Fi = 50 % .
Παράδειγμα 11: Δίνονται οι παρακάτω ομαδοποιημένες παρατηρήσεις
Κλάσεις Χi νi Fi(%) Ισ τό γρ αμ μ α α θρο ισ τικ ώ ν σ χετικ ώ ν
[0,4) 2 6 12 σ υ χνο τή τω ν
[4,8) 6 12 36
1 00
[8,12) 10 18 72 90
[12,16) 14 10 92 80
[16,20) 18 4 100 70
Για να βρούμε την διάμεσο χρειαζόμαστε το ιστόγραμμα αθροιστικών 60
σχετικών συχνοτήτων, οπότε με την βοήθεια του Θεωρήματος Θαλή

Fi (%)
50
δ−8 50 − 36 δ − 8 14 40
έχουμε = ⇔ = ⇔ δ = 9,55 30
12 − 8 72 − 36 4 36 20
10
0
0-4 4 -8 8 -12 1 2-1 6 16 -20

Μέτρα Διασποράς
Στα προηγούμενα είδαμε ότι τα μέτρα θέσης παρέχουν κάποια πληροφορία για την κατανομή ενός πληθυσμού. Αυτά
όμως δεν επαρκούν, για να περιγράψουν πλήρως την κατανομή. Παράλληλα λοιπόν με τα μέτρα θέσης κρίνεται
απαραίτητη και η εξέταση κάποιων μέτρων διασποράς ή μεταβλητότητας, δηλαδή μέτρων που εκφράζουν τις
αποκλίσεις των τιμών μιας μεταβλητής γύρω από τα μέτρα κεντρικής τάσης. Τέτοια μέτρα λέγονται μέτρα διασποράς
(measures of variation, dispersion measures). Τα σπουδαιότερα μέτρα διασποράς είναι το εύρος, η διακύμανση και η
τυπική απόκλιση.

α) Εύρος (R)
Το απλούστερο από τα μέτρα διασποράς είναι το εύρος ή κύμανση (range) (R), που ορίζεται ως η διαφορά της
ελάχιστης παρατήρησης από τη μέγιστη παρατήρηση, δηλαδή:

Εύρος R = Μεγαλύτερη παρατήρηση-Μικρότερη παρατήρηση

Όταν έχουμε ομαδοποιημένα δεδομένα, το εύρος δίνεται από τη διαφορά του κατώτερου ορίου της πρώτης κλάσης
από το ανώτερο όριο της τελευταίας κλάσης. Το εύρος είναι ένα αρκετά απλό μέτρο, που υπολογίζεται εύκολα δε
θεωρείται όμως αξιόπιστο μέτρο διασποράς, γιατί βασίζεται μόνο στις δυο ακραίες παρατηρήσεις.

γ) Διακύμανση (s2)

(απόδειξη της πρότασης : Η μέση τιμή των διαφορών της μέσης τιμής από κάθε παρατήρηρη είναι 0)

4
Ένας άλλος τρόπος για να υπολογίσουμε τη διασπορά των παρατηρήσεων t1 , t 2 ,..., t v μιας μεταβλητής Χ θα ήταν να
αφαιρέσουμε τη μέση τιμή x από κάθε παρατήρηση και να βρούμε τον αριθμητικό μέσο των διαφορών αυτών, δηλαδή
v

τον αριθμό: (t 1 − x) + (t 2 − x) + ... + (t v − x) ∑(t

i=1
i − x)
=
v v
v

(t 1 − x) + (t 2 − x) + ... + (t v − x) i=1
(t i − x)
.∑
=
v v
Ο αριθμός όμως αυτός είναι ίσος με μηδέν, αφού

(t 1 − x) + (t 2 − x) + ... + (t v − x) t 1 + t 2 + ... + t v vx
= − = x−x = 0.
v v v

Γι’αυτό, ως ένα μέτρο διασποράς παίρνουμε τον μέσο όρο των τετραγώνων των αποκλίσεων των t i από τη μέση
τιμή τους x . Το μέτρο αυτό καλείται διακύμανση ή διασπορά (variance) και ορίζεται από τη σχέση:

1
ν
( t1 − x ) 2 + ( t2 − x ) 2 ... + (t ν − x)2
s2 =
ν ∑
i=1
(t i − x)2 =
ν
Ο τύπος αυτός αποδεικνύεται ότι μπορεί να πάρει την ισοδύναμη μορφή:
Παράδειγμα 12: Δίνονται οι τιμές 6, 8, 4, 0, 1, 3, 1, 1 ενός δείγματος. Η μέση τιμή είναι
6 + 8 + 4 + 0 + 1 + 3 + 1 + 1 24
x= = = 3 , οπότε η διακύμναση θα είναι
8 8

(6 − 3)2 + ( 8 − 3 ) 2 + ( 4 − 3) 2 + ( 0 − 3) 2 + (1 − 3) 2 + ( 3 − 3) 2 + (1 − 3) 2 + (1 − 3) 2 9 + 25 + 1 + 9 + 4 + 0 + 4 + 4 56
s2 = = = =7
8 8 8
Ο τύπος αυτός αποδεικνύεται ότι μπορεί να πάρει την ισοδύναμη μορφή:

  ν 
2   ν
2
  ν 2

1


ν


ti 
 ∑ 

 1
ν

∑ ti 
 1
ν

 ∑t i

 1
ν
s2 =  t 2i −  i=1 
∑  = ∑ t 2i −  i=1 2  = ∑ 2
t i − i =1
 = ∑t 2
i −χ 2
ν  i=1 ν  ν i=1 ν ν i =1  ν  ν i =1
   

 
  

η οποία διευκολύνει σημαντικά τους υπολογισμούς κυρίως όταν η μέση τιμή x δεν είναι ακέραιος αριθμός.
Παράδειγμα 13: Δίνονται οι τιμές 3, 2, 4, 0, 1, 3ενός δείγματος. Η μέση τιμή είναι
3 + 2 + 4 + 0 + 1 + 3 13
x= = = 2,167 , οπότε η διακύμναση θα είναι:
6 6
∑t 2
i = 9 + 4 + 16 + 0 + 1 + 9 = 39 , ∑t i = 3 + 2 + 4 + 0 + 1 + 3 = 13 , ν=6 και από τον παραπάνω τύπο θα έχουμε:
  ν
2
 

1

 ν

 ∑
 i=1
ti 




 1 13 2  1 169  1  234 −169  65
s2 =  ∑
ν  i=1
2
ti −
ν
 = 
 6 

39 − 6  = 6 
 
39 −
6 
= 
6 6
=
 36
= 1,805

 

 


Όταν έχουμε πίνακα συχνοτήτων ή ομαδοποιημένα δεδομένα, η διακύμανση ορίζεται από τη σχέση:

1
κ
( χ1 − χ ) 2 ⋅ ν 1 + ( χ 2 − χ ) 2 ⋅ ν 2 + ... + ( χ κ − χ ) 2 ⋅ ν κ
s = 2
ν ∑
i =1
(x i − x)2 ν i =
ν

Παράδειγμα 14: Έστω ότι έχουμε το παρακάτω δείγμα δοσμένο με πίνακα (απόλυτων) συχνοτήτων:
Χi νi
1 8 1
κ
( χ − χ ) 2 ⋅ ν 1 + ( χ 2 − χ ) 2 ⋅ ν 2 + ... + ( χ κ − χ ) 2 ⋅ ν κ
2 6
2
s = (x i − x)2 ν i = 1
ν ∑
i =1
ν
5
3 4
4 2

Η μέση τιμή είναι x =

8 + 12 + 12 + 8 ( )2 ( )2 ( )2 ( )2
= 2 , και η διακύμναση s 2 = 1 − 2 ⋅ 8 + 2 − 2 ⋅ 6 + 3 − 2 ⋅ 4 + 4 − 2 ⋅ 2 ⇒
20 20
1 ⋅ 8 + 0 ⋅ 6 + 1 ⋅ 4 + 4 ⋅ 2 20
⇒ s2 = ⇒ s2 = = 1 ⇒ s2 = 1
20 20
ή την ισοδύναμη μορφή:
  κ 
2   κ 
2
 κ 
2

1


κ

∑ xiv i 



 1
κ ∑


xiv i 
 1
κ

 ∑ x iv i 
 1
κ
s2 =  ∑ x 2i v i −  i=1 
= ∑ χ 2i ⋅ ν i −  i=1 2  = ∑ χ 2i ⋅ ν i − i =1
 = ∑χ 2
i ⋅ ν i −x 2
v  i=1 v  ν i=1 v ν i =1  v  ν i =1
   

 
  

  κ 
2   κ 
2
 κ 
2

1

κ

 ∑ xiv i 


 1

κ

∑ xiv i 
 1
κ

 ∑ x iv i 
 1
κ
s2 =  ∑ x 2i v i −  i=1 
= ∑ χ 2i ⋅ ν i −  i=1 2  = ∑ 2
χ i ⋅ ν i − i =1
 = ∑χ 2
i ⋅ ν i −x 2
v  i=1 v  ν i=1 v ν i =1  v2  ν i =1
   

 
  

όπου x1, x 2 ,..., x κ οι τιμές της μεταβλητής (ή τα κέντρα των κλάσεων) με αντίστοιχες συχνότητες ν1, ν 2 ,..., ν κ .
Παράδειγμα 15: Δίνονται οι παρακάτω ομαδοποιημένες παρατηρήσεις
Κλάσεις Χi νi Χiνi Χi 2νi
[0,4) 2 8 16 32 Συμπληρώνουμε στον πίνακα συχνοτήτων
[4,8) 6 10 60 360 δύο στήλες με τα γινόμενα Χiνi και Χi 2νi
[8,12) 10 12 120 1200
[12,16) 14 14 196 2744 2
 κ 
[16,20) 18 6 108 1944  x i ⋅ ν1 
  ∑
∑ ∑
κ
x 2i ⋅ ν i =6280 1
x2 ⋅ ν −  
∑
ν=50 x i ⋅ ν i =500 i =1
s2 = i i
ν i =1
ν
1   2
2
οπότε η διακύμναση είναι : s =  6280 − 500  = 6280 − 250000 = 628 − 100 = 128 = 25,6
50  50  50 2500 5 5


δ) Τυπική Απόκλιση (s)

Η διακύμανση είναι μια αξιόπιστη παράμετρος διασποράς, αλλά έχει ένα μειονέκτημα. Δεν εκφράζεται με τις μονάδες
με τις οποίες εκφράζονται οι παρατηρήσεις. Αν όμως πάρουμε τη θετική τετραγωνική ρίζα της διακύμανσης, θα
έχουμε ένα μέτρο διασποράς που θα εκφράζεται με την ίδια μονάδα μέτρησης του χαρακτηριστικού, όπως
ακριβώς είναι και όλα τα άλλα μέτρα θέσης, που εξετάσαμε έως τώρα. Η ποσότητα αυτή λέγεται τυπική απόκλιση
(standard deviation), συμβολίζεται με s και δίνεται από τη σχέση:

s= s2

ΕΦΑΡΜΟΓΗ σχολικού βιβλίου (σελίδα 99)

Έστω x 1, x 2 ,..., x v ν παρατηρήσεις με μέση τιμή x και τυπική απόκλιση s x .
α) Αν y 1, y 2 ,..., y v είναι οι παρατηρήσεις που προκύπτουν αν προσθέσουμε σε καθεμιά από τις x 1, x 2 ,..., x v μια
σταθερά c, να δειχτεί ότι: i) y = x + c , ii) s y = s x
β) Αν y 1, y 2 ,..., y v είναι οι παρατηρήσεις που προκύπτουν αν πολλαπλασιάσουμε τις x 1, x 2 ,..., x v επί μια
σταθερά c, να αποδειχτεί ότι: i) y = c x , ii) s y =| c | s x

Παραδείγματα
1. Απλές παρατηρήσεις
Να βρείτε την μέση τιμή, τη διάμεσο, τη διακύμανση και την τυπική απόκλιση των παρακάτω δειγμάτων:
ΔΕΙΓΜΑ Α : 3, 5, 8, 1, 3, 2, 6
ΔΕΙΓΜΑ Β : 1, 0, 4, 2, 1, 1, 5, 7
2. Παρατηρήσεις δοσμένες με πίνακα (απόλυτων) συχνοτήτων (χi – νi)
Να βρείτε την μέση τιμή, τη διάμεσο, τη διακύμανση και την τυπική απόκλιση του παρακάτω δείγματος:
Χi νi

6
 2 10
4 12
6 13
8 10

3. Παρατηρήσεις δοσμένες με πίνακα σχετικών συχνοτήτων (χi – fi)

Να βρείτε την μέση τιμή, τη διάμεσο, τη διακύμανση και την τυπική απόκλιση του παρακάτω δείγματος:
Χi fi
1 0,2
3 0,3
5 0,4
7 0,1

4. Ομαδοποιημένα δεδομένα (γνωρίζουμε τις απόλυτες συχνότητες)

Να βρείτε την μέση τιμή, τη διάμεσο, τη διακύμανση και την τυπική απόκλιση του παρακάτω δείγματος:
ΚΛΑΣΕΙΣ νi
[50,60) 15
[60,70) 25
[70,80) 40
[80,90) 20

5. Ομαδοποιημένα δεδομένα (γνωρίζουμε τις σχετικές σχυχνότητες)

ΕΦΑΡΜΟΓΗ σχολικού βιβλίου (σελίδα 99)

Έστω x 1, x 2 ,..., x v ν παρατηρήσεις με μέση τιμή x και τυπική απόκλιση s x .
α) Αν y 1, y 2 ,..., y v είναι οι παρατηρήσεις που προκύπτουν αν προσθέσουμε σε καθεμιά από τις x 1, x 2 ,..., x v μια
σταθερά c, να δειχτεί ότι: i) y = x + c , ii) s y = s x
β) Αν y 1, y 2 ,..., y v είναι οι παρατηρήσεις που προκύπτουν αν πολλαπλασιάσουμε τις x 1, x 2 ,..., x v επί μια
σταθερά c, να αποδειχτεί ότι: i) y = c x , ii) s y =| c | s x

ΜΕΣΗ ΤΙΜΗ ΟΜΑΔΑΣ ΚΑΙ ΥΠΟΟΜΑΔΩΝ

ΤΥΠΟΛΟΓΙΟ
1. Απλές παρατηρήσεις
t + t + ... + t ν 1
ν
( t1 − x ) 2 + ( t2 − x ) 2 ... + (t ν − x)2
x= 1 2
ν
s2 =
ν ∑
i=1
(t i − x)2 =
ν
  ν 
2 

1

 ν

 ∑ti 



 1
ν
ή s2 =  t 2i −  i =1 
∑  = ∑t 2
i −χ 2
ν  i =1 ν  ν i=1
 

 

2. Παρατηρήσεις δοσμένες με πίνακα συχνοτήτων ή ομαδοποιημένα δεδομένα

χ1⋅ ν 1 + χ 2 ⋅ ν 2 + ... + χ κ ⋅ ν κ
x=
ν 1 + ν 2 + ... + ν κ
1
κ
( χ1 − χ ) 2 ⋅ ν 1 + ( χ 2 − χ ) 2 ⋅ ν 2 + ... + ( χ κ − χ ) 2 ⋅ ν κ
s2 =
ν ∑
i =1
(x i − x)2 ν i =
ν
κ κ κ
1 νi
x = χ 1 ⋅ f1 + x 2 ⋅ f2 + ... + x κ ⋅ fκ s2 =
ν ∑
i=1
( x i − x)2 ν i = ∑i=1
(x i − x)2
ν
= ∑(x
i =1
i − x)2 fi

7
   κ 
2 
∑
κεντρική τιμή
  x iv i  
↑  
1 
κ κ
  1
χ1 ⋅ ν 1 + χ 2 ⋅ ν 2 + ... + χ κ ⋅ ν κ ή s
2
=  x 2i v i −  i=1
∑ 
= ∑χ 2
⋅ ν i −x 2
x= v  i=1 v  ν i =1
i

ν 1 + ν 2 + ... + ν κ  

 


  κ 
2   κ
2
  κ 2

1


κ

 ∑ x iv i 



 1
κ ∑


x iv i 
 κ
ν

 ∑x ν i ι

 κ  κ
2

s2 =  ∑ x 2i v i −  i=1 
= ∑ χ 2i ⋅ ν i −  i=1 2  = ∑ 2
χi ⋅ i
− i=1
 = ∑χ 2
⋅ fi − ∑ x i fi 
v  i =1 v
i  
 ν i =1 v i=1
ν  v  i=1  i=1 
   

 
  

8
ΑΣΚΗΣΕΙΣ
1. Ημερήσια επαναληπτικές 2008

2. Ημερήσια επαναληπτικές 2006

9
3. Ημερήσια επαναληπτικές 2009

10
4. Ημερήσια 2006 (λείπει το (δ) ερώτημα – πιθανότητες)

11