Bakit ang normalisasyon ng tagapagpahiwatig

Karaniwan, ang kalubhaan ng ilang kalidad ay nagsisikap na ilarawan ang numero. Kadalasan, ang naturang numero X ay nabuo bilang ang halaga ng mga puntos. Hangga't ito ay lehitimo - ang tanong ay naiiba. Ipinapalagay namin na ang naturang numero x ay nakuha at makabuluhan.

Karaniwan ang mga pagbabago mula sa ilang mga minimal na halaga x min (sumasalamin sa kawalan ng kalidad) sa ilang pinakamataas na halaga x max (matinding antas ng manifestation, presence, kalubhaan, ...).

Ang pagkuha nito ay malulutas nito ang problema ng paghahambing ng dalawang bagay, ngunit para lamang sa tagapagpahiwatig na ito. Gayunpaman, narito ito ay hindi maganda. Dapat nating laging tandaan, sa kung ano ang limitasyon ang mga pagbabago sa tagapagpahiwatig. At ang mga saklaw na ito ay ang pinaka-magkakaibang ... at kahit na suriin kung gaano kalapit ang halaga sa mga gilid ng saklaw o sa gitna nito. Sa pangkalahatan, purong harrop.

Kung pinag-uusapan natin ang paghahambing sa dalawang magkakaibang tagapagpahiwatig - ang kaso ay ganap na seams. Siyempre, imposibleng ihambing ang mga katangian nang direkta. Upang gawin ito, ang mga inihambing na numero ay dapat na dimensionless. Ngunit ang tagapagpahiwatig ay karaniwang binibigyang kahulugan bilang. antas ng kalubhaan Ilang kalidad. At maaari mong ihambing ito !!! Ngunit para sa mga ito, dapat sila ay dadalhin sa isang solong sukat upang ang simula at dulo ng dalawang kaliskis ay coincided.

Ngunit bakit lamang ang dalawang ito? Gumawa tayo ng naturang conversion para sa lahat ng mga tagapagpahiwatig! Ito ay tinatawag na normirovka. (hindi nalilito sa. normalisasyon!). Pagkatapos nito, maaari naming ihambing ang iba't ibang mga tagapagpahiwatig na nakuha ng iba't ibang mga diskarte.

2. Mga uri ng mga tagapagpahiwatig

Sa lahat ng pagkakaiba-iba ng mga numerical na katangian ng mga bagay (o mga sumasagot), ang dalawang malawak na klase ay maaaring makilala mula sa kanila:

• unipolar.pagpapahayag lamang ng antas ng availability (intensity, kalubhaan, ...) ng ilang kalidad;
• bipolar.na sumasalamin hindi lamang ang antas ng pagkakaroon ng kalidad, kundi pati na rin ang "focus" nito.

3. Normasyon ng isang indicator ng unipolar

Matagal nang nasa agham upang ang mga halaga ay normalized sa hanay mula 0 hanggang 1.

Upang gawin ito, ang conversion function y \u003d f (x) ay dapat magkaroon ng mga sumusunod na katangian:

y (x min) \u003d 0; y (x max) \u003d 1; DY / DX\u003e 0 (1)

Anumang tampok na may naturang Properties MB. Ginagamit para sa normalisasyon. Halimbawa, kung x max, maaari kang pumili ng isang function

Madaling makita na dahil sa pagpili ng naaangkop na pag-andar, maaari mong isaalang-alang ang iba't ibang mga epekto ng pagbaluktot ng mga pagtatantya. Halimbawa, ang pagkagumon ng sumasagot sa matinding pagtatantya. Kasabay nito, maaaring kailanganin itong mag-aplay para sa iba't ibang mga respondent at iba't ibang mga function ng conversion na isinasaalang-alang ang mga tampok ng kanilang pagkatao, katayuan, atbp. Tinatayang mga graph ng naturang mga function - sa Fig. isa.

Larawan. isa. Ang mga tsart ay nag-function ng normalisasyon

Ang pinaka-karaniwang linear conversion ay ginagamit:

(2)

Kung naniniwala kami na ang isang pagtaas sa X ay naglalarawan bilang isang pagtaas sa kalubhaan ng kalidad A, at ang pagbawas ng ilang iba pang mga kalidad sa, ang normalized sukatan ng kalidad sa maaaring maglingkod bilang ang pagkakaiba y '\u003d 1-y. Halimbawa, halimbawa, na may kaugnayan sa kahulugan ng kalidad na 'kalapitan' at 'distansya'. Ang kanilang metrization ay nagpapakita ng hindi maganda ang natanto na mas maaga, ngunit malinaw na malinaw at kahit na ang kabaligtaran.

4. Hindi pinapansin ang indicator ng bipolar

Karaniwan, tulad ng isang tagapagpahiwatig ay isang "gluing" ng dalawang interconnected at antonymic unipolar katangian A at V.

Kadalasan, may simpleng pagtanggi at kabaligtaran. Para sa gayong prinsipyo, halimbawa, ang mga kaliskis ng semantiko kaugalian ay itinayo. Gayunpaman, ang mga pares para sa naturang kaugalian ay dapat suriin ayon sa diksyunaryo ng Antonyms (halimbawa, dalawang antonyms para sa salitang "masayang" - "malungkot" at "madilim" - ay hindi kasingkahulugan sa lahat).

Ang normalisasyon ng nararapat na halaga ay nagsasangkot ng pagpili " positibo»Ang mga direksyon ng y axis. Tulad ng ganyan arbitraryo Ito ay pinili na ng scale pole, ang pagtaas sa intensity ng kung saan tinanggap bilang isang pagtaas y. Ang tapat na poste ay awtomatikong nagiging " negatibo" Bigyang-diin namin na walang modality (axiological assessment) para sa ito - tanging ang itinatag semantiko stereotypes ay maaaring maglaro ng isang papel, ngunit hindi na.

Hayaan ang halaga X suriin ang kalubhaan ng parehong mga katangian (na may kaukulang pagtatalaga, halimbawa, 'napaka pag-ibig' o 'bahagyang hating'). Ang normal ay maaaring isagawa gamit ang anumang function na nagbibigay-kasiyahan kondisyon (1). Sa partikular, ito ay MB. at linear na pagbabagong-anyo:

(3)

Malinaw naman, y [-1; +1].

Parehong mga formula (2) at (3) ilarawan ang linear conversion ng form y \u003d k · x + b. Kaya lahat statistical conclessions. Tungkol sa X at Y. ganap na nag-uugnay.

5. Mga Tampok ng Kalidad.

Kapag gumagamit ng iskor scale, may ilang mga subtleties na madalas na napapansin:

• Minsan walang mga sagot sa lahat ng mga isyu na may kaugnayan sa tagapagpahiwatig na ito. Ang mga dahilan ay naiiba - ang sagot ay hindi lamang ibinigay, isang error kapag gumagawa ng isang sagot o encoding nito, ... sa maikling salita - may mga pahintulot ng mga sagot.
• Halos palaging ang marka ay katumbas ng numero ng tugon sa iba. At ang pinakamaliit na iskor ay magiging katumbas ng 1.
• Gusto kong gamitin ang sagot sa bilang ng mga gradasyon maliban sa iba. Ngunit ang kanyang kontribusyon ay dapat na kinuha sa account sa anumang paraan naiiba.

Kapag ang baller scale ay normalized, kinakailangan lamang na kunin ang x \u003d s, kung saan ang halaga ng mga puntos na nakapuntos sa mga tugon na natanggap (at hindi tinukoy na mga tanong!). Alinsunod dito, ang min at s max ay ang minimum at maximum na halaga ng mga puntos na maaaring ma-type sa mga tugon na natanggap.

Ang talatang ito ay tumutukoy sa pamamaraan ng samahan, na kapaki-pakinabang sa paglutas ng mga praktikal na gawain. Para sa lahat ng mga gawain (maliban sa pinakasimpleng), kadalasan ay mas maginhawa upang gamitin ang mga numerical na halaga ng tinukoy na mga parameter kaysa sa mga character na titik sa halip na. Matapos ang gawain ay nagpasimula ng mga halaga ng numerical, ito ay kanais-nais na magsumite ng mga expression sa form na ito upang ang mga numero ay kasama sa mga expression na ito bilang oras pare-pareho, ibig sabihin, sa anyo ng isang ratio ng nais na mga parameter ng isang sistema na may sukat ng oras . Madalas itong lumalabas na pare-pareho ang oras, na tumutukoy sa mga dynamic na katangian ng sistema, ay malaki o maliit kumpara sa isa. Kung ang mga halaga ng pare-pareho ang oras ay ibang-iba mula sa yunit, ito ay maipapayo na kumuha ng isa pang hakbang, lalo, upang baguhin ang laki ng oras upang ang pinakamalaking tinukoy na mga parameter ay may normalized na mga halaga na malapit sa isa. Pinapayagan ka nito na gawing simple ang mga kalkulasyon.

Madalas na mangyayari na ito ay mas maginhawa upang ilapat ang ignisyon sa larawan, at hindi sa mismong pag-andar ng oras. Kaya, ito ay kinakailangan upang malaman kung paano matukoy ang Fourier imahe para sa isang tinukoy na function, naaayon sa normalized oras, alam ang Fourier imahe para sa ordinaryong oras. Kung paano ito gawin, nagiging malinaw kung bumaling ka sa kahulugan ng Fourier Transform. Hayaan - ang fourier imahe ng function sa pamamagitan ng kahulugan ay nangangahulugan na

Hayaan - isang imahe ng fourier function na may kaugnayan sa normalized oras ayon sa kahulugan, mayroon kami

Kadalasan, ang anyo ng isang oras ng paggana ay katulad ng mga tungkulin sa totoong oras; Kasabay nito, ang laki ng normalized na oras ay tinukoy na kamag-anak sa tunay na isa. Hayaan ang ratio sa pagitan ng oras

Dito, ang halaga ay maaaring magkaroon ng anumang dimensyon, ngunit kadalasan ito ay may sukat ng oras at pagkatapos ay ang isang kaganapan na nauugnay sa ay dimensyong. Symbolically, ang ratio sa pagitan ng dalawang functions.

isinulat bilang mga sumusunod:

Pagkatapos ng pagpapalit sa (2.5-1) makuha namin

Ngunit, ayon sa (2.5-4), mayroon kami

Hayaan ang normalized kumplikadong dalas (1) ay nauugnay sa mga di-normalized (mga) kaugnayan

Batay sa (2.5-6 at 7), ang formula (2.5-5) ay maaaring muling isulat bilang

Ayon sa integral sa tamang bahagi, sa pamamagitan ng kahulugan, mayroong isang normalized fourier pagbabago dahil dito,

Kaya, kung kinakailangan upang mahanap ang normalized na imahe sa batayan ng karaniwang imahe, pagkatapos ay kailangan mong gamitin ang formula

Batay sa naunang isa, maaari mong sabihin: Kung sa imahe ng oras ng pag-andar upang palitan ang - at ang resultang resulta, makuha namin ang imahe ng function mula sa orihinal na variable na naaayon sa larawang ito, ay isang function, bagaman ang resulta na ito ay nakuha para sa imahe sa Fourier, ito rin ay nananatiling makatarungan at para sa imahe sa Laplas. Dapat pansinin na ang pamamaraan para sa pagkalkula ng normalized (naaangkop na nagbago na oras) na imahe ay hindi naaangkop sa pagkalkula ng normal na ratio ng gear o ang function ng timbang. Pag-andar ng transmisyon

maaari itong isaalang-alang bilang ratio ng mga larawan ng dalawang function ng oras at, samakatuwid, multiplier lumilitaw bilang isang resulta ng normalisasyon, sa numerator at denamineytor ay nabawasan. Kaya, ang formula para sa normalized function transfer ay nakuha lamang sa pamamagitan ng pagpapalit ng expression na ito sa multiplier.

Bilang isang halimbawa, isaalang-alang ang pagkalkula ng normalized na imahe para sa susunod na pag-andar ng oras:

Ang imahe ng function na ito ay may pagtingin

Paglalapat ng formula

Kinakalkula ang reverse transformation sa pamamagitan ng pagtanggap

Ang resulta, malinaw naman, ay maaaring makuha kaagad mula sa sumusunod na tanong. Paano upang makalkula ang batayan ng parsework theorem ang halaga ng isang integrated quadratic error, alam ang normalized na imahe ng Fourier error. Alalahanin na ang parseval teorama ay nagtatatag ng sumusunod na pagkakapantay-pantay:

kung saan ako ay isang mahalagang halaga ng quadratic function. Alinsunod sa panuntunan ng normalisasyon, ang formula ay tinutukoy

Koleksyon ng impormasyon at pagkuha ng mga pagtatantya

Maaaring maisagawa ang koleksyon ng impormasyon sa iba't ibang paraan. Ang pinaka-popular na paraan ay mga survey sa field. Gayunpaman, bago magpatuloy sa koleksyon ng impormasyon, kinakailangan upang matukoy ang madla, sa opinyon kung saan posible na umasa sa proseso ng pagbuo ng rating. Una, ang mga sumasagot ay dapat magkaroon ng sapat na kwalipikasyon upang sagutin ang mga tanong. Pangalawa, ang kanilang pagtatasa ay dapat na walang kinikilingan. Sa kasong ito, ang isang bilang ng mga hindi inaasahang paghihirap ay maaaring lumabas. Halimbawa, ang pagbubuo ng rating ng mga unibersidad, ay kadalasang nagtutustos ng mga mag-aaral o nagtapos ng mga organisasyong ito. Gayunpaman, ang diskarte na ito ay maaaring hindi tama para sa mga sumusunod na dahilan. Una, hindi palaging handa ang isang tao na tanggapin na ang kanyang pagpili ay mali at ang iba pang mga unibersidad ay mas mahusay na kung saan siya pumasok o na nagtapos. Pangalawa, ang mga mag-aaral ay bihirang makagawa ng isang comparative assessment ng mga unibersidad, dahil ang pagsasanay ay pumasa lamang sa isa, bihirang sa dalawang institusyon.

Ang isa pang paraan upang makakuha ng data ng pinagmulan ay ang pagtatasa ng pangalawang impormasyon (halimbawa, ang komite ng istatistika ng estado). Ang pangunahing problema sa kung saan ang pananaliksik na nakaharap sa kasong ito ay inflicted impormasyon. Kung ang rating ay batay sa data ng media, ang posibilidad ay hindi upang suriin ang kumpanya, ngunit ang gawain ng kanilang mga departamento ng PR.

Ang isang matalinong diskarte ay ang paggamit ng pinagsama-samang impormasyon tungkol sa mga katangian ng bagay na inilathala sa iba't ibang mga periodical (ekspertong magasin, kommersant, atbp.).

Sa ilalim ng normalisasyon ng pamantayan na nauunawaan na dalhin ang pamantayan ng lokal na optimality sa isang solong dimensyong anyo.

Bilang mga paraan ng pagrasyon sa araling-bahay, ang pinaka-karaniwang paraan upang magdala ng pamantayan sa isang dimensyong hitsura ay isang linear na pagbabagong-anyo.

f. 1 Mas mabuti ang maximum na halaga, pagkatapos ay ang transition formula mula sa di-normalized na halaga ng tagapagpahiwatig x. 1 sa normalized hitsura:

,

saan f. 1 min I. f. 1 ma. X.- Alinsunod dito, ang minimum (pinakamasama) at ang maximum (pinakamahusay) na halaga ng tagapagpahiwatig sa hanay ng mga pinahihintulutang alternatibo.

Kung para sa ilang tagapagpahiwatig f. 1 mas mabuti ang minimum na halaga, pagkatapos ay ang formula ng paglipat ay naitala bilang:

.

Rationing (standardisasyon) at pag-iisa ng data

Normated (standardized) data. Sa isang bilang ng mga gawain, ito ay maginhawa o kahit na kinakailangan upang ilipat mula sa unang mga obserbasyon, kung saan ako \u003d 1, 2, .... n, sa normalized (standardized), na kung saan ipakilala ang karagdagang. Magkaroon ng data batay sa kanilang natanggap

Normated. (standardized.) Call data.

- Mga dimensyong halaga na nagbibigay-kasiyahan sa kondisyon

Ipinakikita namin na ang average na arithmetic normalized data ay zero:

at ang pagpapakalat ay katumbas ng isa:

Sa kasong ito, kung ang normalized na halaga ay mas malaki kaysa sa zero (.g *\u003e 0), pagkatapos ay ang naobserbahang halaga ay mas malaki kaysa sa average (H.; \u003e x). Kung x " < 0, то x,< х.

Standardisasyon (rationing) ng data ay ang kinakailangang paunang yugto ng pagbabagong data kapag gumagamit ng maraming multidimensional statistical methods - pagbabawas ng dimensyon ng space feature (factorial, component analysis, tingnan ang ch. 5), pag-uuri ng mga bagay (pagtatasa ng kumpol, kita n'yo ch. 6), atbp lalo na kung ang mga variable ay sinusukat sa mga kaliskis na magkakaiba sa mga halaga (microns ng mga yunit - bilyun-bilyon ng mga yunit).

Dahil sa pagkalat at demand sa statistical packages, ang rationing procedure (standardisasyon) ay karaniwang ginawa sa menu (Larawan 1.31).

Larawan. 1.31. Pagtawag sa pamamaraan ng normalisasyon (standardisasyon) ng data sa menu ng paketeSta tistica (statsoft)

Pag-iisa ng data (pinag-isang sukat). Kapag nagtatayo ang pinagsamang mga tagapagpahiwatig ng pangkalahatan, ang sitwasyon ay kadalasang nangyayari kapag ang data rationing ay hindi nagbibigay ng ninanais na resulta. Halimbawa, kailangan nating bumuo ng isang mahalagang tagapagpahiwatig ng kalidad ng buhay sa bansa (rehiyon), na kinabibilangan ng tatlong mga variable ng pinagmulan - habang-buhay, dami ng namamatay ng sanggol at pagkawala ng trabaho. Kasabay nito, kahit na isinasalin ang tatlong tagapagpahiwatig sa isang solong sukat (halimbawa, na may mga halaga mula 0 hanggang 1 o mula sa 0 hanggang N) Magkakaroon kami ng kontrahan sa interpretasyon ng mga sumusunod na variable ng plano.

Ang unang variable ay ang lifespan - nailalarawan sa pamamagitan ng ang katunayan na ang mas malaki ang mas higit na halaga na kinakailangan, mas mataas ang kalidad ng buhay sa bansa (rehiyon). Sa kabaligtaran, ang ikalawang variable ay ang dami ng namamatay - na may mga halaga ng pagtaas ay binabawasan ang kalidad ng buhay. Ang ikatlong variable - kawalan ng trabaho - ay may sariling ilang mga pinakamabuting kalagayan (humigit-kumulang 5% Nagbibigay ng normal na paggana at pagpapaunlad ng ekonomiya). At sa pamamagitan ng pagkonekta sa lahat ng tatlong palatandaan sa isang integral na tagapagpahiwatig, magkakaroon kami ng kawalan ng sapat na interpretasyon ng nagresultang tagapagpahiwatig. Ang mas mataas na lammability ng buhay (mas mahusay), sa itaas ng sanggol dami ng namamatay (mas masahol pa), sa itaas kawalan ng trabaho (hindi maunawaan). Upang malutas ang mga naturang problema at umiiral kapag pinag-aaralan ang data, ang isang paraan ay nagbibigay-daan upang gawin - na nagdadala ng lahat ng mga variable na kasangkot sa pagtatayo ng isang mahalagang tagapagpahiwatig sa isang solong pinag-isang sukat.

Unified scale. - Ginamit sa pagtatayo ng mga tagapagpahiwatig ng integral mula sa iba't ibang mga variable, pagtanggap ng mga halaga mula sa 0 hanggang sa pagkakaroon ng isang pinag-isang sistema ng interpretasyon: mas mataas ang halaga ng variable sa pinag-isang sukat, mas mataas ang halaga ng integral indicator. Para sa N \u003d Nakukuha namin ang sukat mula 0 hanggang 1.

Mga variable ng unang uri - mas mataas ang tagapagpahiwatig, ang mas mahusay (pag-asa sa buhay) - ay ibinibigay sa isang pinag-isang sukat tulad ng sumusunod:

saan Xj - Ang halaga ng variable para sa Mr Obserbasyon; Amin at ATA - ayon sa pagkakabanggit, ang pinakamaliit at pinaka-obserbahan na mga halaga ng variable.

Ayon sa formula na ito, kung x.t. – amin, pagkatapos ay isang "\u003d 0, at kung .g, - apt, pagkatapos x] \u003d n, mga iyon. Mas malaki ang halaga ng variable a, mas mataas (mas mahusay) ang halaga nito sa pinag-isang sukat A *.

2. Ang mga variable ng ikalawang uri - mas mataas ang tagapagpahiwatig, mas masahol pa (dami ng sanggol) - ay ibinibigay sa isang pinag-isang sukat tulad ng sumusunod:

Ayon sa formula na ito, kung A, \u003d sa | 1), pumunta h. = N, At kung a, - \u003d isang "kanila, pagkatapos ay isang * \u003d 0, i.e. Mas malaki ang halaga ng variable a, mas mababa (mas masahol pa) ang halaga nito sa pinag-isang sukat X /.

3. Mga variable ng ikatlong uri - Ang tagapagpahiwatig ay may isang tiyak na pinakamainam na AOPT, ang halaga na ito ay ang pinakamahusay, mas paglihis mula dito, mas masahol pa (rate ng pagkawala ng trabaho) - ay ibinibigay sa isang pinag-isang sukat tulad ng sumusunod:

Ayon sa formula na ito, kung x.t. = Aopt, T. x] = N. Kung ang isang, ito ay may pinakamataas na posibleng paglihis ng Otiasp, pagkatapos ay isang, "\u003d 0. Halimbawa, kung (Ashes - A, PC) \u003e\u003e (Aomt-Amin) at isang, \u003d ATA, pagkatapos ay isang" \u003d 0. Kaya, mas malaki ang halaga ng variable A, deviates mula sa pinakamainam, mas mababa (mas masahol pa) halaga A * sa pinag-isang sukat, at mas malapit ang halaga A, sa aopt na ito, mas mahusay.

• AVAZYAN S. A. Pagsusuri ng kalidad at pamumuhay ng populasyon // cemi ras. M.: Agham, 2012. (pang-ekonomiyang agham ng modernong Russia).
• Ibid.

Inilalarawan namin ang halaga ng paggamit ng mga pamantayan sa halimbawa ng malawak na kilalang paraan ng K.TOMAS. Alalahanin na sa pagtatapos tungkol sa dominanteng diskarte sa pag-uugali sa sitwasyon ng kontrahan ay ginawa gamit ang isang suporta para sa numerical data. Namely, pagkatapos ng pagbilang ng kabuuang mga punto sa bawat sukat, kailangan mong kilalanin ang laki na may pinakamalaking iskor. Ang estratehiya ay binibigyang kahulugan bilang nangingibabaw sa sitwasyon ng kontrahan. Ang mga istatistika ng pagbibilang ay nagpapakita na ang mga karaniwang halaga ng mga pagtatantya ng sukat sa ganap na halaga ay naiiba. Nag-iiba sila sa mga lalaki mula 5.25 puntos sa 7.25 puntos at sa mga kababaihan mula 3.71 hanggang 7.65 puntos (tingnan ang Table 11).

Talahanayan. 11. Pangunahing Istatistika ng Pagsusuri ng Scale ng Tomas Technique

Tandaan.

Average. - Mga average na halaga;

950% at + 95.0% - Kumpedensyal na mga agwat ng mga average na halaga;

Inilalaan ang pinakadakilang average.

Kaya, kung hindi mo isinasaalang-alang ang data ng regulasyon na nakuha sa sample ng Russia (o nasubok sa sample ng Russia), pagkatapos ay sa interpretasyon ng mga resulta na maaari mong dumating sa maling konklusyon. Sa katunayan, ang mga kalalakihan at kababaihan ay may kagustuhan ng isang estratehiyang pag-iwas. Ang manwal para sa pamamaraan ay hindi sinasabi na ang pangingibabaw ng isa sa limang estratehiya ay ang katangian ng transcultural ng pagkatao. Sa konteksto, maaari itong maunawaan na ang may-akda ay nagmumula sa palagay tungkol sa pantay na posibilidad ng kagustuhan sa bawat isa sa limang estratehiya. Dahil may mga makabuluhang kaugnayan sa istatistika sa pagitan ng mga scorecard, halos hindi posible na makipag-usap tungkol sa katumbas ng posibilidad ng bawat isa sa limang estratehiya. Sa ganitong sitwasyon, kapag walang regulatory data at impormasyon sa likas na katangian ng pamamahagi ng mga dami, ito ay mas maaasahan upang umasa sa mga istatistika na kinakalkula para sa sample nito. Sa partikular, upang masuri ang kalubhaan ng pangingibabaw ng isa sa mga estratehiya upang magamit ang mga agwat ng SIGMU at kumpiyansa. Idagdag namin na ang mga patakaran ay maipapayo upang kalkulahin nang hiwalay para sa mga kalalakihan at kababaihan. Ayon sa data na isinumite, maaari itong makita na sa dalawang kaliskis ng limang tagapagpahiwatig ay magkakaiba mula sa iba't ibang sahig. Kapag ang paghahambing ng mga grupo o subgroup, ang sekswal na pagtitiyak ay maaaring maging isang variable na ang impluwensya ay hindi maaaring isaalang-alang.

Kalkulahin ang mga pamantayan ay maipapayo sa ibang mga kaso. Ang unang (pangunahing) mga pagtatantya ng mga pang-eksperimentong gawain na nakuha kapag ang pagkolekta ng data ay hindi laging maginhawa upang magamit sa karagdagang trabaho. Sila ay nabago sa isang paraan o iba pa. Pinaka-madalas na pagbabagong-anyo Pagsasentro at pagrasyonrMS deviations. Sa ilalim ng pagsasentro ay nangangahulugan ng isang linear na pagbabagong-anyo ng mga halaga ng tampok kung saan ang average na laki ng pamamahagi ng isang tiyak na tampok ay nagiging katumbas ng zero. Ang direksyon ng sukat at mga yunit nito ay hindi nagbabago.

Ang kakanyahan ng pagrasyon ay binubuo sa paglipat sa isa pang sukat - standardized unit ng pagsukat. Kapag standarding ang mga resulta ng mga pagsubok sa pagsubok, ang rationing ay madalas na natupad sa tulong ng RMS deviations. Ang standardisasyon ay ginaganap sa normal na pamamahagi ng mga pagtatantya ng pagsubok o malapit dito.

Sa sikolohiya mayroong isang bilang ng mga antas batay sa normal na pamamahagi at pagkakaroon ng iba't ibang mga halaga ng m at . Halimbawa, sa laki ng deviations ng Intelligence IQ: M \u003d 100,  \u003d 15; Sa sukat ng ventilation scale m \u003d 10,  \u003d 3. Ang mga distribusyon ng iba't ibang mga palatandaan na sinusukat sa eksperimento ay may iba't ibang mga halaga ng m at . Ang paglilipat ay nakatanggap ng mga pangunahing pagtasa ng iba't ibang mga palatandaan sa pamamahagi na may parehong at ang parehong m at , nakakakuha kami ng higit pang mga pagkakataon upang suriin at ihambing ang kanilang pagkakaiba-iba. Pinapayagan nitong gamitin ang normalized deviation. Ang normalized deviation ay nagpapakita kung magkano ang SIGM ay deflected sa pamamagitan ng isa o ibang pagpipilian mula sa average na antas ng pagkakaiba-iba (daluyan aritmetika), at ipinahayag ng formula:

kung saan ang V ay ang halaga ng katangian (sa unang mga punto).

Sa tulong ng normalized deviation, maaari mong tantyahin ang anumang halaga na may paggalang sa grupo bilang isang buo, na tumitimbang ng paglihis nito at sabay-sabay na libre mula sa pinangalanang mga halaga. Upang mapupuksa ang mga negatibong numero sa nakuha na halaga ng T, maaari kang magdagdag ng anumang pare-pareho. Maginhawang, kung ang lahat ng mga numero na kung saan ka nagpapatakbo ay may parehong bilang ng mga character. Sa pagsasabi ng mga pagsasaalang-alang na ito, ang t-evaluation scale ay napaka-maginhawa. Para sa scale na ito, ang isang normal na pamamahagi ay tinatanggap, pagkakaroon ng m \u003d 0,  \u003d 10. Upang muling kalkulahin, ang isang pare-pareho ay kinuha katumbas ng 50. Ang formula para sa pag-convert ng mga paunang punto sa T-evaluation ay ang mga sumusunod:

t \u003d 50 + 10 -------

Ang kahulugan ng proseso ng pagrasyon ay titingnan ang halimbawa. Ipagpalagay na interesado kami sa ilang mga koneksyon ng communicative speed ng mga nagbebenta na may mga tampok ng lokasyon ng tindahan sa isang pangunahing lungsod. Upang gumawa ng ilang integral na pagtatasa ng bilis ng komunikasyon ng isang partikular na nagbebenta, maaari naming sa pamamagitan ng pagmamasid upang makakuha ng para sa bawat test bilang ng mga parameter na nagpapakilala sa komunikasyon nito sa bumibili. Halimbawa, maaari naming sukatin ang average na tagal ng contact sa pamamagitan ng mga mata, ang average na bilang ng mga smiles sa isang takdang oras ng agwat, ang bilang ng mga magaspang, matinding apila, atbp. Maaari mong makilala ang mga pakinabang at disadvantages ng lokasyon ng tindahan sa lungsod (hanggang sa "mabilis na lugar", atbp.). Upang gawin ito, maaari mong bilangin ang bilang ng mga ruta ng transportasyon ng lungsod na humihinto sa malapit sa tindahan, suriin ang remoteness nito mula sa mga istasyon ng metro, isaalang-alang ang bilang ng mga kalapit na tindahan ng isa pang profile, atbp.

Upang magdala ng ilang pangkalahatang tagapagpahiwatig ng komunikasyon, imposibleng idagdag ang bilang ng mga ngiti sa haba ng pakikipag-ugnay sa mga mata at ibawas ang bilang ng mga expression na nagpapahiwatig ng mababang kultura ng pagsasalita mula sa halagang ito. Ito ay walang kabuluhan upang tiklop ang bilang ng mga ruta ng bus na may bilang ng mga kalapit na tindahan at ibawas mula sa halaga sa distansya sa pinakamalapit na metro. Mas mahusay na kolektahin ang kinakailangang array ng dami ng data, na nagsasagawa ng isang pag-aaral sa maraming mga tindahan, kalkulahin ang mga pangunahing istatistika para sa lahat ng mga tagapagpahiwatig na ito, at pagkatapos ay matapos ang pag-convert ng paunang data, upang makakuha ng T-point para sa bawat tagapagpahiwatig.

Kapag normalizing mula sa bawat data na nakuha, ang mga halaga sa mga unang yunit ay binabawasan ng average na aritmetika, at ang pagkakaiba ay nahahati sa sigma. Ang nagresultang halaga ay pinarami ng 10, pagkatapos ay idinagdag sa 50 o bawas mula sa 50. Ang pagpili ng huling aritmetika pagkilos (karagdagan o pagbabawas) maaari naming itakda ang direksyon ng kontribusyon na ginagawang parameter na ito sa kinakalkula integral pagtatasa, i.e. Maaari naming itakda ang pokus ng conversion, na ibinigay ang mga detalye ng parameter na ito. Kung ang isang tiyak na halaga sa mga paunang yunit ay lumampas sa average na aritmetika, maaari naming normalized paglihis (ang pagkakaiba na hinati ng sigma) upang mabulok sa 50. Ito ay tumutugma sa mas malaking kalubhaan ng tinatayang kalidad ng kaisipan mula sa paksang ito kaysa sa average sa pamamagitan ng aming sample .

Halimbawa, higit sa isang partikular na nagbebenta ang bilang ng mga smiles sa bawat sigma (kaysa sa average) quantitatively ay ipahayag na ngayon: 60 T-points. Ang isang dami ng pagtatasa ng mga palatandaan ng mataas na kultura ng pagsasalita sa normalized deviations ay dapat idagdag sa 50 T-points, at mababang kultura ng pagsasalita - ibawas mula sa 50 T-point. Kung, halimbawa, ang isang dami ng pagtatasa ng isang tiyak na tampok ng isang negatibong oryentasyon (sa mga unang punto), ay lumampas sa average na halaga ng Poltsigm, pagkatapos ay sa T-point ito ay katumbas ng 45. Pagkatapos ng ganitong uri ng mga pagbabago, pagbibilang Ang integral na halaga ng bilis ng komunikasyon para sa isang partikular na paksa, maaari kaming magdagdag ng ilang mga T-point sa iba.

Ang form ng standardisasyon ng data ay maipapili upang pumili, isinasaalang-alang ang saklaw ng mga unang pagtatantya na nakuha at ang bilang ng mga gradasyon. Kung sa mga unang punto, ang bilang ng mga gradasyon 7-15, pagkatapos ay maaaring maging angkop na matatag 2 . Kung ang bilang ng mga gradasyon ay umabot ng 30 at higit pa sa isang bahagyang pagkalat ng pamamahagi (kawalaan ng simetrya), pagkatapos ay isasalin namin ang mga tagapagpahiwatig na ito sa steensile upang i-cut ang mga marka, i.e. Mawalan ng katumpakan ng katumpakan ng pagsukat. Kung may dahilan upang ipalagay na ang iyong mga sukat ay lubos na epektibo (halimbawa, may data sa mahusay na retaent pagiging maaasahan, mataas na ugnayan na nakuha sa mga sukat ng mga tagapagpahiwatig na may malinaw at maaasahang panlabas na pamantayan ng pagpapatunay, atbp.), Pagkatapos ay ang paggamit ng mga standardized unit ang parehong o kahit na isang bahagyang mas higit na bilang ng mga gradations.