Բովանդակություն
Հոդվածը ցույց կտա ձեզ ճիշտ քայլերը հաշվարկելու համար Համամասնության ստանդարտ սխալ օգտագործելով Microsoft Excel-ը: Դա կարևոր պարամետր է վիճակագրության ոլորտում։ Այն օգնում է մեզ խստորեն կանխատեսել դեպքը նմուշի տարածքում:
Տվյալների հավաքածուում մենք տեղեկություններ ունենք տարբեր նահանգներում բնակչության և հիվանդ մարդկանց թվի մասին: Մենք պատրաստվում ենք պարզել Համամասնության ստանդարտ սխալը այս հիվանդ մարդկանց համար տարբեր նահանգներում:
Ներբեռնեք պրակտիկայի աշխատանքային գրքույկը
Համամասնության ստանդարտ սխալ.xlsx
Ի՞նչ է համաչափության ստանդարտ սխալը:
Համամասնության ստանդարտ սխալը վերաբերում է ընտրանքային երևույթի փոփոխությանը ընդհանուր պատահականության կամ պոպուլյացիայի նկատմամբ: Ընդհանրապես, համամասնությունը բարենպաստ իրադարձությունների և ընտրանքային տարածության միջև մեզ տալիս է իրադարձության տեղի ունենալու հավանականությունը: Բայց գործնականում դա դեռ սխալ է։ Ենթադրենք, դուք մետաղադրամ եք նետում կախարդին 100 անգամ, և հավանականության բանաձևը ձեզ ասում է, որ դուք պետք է ստանաք գլուխներ և պոչերը յուրաքանչյուրը 50 անգամ: Բայց դա չի լինում։ Համամասնության ստանդարտ սխալը մեզ ավելի լավ պատկերացում է տալիս երևույթի կամ իրավիճակի կանխատեսման մասին` հիմնված Նմուշի -ի վրա, այլ ոչ թե ամբողջ Տվյալների վրա:
Համամասնության ստանդարտ սխալը (SE P ) տրված է ստորև բերված բանաձևը:
Որտեղ, Համամասնությունը. P/n
p = համամասնությունը Նմուշի , այլ կերպ ասած բարենպաստ արդյունքների և ընդհանուր միջադեպերի հարաբերակցությունը:
n = Ընդհանուր բնակչության կամ միջադեպերի թիվը:
2 քայլ Excel-ում համամասնության ստանդարտ սխալը հաշվարկելու համար
Մենք պատրաստվում ենք որպեսզի հաշվարկեք ստանդարտ սխալը համամասնության առանձին պետությունների համար նախ: Եկեք անցնենք ստորև ներկայացված ընթացակարգին:
Քայլ 1. Հաշվեք համամասնությունը տվյալներից
Սկզբում մենք պետք է հաշվարկենք նմուշ համամասնությունը:
- Սկզբում կազմեք մի քանի անհրաժեշտ սյունակներ Համամասնության և Ստանդարտ Սխալի համամասնության համար:
- Այնուհետև մուտքագրեք հետևյալ բանաձևը բջիջում D5 .
=C5/B5 
Բանաձեւը ձեզ կտրամադրի համամասնական նմուշ հավաքածուի առաջին վիճակի համար:
- Սեղմեք ENTER կոճակը և կտեսնեք նմուշի համամասնությունը առաջին քաղաքի համար .
- Այնուհետև օգտագործեք Լրացնել բռնակը մինչև Ավտոլրացում ստորին բջիջները:
Կարդալ ավելին. Ինչպես հաշվարկել ռեգրեսիայի ստանդարտ սխալը Excel-ում (հեշտ քայլերով)
Քայլ 2. Համամասնության ստանդարտ սխալի հաշվարկ
Այժմ մենք կօգտագործենք նախորդ տվյալները Համամասնության ստանդարտ սխալը հաշվարկելու համար:
- Տեսակը հետևյալ բանաձևը բջիջում E5 .
=SQRT(D5*(1-D5)/B5) 
SQRT ֆունկցիան վերադարձնում է քառակուսի արմատ D5*(1-D5)/B5 որտեղ այս բջիջների հղումները արժեքներ են պարունակում: Համամասնության ստանդարտ սխալ արժեքը այս դեպքում 0.000304508 կամ 0.03% է: Սա նշանակում է, որ համամասնության և ընդհանուր բնակչության տարբերությունը 0.03% է:
- Սեղմեք ENTER կոճակը և կտեսնեք Համամասնության ստանդարտ սխալը առաջին քաղաքի համար:
- Դրանից հետո օգտագործեք Լրացնել Handle AutoFill ներքևի բջիջները: Դուք կտեսնեք բոլոր Համամասնությունների ստանդարտ սխալները բոլոր նահանգների համար:
- Եթե ցանկանում եք տեսնել ընդհանուր համամասնությունը բոլոր վիճակների համար մուտքագրեք հետևյալ բանաձևը E15 բջիջում:
=SUM(C5:C13)/SUM(B5:B13) 
Այստեղ SUM ֆունկցիան վերադարձնում է հիվանդ մարդկանց և բնակչության թիվը: Հետևաբար, բանաձևը տալիս է Ընդհանուր համամասնությունը:
- Սեղմեք ENTER կոճակը և կտեսնեք Ընդհանուր համամասնությունը բոլորի համար: վիճակները:
- Դրանից հետո գրեք ստորև բերված բանաձևը E16 բջիջում:
=SQRT(E15*(1-E15)/SUM(B5:B13)) 
Վերոնշյալ բանաձեւը մեզ կտա Համամասնության ընդհանուր ստանդարտ սխալ :
- Սեղմեք ENTER և կտեսնեք ընդհանուր Ստանդարտ սխալըՀամամասնություն .
Այսպիսով, դուք կարող եք Excel-ի միջոցով հաշվարկել Համամասնության ստանդարտ սխալը :
Կարդալ ավելին. Ինչպես հաշվարկել թեքության ստանդարտ սխալը Excel-ում
Պրակտիկա բաժին
Այստեղ ես ձեզ եմ ներկայացնում այս հոդվածի տվյալների հավաքածուն, որպեսզի կարողանաք կիրառեք այս քայլերը ինքնուրույն:
Եզրակացություն
Բավական է ասել, որ դուք կհասնեք հիմնական գիտելիքներին՝ հաշվարկելու համար Համամասնության ստանդարտ սխալը Excel-ում: Դուք կարող եք ավելի լավ պատկերացում կազմել վիճակագրության միջոցով ինչ-որ բան կանխատեսելու մասին՝ օգտագործելով Համամասնության ստանդարտ սխալ : Եթե այս հոդվածի վերաբերյալ որևէ կարծիք ունեք, խնդրում ենք կիսվել դրանք մեկնաբանության վանդակում: Սա կօգնի ինձ հարստացնել իմ առաջիկա հոդվածները:
