Keskimääräinen kaava - Kuinka laskea keskiarvo? (Askel askeleelta)

Kaava keskiarvon laskemiseksi

Keskiarvo on arvo, jota käytetään kuvaamaan datajoukkoa, samoin kuin kokonaisdatasta laskettu keskiarvo, ja tämä kaava lasketaan lisäämällä kaikki annetun joukon arvot, jotka on merkitty X: n summalla, ja jakamalla se arvojen määrällä. arvot, jotka annetaan joukossa, jota merkitään

Keskiarvo = (a ₁ + a ₂ +…. + A _n ) / n

• jossa _i = i ^th havainto
• n = havaintojen lukumäärä

Selitys

Keskiarvon laskenta voidaan laskea käyttämällä seuraavia vaiheita:

• Vaihe 1: Ensinnäkin, määrätä havainto, ja ne on merkitty, jonka ₁ , joka on ₂ , …, joka on _n , joka vastaa 1 ^kpl havainto, 2 ^nd havainto, …., N ^{: nnen} havainto.
• Vaihe 2: Määritä seuraavaksi havaintojen lukumäärä, ja sitä merkitään n: llä.
• Vaihe 3: Lopuksi keskiarvo lasketaan lisäämällä kaikki havainnot ja jakamalla tulos sitten havaintojen lukumäärällä, kuten alla on esitetty.

Keskiarvo = (a ₁ + a ₂ +…. + A _n ) / n

Esimerkkejä

Esimerkki 1

Otetaanpa esimerkki Johnista, joka ilmoittautui ympäristötieteiden jatko-ohjelmaan. Kolmivuotinen tutkinto on jaettu kuuteen lukukauteen, ja lopullinen keskimääräinen prosenttiosuus lasketaan kaikkien lukukausien pisteytettyjen prosenttiosuuksien perusteella. Laske Johnin viimeinen prosenttiosuus hänen seuraavan pistemääränsä perusteella:

Alla on annettu tietoja keskimääräisen prosenttiosuuden laskemiseksi.

Koska

a ₁ = 79%, a ₂ = 81%, a ₃ = 74%, a ₄ = 70%, a ₅ = 82%, a ₆ = 85%, n = 6

Edellä olevia tietoja käyttämällä keskiarvo lasketaan seuraavasti:

• Keskiarvo = (79% + 81% + 74% + 70% + 82% + 85%) / 6

Keskiarvo on -

• Keskiarvo = 78,50%

Siksi David pisteytti loppuohjelman 78,5 prosentin prosenttiosuuden.

Käyttää

Kuten nimestä "keskiarvo" viittaa, se viittaa keskeiseen kohtaan havaintojen joukossa. Kun sitä käytetään matematiikassa, se edustaa lukua, joka on tyypillisesti numeroryhmän keskiarvo. Termiä käytetään usein ilmaisemaan luku, joka edustaa joukko ihmisiä tai asioita. Se on erittäin tärkeä, koska se auttaa tiivistämään suuren määrän tietoja yhdeksi arvoksi, ja se osoittaa myös, että alkuperäisen datan yksittäisen arvon ympärillä on jonkin verran epäjohdonmukaisuutta, joka on erittäin tärkeä osa keskeistä taipumusteoriaa.