<\/p>\n
Wsp\u00f3\u0142czynnik zmienno\u015bci<\/strong> , cz\u0119sto w skr\u00f3cie CV<\/em> , to spos\u00f3b pomiaru rozrzutu warto\u015bci w zbiorze danych w stosunku do \u015bredniej. Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n CV = \u03c3 \/ \u03bc<\/span><\/strong><\/p>\n Z\u0142oto:<\/span><\/p>\n M\u00f3wi\u0105c najpro\u015bciej, wsp\u00f3\u0142czynnik zmienno\u015bci to po prostu stosunek odchylenia standardowego do \u015bredniej.<\/span><\/p>\n Wsp\u00f3\u0142czynnik zmienno\u015bci jest cz\u0119sto u\u017cywany do por\u00f3wnywania zmienno\u015bci mi\u0119dzy dwoma r\u00f3\u017cnymi zestawami danych.<\/span><\/p>\n W prawdziwym \u015bwiecie jest cz\u0119sto u\u017cywany w finansach do por\u00f3wnywania \u015bredniego oczekiwanego zwrotu z inwestycji z oczekiwanym odchyleniem standardowym inwestycji. Umo\u017cliwia to inwestorom por\u00f3wnanie stosunku ryzyka do zwrotu pomi\u0119dzy inwestycjami.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce inwestor rozwa\u017ca inwestycj\u0119 w nast\u0119puj\u0105ce dwa fundusze wsp\u00f3lnego inwestowania:<\/span><\/p>\n Fundusz inwestycyjny A: \u015brednia = 9%, odchylenie standardowe = 12,4%<\/span><\/p>\n UCITS B: \u015brednia = 5%, odchylenie standardowe = 8,2%<\/span><\/p>\n Obliczaj\u0105c wsp\u00f3\u0142czynnik zmienno\u015bci ka\u017cdego funduszu, inwestor zauwa\u017ca:<\/span><\/p>\n CV dla funduszu inwestycyjnego A = 12,4% \/9% = 1,38<\/strong><\/span><\/p>\n CV dla funduszu inwestycyjnego B = 8,2% \/ 5% = 1,64<\/strong><\/span><\/p>\n Poniewa\u017c fundusz inwestycyjny A ma ni\u017cszy wsp\u00f3\u0142czynnik zmienno\u015bci, zapewnia lepszy \u015bredni zwrot w por\u00f3wnaniu z odchyleniem standardowym.<\/span><\/p>\n Aby obliczy\u0107 wsp\u00f3\u0142czynnik zmienno\u015bci zbioru danych w Pythonie, mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cej sk\u0142adni:<\/span><\/p>\n Poni\u017csze przyk\u0142ady pokazuj\u0105, jak u\u017cywa\u0107 tej sk\u0142adni w praktyce.<\/span><\/p>\n Przyk\u0142ad 1: Wsp\u00f3\u0142czynnik zmienno\u015bci dla pojedynczej sieci<\/strong><\/span><\/p>\n Poni\u017cszy kod pokazuje, jak obliczy\u0107 CV dla pojedynczej tabeli:<\/span><\/p>\n Wsp\u00f3\u0142czynnik zmienno\u015bci okazuje si\u0119 wynosi\u0107 9,23<\/strong> .<\/span><\/p>\n Przyk\u0142ad 2: Wsp\u00f3\u0142czynnik zmienno\u015bci dla kilku wektor\u00f3w<\/strong><\/span><\/p>\n Poni\u017cszy kod pokazuje, jak obliczy\u0107 CV wielu kolumn w ramce DataFrame pandy:<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce brakuj\u0105ce warto\u015bci zostan\u0105 po prostu zignorowane przy obliczaniu wsp\u00f3\u0142czynnika zmienno\u015bci:<\/span><\/span><\/p>\n Jak obliczy\u0107 wsp\u00f3\u0142czynnik zmienno\u015bci R<\/a> Wsp\u00f3\u0142czynnik zmienno\u015bci , cz\u0119sto w skr\u00f3cie CV , to spos\u00f3b pomiaru rozrzutu warto\u015bci w zbiorze danych w stosunku do \u015bredniej. Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b: CV = \u03c3 \/ \u03bc Z\u0142oto: \u03c3: odchylenie standardowe zbioru danych \u03bc: \u015brednia ze zbioru danych M\u00f3wi\u0105c najpro\u015bciej, wsp\u00f3\u0142czynnik zmienno\u015bci to po prostu stosunek odchylenia standardowego do \u015bredniej. Kiedy […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1320","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Kiedy stosowa\u0107 wsp\u00f3\u0142czynnik zmienno\u015bci<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 wsp\u00f3\u0142czynnik zmienno\u015bci w Pythonie<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\ncv = lambda<\/span> x: np. std<\/span> (x, ddof= 1<\/span> ) \/ np. mean<\/span> (x) * 100\n<\/span><\/strong><\/pre>\n #create vector of data\n<\/span>data = [88, 85, 82, 97, 67, 77, 74, 86, 81, 95, 77, 88, 85, 76, 81, 82]\n\n#define function to calculate cv<\/span>\ncv = lambda<\/span> x: np. std<\/span> (x, ddof= 1<\/span> ) \/ np. mean<\/span> (x) * 100 \n<\/span>\n#calculate CV\n<\/span>cv(data)\n\n9.234518\n<\/strong><\/pre>\n import<\/span> numpy as<\/span> np<\/span>\nimport<\/span> pandas as<\/span> pd\n\n#define function to calculate cv<\/span>\ncv = lambda<\/span> x: np. std<\/span> (x, ddof= 1<\/span> ) \/ np. mean<\/span> (x) * 100<\/span><\/span>\n\n#create pandas DataFrame\n<\/span>df = pd. DataFrame<\/span> ({'a': [88, 85, 82, 97, 67, 77, 74, 86, 81, 95],\n 'b': [77, 88, 85, 76, 81, 82, 88, 91, 92, 99],\n 'c': [67, 68, 68, 74, 74, 76, 76, 77, 78, 84]})\n\n#calculate CV for each column in data frame\ndf. apply<\/span> (cv)\n\na 11.012892\nb8.330843\nc7.154009\ndtype:float64<\/span><\/span><\/strong><\/pre>\n import<\/span> numpy as<\/span> np<\/span>\nimport<\/span> pandas as<\/span> pd\n\n#define function to calculate cv\ncv = lambda<\/span> x: np. std<\/span> (x, ddof= 1<\/span> ) \/ np. mean<\/span> (x) * 100<\/span><\/span>\n\n#create pandas DataFrame\n<\/span>df = pd. DataFrame<\/span> ({'a': [88, 85, 82, 97, 67, 77, 74, 86, 81, 95],\n 'b': [77, 88, 85, 76, 81, 82, 88, 91, np. no<\/span> , 99],\n 'c': [67, 68, 68, 74, 74, 76, 76, 77, 78, np. no<\/span> ]})\n\n#calculate CV for each column in data frame\ndf. apply<\/span> (cv)\n\na 11.012892\nb 8.497612\nc5.860924\ndtype:float64<\/span><\/span><\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 wsp\u00f3\u0142czynnik zmienno\u015bci w programie Excel<\/a>
Jak obliczy\u0107 wsp\u00f3\u0142czynnik zmienno\u015bci w Arkuszach Google<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"