标准偏差相对标准偏差公式
两个数的相对标准偏差
两个数的相对标准偏差
相对标准偏差是一种用于衡量数据集中变异程度的统计学指标。
它通常用来比较两个或多个数据集之间的变异性，而不受它们的单位或大小的影响。
在比较两个数的相对标准偏差时，可以使用以下公式：相对标准偏差 = (标准偏差 / 平均值) x 100%
其中，标准偏差是用于衡量数据集中变异程度的统计学指标，而平均值是数据集中所有数值的平均值。
相对标准偏差的结果可以告诉我们两个数之间的差异程度。
如果两个数的相对标准偏差很小，那么它们的变异程度也会很小，这意味着它们之间的差异不是很大。
相反，如果它们的相对标准偏差很大，那么它们的变异程度也会很大，这意味着它们之间的差异很大。
例如，假设我们有两个数，分别为10和15。
这两个数之间的相对标准偏差可以按照以下步骤计算：
1. 计算平均值：(10 + 15) / 2 = 1
2.5
2. 计算标准偏差：使用适当的统计学工具（例如Excel）计算标准偏差，假设为2.5
3. 计算相对标准偏差：(2.5 / 12.5) x 100% = 20%
因此，这两个数之间的相对标准偏差为20%，表明它们之间的差异程度相对较小。
总之，相对标准偏差是一种有用的统计学工具，可以帮助我们比较不同数据集之间的变异程度，而不受它们的单位或大小的影响。
通过计算相对标准偏差，我们可以了解两个数之间的差异程度，进而做
出更准确的决策。
相对标准偏差怎么算
相对标准偏差怎么算相对标准偏差（Relative Standard Deviation，RSD）是一种用来衡量数据离散程度的统计量。
它是标准偏差与均值的比值，通常以百分数的形式表示。
相对标准偏差可以帮助我们了解数据的变异程度，对比不同数据集的离散程度，以及评估测量结果的稳定性。
在实际应用中，相对标准偏差常常用于质量控制、实验数据分析、金融风险评估等领域。
那么，相对标准偏差究竟怎么算呢？接下来，我们将详细介绍相对标准偏差的计算方法。
首先，我们需要明确相对标准偏差的计算公式：\[ RSD = \frac{SD}{\bar{X}} \times 100\% \]其中，RSD表示相对标准偏差，SD表示标准偏差，\(\bar{X}\)表示平均值。
根据这个公式，我们可以得出相对标准偏差的计算步骤如下：1. 计算数据的平均值（\(\bar{X}\)）。
2. 计算数据的标准偏差（SD）。
3. 将标准偏差除以平均值，并乘以100%，得到相对标准偏差（RSD）。
接下来，我们通过一个实例来演示相对标准偏差的计算过程。
假设某实验室对同一样本进行了5次测量，得到的数据分别为：12.5、12.8、12.6、12.7、12.9。
我们首先计算这组数据的平均值：\[ \bar{X} = \frac{12.5 + 12.8 + 12.6 + 12.7 + 12.9}{5} = 12.7 \]接下来，计算数据的标准偏差。
标准偏差是衡量数据离散程度的重要指标，它表示数据点与平均值之间的平均距离。
在实际操作中，我们可以利用统计软件或Excel等工具来计算标准偏差。
假设计算得到标准偏差为0.15。
将标准偏差除以平均值，并乘以100%，即可得到相对标准偏差：\[ RSD = \frac{0.15}{12.7} \times 100\% \approx 1.18\% \]因此，这组数据的相对标准偏差约为1.18%。
通过相对标准偏差的计算，我们可以判断这组数据的离散程度较小，测量结果相对稳定。
相对标准偏差的公式
相对标准偏差的公式相对标准偏差（Relative Standard Deviation），也被称为变异系数（Coefficient of Variation），是用来衡量数据的离散程度的一种统计指标。
它是标准偏差与平均值的比值，用来消除不同数据集之间的尺度差异，使得不同数据集之间的离散程度可以进行比较。
相对标准偏差的计算公式如下：相对标准偏差 = （标准偏差 / 平均值）× 100%其中，标准偏差是衡量数据集中各个数据与平均值之间差异的一种度量，平均值是数据集的所有数据的算术平均数。
相对标准偏差的数值越大，表示数据集的离散程度越大；反之，数值越小，表示数据集的离散程度越小。
因此，相对标准偏差可以用来比较不同数据集之间的离散程度，从而判断它们的变异程度。
相对标准偏差的应用非常广泛，特别是在质量控制、金融分析、经济学等领域中。
在质量控制中，相对标准偏差可以用来评估生产过程中产品的质量稳定性；在金融分析中，相对标准偏差可以用来衡量股票或基金的风险程度；在经济学中，相对标准偏差可以用来比较不同国家或地区的经济发展水平。
下面通过一个例子来说明如何计算相对标准偏差：假设有一个学生A参加了5次数学测试，得分分别为80、85、90、95、100。
我们首先计算这5次测试的平均值和标准偏差。
平均值 = (80 + 85 + 90 + 95 + 100) / 5 = 90标准偏差 = √[((80-90)^2 + (85-90)^2 + (90-90)^2 + (95-90)^2 + (100-90)^2) / 5] ≈ 7.07然后，我们可以使用上面的公式计算相对标准偏差：相对标准偏差 = (7.07 / 90) × 100% ≈ 7.85%通过计算可知，这个学生A在这5次数学测试中的相对标准偏差约为7.85%。
这个数值表示这个学生在这5次测试中得分的离散程度较小，即学习成绩比较稳定。
需要注意的是，当平均值为0时，相对标准偏差无法计算。
相对标准偏差的函数
相对标准偏差的函数相对标准偏差（Relative Standard Deviation，RSD）是用于衡量数据变异程度的统计量，它可以帮助我们了解数据的离散程度和稳定性。
在实际应用中，我们经常需要计算数据的相对标准偏差，以便对数据进行比较和分析。
在本文中，我们将介绍相对标准偏差的计算公式和应用方法，帮助读者更好地理解和运用这一统计量。
相对标准偏差的计算公式如下：RSD = (标准偏差 / 平均值) × 100%。
其中，标准偏差是数据的标准差，平均值是数据的平均数。
通过这个公式，我们可以将标准偏差与平均值进行比较，得到一个相对的标准偏差值，用百分比表示。
这个值越小，说明数据的离散程度越小，稳定性越高；反之，离散程度越大，稳定性越低。
在实际应用中，我们可以通过相对标准偏差来进行数据的比较和分析。
例如，在质量控制领域，我们可以用RSD来评估不同生产批次的产品质量稳定性；在实验研究中，我们可以用RSD来评估实验数据的可靠性和稳定性。
通过对数据的相对标准偏差进行分析，我们可以更好地了解数据的特点和规律，从而做出科学的决策。
除了计算相对标准偏差，我们还可以通过图表和统计分析来直观地展现数据的离散程度和稳定性。
例如，我们可以绘制箱线图来展示数据的分布情况，通过观察箱线图的形状和位置，我们可以直观地判断数据的稳定性和离散程度。
此外，我们还可以通过方差分析和回归分析等统计方法，来深入挖掘数据的规律和特点，为我们的决策提供更多的参考依据。
在进行相对标准偏差的计算和分析时，我们需要注意以下几点：1. 数据的选择，在进行RSD的计算时，我们需要选择具有代表性的数据样本，确保样本的大小和分布能够反映总体的特点。
如果样本选择不当，可能会导致RSD的计算结果不准确，影响我们对数据的分析和判断。
2. 数据的质量，在进行RSD的计算时，我们需要对数据进行严格的质量控制，排除异常值和错误数据，确保数据的准确性和可靠性。
只有在数据质量良好的情况下，我们才能得到准确的RSD值，为后续的分析提供可靠的依据。
相对标准偏差计算公式 -回复
相对标准偏差（Relative Standard Deviation, RSD），又称为标准偏差系数（Coefficient
of Variation, CV），用于描述数据的离散程度相对于其均值的程度。
相对标准偏差的计算方法是将数据的标准偏差除以数据的平均值，通常以百分比的形式表示。
以下是计
算相对标准偏差的公式：
RSD（%） = (标准偏差 / 平均值) × 100%
先计算标准偏差，然后计算相对标准偏差：
1. 计算平均值（Mean）: 平均值= (Σ 数据点) / 数据点个数
1. 计算每个数据点与平均值的差的平方： (数据点 - 平均值)^2
1. 计算差的平方的平均值（方差, Variance）：方差= (Σ (数据点 - 平均值)^2) / (数据点个数 - 1)
1. 求方差的平方根（标准偏差, Standard Deviation）：标准偏差 = sqrt(方差)
1. 计算相对标准偏差： RSD（%） = (标准偏差 / 平均值) × 100%
使用这个公式，您可以估算一组数据的相对标准偏差，进而了解数据的相对分散程度。
相对标准偏差可用于不同单位或量级的数据集之间的离散程度比较。
低相对标准偏差
值通常意味着数据点相对集中，而高相对标准偏差值表示数据分布更加分散。
相对标准偏差计算公式
相对标准偏差计算公式相对标准偏差（Relative Standard Deviation, RSD）是用来衡量数据的离散程度，它是标准偏差与均值的比值。
在统计学和实验室分析中，RSD常常被用来评估数据的可靠性和一致性。
下面我们将介绍RSD的计算公式及其应用。
RSD的计算公式如下：RSD = (标准偏差 / 平均值) × 100%。
其中，标准偏差是数据的离散程度的度量，平均值是数据的中心趋势的度量。
RSD通常以百分比的形式表示，这有助于比较不同数据集的离散程度。
举个例子，假设我们有一组数据，4, 6, 8, 10, 12。
首先，我们需要计算这组数据的平均值和标准偏差，然后代入上述公式即可得到RSD。
平均值 = (4 + 6 + 8 + 10 + 12) / 5 = 8。
标准偏差 = √((（4-8）² + (6-8)² + (8-8)² + (10-8)² + (12-8)²) / 5) ≈ 2.83。
代入公式，RSD = (2.83 / 8) × 100% ≈ 35.38%。
通过计算，我们得到这组数据的RSD约为35.38%。
这意味着这组数据的离散程度相对较高，数据点与平均值之间的差异较大。
RSD的应用范围非常广泛，特别是在实验室分析和质量控制中。
通过计算RSD，我们可以评估实验数据的一致性，判断数据的稳定性和可靠性。
在质量控制中，RSD也被用来监测生产过程中的变异程度，帮助企业提高产品的质量和稳定性。
需要注意的是，RSD并不适用于所有类型的数据。
例如，当数据集中存在异常值或极端值时，RSD的计算结果可能会失真。
因此，在使用RSD时，我们需要对数据进行合理的处理，确保数据的准确性和可靠性。
总之，相对标准偏差是一种重要的统计指标，它能够帮助我们评估数据的离散程度，判断数据的一致性和稳定性。
通过合理地计算和应用RSD，我们可以更好地理解和分析数据，为实验研究和质量控制提供有力的支持。
相对标准偏差公式
相对标准偏差公式相对标准偏差（Relative Standard Deviation，RSD）是一种用来衡量数据离散程度的统计量，它是标准偏差与平均值的比值。
在实际应用中，RSD常用于评估数据的稳定性和可靠性，尤其是在实验室分析和质量控制领域中被广泛使用。
本文将介绍RSD的计算公式、应用范围和计算方法，以帮助读者更好地理解和应用这一统计指标。
RSD的计算公式如下：RSD = (标准偏差 / 平均值) × 100%。
其中，标准偏差是数据离均值的平均偏离程度，平均值是数据的平均数。
RSD通常以百分比的形式呈现，可以用来比较不同数据集的离散程度，越大的RSD表示数据的离散程度越高，反之则表示数据的离散程度较低。
RSD的应用范围非常广泛，比如在实验室分析中，RSD可以用来评估实验数据的重复性和准确性；在质量控制中，RSD可以用来监测生产过程中产品质量的稳定性；在统计学中，RSD可以用来比较不同样本的离散程度，判断数据的可靠性等。
总之，RSD在实际应用中具有重要的意义，对于评价数据的稳定性和可靠性起着至关重要的作用。
计算RSD的方法相对简单，首先需要计算数据的平均值和标准偏差，然后代入上述公式即可得到RSD的数值。
在实际操作中，可以利用Excel等数据处理软件来进行计算，也可以通过编程语言来实现RSD的计算。
无论采用何种方法，都需要确保计算过程的准确性和可靠性，以保证得到的RSD值具有参考意义。
除了计算RSD值之外，还需要对RSD的数值进行合理的解释和分析。
在实际应用中，RSD的数值大小并不是绝对的，需要结合具体的数据情况和应用背景来进行分析。
一般来说，RSD小于10%表示数据的离散程度较低，10%-20%表示数据的离散程度适中，大于20%表示数据的离散程度较高。
但这只是一个大致的参考范围，具体情况还需具体分析，不能一概而论。
总之，相对标准偏差是一种重要的统计指标，它可以用来评估数据的离散程度，对于实验数据的分析和质量控制具有重要的意义。
相对标准偏差的公式
相对标准偏差的公式相对标准偏差（Relative Standard Deviation，RSD）是一种用来衡量数据的离散程度的统计量。
它是标准偏差与数据平均值的比值，通常以百分比的形式表示。
相对标准偏差可以帮助我们了解数据的稳定性和一致性，对于比较不同数据集的离散程度也非常有用。
计算相对标准偏差的公式为：\[ RSD = \frac{s}{\bar{x}} \times 100\% \]其中，s代表标准偏差，\(\bar{x}\)代表数据的平均值。
相对标准偏差的计算步骤如下：1. 计算数据的平均值\(\bar{x}\)；2. 计算每个数据与平均值的差值，并求平方；3. 求出所有差值平方的和；4. 将和除以数据的个数，得到方差；5. 方差的平方根即为标准偏差s；6. 将标准偏差s除以平均值\(\bar{x}\)，并乘以100%，得到相对标准偏差RSD。
相对标准偏差的应用范围非常广泛，特别是在实验数据处理和质量控制方面。
在实验数据处理中，我们可以通过计算相对标准偏差来评估实验数据的稳定性和一致性，从而判断实验结果的可靠性。
在质量控制方面，相对标准偏差可以帮助我们监控生产过程中产品质量的波动情况，及时发现和解决问题，保证产品质量稳定。
此外，相对标准偏差还可以用来比较不同数据集的离散程度。
当我们需要比较多个数据集的稳定性时，可以通过计算它们的相对标准偏差来进行评估，从而找出离散程度较小的数据集。
在实际应用中，我们还需要注意一些计算相对标准偏差的注意事项：1. 数据的选择，相对标准偏差适用于对称分布的数据，对于偏态分布的数据可能会导致计算结果的失真；2. 数据的单位，在计算相对标准偏差时，需要确保数据的单位一致，否则计算结果将无法比较；3. 样本数量，样本数量较小时，相对标准偏差的计算结果可能不够稳定，需要谨慎评估。
综上所述，相对标准偏差是一种重要的统计量，它可以帮助我们评估数据的稳定性和一致性，对于实验数据处理和质量控制具有重要意义。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
标准偏差数学表达式：•S-标准偏差〔%〕•n-试样总数或测量次数，一般n值不应少于20-30个•i-物料中*成分的各次测量值，1～n；标准偏差的使用方法六个计算标准偏差的公式[1]标准偏差的理论计算公式设对真值为*的*量进展一组等精度测量, 其测得值为l1、l2、……l n。
令测得值l与该量真值*之差为真差占σ, 则有σ1 = l i−*σ2 = l2−*……σn = l n−*我们定义标准偏差(也称标准差)σ为〔1〕由于真值*都是不可知的, 因此真差σ占也就无法求得, 故式只有理论意义而无实用价值。
标准偏差σ的常用估计—贝塞尔公式由于真值是不可知的, 在实际应用中, 我们常用n次测量的算术平均值来代表真值。
理论上也证明, 随着测量次数的增多, 算术平均值最接近真值, 当时, 算术平均值就是真值。
于是我们用测得值l i与算术平均值之差——剩余误差〔也叫残差〕V i来代替真差σ , 即设一组等精度测量值为l1、l2、……l n则……通过数学推导可得真差σ与剩余误差V的关系为将上式代入式(1)有(2)式(2)就是著名的贝塞尔公式(Bessel)。
它用于有限次测量次数时标准偏差的计算。
由于当时，,可见贝塞尔公式与σ的定义式(1)是完全一致的。
应该指出, 在n有限时, 用贝塞尔公式所得到的是标准偏差σ的一个估计值。
它不是总体标准偏差σ。
因此, 我们称式(2)为标准偏差σ的常用估计。
为了强调这一点, 我们将σ的估计值用"S 〞表示。
于是, 将式(2)改写为(2')在求S时, 为免去求算术平均值的麻烦, 经数学推导(过程从略)有于是, 式(2')可写为(2")按式(2")求S时, 只需求出各测得值的平方和和各测得值之和的平方艺 , 即可。
标准偏差σ的无偏估计数理统计中定义S2为样本方差数学上已经证明S2是总体方差σ2的无偏估计。
即在大量重复试验中, S2围绕σ2散布, 它们之间没有系统误差。
而式(2')在n有限时,S并不是总体标准偏差σ的无偏估计, 也就是说S和σ之间存在系统误差。
概率统计告诉我们, 对于服从正态分布的正态总体, 总体标准偏差σ的无偏估计值为(3)令则即S1和S仅相差一个系数Kσ,Kσ是与样本个数测量次数有关的一个系数, Kσ值见表。
计算Kσ时用到Γ(n + 1) = nΓ(n)Γ(1) = 1由表1知, 当n>30时, 。
因此, 当n>30时, 式(3')和式(2')之间的差异可略而不计。
在n=30～50时, 最宜用贝塞尔公式求标准偏差。
当n<10时, 由于Kσ值的影响已不可忽略, 宜用式(3'), 求标准偏差。
这时再用贝塞尔公式显然是不妥的。
标准偏差的最大似然估计将σ的定义式(1)中的真值*用算术平均值代替且当n有限时就得到(4)式(4)适用于n>50时的情况, 当n>50时,n和(n-1)对计算结果的影响就很小了。
2.5标准偏差σ的极差估计由于以上几个标准偏差的计算公式计算量较大, 不宜现场采用, 而极差估计的方法则有运算简便, 计算量小宜于现场采用的特点。
极差用"R"表示。
所谓极差就是从正态总体中随机抽取的n个样本测得值中的最大值与最小值之差。
假设对*量作次等精度测量测得l1、，且它们服从正态分布, 则R = l ma*−l min概率统计告诉我们用极差来估计总体标准偏差的计算公式为(5)S3称为标准偏差σ的无偏极差估计, d2为与样本个数n(测得值个数)有关的无偏极差系数, 其值见表2由表2知, 当n≤15时,, 因此, 标准偏差σ更粗略的估计值为(5')还可以看出, 当200≤n≤1000时，因而又有(5")显然, 不需查表利用式(5')和(5")了即可对标准偏差值作出快速估计, 用以对用贝塞尔公式及其他公式的计算结果进展校核。
应指出,式(5)的准确度比用其他公式的准确度要低, 但当5≤n≤15时,式(5)不仅大大提高了计算速度, 而且还颇为准确。
当n>10时, 由于舍去数据信息较多, 因此误差较大, 为了提高准确度, 这时应将测得值分成四个或五个一组, 先求出各组的极差R1、, 再由各组极差求出极差平均值。
极差平均值和总体标准偏差的关系为需指出, 此时d2大小要用每组的数据个数n而不是用数据总数N(=nK)去查表2。
再则, 分组时一定要按测得值的先后顺序排列,不能打乱或颠倒。
标准偏差σ的平均误差估计平均误差的定义为误差理论给出(A)可以证明与的关系为(证明从略)于是(B)由式(A)和式(B)得从而有式(6)就是佩特斯(C.A.F.Peters.1856)公式。
用该公式估计δ值, 由于\right|V\right|不需平方,故计算较为简便。
但该式的准确度不如贝塞尔公式。
该式使用条件与贝塞尔公式相似。
标准偏差的应用实例[1]对标称值R a = 0.160 < math> μm < math > 的一块粗糙度样块进展检定, 顺次测得以下15个数据:1.45,1.65,1.60,1.67,1.52,1.46,1.72,1.69,1.77,1.64,4.56,1.50,1.64,1.74和1.63μm, 试求该样块R n的平均值和标准偏差并判断其合格否。
解：1)先求平均值2)再求标准偏差S假设用无偏极差估计公式式(5)计算, 首先将测得的, 15个数据按原顺序分为三组, 每组五个, 见表3。
表3组号l_1 l_5 R1 1.48 1.65 1.60 1.67 1.52 0.192 1.46 1.72 1.69 1.77 1.64 0.313 1.56 1.50 1.64 1.74 1.63 0.24因每组为5个数据, 按n=5由表2查得故假设按常用估计即贝塞尔公式式(2') , 则假设按无偏估计公式即式(3')计算, 因n=15，由表1查得Kδ = 1.018, 则假设按最大似然估计公式即式(4')计算, 则= 0.09296( < math> μm < math > )假设按平均误差估计公式即式(6), 则现在用式(5')对以上计算进展校核可见以上算得的S、S1、S2、S3和S4没有粗大误差。
由以上计算结果可知0.09296<0.0962<0.0979<0.1017<0.1062即S2 < S < S1 < S4 < S3可见, 最大似然估计值最小, 常用估计值S稍大, 无偏估计值S1又大, 平均误差估计值S4再大, 极差估计值S3最大。
纵观这几个值, 它们相当接近, 最大差值仅为0.01324μm。
从理论上讲, 用无偏估计值和常用估计比拟适宜, 在本例中, 它们仅相差0.0017μm。
可以相信, 随着的增大, S、S1、S2、S3和S4之间的差异会越来越小。
就本例而言, 无偏极差估计值S3和无偏估计值S1仅相差0.0083μm, 这说明无偏极差估计是既可以保证一定准确度计算又简便的一种好方法。
JJG102-89"外表粗糙度比拟样块"规定R a的平均值对其标称值的偏离不应超过+12%～17%, 标准偏差应在标称值的4%～12%之间。
已得本样块二产,产均在规定围之, 故该样块合格。
标准偏差与标准差的区别标准差(Standard Deviation)各数据偏离平均数的距离〔离均差〕的平均数，它是离差平方和平均后的方根。
用σ表示。
因此，标准差也是一种平均数。
标准差是方差的算术平方根。
标准差能反映一个数据集的离散程度。
平均数一样的，标准差未必一样。
例如，A、B两组各有6位学生参加同一次语文测验，A组的分数为95、85、75、65、55、45，B组的分数为73、72、71、69、68、67。
这两组的平均数都是70，但A组的标准差为17.08分，B组的标准差为2.16分，说明A组学生之间的差距要比B组学生之间的差距大得多。
标准偏差(Std Dev,Standard Deviation) - 统计学名词。
一种量度数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。
标准偏差越小，这些值偏离平均值就越少，反之亦然。
标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量。
有人经常混用均方根误差〔RMSE〕与标准差〔Standard Deviation〕，实际上二者并不是一回事。
1.均方根误差均方根误差为了说明样本的离散程度。
均方根误差〔root-mean-square error 〕亦称标准误差，其定义为，i＝1，2，3，…n。
在有限测量次数中，均方根误差常用下式表示：，式中，n为测量次数；d i为一组测量值与平均值的偏差。
如果误差统计分布是正态分布，则随机误差落在土σ以的概率为68％。
2.标准差标准差是方差的算术平方根。
标准差能反映一个数据集的离散程度。
平均数一样的，标准差未必一样。
标准差也被称为标准偏差，或者实验标准差。
均方根值也称作为效值，它的计算方法是先平方、再平均、然后开方。
比方幅度为100V而占空比为0.5的方波信号，如果按平均值计算，它的电压只有50V，而按均方根值计算则有70.71V。
这是为什么呢.举一个例子，有一组100伏的电池组，每次供电10分钟之后停10分钟，也就是说占空比为一半。
如果这组电池带动的是10Ω电阻，供电的10分钟产生10A 的电流和1000W的功率，停电时电流和功率为零。
则在20分钟的一个周期其平均功率为500W，这相当于70.71V的直流电向10Ω电阻供电所产生的功率。
而50V直流电压向10Ω电阻供电只能产生的250W的功率。
对于电机与变压器而言，只要均方根电流不超过额定电流，即使在一定时间过载，也不会烧坏。
PMTS1.0抽油机电能图测试仪对电流、电压与功率的测试计算都是按有效值进展的，不会因为电流电压波形畸变而测不准。
这一点对于测试变频器拖动的电机特别有用。
均方根误差为了说明样本的离散程度。
对于N1,....Nm,设N=(N1+...+Nm)/m;则均方根误差记作：t=sqrt(((N^2-N1^2)+...+(N^2-Nm^2))/(m(m-1)))；比方两组样本：第一组有以下三个样本：3，4，5第二组有一下三个样本：2，4，6这两组的平均值都是4，但是第一组的三个数值相对更靠近平均值，也就是离散程度小，均方差就是表示这个的。
同样，方差、标准差(方差开根,因为单位不统一)都是表示数据的离散程度的。
几种典型平均值的求法〔1〕算术平均值这种平均值最常用。
设*1、*2、… 、* n为各次的测量值，n代表测量次数，则算术平均值为〔2〕均方根平均值〔3〕几何平均值〔4〕对数平均值〔5〕加权平均值相对标准方差的计算公式准确度：测定值与真实值符合的程度绝对误差：测量值〔或屡次测定的平均值〕与真〔实〕值之差称为绝对误差，用δ表示。