相对平均偏差（Relative Mean Deviation, RMD），也称为变异系数的另一种形式，是衡量数据分散程度的一种方式。它通常用来比较不同数据集的离散程度，特别是当这些数据集具有不同的平均值或单位时。相对平均偏差的计算公式如下：

\[ RMD = \frac{MAD}{\bar{x}} \times 100\% \]

其中：

- \( MAD \) 表示平均绝对偏差（Mean Absolute Deviation），它是每个观测值与所有观测值平均值之差的绝对值的平均。

- \( \bar{x} \) 是数据集的平均值。

具体步骤如下：

1. 计算数据集的平均值 \( \bar{x} \)。

2. 对于每个观测值 \( x_i \)，计算其与平均值 \( \bar{x} \) 的差的绝对值 \( |x_i - \bar{x}| \)。

3. 将所有这些绝对差值求和，并除以观测值总数 \( n \)，得到平均绝对偏差 \( MAD \)。

4. 最后，将 \( MAD \) 除以 \( \bar{x} \)，再乘以 100%，得到相对平均偏差 \( RMD \)。

相对平均偏差的数值是一个百分比，这使得不同数据集之间的比较更加直观。例如，如果两个数据集的相对平均偏差分别为 5% 和 10%，则可以直观地看出第二个数据集的变异性更大。

需要注意的是，相对平均偏差并不适用于所有类型的数据分析场景，特别是在数据集中存在极端值或异常值的情况下，因为这些值会对平均值产生较大影响，从而影响到相对平均偏差的结果。在处理这类数据时，可能需要考虑使用其他更稳健的统计量，如中位数绝对偏差（Median Absolute Deviation, MAD）。