Apa itu deviasi standar?
Deviasi standar (simpangan baku) mengkuantifikasi sebaran dataset relatif terhadap rata-ratanya. Deviasi standar yang rendah menunjukkan bahwa titik data berkumpul erat di sekitar rata-rata. Deviasi standar yang tinggi berarti titik data tersebar di seluruh rentang nilai yang luas.
Para analis menggunakan metrik ini untuk mengukur volatilitas, risiko, dan konsistensi. Dalam keuangan, saham dengan deviasi standar tinggi mengalami fluktuasi harga yang signifikan. Dalam manufaktur, deviasi standar yang rendah menunjukkan kontrol kualitas yang ketat dan dimensi produk yang konsisten.
Deviasi standar populasi vs. sampel
Menghitung deviasi standar memerlukan titik referensi pusat yang presisi. Anda harus terlebih dahulu menentukan rata-rata dataset Anda sebelum mengukur sebarannya. Kalkulator Rata-rata kami menyediakan nilai pusat yang tepat yang diperlukan untuk langkah fundamental ini.
Rumus matematika berubah tergantung pada apakah data Anda mewakili seluruh populasi atau subset. Menggunakan rumus yang salah memperkenalkan bias sistematis ke dalam analisis statistik Anda.
| Karakteristik | Deviasi standar populasi ($\sigma$) | Deviasi standar sampel ($s$) |
|---|---|---|
| Definisi | Mengukur sebaran grup keseluruhan. | Mengukur sebaran subset (sampel). |
| Penyebut | Membagi dengan $N$ (total ukuran populasi). | Membagi dengan $n - 1$ (koreksi Bessel). |
| Kasus penggunaan | Data sensus, catatan lengkap. | Survei, eksperimen, statistik inferensial. |
Rumus deviasi standar
Notasi matematika berubah tergantung pada apakah Anda menghitung sebaran untuk seluruh populasi atau sampel. Kedua rumus bergantung pada operator penjumlahan, dilambangkan dengan huruf Yunani kapital Sigma ($\sum$).
Rumus deviasi standar populasi
Ketika Anda memiliki data untuk setiap anggota populasi, rumusnya adalah:
Dimana:
- $\sigma$ = deviasi standar populasi
- $\mu$ = rata-rata populasi
- $x_i$ = setiap nilai individual
- $N$ = jumlah total nilai dalam populasi
Rumus deviasi standar sampel
Ketika Anda bekerja dengan sampel yang diambil dari populasi yang lebih besar, rumusnya adalah:
Dimana:
- $s$ = deviasi standar sampel
- $\bar{x}$ = rata-rata sampel
- $x_i$ = setiap nilai individual
- $n - 1$ = derajat kebebasan (koreksi Bessel)
Rumus singkat (rumus komputasi)
Rumus komputasi menawarkan alternatif yang lebih cepat saat bekerja dengan statistik ringkasan. Ini menghilangkan kebutuhan untuk menghitung deviasi individual dari rata-rata. Metode ini sangat praktis untuk dataset besar atau perhitungan manual.
Rumus singkat untuk populasi:
Rumus singkat untuk sampel:
Perhitungan manual deviasi standar
Perhitungan manual mengikuti proses ketat enam langkah. Meskipun kalkulator kami mengotomatiskan ini, memahami mekanismenya tetap penting untuk literasi statistik. Contoh berikut mendemonstrasikan kedua metode secara rinci.
Deviasi standar sampel
Seorang peneliti farmasi mencatat waktu pemulihan (dalam hari) dari 8 pasien yang minum obat baru. Datasetnya adalah: $12, 15, 14, 18, 13, 16, 14, 17$. Kami memperlakukan ini sebagai sampel yang diambil dari populasi yang lebih besar dari semua pasien potensial.
Solusi
- Hitung rata-rata sampel ($\bar{x}$): Jumlahkan nilai ($119$) dan bagi dengan $n$ ($8$). $\bar{x} = 14,875$ hari.
- Temukan deviasi dari rata-rata: Kurangi $14,875$ dari setiap nilai (mis. $12 - 14,875 = -2,875$).
- Kuadratkan setiap deviasi: Kalikan setiap deviasi dengan dirinya sendiri (mis. $(-2,875)^2 = 8,265625$).
- Jumlahkan deviasi kuadrat: Tambahkan semua nilai kuadrat. $\sum (x_i - \bar{x})^2 = 28,875$.
- Bagi dengan $n-1$ untuk mendapatkan varians sampel ($s^2$): $28,875 \div 7 = 4,125$.
- Ambil akar kuadrat: $\sqrt{4,125} \approx 2,031$.
Hasil: Deviasi standar sampel adalah 2,031 hari. Ini menunjukkan bahwa rata-rata waktu pemulihan pasien menyimpang dari waktu pemulihan rata-rata 14,875 hari sekitar 2,031 hari.
Tabel di bawah ini merinci perhitungan deviasi untuk sampel ini:
| Observasi ($x_i$) | Deviasi ($x_i - \bar{x}$) | Deviasi kuadrat $(x_i - \bar{x})^2$ |
|---|---|---|
| 12 | -2,875 | 8,266 |
| 15 | 0,125 | 0,016 |
| 14 | -0,875 | 0,766 |
| 18 | 3,125 | 9,766 |
| 13 | -1,875 | 3,516 |
| 16 | 1,125 | 1,266 |
| 14 | -0,875 | 0,766 |
| 17 | 2,125 | 4,516 |
| Jumlah: | 28,875 | |
Deviasi standar populasi
Seorang guru mencatat nilai ujian akhir dari semua 10 siswa di kelas kecil. Datasetnya adalah: $78, 82, 85, 90, 92, 88, 84, 86, 91, 89$. Karena ini mencakup setiap siswa di kelas, kami memperlakukannya sebagai populasi lengkap.
Solusi
- Hitung rata-rata populasi ($\mu$): Jumlahkan nilai ($865$) dan bagi dengan $N$ ($10$). $\mu = 86,5$ poin.
- Temukan deviasi dari rata-rata: Kurangi $86,5$ dari setiap nilai (mis. $78 - 86,5 = -8,5$).
- Kuadratkan setiap deviasi: Kalikan setiap deviasi dengan dirinya sendiri (mis. $(-8,5)^2 = 72,25$).
- Jumlahkan deviasi kuadrat: Tambahkan semua nilai kuadrat. $\sum (x_i - \mu)^2 = 198,5$.
- Bagi dengan $N$ untuk mendapatkan varians populasi ($\sigma^2$): $198,5 \div 10 = 19,85$.
- Ambil akar kuadrat: $\sqrt{19,85} \approx 4,455$.
Hasil: Deviasi standar populasi adalah 4,455 poin. Ini menunjukkan bahwa nilai siswa biasanya menyimpang dari rata-rata kelas 86,5 poin sekitar 4,455 poin.
Tabel di bawah ini merinci perhitungan deviasi untuk populasi ini:
| Observasi ($x_i$) | Deviasi ($x_i - \mu$) | Deviasi kuadrat $(x_i - \mu)^2$ |
|---|---|---|
| 78 | -8,5 | 72,25 |
| 82 | -4,5 | 20,25 |
| 85 | -1,5 | 2,25 |
| 90 | 3,5 | 12,25 |
| 92 | 5,5 | 30,25 |
| 88 | 1,5 | 2,25 |
| 84 | -2,5 | 6,25 |
| 86 | -0,5 | 0,25 |
| 91 | 4,5 | 20,25 |
| 89 | 2,5 | 6,25 |
| Jumlah: | 198,50 | |
Perhitungan dengan rumus singkat
Seorang inspektur kontrol kualitas mengukur diameter 5 batang logam dalam milimeter. Datasetnya adalah: $10,1, 9,9, 10,0, 10,2, 9,8$. Kami akan menggunakan rumus singkat sampel untuk menghindari perhitungan deviasi individual.
Solusi
- Hitung jumlah nilai ($\sum x_i$): $10,1 + 9,9 + 10,0 + 10,2 + 9,8 = 50,0$.
- Hitung rata-rata sampel ($\bar{x}$): $50,0 \div 5 = 10,0$ mm.
- Hitung jumlah nilai kuadrat ($\sum x_i^2$): $10,1^2 + 9,9^2 + 10,0^2 + 10,2^2 + 9,8^2 = 102,01 + 98,01 + 100,00 + 104,04 + 96,04 = 500,10$.
- Terapkan rumus singkat sampel: $s = \sqrt{\frac{500,10 - 5(10,0)^2}{5-1}}$.
- Sederhanakan pembilang: $500,10 - 5(100) = 500,10 - 500 = 0,10$.
- Bagi dan ambil akar kuadrat: $s = \sqrt{\frac{0,10}{4}} = \sqrt{0,025} \approx 0,158$.
Hasil: Deviasi standar sampel adalah 0,158 mm. Rumus singkat berhasil menghindari pengurangan dan pengkuadratan deviasi individual yang membosankan.
Perbandingan konsistensi: Contoh dataset ganda
Sebuah pabrik mengoperasikan dua mesin yang mengisi botol 1 liter. Mesin A menghasilkan volume: $998, 1002, 1000, 1001, 999$ ml. Mesin B menghasilkan volume: $990, 1010, 1005, 995, 1000$ ml. Kedua mesin memiliki rata-rata identik 1000 ml, tetapi konsistensinya berbeda secara drastis.
Solusi
- Analisis Mesin A: Deviasi dari rata-rata sangat kecil ($-2, 2, 0, 1, -1$). Jumlah deviasi kuadrat hanya 10. Membagi dengan $n-1$ (4) memberikan varians 2,5. Deviasi standarnya adalah $\sqrt{2,5} \approx 1,58$ ml.
- Analisis Mesin B: Deviasinya jauh lebih besar ($-10, 10, 5, -5, 0$). Jumlah deviasi kuadrat adalah 250. Membagi dengan 4 memberikan varians 62,5. Deviasi standarnya adalah $\sqrt{62,5} \approx 7,91$ ml.
Hasil: Mesin A memiliki deviasi standar 1,58 ml, sedangkan Mesin B memiliki deviasi standar 7,91 ml. Meskipun kedua mesin rata-rata mencapai target 1000 ml, Mesin A jauh lebih konsisten dan andal untuk manufaktur.
Deviasi standar vs. varians dan jangkauan
Varians dan deviasi standar mengukur konsep yang sama, tetapi menggunakan unit yang berbeda. Varians mewakili deviasi rata-rata kuadrat, yang mendistorsi skala pengukuran asli. Mengambil akar kuadrat dari varians mengembalikan deviasi standar ke unit asli dataset.
Jangkauan (range) memberikan ukuran sebaran yang jauh lebih sederhana. Ini mengurangi nilai minimum dari nilai maksimum. Namun, jangkauan hanya menggunakan dua titik data, membuatnya sangat sensitif terhadap pencilan.
Deviasi standar menggabungkan setiap titik data individual, memberikan ukuran sebaran yang jauh lebih kuat. Pertimbangkan dataset nilai tes: $70, 80, 90$. Jangkauannya adalah $90 - 70 = 20$. Variansnya adalah $100$. Deviasi standarnya adalah $\sqrt{100} = 10$. Sementara jangkauan menunjukkan sebaran total, deviasi standar menunjukkan jarak khas setiap nilai dari rata-rata 80.
Kalkulator Varians dan Kalkulator Jangkauan kami membantu Anda menghitung metrik sebaran alternatif ini dengan cepat.
Aturan empiris deviasi standar
Aturan empiris, juga dikenal sebagai aturan 68-95-99,7, menyatakan bahwa untuk distribusi normal, hampir semua data jatuh dalam tiga deviasi standar dari rata-rata.
- 68% data jatuh dalam satu deviasi standar (di atas dan di bawah) rata-rata.
- 95% data jatuh dalam dua deviasi standar dari rata-rata.
- 99,7% data jatuh dalam tiga deviasi standar dari rata-rata.
Cara kerjanya
- Rata-rata ($\mu$): Rata-rata atau titik pusat data.
- Deviasi standar ($\sigma$): Ukuran seberapa jauh titik data menyebar dari pusat.
Contoh praktis
Misalkan tinggi spesies tanaman tertentu terdistribusi normal dengan rata-rata ($\mu$) 150 cm dan deviasi standar ($\sigma$) 10 cm.
- Satu deviasi standar: $150 \pm 10$ cm. Sekitar 68% tanaman tingginya antara 140 cm dan 160 cm.
- Dua deviasi standar: $150 \pm 20$ cm. Sekitar 95% tanaman tingginya antara 130 cm dan 170 cm.
- Tiga deviasi standar: $150 \pm 30$ cm. Sekitar 99,7% tanaman tingginya antara 120 cm dan 180 cm.
Aturan ini memungkinkan peneliti untuk dengan cepat memperkirakan probabilitas dan mengidentifikasi pencilan tanpa perhitungan yang rumit.
Koefisien variasi (CV) memungkinkan Anda membandingkan volatilitas dua dataset yang sama sekali berbeda. Anda menghitungnya dengan membagi deviasi standar dengan rata-rata dan mengalikannya dengan 100. CV yang lebih tinggi menunjukkan variabilitas relatif yang lebih besar, terlepas dari skala absolut data.
Pencilan ekstrem menggelembungkan deviasi standar secara drastis. Karena rumus mengkuadratkan deviasi, satu nilai ekstrem memberikan pengaruh matematika yang besar pada hasil akhir. Ketika deviasi standar Anda tinggi karena pencilan, Kalkulator Median sering memberikan ukuran tendensi sentral yang lebih andal.
Sifat matematika deviasi standar
Deviasi standar menunjukkan perilaku yang dapat diprediksi di bawah transformasi matematika tertentu:
- Menambah atau mengurangi konstanta: Jika Anda menambah atau mengurangi nilai konstan dari setiap titik data dalam dataset, deviasi standar tetap sepenuhnya tidak berubah. Data bergeser di sepanjang garis bilangan, tetapi jarak relatif antar titik tetap sama persis.
- Mengalikan atau membagi dengan konstanta: Jika Anda mengalikan atau membagi setiap titik data dengan konstanta $c$, deviasi standar diskalakan dengan nilai absolut dari konstanta tersebut ($|c|$). Misalnya, menggandakan setiap nilai dalam dataset Anda akan menggandakan deviasi standar secara tepat.
- Non-negatif: Deviasi standar selalu lebih besar dari atau sama dengan nol. Ini hanya bisa sama dengan nol jika setiap nilai dalam dataset identik.
Deviasi standar dan Skor-Z
Skor-Z menetapkan hubungan langsung dan praktis antara titik data individual dan deviasi standar. Ini menstandarisasi data Anda dengan mengekspresikan dengan tepat berapa banyak deviasi standar nilai spesifik berada di atas atau di bawah rata-rata.
Dimana:
- $Z$ = skor-Z (nilai standar)
- $x$ = nilai individual
- $\mu$ = rata-rata populasi
- $\sigma$ = deviasi standar populasi
Contoh praktis
Seorang siswa mendapat nilai 92 dalam tes matematika. Rata-rata kelas ($\mu$) adalah 80, dan deviasi standar ($\sigma$) adalah 6. Kami ingin menemukan skor-Z siswa untuk memahami kinerja relatif mereka.
| Langkah | Perhitungan | Hasil |
|---|---|---|
| 1. Temukan deviasi | $x - \mu = 92 - 80$ | 12 |
| 2. Bagi dengan deviasi standar | $Z = \frac{12}{6}$ | 2,0 |
Hasil: Skor-Z siswa adalah 2,0. Ini berarti nilai mereka tepat dua deviasi standar di atas rata-rata kelas, menempatkan mereka di 2,5% teratas kelas menurut aturan empiris.
Metrik ini menjembatani kesenjangan antara statistik deskriptif dan inferensial. Dengan mengonversi data mentah menjadi skor-Z, Anda dapat dengan mudah membandingkan nilai dari dataset yang sama sekali berbeda atau menghitung probabilitas yang tepat. Gunakan Kalkulator Skor-Z kami untuk menentukan posisi terstandarisasi dari titik data apa pun dalam distribusi Anda.
Pertanyaan yang sering diajukan
Apa arti deviasi standar 0?
Deviasi standar nol berarti setiap nilai dalam dataset Anda identik. Sama sekali tidak ada sebaran atau variabilitas dalam data. Setiap titik data sama persis dengan rata-rata.
Bisakah deviasi standar bernilai negatif?
Tidak, deviasi standar tidak bisa negatif. Perhitungan melibatkan pengkuadratan deviasi, yang selalu menghasilkan angka positif. Langkah terakhir mengambil akar kuadrat utama (positif) dari varians.
Mengapa kita membagi dengan $n-1$ untuk deviasi standar sampel?
Membagi dengan $n-1$ menerapkan koreksi Bessel. Penyesuaian ini mengkompensasi fakta bahwa sampel meremehkan variabilitas sebenarnya dari seluruh populasi. Ini memberikan estimator yang tidak bias dari varians populasi.
Bagaimana deviasi standar berhubungan dengan rata-rata?
Deviasi standar mengukur jarak rata-rata titik data dari rata-rata. Rata-rata menetapkan titik referensi pusat. Tanpa menghitung rata-rata terlebih dahulu, Anda tidak dapat menentukan deviasi standar.
Apa perbedaan antara deviasi standar dan varians?
Varians mengukur deviasi rata-rata kuadrat dari rata-rata. Deviasi standar adalah akar kuadrat dari varians. Deviasi standar lebih disukai untuk interpretasi karena kembali ke unit asli data.
Kapan saya harus menggunakan deviasi standar populasi vs. sampel?
Gunakan deviasi standar populasi ketika data Anda mencakup setiap anggota grup yang Anda pelajari. Gunakan deviasi standar sampel ketika data Anda mewakili subset yang diambil dari grup yang lebih besar dan Anda bermaksud membuat inferensi tentang grup yang lebih besar tersebut.
Bagaimana pencilan memengaruhi deviasi standar?
Pencilan menggelembungkan deviasi standar secara signifikan. Rumus mengkuadratkan jarak dari rata-rata, yang berarti nilai ekstrem memberikan pengaruh matematika yang tidak proporsional pada hasil akhir.
Apa itu deviasi standar yang "baik"?
Deviasi standar yang "baik" sepenuhnya tergantung pada konteks dan toleransi risiko Anda. Dalam manufaktur, deviasi standar yang rendah sangat ideal untuk kontrol kualitas. Dalam portofolio investasi, deviasi standar yang lebih tinggi dapat diterima jika disertai dengan pengembalian yang diharapkan lebih tinggi.
Sumber untuk membaca lebih lanjut
- MIT OpenCourseWare: 18.05 Pengantar Probabilitas dan Statistik: Statistik Ringkasan โ Materi akademik ketat yang mencakup ukuran sebaran dari Massachusetts Institute of Technology.
- BPS (Badan Pusat Statistik): Konsep Statistik: Simpangan Baku โ Metodologi dan standar resmi pemerintah untuk mengukur variabilitas dan sebaran dalam dataset demografis berskala besar.
- Khan Academy (Indonesia): Tinjauan deviasi standar populasi dan sampel โ Penjelasan mendasar yang sangat baik dan masalah latihan interaktif untuk memahami sebaran.
- Universitas Indonesia: Sumber Statistik Deskriptif โ Definisi formal dan ketelitian matematika yang didukung oleh salah satu institusi akademik paling bergengsi di Indonesia.