Vad är standardavvikelse?
Standardavvikelse kvantifierar spridningen av ett dataset i förhållande till dess medelvärde. En låg standardavvikelse indikerar att datapunkter är tätt grupperade kring medelvärdet. En hög standardavvikelse betyder att datapunkterna sprids över ett brett värdeområde.
Analytiker använder denna metrisk för att mäta volatilitet, risk och konsekvens. Inom finans upplever en aktie med hög standardavvikelse betydande prissvängningar. Inom tillverkning indikerar en låg standardavvikelse strikt kvalitetskontroll och konsekventa produktdimensioner.
Standardavvikelse för population vs. stickprov
Att beräkna standardavvikelse kräver en exakt central referenspunkt. Du måste först bestämma medelvärdet för ditt dataset innan du mäter dess spridning. Vår Medelvärde Beräknare tillhandahåller det exakta centrala värdet som krävs för detta grundläggande steg.
Den matematiska formeln ändras beroende på om dina data representerar en hel population eller en delmängd. Att använda fel formel introducerar systematisk bias i din statistiska analys.
| Egenskap | Standardavvikelse för population ($\sigma$) | Standardavvikelse för stickprov ($s$) |
|---|---|---|
| Definition | Mäter spridningen av en hel grupp. | Mäter spridningen av en delmängd (stickprov). |
| Nämnare | Dividerar med $N$ (total populationsstorlek). | Dividerar med $n - 1$ (Bessel-korrektion). |
| Användningsområde | Folkräkningsdata, kompletta register. | Undersökningar, experiment, inferentiell statistik. |
Formler för standardavvikelse
Den matematiska notationen ändras beroende på om du beräknar spridningen för en hel population eller ett stickprov. Båda formlerna bygger på summaoperatorn, betecknad med den grekiska versalen Sigma ($\sum$).
Formel för populationens standardavvikelse
När du har data för varje medlem av populationen är formeln:
Där:
- $\sigma$ = populationens standardavvikelse
- $\mu$ = populationens medelvärde
- $x_i$ = varje individuellt värde
- $N$ = totalt antal värden i populationen
Formel för stickprovets standardavvikelse
När du arbetar med ett stickprov draget från en större population är formeln:
Där:
- $s$ = stickprovets standardavvikelse
- $\bar{x}$ = stickprovets medelvärde
- $x_i$ = varje individuellt värde
- $n - 1$ = frihetsgrader (Bessel-korrektion)
Kortformlerna (beräkningsformler)
Beräkningsformeln erbjuder ett snabbare alternativ när man arbetar med sammanfattande statistik. Den eliminerar behovet av att beräkna individuella avvikelser från medelvärdet. Denna metod är mycket praktisk för stora dataset eller manuella beräkningar.
Kortformel för population:
Kortformel för stickprov:
Manuell beräkning av standardavvikelse
Manuell beräkning följer en strikt sexstegsprocess. Även om vår beräknare automatiserar detta, förblir förståelsen för mekaniken avgörande för statistisk läskunnighet. Följande exempel demonstrerar båda metoderna i detalj.
Standardavvikelse för stickprov
En farmaceutisk forskare registrerar återhämtningstiderna (i dagar) för 8 patienter som tar ett nytt läkemedel. Datasetet är: $12, 15, 14, 18, 13, 16, 14, 17$. Vi behandlar detta som ett stickprov draget från en större population av alla potentiella patienter.
Lösning
- Beräkna stickprovets medelvärde ($\bar{x}$): Summera värdena ($119$) och dividera med $n$ ($8$). $\bar{x} = 14,875$ dagar.
- Hitta avvikelserna från medelvärdet: Subtrahera $14,875$ från varje värde (t.ex. $12 - 14,875 = -2,875$).
- Kvadrera varje avvikelse: Multiplicera varje avvikelse med sig själv (t.ex. $(-2,875)^2 = 8,265625$).
- Summera de kvadrerade avvikelserna: Addera alla kvadrerade värden. $\sum (x_i - \bar{x})^2 = 28,875$.
- Dividera med $n-1$ för att få stickprovets varians ($s^2$): $28,875 \div 7 = 4,125$.
- Dra kvadratroten: $\sqrt{4,125} \approx 2,031$.
Resultat: Stickprovets standardavvikelse är 2,031 dagar. Detta indikerar att patienternas återhämtningstider i genomsnitt avviker från den genomsnittliga återhämtningstiden på 14,875 dagar med cirka 2,031 dagar.
Tabellen nedan detaljerar avvikelseberäkningarna för detta stickprov:
| Observation ($x_i$) | Avvikelse ($x_i - \bar{x}$) | Kvadrerad avvikelse $(x_i - \bar{x})^2$ |
|---|---|---|
| 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 |
| Summa: | 28,875 | |
Standardavvikelse för population
En lärare registrerar slutprovsresultaten för alla 10 elever i en liten klass. Datasetet är: $78, 82, 85, 90, 92, 88, 84, 86, 91, 89$. Eftersom detta inkluderar varje elev i klassen behandlar vi det som en komplett population.
Lösning
- Beräkna populationens medelvärde ($\mu$): Summera värdena ($865$) och dividera med $N$ ($10$). $\mu = 86,5$ poäng.
- Hitta avvikelserna från medelvärdet: Subtrahera $86,5$ från varje värde (t.ex. $78 - 86,5 = -8,5$).
- Kvadrera varje avvikelse: Multiplicera varje avvikelse med sig själv (t.ex. $(-8,5)^2 = 72,25$).
- Summera de kvadrerade avvikelserna: Addera alla kvadrerade värden. $\sum (x_i - \mu)^2 = 198,5$.
- Dividera med $N$ för att få populationens varians ($\sigma^2$): $198,5 \div 10 = 19,85$.
- Dra kvadratroten: $\sqrt{19,85} \approx 4,455$.
Resultat: Populationens standardavvikelse är 4,455 poäng. Detta indikerar att elevernas resultat typiskt avviker från klassens medelvärde på 86,5 poäng med cirka 4,455 poäng.
Tabellen nedan detaljerar avvikelseberäkningarna för denna population:
| Observation ($x_i$) | Avvikelse ($x_i - \mu$) | Kvadrerad avvikelse $(x_i - \mu)^2$ |
|---|---|---|
| 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 |
| Summa: | 198,50 | |
Beräkning med kortformel
En kvalitetsinspektör mäter diametern på 5 metallstavar i millimeter. Datasetet är: $10,1, 9,9, 10,0, 10,2, 9,8$. Vi använder kortformeln för stickprov för att undvika att beräkna individuella avvikelser.
Lösning
- Beräkna summan av värdena ($\sum x_i$): $10,1 + 9,9 + 10,0 + 10,2 + 9,8 = 50,0$.
- Beräkna stickprovets medelvärde ($\bar{x}$): $50,0 \div 5 = 10,0$ mm.
- Beräkna summan av de kvadrerade värdena ($\sum x_i^2$): $10,1^2 + 9,9^2 + 10,0^2 + 10,2^2 + 9,8^2 = 102,01 + 98,01 + 100,00 + 104,04 + 96,04 = 500,10$.
- Tillämpa kortformeln för stickprov: $s = \sqrt{\frac{500,10 - 5(10,0)^2}{5-1}}$.
- Förenkla täljaren: $500,10 - 5(100) = 500,10 - 500 = 0,10$.
- Dividera och dra kvadratroten: $s = \sqrt{\frac{0,10}{4}} = \sqrt{0,025} \approx 0,158$.
Resultat: Stickprovets standardavvikelse är 0,158 mm. Kortformeln undvek framgångsrikt den tråkiga subtraktionen och kvadreringen av individuella avvikelser.
Jämförelse av konsekvens: Ett exempel med dubbel dataset
En fabrik driver två maskiner som fyller 1-liters flaskor. Maskin A producerar volymer på: $998, 1002, 1000, 1001, 999$ ml. Maskin B producerar volymer på: $990, 1010, 1005, 995, 1000$ ml. Båda maskinerna har ett identiskt medelvärde på 1000 ml, men deras konsekvens skiljer sig drastiskt.
Lösning
- Analysera maskin A: Avvikelserna från medelvärdet är mycket små ($-2, 2, 0, 1, -1$). Summan av de kvadrerade avvikelserna är bara 10. Dividering med $n-1$ (4) ger en varians på 2,5. Standardavvikelsen är $\sqrt{2,5} \approx 1,58$ ml.
- Analysera maskin B: Avvikelserna är mycket större ($-10, 10, 5, -5, 0$). Summan av de kvadrerade avvikelserna är 250. Dividering med 4 ger en varians på 62,5. Standardavvikelsen är $\sqrt{62,5} \approx 7,91$ ml.
Resultat: Maskin A har en standardavvikelse på 1,58 ml, medan maskin B har en standardavvikelse på 7,91 ml. Även om båda maskinerna i genomsnitt träffar 1000 ml-målet, är maskin A mycket mer konsekvent och pålitlig för tillverkning.
Standardavvikelse vs. varians och variationsvidd
Varians och standardavvikelse mäter samma koncept men använder olika enheter. Variansen representerar den genomsnittliga kvadrerade avvikelsen, vilket förvränger den ursprungliga mätskalan. Att dra kvadratroten ur variansen återställer standardavvikelsen till datasetets ursprungliga enheter.
Variationsvidden (range) ger ett mycket enklare spridningsmått. Den subtraherar det minsta värdet från det största värdet. Variationsvidden använder dock bara två datapunkter, vilket gör den mycket känslig för extremvärden.
Standardavvikelsen inkorporerar varje enskild datapunkt, vilket ger ett mycket mer robust spridningsmått. Betrakta ett dataset med testresultat: $70, 80, 90$. Variationsvidden är $90 - 70 = 20$. Variansen är $100$. Standardavvikelsen är $\sqrt{100} = 10$. Medan variationsvidden indikerar den totala spridningen, indikerar standardavvikelsen det typiska avståndet för varje resultat från medelvärdet 80.
Vår Varians Beräknare och Variationsvidd Beräknare hjälper dig att snabbt beräkna dessa alternativa spridningsmått.
Den empiriska regeln för standardavvikelse
Den empiriska regeln, även känd som 68-95-99,7-regeln, anger att för en normalfördelning faller nästan all data inom tre standardavvikelser från medelvärdet.
- 68 % av datan faller inom en standardavvikelse (över och under) medelvärdet.
- 95 % av datan faller inom två standardavvikelser från medelvärdet.
- 99,7 % av datan faller inom tre standardavvikelser från medelvärdet.
Hur det fungerar
- Medelvärde ($\mu$): Genomsnittet eller den centrala punkten för datan.
- Standardavvikelse ($\sigma$): Ett mått på hur långt datapunkterna sprids från centrum.
Praktiskt exempel
Antag att höjderna hos en specifik växtart är normalfördelade med ett medelvärde ($\mu$) på 150 cm och en standardavvikelse ($\sigma$) på 10 cm.
- En standardavvikelse: $150 \pm 10$ cm. Ungefär 68 % av växterna är mellan 140 cm och 160 cm långa.
- Två standardavvikelser: $150 \pm 20$ cm. Ungefär 95 % av växterna är mellan 130 cm och 170 cm långa.
- Tre standardavvikelser: $150 \pm 30$ cm. Ungefär 99,7 % av växterna är mellan 120 cm och 180 cm långa.
Denna regel gör det möjligt för forskare att snabbt uppskatta sannolikheter och identifiera extremvärden utan komplexa beräkningar.
Variationskoefficienten (CV) gör det möjligt att jämföra volatiliteten hos två helt olika dataset. Du beräknar den genom att dividera standardavvikelsen med medelvärdet och multiplicera med 100. En högre CV indikerar större relativ variabilitet, oavsett datans absoluta skala.
Extrema extremvärden blåser upp standardavvikelsen drastiskt. Eftersom formeln kvadrerar avvikelserna, utövar ett enda extremt värde ett massivt matematiskt inflytande på slutresultatet. När din standardavvikelse är hög på grund av extremvärden, erbjuder Median Beräknare ofta ett mer tillförlitligt mått på central tendens.
Matematiska egenskaper hos standardavvikelse
Standardavvikelse uppvisar förutsägbart beteende under specifika matematiska transformationer:
- Addera eller subtrahera en konstant: Om du adderar eller subtraherar ett konstant värde från varje datapunkt i ett dataset, förblir standardavvikelsen helt oförändrad. Datan förskjuts längs tallinjen, men det relativa avståndet mellan punkterna förblir exakt detsamma.
- Multiplicera eller dividera med en konstant: Om du multiplicerar eller dividerar varje datapunkt med en konstant $c$, skalas standardavvikelsen med det absoluta värdet av den konstanten ($|c|$). Om du till exempel dubblar varje värde i ditt dataset, kommer standardavvikelsen att fördubblas exakt.
- Icke-negativitet: Standardavvikelsen är alltid större än eller lika med noll. Den kan bara vara lika med noll om varje värde i datasetet är identiskt.
Standardavvikelse och Z-värden
Z-värdet etablerar ett direkt, praktiskt samband mellan individuella datapunkter och standardavvikelsen. Det standardiserar din data genom att exakt uttrycka hur många standardavvikelser ett specifikt värde ligger över eller under medelvärdet.
Där:
- $Z$ = Z-värde (standardvärde)
- $x$ = individuellt värde
- $\mu$ = populationens medelvärde
- $\sigma$ = populationens standardavvikelse
Praktiskt exempel
En elev får 92 på ett matematikprov. Klassens medelvärde ($\mu$) är 80 och standardavvikelsen ($\sigma$) är 6. Vi vill hitta elevens Z-värde för att förstå deras relativa prestation.
| Steg | Beräkning | Resultat |
|---|---|---|
| 1. Hitta avvikelsen | $x - \mu = 92 - 80$ | 12 |
| 2. Dividera med standardavvikelsen | $Z = \frac{12}{6}$ | 2,0 |
Resultat: Elevens Z-värde är 2,0. Detta innebär att deras resultat ligger exakt två standardavvikelser över klassens medelvärde, vilket placerar dem i den övre 2,5 % av klassen enligt den empiriska regeln.
Denna metrisk överbygger klyftan mellan beskrivande och inferentiell statistik. Genom att omvandla rådata till Z-värden kan du enkelt jämföra värden från helt olika dataset eller beräkna exakta sannolikheter. Använd vår Z-värde Beräknare för att bestämma den standardiserade positionen för vilken datapunkt som helst inom din fördelning.
Vanliga frågor
Vad betyder en standardavvikelse på 0?
En standardavvikelse på noll innebär att varje värde i ditt dataset är identiskt. Det finns absolut ingen spridning eller variabilitet i datan. Varje datapunkt är exakt lika med medelvärdet.
Kan standardavvikelsen vara negativ?
Nej, standardavvikelsen kan inte vara negativ. Beräkningen innebär att kvadrera avvikelserna, vilket alltid ger positiva tal. Det sista steget drar den principala (positiva) kvadratroten ur variansen.
Varför dividerar vi med $n-1$ för stickprovets standardavvikelse?
Att dividera med $n-1$ tillämpar Bessel-korrektionen. Denna justering kompenserar för det faktum att ett stickprov underskattar den sanna variabiliteten hos hela populationen. Det ger en väntevärdesriktig skattning av populationens varians.
Hur förhåller sig standardavvikelsen till medelvärdet?
Standardavvikelsen mäter det genomsnittliga avståndet för datapunkter från medelvärdet. Medelvärdet fastställer den centrala referenspunkten. Utan att först beräkna medelvärdet kan du inte bestämma standardavvikelsen.
Vad är skillnaden mellan standardavvikelse och varians?
Variansen mäter den genomsnittliga kvadrerade avvikelsen från medelvärdet. Standardavvikelsen är kvadratroten ur variansen. Standardavvikelsen föredras för tolkning eftersom den återgår till datans ursprungliga enheter.
När ska jag använda standardavvikelse för population vs. stickprov?
Använd standardavvikelse för population när din data inkluderar varje medlem i gruppen du studerar. Använd standardavvikelse för stickprov när din data representerar en delmängd dragen från en större grupp och du avser att dra slutsatser om den större gruppen.
Hur påverkar extremvärden standardavvikelsen?
Extremvärden blåser upp standardavvikelsen avsevärt. Formeln kvadrerar avståndet från medelvärdet, vilket innebär att extrema värden utövar ett oproportionerligt stort matematiskt inflytande på slutresultatet.
Vad är en "bra" standardavvikelse?
En "bra" standardavvikelse beror helt på din kontext och risktolerans. Inom tillverkning är en låg standardavvikelse idealisk för kvalitetskontroll. I investeringsportföljer kan en högre standardavvikelse vara acceptabel om den åtföljs av högre förväntade avkastningar.
Källor för vidare läsning
- MIT OpenCourseWare: 18.05 Introduktion till sannolikhet och statistik: Sammanfattande statistik – Rigoröst akademiskt material som täcker spridningsmått från Massachusetts Institute of Technology.
- SCB (Statistiska centralbyrån): Statistiska begrepp: Standardavvikelse – Officiell statlig metodik och standarder för mätning av variabilitet och spridning i storskaliga demografiska dataset.
- Khan Academy (Svenska): Genomgång av standardavvikelse för population och stickprov – Utmärkta grundläggande förklaringar och interaktiva övningsproblem för att förstå spridning.
- Lunds Universitet: Resurser inom beskrivande statistik – Formella definitioner och matematisk stringens stödda av en av Sveriges mest prestigefyllda akademiska institutioner.