Standardafvigelse

Standardafvigelse som et statistisk mål

Standardafvigelse (også kaldet spredning) er en af de mest anvendte fundamentale metrikker til at karakterisere et datasæt. Kort sagt måler den spredningen eller fordelingen af dine data. Ved at beregne standardafvigelsen kan du nemt afgøre, om dine datapunkter er tæt samlet omkring gennemsnittet eller spredt over et bredt område. En højere standardafvigelse indikerer større variabilitet og spredning i datasættet, mens en lavere værdi betyder, at tallene er tættere på gennemsnittet.

Vores standardafvigelse-beregner udregner den nøjagtige værdi for ethvert givent datasæt og giver en omfattende, trin-for-trin gennemgang af de involverede matematiske udregninger.

Sådan bruger du beregneren til standardafvigelse

Dette værktøj er designet til at være brugervenligt og yderst fleksibelt. Du skal blot indtaste dit datasæt som en liste af tal adskilt af et skilletegn. Tabellen nedenfor illustrerer flere gyldige inputformater:

Du kan adskille dine tal ved hjælp af kommaer, mellemrum, linjeskift eller en kombination af disse. Beregneren håndterer problemfrit både række- og kolonneformater. Uanset hvilket format fra tabellen du vælger, vil beregneren præcist behandle inputtet som datasættet: 44, 63, 72, 75, 80, 86, 87 og 89.

Når du har indtastet dine data, skal du blot vælge, om du arbejder med en stikprøve (sample) eller en hel population, og derefter trykke på beregn. Værktøjet vil øjeblikkeligt vise fem vigtige statistiske parametre for dit datasæt: antal (antal observationer), gennemsnit, summen af de kvadrerede afvigelser, varians og den endelige standardafvigelse.

Hvad løser denne standardafvigelse-beregner?

Denne beregner er designet til at udregne standardafvigelsen for et diskret datasæt, samtidig med at den giver dyb indsigt i den statistiske teori bag resultaterne.

Data repræsenterer typisk enten en population eller en stikprøve. En population inkluderer alle mulige observationer i et eksperiment under specifikke forhold. I virkelighedens statistiske praksis er det dog ofte upraktisk eller decideret umuligt at indsamle data fra hvert eneste medlem af en massiv population.

I stedet arbejder forskere med en delmængde af denne større gruppe, kendt som en stikprøve. Ved at analysere denne stikprøve kan vi lave meget præcise estimater og slutninger om den bredere population.

Når man beregner standardafvigelsen, ændres formlen en smule afhængigt af, om du evaluerer stikprøvedata eller en hel population. Denne afgørende justering involverer en matematisk faktor kendt som 'frihedsgrader'. For en stikprøve dividerer vi variansen med n - 1 (hvor n er stikprøvens størrelse) i stedet for n. Denne korrektion kompenserer for det faktum, at vi bruger en stikprøve til at estimere populationen, hvilket sikrer, at vores estimat af standardafvigelsen er fuldstændig uvildigt (unbiased).

Grundlæggende måler standardafvigelsen den gennemsnitlige variabilitet eller spredning i et datasæt i forhold til dets gennemsnit. I statistik betegnes den med det græske bogstav σ (sigma) for en population, eller s for en stikprøve. En større σ- eller s-værdi betyder, at datapunkterne er spredt bredt fra gennemsnittet, hvorimod en mindre værdi indikerer, at de ligger tæt samlet.

Overvej følgende to datasæt som eksempler:

(Sæt I)

11, 3, 5, 21, 10, 15, 20, 25, 13, 26, 27

(Sæt II)

12, 14, 14, 15, 15, 16, 16, 17, 18, 19, 20

Ved at indtaste disse tal i vores standardafvigelse-beregner får vi følgende resultater:

For Sæt I:

• x̄ = 16 — gennemsnitsværdien
• s = 8.3904708 — stikprøvens standardafvigelse

For Sæt II:

• x̄ = 16 — gennemsnitsværdien
• s = 2.3664319 — stikprøvens standardafvigelse

Selvom begge sæt har nøjagtig det samme gennemsnit (x̄ = 16), er deres fordelinger vidt forskellige. I Sæt I afviger tallene markant fra stikprøvens gennemsnit (s = 8.39), hvorimod variabiliteten i Sæt II er bemærkelsesværdigt lille (s = 2.36).

Formler til beregning af standardafvigelse

Formlen for populationens standardafvigelse anvendes, når man analyserer hver enkelt værdi inden for en komplet population:

$$σ = \sqrt{\frac{\sum_{i=1}^{N}(x_i-μ)^2}{N}}$$

• σ er populationens standardafvigelse,
• xᵢ er en individuel værdi i populationen,
• μ er det aritmetiske gennemsnit for populationen,
• N er populationens størrelse.

Formlen for stikprøvens standardafvigelse bruges, når populationen er for stor til at kunne måles i sin helhed, og kun en repræsentativ stikprøve analyseres:

$$s = \sqrt{\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}}$$

• s er stikprøvens standardafvigelse,
• xᵢ er en individuel værdi i stikprøven,
• x̄ er stikprøvens gennemsnit,
• n er stikprøvens størrelse.

Trin-for-trin beregning af standardafvigelse

At beregne standardafvigelse manuelt involverer følgende matematiske trin:

Trin 1: Beregn gennemsnittet for stikprøven eller populationen. Dette er summen af alle datapunkter divideret med det samlede antal observationer (N eller n).

Stikprøvegennemsnit:

$$\bar{x}=\frac{x₁+x₂+x₃+........+x_n}{n}$$

Populationsgennemsnit:

$$\mu=\frac{x₁+x₂+x₃+........+x_N}{N}$$

Trin 2: Beregn de individuelle afvigelser ved at trække gennemsnittet fra hvert respektivt datapunkt.

Afvigelser for stikprøve:

$$(x₁-\bar{x}), (x₂-\bar{x}), (x₃-\bar{x})…………………… (x_n-\bar{x})$$

Afvigelser for population:

$$(x₁-\ \mu), (x₂-\ \mu), (x₃-\ \mu)……………….. (x_N-\ \mu)$$

Trin 3: Kvadrér hver individuel afvigelse.

Kvadrerede afvigelser for stikprøve:

$$(x₁-\bar{x})^2, (x₂-\bar{x})^2, (x₃-\bar{x})^2…………………… (x_n-\bar{x})^2$$

Kvadrerede afvigelser for population:

$$(x₁-\ \mu)^2, (x₂-\ \mu)^2, (x₃-\ \mu)^2……………….. (x_N-\ \mu)^2$$

Trin 4: Beregn summen af kvadraterne (SS) ved at lægge alle de kvadrerede afvigelser sammen.

Sum af kvadrerede afvigelser for stikprøve:

$$SS=(x₁-\bar{x})^2+ (x₂-\bar{x})^2+(x₃-\bar{x})^2……………………+(x_n-\bar{x})^2$$

Sum af kvadrerede afvigelser for population:

$$SS=(x₁-\ \mu)^2+ (x₂-\ \mu)^2+(x₃-\ \mu)^2……………….+ (x_N-\ \mu)^2$$

Trin 5: Bestem variansen ved at dividere summen af de kvadrerede afvigelser med de passende frihedsgrader. For en population divideres med N. For en stikprøve divideres med n - 1.

Stikprøvevarians:

$$ s^2 = \frac{\sum_{i=1}^{n}(xᵢ - \bar{x})^2}{n - 1} $$

Populationsvarians:

$$ \sigma^2 = \frac{\sum_{i=1}^{N}(xᵢ - \mu)^2}{N} $$

Du antager måske, at beregning af stikprøvevarians kræver, at der udelukkende divideres med n:

$$\frac{(x-\bar{x})^2}{n}$$

Imidlertid fører brugen af n direkte i en stikprøve ofte til et unøjagtigt estimat. Når man har at gøre med en lille stikprøve udtaget fra en massiv population, vil division med n rutinemæssigt undervurdere den sande varians. For at korrigere for denne mangel på data og eliminere skævhed (bias), dividerer vi med n - 1 (kendt som Bessels korrektion). Dette øger variansen en smule og giver et væsentligt mere præcist estimat af den sande populationsvarians.

Trin 6: Tag til sidst kvadratroden af variansen for at finde standardafvigelsen.

Stikprøvens standardafvigelse:

$$s=\sqrt{s^2}=\sqrt{\frac{\sum_{i}^{n}{{(x_i-\ \bar{x})}^2\ }}{n-1}}$$

Populationens standardafvigelse:

$$\sigma=\sqrt{\sigma^2}=\sqrt{\frac{\sum_{i}^{N}{{(x_i-\ \mu)}^2\ }}{N}}$$

Eksempel: Beregning af standardafvigelsen for en stikprøve

Lad os gennemgå et praktisk eksempel med de afsluttende fysikeksamenskarakterer for 8 studerende (n = 8):

45, 67, 70, 75, 80, 81, 82 og 84

Her er, hvordan beregneren behandler disse stikprøvedata trin-for-trin:

Trin 1: Beregn gennemsnittet.

$$\bar{x}=\frac{\sum_{i} x_i}{n}=\frac{45+\ 67+\ 70+\ 75+\ 80+\ 81+\ 82+\ 84}{8}=73$$

Trin 2: Beregn de individuelle afvigelser fra gennemsnittet.

Trin 3: Kvadrér hver afvigelse.

Trin 4: Beregn summen af de kvadrerede afvigelser (SS).

$$SS=\sum_{i}^{n}{{(x_i-\ \bar{x})}^2=784+36+9+4+49+64+81+121}=1148$$

Trin 5: Beregn stikprøvevariansen. Da vi analyserer en stikprøve (en lille del af den samlede elevgruppe) frem for hele populationen, dividerer vi summen af de kvadrerede afvigelser med frihedsgraderne (n - 1).

$$s^2=\ \frac{\sum_{i}^{n}{{(x_i-\ \bar{x})}^2\ }}{n-1}=\frac{1148}{8-1}=164$$

Trin 6: Tag kvadratroden af variansen for at bestemme den endelige standardafvigelse.

$$s=\sqrt{s^2}=\ \sqrt{164}=12.80$$

Virkelige anvendelser af standardafvigelse

Standardafvigelse anvendes i høj grad på tværs af forskellige industrier til at vurdere dataspredning. Ved at identificere, om en standardafvigelse er høj eller lav, kan analytikere hurtigt sammenligne flere datasæt for at se, hvilket der udviser mest volatilitet eller konsistens.

Inden for fremstilling og kvalitetskontrol er standardafvigelse afgørende. Produktion i stor skala kræver, at produktdimensioner falder inden for usædvanligt stramme tolerancer. For eksempel i produktionen af møtrikker og bolte sikrer overvågning af standardafvigelsen på deres diametre, at variationerne forbliver utroligt små. Hvis afvigelsen er for høj, vil delene ikke passe ordentligt sammen.

I finanssektoren er standardafvigelse den foretrukne metrik til at måle markedsvolatilitet og vurdere investeringsrisiko. Tekniske analytikere bruger rutinemæssigt standardafvigelse til at beregne aktievolatilitet og konstruere handelsindikatorer som Bollinger Bands. Ud over finansverdenen anvender sociologer og meningsmålere standardafvigelse til at beregne fejlmarginer og kvantificere usikkerhed i meningsmålinger.

Statistisk set hjælper standardafvigelsen med at bestemme, hvor mange data der falder inden for et bestemt interval. Ifølge Tjebysjovs ulighed (Chebyshev's theorem) ved vi for eksempel, at uanset fordelingens form vil mindst 75% af alle dataværdier falde inden for præcis to standardafvigelser fra gennemsnittet.

Lad os se på et praktisk eksempel inden for meteorologi. Forestil dig at undersøge de daglige temperaturer i to byer i samme region – en kystby og en indlandsby. Selvom begge byer måske deler nøjagtig den samme gennemsnitlige maksimale dagstemperatur, vil deres standardafvigelser fortælle en helt anden historie.

Indlandsbyen vil opleve en bredere spredning af ekstreme temperaturer, hvilket resulterer i en betydeligt højere standardafvigelse. Omvendt vil kystbyens temperaturer samle sig tæt omkring gennemsnittet, hvilket resulterer i en meget lavere standardafvigelse. Statistisk set bekræfter dette, hvad vi oplever fysisk: kystbyen nyder godt af et meget mildere og mere konsistent klima.