Standardavvikelse

Standardavvikelse som ett statistiskt mått

Standardavvikelse är ett av de mest använda grundläggande måtten för att karakterisera ett dataset. Enkelt uttryckt mäter det spridningen i din data. Genom att beräkna standardavvikelsen kan du enkelt avgöra om dina datapunkter är tätt samlade kring medelvärdet eller utspridda över ett stort område. En högre standardavvikelse indikerar större variabilitet och spridning inom datasetet, medan ett lägre värde innebär att talen ligger närmare genomsnittet.

Vår kalkylator för standardavvikelse beräknar det exakta värdet för ett givet dataset och ger en omfattande steg-för-steg-nedbrytning av den bakomliggande matematiken.

Hur man använder kalkylatorn för standardavvikelse

Detta verktyg är utformat för att vara användarvänligt och mycket flexibelt. Skriv bara in ditt dataset som en lista med siffror separerade med ett avgränsningstecken. Tabellen nedan visar flera giltiga inmatningsformat:

Du kan separera dina siffror med kommatecken, mellanslag, radbrytningar eller en kombination av dessa. Kalkylatorn hanterar sömlöst både rad- och kolumnformat. Oavsett vilket format från tabellen du väljer, kommer kalkylatorn att korrekt bearbeta inmatningen som datasetet: 44, 63, 72, 75, 80, 86, 87 och 89.

Efter att ha matat in din data, väljer du helt enkelt om du arbetar med ett stickprov (sample) eller en hel population, och trycker sedan på beräkna. Verktyget kommer omedelbart att visa fem viktiga statistiska parametrar för ditt dataset: antal (antal observationer), medelvärde, kvadratsumma (summan av de kvadrerade avvikelserna), varians och den slutliga standardavvikelsen.

Vad löser denna kalkylator för standardavvikelse?

Denna kalkylator är utformad för att beräkna standardavvikelsen för ett diskret dataset samtidigt som den ger en djup insikt i den statistiska teorin bakom resultaten.

Data representerar vanligtvis antingen en population eller ett stickprov. En population inkluderar alla möjliga observationer inom ett experiment under specifika förhållanden. I verklig statistisk praxis är det dock ofta opraktiskt eller rent av omöjligt att samla in data från varje enskild medlem i en massiv population.

Istället arbetar forskare med en delmängd av den större gruppen, känd som ett stickprov. Genom att analysera detta stickprov kan vi göra mycket exakta uppskattningar och slutsatser om den bredare populationen.

När man beräknar standardavvikelsen förändras formeln något beroende på om du utvärderar stickprovsdata eller en hel population. Denna avgörande justering involverar en matematisk faktor känd som 'frihetsgrader'. För ett stickprov dividerar vi variansen med n - 1 (där n är stickprovets storlek) istället för n. Denna korrigering kompenserar för det faktum att vi använder ett stickprov för att uppskatta populationen, vilket säkerställer att vår uppskattning av standardavvikelsen är helt väntevärdesriktig (unbiased).

I slutändan mäter standardavvikelse den genomsnittliga variabiliteten eller spridningen av ett dataset i förhållande till dess medelvärde. I statistik betecknas det med den grekiska bokstaven σ (sigma) för en population, eller s för ett stickprov. Ett större σ- eller s-värde indikerar att datapunkterna är brett spridda från medelvärdet, medan ett mindre värde indikerar att de är tätt samlade.

Tänk på följande två dataset som exempel:

(Set I)

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

(Set II)

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

Genom att mata in dessa siffror i vår kalkylator för standardavvikelse får vi följande resultat:

För Set I:

• x̄ = 16 — medelvärdet
• s = 8.3904708 — standardavvikelsen för stickprovet

För Set II:

• x̄ = 16 — medelvärdet
• s = 2.3664319 — standardavvikelsen för stickprovet

Även om båda seten har exakt samma medelvärde (x̄ = 16), är deras fördelningar väldigt olika. I Set I avviker siffrorna avsevärt från stickprovets medelvärde (s = 8.39), medan variabiliteten i Set II är anmärkningsvärt liten (s = 2.36).

Formler för att beräkna standardavvikelse

Formeln för populationens standardavvikelse tillämpas när man analyserar varje enskilt värde inom en komplett population:

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

• σ är populationens standardavvikelse,
• xᵢ är ett enskilt värde inom populationen,
• μ är det aritmetiska medelvärdet för populationen,
• N är populationens storlek.

Formeln för stickprovets standardavvikelse används när populationen är för stor för att mätas i sin helhet, och endast ett representativt stickprov analyseras:

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

• s är stickprovets standardavvikelse,
• xᵢ är ett enskilt värde inom stickprovet,
• x̄ är stickprovets medelvärde,
• n är stickprovets storlek.

Steg-för-steg-beräkning av standardavvikelse

Att beräkna standardavvikelse manuellt innefattar följande matematiska steg:

Steg 1: Beräkna medelvärdet för stickprovet eller populationen. Detta är summan av alla datapunkter dividerat med det totala antalet observationer (N eller n).

Stickprovets medelvärde:

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

Populationens medelvärde:

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

Steg 2: Beräkna de enskilda avvikelserna genom att subtrahera medelvärdet från respektive datapunkt.

Stickprovets avvikelser:

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

Populationens avvikelser:

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

Steg 3: Kvadrera varje enskild avvikelse.

Stickprovets kvadrerade avvikelser:

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

Populationens kvadrerade avvikelser:

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

Steg 4: Beräkna kvadratsumman (SS) genom att addera alla kvadrerade avvikelser.

Stickprovets kvadratsumma:

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

Populationens kvadratsumma:

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

Steg 5: Bestäm variansen genom att dividera kvadratsumman med rätt antal frihetsgrader. För en population dividerar du med N. För ett stickprov dividerar du med n - 1.

Stickprovets varians:

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

Populationens varians:

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

Du kanske antar att beräkningen av ett stickprovs varians enbart kräver att man dividerar med n:

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

Att använda n direkt på ett stickprov leder dock ofta till en felaktig uppskattning. När man hanterar ett litet stickprov hämtat från en massiv population, underskattar ofta en division med n den sanna variansen. För att korrigera för denna brist på data och eliminera skevhet dividerar vi med n - 1 (känt som Bessels korrektion). Detta ökar variansen något, vilket ger en betydligt mer exakt uppskattning av den verkliga populationsvariansen.

Steg 6: Ta slutligen kvadratroten ur variansen för att få fram standardavvikelsen.

Stickprovets standardavvikelse:

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

Populationens standardavvikelse:

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

Exempel: Beräkning av standardavvikelse för ett stickprov

Låt oss gå igenom ett praktiskt exempel med hjälp av slutbetygen i fysik för 8 elever (n = 8):

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

Så här bearbetar kalkylatorn denna stickprovsdata steg för steg:

Steg 1: Beräkna medelvärdet.

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

Steg 2: Beräkna de enskilda avvikelserna från medelvärdet.

Steg 3: Kvadrera varje avvikelse.

Steg 4: Beräkna summan av de kvadrerade avvikelserna (SS).

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

Steg 5: Beräkna stickprovets varians. Eftersom vi analyserar ett stickprov (en liten del av hela elevgruppen) snarare än den kompletta populationen, dividerar vi kvadratsumman med frihetsgraderna (n - 1).

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

Steg 6: Ta kvadratroten ur variansen för att fastställa den slutliga standardavvikelsen.

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

Verkliga tillämpningar av standardavvikelse

Standardavvikelse används i stor utsträckning inom olika branscher för att bedöma dataspridning. Genom att identifiera om en standardavvikelse är hög eller låg kan analytiker snabbt jämföra flera dataset för att se vilket som uppvisar mest volatilitet eller stabilitet.

Inom tillverkning och kvalitetskontroll är standardavvikelse avgörande. Storskalig produktion kräver att produktdimensioner faller inom exceptionellt snäva toleranser. Till exempel, vid tillverkning av muttrar och skruvar, säkerställer spårningen av diametrarnas standardavvikelse att variationerna förblir oerhört små. Om avvikelsen är för hög kommer delarna inte att passa ihop korrekt.

Inom finanssektorn är standardavvikelse det primära måttet för att mäta marknadsvolatilitet och bedöma investeringsrisker. Tekniska analytiker använder rutinmässigt standardavvikelse för att beräkna aktievolatilitet och konstruera handelsindikatorer som Bollingerband. Utöver finans använder sociologer och opinionsundersökare standardavvikelse för att beräkna felmarginaler och kvantifiera osäkerhet i opinionsundersökningar.

Statistiskt sett hjälper standardavvikelse till att avgöra hur mycket data som hamnar inom ett specifikt intervall. Enligt Tjebysjovs olikhet (Chebyshev's theorem), till exempel, vet vi att oavsett fördelningens form kommer minst 75 % av alla datavärden att hamna inom exakt två standardavvikelser från medelvärdet.

Låt oss titta på ett praktiskt exempel inom meteorologi. Föreställ dig att du studerar de dagliga temperaturerna i två städer i samma region – en vid kusten och en i inlandet. Även om båda städerna har exakt samma genomsnittliga maximala dagstemperatur, kommer deras standardavvikelser att berätta en helt annan historia.

Inlandsstaden kommer att uppleva en bredare spridning av extrema temperaturer, vilket resulterar i en betydligt högre standardavvikelse. Däremot kommer kuststadens temperaturer att samlas tätt kring genomsnittet, vilket leder till en mycket lägre standardavvikelse. Statistiskt sett bekräftar detta det vi upplever fysiskt: kuststaden åtnjuter ett mycket mildare och mer jämnt klimat.