Kalkulator odchylenia standardowego

Odchylenie standardowe to podstawowa miara statystyczna, która określa stopień zróżnicowania lub rozproszenia danych w zestawie. Ten kalkulator pomaga obliczyć odchylenie standardowe zarówno dla próby, jak i populacji wraz ze szczegółowymi wyjaśnieniami krok po kroku, dzięki czemu idealnie sprawdzi się u uczniów, badaczy oraz profesjonalistów pracujących z danymi statystycznymi.

star 4.8
auto_awesome AI

Kalkulator odchylenia standardowego calculator

Separate with commas, spaces, or new lines

Sample: when data is a subset. Uses n-1 (Bessel's correction)

Standard Deviation
-
s (sample)
Mean (x̄)
-
Variance
-

lightbulb Tips

  • •Sample SD uses n-1 (Bessel's correction)
  • •Population SD uses n when data is entire population
  • •68% of data falls within 1 SD of mean
  • •Variance = Standard Deviation²

functions 68-95-99.7 Rule

Within 1σ: ≈ 68% of data
Within 2σ: ≈ 95% of data
Within 3σ: ≈ 99.7% of data
Formulas
Sample: s = √[Σ(xi-x̄)²/(n-1)]
Population: σ = √[Σ(xi-μ)²/n]
Variance = σ² or s²

How to Use the Kalkulator odchylenia standardowego

edit

Wprowadź swoje dane

Wpisz lub wklej swoje liczby w pole danych. Oddziel je przecinkami, spacjami lub nowymi liniami.

tune

Wybierz typ

Wybierz odchylenie standardowe próby (najpopularniejsze) lub odchylenie standardowe populacji w zależności od swoich danych.

analytics

Zobacz wyniki

Uzyskaj odchylenie standardowe, średnią, wariancję oraz szczegółowy rozpis obliczeń krok po kroku.

The Formula

Odchylenie standardowe mierzy stopień rozproszenia punktów danych wokół średniej. W przypadku prób używamy (n-1) jako mianownika (korekta Bessela), aby uzyskać nieobciążony estymator.

σ = √[Σ(xi - μ)² / N] or s = √[Σ(xi - x̄)² / (n-1)]

lightbulb Variables Explained

  • σ Odchylenie standardowe populacji
  • s Odchylenie standardowe próby
  • xi Każdy punkt danych
  • μ or x̄ Średnia
  • N or n Liczba punktów danych
  • Σ Suma wszystkich wartości

tips_and_updates Pro Tips

1

Odchylenie standardowe próby (s) używa n-1 w mianowniku i jest stosowane, gdy Twoje dane stanowią próbę pobraną z większej populacji.

2

Odchylenie standardowe populacji (σ) używa n w mianowniku i jest stosowane, gdy Twoje dane reprezentują całą populację.

3

Niskie odchylenie standardowe wskazuje, że punkty danych skupiają się blisko średniej, podczas gdy wysokie odchylenie standardowe oznacza, że dane są mocno rozproszone.

4

Wariancja to po prostu odchylenie standardowe podniesione do kwadratu (σ² lub s²).

5

Dla danych o rozkładzie normalnym około 68% wartości mieści się w przedziale 1 odchylenia standardowego od średniej, a 95% w przedziale 2 odchyleń standardowych.

Odchylenie standardowe to podstawowa miara statystyczna, która określa ilość zmienności lub rozproszenia w zbiorze danych. Niskie odchylenie standardowe wskazuje, że punkty danych są blisko średniej, podczas gdy wysokie odchylenie standardowe oznacza, że są rozproszone w szerszym zakresie wartości.

Odchylenie standardowe próby a populacji

Kluczowa różnica tkwi w mianowniku: odchylenie standardowe próby dzieli przez (n-1), podczas gdy odchylenie standardowe populacji dzieli przez n.

Użyj odchylenia standardowego próby, gdy Twoje dane są podzbiorem większej populacji (co jest najbardziej typowe w realnych scenariuszach).

Użyj odchylenia standardowego populacji tylko wtedy, gdy masz dane dla każdego członka całej badanej populacji.

Wzór na odchylenie standardowe

Dla populacji: σ = √[Σ(xi - μ)² / N], gdzie μ to średnia populacji, a N to wielkość populacji.

Dla próby: s = √[Σ(xi - x̄)² / (n-1)], gdzie x̄ to średnia z próby, a n to wielkość próby.

Dzielenie przez (n-1) we wzorze dla próby nazywa się korektą Bessela i zapewnia nieobciążony estymator odchylenia standardowego populacji.

Interpretacja wyników odchylenia standardowego

Odchylenie standardowe pomaga zrozumieć zmienność danych.

W rozkładzie normalnym około 68% wartości mieści się w granicach jednego odchylenia standardowego od średniej, 95% w granicach dwóch odchyleń, a 99.7% w granicach trzech odchyleń (reguła 68-95-99.7).

Porównaj odchylenia standardowe w różnych zbiorach danych, aby dowiedzieć się, który z nich wykazuje większą zmienność.

Czym jest odchylenie standardowe w statystyce?

Odchylenie standardowe to miara tego, jak bardzo zestaw liczb jest rozproszony wokół swojej średniej (średniej arytmetycznej). Odpowiada ono na pytanie: średnio jak daleko od środka znajduje się każdy punkt danych?

Małe odchylenie standardowe oznacza, że wartości skupiają się ciasno wokół średniej, podczas gdy duże wskazuje na ich szerokie rozproszenie.

Według Encyclopaedia Britannica odchylenie standardowe jest najczęściej stosowaną miarą rozproszenia w statystyce, ponieważ w przeciwieństwie do wariancji jest wyrażane w tych samych jednostkach co dane wyjściowe. Stanowi ono fundament wszystkiego, od kontroli jakości po finanse, pozwalając na szybkie porównanie powtarzalności wyników w różnych zestawach danych.

Jak obliczyć odchylenie standardowe krok po kroku

Aby obliczyć odchylenie standardowe ręcznie, wykonaj pięć kroków:

  • Najpierw znajdź średnią, dodając wszystkie wartości i dzieląc wynik przez ich liczbę – dokładnie to robi nasz kalkulator średniej jednym kliknięciem, jeśli chcesz najpierw sprawdzić tę wartość.
  • Po drugie, odejmij średnią od każdej wartości, aby uzyskać odchylenia.
  • Po trzecie, podnieś każde odchylenie do kwadratu, aby wartości ujemne nie zniosły dodatnich.
  • Po czwarte, zsumuj odchylenia podniesione do kwadratu i podziel przez n w przypadku populacji lub n-1 w przypadku próby, aby otrzymać wariancję.
  • Po piąte, wyciągnij pierwiastek kwadratowy z wariancji.

Platforma Khan Academy przechodzi przez tę samą procedurę na rozwiązanych przykładach. Ten kalkulator automatyzuje każdy krok i pokazuje wartości pośrednie, dzięki czemu możesz sprawdzić własne obliczenia.

Przykład z rozwiązaniem: Odchylenie standardowe dla 2, 4, 4, 4, 5, 5, 7, 9

Rozważmy klasyczny zestaw danych 2, 4, 4, 4, 5, 5, 7, 9. Suma wynosi 40 dla 8 wartości, więc średnia to 5.

Odchylenia od średniej to -3, -1, -1, -1, 0, 0, 2, 4, a ich kwadraty to 9, 1, 1, 1, 0, 0, 4, 16, co daje sumę 32.

Dla populacji podziel przez N = 8, aby uzyskać wariancję równą 4, a pierwiastek kwadratowy daje odchylenie standardowe populacji równe dokładnie 2. Ten przykład pojawia się w haśle poświęconym odchyleniu standardowemu w serwisie Wolfram MathWorld.

Dla próby należy podzielić 32 przez n-1 = 7, co daje wariancję około 4,571 i odchylenie standardowe próby wynoszące około 2,138.

Wyjaśnienie wzoru na odchylenie standardowe

Wzór na odchylenie standardowe populacji to sigma = sqrt(suma (xi - mu)^2 / N), gdzie mu to średnia populacji, a N to liczba wartości.

Wzór dla próby to s = sqrt(suma (xi - xbar)^2 / (n-1)), gdzie xbar to średnia z próby. Jedyna różnica polega na mianowniku.

Publikacja NIST/SEMATECH e-Handbook of Statistical Methods definiuje oba pojęcia i wyjaśnia, że dzielenie przez n-1, znane jako korekta Bessela, zapewnia nieobciążoną ocenę wariancji populacji na podstawie próby.

Wariancja to po prostu wartość znajdująca się pod pierwiastkiem kwadratowym, więc odchylenie standardowe jest zawsze pierwiastkiem kwadratowym wariancji i zachowuje jednostki oryginalnych danych.

Dlaczego w odchyleniu standardowym próby stosuje się n-1?

W odchyleniu standardowym próby suma kwadratów odchyleń jest dzielona przez n-1 zamiast przez n, ponieważ próba ma tendencję do zaniżania rzeczywistego rozproszenia całej populacji.

Gdy obliczasz odchylenia od średniej z próby zamiast od nieznanej średniej populacji, tracisz jeden stopień swobody, dlatego mianownik jest pomniejszany o jeden, aby to skompensować. To dostosowanie, nazywane korektą Bessela, daje nieobciążony estymator wariancji populacji.

Podręcznik NIST e-Handbook potwierdza, że n-1 jest standardowym wyborem dla danych z próby. Używaj n-1 za każdym razem, gdy Twoje liczby stanowią podzbiór pobranego z większej grupy, co dotyczy większości ankiet, eksperymentów i rzeczywistego zbierania danych.

Zastosowania odchylenia standardowego w rzeczywistości

Odchylenie standardowe pojawia się w wielu dziedzinach:

  • W finansach mierzy zmienność stóp zwrotu z inwestycji, więc wyższe odchylenie standardowe sygnalizuje większe ryzyko.
  • W produkcji i kontroli jakości napędza procesy Six Sigma, które utrzymują produkty w dopuszczalnych granicach tolerancji.
  • W edukacji opisuje, jak mocno wyniki testów skupiają się wokół średniej klasowej.
  • W meteorologii i nauce o klimacie rejestruje zmienność temperatur w poszczególnych pór roku.

Encyclopaedia Britannica zauważa, że odchylenie standardowe ma kluczowe znaczenie dla rozkładu normalnego, który modeluje niezliczone zjawiska naturalne. Ponieważ jest wyrażone w tych samych jednostkach co dane, profesjonaliści używają go do porównywania powtarzalności, ustalania progów i oznaczania nietypowych obserwacji.

Odchylenie standardowe a reguła 68-95-99.7

W przypadku danych, które podlegają rozkładowi normalnemu (o kształcie dzwonu), reguła empiryczna stanowi, że około 68% wartości mieści się w przedziale jednego odchylenia standardowego od średniej, mniej więcej 95% w granicach dwóch odchyleń, a około 99.7% w granicach trzech.

Zatem jeśli wyniki testu mają średnią 70 i odchylenie standardowe 10, około 68% uczniów uzyskuje wynik między 60 a 80.

Wolfram MathWorld opisuje ten wzorzec jako definiującą właściwość rozkładu normalnego. Reguła ta zamienia abstrakcyjną liczbę oznaczającą rozproszenie w konkretne prawdopodobieństwo, pomagając ocenić, jak powszechna lub rzadka jest dana wartość w Twoim zestawie danych.

Częste błędy podczas obliczania odchylenia standardowego

  • Najczęstszym błędem jest pomylenie wzorów dla próby i populacji poprzez użycie niewłaściwego mianownika; dzielenie przez n zamiast przez n-1 zaniża rozproszenie dla danych z próby.
  • Innym błędem jest zapomnienie o podniesieniu odchyleń do kwadratu, co pozwala różnicom dodatnim i ujemnym znzerować się wzajemnie.
  • Ludzie często mylą wariancję z odchyleniem standardowym, podając wartość podniesioną do kwadratu zamiast jej pierwiastka.
  • Zbyt wczesne zaokrąglanie średniej potęguje błędy na każdym kolejnym kroku, dlatego zachowaj pełną precyzję aż do końca.
  • W końcu, odchylenie standardowe dobrze podsumowuje jedynie symetryczne dane o charakterze zbliżonym do normalnego; w przypadku silnie skośnych danych może wprowadzać w błąd, przed czym ostrzega Khan Academy.

Frequently Asked Questions

sell

Tags