Πώς να υπολογίσετε την τυπική απόκλιση
Η τυπική απόκλιση είναι ένα από τα πιο συχνά χρησιμοποιούμενα στατιστικά μέτρα για να προσδιοριστεί η «διασπορά» των δεδομένων από τον μέσο όρο τους. Στην πραγματική ζωή, η τυπική απόκλιση μας βοηθά να κατανοήσουμε τη σταθερότητα ή τη διακύμανση ενός φαινομένου: για παράδειγμα, διακυμάνσεις στις βαθμολογίες των τεστ, διακυμάνσεις στις πωλήσεις, διαφορές στο ύψος, ακόμη και τους κινδύνους στα οικονομικά δεδομένα. Όσο μικρότερη είναι η τυπική απόκλιση, τόσο πιο κοντά βρίσκονται τα δεδομένα στον μέσο όρο. Αντίθετα, μια μεγάλη τυπική απόκλιση υποδεικνύει ότι τα δεδομένα απέχουν πολύ από τον μέσο όρο και έχουν υψηλή διακύμανση.
Αυτό το άρθρο θα συζητήσει την έννοια της τυπικής απόκλισης, τον τύπο που χρησιμοποιείται και τα βήματα για τον χειροκίνητο υπολογισμό της μέσω εύκολων στην κατανόηση παραδειγμάτων.
1. Ορισμός της Τυπικής Απόκλισης
Η τυπική απόκλιση είναι η τετραγωνική ρίζα της διακύμανσης. Η ίδια η διακύμανση είναι ο μέσος όρος των τετραγώνων των διαφορών μεταξύ κάθε σημείου δεδομένων και του μέσου όρου. Γιατί να χρησιμοποιήσετε ένα τετράγωνο; Επειδή οι διαφορές μεταξύ των σημείων δεδομένων και του μέσου όρου μπορεί να είναι είτε αρνητικές είτε θετικές. Εάν προστεθούν απευθείας, οι αρνητικές και οι θετικές διαφορές μπορούν να αλληλοεξουδετερωθούν, με αποτέλεσμα παραπλανητικά αποτελέσματα. Τετραγωνίζοντας τις διαφορές, όλες οι τιμές γίνονται θετικές, επιτρέποντας μια πιο ακριβή μέτρηση της κατανομής των δεδομένων.
Απλά:
– Διακύμανση = μέτρο της διασποράς σε «τετράγωνες» μονάδες.
– Τυπική απόκλιση = ένα μέτρο της διαφοράς που έχει επιστρέψει στις αρχικές μονάδες δεδομένων.
Παράδειγμα: εάν τα δεδομένα έχουν τη μορφή βαθμολογιών δοκιμών (μονάδες βαθμολόγησης), η διακύμανση θα είναι σε μονάδες, ενώ η τυπική απόκλιση θα είναι και πάλι σε μονάδες, γεγονός που διευκολύνει την ερμηνεία.
2. Πληθυσμός έναντι Τυπικής Απόκλισης Δείγματος
Πριν από τον υπολογισμό, είναι σημαντικό να γνωρίζετε τι είδους δεδομένα έχετε:
1. Πληθυσμός: τα δεδομένα περιλαμβάνουν όλα τα μέλη που πρόκειται να ερευνηθούν.
Ο τύπος τυπικής απόκλισης πληθυσμού χρησιμοποιεί τον διαιρέτη N (αριθμός δεδομένων).
2. Δείγμα: τα δεδομένα είναι μόνο ένα μέρος του πληθυσμού, που συνήθως χρησιμοποιούνται για την αναπαράσταση ενός μεγαλύτερου πληθυσμού.
Ο τύπος τυπικής απόκλισης του δείγματος χρησιμοποιεί έναν διαιρέτη (n − 1) για να διορθώσει την μεροληψία εκτίμησης. Αυτή η διόρθωση ονομάζεται διόρθωση Bessel.
Στην καθημερινή πρακτική (π.χ. έρευνα, δημοσκοπήσεις, ανάλυση κλάσεων), τα δεδομένα συχνά θεωρούνται δείγμα, επομένως ο διαιρέτης είναι (n − 1).
3. Τύπος Τυπικής Απόκλισης
Α. Τύπος Τυπικής Απόκλισης Πληθυσμού
Ας υποθέσουμε ότι τα δεδομένα: \(x_1, x_2, \dots, x_N \)
Μέσος όρος πληθυσμού:
\[
\mu = \frac{\sum_{i=1}^{N} x_i}{N}
\]
Διακύμανση πληθυσμού:
\[
\sigma^2 = \frac{\sum_{i=1}^{N}(x_i – \mu)^2}{N}
\]
Τυπική απόκλιση πληθυσμού:
\[
\sigma = \sqrt{\sigma^2}
\]
Β. Δείγμα Τυπικού Τυπικού Απόκλισης
Μέσος όρος δείγματος:
\[
\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}
\]
Απόκλιση δείγματος:
\[
s^2 = \frac{\sum_{i=1}^{n}(x_i – \bar{x})^2}{n – 1}
\]
Δείγμα τυπικής απόκλισης:
\[
s = \sqrt{s^2}
\]
4. Βήματα για τον χειροκίνητο υπολογισμό της τυπικής απόκλισης
Για να γίνει πιο κατανοητό, χρησιμοποιούμε το παράδειγμα των δεδομένων βαθμολογίας 5 μαθητών στις εξετάσεις:
Δεδομένα: 60, 70, 70, 80, 90
Υποθέστε ότι αυτά τα δεδομένα είναι ένα δείγμα (συνήθες σε παραδείγματα μάθησης).
Βήμα 1: Υπολογίστε τον μέσο όρο
\[
\bar{x} = \frac{60 + 70 + 70 + 80 + 90}{5} = \frac{370}{5} = 74
\]
Έτσι, ο μέσος όρος βαθμολογίας είναι 74.
Βήμα 2: Υπολογίστε τη διαφορά μεταξύ κάθε δεδομένου και του μέσου όρου
Δημιουργήστε μια στήλη διαφοράς \((x_i – \bar{x}) \):
– 60 − 74 = −14
– 70 − 74 = −4
– 70 − 74 = −4
– 80 − 74 = 6
– 90 − 74 = 16
Βήμα 3: Τετραγωνίστε τη διαφορά
Υπολογίστε \((x_i – \bar{x})^2 \):
– (−14)² = 196
– (−4)² = 16
– (−4)² = 16
– 6² = 36
– 16² = 256
Βήμα 4: Προσθέστε τα τετράγωνα των διαφορών
\[
\sum (x_i – \bar{x})^2 = 196 + 16 + 16 + 36 + 256 = 520
\]
Βήμα 5: Υπολογίστε τη διακύμανση (για ένα δείγμα, διαιρέστε με n − 1)
Αφού n = 5, τότε n − 1 = 4:
\[
s^2 = \frac{520}{4} = 130
\]
Έτσι, η διακύμανση του δείγματος είναι 130.
Βήμα 6: Τετραγωνική ρίζα της διακύμανσης για να βρείτε την τυπική απόκλιση
\[
s = \sqrt{130} \approx 11{,}40
\]
Έτσι, η τυπική απόκλιση των δεδομένων είναι περίπου 11,40. Αυτό σημαίνει ότι, κατά μέσο όρο, οι βαθμολογίες των μαθητών αποκλίνουν κατά περίπου 11 μονάδες από τον μέσο όρο των 74.
5. Γρήγορος Τρόπος: Εναλλακτικός Τύπος (Υπολογισμός)
Εκτός από την παραπάνω χειροκίνητη μέθοδο, υπάρχει ένας υπολογιστικός τύπος που χρησιμοποιείται συχνά για την επιτάχυνση των υπολογισμών, ειδικά εάν υπάρχουν πολλά δεδομένα:
Απόκλιση δείγματος:
\[
s^2 = \frac{\άθροισμα x_i^2 – \frac{(\άθροισμα x_i)^2}{n}}{n – 1}
\]
Αυτός ο τύπος αποφεύγει τον υπολογισμό των διαφορών μία προς μία, αλλά εξακολουθεί να απαιτεί ακρίβεια κατά τον υπολογισμό του αθροίσματος των τετραγώνων των δεδομένων.
Ωστόσο, για την εννοιολογική κατανόηση, η μέθοδος βήμα προς βήμα (διαφορά → τετράγωνο → άθροισμα) είναι συνήθως ευκολότερη και ασφαλέστερη από σφάλματα.
6. Ερμηνεία της Τυπικής Απόκλισης
Η τυπική απόκλιση δεν περιορίζεται στους αριθμούς, αλλά πρέπει να ερμηνεύεται:
– Μικρή τυπική απόκλιση: τα δεδομένα ομαδοποιούνται κοντά στον μέσο όρο, η διακύμανση είναι χαμηλή, τα αποτελέσματα είναι πιο συνεπή.
– Μεγάλη τυπική απόκλιση: τα δεδομένα είναι διασκορπισμένα μακριά από τον μέσο όρο, η διακύμανση είναι υψηλή, τα αποτελέσματα είναι λιγότερο συνεπή.
Για παράδειγμα, ας υποθέσουμε ότι δύο τάξεις έχουν την ίδια μέση βαθμολογία, 74. Εάν η τάξη Α έχει τυπική απόκλιση 5 και η τάξη Β τυπική απόκλιση 15, τότε οι βαθμολογίες στην τάξη Α είναι πιο ομοιόμορφες και σταθερές. Η τάξη Β έχει μεγαλύτερη διακύμανση: μερικές είναι πολύ χαμηλές και μερικές είναι πολύ υψηλές.
7. Συνηθισμένα λάθη
Μερικά συνηθισμένα λάθη κατά τον υπολογισμό της τυπικής απόκλισης:
1. Ξέχασα να κάνω διάκριση μεταξύ δείγματος και πληθυσμού, άρα ο διαιρέτης είναι λάθος (N vs n − 1).
2. Λανθασμένος υπολογισμός του μέσου όρου, με αποτέλεσμα όλα τα επόμενα βήματα να είναι λανθασμένα.
3. Ξεχνώντας να τετραγωνίσετε τη διαφορά ή κάνοντας λάθος κατά τον υπολογισμό της τετραγωνικής ρίζας στο τέλος.
4. Αριθμητικά λάθη κατά την πρόσθεση ή τον υπολογισμό τετραγώνων αριθμών.
Η αποφυγή σφαλμάτων μπορεί να γίνει με τη δημιουργία ενός πίνακα υπολογισμών και τον διπλό έλεγχο των αποτελεσμάτων.
Penutup
Ο υπολογισμός της τυπικής απόκλισης δεν είναι στην πραγματικότητα δύσκολος αν ακολουθήσετε σωστά τα βήματα: υπολογίστε τον μέσο όρο, βρείτε τη διαφορά μεταξύ κάθε συνόλου δεδομένων, τετραγωνίστε τις διαφορές, προσθέστε τις, διαιρέστε (με n ή n − 1) και, στη συνέχεια, βρείτε την τετραγωνική ρίζα. Κατανοώντας την τυπική απόκλιση, μπορείτε να αξιολογήσετε πόσο συνεπή είναι τα δεδομένα σας και πόση διακύμανση υπάρχει.
Αν θέλετε, μπορώ επίσης να δημιουργήσω επιπλέον παραδείγματα με περισσότερα δεδομένα, παραδείγματα ομαδοποιημένων δεδομένων (πίνακες συχνοτήτων) ή πώς να υπολογίσω την τυπική απόκλιση χρησιμοποιώντας το Excel/Google Sheets.
