نحوه محاسبه انحراف معیار

نحوه محاسبه انحراف معیار

انحراف معیار یکی از پرکاربردترین معیارهای آماری برای تعیین میزان «پراکندگی» داده‌ها از میانگینشان است. در زندگی واقعی، انحراف معیار به ما کمک می‌کند تا پایداری یا تغییرپذیری یک پدیده را درک کنیم: برای مثال، تغییرات در نمرات آزمون، نوسانات فروش، تفاوت در قد و حتی ریسک در داده‌های مالی. هرچه انحراف معیار کوچکتر باشد، داده‌ها به میانگین نزدیک‌تر هستند. برعکس، انحراف معیار بزرگ نشان می‌دهد که داده‌ها از میانگین فاصله زیادی دارند و تغییرپذیری بالایی دارند.

این مقاله به بررسی مفهوم انحراف معیار، فرمول مورد استفاده و مراحل محاسبه دستی آن از طریق مثال‌های ساده و قابل فهم خواهد پرداخت.

۱. تعریف انحراف معیار

انحراف معیار، جذر واریانس است. خود واریانس، میانگین مربعات اختلاف بین هر نقطه داده و میانگین است. چرا از مربع استفاده کنیم؟ زیرا اختلاف بین نقاط داده و میانگین می‌تواند منفی یا مثبت باشد. اگر مستقیماً جمع شوند، اختلافات منفی و مثبت می‌توانند یکدیگر را خنثی کنند و منجر به نتایج گمراه‌کننده شوند. با به توان دو رساندن اختلافات، همه مقادیر مثبت می‌شوند و امکان اندازه‌گیری دقیق‌تر توزیع داده‌ها را فراهم می‌کنند.

به سادگی:

واریانس = معیار پراکندگی بر حسب واحدهای «به توان دو».
انحراف معیار = معیاری از پراکندگی که به واحدهای اصلی داده‌ها بازگشته است.

مثال: اگر داده‌ها به شکل نمرات آزمون (واحدهای امتیازی) باشند، واریانس بر حسب امتیاز خواهد بود، در حالی که انحراف معیار دوباره بر حسب امتیاز خواهد بود که تفسیر آن را آسان‌تر می‌کند.

۲. انحراف معیار جمعیت در مقابل نمونه

قبل از محاسبه، مهم است که بدانید چه نوع داده‌ای دارید:

۱. جامعه آماری: داده‌ها شامل تمام اعضایی است که قرار است مورد تحقیق قرار گیرند.
فرمول انحراف معیار جمعیت از مقسوم علیه N (تعداد داده‌ها) استفاده می‌کند.

۲. نمونه: داده‌ها تنها بخشی از جمعیت هستند که معمولاً برای نشان دادن جمعیت بزرگتری استفاده می‌شوند.
فرمول انحراف معیار نمونه از یک مقسوم علیه (n-1) برای اصلاح سوگیری تخمین استفاده می‌کند. این اصلاح، اصلاح بسل نامیده می‌شود.

در عمل روزمره (مثلاً تحقیق، نظرسنجی، تحلیل کلاس)، داده‌ها اغلب به عنوان نمونه در نظر گرفته می‌شوند، بنابراین مقسوم علیه (n-1) است.

۳. فرمول انحراف معیار

الف. فرمول انحراف معیار جمعیت
فرض کنید داده‌ها: \(x_1، x_2، \dots، x_N \)
میانگین جمعیت:
\[
\mu = \frac{\sum_{i=1}^{N} x_i}{N}
\]
واریانس جمعیت:
\[
\sigma^2 = \frac{\sum_{i=1}^{N}(x_i – \mu)^2}{N}
\]
انحراف معیار جمعیت:
\[
سیگما = \sqrt{\sigma^2}
\]

ب. فرمول انحراف معیار نمونه
میانگین نمونه:
\[
\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}
\]
واریانس نمونه:
\[
s^2 = \frac{\sum_{i=1}^{n}(x_i – \bar{x})^2}{n – 1}
\]
انحراف معیار نمونه:
\[
s = \sqrt{s^2}
\]

۴. مراحل محاسبه دستی انحراف معیار

برای درک آسان‌تر، از مثال داده‌های نمره امتحان ۵ دانش‌آموز استفاده می‌کنیم:

داده‌ها: ۷، ۲، ۹، ۴، ۳

فرض کنید این داده‌ها یک نمونه هستند (که در مثال‌های یادگیری رایج است).

مرحله ۱: محاسبه میانگین
\[
\bar{x} = \frac{60 + 70 + 70 + 80 + 90}{5} = \frac{370}{5} = 74
\]

بنابراین میانگین امتیاز ۷۴ است.

مرحله ۲: اختلاف بین هر داده و میانگین را محاسبه کنید
یک ستون تفاضل ایجاد کنید \( (x_i – \bar{x}) \):

– ۷۰ − ۷۴ = −۴
– ۷۰ − ۷۴ = −۴
– ۷۰ − ۷۴ = −۴
– ۹۰ − ۷۴ = ۱۶
– ۹۰ − ۷۴ = ۱۶

مرحله ۳: اختلاف را به توان دو برسانید
محاسبه کنید \((x_i – \bar{x})^2 \):

– (−۴)² = ۱۶
– (−۴)² = ۱۶
– (−۴)² = ۱۶
– ۱۶² = ۲۵۶
– ۱۶² = ۲۵۶

مرحله ۴: مربع‌های اختلاف را جمع کنید
\[
\sum (x_i – \bar{x})^2 = 196 + 16 + 16 + 36 + 256 = 520
\]

مرحله ۵: محاسبه واریانس (برای یک نمونه، تقسیم بر n-1)
از آنجایی که n = ۵ است، پس n − ۱ = ۴ است:
\[
s^2 = \frac{520}{4} = 130
\]

بنابراین واریانس نمونه ۱۳۰ است.

مرحله ۶: جذر واریانس برای بدست آوردن انحراف معیار
\[
s = \sqrt{130} \approx 11{,}40
\]

بنابراین انحراف معیار داده‌ها تقریباً ۱۱.۴۰ است. این بدان معناست که به طور متوسط، نمرات دانش‌آموزان تقریباً ۱۱ امتیاز از میانگین ۷۴ انحراف دارد.

۵. روش سریع: فرمول جایگزین (محاسبه)

جدا از روش دستی فوق، یک فرمول محاسباتی وجود دارد که اغلب برای سرعت بخشیدن به محاسبات استفاده می‌شود، به خصوص اگر داده‌های زیادی وجود داشته باشد:

واریانس نمونه:
\[
s^2 = \frac{\sum x_i^2 – \frac{(\sum x_i)^2}{n}}{n – 1}
\]

این فرمول از محاسبه‌ی تفاضل‌ها به صورت تک تک اجتناب می‌کند، اما همچنان هنگام محاسبه‌ی مجموع مربعات داده‌ها به دقت نیاز دارد.

با این حال، برای درک مفهومی، روش گام به گام (تفاضل → مربع → مجموع) معمولاً آسان‌تر و از خطاها ایمن‌تر است.

۶. تفسیر انحراف معیار

انحراف معیار فقط به اعداد محدود نمی‌شود، بلکه باید تفسیر شود:

انحراف معیار کوچک: داده‌ها نزدیک به میانگین خوشه‌بندی شده‌اند، تغییرات کم است، نتایج سازگارترند.
انحراف معیار بزرگ: داده‌ها از میانگین فاصله زیادی دارند، تغییرات زیاد است، نتایج کمتر سازگار هستند.

برای مثال، فرض کنید دو کلاس میانگین نمره یکسانی دارند، ۷۴. اگر کلاس A انحراف معیار ۵ و کلاس B انحراف معیار ۱۵ داشته باشد، نمرات کلاس A یکنواخت‌تر و پایدارتر هستند. کلاس B تنوع بیشتری دارد: برخی بسیار پایین و برخی بسیار بالا هستند.

۴. اشتباهات رایج

برخی از اشتباهات رایج هنگام محاسبه انحراف معیار:

۱. فراموش کردم بین نمونه و جامعه تمایز قائل شوم، بنابراین مقسوم علیه اشتباه است (N در مقابل n-1).
۲. اشتباه در محاسبه میانگین که در نتیجه تمام مراحل بعدی نیز اشتباه خواهد بود.
۳. فراموش کردن به توان دو رساندن اختلاف، یا اشتباه کردن هنگام گرفتن جذر در انتها.
۴. خطاهای حسابی هنگام جمع یا محاسبه مربع اعداد.

با ایجاد یک جدول محاسبه و بررسی مجدد نتایج، می‌توان از بروز خطاها جلوگیری کرد.

بستن

محاسبه انحراف معیار در واقع کار سختی نیست اگر مراحل را به درستی دنبال کنید: میانگین را محاسبه کنید، تفاوت بین هر مجموعه داده را پیدا کنید، تفاوت‌ها را به توان دو برسانید، آنها را با هم جمع کنید، تقسیم کنید (بر n یا n-1)، و سپس جذر بگیرید. با درک انحراف معیار، می‌توانید ارزیابی کنید که داده‌های شما چقدر سازگار هستند و چه مقدار تغییر وجود دارد.

اگر بخواهید، می‌توانم مثال‌های بیشتری با داده‌های بیشتر، نمونه‌هایی از داده‌های گروه‌بندی‌شده (جداول فراوانی) یا نحوه محاسبه انحراف معیار با استفاده از اکسل/گوگل شیت ایجاد کنم.