Slik beregner du standardavvik
Standardavvik er et av de mest brukte statistiske målene for å bestemme hvor "spredt" data er fra gjennomsnittet. I det virkelige liv hjelper standardavvik oss med å forstå stabiliteten eller variasjonen til et fenomen: for eksempel variasjoner i testresultater, salgssvingninger, høydeforskjeller og til og med risikoene i økonomiske data. Jo mindre standardavviket er, desto nærmere er dataene gjennomsnittet. Omvendt indikerer et stort standardavvik at dataene er langt fra gjennomsnittet og har høy variasjon.
Denne artikkelen vil diskutere betydningen av standardavvik, formelen som brukes og trinnene for å beregne det manuelt gjennom lettforståelige eksempler.
1. Definisjon av standardavvik
Standardavviket er kvadratroten av variansen. Variansen i seg selv er gjennomsnittet av kvadratene av forskjellene mellom hvert datapunkt og gjennomsnittet. Hvorfor bruke et kvadrat? Fordi forskjellene mellom datapunktene og gjennomsnittet kan være enten negative eller positive. Hvis de legges sammen direkte, kan negative og positive forskjeller kansellere hverandre ut, noe som resulterer i misvisende resultater. Ved å kvadrere forskjellene blir alle verdier positive, noe som gir en mer nøyaktig måling av datafordelingen.
Ganske enkelt:
– Varians = mål på spredning i «kvadrerte» enheter.
– Standardavvik = et mål på spredningen som har gått tilbake til de opprinnelige dataenhetene.
Eksempel: Hvis dataene er i form av testresultater (poengenheter), vil variansen være i poeng, mens standardavviket igjen vil være i poeng, noe som gjør det enklere å tolke.
2. Populasjon vs. utvalgsstandardavvik
Før du beregner, er det viktig å vite hvilken type data du har:
1. Populasjon: dataene inkluderer alle medlemmer som skal undersøkes.
Populasjonens standardavviksformel bruker divisoren N (antall data).
2. Utvalg: data er bare en del av populasjonen, vanligvis brukt til å representere en større populasjon.
Standardavviksformelen for eksempel bruker en divisor (n − 1) for å korrigere for estimeringsskjevhet. Denne korreksjonen kalles Bessels korreksjon.
I daglig praksis (f.eks. forskning, spørreundersøkelser, klasseanalyse) blir data ofte betraktet som et utvalg, så divisoren er (n − 1).
3. Standardavviksformel
A. Formel for populasjonsstandardavvik
Anta dataene: \(x_1, x_2, \dots, x_N \)
Gjennomsnittlig befolkning:
\[
∫mu = \frac{\sum_{i=1}^{N} x_i}{N}
\]
Populasjonsvarians:
\[
∫sigma^2 = ∫frac{\sum_{i=1}^{N}(x_i – μu)^2}{N}
\]
Populasjonsstandardavvik:
\[
\sigma = \sqrt{\sigma^2}
\]
B. Eksempel på standardavviksformel
Gjennomsnittlig utvalg:
\[
\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}
\]
Utvalgsvarians:
\[
s^2 = \frac{\sum_{i=1}^{n}(x_i – \bar{x})^2}{n – 1}
\]
Standardavvik i utvalg:
\[
s = ∫s²
\]
4. Fremgangsmåte for å beregne standardavvik manuelt
For å gjøre det enklere å forstå bruker vi eksemplet med 5 studenters eksamensresultatdata:
Data: 60, 70, 70, 80, 90
Anta at disse dataene er et utvalg (vanlig i læringseksempler).
Trinn 1: Beregn gjennomsnittet
\[
\bar{x} = \frac{60 + 70 + 70 + 80 + 90}{5} = \frac{370}{5} = 74
\]
Så gjennomsnittspoengsummen er 74.
Trinn 2: Beregn differansen mellom hver data og gjennomsnittet
Opprett en differansekolonne ((x_i – x)):
– 60 − 74 = −14
– 70 − 74 = −4
– 70 − 74 = −4
– 80 − 74 = 6
– 90 − 74 = 16
Trinn 3: Kvadrer forskjellen
Beregn ((x_i – x)^2):
– (−14)² = 196
– (−4)² = 16
– (−4)² = 16
– 6² = 36
– 16² = 256
Trinn 4: Legg sammen kvadratene av differansene
\[
\sum(x_i – \bar{x})^2 = 196 + 16 + 16 + 36 + 256 = 520
\]
Trinn 5: Beregn variansen (for et utvalg, del på n − 1)
Siden n = 5, så er n − 1 = 4:
\[
s^2 = \frac{520}{4} = 130
\]
Så utvalgsvariansen er 130.
Trinn 6: Kvadratroten av variansen for å få standardavviket
\[
s = 130 °C \ca. 11,40
\]
Så standardavviket til dataene er omtrent 11,40. Dette betyr at studentenes poengsummer i gjennomsnitt avviker med omtrent 11 poeng fra gjennomsnittet på 74.
5. Rask måte: Alternativ formel (beregning)
Bortsett fra den manuelle metoden ovenfor, finnes det en beregningsformel som ofte brukes for å fremskynde beregninger, spesielt hvis det er mye data:
Utvalgsvarians:
\[
s^2 = \frac{\sum x_i^2 – \frac{(\sum x_i)^2}{n}}{n – 1}
\]
Denne formelen unngår å beregne forskjellene én etter én, men krever fortsatt presisjon når man beregner summen av kvadratene av dataene.
For konseptuell forståelse er imidlertid trinn-for-trinn-metoden (differanse → kvadrat → sum) vanligvis enklere og sikrere mot feil.
6. Tolkning av standardavvik
Standardavviket stopper ikke bare ved tall, men må tolkes:
– Lite standardavvik: dataene er gruppert nær gjennomsnittet, variasjonen er lav, resultatene er mer konsistente.
– Stort standardavvik: dataene er spredt langt fra gjennomsnittet, variasjonen er høy, resultatene er mindre konsistente.
La oss for eksempel si at to klasser har samme gjennomsnittsskåre, 74. Hvis klasse A har et standardavvik på 5 og klasse B et standardavvik på 15, er skårene i klasse A jevnere og mer stabile. Klasse B har større variasjon: noen er svært lave og noen er svært høye.
7. Vanlige feil
Noen vanlige feil når man beregner standardavvik:
1. Glemte å skille mellom utvalg og populasjon, så divisoren er feil (N vs n − 1).
2. Feilberegning av gjennomsnittet, noe som resulterer i at alle påfølgende trinn blir feil.
3. Glemmer å kvadrere differansen, eller gjør en feil når man tar kvadratroten på slutten.
4. Regnefeil ved addisjon eller kvadratregning av tall.
For å forhindre feil kan man lage en beregningstabell og dobbeltsjekke resultatene.
Lukking
Det er egentlig ikke vanskelig å beregne standardavvik hvis du følger trinnene riktig: beregn gjennomsnittet, finn differansen mellom hvert datasett, kvadrer differansene, legg dem sammen, divider (med n eller n − 1), og ta deretter kvadratroten. Ved å forstå standardavviket kan du vurdere hvor konsistente dataene dine er og hvor mye variasjon det er.
Hvis du ønsker det, kan jeg også lage flere eksempler med mer data, eksempler på grupperte data (frekvenstabeller), eller hvordan man beregner standardavvik ved hjelp av Excel/Google Sheets.
