Standardavvikelse Kalkylator

Beräkna populations och urvals standardavvikelse för vilken dataset som helst

Metod- och källkontroll

Senast kontrollerad: 31 juli 2026

Kontroll av källor och implementation; inte professionell granskning eller rådgivning.

Metod

Kalkylatorn beräknar medelvärde och kvadrerade avvikelser och visar standardavvikelse för population (division med N) och stickprov (division med n − 1).

σ = √(Σ(xᵢ − μ)² / N)

s = √(Σ(xᵢ − x̄)² / (n − 1))

Variabler och enheter

xᵢ: varje observerat värde
μ / x̄: populationsmedel / stickprovsmedel
N / n: populationsstorlek / stickprovsstorlek

Genomräknat exempel

För 2, 4, 4, 4, 5, 5, 7 och 9: medelvärdet är 5, populationens standardavvikelse 2 och stickprovets cirka 2,1381.

Begränsningar

Använd populationsresultatet bara när värdena är hela populationen, annars stickprovsresultatet. Inget av resultaten bevisar att data är normalfördelade.

Källor

NIST/SEMATECH e-Handbook: Standard Deviation — National Institute of Standards and Technology(öppnas i en ny flik)

Innehållsförteckning

Hur man Använder

Ange din dataset som siffror separerade med kommatecken, mellanslag eller semikolon
Klicka på beräkna för att beräkna standardavvikelsen
Visa både populations (σ) och urvals (s) standardavvikelse resultat
Granska avvikelserna och kvadrerade avvikelser för varje datapunkt

Vad är Standardavvikelse?

Standardavvikelse är ett statistiskt mått som kvantifierar mängden variation eller spridning i en dataset. Det berättar hur utspridda siffrorna är från medelvärdet. En låg standardavvikelse indikerar att värdena tenderar att ligga nära medelvärdet, medan en hög standardavvikelse indikerar att värdena är spridda över ett bredare område.

Standardavvikelse är ett av de mest använda måtten på variabilitet inom statistik och är väsentligt för att förstå datafördelning, göra förutsägelser och utföra statistiska tester.

Populations vs Urvals Standardavvikelse

Det finns två typer av standardavvikelse, beroende på om du arbetar med hela populationen eller ett urval:

**Populations Standardavvikelse (σ)**: Används när du har data för hela populationen. Variansen beräknas genom att dela summan av kvadrerade avvikelser med N (antalet datapunkter).
**Urvals Standardavvikelse (s)**: Används när du har data från ett urval av populationen. Variansen beräknas genom att dela summan av kvadrerade avvikelser med N-1 (Bessels korrektion), vilket ger en ofördomsfri uppskattning av populationsvariansen.

Hur man Beräknar Standardavvikelse

Standardavvikelsen beräknas med följande steg:

Beräkna medelvärdet av alla datapunkter
Subtrahera medelvärdet från varje datapunkt för att få avvikelsen
Kvadrera varje avvikelse
Beräkna variansen genom att beräkna medelvärdet av de kvadrerade avvikelserna (dela med N för population, N-1 för urval)
Ta kvadratroten av variansen för att få standardavvikelsen

**Formel för Populations Standardavvikelse:** σ = √(Σ(x - μ)² / N)

**Formel för Urvals Standardavvikelse:** s = √(Σ(x - x̄)² / (N - 1))

Där: σ (sigma) är populations standardavvikelse, s är urvals standardavvikelse, x är varje datapunkt, μ (mu) är populationsmedelvärdet, x̄ (x-streck) är urvalsmedelvärdet, N är antalet datapunkter, och Σ (sigma) betyder summa.

Tolkning av Standardavvikelse

Förstå vad standardavvikelsen berättar om dina data:

**Liten Standardavvikelse**: Datapunkter är grupperade nära medelvärdet, vilket indikerar konsistens och låg variabilitet
**Stor Standardavvikelse**: Datapunkter är spridda över ett brett område, vilket indikerar hög variabilitet eller mångfald
**Standardavvikelse Noll**: Alla datapunkter är identiska (ingen variation)
**Empiriska Regeln (68-95-99.7)**: I en normalfördelning faller cirka 68% av data inom 1 standardavvikelse från medelvärdet, 95% inom 2 standardavvikelser, och 99.7% inom 3 standardavvikelser

Vanliga Tillämpningar

Standardavvikelse används i stor utsträckning inom många områden:

**Finans**: Mätning av investeringsrisk och portföljvolatilitet
**Kvalitetskontroll**: Övervakning av tillverkningsprocesser och produktkonsistens
**Forskning**: Analys av experimentella data och hypotestestning
**Utbildning**: Utvärdering av betygsdistributioner och studentprestationer
**Väder**: Bedömning av temperaturvariabilitet och vädermönster
**Hälsa**: Analys av patientdata och behandlingsresultat
**Sport**: Utvärdering av prestationskonsistens för spelare

Relation till Varians

Varians och standardavvikelse är nära relaterade mått på spridning. Varians är medelvärdet av de kvadrerade avvikelserna från medelvärdet, medan standardavvikelse är kvadratroten av variansen.

Standardavvikelse föredras ofta framför varians eftersom den uttrycks i samma enheter som originaldata, vilket gör den mer tolkningsbar. Om du till exempel mäter höjder i centimeter kommer standardavvikelsen också att vara i centimeter, medan variansen skulle vara i kvadratcentimeter.

Vanliga frågor

Vad är skillnaden mellan populations och urvals standardavvikelse?: Populations standardavvikelse (σ) används när du har data från hela populationen och delar med N. Urvals standardavvikelse (s) används för en delmängd av populationen och delar med N-1 (Bessels korrektion) för att ge en ofördomsfri uppskattning. Använd urvals standardavvikelse när du arbetar med ett urval för att dra slutsatser om den större populationen.
Varför är standardavvikelse mer användbar än varians?: Även om båda mäter spridning, är standardavvikelse i samma enheter som originaldata, vilket gör den mer intuitiv att tolka. Om du till exempel mäter testresultat (0-100), är en standardavvikelse på 15 poäng lättare att förstå än en varians på 225 poäng².
Vad indikerar en hög standardavvikelse?: En hög standardavvikelse indikerar att datapunkter är spridda över ett brett område av värden, vilket visar hög variabilitet eller mångfald i datasetet. Detta kan betyda inkonsekvent data, olika urval eller en bred fördelning av värden.
Kan standardavvikelse vara negativ?: Nej, standardavvikelse är alltid noll eller positiv. Den beräknas som kvadratroten av varians, vilket är medelvärdet av kvadrerade värden. En standardavvikelse på noll betyder att alla värden i datasetet är identiska.
Vad är den empiriska regeln för standardavvikelse?: Den empiriska regeln (68-95-99.7 regeln) gäller för normalfördelningar: cirka 68% av data faller inom 1 standardavvikelse från medelvärdet, 95% inom 2 standardavvikelser, och 99.7% inom 3 standardavvikelser. Detta hjälper dig förstå hur data är fördelad runt medelvärdet.

Relaterade Kalkylatorer

Statistik