Davided.

Kalkulator odchylenia standardowego

Oblicz odchylenie standardowe, wariancję i średnią dla próby lub populacji — wpisz dane, wybierz metodę i zobacz wynik z interpretacją.

✓ Ostatnia weryfikacja: Źródła: NIST/SEMATECH e-Handbook of Statistical Methods — 1.3.5.6 Measures of Scale

Zgłoś poprawkę

Widzisz błędny wynik, etykietę albo literówkę? Napisz — czytamy każde zgłoszenie.

Rozpoznane wartości: 0

Wpisz liczby oddzielone spacją, średnikiem lub nową linią — np. 2 4 4 4 5 5 7 9. Ułamki zapisuj z przecinkiem, np. 2,5

Wybierz "próba", gdy Twoje dane to część większej grupy, o której wnioskujesz (dzielenie przez n−1, korekta Bessela). Wybierz "populacja", gdy Twoje dane to cała interesująca Cię grupa (dzielenie przez n). Oba wyniki są zawsze pokazane poniżej.

Opcje zaawansowane

Twój wynik

Uzupełnij pola powyżej, aby zobaczyć wynik.

Powiązane kalkulatory

Co liczy kalkulator odchylenia standardowego

Kalkulator odchylenia standardowego zamienia listę liczb w komplet informacji o tym, jak bardzo rozrzucone są Twoje dane. Wklej dowolny zbiór wartości — wyniki testu, pomiary, ceny, stopy zwrotu, cokolwiek liczbowego — wybierz, czy to próba czy populacja, a kalkulator zwraca liczność, sumę, średnią, wariancję i odchylenie standardowe, a do tego błąd standardowy średniej.

Nie musisz wybierać jednej interpretacji kosztem drugiej — odchylenie standardowe próbki (s) i odchylenie standardowe populacji (σ) są pokazane zawsze, obok siebie, niezależnie od ustawienia przełącznika. Przełącznik decyduje tylko, która z tych dwóch liczb staje się wyróżnionym wynikiem głównym — to ważne, bo pomylenie tych dwóch wartości jest najczęstszym błędem przy tej statystyce.

Włącz opcję „pokaż kroki obliczeń“, a zobaczysz tabelę wiersz po wierszu: każdą wartość, jej odchylenie od średniej i kwadrat tego odchylenia — dokładnie tę samą arytmetykę, którą kalkulator liczy w środku, rozpisaną tak, żebyś mógł ją sprawdzić albo potraktować jako gotowy przykład krok po kroku.

Jak korzystać z kalkulatora

  1. Wpisz swoje dane. Wpisz albo wklej liczby do pola wartości, oddzielone spacją, średnikiem lub nową linią — np. 2 4 4 4 5 5 7 9. Puste wpisy są pomijane automatycznie.
  2. Wybierz próbę lub populację. Wybierz „próba“, jeśli Twoje liczby to część większej grupy, o której chcesz wnioskować (ankieta, partia testowa, kilka pomiarów). Wybierz „populacja“, jeśli Twoje liczby to cała interesująca Cię grupa (wszyscy uczniowie jednej klasy, każda sztuka wyprodukowana w tym tygodniu).
  3. Odczytaj wynik. Główne odchylenie standardowe odpowiada wybranemu trybowi, a pod nim zawsze widzisz obie wartości — dla próbki i dla populacji — razem z wariancją, średnią, sumą, licznością i błędem standardowym średniej.
  4. Opcjonalnie: pokaż kroki obliczeń. Rozwiń „pokaż kroki obliczeń“, żeby zobaczyć odchylenie każdej wartości od średniej i jego kwadrat, wraz z podsumowaniem — przydaje się, gdy chcesz sprawdzić rachunek albo prześledzić go ręcznie.

Jak liczone jest odchylenie standardowe: próba a populacja

Obliczenia zaczynają się tak samo, niezależnie od wybranego trybu:

  1. Policz liczbę wartości (n) i zsumuj je (suma).
  2. Podziel sumę przez n, żeby dostać średnią.
  3. Dla każdej wartości odejmij średnią, żeby dostać jej odchylenie, a następnie podnieś to odchylenie do kwadratu.
  4. Zsumuj wszystkie kwadraty odchyleń, żeby dostać sumę kwadratów odchyleń.

Od tego miejsca oba tryby dzielą przez inną liczbę:

Odchylenie standardowe populacji (σ) — używaj, gdy Twoje dane to cała interesująca Cię grupa:

σ² = (suma kwadratów odchyleń) ÷ n, oraz σ = √σ²

Odchylenie standardowe próbki (s) — używaj, gdy Twoje dane to próba wyciągnięta z większej populacji, którą szacujesz:

s² = (suma kwadratów odchyleń) ÷ (n − 1), oraz s = √s²

To n − 1 to korekta Bessela. Średnia policzona z samej próby z definicji jest tą wartością, która minimalizuje rozrzut wewnątrz akurat tej próby — więc liczenie odchyleń od niej i dzielenie przez n systematycznie zaniżałoby prawdziwą wariancję populacji. Dzielenie przez n − 1 koryguje to obciążenie. Dlatego odchylenie standardowe próbki jest zawsze odrobinę większe niż odchylenie standardowe populacji dla tych samych danych — i dlatego do jego policzenia potrzeba co najmniej 2 wartości (przy n = 1 mamy n − 1 = 0, a dzielenie przez zero nie ma wyniku).

Przykład krok po kroku

Weźmy klasyczny zbiór 2, 4, 4, 4, 5, 5, 7, 9 (n = 8):

  1. Suma = 2+4+4+4+5+5+7+9 = 40. Średnia = 40 ÷ 8 = 5.
  2. Odchylenia od średniej: −3, −1, −1, −1, 0, 0, 2, 4.
  3. Kwadraty odchyleń: 9, 1, 1, 1, 0, 0, 4, 16.
  4. Suma kwadratów odchyleń = 32.
  5. Wariancja populacji = 32 ÷ 8 = 4; odchylenie standardowe populacji = √4 = 2.
  6. Wariancja próbki = 32 ÷ 7 ≈ 4,5714; odchylenie standardowe próbki = √4,5714 ≈ 2,1381.
  7. Błąd standardowy średniej = 2,1381 ÷ √8 ≈ 0,7559.

Dla tych samych ośmiu liczb odchylenie standardowe populacji wynosi dokładnie 2, odchylenie standardowe próbki około 2,1381, a kalkulator pokazuje obie wartości naraz — z podpisami, więc zawsze wiesz, która jest która.

Warto wiedzieć, dlaczego kalkulator najpierw liczy średnią, a dopiero potem odchylenia, zamiast skrótowego wzoru „suma kwadratów“ znanego z niektórych podręczników: gdy wartości są bliskie jakiejś ogromnej wspólnej liczbie (powiedzmy, wszystkie w okolicach 1 000 000 010), skrótowy wzór odejmuje od siebie dwie ogromne, niemal identyczne liczby i może stracić na tyle dużo precyzji, że da w wyniku ujemną wariancję — co matematycznie jest niemożliwe. Liczenie najpierw średniej, a potem kwadratów odchyleń od niej, całkowicie omija tę pułapkę i zawsze daje poprawny, nieujemny wynik.

Jak czytać wynik: wariancja, średnia i błąd standardowy (SEM)

Wariancja to odchylenie standardowe podniesione do kwadratu — ta sama miara rozrzutu, tylko w jednostkach kwadratowych. Jest matematycznie kluczowa (to właśnie ona powstaje w obliczeniach dwuprzebiegowych, zanim weźmiemy pierwiastek), ale trudniej ją interpretować wprost, bo jej jednostki nie odpowiadają Twoim danym: jeśli wartości są w kilogramach, wariancja wychodzi w kilogramach do kwadratu. Odchylenie standardowe, wracając do jednostek oryginalnych danych, to ta wartość, którą najczęściej czytamy i porównujemy.

Średnia i suma to po prostu przeciętna i łączna wartość Twoich danych — kontekst dla miar rozrzutu, a nie sama miara rozrzutu.

Błąd standardowy średniej (SEM) to zupełnie inne pytanie: nie „jak bardzo rozrzucone są moje dane?“, tylko „jak precyzyjnie średnia z mojej próby szacuje prawdziwą średnią całej populacji?”. Liczy się go jako odchylenie standardowe próbki podzielone przez pierwiastek z n. Dla przykładu powyżej: SEM = 2,1381 ÷ √8 ≈ 0,7559 — wyraźnie mniej niż samo odchylenie standardowe, a ta różnica rośnie wraz z większą próbą. Właśnie dlatego SEM nie powinien zastępować odchylenia standardowego przy opisywaniu rozrzutu danych — takie podstawienie sprawia, że dane wyglądają na sztucznie bardziej zwarte, niż są w rzeczywistości. Odchylenia standardowego używaj do opisu rozrzutu danych, a SEM — tylko gdy mówisz o precyzji oszacowanej średniej.

Najczęstsze pytania

Czym różni się odchylenie standardowe próby od odchylenia standardowego populacji i kiedy używać n, a kiedy n−1?

Odchylenie standardowe populacji dzieli przez n i opisuje kompletny zbiór danych — używaj go, gdy Twoje liczby to cała interesująca Cię grupa. Odchylenie standardowe próbki dzieli przez n−1 (korekta Bessela) i szacuje rozrzut większej populacji na podstawie wycinka — używaj go, gdy Twoje liczby to próba. Korekta istnieje, bo średnia policzona z samej próby lekko zaniża prawdziwy rozrzut populacji, więc dzielenie przez mniejszą liczbę to kompensuje. Ten kalkulator pokazuje obie wartości naraz, więc nigdy nie musisz zgadywać, która pasuje do Twojego przypadku.

Czym różni się odchylenie standardowe od błędu standardowego średniej (SEM)?

Odchylenie standardowe mierzy, jak bardzo rozrzucone są Twoje dane. SEM mierzy, jak precyzyjnie średnia z Twojej próby szacuje prawdziwą średnią populacji, i liczy się go jako SD ÷ √n — więc zawsze jest mniejszy od odchylenia standardowego i maleje jeszcze bardziej wraz ze wzrostem próby. To odpowiedzi na różne pytania: odchylenia standardowego używaj, opisując zmienność danych, a SEM (albo przedziału ufności) — raportując precyzję średniej. Użycie SEM do opisania rozrzutu danych sprawia, że wyniki wyglądają na bardziej spójne, niż są naprawdę — to częsta i myląca pomyłka w raportach i publikacjach.

Czym różni się odchylenie standardowe od wariancji?

Wariancja to średnia z kwadratów odchyleń od średniej; odchylenie standardowe to jej pierwiastek kwadratowy. Obie miary niosą tę samą informację o rozrzucie, ale wariancja jest w jednostkach kwadratowych (trudniej ją odnieść do oryginalnych danych), a odchylenie standardowe jest w tych samych jednostkach co dane — dlatego to właśnie tę wartość najczęściej się czyta i cytuje. Kalkulator liczy wariancję jako krok pośredni i pokazuje obie wartości.

Jak interpretować wysokie albo niskie odchylenie standardowe?

Niskie odchylenie standardowe oznacza, że Twoje wartości skupiają się blisko średniej; wysokie — że są rozrzucone szerzej. Nie ma jednego uniwersalnego progu „wysokiego“ czy „niskiego“ — wszystko zależy od jednostek i typowej skali Twoich danych, więc odchylenie standardowe równe 5 jest ogromne dla rozmiarów butów, a znikome dla rocznych wynagrodzeń. Sensowne porównanie jest zawsze względne: do średniej, do wcześniejszego pomiaru tej samej wielkości albo do innego zbioru zmierzonego w ten sam sposób.

Czy odchylenie standardowe może być ujemne albo zerowe?

Nigdy nie może być ujemne — to pierwiastek ze średniej kwadratów, a obie te wartości są zawsze nieujemne. Może natomiast być dokładnie zerowe: dzieje się tak, gdy wszystkie wartości w zbiorze są identyczne, czyli nie ma żadnego rozrzutu. Odchylenie standardowe równe 0 to poprawny, sensowny wynik, a nie błąd.

W jakich jednostkach wyraża się odchylenie standardowe?

W tych samych jednostkach co dane wejściowe. Jeśli liczysz odchylenie standardowe wag w kilogramach, wynik wychodzi w kilogramach; dla temperatur w stopniach Celsjusza — w stopniach Celsjusza. To jeden z powodów, dla których odchylenie standardowe łatwiej interpretować niż wariancję, która wychodzi w jednostkach kwadratowych (kilogramy do kwadratu, stopnie do kwadratu) niemającej fizycznego odpowiednika.

Ile danych potrzeba, żeby odchylenie standardowe było wiarygodne?

Odchylenie standardowe próbki jest matematycznie zdefiniowane już od n = 2, ale wynik z zaledwie 2–3 punktów jest bardzo wrażliwy na każdą pojedynczą wartość i rzadko wiarygodny. Jako orientacyjną wskazówkę: powyżej około 10 obserwacji oszacowanie zaczyna być realnie stabilne, a wiarygodność rośnie dalej wraz z n — nie ma jednego sztywnego progu, jest za to stopniowe zmniejszanie się wpływu pojedynczej wartości odstającej na wynik.

Jak policzyć odchylenie standardowe w Excelu albo Arkuszach Google?

W obu narzędziach działają te same dwie funkcje: ODCH.STANDARD.PRÓBKI() (angielski STDEV.S()) dla odchylenia standardowego próbki (dzieli przez n−1) i ODCH.STANDARDOWE() (angielski STDEV.P()) dla odchylenia standardowego populacji (dzieli przez n) — dokładnie odpowiadają dwóm trybom w tym kalkulatorze. Uważaj, jeśli korzystasz też z Pythona: numpy.std() domyślnie liczy wariant populacyjny (ddof=0), a .std() z biblioteki pandas domyślnie liczy wariant próbki (ddof=1) — te same dane mogą po cichu dać dwa różne wyniki w zależności od tego, która biblioteka je policzyła, co jest bardzo częstym źródłem pytań „dlaczego to nie zgadza się z Excelem“.

Źródła