ค่าเบี่ยงเบนมาตรฐาน
ค่าเบี่ยงเบนมาตรฐาน หรือ ส่วนเบี่ยงเบนมาตรฐาน หรือ ความเบี่ยงเบนมาตรฐาน (อังกฤษ: standard deviation: SD) ในทางสถิติศาสตร์และความน่าจะเป็น เป็นการวัดการกระจายแบบหนึ่งของกลุ่มข้อมูล สามารถนำไปใช้กับการแจกแจงความน่าจะเป็น ตัวแปรสุ่ม ประชากร หรือมัลติเซต ค่าเบี่ยงเบนมาตรฐานมักเขียนแทนด้วยอักษรกรีกซิกมาตัวเล็ก (σ) นิยามขึ้นจากส่วนเบี่ยงเบนแบบ root mean square (RMS) กับค่าเฉลี่ย หรือนิยามขึ้นจากรากที่สองของความแปรปรวน
ค่าเบี่ยงเบนมาตรฐานคิดค้นโดย ฟรานซิส กาลตัน (Francis Galton) ในช่วงปลายคริสต์ทศวรรษ 1860 [1] เป็นการวัดการกระจายทางสถิติที่เป็นปกติทั่วไป ใช้สำหรับเปรียบเทียบว่าค่าต่างๆ ในเซตข้อมูลกระจายตัวออกไปมากน้อยเท่าใด หากข้อมูลส่วนใหญ่อยู่ใกล้ค่าเฉลี่ยมาก ค่าเบี่ยงเบนมาตรฐานก็จะมีค่าน้อย ในทางกลับกัน ถ้าข้อมูลแต่ละจุดอยู่ห่างไกลจากค่าเฉลี่ยเป็นส่วนมาก ค่าเบี่ยงเบนมาตรฐานก็จะมีค่ามาก และเมื่อข้อมูลทุกตัวมีค่าเท่ากันหมด ค่าเบี่ยงเบนมาตรฐานจะมีค่าเท่ากับศูนย์ นั่นคือไม่มีการกระจายตัว คุณสมบัติที่เป็นประโยชน์อย่างหนึ่งก็คือ ค่าเบี่ยงเบนมาตรฐานใช้หน่วยอันเดียวกันกับข้อมูล แต่กับความแปรปรวนนั้นไม่ใช่
เมื่อตัวอย่างของข้อมูลกลุ่มหนึ่งถูกเลือกมาจากประชากรทั้งหมด ค่าเบี่ยงเบนมาตรฐานของประชากรสามารถประมาณค่าได้จากค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่างนั้น
นิยาม
แก้ค่าเบี่ยงเบนมาตรฐานของตัวแปรสุ่ม X มีการนิยามไว้ดังนี้
เมื่อ E(X) หมายถึงค่าคาดหมายของ X (เป็นอีกความหมายหนึ่งของมัชฌิม) และ Var(X) หมายถึงความแปรปรวนของ X
แต่ก็ไม่ใช่ว่าตัวแปรสุ่มทุกตัวจะมีค่าเบี่ยงเบนมาตรฐาน ถ้าหากค่าคาดหมายไม่มีอยู่จริงหรือไม่นิยาม ตัวอย่างเช่น ค่าเบี่ยงเบนมาตรฐานของตัวแปรสุ่มภายใต้การแจกแจงโคชี (Cauchy distribution) จะไม่นิยาม เพราะว่า E(X) ก็ไม่นิยามเช่นกัน
ถ้าตัวแปรสุ่ม X มีพื้นฐานอยู่บนเซตข้อมูล ซึ่งสมาชิกเป็นจำนวนจริงและมีความน่าจะเป็นเท่ากัน ดังนั้นค่าเบี่ยงเบนมาตรฐานสามารถคำนวณได้จากสูตรข้างล่างนี้ อันดับแรกต้องคำนวณหาค่าเฉลี่ยของ X เสียก่อน ค่าเฉลี่ยเขียนแทนด้วย ซึ่งนิยามด้วยผลรวม (summation) ดังนี้
เมื่อ N คือจำนวนสมาชิกของเซตข้อมูล จากนั้นจึงสามารถคำนวณค่าเบี่ยงเบนมาตรฐานได้จาก
ในทางปฏิบัติ การคำนวณค่าเบี่ยงเบนมาตรฐานของตัวแปรสุ่มชนิดไม่ต่อเนื่องข้างต้น สามารถสรุปได้ดังนี้
- สำหรับแต่ละค่าของ ให้คำนวณผลต่างของ
- นำผลต่างแต่ละตัวมายกกำลังสอง
- บวกผลลัพธ์ทั้งหมดเข้าด้วยกันแล้วหารด้วย N ค่าที่ได้นี้คือความแปรปรวน
- คำนวณหารากที่สองที่เป็นบวกของความแปรปรวน จะได้ค่าเบี่ยงเบนมาตรฐาน
นอกจากนั้นสูตรดังกล่าวสามารถดัดแปลงให้เป็นอีกรูปแบบหนึ่งได้ดังนี้
ซึ่งความเท่ากันของทั้งสองสูตร สามารถพิสูจน์ได้ด้วยความรู้ทางพีชคณิต
การประมาณค่าเบี่ยงเบนมาตรฐานของประชากร
แก้ในความเป็นจริง การคำนวณหาค่าเบี่ยงเบนมาตรฐานของประชากรทั่วทั้งหมดนั้น อาจไม่สามารถทำให้เกิดขึ้นจริงได้ เว้นแต่ในกรณีเฉพาะเช่นการทดสอบมาตรฐาน (standardized test) ซึ่งทุกสมาชิกของประชากรจะถือว่าเป็นกลุ่มตัวอย่างทั้งหมด แต่ในกรณีส่วนใหญ่ ค่าเบี่ยงเบนมาตรฐานจะถูกคาดคะเนจากจากส่วนเบี่ยงเบนของตัวอย่างกลุ่มหนึ่งที่มาจากประชากร การวัดที่มักถูกใช้เป็นปกติทั่วไปคือ ค่าเบี่ยงเบนมาตรฐานของตัวอย่าง (sample standard deviation) ซึ่งนิยามโดย
เมื่อ คือตัวอย่างและ คือค่าเฉลี่ยของตัวอย่าง ตัวส่วน N − 1 คือองศาเสรี (degrees of freedom) ของเวกเตอร์
เหตุผลของการนิยามเช่นนี้คือ เป็นตัวประมาณค่าไม่เอนเอียง (unbiased estimator) สำหรับความแปรปรวน บนประชากรที่เป็นพื้นฐาน ถ้าหากความแปรปรวนนั้นมีค่า และค่าต่างๆ ของตัวอย่างได้รับการสุ่มออกมาโดยอิสระต่อกัน อย่างไรก็ตาม s ไม่ใช่ตัวประมาณค่าไม่เอนเอียงของ σ แต่เป็นการประเมินค่าที่ต่ำกว่าค่าเบี่ยงเบนมาตรฐานของประชากร และถึงแม้ว่าตัวประมาณค่าไม่เอนเอียงของ σ จะสามารถทราบได้เมื่อตัวแปรสุ่มมีการแจกแจงปกติ แต่สูตรดังกล่าวจะซับซ้อนขึ้นและมีการปรับแต่งตัวเลข ยิ่งกว่านั้นความไม่เอนเอียงก็ไม่ได้เป็นที่ต้องการเสมอไป
ตัวประมาณค่าอีกแบบหนึ่งบางครั้งก็ถูกใช้เหมือนสูตรเดิม
รูปแบบนี้จะทำให้เกิดค่าคลาดเคลื่อนประเภท mean squared error น้อยกว่าตัวประมาณค่าไม่เอนเอียง และเป็นการประมาณความควรจะเป็นสูงสุด (maximum likelihood) เมื่อการกระจายของประชากรนั้นเป็นการแจกแจงปกติ
ค่าเบี่ยงเบนมาตรฐานของตัวแปรสุ่มชนิดต่อเนื่อง
แก้การแจกแจงต่อเนื่อง (continuous distribution) มักจะเป็นการให้สูตรมาเพื่อคำนวณหาค่าเบี่ยงเบนมาตรฐานเป็นฟังก์ชันของพารามิเตอร์ของการแจกแจง ในกรณีทั่วไปค่าเบี่ยงเบนมาตรฐานของตัวแปรสุ่มชนิดต่อเนื่อง X โดยมี p(x) เป็นฟังก์ชันความหนาแน่นของความน่าจะเป็น (probability density function) สามารถคำนวณได้จาก
เมื่อ
คุณสมบัติของค่าเบี่ยงเบนมาตรฐาน
แก้เมื่อ c เป็นค่าคงตัว และ Covar(X, Y) คือความแปรปรวนร่วมเกี่ยว (covariance) ของตัวแปรสุ่ม X และ Y
อ้างอิง
แก้แหล่งข้อมูลอื่น
แก้- A Guide to Understanding & Calculating Standard Deviation เก็บถาวร 2010-04-20 ที่ เวย์แบ็กแมชชีน
- Standard Deviation - an explanation without maths
- Standard Deviation, an elementary introduction
- Standard Deviation, a simpler explanation for writers and journalists
- Standard Deviation Calculator เก็บถาวร 2013-10-22 ที่ เวย์แบ็กแมชชีน
- Texas A&M Standard Deviation and Confidence Interval Calculators เก็บถาวร 2010-01-12 ที่ เวย์แบ็กแมชชีน