Variationskoefficient-kalkylator
Beräkna variationskoefficienten (CV), ett dimensionslöst mått på relativ variabilitet definierat som standardavvikelsen dividerad med medelvärdet, uttryckt i procent. Används för att jämföra variabilitet mellan datamängder med olika enheter, storleksordningar eller sammanhang — investeringsrisk, biologisk variation, mätprecision.
Last updated: May 2026
Jämför med liknande
Om denna räknare
Variationskoefficienten är CV = (σ / μ) × 100 % för en population eller CV = (s / x̄) × 100 % för ett stickprov, uttryckt i procent. Genom att dividera standardavvikelsen med medelvärdet blir CV ett enhetslöst tal som möjliggör jämförelse av variabilitet mellan datamängder med helt olika skalor — årsavkastning för en aktie (medel 8 %, SD 15 %, CV ≈ 187 %) jämfört med kroppsvikt i en studie (medel 70 kg, SD 10 kg, CV ≈ 14 %). Utan denna normalisering är det meningslöst att jämföra 'spridning' mellan sådana olika storheter. CV används i stor utsträckning inom finans (relativ risk: tillgångar med samma förväntade avkastning men högre CV är mer riskfyllda), biologi (relativ variation mellan organismer), teknik (konsistens i tillverkningsprocesser) och analytisk kemi (precision vid upprepade mätningar, där CV < 5 % är bra och CV > 15 % tyder på metodproblem). Variabler: σ eller s är standardavvikelsen i samma enhet som data; μ eller x̄ är medelvärdet i samma enhet; kvoten är enhetslös och multipliceras med 100 för att uttryckas i procent. Specialfall: CV är odefinierat när medelvärdet är noll (division med noll) — och meningslöst när medelvärdet är litet i förhållande till brusflödet, eftersom små medelvärden ger stora kvoter som inte speglar verklig variation. CV är också instabilt för variabler som kan anta både positiva och negativa värden (portföljavkastningar kan vara negativa), eftersom medelvärdets tecken beror på stickprovet. Använd CV endast när variabeln är strikt positiv på naturlig skala (koncentrationer, massor, tider, kvoter) eller när både medelvärde och standardavvikelse är otvetydigt väldefinierade för tillämpningen.
Hur du använder den
Exempel 1 — Jämförelse av två tillverkningslinjer. Linje A producerar bultar med medellängden 50 mm och SD 0,5 mm. Linje B producerar brickor med medeldiametern 20 mm och SD 0,3 mm. Vilken är mer precis relativt sin storlek? Linje A: CV = (0,5/50) × 100 = 1,0 %. Linje B: CV = (0,3/20) × 100 = 1,5 %. ✓ Linje A är mer precis på relativ basis — dess variation är 1 % av medelvärdet, jämfört med 1,5 % för Linje B. Bägge visar utmärkt precision för tillverkning (CV < 5 % är typiskt för bra processer); jämförelsen hade varit omöjlig utan normalisering med medelvärdet, eftersom de absoluta SD-värdena är vilseledande lika (0,5 vs 0,3 mm). Exempel 2 — Jämförelse av investeringsrisk. Aktie X har en genomsnittlig årsavkastning på 8 % med SD 12 %. Aktie Y har en genomsnittlig årsavkastning på 15 % med SD 25 %. Vilken innebär mer risk per enhet avkastning? Aktie X: CV = (12/8) × 100 = 150 %. Aktie Y: CV = (25/15) × 100 ≈ 167 %. ✓ Aktie Y har något högre CV — något mer risk per procentenhet avkastning — så den riskjusterade jämförelsen missgynnar Y trots dess högre förväntade absoluta avkastning. Inom finans är inversen (medel/SD = Sharpe-liknande kvot) vanligare; CV ger samma rangordning men med ett högre värde som indikerar sämre snarare än bättre.
Vanliga frågor
Varför använda variationskoefficienten istället för enbart standardavvikelsen?
Standardavvikelsen har enheter (kg, $, °C) och samma absoluta SD kan betyda helt olika saker beroende på datans skala. En SD på 10 kg är enorm för vuxna människor (medelvikt ~70 kg, CV ~14 %) men försumbar för elefanter (medelvikt ~6 000 kg, CV ~0,17 %). Utan att dividera med medelvärdet går det inte att jämföra 'hur variabla' två helt olika datamängder är. CV löser detta genom att vara enhetslöst — det anger hur stor andel av medelvärdet som standardavvikelsen utgör. Det gör CV idealiskt för att jämföra precision hos mätmetoder (ett CV på 2 % är bra oavsett om man mäter mg/L eller mol/L), för att jämföra biologisk variation mellan arter, finansiell volatilitet mellan tillgångar på olika prisnivåer, och i alla sammanhang där variabelns skala inte är fixerad.
Vad är ett 'bra' eller 'högt' CV?
Det beror på sammanhanget. Inom analytisk kemi anses CV < 5 % vara god precision, medan CV > 15 % vanligtvis är oacceptabelt. Inom biologisk mätning är CV upp till 20 % normalt för många egenskaper. På finansmarknader är CV långt över 100 % vanligt (aktier har rutinmässigt SD > medelvärde). Inom tillverkning är CV < 1 % standard för högprecisionsprocesser. Det finns ingen universell gräns för 'bra' eller 'dåligt' CV — varje fält har sina egna konventioner baserade på vad som är uppnåeligt för den typen av mätning. När CV överstiger 100 % är SD större än medelvärdet, vilket indikerar antingen mycket hög variabilitet eller ett nära-noll medelvärde; i båda fallen är CV inte längre ett användbart sammanfattningsmått eftersom relativ variation blir meningslös. Tolka alltid CV i förhållande till konventionerna inom ditt specifika fält.
När är CV opålitligt eller missvisande?
CV är opålitligt när medelvärdet är nära noll — ett litet medelvärde blåser upp CV oavsett hur liten SD är. Till exempel ger dagliga aktiekursförändringar med medel 0,05 % och SD 1 % ett CV på 2 000 %, vilket får variationen att se extrem ut men egentligen bara speglar att det genomsnittliga dagliga avkastningen är försumbar. CV är också problematiskt för variabler som kan anta negativa värden: portföljavkastningar, temperaturförändringar, tillväxttakter — medelvärdets tecken beror på stickprovet, vilket gör CV teckenberoende och svårtolkat. CV förutsätter att variabeln har en naturlig nollpunkt (massa, tid, koncentration); det fungerar inte för variabelinter med godtycklig nollpunkt som Celsius-temperatur. CV brister också vid kraftigt snedfördelade data där medelvärde och SD ändå inte sammanfattar spridningen väl. I alla dessa fall bör du använda absolut SD med lämplig skalning, kvantilbaserade spridningsmått (IQR) eller ett annat relativt variabilitetsindex.
Vilka är de vanligaste misstagen vid användning av CV?
Det första är att använda CV på variabler som kan vara negativa (portföljavkastningar, temperaturavvikelser) — medelvärdets tecken påverkar tolkningen och gör CV ofta meningslöst. Det andra är att beräkna CV när medelvärdet är mycket litet i förhållande till SD; detta ger enorma CV-värden som ser imponerande ut men egentligen bara speglar den lilla nämnaren. Det tredje är att jämföra CV för mätningar med olika transformationer — logaritmiskt transformerade data har ett annat CV än rådata, och de två är inte direkt jämförbara. Det fjärde är att använda CV som enda sammanfattning för en multimodal fördelning; liksom medelvärdet och SD det bygger på förutsätter CV unimodalt symmetrisk data. Det femte är att glömma procentkonventionen — CV multipliceras konventionellt med 100, men en del program returnerar råkvoten, och om de blandas uppstår 100×-fel. Det sjätte är att behandla CV som ett mått på snedhet eller form; det är det inte — det är enbart ett relativt spridningsmått och säger ingenting om fördelningens form.
När bör jag inte använda den här kalkylatorn?
Undvik den när medelvärdet är nära noll eller kan vara negativt — CV är odefinierat eller missvisande i bägge fallen. Använd den inte för ordinala eller kategoriska data där medelvärde och SD saknar tydlig innebörd. Det är fel verktyg för logaritmiskt transformerade data där den geometriska variationskoefficienten (GCV) är mer lämplig. Använd den inte för tidsserier med autokorrelation, där den grundläggande SD underskattar verklig variabilitet och CV ärver snedvridningen. Undvik den för kraftigt snedfördelade fördelningar där medelvärdet inte är ett representativt centralmått; använd istället medianens absoluta avvikelse (MAD) dividerat med medianen. Och använd den inte som enda sammanfattningsmått — komplettera med råvärden för medelvärde, SD och ett histogram eller lådagram så att läsarna kan se den underliggande fördelningens form, inte bara den relativa variabilitetskvoten.