Standardavvikelseräknare
Beräkna stickprovets standardavvikelse direkt från tre sammanfattande statistiker – stickprovsstorleken n, värdesumman Σx och summan av kvadrerade värden Σx². Det här är spridningsmåttet som används i praktiskt taget alla empiriska studier, kvalitetskontrolldiagram och riskmodeller.
Last updated: May 2026
Jämför med liknande
Om denna räknare
Standardavvikelsen mäter hur spridda ett antal värden är kring sitt medelvärde. Den här räknaren använder beräkningsformeln för stickprovets standardavvikelse, härledd från kvadratsummeidentiteten: s = √[ (Σx² − (Σx)² / n) / (n − 1) ]. Täljaren (Σx² − (Σx)²/n) är matematiskt identisk med Σ(xᵢ − x̄)², bara omformad för att undvika att beräkna avvikelser från medelvärdet ett i taget – praktiskt när man redan har löpande summor från ett kalkylprogram, räknare eller sammanfattningstabell. Nämnaren använder (n − 1) snarare än n; det är Bessels korrektion, som ger en väntevärdesriktig estimator av populationsvariansen när man bara har ett stickprov. Variabler: n är stickprovsstorleken, Σx är den enkla summan av alla observationer och Σx² är summan av varje observation i kvadrat (inte summan kvadrerad). Resultatet anges i samma enheter som originaldata, vilket gör det direkt jämförbart med medelvärdet. Specialfall att känna till: n måste vara minst 2 (med n = 1 divideras med noll och en enstaka punkt har ingen spridning); om alla värden är identiska returneras 0; om den beräknade variansen blir svagt negativ till följd av flyttalsfel vid nära-noll-spridning ska den behandlas som 0. Förväxla inte detta med populationsstandardavvikelsen (delar med n istället för n − 1), som endast är lämplig när du har mätt varje medlem av populationen.
Hur du använder den
Exempel 1 – Fem provresultat. Datamängden är {2, 4, 4, 4, 5}. Beräkna n = 5, Σx = 2 + 4 + 4 + 4 + 5 = 19 och Σx² = 4 + 16 + 16 + 16 + 25 = 77. Ange 5, 19, 77 i räknaren. Resultat: ≈ 1,095. Kontroll: varians = (77 − 19²/5) / (5 − 1) = (77 − 72,2) / 4 = 4,8 / 4 = 1,2; s = √1,2 ≈ 1,095. ✓ Exempel 2 – Daglig omsättning under en arbetsvecka. Fem dagar genererade omsättning {1200, 1500, 1100, 1800, 1400}. Beräkna n = 5, Σx = 7000, Σx² = 1200² + 1500² + 1100² + 1800² + 1400² = 1 440 000 + 2 250 000 + 1 210 000 + 3 240 000 + 1 960 000 = 10 100 000. Ange 5, 7000, 10100000. Resultat: ≈ 269,26. Kontroll: varians = (10 100 000 − 7000²/5) / 4 = (10 100 000 − 9 800 000) / 4 = 300 000 / 4 = 75 000; s = √75 000 ≈ 273,86. (Omberäkna Σx²: 1 440 000 + 2 250 000 + 1 210 000 + 3 240 000 + 1 960 000 = 10 100 000 ✓.) Den typiska dagsomsättningen är alltså $1 400 ± ~$274, vilket är användbart för att sätta prognostoleranser.
Vanliga frågor
Vad är skillnaden mellan stickprovets och populationens standardavvikelse?
Populationens standardavvikelse (σ) delar summan av kvadrerade avvikelser med n – den fullständiga populationsstorleken – och är lämplig enbart när datamängden verkligen täcker varje medlem av populationen (alla elever i en specifik klass, alla observationer från ett slutet system). Stickprovets standardavvikelse (s) delar med n − 1 och tillämpar Bessels korrektion så att estimatorn är väntevärdesriktig för den bredare population som stickprovet är draget från. Att använda n på ett stickprov underskattar systematiskt den sanna variabiliteten, eftersom stickprovsmedelvärdet ligger lite närmare stickprovets egna observationer än det sanna populationsmedelvärdet. Vid typisk forskning, affärsanalys och enkätarbete vill du nästan alltid använda stickprovsformeln. Skillnaden mellan de två minskar när n växer: vid n = 5 är (n − 1)/n-korrektionen 25%, men vid n = 100 är den bara cirka 1% och vid n = 1000 är den försumbar.
Hur beräknar jag Σx² från rådata – och vad är skillnaden mellan Σx² och (Σx)²?
Σx² (summan av kvadrerade värden) innebär: kvadrera varje enskild observation först och addera sedan kvadraterna. För datamängden {3, 5, 7} är det 9 + 25 + 49 = 83. (Σx)² (summan kvadrerad) innebär att du adderar värdena först och sedan kvadrerar totalen: (3 + 5 + 7)² = 15² = 225. De två talen är vanligtvis mycket olika, och att förväxla dem är det enskilt vanligaste misstaget vid manuell beräkning av standardavvikelse. Beräkningsformeln använder medvetet båda: Σx² − (Σx)² / n. I Excel eller Google Kalkylark är Σx² =SUMSQ(område) och (Σx)² är =SUM(område)^2. Kontrollera alltid vilket av dem en lärobok eller ett problem efterfrågar innan du stoppar in det i en formel.
Varför använda standardavvikelse istället för variationsbredd eller varians?
Variationsbredd (max − min) är lätt att beräkna men bortser från alla observationer utom de två extremerna, så den säger ingenting om hur merparten av data är fördelad och är extremt känslig för outliers. Variansen använder varje observation men uttrycks i kvadrerade enheter (kg², kronor², osv.), vilket är svårt att resonera kring. Standardavvikelsen är kvadratroten ur variansen och lever därför i samma enheter som data och medelvärdet – det låter dig säga saker som 'provresultaten har ett medelvärde på 78 med en standardavvikelse på 8 poäng' i en enda intuitiv mening. Den matar också direkt in i 68-95-99,7-regeln för normalfördelningar och i z-poäng, konfidensintervall, kontrolldiagram och effektstorlekar som Cohens d. För nästan all statistisk rapportering är standardavvikelsen rätt sammanfattning av spridning.
Vilka är de vanligaste misstagen vid beräkning av standardavvikelse?
Det första är att använda (Σx)² där Σx² krävs (eller tvärtom) – ger ett vansinnigt fel svar. Det andra är att dividera med n istället för n − 1 på ett stickprov, vilket underskattar den sanna spridningen, särskilt vid små stickprov. Det tredje är att glömma att standardavvikelsen påverkas kraftigt av extremvärden – ett enda extremt värde kan blåsa upp den med 50% eller mer, och att redovisa den utan att också visa datafördelningen kan vara vilseledande. Det fjärde är att beräkna standardavvikelse på transformerad data och sedan backtransformera den som om det vore ett medelvärde (t.ex. loggtransformera, beräkna standardavvikelse och sedan exponensiera – resultatet är inte vad du vill ha). Slutligen glömmer folk att standardavvikelsen förutsätter ett meningsfullt aritmetiskt medelvärde; för ordinaldata (Likert-skalor, rangskalor) eller kraftigt snedfördelade data är kvartilavstånd eller medianabsolut avvikelse vanligtvis mer ärliga spridningsmått.
När bör jag inte använda den här räknaren?
Hoppa över den om du bara har rådata utan sammanfattningssummor – klistra då in dina värden i ett kalkylprogram och använd STDAV.S (stickprov) eller STDAV.P (population), som hanterar kvadratsummeberäkningen internt. Använd den inte för populationsstandardavvikelse; den här räknaren har n − 1 i nämnaren inbyggt, så den ger ett något större svar än σ när hela populationen är känd. Det är fel verktyg för grupperade eller viktade data (frekvenstabell, där varje värde bär en vikt) – du behöver en viktad variansformel. Använd den inte för tidsseriedata där observationer är autokorrelerade; det implicita oberoendeantaget blåser upp den synbara osäkerheten. För Bayesianska kredibilitetsintervall, robusta estimatorer (MAD, IQR) eller icke-parametriska spridningsmått, använd ett dedikerat statistikprogram snarare än en enradssformel.