ค่าเบี่ยงเบนมาตรฐาน

ค่าเบี่ยงเบนมาตรฐาน หรือ ส่วนเบี่ยงเบนมาตรฐาน หรือ ความเบี่ยงเบนมาตรฐาน (อังกฤษ: standard deviation: SD) ในทางสถิติศาสตร์และความน่าจะเป็น เป็นการวัดการกระจายแบบหนึ่งของกลุ่มข้อมูล สามารถนำไปใช้กับการแจกแจงความน่าจะเป็น ตัวแปรสุ่ม ประชากร หรือมัลติเซต ค่าเบี่ยงเบนมาตรฐานมักเขียนแทนด้วยอักษรกรีก ซิกมาตัวเล็ก (σ) นิยามขึ้นจากส่วนเบี่ยงเบนแบบ root mean square (RMS) กับค่าเฉลี่ย หรือนิยามขึ้นจากรากที่สองของความแปรปรวน

ค่าเบี่ยงเบนมาตรฐานคิดค้นโดย ฟรานซิส กาลตัน (Francis Galton) ในช่วงปลายคริสต์ทศวรรษ 1860 เป็นการวัดการกระจายทางสถิติที่เป็นปกติทั่วไป ใช้สำหรับเปรียบเทียบว่าค่าต่างๆ ในเซตข้อมูลกระจายตัวออกไปมากน้อยเท่าใด หากข้อมูลส่วนใหญ่อยู่ใกล้ค่าเฉลี่ยมาก ค่าเบี่ยงเบนมาตรฐานก็จะมีค่าน้อย ในทางกลับกัน ถ้าข้อมูลแต่ละจุดอยู่ห่างไกลจากค่าเฉลี่ยเป็นส่วนมาก ค่าเบี่ยงเบนมาตรฐานก็จะมีค่ามาก และเมื่อข้อมูลทุกตัวมีค่าเท่ากันหมด ค่าเบี่ยงเบนมาตรฐานจะมีค่าเท่ากับศูนย์ นั่นคือไม่มีการกระจายตัว คุณสมบัติที่เป็นประโยชน์อย่างหนึ่งก็คือ ค่าเบี่ยงเบนมาตรฐานใช้หน่วยอันเดียวกันกับข้อมูล แต่กับความแปรปรวนนั้นไม่ใช่

เมื่อตัวอย่างของข้อมูลกลุ่มหนึ่งถูกเลือกมาจากประชากรทั้งหมด ค่าเบี่ยงเบนมาตรฐานของประชากรสามารถประมาณค่าได้จากค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่างนั้น

นิยาม

ค่าเบี่ยงเบนมาตรฐานของตัวแปรสุ่ม X มีการนิยามไว้ดังนี้

{\begin{array}{lcl}\sigma &=&{\sqrt {\operatorname {E} ((X-\operatorname {E} (X))^{2})}}={\sqrt {\operatorname {E} (X^{2})-(\operatorname {E} (X))^{2}}}\\&=&{\sqrt {\operatorname {Var} (X)}}\end{array}}

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 $x_{1},...,x_{N}$ ซึ่งสมาชิกเป็นจำนวนจริงและมีความน่าจะเป็นเท่ากัน ดังนั้นค่าเบี่ยงเบนมาตรฐานสามารถคำนวณได้จากสูตรข้างล่างนี้ อันดับแรกต้องคำนวณหาค่าเฉลี่ยของ X เสียก่อน ค่าเฉลี่ยเขียนแทนด้วย ${\overline {x}}$ ซึ่งนิยามด้วยผลรวม (summation) ดังนี้

{\overline {x}}={\frac {1}{N}}\sum _{i=1}^{N}x_{i}={\frac {x_{1}+x_{2}+\cdots +x_{N}}{N}}

เมื่อ N คือจำนวนสมาชิกของเซตข้อมูล จากนั้นจึงสามารถคำนวณค่าเบี่ยงเบนมาตรฐานได้จาก

\sigma ={\sqrt {{\frac {1}{N}}\sum _{i=1}^{N}(x_{i}-{\overline {x}})^{2}}}

ในทางปฏิบัติ การคำนวณค่าเบี่ยงเบนมาตรฐานของตัวแปรสุ่มชนิดไม่ต่อเนื่องข้างต้น สามารถสรุปได้ดังนี้

สำหรับแต่ละค่าของ $x_{i}$ ให้คำนวณผลต่างของ $x_{i}-{\overline {x}}$
นำผลต่างแต่ละตัวมายกกำลังสอง
บวกผลลัพธ์ทั้งหมดเข้าด้วยกันแล้วหารด้วย N ค่าที่ได้นี้คือความแปรปรวน $\sigma ^{2}$
คำนวณหารากที่สองที่เป็นบวกของความแปรปรวน จะได้ค่าเบี่ยงเบนมาตรฐาน

นอกจากนั้นสูตรดังกล่าวสามารถดัดแปลงให้เป็นอีกรูปแบบหนึ่งได้ดังนี้

\sigma ={\sqrt {{\frac {1}{N}}\left(\sum _{i=1}^{N}x_{i}^{2}-N{\overline {x}}^{2}\right)}}

ซึ่งความเท่ากันของทั้งสองสูตร สามารถพิสูจน์ได้ด้วยความรู้ทางพีชคณิต

{\begin{aligned}\sum _{i=1}^{N}(x_{i}-{\overline {x}})^{2}&={}\sum _{i=1}^{N}(x_{i}^{2}-2x_{i}{\overline {x}}+{\overline {x}}^{2})\\&{}=\left(\sum _{i=1}^{N}x_{i}^{2}\right)-\left(2{\overline {x}}\sum _{i=1}^{N}x_{i}\right)+N{\overline {x}}^{2}\\&{}=\left(\sum _{i=1}^{N}x_{i}^{2}\right)-2{\overline {x}}(N{\overline {x}})+N{\overline {x}}^{2}\\&{}=\left(\sum _{i=1}^{N}x_{i}^{2}\right)-2N{\overline {x}}^{2}+N{\overline {x}}^{2}\\&{}=\left(\sum _{i=1}^{N}x_{i}^{2}\right)-N{\overline {x}}^{2}\end{aligned}}

การประมาณค่าเบี่ยงเบนมาตรฐานของประชากร

ในความเป็นจริง การคำนวณหาค่าเบี่ยงเบนมาตรฐานของประชากรทั่วทั้งหมดนั้น อาจไม่สามารถทำให้เกิดขึ้นจริงได้ เว้นแต่ในกรณีเฉพาะเช่นการทดสอบมาตรฐาน (standardized test) ซึ่งทุกสมาชิกของประชากรจะถือว่าเป็นกลุ่มตัวอย่างทั้งหมด แต่ในกรณีส่วนใหญ่ ค่าเบี่ยงเบนมาตรฐานจะถูกคาดคะเนจากจากส่วนเบี่ยงเบนของตัวอย่างกลุ่มหนึ่งที่มาจากประชากร การวัดที่มักถูกใช้เป็นปกติทั่วไปคือ ค่าเบี่ยงเบนมาตรฐานของตัวอย่าง (sample standard deviation) ซึ่งนิยามโดย

s={\sqrt {{\frac {1}{N-1}}\sum _{i=1}^{N}(x_{i}-{\overline {x}})^{2}}}

เมื่อ $\{x_{1},x_{2},...,x_{N}\}$ คือตัวอย่างและ ${\overline {x}}$ คือค่าเฉลี่ยของตัวอย่าง ตัวส่วน N − 1 คือองศาเสรี (degrees of freedom) ของเวกเตอร์ $(x_{1}-{\overline {x}},...,x_{N}-{\overline {x}})$

เหตุผลของการนิยามเช่นนี้คือ $s^{2}$ เป็นตัวประมาณค่าไม่เอนเอียง (unbiased estimator) สำหรับความแปรปรวน $\sigma ^{2}$ บนประชากรที่เป็นพื้นฐาน ถ้าหากความแปรปรวนนั้นมีค่า และค่าต่างๆ ของตัวอย่างได้รับการสุ่มออกมาโดยอิสระต่อกัน อย่างไรก็ตาม s ไม่ใช่ตัวประมาณค่าไม่เอนเอียงของ σ แต่เป็นการประเมินค่าที่ต่ำกว่าค่าเบี่ยงเบนมาตรฐานของประชากร และถึงแม้ว่าตัวประมาณค่าไม่เอนเอียงของ σ จะสามารถทราบได้เมื่อตัวแปรสุ่มมีการแจกแจงปกติ แต่สูตรดังกล่าวจะซับซ้อนขึ้นและมีการปรับแต่งตัวเลข ยิ่งกว่านั้นความไม่เอนเอียงก็ไม่ได้เป็นที่ต้องการเสมอไป

ตัวประมาณค่าอีกแบบหนึ่งบางครั้งก็ถูกใช้เหมือนสูตรเดิม

{\sqrt {{\frac {1}{N}}\sum _{i=1}^{N}(x_{i}-{\overline {x}})^{2}}}

รูปแบบนี้จะทำให้เกิดค่าคลาดเคลื่อนประเภท mean squared error น้อยกว่าตัวประมาณค่าไม่เอนเอียง และเป็นการประมาณความควรจะเป็นสูงสุด (maximum likelihood) เมื่อการกระจายของประชากรนั้นเป็นการแจกแจงปกติ