حاسبة الانحراف المعياري

خطوات الاستخدام

الخطوة 1: جمع بياناتك. يقيس الانحراف المعياري تشتت الأرقام عن المتوسط. تأكد من أن البيانات رقمية ومُدخلة كقائمة مفصولة بفواصل (مثل 1,2,3,4,5). ستقوم الحاسبة بتحليل والتحقق من صحة الإدخال.

الخطوة 2: حساب المتوسط (الوسط الحسابي). اجمع كل الأرقام واقسمها على العدد. على سبيل المثال، للبيانات 10,12,23,23,16,23,21، المجموع 128، العدد 7، المتوسط = 128/7 ≈ 18.2857. المتوسط هو قيمة مركزية يتم قياس الانحرافات عنها.

الخطوة 3: اطرح المتوسط من كل رقم لإيجاد الانحرافات. قم بتربيع كل انحراف. هذا يلغي الإشارات السالبة ويبرز الانحرافات الكبيرة. بالنسبة للرقم 10: (10-18.2857)^2 ≈ 68.65، للرقم 12: (12-18.2857)^2 ≈ 39.51، وهكذا.

الخطوة 4: اجمع كل الانحرافات المربعة. في المثال، المجموع = 68.65+39.51+22.37+22.37+5.22+22.37+7.38 = 187.87. إذا كنت تحسب الانحراف المعياري للعينة (الافتراضي)، اقسم على (العدد - 1) = 6، لتحصل على التباين = 31.31. بالنسبة للمجتمع، اقسم على العدد = 7، فالتباين ≈ 26.84.

الأسئلة الشائعة

الفرق الرئيسي يكمن في مقام حساب التباين. بالنسبة للانحراف المعياري للمجتمع، تقسم مجموع الانحرافات المربعة على العدد الإجمالي لنقاط البيانات (N). يُستخدم هذا عندما تمثل مجموعة البيانات المجموعة الكاملة التي تهتم بها، مثل جميع الطلاب في المدرسة أو جميع المسامير من دفعة إنتاج معينة. أما بالنسبة للانحراف المعياري للعينة، فتقسم على (n-1)، حيث n هو حجم العينة. يُعرف هذا التصحيح بتصحيح بيسل، ويحسب حقيقة أنك تقدر الانحراف المعياري للمجتمع من عينة، مما يميل إلى التقليل من التباين. استخدام n-1 يعطي تقديراً أكبر قليلاً وبالتالي أقل تحيزاً. عملياً، ما لم يكن لديك المجتمع بأكمله، استخدم الانحراف المعياري للعينة. معظم التحليلات الإحصائية، مثل تلك في التجارب العلمية، تستخدم الانحراف المعياري للعينة لأننا غالباً ما نعمل مع عينات. الحاسبة الافتراضية تستخدم الانحراف المعياري للعينة، ولكن يمكنك غالباً الاختيار. على سبيل المثال، إذا اختبرت 50 مصباحاً من مصنع، استخدم انحراف العينة لاستنتاج معلومات عن جميع المصابيح. إذا اختبرت جميع المصابيح البالغ عددها 10,000، استخدم انحراف المجتمع.

الانحراف المعياري هو معامل أساسي للتوزيع الطبيعي. في التوزيع الطبيعي المثالي، يقع حوالي 68% من البيانات ضمن انحراف معياري واحد من المتوسط (المتوسط ± 1σ)، وحوالي 95% ضمن انحرافين معياريين (المتوسط ± 2σ)، وحوالي 99.7% ضمن ثلاثة انحرافات معيارية (المتوسط ± 3σ). تُعرف هذه بالقاعدة التجريبية أو قاعدة 68-95-99.7. يساعد فهم ذلك في تفسير الانحراف المعياري: إذا كانت بياناتك موزعة بشكل طبيعي تقريباً، يمكنك تقدير الانتشار بسرعة. على سبيل المثال، إذا كان متوسط الذكاء 100 مع انحراف معياري 15، فإن حوالي 68% من الناس لديهم ذكاء بين 85 و115. هذه القاعدة قوية لاكتشاف القيم الشاذة: القيم التي تتجاوز 3 انحرافات معيارية نادرة جداً (0.3%). ومع ذلك، تنطبق القاعدة فقط على التوزيعات الجرسية؛ للبيانات المنحرفة، قد تكون مقاييس أخرى مثل المدى الربيعي أكثر ملاءمة. يحدد الانحراف المعياري في التوزيع الطبيعي الشكل أيضاً: انحراف معياري أصغر يعني منحنى أطول وأضيق؛ انحراف معياري أكبر يعني منحنى مسطحاً وأوسع.

الانحراف المعياري دائماً عدد غير سالب، ويساوي صفراً فقط عندما تكون جميع نقاط البيانات متطابقة. لا يمكن أن يكون سالباً لأنه يُعرف بأنه الجذر التربيعي للتباين، والتباين هو متوسط الانحرافات المربعة، وهي دائماً غير سالبة. تربيع الانحرافات يزيل الإشارات السالبة، لذا المجموع ≥0. القسمة على N أو n-1 تعطي تبايناً غير سالب. الجذر التربيعي لعدد غير سالب هو أيضاً غير سالب. من الناحية المفاهيمية، يمثل الانحراف المعياري مسافة أو انتشاراً، لا يمكن أن يكون سالباً. الانحراف المعياري السالب يعني انتشاراً سالباً، وهو بلا معنى. إذا رأيت انحرافاً معيارياً سالباً، فهذا يشير إلى خطأ في الحساب أو سوء استخدام للصيغة. عملياً، الانحراف المعياري القريب من الصفر يشير إلى تباين منخفض جداً، بينما الرقم الموجب الكبير يشير إلى تباين عالٍ.

الانحراف المعياري مقياس قوي لكن له قيود. أولاً، إنه حساس للقيم الشاذة لأنه يربع الانحرافات، مما يعطي وزناً أكبر للقيم المتطرفة. على سبيل المثال، في بيانات الدخل، يمكن لعدد قليل من المليارديرات أن يضخم الانحراف المعياري، مما يجعله مضللاً. في مثل هذه الحالات، قد يكون المدى الربيعي (IQR) أو الانحراف المطلق الوسيط (MAD) أكثر متانة. ثانياً، يفترض الانحراف المعياري أن المتوسط هو مقياس مناسب للنزعة المركزية؛ إذا كانت البيانات منحرفة بشدة، فإن المتوسط نفسه ليس ممثلاً، وبالتالي فإن الانحراف المعياري المبني عليه أقل إفادة. ثالثاً، يُقاس الانحراف المعياري بنفس وحدات البيانات، مما قد يجعل المقارنات عبر مجموعات بيانات مختلفة صعبة إذا كانت الوحدات مختلفة. يساعد معامل الاختلاف (CV = SD/mean) في مقارنة التشتت النسبي. رابعاً، يقيس الانحراف المعياري فقط الانتشار حول المتوسط، ولا يلتقط الشكل أو النمطية. بالنسبة للبيانات متعددة النمط، ضع في اعتبارك انتشار كل عنقود على حدة. أخيراً، للبيانات غير الرقمية (مثل الترتيبية)، تعتبر المقاييس غير المعلمية مثل المدى أو المدى الربيعي أكثر ملاءمة. دائماً افحص توزيع بياناتك قبل الاعتماد فقط على الانحراف المعياري.

حاسبة الانحراف المعياري

أدخل القيم

خطوات الاستخدام

أمثلة محلولة

أمثلة محسوبة

الأسئلة الشائعة

أدخل القيم

خطوات الاستخدام

1باحث يسجل أوقات رد الفعل (بالمللي ثانية) لـ 10 مشاركين: 250, 265, 300, 310, 275, 290, 285, 270, 295, 280. احسب الانحراف المعياري للعينة واشرح ما يخبرنا به عن البيانات.

2مهندس مراقبة جودة يقيس قطر (بالملليمتر) لـ 5 مسامير مصنعة: 12.1, 12.3, 12.0, 12.2, 12.4. احسب الانحراف المعياري للمجتمع (بافتراض أن هذه هي الدفعة الإنتاجية بأكملها) وناقش معناه.

أمثلة محسوبة

الأسئلة الشائعة