標準差 — 它的衡量意義與使用方法

標準差（Standard Deviation）是資料集中最常用的離散程度測量指標。它量化了各個數值通常偏離平均數的距離程度。較小的標準差代表資料緊密聚集在平均數周圍；較大的標準差則代表資料分佈得比較分散。

什麼是標準差？

假設有一組包含 $N$ 個數值的資料 $\{x_1, x_2, \ldots, x_N\}$，標準差的計算包含以下五個步驟：

1. 求出平均數（均值） $\bar{x} = \dfrac{\sum_{i=1}^{N} x_i}{N}$
2. 計算每個數值的離差 $d_i = x_i - \bar{x}$
3. 將每個離差平方 $d_i^2$
4. 求出這些離差平方的平均數，計算出變異數
5. 計算平方根，得出標準差

最後一步計算平方根，可將單位還原成與原始資料一致的維度，讓標準差可以直接跟平均數放在一起解讀。

對於母體（Population）運算（當你掌握了一個群體的全部 $N$ 個數值時）：

對於樣本（Sample）運算（你的 $N$ 個數值是從一個更大的群體中抽取的）：

為什麼樣本標準差要除以 N−1（貝塞爾校正）

當你只有樣本資料時，樣本平均數 $\bar{x}$ 當然會比真實的母體平均數 $\mu$ 更靠近這些樣本數值。這就會導致計算出來的原始離差平方和比本來應有的值偏小——換句話說，如果除以 $N$，會對母體變異數給出一個有偏估計（系統性偏低）。

為了解決這個問題，除以 $N - 1$ 正是為了修正這種偏差。這種校正方法被稱為貝塞爾校正（Bessel's correction），它使得 $s^2$ 成為母體變異數 $\sigma^2$ 的不偏估計量。

直觀理解：對於一個樣本大小為 $N$ 的樣本，只有 $N - 1$ 個離差是真正「自由」的——一旦你確定了前 $N - 1$ 個離差和平均數，最後一個離差就已經注定了。因此，你只有 $N - 1$ 個自由度。

隨著樣本大小的增加，$N$ 和 $N - 1$ 變得幾乎相等，這種差異也就隨之消失——這是符合邏輯的，因為一個極其龐大的樣本，本質上幾乎等同於整個母體。

從樣本推算母體：標準誤

樣本標準差 $s$ 描述了你的樣本內部數值的離散程度。但在很多時候，研究人員更關心的是：樣本平均數 $\bar{x}$ 在估計母體平均數 $\mu$ 時究竟有多精準？

答案就是平均數標準誤（SEM, Standard Error of the Mean）：

隨著你收集的資料越多，SEM 就會縮小（它與 $1/\sqrt{N}$ 成正比），這就證實了「樣本越大、估計越可靠」的直觀感覺。

舉個例子，如果有 $N = 25$ 名學生的測試分數樣本，標準差為 $s = 10$，那麼 SEM 就是 $10 / \sqrt{25} = 2$。對於真實平均分數的 95% 信賴區間，大約為 $\bar{x} \pm 1.96 \times \text{SEM}$，其中的 1.96 是來自標準常態分配中涵蓋中心 95% 面積的臨界值。

如何使用本計算機

1. 在文字方塊中輸入你的數值，用逗號、空格或是換行分隔都可以。
2. 選擇運算模式 — 如果你的資料代表你所關心的整個群體，請使用「母體」；如果它只是更大母體的子集，請使用「樣本」。
3. 點擊「計算」（或者直接保留預設資料看看範例）。
4. 讀取計算結果 — 統計卡片會顯示資料的個數、總和、平均數、變異數以及標準差，並帶有相對應的統計學符號（$\mu$/$\bar{x}$，$\sigma^2$/$s^2$，$\sigma$/$s$）。
5. 展開「逐步解析方案」區塊，你能夠看到完整的推導計算過程，全部使用高質感的 LaTeX 公式渲染。

如何解讀結果

標準差接近 0 代表所有的數值幾乎是相同的。如果標準差大過平均數，常常顯示有極高的相對變異性。