Geometrická směrodatná odchylka: Kompletní průvodce

Kdy použít geometrickou směrodatnou odchylku

Geometrická směrodatná odchylka (GSD) je vhodnou mírou rozptylu pro data, která mají multiplikativní charakter — jako jsou tempa růstu, poměry, koncentrace nebo jakákoli logaritmicky normálně rozdělená měření.

Zvažte výnosy akcií: zisk 10 % následovaný ztrátou 10 % vás nevrátí na výchozí hodnotu (zůstane vám 99 % originálu). Tyto multiplikativní vztahy vyžadují geometrické statistiky namísto aritmetických.

Klíčový poznatek

Pokud vaše data pokrývají několik řádů, jsou vždy kladná a vypadají pravostranně zešikmeně v běžném grafu, ale symetricky na logaritmické škále — pracujete s logaritmicky normálními daty, která vyžadují geometrické statistiky.

Pochopení logaritmicky normálních dat

Data mají logaritmicky normální rozdělení, pokud jejich přirozený logaritmus sleduje normální rozdělení. Běžné příklady zahrnují:

Ceny akcií a investiční výnosy v čase
Rozdělení příjmů a majetku
Velikosti částic v aerosolech a léčivech
Počty bakteriálních kolonií a virová zátěž
Koncentrace znečišťujících látek v životním prostředí
Titry protilátek a koncentrace léčiv

Klíčová vlastnost: procesy zahrnující opakované násobení generují logaritmicky normální rozdělení, stejně jako opakované sčítání generuje normální rozdělení.

Vzorec a výpočet

Geometric Standard Deviation

GSD = exp(√[Σ(ln xᵢ - ln x̄ₘ)² / (n-1)])

Nebo jednodušeji: vezměte přirozený logaritmus všech hodnot, vypočítejte běžnou směrodatnou odchylku a potom výsledek exponenciujte.

Transformace dat

Vypočítejte přirozený logaritmus každé hodnoty: yᵢ = ln(xᵢ)

Výpočet průměru

Najděte aritmetický průměr logaritmovaných hodnot: ȳ = Σyᵢ/n

Výpočet SO

Najděte směrodatnou odchylku logaritmovaných hodnot: s = √[Σ(yᵢ-ȳ)²/(n-1)]

Zpětná transformace

Exponenciujte pro získání GSD: GSD = eˢ

Python

import numpy as np
from scipy import stats

def geometric_sd(data):
    """Calculate geometric standard deviation"""
    log_data = np.log(data)
    sd_log = np.std(log_data, ddof=1)
    return np.exp(sd_log)

def geometric_mean(data):
    """Calculate geometric mean"""
    return stats.gmean(data)

# Example: Antibody titers (highly variable, log-normal)
titers = [64, 128, 256, 128, 512, 64, 256]
gm = geometric_mean(titers)
gsd = geometric_sd(titers)
print(f"Geometric Mean: {gm:.1f}")
print(f"Geometric SD: {gsd:.2f}")

Interpretace hodnot GSD

Na rozdíl od aritmetické SO, která je ve stejných jednotkách jako vaše data, je GSD multiplikativní faktor — poměr. GSD = 2,0 znamená, že data se typicky liší faktorem 2.

GSD = 1,0:Žádná variabilita (v praxi nemožné)
GSD ≈ 1,2:Nízká variabilita (typicky ±20 %)
GSD ≈ 2,0:Střední variabilita (data se zdvojnásobují/poloviční)
GSD ≈ 3,0:Vysoká variabilita (rozsah pokrývá celý řád)

Intervaly spolehlivosti

Pro logaritmicky normální data je přibližný 95% rozsah: Geometrický průměr ÷ GSD² až Geometrický průměr × GSD². Pro GM=100 a GSD=2 je rozsah 25 až 400.

Aplikace v praxi

Farmaceutické vědy

Distribuce velikosti částic (D50, GSD) · Variabilita koncentrace léčiv · Studie biologické dostupnosti · Charakterizace aerosolů

Finance a ekonomika

Volatilita investičních výnosů · Analýza temp růstu · Studie rozdělení příjmů · Modelování cen aktiv

GSD vs. běžná SO

Použití aritmetické SO na logaritmicky normální data dává zavádějící výsledky:

Příklad: Data o virové zátěži

Hodnoty: 1 000; 5 000; 10 000; 50 000; 100 000 kopií/mL Aritmetický průměr ± SO: 33 200 ± 41 424 Geometrický průměr × GSD: 10 000 × 4,5 → Rozsah: 2 222 až 45 000 Aritmetická SO by naznačovala, že jsou možné záporné hodnoty — to je u virové zátěže nemožné!

Vždy ověřte rozdělení

Před výpočtem jakékoli míry rozptylu svá data vizualizujte. Pokud jsou pravostranně zešikmená s dlouhým chvostem, vyzkoušejte logaritmickou transformaci. Pokud se data po transformaci stanou symetrickými, použijte geometrické statistiky.

A statistics tutorial is a practical interpretation guide, not just a formula dump. It refers to the assumptions, notation, and reporting language that analysts need when they explain a result to a teacher, manager, client, or reviewer. The article body covers the specific topic, while the sections below create a common interpretation frame that readers can reuse across related metrics.

Reading goal	What to focus on	Common mistake
Definition	What the metric is and what quantity it summarizes	Treating the formula as self-explanatory
Formula choice	Sample versus population assumptions and notation	Using n when n-1 is required or vice versa
Interpretation	Whether the result indicates concentration, spread, or risk	Calling a large value good or bad without context

Frequently Asked Questions

How should I interpret a high standard deviation?

A high standard deviation means the observations are spread farther from the mean on average. Whether that spread is acceptable depends on the context: wide dispersion might signal risk in finance, instability in manufacturing, or genuine natural variation in scientific data.

Why do some articles mention n while others mention n-1?

The denominator reflects the difference between population and sample formulas. Population variance and population standard deviation use N because the full dataset is known. Sample variance and sample standard deviation often use n-1 because Bessel’s correction reduces bias when estimating population spread from a sample.

What is a statistical interpretation guide?

A statistical interpretation guide is a page that moves beyond arithmetic and explains meaning. It tells you what a metric is, when the formula applies, and how to describe the result in plain English without overstating certainty.

Can I cite this article in a report?

You should cite the underlying authoritative reference for formal work whenever possible. This page is best used as an explanatory bridge that helps you understand the concept before quoting the original standard or handbook.

Why include direct citations on every article page?

Direct citations give readers a route to verify the definition, notation, and assumptions. That improves trust and reduces the chance that a simplified explanation is mistaken for the entire technical standard.

Authoritative References

These sources define the concepts referenced most often across our articles. Bessel's correction is a sample adjustment, variance is a squared measure of spread, and standard deviation is the square root of variance expressed in the same units as the data.