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.

סטיית תקן גאומטרית: מדריך מקיף

מתי להשתמש בסטיית תקן גאומטרית

סטיית תקן גאומטרית (GSD) היא מדד הפיזור המתאים לנתונים כפליים ולא חיבוריים — כמו שיעורי צמיחה, יחסים, ריכוזים, או כל מדידה המתפלגת לוג-נורמלית.

חשבו על תשואות מניות: רווח של 10% ואחריו הפסד של 10% אינו מחזיר אתכם לנקודת הפתיחה (תישארו עם 99% מהסכום המקורי). יחסים כפליים אלה דורשים סטטיסטיקה גאומטרית במקום אריתמטית.

תובנה מרכזית

אם הנתונים שלכם משתרעים על פני מספר סדרי גודל, תמיד חיוביים, ונראים מוטים ימינה בגרף רגיל אך סימטריים בגרף לוגריתמי — אתם מתמודדים עם נתונים לוג-נורמליים הדורשים סטטיסטיקה גאומטרית.

הבנת נתונים לוג-נורמליים

נתונים הם מתפלגים לוג-נורמלית כאשר הלוגריתם הטבעי שלהם מתפלג נורמלית. דוגמאות נפוצות כוללות:

מחירי מניות ותשואות השקעה לאורך זמן
התפלגויות הכנסה ועושר
גדלי חלקיקים באירוסולים ובתכשירים פרמצבטיים
ספירת מושבות חיידקים ועומסים ויראליים
ריכוזי מזהמים סביבתיים
טיטרים של נוגדנים וריכוזי תרופות

המאפיין המרכזי: תהליכים הכוללים כפל חוזר מייצרים התפלגויות לוג-נורמליות, בדיוק כפי שחיבור חוזר מייצר התפלגויות נורמליות.

נוסחה וחישוב

Geometric Standard Deviation

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

או בפשטות: קחו את הלוגריתם הטבעי של כל הערכים, חשבו סטיית תקן רגילה, ואז החזירו בעזרת אקספוננט.

טרנספורמציה של הנתונים

חשבו את הלוגריתם הטבעי של כל ערך: yᵢ = ln(xᵢ)

חישוב ממוצע

מצאו את הממוצע האריתמטי של הערכים הלוגריתמיים: ȳ = Σyᵢ/n

חישוב סט“ת

מצאו את סטיית התקן של הערכים הלוגריתמיים: s = √[Σ(yᵢ-ȳ)²/(n-1)]

טרנספורמציה חוזרת

העלו בחזקת e כדי לקבל 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}")

פרשנות ערכי GSD

בניגוד לסטיית תקן אריתמטית שנמדדת באותן יחידות כמו הנתונים, GSD הוא גורם כפלי — יחס. GSD של 2.0 פירושו שהנתונים משתנים בדרך כלל בגורם של 2.

GSD = 1.0:אין שונות (בלתי אפשרי בפועל)
GSD ≈ 1.2:שונות נמוכה (±20% אופייניים)
GSD ≈ 2.0:שונות בינונית (הנתונים מוכפלים/מחצים)
GSD ≈ 3.0:שונות גבוהה (משתרעים על פני סדר גודל)

רווחי סמך

לנתונים לוג-נורמליים, טווח 95% הוא בקירוב: ממוצע גאומטרי ÷ GSD² עד ממוצע גאומטרי × GSD². עבור GM=100 ו-GSD=2, הטווח הוא 25 עד 400.

יישומים בעולם האמיתי

מדעי הרוקחות

התפלגות גודל חלקיקים (D50, GSD) · שונות ריכוז תרופות · מחקרי זמינות ביולוגית · אפיון אירוסולים

פיננסים וכלכלה

תנודתיות תשואות השקעה · ניתוח שיעורי צמיחה · מחקרי התפלגות הכנסה · מודלים של מחירי נכסים

GSD לעומת סט“ת רגילה

שימוש בסטיית תקן אריתמטית על נתונים לוג-נורמליים מניב תוצאות מטעות:

דוגמה: נתוני עומס ויראלי

ערכים: 1,000; 5,000; 10,000; 50,000; 100,000 עותקים/מ“ל ממוצע אריתמטי ± סט“ת: 33,200 ± 41,424 ממוצע גאומטרי × GSD: 10,000 × 4.5 → טווח: 2,222 עד 45,000 סטיית התקן האריתמטית תרמוז שערכים שליליים אפשריים — דבר בלתי אפשרי עבור עומסים ויראליים!

בדקו תמיד את ההתפלגות

לפני חישוב כל מדד פיזור, הציגו את הנתונים באופן חזותי. אם הם מוטים ימינה עם זנב ארוך, נסו טרנספורמציה לוגריתמית. אם זה הופך אותם לסימטריים, השתמשו בסטטיסטיקה גאומטרית.

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