Sisihan Piawai Berwajaran

Apakah Sisihan Piawai Berwajaran?

Apabila titik data mempunyai tahap kepentingan atau mewakili frekuensi yang berbeza, kita menggunakan sisihan piawai berwajaran. Ini biasa dalam analisis portfolio, data tinjauan dengan pemberat pensampelan, dan pengiraan PNGK.

Dalam pengiraan piawai (tanpa pemberat), setiap titik data menyumbang secara sama rata kepada min dan sisihan piawai. Tetapi senario dunia sebenar sering memerlukan memberi sesetengah cerapan pengaruh yang lebih besar daripada yang lain. Pelaburan bernilai $1 juta sepatutnya mempengaruhi pengiraan volatiliti portfolio anda lebih daripada kedudukan $1,000. Respons tinjauan daripada kumpulan demografi yang lebih besar sepatutnya membawa pemberat lebih apabila menganggar parameter populasi.

Bila Menggunakan SD Berwajaran

Gunakan sisihan piawai berwajaran apabila titik data anda mempunyai kepentingan, frekuensi, atau tahap kebolehpercayaan yang berbeza. SD tanpa pemberat mengandaikan semua titik sama penting—yang sering merupakan andaian yang tidak betul.

Formula SD Berwajaran

Pertama, anda memerlukan min berwajaran:

Weighted Mean

x̄w = Σ(wᵢxᵢ) / Σwᵢ

Kemudian, sisihan piawai berwajaran (versi populasi):

Weighted Standard Deviation (Population)

σw = √[Σwᵢ(xᵢ - x̄w)² / Σwᵢ]

Di mana wᵢ ialah pemberat, xᵢ ialah nilai data, dan x̄w ialah min berwajaran.

Untuk data sampel, gunakan formula diperbetulkan bias (analog dengan pembetulan Bessel):

Weighted Standard Deviation (Sample)

sw = √[Σwᵢ(xᵢ - x̄w)² / (Σwᵢ - Σwᵢ²/Σwᵢ)]

Pembetulan sampel lebih kompleks kerana “saiz sampel berkesan” bergantung pada taburan pemberat. Jika semua pemberat sama, ini menjadi pembetulan n-1 yang biasa.

Pengiraan Langkah Demi Langkah

Kira min berwajaran

Darabkan setiap nilai dengan pemberatnya, jumlahkan hasil darab ini, dan bahagi dengan jumlah pemberat.

Kira sisihan kuasa dua berwajaran

Untuk setiap nilai, cari (nilai - min berwajaran)², kemudian darabkan dengan pemberat.

Jumlahkan sisihan kuasa dua berwajaran

Tambahkan semua hasil darab daripada langkah 2.

Bahagi dengan jumlah pemberat

Untuk SD populasi, bahagi dengan Σwᵢ. Untuk SD sampel, gunakan pembetulan bias.

Ambil punca kuasa dua

Sisihan piawai berwajaran akhir.

Aplikasi Dunia Sebenar

Volatiliti Portfolio: Dalam kewangan, sisihan piawai portfolio mesti mengambil kira peruntukan aset yang berbeza. Volatiliti portfolio 50% saham, 50% bon dikira menggunakan SD berwajaran di mana pemberat ialah peratusan peruntukan.

Analisis Tinjauan: Sampel tinjauan sering terlalu mewakili atau kurang mewakili demografi tertentu. Pemberat melaraskan perkara ini, memastikan keputusan mencerminkan populasi sebenar. SD berwajaran menangkap kebolehubahan dalam populasi, bukan hanya dalam sampel.

Penggredan Akademik: Apabila mengira PNGK, kursus yang berbeza mempunyai jam kredit yang berbeza. Kursus 4 kredit sepatutnya mempengaruhi PNGK anda lebih daripada kursus 1 kredit. Pengiraan berwajaran mengendalikan ini secara semula jadi.

Meta-Analisis: Apabila menggabungkan keputusan daripada pelbagai kajian, setiap kajian diberikan pemberat berdasarkan ketepatannya (selalunya varians songsang). Ini memberikan lebih pengaruh kepada kajian yang lebih besar dan lebih tepat.

Contoh Terperinci

Contoh Portfolio: Pertimbangkan portfolio dengan tiga saham:

Saham A: pulangan 15%, peruntukan 50% (pemberat = 0.50)
Saham B: pulangan 8%, peruntukan 30% (pemberat = 0.30)
Saham C: pulangan -2%, peruntukan 20% (pemberat = 0.20)

Min berwajaran = (0.50×15 + 0.30×8 + 0.20×(-2)) / 1.0 = 9.5%

SD berwajaran = √[(0.50×(15-9.5)² + 0.30×(8-9.5)² + 0.20×(-2-9.5)²)] = √[(0.50×30.25 + 0.30×2.25 + 0.20×132.25)] = √[15.125 + 0.675 + 26.45] = √42.25 = 6.5%

Perhatikan Impaknya

Saham C hanya mempunyai 20% peruntukan tetapi menyumbang banyak kepada volatiliti kerana pulangannya menyimpang dengan ketara daripada min berwajaran. Inilah yang ditangkap oleh SD berwajaran—kedua-dua sisihan dan pemberat adalah penting.

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.