Geometryczne odchylenie standardowe: kompletny przewodnik

Kiedy stosować geometryczne odchylenie standardowe

Geometryczne odchylenie standardowe (GSD) jest odpowiednią miarą rozproszenia dla danych o charakterze multiplikatywnym, a nie addytywnym — takich jak stopy wzrostu, wskaźniki, stężenia czy dowolne pomiary o rozkładzie logarytmiczno-normalnym.

Rozważ stopy zwrotu z akcji: zysk 10% po którym następuje strata 10% nie przywraca stanu wyjściowego (zostaje 99% kwoty początkowej). Te multiplikatywne zależności wymagają statystyk geometrycznych zamiast arytmetycznych.

Kluczowy wniosek

Jeśli Twoje dane obejmują kilka rzędów wielkości, są zawsze dodatnie i wyglądają na prawostronnie skośne na zwykłym wykresie, ale symetrycznie na skali logarytmicznej — masz do czynienia z danymi logarytmiczno-normalnymi, które wymagają statystyk geometrycznych.

Dane logarytmiczno-normalne

Dane mają rozkład logarytmiczno-normalny, gdy ich logarytm naturalny ma rozkład normalny. Typowe przykłady to:

Ceny akcji i stopy zwrotu z inwestycji w czasie
Rozkłady dochodów i majątku
Wielkości cząstek w aerozolach i farmaceutykach
Liczebność kolonii bakteryjnych i ładunki wirusowe
Stężenia zanieczyszczeń środowiskowych
Miana przeciwciał i stężenia leków

Kluczowa cecha: procesy obejmujące wielokrotne mnożenie generują rozkłady logarytmiczno-normalne, podobnie jak wielokrotne dodawanie generuje rozkłady normalne.

Wzór i obliczenia

Geometryczne odchylenie standardowe

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

Mówiąc prościej: oblicz logarytm naturalny wszystkich wartości, oblicz zwykłe odchylenie standardowe, a następnie zastosuj funkcję wykładniczą.

Transformuj dane

Oblicz logarytm naturalny każdej wartości: yᵢ = ln(xᵢ)

Oblicz średnią

Znajdź średnią arytmetyczną wartości logarytmicznych: ȳ = Σyᵢ/n

Oblicz odchylenie

Znajdź odchylenie standardowe wartości logarytmicznych: s = √[Σ(yᵢ-ȳ)²/(n-1)]

Transformuj z powrotem

Zastosuj funkcję wykładniczą: 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}")

Interpretacja wartości GSD

W przeciwieństwie do arytmetycznego odchylenia wyrażonego w tych samych jednostkach co dane, GSD jest czynnikiem multiplikatywnym — proporcją. GSD równe 2,0 oznacza, że dane typowo zmieniają się dwukrotnie.

GSD = 1,0:Brak zmienności (w praktyce niemożliwe)
GSD ≈ 1,2:Niska zmienność (±20% typowe)
GSD ≈ 2,0:Umiarkowana zmienność (dane podwajają się/zmniejszają o połowę)
GSD ≈ 3,0:Wysoka zmienność (obejmuje rząd wielkości)

Przedziały ufności

Dla danych logarytmiczno-normalnych zakres 95% wynosi w przybliżeniu: średnia geometryczna ÷ GSD² do średnia geometryczna × GSD². Dla GM=100 i GSD=2 zakres wynosi od 25 do 400.

Zastosowania w praktyce

Nauki farmaceutyczne

Rozkład wielkości cząstek (D50, GSD) · Zmienność stężenia leku · Badania biodostępności · Charakterystyka aerozoli

Finanse i ekonomia

Zmienność stóp zwrotu z inwestycji · Analiza stóp wzrostu · Badania rozkładu dochodów · Modelowanie cen aktywów

GSD a zwykłe odchylenie standardowe

Użycie arytmetycznego odchylenia dla danych logarytmiczno-normalnych daje mylące wyniki:

Przykład: Dane ładunku wirusowego

Wartości: 1 000; 5 000; 10 000; 50 000; 100 000 kopii/ml Średnia arytmetyczna ± SD: 33 200 ± 41 424 Średnia geometryczna × GSD: 10 000 × 4,5 → Zakres: 2 222 do 45 000 Arytmetyczne odchylenie sugerowałoby możliwość wartości ujemnych — co jest niemożliwe dla ładunku wirusowego!

Zawsze sprawdzaj rozkład

Przed obliczaniem jakiejkolwiek miary rozproszenia zwizualizuj dane. Jeśli są prawostronnie skośne z długim ogonem, spróbuj transformacji logarytmicznej. Jeśli to sprawi, że staną się symetryczne, używaj statystyk geometrycznych.

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.