Geometrisk standardavvikelse: Komplett guide

När ska geometrisk standardavvikelse användas

Geometrisk standardavvikelse (GSD) är det lämpliga spridningsmåttet för data som är multiplikativ snarare än additiv – som tillväxttakter, kvoter, koncentrationer eller valfria log-normalfördelade mätningar.

Tänk på aktieavkastning: en vinst på 10 % följd av en förlust på 10 % tar dig inte tillbaka till noll (du skulle ha 99 % av ursprungsbeloppet). Dessa multiplikativa samband kräver geometrisk statistik istället för aritmetisk.

Nyckelinsikt

Om dina data spänner över flera storleksordningar, alltid är positiva och ser högersnedfördelade ut i en vanlig plot men symmetriska i en logaritmisk plot – då har du log-normalfördelade data som kräver geometrisk statistik.

Förstå log-normalfördelade data

Data är log-normalfördelade när dess naturliga logaritm följer en normalfördelning. Vanliga exempel inkluderar:

Aktiekurser och investeringsavkastning över tid
Inkomst- och förmögenhetsfördelningar
Partikelstorleksfördelningar i aerosoler och läkemedel
Bakteriekolonier och viruslaster
Miljöföroreningskoncentrationer
Antikroppstitrar och läkemedelskoncentrationer

Den avgörande egenskapen: processer som involverar upprepad multiplikation genererar log-normalfördelningar, precis som upprepad addition genererar normalfördelningar.

Formel och beräkning

Geometric Standard Deviation

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

Eller enklare: ta den naturliga logaritmen av alla värden, beräkna den vanliga standardavvikelsen och exponentiera sedan.

Transformera data

Beräkna den naturliga logaritmen av varje värde: yᵢ = ln(xᵢ)

Beräkna medelvärdet

Hitta det aritmetiska medelvärdet av logaritmvärdena: ȳ = Σyᵢ/n

Beräkna SA

Hitta standardavvikelsen av logaritmvärdena: s = √[Σ(yᵢ-ȳ)²/(n-1)]

Återtransformera

Exponentiera för att få 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}")

Tolkning av GSD-värden

Till skillnad från aritmetisk SA som anges i samma enheter som dina data, är GSD en multiplikativ faktor – en kvot. En GSD på 2,0 innebär att data typiskt varierar med en faktor 2.

GSD = 1,0:Ingen variation (omöjligt i praktiken)
GSD ≈ 1,2:Låg variabilitet (±20 % typiskt)
GSD ≈ 2,0:Måttlig variabilitet (data fördubblas/halveras)
GSD ≈ 3,0:Hög variabilitet (spänner en storleksordning)

Konfidensintervall

För log-normalfördelade data är det ungefärliga 95 %-intervallet: Geometriskt medelvärde ÷ GSD² till Geometriskt medelvärde × GSD². För GM=100 och GSD=2 blir intervallet 25 till 400.

Tillämpningar i verkligheten

Farmaceutisk vetenskap

Partikelstorleksfördelning (D50, GSD) · Läkemedelskoncentrationsvariabilitet · Biotillgänglighetsstudier · Aerosolkarakterisering

Finans och ekonomi

Investeringsavkastningsvolatilitet · Tillväxttaktsanalys · Inkomstfördelningsstudier · Tillgångsprismodellering

GSD jämfört med vanlig SA

Att använda aritmetisk SA på log-normalfördelade data ger vilseledande resultat:

Exempel: Viruslastdata

Värden: 1 000; 5 000; 10 000; 50 000; 100 000 kopior/mL Aritmetiskt medelvärde ± SA: 33 200 ± 41 424 Geometriskt medelvärde × GSD: 10 000 × 4,5 → Intervall: 2 222 till 45 000 Den aritmetiska SA:en skulle antyda att negativa värden är möjliga – omöjligt för viruslaster!

Kontrollera alltid fördelningen

Innan du beräknar något spridningsmått, visualisera dina data. Om de är högersnedfördelade med en lång svans, prova en logaritmisk transformation. Om det gör dem symmetriska, använd geometrisk statistik.

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.