ระดับกลางFundamentals·9 min

ส่วนเบี่ยงเบนมาตรฐาน vs ความแปรปรวน: ความแตกต่างที่ต้องรู้

เจาะลึกความแตกต่างสำคัญระหว่างส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) กับความแปรปรวน (Variance) เรียนรู้ว่าเมื่อไหร่ควรใช้ค่าไหน สูตรคำนวณเป็นอย่างไร และทั้งสองค่านี้ส่งผลต่อการวิเคราะห์ข้อมูลอย่างไร

By Standard Deviation Calculator Team · Data Science Team·Published 16 เมษายน 2569

ความแปรปรวน (Variance) คืออะไร?

ความแปรปรวน (Variance) (ใช้สัญลักษณ์ σ² สำหรับประชากร และ s² สำหรับกลุ่มตัวอย่าง) คือการวัดทางสถิติที่บอกถึงความกระจายตัวของข้อมูลในชุดข้อมูลหนึ่งๆ โดยแทนค่าเฉลี่ยของผลต่างยกกำลังสองจากค่าเฉลี่ย (μ) การยกกำลังสองของส่วนเบี่ยงเบนจะช่วยป้องกันไม่ให้ค่าส่วนเบี่ยงเบนบวกและลบหักล้างกัน ทำให้เราวัดค่าความกระจายได้อย่างแท้จริง อย่างไรก็ตาม เนื่องจากส่วนเบี่ยงเบนถูกยกกำลังสอง หน่วยของความแปรปรวนจึงเป็นกำลังสองของหน่วยข้อมูลเดิม ซึ่งทำให้ตีความได้ยากกว่าโดยตรง

ความแปรปรวนของประชากร

σ² = Σ(xᵢ - μ)² / N

หน่วยของการวัด

หากข้อมูลของคุณเป็นความสูงในหน่วยเซนติเมตร ความแปรปรวนจะมีหน่วยเป็นตารางเซนติเมตร (cm²) หน่วยยกกำลังสองนี้เองที่ทำให้ความแปรปรวนนำไปใช้ตีความในชีวิตจริงได้ยาก

ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) คืออะไร?

ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) (ใช้สัญลักษณ์ σ สำหรับประชากร และ s สำหรับกลุ่มตัวอย่าง) คือรากที่สองของความแปรปรวน โดยวัดค่าเฉลี่ยที่ข้อมูลแต่ละจุดเบี่ยงเบนไปจากค่าเฉลี่ย เนื่องจากมันได้มาจากการหารากที่สองของความแปรปรวน ส่วนเบี่ยงเบนมาตรฐานจึงมีหน่วยเดียวกันกับข้อมูลดั้งเดิม ทำให้เข้าใจและตีความได้ง่ายกว่ามากเมื่อนำไปใช้งานจริง และนี่คือค่าวัดความกระจายตัวที่ใช้กันแพร่หลายที่สุดในทางสถิติ

ส่วนเบี่ยงเบนมาตรฐานของประชากร

σ = √(Σ(xᵢ - μ)² / N)

ส่วนเบี่ยงเบนมาตรฐาน vs ความแปรปรวน: ความแตกต่างหลัก

แม้ทั้งสองค่าจะวัดความกระจายตัวของข้อมูลรอบๆ ค่าเฉลี่ย แต่ความสัมพันธ์ทางคณิตศาสตร์และประโยชน์ใช้สอยของทั้งคู่กลับแตกต่างกันอย่างมีนัยสำคัญ ความแตกต่างพื้นฐานอยู่ที่หน่วยและความสามารถในการตีความ ส่วนเบี่ยงเบนมาตรฐานคือรากที่สองของความแปรปรวน ซึ่งเปลี่ยนหน่วยวัดความกระจายตัวให้กลับไปเป็นหน่วยเดียวกับข้อมูลต้นทาง ในขณะที่ความแปรปรวนเป็นค่ายกกำลังสอง ทำให้ให้น้ำหนักกับค่าผิดปกติ (Outliers) มากกว่าปกติ จึงไวต่อค่าสุดขีดมากกว่า

คุณสมบัติ	ความแปรปรวน (σ² / s²)	ส่วนเบี่ยงเบนมาตรฐาน (σ / s)
พื้นฐานทางคณิตศาสตร์	ค่าเฉลี่ยของส่วนเบี่ยงเบนยกกำลังสอง	รากที่สองของความแปรปรวน
หน่วย	หน่วยยกกำลังสอง (เช่น cm², ฿²)	หน่วยเดียวกับข้อมูลต้นทาง (เช่น cm, ฿)
การตีความ	เป็นนามธรรม เชื่อมโยงกับข้อมูลได้ยาก	เข้าใจง่าย สอดคล้องกับข้อมูลโดยตรง
ความไวต่อค่าผิดปกติ (Outliers)	สูง (เพราะการยกกำลังสอง)	ปานกลาง (รากที่สองช่วยลดทอนผลกระทบ)
การใช้งานหลัก	การอนุมานทางสถิติ, ANOVA, ทฤษฎีพอร์ตโฟลิโอ	สถิติเชิงบรรยาย, การรายงานผล, กฎเชิงประจักษ์ (Empirical rule)

สูตรคำนวณของประชากร (Population) vs กลุ่มตัวอย่าง (Sample)

ในการคำนวณค่าเหล่านี้ คุณต้องแยกแยะให้ออกระหว่าง ประชากร (Population) และ กลุ่มตัวอย่าง (Sample) ประชากรคือกลุ่มที่ประกอบด้วยสมาชิกทั้งหมดที่เราสนใจ ส่วนกลุ่มตัวอย่างคือเพียงส่วนหนึ่งของประชากรนั้น การใช้สูตรกลุ่มตัวอย่างที่มีตัวส่วนเป็น (n - 1) หรือที่รู้จักกันในนาม การแก้ไขเบสเซล (Bessel's correction) จะช่วยแก้ไขความเอนเอียงโดยธรรมชาติที่เกิดขึ้นเมื่อประมาณการความแปรปรวนของประชากรจากกลุ่มตัวอย่าง ทำให้ตัวประมาณค่ามีความไม่เอนเอียง (Unbiased)

ความแปรปรวนของกลุ่มตัวอย่าง

s² = Σ(xᵢ - x̄)² / (n - 1)

ระวังอย่าใช้ n แทน (n - 1)

การใช้ 'n' แทน '(n - 1)' ในการหาความแปรปรวนของกลุ่มตัวอย่าง จะทำให้ประเมินค่าความแปรปรวนที่แท้จริงของประชากรต่ำกว่าความเป็นจริงเสมอ อย่าลืมใช้ดีกรีอิสระ (df = n - 1) เมื่อทำงานกับข้อมูลกลุ่มตัวอย่างเพื่ออนุมานค่าพารามิเตอร์ของประชากร

เมื่อไหร่ควรใช้ความแปรปรวน vs ส่วนเบี่ยงเบนมาตรฐาน

การจะเลือกใช้ความแปรปรวนหรือส่วนเบี่ยงเบนมาตรฐานนั้น ขึ้นอยู่กับเป้าหมายในการวิเคราะห์ของคุณโดยตรง หากคุณต้องนำเสนอความกระจายตัวของข้อมูลให้คนทั่วไปเข้าใจ ส่วนเบี่ยงเบนมาตรฐานคือคำตอบเพราะมันใช้หน่วยเดียวกับข้อมูลต้นทาง แต่ถ้าคุณกำลังคำนวณทางสถิติในขั้นกลาง — เช่น การหาค่า F-statistics ใน ANOVA, การประเมินความเสี่ยงในทฤษฎีพอร์ตโฟลิโอสมัยใหม่ หรือการทำสมมติฐานทดสอบ — ความแปรปรวนจะสะดวกกว่าในทางคณิตศาสตร์

ใช้ความแปรปรวนเมื่อ...

- ทำ ANOVA หรือ F-tests - คำนวณความเสี่ยงของพอร์ตโฟลิโอ (เมทริกซ์ความแปรปรวนร่วม) - พิสูจน์ทางสถิติเชิงทฤษฎี - พัฒนาฟังก์ชันการสูญเสียของ Machine Learning (เช่น MSE)

ใช้ส่วนเบี่ยงเบนมาตรฐานเมื่อ...

- รายงานความกระจายตัวของข้อมูลในสิ่งตีพิมพ์ - ใช้กฎเชิงประจักษ์ (Empirical Rule: 68-95-99.7) - สร้างแผนภูมิควบคุม (Control charts) เพื่อประกันคุณภาพ - สื่อสารความแปรปรวนให้ผู้ที่ไม่ใช่สายเทคนิคเข้าใจ

การคำนวณ SD และความแปรปรวนใน Python

ไลบรารี `statistics` ของ Python มีฟังก์ชันสำเร็จรูปสำหรับหาทั้งความแปรปรวนและส่วนเบี่ยงเบนมาตรฐาน ซึ่งสิ่งสำคัญที่สุดคือต้องเลือกใช้เมธอดให้ถูกต้องว่าข้อมูลของคุณเป็นประชากรหรือกลุ่มตัวอย่าง

python

import statistics

# ชุดข้อมูลตัวอย่าง
data = [14, 18, 12, 15, 11]

# คำนวณความแปรปรวนและ SD ของกลุ่มตัวอย่าง
sample_var = statistics.variance(data)
sample_sd = statistics.stdev(data)

# คำนวณความแปรปรวนและ SD ของประชากร
pop_var = statistics.pvariance(data)
pop_sd = statistics.pstdev(data)

print(f"Sample Variance: {sample_var:.2f}")
print(f"Sample SD: {sample_sd:.2f}")
print(f"Population Variance: {pop_var:.2f}")
print(f"Population SD: {pop_sd:.2f}")

คำถามที่พบบ่อย

ความแปรปรวนสามารถติดลบได้ไหม? ไม่ได้ เพราะผลรวมของส่วนเบี่ยงเบนยกกำลังสอง (xᵢ - μ)² จะมีค่าเป็นศูนย์หรือค่าบวกเสมอ ความแปรปรวนจึงไม่มีทางติดลบได้
ทำไมการรายงานผลถึงนิยมใช้ส่วนเบี่ยงเบนมาตรฐานมากกว่าความแปรปรวน? เพราะส่วนเบี่ยงเบนมาตรฐานมีหน่วยเดียวกันกับค่าเฉลี่ย ทำให้เอาไปเทียบกับข้อมูลดิบและตีความได้ง่ายกว่ามาก
ความแปรปรวนคือค่าเฉลี่ยของกำลังสองของค่าคลาดเคลื่อน (MSE) หรือไม่? ทั้งสองค่าคล้ายกัน แต่ MSE จะวัดค่าเฉลี่ยของผลต่างยกกำลังสองระหว่างค่าประมาณกับค่าจริง ในขณะที่ความแปรปรวนวัดความกระจายรอบค่าเฉลี่ย หากตัวประมาณคือค่าเฉลี่ย MSE ก็จะเท่ากับความแปรปรวน

Sources

References and further authoritative reading used in preparing this article.

← ศูนย์เรียนรู้

How to Read This Article

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.