Σ
SDCalc
เริ่มต้นFundamentals·9 min

ค่าเบี่ยงเบนมาตรฐาน (Standard Deviation) คืออะไร? นิยาม สูตรคำนวณ และตัวอย่าง

ทำความเข้าใจค่าเบี่ยงเบนมาตรฐานว่าคืออะไร วิธีคำนวณสำหรับประชากรและกลุ่มตัวอย่าง พร้อมเหตุผลว่าทำไมมันถึงสำคัญในการวิเคราะห์ข้อมูล เรียนรู้สูตรคำนวณได้เลย

By Standard Deviation Calculator Team · Data Science Team·Published

ค่าเบี่ยงเบนมาตรฐานคืออะไร?

ค่าเบี่ยงเบนมาตรฐาน (Standard Deviation) คือตัววัดทางสถิติที่บอกปริมาณของความแปรปรวนหรือการกระจายของชุดข้อมูล ค่าเบี่ยงเบนมาตรฐานที่ต่ำแสดงว่าจุดข้อมูลมักอยู่ใกล้กับค่าเฉลี่ย (ค่าคาดหวัง) ของชุดข้อมูลนั้น ในขณะที่ค่าที่สูงแสดงว่าข้อมูลกระจายตัวออกไปในวงกว้าง ตัวแทนของค่านี้คืออักษรกรีก σ (ซิกมา) สำหรับประชากร และ s สำหรับกลุ่มตัวอย่าง ซึ่งถือเป็นแนวคิดพื้นฐานที่สำคัญที่สุดอย่างหนึ่งในสถิติเชิงพรรณนา

นิยามสั้นๆ

ค่าเบี่ยงเบนมาตรฐานวัดระยะทั่วไปของแต่ละจุดข้อมูลจากค่าเฉลี่ย มันบอกคุณว่าโดยเฉลี่ยแล้ว ข้อมูลของคุณเบี่ยงเบนออกจากศูนย์กลางมากแค่ไหน

ค่าเบี่ยงเบนมาตรฐานของประชากร vs. กลุ่มตัวอย่าง

ก่อนจะคำนวณค่าเบี่ยงเบนมาตรฐาน คุณต้องรู้ก่อนว่าข้อมูลของคุณเป็นตัวแทนของประชากรทั้งหมด หรือเป็นเพียงกลุ่มตัวอย่างของประชากร ประชากรคือสมาชิกทั้งหมดในกลุ่มที่กำหนด ส่วนกลุ่มตัวอย่างคือเซ็ตย่อยที่เป็นตัวแทนของกลุ่มนั้น การคำนวณค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่างจะต้องมีการปรับแก้ทางคณิตศาสตร์ นั่นคือการใช้ n - 1 (ดีกรีอิสระ หรือ df) แทนที่จะเป็น N เพื่อให้แน่ใจว่าผลลัพธ์ที่ได้เป็นตัวประมาณค่าแปรปรวนของประชากรที่ไม่มีอคติ (unbiased estimator)

ค่าเบี่ยงเบนมาตรฐานของประชากร

ใช้เมื่อคุณมีข้อมูลของกลุ่มทั้งหมด เขียนแทนด้วย σ ตัวหารในสูตรค่าแปรปรวนจะเป็น N (ขนาดของประชากรทั้งหมด)

ค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่าง

ใช้เมื่อคุณมีข้อมูลเพียงส่วนหนึ่งของกลุ่ม เขียนแทนด้วย s ตัวหารในสูตรค่าแปรปรวนจะเป็น n - 1 (ขนาดกลุ่มตัวอย่างลบด้วยหนึ่ง) เพื่อแก้ไขความเอนเอียง

อธิบายสูตรคำนวณค่าเบี่ยงเบนมาตรฐาน

สูตรคำนวณค่าเบี่ยงเบนมาตรฐานเริ่มจากการหาค่าแปรปรวนก่อน แล้วจึงถอดรากที่สอง ขั้นตอนการถอดรากนี้สำคัญมาก เพราะมันจะแปลงหน่วยวัดความกระจายกลับไปเป็นหน่วยเดิมของข้อมูล ตัวแปรสำคัญๆ ประกอบด้วย xᵢ (แต่ละค่าในข้อมูล), μ หรือ x̄ (ค่าเฉลี่ยของประชากรหรือกลุ่มตัวอย่าง) และ N หรือ n (จำนวนข้อมูลทั้งหมด)

ค่าเบี่ยงเบนมาตรฐานของประชากร

σ = √[ Σ(xᵢ - μ)² / N ]

ค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่าง

s = √[ Σ(xᵢ - x̄)² / (n - 1) ]

ตัวอย่างการคำนวณทีละขั้นตอน

มาลองคำนวณค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่างจากชุดคะแนนสอบเล็กๆ กันครับ: [4, 8, 6, 5, 3, 2, 8, 9, 2, 5] การทำตามสูตรทีละขั้นตอนจะช่วยให้เห็นว่าค่าแปรปรวนสะสมกันอย่างไรก่อนที่เราจะถอดรากที่สองในตอนท้าย

1

หาค่าเฉลี่ย (x̄)

บวกค่าทั้งหมดแล้วหารด้วยจำนวน: (4+8+6+5+3+2+8+9+2+5) / 10 = 52 / 10 = 5.2
2

ลบด้วยค่าเฉลี่ยแล้วยกกำลังสอง

หาผลต่างยกกำลังสองของแต่ละค่า: (4-5.2)² = 1.44, (8-5.2)² = 7.84, (6-5.2)² = 0.64, ฯลฯ
3

หาผลรวมของผลต่างยกกำลังสอง

บวกผลลัพธ์ยกกำลังสองทั้งหมดเข้าด้วยกัน: 1.44 + 7.84 + 0.64 + 0.04 + 4.84 + 10.24 + 7.84 + 14.44 + 10.24 + 0.04 = 57.6
4

หารด้วย n - 1 (ดีกรีอิสระ)

เอาผลรวมหารด้วยขนาดกลุ่มตัวอย่างลบด้วยหนึ่ง: 57.6 / (10 - 1) = 57.6 / 9 = 6.4 นี่คือค่าแปรปรวนของกลุ่มตัวอย่าง (σ²)
5

ถอดรากที่สอง

หารากที่สองของค่าแปรปรวน: √6.4 ≈ 2.53 ดังนั้นค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่างคือ 2.53

การคำนวณค่าเบี่ยงเบนมาตรฐานด้วย Python

การคำนวณค่าเบี่ยงเบนมาตรฐานด้วยมือมักจะเกิดความผิดพลาดได้ง่าย โดยเฉพาะกับชุดข้อมูลขนาดใหญ่ ในทางปฏิบัติ นักสถิติและนักวิทยาศาสตร์ข้อมูลมักใช้ภาษาโปรแกรมอย่าง Python ในการคำนวณทันทีด้วยไลบรารีมาตรฐาน

python
import statistics

data = [4, 8, 6, 5, 3, 2, 8, 9, 2, 5]

# คำนวณค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่าง (ค่าเริ่มต้น)
sample_sd = statistics.stdev(data)
print(f"Sample SD: {sample_sd:.2f}")

# คำนวณค่าเบี่ยงเบนมาตรฐานของประชากร
pop_sd = statistics.pstdev(data)
print(f"Population SD: {pop_sd:.2f}")

กฎเชิงประจักษ์ (Empirical Rule) กับค่าเบี่ยงเบนมาตรฐาน

เมื่อข้อมูลมีการแจกแจงแบบปกติ (Normal Distribution หรือโค้งระฆังคว่ำ) ค่าเบี่ยงเบนมาตรฐานจะกลายเป็นตัวทำนายที่แม่นยำมาก กฎเชิงประจักษ์ หรือที่รู้จักกันในชื่อกฎ 68-95-99.7 ระบุว่าข้อมูลเกือบทั้งหมดจะอยู่ภายในสามส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย ทำให้นักวิเคราะห์สามารถระบุค่าผิดปกติ (Outliers) และเข้าใจความน่าจะเป็นที่จะเกิดการสังเกตการณ์หนึ่งๆ ได้อย่างรวดเร็ว

ระยะห่างจากค่าเฉลี่ยร้อยละของข้อมูลการนำไปใช้งาน
±1σ68.27%ระบุค่าทั่วไปที่พบได้ในชีวิตประจำวัน
±2σ95.45%กำหนดช่วงความเชื่อมั่น (Confidence Intervals)
±3σ99.73%ตรวจจับค่าผิดปกติรุนแรง (Extreme Outliers)

ค่าเบี่ยงเบนมาตรฐาน vs. ค่าแปรปรวน

ค่าแปรปรวนและค่าเบี่ยงเบนมาตรฐานเป็นตัววัดความกระจายที่เกี่ยวข้องกันอย่างใกล้ชิด ค่าแปรปรวน (σ² หรือ s²) คือค่าเฉลี่ยของผลต่างยกกำลังสองจากค่าเฉลี่ย ในขณะที่ค่าเบี่ยงเบนมาตรฐานคือรากที่สองของค่าแปรปรวน เนื่องจากค่าแปรปรวนมีหน่วยเป็นกำลังสอง (เช่น บาทกำลังสอง, ตารางเซนติเมตร) จึงตีความยากในบริบทของข้อมูลดั้งเดิม ค่าเบี่ยงเบนมาตรฐานแก้ปัญหานี้โดยแปลงหน่วยวัดกลับไปเป็นหน่วยเดิม

การรายงานข้อมูลของคุณ

ควรรายงานค่าเบี่ยงเบนมาตรฐานควบคู่กับค่าเฉลี่ยเสมอเมื่ออธิบายข้อมูล เนื่องจาก SD มีหน่วยเดียวกับค่าเฉลี่ย (เช่น บาท, เซนติเมตร, กิโลกรัม) จึงทำให้ผู้อ่านเข้าใจความกระจายของข้อมูลได้อย่างทันทีที่สัมผัสได้

ข้อผิดพลาดที่ควรหลีกเลี่ยง

แม้ค่าเบี่ยงเบนมาตรฐานจะเป็นเครื่องมือที่ทรงพลัง แต่ก็มักถูกใช้ผิดวิธีบ่อยครั้ง การใช้สูตรผิดหรือเข้าใจผิดว่าค่าที่ได้แทนความหมายอะไร อาจนำไปสู่การวิเคราะห์ข้อมูลที่บกพร่องและข้อสรุปที่ไม่ถูกต้องได้

  • ใช้สูตรประชากรกับกลุ่มตัวอย่าง: การลืมใช้ n - 1 กับกลุ่มตัวอย่างจะทำให้ค่าความกระจายที่คำนวณได้ต่ำกว่าความเป็นจริง ซึ่งเป็นการประเมินค่าแปรปรวนของประชากรที่แท้จริงต่ำเกินไป
  • นำ SD ไปใช้กับการแจกแจงที่ไม่ปกติ: กฎเชิงประจักษ์ใช้ได้กับการแจกแจงแบบปกติเท่านั้น สำหรับข้อมูลที่เบ้มากๆ SD อาจไม่สะท้อนความกระจายได้อย่างแม่นยำ
  • สับสนระหว่าง SD กับ Standard Error: Standard Error วัดความแม่นยำของการประมาณค่าเฉลี่ยกลุ่มตัวอย่าง ในขณะที่ค่าเบี่ยงเบนมาตรฐานวัดความกระจายของข้อมูลต้นทางโดยตรง

ระวังค่าผิดปกติ (Outliers)

ค่าเบี่ยงเบนมาตรฐานไวต่อค่าผิดปกติรุนแรงมาก เนื่องจากสูตรมีการยกกำลังสองผลต่างจากค่าเฉลี่ย ค่าผิดปกติเพียงค่าเดียวที่สูงหรือต่ำผิดปกติมากๆ สามารถทำให้ค่าเบี่ยงเบนมาตรฐานพองขึ้นจนผิดสัดส่วน ทำให้ข้อมูลดูมีความแปรปรวนมากกว่าที่เป็นจริง

Further Reading

Sources

References and further authoritative reading used in preparing this article.

  1. วิกิพีเดีย: ค่าเบี่ยงเบนมาตรฐาน
  2. คู่มือสถิติ e-Handbook ของ NIST/SEMATECH
  3. ข่าน อะคาเดมี: สถิติและความน่าจะเป็น
← 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 goalWhat to focus onCommon mistake
DefinitionWhat the metric is and what quantity it summarizesTreating the formula as self-explanatory
Formula choiceSample versus population assumptions and notationUsing n when n-1 is required or vice versa
InterpretationWhether the result indicates concentration, spread, or riskCalling 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.