入門核心概念·10 min

標準差 vs 全距：完整比較指南

全面比較標準差和全距這兩種離散程度量度。學習公式、各自的優缺點、使用限制，以及何時應該使用哪一種。

兩種衡量離散程度的方法

全距和標準差都衡量資料的離散程度，但它們捕捉的是分散性的不同面向。了解何時使用哪一種，對於正確的資料分析至關重要。

全距告訴你極端值——最大值和最小值之間的距離。標準差告訴你圍繞平均值的典型分散程度。兩者都很有用，但適用於不同的目的。

快速決策指南

當你關心極端值時使用全距（品質管控限值、溫度變化）。當你關心典型變異性且需要統計嚴謹性時使用標準差。

定義與公式

全距

全距 = 最大值 - 最小值 最簡單的離散程度衡量指標。無論資料集多大，只考慮兩個值。

標準差

s = √[Σ(xᵢ - x̄)² / (n-1)] 使用每一個資料點來衡量與平均數之間的平均距離。

正面對決

全距的優缺點

優點： - 計算極其簡單——只需相減 - 容易理解和溝通 - 直接顯示資料的跨度 - 適合快速品質檢查 缺點： - 忽略所有中間值 - 極度敏感於離群值 - 隨樣本數增加而預期增大 - 統計效率低

標準差的優缺點

優點： - 使用所有資料點 - 統計效率高且穩健 - 樣本數增加時保持穩定 - 是進階統計的基礎 缺點： - 手動計算較複雜 - 對非統計專業人士較不直觀 - 可能隱藏重要的極端值 - 仍受離群值影響（可改用 MAD）

何時使用哪一種

使用全距的時機：

需要快速、粗略的離散程度估計
極端值才是重要的（例如暖通空調設計的溫度範圍）
已知資料乾淨無離群值
向不熟悉統計的受眾溝通
樣本數小且固定（所有比較的樣本數相同）

使用標準差的時機：

進行統計分析或假設檢定
比較不同樣本數的變異性
計算信賴區間或 p 值
評估典型變異而非極端值
資料可能含有不應主導結果的離群值

實務範例

範例：每日溫度

資料：72°F, 75°F, 74°F, 73°F, 76°F, 71°F, 74°F 全距： 76 - 71 = 5°F（溫度擺幅） 標準差： 1.72°F（日與日之間的典型變化）兩者在這裡都有用——全距用於暖通空調容量設計，標準差用於舒適度一致性。

範例：含離群值的考試成績

資料：85, 88, 87, 86, 89, 42（一個學生沒準備） 全距： 89 - 42 = 47 分（被離群值主導！） 標準差： 17.4 分（仍受影響但程度較小）全距在這裡會產生誤導。建議使用標準差或移除離群值。

進階考量

全距與標準差的關係： 對於常態分配的資料，在一般的樣本大小下，全距 ≈ 4-6 × 標準差。這可以用來在兩者之間做粗略的轉換。

四分位距 (IQR)： 一個折衷方案，使用 Q3 - Q1 而非最大值 - 最小值。它比全距更穩健，又比標準差更簡單。

最佳做法

適當時同時報告兩個量度。“溫度全距為 15°F（標準差 = 4.2°F）”讓讀者同時獲得極端值和典型變異的完整資訊。

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.