標準偏差

標準偏差（ひょうじゅんへんさ、（英: standard deviation, SD）とは、データや確率変数の、平均値からの散らばり具合（ばらつき）を表す指標の一つである。偏差ベクトルと、値が標準偏差のみであるベクトルは、ユークリッドノルムが等しくなる。

標準偏差を2乗したのが分散であり、従って、標準偏差は分散の非負の平方根である^[1]。標準偏差が 0 であることは、データの値が全て等しいことと同値である。

母集団や確率変数の標準偏差を σ で、標本の標準偏差を s で表すことがある。

二乗平均平方根 (RMS) を用いると、標準偏差は偏差の二乗平均平方根に等しくなる。

データ x₁, x₂, …, x_n の平均値からの散らばり具合を数値にした標準偏差は、次の式で定義される：

${\displaystyle s={\sqrt {{\frac {1}{n}}\textstyle \sum \limits _{i=1}^{n}(x_{i}-{\overline {x}})^{2}}}}$

ここで x は平均値を表す。この定義は、データを数ベクトルと見て、「散らばり具合」を偏差ベクトルのユークリッドノルムととらえる考えに基づく（このことより平均偏差でなく自乗平均をとる）。

もとのデータ x を、平均値、「散らばり具合」を変えず、偏差が全て同じであるように取り直したデータ y を考える。

x の大きさが奇数のときは、x を、自分自身2個を併せたデータ（大きさは偶数）に取り直す（そうしても平均値、「散らばり具合」は変わらない）。

y の偏差ベクトルは (±s, ±s, …, ±s) (s ≥ 0) の形になる。x と y の「散らばり具合」が等しいことから、

${\displaystyle \|{\boldsymbol {x}}-{\overline {\boldsymbol {x}}}\|=\|(\pm s,\cdots ,\pm s)\|}$

${\displaystyle ns^{2}=\textstyle \sum \limits _{i=1}^{n}(x_{i}-{\overline {x}})^{2}}$

${\displaystyle s={\sqrt {{\frac {1}{n}}\textstyle \sum \limits _{i=1}^{n}(x_{i}-{\overline {x}})^{2}}}}$ //

標準偏差は平方根を取るため、簡単な計算法則が成り立ちにくいという特徴がある。そこで分散 s² を

${\displaystyle s^{2}={\frac {1}{n}}\textstyle \sum \limits _{i=1}^{n}(x_{i}-{\overline {x}})^{2}}$

で定義する。分散には簡単な計算法則がいくつか成り立つことから、種々の標準偏差ができるようになる。

標準偏差の概念は、イギリスの統計学者フランシス・ゴルトンにより、親子の身長の相関関係を調べる中で初めて見出された^[2]。データを数ベクトルと見る考え方は相関係数の導入と命名につながった。ゴルトンはこれらの研究により平均への回帰という現象を見出した^[3]。

ユニヴァーシティ・カレッジ・ロンドンのゴルトン研究室を継承した^[4]カール・ピアソンはゴルトンの研究を定式化^[2]、体系化し^[5]、初めて "standard deviation"（「標準偏差」）と名付けた^[6][7][8]。

確率分布において最も基本となる正規分布曲線において、変曲点の x座標と平均の絶対差は標準偏差に等しくなる。このことから、標準偏差は信頼区間の基本的な単位となる。

日本の受験業界で広く使われている学力偏差値は標準偏差の応用例の一つで、異なる試験でも、平均点よりどれだけ離れているかをある統一した尺度でとらえることができるようになっている。

金融工学においては、株式のリスクを確率分布の標準偏差でとらえることがある^[9][10]。

母集団全てのデータ x₁, x₂, …, x_n に対して、平均値 x は次の式で定義される：

${\displaystyle {\overline {x}}={\frac {1}{n}}\textstyle \sum \limits _{i=1}^{n}x_{i}}$

この平均値 x を使って得られる分散 σ² を次の式で定義する：

${\displaystyle \sigma ^{2}={\frac {1}{n}}\textstyle \sum \limits _{i=1}^{n}(x_{i}-{\overline {x}})^{2}={\dfrac {1}{n}}\sum \limits _{i=1}^{n}{x_{i}}^{2}-{\overline {x}}^{2}}$

σ² を母分散と言うこともある。

この分散の非負の平方根 σ を、母集団の標準偏差と定義する^[11]。分散もデータの散らばり具合を表す統計量であるが、分散と違い標準偏差はデータの値と次元が等しくなる。偏差は平均的には標準偏差の分だけ離れていると考えることができる^[12]。

母集団の中から、大きさ n（母集団の大きさよりはるかに小さい）の標本 x₁, x₂, …, x_n を抽出したとする。このとき、標本平均は次の式で表される：

${\displaystyle {\bar {x}}={\frac {1}{n}}\textstyle \sum \limits _{i=1}^{n}x_{i}}$

この標本平均を使って次式で定義される量を標本分散と呼ぶ：

${\displaystyle s^{2}={\frac {1}{n}}\textstyle \sum \limits _{i=1}^{n}(x_{i}-{\bar {x}})^{2}={\dfrac {1}{n}}\sum \limits _{i=1}^{n}{x_{i}}^{2}-{\bar {x}}^{2}}$

標本分散の平方根 s を標本標準偏差と呼ぶ^[11]。

σ² を母分散、s² を標本分散とすると、標本分散の期待値 E[s²] は、

${\displaystyle E[s^{2}]={\frac {n-1}{n}}\sigma ^{2}}$

となることが示される。つまり、標本分散は母分散よりも少し小さくなる^{[注釈 1]}。そのため、標本分散は母分散の不偏推定量ではない。そこで、

${\displaystyle v^{2}={\frac {1}{n-1}}\textstyle \sum \limits _{i=1}^{n}(x_{i}-{\bar {x}})^{2}={\dfrac {1}{n-1}}\sum \limits _{i=1}^{n}{x_{i}}^{2}-{\dfrac {n}{n-1}}{\bar {x}}^{2}}$

を考えると、この量の期待値は母分散に等しく、母分散の不偏推定量になっている。

こうして定義される v² を不偏分散という。v を不偏標準偏差という。

紛らわしいが、 v² を標本分散と呼ぶこともある。さらに v² の平方根 v を標本標準偏差ということもある。名称の混乱については後述する。

前述のように不偏分散は、母分散の不偏推定量である（標本から測定した推定量の期待値が母分散に等しい）。しかし、不偏分散の平方根 v は、母集団の標準偏差の不偏推定量ではない。

母集団が正規分布に従う場合、母集団の標準偏差の不偏推定量 D は次式で与えられる^[13]：

${\displaystyle D={\sqrt {\frac {n-1}{2}}}{\frac {\Gamma \left({\frac {n-1}{2}}\right)}{\Gamma \left({\frac {n}{2}}\right)}}v}$

ここで、Γ はガンマ関数、v² は不偏分散である。

標本の大きさが大きくなれば、母集団の標準偏差の不偏推定量 D は、近似的に、平均からの偏差平方和を n − 1.5 で割った値の平方根として求められる^[14]：

${\displaystyle D\approx {\sqrt {{\frac {1}{n-1.5}}\textstyle \sum \limits _{i=1}^{n}(x_{i}-{\bar {x}})^{2}}}={\sqrt {{\dfrac {1}{n-1.5}}\textstyle \sum \limits _{i=1}^{n}{x_{i}}^{2}-{\dfrac {n}{n-1.5}}{\bar {x}}^{2}}}}$

統計の教科書によっては、不偏分散（分母が n − 1 の方）を「標本分散」と呼んでいる場合もあり^[15]、用語が混乱して使用されている場合がある。母平均が不明で、代わりに標本平均を使用する場合には、期待値が母分散となる不偏分散を使用することが多い^[16]。

英語では不偏分散による標準偏差のことを「sample standard deviation」（標本標準偏差）と呼ぶことが多い。この語はカール・ピアソンによって1893年に導入された^[17]。ただし不偏分散による標準偏差を意味する英語の表現には混乱がある。

• 英語版ウィキペディアの「standard deviation」という記事では、不偏分散による標準偏差（平均からの偏差平方和を n − 1 で割った値の平方根）のことを「corrected sample standard deviation」と表記し、平均からの偏差平方和を n で割った値の平方根を「uncorrected sample standard deviation」や「the standard deviation of the sample」と表記している^{[出典無効]}。
• アメリカの Fundamentals of Engineering (FE) の試験問題での「sample standard deviation」は n − 1 で割る方を意味する。
• アメリカ・ユタ大学のトム・マロイは、統計学の学習者向けウェブページ^[18]では、「sample standard deviation」を平均からの偏差平方和を n で割った値の平方根だと解説している。

日本語の「不偏標準偏差」という語にも混乱がある。日本の大学教授の間でも、不偏分散 v² の平方根を、不偏標準偏差だと教える大学教員も多いが、母集団の標準偏差の不偏推定量 D を不偏標準偏差だと教える教員もいる。

• 兵庫大学の河野稔によるウェブページ^[19]や神戸大学の中澤港によるウェブページ^[20]では前者である。
• 東北学院大学の根市一志による資料^[21]では後者である。

このように、同じ用語でも話者によって定義が異なる場合がある。

表計算ソフトでは次のようなワークシート関数が用意されている。

X を離散型確率変数とする。X のとりうる値を x₁, x₂, …, x_n, … とし、X が x_i をとる確率を p_i で表す。このとき

${\displaystyle \textstyle \sum \limits _{i=1}^{\infty }p_{i}=1\quad (p_{i}\geq 0)}$

である。このとき

${\displaystyle E[X]=\textstyle \sum \limits _{i=1}^{\infty }p_{i}x_{i}}$

を確率変数 X の期待値という。また、

${\displaystyle V[X]=E{\Bigl [}{\bigl (}X-E[X]{\bigr )}^{2}{\Bigr ]}=\textstyle \sum \limits _{i=1}^{\infty }p_{i}{\bigl (}x_{i}-E[X]{\bigr )}^{2}=E[X^{2}]-(E[X])^{2}}$

を確率変数 X の分散という。この分散の非負の平方根を標準偏差という。

X を連続型確率変数とする。X の値が区間 [x₁, x₂] に属する確率が、連続関数 f(x) を用いて

${\displaystyle \int _{x_{1}}^{x_{2}}\!f(x)\,dx}$

と表せるとき、f(x) を X の確率密度関数という。このとき

${\displaystyle f(x)\geq 0,\quad \int _{-\infty }^{\infty }\!f(x)\,dx=1}$

である。このとき

${\displaystyle E[X]=\int _{-\infty }^{\infty }\!xf(x)\,dx}$

を確率変数 X の期待値という。また、

${\displaystyle V[X]=\int _{-\infty }^{\infty }\!{\big (}x-E[X]{\big )}^{2}f(x)\,dx}$

を確率変数 X の分散という。この分散の非負の平方根を標準偏差という。

母標準偏差が未知のときは、標本から得られた標本標準偏差から推定することができる。母標準偏差を σ、大きさ N の標本の標準偏差を s とすると、母集団分布が正規分布ならば σ² は次の自由度 N − 1 の χ² 分布に従う。

${\displaystyle \chi ^{2}={\frac {Ns^{2}}{\sigma ^{2}}}}$

σ の95%信頼区間は P = 0.975 の χ² から P = 0.025 の χ² までの範囲で、s と σ の比は N = 5 では 0.31 から 1.49、N = 20 では 0.67 から 1.28 となり、標本が小さい場合はかなり範囲が広いことに留意すべきである。

• 統計学
• 統計量
• 分散 (統計学)
• 偏差
• 偏差値
• 平均偏差
• 四分位偏差
• 二乗平均平方根 (RMS)
• 標準誤差 (SE)
• 正規分布
• リスク

• Weisstein, Eric W. "Standard Deviation". mathworld.wolfram.com (英語).
• 『標準偏差』 - コトバンク

表 話 編 歴 統計学
標本調査	標本 母集団 無作為抽出 層化抽出法
記述統計学	連続データ 位置 平均 算術 幾何 調和 中央値 分位数 順序統計量 最頻値 階級値 分散 範囲 偏差 偏差値 標準偏差 標準誤差 変動係数 決定係数 相関係数 自己相関 共分散 自己共分散 分散共分散行列 百分率 統計的ばらつき モーメント 分散 歪度 尖度 カテゴリデータ 頻度 分割表
推計統計学	仮説検定 パラメトリック t検定 ウェルチのt検定 F検定 Z検定 二項検定 ジャック–ベラ検定 シャピロ–ウィルク検定 分散分析 共分散分析 ノンパラメトリック ウィルコクソンの符号順位検定 マン・ホイットニーのU検定 カイ二乗検定 イェイツのカイ二乗検定 累積カイ二乗検定 フィッシャーの正確確率検定 尤度比検定 G検定 アンダーソン–ダーリング検定 コルモゴロフ–スミルノフ検定 カイパー検定 マンテル検定 コクラン・マンテル・ヘンツェルの統計量 その他 帰無仮説 対立仮説 有意 棄却 区間推定 信頼区間 予測区間 モデル選択基準 AIC BIC WAIC MDL その他 偏り 偏りと分散 過剰適合 推定量 点推定 最尤推定 尤度関数 尤度方程式 最小距離推定 メタアナリシス ブートストラップ法
ベイズ統計学	確率 主観確率 ベイズ確率 事前確率 事後確率 最大事後確率 その他 ベイズ推定 ベイズ因子
相関	相関係数 ピアソンの積率相関係数 スピアマンの順位相関係数 ケンドールの順位相関係数 偏相関係数 その他 自己相関 空間的自己相関 相互相関 交絡変数 相関関係と因果関係 擬似相関 錯誤相関
モデル	一般線形モデル 一般化線形モデル 混合モデル 一般化線形混合モデル
回帰	線形 リッジ回帰 ラッソ回帰 エラスティックネット 非線形 k近傍法 回帰木 ランダムフォレスト ニューラルネットワーク サポートベクター回帰 射影追跡回帰 時系列 自己回帰モデル 自己回帰移動平均モデル ARCHモデル 対移動平均比率法 トレンド定常 傾向推定 共和分 構造変化
分類	線形 線形判別分析 ロジスティック回帰 単純ベイズ分類器 単純パーセプトロン 線形サポートベクターマシン 二次 二次判別分析 非線形 k近傍法 決定木 ランダムフォレスト ニューラルネットワーク サポートベクターマシン ベイジアンネットワーク 隠れマルコフモデル その他 二項分類 多クラス分類 第一種過誤と第二種過誤
教師なし学習	クラスタリング k平均法（k-means++法） DBSCAN 密度推定（英語版） カーネル密度推定（カーネル） その他 主成分分析 独立成分分析 自己組織化写像
統計図表	棒グラフ バイプロット（英語版） 箱ひげ図 管理図 フォレストプロット ヒストグラム 円グラフ Q-Qプロット ランチャート 散布図 幹葉図 バイオリン図 ドットプロット ヒートマップ 階級区分図
生存時間分析	生存時間関数 カプラン＝マイヤー推定量 ログランク検定 故障率 比例ハザードモデル
歴史	統計学の創始者 確率論と統計学の歩み
応用	社会統計学 疫学 生物統計学 系統学 統計力学 計量経済学 機械学習 実験計画法
出版物	統計学に関する学術誌一覧 重要な出版物
全般	統計 頻度主義統計学 統計学および機械学習の評価指標
その他	方向統計学 S言語 R言語 統計検定 社会調査士 JDLA Deep Learning For GENERAL JDLA Deep Learning for ENGINEER 実用数学技能検定 品質管理検定
カテゴリ