Standardabweichung verständlich erklärt – ohne Mathenotation

Die Standardabweichung ist eine einzige Zahl, die zusammenfasst, wie stark eine Menge von Werten streut. Eine kleine Standardabweichung bedeutet, dass die Werte eng um den Mittelwert liegen. Eine große bedeutet, dass sie gestreut sind. Das ist das ganze Konzept. Alles andere — die Formel, die n-1-vs-n-Debatte, die Glockenkurve — ist nur Maschinerie, um die Streuung über verschiedene Datensätze und Stichprobengrößen hinweg vergleichbar zu machen.

Was sie tatsächlich misst

Stellen Sie sich zwei Klassen vor, die jeweils einen durchschnittlichen Testwert von 75 haben.

• Klasse A: Werte sind 73, 74, 75, 76, 77. Standardabweichung: 1,6.
• Klasse B: Werte sind 55, 65, 75, 85, 95. Standardabweichung: 15,8.

Gleicher Mittelwert, sehr unterschiedliche Verteilungen. Klasse A ist gleichmäßig; Klasse B hat eine große Spannweite. Die Standardabweichung erfasst diesen Unterschied in einer einzigen Zahl.

Die Einheit der Standardabweichung ist dieselbe wie die der Daten. Testwerte in Punkten → Standardabweichung in Punkten. Größen in Zentimetern → Standardabweichung in Zentimetern. Das macht die Zahl direkt interpretierbar.

Wie man sie berechnet (in drei Schritten)

1. Den Mittelwert bestimmen. Werte summieren, durch die Anzahl teilen.
2. Den quadrierten Abstand jedes Werts vom Mittelwert berechnen. Für Klasse A oben ist der Mittelwert 75. Die quadrierten Abstände sind: (73-75)² = 4, (74-75)² = 1, (75-75)² = 0, (76-75)² = 1, (77-75)² = 4. Summe: 10.
3. Durch n-1 (Stichprobe) oder n (Grundgesamtheit) teilen, dann die Quadratwurzel ziehen. Klasse A: 10/(5-1) = 2,5; √2,5 = 1,58.

Das Quadrieren ist das, was große Abweichungen über kleine dominieren lässt — eine Abweichung von 4 trägt 16 zur Summe bei; eine Abweichung von 1 trägt 1 bei. Die Quadratwurzel am Ende bringt das Ergebnis zurück in die ursprüngliche Einheit.

n vs. n-1: warum es zwei Formeln gibt

Wenn Sie alle Daten haben (jeden Wert der Grundgesamtheit), teilen Sie durch n. Wenn Sie eine Stichprobe aus einer größeren Grundgesamtheit haben und deren Standardabweichung schätzen wollen, teilen Sie durch n-1. Die n-1-Version heißt Stichproben-Standardabweichung; die n-Version ist die Grundgesamtheits- Standardabweichung.

Warum verwendet die Stichprobenversion n-1? Weil der Stichprobenmittelwert selbst ein Punkt der Stichprobe ist, unterschätzt die Stichprobe die wahre Streuung der Grundgesamtheit (die Datenpunkte liegen im Mittel näher an ihrem eigenen Mittelwert als am wahren Grundgesamtheitsmittelwert). Die Division durch n-1 bläht die Schätzung gerade so weit auf, dass die Verzerrung im Mittel korrigiert wird. Dies nennt man Bessel-Korrektur.

Praktisch: Wenn Sie die Standardabweichung aus einer Stichprobe berechnen (was die meisten realen Berechnungen tun), verwenden Sie n-1. Excels STDEV.S und Pythons statistics.stdev verwenden standardmäßig n-1. Excels STDEV.P und numpy.std verwenden standardmäßig n. Die falsche Funktion zu wählen, verändert die Ergebnisse bei kleinen Stichproben unbemerkt um einige Prozent.

Wie man die Zahl liest

Sobald Sie die Standardabweichung haben, hier die nutzbare Intuition:

• Etwa 68 % der Werte liegen innerhalb von ±1 Standardabweichung vom Mittelwert (bei annähernd normalverteilten Daten).
• Etwa 95 % liegen innerhalb von ±2 Standardabweichungen.
• Etwa 99,7 % liegen innerhalb von ±3 Standardabweichungen.

Diese “68-95-99,7-Regel” (auch empirische Regel genannt) gilt für jede annähernd glockenförmige Verteilung. Für Klasse A oben: Mittelwert 75, SD 1,58. Das Intervall [73,4; 76,6] sollte etwa 68 % der Werte enthalten — und mit Blick auf die tatsächlichen Zahlen fallen drei der fünf (60 %) in diesen Bereich. Nah genug für eine Stichprobe von fünf.

Für nicht-normale Verteilungen (stark schiefe Daten, bimodale Daten, ausreißerbehaftete Daten) gilt die empirische Regel nicht sauber. In diesen Fällen beschreiben Perzentile oder der Interquartilsabstand die Streuung besser als die Standardabweichung.

Eine einzelne Beobachtung in “wie viele Standardabweichungen vom Mittelwert” auszudrücken, ist so nützlich, dass es einen eigenen Namen hat: den z-Wert. Für Klasse A hat ein Schüler mit 78 Punkten einen z-Wert von (78 − 75) / 1,58 ≈ 1,9 — fast zwei SD über dem Mittelwert, was ihn in die obersten etwa 3 % einer Normalverteilung bringt.

Wann die Standardabweichung das falsche Werkzeug ist

Drei Fälle:

1. Ausreißer. Ein Extremwert bläht die Standardabweichung dramatisch auf. Einkommensdaten sind ein klassisches Beispiel — ein einziger Milliardär in einer Stichprobe von tausend Personen zieht die Standardabweichung weit höher als jede intuitive Vorstellung typischer Streuung. Verwenden Sie stattdessen den Interquartilsabstand oder die mittlere absolute Abweichung.
2. Schiefe Verteilungen. Wenn die meisten Werte klein und wenige sehr groß sind (oder umgekehrt), beschreiben Mittelwert und Standardabweichung zusammen die Form nicht. Geben Sie Perzentile oder Quartile an.
3. Kategoriale Daten.Die Standardabweichung erfordert eine numerische Skala, auf der Abstand eine Bedeutung hat. Man kann keine sinnvolle Standardabweichung der Werte [“rot”, “blau”, “grün”] berechnen.

Varianz: die Cousine der Standardabweichung

Die Varianz ist dieselbe Berechnung ohne die abschließende Quadratwurzel. Sie ist in quadrierten Einheiten (Punkte², cm²), was direkt schwerer zu interpretieren, aber mathematisch leichter zu handhaben ist — Varianzen können über unabhängige Quellen addiert werden, Standardabweichungen nicht. In der Praxis berechnen Sie die Varianz und geben die Standardabweichung an.

Kurzes durchgerechnetes Beispiel

Datensatz: [4, 8, 6, 5, 3, 7]

• Mittelwert: (4+8+6+5+3+7) / 6 = 5,5
• Quadrierte Abweichungen: (4-5,5)² = 2,25, (8-5,5)² = 6,25, (6-5,5)² = 0,25, (5-5,5)² = 0,25, (3-5,5)² = 6,25, (7-5,5)² = 2,25
• Summe der quadrierten Abweichungen: 17,5
• Stichprobenvarianz (÷ n-1): 17,5 / 5 = 3,5
• Stichproben-Standardabweichung: √3,5 = 1,87

Zur Kontrolle mit unserem Statistik-Rechner — er berechnet Mittelwert, Median, beide Versionen der Standardabweichung und Perzentile in einem Durchgang.

Das pragmatische Fazit

Die Standardabweichung beantwortet “wie stark streuen diese Daten?” in den eigenen Einheiten der Daten. Für annähernd normalverteilte Daten lässt die 68/95/99,7-Regel die Zahl in eine schnelle Vorstellung übersetzen. Für schiefe oder ausreißerlastige Daten greifen Sie auf Perzentile zurück. Und prüfen Sie stets, ob das Werkzeug, das Sie verwenden, den n-1- (Stichprobe) oder n- (Grundgesamtheit) Divisor anwendet — der Unterschied ist klein, aber real.

Schritt für Schritt: zwei Fertigungslinien vergleichen

Zwei Produktionslinien fertigen 100-mm-Wellen. Jeweils zwanzig Stichproben, alle Messungen innerhalb der Toleranz:

• Linie A: Mittelwert 100,00 mm, Stichproben-SD 0,05 mm.
• Linie B: Mittelwert 100,00 mm, Stichproben-SD 0,20 mm.

Identische Mittelwerte. Linie A ist viermal konsistenter. Nach der 68/95/99,7-Regel hält Linie A 99,7 % der Teile innerhalb von ±0,15 mm vom Nennmaß; das 99,7 %-Intervall von Linie B liegt bei ±0,60 mm. Liegt die Konstruktionstoleranz bei ±0,30 mm, produziert Linie A erwartungsgemäß null Teile außerhalb der Toleranz; Linie B produziert etwa 13 % außerhalb der Toleranz. Die Standardabweichung legt den Unterschied in einer Zahl offen; die Mittelwerte allein würden nahelegen, die Linien seien nicht zu unterscheiden.

Dies ist die ingenieurtechnische Version des Einkommensbeispiels — gleicher Mittelpunkt, andere Streuung, dramatisch andere Folgen. SPC-Karten (statistische Prozesskontrolle) in der Fertigung laufen genau nach dieser Logik: Mittelwert und SD über die Zeit verfolgen; die Linie markieren, wenn die SD steigt, selbst wenn der Mittelwert bleibt.

Häufige Fehler

• n vs. n-1 inkonsistent über einen Bericht hinweg verwenden. Excel STDEV.S mit dem NumPy-Standard numpy.std in derselben Analyse zu mischen, erzeugt winzige, aber reale Diskrepanzen. Wählen Sie eine Konvention pro Projekt und dokumentieren Sie sie.
• SD ohne n angeben. Die Standardabweichung von drei Messungen ist im Wesentlichen nichtssagend. Bei n=3 hat Ihre SD-Schätzung selbst einen Standardfehler von etwa 40 %. Geben Sie zu jeder SD die Stichprobengröße an; unterhalb von etwa n=10 behandeln Sie die SD als groben Schätzwert.
• “3-Sigma-Ereignisse” als unmöglich behandeln. Der Wert 99,7 % gilt für Normalverteilungen. Reale Daten mit schweren Rändern (Märkte, Naturkatastrophen, Netzwerklatenzen) erzeugen 3-Sigma-Ereignisse um Größenordnungen häufiger, als das Normalmodell vorhersagt. Die Finanzkrise 2008 war unter Gauß-Annahmen ein 25-Sigma-Ereignis; unter Potenzgesetz-Annahmen war sie Routine.
• SD mit Standardfehler verwechseln. Die Standardabweichung beschreibt die Streuung der Daten; der Standardfehler des Mittelwerts beschreibt die Präzision der Mittelwert-Schätzung. SEM = SD / √n und schrumpft mit der Stichprobengröße. Sie zu verwechseln, bläht die scheinbare Präzision auf.
• Standardabweichungen addieren. SDs addieren sich nicht. Die Varianzen unabhängiger Variablen addieren sich; ziehen Sie die Quadratwurzel der Summe, um die kombinierte SD zu erhalten. SD_kombiniert = √(SD₁² + SD₂²), nicht SD₁ + SD₂.

Für die Frage nach dem Zentrum der Verteilung, die zur Streuung passt, lesen Sie weiter in unserem Leitfaden zu Mittelwert, Median und Modus.

Quellen: NIST/SEMATECH e-Handbook of Statistical Methods, §1.3.5.6 (Standard Deviation). Bessel-Korrektur, Originalveröffentlichung: F. W. Bessel, Astronomische Nachrichten, 1819. Wasserman, All of Statistics(2004) zu erwartungstreuen Schätzern.