a full student-level standard deviation 是什么意思？

standard deviation【统计学】均方差，标准差短语standard geometric deviation 标准几何离差standard of deviation 标准差例句：And you can calculate the standard deviation that way. 你可以用这种方法计算标准偏差。

方差开根号

标准差（Standard Deviation） ，也称均方差（mean square error）

　　标准差又常称均方差，能反映一个数据集的离散程度，也是数学考试经常出现的考点。那么你知道标准差用英语怎么说吗?下面跟着我一起来学习一下吧。 　　标准差的英语说法： 　　standard deviation 　　标准差相关英语表达： 　　标准差系数 coefficient of standard deviation 　　样品标准差 sample standard deviation 　　母体标准差 population standard deviation 　　标准差单位 standard deviation unit 　　标准差的英语例句： 　　1. The positive square root of the variance is called the standard deviation. 　　方差的正的平方根叫做标准差. 　　2. The statistical description includes percentages , means , standard deviations, frequency, and Pearson"s r. 　　统计描述用百分数、均数 、 标准差 、 频数 、 Pearson相关系数. 　　3. Standard deviation tells you if the estimate includes a pad. 　　标准差告诉你估算的不确定性有多高. 　　4. Corresponding to the same probabilities, the ranges of uniform R. V. are calculated. 　　再以相同之机率算出标准差亦为一之均匀分布随机变数对应之变数范围. 　　5. This spread of possible outcomes is usually measured by standard deviation. 　　这一未来结果的展步通常以标准差衡量. 　　6. These standard deviations are also calculated from monthly data. 　　18这些标准差也是从月度数据计算得出. 　　7. The usual measure of this spread is the standard deviation or variance. 　　这种展步的通常衡量是标准差或者方差. 　　8. Calculate the variance and standard deviation of this rate of return. 　　计算这一回报率的方差和标准差. 　　9. The actual deviation is positive because we don"t know what will happen. 　　实际的标准差是正数因为我们不知道会发生什么. 　　10. Relative standard deviation of this method is below 3 %. 　　 方法 的相对标准差低于3%. 　　11. The standard deviation of a well - diversified portfolio is proportional to its beta. 　　一个分散充分的投资组合的标准差与其beta是成比例的. 　　12. A . A . Standard deviation tells you if the duration is realistic. 　　标准差告诉你历时是否是现实的. 　　13. Volatility is the annual standard deviation of some assets return. 　　某项资产的波动率指的是该资产收益的年标准差. 　　14. Standard deviations , 95 % confidence interals, and 90 % prediction interals also calculated. 　　并计算标准差 、 95%可信区间和90%的预测区间. 　　15. What does the standard deviation have to do with risk? 　　标准差和风险有何关系?

standard deviation：标准差 ，也称均方差（mean square error），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。mean deviation：平均偏差是指单项测定值与平均值的偏差（取绝对值）之和，除以测定次数。它是代表一组测量值中任意数值的偏差。所以平均偏差不计正负。

标准差标准差定义方差的算术平方根，反映组内个体间的离散程度。测量到分布程度的结果，原则上具有两种性质：一个总量的标准差或一个随机变量的标准差，及一个子集合样品数的标准差之间，有所差别。其公式如下所列。

同学你好，很高兴为您解答！　　　　Standard Deviation标准差1. 指一系列数据相对其平均值的离散度。离散的程度越高，标准差就越高2. 在金融财务上，将标准差应用在投资的年度回报率，以衡量投资的波动性。　　对于各个投资领域内的专业人员，包括基金经理、证券分析师、财务总监、投资顾问、投资银行家、交易员等等，CFA非常重要；它直接证明了你的职业素养和能力，被投资业看成一个“黄金标准”,这一资格被认为是投资业界中具有专业技能和职业操守的承诺。考生考过CFA对自己将会有很大帮助。　　希望高顿网校的回答能帮助您解决问题，更多财会问题欢迎提交给高顿企业知道。高顿祝您生活愉快！

standard deviation 是标准差 表示一组数值之间的离散程度计算公式：简单来说就是一组数据的每一个数与该组数据的平均值比较，通过得出来的数值看这组数据的离散程度。比如，全班男同学身高都差不多是1.75m，那么我们可以说这个班的男生身高标准差很小，因为大家都接近平均值就是说数据很集中。可是，五个姚明，十个潘长江组成一组，嗯，这个身高数据很离散，参差不齐，标准差很大....standard error 是标准误 是样本统计量的标准差在现实中，我们无法得知总体情况，总是以样本的分布情况去推断总体。比如，我国在校大学生每月伙食费用是多少。对于这个问题，我们不能全国范围统计各大高校每个同学的伙食费，于是，我们就用样本推断总体大概情况以得出我们所需要的数据。比如，抽取我国都东西南北部分高校部分同学的伙食费进行研究。而此时，标准误产生了。它是衡量样本抽样的误差的指标。再举一个例子说清楚问题。比如总体是1 2 3 4 5 6 7 8 9 10 总体平均数是：5.5而甲对总体进行抽样，可能得到 5 8 3 2 平均数是4.5乙进行抽样，得到 3 7 9 2 平均数5.25丙抽样，得到 4 6 9 2 4 1 平均数为4.3丁...............................平均数为x那么，4.5， 5.25 ，4.3.........x 组成一个新分布，这是一个以样本平均数为分布的，那么这个分布的标准差是什么呢？利用公式，我们可以得出这个分布的标准差，而这个标准差就是标准误。（当然这个分布的统计量有平均数，标准差，方差，相关系数等等。而我们这里以平均数为栗子。）如果知道总体的标准差，如果，不知道总体的标准差，用样本的标准差，采用它的无偏估计简单说就是统计量（样本）的标准差

这组数据的standarddeviation=1.4856311789943.....方法如下：首先standarddeviation=根号(variance)variance求法是VAR(X)=E(X^2)-E(X)^2E(X)就是expectedvalueofXE(X^2)=0^2*0.32+1^2*0.35+2^2*0.18+3^2*0.08+4^2*0.04+5^2*0.02+6^2*0.01=3.37E(X)^2=(0*0.32+1*0.35+2*0.18+3*0.08+4*0.04+5*0.02+6*0.01)^2=1.27^2=1.6129so:VAR(X)=3.37-1.1629=2.2071sd(X)=1.4856311789943.....这是什么课程的？有点好奇？呵呵回答补充：只知道excel里求std的command是=STDEV（number1：numbern）这种离散概率真不知道了

sd是standard deviation的缩写，即标准差。在统计表格中出现-3sd，一般默认都是指正态分布的三倍标准差。一倍的标准差(1sd)是68.2%，2sd是95.4%，3sd是99.7%。那么-3sd就是(1-99.7%)/2。举个例子，如果身高表里写的6岁 -3sd的值是104.1cm，就是说0.15%以上的6岁小朋友身高都超过104.1cm。6岁3sd的身高值是132.1cm，则说明99.85%的6岁小朋友身高都低于132.1cm。明白了吧？

stadard deviation=positive square root of the following number x x =( 6x(58-49.72)^2+7x(55-49.72)^2+11x(52-49.72)^2+9x(49-49.72)^2+7x(46-49.72)^2+ 6x(43-49.72)^2+4x(40-49.72)^2)/50 standard deviation=5.3180(corr. to 4 d.p.) 参考: Mathematics In Action 5B

假设加上的常数为C1、首先，均值变为原来的C倍，以下是均值公式如果每个x都加上一个C，那么总共加了n个C，那么公式变为(nC+x1+x2+……xn)/n=C+(x1+x2+……xn)/n，也就是在原来公式的基础上加了一个常数C2、标准差不变，以下是方差的公式：图中x1,x2……xn这些是数据原始值，x这里代表均值，之前我们已经说了，如果所有的原始数据都加一个常数，那么新的均值就是原来的均值加上这个常数，也就是x+C，那么，上图中括号内每一项现在变成[xn+C-(x+C)]2=（xn-x)2，可见给数据加上常数C以后的结果和不加是一样的，那么方差不变，又由于方差是标准差的平方，那么，方差不变的话标准差就不变，所以标准差还是原来的值3、中位数的位置不变，数值变为原来的中位数+C这个很好理解，中位数是把所有数据高低排序后所取的中间值，你给每个数加上一个常数，那么他们的大小关系还是不变的，所以中位数还在原来的位置，只是数值比原来多了个常数C望采纳

全体数据(通常个数很多，难以整体研究)的standarddeviation用sigma;参数数据(就是在整体中选取的样本数据)的standarddeviation用s.

这个一般都是定性判断，把每个柱体的中点用折线连接起来，观察折线的起伏，起伏大的标准差较大，反之，标准差较小一般定性判断、比较时可以用这种方法。

本文摘自 Streiner DL.Maintaining standards: differences between the standard deviation and standarderror, and when to use each. Can J Psychiatry 1996; 41: 498–502. 标准差，缩写为S.D., SD, 或者 s (就是为了把人给弄晕？)，是描述数据点在均值（mean）周围聚集程度的指标。 如果把单个数据点称为“ X i ,” 因此 “ X 1 ” 是第一个值，“ X 2 ” 是第二个值，以此类推。均值称为“ M ”。初看上去Σ( X i - M )就可以作为描述数据点散布情况的指标，也就是把每个 X i 与 M 的偏差求和。换句话讲，是（单个数据点—数据点的平均）的总和。 看上去挺有逻辑性的，但是它有两个缺点。 第一个困难是：上述定义的结果永远是0。根据定义，高出均值的和永远等于低于均值的和，因此它们相互抵消。可以取差值的绝对值来解决（也就是说，忽略负值的符号），但是由于各种神秘兮兮的原因，统计学家不喜欢绝对值。另外一个剔除负号的方法是取平方，因为任何数的平方肯定是正的。所以，我们就有Σ( X i - M ) 2 。 另外一个问题是当我们增加数据点后此等式的结果会随之增大。比如我们手头有25个值的样本，根据前面公式计算出SD是10。如果再加25个一模一样的样本，直觉上50个大样本的数据点分布情况应该不变。但是我们的公式会产生更大的SD值。好在我们可以通过除以数据点数量 N 来弥补这个漏洞。所以等式就变成Σ( X i - M ) 2 / N . 根据墨菲定律，我们解决了两个问题，就会随之产生两个新问题。 第一个问题（或者我们应该称为第三个问题，这样能与前面的相衔接）是用平方表达偏差。假设我们测量自闭症儿童的IQ。也许会发现IQ均值是75, 散布程度是100 个IQ点平方。这IQ点平方又是什么东西？不过这容易处理：用结果的平方根替代，这样结果就与原来的测量单位一致。所以上面的例子中的散布程度就是10个IQ点，变得更加容易理解。 最后一个问题是目前的公式是一个有偏估计，也就是说，结果总是高于或者低于真实的值。解释稍微有点复杂，先要绕个弯。在多数情况下，我们做研究的时候，更感兴趣样本来自的总体（population）。比如，我们探查有年轻男性精神分裂症患者的家庭中的外现情绪（expressed emotion，EE)水平时，我们的兴趣点是所有满足此条件的家庭（总体），而不单单是哪些受研究的家庭。我们的工作便是从样本中估计出总体的均值（mean）和SD。因为研究使用的只是样本，所以这些估计会与总体的值未知程度的偏差。理想情况下，计算SD的时候我们应当知道每个家庭的分值(score)偏离总体均值的程度，但是我们手头只有样本的均值。 根据定义，分值样本偏离样本均值的程度要小于偏离其他值，因此使用样本均值减去分值得到的结果总是比用总体均值（还不知道）减去分值要小，公式产生的结果也就偏小（当然N很大的时候，这个偏差就可以忽略）。为了纠正这个问题，我们会用N-1除，而不是N。总之，最后我们得到了修正的标准差的（估计）公式（称为样本标准差）： 顺带一下，不要直接使用此公式计算SD，会产生很多舍入误差(rounding error)。统计学书一般会提供另外一个等同的公式，能获得更加精确的值。 现在我们完成了所有推导工作，这意味着什么呢？ 假设数据是正态分布的，一旦知道了均值和SD，我们便知道了分值分布的所有情况。对于任一个正态分布，大概2/3（精确的是68.2%）的分值会落在均值-1 SD和均值+1 SD之间，95.4%的在均值-2 SD 和均值+2 SD之间。比如，大部分研究生或者职业院校的入学考试（GRE,MCAT,LSAT和其他折磨人的手段）的分数分布（正态）就设计成均值500，SD 100。这意味68%的人得分在400到600之间，略超过95%的人在300到700之间。使用正态曲线的概率表，我们就能准确指出低于或者高于某个分数的比例是多少。相反的，如果我们想让5%的人淘汰掉，如果知道当年测试的均值和SD，依靠概率表，我们就能准确划出最低分数线。 总结一下，SD告诉我们分值围绕均值的分布情况。现在我们转向标准误差（standard error）。 前面我提到过大部分研究的目的是估计某个总体(population)的参数，比如均值和SD（标准方差）。一旦有了估计值，另外一个问题随之而来：这个估计的精确程度如何？这问题看上去无解。我们实际上不知道确切的总体参数值，所以怎么能评价估计值的接近程度呢？挺符合逻辑的推理。但是以前的统计学家们没有被吓倒，我们也不会。我们可以求助于概率：（问题转化成）真实总体均值处于某个范围内的概率有多大？（格言：统计意味着你不需要把话给说绝了。） 回答这个疑问的一种方法重复研究（实验）几百次，获得很多均值估计。然后取这些均值估计的均值，同时也得出它的标准方差（估计）。然后用前面提到的概率表，我们可估计出一个范围，包括90%或者95%的这些均值估计。如果每个样本是随机的，我们就可以安心地说真实的（总体）均值90%或者95%会落在这个范围内。我们给这些均值估计的标准差取一个新名字：均值的标准误差（the standard error of the mean），缩写是SEM,或者，如果不存在混淆，直接用 SE 代表。 但是首先得处理一个小纰漏：重复研究（实验）几百次。现今做一次研究已经很困难了，不要说几百次了（即使你能花费整个余生来做这些实验）。好在一向给力的统计学家们已经想出了基于单项研究（实验）确定 SE 的方法。让我们先从直观的角度来讲：是哪些因素影响了我们对估计精确性的判断？一个明显的因素是研究的规模。样本规模 N 越大，反常数据对结果的影响就越小，我们的估计就越接近总体的均值。所以， N 应该出现在计算 SE 公式的分母中：因为 N 越大， SE 越小。类似的，第二因素是：数据的波动越小，我们越相信均值估计能精确反映它们。所以， SD 应该出现在计算公式的分子上： SD 越大， SE 越大。因此我们得出以下公式： (为什么不是 N ? 因为实际是我们是在用 N 除方差 SD 2 ，我们实际不想再用平方值，所以就又采用平方根了。) 所以， SD 实际上反映的是数据点的波动情况，而 SE 则是均值的波动情况。 前面一节，针对 SE ，我们提到了某个值范围。我们有95%或者99%的信心认为真实值就处在当中。我们称这个值范围为“置信区间”，缩写是CI。让我们看看它是如何计算的。看正态分布表，你会发现95%的区域处在-1.96 SD 和+1.96 SD 之间。回顾到前面的GRE和MCAT的例子，分数均值是500， SD是100，这样95%的分数处在304和696之间。如何得到这两个值呢？首先，我们把 S D乘上1.96，然后从均值中减去这部分，便得到下限304。如果加到均值上我们便得到上限696。CI也是这样计算的，不同的地方是我们用 SE 替代 SD 。所以计算95%的CI的公式是： 95%CI= 均值± ( 1.96 x SE )。 好了，现在我们有 SD , SE 和CI。问题也随之而来：什么时候用？选择哪个指标呢？很明显，当我们描述研究结果时， SD 是必须报告的。根据 SD 和样本大小，读者很快就能获知 SE 和任意的 CI 。如果我们再添加上SE和CI，是不是有重复之嫌？回答是：“YES”和“NO”兼有。 本质上，我们是想告之读者通常数据在不同样本上是存在波动的。某一次研究上获得的数据不会与另外一次重复研究的结果一模一样。我们想告之的是期望的差异到底有多大：可能波动存在，但是没有大到会修改结论，或者波动足够大，下次重复研究可能会得出相反的结论。 某种程度上来讲，这就是检验的显著程度，P level 越低，结果的偶然性就越低，下次能重复出类似结果的可能性越高。但是显著性检验，通常是黑白分明的：结果要么是显著的，要么不是。如果两个实验组的均值差别只是勉强通过了P < 0.05的红线，也经常被当成一个很稳定的结果。如果我们在图表中加上CI，读者就很容易确定样本和样本间的数据波动会有多大，但是我们选择哪个CI呢？ 我们会在图表上加上error bar（误差条，很难听），通常等同于1个 SE 。好处是不用选择SE或者CI了（它们指向的是一样的东西），也无过多的计算。不幸的这种方法传递了很少有用信息。一个error bar (-1 SE,+1 SE )等同于68%的CI；代表我们有68%的信心真的均值（或者2个实验组的均值的差别）会落在这个范围内。糟糕的是，我们习惯用95%，99% 而不是68%。所以让忘记加上 SE 吧，传递的信息量太少了，它的主要用途是计算CI。 那么把error bar加长吧，用2个 SE 如何？这好像有点意思，2是1.96的不错估计。有两方面的好处。首先这个方法能显示95%的CI，比68%更有意义。其次能让我们用眼睛检验差别的显著性（至少在2个实验组的情况下是如此）。如果下面bar的顶部和上面bar的底部没有重叠，两个实验组的差异必定是显著的（5%的显著水平）。因此我们会说，这2个组间存在显著差别。如果我们做t-test，结果会验证这个发现。这种方法对超过2个组的情况就不那么精确了。因为需要多次比较（比如，组1和组2，组2和组3，组1和组3），但是至少能给出差别的粗略指示。在表格中展示CI的时候，你应该给出确切的数值（乘以1.96而不是2）。 SD 反映的是数据点围绕均值的分布状况，是数据报告中必须有的指标。 SE 则反映了均值波动的情况，是研究重复多次后，期望得到的差异程度。 SE 自身不传递很多有用的信息，主要功能是计算95%和99%的CI。 CI是显著性检验的补充，反映的是真实的均值或者均值差别的范围。 一些期刊已把显著性检验抛弃了，CI取而代之。这可能走过头了。因为这两种方法各有优点，也均会被误用。比如，一项小样本研究可能发现控制组和实验组间的差别显著（0.05的显著水平）。如果在结果展示加上CI，读者会很容易看到CI十分宽，说明对差别的估计是很粗糙的。与之相反，大量鼓吹的被二手烟影响的人数，实际上不是一个均值估计。最好的估计是0，它有很宽的CI，报道的却只是CI的上限。 总之， SD 、显著性检验，95%或者99% 的CI，均应该加在报告中 ，有利于读者理解研究结果。它们均有信息量，能相互补充，而不是替代。相反，“ 裸”的 SE 的并不能告诉我们什么信息**，多占据了一些篇幅和空间而已。 https://blog.csdn.net/zzminer/article/details/8939244?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control&dist_request_id=1331302.267.16182420970660717&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control

标准差函数是：STDEVP函数。 使用STDEVP函数的方法: 首先点击选中需要计算标准差的单元格位置，并选择上方的“fx”图标插入函数。STDEVP函数：STDEVP函数是一个计算机函数，是基于以参数形式给出的整个样本总体计算标准偏差。标准偏差反映相对于平均值(mean) 的离散程度。标准偏差：标准偏差(Std Dev,Standard Deviation) -统计学名词。一种度量数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量。标准差：标准差也被称为标准偏差，标准差(Standard Deviation)描述各数据偏离平均数的距离（离均差）的平均数，它是离差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度，标准偏差越小，这些值偏离平均值就越少，反之亦然。标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量。平均数相同的两个数据集，标准差未必相同。以上内容参考百度百科—— STDEVP函数

标准差（Standard Deviation） ，是离均差平方的算术平均数（即：方差）的算术平方根，用σ表示。标准差也被称为标准偏差，或者实验标准差，在概率统计中最常使用作为统计分布程度上的测量依据。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的两组数据，标准差未必相同。扩展资料：标准差的特性：1、如果在一个分布中每个分数都加上（或减去）一个常数，则标准差不变。2、如果每一个分数都乘上（或除以）一个常数，则标准差也将乘上（或除以）那个常数。3、从均数计算的标准差比分布中根据任何其他点计算的标准差都要小。

标准差是来描述数据分布的，单纯看数字没什么意义。若要使用normal model的话，图像最高点对应的是mean,间隔便是标准差。15可代表图像的间隔。

当然有好多表格了，比如我随便在网上搜了一个：你要低于 10% 的，也就是两边一共剩下 0.1，每一边剩下 0.05所以就找 0.95 对应的值，大约是 1.64所以低于 10% 的就是：|x - 65| >= 1.64 * 6 的部分。当然，如果你用 matlab，就不用查表了，键入这个：norminv(0.95)就直接得到解：1.64485362695147或者你有 Microsoft Excel 也行，在某个单元格键入这个：=NORMINV(0.95, 0, 1)也直接得到答案。

standard deviation：标准差 ，也称均方差（mean square error），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。

两种都可以用。误差线是通常用于统计或科学数据，显示潜在的误差或相对于系列中每个数据标志的不确定程度。误差线可以用标准差（平均偏差）或 标准误差，一般通用的是这两个，如果是发英文文章，在caption中加以上bars donate S.D.（标准差）or S.E.(标准误差），中文文章可以不用说明。标准差（std. deviation）和 标准误（std.error），两者的侧重点不一样，一般常用标准差（std. deviation）。标准差是离均差平方和平均后的方根，标准误是标准误差定义为各测量值误差的平方和的平均值的平方根；两者用途不同；标准差与均数结合估计参考值范围，计算变异系数，计算标准误等。标准误用于估计参数的可信区间，进行假设检验等；它们与样本含量的关系不同: 当样本含量 n 足够大时，标准差趋向稳定；而标准误随n的增大而减小，甚至趋于0 。

range and standard deviation距离和标准偏差range and standard deviation距离和标准偏差

标准差s,方差s平方

standard deviation是标准偏差的意思。这句话的意思是：这些数字的标准偏差平均值是2.5，如果X是其中的一个数字，并且X是上面平均偏差值的2倍，求X的值，也就是问X是多少。很明显是5.

只要是标准都有

标准差是大好还是小好，要看在你用在什么地方了，如果是用在二个班级考试成绩比较上，如果平均成绩相同，都很普通，那标准差大的一班有几名天才，上重点的可能性大。如果是统计零部件加工，那肯定越小越好。

Error bar一般是standard error，即标准误，反映的是抽样引起的误差；有些时候有些人也用standard deviation，即标准差，反映的是样本数据之间的离散程度（或整齐程度）。所以看你实际需要选择。另外S.E.=S.D./sqrt(N-1)，这就是两者的联系。多说几句，S.E.受样本数量影响很大，而S.D.则受样本数据齐性影响更大。

standarddeviation标准差；标准偏离标准偏差；标准离差；标准方差例句筛选1.ThisstandarddeviationiscalledtheStandardErrorforMeasurement?这个标准差被称为测量标准误差2.isthepopulation(known)standarddeviation.Ifomitted,thesamplestandarddeviationisused.总体标准偏差（已知）。如果忽略，使用样本标准偏差。

“标准差”(standard deviation)也称“标准偏差”，它可以通过计算方差的算术平方根来求得。标准差表征了各数据偏离平均值的距离，它反映出一个数据集的离散程度。计算标准差的步骤通常有四步：（1）计算平均值（2）计算方差（3）计算平均方差（4）计算标准差例如，对于一个有六个数的数集2,3,4,5,6,8，其标准差可通过以下步骤计算：（1）计算平均值：(2 + 3 + 4 + 5+ 6 + 8)/6 = 30 /6 = 5（2）计算方差：(2 – 5)^2 = (-3)^2= 9(3 – 5)^2 = (-2)^2= 4(4 – 5)^2 = (-1)^2= 0(5 – 5)^2 = 0^2= 0(6 – 5)^2 = 1^2= 1(8 – 5)^2 = 3^2= 9（3）计算平均方差：(9 + 4 + 0 + 0+ 1 + 9)/6 = 24/6 = 4（4）计算标准差：√4 = 2

标准误（Standard Error）衡量对应样本统计量抽样误差大小的尺度。标准误用来衡量抽样误差。标准误越小，表明样本统计量与总体参数的值越接近，样本对总体越有代表性，用样本统计量推断总体参数的可靠度越大。因此，标准误是统计推断可靠性的指标。此外，还需要特别指出的是，标准误还可以指样本标准差、方差等统计量的标准差，不仅仅只是样本均数的标准差。标准差（Standard Deviation） ，中文环境中又常称均方差，但不同于均方误差（mean squared error，均方误差是各数据偏离真实值的距离平方的平均数，也即误差平方和的平均数，计算公式形式上接近方差，它的开方叫均方根误差，均方根误差才和标准差形式上接近），标准差是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。

　　标准误（Standard Error）衡量对应样本统计量抽样误差大小的尺度。标准误用来衡量抽样误差。标准误越小，表明样本统计量与总体参数的值越接近，样本对总体越有代表性，用样本统计量推断总体参数的可靠度越大。因此，标准误是统计推断可靠性的指标。此外，还需要特别指出的是，标准误还可以指样本标准差、方差等统计量的标准差，不仅仅只是样本均数的标准差。　　标准差（Standard Deviation） ，中文环境中又常称均方差，但不同于均方误差（mean squared error，均方误差是各数据偏离真实值的距离平方的平均数，也即误差平方和的平均数，计算公式形式上接近方差，它的开方叫均方根误差，均方根误差才和标准差形式上接近），标准差是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。

　　标准误（Standard Error）衡量对应样本统计量抽样误差大小的尺度。标准误用来衡量抽样误差。标准误越小，表明样本统计量与总体参数的值越接近，样本对总体越有代表性，用样本统计量推断总体参数的可靠度越大。因此，标准误是统计推断可靠性的指标。此外，还需要特别指出的是，标准误还可以指样本标准差、方差等统计量的标准差，不仅仅只是样本均数的标准差。　　标准差（Standard Deviation） ，中文环境中又常称均方差，但不同于均方误差（mean squared error，均方误差是各数据偏离真实值的距离平方的平均数，也即误差平方和的平均数，计算公式形式上接近方差，它的开方叫均方根误差，均方根误差才和标准差形式上接近），标准差是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。

只在一定范围允许的差值。。。比如说你的物理本来是该85，但是阅卷老师可能认为你的某个步骤没写合适，要扣你2分（其实也可能不用扣，看个人老师感觉了）这在高考阅卷场上是允许的（假如高考差值最多5分以内)

难啊

标准差（Standard Deviation） ，也 称均方差（mean square error），是 各数据偏离平均数的距离的平均数， 它是离均差平方和平均后的方根，用 σ表示。标准差是方差的算术平方根 。标准差能反映一个数据集的离散程 度。平均数相同的，标准差未必相同

两位，我学过物理

方差是实际值与期望值之差平方的平均值，而标准差是方差平方根。方差和标准差：样本中各数据与样本平均数的差的平方和的平均数叫做样本方差；样本方差的算术平方根叫做样本标准差。样本方差和样本标准差都是衡量一个样本波动大小的量，样本方差或样本标准差越大，样本数据的波动就越大。数学上一般用E{[X-E(X)]^2}来度量随机变量X与其均值E(X)的偏离程度，称为X的方差。定义设X是一个随机变量，若E{[X-E(X)]^2}存在，则称E{[X-E(X)]^2}为X的方差，记为D(X)或DX。即D(X)=E{[X-E(X)]^2}，而σ(X)=D(X)^0.5（与X有相同的量纲）称为标准差或均方差。由方差的定义可以得到以下常用计算公式：D(X)=E(X^2)-[E(X)]^2方差的几个重要性质（设一下各个方差均存在）。（1）设c是常数，则D(c)=0。（2）设X是随机变量，c是常数，则有D(cX)=c^2D(X)。（3）设X，Y是两个相互独立的随机变量，则D(X+Y)=D(X)+D(Y)。（4）D(X)=0的充分必要条件是X以概率为1取常数值c，即P{X=c}=1，其中E(X)=c。标准差(StandardDeviation)各数据偏离平均数的距离（离均差）的平均数，它是离差平方和平均后的方根。用σ表示。因此，标准差也是一种平均数标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。例如，A、B两组各有6位学生参加同一次语文测验，A组的分数为95、85、75、65、55、45，B组的分数为73、72、71、69、68、67。这两组的平均数都是70，但A组的标准差为17.08分，B组的标准差为2.16分，说明A组学生之间的差距要比B组学生之间的差距大得多。

standard deviation：标准差 ，也称均方差（mean square error），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。 m...

Standard deviation of the mean.中文意思；该均值的标准求导（数学用语）

std吧，标准偏差。 你不是说sigma吗？

对的,就是标准差,简写为sd (sd)^2 = variance 也就是方差 方差定义是 (1/n) ∑(i=1~n) (Xi-X)^2 X － 平均值

有。标准比较好极差比较差

这个标准差大小的话，没有标准的比较依据，你可以根平均数相同的另一数组比较其标准差，标准差越小，数组离散越小。标准差（Standard Deviation） ，是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。向左转|向右转

首先求出平均数x。对于样本的数据，标准差2=方差=各数据与x之差的和再除以n-1，标准差2=方差=各数据与x之差的和再除以n，标准差StandardDeviation，中文环境中又常称均方差，但不同于均方误差meansquarederror，均方误差是各数据偏离真实值的距离平方的平均数，也即误差平方和的平均数，计算公式形式上接近方差，它的开方叫均方根误差，均方根误差才和标准差形式上接近），标准差是离均差平方和平均后的方根。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同

给你个链接，自己看吧。http://www.51qikan.com/kjlw/7123.html

事实上，除非在某些特殊情况下，找到一个总体标准差是不现实的。大多数情况下，总体标准差是通过随机抽取一定量的样本并计算样本标准差估计的。

"1 standard deviation above the average score" means that the observation value minus the population mean just equals to 1 standard deviation. The average score is the population mean.Assume a observation selected from a population follows normal distribution N~(u, s^2) is x, we can calculate its Z-score = (x-u)/s = n, and we say that the observation value is n standard deviation above (positive n) or below (negative n) the average score.

一标准偏差；一个标准误差例句：Total iron intake was modeled as one standard deviation (SD) increase in iron intake.总铁摄入量以铁摄入增加为标准差（SD）建模。希望帮到你，望采纳，满意请点击：采纳

能。STEYX()返回通过线性回归法计算 y 预测值时所产生的标准误差。标准误差用来度量根据单个 x 变量计算出的 y 预测值的误差量。 示例:=STEYX({2,3,9,1,8,7,5},{6,5,11,7,5,4,4}) 等于 3.305719参数可以是数字，或者是涉及数字的名称、数组或引用。如果数组或引用参数里包含文本、逻辑值或空白单元格，这些值将被忽略；但包含零值的单元格将计算在内。如果 known_y"s 和 known_x"s 为空或其数据点数不同，函数 STEYX 返回错误值 #N//A。

剩余标准差SE，也称均方差，统计学概念，在线性回归分析中，真实值和估计值之间的差成为残差（或者剩余量），所有预测值的残差平方和（或者剩余平方和），剩余标准差就是剩余平方和的开平方。用来表示估计值的精度。