Die Standardabweichung misst, wie weit die Werte um den Mittelwert eines Datensatzes verteilt sind. Eine kleine Standardabweichung bedeutet, dass die Daten dicht am Durchschnitt liegen, während eine große Standardabweichung eine große Variabilität signalisiert. Neben dem Mittelwert ist die Standardabweichung die grundlegendste deskriptive Statistik in allen quantitativen Disziplinen: Qualitätskontrolle, Finanzen, wissenschaftliche Forschung, Bildung und maschinelles Lernen. In den folgenden Abschnitten wird erläutert, warum die Standardabweichung neben dem Mittelwert unverzichtbar ist, die technische Unterscheidung zwischen Grundgesamtheits- und Stichprobenformeln, die sich auf Berechnungen mit kleinen Datensätzen auswirkt, die robusten Alternativen für Nichtnormalverteilungen und wie Anleger die Standardabweichung als primäres quantitatives Maß für das Anlagerisiko verwenden.
Warum Standardabweichung wichtig ist
Der Mittelwert allein sagt nicht die ganze Geschichte eines Datensatzes aus, und wenn man sich auf Durchschnittswerte verlässt, ohne die Variabilität zu verstehen, werden schlechte Entscheidungen mit statistisch „sauberen“ Zahlen getroffen. Zwei Klassen können das gleiche durchschnittliche Testergebnis von 75 %, aber sehr unterschiedliche Verteilungen aufweisen – eine, bei der jeder Schüler zwischen 73 und 77 Punkte erzielte (eng gebündelt, niedrige SD), und eine, bei der die Ergebnisse zwischen 45 und 98 lagen (weit verbreitet, hohe SD). Diese Kurse erfordern völlig unterschiedliche Unterrichtsstrategien, obwohl sie über identische Mittel verfügen, und eine politische Entscheidung, die nur auf dem Durchschnitt basiert, würde die varianzgetriebene Realität verfehlen.
Die Standardabweichung quantifiziert diese Streuung und ist in allen Bereichen von entscheidender Bedeutung: Die Qualitätskontrolle verwendet SD, um zu messen, ob ein Herstellungsprozess konsistente Teile produziert (Six Sigma strebt SD-Werte an, die eng genug sind, um sechs Standardabweichungen zwischen dem Mittelwert des Prozesses und den Spezifikationsgrenzen zu berücksichtigen), das Finanzwesen verwendet SD, um die Volatilität und das Risiko von Investitionen zu messen (annualisierte SD der Renditen ist die wichtigste Risikometrik für Aktien). und Mittel), wissenschaftliche Forschung verwendet SD zur Charakterisierung der Messgenauigkeit (kleinere SD bedeutet zuverlässigeres Instrument) und Datenwissenschaft verwendet SD zur Feature-Skalierung (Normalisierung von Eingaben auf den Mittelwert 0, SD 1 vor dem Training von Modellen für maschinelles Lernen).
Bevölkerung vs. Stichprobe: Warum n−1?
Bei der Berechnung der Standardabweichung einer Stichprobe und nicht einer gesamten Grundgesamtheit korrigiert die Division durch (n−1) anstelle von n die Tendenz einer Stichprobe, die Grundgesamtheitsvarianz systematisch zu unterschätzen. Diese Anpassung, Bessel-Korrektur (nach dem Mathematiker Friedrich Bessel) genannt, entsteht, weil der Stichprobenmittelwert selbst aus den Daten geschätzt wird und nicht unabhängig bekannt ist. Die Verwendung des Stichprobenmittelwerts beansprucht einen Freiheitsgrad, sodass nur n−1 unabhängige Informationselemente in der Stichprobe verbleiben, um die Variabilität um diesen Mittelwert abzuschätzen.
Bei großen Stichproben (n ≥ 100) ist der Unterschied zwischen der Division durch n und n−1 vernachlässigbar – ein Unterschied von 1 % bei n=100, 0,1 % bei n=1000. Bei kleinen Datensätzen ist die Korrektur jedoch erheblich: Bei n=10 führt eine Division durch 9 gegenüber 10 zu einem Unterschied von 11 % in der resultierenden SD. Verwenden Sie immer die Stichproben-SD (Division durch n−1), es sei denn, Sie sind sicher, dass Ihre Daten jedes Mitglied der interessierenden Grundgesamtheit umfassen. Bei der Berechnung deskriptiver Statistiken aus Umfragestichproben, experimentellen Versuchen oder einer Teilmenge einer größeren Gruppe erzeugt Stichproben-SD die unverzerrte Schätzung, die den Populationsparameter, den Sie schätzen möchten, korrekt widerspiegelt. Die meisten Statistikprogramme verwenden standardmäßig SD-Stichproben, weil dies in den meisten realen Analysen die richtige Wahl ist.
Jenseits von SD: IQR, Skewness und Kurtosis
Die Standardabweichung funktioniert am besten, wenn Ihre Daten ungefähr symmetrisch zum Mittelwert sind. Daten aus der realen Welt sind jedoch häufig nicht symmetrisch, und die Standardabweichung kann irreführend sein, wenn die zugrunde liegende Verteilung schief ist oder starke Ausläufer aufweist. Bei schiefen Verteilungen ist der IQR (Interquartilbereich, definiert als das 75. Perzentil minus dem 25. Perzentil) ein robusteres Streuungsmaß, da er von Extremwerten nicht beeinflusst wird – ein paar Ausreißer verschieben den IQR kaum, können aber die SD dramatisch erhöhen.
Schiefe sagt Ihnen, welches Ende der Verteilung länger ist. Ein positiver Versatz (der rechte Rand erstreckt sich weiter als der linke) kommt bei Einkommensdaten, Immobilienpreisen und Reaktionszeiten häufig vor – wobei ein langer Rand mit hohen Werten den Mittelwert über den Median zieht. Bei Prüfungsergebnissen mit einem Obergrenzeneffekt oder dem Sterbealter in entwickelten Ländern tritt ein negativer Versatz (der linke Schwanz erstreckt sich weiter) auf. Überschüssige Kurtosis quantifiziert, ob die Enden schwerer (leptokurtisch, Kurtosis > 0) oder leichter (platykurtisch, Kurtosis < 0) als eine Normalverteilung sind. Finanzielle Renditen weisen typischerweise eine positive überschüssige Kurtosis (fette Schwänze) auf, was bedeutet, dass extreme Bewegungen häufiger auftreten, als eine Normalverteilung vorhersagen würde – weshalb Finanzkrisen im Stil von 2008 häufiger auftreten, als die „Six Sigma“-Normalverteilungsberechnung vermuten lässt. Berechnen Sie bei der Analyse realer Daten immer neben der SD auch die Schiefe und die Wölbung, um zu überprüfen, ob die Normalitätsannahmen zutreffen.
Standardabweichung im Finanzwesen
Beim Investieren ist die Standardabweichung das wichtigste quantitative Maß für die Renditevolatilität und dient als Hauptrisikometrik für Aktien, Anleihen und Portfolios. Eine Aktie mit einer auf das Jahr hochgerechneten Standardabweichung von 20 % wird deutlich stärker schwanken als eine Aktie mit einer Standardabweichung von 8 %, und die Aktie mit einer Standardabweichung von 20 % wird daher trotz potenziell höherer erwarteter Renditen als riskanter angesehen. Typische jährliche SDs für wichtige Anlageklassen: US-Large-Cap-Aktien ~15–20 %, US-Small-Cap-Aktien ~20–25 %, internationale Aktien ~20–25 %, Unternehmensanleihen ~5–8 %, Staatsanleihen ~3–6 %, REITs ~15–20 %, Rohstoffe ~20–30 %.
Die moderne Portfoliotheorie (Markowitz, 1952) verwendet zur Konstruktion die Standardabweichung Diversifizierte Portfolios, die die Gesamtvolatilität bei einer bestimmten erwarteten Rendite minimieren – die berühmte „Effizienzgrenze“ wird vollständig mithilfe von Kovarianzmatrizen berechnet, die aus Vermögenswert-SDs und Korrelationen abgeleitet werden. Mit dem Histogrammdiagramm in diesem Rechner können Sie die tatsächliche Verteilung Ihrer Daten visuell mit der theoretischen Normalverteilung vergleichen. Abweichungen von der Glockenkurve weisen häufig auf „fette Ausläufer“ (extremere Ereignisse als erwartet) oder auf Bimodalität (zwei Cluster, die auf heterogene Daten hinweisen) hin. Insbesondere bei Finanzanwendungen weisen die meisten Renditeverteilungen „Fat Tails“ auf, was bedeutet, dass das „1-in-100-Jahre-Ereignis“ basierend auf der Normalverteilungsberechnung tatsächlich alle 5–10 Jahre auftritt. Verwenden Sie SD als Risikometrik und behalten Sie dabei die Normalitätsannahmen im Auge.