การตีความค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และการกระจายของข้อมูล

การตีความค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และการกระจายของข้อมูล

น้องๆ เคยสงสัยไหมครับว่าตัวเลขที่คำนวณออกมาจากข้อมูลจำนวนมากนั้นมันบอกอะไรเราได้บ้าง? หรือว่าทำไมบางทีค่าเฉลี่ยเท่ากันแต่ข้อมูลดูแตกต่างกันลิบลับ วันนี้เราจะมาไขข้อสงสัยเหล่านี้กันครับ

1. ค่าเฉลี่ย (Mean)

ค่าเฉลี่ยที่เราคุ้นเคยกันดีที่สุดก็คือ “ค่าเฉลี่ยเลขคณิต” หรือที่เราเรียกกันสั้นๆ ว่า “ค่าเฉลี่ย” นั่นเองครับ มันคือค่าที่บอก “แนวโน้มเข้าสู่ส่วนกลาง” หรือ “ค่ากลาง” ของข้อมูลชุดหนึ่ง เป็นเหมือนจุดสมดุลของข้อมูลทั้งหมด ถ้าลองนึกภาพเหมือนน้องๆ เอาไม้บรรทัดที่มีจุดน้ำหนักแต่ละอันคือข้อมูลของเรา ค่าเฉลี่ยก็คือจุดที่เราจะวางนิ้วเพื่อให้น้ำหนักทั้งหมดสมดุลนั่นเองครับ

การคำนวณค่าเฉลี่ยทำได้ง่ายๆ ครับ คือการนำข้อมูลทุกตัวมารวมกัน แล้วหารด้วยจำนวนข้อมูลทั้งหมด

$bar{x} = frac{sum_{i=1}^{n} x_i}{n}$

โดยที่:

• $bar{x}$ คือ ค่าเฉลี่ยของตัวอย่าง (Sample Mean)
• $sum_{i=1}^{n} x_i$ คือ ผลรวมของข้อมูลทุกตัว
• $n$ คือ จำนวนข้อมูลทั้งหมด

การตีความค่าเฉลี่ย:
ค่าเฉลี่ยบอกเราถึงภาพรวมของข้อมูลครับ เช่น ถ้าคะแนนสอบวิชาคณิตศาสตร์ของห้องหนึ่งมีค่าเฉลี่ย 75 คะแนน ก็พอจะบอกได้ว่านักเรียนห้องนี้โดยรวมทำข้อสอบได้ค่อนข้างดี อย่างไรก็ตาม ค่าเฉลี่ยมีจุดอ่อนสำคัญอย่างหนึ่งคือ มันอ่อนไหวต่อ “ค่าผิดปกติ” หรือ “Outliers” มากครับ

ตัวอย่าง:
สมมติน้องๆ มีคะแนนสอบ 5 ครั้ง: 80, 85, 70, 90, 10
ค่าเฉลี่ยคือ $frac{80+85+70+90+10}{5} = frac{335}{5} = 67$
จะเห็นว่าคะแนน 10 ดึงค่าเฉลี่ยลงมาเยอะเลย ทั้งๆ ที่คะแนนส่วนใหญ่ดี นั่นแสดงว่าค่าเฉลี่ยเพียงอย่างเดียวอาจไม่สามารถบอกภาพรวมที่แท้จริงได้ทั้งหมดครับ

2. ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation – SD)

นี่แหละครับคือพระเอกอีกตัวที่จะมาช่วยเติมเต็มสิ่งที่ค่าเฉลี่ยขาดไป! ส่วนเบี่ยงเบนมาตรฐาน หรือ SD คือค่าที่บอก “การกระจายตัว” หรือ “ความผันผวน” ของข้อมูล พูดง่ายๆ คือมันบอกว่าข้อมูลแต่ละตัวอยู่ห่างจากค่าเฉลี่ยมากน้อยแค่ไหนโดยเฉลี่ยครับ

ถ้า SD มีค่าน้อย หมายความว่าข้อมูลส่วนใหญ่อยู่ใกล้เคียงกับค่าเฉลี่ยมาก การกระจายตัวของข้อมูลน้อย หรือข้อมูลมีความสอดคล้องกันสูง
ถ้า SD มีค่ามาก หมายความว่าข้อมูลกระจายตัวออกจากค่าเฉลี่ยมาก ข้อมูลมีความผันผวนสูง หรือมีความแตกต่างกันมาก

การคำนวณส่วนเบี่ยงเบนมาตรฐาน (ของประชากร):
$sigma = sqrt{frac{sum_{i=1}^{N} (x_i – mu)^2}{N}}$

โดยที่:

• $sigma$ คือ ส่วนเบี่ยงเบนมาตรฐานของประชากร (Population Standard Deviation)
• $mu$ คือ ค่าเฉลี่ยของประชากร (Population Mean)
• $N$ คือ จำนวนข้อมูลทั้งหมดในประชากร

สำหรับส่วนเบี่ยงเบนมาตรฐานของตัวอย่าง (Sample Standard Deviation) จะใช้ $n-1$ ที่ตัวส่วนแทน $N$ เพื่อให้ค่าที่ได้มีความแม่นยำมากขึ้นในการประมาณค่าของประชากรครับ

การตีความส่วนเบี่ยงเบนมาตรฐาน:
SD เป็นตัววัดความเสี่ยง หรือความไม่แน่นอนได้ดีครับ
ตัวอย่าง:
มีนักเรียนสองห้อง สอบคณิตศาสตร์ได้คะแนนเฉลี่ยเท่ากันคือ 70 คะแนน

• ห้อง A: SD = 5 คะแนน (ข้อมูล: 68, 70, 72, 69, 71)
• ห้อง B: SD = 20 คะแนน (ข้อมูล: 30, 90, 70, 50, 110)

จากตัวอย่างนี้ แม้ค่าเฉลี่ยจะเท่ากัน แต่ห้อง A มี SD น้อยกว่ามาก แสดงว่านักเรียนห้อง A มีคะแนนใกล้เคียงกัน ส่วนใหญ่ทำข้อสอบได้ระดับปานกลางถึงดีอย่างสม่ำเสมอ
ในขณะที่ห้อง B มี SD สูงมาก แสดงว่าคะแนนนักเรียนห้อง B มีความแตกต่างกันสูงมาก มีทั้งคนที่ทำได้ดีเยี่ยมและคนที่ทำได้แย่มากๆ ครับ
นี่คือเหตุผลที่น้องๆ จะต้องดูทั้งค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานควบคู่กันไปเสมอครับ

3. การกระจายของข้อมูล (Data Distribution)

นอกจากการดูค่าเฉลี่ยและ SD แล้ว การทำความเข้าใจ “รูปร่าง” ของข้อมูลก็สำคัญไม่แพ้กันครับ การกระจายของข้อมูลอธิบายว่าข้อมูลทั้งหมดของเรานั้นจัดเรียงตัวกันอย่างไรในแผนภาพการแจกแจงความถี่

ประเภทของการกระจายข้อมูลที่พบบ่อย:

• การแจกแจงแบบปกติ (Normal Distribution) หรือ Bell Curve:
  เป็นรูปร่างที่สมมาตรเหมือนระฆังคว่ำครับ จุดสูงสุดอยู่ที่ค่าเฉลี่ย ซึ่งค่าเฉลี่ย มัธยฐาน และฐานนิยมจะเท่ากันหมด ข้อมูลส่วนใหญ่จะอยู่ใกล้ค่าเฉลี่ย และค่อยๆ ลดลงเมื่อห่างออกไป ตัวอย่างเช่น ส่วนสูงของคนในประชากร คะแนนสอบที่มีคนส่วนใหญ่ได้คะแนนปานกลาง
  สำหรับข้อมูลที่มีการแจกแจงแบบปกติ เราสามารถใช้ กฎ Empirical Rule (หรือ 68-95-99.7 Rule) ได้:
  • ประมาณ 68% ของข้อมูลจะอยู่ภายใน $pm 1$ ส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย
  • ประมาณ 95% ของข้อมูลจะอยู่ภายใน $pm 2$ ส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย
  • ประมาณ 99.7% ของข้อมูลจะอยู่ภายใน $pm 3$ ส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย

  กฎนี้มีประโยชน์มากในการประเมินว่าข้อมูลหนึ่งๆ นั้นผิดปกติไปจากค่าเฉลี่ยแค่ไหนครับ

• การแจกแจงแบบเบ้ (Skewed Distribution):
  คือการแจกแจงที่ไม่สมมาตร แบ่งได้เป็น:
  • เบ้ขวา (Right Skewed / Positively Skewed):
    หางของกราฟจะยาวไปทางขวา หมายความว่าข้อมูลส่วนใหญ่ไปกระจุกอยู่ทางซ้าย (ค่าต่ำ) และมีข้อมูลบางตัวที่ดึงให้ค่าเฉลี่ยสูงขึ้นไปทางขวา (ค่าสูงมากๆ) ค่าเฉลี่ยจะมากกว่ามัธยฐาน ตัวอย่างเช่น รายได้ของคนในประเทศส่วนใหญ่มีรายได้ปานกลางถึงน้อย แต่มีคนรวยมากๆ ไม่กี่คนดึงค่าเฉลี่ยขึ้นไป
  • เบ้ซ้าย (Left Skewed / Negatively Skewed):
    หางของกราฟจะยาวไปทางซ้าย หมายความว่าข้อมูลส่วนใหญ่ไปกระจุกอยู่ทางขวา (ค่าสูง) และมีข้อมูลบางตัวที่ดึงให้ค่าเฉลี่ยต่ำลงไปทางซ้าย (ค่าต่ำมากๆ) ค่าเฉลี่ยจะน้อยกว่ามัธยฐาน ตัวอย่างเช่น คะแนนสอบที่ยากมาก มีคนส่วนใหญ่ได้คะแนนน้อย แต่ก็มีคนบางคนได้คะแนนเต็ม

ทำไมต้องสนใจการกระจายของข้อมูล?
การรู้รูปร่างของการกระจายข้อมูลทำให้น้องๆ เข้าใจบริบทของค่าเฉลี่ยได้ดีขึ้นครับ เช่น ถ้าข้อมูลเบ้ขวา การบอกเพียงค่าเฉลี่ยอาจทำให้เข้าใจผิดว่า “คนส่วนใหญ่” มีค่าสูง ทั้งๆ ที่เป็นเพราะมี Outliers เพียงไม่กี่ตัวที่ดึงค่าเฉลี่ยขึ้นไปครับ ในกรณีข้อมูลเบ้มากๆ มัธยฐานอาจจะเป็นค่ากลางที่ดีกว่าค่าเฉลี่ยในการอธิบายข้อมูลครับ

ข้อผิดพลาดที่พบบ่อยในการตีความค่าสถิติเหล่านี้

• เชื่อมั่นในค่าเฉลี่ยมากเกินไป:
  บางครั้งค่าเฉลี่ยเพียงอย่างเดียวอาจทำให้เราเข้าใจผิดได้ โดยเฉพาะเมื่อข้อมูลมีการกระจายตัวที่ไม่ปกติหรือมีค่าผิดปกติ พี่กฤษณ์แนะนำให้น้องๆ ดูทั้งค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และรูปร่างการกระจายของข้อมูลประกอบกันเสมอครับ
• ละเลยส่วนเบี่ยงเบนมาตรฐาน:
  การเปรียบเทียบแค่ค่าเฉลี่ยโดยไม่ดู SD อาจทำให้เราพลาดข้อมูลสำคัญเกี่ยวกับการกระจายตัวและความเสี่ยง เช่น การเลือกลงทุนในสินทรัพย์สองชนิดที่ให้ผลตอบแทนเฉลี่ยเท่ากัน แต่มี SD ต่างกัน นั่นหมายถึงระดับความเสี่ยงที่ต่างกันครับ
• สับสนระหว่างความแม่นยำกับความเที่ยง:
  ค่าเฉลี่ยสูงและ SD ต่ำ (ข้อมูลรวมกันแน่นรอบค่าเฉลี่ยสูง) แสดงถึงทั้งความแม่นยำและความเที่ยงสูง
  ค่าเฉลี่ยต่ำและ SD ต่ำ (ข้อมูลรวมกันแน่นรอบค่าเฉลี่ยต่ำ) แสดงถึงความเที่ยงสูงแต่ความแม่นยำต่ำ
  ค่าเฉลี่ยสูงและ SD สูง (ข้อมูลกระจายตัวมากรอบค่าเฉลี่ยสูง) แสดงถึงความแม่นยำสูงแต่ความเที่ยงต่ำ

การประยุกต์ใช้ในชีวิตประจำวันและการเรียน

น้องๆ ลองนึกภาพดูนะครับ

• ในการเรียน:
  ถ้าคะแนนสอบวิชาหนึ่งมีค่าเฉลี่ย 60 คะแนน และ SD 5 คะแนน แสดงว่าคนส่วนใหญ่ได้คะแนนใกล้เคียง 60 ถ้าเราได้ 70 ถือว่าทำได้ดีกว่าคนส่วนใหญ่มาก แต่ถ้า SD เป็น 20 คะแนน การได้ 70 อาจจะไม่ได้โดดเด่นอะไรนัก เพราะคนอื่นก็มีโอกาสได้คะแนนที่หลากหลายกว่ามาก
• ในการลงทุน:
  กองทุน A ให้ผลตอบแทนเฉลี่ย 8% ต่อปี มี SD 2% กองทุน B ให้ผลตอบแทนเฉลี่ย 8% ต่อปี มี SD 10% ถ้าเปรียบเทียบแค่ค่าเฉลี่ย อาจจะดูเหมือนกัน แต่ SD ที่ต่างกันบอกว่ากองทุน B มีความผันผวนของผลตอบแทนสูงกว่ามาก เหมาะกับนักลงทุนที่รับความเสี่ยงได้สูงกว่าครับ
• ในการควบคุมคุณภาพ:
  โรงงานผลิตสินค้าต้องการให้สินค้ามีขนาดเฉลี่ยตามมาตรฐานที่กำหนด แต่ก็ต้องควบคุม SD ให้ต่ำที่สุด เพื่อให้สินค้าทุกชิ้นมีขนาดใกล้เคียงกัน ไม่ใช่แค่ค่าเฉลี่ยเท่านั้นที่สำคัญ แต่ความสม่ำเสมอก็สำคัญไม่แพ้กันครับ

สรุปแนวคิดสำคัญ

• ค่าเฉลี่ย: บอกค่ากลางหรือแนวโน้มของข้อมูล เป็นเหมือนจุดสมดุล แต่ระวังเรื่องค่าผิดปกติ
• ส่วนเบี่ยงเบนมาตรฐาน (SD): บอกการกระจายตัวของข้อมูล ถ้า SD น้อย ข้อมูลใกล้กัน ถ้า SD มาก ข้อมูลกระจายตัวมาก เป็นตัวชี้วัดความผันผวนและความเสี่ยงได้ดี
• การกระจายของข้อมูล: บอกรูปร่างของข้อมูล (เช่น ปกติ เบ้ซ้าย เบ้ขวา) ช่วยให้เราเข้าใจบริบทของค่าเฉลี่ยและ SD ได้อย่างสมบูรณ์

น้องๆ จะเห็นว่าค่าสถิติพื้นฐานเหล่านี้มีความสัมพันธ์กันและช่วยให้เราเข้าใจข้อมูลได้อย่างลึกซึ้งยิ่งขึ้น ไม่ใช่แค่ตัวเลขที่คำนวณออกมาเฉยๆ แต่เป็นเหมือนแว่นขยายที่ช่วยให้เรามองเห็นเรื่องราวที่ซ่อนอยู่ในชุดข้อมูลนั้นๆ ครับ การฝึกฝนตีความค่าเหล่านี้จะช่วยให้น้องๆ มีทักษะการคิดวิเคราะห์ข้อมูลที่แข็งแกร่ง ไม่ว่าจะเป็นข้อสอบหรือสถานการณ์ในชีวิตจริง ก็จะนำไปปรับใช้ได้อย่างแน่นอนครับ

สำหรับน้องๆ ที่อยากเจาะลึกเนื้อหาสถิติ หรือหัวข้อคณิตศาสตร์อื่นๆ ให้เข้าใจถ่องแท้ พร้อมเทคนิคการทำโจทย์และแนวคิดที่พี่กฤษณ์ใช้ในการสอน น้องๆ สามารถดูรายละเอียดเพิ่มเติมได้ในเว็บไซต์นี้เลยครับ มีทั้งคอร์สสด คอร์สออนไลน์ และคอร์สตัวต่อตัว ให้เลือกเรียนตามความสะดวกเลยครับ