انحراف معیار (Standard Deviation) یکی از کاربردی‌ترین مفاهیم در آمار است که به زبان ساده، «میزان پراکندگی» یا «فاصله‌ی نمرات از میانگین» را به ما نشان می‌دهد.
اگر میانگین را «قلب» داده‌ها در نظر بگیریم، انحراف معیار به ما می‌گوید که این قلب چقدر تپش منظم یا نامنظمی دارد.

درک مفهوم با یک مثال ساده 🍎
فرض کنید دو باغبان داریم که هر کدام ۵ سیب چیده‌اند. وزن سیب‌های آن‌ها به این صورت است:
باغبان اول: نمرات (۱۸۰، ۱۸۰، ۱۸۰، ۱۸۰، ۱۸۰) گرم.
باغبان دوم: نمرات (۱۰۰، ۱۵۰، ۱۸۰، ۲۱۰، ۲۶۰) گرم.
میانگین هر دو گروه ۱۸۰ گرم است. اما یک تفاوت بزرگ وجود دارد:

۱. در گروه اول، تمام سیب‌ها دقیقاً شبیه هم هستند. اینجا انحراف معیار صفر است (چون هیچ اختلافی با میانگین ندارند).

۲. در گروه دوم، وزن‌ها خیلی با هم فرق دارند. اینجا انحراف معیار بالا است چون داده‌ها از میانگین فاصله گرفته‌اند.

انحراف معیار بالا و پایین چه معنایی دارد؟ 📉
• انحراف معیار پایین (Low SD): نشان می‌دهد که داده‌ها بسیار به میانگین نزدیک هستند. این یعنی نتایج شما ثبات و دقت بالایی دارند و قابل پیش‌بینی‌تر هستند.
• انحراف معیار بالا (High SD): نشان می‌دهد که داده‌ها پراکندگی زیادی دارند و در بازه گسترده‌ای پخش شده‌اند. این یعنی نوسان یا تفاوت در نمونه‌های شما زیاد است.

چرا در پژوهش به آن نیاز داریم؟ 🔬
۱. سنجش اعتبار: در آزمایش‌های علمی، انحراف معیار پایین نشان‌دهنده این است که آزمایش شما تکرارپذیر است و هر بار نتایج مشابهی می‌گیرید.
۲. شناسایی داده‌های پرت (Outliers): اگر داده‌ای فاصله‌ی بسیار زیادی (مثلاً بیش از ۳ برابر انحراف معیار) از میانگین داشته باشد، معمولاً به عنوان داده‌ی پرت شناخته می‌شود و باید بررسی شود.
۳. توزیع نرمال: همان‌طور که قبلاً گفتیم، در توزیع نرمال، ۶۸٪ داده‌ها در فاصله «یک انحراف معیار» از میانگین قرار می‌گیرند. این به ما قدرت پیش‌بینی می‌دهد.

خلاصه مراحل: ابتدا اختلاف هر عدد با میانگین را پیدا می‌کنیم، آن‌ها را به توان دو می‌رسانیم (تا منفی‌ها حذف شوند)، میانگینِ این توان‌دوم‌ها را می‌گیریم و در آخر جذر می‌گیریم تا به واحد اصلی برگردیم.


- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱