標準偏差 計算｜平均・分散・SD・変動係数・四分位数を一発算出、Excel関数互換
数値データをカンマ区切り・スペース区切り・改行区切りのいずれかで入力するだけで、平均値・分散（母集団／標本）・標準偏差（母集団／標本）・変動係数CV・中央値・最大値・最小値・データ数を瞬時に計算。テスト成績のばらつき分析、製造業の品質管理（3σ・6σ・工程能力指数Cp/Cpk）、統計学の宿題、機械学習の特徴量スケーリング、金融のボラティリティ計算、医療データ解析（信頼区間）まで対応する無料統計ツール。Excel関数 STDEV.S / STDEV.P / STDEVA と完全互換で、正規分布の68-95-99.7ルール、外れ値検出（IQR法・3σ法）、Chebyshevの不等式まで実務レベルで解説します。
標準偏差 計算ツール
公式集（分散・標準偏差・変動係数）
基本公式
平均 μ = (Σxᵢ) ÷ n
分散（母集団） σ² = Σ(xᵢ − μ)² ÷ n
分散（サンプル） s² = Σ(xᵢ − μ)² ÷ (n − 1)
標準偏差 σ ＝ √分散
変動係数 CV = σ ÷ μ × 100 (%)
標準得点 z = (xᵢ − μ) ÷ σ
計算式の一覧
| 指標 | 母集団 | 標本（サンプル） | Excel関数 |
|---|---|---|---|
| 平均 | μ = Σx/N | x̄ = Σx/n | AVERAGE |
| 分散 | σ² = Σ(x−μ)²/N | s² = Σ(x−x̄)²/(n−1) | VAR.P / VAR.S |
| 標準偏差 | σ = √σ² | s = √s² | STDEV.P / STDEV.S |
| 変動係数 | CV = σ/μ × 100% | CV = s/x̄ × 100% | 手動計算 |
| 標準誤差 | — | SE = s/√n | 手動計算 |
| 四分位偏差 | — | QD = (Q3−Q1)/2 | QUARTILE |
標本分散で n−1 で割るのは Bessel補正 と呼ばれ、母集団分散の不偏推定量を得るための調整です。標本平均を用いる際の自由度損失（1つ）を補正しています。
母集団SDと標本SDの違い
統計学の実務で最も頻出する混同ポイント。調査対象がすべて含まれるか、一部の抽出かで使い分けます。
| 項目 | 母集団標準偏差 σ | 標本標準偏差 s |
|---|---|---|
| 対象 | 全データ（完全把握） | 抽出データ（サンプル） |
| 除数 | N | n − 1（Bessel補正） |
| Excel関数 | STDEV.P（旧 STDEVP） | STDEV.S（旧 STDEV） |
| Python | numpy.std(ddof=0) | numpy.std(ddof=1) / pandas既定 |
| 典型例 | あるクラス40人全員のテスト | 全国1万人から100人を抽出調査 |
| 期待値 | 真の値そのもの | 母分散の不偏推定量 |
| 実務頻度 | 低（全数把握は稀） | 高（推定に用いる） |
迷ったら標本標準偏差（n−1）を選択が無難です。統計調査（世論調査・製品検査・医学試験）はほぼすべてが標本抽出のため。ただしテストの集計等で全員のデータが揃っている場合は母集団SDが正確です。
正規分布と68-95-99.7ルール
データが正規分布に従うと仮定できる場合、以下の経験則が成り立ちます。品質管理・偏差値・信頼区間計算の基礎です。
| 範囲 | 該当確率 | 外れる確率 | 実務例（1万人中） |
|---|---|---|---|
| μ ± 1σ | 約 68.27% | 約 31.73% | 3,173人が範囲外 |
| μ ± 1.96σ | 約 95.00% | 約 5.00%（有意水準5%） | 500人が範囲外 |
| μ ± 2σ | 約 95.45% | 約 4.55% | 455人が範囲外 |
| μ ± 2.58σ | 約 99.00% | 約 1.00%（有意水準1%） | 100人が範囲外 |
| μ ± 3σ | 約 99.73% | 約 0.27% | 27人が範囲外 |
| μ ± 4σ | 約 99.9937% | 約 0.0063% | 0.63人 |
| μ ± 5σ | 約 99.999943% | 約 0.000057% | — |
| μ ± 6σ | 約 99.9999998% | 約 0.0000002% | 百万分の3.4以下（シックスシグマ） |
製造業の「シックスシグマ」品質基準は、6σ範囲外＝不良率を 100万個中3.4個以下 に抑える運動です。1990年代にモトローラ社が体系化し、以後、ISO/JIS品質規格の指標として国際普及。
変動係数（CV）と相対ばらつき
変動係数 CV = 標準偏差 ÷ 平均 × 100% は、異なるスケールのデータを比較できる相対指標です。
| データ | 平均 | SD | CV | ばらつき判定 |
|---|---|---|---|---|
| 身長データ（cm） | 170 | 6 | 3.5% | 非常に安定 |
| 体重データ（kg） | 60 | 10 | 16.7% | やや大きい |
| 年収データ（万円） | 500 | 300 | 60.0% | 非常に大きい |
| 製品重量（g） | 100 | 1 | 1.0% | 安定（品質OK） |
| 株価日次リターン（%） | 0.05 | 1.2 | 2400% | 予測困難 |
目安：CV 5%未満＝非常に安定、5〜10%＝安定、10〜20%＝許容範囲、20%以上＝ばらつき大。ただし業種・分野で基準が変動するため、業界標準を確認してください（医薬品分析ではCV≤2%が標準）。
外れ値検出（IQR法・3σ法）
データに含まれる外れ値（異常値）を検出する代表的な2手法です。
IQR法（四分位範囲法）
Q1 − 1.5×IQR より小さい、または Q3 + 1.5×IQR より大きい値を外れ値と判定。IQR = Q3 − Q1（四分位範囲）。正規分布を仮定しないロバストな手法で、Tukey が提唱。箱ひげ図の「ひげ」の外側が外れ値です。
3σ法（Zスコア法）
|x − 平均| > 3σ の値を外れ値と判定。正規分布仮定下では 0.27% しか該当せず、多くを検出できます。ただし外れ値自体が平均・SDを引き上げるため、事前に頑健推定量（trimmed mean, MAD）を使う改良版も存在。
Grubbsの検定
統計的仮説検定として外れ値を判定する厳密手法。有意水準 α=5% での棄却限界を用いて、最大・最小値が外れ値かを個別に検定。ISO 5725（測定精度）でも採用。
Chebyshevの不等式
分布形状不明でも、平均±kσ に少なくとも (1 − 1/k²) が含まれる。k=2で75%、k=3で89%、k=4で94%以上。正規分布仮定できない場合の保証境界として使用。
品質管理・工程能力指数Cp/Cpk
製造業では、標準偏差から 工程能力指数 Cp / Cpk を算出し、品質基準を判定します。
| 指標 | 計算式 | 意味 | 判定基準 |
|---|---|---|---|
| Cp | (USL − LSL) / (6σ) | 工程のばらつき能力 | ≥1.33 で合格 |
| Cpk | min[(USL−μ)/(3σ), (μ−LSL)/(3σ)] | 偏り含む能力 | ≥1.33 で合格 |
| Pp / Ppk | 長期σを使用 | 長期工程性能 | ≥1.67 で優秀 |
| 3σレベル | Cp=1.0 | 約2,700 ppm不良 | 不十分 |
| 4σレベル | Cp=1.33 | 約63 ppm不良 | 合格 |
| 6σレベル | Cp=2.0 | 約3.4 ppm不良 | ワールドクラス |
USL=上限規格、LSL=下限規格。自動車業界（IATF 16949）や医療機器（ISO 13485）では Cpk ≥ 1.67 が要求される場合もあります。
実務・学習での活用シーン
テスト成績・偏差値の計算
受験生の点数から平均・SDを算出し、個別得点の偏差値=(得点−平均)÷SD×10+50を算出。学校・塾の成績分析、模試判定、進路指導で頻用。母集団の場合はSTDEV.P、抽出調査ならSTDEV.Sを選択。
製造業の品質管理・SPC
工程能力指数Cp/Cpk、管理図（X̄-R管理図、X̄-s管理図）の中心線・管理限界線の設定に標準偏差を使用。JIS Z 9020-1・9020-2（管理図）で規定。トヨタ生産方式のカイゼン活動でも中核指標。
金融のボラティリティ・リスク管理
日次リターンの標準偏差＝ボラティリティ（年率換算×√252）。株式・投資信託のリスク指標として使用。VaR（Value at Risk）や、シャープレシオ=(リターン−無リスク利回り)/SDの計算基礎。
機械学習・データ前処理
特徴量の標準化（z-score正規化）：x' = (x−μ)/σ で平均0・SD1にスケーリング。SVM・ロジスティック回帰・ニューラルネットの収束を高速化。scikit-learnのStandardScalerが実装。
医療統計・信頼区間
臨床試験の効果測定、血液検査の基準値設定（±2σ範囲を正常値）、疫学研究の信頼区間 = 平均 ± 1.96×SE。厚生労働省の統計調査、日本疫学会のガイドラインで基礎手法。
気象・環境データ解析
気温・降水量の平年偏差、大気汚染物質の変動監視、地震活動度指数（b値の推定精度）等。気象庁の統計処理でも標準偏差を頻用。JIS Q 17025（試験所認定）で測定不確かさに関連。
Excel/Python関数対応表
| 計算内容 | Excel（新） | Excel（旧） | Python（NumPy） | Python（pandas） |
|---|---|---|---|---|
| 平均 | =AVERAGE(範囲) | =AVERAGE(範囲) | np.mean(x) | df.mean() |
| 中央値 | =MEDIAN(範囲) | =MEDIAN(範囲) | np.median(x) | df.median() |
| 母集団分散 | =VAR.P(範囲) | =VARP(範囲) | np.var(x, ddof=0) | df.var(ddof=0) |
| 標本分散 | =VAR.S(範囲) | =VAR(範囲) | np.var(x, ddof=1) | df.var() |
| 母集団SD | =STDEV.P(範囲) | =STDEVP(範囲) | np.std(x, ddof=0) | df.std(ddof=0) |
| 標本SD | =STDEV.S(範囲) | =STDEV(範囲) | np.std(x, ddof=1) | df.std() |
| 四分位数 | =QUARTILE.INC(範囲,k) | =QUARTILE(範囲,k) | np.quantile(x,q) | df.quantile(q) |
| 最大／最小 | =MAX/=MIN | =MAX/=MIN | np.max/np.min | df.max()/df.min() |
pandasはデフォルトで ddof=1（標本統計）を採用。NumPyはデフォルト ddof=0（母集団統計）なので注意が必要です。
よくある間違い・注意点
- 母集団SDと標本SDの混同 — Excelの STDEV は標本SD（n−1）、STDEVP は母集団SD（n）で異なる値を返します。実務で最も多い誤答。統計的推定では常に n−1 を使うべき。
- 分散と標準偏差の混同 — 分散は「偏差の2乗の平均」で単位が元データの2乗、標準偏差は「分散の平方根」で単位が元データと同じ。テスト点数の分散は「点²」、標準偏差は「点」。
- 外れ値を除去せずに計算 — 1つの極端な外れ値が平均・SDを大幅に歪めます。まず箱ひげ図で分布を確認、IQR法・3σ法で外れ値を検出し、除外可否を検討してください。
- 正規分布仮定の誤用 — 68-95-99.7ルールは正規分布に従うデータのみで成立。歪んだ分布（所得、株価対数リターン）では成り立たず、Chebyshevの不等式や中央値・四分位偏差を使用すべき。
- 変動係数を負データに適用 — CV = SD/平均 は、平均が0近辺やマイナス（気温、収益率）では意味を成しません。相対比較は温度なら絶対温度（K）で計算するなど工夫が必要。
- データの単位揃え忘れ — mmとcm、円と万円が混在すると平均・SDが無意味に。データクリーニング段階で単位変換を統一してください。機械学習でも「特徴量スケール混在」が精度低下の主因。
- サンプルサイズn≤3での計算 — n=1では分散・SDは定義できず、n=2, 3でも推定誤差が大きすぎます。統計的判断には最低でも n=30 以上、精度重視なら n≥100 が推奨（中心極限定理）。
関連する規格・法令
- JIS Z 8101-1（統計 用語及び記号） ― 統計用語・記号の日本産業規格。平均・分散・標準偏差の定義。
- JIS Z 9020-1／2（管理図） ― 統計的品質管理（SPC）における管理図の作成方法。X̄-R管理図、X̄-s管理図で標準偏差を使用。
- ISO 5725（測定方法及び測定結果の精度） ― 併行精度・再現精度の算出に標準偏差を利用。JIS Z 8402と対応。
- ISO/IEC 17025（試験所認定） ― 測定の不確かさ（uncertainty）に標準偏差ベースの評価を要求。
- IATF 16949（自動車業界品質マネジメント） ― 工程能力指数 Cpk ≥ 1.33（重要特性は 1.67）を要求。
- PMDA（医薬品医療機器総合機構）バリデーション指針 ― 医薬品分析法バリデーションで RSD（相対標準偏差＝CV）≤2% を規定。
参考文献・公的資料
統計学の一次資料および学習指導関連の公的機関リンクです。
- 文部科学省 高等学校学習指導要領（数学） ― 数学I「データの分析」で標準偏差・分散・相関係数を扱う単元構成。
- 日本数学会 ― 数学教育・研究の学会。統計学関連の研究会・シンポジウム情報。
- 大学入試センター ― 共通テスト数学I「データの分析」の出題基準。標準偏差・分散が頻出。
- OEIS（オンライン整数列大辞典） ― 統計関連の数列カタログ。
- Wolfram MathWorld: Standard Deviation ― 標準偏差の国際標準リファレンス。公式・性質・応用例。
- American Mathematical Society (AMS) ― 米国数学会。統計学関連の学術論文誌を刊行。
- 情報処理推進機構（IPA） ― データ分析関連ガイドライン、統計処理標準。
- NIST/SEMATECH e-Handbook of Statistical Methods ― 米国NISTの統計手法標準ハンドブック。工業統計の国際基準。
- 日本情報オリンピック（JOI） ― データ分析アルゴリズムの応用問題。統計処理の実装。
- 文部科学省 学習指導要領解説 数学編 ― 数学I・数学Bにおける統計単元の詳細解説。
よくある質問（FAQ）
サンプルと母集団どちらを使う？
調査した値が全体（母集団）の場合は母集団標準偏差（例：あるクラス40人全員のテスト点数）。調査値が全体から抜き出した一部（標本）の場合はサンプル標準偏差（例：1万人から100人を抽出した世論調査）。実務ではほぼサンプル標準偏差（n−1除算、STDEV.S）が使われます。全数把握できるケースは稀なため、迷ったらサンプルSDを選択してください。
標準偏差の意味は？
データのばらつき（散らばり度合い）を表す指標です。標準偏差が小さいほど平均周辺に集中、大きいほど広く散る。正規分布なら平均±1σ内に約68%、±2σ内に約95%、±3σ内に約99.7%のデータが入るという「68-95-99.7ルール」があります。テスト成績、製品品質、金融リターン等で共通に使う統計指標です。
偏差値との関係は？
偏差値 = (得点 − 平均) ÷ 標準偏差 × 10 + 50。標準偏差1つ分上=偏差値60、2つ分上=偏差値70。個別点数の相対順位（上位％）が分かる仕組みです。偏差値計算ツールで個別の点数の偏差値を算出可能。全国模試・共通テストで進路指導に使われます。
変動係数（CV）とは？
標準偏差 ÷ 平均 × 100% で、平均値に対するばらつきの相対指標です。異なるスケールのデータを比較する時に使用（身長と体重、円と万円）。CV 5%未満＝安定、10〜20%＝許容、20%以上＝要注意。ただし業種で基準が変動し、医薬品分析ではCV≤2%が標準。マイナスや0付近の平均には適用不可です。
Excelで標準偏差を計算するには？
サンプル（標本）：=STDEV.S(範囲)、母集団：=STDEV.P(範囲)。旧関数 =STDEV(範囲) は STDEV.S と同じで標本SDを返します。=STDEVP(範囲) は STDEV.P と同じで母集団SD。PythonのNumPyはデフォルト ddof=0（母集団）ですが、pandasはデフォルト ddof=1（標本）で異なる点に注意。
3σと6σ（シックスシグマ）の違いは？
3σは平均±3標準偏差、範囲外は0.27%（1万個中27個の不良）。6σは範囲外を百万個中3.4個以下に抑える品質基準で、モトローラ社が1990年代に提唱、GEやトヨタが採用。工程能力指数Cp=2.0が該当。自動車・半導体・医療機器の品質管理で世界標準です。
分散と標準偏差はどちらを使う？
用途で使い分けます。分散は数学的計算（分散の加法性、χ²検定）に有利、標準偏差は解釈のしやすさ（元データと同じ単位）で有利。実務レポートは標準偏差、統計解析の中間値は分散、が一般的。分散＝標準偏差の2乗、標準偏差＝√分散の関係です。
外れ値はどう判定する？
代表2手法：IQR法（Q1−1.5×IQR未満 or Q3+1.5×IQR超）、3σ法（|x−平均|>3σ）。IQR法は分布形状に依存しないロバスト手法、3σ法は正規分布仮定の下で強力。学術研究ではGrubbsの検定（ISO 5725）を使用することも。除外可否は科学的根拠が必要で、単に「大きいから除外」は不正な操作です。
信頼区間はどう計算する？
母平均の95%信頼区間 = 標本平均 ± 1.96 × (標本SD/√n)。標本平均±1.96×標準誤差の形式。n<30 の小標本では t分布を使用（自由度n−1のt値で置換）。信頼区間計算ツールで自動算出可能。医学統計・世論調査・A/Bテスト等で必須の指標です。
データが少ないと標準偏差は信頼できる？
n≤3では推定誤差が極めて大きく、実務的価値がありません。中心極限定理から n≥30 で標本平均が正規分布に近づくのが目安。医薬品試験ではn≥6、心理学ではn≥30、大規模調査ではn≥1000といった業界基準があります。少ない場合は信頼区間を広めに取り、結論を慎重にしてください。
標準偏差と標準誤差の違いは？
標準偏差（SD）は個々のデータのばらつき、標準誤差（SE = SD/√n）は標本平均のばらつき。個票データの記述には SD、平均値の推定精度には SE を使います。論文では「平均±SD」または「平均±SE」の使い分けを明示することが求められます（AMA/APAスタイルガイド）。
標準偏差を機械学習で使う場面は？
1) 特徴量の標準化（StandardScaler：z-score正規化 x' = (x−μ)/σ）、2) 異常検知（3σ超を異常とする）、3) 予測モデルの誤差評価（RMSE）、4) ベイズ推論の事前分布パラメータ、5) 強化学習のε-greedy行動選択。scikit-learn・TensorFlow・PyTorch の標準前処理で頻用します。