合併標準差計算器

合併標準差計算器

成長中 AI Skill PRO

輸入計算

數學公式

Sp=(n1−1)s12+(n2−1)s22n1+n2−2S_p = \sqrt{\dfrac{({{\text{n}_1}} - 1)\,{{\text{s}_1}}^{2} + ({{\text{n}_2}} - 1)\,{{\text{s}_2}}^{2}}{{{\text{n}_1}} + {{\text{n}_2}} - 2}}

計算範例

Sp=(10−1)·52+(12−1)·6210+12−2≈5.5723S_p = \sqrt{\dfrac{(10 - 1) \cdot 5^{2} + (12 - 1) \cdot 6^{2}}{10 + 12 - 2}} \approx 5.5723
使用統計

廣告

結果

合併標準差
5.5723
Sp
合併變異數(Sp²) 31.05
自由度(n₁ + n₂ − 2) 20

回報本頁錯誤

什麼是合併標準差?

合併標準差(Pooled Standard Deviation,Sp)是把兩組樣本的標準差做加權平均,整合成單一的估計值,用來推估兩個母體共同的標準差。當你假設兩組獨立樣本來自「變異數相同」的母體時,就會用到它。合併估計值在雙樣本 t 檢定、Cohen's d 效果量,以及兩平均數差的信賴區間中,都扮演關鍵角色。

兩個不同大小的樣本分布合併為一個合併離散度
合併標準差將兩個樣本的離散程度合併為單一的加權估計值。

如何使用這個計算器

請輸入每組樣本的樣本數(\(n_1\) 與 \(n_2\))以及各自的標準差(\(s_1\) 與 \(s_2\))。計算器會回傳合併標準差、合併變異數(\(S_p^2\))以及自由度(\(n_1 + n_2 - 2\))。每組樣本至少要有兩筆觀測值,自由度才會維持為正數。

公式解析

合併變異數會依各組的自由度(\(n - 1\))對其變異數加權:

$$S_p^2 = \frac{(n_1 - 1)\,s_1^{2} + (n_2 - 1)\,s_2^{2}}{n_1 + n_2 - 2}$$

再開平方根,就得到合併標準差 \(S_p\)。樣本數較大的一組會對合併估計值貢獻較多,這也是為什麼要「加權」而非單純平均兩個變異數的原因。

廣告
公式分解,顯示加權變異數除以合併自由度
合併前,每個樣本變異數都按其自由度加權。

範例試算

假設樣本 1 的 \(n_1 = 10\)、\(s_1 = 5\),樣本 2 的 \(n_2 = 12\)、\(s_2 = 6\)。則 \((10-1)\cdot 25 = 225\),\((12-1)\cdot 36 = 396\),兩者相加為 \(621\)。自由度為 \(10 + 12 - 2 = 20\),因此 \(S_p^2 = 621 / 20 = 31.05\),$$S_p = \sqrt{31.05} \approx 5.5722$$

合併標準差在各情境中的變化

合併變異數是兩個樣本變異數的加權平均,權重等於各樣本的自由度:\(S_p^2 = \dfrac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1+n_2-2}\)。表格將此公式應用於四種情境。

情境 n₁ s₁ n₂ s₂ 合併變異數 Sp 自由度
A. 樣本數相等,標準差不同 20 4 20 8 (19·16 + 19·64)/38 = 40 6.3246 38
B. 樣本數不等,較大樣本佔主導 10 5 40 10 (9·25 + 39·100)/48 = 85.9375 9.2702 48
C. 標準差相同 12 6 30 6 (11·36 + 29·36)/40 = 36 6 40
D. 小樣本但標準差較大 8 12 50 4 (7·144 + 49·16)/56 = 32 5.6569 56
  • 情境 A:樣本數相等時,Sp 為兩個標準差的均方根:\(\sqrt{(4^2+8^2)/2} = \sqrt{40} \approx 6.3246\)。這大於 6 的簡單平均值。
  • 情境 B:第二個樣本的觀測值數量是第一個的四倍,因此 Sp(9.27)遠比 s₁ = 5 更接近 s₂ = 10。
  • 情境 C:當 s₁ = s₂ 時,權重不影響結果,Sp 等於該共同標準差,與樣本數無關。
  • 情境 D:50 個觀測值的樣本標準差較小,因此 Sp(5.66)被拉向 4,儘管小樣本的標準差大得多,為 12。
廣告

解讀合併標準差

  • 總是介於 s₁ 與 s₂ 之間:由於 Sp² 是 s₁² 與 s₂² 的加權平均(權重為正),\(\min(s_1, s_2) \le S_p \le \max(s_1, s_2)\)。只有當 s₁ = s₂ 時,兩者才會相等。
  • 共同標準差的估計值:假設兩個母體具有相同變異數 σ²,則 Sp² 是 σ² 的合併估計值。它利用了兩個樣本的資訊,因此比單獨任一 s 更穩定。
  • 平均數差的標準誤:$$SE = S_p\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}$$ 在情境 A 中,\(SE = \sqrt{40}\cdot\sqrt{0.1} = \sqrt{4} = 2\)。
  • Cohen's d:$$d = \frac{\bar{x}_1 - \bar{x}_2}{S_p}$$ 在情境 A 中,平均數差為 5 時,\(d = 5/6.3246 \approx 0.79\)。
  • 自由度:\(df = n_1 + n_2 - 2\) 是合併(學生)雙樣本 t 檢定中 t 分配的自由度。情境 A 的 df = 38,情境 B 的 df = 48。
  • 檢查等變異數假設:一般經驗法則是,若較大的標準差超過較小標準差的約 2 倍(變異數比超過約 4),合併便值得商榷。當樣本數不同時尤其如此。此時通常改用不合併變異數的韋爾奇 t 檢定(Welch's t-test)。情境 A 的標準差比恰為 2,情境 D 的比為 3。

計算慣例與邊界情況

以下每個情況都在本計算機上實際執行過,結果欄就是它真正回傳的值。

情況輸入結果
10 人和 12 人兩組(標準差 5 和 6)10, 5, 12, 65.5723
每組一個數值1, 5, 1, 6合併標準差要求每組至少有 2 個數值。

核對於 2026-11-08

常見問題

什麼時候該合併標準差?當你假設兩組的母體變異數相等時,就適合做合併。若兩組變異數差異很大,建議改用 Welch's t 檢定。

為什麼用 \(n - 1\) 而不是 \(n\)?使用 \(n - 1\)(即貝索校正,Bessel's correction)可以由樣本得到不偏的變異數估計值。

樣本的先後順序會影響結果嗎?不會。把兩組樣本互換,算出來的合併標準差完全相同。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器