Elke meetreeks in het laboratorium levert twee getallen op die vrijwel altijd worden gerapporteerd: een gemiddelde als beste schatting van de waarde, en een standaarddeviatie als maat voor de spreiding rond dat gemiddelde. Wie een resultaat correct wil rapporteren, een meetonzekerheid wil opbouwen, een kalibratie wil beoordelen of een methodevalidatie wil onderbouwen, komt niet om deze basisstatistiek heen. Op deze pagina behandelen we — expliciet als basisartikel — het gemiddelde (x̄), de mediaan, de standaarddeviatie (s, σ), de variantie (s²), de variatiecoefficient (CV of RSD %), de standaardfout van het gemiddelde (SEM) en de betekenis van de 68/95/99,7-regel. Aan het eind leest u hoe deze grootheden zich verhouden tot betrouwbaarheidsintervallen, controlekaarten en de aannames onder t-toets en ANOVA.
Een enkele meting is een puntschatting: hij vertelt u iets, maar niet hoe zeker. Herhaalt u dezelfde meting, dan varieren de uitkomsten door toevallige invloeden — resolutie van het instrument, temperatuur, pipetteerhandeling, matrix. Het gemiddelde is de klassieke locatiemaat die die variatie samenvat tot een beste schatting; de standaarddeviatie is de klassieke spreidingsmaat die aangeeft hoe wijd de individuele metingen om dat gemiddelde liggen. Samen vormen zij het minimale rapportagepaar voor elke meetreeks in een ISO/IEC 17025-omgeving en voor de kwaliteitscontrole onder GMP of GLP.
Een locatiemaat beschrijft waar de data zijn: het centrum van de verdeling. De drie klassieke locatiematen zijn het gemiddelde (rekenkundig middelpunt), de mediaan (middenwaarde bij oplopende sortering) en de modus (meest voorkomende waarde). Een spreidingsmaat beschrijft hoe ver uit elkaar de data liggen: standaarddeviatie, variantie, range en interkwartielafstand (IQR). Rapportage van alleen een locatiemaat zonder spreiding — bijvoorbeeld "de bepaling gaf 5,42 mg/L" — is onvolledig; zonder spreidingsmaat kan de lezer niet beoordelen of het getal betrouwbaar is.
Het rekenkundig gemiddelde x̄ is de som van alle waarnemingen gedeeld door hun aantal:
x̄ = (x₁ + x₂ + ... + xₙ) / n = Σ xᵢ / n
Dit is de klassieke keuze voor herhaalde metingen van dezelfde grootheid onder dezelfde omstandigheden — vrijwel altijd het geval bij een gravimetrische bepaling, een titratie in drievoud of een reeks pipetteercontroles. Voor sterk scheve verdelingen, verhoudingen die worden opgeteld of tijdsreeksen met exponentiele groei zijn er alternatieven.
Het gemiddelde is gevoelig voor uitschieters: een enkele extreme waarde kan het gemiddelde substantieel verschuiven. De mediaan is de middelste waarde na sortering (of het gemiddelde van de twee middelste bij een even aantal) en is robuust tegen enkele extreme waarden. Bij een symmetrische verdeling vallen gemiddelde en mediaan samen; bij een scheve verdeling ligt het gemiddelde in de richting van de staart. Wanneer een Grubbs- of Dixon-Q-toets een uitschieter aantoont maar deze onterecht niet mag worden verwijderd, is rapportage van mediaan naast gemiddelde vaak informatiever dan het gemiddelde alleen.
Bij een gewogen gemiddelde krijgt elke waarde een gewicht wᵢ dat de betrouwbaarheid of frequentie van die waarde weerspiegelt: x̄w = Σ wᵢ·xᵢ / Σ wᵢ. In laboratoriumcontext wordt vaak gewogen met de reciproke van de variantie (wᵢ = 1/sᵢ²) — het combineren van resultaten uit verschillende meetseries of laboratoria, zoals bij interlaboratoriumvergelijking, gebeurt op deze manier. Dat het minst variabele lab het meeste bijdraagt aan het gewogen consensusgemiddelde is precies de bedoeling.
Het geometrische gemiddelde — de n-de wortel uit het product van n waarden — is de juiste keuze voor grootheden die zich multiplicatief gedragen: verdunningsreeksen, celgroei, radioactief verval of concentraties over meerdere orden van grootte. Bij een logaritmische verdunningsreeks is het rekenkundig gemiddelde vertekend; het geometrische gemiddelde levert een schatting die schaal-invariant is. Voor bacterietiters wordt daarnaast vrijwel altijd op log₁₀-schaal gerapporteerd.
De standaarddeviatie is de wortel van de gemiddelde gekwadrateerde afwijking van het gemiddelde. Voor een steekproef (n metingen uit een grotere populatie) wordt gewerkt met n−1 in de noemer — de zogenaamde Bessel-correctie, die de systematische onderschatting van de populatievariantie corrigeert:
s = √[ Σ (xᵢ − x̄)² / (n − 1) ]
Voor de populatie (alle mogelijke waarnemingen, zelden echt beschikbaar in het lab) geldt de vorm met n in de noemer en wordt de standaarddeviatie meestal aangeduid met σ. In de laboratoriumpraktijk werkt u vrijwel uitsluitend met steekproefstatistiek: s is dus de gebruikelijke notatie. De standaarddeviatie heeft dezelfde eenheid als de meetwaarde zelf — mg/L, %, pH-eenheden — wat rapportage intuïtief maakt.
De populatie-standaarddeviatie σ is de theoretische, ware spreiding van de gehele populatie waaruit u meet. De steekproef-standaarddeviatie s is de schatting van σ op basis van uw n metingen. Bij een oneindig grote steekproef zouden s en σ identiek zijn; bij een kleine steekproef systematisch onderschat s de populatie‑σ als u zonder Bessel-correctie werkt. Vrijwel elke rekenmachine, spreadsheet (functie STDEV.S of STDEV) en statistiekpakket rekent standaard met de n−1-vorm. STDEV.P (met n in de noemer) gebruikt u alleen als u aantoonbaar de volledige populatie in handen heeft — een uitzondering in analytisch werk.
De variantie s² is het kwadraat van de standaarddeviatie. Ze is de statistisch fundamentele grootheid — varianties zijn bij onafhankelijke bronnen optelbaar (de wet van propagatie van onzekerheid in de GUM berust hierop), terwijl standaarddeviaties dat niet zijn. Nadeel van variantie is dat de eenheid gekwadrateerd wordt (mg²/L²), wat rapportage onhandig maakt. De standaarddeviatie is de vorm voor communicatie, de variantie de vorm voor combinatie. Bij het samenvoegen van twee onafhankelijke onzekerheidsbronnen geldt: sc² = s₁² + s₂², oftewel de wortel-som-der-kwadraten voor sc.
Hoe die wortel-som-der-kwadraten in de praktijk doorwerkt bij optelling, vermenigvuldiging, machtsverheffing en logaritmische functies, is stap voor stap uitgewerkt in het artikel foutenpropagatie in het laboratorium.
De variatiecoefficient — internationaal coefficient of variation, in de analytische chemie meestal relatieve standaarddeviatie (RSD) — is de standaarddeviatie gedeeld door het gemiddelde, uitgedrukt als percentage:
CV = RSD % = 100 · s / x̄
De CV is dimensieloos en maakt het mogelijk de spreiding van verschillende meetgrootheden of verschillende concentratieniveaus direct te vergelijken. In systeemgeschiktheidstests voor HPLC geldt bijvoorbeeld typisch een acceptatiegrens van RSD < 1 % op zes replicate injecties; voor lage concentraties nabij de detectielimiet kan de aanvaardbare RSD tot 10–20 % oplopen. Zie voor de bredere context van herhaalbaarheid en tussentijdse precisie het artikel over methodevalidatie volgens ICH Q2. De system suitability test is de dagelijkse toepassing daarvan.
Voor een set van vijf gehalten (99,7 – 100,3 – 100,1 – 99,9 – 100,0 %):
In Excel of Google Sheets levert =GEMIDDELDE(bereik) en =STDEV.S(bereik) hetzelfde resultaat; STDEV.P zou de populatievorm (0,20 %) geven en is voor deze steekproef fout.
=GEMIDDELDE(bereik)
=STDEV.S(bereik)
Een tweede voorbeeld met gehele getallen — de dataset {5, 3, 4, 7} (n = 4):
De hoge RSD (36 %) illustreert dat bij slechts vier metingen met aanzienlijke onderlinge spreiding de steekproefstandaarddeviatie groot is ten opzichte van het gemiddelde. Dit is niet per definitie een probleem — het hangt af van de aard van de grootheid en de vereiste precisie. In Excel levert =STDEV.S(5;3;4;7) de waarde 1,708; =GEMIDDELDE(5;3;4;7) geeft 4,75.
=STDEV.S(5;3;4;7)
=GEMIDDELDE(5;3;4;7)
De standaarddeviatie vertaalt u naar een praktische uitspraak via de 68/95/99,7-regel: bij een normaal verdeelde meting valt circa 68 % van alle individuele meetwaarden binnen het interval x̄ ± 1·s. Concreet: als uw HPLC-injecties een gemiddelde piekoppervlakte geven van 10 000 eenheden met s = 100, dan ligt 68 % van de individuele injecties tussen 9 900 en 10 100. Twee vuistregels helpen bij de interpretatie:
Een grote standaarddeviatie signaleert variabele omstandigheden (instrument, analist, temperatuur, matrix), maar zegt niets over of de methode de juiste waarde geeft — dat is het domein van de juistheid (bias). Zie de tabel in de sectie Precisie, juistheid en nauwkeurigheid voor het onderscheid.
Voor toevallige variatie rond een gemiddelde geldt in veel praktische situaties bij benadering de normale verdeling (Gaussiaanse verdeling of klokcurve). De Centrale Limietstelling verklaart waarom: de som (of het gemiddelde) van veel kleine, onafhankelijke bronnen van variatie neigt naar een normale verdeling, ongeacht de vorm van de individuele bronnen. Dat maakt de normale verdeling het praktische model voor herhaalbaarheids- en verificatiemetingen — mits normaliteit vooraf is getoetst; zie het artikel over chi-kwadraat, normaliteitstoetsen en ISO 5725. Voor discrete telling (kolonietelling, digitale PCR, radioactiviteit) geldt daarentegen de Poisson-verdeling.
Bij een normaal verdeelde grootheid ligt:
Deze empirische regel — soms de "drie-sigma-regel" genoemd — is de basis van de meeste controlekaarten. In statistische procescontrole worden alertgrenzen vaak op ±2·s en actiegrenzen op ±3·s gelegd; een individuele waarneming buiten ±3·s heeft dan een a priori-kans van 0,3 % en telt als Out of Trend-signaal. Voor 95 % dekking wordt in metrologische rapportage vaak niet 2 maar precies 1,96 gebruikt (uit de standaardnormale tabel); de afronding naar 2 is de gebruikelijke praktische keuze in de GUM (dekkingsfactor k = 2).
1σ is een afstand ter grootte van één standaarddeviatie boven of onder het gemiddelde. Bij een normale verdeling omvat het interval [x̄ − σ, x̄ + σ] circa 68,3 % van de kans. In een dagelijkse SPC-context: als s = 0,05 pH en x̄ = 7,00, dan valt 68 % van de dagelijkse pH-metingen tussen 6,95 en 7,05.
De z-waarde (of standard score) is het aantal standaarddeviaties waarmee een waarde van het gemiddelde afwijkt: z = (x − x̄) / s. Een z van +2 betekent twee standaarddeviaties boven het gemiddelde; een z van −3 drie eronder. Z-waarden maken meetwaarden uit verschillende verdelingen direct vergelijkbaar en zijn de standaardvorm van de uitkomst bij een interlaboratoriumvergelijking: een z tussen −2 en +2 heet doorgaans satisfactory, tussen 2 en 3 questionable, buiten ±3 unsatisfactory. Achter deze indeling zit direct de 68/95/99,7-regel.
De standaard normale verdeling is een normale verdeling met gemiddelde μ = 0 en standaarddeviatie σ = 1. De wiskundige dichtheidsfunctie beschrijft de klokvorm:
f(x) = (1 / σ√(2π)) · e−(x − μ)² / (2σ²)
Voor de standaard normale verdeling (μ = 0, σ = 1) vereenvoudigt de formule tot:
f(z) = (1 / √(2π)) · e−z² / 2
In de laboratoriumpraktijk werkt u niet rechtstreeks met deze formule, maar berekent u de z-waarde van een meting (z = (x − x̄) / s) en leest u de bijbehorende kans op uit een standaardnormale tabel of een statistiekpakket. Zo weet u hoe uitzonderlijk een gemeten waarde is ten opzichte van het gemiddelde.
De koppeling met de 68/95/99,7-regel is direct: de oppervlakten onder de curve tussen −1σ en +1σ (68,3 %), −2σ en +2σ (95,4 %) en −3σ en +3σ (99,7 %) volgen rechtstreeks uit de integraal van bovenstaande dichtheidsfunctie. In de normaliteitstoets (Shapiro-Wilk, Anderson-Darling) wordt getoetst of uw meetdata deze standaard normale vorm voldoende dicht benaderen.
Waar s de spreiding van individuele meetwaarden beschrijft, beschrijft de standaardfout van het gemiddelde (SEM, ook wel standard error of the mean) de spreiding van het steekproefgemiddelde. Voor onafhankelijke metingen geldt:
SEM = s / √n
Herhaalt u een meetreeks van n = 4 metingen vele malen, dan varieert het gemiddelde van iedere reeks van reeks tot reeks. Die spreiding van gemiddelden is precies SEM. Naarmate n groter wordt, wordt SEM systematisch kleiner met de wortel van n — verviervoudigen van het aantal metingen halveert de standaardfout, maar verandert s (de spreiding van individuele metingen zelf) niet. Dat is de reden dat replicaten zin hebben: ze verkleinen de onzekerheid van het gemiddelde, niet de spreiding van het proces.
De standaarddeviatie s vertelt u hoe wijd individuele meetwaarden om het gemiddelde liggen — een eigenschap van het proces of de populatie, die niet kleiner wordt door meer meten. De standaardfout SEM vertelt u hoe zeker u bent van het berekende gemiddelde — een eigenschap van uw schatting, die kleiner wordt naarmate u meer meet. Rapportage-vuistregel: voor het beschrijven van de spreiding van uw data gebruikt u ± s; voor het rapporteren van de onzekerheid van uw gemiddelde gebruikt u ± SEM of — nog beter — het bijbehorende betrouwbaarheidsinterval. Verwarring tussen s en SEM is een van de meest gemaakte fouten in laboratorium- en wetenschappelijke rapportages; wetenschappelijke tijdschriften eisen daarom expliciete vermelding.
In termen van kansverdelingen (PDF): de standaarddeviatie s is de breedte van de populatieverdeling — de verdeling waaruit individuele metingen worden getrokken. De standaardfout SEM is de breedte van de steekproefgemiddelde-verdeling — de verdeling die ontstaat als u het gemiddelde van n metingen herhaaldelijk zou berekenen. Beide verdelingen zijn bij benadering normaal; de verdeling van het gemiddelde is altijd smaller dan de verdeling van de individuele metingen, met een factor √n. De SVG-illustratie bovenaan dit artikel toont beide verdelingen over elkaar heen: de brede curve voor individuele metingen (breedte ≅ s) en de smalle curve voor het steekproefgemiddelde (breedte ≅ SEM).
De variantie van een gemiddelde van n onafhankelijke waarnemingen met individuele variantie s² is s²/n; wortel trekken geeft SEM = s/√n. Voorwaarden: (a) de metingen zijn onafhankelijk — dubbelbepalingen uit hetzelfde monster telt vaak niet als twee onafhankelijke metingen; en (b) de metingen komen uit dezelfde verdeling (identiek verdeeld). Bij gecorreleerde metingen (bijvoorbeeld opeenvolgende punten op een drifting instrument) is de effectieve n kleiner dan het feitelijk aantal metingen, en overschat s/√n de precisie.
Ja, de omrekening is eenduidig in beide richtingen. Gegeven s en n berekent u SEM als:
Omgekeerd, als u alleen SEM en n kent en s wilt terugberekenen:
s = SEM · √n
Let op de context: s en SEM beschrijven verschillende dingen (spreiding van individuele metingen versus onzekerheid van het gemiddelde) en zijn niet onderling vervangbaar in rapportages. De omrekening is zinvol wanneer een publicatie alleen SEM meldt maar u de absolute spreiding van de individuele metingen wilt kennen — mits n vermeld is. Is n niet vermeld, dan is de terugberekening niet mogelijk en is de gerapporteerde SEM onvolledig.
Uit SEM = s/√n volgt: om SEM met een factor 2 te verkleinen heeft u een factor 4 meer replicaten nodig; voor een factor 3 een factor 9. Dat betekent dat meer meten aanvankelijk snel loont (van n = 3 naar n = 6 verkleint SEM met ~29 %), maar dat verdere winst duur wordt. In de praktijk wordt bij routineanalyses gewerkt met n = 3 of n = 6 replicaten; hogere waarden zijn voorbehouden aan validatie- of ringonderzoeken.
Ja, direct en proportioneel: uit SEM = s/√n volgt dat een dubbel zo grote s ook een dubbel zo grote SEM oplevert, bij gelijk n. Omgekeerd verkleint u SEM op twee manieren: door de spreiding van het proces te verkleinen (betere omstandigheden, kalibratie, getrainde analist — dit verlaagt s) of door meer replicaten te meten (dit vergroot n). Beide wegen zijn onafhankelijk van elkaar:
In de praktijk is het zinvol eerst de bron van variabiliteit te identificeren (via een variantie-analyse of ishikawa-diagram) voordat u reflexmatig het aantal replicaten verhoogt. Als de dominante bron een instrumentdrift of een pipetteerfout is, lost meer meten het probleem niet op; optimalisatie van de methode wel.
De SEM is de bouwsteen voor het betrouwbaarheidsinterval (BI) rond het gemiddelde. Voor een grote steekproef (n > 30) gebruikt u de standaardnormale factor zα/2; voor kleinere steekproeven de Student-t-factor tα/2, n−1:
BI = x̄ ± tα/2, n−1 · SEM = x̄ ± tα/2, n−1 · s / √n
Voor 95 % en n = 5 is t = 2,776; voor n = 10 is t = 2,262; voor n = 30 is t = 2,045; voor n → oneindig is t = 1,960 — de bekende z-waarde. Voor een concreet voorbeeld: bij x̄ = 100,00 %, s = 0,22 %, n = 5 is SEM = 0,22 / √5 = 0,098 %. Het 95 %-BI is 100,00 ± 2,776 · 0,098 = 100,00 ± 0,27 %. Rekenen doet u met de statistiek & data-analyse calculator, die naast BI ook t-toets, ANOVA en uitbijterdetectie omvat.
Een betrouwbaarheidsinterval vangt met opgegeven waarschijnlijkheid het gemiddelde van de populatie. Een tolerantie-interval vangt met opgegeven waarschijnlijkheid een opgegeven fractie van de populatie zelf. Voor een productiespecificatie ("95 % van de tabletten heeft een gehalte tussen 95 en 105 %") is een tolerantie-interval de juiste vorm; voor een uitspraak over de nauwkeurigheid van uw meetgemiddelde is dat een betrouwbaarheidsinterval. Verwisseling van beide is een klassieke fout in productkarakterisering.
Voor n < 30 — het typische geval in analytisch werk — gebruikt u de Student-t-verdeling; het aantal vrijheidsgraden df = n − 1 bepaalt de bijbehorende tkrit-waarde. Voor n ≥ 30 (of wanneer s door historische data goed bekend is) mag u de z-verdeling gebruiken. De t-verdeling heeft dikkere staarten en levert dus bredere intervallen bij kleine n — ze houdt zo rekening met de onzekerheid in de schatting van s zelf. Voor tot ver in de context: de Student-t is genoemd naar het pseudoniem van William Sealy Gosset, brouwerij-statisticus bij Guinness, die de verdeling in 1908 publiceerde.
De begrippen precisie, juistheid en nauwkeurigheid worden vaak door elkaar gebruikt, terwijl ze verschillende eigenschappen beschrijven. De standaarddeviatie is de kwantitatieve maat voor precisie — niet voor juistheid.
Een precieze methode geeft consistent hetzelfde resultaat; een juiste methode geeft — gemiddeld — het ware resultaat. Een methode kan precies maar onjuist zijn (herhaalbaar rond een verkeerde waarde) of juist maar onprecies (gemiddeld goed, per meting sterk variabel). Alleen als beide op orde zijn, is de methode nauwkeurig. Zie voor de bredere metrologische definities het artikel over meetonzekerheid, GUM en ISO 17025.
ISO 5725 en ICH Q2 onderscheiden drie niveaus van precisie, elk met een eigen standaarddeviatie:
Doorgaans geldt sr < sI < sR: hoe meer bronnen van variatie worden meegenomen, hoe groter de standaarddeviatie. De verhoudingen ertussen (Horwitz-vergelijking) leveren praktische verwachtingswaarden per concentratieniveau.
De volgende typische standaarddeviaties bij goed uitgevoerde methoden geven een ordegrootte-referentie. Voor uw eigen validatie levert de statistiek van uw eigen metingen — niet deze tabel — het aantoonbare cijfer.
De 68/95/99,7-regel en de formule SEM = s/√n leunen op de aanname van een normaalverdeling. Voordat u die aanname doet, is het verstandig om normaliteit te toetsen — via Shapiro-Wilk, Anderson-Darling of een QQ-plot; zie het artikel over chi-kwadraat en normaliteitstoetsen (ISO 5725). Drie situaties waarin de normaalaanname faalt en een andere aanpak nodig is:
De Shapiro-Wilk-test is de meest gebruikte statistische toets om te controleren of een dataset normaal verdeeld is. De nulhypothese luidt: de data komen uit een normale verdeling. Een lage p-waarde (doorgaans p < 0,05) leidt tot verwerping van die nulhypothese — de data wijken significant af van een normaalverdeling.
De test berekent een teststatistiek W die de verhouding beschrijft tussen de beste lineaire schatting van de standaarddeviatie en de gewone steekproefstandaarddeviatie. Bij een perfecte normaalverdeling is W = 1; hoe verder W onder de 1 ligt, hoe sterker de afwijking van normaliteit.
Richtlijnen voor de laboratoriumpraktijk:
Als Shapiro-Wilk normaliteit verwerpt, zijn de alternatieven: log-transformatie (bij scheve verdelingen), robuuste statistieken (mediaan, MAD) of niet-parametrische toetsen. Zie de drie situaties hieronder voor de meest voorkomende gevallen in het laboratorium.
Zelfs als individuele metingen niet-normaal verdeeld zijn, mag u de standaardnormale benadering vaak toch voor het gemiddelde gebruiken — dat is de kracht van de Centrale Limietstelling. Voor n ≥ 30 is de verdeling van het steekproefgemiddelde bij benadering normaal, ongeacht de vorm van de onderliggende verdeling.
Correcte rapportage van een meetreeks bevat locatie, spreiding, aantal replicaten en — waar relevant — het betrouwbaarheidsniveau. Enkele gangbare vormen:
Voor het aantal significante cijfers geldt: de spreidingsmaat (s, U of BI-halfbreedte) bepaalt de laatste betekenisvolle digit van het gemiddelde. Rapporteer maximaal twee significante cijfers voor s of U; het gemiddelde wordt afgerond op dezelfde positie als de laatste door de spreiding beïnvloede digit. Overrapportage van cijfers ("gehalte: 99,873456 ± 0,224 %") is een van de meest voorkomende auditbevindingen.
De standaarddeviatie is de brandstof van elke controlekaart. Op een Shewhart-kaart worden individuele resultaten van een controlemonster uitgezet met horizontale lijnen voor gemiddelde, ±2·s (alertgrens) en ±3·s (actiegrens). De basisregels: een punt buiten ±3·s of een reeks systematische afwijkingen (Nelson- of Westgard-regels) geldt als Out of Trend-signaal. Voor een goed opgezet SPC-systeem worden de baseline-x̄ en baseline-s berekend uit minimaal 20 à 30 opeenvolgende controle-metingen in aantoonbaar stabiele condities. Ad-hoc herrekening om afwijkingen "binnen grens" te brengen is een klassieke inspectie-observatie.
Een controlekaart is een tijdgrafiek van een gemeten kwaliteitsindicator (gehalte van een controlemonster, respons van een systeemgeschiktheidstest, kalibratiehelling) met statistisch afgeleide alert- en actiegrenzen. Ze detecteert veranderingen in het proces of de meetketen voordat individuele resultaten de specificatie overschrijden; ze is daarmee de brug tussen individuele meting en systeemgeschiktheid. Types die in analytische labs voorkomen: Shewhart (individuele waarden), EWMA (gewogen voortschrijdend gemiddelde) en CUSUM (cumulatieve som).
Er is geen universele grens. "Goed" betekent fit for purpose: klein genoeg om de meetonzekerheid van uw beslissing te dragen — typisch een RSD ruim binnen de tolerantie van de specificatie. Voor kwantitatieve HPLC-gehaltebepalingen wordt herhaalbaarheids-RSD < 1 % nagestreefd; voor spoorbepalingen nabij de detectielimiet is 10–20 % vaak realistisch. Zie de tabel hierboven voor typische ordegroottes per techniek.
Variantie s² is het kwadraat van de standaarddeviatie. De variantie is optelbaar bij onafhankelijke bronnen (kwadratensom in de GUM); de standaarddeviatie niet. De standaarddeviatie is de communicatievorm (zelfde eenheid als de meetwaarde), de variantie de rekenvorm.
Bij n = 2 is de standaarddeviatie berekenbaar maar sterk onzeker; bij n = 3 nog altijd wankel. Voor zeer kleine steekproeven levert de t-verdeling brede betrouwbaarheidsintervallen die deze onzekerheid correct weerspiegelen. Rapporteer dan expliciet het aantal replicaten en overweeg de Dixon-Q-toets voor uitschieterdetectie, die voor n = 3–7 statistisch krachtiger is dan Grubbs.
STDEV.S rekent met n − 1 in de noemer (steekproef, de gangbare keuze) en STDEV.P met n (populatie). Voor vrijwel elk laboratoriumdoel is STDEV.S de juiste functie: de metingen zijn een steekproef uit een grotere populatie. STDEV.P gebruikt u alleen als u aantoonbaar de volledige populatie in handen heeft. De oude functie STDEV in Excel is een alias voor STDEV.S; STDEVA neemt tekstwaarden als 0 mee en is voor numerieke laboratoriumdata ongewenst.
Nee. Standaarddeviatie en variantie zijn per definitie niet-negatief. Een negatieve waarde uit een spreadsheet is altijd een rekenfout — bijvoorbeeld toepassing van STDEV op tekstcellen die als « − » worden geïnterpreteerd, of een onjuiste haakjesplaatsing in de formule. Nul is mogelijk maar zeer verdacht: het betekent dat alle waarden exact identiek zijn, wat in de praktijk wijst op afgeronde data of op incorrecte invoer.
De gemiddelde absolute afwijking (Mean Absolute Deviation) is het gemiddelde van |xᵢ − x̄|; de standaarddeviatie is de wortel van het gemiddelde van (xᵢ − x̄)². Voor een normale verdeling geldt bij benadering MAD ≈ 0,80·s. In robuuste statistiek wordt de Median Absolute Deviation (ook MAD, maar met mediaan in plaats van gemiddelde) gebruikt als uitschieter-ongevoelig alternatief. Voor standaard-labcontext is s de norm; robuuste alternatieven komen in beeld bij aantoonbare afwijking van normaliteit.
De vraag of de standaarddeviatie op het gemiddelde of de mediaan is gebaseerd, heeft een eenduidig antwoord: de klassieke s is gebaseerd op het rekenkundig gemiddelde x̄. De variant die op de mediaan is gebaseerd — de Median Absolute Deviation (ook afgekort als MAD, maar anders gedefinieerd) — is robuuster tegen uitschieters en wordt berekend als de mediaan van |xᵢ − mediaan(x)|. Voor omrekening naar een s-equivalent geldt bij een normale verdeling: s ≈ 1,4826 · MADmediaan.
Standaardafwijking en standaarddeviatie zijn twee Nederlandse benamingen voor hetzelfde begrip. Standaarddeviatie is de internationaal gangbare term (naar het Engelse standard deviation); standaardafwijking is de oudere of alternatieve Nederlandse vertaling die in schoolboeken en sommige normen nog voorkomt. Beide termen verwijzen naar dezelfde grootheid s (of σ) en zijn volledig uitwisselbaar.
σ (sigma) is per conventie de populatie-standaarddeviatie — het ware, doorgaans onbekende getal. s is de steekproef-schatting daarvan. In toegepaste laboratoriumstatistiek staat "sigma" ook los van deze definitie soms voor de operationele standaarddeviatie uit historische data (bijvoorbeeld in Six Sigma-terminologie). Bij twijfel: controleer of n of n − 1 in de noemer werd gebruikt en of het om een schatting uit meetdata of een theoretische parameter gaat.
De standaarddeviatie van een reeks herhalingsmetingen levert een type A-bijdrage aan de meetonzekerheid: uA = s/√n (voor het gemiddelde). Aanvullende type B-bijdragen — kalibratie, referentiemateriaal, temperatuur, glaswerk — worden via de wortel-som-der-kwadraten met uA gecombineerd tot de gecombineerde standaardonzekerheid uc. Vermenigvuldiging met de dekkingsfactor k (meestal k = 2) levert de uitgebreide onzekerheid U. Standaarddeviatie is dus een ingrediënt van meetonzekerheid; ze is niet hetzelfde.
Voor kwantitatieve duplobepalingen in de klinische chemie en farmaceutische QC wordt vaak een maximaal relatief verschil van 2–5 % aangehouden bij normale concentraties; voor lage concentraties nabij LOQ 10–20 %. Op duplobasis wordt niet standaardgemiddeld gerapporteerd maar volgens de range-methode: s ≈ R/√2 waarbij R = |x₁ − x₂|. Formeel is n = 2 voor statistische toetsen te weinig; duplo's worden vooral gebruikt als kwaliteitscontrole binnen de reeks, niet als basis voor betrouwbaarheidsintervallen.
Deze pagina is bedoeld als basisreferentie voor gemiddelde, standaarddeviatie en standaardfout. Voor de volgende stappen — toetsen van verschillen, uitschieterdetectie, verdelingscontrole, meetonzekerheid en accreditatie — verwijzen we naar de gerelateerde artikelen: statistiek & data-analyse calculator (t-toets, ANOVA, BI, Grubbs, IQR), chi-kwadraat en normaliteitstoetsen (ISO 5725), outlier-tests (Grubbs, Dixon-Q, IQR), Poisson-verdeling bij tellingsdata, meetonzekerheid, GUM en ISO 17025, OOT-trendanalyse en controlekaarten, interlaboratoriumvergelijking en z-score, kalibratie vs. verificatie en methodevalidatie volgens ICH Q2. Voor de theoretische onderbouwing van de GUM en van de dekkingsfactor k = 2 verwijzen we naar de JCGM-documenten via het BIPM.
Betrouwbare basisstatistiek begint bij betrouwbare metingen. Bekijk het assortiment analytische balansen en precisieweegschalen, volumetrisch klasse A-maatglaswerk, pipetten en pipetteerhulpen en pH- en geleidbaarheidsmeters, of neem contact op voor advies over de meetmiddelen die aansluiten bij uw kwaliteitseisen.
Disclaimer: De informatie in dit artikel is bedoeld als algemene technische en regulatoire toelichting. Canidae Seal B.V. / Labvakhandel.nl aanvaardt geen aansprakelijkheid voor de toepassing van deze informatie in specifieke situaties. Raadpleeg voor uw eigen toepassing altijd de geldende wet- en regelgeving, de relevante normen en de uitvoerende autoriteiten of toezichthouders (zoals ECHA, Nederlandse Arbeidsinspectie, ILT of de bevoegde accreditatie-instantie).
Inloggen
Wachtwoord vergeten
Account aanmaken
Uw winkelwagen is leeg.
