Среднее время ожидания одинаковое, а очереди работают совсем по-разному. Это различие помогает увидеть дисперсия: мера разброса значений относительно среднего. Для числового ряда она равна среднему квадрату отклонений, если делить сумму на число наблюдений. При оценке по выборке часто нужен другой знаменатель. Ниже расчёт разобран на коротких условных примерах: от смысла квадратов до проверки результата. Здесь речь о числах; дисперсия света относится к другой теме.
Два набора с одним средним
Условный пример: в одном окне время ожидания составило 4, 4, 6 и 6 минут. В другом получилось 2, 2, 8 и 8 минут. Для каждого окна среднее равно 5 минутам. Однако во втором окне короткое ожидание соседствует с заметно более долгим.
Посчитаем центр первого ряда: (4 + 4 + 6 + 6) / 4 = 20 / 4 = 5. Для второго ряда сумма тоже равна 20, поэтому среднее сохраняется. Одной этой цифры недостаточно, чтобы описать все различия между наблюдениями.
Дисперсия помогает отличить такие наборы. Каждое значение сравнивают со средним, затем полученные расстояния возводят в квадрат. Большие расстояния дают больший вклад. Поэтому второй ряд получает более высокую дисперсию, хотя его среднее не изменилось.
Название центра само по себе не означает норму, план или обещанный срок. В нашем условном примере среднее получилось из наблюдений. Если установлен норматив ожидания, сравнение с нормативом решает отдельную задачу. Подменять им среднее внутри определения дисперсии нельзя.
При сравнении данных полезно сразу назвать оба показателя: среднее описывает положение центра, дисперсия характеризует разброс вокруг него. Ни один из них не показывает последовательность значений во времени. Если ожидание постепенно растёт, это нужно искать по порядку наблюдений или графику.
Краткий ответ на запрос «дисперсия это» будет таким: числовая характеристика разброса, основанная на квадратах отклонений от среднего. Смысл определения становится понятнее после расчёта. Начнём с ряда, где все действия можно проверить без округления.
Как посчитать величину по отдельным отклонениям?
Для условного ряда 4, 4, 6, 6 среднее уже известно: 5. Теперь из каждого наблюдения вычитаем это среднее. Получаются −1, −1, 1, 1. Затем возводим каждую разность в квадрат: 1, 1, 1, 1. Сумма квадратов равна 4.
| Наблюдение | Отклонение и квадрат |
|---|---|
| Первое: 4 | 4 − 5 = −1; (−1)² = 1. |
| Второе: 4 | 4 − 5 = −1; (−1)² = 1. |
| Третье: 6 | 6 − 5 = 1; 1² = 1. |
| Четвёртое: 6 | 6 − 5 = 1; 1² = 1. |
Если описываем именно этот набор, делим сумму квадратов на количество наблюдений. Здесь D = (1 + 1 + 1 + 1) / 4 = 4 / 4 = 1. Буквой D обозначена дисперсия ряда. Условные времена измерялись в минутах, поэтому результат выражается в мин².
Почему нельзя просто усреднить отклонения? Отрицательные и положительные разности взаимно уничтожатся: −1 − 1 + 1 + 1 = 0. Такая сумма получится для любого конечного ряда относительно его собственного точного среднего. Ноль в этой сумме ещё не говорит об отсутствии разброса.
Согласно справочнику NIST о мерах вариации, возведение в квадрат увеличивает относительный вес далёких от среднего значений. Отклонение в 3 единицы даст вклад 9, а в 1 единицу даст вклад 1. Дальние наблюдения влияют сильнее, чем кажется при просмотре только расстояний.
Общая запись для описания набора: D = Σ(xᵢ − x̄)² / n. Здесь xᵢ обозначает отдельное значение, x̄ его среднее, n число наблюдений. Знак Σ просит сложить результаты для всех элементов. До применения формулы нужно определить эти обозначения и единицы исходных данных.
Во втором условном ряду 2, 2, 8, 8 отклонения равны −3, −3, 3, 3. Квадраты равны 9, 9, 9, 9. Их сумма: 9 + 9 + 9 + 9 = 36. После деления получаем D = 36 / 4 = 9 мин².
Разница между дисперсиями не означает, что каждый человек ждал в несколько раз дольше. Величина сравнивает квадраты расстояний от центра. Для привычного выражения разброса в минутах потребуется корень, к нему вернёмся после выбора знаменателя.
Почему в знаменателе бывают n и n − 1?
Деление на n описывает средний квадрат отклонений данного ряда. Деление на n − 1 применяют для обычной несмещённой оценки дисперсии общей совокупности по независимой выборке. Это разные задачи. Само слово «выборка» без уточнения определения ещё не позволяет автоматически выбрать нужную формулу.
Генеральная совокупность означает весь круг наблюдений, о котором нужен вывод. Выборка содержит только часть таких наблюдений. Например, все замеры определённой партии могут составлять совокупность для описания партии. Те же замеры могут рассматриваться как выборка, если по ним пытаются судить обо всём производственном процессе.
Исправленный вариант часто обозначают s². Его формула: s² = Σ(xᵢ − x̄)² / (n − 1). Среднее x̄ вычислено по этим же наблюдениям. При таком оценивании поправка Бесселя компенсирует систематическое занижение дисперсии, возникающее при делении суммы на n.
Согласно официальной документации Python, функция pvariance рассчитывает вариант для совокупности, а variance использует поправку Бесселя. Для второй функции нужно хотя бы два значения. Одинаковое название «дисперсия» в двух программах может скрывать различие в знаменателе, поэтому сравнивать следует настройки и определение.
Проверим на новом условном наборе 2, 4, 6. Среднее: (2 + 4 + 6) / 3 = 12 / 3 = 4. Отклонения: −2, 0, 2. Сумма квадратов: 4 + 0 + 4 = 8.
| Что вычисляем | Расчёт для ряда 2, 4, 6 |
|---|---|
| Средний квадрат отклонений ряда | D = 8 / 3 ≈ 2,667. |
| Исправленная оценка по выборке | s² = 8 / (3 − 1) = 8 / 2 = 4. |
Оба результата арифметически верны. Ошибка возникает, когда условие требует один показатель, а в ответе стоит другой. Если формула в задаче дана явно, используйте её. Если задача описана словами, сначала определите, нужен разбор имеющегося ряда или оценка общей совокупности.
Документация R связывает несмещённость такого варианта с независимыми одинаково распределёнными наблюдениями. Это означает, что замеры рассматриваются как отдельные реализации одного вероятностного механизма. Поправка знаменателя сама по себе не исправляет зависимость данных, пропущенные группы или неудачный способ отбора.
Почему появляется именно единица? После вычисления среднего отклонения связаны условием нулевой суммы. Если известны все отклонения, кроме последнего, последнее уже определяется остальными. Подробное доказательство несмещённости требует вероятностной модели; эта связь помогает понять устройство поправки, но не заменяет доказательство.
Минуты, квадраты минут и корень
Дисперсия времени не измеряется в минутах. При возведении отклонения в квадрат единица тоже возводится в квадрат, поэтому получается мин². Чтобы выразить величину разброса в исходных единицах, вычисляют стандартное отклонение. Оно равно квадратному корню из выбранной дисперсии.
Для первого условного ряда σ = √1 = 1 минута. Для второго σ = √9 = 3 минуты. Знак σ читается как «сигма». В варианте с исправленной оценкой по выборке для корня обычно используют обозначение s. Важно не смешивать два способа расчёта внутри одного ответа.
Стандартное отклонение не следует называть обычным средним расстоянием от среднего. Для среднего абсолютного отклонения сначала берут модули разностей, затем усредняют их. У стандартного отклонения другой порядок: квадрат, усреднение и корень. Различие заметно, когда расстояния неодинаковы.
| Показатель | Что выражает |
|---|---|
| Среднее | Центр чисел. Единица совпадает с исходной. |
| Дисперсия | Разброс через квадраты отклонений. Единица квадратная. |
| Стандартное отклонение | Корень из дисперсии. Возвращает исходную единицу. |
| Размах | Максимум минус минимум. Учитывает только два крайних значения. |
Утверждение «при дисперсии 9 мин² все наблюдения находятся в трёх минутах от среднего» неверно в общем случае. В нашем симметричном условном ряду это получилось по построению. Для других данных часть значений может быть ближе, часть дальше. Сам показатель не задаёт одинаковое расстояние каждому наблюдению.
Не получается и универсального обещания о доле значений внутри одного стандартного отклонения. Такие выводы требуют дополнительных условий о распределении. Для первых расчётов достаточно различать центр, разброс и единицы; приписывать ряду нормальное распределение по одной дисперсии нельзя.
Калькулятор ToolFox из карточки показывает среднее и стандартное отклонение, рассчитанное с делением суммы квадратов на n. Для совпадения с примером вводите исходные значения целиком. Увидев округлённый корень, не возводите его в квадрат для точного ответа: округление внесёт дополнительную ошибку.
Как считать, если даны вероятности?
Ряд наблюдений и вероятностная модель задаются по-разному. В ряду каждое записанное наблюдение учитывается при усреднении. В модели возможным значениям заранее приписаны вероятности. Поэтому нельзя взять два разных исхода и автоматически считать их одинаково вероятными: веса уже указаны в условии.
Согласно учебнику Naval Postgraduate School о дискретных случайных величинах, среднее модели вычисляют с весами, равными вероятностям исходов. Дискретной называют величину с отдельными перечислимыми значениями. Математическое ожидание такой величины обозначают E(X); оно играет роль среднего вероятностной модели.
Условный пример: учебный генератор выдаёт 0 баллов с вероятностью 0,8 и 10 баллов с вероятностью 0,2. Сумма вероятностей: 0,8 + 0,2 = 1. Найдём ожидание: E(X) = 0 × 0,8 + 10 × 0,2 = 0 + 2 = 2 балла.
| Исход и вероятность | Вклад в дисперсию |
|---|---|
| 0 баллов, вероятность 0,8 | (0 − 2)² × 0,8 = 4 × 0,8 = 3,2. |
| 10 баллов, вероятность 0,2 | (10 − 2)² × 0,2 = 64 × 0,2 = 12,8. |
Складываем вклады: D(X) = 3,2 + 12,8 = 16 балл². Стандартное отклонение: √16 = 4 балла. Дополнительное деление на число возможных исходов здесь не требуется: веса уже учтены вероятностями. Повторное усреднение изменило бы результат.
Общая запись: D(X) = Σ(xᵢ − E(X))²pᵢ. Здесь pᵢ означает вероятность соответствующего значения. Равносильная формула имеет вид D(X) = E(X²) − (E(X))². Квадрат ожидания и ожидание квадрата стоят в ней отдельно, потому что это разные действия.
Проверим вторым способом: E(X²) = 0² × 0,8 + 10² × 0,2 = 0 + 20 = 20. Квадрат ожидания: 2² = 4. Вычитание даёт 20 − 4 = 16. Два расчёта сошлись, поскольку использованы одинаковые исходы и одинаковые вероятности.
Ожидаемые 2 балла не обязаны быть возможным результатом одного запуска. Генератор в условии выдаёт только 0 или 10. Среднее описывает модель, а не обещает конкретный исход. По этой же причине дисперсия не показывает, какое значение появится следующим.
Сдвиг, масштаб и проверки здравого смысла
Есть несколько свойств, по которым удобно проверять расчёт до сравнения с ответом. Если ко всем значениям прибавить одну константу, дисперсия не изменится. Если каждое значение умножить на число a, дисперсия умножится на a². Это следует из изменения отклонений от нового среднего.
Возьмём условный ряд 4, 4, 6, 6 и добавим к каждому значению 10. Новый ряд: 14, 14, 16, 16. Его среднее равно 15. Разности снова составят −1, −1, 1, 1, поэтому средний квадрат отклонений сохранится.
При переводе минут в секунды каждое время умножается на 60. Отклонение в одну минуту превращается в 60 секунд, а его квадрат в 3 600 секунд². Поэтому дисперсия меняется в 60² раз. Стандартное отклонение, напротив, меняется в 60 раз.
| Преобразование | Что произойдёт с дисперсией |
|---|---|
| Добавили одинаковое число | Разности от нового среднего прежние. Дисперсия сохраняется. |
| Умножили значения на a | Каждый квадрат отклонения умножится на a². |
| Переставили наблюдения | Сумма и квадраты не меняются. Порядок не влияет на результат. |
| Все значения одинаковы | Все отклонения нулевые. Дисперсия равна нулю. |
Для любого непустого конечного ряда D неотрицательна. Каждый квадрат неотрицателен, сумма тоже, а делитель n положителен. У исправленного варианта нужен n больше 1. Если получился отрицательный результат, проверяйте вычисления, округление и выбранную формулу.
Удобная короткая формула D = среднее квадратов − квадрат среднего тоже работает для числового ряда с делением на n. Но при близких больших числах вычисление двух почти равных величин может терять точность. Для ручного объяснения метод отклонений обычно понятнее: виден вклад каждого наблюдения.
Одинаковый размах ещё не означает одинаковую дисперсию. Сравните условные ряды 0, 0, 10, 10 и 0, 5, 5, 10. Среднее обоих равно 5, размах 10. В первом сумма квадратов равна 100, во втором 50; после деления на четыре получаются 25 и 12,5.
Центральные значения во втором ряду уменьшили дисперсию, хотя крайние точки не сдвинулись. Здесь полезно сопоставить разброс и медиану числового набора. Медиана описывает середину упорядоченного ряда и отвечает на другой вопрос.
Когда одного показателя недостаточно?
Дисперсия полезна для сравнения однородных измерений в одинаковых единицах. Но она чувствительна к далёким значениям, не различает порядок наблюдений и не объясняет причин разброса. Прежде чем делать вывод, нужно посмотреть на сам ряд и понять, как собраны данные.
В условном наборе 4, 4, 4, 4, 14 четыре наблюдения совпадают, а одно заметно больше. Среднее равно (4 + 4 + 4 + 4 + 14) / 5 = 30 / 5 = 6. Отклонения составят −2, −2, −2, −2, 8.
Сумма квадратов: 4 + 4 + 4 + 4 + 64 = 80. Дисперсия с делением на n: 80 / 5 = 16. Далёкое наблюдение внесло в сумму 64, больше остальных вместе. По высокой дисперсии нельзя заключить, что все измерения сильно различаются между собой.
Ошибка: удалить далёкое значение только ради красивого результата. Сначала проверьте, не ошиблись ли при вводе и относится ли наблюдение к той же задаче. Настоящее редкое событие тоже часть данных.
Ошибка: считать отклонение от плана дисперсией. Если все наблюдения равны 8, их дисперсия нулевая. При плане 5 каждое отклоняется от цели на 3. Это другая характеристика.
Ошибка: сравнить разные единицы или разные делители. Мин² и секунд² численно различаются. D и исправленное s² тоже дадут разные результаты на одном наборе.
По данным самого условного ряда причина редкого значения неизвестна. Это мог быть корректный замер другой ситуации или ошибка записи, но выбирать объяснение без дополнительной информации нельзя. В паспорте реального исследования следует сохранить правила включения наблюдений, чтобы результат можно было проверить.
Плохая идея и смешивать разные группы без пояснения. Например, время ожидания утром и вечером может иметь разные центры. Общая дисперсия будет отражать и разброс внутри групп, и различие между их средними. Для ответа о работе каждого периода сначала разделите данные по смыслу.
Перед вычислением удобно проверить единицы, пропуски и дубли. Пустое поле не равнозначно нулю: ноль сообщает конкретное измерение, а пропуск означает, что измерение неизвестно. Автоматическая замена пропусков нулями изменит и среднее, и квадраты отклонений.
В электронном учебнике OpenForecast предварительный осмотр ряда поставлен перед расчётами и моделированием. Для учебной задачи это означает перечитать исходные числа. Для рабочего анализа потребуется сохранить период, способ отбора и основания исключений. Формула не может восстановить смысл потерянных наблюдений.
Если нужен дальнейший разбор вероятностей и оценок, занятия собраны в разделе каталога по статистике и теории вероятностей. По одному показателю нельзя заменить полноценный анализ причин, даже если вычисления выполнены точно.
Сможете ли вы проверить расчёт самостоятельно?
Ниже восемь условных задач. Если не оговорено иначе, дисперсией называется средний квадрат отклонений ряда с делением на n. Не округляйте промежуточное среднее без необходимости. Объяснение делителя должно быть частью ответа, иначе правильное число иногда получается случайно.
1. Найдите дисперсию ряда 1, 3.
Среднее: (1 + 3) / 2 = 2. Отклонения: −1 и 1. Квадраты: 1 и 1. Дисперсия: (1 + 1) / 2 = 1. Если нужны исходные единицы, стандартное отклонение равно √1 = 1.
2. Что получится для ряда 2, 2, 2?
Среднее равно 2, каждое отклонение равно нулю. Сумма квадратов нулевая, поэтому D = 0 / 3 = 0. Число наблюдений не делает дисперсию положительной, когда все значения совпадают.
3. Рассчитайте разброс для 1, 1, 5, 5.
Среднее: 12 / 4 = 3. Отклонения: −2, −2, 2, 2. Сумма квадратов: 4 + 4 + 4 + 4 = 16. Дисперсия: 16 / 4 = 4, стандартное отклонение: √4 = 2.
4. Для ряда 3, 5, 7 нужна исправленная оценка. Какой ответ?
Среднее равно 5, сумма квадратов: 4 + 0 + 4 = 8. Исправленная оценка использует n − 1: s² = 8 / (3 − 1) = 4. Деление на три дало бы другой показатель.
5. Дисперсия равна 4 мин². Как записать стандартное отклонение?
Нужно извлечь корень: √4 = 2. Ответ: 2 минуты. Запись «4 минуты» путает показатели, а «2 мин²» сохраняет неправильную единицу после извлечения корня.
6. К каждому числу прибавили 20. Изменится ли дисперсия?
Нет. Среднее тоже увеличится на 20, поэтому разности между наблюдениями и новым средним сохранятся. Не изменятся и квадраты этих разностей, независимо от исходного значения дисперсии.
7. Каждое наблюдение умножили на 3. Во сколько раз изменится дисперсия?
В девять раз, поскольку каждое отклонение умножится на 3, а его квадрат на 3² = 9. Стандартное отклонение увеличится в три раза. Сначала уточняйте, о каком показателе спрашивают.
8. Все замеры равны 8 при плане 5. Значит ли нулевая дисперсия, что план выполнен?
Нет. Нулевая дисперсия сообщает об отсутствии различий между наблюдениями. Каждое значение отличается от плана на 8 − 5 = 3. Для оценки выполнения плана требуется сравнение с целевым значением.
Если ответы расходятся с калькулятором, сначала проверьте исходный ряд и знаменатель. Затем сравните единицы и этап округления. Эти три проверки обычно находят именно вычислительное расхождение. Вопрос о пригодности модели нужно решать отдельно, по условиям задачи.
Вывод
Дисперсия показывает разброс через квадраты отклонений от среднего: деление на n описывает ряд, а вариант с n − 1 решает задачу оценивания. У одинаковых значений результат 0, у времени единицы квадратные. Среднее задаёт центр, но только вместе с описанием разброса позволяет увидеть, насколько похожи наблюдения.