Урок 6. Дисперсия

Дисперсия

Представь, что у тебя есть два класса, и в обоих средняя оценка за контрольную — 4.

Но в одном классе почти все получили 4, а в другом — половина получила 2, а половина — 5.

Средняя оценка одинаковая, а «разброс» оценок совсем разный.

Вот дисперсия как раз и показывает, насколько сильно числа «группируются» вокруг среднего.

Что такое дисперсия

Дисперсия — это средний квадрат отклонения от среднего.

Звучит громоздко, но идея простая:

• мы смотрим, на сколько каждое число отличается от среднего,
• возводим эти отличия в квадрат
• усредняем.

Почему именно квадрат?

Потому что отклонения бывают и положительные, и отрицательные, а их сумма всегда ноль. Если просто усреднить отклонения, мы всегда получим ноль и ничего не поймём.

А если возвести в квадрат, минусы исчезнут, и большие отклонения станут «весить» сильнее — это как раз то, что нам нужно.

Формула (её не обязательно зубрить, главное — понять алгоритм):

где — среднее арифметическое,

n — количество чисел.

Как вычислить дисперсию: пошаговый алгоритм

Возьмём простой пример: оценки 3, 4, 5.

Шаг 1. Найти среднее арифметическое x̄ : x̄ =(3+4+5):3=12:3=4

Шаг 2. Найти отклонения каждого значения от среднего: x i - x̄

3−4=−1 4−4=0 5−4=+1

Шаг 3. Возвести каждое отклонение в квадрат: ( x i - x̄ ) 2 .

(−1) 2 =1 0 2 =0 1 2 =1

Шаг 4. Найти среднее этих квадратов (сложить отклонения и поделить на количество чисел) D=(1+0+1):3=2/3≈0,67.

Это и есть дисперсия. Она показывает, что оценки «разбросаны» вокруг среднего не очень сильно.

Свойства дисперсии:

1. Дисперсия всегда неотрицательна

Дисперсия всегда неотрицательна (D≥0), так как усредняются квадраты отклонений.

Она равна нулю только при полном отсутствии разброса — когда все значения одинаковы.

Во всех остальных случаях дисперсия строго положительна.

2. Влияние масштаба: умножение всех значений на константу

Если ты умножишь все числа набора на какое‑то число k, то дисперсия увеличится в k 2 раз.

Пример: набор 1,2,3. Среднее = 2, отклонения: −1,0,+1, квадраты: 1,0,1, дисперсия

Теперь умножим все числа на 2: 2,4,6.

Среднее = 4, отклонения: −2, 0,+2, квадраты отклонений: 4,0,4, дисперсия: ​

ровно в 4 раза больше, чем ​ ,

то есть в 2 2 =4 раза.

Сравнение рассеивания: одинаковое среднее, разный разброс

Вот где дисперсия особенно полезна. Возьмём два набора с одинаковым средним, но разным разбросом.

Набор A: 3,4,5 (среднее = 4) Набор B: 1,4,7 (среднее тоже = 4)

Посчитаем дисперсии.

Для A: мы уже считали, D A =2:3≈0,67.

Для B:

Среднее x̄ В =(1+4+7):3=12:3=4 .

Отклонения: 1−4=−3, 4−4=0, 7−4=+3.

Квадраты отклонений: 9,0,9.

Дисперсия: D B =(9+0+9):3=18:3=6.

Что видим? Среднее одинаковое, но дисперсия у B намного больше — значит, значения в B сильнее разбросаны вокруг среднего. Именно это и показывает дисперсия.

Мини-задача для тренировки

Параметр

Набор: 2, 4, 6.

Среднее

Набор 3, 4, 5

x̄   = 4.

Отклонения:

Квадраты отклонений:

− 2, 0, +2.

x̄   = 4.

− 1, 0, +1.

4, 0, 4.

Дисперсия D 

1, 0, 1.

Вывод: разброс в {2, 4, 6} заметно больше, чем в {3,4,5}, при одинаковом среднем.

Зачем это нужно в реальной жизни

• Образование: при одинаковом среднем балле дисперсия показывает, насколько однородны результаты класса и где нужна поддержка.
• Метеорология: при средней недельной температуре 20 °C дисперсия выявляет «скачки» между днями и помогает оценивать стабильность.
• Производство: при целевом размере детали дисперсия размеров отражает стабильность станка и уровень брака.

Ключевые выводы

• Дисперсия измеряет разброс значений вокруг среднего, а не сам уровень среднего. Она отвечает на вопрос, насколько данные «кучные» или, наоборот, разреженные.
• Возведение отклонений в квадрат решает две задачи: убирает знак (иначе сумма отклонений всегда ноль) и усиливает вклад крупных отклонений, делая метрику чувствительной к выбросам.
• При масштабировании данных в k раз дисперсия растёт как k²; для сопоставимости используют стандартное отклонение σ = √D, возвращаясь к исходным единицам.

Рефлексия

• Объясни, зачем в алгоритме вычисления дисперсии мы возводим отклонения в квадрат — почему нельзя просто усреднить сами отклонения?
• Представь, что ты выполнил все шаги алгоритма для набора чисел, но в итоге получил отрицательную дисперсию. Что это значит, и где точно есть ошибка?
• У тебя есть два набора с одинаковым средним: в одном числа почти не отличаются от среднего, в другом — сильно разлетаются. Как это отразится на значениях дисперсии в каждом случае? Придумай по 3 числа для каждого набора и прикинь, в каком случае дисперсия будет заметно больше.
• Если все значения в наборе умножить на 4, во сколько раз изменится дисперсия? А стандартное отклонение? Объясни логику, не обязательно делать формальные выкладки.
• Придумай короткий пример из жизни (например, про рост одноклассников, время на дорогу, оценки за неделю), где знание дисперсии помогает лучше понять ситуацию, чем одно только среднее. Напиши 1–2 предложения: что показывает среднее, а что дополнительно даёт дисперсия.