Сообщить об ошибкеКороткий ответ
Дисперсия — средний квадрат отклонений от среднего, показывает разброс данных в «квадратных» единицах; стандартное отклонение — корень из дисперсии, выражено в тех же единицах, что и исходные данные, поэтому интерпретируется проще.
Как это работает подробнее
дисперсия σ² = среднее от (x − mean)²; стандартное отклонение σ = √σ². Квадрат нужен, чтобы отклонения не «гасили» друг друга из-за разных знаков. На практике стандартное отклонение также лежит в основе построения доверительных интервалов и расчёта стандартной ошибки среднего.
Пример кода
Пример на Python
import numpy as np
delivery_days = [2,3,2,4,3,2,3,15]
print(np.var(delivery_days)) # дисперсия, большая из-за выброса 15
print(np.std(delivery_days)) # стандартное отклонение в дняхЧто использовать на практике
- На практике: стандартное отклонение удобно для сравнения разброса метрик в одних единицах (рубли, секунды), а также для построения интервалов вроде «среднее ± 1 SD». Дисперсию чаще используют внутри формул (например, в ANOVA или при расчёте доверительных интервалов), а не для прямой интерпретации бизнесу. Большое SD при одинаковом среднем говорит о нестабильности процесса — например, о непредсказуемом времени доставки. На практике для нестабильных процессов стоит смотреть не только на SD, но и на коэффициент вариации (SD/mean), который удобен для сравнения разброса метрик с разным масштабом.
- Проверка: пересчитать SD без значения 15 — если оно резко упадёт, разброс в основном объясняется одним выбросом, а не стабильной нестабильностью процесса.
Подводные камни
- Частые ошибки: путать дисперсию и стандартное отклонение при отчёте бизнесу («разброс 400» вместо «400 рублей²»); использовать SD для сильно скошенных распределений без оговорок — там интервал «mean ± SD» может уходить в отрицательные значения; забывать, что SD чувствительно к выбросам так же, как и среднее. Ещё одна ошибка — сравнивать SD метрик в разных единицах измерения напрямую, не нормируя их.