Калькулятор дисперсии

Калькулятор дисперсии

Популярный AI Skill PRO

Введите расчет

Математическая формула

s2=1n−1∑i=1n(xi−x‾)2где{xi=Исходные числаn=Количество чиселx‾=1n∑i=1nxi\begin{gathered} s^2 = \frac{1}{n-1}\sum_{i=1}^{n}\left({x_i} - \bar{x}\right)^2 \\[1.5em] \text{где}\quad \left\{ \begin{aligned} x_i &= \text{Исходные числа} \\ n &= \text{Количество чисел} \\ \bar{x} &= \frac{1}{n}\sum_{i=1}^{n} x_i \end{aligned} \right. \end{gathered}
Статистика использования

Реклама

Результаты

Дисперсия
2,5
Исходные числа 1,2,3,4,5
Среднее 3
Стандартное отклонение 1,5811
Таблица вычислений
x x − x̄ (x − x̄)²
1 -2 4
2 -1 1
3 0 0
4 1 1
5 2 4
Σ 15 10
Среднее (x̄) 15 ÷ 5 = 3
Выборочная дисперсия (s²) 10 ÷ (5 − 1) = 2,5
Дисперсия генеральной совокупности (σ²) 10 ÷ 5 = 2

Сообщить об ошибке на этой странице

Что умеет этот калькулятор дисперсии

Дисперсия показывает, насколько сильно числа разбросаны вокруг своего среднего значения. Если дисперсия маленькая — значения тесно сгруппированы возле среднего; если большая — они разбросаны широко. Этот калькулятор принимает один список чисел, перечисленных через запятую, и сразу возвращает три показателя: среднее, дисперсию и стандартное отклонение. Так вы мгновенно оцените, насколько стабильны или, наоборот, «нестабильны» ваши данные.

Числовая прямая с разбросанными точками данных и их расстояниями до среднего
Дисперсия показывает, насколько данные разбросаны относительно среднего.

Как пользоваться

Поле для ввода всего одно: Введите числа (через запятую). Наберите или вставьте свои данные, разделяя их запятыми, точками с запятой, пробелами или даже «широкими» запятыми — например 4, 8, 15, 16, 23, 42. Калькулятор разобьёт текст на части, превратит каждый фрагмент в число и рассчитает:

  • Среднее — среднее арифметическое всех значений.
  • Дисперсию — средний квадрат отклонения от среднего.
  • Стандартное отклонение — квадратный корень из дисперсии, измеряется в тех же единицах, что и сами данные.

Формула, лежащая в основе

Калькулятор использует метод StatUtils.variance из библиотеки Apache Commons Math, который вычисляет выборочную дисперсию (деление на n − 1, а не на n). Формула выглядит так:

$$s^2 = \frac{1}{n-1}\sum_{i=1}^{n}\left(x_i - \bar{x}\right)^2$$

где \(x_i\) — каждое значение, \(\bar{x}\) — среднее, а \(n\) — количество значений. Стандартное отклонение находится просто: \(s = \sqrt{s^2}\). Деление на \(n-1\) (поправка Бесселя) даёт несмещённую оценку дисперсии для выборки, взятой из более крупной генеральной совокупности.

Реклама
Наглядный разбор шагов формулы дисперсии
Каждое отклонение от среднего возводится в квадрат, суммируется и делится на n минус один.

Разбор примера

Допустим, вы ввели 2, 4, 6, 8:

  • Среднее = \((2 + 4 + 6 + 8) / 4 = \mathbf{5}\)
  • Квадраты отклонений: \((2-5)^2=9\), \((4-5)^2=1\), \((6-5)^2=1\), \((8-5)^2=9\) → сумма = 20
  • Выборочная дисперсия = \(20 / (4 - 1) = \mathbf{6{,}667}\)
  • Стандартное отклонение = \(\sqrt{6{,}667} \approx \mathbf{2{,}582}\)

Все три значения калькулятор выдаёт автоматически.

Частые вопросы

Какая дисперсия считается — выборочная или для всей совокупности? Калькулятор считает выборочную дисперсию, деля на n − 1. Это стандартный выбор, когда ваши числа — это выборка, а не вся генеральная совокупность целиком.

Какие разделители можно использовать? Запятые, точки с запятой, пробелы и «широкие» азиатские запятые — всё это работает, поэтому даже «грязные» вставленные данные обычно распознаются корректно.

Зачем показывать ещё и стандартное отклонение? Стандартное отклонение проще интерпретировать, потому что оно измеряется в тех же единицах, что и исходные данные, тогда как дисперсия выражена в квадратных единицах.

Реклама

Интерпретация результата дисперсии

Дисперсия измеряет, насколько далеко значения в наборе данных отклоняются от их среднего значения. Так как каждое отклонение возводится в квадрат перед усреднением, результат имеет единицы в квадрате: если ваши данные — это длины в сантиметрах, то дисперсия в см²; если это баллы тестов, то это «баллы в квадрате». Поэтому стандартное отклонение (SD) — квадратный корень дисперсии — обычно приводится вместе с ней, поскольку SD возвращает единицы исходных данных и может быть сравнено непосредственно со средним значением.

Формула, используемая здесь, — это выборочная дисперсия, которая делит сумму квадратов отклонений на число степеней свободы \(n-1\):

$$s^2 = \frac{1}{n-1}\sum_{i=1}^{n}\left(x_i - \bar{x}\right)^2$$

Что вам говорит это число

  1. Дисперсия никогда не бывает отрицательной. Квадраты отклонений не могут быть меньше нуля, поэтому \(s^2 \ge 0\) всегда. Дисперсия, равная ровно 0, имеет только одно значение: все значения в наборе одинаковы, и SD тоже равно 0.
  2. Больше — значит больше разброса, но только в одних и тех же единицах. Дисперсия 400 см² не «больше», чем дисперсия 9 м²; сначала преобразуйте в общую единицу (9 м² = 90 000 см²).
  3. Дисперсия не является масштабно-независимой. Данные с большим средним значением естественным образом дают большие абсолютные отклонения. Чтобы сравнить разброс наборов данных с разными средними значениями или разными единицами, используйте коэффициент вариации:
$$\text{CV} = \frac{s}{\bar{x}} \times 100\%$$

Например, набор {2, 4, 6, 8} имеет \(\bar{x} = 5\), \(s^2 = 6.667\) и \(s = \sqrt{6.667} \approx 2.582\), что дает \(\text{CV} = 2.582 / 5 \times 100\% \approx 51.6\%\). Коэффициент вариации имеет смысл только для данных на шкале отношений с положительным средним — это не подходит для температур в °C или данных, сосредоточенных близко к нулю.

Дисперсия и форма данных

Если данные приблизительно нормально распределены (примерно симметричны и имеют форму колокола), эмпирическое правило — часто называемое правилом 68–95–99,7 — дает быстрое представление о масштабе: примерно 68% значений находятся в пределах \(\bar{x} \pm 1s\), примерно 95% в пределах \(\bar{x} \pm 2s\) и примерно 99,7% в пределах \(\bar{x} \pm 3s\). Эти проценты — приближения, которые верны только для близких к нормальным данных; для асимметричных или мультимодальных данных они могут быть серьезно вводящими в заблуждение, и только дисперсия этого не покажет — всегда смотрите на исходные значения или график.

Предупреждения

  • Выбросы доминируют. Так как отклонения возводятся в квадрат, одно экстремальное значение имеет непропорционально большой эффект. Добавление одной точки 100 к {2, 4, 6} сдвигает выборочную дисперсию с 4 на более чем 2300. Если ваш результат выглядит неправдоподобно большим, проверьте на опечатку, смешивание единиц или подлинное экстремальное наблюдение перед интерпретацией. Надежные альтернативы, такие как интерквартильный размах или медианное абсолютное отклонение, менее подвержены влиянию.
  • Малые выборки дают нестабильные оценки. При \(n = 4\) или \(n = 5\) выборочная дисперсия может колебаться в широких пределах от одной выборки к другой, даже если основной процесс не изменился. Рассматривайте это как приблизительное указание, а не точное значение.
  • \(n = 1\) не определено. С одним значением знаменатель \(n - 1\) равен нулю, поэтому выборочная дисперсия не может быть вычислена — одиночное наблюдение не содержит информации о разбросе.
  • Выборка и совокупность. Этот калькулятор применяет делитель \(n-1\), что правильно, когда ваши числа — это выборка из большей группы. Если ваши числа — вся совокупность, дисперсия совокупности использует \(n\) вместо этого и всегда будет немного меньше.

Соглашения и граничные случаи

Каждый случай ниже был прогнан через этот калькулятор; в столбце результата — то, что он действительно возвращает.

СлучайВводРезультат
Десятичные 0,1; 0,2; 0,30.1, 0.2, 0.30,01
Чётное число значений (1, 2, 3, 4)1, 2, 3, 41,6667
Отрицательные значения (−3, −1, 4)-3, -1, 413
Ноль в списке (0, 4, 9)0, 4, 920,3333
Выборка или генеральная совокупность (2, 4, 4, 4, 5, 5, 7, 9)2, 4, 4, 4, 5, 5, 7, 94,5714
Одно значение7Для выборочной дисперсии нужно не менее 2 значений.

Проверено 2026-11-08

Ключевые термины и символы

Термин Символ Значение
Среднее значение (выборка) \(\bar{x}\) Арифметическое среднее значений выборки, \(\bar{x} = \frac{1}{n}\sum x_i\). Читается как «x-bar».
Среднее значение (совокупность) \(\mu\) Среднее значение каждого члена совокупности, \(\mu = \frac{1}{N}\sum x_i\). Читается как «mu».
Размер выборки / размер совокупности \(n\) / \(N\) Количество используемых значений. Строчная буква \(n\) обычно обозначает выборку, заглавная \(N\) — всю совокупность.
Отклонение \(x_i - \bar{x}\) Насколько далеко одно значение отстоит от среднего. Положительное выше среднего, отрицательное ниже. Отклонения всегда суммируются в ноль, вот почему они возводятся в квадрат перед усреднением.
Квадрат отклонения \((x_i - \bar{x})^2\) Отклонение, умноженное на себя — удаляет знак и усиливает большие разрывы.
Сумма квадратов SS Сумма всех квадратов отклонений, \(SS = \sum_{i=1}^{n}(x_i - \bar{x})^2\). Числитель в каждой формуле дисперсии.
Выборочная дисперсия \(s^2\) \(s^2 = \dfrac{SS}{n-1}\) — несмещенная оценка дисперсии совокупности из выборки. Это то, что возвращает этот калькулятор.
Дисперсия совокупности \(\sigma^2\) \(\sigma^2 = \dfrac{1}{N}\sum (x_i - \mu)^2\) — используется, когда данные охватывают всю совокупность. Читается как «sigma squared».
Степени свободы \(df = n-1\) Количество отклонений, свободных варьироваться, когда среднее значение зафиксировано; зная среднее значение и \(n-1\) отклонений, определяется последнее.
Поправка Бесселя деление на \(n-1\) Поправка, которая заменяет \(n\) на \(n-1\). Без нее выборочная дисперсия систематически недооценивает дисперсию совокупности, потому что отклонения измеряются от собственного среднего выборки.
Стандартное отклонение \(s\) / \(\sigma\) Квадратный корень из дисперсии, выраженный в тех же единицах, что и данные: \(s = \sqrt{s^2}\).
Коэффициент вариации CV Относительный разброс, \(CV = s / \bar{x}\), обычно показываемый в процентах. Безразмерный, поэтому он сравнивает наборы данных с разными единицами или величинами.
Размах — Максимум минус минимум. Грубая мера разброса, которая использует только два значения и игнорирует все остальное между ними.
Выброс — Значение, далеко отстоящее от остальных данных. Так как отклонения возводятся в квадрат, выбросы непропорционально увеличивают дисперсию.

Примечание о единицах: дисперсия всегда выражается в квадрате единиц данных — данные в секундах дают s², килограммы дают кг², суммы валют дают «валюта в квадрате», что не имеет практического значения. Вот практическая причина, по которой большинство отчетов приводят стандартное отклонение, а не саму дисперсию.

Последнее обновление:

Самые популярные в разделе Математика и статистика

Все калькуляторы раздела Математика и статистика