Генеральное стандартное отклонение

Генеральное стандартное отклонение (также стандартное отклонение генеральной совокупности, корень из генеральной дисперсии) — это мера разброса значений случайной величины относительно её математического ожидания (генерального среднего) в генеральной совокупности. В отличие от выборочного стандартного отклонения, которое оценивает разброс по выборке, генеральное стандартное отклонение является точной характеристикой распределения всей совокупности данных и вычисляется с использованием всех её элементов. Обозначается греческой буквой σ (сигма) и выражается в тех же единицах измерения, что и сама случайная величина. Генеральное стандартное отклонение является квадратным корнем из генеральной дисперсии (σ²).

Определение и математическая формула

Пусть \(X\) — случайная величина, определённая на генеральной совокупности, имеющая математическое ожидание \(\mu\). Тогда генеральное стандартное отклонение \(\sigma\) определяется как:

\[ \sigma = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (x_i - \mu)^2} \]

где:

• \(N\) — объём генеральной совокупности (количество всех элементов);
• \(x_i\) — значение \(i\)-го элемента совокупности;
• \(\mu\) — математическое ожидание (генеральное среднее) совокупности, вычисляемое как \(\mu = \frac{1}{N} \sum_{i=1}^{N} x_i\).

Если случайная величина задана распределением вероятностей, то формула принимает вид:

\[ \sigma = \sqrt{\sum_{i=1}^{n} (x_i - \mu)^2 \cdot p_i} \]

где \(p_i\) — вероятность появления значения \(x_i\), а \(n\) — количество возможных значений (в случае дискретного распределения). Для непрерывной случайной величины с плотностью распределения \(f(x)\):

\[ \sigma = \sqrt{\int_{-\infty}^{\infty} (x - \mu)^2 f(x) \, dx} \]

Отличие от выборочного стандартного отклонения

Принципиальное различие между генеральным и выборочным стандартным отклонением заключается в знаменателе формулы и в цели использования. Генеральное стандартное отклонение (σ) вычисляется по всей совокупности и делится на \(N\), тогда как выборочное стандартное отклонение (s) вычисляется по выборке и для получения несмещённой оценки генерального параметра делится на \(N-1\) (поправка Бесселя). Если бы при расчёте по выборке использовалось деление на \(N\), полученная оценка была бы смещённой (систематически заниженной), особенно при малых объёмах выборки. Генеральное стандартное отклонение является константой для данной совокупности, в то время как выборочное — случайная величина, зависящая от конкретной выборки.

Свойства

1. Неотрицательность: \(\sigma \geq 0\). Равенство нулю достигается только в случае, когда все значения случайной величины равны между собой (разброс отсутствует).
2. Чувствительность к выбросам: как и дисперсия, стандартное отклонение сильно зависит от экстремальных значений, поскольку в формуле используются квадраты отклонений.
3. Масштабируемость: если к каждому значению случайной величины прибавить константу \(c\), то стандартное отклонение не изменится: \(\sigma(X + c) = \sigma(X)\). Если умножить каждое значение на константу \(k\), то стандартное отклонение умножится на \(|k|\): \(\sigma(kX) = |k| \cdot \sigma(X)\).
4. Связь с дисперсией: \(\sigma = \sqrt{\sigma^2}\).
5. Правило трёх сигм (для нормального распределения): в интервал \([\mu - 3\sigma, \mu + 3\sigma]\) попадает примерно 99,7 % всех значений случайной величины. Для других распределений это правило выполняется приблизительно (неравенство Чебышёва).
6. Размерность: совпадает с размерностью случайной величины, что делает её удобной для интерпретации (в отличие от дисперсии, выраженной в квадратных единицах).

Применение

Генеральное стандартное отклонение широко используется в различных областях науки и практики для характеристики разброса данных.

В статистике и теории вероятностей

• Описательная статистика: σ является одной из ключевых характеристик распределения наряду со средним, медианой и модой. Позволяет оценить однородность совокупности.
• Коэффициент вариации: отношение стандартного отклонения к среднему (\(CV = \sigma / \mu\)), используется для сравнения изменчивости разных совокупностей.
• Доверительные интервалы: для нормально распределённых данных интервал \(\mu \pm z \cdot \sigma\) содержит заданную долю наблюдений (например, при \(z=1,96\) — 95 %).
• Проверка гипотез: стандартное отклонение входит в формулы многих статистических критериев (z-критерий, t-критерий, F-критерий).

В естественных и технических науках

• Физика: погрешность измерений часто выражается через стандартное отклонение результатов многократных измерений (среднеквадратическая погрешность).
• Биология и медицина: анализ разброса биометрических показателей (рост, вес, давление) в популяции.
• Инженерия: контроль качества продукции — стандартное отклонение используется для оценки стабильности технологического процесса и расчёта индексов воспроизводимости (Cp, Cpk).

В экономике и финансах

• Риск-менеджмент: волатильность финансовых активов (например, доходности акций) измеряется стандартным отклонением. Чем выше σ, тем выше риск.
• Портфельная теория: стандартное отклонение портфеля является мерой его риска (модель Марковица).

В социологии и психологии

• Стандартизация тестов: при обработке результатов тестирования (например, IQ-тестов) используется стандартное отклонение для определения нормы и отклонений от неё.
• Анализ опросов: оценка разброса мнений респондентов.

Примеры

Пример 1. Генеральная совокупность малого объёма

Пусть генеральная совокупность состоит из пяти чисел: 2, 4, 4, 4, 6.

1. Вычислим среднее: \(\mu = (2+4+4+4+6)/5 = 20/5 = 4\).
2. Вычислим квадраты отклонений: \((2-4)^2=4\), \((4-4)^2=0\), \((4-4)^2=0\), \((4-4)^2=0\), \((6-4)^2=4\).
3. Сумма квадратов: \(4+0+0+0+4 = 8\).
4. Генеральная дисперсия: \(\sigma^2 = 8/5 = 1,6\).
5. Генеральное стандартное отклонение: \(\sigma = \sqrt{1,6} \approx 1,2649\).

Пример 2. Нормальное распределение

Для стандартного нормального распределения (среднее \(\mu=0\), стандартное отклонение \(\sigma=1\)) генеральное стандартное отклонение равно 1. Это означает, что около 68 % значений лежат в интервале \([-1, 1]\), около 95 % — в \([-2, 2]\), около 99,7 % — в \([-3, 3]\).

Связь с другими статистическими показателями

• Дисперсия: \(\sigma^2\) — квадрат стандартного отклонения.
• Среднее абсолютное отклонение (MAD): менее чувствительно к выбросам, чем σ, но математически менее удобно.
• Размах: разность между максимальным и минимальным значениями; зависит только от двух крайних точек.
• Интерквартильный размах: разность между третьим и первым квартилями; устойчив к выбросам, но не учитывает все данные.

Критика и ограничения

• Чувствительность к выбросам: одно экстремальное значение может существенно увеличить σ, что не всегда адекватно отражает разброс основной массы данных.
• Неприменимость для категориальных данных: стандартное отклонение имеет смысл только для количественных переменных, измеренных в интервальной или относительной шкале.
• Сложность интерпретации при ненормальных распределениях: для асимметричных или мультимодальных распределений правило трёх сигм может вводить в заблуждение.
• Зависимость от масштаба: сравнение стандартных отклонений разных совокупностей корректно только при одинаковой размерности и сопоставимых средних.

Интересные факты

• Термин «стандартное отклонение» ввёл в употребление английский статистик Карл Пирсон в 1894 году, хотя сама концепция квадратичного отклонения использовалась ранее (например, Гауссом и Лапласом).
• В русскоязычной литературе наряду с термином «стандартное отклонение» используются названия «среднеквадратическое отклонение» и «среднеквадратичное отклонение».
• В теории вероятностей генеральное стандартное отклонение часто называют «сигмой» по названию греческой буквы, которой оно обозначается.
• В шестисигмовом подходе к управлению качеством (Six Sigma) уровень качества «шесть сигм» означает, что на миллион операций допускается не более 3,4 дефекта, что соответствует отклонению от среднего на 6σ (с учётом сдвига среднего на 1,5σ).

Источники

• Гмурман В. Е. «Теория вероятностей и математическая статистика» (2003).
• Кремер Н. Ш. «Теория вероятностей и математическая статистика» (2004).
• Орлов А. И. «Эконометрика» (2002).
• Kendall M. G., Stuart A. «The Advanced Theory of Statistics» (1977).
• Pearson K. «On the dissection of asymmetrical frequency curves» (1894).