Среднеквадратическое отклонение

Среднеквадратическое отклонение (также стандартное отклонение, среднее квадратическое отклонение) — это статистическая мера разброса значений случайной величины относительно её математического ожидания (среднего арифметического). Оно показывает, насколько в среднем каждое отдельное значение в наборе данных отклоняется от центра распределения. Среднеквадратическое отклонение выражается в тех же единицах, что и сама случайная величина, что делает его удобным для интерпретации. Чем больше значение стандартного отклонения, тем сильнее данные разбросаны; чем меньше — тем они более сконцентрированы вокруг среднего.

Определение и математическая формула

Среднеквадратическое отклонение (обозначается греческой буквой σ (сигма) для генеральной совокупности или s для выборки) определяется как квадратный корень из дисперсии. Для генеральной совокупности, содержащей N значений x₁, x₂, …, xN, со средним арифметическим μ, формула имеет вид:

σ = √( (1/N) * Σ (xᵢ — μ)² )

Для выборки из n значений со средним арифметическим x̅ используется несмещённая оценка:

s = √( (1/(n-1)) * Σ (xᵢ — x̅)² )

В знаменателе используется n-1 (число степеней свободы), чтобы компенсировать систематическую ошибку, возникающую при оценке дисперсии генеральной совокупности по выборке.

Свойства

• Неотрицательность: σ ≥ 0. Равенство нулю означает, что все значения в наборе данных одинаковы.
• Чувствительность к выбросам: поскольку в формуле используется квадрат отклонения, даже одно резко отличающееся значение может существенно увеличить σ.
• Инвариантность к сдвигу: если ко всем значениям прибавить константу, σ не изменится. При умножении всех значений на константу c, σ умножается на |c|.

История

Понятие среднеквадратического отклонения впервые было введено в XIX веке в рамках развития теории вероятностей и математической статистики. Английский статистик Карл Пирсон в 1894 году ввёл термин «стандартное отклонение» (standard deviation) в своих работах по биометрии. Однако математическая основа была заложена ранее: французский математик Адриен Мари Лежандр (1805) и немецкий математик Карл Фридрих Гаусс (1809) использовали метод наименьших квадратов, где минимизация суммы квадратов отклонений естественным образом приводит к среднеквадратическому отклонению. Гаусс также связал это понятие с нормальным распределением, где σ является параметром, определяющим ширину колоколообразной кривой.

Классификация и виды

В статистике различают несколько вариантов среднеквадратического отклонения в зависимости от контекста:

• Генеральное среднеквадратическое отклонение (σ): рассчитывается для всей генеральной совокупности. Используется, когда доступны все данные без исключения.
• Выборочное среднеквадратическое отклонение (s): рассчитывается по выборке и служит оценкой для генерального σ. Включает поправку Бесселя (деление на n-1).
• Среднеквадратическое отклонение случайной величины: в теории вероятностей — квадратный корень из дисперсии случайной величины, характеризующий её рассеяние относительно математического ожидания.
• Среднеквадратическое отклонение среднего (стандартная ошибка среднего): σ/√n, где n — объём выборки. Показывает, насколько выборочное среднее может отклоняться от истинного среднего генеральной совокупности.

Применение

Среднеквадратическое отклонение широко используется в различных областях науки, техники и бизнеса.

В статистике и анализе данных

• Оценка надёжности среднего: чем меньше σ, тем более репрезентативно среднее арифметическое для описания набора данных.
• Правило трёх сигм: для нормально распределённых данных примерно 68,27 % значений лежат в интервале μ ± σ, 95,45 % — в μ ± 2σ, 99,73 % — в μ ± 3σ. Это правило используется для выявления выбросов и оценки вариабельности.
• Коэффициент вариации: отношение σ к среднему (в процентах) позволяет сравнивать разброс данных с разными единицами измерения или разными средними.

В финансах и экономике

• Волатильность: среднеквадратическое отклонение доходности актива за определённый период используется как мера риска. Чем выше σ, тем более волатильна (рискованна) инвестиция.
• Оценка портфеля: в модели Марковица стандартное отклонение портфеля является ключевым показателем риска при оптимизации соотношения доходности и риска.

В технике и контроле качества

• Процесс управления: на производстве с помощью σ оценивают стабильность технологического процесса (например, с помощью контрольных карт Шухарта). Выход за пределы трёх сигм сигнализирует о необходимости вмешательства.
• Допуски и погрешности: в машиностроении и метрологии σ используется для задания допусков на размеры деталей и оценки погрешности измерительных приборов.

В естественных науках

• Физика и химия: при обработке результатов измерений σ указывает на случайную погрешность. Чем меньше σ, тем выше точность эксперимента.
• Биология и медицина: в клинических исследованиях σ используется для оценки разброса биологических параметров (например, роста, давления) в популяции.

Примеры

Пример 1: Простой набор данных

Даны значения: 2, 4, 4, 4, 5, 5, 7, 9. Среднее арифметическое μ = (2+4+4+4+5+5+7+9)/8 = 5. Вычислим отклонения: (2-5)²=9, (4-5)²=1, (4-5)²=1, (4-5)²=1, (5-5)²=0, (5-5)²=0, (7-5)²=4, (9-5)²=16. Сумма квадратов = 9+1+1+1+0+0+4+16 = 32. Дисперсия = 32/8 = 4. Среднеквадратическое отклонение σ = √4 = 2. Это означает, что в среднем каждое значение отклоняется от среднего на 2 единицы.

Пример 2: Финансовая волатильность

Пусть дневная доходность акции за 5 дней составила: -1%, +2%, +0,5%, -0,5%, +1%. Средняя доходность = 0,4%. Отклонения: (-1-0,4)²=1,96, (2-0,4)²=2,56, (0,5-0,4)²=0,01, (-0,5-0,4)²=0,81, (1-0,4)²=0,36. Сумма квадратов = 5,7. Выборочная дисперсия = 5,7/(5-1) = 1,425. Стандартное отклонение s = √1,425 ≈ 1,19%. Это означает, что дневная доходность в среднем отклоняется от средней на 1,19 процентного пункта.

Интересные факты

• В русскоязычной литературе термин «среднеквадратическое отклонение» иногда заменяется на «стандартное отклонение» как калька с английского standard deviation. Оба названия равноправны.
• В статистике существует понятие «среднее абсолютное отклонение» (MAD), которое менее чувствительно к выбросам, чем σ, но реже используется из-за менее удобных математических свойств.
• В некоторых приложениях (например, в физике элементарных частиц) σ используется как единица измерения значимости отклонения от гипотезы: «открытие» считается достоверным при отклонении в 5σ (вероятность случайности менее 0,00006 %).
• Для распределений с тяжёлыми хвостами (например, распределение Коши) среднеквадратическое отклонение не существует (бесконечно), поэтому для таких данных применяют другие меры разброса, например, интерквартильный размах.

Критика и ограничения

Основной недостаток среднеквадратического отклонения — его чувствительность к выбросам. Одно аномальное значение может сильно исказить оценку разброса, что делает σ не всегда надёжной мерой для распределений с длинными хвостами. Кроме того, σ не даёт информации о форме распределения: два набора данных с одинаковым σ могут иметь совершенно разную асимметрию или эксцесс. В таких случаях рекомендуется дополнять анализ другими статистиками (медиана, квартили, визуализация).

Источники

• Гмурман В. Е. Теория вероятностей и математическая статистика. — М.: Высшая школа, 2003.
• Кремер Н. Ш. Теория вероятностей и математическая статистика. — М.: ЮНИТИ-ДАНА, 2004.
• Орлов А. И. Прикладная статистика. — М.: Экзамен, 2006.
• Pearson K. Contributions to the Mathematical Theory of Evolution. — Philosophical Transactions of the Royal Society A, 1894.