Miary zróżnicowania · Statystyka W3

Dlaczego rozrzut ma znaczenie?

Miary tendencji centralnej (moda, mediana, średnia) opisują tylko „środek" danych. Dwie grupy mogą mieć identyczną średnią, a mimo to różnić się tak bardzo, że porównanie ich wyłącznie przez pryzmat średniej byłoby błędem.

Przykład 1 — badanie kliniczne

Dwa leki obniżają ciśnienie średnio o 10 mmHg. Ale lek A obniża je równomiernie u każdego pacjenta, a lek B — u połowy o 20, u połowy o 0. Bez miary zróżnicowania nie widać tej różnicy.

Przykład 2 — oceny w klasie

Klasa A: wszyscy uczniowie mają 3,5. Klasa D: połowa ma 2,0, połowa ma 5,0. Średnia ocen identyczna (3,5) — klasy zupełnie różne. Sama średnia tego nie ujawnia.

Cztery klasy, jedna średnia — kliknij i porównaj

Każda z czterech klas ma tę samą średnią ocen: 3,5. Wybierz klasę, żeby zobaczyć rozkład ocen i wariancję.

Wybierz klasę, żeby
zobaczyć wykres.

Klasyfikacja miar zróżnicowania

Miary dzielą się według dwóch kryteriów: czy uwzględniają wszystkie obserwacje (klasyczne) czy tylko wybrane kwantyle (pozycyjne), oraz czy wynik jest w tych samych jednostkach co dane (bezwzględne) czy jest proporcją (względne).

	Bezwzględne	Względne
Klasyczne	`s²` wariancja `s` odch. standardowe	`Vs = s/X̄` współczynnik zmienności
Pozycyjne	`Q` odch. ćwiartkowe `Oz` rozstęp	`Vφ` względne odch. ćwiartkowe

Miary klasyczne uwzględniają każdą obserwację (wrażliwe na wartości skrajne). Miary pozycyjne opierają się na kwantylach (odporne na outliery).

Rozstęp (Oz = x_max − x_min)›

Rozstęp to najprostsza miara zróżnicowania — różnica między najwyższą a najniższą obserwacją. Jest zawsze nieujemny.

Oz = x_max − x_min

Wada: zależy wyłącznie od dwóch skrajnych wartości. Jeden outlier radykalnie zwiększa rozstęp, nie opisując rozproszenia reszty danych. Dlatego rzadko stosuje się go jako jedyną miarę.

Przykład: Wyniki testu: {55, 60, 62, 65, 68, 70, 95}. Rozstęp = 95 − 55 = 40. Jedno skrajne 95 sprawia, że rozstęp wydaje się duży, choć pozostałe wyniki są skupione.

Odchylenie ćwiartkowe (Q = (Q3 − Q1) / 2)›

Odchylenie ćwiartkowe to połowa rozstępu interkwartylowego (IQR). Mierzy, jak szeroki jest środkowy 50% danych wokół mediany. Jest odporne na wartości skrajne.

Q = (Q3 − Q1) / 2 Q1 = 1. kwartyl (25. percentyl), Q3 = 3. kwartyl (75. percentyl)

Q informuje: „połowa obserwacji leży w odległości co najwyżej Q od mediany". Małe Q → dane skupione, duże Q → dane rozproszone.

Jak obliczyć kwartyle?

Szereg posortowany rosnąco. Mediana dzieli go na dwie połówki. Q1 = mediana dolnej połówki, Q3 = mediana górnej połówki.

Parzyste N=8: {1, 2, 3, 4, 5, 6, 7, 8}
Połowy: {1,2,3,4} i {5,6,7,8} → Q1 = (2+3)/2 = 2,5, Q2 = 4,5, Q3 = (6+7)/2 = 6,5
Q = (6,5 − 2,5)/2 = 2,0

Nieparzyste N=9: {1, 2, 3, 4, 5, 6, 7, 8, 9}
Mediana = 5 (wykluczona z obu połówek) → dolna: {1,2,3,4}, górna: {6,7,8,9}
Q1 = (2+3)/2 = 2,5, Q3 = (7+8)/2 = 7,5

Wariancja

Wariancja mierzy przeciętne kwadratowe odchylenie każdej obserwacji od średniej. Kwadratowanie jest konieczne — gdybyśmy zsumowali zwykłe odchylenia, suma zawsze wynosiłaby zero.

s² = Σ(X_i − X̄)² / N Suma kwadratów odchyleń od średniej, podzielona przez liczbę obserwacji

Krok po kroku — wiek uczestników badania

Dane: {18, 21, 23, 18, 19, 19, 19, 33, 18, 19, 19, 20}, N=12

Oblicz średnią: X̄ = ΣX/N = 246/12 = 20,5
Odejmij średnią od każdej wartości (odchylenia): −2,5; 0,5; 2,5; −2,5; −1,5; −1,5; −1,5; 12,5; −2,5; −1,5; −1,5; −0,5. Suma odchyleń = 0 — zawsze tak jest, bo średnia jest punktem równowagi.
Podnieś każde odchylenie do kwadratu: 6,25; 0,25; 6,25; 6,25; 2,25; 2,25; 2,25; 156,25; 6,25; 2,25; 2,25; 0,25. Suma = 193
Podziel przez N: s² = 193 / 12 ≈ 16,08

Dlaczego suma odchyleń = 0? Średnia jest matematycznym punktem równowagi zbioru. Wartości powyżej średniej dają odchylenia dodatnie, poniżej — ujemne, i zawsze się dokładnie znoszą. Dlatego nie możemy po prostu uśrednić odchyleń — kwadratowanie eliminuje ten problem.

Wzór obliczeniowy (skrót dla dużych zbiorów)›

Zamiast liczyć każde odchylenie, można skorzystać ze wzoru obliczeniowego — szczególnie przydatnego przy ręcznych obliczeniach:

s² = (ΣX² − (ΣX)²/N) / N

Przykład N=9: ΣX = 207, ΣX² = 5115
s² = (5115 − 207²/9) / 9 = (5115 − 4761) / 9 = 354/9 ≈ 39,33; s ≈ 6,27

Estymator wariancji — dzielnik (N−1)›

Gdy pracujemy z próbą (a nie populacją), wariancja obliczona wzorem N jest systematycznie zaniżona — próba rzadko zawiera skrajne wartości, przez co jej rozrzut wydaje się mniejszy niż w całej populacji.

s² = Σ(X_i − X̄)² / (N − 1) Wzór z N−1 to nieobciążony estymator wariancji populacyjnej

Przykład liczbowy: N=12, Σ(X−X̄)² = 193
Wariancja populacji: 193/12 ≈ 16,08
Estymator (próba): 193/11 ≈ 17,55

Różnica jest duża przy małym N, znikoma przy dużych próbach (N>100). W raportach badań zawsze sprawdź, czy użyto dzielnika N czy N−1.

Badanie: uśrednianie twarzy (Langlois & Roggman)

Badaczki pytały, dlaczego twarze uśrednione z wielu zdjęć są oceniane jako atrakcyjniejsze. Matematyczna odpowiedź leży w wariancji.

Zestaw 4 twarzy

0,4293

Wariancja ocen atrakcyjności
M = 2,64 · s = 0,655

Zestaw 32 twarzy

0,0048

Wariancja ocen atrakcyjności
M = 3,26 · s = 0,069

Uśredniając więcej twarzy, eliminuje się cechy skrajne (blizny, asymetrie, niezwykłe proporcje). Wariancja maleje drastycznie — z 0,43 do 0,005. Wzrost atrakcyjności jest więc skutkiem matematycznego wygładzenia, nie magicznego „idealnego piękna".

Odchylenie standardowe

Odchylenie standardowe to pierwiastek kwadratowy z wariancji. Przywraca wynik do tych samych jednostek co dane — dlatego jest bardziej interpretowalnie niż wariancja.

s = √s² = √(Σ(X_i − X̄)² / N) Typowa odległość obserwacji od średniej, w oryginalnych jednostkach

Interpretacja SD

Odchylenie standardowe mówi: o ile przeciętnie każda obserwacja różni się od średniej. Nie jest to dokładnie „przeciętne odchylenie" (bo kwadratowanie zawyża wkład wartości skrajnych), ale dostarcza użytecznej skali interpretacji.

Przykład: Dane {1, 2, 3, 4, 5, 6}, N=6
X̄ = 3,5 · s² = [(1−3,5)²+(2−3,5)²+(3−3,5)²+(4−3,5)²+(5−3,5)²+(6−3,5)²] / 6
= [6,25+2,25+0,25+0,25+2,25+6,25] / 6 = 17,5/6 ≈ 2,917
s = √2,917 ≈ 1,71 — typowa obserwacja różni się od średniej 3,5 o ok. 1,71 jednostki

SD w badaniu atrakcyjności twarzy

To samo badanie Langlois & Roggman, teraz z perspektywy odchylenia standardowego:

4 twarze uśrednione

s = 0,655

Duże zróżnicowanie ocen — każda twarz inna

32 twarze uśrednione

s = 0,069

Oceny bardzo zbliżone — twarz „homogeniczna"

SD spadło 9-krotnie przy 8-krotnym wzroście liczby uśrednianych twarzy. To ilustruje matematyczny fenomen: uśrednianie eliminuje skrajności i redukuje wariancję.

Wynik standaryzowany Z

Z-score (wynik standaryzowany) informuje, o ile odchyleń standardowych dana wartość różni się od średniej. Pozwala porównywać wyniki z różnych rozkładów.

Z = (X − X̄) / SD X — wartość, X̄ — średnia, SD — odchylenie standardowe

Z > 0

Wartość powyżej średniej

Z = 0

Wartość równa średniej

Z < 0

Wartość poniżej średniej

Strefy interpretacyjne Z-score›

W rozkładzie normalnym, strefy interpretacyjne to:

|Z| < 1 — wynik typowy; ~68% populacji mieści się w tym zakresie
1 ≤ |Z| < 2 — wynik powyżej/poniżej przeciętnej; ~28% populacji
2 ≤ |Z| < 3 — wynik rzadki; ~4% populacji
|Z| ≥ 3 — wynik skrajny, outlier; poniżej 0,3% populacji

Przykłady obliczeniowe z wykładu›

Przykład 1: X = 32, M = 40, SD = 6
Z = (32 − 40) / 6 = −8/6 = −1,33 — wynik o 1,33 SD poniżej średniej

Dla rozkładu N(14,68; 3,08) — czas w sekundach:

X = 20: Z = (20 − 14,68) / 3,08 = 5,32/3,08 ≈ 1,73 — P(Z < 1,73) ≈ 95,8%
X = 6: Z = (6 − 14,68) / 3,08 ≈ −2,82 — wynik skrajnie niski
X = 16: Z = (16 − 14,68) / 3,08 ≈ 0,43 — wynik typowy

Kalkulator Z-score z krzywą normalną

Ustaw wartość X, średnią i odchylenie standardowe suwakami. Zacieniowany obszar pod krzywą to P(Z < z) — odsetek populacji z wynikiem nie wyższym niż X.

Wartość X 32

Średnia (M) 40

Odch. std. (SD) 6

Z = (32 − 40) / 6 = −1,33

P(Z < −1,33) ≈ 9,2% populacji ma wynik nie wyższy niż X = 32

Wynik o 1,33 SD poniżej średniej — poniżej przeciętnej, ale nie skrajny (zakres 1–2 SD).

Słowniczek — kliknij kartę, żeby zobaczyć definicję

Miary
zróżnicowania

Statystyki opisujące, jak bardzo obserwacje różnią się od siebie nawzajem lub od miary tendencji centralnej.

Rozstęp
(Oz)

Oz = x_max − x_min. Najprostsza miara rozrzutu, lecz wrażliwa na wartości skrajne.

Odchylenie
ćwiartkowe (Q)

Q = (Q3−Q1)/2. Połowa IQR — opisuje szerokość środkowych 50% danych, odporna na outliery.

Wariancja
(s²)

Przeciętne kwadratowe odchylenie od średniej: s² = Σ(X−X̄)²/N. Kwadratuje jednostki.

Odchylenie
standardowe (s)

s = √s². Pierwiastek z wariancji — przywraca wynik do oryginalnych jednostek danych.

Estymator
wariancji

s² = Σ(X−X̄)²/(N−1). Dzielnik N−1 koryguje zaniżenie wariancji populacyjnej przez próbę.

Z-score

Z = (X−X̄)/SD. Wynik standaryzowany — ile SD dzieli X od średniej. Umożliwia porównywanie rozkładów.

Miary
bezwzględne

Miary wyrażone w tych samych jednostkach co dane (np. s, Q, Oz). Wartość zależy od skali pomiarowej.

Miary
względne

Miary wyrażone jako proporcja (np. Vs = s/X̄). Pozwalają porównywać zróżnicowanie różnych skali.

Miary
klasyczne

Uwzględniają wszystkie obserwacje (s², s). Wrażliwe na wartości skrajne, ale pełnoinformacyjne.

Miary
pozycyjne

Opierają się na kwantylach (Q, Oz). Odporne na outliery — używane gdy dane mają skrajne wartości.

Langlois
& Roggman

Badaczki pokazały, że uśrednione twarze są oceniane jako atrakcyjne, bo uśrednianie zmniejsza wariancję cech.

Quiz — sprawdź wiedzę

Pytanie 1 / 12

Kluczowe wnioski

1Sama średnia nie wystarczy. Dwa rozkłady o identycznej średniej mogą mieć całkowicie różne rozrzuty — dane zawsze analizuj razem z miarą zróżnicowania.
2Wariancja to suma kwadratów odchyleń od średniej, podzielona przez N. Kwadratowanie jest konieczne, bo prosta suma odchyleń zawsze wynosi zero — wartości powyżej i poniżej średniej znoszą się wzajemnie.
3Estymator wariancji używa dzielnika (N−1). Próba systematycznie zaniża rozrzut populacji — korekta Bessela (N−1) kompensuje ten błąd i daje nieobciążony estymator.
4Odchylenie standardowe jest bardziej interpretowalnie niż wariancja. SD jest w tych samych jednostkach co dane (np. cm, punkty, sekundy) — mówi wprost, o ile typowa obserwacja różni się od średniej.
5Z-score pozwala porównywać wyniki z różnych rozkładów. Przelicza wartość na liczbę SD od średniej — wynik Z = 1,5 ma takie samo znaczenie niezależnie od oryginalnej skali pomiaru.
6Uśrednianie twarzy obniża wariancję, a nie tworzy nową cechę. Badanie Langlois & Roggman pokazuje, że postrzegana atrakcyjność uśrednionych twarzy wynika z matematycznej eliminacji cech skrajnych — efekt czystej statystyki.