EssayAI
Блог
Блог
Гуманитарные науки

Дисперсия альтернативного признака: формула и пример

8 ноября 2026Время чтения: 8 минут
#дисперсия#альтернативный признак#статистика#доля#распределение бернулли
Дисперсия альтернативного признака: формула и пример

Дисперсия альтернативного признака показывает, насколько различаются объекты по свойству с двумя исходами: например, покупатель оформил доставку или нет. Если наличие свойства обозначить единицей, а отсутствие нулём, дисперсия равна произведению доли единиц на долю нулей: D=p(1−p)D=p(1-p). Для доли 30 % она составляет 0,210{,}21. Измените долю в калькуляторе и обратите внимание, где разброс наибольший. Ниже разберём формулу, расчёт по данным и отличие разброса отдельных объектов от ошибки выборочной доли.

Что называют альтернативным признаком

Альтернативный признак делит изучаемую совокупность на две взаимоисключающие группы. У изделия есть дефект или его нет; сотрудник прошёл обучение или не прошёл; клиент выбрал доставку или самовывоз, если в задаче действительно предусмотрены только эти два варианта. Сначала нужно точно определить объект наблюдения, период и само свойство: иначе граница между группами останется неясной.

Положим X=1X=1 для наличия признака и X=0X=0 для отсутствия. Вероятность или долю единиц обозначим pp, а нулей - q=1−pq=1-p. Значения pp и qq лежат между нулём и единицей и вместе дают единицу. Проценты перед вычислением переводят в доли: 30 % - это 0,300{,}30, а не 30. К примеру, генеральная совокупность и выборка различаются тем, ко всем ли интересующим объектам относится доля или только к наблюдённой части.

При росте доли единиц золотая точка поднимается к максимуму дисперсии и затем опускается; обратное движение возвращает её к исходной доле.

Здесь «альтернативный» описывает способ кодирования, а не качество объекта: единица не обязана означать успех в бытовом смысле. Выбор метки влияет на название доли, но при замене нулей единицами значение дисперсии не изменится.

Формула и её вывод

Для случайного индикатора XX математическое ожидание равно E(X)=1⋅p+0⋅q=pE(X)=1\cdot p+0\cdot q=p. Дисперсия - средний квадрат отклонения от этого ожидания. Поэтому

D(X)=p(1−p)2+q(0−p)2=pq=p(1−p).D(X)=p(1-p)^2+q(0-p)^2=pq=p(1-p).

Первое слагаемое учитывает единицы, второе - нули; их веса равны вероятностям соответствующих исходов. Получается и короткий вывод: поскольку для нуля и единицы X2=XX^2=X, то E(X2)=pE(X^2)=p, следовательно, D(X)=E(X2)−E(X)2=p−p2D(X)=E(X^2)-E(X)^2=p-p^2. Такое распределение отдельного индикатора называют распределением Бернулли; формулы ожидания и дисперсии приведены в учебных материалах Penn State.

Если обозначить частоты единиц и нулей через mm и n−mn-m, то при общем числе наблюдений nn подставляют p=m/np=m/n, q=(n−m)/nq=(n-m)/n. Важно, что дисперсия относится к числовому индикатору 0–1. Она не выражается в процентах покупателей и не равна доле единиц. Корень из неё, pq\sqrt{pq}, - стандартное отклонение индикатора.

Расчёт по частотам: пример магазина

Пусть в учебном примере из 100 заказов 30 оформлены с доставкой, остальные 70 - без неё. В качестве единицы выбираем наличие доставки. Тогда p=30/100=0,3p=30/100=0{,}3, q=70/100=0,7q=70/100=0{,}7, и

D=0,3⋅0,7=0,21,σ=0,21≈0,458.D=0{,}3\cdot0{,}7=0{,}21,\qquad \sigma=\sqrt{0{,}21}\approx0{,}458.

Проверим результат через отклонения: у единиц отклонение от среднего 0,70{,}7, у нулей - −0,3-0{,}3. Их взвешенные квадраты дают 0,3⋅0,72+0,7⋅0,32=0,210{,}3\cdot0{,}7^2+0{,}7\cdot0{,}3^2=0{,}21. Среднее равно 0,3, хотя ни один заказ не принимает это значение: оно описывает среднюю долю единиц, а не отдельный заказ.

График дисперсии p умножить на 1 минус p: при доле 0,3 значение 0,21, максимум 0,25 при доле 0,5
График дисперсии p умножить на 1 минус p: при доле 0,3 значение 0,21, максимум 0,25 при доле 0,5

Этот расчёт описывает распределение признака в указанных 100 заказах с делением на nn. Он не доказывает, что в будущем ровно 30 % заказов будут с доставкой. Для вывода о более широкой совокупности нужно знать, как получены данные и насколько они представляют интересующих клиентов.

Почему максимум равен 0,25

Выражение можно записать как

p(1−p)=14−(p−12)2.p(1-p)=\frac14-\left(p-\frac12\right)^2.

Квадрат неотрицателен, поэтому дисперсия не превосходит 0,250{,}25. Равенство достигается при p=q=0,5p=q=0{,}5: обе категории одинаково представлены. При p=0p=0 или p=1p=1 дисперсия равна нулю, поскольку все значения индикатора одинаковы. Это не означает отсутствие неопределённости во всех других свойствах объектов: речь только о выбранном признаке.

График симметричен относительно половины: при p=0,3p=0{,}3 и p=0,7p=0{,}7 результат одинаков, 0,210{,}21. Если поменять смысл кодов и обозначить доставку нулём, доли поменяются местами, но произведение сохранится. Такая симметрия помогает проверить вычисление и объясняет, почему наиболее неоднородной по этому признаку является группа, разделённая поровну.

Выборочная дисперсия и дисперсия доли

Одно и то же произведение встречается в разных задачах, поэтому сначала выясняют, что именно измеряется. Описательная дисперсия наблюдённых нулей и единиц с делением на nn равна p^(1−p^)\hat p(1-\hat p), где p^=m/n\hat p=m/n. В примере это 0,210{,}21. Если те же наблюдения рассматривают как выборку и требуется обычная исправленная выборочная дисперсия с делением на n−1n-1, для n>1n>1 она равна

s2=nn−1p^(1−p^).s^2=\frac{n}{n-1}\hat p(1-\hat p).

При 100 заказах получаем s2=100⋅0,21/99≈0,2121s^2=100\cdot0{,}21/99\approx0{,}2121. Уточнение знаменателя важно в условии задачи: разные определения отвечают на разные вопросы. Если n=1n=1, исправленную дисперсию по этой формуле не вычисляют.

Дисперсия самой выборочной доли - другое понятие. Для nn независимых одинаково распределённых индикаторов с вероятностью pp она равна p(1−p)/np(1-p)/n. При p=0,3p=0{,}3 и n=100n=100 это 0,00210{,}0021, а стандартная ошибка доли равна 0,0021≈0,0458\sqrt{0{,}0021}\approx0{,}0458. Здесь pp предполагается известным параметром модели; на практике его часто оценивают выборочной долей. Эти формулы не следует автоматически переносить на зависимые наблюдения или любой способ отбора; при отборе без возвращения из конечной совокупности может потребоваться поправка. Различие разброса отдельных наблюдений и статистики выборки важно и при построении доверительного интервала.

Связь с числом событий

Пусть XiX_i показывает наличие признака у объекта ii, а S=X1+…+XnS=X_1+\ldots+X_n - число единиц. При независимости и одинаковой вероятности pp сумма имеет биномиальное распределение: E(S)=npE(S)=np, D(S)=np(1−p)D(S)=np(1-p). Для модели со 100 независимыми заказами и p=0,3p=0{,}3 ожидаемое число доставок равно 30, а дисперсия их числа - 21. Это модельные характеристики числа, а не дисперсия одного индикатора 0,210{,}21.

Деление суммы на nn даёт выборочную долю, поэтому её дисперсия равна npq/n2=pq/nnpq/n^2=pq/n. Условия независимости и одинаковой вероятности здесь существенны: например, заказы одного клиента могут быть связаны. Подробнее о последовательности испытаний см. схему Бернулли и математическое ожидание биномиального распределения.

Как использовать результат в экономической задаче

Результат удобно читать как показатель неоднородности по одному заранее определённому признаку. Допустим, аналитик сравнивает наличие безналичной оплаты в двух группах небольших магазинов. Если в первой группе такую оплату принимают 10 % магазинов, дисперсия индикатора составляет 0,1⋅0,9=0,090{,}1\cdot0{,}9=0{,}09. Если во второй её принимают 50 %, дисперсия равна 0,250{,}25. Во второй группе ответы распределены ровнее между категориями, и именно в этом смысле разброс выше.

Однако сама дисперсия не отвечает, какой вариант оплаты выгоднее, сколько денег проходит через терминалы и почему магазины сделали тот или иной выбор. Доля в 10 % и доля в 90 % дают одинаковую дисперсию, хотя с точки зрения распространённости услуги это разные ситуации. Поэтому рядом с дисперсией всегда следует сообщать исходную долю и направление кодирования, а также численность и состав группы. Без них читателю трудно понять, какие данные стоят за одним числом.

Для сравнения периодов определение признака тоже должно оставаться одинаковым. Например, изменение в учёте временно закрытых точек может изменить наблюдаемую долю без реального изменения поведения действующих магазинов. Если используются данные опроса, стоит описать пропуски ответов: при удалении неответивших знаменатель относится только к ответившим, а не ко всем приглашённым. Правильная арифметика не устраняет смещение, возникшее при отборе или обработке данных.

Пошаговая проверка решения

Сначала запишите событие словами и проверьте, что каждому объекту можно присвоить ровно одно из двух значений. Затем найдите число единиц и число всех наблюдений, разделите первое на второе и получите долю. Вычтите её из единицы, перемножьте две доли и отдельно подпишите, какую дисперсию получили. При исходных частотах полезно проверить, что они в сумме дают общий объём: ошибка в знаменателе иначе испортит оба множителя.

В конце оцените правдоподобие результата. Отрицательная величина или значение выше 0,25 для кода 0–1 указывает на ошибку в данных либо вычислениях. Если единиц очень мало или почти все наблюдения равны единице, дисперсия должна быть близка к нулю. При исправленной выборочной дисперсии конечной выборки ограничение 0,25 уже не применяется напрямую из-за множителя с поправкой на знаменатель; поэтому проверку максимума используют именно для p(1−p)p(1-p).

Частые ошибки

  • Подставляют проценты вместо долей. При 30 % берут p=0,3p=0{,}3, а не 3030; результат обязательно находится от 0 до 0,25.
  • Путают дисперсию и стандартное отклонение. Для примера это соответственно 0,210{,}21 и примерно 0,4580{,}458.
  • Делят на nn без уточнения объекта. pqpq описывает отдельный индикатор; pq/npq/n - дисперсию средней доли в указанной независимой модели.
  • Смешивают описательную и исправленную дисперсию. При делителе n−1n-1 появляется множитель n/(n−1)n/(n-1).
  • Игнорируют остальные варианты ответа. Если возможны доставка, самовывоз и отказ, сначала определите двоичное событие, например «доставка или не доставка».

FAQ

Может ли дисперсия быть больше 0,25?

Для индикатора, принимающего именно значения 0 и 1, нет. При другом числовом кодировании масштаб изменится: например, замена 1 на 100 увеличит дисперсию в 1002100^2 раз.

Что делать, если дана только доля без числа наблюдений?

Для p(1−p)p(1-p) числа наблюдений достаточно не знать. Но для исправленной выборочной дисперсии и стандартной ошибки доли размер nn необходим; для последней нужны и предположения о способе получения данных.

Почему равные доли дают наибольшую дисперсию?

При половине единиц и половине нулей среднее равно 0,5, а каждое значение отстоит от него на 0,5. При движении доли к нулю или единице большинство значений сближается со средним, и взвешенный разброс уменьшается.

Коротко

Для альтернативного признака в кодировке 0–1 дисперсия равна p(1−p)p(1-p): при доле 0,3 она составляет 0,21, а максимальное значение 0,25 достигается при доле 0,5. Уточняйте, описываете ли вы отдельные значения, исправленную выборочную дисперсию или неопределённость выборочной доли: их формулы и смысл различаются.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Дисперсия интервального вариационного ряда: расчёт

Дисперсия интервального вариационного ряда: расчёт

Как найти дисперсию интервального вариационного ряда по серединам и частотам: подробная таблица, две формулы, исправленная оценка и ограничения группировки.

8 ноября 20268 минут
Правило сложения дисперсий: межгрупповая и внутригрупповая

Правило сложения дисперсий: межгрупповая и внутригрупповая

Правило сложения дисперсий разбивает общую изменчивость на межгрупповую и внутригрупповую части. Формулы, пример расчёта, связь с ANOVA и эконометрикой.

17 июня 20268 минут
Атрибутивный ряд распределения: пример и расчёт

Атрибутивный ряд распределения: пример и расчёт

Атрибутивный ряд распределения в статистике: как выделить качественный признак, подсчитать частоты и доли, построить диаграмму и найти моду на примере покупок.

8 ноября 20269 минут
Группировочный признак: выбор и примеры в статистике

Группировочный признак: выбор и примеры в статистике

Что такое группировочный признак, как выбрать качественное или количественное основание группировки и проверить границы и состав групп на примере предприятий.

8 ноября 20268 минут
Индекс корреляции: формула и пример расчёта

Индекс корреляции: формула и пример расчёта

Как рассчитать индекс корреляции по группам и остаткам модели, прочитать его квадрат и отличить нелинейную связь от коэффициента Пирсона: пример с таблицей.

8 ноября 20268 минут
Индекс Рябцева: формула и расчёт структурных различий

Индекс Рябцева: формула и расчёт структурных различий

Индекс Рябцева измеряет различие двух структур. Разбираем формулу, пошаговый расчёт по долям, шкалу интерпретации и ограничения метода на наглядном примере.

8 ноября 20269 минут