Wariancja

Wariancja – miara zmienności zmiennej losowej będąca wartością oczekiwaną kwadratu różnicy wartości zmiennej losowej ${\displaystyle X}$ i jej wartości oczekiwanej. W statystyce opisowej obliczana jest jako średnia arytmetyczna kwadratów odchyleń (różnic) poszczególnych wartości cechy od średniej. Jest jedną z najpopularniejszych miar służącą do opisu zbioru danych.

Pierwiastek kwadratowy z wariancji definiuje odchylenie standardowe.

Definicja

Wariancja zmiennej losowej ${\displaystyle X,}$ oznaczana jako ${\displaystyle \operatorname {Var} [X]}$ lub ${\displaystyle D^{2}(X),}$ zdefiniowana jest wzorem:

${\displaystyle \operatorname {Var} [X]=E[(X-\mu )^{2}],}$

gdzie:

• ${\displaystyle E[\dots ]}$ – wartościć oczekiwana zmiennej losowej ${\displaystyle (X-\mu )^{2}}$,
• ${\displaystyle \mu }$ – wartość oczekiwana zmiennej losowej ${\displaystyle X}$.

Z powyższej definicji wynika wzór:

${\displaystyle D^{2}(X)=E(X^{2})-[E(X)]^{2}.}$

Wariancja jest momentem centralnym drugiego rzędu zmiennej losowej.

Jeżeli ponadto ${\displaystyle EX^{2}\leqslant \infty }$ oraz ${\displaystyle {\mathcal {G}}}$ jest σ-ciałem zdarzeń, to wariancją warunkową nazywamy:

${\displaystyle \operatorname {Var} (X|{\mathcal {G}}):=E{\Big (}{\big (}X-{\mathcal {E}}(X|{\mathcal {G}}){\big )}^{2}{\Big |}\ {\mathcal {G}}{\Big )}.}$

Wariancja wyrażona jest w jednostkach miary badanej cechy podniesionych do kwadratu.

Statystyka opisowa

Wariancja zdefiniowana jest dla zbioru obserwacji z cechą ${\displaystyle x}$ wzorem:

${\displaystyle S^{2}(x)={\frac {\sum _{i=1}^{N}(x_{i}-{\overline {x}})^{2}}{N}},}$

gdzie:

• ${\displaystyle {\overline {x}}}$ – średnia wartość cechy,
• ${\displaystyle N}$ – liczebność zbioru.

Estymatory

(1) Wariancję próby losowej o wartościach ${\displaystyle x_{i},}$ ${\displaystyle i=1,2,3,\dots }$ oblicza się ze wzoru:

${\displaystyle \sigma ^{2}=\lim _{n\to \infty }{\frac {1}{n}}\sum _{i=1}^{n}\left(x_{i}-{\overline {x}}\right)^{2}.}$

(2) Wariancję dla populacji można estymować za pomocą n-elementowej próby losowej.

a) Estymator największej wiarygodności:

${\displaystyle s^{2}={\frac {1}{n}}\sum _{i=1}^{n}\left(x_{i}-{\overline {x}}\right)^{2}}$

jest zgodnym, lecz obciążonym estymatorem wariancji (estymator ten jest jednak nieobciążony asymptotycznie). Obciążenie oznacza, że gdybyśmy z populacji losowali próbkę wielokrotnie i obliczali wariancje według powyższego wzoru, to ich średnia nie byłaby równa wariancji w populacji.

b) Estymator zgodny i nieobciążony (z poprawką Bessela tj. po zastąpieniu ${\displaystyle n}$ przez liczbę stopni swobody ${\displaystyle n-1}$), częściej wykorzystywany w praktyce:

${\displaystyle s^{2}={\frac {1}{n-1}}\sum _{i=1}^{n}\left(x_{i}-{\overline {x}}\right)^{2}.}$

(3) Gdy znamy dokładną wartość oczekiwaną ${\displaystyle \mu }$ w populacji, to istnieje estymator nieobciążony i zgodny:

${\displaystyle s^{2}={\frac {1}{n}}\sum _{i=1}^{n}\left(x_{i}-\mu \right)^{2}}$

Własności wariancji

Dla zmiennych losowych ${\displaystyle X,}$ ${\displaystyle Y}$ i dowolnych stałych ${\displaystyle a,\ b,\ c}$ zachodzą następujące własności:

1. ${\displaystyle D^{2}(c)=0}$

Dowód. Korzystając z własności wartości oczekiwanej (wartość oczekiwana stałej jest równa tej stałej), mamy:

${\displaystyle D^{2}(c)=E[(c-Ec)^{2}]=E[0^{2}]=E[0]=0.}$

2. ${\displaystyle D^{2}(X)\geqslant 0}$

Dowód. Korzystamy z własności wartości oczekiwanej mówiącej o tym, że jeżeli zmienna losowa jest dodatnio określona prawie wszędzie to jej wartość oczekiwana jest dodatnia. Ponieważ zmienna losowa ${\displaystyle (X-EX)^{2}}$ jest dodatnio określona, mamy:

${\displaystyle D^{2}(X)=E[(X-EX)^{2}]\geqslant 0.}$

3. ${\displaystyle D^{2}(a\cdot X)=a^{2}\cdot D^{2}(X)}$

Dowód. Korzystając z definicji wariancji, a następnie z liniowości wartości oczekiwanej mamy:

${\displaystyle {\begin{aligned}&D^{2}(a\cdot X)\\={}&E[(aX-E(aX))^{2}]\\={}&E[(aX-aEX)^{2}]\\={}&E[(a(X-EX))^{2}]\\={}&E[a^{2}(X-EX)^{2}]\\={}&a^{2}E[(X-EX)^{2}]\\={}&a^{2}\cdot D^{2}(X).\end{aligned}}}$

4. ${\displaystyle D^{2}(X+b)=D^{2}(X)}$

Dowód. Korzystamy z własności wartości oczekiwanej mówiącej o tym, że ${\displaystyle Ec=c}$ dla ${\displaystyle c}$ stałej i z liniowości:

${\displaystyle {\begin{aligned}&D^{2}(X+b)\\={}&E[(X+b-E(X+b))^{2}]\\={}&E[(X+b-EX-Eb)^{2}]\\={}&E[(X+b-EX-b)^{2}]\\={}&E[(X-EX)^{2}]\\={}&D^{2}(X).\end{aligned}}}$

5. ${\displaystyle D^{2}(X\pm Y)=D^{2}(X)+D^{2}(Y)\pm 2\operatorname {Cov} (X,Y)}$ w ogólnym przypadku; (gdzie ${\displaystyle \operatorname {Cov} (X,Y)}$ to kowariancja)

Dowód. Sprawdzone zostanie tylko twierdzenie dla sumy, twierdzenie dla różnicy rozwiązuje się analogicznie. Czyli mamy:

${\displaystyle {\begin{aligned}&D^{2}(X+Y)\\={}&E[(X+Y-E(X+Y))^{2}]\\={}&E[(X+Y-EX-EY)^{2}]\\={}&E[((X-EX)+(Y-EY))^{2}]\\={}&E[(X-EX)^{2}+2(X-EX)(Y-EY)+(Y-EY)^{2}]\\={}&\dots \end{aligned}}}$

Korzystając z liniowości wartości oczekiwanej i definicji kowariancji, mamy:

${\displaystyle {\begin{aligned}\dots ={}&E[(X-EX)^{2}]+2E[(X-EX)(Y-EY)]+E[(Y-EY)^{2}]\\={}&D^{2}(X)+D^{2}(Y)+2\operatorname {Cov} (X,Y).\end{aligned}}}$

Z powyższego twierdzenia wynika, że jeżeli zmienne ${\displaystyle X}$ i ${\displaystyle Y}$ są niezależne, to:

${\displaystyle D^{2}(X\pm Y)=D^{2}(X)+D^{2}(Y).}$

Pierwiastek z estymatora nieobciążonego wariancji jest często używany jako estymator odchylenia standardowego, jednak jest wówczas obciążony (zobacz odchylenie standardowe).

Zobacz też

Zobacz hasło wariancja w Wikisłowniku

• poprawka Bessela
• analiza wariancji
• błąd średniokwadratowy
• kowariancja
• test dla wariancji
• wariancja fenotypowa
• współczynnik zmienności

Przypisy

Bibliografia

• W. Krysicki, J. Bartos, W. Dyczka, K. Królikowska, M. Wasilewski: Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, część 2. Statystyka matematyczna. Warszawa: Wydawnictwo Naukowe PWN, 2006, s. 48. ISBN 83-01-14292-8.
• Jacek Jakubowski, Rafał Sztencel: Wstęp do teorii prawdopodobieństwa. Warszawa: Script, 2004, s. 84. ISBN 83-89716-01-1.

Linki zewnętrzne

• Krzysztof Kwiecień, nagrania dla Khan Academy na YouTube [dostęp 2025-10-27]:
  • Statystyka: Wariancja całej populacji, 11 października 2018.
  • Wariancja próby, 18 października 2018.