Стандартное отклонение и стандартная ошибка: чем различаются SD и SE

Представьте, что у вас есть шесть чисел — 4, 6, 7, 9, 10 и 12 условных баллов. Их среднее арифметическое равно 8. Но одного среднего недостаточно, чтобы описать данные. Насколько отдельные значения разбросаны вокруг восьмёрки? И насколько точно это среднее оценивает истинное среднее значение в популяции, из которой взята выборка? Тут и появляются два похожих, но разных показателя — стандартное отклонение (SD) и стандартная ошибка среднего (SE).

Что описывает SD, а что — SE?

Стандартное отклонение (SD) показывает разброс отдельных наблюдений в исходных данных. Если SD маленькое, значения плотно прилегают к среднему; если большое — разбросаны широко.

Стандартная ошибка среднего (SE) — стандартное отклонение распределения выборочных средних. Она описывает вариабельность оценки среднего при повторном получении выборок по одной модели, а не размах отдельных наблюдений и не фактическую ошибку именно этой выборки.

Разницу удобно видеть в таблице.

Вопрос	Что описывает SD	Что описывает SE	Обозначение и единицы
Как разбросаны сами данные?	Вариация отдельных значений в выборке	—	SD (или s), в тех же единицах, что и данные
Насколько точно оценивается среднее популяции?	—	Неопределённость выборочного среднего	SE (или SEM), в тех же единицах, что и данные

Пошаговый расчёт на шести числах

Полный вымышленный учебный набор: отклонения от среднего 8

x	x−8	Квадрат отклонения
4	-4	16
6	-2	4
7	-1	1
9	1	1
10	2	4
12	4	16
Сумма 48	Сумма 0	Сумма 42

Вымышленные значения4,6,7,9,10,12: среднее8; выборочноеSD≈2,90; оценкаSEсреднего≈1,18 при простой независимой выборке. — Учебные данные вымышлены. SD рассчитано с делением суммы квадратов на n−1; оценка SE предполагает простую независимую выборку.

Возьмите наши вымышленные значения: 4, 6, 7, 9, 10, 12. Это не результат реального исследования, а просто учебный пример.

Среднее: (4 + 6 + 7 + 9 + 10 + 12) / 6 = 48 / 6 = 8.
Отклонения от среднего (x − 8): −4, −2, −1, 1, 2, 4.
Квадраты отклонений: 16, 4, 1, 1, 4, 16. Сумма квадратов = 42.
Выборочная дисперсия (s²): 42 / (6 − 1) = 42 / 5 = 8,4. Деление на n − 1, а не на n, поправка на то, что мы оцениваем дисперсию неизвестной популяции по выборке (OpenStax, формула выборочной дисперсии).
Стандартное отклонение (s): √8,4 ≈ 2,8983. Разброс отдельных наблюдений — почти 3 балла.

Теперь для простой независимой одинаково распределённой выборки применяем формулу оценки стандартной ошибки среднего: SE ≈ s / √n. Здесь n = 6.

SE = 2,8983 / √6 ≈ 1,1832. Это оценка того, насколько среднее 8 может отклоняться от истинного среднего популяции (если бы мы знали его).

Важно. Если бы эти шесть чисел составляли всю конечную популяцию, описательное популяционное SD рассчитывалось бы иначе: √(42 / 6) ≈ 2,6458. В учебных работах всегда уточняйте, что именно вы вычисляете — характеристику выборки или всей совокупности.

Как не перепутать SD и SE в отчёте

Одна из возможных ошибок — записать «среднее ± SD», а на самом деле подставить SE, или наоборот. Запись 8 ± 2,90 без пояснения неоднозначна. Явно указывайте, что стоит после знака ±.

Правильно:

«Среднее арифметическое составило 8,00 баллов (SD = 2,90; n = 6)» — если описываете разброс данных.
«Среднее арифметическое составило 8,00 баллов (SE = 1,18; n = 6)» — если показываете точность оценки среднего.

SD и SE сами по себе не являются 95% доверительным интервалом. Например, для независимой выборки из нормальной популяции при неизвестной дисперсии классический двусторонний 95% t-интервал среднего имеет вид: среднее ± t(0,975; n−1) × s / √n. Здесь t(0,975; n−1) — квантиль t-распределения с n−1 степенями свободы. Условия и формулу приводит справочник NIST. Это не универсальная формула для любого дизайна. Запись «95% наблюдений лежат в среднем ± SE» не следует из определения SE.

Чтобы лучше понять, как выглядят разные шкалы и как интерпретировать числа в таблицах, советуем прочитать статью о шкалах измерения — номинальной, порядковой, интервальной и отношений.

Условный пример изменения n

Для отдельного арифметического сценария предположим неизменное SD=2,8983. Тогда приn=24 оценкаSE=2,8983/√24≈0,5916, а приn=96 —2,8983/√96≈0,2958. Это условное сравнение формулы, а не новые измерения или выполненная симуляция.

Когда простая формула SE не работает

Формула оценки SE=s/√n предполагает подходящую модель независимых одинаково распределённых наблюдений. При кластерах, повторных измерениях у одного человека или другом сложном дизайне её нельзя применять автоматически: способ оценки ошибки должен учитывать структуру данных.

Отдельно проверьте, кого представляет выборка и на какую группу вы хотите переносить выводы. Этому посвящён материал о репрезентативной выборке.

Чек-лист перед оформлением результата

Вы чётко определили, что именно вычисляете — SD или SE?
Рядом с числом указан сам показатель (словом или принятым символом)?
Если вы пишете «среднее ± …», явно названо, что следует за знаком?
Вы не перепутали выборочное SD с популяционным (проверьте знаменатель)?
Вы не выдаёте SE за доверительный интервал или 95 % диапазон данных?
Дизайн вашего исследования действительно позволяет применять простую формулу SE = s / √n?
Если данные представляют всю конечную совокупность, вы указали это и использовали N в знаменателе?

Эти вопросы помогут избежать путаницы между разбросом данных и точностью оценки среднего. Если вам нужна помощь с расчётами или интерпретацией статистики в научной работе, обратитесь к услуге статистического анализа.