범위(Range)에 대한 가장 큰 결점은 평균값에 대하여 어떤 관계를 가지고 데이터가 흩어져
있는지를 알 수 없다는 점이다.

분산(Variance)은 바로 이런점을 표현하기 위해서 만들어 진 것이다.
평균값에 대한 데이터의 퍼짐을 측정하기 위하여 각 데이터 포인트와 평균값과의 차이를 계산한 다음
그 차이값을 제곱하여 준다.

샘플의 모든 데이터 포인트에 대하여 평균값과 차이값을 계산하고 제곱을 한 다음 모두 합하고
그리고 그 합한값을 샘플의 갯수(n)에 1을 빼어준 값으로 나누어 준다.

그러면 모두 같은 범위(Range)을 보여준 데이터에 대해 분산(Variance)을 조사해 보자.
아래 그림을 보면 범위(Range)가 보여주지 못했던 데이터의 흩어짐을 분산(variance)은 보여주고 있다.
가장 적은 분산(variance)은 데이터 D의 26.4 인데, 데이터 값들이 평균값 주위에 좀더 단단하게
몰여있기 때문이다. 상대적으로 분산(Variance)가 큰 데이터는 B와 C인데 이들의 데이터를 보면
평균점으로 부터 좀 멀리 흩어져 있음을 볼 수 있다.

그러면 분산(Variance)의 결점은 무엇인가?
분산(Variance)은 데이터 값을 제곱하여 계산된 값이다 보니 꽤 큰값이며 제곱된 단위까지 있다보니
직관적으로 이 값의 크기가 의미하는 것을 알아차리기는 어렵다는 점이다.

예를 들어, 위의 데이터의 숫자가 의미하는 것이 네가지 다른 다이어트 방법에 의한 체중감량을
나타낸다면, 다이어트-B의 경우 체중감량은 142.6㎏2 이라고 말하고 싶을 것이다.

도대체 "142.6㎏2"이란 무슨 의미인가? 체중의 증가나 감소가 ㎏2 이라니...
그래서 우리는 평균값에 대한 변동을 나타내기 위한 좀더 직관적인 방법이 필요하다