La variance est la moyenne des carrés des écarts à la moyenne, mesurant la dispersion d'une distribution. L'écart-type (sigma) est sa racine carrée, exprimée dans la même unité que la variable, plus intuitive à interpréter. Ces mesures sont fondamentales en ML : la bias-variance tradeoff décrit l'arbitrage entre un modèle trop simple (fort biais, faible variance) et trop complexe (faible biais, forte variance). En A/B testing, la variance des métriques détermine la taille d'échantillon nécessaire pour atteindre la significativité. L'écart-type est aussi utilisé pour standardiser les features (Z-score normalisation) avant l'entraînement de nombreux algorithmes.