{
  "id": "root-mean-square",
  "title": "均方根",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "均方根是一组数值、函数或随机变量的大小平方取平均后再开平方所得的量。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "均方根值",
    "平方平均数",
    "二次平均数",
    "RMS"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/root-mean-square/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/root-mean-square/",
      "json": "https://aiwiki.page/en/root-mean-square.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "均方根（RMS）是衡量数值大小的一种量，其计算方法是先将各数值平方，再取平均，最后开平方。与普通的算术平均值不同，均方根不会使正负数值相互抵消。它与原始量具有相同的物理单位，广泛用于统计学、电气工程、信号分析和预测误差的度量。"
    },
    {
      "heading": "定义",
      "text": "有限组数值\n\n对于 \\(n\\) 个实数 \\(x_1,\\ldots,x_n\\)，其中 \\(n\\geq 1\\)，均方根为\n\n\\[x_{\\mathrm{RMS}} = \\sqrt{\\frac{1}{n}\\sum_{i=1}^{n}x_i^2}.\\]\n\n例如，\\(-3\\) 和 \\(3\\) 的算术平均值为零，但均方根为\n\n\\[\\sqrt{\\frac{(-3)^2+3^2}{2}}=3.\\]\n\n因此，均方根衡量的是数值相对于零的大小，而不是正负数值相抵后的平均水平。\n\n对于不全为零的非负权重 \\(w_i\\)，加权均方根为\n\n\\[x_{\\mathrm{RMS},w} = \\sqrt{ \\frac{\\sum_{i=1}^{n}w_i x_i^2} {\\sum_{i=1}^{n}w_i} }.\\]\n\n当各权重相等时，就得到普通均方根的定义。权重可以表示各观测值对应的概率、频数或持续时间。\n\n函数与随时间变化的信号\n\n对于实值函数 \\(f(t)\\)，若其平方在有限区间 \\([a,b]\\) 上可积，其中 \\(b>a\\)，则\n\n\\[f_{\\mathrm{RMS}} = \\sqrt{\\frac{1}{b-a}\\int_a^b f(t)^2\\,dt}.\\]\n\n这里用积分代替求和，再除以 \\(b-a\\)，便将累积的平方值转换为平均值。\n\n对于周期为 \\(T>0\\) 的周期信号，通常在一个完整周期内计算均方根：\n\n\\[f_{\\mathrm{RMS}} = \\sqrt{ \\frac{1}{T}\\int_{t_0}^{t_0+T}f(t)^2\\,dt }.\\]\n\n只要信号具有周期性，且其平方在一个周期内可积，该值就与起始时刻 \\(t_0\\) 无关。\n\n对于非周期信号，长时间均方根可定义为\n\n\\[f_{\\mathrm{RMS}} = \\lim_{T\\to\\infty} \\sqrt{\\frac{1}{T}\\int_0^T f(t)^2\\,dt},\\]\n\n前提是该极限存在。并非所有信号都具有有限或定义明确的长时间均方根；对于变化中的信号或瞬态信号，所选的平均区间会影响结果。\n\n随机变量\n\n对于实值随机变量 \\(X\\)，均方根的概率论定义为\n\n\\[X_{\\mathrm{RMS}}=\\sqrt{\\mathbb{E}[X^2]},\\]\n\n其中 \\(\\mathbb{E}\\) 表示期望值。均方根有限的条件是二阶矩有限。\n\n对于概率密度函数为 \\(p(x)\\) 的变量，\n\n\\[X_{\\mathrm{RMS}} = \\sqrt{ \\int_{-\\infty}^{\\infty}x^2p(x)\\,dx }.\\]\n\n实测信号的时间平均与概率模型下的期望是两种不同的构造。要使二者相等，需要对过程作出额外假设；通常仅有平稳性还不够。\n\n复数值\n\n对于复数，以大小为依据的标准推广采用绝对值的平方：\n\n\\[z_{\\mathrm{RMS}} = \\sqrt{\\frac{1}{n}\\sum_{i=1}^{n}|z_i|^2}.\\]\n\n若改用 \\(z_i^2\\)，一般会得到复数量，无法以同样的方式衡量大小。"
    },
    {
      "heading": "数学性质",
      "text": "界与缩放\n\n对于实数数据，\n\n\\[\\left|\\frac{1}{n}\\sum_{i=1}^{n}x_i\\right| \\leq \\frac{1}{n}\\sum_{i=1}^{n}|x_i| \\leq x_{\\mathrm{RMS}} \\leq \\max_i |x_i|.\\]\n\n中间的不等式由柯西—施瓦茨不等式得出。当且仅当所有数值的绝对值相等时，绝对值的平均值等于均方根。当且仅当所有数值本身相等时，算术平均值的绝对值等于均方根。\n\n将所有数值乘以标量 \\(c\\)，有\n\n\\[\\operatorname{RMS}(cx)=|c|\\operatorname{RMS}(x).\\]\n\n均方根始终非负，且当且仅当每个数值都为零时才为零。对于函数，均方根为零意味着该函数在平均区间上几乎处处为零。\n\n均方根是二阶幂平均。对于非负数据，它不小于算术平均值，且仅当所有数据相等时取等号。\n\n几何解释\n\n对于向量 \\(x=(x_1,\\ldots,x_n)\\)，均方根是经过缩放的范数：\n\n\\[x_{\\mathrm{RMS}}=\\frac{\\|x\\|_2}{\\sqrt n}.\\]\n\n因此，它等于该向量到原点的欧几里得距离除以坐标个数的平方根。\n\n对于函数，均方根同样是一种归一化的 \\(L^2\\) 范数，由此与L^p空间和内积相联系。在固定的数据集或平均区间上，它满足三角不等式：\n\n\\[\\operatorname{RMS}(x+y) \\leq \\operatorname{RMS}(x)+\\operatorname{RMS}(y).\\]"
    },
    {
      "heading": "与均值、方差和标准差的关系",
      "text": "若 \\(X\\) 的均值为 \\(\\mu\\)，方差为 \\(\\sigma^2\\)，则\n\n\\[\\mathbb{E}[X^2]=\\mu^2+\\sigma^2,\\]\n\n因此\n\n\\[X_{\\mathrm{RMS}}=\\sqrt{\\mu^2+\\sigma^2}.\\]\n\n均方根衡量相对于零的大小；标准差衡量围绕均值的离散程度。当均值为零时，两者相等。\n\n对于有限个观测值，设样本均值为\n\n\\[\\bar{x}=\\frac{1}{n}\\sum_{i=1}^{n}x_i.\\]\n\n则\n\n\\[x_{\\mathrm{RMS}}^2 = \\bar{x}^{\\,2} + \\frac{1}{n}\\sum_{i=1}^{n}(x_i-\\bar{x})^2.\\]\n\n若样本方差采用贝塞尔校正，\n\n\\[s^2=\\frac{1}{n-1}\\sum_{i=1}^{n}(x_i-\\bar{x})^2,\\]\n\n则对于 \\(n>1\\)，上述恒等式变为\n\n\\[x_{\\mathrm{RMS}}^2 = \\bar{x}^{\\,2}+\\frac{n-1}{n}s^2.\\]\n\n因此，将均方根与报告的样本标准差进行比较时，必须注意所用的分母。"
    },
    {
      "heading": "电气与信号领域的应用",
      "text": "电压和电流的有效值\n\n对于阻值固定为 \\(R\\) 的理想电阻，均方根具有直接的物理意义。若电流为 \\(i(t)\\)，则瞬时功率为\n\n\\[p(t)=Ri(t)^2,\\]\n\n同一区间内的平均功率为\n\n\\[P_{\\mathrm{avg}}=R I_{\\mathrm{RMS}}^2.\\]\n\n因此，交流电的均方根值等于在该电阻中产生相同平均热功率的恒定直流电的电流值。同样，\n\n\\[P_{\\mathrm{avg}}=\\frac{V_{\\mathrm{RMS}}^2}{R}.\\]\n\n对于正弦电压\n\n\\[v(t)=A\\sin(\\omega t+\\phi),\\]\n\n在一个完整周期内取平均，得到\n\n\\[V_{\\mathrm{RMS}}=\\frac{|A|}{\\sqrt{2}}.\\]\n\n从峰值到均方根值的这一换算关系取决于波形。取值为 \\(\\pm A\\) 的对称方波，其均方根为 \\(|A|\\)；峰值大小相同的对称三角波，其均方根为 \\(|A|/\\sqrt{3}\\)。\n\n对于一般的电气负载，平均功率为\n\n\\[P_{\\mathrm{avg}}=\\langle v(t)i(t)\\rangle,\\]\n\n其中尖括号表示取平均。它通常不等于 \\(V_{\\mathrm{RMS}}I_{\\mathrm{RMS}}\\)：两者的关系还取决于相位和波形。\n\n恒定分量与波动分量\n\n将信号写为\n\n\\[x(t)=m+a(t), \\qquad \\langle a(t)\\rangle=0,\\]\n\n其中 \\(m\\) 是信号在平均区间内的均值。则\n\n\\[x_{\\mathrm{RMS}}^2=m^2+a_{\\mathrm{RMS}}^2.\\]\n\n因此，恒定分量与零均值波动分量通过各自均方根的平方相加而合成。去除恒定分量的仪器与测量总均方根的仪器，报告的是不同的量。\n\n更一般地，\n\n\\[\\operatorname{RMS}(x+y)^2 = \\operatorname{RMS}(x)^2+ \\operatorname{RMS}(y)^2+ 2\\langle xy\\rangle.\\]\n\n只有当交叉项为零时，各分量的均方根才能按平方和开方的方式合成。\n\n频域解释\n\n对于具有足够正则性、可用傅里叶级数表示的周期信号，\n\n\\[x(t)=a_0+\\sum_{k=1}^{\\infty} \\left[ a_k\\cos(k\\omega_0t)+b_k\\sin(k\\omega_0t) \\right],\\]\n\n由各次谐波的正交性可得\n\n\\[x_{\\mathrm{RMS}}^2 = a_0^2+ \\frac{1}{2}\\sum_{k=1}^{\\infty}(a_k^2+b_k^2).\\]\n\n这是帕塞瓦尔恒等式的一种形式。它说明了恒定分量、基频分量及高次谐波如何对总均方值作出贡献。"
    },
    {
      "heading": "误差度量与模型拟合",
      "text": "对于预测值 \\(\\hat y_i\\) 和观测值 \\(y_i\\)，均方根误差是两者之差的均方根：\n\n\\[\\operatorname{RMSE} = \\sqrt{ \\frac{1}{n}\\sum_{i=1}^{n}(\\hat y_i-y_i)^2 }.\\]\n\n它是均方误差的平方根，与所测结果具有相同的单位，常用于模型评估、预测和数值近似。\n\n对于一组固定的观测值，由于平方根函数单调递增，最小化均方根误差等价于最小化均方误差或误差平方和。这就将均方根误差与最小二乘法拟合联系起来。\n\n均方根误差并不天然等同于残差标准差或标准误。在拟合模型中，估计方差时可能用残差平方和除以残差自由度，而不是除以观测值个数。"
    },
    {
      "heading": "解释与数值计算",
      "text": "平方运算使较大的数值产生不成比例的影响。因此，均方根对极端观测值敏感，并不是衡量典型大小的稳健指标。它还舍弃了符号信息，无法确定分布或波形：差异很大的数据也可能具有相同的均方根值。\n\n均方根测量值取决于平均区间、采样方式及所涵盖的频率范围。对不等间隔的观测值赋予相同权重并取平均，不一定能近似时间平均；可能需要采用适当的持续时间权重或进行积分。\n\n在浮点运算中，直接计算时的平方运算可能导致上溢或下溢。采用缩放后的表达式可改善数值稳定性。令\n\n\\[m=\\max_i|x_i|.\\]\n\n对于 \\(m>0\\)，\n\n\\[x_{\\mathrm{RMS}} = m\\sqrt{\\frac{1}{n}\\sum_{i=1}^{n} \\left(\\frac{x_i}{m}\\right)^2}.\\]\n\n若 \\(m=0\\)，则均方根为零。归一化后的平方值不超过一，从而避免直接对较大的原始数值求平方时可能出现的上溢。"
    }
  ],
  "links": [
    "statistics",
    "real-number",
    "mathematical-function",
    "integral",
    "random-variable",
    "expected-value",
    "probability-density-function",
    "complex-number",
    "cauchy-schwarz-inequality",
    "almost-everywhere",
    "norm-mathematics",
    "euclidean-distance",
    "lp-space",
    "inner-product",
    "triangle-inequality",
    "variance",
    "standard-deviation",
    "sample-mean",
    "bessels-correction",
    "fourier-series",
    "mean-squared-error",
    "least-squares",
    "floating-point-arithmetic",
    "numerical-stability"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}