{
  "id": "standard-deviation",
  "title": "标准差",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "标准差是方差的平方根，用于衡量数值围绕均值的离散程度，其单位与观测值相同。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "标准偏差"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/standard-deviation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/standard-deviation/",
      "json": "https://aiwiki.page/en/standard-deviation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "标准差是统计学和概率中的一种离散程度度量，用于描述观测值或可能取值在均值周围的分散程度。它是方差的非负平方根。由于标准差与被测量的量具有相同单位，它在原始测量尺度上反映变异程度，而不是以单位的平方表示。总体标准差通常记作 \\(\\sigma\\)，样本标准差通常记作 \\(s\\)。(itl.nist.gov)"
    },
    {
      "heading": "定义",
      "text": "对于期望值为 \\(\\mu=E[X]\\) 且二阶矩有限的随机变量 \\(X\\)，标准差定义为\n\n\\[\\sigma_X=\\sqrt{E[(X-\\mu)^2]} =\\sqrt{E[X^2]-(E[X])^2}.\\]\n\n根号内的表达式是二阶中心矩。因此，标准差描述的是一种概率分布，而不仅仅是一组观测值。对于离散分布，计算这一期望值时，要以各取值的概率为权重，对偏差的平方加权求和；对于连续分布，则将偏差的平方乘以概率密度后进行积分。(online.stat.psu.edu)\n\n对于由 \\(N\\) 个等权重数值组成的完整有限总体，相应公式为\n\n\\[\\mu=\\frac1N\\sum_{i=1}^{N}x_i,\\qquad \\sigma=\\sqrt{\\frac1N\\sum_{i=1}^{N}(x_i-\\mu)^2}.\\]\n\n标准差是偏差的均方根，而不是与均值的绝对距离的平均值。平方运算使正偏差和负偏差都产生非负贡献，并使较大的偏差获得不成比例的更大权重。(online.stat.psu.edu)"
    },
    {
      "heading": "样本估计",
      "text": "用观测值估计更大总体的变异程度时，常规的样本标准差为\n\n\\[s=\\sqrt{\\frac{1}{n-1} \\sum_{i=1}^{n}(x_i-\\bar{x})^2}, \\qquad \\bar{x}=\\frac1n\\sum_{i=1}^{n}x_i,\\]\n\n其中 \\(n\\ge2\\)。分母采用 \\(n-1\\) 的做法称为贝塞尔校正，反映了用同一组观测值估计总体均值时会损失一个自由度：各观测值相对于样本均值的偏差之和必须为零。(online.stat.psu.edu)\n\n对于方差有限的独立同分布观测值，\\(s^2\\) 是总体方差的无偏估计量。然而，取平方根并不能保持无偏性：用 \\(s\\) 估计 \\(\\sigma\\) 时，通常存在向下的估计量的偏差。因此，方差的无偏估计与标准差的无偏估计是两个不同的问题。(online.stat.psu.edu)\n\n若改为除以 \\(n\\)，则是在将观测值视为一个等权重经验总体的情况下描述其离散程度。选择 \\(n\\) 还是 \\(n-1\\)，取决于所要采用的统计解释，而不只是数据集的大小。(online.stat.psu.edu)"
    },
    {
      "heading": "计算示例",
      "text": "考虑数值 \\(2,4,4,4,5,5,7,9\\)。它们的均值为 \\(5\\)，偏差的平方和为\n\n\\[9+1+1+1+0+0+4+16=32.\\]\n\n应用总体公式可得\n\n\\[\\sigma=\\sqrt{32/8}=2.\\]\n\n对同一组数值应用常规的样本公式可得\n\n\\[s=\\sqrt{32/7}\\approx2.138.\\]\n\n这两个结果分别依据上述两种定义计算得出，差异完全来自分母。无论哪一个结果，都不意味着每个观测值与均值的距离恰好等于该结果，也不意味着标准差等于数据集的极差。"
    },
    {
      "heading": "数学性质",
      "text": "标准差是非负的。对于有限数据集，当且仅当所有数值都相同时，标准差等于零；对于方差有限的随机变量，当该变量以概率一取某个常数值时，标准差等于零。加上一个常数会改变位置，但不会改变离散程度。乘以一个常数则会使标准差变为原来的该常数绝对值倍：\n\n\\[\\operatorname{SD}(aX+b)=|a|\\operatorname{SD}(X).\\]\n\n因此，改变测量单位时，标准差会与观测值按相同的比例缩放。(online.stat.psu.edu)\n\n对于两个方差有限的变量，\n\n\\[\\operatorname{SD}(X+Y)= \\sqrt{\\sigma_X^2+\\sigma_Y^2+ 2\\operatorname{Cov}(X,Y)}.\\]\n\n协方差项表示两个变量共同变化的情况。在满足统计独立性时，该项为零，因此方差可以相加，而标准差通常不能直接相加。(online.stat.psu.edu)"
    },
    {
      "heading": "分布层面的解释",
      "text": "对于正态分布，距离均值不超过一个标准差的区间包含约 68.27% 的概率，两个标准差以内包含约 95.45%，三个标准差以内包含约 99.73%。这些百分比以正态性为前提，并不是标准差普遍具有的性质。(itl.nist.gov)\n\n切比雪夫不等式给出了适用范围更广的结论。对于任何标准差有限且为正的分布，以及 \\(k>1\\)，都有\n\n\\[P(|X-\\mu|\\ge k\\sigma)\\le\\frac1{k^2}.\\]\n\n因此，距离均值不超过两个标准差的区间内至少包含 75% 的概率，无须假定分布具有对称性或正态性。这一界限通常远不如正态分布的上述百分比精确。(nvlpubs.nist.gov)\n\n标准分数 \\(z=(x-\\mu)/\\sigma\\) 以标准差为单位，表示观测值相对于均值的带符号距离。标准化会改变位置和尺度，但其本身并不能使非正态分布变为正态分布。(itl.nist.gov)"
    },
    {
      "heading": "标准误、局限性与计算",
      "text": "标准差描述观测值的变异程度，而标准误描述估计量在重复抽样中的变异程度。对于 \\(n\\) 个独立同分布的观测值，样本均值的标准误为 \\(\\sigma/\\sqrt n\\)，通常用 \\(s/\\sqrt n\\) 估计。解释置信区间时，这一区别十分重要：均值的不确定性不同于各个观测值之间的离散程度。(online.stat.psu.edu)\n\n由于偏差的平方会突出极端观测值的影响，标准差对异常值和重尾分布较为敏感。四分位距和中位数绝对偏差是描述离散程度的其他指标，对极端值的敏感性较低。有些分布不存在有限的总体标准差，尽管任何由有限数值组成的有限样本都可以计算样本标准差。(itl.nist.gov)\n\n数值计算的实现方式也很重要。通过两个很大且几乎相等的量相减来计算方差，可能会损失精度。先计算各观测值与均值的偏差，再平方求和，可以避免这种特定的相消问题。当观测值具有很大的共同偏移量，而彼此之间的变异又相对较小时，这一点尤为重要。(nist.gov)"
    }
  ],
  "links": [
    "statistics",
    "probability",
    "variance",
    "expected-value",
    "random-variable",
    "probability-distribution",
    "integral",
    "bessels-correction",
    "degrees-of-freedom",
    "estimator-bias",
    "covariance",
    "statistical-independence",
    "normal-distribution",
    "chebyshevs-inequality",
    "z-score",
    "standard-error",
    "confidence-interval",
    "interquartile-range",
    "median-absolute-deviation"
  ],
  "sources": [
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda356.htm",
      "url": "https://itl.nist.gov/div898/handbook/eda/section3/eda356.htm"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson08",
      "url": "https://online.stat.psu.edu/stat414/Lesson08"
    },
    {
      "title": "online.stat.psu.edu/stat505/Lesson01",
      "url": "https://online.stat.psu.edu/stat505/Lesson01"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson18",
      "url": "https://online.stat.psu.edu/stat414/Lesson18"
    },
    {
      "title": "itl.nist.gov/div898/handbook/pmc/section5/pmc51.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/pmc/section5/pmc51.htm"
    },
    {
      "title": "nvlpubs.nist.gov/nistpubs/Legacy/SP/nbsspecialpublication700-2.pdf",
      "url": "https://nvlpubs.nist.gov/nistpubs/Legacy/SP/nbsspecialpublication700-2.pdf"
    },
    {
      "title": "itl.nist.gov/div898/software/dataplot/refman2/auxillar/standard.htm",
      "url": "https://www.itl.nist.gov/div898/software/dataplot/refman2/auxillar/standard.htm"
    },
    {
      "title": "online.stat.psu.edu/stat500/Lesson04",
      "url": "https://online.stat.psu.edu/stat500/Lesson04"
    },
    {
      "title": "nist.gov/itl/sed/statistical-reference-datasets/strd-background-information/uni…",
      "url": "https://www.nist.gov/itl/sed/statistical-reference-datasets/strd-background-information/univariate-summary-statistics"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}