{
  "id": "variance",
  "title": "方差",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "方差以偏离均值的平方的平均值衡量离散程度，是概率论、统计推断和预测建模的基础。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/variance/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/variance/",
      "json": "https://aiwiki.page/en/variance.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "方差是概率论和统计学中衡量离散程度的指标。它描述随机变量的取值或一组观测值围绕均值的分散程度。严格地说，方差是偏离均值的平方的期望值。方差非负，其单位是原测量单位的平方；方差的平方根，即标准差，则以原测量单位表示离散程度。(probabilitycourse.com)"
    },
    {
      "heading": "定义与解释",
      "text": "对于二阶矩有限的实值随机变量 \\(X\\)，令 \\(\\mu=\\mathbb E[X]\\)。其方差通常记为 \\(\\operatorname{Var}(X)\\)、\\(V(X)\\) 或 \\(\\sigma^2\\)，定义为\n\n\\[\\operatorname{Var}(X)=\\mathbb E[(X-\\mu)^2] =\\mathbb E[X^2]-(\\mathbb E[X])^2.\\]\n\n因此，方差就是概率分布的二阶中心矩。对于离散分布，期望值是以概率为权重的加权和；对于密度函数为 \\(f\\) 的连续分布，则用积分表示：\n\n\\[\\operatorname{Var}(X)=\\int_{-\\infty}^{\\infty}(x-\\mu)^2f(x)\\,dx.\\]\n\n方差有限，当且仅当 \\(\\mathbb E[X^2]\\) 有限。有些分布的均值有限，方差却是无穷大。(stats.libretexts.org)\n\n平方运算可以避免正负偏差相互抵消：偏离均值的偏差若不取平方，其期望值总是零。平方运算也赋予较大的偏差更大的权重。方差为零，当且仅当 \\(X\\) 以概率一等于某个常数。两个分布可能具有相同的均值，却有截然不同的方差，因此仅凭均值无法描述其分散程度。(probabilitycourse.com)"
    },
    {
      "heading": "总体方差与样本方差",
      "text": "对于由 \\(N\\) 个权重相等的数值组成的有限总体，总体方差为\n\n\\[\\sigma^2=\\frac1N\\sum_{i=1}^{N}(x_i-\\mu)^2.\\]\n\n当观测值构成一个样本，用于估计其所属总体的方差时，通常采用的样本方差为\n\n\\[s^2=\\frac1{n-1}\\sum_{i=1}^{n}(x_i-\\bar x)^2, \\qquad \\bar x=\\frac1n\\sum_{i=1}^{n}x_i.\\]\n\n这两个公式回答的是不同的问题：前者描述一个给定的完整总体，后者则根据抽样观测值估计总体参数。(online.stat.psu.edu)\n\n对于独立同分布且方差有限的观测值，\\(s^2\\) 是无偏的，即 \\(\\mathbb E[s^2]=\\sigma^2\\)。采用除数 \\(n-1\\) 的做法称为贝塞尔校正，它考虑了未知均值也是用同一组数据估计这一事实。由于各偏差满足 \\(\\sum_i(x_i-\\bar x)=0\\)，因此只剩下 \\(n-1\\) 个自由度。若改为除以 \\(n\\)，得到的是经验分布的方差；但在上述抽样假设下，它平均而言会低估总体方差。(online.stat.psu.edu)\n\n例如，观测值 \\(1,2,3\\) 的均值为 \\(2\\)，偏差平方和为 \\(2\\)。以 \\(3\\) 为除数得到的描述性方差为 \\(2/3\\)，而以 \\(2\\) 为除数得到的无偏样本方差为 \\(1\\)。两者的区别在于所要表达的含义，而不是算术计算存在分歧。"
    },
    {
      "heading": "代数性质",
      "text": "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，则会使方差按该常数的平方变化：\n\n\\[\\operatorname{Var}(aX+b)=a^2\\operatorname{Var}(X).\\]\n\n因此，将测量单位从米换成厘米，会使方差增大为原来的 \\(10{,}000\\) 倍，而不是 \\(100\\) 倍。方差不是线性算子。(probabilitycourse.com)\n\n对于两个方差有限的变量，\n\n\\[\\operatorname{Var}(X+Y) =\\operatorname{Var}(X)+\\operatorname{Var}(Y) +2\\operatorname{Cov}(X,Y),\\]\n\n其中，协方差衡量两个变量共同变化的程度。当协方差为零时，方差可以相加；独立性是这一条件的充分条件，但不是必要条件。特别地，对于方差均为 \\(\\sigma^2\\) 的独立观测值，\n\n\\[\\operatorname{Var}(\\bar X)=\\frac{\\sigma^2}{n}.\\]\n\n因此，其均值的标准误为 \\(\\sigma/\\sqrt n\\)，它反映的是均值估计的不确定性，而非各个观测值之间的变异程度。(online.stat.psu.edu)"
    },
    {
      "heading": "分布示例与概率界",
      "text": "成功概率为 \\(p\\) 的伯努利分布，方差为 \\(p(1-p)\\)。参数为 \\(\\lambda\\) 的泊松分布，均值和方差均为 \\(\\lambda\\)。正态分布 \\(N(\\mu,\\sigma^2)\\) 的方差为 \\(\\sigma^2\\)，与位置参数 \\(\\mu\\) 无关。这些关系是特定分布族的特征，并不适用于一般的数值数据。(probabilitycourse.com)\n\n方差还可以给出不依赖具体分布的概率界。切比雪夫不等式指出，当方差有限且 \\(t>0\\) 时，\n\n\\[\\Pr(|X-\\mu|\\ge t)\\le\\frac{\\sigma^2}{t^2}.\\]\n\n这一结论不需要正态性假设，但给出的界可能较为宽松。(stats.libretexts.org)"
    },
    {
      "heading": "方差分解与多变量分析",
      "text": "利用条件期望，全方差公式给出\n\n\\[\\operatorname{Var}(X) =\\mathbb E[\\operatorname{Var}(X\\mid Y)] +\\operatorname{Var}(\\mathbb E[X\\mid Y]).\\]\n\n第一项表示按 \\(Y\\) 划分的各组内部的平均变异程度；第二项表示各组均值之间的变异程度。各组的概率用作权重。方差分析也采用类似的方式分解观测数据的平方和，以考察组间差异。(probabilitycourse.com)\n\n对于多个变量，协方差矩阵的对角线元素是各变量的方差，非对角线元素是变量之间的协方差。它将对离散程度的描述扩展到联合测量，而不是孤立地处理每个变量。(online.stat.psu.edu)"
    },
    {
      "heading": "估计、预测与局限性",
      "text": "估计量本身在重复抽样中也具有方差。其均方误差等于其方差加上估计量的偏差的平方。在机器学习中，偏差-方差权衡将这一区分应用于预测：对于固定的输入，预测方差衡量预测结果对不同训练数据样本的敏感程度。在平方误差损失下，预测误差的期望可分解为偏差的平方、预测方差和不可约噪声。包括岭回归在内的正则化方法，可以在引入偏差的同时降低预测方差。(courses.cs.washington.edu)\n\n由于偏差被平方，方差对极端观测值较为敏感。它不能完整描述分布的形状，均值和方差相同也不能证明两个分布相同。当极端值主导数据集时，稳健的离散程度指标可能提供不同于方差或标准差的信息。(probabilitycourse.com)"
    }
  ],
  "links": [
    "probability",
    "statistics",
    "random-variable",
    "expected-value",
    "standard-deviation",
    "probability-distribution",
    "bessels-correction",
    "degrees-of-freedom",
    "covariance",
    "standard-error",
    "bernoulli-distribution",
    "poisson-distribution",
    "normal-distribution",
    "chebyshevs-inequality",
    "conditional-expectation",
    "analysis-of-variance",
    "covariance-matrix",
    "mean-squared-error",
    "estimator-bias",
    "machine-learning",
    "bias-variance-tradeoff",
    "training-data",
    "ridge-regression",
    "regularization"
  ],
  "sources": [
    {
      "title": "probabilitycourse.com/chapter3/3_2_4_variance.php",
      "url": "https://www.probabilitycourse.com/chapter3/3_2_4_variance.php"
    },
    {
      "title": "stats.libretexts.org/Bookshelves/Probability_Theory/Probability_Mathematical_St…",
      "url": "https://stats.libretexts.org/Bookshelves/Probability_Theory/Probability_Mathematical_Statistics_and_Stochastic_Processes_%28Siegrist%29/04%3A_Expected_Value/4.03%3A_Variance"
    },
    {
      "title": "online.stat.psu.edu/stat500/Lesson01",
      "url": "https://online.stat.psu.edu/stat500/Lesson01"
    },
    {
      "title": "online.stat.psu.edu/stat505/Lesson01",
      "url": "https://online.stat.psu.edu/stat505/Lesson01"
    },
    {
      "title": "probabilitycourse.com/chapter5/5_1_5_conditional_expectation.php",
      "url": "https://www.probabilitycourse.com/chapter5/5_1_5_conditional_expectation.php"
    },
    {
      "title": "courses.cs.washington.edu/courses/cse446/24au/schedule/lecture_05/lecture_5.pdf",
      "url": "https://courses.cs.washington.edu/courses/cse446/24au/schedule/lecture_05/lecture_5.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}