求方差的方法和公式-求方差公式与常用方法

方差这个东西啊，说白了就是用来衡量数据“散”不散的。想象一下你手里拿着两个袋子，装满了不同重量的石子。一个袋子全是 1 公斤的，另一个全是 5 公斤的，那方差就是 2 公斤；但要是第一个袋子里有 1 公斤、2 公斤、3 公斤，第二个全是 5 公斤，那方差就小多了，出于 1 到 5 之间波动得没那么夸张。 在统计学里，求方差的核心逻辑实际上就一件事：先算出平均数，再算出每个数据跟这个平均数差值的平方，最终加起来算出来。
这步最关键的，就是得把每一个数都减去平均数，别偷懒直接相减，平方之后再求和，这个顺序不能乱，否则意义就不一样了。
比如咱们算一下一组数据 1、2、3、4、5 的方差，平均数肯定是 3。
那 1 减 3 是 -2，平方是 4；2 减 3 是 -1，平方是 1；3 减 3 是 0，平方还是 0；4 减 3 是 1，平方是 1；5 减 3 是 2，平方也是 4。把这些数加起来：4+1+0+1+4，一共是 10。最终除以个数 5，得 2。
这个结局告诉你，这组数据平均波动在 2 左右。
要是除以 4 呢？那就是 2.5，本质一样，但分母不同，解释的“稳定性”范围略微窄一点，出于没加上方差忒小的那个 0。 大量人一启动一听到“方差”，脑子里蹦出来的都是 $((x-bar{x})^2)/n$ 这种标准公式，认定记不住公式就忒笨了，实际上没必要如此死记硬背。
你看这公式本身啊，分母 $n$ 实际上就是你研究对象的规模，人均方差直接除以样本量，相当于把标准差拉小一点，要么说是把波动感稀释一点。
要是分母是 $n-1$，那叫无偏估摸，是为了让平均数的偏差调得平均一点，这在统计分析里挺常见，但在求单个数据集本身的方差时，除以 $n$ 最顺。 举个生活里的例子吧，咱们平时看天气预报。连续三天，明天晴、小雨、阴沉。平均来说就是多云。
那晴天和雨天的“方差”大约就是 3 和 0；但要是连续三天全是晴天的，方差就是 0，这俩天连续不出雨，特别稳；要是连续三天全是暴雨，方差也是 0，但你是得备好降落伞的。方差大，说明这天儿变化大；方差小，说明天天都在差不多一样。 再讲个略微硬核点的，比如你跑 10 公里，今天跑了 40 分，昨天跑了 42 分。你算个方差，平均跑 41 分，40 分跟 41 差 1 分，平方是 1；42 分跟 41 差 1 分，平方也是 1。
这俩单子的方差加起来是 2，说明你这两天的表现波动挺小，特别稳定。但要是今天你跑了 40 分，昨天跑了 55 分，平均还是 47.5 分，40 分离得远，平方变成 40 多了，55 分也是，平方也变大了。
这时候方差就挺大了，说明你状态忽快忽慢，不稳定。 实际上方差计算起来挺好办的，就是套公式就行，别想忒多。在 Excel 里，你直接写 `=(A2:A10-AVERAGE(A2:A10))^2` 就能算出一组数据的方差，按回车就行。
要么用 Python，`import pandas as pd; df = pd.read_csv(); df['var'] = ((df['value'] - df['value'].mean())2).sum() / len(df)`，一行代码搞定。别看写代码可能比手写公式累，但手动写出来也能算，只是得注意一下除小数点后面位数的难题，不然结局就乱了。 有时候我们会问，方差和标准差有区别吗？区别不大，就是标准差直接开根号。标准差本身有时候更直观一些，出于它有长度单位。
比如身高标准差是 5 厘米，那个身高就比平均值多长/少长长 5 厘米。而方差是标准差的平方，单位变成平方厘米了，这时候再翻根号回厘米，意义就回到了身上了。 最终总结一下，求方差就是离均差平方的平均，核心是“平”，核心是“均”。数据越聚拢，平方和越小，方差就越小；数据越分散，平方和越大，方差就越大。
只要掌握了这个逻辑，不管是做题还是分析数据，都能挺快搞懂。别总想着找复杂的技巧，把公式记个大约，理解它代表啥意思，比背得死板更关键。