方差常用公式推导过程-方差公式推导过程

方差这东西，听起来挺玄乎，实际上就是看数据“乱不乱”。说大白话，要是说平均数是个“偷换”的概念，把数据抹平成一条线，那方差就是那个“找回原形”的过程。它不追求规整划一的完美，而是关切每个数据点跟均值有多远。
要是大家都挤在一个点上，方差就是零，这就有点离谱；要是数据散得按照正态分布那样，方差就大得吓人；要是数据全在那儿，方差就是无穷大，那这统计意义根本等于没意义。 咱们先拿个例子算算看。假设你扔了三个石头，重量分别是 1、5、9 公斤。
哎，平均下来是 5 公斤。
这时候你心里有个小算盘：第一个石头正好在平均值上，没跑多远，贡献的“偏差”是 0；第二个石头跑了 4 公斤，贡献的是 16；第三个石头跑了 4 公斤，也是 16。加起来总共跑了 32，除以 3 个石子，平均每次跑 10.66。
这就叫平均方差。 但这玩意儿在理解数据分布的时候，往往不够严谨。出于要是有个石头是 100 公斤呢，那它跑了 95，贡献也是 95，结局还是 10.66，这就不对了。
这说明平均值在“打架”，它把远处的数据拉偏了。
这时候，方差就浮现出来做牛做马了。方差实际上是把所有数据点跟平均值做减法，然后平方再加起来，最终除以个数。
为啥要平方？出于负负得正啊，绝对值肯定不能直接加，这样没法代表“距离”的累积效应。平方之后，远处的点权重变大了，近处的点权重变小了，整个分布就“胖”起来了。 你看这个例子，1 和 9 离平均值 5 的差距比 5 离平均值 2 的差距大得多。
要是只算绝对差（绝对离差方差），那 9 的和 1 的权重是一样的，这就没法区分“远”和“近”了。平方之后，那个 9 的权重瞬间爆炸变大，整个方差自然也就飙升了。
这就是方差最了得的地方，它强迫你把每个数据点都拉得和距离一样长，彻底消灭了方向性的信息，只剩下“离得有多远”这个量化的概念。 实际上方差还有个深意，它跟“偏差平方和”是一回事，只是加了个系数。
你想想，要是方差是 0，说明所有数据都一样，那偏差平方和也就是 0。
要是数据全在均值周围转圈，偏差平方和就挺大。
不过有个难题，自由度得减一。出于我们要算平均值，平均值的计算本身也消耗掉了一个数据点，故此分母要是 N-1，这就是贝塞尔校正，不是勒内·贝塞尔（Jean-Baptiste Bessel）那个著名的误差公式。
要是直接除以 N，那就是无偏估摸量，本来就没得比，反正都是平均值嘛。 再说说正态分布，这可是方差的金标准。在正态分布里，均值和方差是绑死的。方差大，尾巴就长，说明有极端值；方差小，数据就挤在个窄窄的筒里。
要是你画个正态分布图，你会发现，别看形状变圆了，但面积总和还得是 1。
这就是为啥在统计学里，当我们说“标准差”多时，往往也意味着“方差”大，出于标准差本身就是方差的平方根。 还有一件挺逗的事，就是方差不受样本影响的大小。
也就是说，甭管你拿多少个样本去算方差，只要样本分布不变，方差就是个定值。
要是拿超样本去算，方差就变小了，出于超样本多了，那些“离群点”概率就低了，数据更好办往均值汇聚。
这正好解释了为啥我们在做统计推断时，常听到“大数定律”，样本越大，统计量越接近真值，方差也就越稳定。 有些时候，我们就连会把方差当成一个独立的变量来研究，特别是在工夫序列分析要么金融市场上。
要是两个变量的方差高度相关，说明它们一起涨一起跌，波动同步；要是方差独立，说明一个涨另一个跌的可能性大。
这时候方差的大小直接拍板了预测的鲁棒性。 最终说回核心。方差不是为了好看而存有的，它是数据的肌肉。它让僵硬的数据有了弹性，让凌乱的信息有了秩序。
没有方差，平均数就是个死板的中庸，丧失了对极端情况的关照。当我们看到一组数据方差挺大时，就意味着数据里有突发、有波动、有人为干扰，这时候就不能硬套公式去算平均值，得先看看数据到底如何动的。方差是理解和衡量这个世界凌乱程度的最好尺子，哪怕它在那儿喊累，也是为了让统计变得更有味道。