方差，那个让你“脸红”的数 想象你拿着一个装了 10 个苹果的大袋子，袋子挺鼓。
这时候你心里有个数，叫“平均每个苹果重几斤”。但这还不够，你突然想问个略微有点贪心点的难题：“嘿，要是我把这袋子里随机抓出一手，这手能平均拿几斤？”这时候，你脑子里那个“手”并不是一个具体的苹果，而是一批次数据。 这就是方差。 别被名字骗了，方差不是那个描述数据稳不稳的形容词，它是你用来衡量“手”有多大把握的度量衡。说个好办的例子，假设你扔下 10 次硬币，每次正面概率都是 50%，算出来的平均结局就是 50%。但这事儿挺玄乎，有时候正面全中，有时候全反面，有时候三轮就飘了。
这时候，方差就是那个告诉你：你之前那 10 次扔法，到底靠谱不靠谱，方差大说明这运气没稳，方差小说明这手感这就准。 大量人认定方差就是“平均数的平方差”，这话听着顺耳，但那是直白的定义。要真正摸透它，得把数据的分布图给翻个跟头。 假设咱们手头有四个数：10，20，30，40。平均数如何算？直接加总除以 4，结局是 25。
这也没毛病。但这四个数，你扔进沙坑里，那波动有多剧烈？要是你直接算 $((10-25)^2 + (20-25)^2 + (30-25)^2 + (40-25)^2)$，结局确实是一个正数，代表了“彼此靠得近”的程度。但你看，要是我把那个 40 换成 10，变成 10，20，30，40 四个数，平均数不变，方差却瞬间变成了 0。
这就挺有意思了。方差越大，说明这组数的数据像风一样乱，离平均数越远的人越多；方差越小，数据像一条河，大家离平均值越近，越规整。 那为啥不用这个正数，而要用平方呢？这就得说说数学里的“代价”了。算术平均法的平方是凸函数，它喜爱放大那些离得远的数。
比方说，你有一个数 100 和一个数 0。算术平均是 50，平方差就是 $50^2$ 和 $0^2$。但要是你说 $50^2$ 和 $(-50)^2$，结局一样；但要是你说 $100^2$ 和 $0^2$，那平方之后，100 贡献到了几千的体重。数学上有个原理，叫“平方效应”，它拼命拉住那些离得挺远的数，让平均值往正中间靠。
故此，平方之后，方差就不再是一个单纯的差值，它变成了一种“距离的幅度”，比单纯的差值更能体现数据的离散程度。 不过，方差最大的难题在于它的单位。
要是你算的是身高，平均身高 175cm，方差 25。
那这 25 代表啥呢？是 25 厘米吗？不是，是标准差的平方。
故此，方差 = 标准差的平方，这是一个绕不那会儿的坎。标准差是个“平方的根”，它把单位从“平方单位”拉回到了“原始单位”。
要是你算的是成绩，平均 80 分，方差 10。
这时候 10 代表啥？代表标准差是 $sqrt{10} approx 3.16$ 分。
这意味着，95% 的同学，分数会在 $80 pm 3.16$ 之间徘徊。而要是是方差 10，你就得自己开根号才能知道这圈半径是多少。 再想一个数据分布的模型。正态分布，也就是高斯分布，是自然界里最常见的样子。
比如气温，要么人的身高，它们都遵循这个规律，中间高，两边低。在这个模型里，数据越往中间靠，方差越小；数据越往两边跑，方差越大。当你拿到一堆乱七八糟的数，比如 5, 6, 7, 8, 9, 10，正态分布模型会告诉你，这个数据的方差比 5, 100, 15, 20, 25, 30 要小得多。
为啥？出于大局部数据都挤在 5 到 10 这个窄巴的区间里，离平均值 7.5 忒近了，互不相上下。
反之，要是数据像骰子一样，四个 1，一个 2，一个 3，一个 4，一个 5，那离平均值的距离就千差万别，方差自然就爆炸性大了。 这时候，你可能会问，能不能用标准差？自然能够。
实际上，方差和标准差在本质上是一回事，只是包装不同。一个喜爱用“平方”打架，一个喜爱用“开根号”来灭火。
要是你做报表，喜爱见方框，用方差，那没难题；要是你做统计分析，要么揪心被领导指着鼻子问“那 26.96 是如何来的”，标准差就稳了。它直接告诉你数据的“半径”有多宽。 并且，方差对“异常值”特别敏感。
这东西有个缺点，就是它要是某个数据特别离谱，比如全世界一共 100 个人，有 99 个人是 170cm，你突然多出来一个 250cm 的巨人。方差会瞬间变得庞大，出于那个 250 离平均值 170 忒远了。
这时候，要是你用标准差，别看受影响的程度也差不多，但你能感觉到一个明显的趋势：数据忒多了，并且质量没法保证。 故此在实际应用中，别总盯着方差不放。
有时候，那个离群值本身就是一个合理的样本，比如你测试手机电池的寿命，有 90 次正常是 5000 小时，突然出现 30 小时，这时候说方差爆表也没毛病，出于这 30 小时就是异常点，务必单独分析。但要是你发现数据本身就挺散，离均值忒远了，那大约率就是数据本身的难题，要么样本忒碎了。
这时候，标准差或许是个更直观的导航仪，能让你一眼看出这数据到底能不能信。 最终，方差公式最核心的那个推导步骤，实际上就在一句话里：把每个数据点减去平均数，拿到偏差，再把偏差的平方加起来，再除以个数（要么个数减 1）。
这个步骤看似好办，但要注意分母。
要是是总体方差，除的是 $n$；要是是样本方差，除的是 $n-1$。$n-1$ 是出于你要估摸总体，而不是直接用来描述这组样本本身。多除一个，是为了让估摸更准，避免“幸存者偏差”带来的误差。 故此，下次再遇到方差，别死记公式。把它当成一个度量“离散程度”的工具，看完它的分布图，算算标准差，就连跟那些离群值聊聊，你就能明白，方差到底在讲啥。它不只是个数字，它是数据背后跳跃的轨迹，是你能否抓住那一点点“规律”的试金石。
