方差

方差（英语：Variance），应用数学里的专有名词。在概率论和统计学中，一个随机变量的方差描述的是它的离散程度，也就是该变量离其期望值的距离。一个实随机变量的方差也称为它的二阶矩或二阶中心动差，恰巧也是它的二阶累积量。这里把复杂说白了，就是将各个误差之平方（而非取绝对值，使之肯定为正数），相加之后再除以总数，透过这样的方式来算出各个数据分布、零散（相对中心点）的程度。继续延伸的话，方差的正平方根称为该随机变量的标准差（此为相对各个数据点间），方差除以期望值归一化的值叫分散指数，标准差除以期望值归一化的值叫变异系数。设X为服从分布F的随机变量， 如果E是随机变数X的期望值（平均数μ=E） 随机变量X或者分布F的方差为：这个定义涵盖了连续、离散、或两者都有的随机变量。方差亦可当作是随机变量与自己本身的协方差(或协方差)：方差典型的标记有Var(X),　 σ X 2 {displaystyle scriptstyle sigma _{X}^{2}} ,　或是 σ 2 {displaystyle sigma ^{2}} ，其表示式可展开成为：上述的表示式可记为"平方的期望减掉期望的平方"。如果随机变量X是具有概率质量函数的离散概率分布x1 ↦ p1, ..., xn ↦ pn，则：此处 μ {displaystyle mu } 是其期望值, i.e.当X为有N个相等概率值的平均分布：N个相等概率值的方差亦可以点对点间的方变量表示为：如果随机变量X是连续分布，并对应至概率密度函数f(x)，则其方差为：此处 μ {displaystyle mu } 是一期望值，且此处的积分为以X为范围的x定积分（definite integral） 如果一个连续分布不存在期望值，如柯西分布（Cauchy distribution），也就不会有方差（不予定义）。方差不会是负的，因为次方计算为正的或为零：一个常数随机变量的方差为零，且当一个资料集的方差为零时，其内所有项目皆为相同数值：方差不变于定位参数的变动。也就是说，如果一个常数被加至一个数列中的所有变量值，此数列的方差不会改变：如果所有数值被放大一个常数倍，方差会放大此常数的平方倍：两个随机变量合的方差为：此数Cov(., .)代表协方差。 对于 N {displaystyle N} 个随机变量 { X 1 , … , X N } {displaystyle {X_{1},dots ,X_{N}}} 的总和：在样本空间Ω上存在有限期望和方差的随机变量构成一个希尔伯特空间： L2（Ω, dP），不过这里的内积和长度跟协方差，标准差还是不大一样。 所以，我们得把这个空间“除”常变量构成的子空间，也就是说把相差一个常数的 所有原来那个空间的随机变量做成一个等价类。这还是一个新的无穷维线性空间， 并且有一个从旧空间内积诱导出来的新内积，而这个内积就是协方差。如果X是一个向量其取值范围在实数空间Rn，并且其每个元素都是一个一维随机变量，我们就把X称为随机向量。随机向量的方差是一维随机变量方差的自然推广，其定义为E，其中μ = E(X)，XT是X的转置。这个方差是一个非负定的方阵，通常称为协方差矩阵。如果X是一个复数随机变量的向量（向量中每个元素均为复数的随机变量），那么其方差定义则为E，其中X*是X的共轭转置向量或称为埃尔米特向量。根据这个定义，方差为实数。“方差”（variance）这个名词率先由罗纳德·费雪（英语：Ronald Fisher）在论文《The Correlation Between Relatives on the Supposition of Mendelian Inheritance》中提出。后来“半方差”（semi variance（英语：semivariance）），“亚方差”（hypo variance）“超方差”，（super variance）与“圆方差”（circular variance（英语：circular variance））等类似概念也被逐渐延伸出去。