KNOWECON WIKI

ARTICLE

方差 (Variance)

方差 (Variance) 方差 (Variance) 是概率论与数理统计中的一个核心概念，用于度量随机变量或一组数据的离散程度。它描述了数据点相对于其期望值（或均值）的分布广度，是衡量数据波动性的最重要指标之一。方差越大，表明数据分布越分散；方差越小，则表明数据越集中于均值附近。方差的平方根称为标准差，在实际应用中，标准差因其与原数据相同的量纲而更易于解释

浏览 0 更新 2026-05-25

方差 (Variance)

方差 (Variance) 是概率论与数理统计中的一个核心概念，用于度量随机变量或一组数据的离散程度。它描述了数据点相对于其期望值（或均值）的分布广度，是衡量数据波动性的最重要指标之一。方差越大，表明数据分布越分散；方差越小，则表明数据越集中于均值附近。方差的平方根称为标准差，在实际应用中，标准差因其与原数据相同的量纲而更易于解释。

一、方差的定义

1.1 随机变量的方差

设 XX 是一个随机变量，其期望值（均值）为 μ=E[X]\mu = \mathbb{E}[X]，则 XX 的方差定义为随机变量与其均值偏差的平方的期望：

Var⁡(X)=E[(X−μ)2]\operatorname{Var}(X) = \mathbb{E}\left[(X - \mu)^2\right]

这个定义表明，方差本质上是所有可能取值与均值距离平方的加权平均，权重由概率分布决定。

1.2 离散型随机变量的方差

若 XX 是离散型随机变量，其可能取值为 x1,x2,…,xnx_1, x_2, \ldots, x_n，对应的概率为 p1,p2,…,pnp_1, p_2, \ldots, p_n，则方差为：

Var⁡(X)=∑i=1npi(xi−μ)2\operatorname{Var}(X) = \sum_{i=1}^{n} p_i (x_i - \mu)^2

当所有概率相等时（即 pi=1/np_i = 1/n），上式简化为：

Var⁡(X)=1n∑i=1n(xi−μ)2\operatorname{Var}(X) = \frac{1}{n} \sum_{i=1}^{n} (x_i - \mu)^2

1.3 连续型随机变量的方差

若 XX 是连续型随机变量，其概率密度函数为 f(x)f(x)，则方差为：

Var⁡(X)=∫−∞∞(x−μ)2f(x) dx\operatorname{Var}(X) = \int_{-\infty}^{\infty} (x - \mu)^2 f(x) \, dx

二、总体方差与样本方差

在实际应用中，必须区分总体方差和样本方差，这两者的定义和计算方式存在关键差异。

2.1 总体方差

总体方差是描述整个总体离散程度的参数，记作 σ2\sigma^2。当总体均值 μ\mu 已知时，总体方差的计算公式为：

σ2=1N∑i=1N(xi−μ)2\sigma^2 = \frac{1}{N} \sum_{i=1}^{N} (x_i - \mu)^2

其中 NN 为总体大小。

2.2 样本方差

在实际研究中，我们往往只能获得样本数据。样本方差是总体方差的估计量，记作 s2s^2。为保证样本方差是总体方差的无偏估计，其计算公式中使用 n−1n-1 作为分母（即贝塞尔校正）：

s2=1n−1∑i=1n(xi−xˉ)2s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2

其中 nn 为样本容量，xˉ\bar{x} 为样本均值。这种调整的原因是样本均值 xˉ\bar{x} 本身是从数据中计算得出的，导致自由度损失一个。

三、方差的计算简化公式

直接利用定义计算方差往往较为繁琐，实际计算中常使用以下简化公式：

Var⁡(X)=E[X2]−(E[X])2\operatorname{Var}(X) = \mathbb{E}[X^2] - (\mathbb{E}[X])^2

对于样本数据，对应的简化公式为：

s2=1n−1(∑i=1nxi2−nxˉ2)s^2 = \frac{1}{n-1} \left( \sum_{i=1}^{n} x_i^2 - n\bar{x}^2 \right)

或等价地：

s2=1n−1[∑i=1nxi2−1n(∑i=1nxi)2]s^2 = \frac{1}{n-1} \left[ \sum_{i=1}^{n} x_i^2 - \frac{1}{n} \left( \sum_{i=1}^{n} x_i \right)^2 \right]

这些公式避免了重复计算每个数据点与均值的偏差，大大提高了计算效率。

四、方差的主要性质

方差具有一系列重要的数学性质，这些性质在理论推导和实际计算中至关重要：

  1. 非负性：对于任意随机变量 XX，有 Var⁡(X)≥0\operatorname{Var}(X) \geq 0，且 Var⁡(X)=0\operatorname{Var}(X) = 0 当且仅当 XX 几乎必然等于某个常数。
  2. 常数的方差为零：若 cc 为常数，则 Var⁡(c)=0\operatorname{Var}(c) = 0。常数没有波动性。
  3. 线性变换性质：对于任意常数 aa 和 bb，有： \[ \operatorname{Var}(aX + b) = a^2 \operatorname{Var}(X) \] 这表明对随机变量进行平移不影响其方差，而缩放则以平方倍数影响方差。
  4. 独立随机变量之和的方差：若 XX 与 YY 相互独立，则： \[ \operatorname{Var}(X + Y) = \operatorname{Var}(X) + \operatorname{Var}(Y) \] 这一性质可推广至 nn 个相互独立的随机变量。
  5. 一般情况下的方差加法公式：对任意两个随机变量： \[ \operatorname{Var}(X + Y) = \operatorname{Var}(X) + \operatorname{Var}(Y) + 2\operatorname{Cov}(X, Y) \] 其中 Cov⁡(X,Y)\operatorname{Cov}(X, Y) 为协方差，反映两个变量的线性相关性。

五、方差与标准差

标准差 (Standard Deviation) 是方差的平方根，总体标准差记作 σ\sigma，样本标准差记作 ss：

σ\sigma = σ2\sqrt{\sigma^2}, \quad s = s2\sqrt{s^2}

虽然方差在数学运算中具有优良的性质（如方差分解、最小二乘法等），但其量纲是原始数据的平方，在实际解释中不够直观。标准差恢复了与原始数据相同的量纲，因此在描述性统计中更为常用。两者共同构成现代风险度量的基石。

六、方差的统计意义

6.1 作为二阶中心矩

方差是随机变量的二阶中心矩，反映了概率分布的离散特征。在矩的体系中，一阶矩是均值（位置参数），二阶矩是方差（尺度参数），三阶和四阶中心矩分别对应偏度和峰度，描述分布的形状特征。

6.2 方差与数据分布

方差与切比雪夫不等式密切相关：对于任意分布，至少有 1−1/k21 - 1/k^2 的数据落在均值 ±k\pm k 个标准差的范围内。这一结论不依赖于具体分布形态，体现了方差作为离散程度度量的普适性。

在正态分布中，方差具有更精确的解释：约 68.27\% 的数据落在 μ±σ\mu \pm \sigma 内，约 95.45\% 落在 μ±2σ\mu \pm 2\sigma 内，约 99.73\% 落在 μ±3σ\mu \pm 3\sigma 内。这一经验法则构成了质量控制和异常值检测的理论基础。

6.3 方差在统计推断中的作用

方差在统计推断中占据核心地位：

  1. 假设检验：在 tt 检验、FF 检验和方差分析中，样本方差是构建检验统计量的关键组成部分。
  2. 回归分析：在线性回归中，残差的方差用于评估模型的拟合优度，并计算回归系数的标准误。
  3. 置信区间：均值等参数的置信区间构建依赖于方差的估计。
  4. 大数定律与中心极限定理：这两个极限定理描述了样本均值在方差有限条件下的渐近行为，是整个推断统计学的理论基础。

七、方差的经济金融应用

7.1 风险管理与投资组合理论

在金融经济学中，方差（及标准差）是度量风险的首要指标。现代投资组合理论（Modern Portfolio Theory）由哈里·马科维茨提出，其核心思想是：在期望收益相同的情况下，投资者偏好方差更小的投资组合。资产的期望收益衡量回报，而收益的方差衡量风险。

投资组合的方差不仅取决于各资产的个体方差，还取决于资产间的协方差。对于包含 nn 种资产的组合，其方差为：

σp2=∑i=1nwi2σi2+∑i≠jwiwjσij\sigma_p^2 = \sum_{i=1}^{n} w_i^2 \sigma_i^2 + \sum_{i \neq j} w_i w_j \sigma_{ij}

其中 wiw_i 为资产 ii 的权重，σi2\sigma_i^2 为其方差，σij\sigma_{ij} 为资产 ii 与 jj 的协方差。

7.2 期权定价

在期权定价模型中，标的资产收益率的方差（或波动率）是决定期权价值的关键参数。布莱克-舒尔斯模型中，波动率 σ\sigma 直接出现在定价公式中，反映了标的资产价格的不确定性。

7.3 宏观经济波动

在宏观经济学中，主要经济变量（如 GDP 增长率、通货膨胀率、失业率）的方差用于度量经济周期的波动幅度。政策制定者通常致力于降低这些变量的方差，以实现经济稳定。

7.4 质量管理与六西格玛

在质量管理领域，方差用于度量生产过程的稳定性。六西格玛（Six Sigma）方法论的目标是将过程方差控制在极低水平，使得缺陷率不超过百万分之 3.4。

八、方差的推广与扩展

8.1 协方差矩阵

对于多维随机向量 X=(X1,X2,…,Xp)T\mathbf{X} = (X_1, X_2, \ldots, X_p)^T，其协方差矩阵是一个 p×pp \times p 的对称矩阵，对角线元素是各分量的方差，非对角线元素是分量间的协方差：

\Sigma = \begin{pmatrix}

Var⁡\operatorname{Var}(X1X_1) \& Cov⁡\operatorname{Cov}(X1X_1, X2X_2) \& \cdots \& Cov⁡\operatorname{Cov}(X1X_1, XpX_p) \\ Cov⁡\operatorname{Cov}(X2X_2, X1X_1) \& Var⁡\operatorname{Var}(X2X_2) \& \cdots \& Cov⁡\operatorname{Cov}(X2X_2, XpX_p) \\ \vdots \& \vdots \& \ddots \& \vdots \\ Cov⁡\operatorname{Cov}(XpX_p, X1X_1) \& Cov⁡\operatorname{Cov}(XpX_p, X2X_2) \& \cdots \& Var⁡\operatorname{Var}(XpX_p)

\end{pmatrix}

协方差矩阵是多元统计分析的基础工具，广泛应用于主成分分析、因子分析和判别分析等方法中。

8.2 条件方差

在时间序列分析和计量经济学中，条件方差是一个重要概念。它表示在给定某些信息集下，随机变量的方差。例如，在ARCH模型和GARCH模型中，条件方差被用于建模金融时间序列的异方差性（波动性聚集现象）。

8.3 方差分解

在方差分析中，总方差被分解为不同来源的方差分量，以检验各因素对因变量的影响是否显著。这种分解思想是实验设计的理论基础。

九、方差的局限性

尽管方差应用广泛，但也存在局限性：

  1. 对异常值敏感：由于使用平方运算，方差对极端值极为敏感，可能被少数异常值主导。
  2. 仅反映离散程度：方差不提供关于分布形状的信息，两个分布可能有相同方差但形态迥异。
  3. 量纲问题：方差的单位为原始单位的平方，解释性不如标准差。

因此，在实际分析中，方差常与其他统计量（如均值、中位数、偏度、峰度）结合使用，以全面描述数据特征。在稳健统计中，研究者也会考虑使用平均绝对偏差等对异常值不敏感的替代度量。

十、计算示例

假设某股票在过去 5 个交易日的收益率（\%）分别为：2.1, -0.5, 3.2, 1.8, -1.2。计算其样本方差。

计算过程：

  1. 计算样本均值：xˉ=(2.1−0.5+3.2+1.8−1.2)/5=1.08\bar{x} = (2.1 - 0.5 + 3.2 + 1.8 - 1.2)/5 = 1.08\%
  2. 计算各偏差平方： \begin{itemize}
  3. (2.1−1.08)2=1.0404(2.1 - 1.08)^2 = 1.0404
  4. (−0.5−1.08)2=2.4964(-0.5 - 1.08)^2 = 2.4964
  5. (3.2−1.08)2=4.4944(3.2 - 1.08)^2 = 4.4944
  6. (1.8−1.08)2=0.5184(1.8 - 1.08)^2 = 0.5184
  7. (−1.2−1.08)2=5.1984(-1.2 - 1.08)^2 = 5.1984 \end{itemize}
  8. 求和：∑(xi−xˉ)2=13.748\sum (x_i - \bar{x})^2 = 13.748
  9. 计算样本方差：s2=13.748/(5−1)=3.437s^2 = 13.748/(5-1) = 3.437 （\%²）

因此，该股票收益率的样本方差为 3.437 个百分点平方，标准差为 3.437≈1.854\sqrt{3.437} \approx 1.854\%。

总结

方差作为度量离散程度的核心工具，在数学理论、统计推断和实际应用中均占据不可替代的地位。理解方差的定义、性质和计算方法，掌握总体方差与样本方差的区别，以及认识其在各领域中的应用，是深入学习统计学、计量经济学和金融工程的必要基础。