KNOWECON WIKI

ARTICLE

Population Variance

总体方差（Population Variance）是描述总体中所有观测值与其均值之间离散程度的核心统计量。它衡量的是数据的变异程度或分散程度，是推断统计与描述统计中最为基础的概念之一。总体方差的平方根即为总体标准差，两者共同构成了量化数据波动性的标准工具。与样本方差不同，总体方差以整个总体为计算对象，分母直接使用总体容量 N ，而非 N-1 。 1. 定义与

浏览 0 更新 2025-11-08

总体方差（Population Variance）是描述总体中所有观测值与其均值之间离散程度的核心统计量。它衡量的是数据的变异程度或分散程度，是推断统计与描述统计中最为基础的概念之一。总体方差的平方根即为总体标准差，两者共同构成了量化数据波动性的标准工具。与样本方差不同，总体方差以整个总体为计算对象，分母直接使用总体容量 N N ，而非 N−1 N-1 。

1. 定义与计算公式

设总体中包含 N N 个观测值 X1,X2,…,XN X_1, X_2, \dots, X_N ，总体均值为 μ \mu ，则总体方差 σ2 \sigma^2 的定义式为：

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

该公式的含义是：先计算每个观测值与总体均值的偏差，求其平方以消除正负号，再取算术平均值。平方运算的引入使得方差对极端值（离群点）较为敏感，因为大的偏差在平方后会被进一步放大。在实际手算中，常使用等价形式以简化计算：

σ2=1N∑i=1NXi2−μ2\sigma^2 = \frac{1}{N} \sum_{i=1}^{N} X_i^2 - \mu^2

这一计算变体利用了平方和与均值的关系，被称作"计算型公式"（Computational Formula），在手工计算时能有效避免多次计算偏差的繁琐步骤。

2. 总体方差与样本方差的区别

理解总体方差与样本方差的区别是统计学入门的关键。总体方差 σ2 \sigma^2 针对的是一个确定且完整的总体，其参数值在理论上是固定的常数。然而，在绝大多数实际研究中，研究者无法获取全部总体数据，而只能从总体中抽取一个样本。此时，样本方差 S2 S^2 被用作总体方差的无偏估计量，其计算公式为：

S2=1n−1∑i=1n(Xi−Xˉ)2S^2 = \frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2

分母使用 n−1 n-1 而非 n n ，这一修正被称为"贝塞尔校正"（Bessel's Correction）。其原因是样本均值 Xˉ \bar{X} 是总体均值 μ \mu 的估计量，样本观测值围绕样本均值的平方和通常会略小于围绕总体均值的平方和。使用 n−1 n-1 作为分母恰好补偿了这一偏差，使得 S2 S^2 的期望值等于 σ2 \sigma^2 。

| 特征 | 总体方差 σ2 \sigma^2 | 样本方差 S2 S^2 | |------|-------------------|---------------| | 分母 | N N | n−1 n-1 | | 对象 | 全部总体单位 | 样本子集 | | 性质 | 固定参数（常数） | 随机变量（随样本变化） | | 用途 | 描述总体离散程度 | 推断总体方差 |

3. 方差的数学性质

总体方差具有若干重要的数学性质，使其在概率论和数理统计中扮演着不可或缺的角色。

性质一（非负性）： σ2≥0 \sigma^2 \geq 0 ，等号成立当且仅当所有观测值相等。这意味着当数据完全无变异时，方差为零。

性质二（线性变换）： 设 Y=aX+b Y = aX + b ，其中 a a 和 b b 为常数，则 Var(Y)=a2Var(X) Var(Y) = a^2 Var(X) 。由此可知，向数据加上一个常数不影响方差，而乘以常数 a a 则使方差放大 a2 a^2 倍。

性质三（独立可加性）： 若 X X 与 Y Y 为相互独立的随机变量，则 Var(X+Y)=Var(X)+Var(Y) Var(X + Y) = Var(X) + Var(Y) 。这一性质是方差分析（ANOVA）理论的基础，也是多元统计分析中协方差矩阵对角元素的由来。

性质四（切比雪夫不等式）： 对于任意 k>0 k > 0 ，至少有 1−1/k2 1 - 1/k^2 的观测值落在均值 μ \mu 的 k k 个标准差范围之内。无论数据的分布形态如何，这一不等式均成立，它揭示了方差作为离散度量的普适性。

4. 总体方差的应用

4.1 假设检验与置信区间

在单样本均值检验中，若总体方差 σ2 \sigma^2 已知，则可使用 Z Z 检验来检验总体均值是否等于某一特定值。此时，检验统计量 Z=Xˉ−μ0σ/n Z = \frac{\bar{X} - \mu_0}{\sigma / \sqrt{n}} 服从标准正态分布。若总体方差未知，则需用样本标准差 S S 替代 σ \sigma ，并使用 t t 分布进行推断。这一差异体现了总体方差在推断统计中的枢纽地位——它直接决定了检验统计量的分布形式。

4.2 效应量度量

总体方差还用于计算各种效应量指标，最典型的是科恩的 d d （Cohen's d d ），定义为两组均值之差除以总体标准差。效应量指标帮助研究者评估差异的实际显著性，而非仅仅依赖 p p 值的统计显著性。

4.3 方差分解

在实验设计和方差分析中，总体方差可以被分解为组间方差和组内方差两个部分。组间方差反映了不同处理组之间均值的差异，而组内方差则衡量同一处理内部个体的随机波动。两者的比值（F F 统计量）构成了方差分析的核心逻辑基础。

5. 总体方差与概率分布

不同概率分布的方差刻画了其特有的散布特征。对于正态分布 N(μ,σ2) N(\mu, \sigma^2) ，参数 σ2 \sigma^2 直接决定了分布的"胖瘦"程度：方差越大，分布曲线越扁平，极端值出现的概率越高。对于二项分布 Binomial(n,p) Binomial(n, p) ，方差为 np(1−p) np(1-p) ，在 p=0.5 p=0.5 时达到最大，此时数据的不确定性最高。对于均匀分布，方差为 (b−a)2/12 (b-a)^2 / 12 ，反映了区间宽度对离散程度的影响。泊松分布的方差等于其均值 λ \lambda ，这一"方差等于均值"的性质是判断数据是否可能服从泊松分布的重要依据。

6. 总体方差的局限性

尽管总体方差是离散度的标准度量，但它并非适用于所有场景。首先，方差对极端值高度敏感，一个离群点就可能使方差大幅膨胀。在这种情况下，四分位距（Interquartile Range）或中位数绝对偏差（Median Absolute Deviation）是更稳健的选择。其次，方差的量纲与原始数据的量纲不一致——方差的单位是原始数据单位的平方，这降低了其解释的直观性。因此，在实际报告中使用标准差更为常见。最后，对于具有厚尾或高度偏态的分布，方差可能不是离散度的最理想刻画方式，此时基于分位数的离散度量更为可靠。

7. 参考文献

  • Casella, G., \& Berger, R. L. (2024). *Statistical Inference* (2nd ed.). Cengage Learning.
  • Wackerly, D. D., Mendenhall, W., \& Scheaffer, R. L. (2008). *Mathematical Statistics with Applications* (7th ed.). Brooks/Cole.
  • DeGroot, M. H., \& Schervish, M. J. (2012). *Probability and Statistics* (4th ed.). Pearson.
  • Cohen, J. (1988). *Statistical Power Analysis for the Behavioral Sciences* (2nd ed.). Lawrence Erlbaum Associates.
  • 陈希孺. (2009). *概率论与数理统计*. 中国科学技术大学出版社.