方差的计算公式是什么

方差是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。方差的算术平方根称为该随机变量的标准差。

方差计算公式

方差是各个数据与其算术平均数的离差平方和的平均数，在实际计算中，我们用以下公式计算方差。

常见方差公式

（1）设c是常数，则D(c)=0。

（2）设X是随机变量，c是常数，则有D(cX)=(c²)D(X)。

（3）设X与Y是两个随机变量，则

D(X+Y)=D(X)+D(Y)+2E{[X-E(X)][Y-E(Y)]}

特别的，当X，Y是两个相互独立的随机变量，上式中右边第三项为0（常见协方差），

则D(X+Y)=D(X)+D(Y)。此性质可以推广到有限多个相互独立的随机变量之和的情况。

（4）D(X)=0的充分必要条件是X以概率为1取常数值c，即P{X=c}=1，其中E(X)=c。

（5）D(aX+bY)=a²DX+b²DY+2abE{[X-E(X)][Y-E(Y)]}。

方差:是各个数据与平均数之差的平方的平均数,即 s^2=1/n[(x1-x_)^2+(x2-x_)^2++(xn-x_)^2]
通俗点讲,就是和中心偏离的程度!用来衡量一批数据的波动大小（即这批数据偏离平均数的大小）
在样本容量相同的情况下,方差越大,说明数据的波动越大,越不稳定

在概率论和数理统计中，方差（英文Variance）用来度量随机变量和其数学期望（即均值）之间的偏离程度。在许多实际问题中，研究随机变量和均值之间的偏离程度有着很重要的意义。
目录
概述
公式
方差的定义
方差的计算
方差的几个重要性质
常见随机变量的期望和方差
统计学的应用
切比雪夫不等式
展开
编辑本段概述
如下面的例子：
已知某零件的真实长度为a，现用甲、乙两台仪器各测量10次，将测量结果X用坐标上的点表示如图：
甲仪器测量结果：
乙仪器测量结果：
两台仪器的测量结果的均值都是 a 。但是用上述结果评价一下两台仪器的优劣，很明显，我们会认为乙仪器的性能更好，因为乙仪器的测量结果集中在均值附近。
由此可见,研究随机变量与其均值的偏离程度是十分必要的那么,用怎样的量去度量这个偏离程度呢容易看到E(|X-E(X)|)能度量随机变量与其均值E(X)的偏离程度 但由于上式带有绝对值,运算不方便,通常用量
E{[X-E(X)]^2} 这一数字特征就是方差。
编辑本段公式
方差是实际值与期望值之差平方的期望值，而标准差是方差平方根。 在实际计算中，我们用以下公式计算方差。
方差是各个数据与平均数之差的平方的平均数,即 s^2=(1/n)[(x1-x_)^2+(x2-x_)^2++(xn-x_)^2] ，其中，x_表示样本的平均数，n表示样本的数量，^2表示平方，xn表示个体，而s^2就表示方差。
而当用(1/n)[(x1-x_)^2+(x2-x_)^2++(xn-x_)^2]作为总体X的方差的估计时，发现其数学期望并不是X的方差，而是X方差的(n-1)/n倍，[1/(n-1)][(x1-x_)^2+(x2-x_)^2++(xn-x_)^2]的数学期望才是X的方差，用它作为X的方差的估计具有“无偏性”，所以我们总是用[1/(n-1)]∑(Xi-X~)^2来估计X的方差，并且把它叫做“样本方差”。
方差，通俗点讲，就是和中心偏离的程度！用来衡量一批数据的波动大小（即这批数据偏离平均数的大小）。 在样本容量相同的情况下，方差越大，说明数据的波动越大，越不稳定 。
编辑本段方差的定义
设X是一个随机变量，若E{[X-E(X)]^2}存在，则称E{[X-E(X)]^2}为X的方差，记为D(X)或DX。
即D(X)=E{[X-E(X)]^2}称为方差，而σ(X)=D(X)^05（与X有相同的量纲）称为标准差（或均方差）。即用来衡量一组数据的离散程度的统计量。
方差刻画了随机变量的取值对于其数学期望的离散程度。
若X的取值比较集中，则方差D(X)较小；
若X的取值比较分散，则方差D(X)较大。
因此，D（X）是刻画X取值分散程度的一个量，它是衡量X取值分散程度的一个尺度。
编辑本段方差的计算
由定义知，方差是随机变量 X 的函数
g(X)=∑[X-E(X)]^2 pi
数学期望。即：
由方差的定义可以得到以下常用计算公式：
D(X)=∑xi²pi-E(x)²
D(X)=∑（xi²pi+E(X)²pi-2xipiE(X))
=∑xi²pi+∑E(X)²pi-2E(X)∑xipi
=∑xi²pi+E(X)²-2E(X)²
=∑xi²pi-E(x)²
方差其实就是标准差的平方。
编辑本段方差的几个重要性质
（1）设c是常数，则D(c)=0。
（2）设X是随机变量，c是常数，则有D(cX)=(c^2)D(X)。
（3）设 X 与 Y 是两个随机变量，则
D(X+Y)= D(X)+D(Y)+2E{[X-E(X)][Y-E(Y)]}
特别的，当X，Y是两个相互独立的随机变量，上式中右边第三项为0（常见协方差），
则D(X+Y)=D(X)+D(Y)。此性质可以推广到有限多个相互独立的随机变量之和的情况
（4）D(X)=0的充分必要条件是X以概率为1取常数值c，即P{X=c}=1，其中E(X)=c。
编辑本段常见随机变量的期望和方差
设随机变量X。
X服从(0—1)分布，则E(X)=p D(X)=p(1-p)
X服从泊松分布，即X~ π(λ),则 E(X)= λ，D(X)= λ
X服从均匀分布，即X~U(a，b),则E(X)=(a+b)/2, D(X)=(b-a)^2/12
X服从指数分布，即X~e(λ), E(X)= λ^(-1)，D(X)= λ^(-2)
X服从二项分布，即X~B(n,p)，则E(x)=np, D(X)=np(1-p)
X 服从正态分布，即X~N(μ,σ^2), 则E(x)=μ, D(X)=σ^2
X 服从标准正态分布，即X~N(0,1), 则E(x)=0, D(X)=1
编辑本段统计学的应用
概念
样本中各数据与样本平均数的差的平方和的平均数叫做样本方差；样本方差的算术平方根叫做样本标准差。
样本方差和样本标准差都是衡量一个样本波动大小的量，样本方差或样本标准差越大，样本数据的波动就越大。
方差和标准差。方差和标准差是测算离散趋势最重要、最常用的指标。方差是各变量值与其均值离差平方的平均数，它是测算数值型数据离散程度的最重要的方法。标准差为方差的平方根，用S表示。标准差相应的计算公式为
标准差与方差不同的是，标准差和变量的计算单位相同，比方差清楚，因此很多时候我们分析的时候更多的使用的是标准差。
高考实例
（甘肃省，2002年）某校初三年级甲、乙两班举行电脑汉字输入速度比赛，两个班参加比赛的学生每分钟输入汉字的个数，经统计和计算后结果如下表所示：

班级 参加人数 平均字数 中位数 方差
甲 55 135 149 191
乙 55 135 151 110
有一位同学根据上表得出如下结论：
①甲、乙两班学生的平均水平相同；
②乙班优秀的人数比甲班优秀的人数多（每分钟输入汉字达150个以上为优秀）；
③甲班学生比赛成绩的波动比乙班学生比赛成绩的波动大．上述结论正确的是________（填序号）．
解：填①、②、③，显然①、③是正确的是．对于第②个结论，因为甲的中位数为149，表明甲班优秀人数未过半，而乙的中位数为151，表明乙班优秀人数在半数以上，故乙班优秀的人数比甲班优秀人数多，∴ ②正确．
编辑本段切比雪夫不等式
切比雪夫（Chebyshev）不等式
对于任一随机变量X ,若EX与DX均存在,则对任意ε＞0,
恒有P{|X-EX|>=ε}<=DX/ε^2 或P{|X-EX|<ε}>=1-DX/ε^2
切比雪夫不等式说明，DX越小，则 P{|X-EX|>=ε}
越小，P{|X-EX|<ε}越大， 也就是说，随机变量X取值基本上集中在EX附近，这进一步说明了方差的意义。
同时当EX和DX已知时，切比雪夫不等式给出了概率P{|X-EX|>=ε}的一个上界，该上界并不涉及随机变量X的具体概率分布，而只与其方差DX和ε有关，因此，切比雪夫不等式在理论和实际中都有相当广泛的应用。需要指出的是，虽然切比雪夫不等式应用广泛，但在一个具体问题中，由它给出的概率上界通常比较保守。
切比雪夫不等式是指在任何数据集中，与平均数超过K倍标准差的数据占的比例至多是1/K^2。
在概率论中，切比雪夫不等式显示了随机变数的「几乎所有」值都会「接近」平均。这个不等式以数量化这方式来描述，究竟「几乎所有」是多少，「接近」又有多接近：
与平均相差2个标准差的值，数目不多於1/4
与平均相差3个标准差的值，数目不多於1/9
与平均相差4个标准差的值，数目不多於1/16
……
与平均相差k个标准差的值，数目不多於1/K^2
举例说，若一班有36个学生，而在一次考试中，平均分是80分，标准差是10分，我们便可得出结论：少於50分（与平均相差3个标准差以上）的人，数目不多於4个（=361/9）。
开放分类：

---