方差与标准差入门：平均数看不见的波动，它看得见

两个班平均分都是 80 分，一个班的成绩集中在 75 到 85，另一个班从 40 分到 100 分都有——平均数完全一样，稳定性天差地别。描述这种「波动程度」的指标就是方差和标准差。这篇不堆公式，用三个数据组手算一遍，让两个概念落地。

一、四步算法：以一组数据为例

以 5 位同学的测验成绩为例：70、75、80、85、90。第一步，算平均数：(70 + 75 + 80 + 85 + 90) ÷ 5 = 80。第二步，每个数减平均数得偏差：−10、−5、0、5、10。第三步，偏差各自平方再求和：100 + 25 + 0 + 25 + 100 = 250。第四步，除以数据个数得方差：250 ÷ 5 = 50；标准差 = √50 ≈ 7.07。为什么平方？因为偏差直接相加会正负抵消归零，平方让所有偏差都变正且放大离群值的影响。而标准差开方还原了量纲——方差是「分²」，标准差才是「分」，可以直接和平均数对话。

二、对比一组波动大的数据

另一组 5 人成绩：40、60、80、100、120（假设满分 120），平均数同样是 80。偏差：−40、−20、0、20、40，平方和 = 1600 + 400 + 0 + 400 + 1600 = 4000，方差 = 4000 ÷ 5 = 800，标准差 ≈ 28.28。对比表格：

数据组	平均数	方差	标准差
第一组（集中）	80	50	≈ 7.07
第二组（分散）	80	800	≈ 28.28

平均分相同，第二组的标准差是第一组的 4 倍——这正是「平均数会骗人」的数学证据。解读经验：标准差小于平均数的 10%，数据非常稳定；超过 30%，个体差异巨大，只报平均数就有误导嫌疑了。

三、总体方差与样本方差的区别

上面第四步除以 n（5），是「总体方差」的算法；如果这 5 人是从全年级抽出的样本，要推断全年级波动，就应除以 n − 1（4），方差变成 250 ÷ 4 = 62.5，标准差 ≈ 7.9。除以 n − 1 的原因：样本对波动的估计通常偏小，用 n − 1 做无偏修正。实用判断：数据本身就是全部对象（全班、全月订单），除以 n；数据是抽样、要推断总体，除以 n − 1。日常做比较分析时，两种算法结论方向一致，不必过度纠结，但写报告要标注用的是哪种。

四、两个真实应用场景

1. 投资风险：基金 A 三年收益 8%、9%、10%（均值 9%，标准差约 0.82）；基金 B 三年收益 −5%、10%、22%（均值 9%，标准差约 11）。均值一样，波动完全不同——标准差就是「风险」的量化，稳健型投资者选 A 不是因为收益高，而是因为它几乎不会偏离预期；
2. 质量管控：饮料灌装线目标 500 毫升，抽 10 瓶标准差 3 毫升属于优秀；标准差 15 毫升则意味着部分产品接近 470 或 530，投诉和退货随之而来。工厂的「过程能力」本质就是标准差管理。

五、解读数据的三个提醒

• 先看有没有离群值：一组数据混入一个极端值（如工资 3 千、3 千、3 千、3 万），标准差会被拉得巨大，此时中位数比平均数更能代表典型水平，建议两个指标一起报；
• 标准差没有绝对好坏：体检指标波动小是好事，创新团队产出波动大可能是好事，脱离场景谈波动没有意义；
• 比较波动的前提是量纲相同：比较身高（厘米）和体重（公斤）的标准差没有意义，要比较波动程度先统一单位或改用变异系数（标准差 ÷ 平均数）。

常见问题

问：方差会是负数吗？
不会。平方后求和必然非负，方差为零意味着所有数据完全相同。算出负数一定是计算过程出错。

问：标准差多大算「大」？
没有统一答案，常用变异系数（标准差 ÷ 平均数）跨场景比较：低于 0.1 算高度稳定，高于 0.3 就要警惕个体差异了。