在统计学里，我们常说“求和公式”是计算期望的基石，你把一组数值一个个加起来除以个数，这就得出了那个代表平均水平的数字，比如课本上写的那个 $frac{1}{n}sum_{i=1}^{n} X_i$。但这跟“方差”可沾不上边，方差更偏向于衡量这组数据“散不散”，也就是大家围着那个平均值晕还是聚在一块儿。 variance 的公式看着复杂，但核心逻辑实际上挺好办：先把每个数值跟平均值扯上关系，算出它们偏离了多少，再平方，这样正负偏差就抵消了，剩下的就是整体波动的大小。 这就好比你问：“这十个人，身高在 175 厘米上下浮动，大家离这个标准值平均有多远？”这时候你就用到了方差公式。

起初得算出每个人身高跟 175 的差距，比如有人是 172，这就是差了 3；有人是 180，那就是差了 5。千万别忘记第一步——得把负数变成正数，比如那个 172 的差是 -3，那就要变成 3，不然负负得正之后，原本的差异趋势就没了。接下来是对这些小差距一个个平方，这样 3 的平方是 9，5 的平方是 25。

这时候你再把它们全都加起来，除以总人数，结局出来的就是这个数值，它代表了所有身高值在整个分布里的平均波动幅度。公式里的符号表示挺讲究，$mu$ 是均值（平均值），$x_i$ 是每一个独立的随机变量，方差就是 $sigma^2$，它的定义式写成了 $E[(X-mu)^2]$，什么的这个 E 括号，也是语言习惯难题，别纠结符号了，重点是在算这个“平均偏离的平方”。 咱们来具体拆解一下这个公式如何用。假设我们有一组离散的随机变量数据，比如抛硬币的结局：正面朝上出现 5 次，反面朝上出现 3 次。要找这个实验结局的期望和方差。

起初求期望，就是把每种结局乘以其形成的概率，再求和。正面概率是 0.5，价值记为 1；反面概率是 0.5，价值记为 0。算出 0.5 乘 1 加上 0.5 乘 0，就等于 0.5。

这就是说，理论上来说，你每次扔硬币，正面出现的概率就是 0.5。 再算方差，那是另一套规则。先求均值，这里就是刚刚算出来的 0.5。

然后分别计算每一项的偏差平方。正面那边，差值是 $1 - 0.5 = 0.5$，平方之后是 0.25；反面那边，差值是 $0 - 0.5 = -0.5$，平方之后也是 0.25。把这两个平方值加起来，再除以总的试验次数（这里是 2，但在离散型概率里有时候会除以观测次数，有时候除以概率质量，这里为了直观说明，按概率质量要么假设观测次数为 2 来演示，比如假设我们实际进行了 20 次）。假设我们进行了 20 次实验，那么总和是 $0.25 times 20 + 0.25 times 20 = 10$。再除以观测次数 20，结局就是 0.5。 这个结局跟期望一样，都是 0.5，但这实际上是出于这里所有的方差都是 0.25，加起来平均下来还是 0.25。

什么的，这里我犯了一个小迷糊，方差的定义是除以观测次数还是除以概率？要是是除以观测次数（n），那结局应当是 $10 / 20 = 0.5$；要是是除以概率态（1），那结局就是 $0.25$。在概率论里，离散型随机变量的方差一般定义是 $sum p_i (x_i - mu)^2$，也就是除以 1。

故此要是是等概率的伯努利分布，方差直接就是 $p(1-p)$，也就是 $0.5 times 0.5 = 0.25$。

那我刚刚那个除以 20 的算法，拿到的结局就是样本方差的估摸值，要是是大样本的话才用期望来算总体方差。 为了让你更直观地感受方差和期望的区别，我们再来一个更生活化的例子。想象一个老师在布置作业，他有 10 个学生，他们的作业搞定工夫分别是：20 分钟，25 分钟，20 分钟，30 分钟，25 分钟，20 分钟，25 分钟，20 分钟，25 分钟，20 分钟。先算期望工夫，把所有工夫加起来除以 10。加起来是 $20+25+20+30+25+20+25+20+25+20 = 230$。除以 10，平均下来是 23 分钟。

这个 23 分钟就是他们对工夫的“心理预期”。 目前算方差，得看大家离这个 23 分钟有多远。

第一个学生（20 分钟），差了 3 分钟，平方是 9；第二个学生（25 分钟），差了 2 分钟，平方是 4。

接着算，第一个学生是 9，第二个是 4，再算第三个（20 分钟）差也是 3，平方是 9；第四个（30 分钟）差 7，平方是 49。

第五个（25 分钟）差 2，平方 4。

第六个（20 分钟）差 3，平方 9。

第七个（25 分钟）差 2，平方 4。

第八个（20 分钟）差 3，平方 9。

第九个（25 分钟）差 2，平方 4。

第十个（20 分钟）差 3，平方 9。 目前把这些平方数加起来：$9 + 4 + 9 + 49 + 4 + 9 + 4 + 9 + 4 + 9 = 108$。接下来除以总人数 10，拿到样本方差是 10.8。

这个数值说明啥呢？说明这 10 个人的作业搞定工夫，大局部（9 个人）都聚拢在 20 到 25 分钟之间，这 10.8 是个衡量“平均波动”的数字。

要是方差是 0，那就意味着所有人都完美一致，都在 23 分钟做；要是方差挺大，说明有人快有人慢，差异庞大。

这个 10.8 就代表了大家在这个作业工夫上的“情绪波动”要么“离散程度”。 实际上你会发现，方差公式里有一个平方操作。出于平方之后，大数会放大，小数会被放大，这样原本细小的差异就被放大了，负负得正之后，整个数据就变成了围绕均值展开的“山脉”形状。而期望公式里的加法，则是把正负两边的差异直接叠加，但出于期望只关切一个中心点，故此它的结局一般比较小，比较稳定。方差是为了把数据“甩开”看看散在哪儿，期望则是为了把人“拉回”看看大家到底在哪。 要是你不懂这些，别慌，这些公式都是工具，只要把数据喂给它们，它们就会吐出结局。

有时候你会认定方差公式看着忒复杂，到处都是求和符号和期望符号，实际上那是为了处理连续型的数据设计的。

要是你有一堆连续的数据，比如身高、体重，要么连续的工夫流逝，你就不能直接套用离散的求和公式了，得用积分。但要是你是在做离散型概率题，比如掷骰子、抛硬币，要么数数有多少个苹果，那公式就挺好办了。 最终总结一下，期望和方差别看写在一张纸上，但它们的“味道”彻底不同。期望告诉你“平均水平在哪儿”，方差告诉你“平均水平有多不稳定”。在学校做题时，求期望一般是为了验证你的理解，比如“这个抽奖的奖品期望值是多少？”然后求方差，往往是老师问你“大家拿到奖品的感觉是一样吗？”这时候你脑子里应当浮现出方差那个代表波动性的数值。自然，有时候为了简化计算，我们会直接忽略高阶矩，只要关切到二阶中心矩（方差）就够了，这时候实际上是在用更少的信息换取更高的计算效率，毕竟 $E[(X-mu)^2]$ 这个公式，核心就是计算出那个“平均偏离的平方”罢了。希望这些例子能帮你把那些枯燥的符号，变成脑子里一个个生动的故事。