python方差的计算公式为什么减一_为什么样本方差（sample variance）的分母是 n-1？...

数学直觉是非常重要的。

很多人从公式证明了样本方差必然小于整体方差，却没有从数学直觉上进行解释，结果是懂的人还是懂，不懂的人仍然不懂，还有人不懂装懂。

样本方差需要较正的原因在于，采样过程并非无bias, 采样过程本身也服从整体的分布。

如果总体服从如下所示的标准正态分布，标准正态分布

当我取样时，越靠近均值的个体，越容易被采样到，越边缘的个体越容易被忽略，于是采样不能还原总体的分布，而是强化了原来的分布。

只要采样数小于个体数，采样本身就会引入分布的误差，因此需要进行较正。

采样带来的误差就是原来分布的强化，是可以计算的，n/(n-1)的修正并非随便给的。Prove that $E (\overline{X} - \mu)^2 = \frac{1}{n}\sigma^2$​math.stackexchange.com

更新：

有知友问：一个已知均值、未知方差的正态分布，想要通过采样估计其方差，在这种情况下，样本方差就是总体方差的无偏估计。

我用python 实验了一下，实践出真知：

import numpy as np

import random

x = np.random.normal(0, 1, size=100)

x_simple = random.sample(x.tolist(),50)

arr_var = np.var(x)

sample_var = np.var(x_simple)

arr_var, sample_var

(0.8752432289589612, 0.8330718479747615)

总体是均值为0，方差为1的100个正态分部点，

随机采样50个点之后，样本方差小于总体方差，且

arr_var / sample_var ≈ 50 / 49

可见样本方差仍然需要修正，与是否知晓总体均值没有关系。

样本方差的偏差发生在采样过程之中！