数学中为什么是方差， 不是开个平方变为单差？

1. 为什么数学中

方差的定义是各个数值与平均数之差的平方的平均数，用公式表示为：

$${\sigma }^2=\frac{1}{n}\sum _{i=1}^n(x_i-\mu {)}^2$$

而您提到的"单差"(绝对偏差)的公式则是：

$$MAD=\frac{1}{n}\sum _{i=1}^n|x_i-\mu |$$

使用方差而不是绝对偏差的主要原因有：

1. 数学特性：
   方差通过平方可以消除正负号，使得所有偏差都变成正数。而且方差是可导的，这在数学处理上更方便。相比之下，绝对值函数在 $x=0$ 处不可导，这会使得一些数学运算变得困难。

2. 对异常值的敏感度：
   假设我们有一组数据 $x_1,x_2,\dots ,x_n$，其中有一个异常值特别大。方差中的平方项会给这个异常值更大的权重，使得我们更容易发现数据中的异常情况。例如：

如果一个值偏离均值 $2$ 个单位：

• 在方差中贡献为: $2^2=4$
• 在绝对偏差中贡献为: $|2|=2$

1. 统计理论的适用性：
   在正态分布中，方差有着特殊的统计意义。如果随机变量 $X$ 服从正态分布，其概率密度函数为：

$$f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$

这里的 ${\sigma }^2$ 就是方差，它直接关系到分布的"形状"。

2. 线性变换的性质：
   对于随机变量 $X$，如果进行线性变换 $aX+b$，其方差有简单的关系：

$$Var(aX+b)=a^{2}Var(X)$$

这种性质在统计分析中非常有用。

总的来说，虽然绝对偏差在概念上可能更直观，但方差在数学处理、统计理论和实际应用中都具有更多的优势。这就是为什么在统计学中更常用方差而不是绝对偏差的原因。

2. 方差有着特殊的统计意义 科学依据在哪

让我详细解释方差的统计学意义及其科学依据。

1. 中心极限定理的基础
   中心极限定理指出，当样本量足够大时，样本均值的分布会近似服从正态分布。这里方差起着关键作用。对于独立同分布的随机变量 $X_1,X_2,...,X_n$：

$$\frac{{\bar{X}}_n-\mu }{\sigma /\sqrt{n}}\stackrel{d}{\to }N(0,1)$$

其中 ${\sigma }^2$ 是方差，这个定理为什么选择方差而不是绝对偏差，是因为：

2. 最小二乘法的理论基础
   高斯-马尔可夫定理证明，在线性回归中，当误差项满足以下条件时：

• 期望为0：$E({ϵ}_i)=0$
• 方差恒定：$Var({ϵ}_i)={\sigma }^2$

最小二乘估计是最佳线性无偏估计(BLUE)。这里的证明过程依赖于方差的数学性质，特别是方差的可加性：

$$Var(aX+bY)=a^{2}Var(X)+b^{2}Var(Y)$$

1. 信息论联系
   在信息论中，高斯分布是给定方差下熵最大的连续分布。其熵为：

$$H(X)=\frac{1}{2}\ln (2\pi e{\sigma }^2)$$

这表明方差与信息量有着本质联系。

2. 随机游走与布朗运动
   在描述粒子运动时，方差与时间的关系：

$${\sigma }^2(t)=2Dt$$

其中 $D$ 是扩散系数。这个关系使用方差而不是绝对偏差，是因为布朗运动的基本性质。

3. 最大似然估计
   对于正态分布数据，样本方差是总体方差的最大似然估计：

$${\hat{\sigma }}^2=\frac{1}{n}\sum _{i=1}^n(x_i-\bar{x}{)}^2$$

这个估计具有一系列优良的统计性质，比如：

• 无偏性
• 一致性
• 渐近正态性

4. 统计力学联系
   在统计力学中，系统的能量波动与方差有关：

$$⟨E^2⟩-⟨E{⟩}^2=k{T}^2\frac{\partial ⟨E⟩}{\partial T}$$

这个关系使用方差而不是绝对偏差，是因为能量分布的基本物理性质。

5. 谱分析应用
   在信号处理中，功率谱密度函数实际上是信号方差在频率域的分解：

$${\sigma }^2={\int }_{-\infty }^{\infty }S(f)df$$

这些科学依据表明，方差不仅仅是一个统计量，而是与物理世界的基本规律有着深刻联系。它之所以被广泛使用，是因为它在理论推导和实际应用中都展现出了独特的优势和普适性。