方差

方差是“用一个常数预测 $X$”所无法消去的最小平方误差。对任意常数 $c$，

交叉项取期望后为零，因此

均值由此成为平方损失下唯一的最佳常数预测，最小风险就是方差。这一恒等式比“平均离均值多远”更精确，也预告了 $L^2$ 投影、偏差—方差分解和条件期望的几何结构。

对有限带权样本，这个分解还给出压缩目标：保持总质量、一阶矩和二阶矩，就保持每个常数预测值对应的平方损失。精确单均值核心集公理库核心集与精确单均值压缩Coreset · Strong coreset · 核集 · Exact one-mean coreset核心集用带权输入子集同时保持所有查询的目标值；二次提升与凸组合消元给出至多 d+2 点的非负精确单均值核心集。将此推广到欧氏空间，并通过二次提升与凸组合消元构造少量带权原始点；它保持整个损失函数，因而同时保持最佳中心与最小残差。

把分布看成总质量为一的物体，期望是质心，方差类似绕质心的转动惯量：距离中心两倍远的质量会贡献四倍。平方带来漂亮的代数和正交结构，却也让方差对极端尾部格外敏感；完整描述分布形状或风险还需要尾概率、分位数等信息。

若 $X\sim \mathrm{Bernoulli}(p)$，则 $X^2=X$，所以

方差在 $p=1/2$ 时达到 $1/4$，在 $p$ 接近 $0$ 或 $1$ 时趋于零。这个变化具有预测含义：几乎总取同一值的比特容易预测，胜负各半时平方误差最大。

温标转换展示单位规则。若摄氏温度为 $X$，华氏温度为 $Y=1.8X+32$，则

常数 $32$ 只移动中心，不改变散布；标准差随单位线性变化，方差则带平方单位。

有限均值不保证有限方差。取 Pareto 分布

它满足 $\mathbb{E}X<\mathrm{\infty }$，但 $\mathbb{E}[X^2]=\mathrm{\infty }$，因此没有有限方差。这里平均位置存在，尾部波动却无法压缩成一个有限二阶尺度；任何依赖方差的误差界都需要改用更强尾部假设或稳健方法。

相同方差也不意味着相同风险形态。标准正态分布与 $[-\sqrt{3},\sqrt{3}]$ 上的均匀分布都具有方差 $1$，前者无界而后者严格有界。方差控制的是一个二阶平均，不能单独决定尾概率、偏度或极端值行为。

对有限二阶矩变量，和的方差由协方差公理库协方差Covariance两个随机变量中心化乘积的期望，衡量线性共同变化。补齐：

只要协方差为零，方差便可加。独立性足以推出零协方差，反向推论通常不成立。对有限族变量，只知道每一对不相关即可消去二阶交叉项，但这仍不推出它们相互独立。

Chebyshev 不等式公理库Chebyshev 不等式Chebyshev's inequality随机变量偏离均值至少给定距离的概率由方差除以距离平方控制。把二阶平均转成分布无关的尾界：对 $t>0$，

它通常不够锋利，却只要求有限方差。若样本序列具有共同均值 $\mu$、两两不相关且 $\mathrm{Var}(X_i)\le C<\mathrm{\infty }$，则对每个样本量 $n\ge 1$，有 $\mathrm{Var}({\overline{X}}_n)\le C/n$。对每个 $t>0$，Chebyshev 给出 $\mathbb{P}(|{\overline{X}}_n-\mu |\ge t)\le C/(n{t}^2)\to 0$，得到一类弱大数律。

给定信息后，总波动分解为

第一项是信息块内仍未解释的波动，第二项是不同信息块预测值之间的波动。该式既说明条件平均为何能降低平方误差，也构成统计中的组内—组间分解。

Monte Carlo 把 $\mathrm{sd}(X)/\sqrt{n}$ 作为独立样本均值的基础波动尺度；固定置信度下的误差区间还需 Chebyshev、中心极限定理或集中不等式连接到概率陈述。平方损失下的估计风险同样要区分抽样方差、偏差平方与不可约噪声，预测值的方差无法单独代表泛化误差。

方差对系统表现的影响不止体现在误差条。M/G/1 平均等待公式公理库Pollaczek–Khinchine 平均等待公式Pollaczek-Khinchine mean formula在稳定 M/G/1 队列中，将平均等待分解为剩余服务与前方顾客工作量，显出二阶矩效应。在固定到达率和平均服务时间下，仍通过 $E{S}^2=(ES{)}^2+\mathrm{Var}(S)$ 改变等待；随机时刻更容易落在长服务中的长度偏倚是其机制。