从集中趋势到离散程度，从靶心弹孔到方差公式，
用可视化方式理解数据"有多散"——波动越大的数据，越不稳定。
描述数据集中趋势的三个核心指标：平均数、中位数、众数。
平均数：所有数据的"重心"
x̄ = Σxᵢ / n | 易受极端值影响，反映总体水平
中位数：排序后位于中间位置的数
n 为奇数 → 第 (n+1)/2 个数 | n 为偶数 → 中间两数平均值
众数：出现次数最多的数
一组数据可以有多个众数，也可以没有众数
当各数据的重要性（权重）不同时，用加权平均数：
例：期末成绩 = 平时成绩×30% + 期中成绩×30% + 期末成绩×40%
这里权重 w₁=0.3, w₂=0.3, w₃=0.4
调整权重，观察加权平均数的变化（成绩固定：平时80，期中85，期末90）
平均数：(78+82+85+85+88+90+92+95+95+95) / 10 = 885 / 10 = 88.5
中位数：n=10 为偶数，取第5、6个数的平均值
排序后：78, 82, 85, 85, 88, 90, 92, 95, 95, 95
中位数 = (88 + 90) / 2 = 89
众数：85 和 95（各出现3次，双众数）
平均数：(3000+3500+4000+4500+20000) / 5 = 35000 / 5 = 7000
中位数：排序后取第3个数 = 4000
平均数7000被CEO的高薪拉高，不能代表普通员工。
中位数4000更能反映"典型工资"水平。
→ 有极端值时，中位数比平均数更稳健。
x̄ = 80×0.30 + 85×0.30 + 90×0.40
= 24 + 25.5 + 36
= 85.5
若简单平均：(80+85+90)/3 = 85
加权后85.5 > 85，因为期末（权重最高）成绩最好。
两组数据的平均数相同，但数据的"分散程度"可能完全不同。
例如：甲、乙两名射手的平均成绩都是 8 环，但甲每次都在 7~9 环之间波动，乙有时 10 环有时 5 环。
谁更稳定？我们需要一个量来描述数据的"离散程度"。
想象靶心就是平均数 x̄，每一次射击结果就是数据点 xᵢ。
弹孔离靶心越远（偏离越大），说明数据越不稳定，方差越大。
求平均数：先计算数据的平均数 x̄（靶心位置）
x̄ = (x₁ + x₂ + … + xₙ) / n
算偏差：每个数据与平均数的差 (xᵢ − x̄)
注意：偏差有正有负，不能直接相加！
平方：将偏差平方 (xᵢ − x̄)²，消除正负
平方后，大偏差的惩罚更重（3²=9 比 2²=4 大很多）
求平均：将所有平方偏差求平均
s² = Σ(xᵢ − x̄)² / n — 这就是方差
■ 深红 = 大偏离（远离平均数）→ 对方差贡献大
■ 浅绿 = 小偏离（靠近平均数）→ 对方差贡献小
柱状高度 = 数据值，红线 = 平均数，连线长度 = 偏离程度
x̄ = (4+6+8+10+12) / 5 = 40 / 5 = 8
各数据偏差：
4 − 8 = −4 6 − 8 = −2 8 − 8 = 0 10 − 8 = +2 12 − 8 = +4
偏差之和：(−4) + (−2) + 0 + 2 + 4 = 0
→ 正负抵消，所以不能直接用偏差之和衡量离散程度！
① x̄ = (2+4+6+8+10) / 5 = 6
② 各偏差平方：
(2−6)² = 16 (4−6)² = 4 (6−6)² = 0 (8−6)² = 4 (10−6)² = 16
③ s² = (16+4+0+4+16) / 5 = 40 / 5 = 8
∴ 这组数据的方差为 8
A组：3, 4, 5, 6, 7 — 数据集中在 5 附近，最大偏离为 |7−5|=2
B组：1, 3, 5, 7, 9 — 数据分布更广，最大偏离为 |9−5|=4
B组的数据点离平均数更远（像靶心更分散的弹孔）。
∴ B组方差更大，数据更不稳定。
验证：s²(A) = 2，s²(B) = 8。B组方差确实是A组的4倍！
方差 s² 的单位是原数据单位的平方。比如身高数据的方差单位是 cm²，读起来很别扭。
对 variance 取算术平方根，得到的量与原数据单位一致，更直观。
标准差是方差的「平方根还原」
方差 s² 的单位是「原单位²」，标准差 s 的单位是「原单位」
与方差的关系
s² = 4 → s = 2 | s² = 9 → s = 3 | s² = 0 → s = 0
方差越大，标准差越大；方差为0，标准差也为0
谁更敏感？
方差「放大」了偏离（平方惩罚），标准差「还原」了尺度
比较稳定性时，用标准差或方差都可以，结论一致
■ 标准差小 = 数据紧密聚集在平均数附近 → 稳定可靠
■ 标准差大 = 数据分散远离平均数 → 波动剧烈
标准差越大，黄色和红色带状区域越宽，数据点分布越广
标准差 = 方差的算术平方根
s = √s² = √25 = 5
→ 如果这组数据是考试成绩，方差单位是「分²」，标准差5分的单位是「分」，可以直接理解为「成绩上下波动约5分」。
比较稳定性，看方差或标准差都可以，结论一致：
s²(甲) = 4 < s²(乙) = 16 → 甲更稳定
s(甲) = 2 < s(乙) = 4 → 甲更稳定
甲组数据偏离平均数的平均程度更小，表现更一致。
注意：方差之比是 1:4，标准差之比是 1:2。方差放大了差距。
标准差 s = 0 → 方差 s² = 0
方差为0意味着每个数据与平均数的偏差平方和为0：
Σ(xᵢ − x̄)² = 0 → 每个 (xᵢ − x̄)² = 0 → 每个 xᵢ = x̄
∴ 所有数据都相等，没有任何波动。
例如：7, 7, 7, 7, 7 — 标准差为0，像一台完美校准的机器输出。
用定义公式 s² = Σ(xᵢ − x̄)² / n 计算方差，步骤如下：
求平均数 x̄ = Σxᵢ / n
把所有数据加起来，除以个数
求偏差：每个数据减平均数 (xᵢ − x̄)
列出每个数据与平均数的差
平方：计算 (xᵢ − x̄)²
把每个偏差平方，消除正负
求平均：平方偏差之和除以 n
s² = Σ(xᵢ − x̄)² / n — 得到方差
开方：s = √s² — 得到标准差
标准差单位与原数据一致
当数据较多时，先算每个偏差再平方很麻烦。有一个简化公式：
记忆口诀：「平方的平均」减去「平均的平方」
推导：展开 Σ(xᵢ − x̄)² = Σ(xᵢ² − 2xᵢx̄ + x̄²) = Σxᵢ² − 2x̄Σxᵢ + nx̄² = Σxᵢ² − nx̄²
除以 n：s² = (Σxᵢ²)/n − x̄²
⚠ 适用场景：数据个数多、数值大时，简化公式减少中间步骤，降低计算误差。
数据：2, 4, 6, 8, 10 — 点击按钮逐步查看计算过程
① x̄ = (3+5+7+9+11) / 5 = 35 / 5 = 7
② 各偏差平方：
(3−7)² = 16 (5−7)² = 4 (7−7)² = 0 (9−7)² = 4 (11−7)² = 16
③ s² = (16+4+0+4+16) / 5 = 40 / 5 = 8
④ s = √8 = 2√2 ≈ 2.83
∴ 方差为 8，标准差约为 2.83
简化公式：s² = (Σxᵢ²)/n − x̄²
① x̄ = (1+2+3+4+5) / 5 = 3
② Σxᵢ² = 1² + 2² + 3² + 4² + 5² = 1 + 4 + 9 + 16 + 25 = 55
③ (Σxᵢ²)/n = 55 / 5 = 11
④ x̄² = 3² = 9
⑤ s² = 11 − 9 = 2
验证：用定义公式，(4+1+0+1+4)/5 = 10/5 = 2 ✓
→ 简化公式一步到位，不用逐个算偏差。
① x̄ = (10+12+14+16+18) / 5 = 70 / 5 = 14
② Σxᵢ² = 100 + 144 + 196 + 256 + 324 = 1020
③ (Σxᵢ²)/n = 1020 / 5 = 204
④ x̄² = 14² = 196
⑤ s² = 204 − 196 = 8
⑥ s = √8 = 2√2 ≈ 2.83
提示：这组数据与例1的数据（3,5,7,9,11）相比，每个数都加了7。加常数不改变方差，所以方差也是8。验证成立！
当两组数据的平均数相同或相近时，比较方差（或标准差）即可判断谁更稳定。
先看平均数 — 比「水平」
平均数高 = 总体成绩/产出更好
再比方差 — 比「稳定」
平均数相近时，s² 小者胜出；平均数差距大时，综合权衡
实际决策原则
选拔运动员：平均数高 + 方差小（高水平且稳定）
评估机器：方差小（产品质量一致）
投资策略：风险 = 收益率的标准差
在实际问题中，不能只用一个统计量：
决策口诀：「平均水平看 x̄，稳定可靠看 s²」
甲组：8, 9, 9, 9, 10（s²=0.4） | 乙组：5, 7, 9, 11, 13（s²=8）
甲：8, 9, 9, 9, 10 乙：5, 7, 9, 11, 13
① 平均数：
x̄(甲) = (8+9+9+9+10)/5 = 9 x̄(乙) = (5+7+9+11+13)/5 = 9
② 方差：
s²(甲) = [(1+0+0+0+1)]/5 = 0.4
s²(乙) = [(16+4+0+4+16)]/5 = 8
③ 结论：平均数相同，甲的方差远小于乙。
∴ 选甲 — 成绩更稳定，发挥更可靠。
乙虽然偶尔有13环的高光，但也有5环的失误，大赛不适合冒险。
A机器：100, 100, 100, 100, 100
B机器：98, 99, 100, 101, 102
① 平均数：x̄(A) = x̄(B) = 100
② 方差：
s²(A) = 0（所有数据都是100）
s²(B) = [(4+1+0+1+4)]/5 = 2
③ 结论：A机器方差为0，产品尺寸完全一致。
∴ 选A机器 — 精度更高，质量更稳定。
工业制造中，方差直接对应产品合格率，方差越小废品率越低。
① 平均数：
x̄(小华) = (85+87+88+89+91)/5 = 88
x̄(小明) = (70+80+90+95+95)/5 = 86
② 方差：
s²(小华) = [(9+1+0+1+9)]/5 = 4
s²(小明) = [(256+36+16+81+81)]/5 = 94
③ 分析：
小华平均数更高（88 > 86），且方差更小（4 << 94）。
小明虽然有两场95的高分，但也有70的失常，波动极大。
∴ 选小华 — 水平更高，发挥更稳定。
竞赛不是赌运气，稳定的高水平输出比偶尔爆发更重要。
STAT · DATA DISPERSION MONITOR
八年级下册 · 战术手册 · 数据波动监测站
Built with precision. No guesses, only math.