标准差

标准差（Standard Deviation，SD）是衡量数据分布离散程度的重要统计指标，表示数据点相对于均值的平均偏差程度。标准差越大，说明数据分布越分散；标准差越小，表示数据更集中。标准差是方差的平方根，其数学表达式如下：

对于总体标准差（Population Standard Deviation）：

$$\sigma = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (X_i - \mu)^2}$$

其中，$\sigma$ 为总体标准差，$X_i$ 为数据点，$\mu$ 为总体均值，$N$ 为数据总数（1⁺）。

对于样本标准差（Sample Standard Deviation）：

$$s = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2}$$

其中，$s$ 为样本标准差，$\bar{X}$ 为样本均值，$n$ 为样本数量，$n-1$ 为自由度（2⁺）。

标准差的概念由卡尔·皮尔逊（Karl Pearson）在19世纪末提出，并用于描述数据分布的离散程度。该指标后来被广泛用于统计推断、误差分析及概率论中（3⁺）。

标准差的计算步骤如下：

1. 计算数据的均值 $\bar{X}$。
2. 计算每个数据点与均值的偏差 $X_i - \bar{X}$。
3. 计算偏差的平方，并求和。
4. 计算方差，并取平方根得到标准差。

在实际计算中，可使用等价公式减少计算误差：

$$s = \sqrt{\frac{\sum X_i^2 - \frac{(\sum X_i)^2}{n}}{n-1}}$$

该公式避免了先求均值再求偏差平方可能导致的数值不稳定性（4⁺）。

1. 非负性：标准差始终为非负数（$\sigma \geq 0$），因为平方根运算使其为正值或零。
2. 尺度不变性：若数据整体乘以常数 $c$，则标准差变为 $c$ 倍，即 $\text{SD}(cX) = |c| \text{SD}(X)$。
3. 独立性：若两个变量 $X$ 和 $Y$ 独立，则满足
$$\sigma_{X+Y}^2 = \sigma_X^2 + \sigma_Y^2$$
4. 68-95-99.7 规则（正态分布特性）：在正态分布中，数据有大约 68% 落在均值 ±1 标准差范围内，95% 落在均值 ±2 标准差范围内，99.7% 落在均值 ±3 标准差范围内（5⁺）。

标准差广泛用于统计学、金融、物理、生物学、工程等领域，例如：

1. 数据分析：衡量数据波动性，例如不同地区的温度变化范围。
2. 金融风险管理：衡量资产收益的波动性，例如股票市场的波动率（Volatility）。
3. 质量控制：衡量产品一致性，如制造业中的公差（Tolerance）。
4. 机器学习：用于特征缩放，如 Z-score 归一化（标准化）。
5. 心理学与医学：用于研究个体差异，如智商（IQ）标准差通常为 15。

1. 方差（Variance）：标准差的平方，衡量数据的总变异量。
2. 变异系数（Coefficient of Variation, CV）：用于比较不同尺度的数据，计算公式为：
$$CV = \frac{\sigma}{\mu} \times 100\%$$
3. 标准误差（Standard Error, SE）：衡量样本均值的变异程度，计算公式为：
$$SE = \frac{s}{\sqrt{n}}$$