【漫话机器学习系列】208.标准差（Standard Deviation）

深入理解标准差：从总体到样本的数学之旅

标准差（Standard Deviation）是统计学中最常用的描述性指标之一，它衡量的是一组数据的离散程度，即数据相对于平均值的波动程度。理解标准差不仅是学习统计的基础，也对数据分析、机器学习、科学研究等领域具有重要意义。

今天我们通过一张极具美感又内容详实的手绘图，来系统性地理解标准差的定义、公式结构及其背后的逻辑。

标准差的本质是一种"平均偏差的平方根"。它告诉我们数据点通常距离平均值有多远。

当我们能获取全部数据（总体）时，计算标准差的公式如下：

$σ = 1 n ∑ i = 1 n ( x i − μ ) 2 \sigma = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (x_i - \mu)^2}$ σ=n1∑i=1n(xi−μ)2

从图中可见，这个公式由多个部分构成：

在实际生活中，我们往往只能抽取"样本"进行分析。这时，需要使用"样本标准差"公式：

$S = 1 n − 1 ∑ i = 1 n ( x i − x ˉ ) 2 S = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2}$ S=n−11∑i=1n(xi−xˉ)2

与总体标准差的差异主要体现在两个地方：

变化部分	含义说明	图中标记
分母为 n-1	贝塞尔修正（Bessel's Correction）	用红色标注"贝塞尔修正"
均值为 $x ˉ \bar{x}$ xˉ	样本均值	橙色箭头标"样本均值"

这就是著名的贝塞尔修正（Bessel's Correction） ，目的是让样本标准差成为总体标准差的无偏估计。因为样本均值 $x ˉ \bar{x}$ xˉ 是从数据中计算出来的，会低估总体的离散程度，所以在分母上减 1 进行校正。

你可能注意到标准差公式中的平方项：

$( x i − μ ) 2 (x_i - \mu)^2$ (xi−μ)2

其实，这部分没有开根号时的结果就叫"方差（Variance） "。

这张由 Chais Albon 绘制的手绘图，将公式进行了颜色区分，帮助我们快速理解各部分含义：

非常适合初学者或复习者作为思维导图或知识卡片使用。

类型	公式	适用场景
总体标准差	$σ = 1 n ∑ ( x i − μ ) 2 \sigma = \sqrt{\frac{1}{n} \sum (x_i - \mu)^2}$ σ=n1∑(xi−μ)2	拿到全部数据
样本标准差	$S = 1 n − 1 ∑ ( x i − x ˉ ) 2 S = \sqrt{\frac{1}{n-1} \sum (x_i - \bar{x})^2}$ S=n−11∑(xi−xˉ)2	只拿到一部分样本数据

标准差不仅是公式，更是一个反映"稳定性"的直观指标。无论是在科研、工程、还是商业决策中，它都扮演着举足轻重的角色。希望通过本文和这张清晰的手绘图，你能真正"看懂"标准差的每一个符号和背后的意义。