1. 方差: 组内差异，一般为一维数据
标准差(均方差、均方根差)【总方差】: 反映检测值与样本平均值间的偏差，为有偏估计。
在实际情况中，总体均值很难得到，往往通过抽样来计算，于是有样本方差S(无偏估计)
def cal_vars(X): """ 计算方差, 标准差 """ m = sum(X)/len(X) varX = sum(map(lambda i: abs(i - m)**2, X))/len(X) stdX = math.sqrt(varX) return varX, stdX ### 手动计算 X = np.arange(10) v, s = cal_vars(X) print(f"方差1： {v}, 标准差1：{s}" ) ### numpy 计算 varX = np.var(X) stdX = np.std(X, ddof=0) print(f"方差2： {varX}, 标准差2：{stdX}" ) print(f"方差3： {varX}, 标准差3：{math.sqrt(varX)}" ) '' 方差1： 8.25, 标准差1：2.8722813232690143 方差2： 8.25, 标准差2：2.8722813232690143 方差3： 8.25, 标准差3：2.8722813232690143 ''
2. 数学期望E(xi)
数学期望：离散型随机变量 xi 和对应概率的乘积。公式如下：
