在概率论中，方差是衡量随机变量离散程度的重要指标。根据应用场景不同，主要分为总体方差和样本方差两种计算方式，具体公式及性质如下：

一、总体方差公式

总体方差描述整个总体的离散程度，计算公式为：

$$

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

$$

其中：

$sigma^2$ 表示总体方差；

$X_i$ 为第$i$个观测值；

$mu$ 为总体均值（$mu = frac{1}{N}sum_{i=1}^{N} X_i$）；

$N$ 为总体样本量。

二、样本方差公式

样本方差用于估计总体方差，公式为：

$$

S^2 = frac{sum_{i=1}^{n} (X_i - bar{X})^2}{n-1}

$$

其中：

$S^2$ 表示样本方差；

$X_i$ 为第$i$个样本值；

$bar{X}$ 为样本均值（$bar{X} = frac{1}{n}sum_{i=1}^{n} X_i$）；

$n$ 为样本容量。

注意 ：分母为$n-1$（Bessel's correction）是为了校正样本均值作为估计量时的偏差。

三、方差的性质

常数性质 ：若$X$为常数$c$，则$D（c） = 0$；

线性变换性质 ：若$X$为随机变量，$c$为常数，则$D（cX） = c^2D（X）$；

独立变量性质 ：若$X$与$Y$独立，则$D（X+Y） = D（X） + D（Y）$；

零方差条件 ：$D（X） = 0$的充要条件是$X$以概率1取常数值$c$（即$P{X=c}=1$）；

协方差扩展 ：对于随机变量$X$和$Y$，$D（aX+bY） = a^2D（X） + b^2D（Y） + 2abtext{Cov}（X,Y）$，当$X$与$Y$独立时，$text{Cov}（X,Y）=0$，即$D（aX+bY） = a^2D（X） + b^2D（Y）$。

四、补充说明

连续型随机变量 ：若$X$为连续型随机变量，其概率密度函数为$f（x）$，则方差公式为：

$$

D(X) = int_{-infty}^{infty} (x - mu)^2 f(x) , dx

$$

期望与方差的关系 ：方差的另一种计算公式为$D（X） = E（X^2） - [E（X）]^2$，适用于离散型和连续型随机变量。

以上公式和性质为概率论中分析数据离散程度提供了基础工具。