贡献者： 待更新
- 本文处于草稿阶段。
- 本文缺少预备知识，初学者可能会遇到困难。
例题：比如说有一个概率分布 $y = f(x)$。 它的
平均值（数学期望）为 $\bar x = \int_{-\infty}^{+\infty} xf(x) \,\mathrm{d}{x} $，
方差为 $\sigma_x^2 = \int_{-\infty}^{+\infty} (x - \bar x)^2 f(x) \,\mathrm{d}{x} = \left(\int_{-\infty}^{+\infty} x^2 f(x) \,\mathrm{d}{x} \right) - \bar x^2 = \overline{x^2} - \bar x^2~,$
标准差为 $\sigma_x = \sqrt{\int_{-\infty}^{+\infty} (x - \bar x)^2 f(x) \,\mathrm{d}{x} } $。
如果测量一个数据，这三个值就可以用来衡量这个数据的特征。
但如果测量 $n$ 次平均值，那显然平均值显然要比一次测量更可靠，${\sigma_{\bar x}} < {\sigma_x}$。 各种教科书上都会给出 ${\sigma_{\bar x}} = \frac{1}{\sqrt n }{\sigma_x}$ 或者 $\sigma_{\bar x}^2 = \frac{1}{n}\sigma_x^2$。 那么这个公式到底怎么来的呢？
其实在上式中，$\sigma_{\bar x}^2$ 的定义是
\begin{equation}
\sigma_{\bar x}^2 = \int_{-\infty}^{+\infty} \left(\frac{1}{n}\sum_{i=1}^n x_i - \bar x \right) ^2 f(x_1) f(x_2)\dots f(x_n) \,\mathrm{d}{x_1} \dots \,\mathrm{d}{x_n} ~.
\end{equation}
下面就从这个定义证明 $\sigma_{\bar x}^2 = \frac{1}{n}\sigma_x^2$。
先考虑两次测量，即 $n = 2$ 的情况。先后得到 $x_1, x_2$ 的概率密度是 $f_2(x_1, x_2) = f(x_1) f(x_2)$。不难证明归一化：
\begin{equation}
\iint f(x_1) f(x_2) \,\mathrm{d}{x_1} \,\mathrm{d}{x_2} = \int f(x_1) \,\mathrm{d}{x_1} \int f(x_2) \,\mathrm{d}{x_2} = 1 \times 1 = 1 ~,
\end{equation}
先看 $(x_1 + x_2)/2$ 的平均值，令 $y = (x_1 + x_2)/2$。
\begin{equation} \begin{aligned}
\bar y &= \iint \frac{x_1+x_2}{2} f(x_1) f(x_2) \,\mathrm{d}{x_1} \,\mathrm{d}{x_2} \\
& = \frac12 \int {{x_1} f(x_1) \,\mathrm{d}{x_1} } \int f(x_2) \,\mathrm{d}{x_2} + \frac12 \int f(x_1) \,\mathrm{d}{x_1} \int x_2 f(x_2) \,\mathrm{d}{x_2} \\
&= \frac{\bar x}{2} + \frac{\bar x}{2} = \bar x~.
\end{aligned} \end{equation}
结论是，进行两次测量取平均值，数学期望就是测量一次的数学期望。这个结论是符合常识的。
根据同样的方法，可以测量方差。
\begin{equation} \begin{aligned}
\sigma_{\bar x}^2 &= \iint \left(\frac{x_1+x_2}{2} - \bar x \right) ^2 f(x_1) f(x_2) \,\mathrm{d}{x_1} \,\mathrm{d}{x_2} \\
&= \frac12 \left(\overline{x^2} - \bar x^2 \right) = \frac12 \sigma_x^2~,
\end{aligned} \end{equation}
所以 $\sigma_{\bar x}^2 = \frac12 \sigma_x^2$， 且 $\sigma_{\bar x} = \frac{1}{\sqrt 2 }\sigma_x~.$
对于 $n > 2$ 的情况，利用求和符号和积分运算法则，也很容易证明 $\sigma_{\bar x} = \frac{1}{\sqrt n} \sigma_x~.$
当 $N$ 很大时，另一种证明方法是使用中心极限定理。
致读者： 小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此，我们请求广大读者
热心打赏 ，使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损， 并在接下来的一年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款， 他们的付出帮助了 99% 的读者免费获取知识， 我们在此表示感谢。