为什么标准误差要除以√n？——统计学的平方根法则

统计

在上一篇文章中，我们提到过“抽样误差”——当我们用样本去推断总体时，即使抽样方法完全随机，不同样本得到的结果也会略有不同，这种自然波动就是抽样误差（Sampling Error）。

但很多人不知道，抽样误差其实有不同的形式。要真正理解“为什么标准误差要除以√n”，我们得先从这些误差类型讲起。

一、抽样误差的几种形式

在统计学中，“抽样误差”并不是单一概念，而是一个家族。不同的误差，衡量的是不同层次的不确定性👇

📘 早期教材（尤其是苏联和日本的译本）常用“抽样平均误差”和“抽样极限误差”这两个术语。

在现代统计体系中，它们分别对应我们熟悉的 标准误差（SE） 和 置信区间误差（E）。

所谓“抽样平均误差”，其实就是标准误差（Standard Error）。它反映的是：如果我们从总体中反复抽样、每次计算一个样本均值，那么这些样本均值之间的波动程度。

公式为：

它告诉我们：样本均值的稳定性取决于总体波动（σ）和样本量（n）。样本越大，平均值就越稳定，抽样波动就越小。

“抽样极限误差”强调的是一个“区间”，它告诉我们：样本估计值与总体参数的最大偏离有多大。

公式为：

例如，当置信水平为95%时，，这意味着我们有95%的把握认为总体参数落在“样本估计值 ± 1.96×SE”的范围内。

📊 民调中的“支持率52% ±3%”，其实正是基于这个计算得出的。

理解完“标准误差是什么”，我们终于可以回到核心问题：

为什么标准误差的公式是除以√n，而不是直接除以n？

这是因为，标准误差体现的是统计学中最优美的规律之一——平方根法则（Square Root Law）。

1️⃣ 从直觉理解：平均能“平滑”随机性

假设我们掷骰子：

平均数越多，结果越稳定。

但这种稳定不是线性的：样本量扩大 4 倍，误差不会减少 4 倍，而是减少到 原来的 1/2。也就是说，误差的大小与样本量的平方根成反比。

这正是公式中 √n 的来源。

2️⃣ 从数学推导看：方差是可加的

样本均值是：

如果每个样本的方差都是，且彼此独立，则样本均值的方差为：

对方差开平方根，得到标准误差：

换句话说：“除以√n”是因为方差与样本量成反比，而我们要用标准差表示波动，就需要开平方根。

3️⃣ 从实践例子看

一个人测量体温，可能误差较大；四个人各自测量取平均，误差约减半；一百个人测量取平均，误差几乎可以忽略。

样本量扩大 4 倍，误差减为原来的一半；样本量扩大 100 倍，误差约减为原来的十分之一。

这就是“平方根法则”的现实意义。

📌 一句话总结：

“√n”是统计学对“样本越多越稳定”这一经验规律的数学刻画。它提醒我们：样本量增加确实能减小误差，但收益递减——这就是统计学的优雅之处。