過程變異數的期望值
/ abbreviated EPV /
取一位真實事故率固定的司機。即便如此，她有些年份沒有事故，有些年份一兩起——純屬運氣在她自己真實費率周圍擺動。這種逐年的擺動，即在某風險真實值被固定下來後其內部的雜訊，就是過程變異數。過程變異數的期望值 EPV，是這種擺動在母體中所有風險上的平均——衡量單個風險的資料平均而言有多吵。
形式上，對於帶有隱藏參數 theta 的風險，過程變異數為 Var(理賠 | theta)——即風險類型已知時結果的散布。我們幾乎從不知道 theta，於是把它對風險類型的分布取平均：EPV = E[ Var(理賠 | theta) ]。這是「組內」或「雜訊」那一塊。一幅小小的數值圖景：若已知某司機為高風險，其一年的次數仍以變異數 0.5 變動，低風險司機的次數以變異數 0.3 變動，而兩類同樣常見，則 EPV = (0.5 + 0.3)/2 = 0.4。
EPV 是 Bühlmann 信度的兩個結構參數之一（另一個是假設均值的變異數）。它是分母的朋友：EPV 大意味著每個風險自身的資料非常吵，這會把 Bühlmann 常數 k = EPV/VHM 推高、把信度 Z 壓低——你更少地信任個體的資料，因為你看到的大部分都是運氣。從資料中估計 EPV（通常取各風險樣本變異數的平均）是經驗貝氏信度的核心一步。
高風險司機的年次數以變異數 0.5 變動，低風險以 0.3，兩組同樣常見。過程變異數的期望值為 (0.5 + 0.3)/2 = 0.4——即單個司機內部平均的「運氣」雜訊。
EPV 把組內變異數在整個風險類型母體上取平均。
EPV 是即便你完全知道每個風險的類型仍會存在的變動——它是不可消除的運氣，而非無知。別把它與組間散布（VHM）混淆，後者正是信度試圖探測的那部分。