全變異數公式（law of total / conditional variance）

一個量的總不確定性可以來自兩個來源：每種情境「之內」的分散，以及隨著你切換情境時情境「之間」的分散。全變異數公式把總變異數乾淨地拆成恰好這兩塊。

它說 Var(X) = E[ Var(X given Y) ] + Var( E[X given Y] )。第一項 E[Var(X given Y)] 是在固定 Y 之後 X 殘留變異性的平均 —— 組內、未被解釋的分散。第二項 Var(E[X given Y]) 是隨 Y 變動時各條件平均本身的變異性 —— 知道 Y 便能解釋的組間分散。兩者皆非負，故總變異數永遠至少不小於任一塊。一個方便的記法：條件變異數的平均，加上條件平均的變異數。

這個分解是變異數分析的骨幹，是迴歸與預測中「已解釋 vs. 未解釋」變異概念的骨幹，也是混合模型與階層模型的骨幹。它量化了一個預測變數 Y 原則上能移除多少結果的不確定性（組間項），相對於在已知 Y 之下不可化約的雜訊有多少（組內項）。它是全期望公式的天然搭檔 —— 兩者合起來讓你能藉由條件化來計算平均與變異數。