统计学基础之样本方差和总体方差 |
您所在的位置:网站首页 › 样本方差s和sn › 统计学基础之样本方差和总体方差 |
统计学基础之样本方差与总体方差
文章目录
统计学基础之样本方差与总体方差1. 方差(variance)的定义2. 样本方差3. 总体方差公式的有偏性证明4. 样本方差公式分母为n-1的推导
参考资料:https://www.cnblogs.com/zzdbullet/p/10087196.html
1. 方差(variance)的定义
方差是用来度量随机变量和其数学期望(均值)之间的偏离程度的一个统计量。 统计学中(所有样本)的总体方差公式: σ 2 = ∑ ( X − μ ) 2 N (1-1) \sigma^2=\frac{\sum(X-\mu)^2}{N} \tag{1-1} σ2=N∑(X−μ)2(1-1) 其中 σ 2 \sigma^2 σ2是总体方差, X X X是随机变量, μ \mu μ是总体均值(有时也用 X ˉ \bar X Xˉ表示), N N N是总体样本数。这里提到的样本,是基于样本数量 N N N(几乎)无限的假设。对应的各个统计量,也是所有的样本所服从的分布的真实参数,是客观正真实的。 2. 样本方差现实情况中,我们往往得不到所有的无限样本,而只能抽样出一定数量的有限样本。通过有限的样本来计算的方差,称为样本方差,公式如下: S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ˉ ) 2 (2-1) S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2\tag{2-1} S2=n−11i=1∑n(Xi−Xˉ)2(2-1) 注意上式的系数和总体方差公式里面的系数不一样,分母是 n − 1 n-1 n−1。为什么不用 n n n作为分母呢?这是因为如果沿用总体方差的公式得到的样本方差,是对方差的一个有偏估计。用 n − 1 n-1 n−1作为分母的样本方差公式,才是对方差的无偏估计。 3. 总体方差公式的有偏性证明1 n ∑ i = 1 n ( X i − X ˉ ) 2 = 1 n ∑ i = 1 n [ ( X i − μ ) + ( μ − X ˉ ) ] 2 = 1 n ∑ i = 1 n ( X i − μ ) 2 + 2 n ∑ i = 1 n ( X i − μ ) ( μ − X ˉ ) + 1 n ∑ i = 1 n ( μ − X ˉ ) 2 = 1 n ∑ i = 1 n ( X i − μ ) 2 + 2 ( X ˉ − μ ) ( μ − X ˉ ) + ( μ − X ˉ ) 2 = 1 n ∑ i = 1 n ( X i − μ ) 2 − ( μ − X ˉ ) 2 (3-1) \begin{aligned} \frac{1}{n}\sum_{i=1}^{n}(X_i-\bar X)^2&=\frac{1}{n}\sum_{i=1}^{n}\left[(X_i-\mu)+(\mu-\bar X)\right]^2\\ &=\frac{1}{n}\sum_{i=1}^{n}(X_i-\mu)^2+\frac{2}{n}\sum_{i=1}^{n}(X_i-\mu)(\mu-\bar X)+\frac{1}{n}\sum_{i=1}^{n}(\mu-\bar X)^2\\ &=\frac{1}{n}\sum_{i=1}^{n}(X_i-\mu)^2+2(\bar X-\mu)(\mu-\bar X)+(\mu-\bar X)^2\\ &=\frac{1}{n}\sum_{i=1}^{n}(X_i-\mu)^2-(\mu-\bar X)^2\\ \tag{3-1} \end{aligned} n1i=1∑n(Xi−Xˉ)2=n1i=1∑n[(Xi−μ)+(μ−Xˉ)]2=n1i=1∑n(Xi−μ)2+n2i=1∑n(Xi−μ)(μ−Xˉ)+n1i=1∑n(μ−Xˉ)2=n1i=1∑n(Xi−μ)2+2(Xˉ−μ)(μ−Xˉ)+(μ−Xˉ)2=n1i=1∑n(Xi−μ)2−(μ−Xˉ)2(3-1) 换言之,除非正好有 X ˉ = μ \bar X=\mu Xˉ=μ,否则一定会有 1 n ∑ i = 1 n ( X i − X ˉ ) 2 < 1 n ∑ i = 1 n ( X i − μ ) 2 (3-2) \frac{1}{n}\sum_{i=1}^{n}(X_i-\bar X)^2 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |