如何选择样本方差的计算方法

译自：http://www.visiondummy.com/2014/03/divide-variance-n-1/

1 简介

为了回答本文的标题，在这篇文章中将介绍正太分布数据的均值和方差计算公式。如果有些读者对这些公式的背后推导不感兴趣，而仅仅只是想知道两种计算公式（除以$N$和除以$N-1$）的使用场景，请看如下的概述

• 如果需要同时估计均值和方差（这种情况非常常见，均值和方差都未知），此时采用除以$N-1$公式，此时的方差计算公式如下：
  $${\sigma }^{2}=\frac{1}{N-1}\sum_{i=1}^{N}(x_{i}-\mu)^2$$
• 如果样本的均值已知，只需要计算样本的方差，则此时采用除以$N-1$的公式，方差计算公式如下：
  $${\sigma }^{2}=\frac{1}{N}\sum_{i=1}^{N}(x_{i}-\mu)^2$$
  前一个公式是最常用的，后一个公式经常用来估计高斯噪声的方差。因为高斯噪声的均值是已知的为0，仅仅需要估计它的方差即可。

对于正太分布的数据，可以用均值$\mu$和方差$\sigma^2$对其刻画，方差是标准差$\sigma$的平方，标准差表示每个样本点偏离均值的程度。换句话说标准差刻画了数据的散布程度。对于正太分布在区间[$\mu-\sigma,\mu+\sigma$]中的数据占全部数据的68.3%。下图表示的是$\mu=10，\sigma^2=3^2=9$的高斯概率密度函数

图1 高斯概率密度函数，68%的样本点落在 $2\sigma$的区间范围内

通常情况下我们无法获得全部的样本数据。例如，在上面的例子中，我们无法获取x轴上的全部数据点，而只能获得少量的样本点，假设只能获得如下表的观察数据

表1 高斯分布的观察数据

可以通过下式计算经验均值为

$$\mu=\frac{10+12+7+5+11}{5}=9-[1]$$
通常加设经验均值趋近于实际均值，因此可以认为以上的观察数据来自于均值为9的高斯分布。在这个例子中 真实的样本均值为10，所以可以证明经验均值趋近于实际的样本均值。

样本的方差计算如下：

$${\sigma }^{2}=\frac{1}{N-1}\sum_{i=1}^{N}(x_{i}-\mu)^2=\frac{(10-9)^2+(12-9)^2+(7-9)^2+(5-9)^2+(11-9)^2}{4}=8.5-[2]$$
通常情况下假设经验方差趋近于实际方差，在这个例子中实际方差为9，这表明确实可以用经验方差代表实际方差。

现在的问题是，为什么使用如上的计算方法是正确的，如果用另一种计算方差的方法（除以$N$），如下:

$${\sigma }^{2}=\frac{1}{N}\sum_{i=1}^{N}(x_{i}-\mu)^2=\frac{(10-9)^2+(12-9)^2+(7-9)^2+(5-9)^2+(11-9)^2}{5}=6.8-[3]$$
[2]和[3]式的区别仅为除以的是$N-1$还是$N$。两种计算公式都是正确的，可是如何根据不同的计算情景采用不同的计算公式哪。

对参数的近似计算称为估计。下面给出一些计算符号，用$\hat{\mu }$和$\hat{\sigma }^2$分别表示均值和方差的真值，$\mu$和$\sigma ^2$分别表示估计出的均值和方差的经验值。

为了获得最优的估计值，首先应该获得观测数据$x_i$的似然函数，假设观测样本来自均值为$\mu$和标准差为$\sigma$的正太分布，表示为$N(\mu,\sigma^2)$，则样本$x_i$概率分布函数为:

$$x_i\sim N(\mu,\sigma^2)$$
$$\Rightarrow P(x_i;\mu,\sigma)=\frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{1}{2\sigma^2}(x_i-\mu)^2}-4$$

为了估计均值和方差，至少需要两个以上的观测样本。记观测样本为$\vec{x}=(x_1,x_2,...,x_N)$，假设这些样本统计独立，可以得到观测样本的似然函数为：

$$P(\vec{x};\mu,\sigma)=P(x_1,x_2,...,x_N;\mu,\sigma)=P(x_1;\mu,\sigma)P(x_2;\mu,\sigma)...P(x_N;\mu,\sigma)=\prod_{i=1}^{N}P(x_i;\mu,\sigma^2)-[5]$$
将[4]式代入[5]中，可以得到似然函数的解析表达式
$$P(\vec{x};\mu,\sigma^2)=\prod_{i=1}^{N} \frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{1}{2\sigma^2}(x_i-\mu)^2}=\frac{1}{(2\pi\sigma^2)^\frac{N}{2}}e^{-\frac{1}{2\sigma^2}\sum_{i=1}^{N}(x_i-\mu)^2}-[6]$$

[6]式非常重要，下面将会利用这个式子到处高斯分布的均值和方差的计算公式。

2 最小方差，无偏估计

为了确定估计结果的质量，首先需要定义一个标准用于度量估计结果是否准确。估计结果的好坏与两个因素有关，即偏差(bias)和方差(variance)，下面将会讨论估计均值的方差(mean-estimator)和估计方差的方差(variance-estimator)。下面简单的讨论这两个方面。

• 参数偏差(Parameter bias)
  假设可以获得分布不重合的样本子集，与表1中的数据类似，假设还有表2，表3等不同的观测数据。则为了获得均值的最佳估计结果，需要对这些样本子集的均值做平均，平均后的均值可能会更趋近于真实的均值。虽然我们可能认为一个样本子集的经验均值不等于真实均值，一个最优的估计结果必须保证平均后的均值要等于真实均值。这种约束用数学公式表示为估计的均值等于真实的参数值，即如下
  $$E[\mu]=\hat{\mu}$$
  $$E[\sigma^2]=\hat{\sigma}^2-[7]$$
  如果估计的结果满足[7]式，则称为无偏估计。如果不满足[7] 式则称为有偏估计，此时的估计结果比真实值偏大或者偏小。
• 参数方差(Parameter variance)
  无偏估计能够保证平均后的估计结果等于真实参数。但是这并不意味着每个估计结果都是好的估计。例如，如果真实的均值为10，一个无偏估计的结果在一个样本子集上的结果为50，另一个样本子集上的估计结果为-30，估计的期望确实为10，当时估计的质量显然还依赖于每个估计的跨度。(10, 15, 5, 12, 8)和(50, -30, 100, -90, 10)的估计结果都是无偏的，都是第一个集合中的个体更接近于真实的估计值。
  因此一个好的估计不但要有低偏差，同时还要有低方差。方差可以表示为估计的均方差：
  $$Var(\mu)=E[(\hat{\mu}-\mu)^2]$$
  $$Var(\sigma^2)=E[(\hat{\sigma}-\sigma)^2]$$
  好的估计结果不但要有低偏差还要有低方差。最优的估计如果存在的话，它的偏差和方差要比任何其它的估计都要小。这种估计称为最小方差无偏估计(minimum variance, unbiased (MVU) )。下一节中将会推导高斯分布的均值和方差计算公式。将会看到在特定的假设条件下正太分布的方差MVU估计采用的是除以$N$的公式，当条件不符合时采用的是除以$N-1$的公式。

3 极大似然估计

虽然有多种技术可以估计参数，但是最简单的还是极大似然估计法。

观测数据$\vec{x}$的概率可以用[6]式定义为$P(\vec{x};\mu,\sigma^2)$。固定$\mu$和$\sigma^2$，改变$\vec{x}$，可以得到如图1所示的高斯分布。如果固定$\vec{x}$而改变$\mu$和$\sigma^2$，例如取$\vec{x}=(10,12,7,5,11)$，同时取$\mu=10$让$\sigma^2$发生变化，图2是固定$\vec{x}$和$\sigma^2$，不同的$\sigma^2$对应的似然函数值。

图2 固定 $\vec{x}，\mu=10$不同的 $\sigma^2$对应的似然函数分布
在图2中通过固定 $\mu=10$，改变 $\sigma^2$计算似然函数 $P(\vec{x};\sigma^2)$，曲线上的每个点表示从方差为 $\sigma^2$的高斯分布中采样的观测数据 $\vec{x}$的似然函数值。曲线中的峰值对应的 $\sigma^2$最有可能是产生观测数据的分布对应的真值。因此可以把峰值对应的 $\sigma^2$当作最优的参数。在这个例子中峰值对应的 $\sigma^2=7.8$，因此标准差为 $\sqrt{\sigma^2}=2.8$。在均值 $\mu=10$固定时，按照如下方法计算出的方差为7.8：
$$\frac{(10-10)^2+(12-10)^2+(7-10)^2+(5-10)^2+(11-10)^2}{5}=7.8$$
因此，通过观测数据估计方差只需要找到似然函数的极大值对应的 $\sigma$即可。如果不固定 $\mu$，而是 $\mu和\sigma$同时发生改变。此时要估计 $\mu和\sigma$，就需要找到二维似然函数的极大值。
为了找打函数的极大值，只要使函数的梯度为0。如果要找到二维函数的极大值，需要求解二维函数的偏导数，并使其为0。用 $\hat{\mu}_{ML}$和 $\hat{\sigma}_{ML}^{2}$分别表示极大似然估计方法估计的均值和方差，求解极大似然函数的偏导数，并令其为0，如下：
$$\hat{\mu}_{ML}=arg \underset{\mu}{max}P(\vec{x};\mu,\sigma^2)\Rightarrow \frac{\partial P(\vec{x};\mu,\sigma^2)}{\partial \mu}=0$$
以及
$$\hat{\sigma}_{ML}^{2}=arg \underset{\sigma^2}{max}P(\vec{x};\mu,\sigma^2)\Rightarrow \frac{\partial P(\vec{x};\mu,\sigma^2)}{\partial \sigma^2}=0$$
稍后将会从此技术计算 $\hat{\mu}和\hat{\sigma}^2$的MVU。主要考虑如下两种情况：
第一种情况为，假设 $\hat{\mu}$已知，此时只要估计方差，这对应于求解一维似然函数的极大值问题，实际上这种问题在实际中并不常见，但是也有少量的实际应用。例如，如果希望计算被白噪声（也就是均值为0的高斯分布的噪声）污染的信号值，由于均值是已知的所以只需要计算方差即可。
第二种情况是，均值和方差都是未知的，这种情况是实际中最常见的。下面将介绍不同的情况下的MVU。具体来说第一种情况下使用除以 $N$的方差计算公式，第二种情况使用$N-1$的方差计算公式。

4 均值已知估计方差

• 参数估计
  如果分布的均值已知，似然函数仅仅是参数$\sigma^2$的函数，极大似然估计对应下式：
  

  $$\hat{\sigma}_{ML}^{2}=arg \underset{\sigma^2}{max}P(\vec{x};\sigma^2)-[8]$$
  实际上直接计算[6]式的梯度还是比较复杂的。不过计算对数似然函数的梯度就简单的多了，因为对数函数是单调的，最大化对数似然函数和极大化原始问题是等价的，因此可以求解如下问题得到最优解：
  $$\hat{\sigma}_{ML}^{2}=arg \underset{\sigma^2}{max}log(P(\vec{x};\sigma^2))-[9]$$
  为了表示简单，设$s=\sigma^2$，为了求解对数似然函数的极大值，我们计算[6]式对数的梯度并设其为0：
  $$\begin{array}{l} \begin{array}{*{20}{l}} {\frac{{\partial \log (P(\vec x;{\sigma ^2}))}}{{\partial {\sigma ^2}}} = 0}\\ { \Leftrightarrow \frac{{\partial \log (P(\vec x;s))}}{{\partial s}} = 0}\\ \begin{array}{l} \Leftrightarrow \frac{\partial }{{\partial s}}\log \left( {\frac{1}{{{{\left( {2\pi s} \right)}^{\frac{N}{2}}}}}{e^{ - \frac{1}{{2s}}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} }}} \right) = 0\\ \Leftrightarrow \frac{\partial }{{\partial s}}\log \left( {\frac{1}{{{{\left( {2\pi } \right)}^{\frac{N}{2}}}}}} \right) + \frac{\partial }{{\partial s}}\log \left( {\frac{1}{{{{\sqrt {\left( s \right)} }^{\frac{N}{2}}}}}} \right) + \frac{\partial }{{\partial s}}\log \left( {{e^{ - \frac{1}{{2s}}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} }}} \right) = 0 \end{array} \end{array}\\ \Leftrightarrow \frac{\partial }{{\partial s}}\log \left( {{{\left( s \right)}^{ - \frac{N}{2}}}} \right) + \frac{\partial }{{\partial s}}\left( { - \frac{1}{{2s}}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} } \right) = 0\\ \Leftrightarrow - \frac{N}{2}\frac{\partial }{{\partial s}}\log \left( s \right) - \frac{1}{2}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} \frac{\partial }{{\partial s}}\left( {\frac{1}{s}} \right) = 0\\ \Leftrightarrow - \frac{N}{{2s}} + \frac{1}{2}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} \left( {\frac{1}{{{s^2}}}} \right) = 0\\ \Leftrightarrow \frac{N}{{2{s^2}}}\left( { - s + \frac{1}{N}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} } \right) = 0\\ \Leftrightarrow \frac{N}{{2{s^2}}}\left( {\frac{1}{N}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} - s} \right) = 0\end{array}$$
  显然如果$N>0$，解的结果为：
  $$s = {\sigma ^2} = \frac{1}{N}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}}-[10]$$
  此时极大似然估计求得的$\hat{\sigma}$是计算正太分布数据的原生方法，此时的归一化因子为$\frac{1}{N}$。
  由于极大似然估计并不能保证估计结果是无偏的。也就是说如果获得的估计是无偏的，极大似然估计法不能保证估计结果使方差最小。因此需要检测估计[10]式的估计值是否是无偏的。

• 对估计结果评估
  只要[10]式满足以下条件，其就是无偏的
  

  $$E[s]=\hat{s}$$
  将[10]式
  两边取平均得如下：
  $$\begin{array}{l} E[s] = E\left[ {\frac{1}{N}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} } \right] = \frac{1}{N}\sum\limits_{i = 1}^N {E\left[ {{{\left( {{x_i} - \mu } \right)}^2}} \right]} \\ = \frac{1}{N}\sum\limits_{i = 1}^N {E\left[ {x_i^2 - 2{x_i}\mu + {\mu ^2}} \right]} \\ = \frac{1}{N}\left( {NE\left[ {x_i^2} \right] - 2N\mu E\left[ {{x_i}} \right] + N{\mu ^2}} \right)\\ = \frac{1}{N}\left( {NE\left[ {x_i^2} \right] - 2N{\mu ^2} + N{\mu ^2}} \right)\\ = \frac{1}{N}\left( {NE\left[ {x_i^2} \right] - N{\mu ^2}} \right) \end{array}$$
  根据方差的性质$\hat{s}=E[x_{i}^2]-E[x_i]^2$，因此有$E[x_{i}^2]=\hat{s}+E[x_i]^2=\hat{s}+\mu^2$，使用以上性质看得：
  $$\begin{array}{l} E[s] = \frac{1}{N}\left( {NE\left[ {x_i^2} \right] - N{\mu ^2}} \right)\\ = \frac{1}{N}\left( {N\widehat s + N{\mu ^2} - N{\mu ^2}} \right)\\ = \frac{1}{N}\left( {N\widehat s} \right)\\ = \widehat s \end{array}$$
  即$E[s]=\hat{s}$，因此获得的方差是无偏估计。由于极大似然法能够保证无偏估计的同时还能够保证MVU，这意味这没有其它的估计结果能比现在的结果更好。
  因此当真实的均值已知时，计算方差时需要用$N$代替$N-1$。

5 均值未知的方差估计

• 参数估计
  在上一节介绍了均值已知，估计方差的计算公式。如果均值未知，那就要同时估计均值，因为在估计方差时需要均值信息。此时上节中介绍的计算方差的方法不再是无偏的了。下面将证明，此时用$N-1$代替$N$就可以得到无偏估计了。
  和上节一样用极大似然估计方法计算均值$\hat{\mu}$的极大似然结果
  

  $$\begin{array}{l} \begin{array}{*{20}{l}} {\frac{{\partial \log (P(\vec x;s,\mu ))}}{{\partial \mu }} = 0}\\ { \Leftrightarrow \frac{\partial }{{\partial \mu }}\log \left( {\frac{1}{{{{\left( {2\pi s} \right)}^{\frac{N}{2}}}}}{e^{ - \frac{1}{{2s}}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} }}} \right) = 0}\\ { \Leftrightarrow \frac{\partial }{{\partial \mu }}\log \left( {\frac{1}{{{{\left( {2\pi } \right)}^{\frac{N}{2}}}}}} \right) + \frac{\partial }{{\partial \mu }}\log \left( {{e^{ - \frac{1}{{2s}}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} }}} \right) = 0} \end{array}\\ \Leftrightarrow \frac{\partial }{{\partial \mu }}\left( { - \frac{1}{{2s}}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} } \right) = 0\\ \Leftrightarrow - \frac{1}{{2s}}\frac{\partial }{{\partial \mu }}\left( {\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} } \right) = 0\\ \Leftrightarrow - \frac{1}{{2s}}\left( {\sum\limits_{i = 1}^N { - 2\left( {{x_i} - \mu } \right)} } \right) = 0\\ \Leftrightarrow \frac{1}{s}\left( {\sum\limits_{i = 1}^N {\left( {{x_i} - \mu } \right)} } \right) = 0\\ \Leftrightarrow \frac{N}{s}\left( {\frac{1}{N}\sum\limits_{i = 1}^N {\left( {{x_i}} \right) - \mu } } \right) = 0 \end{array}$$
  如果$N>0$以上等式的解为：
  $$\mu = \frac{1}{N}\sum\limits_{i = 1}^N {\left( {{x_i}} \right)}-[11]$$
  这就是样本均值的估计公式。现在假设[10]式的方差计算公式$\hat{s}$仍然是MVU估计。下一节将证明在均值未知时[10]式的估计将是有偏的。

• 对估计结果评估
  只要估计结果$\mu$满足[7]式，其就是无偏的
  

  $$E[\mu ] = E\left[ {\frac{1}{N}\sum\limits_{i = 1}^N {\left( {{x_i}} \right)} } \right] = \frac{1}{N}\sum\limits_{i = 1}^N {E\left[ {{x_i}} \right]} = \frac{1}{N}NE\left[ {{x_i}} \right] = \frac{1}{N}N\widehat \mu$$
  因此[11]式是无偏估计，如果估计是无偏的，则极大似然估计就能保证估计的方差是最小方差估计，已经证明$\mu$是均值的MVU估计。

为了检验用经验均值$\mu$代替真值$\hat{\mu}$后[10]式是否依然是无偏估计，需要做如下推导：

$$\begin{array}{l} s = {\sigma ^2} = \frac{1}{N}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \mu } \right)}^2}} \\ = \frac{1}{N}\sum\limits_{i = 1}^N {{{\left( {{x_i} - \frac{1}{N}\sum\limits_{i = 1}^N {\left( {{x_i}} \right)} } \right)}^2}} \\ = \frac{1}{N}\sum\limits_{i = 1}^N {\left[ {x_i^2 - 2{x_i}\frac{1}{N}\sum\limits_{i = 1}^N {\left( {{x_i}} \right)} + {{\left( {\frac{1}{N}\sum\limits_{i = 1}^N {\left( {{x_i}} \right)} } \right)}^2}} \right]} \\ = \frac{{\sum\limits_{i = 1}^N {x_i^2} }}{N} - \frac{{2\sum\limits_{i = 1}^N {{x_i}\sum\limits_{i = 1}^N {{x_i}} } }}{{{N^2}}} + {\left( {\frac{{\sum\limits_{i = 1}^N {{x_i}} }}{N}} \right)^2}\\ = \frac{{\sum\limits_{i = 1}^N {x_i^2} }}{N} - {\left( {\frac{{\sum\limits_{i = 1}^N {{x_i}} }}{N}} \right)^2} \end{array}$$
为了验证参数是否为无偏，看其是否满足[7]式：
$$\begin{array}{l} E[s] = E\left[ {\frac{{\sum\limits_{i = 1}^N {x_i^2} }}{N} - {{\left( {\frac{{\sum\limits_{i = 1}^N {{x_i}} }}{N}} \right)}^2}} \right]\\ = \frac{{\sum\limits_{i = 1}^N {E\left[ {x_i^2} \right]} }}{N} - \frac{{E\left[ {{{\left( {\sum\limits_{i = 1}^N {{x_i}} } \right)}^2}} \right]}}{{{N^2}}} \end{array}$$
前面已经知道方差的计算公式有 $\hat{s}=E[x_{i}^2]-E[x_i]^2$，因此 $E[x_i]^2=\hat{s}+E[x_{i}^2]=\hat{s}+\mu^2]$，使用以上性质可得如下等式：
$$\begin{array}{l} E[s] = \frac{{\sum\limits_{i = 1}^N {E\left[ {x_i^2} \right]} }}{N} - \frac{{E\left[ {{{\left( {\sum\limits_{i = 1}^N {{x_i}} } \right)}^2}} \right]}}{{{N^2}}}\\ = s + {\mu ^2} - \frac{{E\left[ {{{\left( {\sum\limits_{i = 1}^N {{x_i}} } \right)}^2}} \right]}}{{{N^2}}}\\ = s + {\mu ^2} - \frac{{E\left[ {\sum\limits_{i = 1}^N {x_i^2} + \sum\limits_i^N {\sum\limits_{j \ne i}^N {{x_i}{x_j}} } } \right]}}{{{N^2}}}\\ = s + {\mu ^2} - \frac{{E\left[ {N\left( {s + {\mu ^2}} \right) + \sum\limits_i^N {\sum\limits_{j \ne i}^N {{x_i}{x_j}} } } \right]}}{{{N^2}}}\\ = s + {\mu ^2} - \frac{{N\left( {s + {\mu ^2}} \right) + \sum\limits_i^N {\sum\limits_{j \ne i}^N {E\left[ {{x_i}} \right]E\left[ {{x_j}} \right]} } }}{{{N^2}}}\\ = s + {\mu ^2} - \frac{{N\left( {s + {\mu ^2}} \right) + N\left( {N - 1} \right){\mu ^2}}}{{{N^2}}}\\ = s + {\mu ^2} - \frac{{N\left( {s + {\mu ^2}} \right) + {N^2}{\mu ^2} - N{\mu ^2}}}{{{N^2}}}\\ = s + {\mu ^2} - \frac{{s + {\mu ^2} + N{\mu ^2} - {\mu ^2}}}{N}\\ = s + {\mu ^2} - \frac{s}{N} - \frac{{{\mu ^2}}}{N} - {\mu ^2} + \frac{{{\mu ^2}}}{N}\\ = s - \frac{s}{N}\\ = s\left( {1 - \frac{1}{N}} \right)\\ = s\left( {\frac{{N - 1}}{N}} \right) \end{array}$$
因为 $E[s] \ne \hat s$，这表明方差的估计不是无偏的。随着样本数 $N \to \infty$偏差收敛到0。对于小样本集的情况这种偏差的影响较大，要予以消除。

• 固定偏差
  为了消除这种偏差，定义新的无偏估计$s^\prime$为
  $$\begin{array}{l} {s^\prime } = s{\left( {\frac{{N - 1}}{N}} \right)^{ - 1}}\\ {s^\prime } = {\left( {\frac{{N - 1}}{N}} \right)^{ - 1}}\frac{1}{N}{\sum\limits_{i = 1}^N {\left( {{x_i} - \mu } \right)} ^2}\\ {s^\prime } = \frac{N}{{N - 1}}\frac{1}{N}{\sum\limits_{i = 1}^N {\left( {{x_i} - \mu } \right)} ^2}\\ {s^\prime } = \frac{1}{{N - 1}}{\sum\limits_{i = 1}^N {\left( {{x_i} - \mu } \right)} ^2} \end{array}$$
  此时的估计$s^\prime$为无偏估计。注意此时的估计结果不再是最小方差估计了，但是它是最小的无偏估计。如果除以$N$则估计是有偏的，如果除以$N-1$则结果不是最小的估计方差。一般来说有偏估计的结果比稍微偏大的无偏估计结果危害更大。因此如果样本的均值是未知的应该采用除以$N-1$的公式，而不是采用除以$N$的那个公式。

6 结论

在本文中展示了正太分布的均值和方差的计算公式。证明了如果正太分布的方差已知可以采用${\sigma }^{2}=\frac{1}{N-1}\sum_{i=1}^{N}(x_{i}-\mu)^2$因子的计算公式，如果均值和方差都未知则应该用${\sigma }^{2}=\frac{1}{N}\sum_{i=1}^{N}(x_{i}-\mu)^2$。