平差之统计学基础(二)

单独观测(随机变量)的方差/标准差和均值:假如对1个观测量测上n次($l_1-l_n$),n趋近于无穷,也就是总体为n,则这n个数据呈正态分布$$\mathcal{N}\left({\mu }_l,{\sigma }_l^2\right)$$
但是，如果总体量很大，不能做到全部采样，那么就需要用样本来估计总体，假设从总体为n的总数中抽取k个样本，其中(n>>k).
参见:https://www.zhihu.com/question/22864111
比较总体样本和抽样样本

单个样本/的均值:
$${\bar{x}}_l=E(l)=\frac{l_1+...+l_k}{k}$$
m(m趋近于正无穷)个/样本的均值/的均值,也就是样本均值的期望:
$$E({\bar{x}}_l)=\frac{{\bar{x}}_{l1}+{\bar{x}}_{l2}+...+{\bar{x}}_{lm}}{m}={\mu }_l$$
单个样本的方差:
$$s_l^2=\mathrm{Var}(l)=E\left[(l-{\bar{x}}_l{)}^2\right]=\frac{1}{k}\sum _{i=1}^k{\left(l_i-{\bar{x}}_l\right)}^2$$
根据期望值运算律以及我在这篇文章中关于方差的推导:https://blog.csdn.net/mrzkilin/article/details/104645938,可得
$$\begin{gathered} s_l^2=\mathrm{Var}(l)=E\left[(l-{\bar{x}}_l{)}^2\right]=E\left[((l-\mu )-({\bar{x}}_l-\mu ){)}^2\right] \\ =E\left[(l-\mu {)}^2\right]-({\bar{x}}_l-\mu {)}^2={\sigma }_l^2-E\left[({\bar{x}}_l-{\mu }_l{)}^2\right]=\frac{k-1}{k}{\sigma }_l^2 \end{gathered}$$
m个单个样本的均值的/方差,也就是样本均值的方差,也是算数平均值的方差:
$$s_{{\bar{x}}_l}^2=\mathrm{Var}({\bar{x}}_l)=E\left[({\bar{x}}_l-{\mu }_l{)}^2\right]=\frac{1}{m}\sum _{i=1}^m{\left({\bar{x}}_l-{\mu }_l\right)}^2$$
根据方差的运算律以及$l_1-l_k$之间是独立同分布的随机变量(也就是方差标准差什么的都一样)
$$\begin{array}{rl}{s}_{{\bar{x}}_l}^2=& \mathrm{Var}({\bar{x}}_l)=\mathrm{Var}\left(\frac{1}{k}\left(l_1+l_2+\dots +l_k\right)\right)=\frac{1}{k^2}\mathrm{Var}\left(l_1+l_2+\dots +l_k\right)=\\ & \frac{1}{k^2}\left[\mathrm{Var}\left(l_1\right)+\mathrm{Var}\left(l_2\right)+\dots +\mathrm{Var}\left(l_k\right)\right]=\frac{1}{k^2}\left[k\mathrm{Var}\left(l\right)\right]=\frac{1}{k}\mathrm{Var}\left(l\right)=\frac{s_l^2}{k}\end{array}$$

m个单个样本的均值的/标准差,也是算数平均值的标准差,也叫标准误.
标准误:样本统计量的标准差,“样本均值的估计标准误差”，简称平均值标准误差（standard error of the mean, SEM），或平均数标准误差。
$$s_{{\bar{x}}_l}=\frac{s_l}{\sqrt{k}}$$
k为单个样本的大小(容量).

---

接下来介绍平差里跟普通统计学比较不一样的部分.
在平差里面,方差是用来衡量随机误差的分散度的.公式如下:
$${\sigma }_l^2=E\left({\epsilon }^2\right)=E\left\{(L-\mu {)}^2\right\}=E(L{)}^2-{\mu }^2$$
$\epsilon$:随机误差
L:观测值
$\mu$:观测值的期望值