统计学名词解释 —— 5.「样本均值」、「样本方差」与「样本中心矩」

统计学中有一些很重要的度量方式，如同「概率论」中用期望、方差评价分布的离散情况一样；在统计学里也使用了相似的概念，比如说「均值」、「方差」，另外还多了一个「样本炬」，现在让我们来看看这些具体的定义吧。

样本均值

$$\bar{X}=\frac{1}{n}\sum _{i=1}^n{x}_i$$

这个没什么好特别说明的，就是把「样本个体」的值相加后除以「样本总数」得到一个平均值。

样本方差

$$S^2=D(X)=\frac{1}{n-1}\sum _{i=1}^n(x_i-\mu {)}^2$$

样本方差，和总体方差 $\frac{1}{n}{\sum }_{i=1}^n(x_i-\mu {)}^2$ 同样是对离散程度的估计，但是两者之间存在着一定的区别。

由于统计学引入了 自由度 的概念，所以通常情况下我们计算样本方差时会把 $n$ 调整为 $n-1$。因为对于两两独立的样本来说，评价它们的离散情况，我们最少需要两个样本参与计算，这就导致我们不能使用 $n$ 来作为方差均值的分母，而只能用 $n-1$。

样本矩 (moments)

设 $x_1,\cdots x_n$ 为从总体F中抽取的样本，则称

$$a_k=\frac{1}{n}\sum _{i=1}^n{x}_i^k,k=1,2,\cdots$$

为样本k阶原点矩，如果 $k=1$ 时，$a_1=\bar{X}$ 即样本均值，称

$$m_k=\frac{1}{n}\sum _{i=1}^n(x_i-\bar{X}{)}^k,k=2,3,\cdots$$

为样本k阶中心矩。

---

对于什么是「样本矩 」，中文的翻译其实真让人摸不着头脑。「矩」引用自物理学，数学上对于「矩」的比较正式的定义如下：

在数学中，函数的矩是与函数图形形状相关的定量度量。
如果函数表示质量，则一阶矩为质心，二阶矩为转动惯量。
如果函数是概率分布，那么第一个矩是期望值，第二个中心矩是方差；第三个标准化矩是偏度；第四个标准化矩是峰度。
数学概念与物理学中的矩概念密切相关。

而「矩」在物理上原本的定义如下：

在物理学中，矩是表示距离和物理量乘积的物理量（即向量叉乘）。由其定义，矩通常需要一个参考点（基点或参考系）来定义距离。如力和参考点距离乘积得到的力矩（或扭矩），原则上任何物理量和距离相乘都会产生力矩，质量，电荷分布等。