n折交叉验证结果中的+-怎么算的？ 标准差？有偏估计？无偏估计？

n折交叉验证的结果怎么写

Q：这种实验结果里的±是怎么写出来的呢？
A：均值± 标准差

标准差

百度标准差的时候，发现了这两个公式。差别是，后者是无偏估计量。

无偏估计

那么什么是无偏估计呢？下面三个链接很好的解释了：
为什么分母从n变成n-1之后，就从【有偏估计】变成了【无偏估计】？
为什么样本方差（sample variance）的分母是 n-1？
为什么样本方差（sample variance）的分母是 n-1？
下面自己总结总结~

个人理解：

1. 首先，我们要看看方差是怎么计算的：$\mathbb{E}\left[\frac{1}{n}{\sum }_{i=1}^n{\left(X_i-\mu \right)}^2\right]={\sigma }^2$。
2. 此时候是无偏估计的，但当我们用$\bar{X}$替换$u$后，将倾向于低估方差。
   $\begin{array}{rl}\frac{1}{n}\sum _{i=1}^n{\left(X_i-\bar{X}\right)}^2& =\frac{1}{n}\sum _{i=1}^n{\left[\left(X_i-\mu \right)+(\mu -\bar{X})\right]}^2\\ & =\frac{1}{n}\sum _{i=1}^n{\left(X_i-\mu \right)}^2+\frac{2}{n}\sum _{i=1}^n\left(X_i-\mu \right)(\mu -\bar{X})+\frac{1}{n}\sum _{i=1}^n(\mu -\bar{X}{)}^2\\ & =\frac{1}{n}\sum _{i=1}^n{\left(X_i-\mu \right)}^2+2(\bar{X}-\mu )(\mu -\bar{X})+(\mu -\bar{X}{)}^2\\ & =\frac{1}{n}\sum _{i=1}^n{\left(X_i-\mu \right)}^2-(\mu -\bar{X}{)}^2\end{array}$
   从公式可以看出，除非均值$\bar{X}$与期望$u$是相等的，否则会导致对方差的低估。
3. 我们也可以通过一个例子说明为什么样本均值$\bar{X}$与期望$u$是不相等的：掷骰子，点数的期望是 3.5, 是一个确定的数字，但是实际投掷n次取平均并不一定等于3.5。
4. 因此，为了不要低估方差，就把分母从$n$换成$n-1$。具体来说，需要用一个$\frac{n}{n-1}$的因子来进行修正：
   $\begin{array}{rl}E\left(S_1^2\right)& =\frac{1}{n}\sum _{i=1}^{n}E\left({\left(X_i-\bar{X}\right)}^2\right)=\frac{1}{n}E\left(\sum _{i=1}^n{\left(X_i-\mu +\mu -\bar{X}\right)}^2\right)\\ & =\frac{1}{n}E\left(\sum _{i=1}^n\left({\left(X_i-\mu \right)}^2-2\left(X_i-\mu \right)(\bar{X}-\mu )+(\bar{X}-\mu {)}^2\right)\right)\\ & =\frac{1}{n}E\left(\sum _{i=1}^n{\left(X_i-\mu \right)}^2-2\sum _{i=1}^n\left(X_i-\mu \right)(\bar{X}-\mu )+n(\bar{X}-\mu {)}^2\right)\\ & =\frac{1}{n}E\left(\sum _{i=1}^n{\left(X_i-\mu \right)}^2-2n(\bar{X}-\mu )(\bar{X}-\mu )+n(\bar{X}-\mu {)}^2\right)\\ & =\frac{1}{n}E\left(\sum _{i=1}^n{\left(X_i-\mu \right)}^2-n(\bar{X}-\mu {)}^2\right)\\ & =\frac{1}{n}\left(\sum _{i=1}^{n}E\left({\left(X_i-\mu \right)}^2\right)-nE\left((\bar{X}-\mu {)}^2\right)\right)\\ & =\frac{1}{n}(n\mathrm{Var}(X)-n\mathrm{Var}(\bar{X}))\\ & =\mathrm{Var}(X)-\mathrm{Var}(\bar{X})={\sigma }^2-\frac{{\sigma }^2}{n}=\frac{n-1}{n}{\sigma }^2\end{array}$
   这个公式还是写的很清楚，很好理解~

补充：很多资料都提到了自由度这一概念，“自由度”来源于卡方分布，表示$n$个正态随机变量的平方和，链接里讲的比较清楚，不过我看不懂，就不在这里深入了。