目录
1 样本方差和总体方差
我们通常所说的方差有两种，一种是样本方差，一种是总体方差。当求样本方差的时候，分母是n-1；当求总体方差的时候，分母是n。在数理统计中，一般所求的都是样本方差，这就需要构造一个统计量样本方差S^2（注意这是一个随机变量），需要使构造的统计量的期望与总体方差相等，这样才能使统计量具有无偏性。
在小学数学，也可能是初中数学中才能遇到求总体方差的情形，比如，一个班50个人，每个人的数学成绩都知道，让你求平均数和方差。这时所说的方差就是总体方差了，这里不存在任何采样的问题，所以没有随机变量，也没有期望这个概念。
我们为什么要求样本方差呢？例如，在一个超大总体中，假如有一亿个数据，我想知道这个总体的方差是多少。去统计这一亿个数据是非常困难的，所以我们希望通过对总体抽取一万个样本，通过对样本方差的计算来估计出总体方差。这就需要我们来构造一个合适的统计量S^2来估计总体方差。
下面说一下为何求样本方差的时候要除以n-1。首先我们可能会问统计量S^2到底如何构造呢？其实可以任意构造，但是你构造的统计量不一定能很好的估计总体中的未知参数。判断构造的统计量的好坏有三个标准：无偏性、有效性和相合性（这里我们只谈无偏性）。
无偏性，是指对未知参数构造的统计量，该统计量的期望等于要估计的参数。
2 问题描述
问题完整的描述如下：
如果已知随机变量
的期望为
，那么可以如下计算方差
，
上面的式子需要知道的具体分布是什么（在现实应用中往往不知道准确分布），计算起来也比较复杂。所以实践中常常采样之后，用下面这个
来近似
：
其实现实中，往往连
的期望也不清楚，只知道样本的均值：
那么可以这么来计算
：
那这里就有两个问题了：
- 为什么可以用
来近似
？ - 为什么使用
替代
之后，分母是
？
3 为什么可以用
来近似
？
举个例子，假设
服从这么一个正态分布：
即，
，图形如下：
当然，现实中往往并不清楚
服从的分布是什么，具体参数又是什么？所以我用虚线来表明我们并不是真正知道
的分布：
很幸运的，我们知道
，因此对
采样，并通过：
来估计
，某次采样计算出来的
：
看起来比
要小。采样具有随机性，我们多采样几次，
会围绕
上下波动：
用
作为
的一个估计量，算是可以接受的选择。
很容易算出：
因此，根据中心极限定理，
的采样均值会服从
的正态分布：
这也就是所谓的无偏估计量。从这个分布来看，选择
作为估计量确实可以接受。
4 为什么使用
替代
之后，分母是1/(n-1)
更多的情况，我们不知道
是多少的，只能计算出
。不同的采样对应不同的
：
对于某次采样而言，当
时，下式取得最小值：
我们也是比较容易从图像中观察出这一点，只要
偏离
，该值就会增大：
所以可知：
可推出：
进而推出：
如果用下面这个式子来估计：
那么
采样均值会服从一个偏离
的正态分布：
可见，此分布倾向于低估
。
用公式来解释：
也就是说，除非
否则一定会有
<=
。
具体小了多少，我们可以使用两种方法来计算，计算之前需要先了解的公式：
1.方差计算公式：
2. 均值的均值、方差计算公式：
方法一：
其中：
方法二：
因为：
所以有：
所以：
也就是说，低估了
，进行一下调整：
因此使用下面这个式子进行估计，得到的就是无偏估计：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
