样本方差的简化计算公式

这篇具有很好参考价值的文章主要介绍了样本方差的简化计算公式。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

涉及到样本方差的计算的时候,一般题中会给很多数据,用定义式计算会很麻烦,整理了两个常用计算式,以及回归问题涉及到求 S x x S_{xx} Sxx, S x y S_{xy} Sxy, S y y S_{yy} Syy的总结
定义式
s 2 = 1 n − 1 ∑ i = 1 n ( x i − x ˉ ) 2 s^2=\frac{1}{n-1} \sum_{i=1}^{n} (x_{i}-\bar{x})^2 s2=n11i=1n(xixˉ)2,其中 x ˉ \bar{x} xˉ为样本均值

计算式1——已知:样本值平方和&样本均值
s 2 = 1 n − 1 ∑ i = 1 n x i 2 − n x ˉ 2 s^2=\frac{1}{n-1} \sum_{i=1}^{n}x_{i}^2-n\bar{x}^2 s2=n11i=1nxi2nxˉ2

计算式2——已知:样本值平方和&样本值的和
s 2 = 1 n ( n − 1 ) [ n ∑ i = 1 n x i 2 − ( ∑ i = 1 n x i ) 2 ] s^2=\frac{1}{n(n-1)} [n\sum_{i=1}^{n} x_{i}^2-(\sum_{i=1}^{n} x_{i})^2] s2=n(n1)1[ni=1nxi2(i=1nxi)2]

推导:

s 2 = 1 n − 1 ∑ i = 1 n ( x i − x ˉ ) 2 = 1 n − 1 ∑ i = 1 n ( x i 2 − 2 x ˉ x i + x ˉ 2 ) = 1 n − 1 ( ∑ i = 1 n x i 2 − 2 x ˉ ∑ i = 1 n x i + ∑ i = 1 n x ˉ 2 ) = 1 n − 1 ( ∑ i = 1 n x i 2 − 2 n x ˉ 2 + n x ˉ 2 ) = 1 n − 1 ( ∑ i = 1 n x i 2 − n x ˉ 2 ) = 1 n ( n − 1 ) ( n ∑ i = 1 n x i 2 − n 2 x ˉ 2 ) = 1 n ( n − 1 ) [ n ∑ i = 1 n x i 2 − ( ∑ i = 1 n x i ) 2 ] \begin{aligned} s^2 &= \frac{1}{n-1} \sum_{i=1}^{n} (x_{i}-\bar{x})^2 \\ &= \frac{1}{n-1} \sum_{i=1}^{n}(x_{i}^2-2\bar{x}x_{i}+\bar{x}^2) \\ &= \frac{1}{n-1} (\sum_{i=1}^{n}x_{i}^2-2\bar{x}\sum_{i=1}^{n}x_{i}+\sum_{i=1}^{n}\bar{x}^2)\\ &= \frac{1}{n-1} (\sum_{i=1}^{n}x_{i}^2-2n\bar{x}^2+n\bar{x}^2)\\ &= {\color{Red} \frac{1}{n-1} (\sum_{i=1}^{n}x_{i}^2-n\bar{x}^2)} \\ &= \frac{1}{n(n-1)} (n\sum_{i=1}^{n}x_{i}^2-n^2\bar{x}^2) \\ &= {\color{Red} \frac{1}{n(n-1)} [n\sum_{i=1}^{n}x_{i}^2-(\sum_{i=1}^{n}x_{i})^2]} \\ \end{aligned} s2=n11i=1n(xixˉ)2=n11i=1n(xi22xˉxi+xˉ2)=n11(i=1nxi22xˉi=1nxi+i=1nxˉ2)=n11(i=1nxi22nxˉ2+nxˉ2)=n11(i=1nxi2nxˉ2)=n(n1)1(ni=1nxi2n2xˉ2)=n(n1)1[ni=1nxi2(i=1nxi)2]
回归应用
S x x = ∑ i = 1 n ( x i − x ˉ ) 2 = ∑ i = 1 n ( x i 2 ) − ( ∑ i = 1 n x i ) 2 n (由计算式2推出) S_{x x}=\sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{2}= \sum_{i=1}^{n}(x_{i}^2)-\frac{{\color{Red}(\sum_{i=1}^{n}x_{i})^2}}{n} \tag{由计算式2推出} Sxx=i=1n(xixˉ)2=i=1n(xi2)n(i=1nxi)2(由计算式2推出)
S y y = ∑ i = 1 n ( y i − y ˉ ) 2 = ∑ i = 1 n ( y i 2 ) − ( ∑ i = 1 n y i ) 2 n S_{yy}=\sum_{i=1}^{n}\left(y_{i}-\bar{y}\right)^{2}= \sum_{i=1}^{n}(y_{i}^2)-\frac{{\color{Red}(\sum_{i=1}^{n}y_{i})^2}}{n} Syy=i=1n(yiyˉ)2=i=1n(yi2)n(i=1nyi)2
S x y = ∑ i = 1 n ( x i − x ˉ ) ( y i − y ˉ ) = ∑ i = 1 n x i y i − ( ∑ i = 1 n x i ) ( ∑ i = 1 n y i ) n S_{xy}=\sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)\left(y_{i}-\bar{y}\right)= \sum_{i=1}^{n}x_{i}y_{i}-\frac{{\color{Red}(\sum_{i=1}^{n}x_{i})(\sum_{i=1}^{n}y_{i})}}{n} Sxy=i=1n(xixˉ)(yiyˉ)=i=1nxiyin(i=1nxi)(i=1nyi)文章来源地址https://www.toymoban.com/news/detail-520547.html

到了这里,关于样本方差的简化计算公式的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【概率论理论】协方差,协方差矩阵理论(机器学习)

      在许多算法中需要求出两个分量间相互关系的信息。协方差就是描述这种相互关联程度的一个特征数。   设 ( X , Y ) (X,Y) ( X , Y ) 是一个二维随机变量,若 E [ ( X − E ( X ) ) ( Y − E ( Y ) ) ] E[(X-E(X))(Y-E(Y))] E [ ( X − E ( X ) ) ( Y − E ( Y ) ) ] 存在,则称此数学期望为 X X X 与

    2024年02月14日
    浏览(36)
  • 概率论的学习和整理13--方差和协方差(未完成)

    一组数据的方差,没有加权信息,一般认为是 等概率的,按个数进行平均算方差 随机变量的方差,因为有概率作为权重,需要按概率算方差 常见说法,说到方差,一般把期望和方差成对出现一起说 什么是期望? 期望是一种平均值,出自赌博,是用概率做权重,随机变量的

    2024年02月03日
    浏览(28)
  • 《概率论与数理统计》学习笔记6-样本及样本函数的分布

    目录 总体 简单随机样本 直方图 样本分布函数 样本函数及其概率分布 𝜒2分布 𝑡分布 𝐹分布         总体:                 研究对象的全体         个体:                 总体中的每一个元素         总体容量:                 总体

    2024年02月08日
    浏览(29)
  • 概率论:方差、标准差、协方差、皮尔逊相关系数、线性相关

    一个随机变量,的值的变化程度可以用方差计算:  ;其中 是期望。 另外一种等价表达式:      其中为均值,N为总体例数 我们举个例子: 服从均一分布,取值为0.1,0.2,0.3,0.4,0.5 ,每种值的概率是20%,可算出期望是0.3,那么方差就是: 标准差是方差的平方根,随机

    2024年02月09日
    浏览(34)
  • 概率论_协方差(配例题)

    2024年02月11日
    浏览(33)
  • 概率论:样本与总体分布,Z分数与概率

    参考书目:《行为科学统计精要》(第八版)——弗雷德里克·J·格雷维特 描述一组数据分布   描述一组样本数据的分布 描述样本数据的均值和整体数据一样,但是样本标准差的公式除以了n-1,这里引入自由度的概念 自由度:如果均值确定,那么n个数据组成的样本中,只有

    2024年02月07日
    浏览(37)
  • 样本方差分布的证明

    根 据 中 心 极 限 定 理 可 知 样 本 均 值 X − 是 一 个 随 机 变 量 并 且 其 分 布 近 似 于 正 态 分 布 , 那 么 样 本 方 差 的 情 况 如 何 ? 对 于 独 立 同 分 布 的 X 1 , ⋯ X n ∼ N ( μ , σ 2 ) , 样 本 方 差 S n 2 = 1 n − 1 ∑ j = 1 n ( X j − X − n ) 2 也 是 随 机 变 量 , 并 且

    2023年04月08日
    浏览(28)
  • 协方差、样本协方差、协方差矩阵、相关系数详解(python代码)

    对于一个随机变量的分布特征,可以由均值、方差、标准差等进行描述。而对于两个随机变量的情况,有协方差和相关系数来描述两个随机变量的相互关系。 本文主要参考概率论与数理统计的教科书,整理了协方差、样本协方差、协方差矩阵、相关系数的概念解释和代码。

    2023年04月10日
    浏览(30)
  • 概论第6章_正态总体的抽样分布_样本均值的期望与样本方差的期望__方差的期望

    下面的定理给出 样本均值的期望, 方差的期望, 样本方差的期望 , 它 不依赖于总体的分布形式。 假设有总体X, 均值 μ mu μ , E(X)= μ mu μ , 有方差 σ 2 sigma^2 σ 2 ,   space   D(X) = σ 2 sigma^2 σ 2 + ∞ +infty + ∞ 。 X 1 , X 2 , . . . X n X_1, X_2, ... X_n X 1 ​ , X 2 ​ , ... X n ​ 为来自

    2024年02月01日
    浏览(38)
  • 概率论之 多维随机变量的期望,协方差矩阵

    上一次写了一维随机变量的期望,方差,协方差。本次来记录多维随机变量的期望和协方差矩阵。这一块内容由浅入深,因此会有更新。 假设系统状态有多个分量 x 1 , x 2 , … , x n x_1,x_2,dots,x_n x 1 ​ , x 2 ​ , … , x n ​ ,则将其表示为向量的形式 X = ( x 1 , x 2 , … , x n ) T X=

    2024年02月04日
    浏览(33)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包