快速搞懂无偏估计及样本方差中的n-1

这篇具有很好参考价值的文章主要介绍了快速搞懂无偏估计及样本方差中的n-1。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。

  1. 期望EX,方差DX
    我们知道任一样本和总体是同分布的,所以任一样本的期望即总体期望(均值),任一样本的方差即总体方差。所以对于任一样本X,有: E X = μ , E ( c X ) = c E X , E ( c ) = c D X = E ( X − E X ) 2 = E ( X 2 − 2 X μ + μ 2 ) = E X 2 − μ 2 = σ 2 D ( c ) = 0 , D ( c X ) = c 2 D X EX = \mu ,E(cX) = cEX,E(c) = c\\DX = E{(X - EX)^2}\\{\rm{ = }}E({X^2} - 2X\mu + {\mu ^2})\\{\rm{ }} = E{X^2} - {\mu ^2} = {\sigma ^2}\\D(c) = 0,D(cX) = {c^2}DX EX=μ,E(cX)=cEX,E(c)=cDX=E(XEX)2=E(X22Xμ+μ2)=EX2μ2=σ2D(c)=0,D(cX)=c2DX其中, μ , c , σ 2 \mu ,c,{\sigma ^2} μ,c,σ2均为常数。由于样本是随机选取的,所以这里隐含了一个假设:两个不同的样本X和Y相互独立,此时 E X Y = E X E Y EXY = EXEY EXY=EXEY
    X ˉ {\bar X} Xˉ为样本均值,则有: E X ˉ = 1 n ∑ i = 1 n E X i = μ , D X ˉ = 1 n 2 ∑ i = 1 n D X i = σ 2 n D X ˉ = E ( X ˉ − E X ˉ ) 2 = E X ˉ 2 − μ 2 E X ˉ 2 = μ 2 + D X ˉ = μ 2 + σ 2 n E\bar X = \frac{1}{n}\sum\limits_{i = 1}^n {E{X_i}} = \mu ,D\bar X = \frac{1}{{{n^2}}}\sum\limits_{i = 1}^n {D{X_i}} = \frac{{{\sigma ^2}}}{n}\\D\bar X = E{(\bar X - E\bar X)^2} = E{{\bar X}^2} - {\mu ^2}\\E{{\bar X}^2} = {\mu ^2} + D\bar X = {\mu ^2} +\frac{{{\sigma ^2}}}{n} EXˉ=n1i=1nEXi=μ,DXˉ=n21i=1nDXi=nσ2DXˉ=E(XˉEXˉ)2=EXˉ2μ2EXˉ2=μ2+DXˉ=μ2+nσ2 S 2 = 1 n ∑ i = 1 n ( X i − μ ) 2 {S^2} = \frac{1}{n}\sum\limits_{i = 1}^n {{{(X_i - \mu )}^2}} S2=n1i=1n(Xiμ)2为样本方差,则 E S 2 = 1 n ∑ i = 1 n E ( X i − μ ) 2 = σ 2 E{S^2} = \frac{1}{n}\sum\limits_{i = 1}^n {E{{(X_i - \mu )}^2}} = {\sigma ^2} ES2=n1i=1nE(Xiμ)2=σ2
  2. 估计量
    我们已经知道样本均值的期望等于总体均值,样本方差的期望等于总体方差。然而,在现实中,样本的总体均值一般难以求得,这就需要求总体的估计(量)了。统计学中的估计量是对整体样本的一个估计量,比如要统计一百万人的平均身高,一个个统计是不现实的,此时可以用样本均值来代替这一百万人(总体)身高的平均值,即:随机抽取一些人,比如100个,那么就可以用这100个人的身高的平均值来代替总体均值。然而,它是有条件的,只有当样本均值的期望等于总体均值时,才可用样本均值来代替总体均值,此时的样本均值称为总体的一个无偏估计,若该样本均值的期望不等于总体均值则是有偏估计。方差同理,当一个样本方差的期望等于总体方差时,该样本方差是总体的一个无偏估计,否则是有偏估计。
  3. 总体方差的无偏估计
    我们知道在现实中,样本的总体均值一般难以求得,所以理论上的样本方差不适用,只能用样本均值来代替样本方差中的 μ \mu μ,而为了使新的样本方差仍然是总体方差的无偏估计,我们有: E S 2 = E 1 m ∑ i = 1 n ( X i − X ˉ ) 2 = σ 2 E{S^2} = E\frac{1}{m}\sum\limits_{i = 1}^n {{{(X_i - \bar X)}^2}} = {\sigma ^2} ES2=Em1i=1n(XiXˉ)2=σ2所以: E 1 m ∑ i = 1 n ( X i − X ˉ ) 2 = 1 m ∑ i = 1 n E ( X i − X ˉ ) 2 = 1 m ∑ i = 1 n [ E X i 2 − 2 E ( X i 1 n ∑ j = 1 n X j ) + E X ˉ 2 ] E\frac{1}{m}\sum\limits_{i = 1}^n {{{({X_i} - \bar X)}^2}} = \frac{1}{m}\sum\limits_{i = 1}^n {E{{({X_i} - \bar X)}^2}} \\{\rm{ }} = \frac{1}{m}\sum\limits_{i = 1}^n {[E{X_i}^2 - 2E({X_i}\frac{1}{n}\sum\limits_{j = 1}^n {{X_j}} ) + E{{\bar X}^2}]} Em1i=1n(XiXˉ)2=m1i=1nE(XiXˉ)2=m1i=1n[EXi22E(Xin1j=1nXj)+EXˉ2]由两个不同样本之间相互独立,得: 1 m ∑ i = 1 n [ E X i 2 − 2 E ( X i 1 n ∑ j = 1 n X j ) + E X ˉ 2 ] = 1 m ∑ i = 1 n [ E X i 2 − 2 n [ E X i 2 + ( n − 1 ) E 2 X i ] + E X ˉ 2 ] = 1 m ∑ i = 1 n [ μ 2 + σ 2 − 2 n [ μ 2 + σ 2 + ( n − 1 ) μ 2 ] + μ 2 + σ 2 n ] = 1 m ∑ i = 1 n n − 1 n σ 2 = n − 1 m σ 2 \frac{1}{m}\sum\limits_{i = 1}^n {[E{X_i}^2 - 2E({X_i}\frac{1}{n}\sum\limits_{j = 1}^n {{X_j}} ) + E{{\bar X}^2}]} \\= \frac{1}{m}\sum\limits_{i = 1}^n {[E{X_i}^2 - \frac{2}{n}[EX_i^2 + (n - 1){E^2}{X_i}] + E{{\bar X}^2}]} \\= \frac{1}{m}\sum\limits_{i = 1}^n {[{\mu ^2} + {\sigma ^2} - \frac{2}{n}[{\mu ^2} + {\sigma ^2} + (n - 1){\mu ^2}] + {\mu ^2} + \frac{{{\sigma ^2}}}{n}]} \\= \frac{1}{m}\sum\limits_{i = 1}^n {\frac{{n - 1}}{n}{\sigma ^2}} = \frac{{n - 1}}{m}{\sigma ^2} m1i=1n[EXi22E(Xin1j=1nXj)+EXˉ2]=m1i=1n[EXi2n2[EXi2+(n1)E2Xi]+EXˉ2]=m1i=1n[μ2+σ2n2[μ2+σ2+(n1)μ2]+μ2+nσ2]=m1i=1nnn1σ2=mn1σ2显然, m = n − 1 m = n - 1 m=n1,所以总体方差的无偏估计为 S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ˉ ) 2 {S^2} = \frac{1}{{n - 1}}\sum\limits_{i = 1}^n {{{(X_i - \bar X)}^2}} S2=n11i=1n(XiXˉ)2

文章来源地址https://www.toymoban.com/news/detail-800472.html

到了这里,关于快速搞懂无偏估计及样本方差中的n-1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

  • 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(34)
  • 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(42)
  • 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(47)
  • 计算样本方差时为什么除以(n-1)

    除以n其实没错,但只适用于母体方差(总体均数已知); 同样的,样本标准差也只适用于样本方差。 让我们看一下这两个公式: 统计学重要的研究内容之一是“用样本推测总体”。具体而言,就是用样本均数和样本标准差来估计总体均数和总体标准差,而这里的估计有一个

    2024年02月08日
    浏览(33)
  • 统计学学习笔记:L1-总体、样本、均值、方差

    目录 一、总体和样本 二、集中趋势分析 2.1 均值 2.1.1 样本均值 2.1.2 总体均值 2.2 众数,中位数 三、离散趋势分析 3.1 总体方差 3.2 样本方差 3.3 标准差 比如要计算全国男性的平均身高,但是全部调查是不现实的,所有要采取抽样调查,随机抽取一部分男性的身高,全国男性身

    2024年02月12日
    浏览(41)
  • 数字信号谱估计方法对比仿真——估计自相关,周期图法,协方差法,burg算法,修正协方差法

    目录 一、理论基础 1.1自相关谱估计 1.2周期图法谱估计 1.3协方差法谱估计 1.4burg算法谱估计 1.5修正协方差谱估计 二、核心程序 三、仿真结论        自相关谱估计、周期图法谱估计、协方差法谱估计、Burg算法谱估计和修正协方差谱估计是常见的信号谱估计方法,用于分析信

    2024年02月10日
    浏览(39)
  • 高效的方差估计: 解决大数据挑战

    随着数据规模的不断增长,计算机科学和人工智能领域面临着更多的挑战。这篇文章将探讨如何在大数据环境下高效地估计方差,以解决这些挑战。方差估计在许多统计和机器学习算法中具有关键作用,例如均值估计、聚类、分类等。然而,在大数据场景下,传统的方差估计

    2024年02月22日
    浏览(29)
  • 【应用统计学】简单随机抽样的区间估计和样本容量的确定

    1.总体服从正态分布,且方差已知 若随机变量X服从正态分布,那么它抽样分布的 样本均值 也服正态分布。同时,我们可以先将它转化为标准正态分布 根据区间估计的定义,我们可以构造总体均值μ的置信区间。对于给定的显著性水平 α ,有  将式(5.13)代入上式得到:  对上

    2024年02月11日
    浏览(39)
  • 【小呆的概率论学习笔记】抽样调查之用抽样样本估计母体数字特征

    1. 随机变量的数字特征 随机变量本质上是一个随机数,他以概率的形式取任何可能的取值,但是随机变量取值却有一定的规律,我们可以称之为随机变量的数字特征。最简明、最常用的随机变量的数字特征就是均值(或者说期望)和方差。 1.1 随机变量的均值(期望) 随机变

    2024年02月01日
    浏览(91)
  • 关于克拉美罗下界(CRLB)-及不同DOA估计算法下的方差(性能)对比

        参数估计 在科研、工程乃至生活中都有广泛的应用。参数估计要解决的问题简单来说就是:基于一组观测数据,通过某种方法来获得我们想要的,与观测数据相关的一个或多个参数。     克拉美-罗界(Cramr-Rao Bound, CRB) 是 无偏估计 里我们常用的且十分重要的 一种对不同

    2024年04月13日
    浏览(120)

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