- 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(X−EX)2=E(X2−2Xμ+μ2)=EX2−μ2=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。
设 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=1∑nEXi=μ,DXˉ=n21i=1∑nDXi=nσ2DXˉ=E(Xˉ−EXˉ)2=EXˉ2−μ2EXˉ2=μ2+DXˉ=μ2+nσ2设 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=1∑n(Xi−μ)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=1∑nE(Xi−μ)2=σ2。 - 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。 - 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=1∑n(Xi−Xˉ)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=1∑n(Xi−Xˉ)2=m1i=1∑nE(Xi−Xˉ)2=m1i=1∑n[EXi2−2E(Xin1j=1∑nXj)+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=1∑n[EXi2−2E(Xin1j=1∑nXj)+EXˉ2]=m1i=1∑n[EXi2−n2[EXi2+(n−1)E2Xi]+EXˉ2]=m1i=1∑n[μ2+σ2−n2[μ2+σ2+(n−1)μ2]+μ2+nσ2]=m1i=1∑nnn−1σ2=mn−1σ2显然, m = n − 1 m = n - 1 m=n−1,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=n−11i=1∑n(Xi−Xˉ)2
文章来源地址https://www.toymoban.com/news/detail-800472.html
文章来源: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!