常用的方差(variance)、标准偏差(standard derivation)的内涵和计算方法有许多容易混淆之处,本文进行梳理。
统计量的定义
对于随机变量
对于随机变量 X X X,我们用期望定义了其统计量。这些统计量都是固定的常数。
均值:
μ = E [ X ] \mu = E\left[X\right] μ=E[X]
方差:
v a r = σ 2 = E [ ( X − μ ) 2 ] = E [ X 2 ] − μ 2 var=\sigma^2=E\left[ (X-\mu \right)^2]=E\left[X^2\right]-\mu^2 var=σ2=E[(X−μ)2]=E[X2]−μ2
标准偏差就是方差的平方根:
s t d = σ std=\sigma std=σ
对于已知样本集
如果全体样本集(polulation)的每一个样本 x 1 , x 2 . . . x N x_1,x_2...x_N x1,x2...xN都能直接使用,可以直接计算出该样本集的各种统计量。
μ = 1 N ∑ i x i \mu = \frac{1}{N}\sum_ix_i μ=N1i∑xi
v a r = 1 N ∑ i ( x i − μ ) 2 var=\frac{1}{N}\sum_i(x_i-\mu)^2 var=N1i∑(xi−μ)2
s t d = v a r std=\sqrt{var} std=var
这样计算得到的方差常被称为全体方差(populationvariance)。
统计量的估计
有时候无法得知统计量的实际值:
对于随机变量,无法观测产生这个变量的参数,只能得到一系列随机的采样;对于数量巨大、甚至无穷多的样本集,我们无法使用全部样本进行计算,只能随机有放回地抽取一部分采样。
由于两种情况都包含有随机性,所以估计得到的统计量本身也是个随机变量,并非真实值。用上横线以示区分。
估计可以有不同方法,各有不同性质。
复习一下期望的性质。
E ( A + B ) = E A + E B E(A+B)=EA+EB E(A+B)=EA+EB, E ( A B ) ≠ E A ⋅ E B E(AB)\neq EA \cdot EB E(AB)=EA⋅EB,
换言之:期望和线性运算可交换。
均值
对均值的估计直观而统一:
μ ˉ = 1 N ∑ i x i \bar{\mu} = \frac{1}{N}\sum_ix_i μˉ=N1i∑xi
这个估计是无偏的(估计的期望等于真实值):
E [ μ ˉ ] = 1 N ∑ i E [ x i ] = E [ X ] = μ E\left[\bar{\mu}\right]=\frac{1}{N}\sum_iE\left[x_i\right]=E\left[X\right]=\mu E[μˉ]=N1i∑E[xi]=E[X]=μ
方差
方差涉及到二次项,情况复杂一些。
有偏方差
v a r ˉ = 1 N ∑ i ( x i − μ ˉ ) 2 \bar{var}=\frac{1}{N}\sum_i(x_i-\bar{\mu})^2 varˉ=N1i∑(xi−μˉ)2
这个估计是有偏的。
证明提示:把 μ ˉ \bar{\mu} μˉ写成 x i x_i xi的求和形式。利用以下两个性质:
E [ x i 2 ] = σ 2 + μ 2 E\left[x_i^2\right]=\sigma^2+\mu^2 E[xi2]=σ2+μ2
E [ x i x j ] = E [ x i ] E [ x j ] = μ 2 E\left[x_i x_j\right]=E\left[x_i\right]E\left[x_j\right]=\mu^2 E[xixj]=E[xi]E[xj]=μ2
具体推导引自wiki:
这样的估计方差总是小于真实方差。
估计方差和真实方差之间差距为 1 N σ 2 \frac{1}{N}\sigma^2 N1σ2,采样越多,偏差越小。
换句话说,总有你想不到的幺蛾;见识越少,幺蛾越大。
不过,如果随机变量/样本集的均值已知,则类似的方差估计是无偏的:
v a r ˉ = 1 N ∑ i ( x i − μ ) 2 \bar{var}=\frac{1}{N}\sum_i(x_i-\mu)^2 varˉ=N1i∑(xi−μ)2
证明提示: μ \mu μ是常数,可以直接和期望交换。
无偏方差
对有偏方差进行矫正:
v a r ˉ = 1 N − 1 ∑ i ( x i − μ ˉ ) 2 \bar{var}=\frac{1}{N-1}\sum_i(x_i-\bar{\mu})^2 varˉ=N−11i∑(xi−μˉ)2
标准偏差
标准偏差的问题更为复杂。从定义上来说 s t d ˉ = v a r ˉ \bar{std}=\sqrt{\bar{var}} stdˉ=varˉ 。但由于开根号不是线性运算,不能和期望交换。
无矫正(uncorrected)标准偏差
喜闻乐见的直观形式:
s t d ˉ = 1 N ∑ i ( x i − μ ˉ ) 2 \bar{std}=\sqrt{\frac{1}{N}\sum_i(x_i-\bar{\mu})^2} stdˉ=N1i∑(xi−μˉ)2
这个估计当然是有偏的(比真实值小),不过是一致的(consistent,随着N增大依概率收敛到真值)。
矫正(corrected)标准偏差
通过对无偏方差开根号得来:
s t d ˉ = 1 N − 1 ∑ i ( x i − μ ˉ ) 2 \bar{std}=\sqrt{\frac{1}{N-1}\sum_i(x_i-\bar{\mu})^2} stdˉ=N−11i∑(xi−μˉ)2
需要注意的是,由于平方根不能和期望交换,这个估计依然是有偏的,不过比前一个估计好一些。
考察这个估计的期望:
E [ s t d ˉ ] = E [ v a r ˉ ] E\left[\bar{std}\right]=E\left[\sqrt{\bar{var}}\right] E[stdˉ]=E[varˉ ]
再考虑交换运算的式子:
E [ v a r ˉ ] = v a r = s t d \sqrt{E\left[ \bar{var} \right]}=\sqrt{var}=std E[varˉ] =var =std
由于期望是线性运算,开根号是凹函数,根据延森不等式:
E [ s t d ˉ ] = E [ v a r ˉ ] < E [ v a r ˉ ] = v a r = s t d E\left[\bar{std}\right]=E\left[\sqrt{\bar{var}}\right]<\sqrt{E\left[ \bar{var} \right]}=\sqrt{var}=std E[stdˉ]=E[varˉ ]<E[varˉ] =var =std
这个估计仍然比真实的标准偏差小。具体小多少,要依数据分布而定。
无偏标准偏差
不同随机变量的无偏标准偏差估计具有不同形式,具体参看这里。
一个近似的估计是将前一方法中的分母 N − 1 N-1 N−1增大为 N − 1.5 N-1.5 N−1.5:
s t d ˉ = 1 N − 1.5 ∑ i ( x i − μ ˉ ) 2 \bar{std}=\sqrt{\frac{1}{N-1.5}\sum_i(x_i-\bar{\mu})^2} stdˉ=N−1.51i∑(xi−μˉ)2
如果觉得《【数学】方差/标准差的各种估计辨析》对你有帮助,请点赞、收藏,并留下你的观点哦!