样本方差的期望（样本方差的期望值等于总体方差）

大业号拥有很多精彩的文章，为迷茫的你指引方向，接下来介绍样本方差的期望样本方差的期望值等于总体方差，让你不再为生活和工作中阅读和查找资料而烦恼。

样本均值是一个统计量，是随机变量，在有了样本观测值之后，样本均值才有对应的观测值。当样本观测值黑没有得到时，只能把它作为随机变量对待，这时它就有数学期望、方差等数字特征。

E(X把)=E(1/n∑Xi)=1/nE(∑Xi)=1/n∑E(Xi)=(1/n)nμ=μ。

D(X把)=D(1/n∑Xi)=1/n²D(∑Xi)=1/n²∑D(Xi)=(1/n²)nσ²=σ²/n。

样本均值：

样本方差与总体方差的关系公式是样本方差等于总体方差除以n，总体方差的计算公式分母是n，样本方差的计算公式分母是n-1，抽取样本的目的是推算出总体的信息。

先求出总体各单位变量值与其算术平均数的离差的平方，然后再对此变量取平均数，就叫做样本方差。样本方差用来表示一列数的变异程度，样本均值又叫样本均数，即为样本的均值。

样本方差S2的期望：E（S2）=σ2。方差是各个数据与平均数之差的平方的和的平均数，方差是和中心偏离的程度，用来衡量一批数据的波动大小（即这批数据偏离平均数的大小）并把它叫做这组数据的方差，记作S2。在样本容量相同的情况下，方差越大，说明数据的波动越大，越不稳定。

当数据分布比较分散（即数据在平均数附近波动较大）时，各个数据与平均数的差的平方和较大，方差就较大；当数据分布比较集中时，各个数据与平均数的差的平方和较小。因此方差越大，数据的波动越大；方差越小，数据的波动就越小。

样本均值是一个统计量，是随机变量，在有了样本观测值之后，样本均值才有对应的观测值。当样本观测值黑没有得到时，只能把它作为随机变量对待，这时它就有数学期望、方差等数字特征。

E(X把)=E(1/n∑Xi)=1/nE(∑Xi)=1/n∑E(Xi)=(1/n)nμ=μ。

D(X把)=D(1/n∑Xi)=1/n²D(∑Xi)=1/n²∑D(Xi)=(1/n²)nσ²=σ²/n。

样本方差的无偏性

实际上，样本方差可以理解成是对所给总体方差的一个无偏估计。E(S^2)=DX。

n-1的使用称为贝塞尔校正（Bessel'scorrection），也用于样本协方差和样本标准偏差（方差平方根）。

平方根是一个凹函数，因此引入负偏差（由Jensen不等式），这取决于分布，因此校正样本标准偏差（使用贝塞尔校正）有偏差。标准偏差的无偏估计是技术上的问题，对于使用术语n-1.5的正态分布，形成无偏估计。

设总体为X，抽取n个i.i.d.的样本X1，X2，...，Xn，其样本均值为Y = (X1+X2+...+Xn)/n

其样本方差为S =( (Y-X1)^2 + (Y-X2)^2 + ... + (Y-Xn)^2 ) / (n-1)

为了记号方便，我们只看S的分子部分，设为A

则 E A =E( n * Y^2 - 2 * Y * (X1+X2+...+Xn) + (X1^2 + X2^2 +...+ Xn^2))

=E( (X1^2 + X2^2 +...+ Xn^2) - n * Y^2 )

注意 EX1 = EX2 = ... = EXn = EY = EX;

VarX1 = VarX2 = ... = VarXn = VarX = E(X^2) - (EX)^2

VarY = VarX / n (这条不是明显的，但是可以展开后很容易地证出来，而且也算是一个常识性的结论）

所以E A = n(VarX + (EX)^2) - n * (VarY + (EY)^2)

= n(VarX + (EX)^2) - n * (VarX/n + (EX)^2)

= (n-1) VarX

所以 E S = VarX；得证。

扩展资料：

在概率分布中，设X是一个离散型随机变量，若E{[X-E（X）]^2}存在，则称E{[X-E（X）]^2}为X的方差，记为D（X），Var（X）或DX，其中E（X）是X的期望值，X是变量值，公式中的E是期望值expected value的缩写，意为“变量值与其期望值之差的平方和”的期望值。

平方根是一个凹函数，因此引入负偏差（由Jensen不等式），这取决于分布，因此校正样本标准偏差（使用贝塞尔校正）有偏差。 标准偏差的无偏估计是一个技术上涉及的问题，尽管对于使用术语n-1.5的正态分布，形成无偏估计。

研究随机变量与其均值的偏离程度是十分必要的。那么，用怎样的量去度量这个偏离程度呢?容易看到E[|X-E[X]|]能度量随机变量与其均值E（X）的偏离程度。但由于上式带有绝对值，运算不方便，通常用量E[（X-E[X]）2] 这一数字特征就是方差。

参考资料来源：--方差

设总体为X，抽取n个i，i，d，的样本X1，X2，...，Xn，其样本均值为

Y = (X1+X2+...+Xn)/n

其样本方差为

S =( (Y-X1)^2 + (Y-X2)^2 + ...+ (Y-Xn)^2 ) / (n-1)

为了记号方便，只看S的分子部分，设为A

则 E A =E( n * Y^2 - 2 * Y * (X1+X2+...+Xn) + (X1^2 + X2^2 +...+ Xn^2))

=E( (X1^2 + X2^2 +...+ Xn^2) - n * Y^2 )

注意 EX1 = EX2 = ...= EXn = EY = EX;

VarX1 = VarX2 = ...= VarXn = VarX = E(X^2) - (EX)^2

VarY = VarX / n (这条不是明显的，但是可以展开后很容易地证出来，而且也算是一个常识性的结论）

所以E A = n(VarX + (EX)^2) - n * (VarY + (EY)^2)

= n(VarX + (EX)^2) - n * (VarX/n + (EX)^2)

= (n-1) VarX

所以 E S = VarX，得证。

扩展资料：

样本中各数据与样本平均数的差的平方和的平均数叫做样本方差；样本方差的算术平方根叫做样本标准差。样本方差和样本标准差都是衡量一个样本波动大小的量，样本方差或样本标准差越大，样本数据的波动就越大。

方差和标准差是测算离散趋势最重要、最常用的指标。方差是各变量值与其均值离差平方的平均数，它是测算数值型数据离散程度的最重要的方法。标准差为方差的算术平方根，用S表示。

指数分布的方差为1/λ^2

所以E（s^2）=1/λ^2