KNOWECON WIKI

ARTICLE

无偏样本方差

无偏样本方差 无偏样本方差（Unbiased Sample Variance）是统计学中用于估计总体方差的一种方法，其核心特征在于使用了贝塞尔校正（Bessel's Correction），即以 n-1 而非 n 作为分母。这一校正确保了样本方差的期望值恰好等于总体方差，从而使估计量具备无偏性（Unbiasedness）。 定义与公式 给定一组独立同分布的样

浏览 0 更新 2026-05-25

无偏样本方差

无偏样本方差（Unbiased Sample Variance）是统计学中用于估计总体方差的一种方法，其核心特征在于使用了贝塞尔校正（Bessel's Correction），即以 n−1n-1 而非 nn 作为分母。这一校正确保了样本方差的期望值恰好等于总体方差，从而使估计量具备无偏性（Unbiasedness）。

定义与公式

给定一组独立同分布的样本 X1,X2,…,XnX_1, X_2, \ldots, X_n，其样本均值记为 Xˉ=1n∑i=1nXi\bar{X} = \frac{1}{n} \sum_{i=1}^{n} X_i，则无偏样本方差的定义为：

S2=1n−1∑i=1n(Xi−Xˉ)2S^2 = \frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2

与之对比，有偏样本方差（即总体方差公式直接用于样本）为：

σn2=1n∑i=1n(Xi−Xˉ)2\sigma^2_n = \frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})^2

两者仅分母不同，但这一差异对估计量的性质有着根本性的影响。

无偏性的数学证明

要理解为何 n−1n-1 能带来无偏性，需要计算 S2S^2 的期望值。设总体方差为 σ2\sigma^2，总体均值为 μ\mu，则：

E[S2]=E[1n−1∑i=1n(Xi−Xˉ)2]=1n−1E[∑i=1n((Xi−μ)−(Xˉ−μ))2]=1n−1E[∑i=1n(Xi−μ)2−n(Xˉ−μ)2]=1n−1(nσ2−n⋅σ2n)=1n−1⋅(n−1)σ2=σ2\begin{aligned} \mathbb{E}[S^2] &= \mathbb{E}\left[ \frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2 \right] \\ &= \frac{1}{n-1} \mathbb{E}\left[ \sum_{i=1}^{n} ((X_i - \mu) - (\bar{X} - \mu))^2 \right] \\ &= \frac{1}{n-1} \mathbb{E}\left[ \sum_{i=1}^{n} (X_i - \mu)^2 - n(\bar{X} - \mu)^2 \right] \\ &= \frac{1}{n-1} \left( n\sigma^2 - n \cdot \frac{\sigma^2}{n} \right) \\ &= \frac{1}{n-1} \cdot (n-1)\sigma^2 = \sigma^2 \end{aligned}

这一推导的关键在于 E[(Xˉ−μ)2]=σ2/n\mathbb{E}[(\bar{X} - \mu)^2] = \sigma^2/n，即样本均值的方差。若使用 nn 作分母，则期望值为 n−1nσ2\frac{n-1}{n}\sigma^2，系统性低估了总体方差。

自由度的直观理解

从自由度（Degrees of Freedom）角度可以更直观地理解 n−1n-1 的必要性。在计算样本方差时，必须先估计样本均值 Xˉ\bar{X}。一旦均值固定，nn 个残差 Xi−XˉX_i - \bar{X} 便失去了一个自由度——因为它们之和恒为零。因此，有效独立信息量仅为 n−1n-1 个，而非 nn 个。除以 n−1n-1 正是对"已知均值"这一约束所损失的自由度的补偿。

性质与局限

无偏样本方差具有以下重要性质：

  • 无偏性：E[S2]=σ2\mathbb{E}[S^2] = \sigma^2，这是其最核心的优势。
  • 一致性：当 n→∞n \to \infty 时，S2S^2 依概率收敛于 σ2\sigma^2。
  • 并非均方误差最优：虽然无偏，但在均方误差（MSE）准则下，有偏估计量 σn2\sigma^2_n 的 MSE 通常小于 S2S^2。这是因为 σn2\sigma^2_n 的方差更小，偏差与方差之间存在权衡（偏差-方差权衡）。
  • 对正态总体的分布性质：若样本来自正态分布 N(μ,σ2)N(\mu, \sigma^2)，则 (n−1)S2/σ2∼χn−12(n-1)S^2/\sigma^2 \sim \chi^2_{n-1}，即服从自由度为 n−1n-1 的卡方分布。这一性质是构建总体方差置信区间和卡方检验的基础。

应用场景

无偏样本方差广泛应用于：

  • 假设检验：如独立样本 t 检验、方差分析（ANOVA）中，作为 pooled variance 的估计基础。
  • 置信区间：构建总体均值的 t 置信区间时，需使用 S2S^2 估计未知的总体方差。
  • 贝叶斯统计：在无信息先验下，后验分布的尺度参数常涉及 n−1n-1 校正。

总结

无偏样本方差通过贝塞尔校正（除以 n−1n-1）解决了样本方差系统性低估总体方差的问题，是统计推断中最为基础且广泛使用的估计量之一。理解其无偏性的数学原理和自由度背后的直观意义，对于正确运用统计方法至关重要。尽管在特定准则下存在更优的有偏估计，但在需要无偏性的理论框架中，S2S^2 仍是不可替代的标准工具。