KNOWECON WIKI

ARTICLE

贝塞尔校正

贝塞尔校正 (Bessel's Correction) 贝塞尔校正 (Bessel's Correction) 是统计学中用于修正以样本数据估算总体方差 (population variance) 时产生的系统性偏差 (bias) 的一种方法。此修正以19世纪德国数学家和天文学家[[弗里德里希·贝塞尔]] (Friedrich Bessel) 的名字命名。其

浏览 60 更新 2025-10-26

贝塞尔校正 (Bessel's Correction)

贝塞尔校正 (Bessel's Correction) 是统计学中用于修正以样本数据估算总体方差 (population variance) 时产生的系统性偏差 (bias) 的一种方法。此修正以19世纪德国数学家和天文学家[[弗里德里希·贝塞尔]] (Friedrich Bessel) 的名字命名。其核心思想在于，计算样本方差 (sample variance) 并将其作为总体方差的估计量时，分母应使用 n−1 n-1 而不是样本容量 n n 。

使用 n−1 n-1 作为除数的样本方差，被称为 无偏样本方差 (unbiased sample variance)，它对总体方差提供了一个无偏估计。

为什么需要校正：估计偏差问题

在统计推断中，我们通常无法获取整个总体的数据，而是通过抽取一个样本来推断总体的参数。方差是衡量数据离散程度的关键参数。

  • 总体方差 (σ2 \sigma^2 )：描述了整个总体中数据点与其总体均值 μ \mu 的偏离程度。其定义为：
σ2=1N∑i=1N(xi−μ)2\sigma^2 = \frac{1}{N} \sum_{i=1}^{N} (x_i - \mu)^2

其中 N N 是总体的大小，μ \mu 是总体的平均值。

  • 估计问题：在实践中，我们通常不知道总体均值 μ \mu 。因此，我们使用从样本中计算出的样本均值 xˉ \bar{x} 来代替它。一个直观的总体方差估计量可能是计算样本数据点与其自身均值 xˉ \bar{x} 的平均平方偏差，即：
sn2=1n∑i=1n(xi−xˉ)2s_n^2 = \frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})^2

其中 n n 是样本容量。这个量确实是样本数据本身的方差，但作为对总体方差 σ2 \sigma^2 的估计，它是有偏的。

偏差的根源在于：对于任意一组数据，其数据点离其自身均值（样本均值 xˉ \bar{x} ）的平方和，总是小于或等于其离任何其他常数（包括未知的总体均值 μ \mu ）的平方和。即：

∑i=1n(xi−xˉ)2≤∑i=1n(xi−μ)2\sum_{i=1}^{n} (x_i - \bar{x})^2 \le \sum_{i=1}^{n} (x_i - \mu)^2

由于我们用 xˉ \bar{x} 替代了 μ \mu ，我们实质上是选择了能使平方和最小化的那个中心点。这导致计算出的偏差平方和系统性地偏小，从而低估了真实的总体方差。

数学推导与校正公式

为了理解并修正这种偏差，我们需要运用期望值 (E[⋅] E[\cdot] ) 的概念来检验估计量的性质。一个好的估计量应该是 无偏 的，即其期望值应等于它所要估计的参数。

我们来检验上面提到的估计量 sn2 s_n^2 的期望值：

  1. 首先，我们将偏差平方和 ∑(xi−xˉ)2 \sum (x_i - \bar{x})^2 进行代数展开。在式中加入并减去总体均值 μ \mu ：
∑i=1n(xi−xˉ)2=∑i=1n[(xi−μ)−(xˉ−μ)]2\sum_{i=1}^{n} (x_i - \bar{x})^2 = \sum_{i=1}^{n} [(x_i - \mu) - (\bar{x} - \mu)]^2
  1. 展开这个平方项：
∑i=1n[(xi−μ)2−2(xi−μ)(xˉ−μ)+(xˉ−μ)2]\sum_{i=1}^{n} \left[ (x_i - \mu)^2 - 2(x_i - \mu)(\bar{x} - \mu) + (\bar{x} - \mu)^2 \right]
  1. 将求和符号分配到各项：
∑i=1n(xi−μ)2−2(xˉ−μ)∑i=1n(xi−μ)+∑i=1n(xˉ−μ)2\sum_{i=1}^{n} (x_i - \mu)^2 - 2(\bar{x} - \mu) \sum_{i=1}^{n} (x_i - \mu) + \sum_{i=1}^{n} (\bar{x} - \mu)^2
  1. 根据样本均值的定义，我们知道 ∑(xi−μ)=n(xˉ−μ) \sum (x_i - \mu) = n(\bar{x} - \mu) 。代入上式：
∑(xi−μ)2−2(xˉ−μ)⋅n(xˉ−μ)+n(xˉ−μ)2\sum (x_i - \mu)^2 - 2(\bar{x} - \mu) \cdot n(\bar{x} - \mu) + n(\bar{x} - \mu)^2
=∑i=1n(xi−μ)2−n(xˉ−μ)2= \sum_{i=1}^{n} (x_i - \mu)^2 - n(\bar{x} - \mu)^2
  1. 现在，我们对这个表达式取期望值：
E[∑i=1n(xi−xˉ)2]=E[∑i=1n(xi−μ)2]−E[n(xˉ−μ)2]E\left[\sum_{i=1}^{n} (x_i - \bar{x})^2\right] = E\left[\sum_{i=1}^{n} (x_i - \mu)^2\right] - E\left[n(\bar{x} - \mu)^2\right]
  1. 根据期望的线性性质和方差的定义：
  • E[(xi−μ)2]=σ2 E[(x_i - \mu)^2] = \sigma^2 (总体方差的定义)。因此，E[∑(xi−μ)2]=∑E[(xi−μ)2]=nσ2 E\left[\sum (x_i - \mu)^2\right] = \sum E[(x_i - \mu)^2] = n\sigma^2 。
  • E[(xˉ−μ)2] E[(\bar{x} - \mu)^2] 是样本均值 xˉ \bar{x} 的方差，记为 Var(xˉ) Var(\bar{x}) 。根据中心极限定理相关推论， Var(xˉ)=σ2n Var(\bar{x}) = \frac{\sigma^2}{n} 。
  1. 将这些结果代入第5步的等式：
E[∑i=1n(xi−xˉ)2]=nσ2−n(σ2n)=nσ2−σ2=(n−1)σ2E\left[\sum_{i=1}^{n} (x_i - \bar{x})^2\right] = n\sigma^2 - n\left(\frac{\sigma^2}{n}\right) = n\sigma^2 - \sigma^2 = (n-1)\sigma^2
  1. 最后，我们计算有偏估计量 sn2=1n∑(xi−xˉ)2 s_n^2 = \frac{1}{n} \sum (x_i - \bar{x})^2 的期望值：
E[sn2]=1nE[∑i=1n(xi−xˉ)2]=1n(n−1)σ2=n−1nσ2E[s_n^2] = \frac{1}{n} E\left[\sum_{i=1}^{n} (x_i - \bar{x})^2\right] = \frac{1}{n} (n-1)\sigma^2 = \frac{n-1}{n}\sigma^2

这个结果表明，sn2 s_n^2 的期望值并不是 σ2 \sigma^2 ，而是比它小了一个因子 n−1n \frac{n-1}{n} 。因此，它是一个有偏估计量。

为了得到一个无偏估计，我们只需将 sn2 s_n^2 乘以一个校正因子 nn−1 \frac{n}{n-1} 即可。这就引出了 无偏样本方差 的公式，通常用 s2 s^2 表示：

s2=nn−1sn2=nn−1(1n∑i=1n(xi−xˉ)2)=1n−1∑i=1n(xi−xˉ)2s^2 = \frac{n}{n-1} s_n^2 = \frac{n}{n-1} \left( \frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})^2 \right) = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2

这个使用 n−1 n-1 作为分母的公式，就是应用了贝塞尔校正的结果。它的期望值为：

E[s2]=E[1n−1∑i=1n(xi−xˉ)2]=1n−1(n−1)σ2=σ2E[s^2] = E\left[\frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2\right] = \frac{1}{n-1} (n-1)\sigma^2 = \sigma^2

因此，s2 s^2 是总体方差 σ2 \sigma^2 的一个无偏估计量。

自由度 (Degrees of Freedom)

分母中的 n−1 n-1 通常被称为自由度。这提供了一个理解贝塞尔校正的直观方式。自由度是指在计算一个统计量时，可以自由变化的数据值的数量。

在计算样本方差时，我们首先需要计算样本均值 xˉ \bar{x} 。一旦 xˉ \bar{x} 被确定，样本中的数据点就不再是完全独立的了。它们受到一个约束：所有数据点与样本均值的偏差之和必须为零。

∑i=1n(xi−xˉ)=0\sum_{i=1}^{n} (x_i - \bar{x}) = 0

这意味着，如果我们知道了前 n−1 n-1 个数据点的值和样本均值，那么最后一个数据点的值就完全确定了，它不能自由变化。因此，在用于估计方差的 n n 个偏差 (xi−xˉ) (x_i - \bar{x}) 中，只有 n−1 n-1 个是独立的。我们实际上是用 n−1 n-1 个独立的信息片段来估计总体的离散程度，所以平均每个独立信息的贡献时，应该除以 n−1 n-1 而不是 n n 。

实际应用与注意事项

  • 样本大小的影响：当样本容量 n n 很大时，校正因子 nn−1 \frac{n}{n-1} 非常接近1，因此校正与否差异很小。例如，当 n=100 n=100 时，因子为 100/99≈1.01 100/99 \approx 1.01 。然而，当处理小样本时（例如 n=5 n=5 ），因子为 5/4=1.25 5/4 = 1.25 ，此时贝塞尔校正就显得至关重要。
  • 描述性统计 vs. 推断性统计：
  • 在推断性统计 (inferential statistics) 中，我们的目标是使用样本来估计总体参数，此时应使用贝塞尔校正后的无偏样本方差 s2 s^2 （分母为 n−1 n-1 ）。
  • 在描述性统计 (descriptive statistics) 中，如果我们仅关心描述样本数据本身的特征，而不做任何关于总体的推断，那么使用分母为 n n 的方差 sn2 s_n^2 是完全正确的，因为它准确地描述了该样本数据的离散程度。
  • 对标准差的估计：一个重要的细节是，虽然 s2 s^2 是 σ2 \sigma^2 的无偏估计，但其平方根 s=∑(xi−xˉ)2n−1 s = \sqrt{\frac{\sum(x_i - \bar{x})^2}{n-1}} (即样本标准差) 并不是 总体标准差 σ \sigma 的无偏估计。由于平方根函数是一个凹函数，根据琴生不等式 (Jensen's Inequality)，E[s]=E[s2]≤E[s2]=σ E[s] = E[\sqrt{s^2}] \le \sqrt{E[s^2]} = \sigma 。这表明样本标准差 s s 倾向于略微低估总体标准差 σ \sigma 。尽管如此，在大多数应用中，这种偏差很小，因此 s s 仍然是实践中最常用的 σ \sigma 的估计量。

总结比较

| 术语 | 公式 | 分母 | 用途与性质 | | :--- | :--- | :--- | :--- | | 总体方差 | σ2=∑(xi−μ)2N \sigma^2 = \frac{\sum (x_i - \mu)^2}{N} | N N | 描述整个总体的真实方差，是一个未知的参数。 | | 样本的方差 | sn2=∑(xi−xˉ)2n s_n^2 = \frac{\sum (x_i - \bar{x})^2}{n} | n n | 描述样本数据自身的离散程度。作为对σ2 \sigma^2 的估计是有偏的。 | | 无偏样本方差 | s2=∑(xi−xˉ)2n−1 s^2 = \frac{\sum (x_i - \bar{x})^2}{n-1} | n−1 n-1 | 对总体方差 σ2 \sigma^2 的无偏估计量。在统计推断中使用。 |