版权声明：本文为CSDN博主「Hearthougan」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Hearthougan/article/details/77859173
转载作为学习笔记
设样本均值为$\overline{X}$，样本方差为$S^2$，总体均值为$\mu$，总体方差为$\sigma^2$，那么样本方差有如下公式：
很多人可能都会有疑问，为什么要除以$n-1$，而不是$n$，但是翻阅资料，发现很多都是交代到，如果除以$n$，对样本方差的估计不是无偏估计，比总体方差要小，要想是无偏估计就要调小分母，所以除以$n-1$，那么问题来了，为什么不是除以$n-2$、$n-3$等等。所以在这里彻底总结一下，首先交代一下无偏估计。
无偏估计
以例子来说明，假如你想知道一所大学里学生的平均身高是多少，一个大学好几万人，全部统计有点不现实，但是你可以先随机挑选100个人，统计他们的身高，然后计算出他们的平均值，记为$\overline X_1$。如果你只是把$\overline X_1$作为整体的身高平均值，误差肯定很大，因为你再随机挑选出100个人，身高平均值很可能就跟刚才计算的不同，为了使得统计结果更加精确，你需要多抽取几次，然后分别计算出他们的平均值，分别记为：$\overline X_1\overline X_3$$\overline X_k$,然后在把这些平均值，再做平均，记为：$E(\overline X)$，这样的结果肯定比只计算一次更加精确，随着重复抽取的次数增多，这个期望值会越来越接近总体均值$\mu$，如果满足$E(\overline X)=\mu$，这就是一个无偏估计，其中统计的样本均值也是一个随机变量，$\overline X_i$就是$\overline X$的一个取值。无偏估计的意义是：在多次重复下，它们的平均数接近所估计的参数真值。
介绍无偏估计的意义就是，我们计算的样本方差，希望它是总体方差的一个无偏估计，那么假如我们的样本方差是如下形式：
那么，我们根据无偏估计的定义可得：
由上式可以看出如果除以$n$，那么样本方差比总体方差的值偏小，那么该怎么修正，使得样本方差式总体方差的无偏估计呢？我们接着上式继续化简（其中Var()函数代表求方差variance）：
到这里得到如下式子，看到了什么？该怎修正似乎有点眉目。
如果让我们假设的样本方差$S^2$乘以$n\over n-1$，即修正成如下形式，是不是可以得到样本方差是总体方差$ \sigma^2$的无偏估计呢？
则：
因此修正之后的样本方差的期望是总体方差的一个无偏估计，这就是为什么分母为何要除以n-1。
计算方差的三个公式
- $ \sigma ^2 =E[(X-\mu)^2]$
- $ S ^2 ={1\over n}\sum_{i=1}^n(X_i-\mu)^2$
- $ S ^2 ={1\over n-1}\sum_{i=1}^n(X_i-\overline X)^2$
因为$\overline X$是由$X_i$计算出来的，所以$(X_i-\overline X)$显然会小于$(X_i-\mu)^2$，所以要除以较小的数。
