यह एक सदमे का एक सा के रूप में मेरे लिए पहली बार मैं एक सामान्य वितरण मोंटे कार्लो सिमुलेशन किया था और पता चला कि का मतलब आया से मानक विचलन नमूने, सब केवल का एक नमूना आकार होने , बहुत कम साबित हुई की तुलना में, औसत, बार, जनसंख्या को उत्पन्न करने के लिए उपयोग किए जाने वाले । हालांकि, यह अच्छी तरह से ज्ञात है, अगर शायद ही कभी याद किया जाता है, और मुझे पता है कि, या मैंने एक सिमुलेशन नहीं किया होगा। यहाँ एक सिमुलेशन है।
यहाँ के 95% विश्वास अंतराल की भविष्यवाणी के लिए एक उदाहरण है 100 का उपयोग करते हुए, , के अनुमान , और ।
RAND() RAND() Calc Calc
N(0,1) N(0,1) SD E(s)
-1.1171 -0.0627 0.7455 0.9344
1.7278 -0.8016 1.7886 2.2417
1.3705 -1.3710 1.9385 2.4295
1.5648 -0.7156 1.6125 2.0209
1.2379 0.4896 0.5291 0.6632
-1.8354 1.0531 2.0425 2.5599
1.0320 -0.3531 0.9794 1.2275
1.2021 -0.3631 1.1067 1.3871
1.3201 -1.1058 1.7154 2.1499
-0.4946 -1.1428 0.4583 0.5744
0.9504 -1.0300 1.4003 1.7551
-1.6001 0.5811 1.5423 1.9330
-0.5153 0.8008 0.9306 1.1663
-0.7106 -0.5577 0.1081 0.1354
0.1864 0.2581 0.0507 0.0635
-0.8702 -0.1520 0.5078 0.6365
-0.3862 0.4528 0.5933 0.7436
-0.8531 0.1371 0.7002 0.8775
-0.8786 0.2086 0.7687 0.9635
0.6431 0.7323 0.0631 0.0791
1.0368 0.3354 0.4959 0.6216
-1.0619 -1.2663 0.1445 0.1811
0.0600 -0.2569 0.2241 0.2808
-0.6840 -0.4787 0.1452 0.1820
0.2507 0.6593 0.2889 0.3620
0.1328 -0.1339 0.1886 0.2364
-0.2118 -0.0100 0.1427 0.1788
-0.7496 -1.1437 0.2786 0.3492
0.9017 0.0022 0.6361 0.7972
0.5560 0.8943 0.2393 0.2999
-0.1483 -1.1324 0.6959 0.8721
-1.3194 -0.3915 0.6562 0.8224
-0.8098 -2.0478 0.8754 1.0971
-0.3052 -1.1937 0.6282 0.7873
0.5170 -0.6323 0.8127 1.0186
0.6333 -1.3720 1.4180 1.7772
-1.5503 0.7194 1.6049 2.0115
1.8986 -0.7427 1.8677 2.3408
2.3656 -0.3820 1.9428 2.4350
-1.4987 0.4368 1.3686 1.7153
-0.5064 1.3950 1.3444 1.6850
1.2508 0.6081 0.4545 0.5696
-0.1696 -0.5459 0.2661 0.3335
-0.3834 -0.8872 0.3562 0.4465
0.0300 -0.8531 0.6244 0.7826
0.4210 0.3356 0.0604 0.0757
0.0165 2.0690 1.4514 1.8190
-0.2689 1.5595 1.2929 1.6204
1.3385 0.5087 0.5868 0.7354
1.1067 0.3987 0.5006 0.6275
2.0015 -0.6360 1.8650 2.3374
-0.4504 0.6166 0.7545 0.9456
0.3197 -0.6227 0.6664 0.8352
-1.2794 -0.9927 0.2027 0.2541
1.6603 -0.0543 1.2124 1.5195
0.9649 -1.2625 1.5750 1.9739
-0.3380 -0.2459 0.0652 0.0817
-0.8612 2.1456 2.1261 2.6647
0.4976 -1.0538 1.0970 1.3749
-0.2007 -1.3870 0.8388 1.0513
-0.9597 0.6327 1.1260 1.4112
-2.6118 -0.1505 1.7404 2.1813
0.7155 -0.1909 0.6409 0.8033
0.0548 -0.2159 0.1914 0.2399
-0.2775 0.4864 0.5402 0.6770
-1.2364 -0.0736 0.8222 1.0305
-0.8868 -0.6960 0.1349 0.1691
1.2804 -0.2276 1.0664 1.3365
0.5560 -0.9552 1.0686 1.3393
0.4643 -0.6173 0.7648 0.9585
0.4884 -0.6474 0.8031 1.0066
1.3860 0.5479 0.5926 0.7427
-0.9313 0.5375 1.0386 1.3018
-0.3466 -0.3809 0.0243 0.0304
0.7211 -0.1546 0.6192 0.7760
-1.4551 -0.1350 0.9334 1.1699
0.0673 0.4291 0.2559 0.3207
0.3190 -0.1510 0.3323 0.4165
-1.6514 -0.3824 0.8973 1.1246
-1.0128 -1.5745 0.3972 0.4978
-1.2337 -0.7164 0.3658 0.4585
-1.7677 -1.9776 0.1484 0.1860
-0.9519 -0.1155 0.5914 0.7412
1.1165 -0.6071 1.2188 1.5275
-1.7772 0.7592 1.7935 2.2478
0.1343 -0.0458 0.1273 0.1596
0.2270 0.9698 0.5253 0.6583
-0.1697 -0.5589 0.2752 0.3450
2.1011 0.2483 1.3101 1.6420
-0.0374 0.2988 0.2377 0.2980
-0.4209 0.5742 0.7037 0.8819
1.6728 -0.2046 1.3275 1.6638
1.4985 -1.6225 2.2069 2.7659
0.5342 -0.5074 0.7365 0.9231
0.7119 0.8128 0.0713 0.0894
1.0165 -1.2300 1.5885 1.9909
-0.2646 -0.5301 0.1878 0.2353
-1.1488 -0.2888 0.6081 0.7621
-0.4225 0.8703 0.9141 1.1457
0.7990 -1.1515 1.3792 1.7286
0.0344 -0.1892 0.8188 1.0263 mean E(.)
SD pred E(s) pred
-1.9600 -1.9600 -1.6049 -2.0114 2.5% theor, est
1.9600 1.9600 1.6049 2.0114 97.5% theor, est
0.3551 -0.0515 2.5% err
-0.3551 0.0515 97.5% err
ग्रैंड योग देखने के लिए स्लाइडर को नीचे खींचें। अब, मैंने शून्य के औसत के आसपास 95% विश्वास अंतराल की गणना करने के लिए साधारण एसडी अनुमानक का उपयोग किया, और वे 0.3551 मानक विचलन इकाइयों द्वारा बंद हैं। ई (एस) अनुमानक केवल 0.0515 मानक विचलन इकाइयों द्वारा बंद है। यदि कोई मानक विचलन, माध्य या टी-सांख्यिकी की मानक त्रुटि का अनुमान लगाता है, तो समस्या हो सकती है।
मेरा तर्क इस प्रकार था, जनसंख्या का मतलब है, दो मूल्यों में से एक संबंध में कहीं भी हो सकता है और निश्चित रूप से पर स्थित नहीं है , जो बाद में पूर्ण न्यूनतम संभव राशि के लिए बनाता है। ताकि हम underestimating रहे चुकता काफी हद तक, के रूप में इस प्रकार हैx 1 x 1 + x 2 σ
wlog let , तब है , कम से कम संभव परिणाम।Σ n मैं = 1 ( एक्स मैं - ˉ एक्स ) 2 2 ( घ
इसका मतलब है कि मानक विचलन की गणना
,
जनसंख्या मानक विचलन ( ) का एक पक्षपाती अनुमानक है । ध्यान दें, उस सूत्र में हम की स्वतंत्रता की डिग्री को 1 से घटाते हैं और विभाजित करते हैं , अर्थात, हम कुछ सुधार करते हैं, लेकिन यह केवल स्पर्शोन्मुख रूप से सही है, और अंगूठे का एक बेहतर नियम होगा । हमारे उदाहरण के लिए फॉर्मूला हमें , जो सांख्यिकीय रूप से न्यूनतम मान , जहां एक बेहतर अपेक्षित मूल्य ( ) होगाएन एन - 1 एन - 3 / 2 एक्स 2 - एक्स 1 = d एसडी एस डीμ≠ˉएक्सरोंई(रोंn<10एसडीσएन25एन<25n=1000। सामान्य गणना के लिए, , बहुत महत्वपूर्ण अंडरस्टीमेशन से पीड़ित होते हैं जिसे छोटी संख्या पूर्वाग्रह कहा जाता है , जो केवल लगभग होने पर का 1% कम आंकना होता है । चूंकि कई जैविक प्रयोगों में , यह वास्तव में एक मुद्दा है। के लिए , त्रुटि लगभग 100,000 में 25 भागों है। सामान्य तौर पर, छोटी संख्या के पूर्वाग्रह सुधार का अर्थ है कि सामान्य वितरण का जनसंख्या मानक विचलन का निष्पक्ष अनुमानक है
से विकिपीडिया एक लाइसेंस क्रिएटिव कॉमन्स के तहत एसडी के मूल्यवान समझना के एक भूखंड है
चूँकि SD जनसंख्या मानक विचलन का एक पक्षपाती आकलनकर्ता है, यह जनसंख्या मानक विचलन का न्यूनतम विचरण निष्पक्ष अनुमानक MVUE नहीं हो सकता जब तक कि हम यह कहते हुए खुश न हों कि यह MVUE है , जो कि मैं, एक के लिए नहीं हूँ।
गैर-सामान्य वितरण के बारे में और लगभग निष्पक्ष ने इसे पढ़ा ।
अब आता है सवाल Q1
यह साबित किया जा सकता है कि ऊपर MVUE के लिए है नमूना आकार की एक सामान्य वितरण की , जहां एक से एक सकारात्मक पूर्णांक कौन बड़ा है?σ n n
संकेत: (लेकिन जवाब नहीं) देखें कि मैं सामान्य वितरण से नमूना मानक विचलन का मानक विचलन कैसे पा सकता हूं? ।
अगला प्रश्न, Q2
क्या कोई मुझे यह समझाएगा कि हम क्यों का उपयोग कर रहे हैं, क्योंकि यह स्पष्ट रूप से पक्षपाती और भ्रामक है? यही कारण है, क्यों नहीं सबसे अधिक सब कुछ के लिए उपयोग करें ? अनुपूरक, यह नीचे दिए गए उत्तरों में स्पष्ट हो गया है कि विचरण निष्पक्ष है, लेकिन इसका वर्गमूल पक्षपाती है। मैं अनुरोध करूंगा कि जब निष्पक्ष मानक विचलन का उपयोग किया जाना चाहिए, तो यह सवाल का जवाब देता है।
जैसा कि यह पता चला है, एक आंशिक उत्तर यह है कि उपरोक्त सिमुलेशन में पूर्वाग्रह से बचने के लिए, एसडी-मानों के बजाय भिन्नताओं को औसत किया जा सकता था। इसके प्रभाव को देखने के लिए, यदि हम ऊपर एसडी कॉलम को स्क्वायर करते हैं, और उन मानों को औसत करते हैं जो हमें 0.9994 मिलते हैं, जिसका वर्गमूल मानक विचलन 0.9996915 का अनुमान है और जिसके लिए त्रुटि 2.5% पूंछ के लिए केवल 0.0006 है। -0.0006 95% पूंछ के लिए। ध्यान दें कि यह इसलिए है क्योंकि variances additive हैं, इसलिए औसतन यह एक कम त्रुटि प्रक्रिया है। हालांकि, मानक विचलन पक्षपाती हैं, और उन मामलों में जहां हमारे पास मध्यस्थ के रूप में वेरिएंस का उपयोग करने की लक्जरी नहीं है, हमें अभी भी छोटी संख्या में सुधार की आवश्यकता है। भले ही हम इस मामले में लिए एक मध्यस्थ के रूप में विचरण का उपयोग कर सकते हैं, छोटा नमूना सुधार, मानक विचलन के एक निष्पक्ष अनुमान के रूप में 1.002219148 देने के लिए निष्पक्ष विचरण 0.9996915 के वर्गमूल को 1.002528401 से गुणा करने का सुझाव देता है। तो, हाँ, हम छोटी संख्या में सुधार का उपयोग करने में देरी कर सकते हैं लेकिन क्या हमें इसे पूरी तरह से अनदेखा करना चाहिए?
यहाँ सवाल यह है कि हमें कब छोटी संख्या में सुधार का उपयोग करना चाहिए, जैसा कि इसके उपयोग को नजरअंदाज करने के विपरीत है, और मुख्य रूप से, हमने इसके उपयोग से बचा है।
यहां एक और उदाहरण है, एक रेखीय प्रवृत्ति को स्थापित करने के लिए अंतरिक्ष में न्यूनतम संख्या जो एक त्रुटि है तीन है। यदि हम इन बिंदुओं को साधारण कम से कम वर्गों के साथ फिट करते हैं, तो ऐसे कई फिट के लिए परिणाम एक मुड़ा हुआ सामान्य अवशिष्ट पैटर्न है यदि गैर-रैखिकता और आधा सामान्य है अगर रैखिकता है। आधे-सामान्य मामले में हमारे वितरण का मतलब छोटी संख्या में सुधार की आवश्यकता है। यदि हम 4 या अधिक बिंदुओं के साथ एक ही चाल की कोशिश करते हैं, तो वितरण आम तौर पर सामान्य से संबंधित नहीं होगा या विशेषता के लिए आसान नहीं होगा। क्या हम किसी भी तरह 3-बिंदु परिणामों को संयोजित करने के लिए विचरण का उपयोग कर सकते हैं? शायद, शायद नहीं। हालांकि, दूरियों और वैक्टर के मामले में समस्याओं की कल्पना करना आसान है।