<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Dutor &#187; 数学</title>
	<atom:link href="http://www.dutor.net/index.php/tag/math/feed/" rel="self" type="application/rss+xml" />
	<link>http://www.dutor.net</link>
	<description>熟读而精思，循序而渐进，厚积而薄发。</description>
	<lastBuildDate>Tue, 17 Jan 2012 14:44:19 +0000</lastBuildDate>
	<language>en</language>
	<sy:updatePeriod>hourly</sy:updatePeriod>
	<sy:updateFrequency>1</sy:updateFrequency>
	<generator>http://wordpress.org/?v=3.3.1</generator>
		<item>
		<title>样本方差为何除以n-1?</title>
		<link>http://www.dutor.net/index.php/2009/10/sample-variance/</link>
		<comments>http://www.dutor.net/index.php/2009/10/sample-variance/#comments</comments>
		<pubDate>Wed, 28 Oct 2009 02:53:36 +0000</pubDate>
		<dc:creator>dutor</dc:creator>
				<category><![CDATA[数理空间]]></category>
		<category><![CDATA[数学]]></category>
		<category><![CDATA[概率统计]]></category>

		<guid isPermaLink="false">http://www.dutor.net/?p=1491</guid>
		<description><![CDATA[　　方差的概念从小学就开始建立了。对于一个随机变量$$X$$，$$\mu,\sigma^2$$分别表示其数学期望和方差，从中随机抽取n个样本$$X_1,X_2,\ldots,X_n$$，$$\overline X=\sum_{i=1}^nX_i$$是样本均值，$$S^2=\frac1{n-1}\sum_{i=1}^n(X_i-\overline X )^2$$是样本方差。那么为什么样本方差是除以$$n-1$$而不是n呢？

　　这里涉及到一个无偏估计的概念，$$X$$是随机变量，$$X_i,\overline X, S^2$$同样也是随机变量，其中$$\overline X,S^2$$是对$$X$$总体$$\mu,\sigma^2$$的一个估计，如果$$\overline X,S^2$$的期望分别等于$$\mu,\sigma^2$$的话，就说这种估计是无偏的。容易证明$$E(\overline X)=\mu$$，但是$$E(S^2)=E(\frac1{n-1}\sum_{i=1}^n(X_i-\overline X )^2)=\sigma^2$$的证明就不是那么显而易见了，下面我证明给大家看。记$$D(X_i),E(X_i)$$为$$X_i$$的方差和期望。]]></description>
			<content:encoded><![CDATA[<p>　　方差的概念从小学就开始建立了。对于一个随机变量<img src="http://www.dutor.net/wp-content/cache/02129bb861061d1a052c592e2dc6b383.png" align="absmiddle" class="tex" alt="X" />，<img src="http://www.dutor.net/wp-content/cache/d0cd697741929e6bc22be0bad02893bf.png" align="absmiddle" class="tex" alt="\mu,\sigma^2" />分别表示其数学期望和方差，从中随机抽取n个样本<img src="http://www.dutor.net/wp-content/cache/c4cd1566a7d90cc40477f4b74ce9240a.png" align="absmiddle" class="tex" alt="X_1,X_2,\ldots,X_n" />，<img src="http://www.dutor.net/wp-content/cache/64a6825c0b2440c04d0773ca320ecd14.png" align="absmiddle" class="tex" alt="\overline X=\sum_{i=1}^nX_i" />是样本均值，<img src="http://www.dutor.net/wp-content/cache/58406a6e94b5a18a5e1e6f68204c1089.png" align="absmiddle" class="tex" alt="S^2=\frac1{n-1}\sum_{i=1}^n(X_i-\overline X )^2" />是样本方差。那么为什么样本方差是除以<img src="http://www.dutor.net/wp-content/cache/a438673491daae8148eae77373b6a467.png" align="absmiddle" class="tex" alt="n-1" />而不是n呢？</p>
<p>　　这里涉及到一个无偏估计的概念，<img src="http://www.dutor.net/wp-content/cache/02129bb861061d1a052c592e2dc6b383.png" align="absmiddle" class="tex" alt="X" />是随机变量，<img src="http://www.dutor.net/wp-content/cache/f86bab2509d7b59d2ecaf1fad4770ea1.png" align="absmiddle" class="tex" alt="X_i,\overline X, S^2" />同样也是随机变量，其中<img src="http://www.dutor.net/wp-content/cache/7045e9f969a453f4ccdd904ce99e7cf5.png" align="absmiddle" class="tex" alt="\overline X,S^2" />是对<img src="http://www.dutor.net/wp-content/cache/02129bb861061d1a052c592e2dc6b383.png" align="absmiddle" class="tex" alt="X" />总体<img src="http://www.dutor.net/wp-content/cache/d0cd697741929e6bc22be0bad02893bf.png" align="absmiddle" class="tex" alt="\mu,\sigma^2" />的一个估计，如果<img src="http://www.dutor.net/wp-content/cache/7045e9f969a453f4ccdd904ce99e7cf5.png" align="absmiddle" class="tex" alt="\overline X,S^2" />的期望分别等于<img src="http://www.dutor.net/wp-content/cache/d0cd697741929e6bc22be0bad02893bf.png" align="absmiddle" class="tex" alt="\mu,\sigma^2" />的话，就说这种估计是无偏的。容易证明<img src="http://www.dutor.net/wp-content/cache/38efb62a1c1423e332afe09a51602003.png" align="absmiddle" class="tex" alt="E(\overline X)=\mu" />，但是<img src="http://www.dutor.net/wp-content/cache/fc8c8352baf7e2204c04d2d75c9f4315.png" align="absmiddle" class="tex" alt="E(S^2)=E(\frac1{n-1}\sum_{i=1}^n(X_i-\overline X )^2)=\sigma^2" />的证明就不是那么显而易见了，下面我证明给大家看。记<img src="http://www.dutor.net/wp-content/cache/bf37d4e272eb93de961d5a665acfc142.png" align="absmiddle" class="tex" alt="D(X_i),E(X_i)" />为<img src="http://www.dutor.net/wp-content/cache/a97118fb9e8d7e006a466bfc0771f888.png" align="absmiddle" class="tex" alt="X_i" />的方差和期望。<br />
<br ><br />
<img src="http://www.dutor.net/wp-content/cache/e31252da06429435070a5017785e04a1.png" align="absmiddle" class="tex" alt="\large\begin{array}{rcl}<br />
D(\overline X)&#038;=&#038;D(\frac1n\sum_{i=1}^nX_i)\\[10pt]<br />
&#038;=&#038;\frac1{n^2}D(\sum_{i=1}^nX_i)\\[10pt]<br />
&#038;=&#038;\frac1{n^2}(\sum_{i=1}^nD(X_i))\\[10pt]<br />
&#038;=&#038;\frac{\sigma^2}n \\[10pt]<br />
\\<br />
E({\overline X}^2)&#038;=&#038;D(\overline X)+E^2(\overline X)\\<br />
&#038;=&#038;\frac{\sigma^2}n+\mu^2 \\<br />
\\<br />
E(S^2)&#038;=&#038;E(\frac1{n-1}\sum_{i=1}^n(X_i-\overline X )^2) \\[10pt]<br />
 &#038;=&#038; \frac1{n-1}E(\sum_{i=1}^n(X_i-\overline X )^2) \\[10pt]<br />
 &#038;=&#038; \frac1{n-1}E(\sum_{i=1}^n(X_i^2- 2 X_i{\overline X}+{\overline X}^2 ))\\[10pt]<br />
\\<br />
E(\sum_{i=1}^nX_i^2)&#038;=&#038;n E(X_i^2) \\<br />
 &#038;=&#038; n(D(X_i)+E^2(X_i)) \\<br />
 &#038;=&#038; n(\sigma^2+\mu^2) \\<br />
\\<br />
E(\sum_{i=1}^nX_i{\overline X})&#038;=&#038;E({\overline X}\sum_{i=1}^nX_i) \\[10pt]<br />
 &#038;=&#038; nE({\overline X}^2)\\[10pt]<br />
 &#038;=&#038; n(D(\overline X) + E^2(\overline X)) \\[10pt]<br />
 &#038;=&#038; n(\frac{\sigma^2}{n}+\mu^2) \\[10pt]<br />
\\<br />
E(S^2) &#038;=&#038; \frac n{n-1}(\sigma^2+\mu^2)-\frac n{n-1}(\frac{\sigma^2}n+\mu^2) \\<br />
 &#038;=&#038; \sigma^2 \\<br />
\end{array}<br />
" /><br />
证毕～～</p>
<p>　　写这篇文章可费了不少劲，大部分时间都花在了公式的编辑上面，这样写文章是不是很ooxx：<br />
<div class="wp-caption aligncenter" style="width: 669px"><img alt="Editor using LaTeX" src="http://www.dutor.net/files/images/ltxedit.jpg" title="Editor using LaTeX" width="659" height="340" /><p class="wp-caption-text">Editor using LaTeX</p></div></p>
<p>　　但比起用Mathtype编辑然后上传来说，要省多了，尤其是在熟练以后。</p>
<p>　　写这种篇文章还费了不少的水，一暖壶的水差不多被我喝干了。上卫生间时突然想起小时候和那帮家伙比尿尿，看谁尿的远，现在想来，那是很危险的，如果你的括约肌比较强劲的话……</p>
]]></content:encoded>
			<wfw:commentRss>http://www.dutor.net/index.php/2009/10/sample-variance/feed/</wfw:commentRss>
		<slash:comments>7</slash:comments>
		</item>
		<item>
		<title>一个条件概率问题</title>
		<link>http://www.dutor.net/index.php/2009/09/condition-probability/</link>
		<comments>http://www.dutor.net/index.php/2009/09/condition-probability/#comments</comments>
		<pubDate>Sat, 19 Sep 2009 03:40:26 +0000</pubDate>
		<dc:creator>dutor</dc:creator>
				<category><![CDATA[数理空间]]></category>
		<category><![CDATA[数学]]></category>
		<category><![CDATA[概率论]]></category>

		<guid isPermaLink="false">http://www.dutor.net/?p=1296</guid>
		<description><![CDATA[<strong>问题1</strong> <pre>小两口有俩娃儿，其中有一个生于星期二的男孩儿。问另一个是男孩儿的概率是多少？</pre>
　　如果上面的问题略显复杂的话，那么先看下面的这个问题，
<strong>问题2</strong> <pre>小两口有俩娃儿，其中第一个是的男孩。问第二个是男孩儿的概率是多少？</pre>
　　对于问题2，由于两个孩子的性别和生日(以周记)是独立的，所以第二个是男孩的概率就是1/2。从古典概型的角度来理解，总的样本空间可以表述为Ω ={男，男}，{男，女}，{女，男}，{女，女}，第一个是男孩为事件A={男，男}，{男，女}，第二个是男孩为事件B={男，男}。于是，在第一个为男孩的前提下第二个是男孩的概率为1/2，即P(AB)/P(B)＝(1/4)/(1/2)＝1/2。我们把问题再换一个问法，]]></description>
			<content:encoded><![CDATA[<p><strong>问题1</strong>
<pre>小两口有俩娃儿，其中有一个生于星期二的男孩儿。问另一个是男孩儿的概率是多少？</pre>
<p>　　如果上面的问题略显复杂的话，那么先看下面的这个问题，<br />
<strong>问题2</strong>
<pre>小两口有俩娃儿，其中第一个是的男孩。问第二个是男孩儿的概率是多少？</pre>
<p>　　对于问题2，由于两个孩子的性别和生日(以周记)是独立的，所以第二个是男孩的概率就是1/2。从古典概型的角度来理解，总的样本空间可以表述为Ω ={男，男}，{男，女}，{女，男}，{女，女}，第一个是男孩为事件A={男，男}，{男，女}，第二个是男孩为事件B={男，男}。于是，在第一个为男孩的前提下第二个是男孩的概率为1/2，即P(AB)/P(B)＝(1/4)/(1/2)＝1/2。我们把问题再换一个问法，<br />
<strong>问题3</strong>
<pre>小两口有俩娃儿，其中有一个是男孩儿。问另一个是男孩儿的概率是多少？</pre>
<p>　　仍然从古典概型的角度来考虑，总的样本空间可以表述为Ω ={男，男}，{男，女}，{女，男}，{女，女}，<em>其中一个</em>是男孩为事件A={男，男}，{男，女}，{女，男}，第二个是男孩为事件B={男，男}。于是，在已知<em>有一个</em>男孩的前提下，另外一个是男孩的概率就是1/3。这从感性上也不难理解，自然情况下性别比是1:1(也有人说是49：51的)，你已经有一个男的了，还想再讨一个男孩儿，当然概率要小于1/2了。</p>
<p>　　有问题3的铺垫，这时候问题1我想已经没什么问题了吧，两外一个是男孩的概率就是13/27 = (7 + 6)/(7 + 7 + 7 + 6)。</p>
<p><strong>补充</strong><br />
　　条件概率就是事件 A 在另外一个事件 B 已经发生条件下的发生概率，表示为 P(A|B)＝P(AB)/P(B)。详细的解释参照<a href="http://zh.wikipedia.org/wiki/%E6%9D%A1%E4%BB%B6%E6%A6%82%E7%8E%87" target="_blank">这里</a></p>
]]></content:encoded>
			<wfw:commentRss>http://www.dutor.net/index.php/2009/09/condition-probability/feed/</wfw:commentRss>
		<slash:comments>7</slash:comments>
		</item>
	</channel>
</rss>

